階層時系列データと予測モデル構築 データ分析講座(その270)

更新日

投稿日

データ分析

 

ビジネスの現場で目にする多くのデータは時系列データです。例えば、売上やセンサーデータなどです。さらに、ビジネスの現場で目にする多くの時系列データは、階層構造を持っています。例えば、売上全体とエリアごとの売上、そのエリアの店舗ごとの売上、各店舗の商品(ストックキーピングユニット SKU:Stock keeping Unitなど)ごとの売上、などです。このような階層時系列データは、どのように予測モデルを構築し、予測に活用すればいいのでしょうか。今回は「階層時系列データと予測モデル構築」というお話しをします。

 

【目次】
◆4つの予測アプローチ
 1.ボトムアップアプローチ(bottom-up approach)
 2.トップダウンアプローチ(top-down approach)
 3.ミドルアウトアプローチ(middle-out approach)
 4.最適調整アプローチ(optimal reconciliation approach)

【この連載の前回:(その269)データ活用はPoVでデータビジネスはPoBでへのリンク】

◆【特集】 連載記事紹介連載記事のタイトルをまとめて紹介、各タイトルから詳細解説に直リンク!!

◆データ分析講座の注目記事紹介

 

 

◆4つの予測アプローチ

幾つかのアプローチ方法があります。

  • ボトムアップアプローチ(bottom-up approach)
  • トップダウンアプローチ(top-down approach)
  • ミドルアウトアプローチ(middle-out approach)
  • 最適調整アプローチ(optimal reconciliation approach)

 

それぞれについて、簡単に説明します。

 

1.ボトムアップアプローチ(bottom-up approach)

ボトムアップアプローチは、階層時系列予測で、最もよく使われる手法です。

 

階層の最下層の個々の時系列データに対し、予測モデルを構築します。予測結果は、最下層の時系列データに対しては予測モデルの予測値をそのまま利用し、上の層では下の層の予測値を合計したものを予測値として利用します。

 

ただ、最下層の時系列データに対する個々の時系列予測モデルの精度が悪い場合、それらを合計した上位層の時系列データの予測結果は、非常に悪くなる可能性があります。階層が深いほど悪くなります。場合によっては、最上位層(例えばその企業の売上全体など)の予測値が、目も当てられない感じになる場合もあります。

 

上位層の精度が悪くなるとは、上位層の時系列データに対し予測モデルを直接構築し予測した場合と比較したとき、下から足し上げた予測値の精度が非常に悪いということです。

 

そもそも、最下層の時系列データの値が非常に小さい数字(例:1個、2個、3個など)であったり、データの存在する期間が非常に短かったりと(例:今年の新商品のSKUなど)、非常に不安定な時系列予測モデルになることがあります。

 

2.トップダウンアプローチ(top-down approach)

次に多いのがトップダウンアプローチです。

 

先ず「全体」(最上位層、例えばその企業の売上全体など)の予測モデルを構築し予測します。次に、予測結果を適切な割合に基づいて下の層に分解していきます。当然ながら、最上位層など上の層ほど良い予測結果を出します。しかし、下の層に行くほど予測精度は悪化します。階層が深いほど悪くなります。また、分割する割合に大きく依存するため、その割合をどう計算するのか、非常に大きな問題になります。

 

一番簡単なのは、最近の過去データから割合を導き出すことです。その場合、直近の予測値であればそれなりの結果になるかもしれませんが、遠い将来だと見当外れになります。

 

3.ミドルアウトアプローチ(middle-out approach)

 

ボトムアップアプローチは、階層の下の層ほど良い予測結果を出します。トップダウンアプローチは、階層の上の層ほど良い予測結果を出します。

 

ミドルアウトアプローチは、ボトムアップアプローチとトップダウンアプローチを組み合わせたものです。

  • 階層の中から予測モデルを構築し予測する中間レベルを選択
  • 選んだ中間レベルの層のすべての時系列データ対し、予測モデルを構築し予測
  • ボトムアップアプローチとトップダウンアプローチを実施

 

ミドルレベルよりも上の階層の時系列データ:ボトムアップアプローチで予測
ミドルレベルよりも下の階層の時系列データ:トップダウンアプローチで予測

 

ここまでの3つの予測アプローチは、今からでもすぐできるようなものです。次に説明する最適調整アプローチは、ちょっと異なります。

 

4.最適調整アプローチ(optimal reconciliation approach)

 

通常、予測モデルを構築し予測した層の予測結果は、良い予測精度になります。ボトムアップアプローチの場合は最下層、トップダウンアプローチの場合は最上位層、ミドルアウトアプローチの場合は選択した中間レベルの層...

