<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=445779107733115&amp;ev=PageView&amp;noscript=1">

時系列予測とは?代表的な手法や活用事例を解説!

 2022.03.01  2023.03.10

企業の経営活動は、季節の変化や消費者のトレンドに合わせて、流動的に変化していくのが常です。つまり、企業が正しく自社の経営戦略を立てるためには、そうした時間的変化も考慮に入れた分析手法「時系列予測」が必要になります。
本記事では、時系列予測の代表的な手法や活用事例、そして簡単に時系列分析を利用できる便利なデータ分析サービスについてご紹介します。

時系列予測とは?

時系列予測または時系列分析とは、時間の経過に沿って変化するデータを解析し、将来を予測することを意味します。身近な例を挙げると、天気予報における時間ごとの気温の変化を記した折れ線グラフなどが時系列予測の典型と言えます。

気温が日時や季節によって異なる変化を見せるように、経営活動においても時間や季節性の変化は大きく影響します。たとえば2月のバレンタインの時期にはチョコレートがたくさん売れるように、商品の売れ行きは必ずしも年間を通して一定に推移するのではありません。

時系列予測は、経営におけるそうした時期的な変化を予測するための分析手法です。

時系列予測におけるデータの変動の原因は、長期的な上昇/下降の傾向性を指す「トレンド」、1年の間で一定期間ごとに周期的に変化する「季節変動」、複数年にまたがって周期的に変化する「循環変動」、周期性や規則的な傾向性が見られない「不規則変動」の4つから成り立っています。

時系列予測においては、これらの成分を合算あるいは積算してデータを測定します。

時系列予測にできること

上記でも紹介しましたが、時系列予測は様々な領域のデータ分析に使われます。

たとえば経済活動に絞っても、日々の為替レートの変動やGDPの成長度、将来の市場規模の変化、各企業の売上実績の予想などに役立てられています。

あるいは現在問題となっている新型コロナウイルス感染症の感染者の拡大傾向なども、時系列予測を活用して分析が行われていることでしょう。

「時系列予測」というと一見難しく見えますが、時間に合わせて物事を予測し、対応に当たるのは様々な仕事の現場レベルで当たり前にやっていることでもあります。

たとえば小売業や飲食業においては、曜日や時間ごとに来客数の推移を予測して、接客に当たる人数や業務内容を調整しているケースも多いと思います。

時系列予測は、私達が経験則で行っているそうした予測対応をデジタル上で客観化し、さらに高精度に発展させたものといえるでしょう。

花王株式会社様 導入事例

花王株式会社様 導入事例

花王株式会社はデータを収集・分析するためのバックエンドシステムの要としてGoogle Cloudを採用しています。

外部データを活用したマーケティングと社内SEの育成による内製化を実現させた同社の導入事例をご紹介します。

詳細はこちら

時系列予測の主な手法

時系列予測には複数の分析手法があります。以下ではそれぞれの特徴について解説していきます。

季節手法

季節手法とは、季節的な要素を含むデータを予測したい場合に適した分析手法です。たとえば、先述したようなバレンタインデー時期のチョコレートの売上や、クリスマス時期のケーキの売上などが代表的な事例です。

季節手法の中には、さらに「加法型季節平滑法」と「積乗型季節平滑法」という2種類の分析モデルがあります。どちらもデータを季節性、周期性、誤差などの要素に分けて分析し、将来の値を予測するということには変わりありません。

しかし、加法型季節平滑法の場合にはその予測値が一定の範囲内で安定的に推移するようなデータを分析するのに適しているのに対して、積乗型季節平滑法の場合はその値が上昇傾向にあるデータを分析するのに適しているという違いがあります。

非季節手法

非季節手法とは、文字通り季節的要素を含まないデータ予測に適した分析手法です。非季節手法の中にも分析モデルが複数あり、主に「シングル移動平均法」、「ダブル移動平均法」、「シングル指数平滑法」、「ダブル指数平滑法」という4種類の手法が用いられています。

移動平均とは、一定の期間内の平均値を、期間を次々とずらしながら取っていく手法です。短期間でのデータの細かな上下動を平滑化することができるため、時系列データを扱う際の最も基本的な手法でもあります。

直近のある期間のデータを平均化して将来的な予測を立てるのがシングル移動平均法、データが新しくなるにつれて大きな重みをつけるのがシングル指数平滑法です。そして、それぞれを元データとその結果に順番に適用するのが、ダブル移動平均法とダブル指数平滑法です。

ARIMA(自己回帰和分移動平均)モデル

ARIMAモデルは日本語にすると「自己回帰和分移動平均モデル」と言います。

ARIMAモデルは、AR(自己回帰モデル)とMA(移動平均モデル)の2つの分析モデルを組み合わせて構成された分析手法です。

まずARモデルとは、過去のデータを用いて(回帰して)現在の値を予測する分析手法です。対してMAモデルは、過去の分析指標と実際の値の間にある誤差まで考慮し、次のデータの推移を予想するモデルです。

ARモデルとMAモデルを組み合わせたARIMAモデルにおいては、非定常の過程にも対応できる上に予測性も高いため、多くの分析において使用されています。

実際に、いくつかの代表的な分析パッケージソフトウェアも、時系列分析は標準でARIMAモデルに対応しています。

重回帰分析

重回帰分析は、1つの目的変数を複数の説明変数と係数を用いて予測する手法です。目的変数とは予測したい値、説明変数とは目的変数以外にデータが持つ様々なパラメータのことを指します。目的変数に対して説明変数が1つであれば単回帰分析、2つ以上あるものを重回帰分析と言います。分かりやすく言えば、複数の原因から構成される出来事について、それぞれの原因の影響度も加味しながら分析するときに重回帰分析を使います。