データ分析

 

ビジネスの現場で目にする多くのデータは時系列データです。例えば、売上やセンサーデータなどです。さらに、ビジネスの現場で目にする多くの時系列データは、階層構造を持っています。例えば、売上全体とエリアごとの売上、そのエリアの店舗ごとの売上、各店舗の商品(ストックキーピングユニット SKU:Stock keeping Unitなど)ごとの売上、などです。このような階層時系列データは、どのように予測モデルを構築し、予測に活用すればいいのでしょうか。今回は「階層時系列データと予測モデル構築」というお話しをします。

 

【目次】
◆4つの予測アプローチ
 1.ボトムアップアプローチ(bottom-up approach)
 2.トップダウンアプローチ(top-down approach)
 3.ミドルアウトアプローチ(middle-out approach)
 4.最適調整アプローチ(optimal reconciliation approach)

【この連載の前回:(その269)データ活用はPoVでデータビジネスはPoBでへのリンク】

◆【特集】 連載記事紹介連載記事のタイトルをまとめて紹介、各タイトルから詳細解説に直リンク!!

◆データ分析講座の注目記事紹介

 

 

◆4つの予測アプローチ

幾つかのアプローチ方法があります。

  • ボトムアップアプローチ(bottom-up approach)
  • トップダウンアプローチ(top-down approach)
  • ミドルアウトアプローチ(middle-out approach)
  • 最適調整アプローチ(optimal reconciliation approach)

 

それぞれについて、簡単に説明します。

 

1.ボトムアップアプローチ(bottom-up approach)

ボトムアップアプローチは、階層時系列予測で、最もよく使われる手法です。

 

階層の最下層の個々の時系列データに対し、予測モデルを構築します。予測結果は、最下層の時系列データに対しては予測モデルの予測値をそのまま利用し、上の層では下の層の予測値を合計したものを予測値として利用します。

 

ただ、最下層の時系列データに対する個々の時系列予測モデルの精度が悪い場合、それらを合計した上位層の時系列データの予測結果は、非常に悪くなる可能性があります。階層が深いほど悪くなります。場合によっては、最上位層(例えばその企業の売上全体など)の予測値が、目も当てられない感じになる場合もあります。

 

上位層の精度が悪くなるとは、上位層の時系列データに対し予測モデルを直接構築し予測した場合と比較したとき、下から足し上げた予測値の精度が非常に悪いということです。

 

そもそも、最下層の時系列データの値が非常に小さい数字(例:1個、2個、3個など)であったり、データの存在する期間が非常に短かったりと(例:今年の新商品のSKUなど)、非常に不安定な時系列予測モデルになることがあります。

 

2.トップダウンアプローチ(top-down approach)

次に多いのがトップダウンアプローチです。

 

先ず「全体」(最上位層、例えばその企業の売上全体など)の予測モデルを構築し予測します。次に、予測結果を適切な割合に基づいて下の層に分解していきます。当然ながら、最上位層など上の層ほど良い予測結果を出します。しかし、下の層に行くほど予測精度は悪化します。階層が深いほど悪くなります。また、分割する割合に大きく依存するため、その割合をどう計算するのか、非常に大きな問題になります。

 

一番簡単なのは、最近の過去データから割合を導き出すことです。その場合、直近の予測値であればそれなりの結果になるかもしれませんが、遠い将来だと見当外れになります。

 

3.ミドルアウトアプローチ(middle-out approach)

 

ボトムアップアプローチは、階層の下の層ほど良い予測結果を出します。トップダウンアプローチは、階層の上の層ほど良い予測結果を出します。

 

ミドルアウトアプローチは、ボトムアップアプローチとトップダウンアプローチを組み合わせたものです。

  • 階層の中から予測モデルを構築し予測する中間レベルを選択
  • 選んだ中間レベルの層のすべての時系列データ対し、予測モデルを構築し予測
  • ボトムアップアプローチとトップダウンアプローチを実施

 

ミドルレベルよりも上の階層の時系列データ:ボトムアップアプローチで予測
ミドルレベルよりも下の階層の時系列データ:トップダウンアプローチで予測

 

ここまでの3つの予測アプローチは、今からでもすぐできるようなものです。次に説明する最適調整アプローチは、ちょっと異なります。

 

4.最適調整アプローチ(optimal reconciliation approach)

 

通常、予測モデルを構築し予測した層の予測結果は、良い予測精度になります。ボトムアップアプローチの場合は最下層、トップダウンアプローチの場合は最上位層、ミドルアウトアプローチの場合は選択した中間レベルの層の、時系列データです。であれば、階層内のすべてのレベルの時系列データに対し予測モデルを構築し予測を実施すればいいのではないか、となりますが、そう単純でもありません。

 

個々の時系列データごとに予測モデルを構築し予測すると、下位層の予測値の合計が上位層の予測値になっている、という予測値の首尾一貫性は通常保たれません。予測値の首尾一貫性を保つにどうすればいいのか、ということになり、そこで登場するのが最適調整アプローチです。

 

最適調整アプローチは、階層内のすべてのレベルの時系列データに対し予測モデルを構築し予測を実施し、その後、数理モデルの助けを借りてここの予測結果を調整し調整済み予測結果を計算します。最適調整アプローチで利用する数理モデルは、最小2乗回帰(OLS:Ordinary Least Squares regression)を応用したものになります。要は、それほど難しいものではなく、非常にシンプルであるということです。

 

 

   続きを読むには・・・


この記事の著者

高橋 威知郎

データネクロマンサー/データ分析・活用コンサルタント (埋もれたデータに花を咲かせる、データ分析界の花咲じじい。それほど年齢は重ねてないけど)

データネクロマンサー/データ分析・活用コンサルタント (埋もれたデータに花を咲かせる、データ分析界の花咲じじい。それほど年齢は重ねてないけど)


「情報マネジメント一般」の他のキーワード解説記事

もっと見る
営業を確率で考える データ分析講座(その5)

  ◆ 営業は失注しても、確率で考えれば落ち込めない  「2人の極端な部下がいるけど、どちらも営業成績よくなくて…&hel...

  ◆ 営業は失注しても、確率で考えれば落ち込めない  「2人の極端な部下がいるけど、どちらも営業成績よくなくて…&hel...


5つのデータ分析 データ分析講座(その224)

  【この連載の前回:データ分析講座(その223)数値予測は9つのシナリオで実施するへのリンク】 ◆関連解説『情報マネジメントとは』 ...

  【この連載の前回:データ分析講座(その223)数値予測は9つのシナリオで実施するへのリンク】 ◆関連解説『情報マネジメントとは』 ...


最近多いケーススタディ⑤「チャーン分析(離反顧客分析)」 データ分析講座(その192)

    データを使い販売力を効率的に高めるセールスアナリティクスには、3つの典型的なテーマがあります。 新規顧客の獲得 既...

    データを使い販売力を効率的に高めるセールスアナリティクスには、3つの典型的なテーマがあります。 新規顧客の獲得 既...


「情報マネジメント一般」の活用事例

もっと見る
ソーシャルメディアデータの解析事例:異分野研究から得られる共通した目的とは

 2020年、コロナウィルス感染の問題が大きくなり始めた頃、少人数の開催ということで、ソーシャルメディアデータ解析を専門にされている先生の講演会を聞く...

 2020年、コロナウィルス感染の問題が大きくなり始めた頃、少人数の開催ということで、ソーシャルメディアデータ解析を専門にされている先生の講演会を聞く...


中小製造業のウェブ戦略

 中小製造業がウェブサイトを立ち上げる際、その目的として「自社の信用力を高めるための会社概要的な役割」と考える経営者も少なくない。しかし、当社のクライアン...

 中小製造業がウェブサイトを立ち上げる際、その目的として「自社の信用力を高めるための会社概要的な役割」と考える経営者も少なくない。しかし、当社のクライアン...


システムトラブル、誰に相談したら良いか

 最近は、以下のように情報システム開発にかかわるトラブルに悩まされる企業が急増しています。ところが、トラブルが起きた時に誰に相談したらいいかわからなくて困...

 最近は、以下のように情報システム開発にかかわるトラブルに悩まされる企業が急増しています。ところが、トラブルが起きた時に誰に相談したらいいかわからなくて困...