重回帰分析はその性質上、複雑な計算になりがちですが、考え方は非常にシンプルなため、一般的な表計算ソフトウェア上でも行うことができます。また、応用範囲も広範にわたるため、時系列分析に限らず売上予測やプロモーション戦略といったマーケティング現場でもよく利用されています。

時系列予測の活用事例

時系列予測は、多くの企業が様々な領域で活用しています。
たとえば大和ハウス工業では、時系列予測にAIを活用して不動産価値の将来予測と投資プランのシミュレーションが行えるサービス「VALUE AI」を提供し、不動産オーナーの経営サポートを行っています。

また、NECでは株式取引において時系列予測を導入し、不公正取引の審査業務を支援するクラウドツール「AI売買審査支援サービス」を提供しています。

セブンイレブンの一部店舗では、時系列分析を用いたAIにカップ麺やお菓子などの加工食品の発注を代行させ、発注の最適化を図る試験運用を行っています。
このように、時系列分析は発想次第で様々な可能性を秘めています。

Google Cloud 事例
Google Cloud

BigQueryMLの時系列モデルを活用しよう

日々変化していく状況や情報を反映して、精度の高い時系列予測を成立させるには、分析の基礎データの充実と高度な情報処理能力がなければなりません。

しかし、IT技術が発展した現代社会においては、企業がその両方を利用できるようになっています。ストレージ能力の高度化によって、人間では扱いきれないほどのビッグデータの蓄積が可能になりました。そして、上記の活用例でも示されているようにデータを分析するアナリストの役目は、すでにAIが肩代わりしつつあります。

AIツールによる時系列予測を活用したい場合は、Google Cloud で使用できる「BigQuery」がおすすめです。

BigQueryは、数千万件・数億件のデータを高速に分析できるデータウェアハウス (DWH) エンジンを搭載しており、高度な分析能力を有しています。

BigQueryには難しいセットアップや管理作業も不要なので、高度な技術を持ったIT担当者がいなくても簡単かつ即座に利用できますし、サーバーのハードウェア障害やスペック不足などといったインフラ面の課題から解放されるため、本来の目的である分析に最大限時間を使うことができます。

また、BigQuery上で機械学習モデルを作成し実行ができる、「BigQueryML」という機能が統合されています。

機械学習を行うためには、機械学習の知識に加え、複雑なコードを書くプログラミングスキルも求められることが一般的であり、これがハードルとなっていました。BigQueryMLでは普段データベースの操作に使用している標準SQLを用いて機械学習モデルの構築ができるため、特別なスキルを必要としません。既存のSQLツールやスキルをそのまま活用して、誰でも簡単に機械学習を利用できます。

また、機械学習には大量のデータが必要ですが、データベースと機械学習の環境が分かれている場合、大量のデータを何度も移動する必要があり、手間がかかります。BigQueryMLであれば、データが保管されているBigQueryがそのまま機械学習環境になるため、データ移動の必要が無く、開発スピードの向上も見込めます。

BigQuery、BigQueryMLを利用すれば、その月の売上予測から来期の経営戦略のシミュレーション、広告のマーケティング効果の見積もりや、在庫の最適な発注時期のヒントまで、企業活動の様々な領域で時系列分析によるサポートを受けられます。

時系列分析を活用したいけれどそのスキルや人材が不足しているという企業の方は、BigQuery、BigQueryMLの利用がおすすめです。

株式会社電算システム(DSK)では、BigQuery、BigQueryMLの提供を行っています。教育メニューなどもございますので、BigQueryのご利用を検討されている方は、ぜひDSKにご相談ください。

まとめ

本記事では、時系列予測の基本的な解説にはじまり、時系列予測でできること、分析手法、活用事例などを簡単にお伝えしました。

人間の経済活動は、季節的変化や社会情勢の変化などの時間的変化を反映して揺れ動いています。現代の企業はそうしたトレンドや時流を見逃さず、最適化した経営をつねに行っていかなければなりません。

時系列予測は、企業がそうした時流の変化に乗り遅れるのを防ぎ、将来の出来事にいち早く対応するアドバンテージを与えます。

時系列予測には複雑な計算が必要ですが、今ならば「BigQueryML」のように、AIツールを活用することで誰でも高度な分析を行えますので、ぜひご活用ください。

データ・ドリブン時代の歩き方

データ・ドリブン時代の歩き方

総合的なデータ・エンジニアリングとクラウド・エンジニアリングの豊富な経験・実績を踏まえ、Google Cloud(旧 Google Cloud Platform) をベースに、データにまつわる様々なソリューションをご提供いたします。

資料ダウンロード

RELATED POST関連記事


RECENT POST「Google Cloud(GCP)」の最新記事


Google Cloud(GCP)

予測分析とは?必要性やメリット、活用例を紹介!

Google Cloud(GCP)

在庫分析で生産性を向上!?種類やメリット、需要予測まで解説

Google Cloud(GCP)

データ分析で押さえるべき3つの基本とは?手法と注意点も解説

Google Cloud(GCP)

リスク分析で企業経営を安定化!リスクの種類や分析の種類について解説

時系列予測とは?代表的な手法や活用事例を解説!