どういった時に使えるのか
時系列予測(ARIMA/SARIMA)は、時間の経過とともに変化するデータを分析し、将来の傾向を予測したい場合に特に有効です。例えば、小売業では日々の売上データから将来の需要を予測し、適切な在庫管理や人員配置を行うために活用できます。また、製造業では生産量の予測に使用され、原材料の調達や生産計画の最適化に役立てることができます。特に、データに季節性(例:夏季の需要増加)やトレンド(例:年々の成長)が存在する場合、SARIMAモデルを使用することで、より精度の高い予測が可能となります。 この手法は、Web サービスのトラフィック予測にも効果的です。時間帯や曜日、季節による利用者数の変動パターンを分析し、サーバーリソースの最適な配分を計画できます。さらに、エネルギーセクターでは、電力需要の予測に活用され、効率的な電力供給の計画立案に貢献しています。金融分野では、売上や収益の予測、さらには市場動向の分析にも応用されています。 なお、同じ時系列予測でも「Prophet」と比較すると、ARIMA/SARIMAは以下のような特徴や違いがあります:- ARIMA/SARIMAは、データ間の自己相関関係を詳細にモデル化するため、短期的な変動パターンの予測に強みがあります。一方、Prophetは長期的なトレンドや大きな季節性パターンの予測に適しています。
- ARIMA/SARIMAは、データが等間隔で欠損値がない場合に最も効果を発揮します。Prophetは不規則なデータや欠損値がある場合でも扱いやすい特徴があります。
- ARIMA/SARIMAは、外部変数(天候や気温など)の影響を取り入れにくい一方で、Prophetは外部説明変数を容易にモデルに組み込むことができます。
- データ量が少ない場合(1年未満など)は、ARIMA/SARIMAの方が安定した予測を行える傾向にあります。
- モデルの専門性について:ARIMAは統計モデルのため、パラメーターの調整に専門知識を要することがありますが、ProphetはARIMAのような時系列予測のモデルと異なり、統計、時系列予測の専門知識がなくても使えるようにデザインされています。
- 日次・週次・月次の売上データ
- 顧客訪問数や利用者数の推移データ
- エネルギー消費量の時系列データ
- 製品の需要量の推移データ
ユースケース
-
小売業での使い方
- 小売店舗では、日次の売上予測や商品カテゴリごとの需要予測に使用できます。
- 具体的には、過去の売上データと季節性、イベントの影響を考慮することで、より正確な将来の売上予測が可能となります。
- これにより、在庫の最適化、スタッフのシフト計画、販促施策の効果測定などを効率的に行うことができます。
-
製造業での使い方
- 製造業では、製品の需要予測や生産計画の最適化に活用できます。
- 具体的には、過去の生産量データと市場動向を分析することで、将来の需要量を予測し、適切な生産計画を立てることができます。
- これにより、原材料の効率的な調達や生産ラインの最適な稼働計画を立案することが可能となります。
-
需要予測担当者での使い方
- 需要予測担当者は、各商品カテゴリの将来需要を予測する際に活用できます。
- 具体的には、過去の需要パターンから季節性や傾向を分析し、より精度の高い需要予測を行うことができます。
- これにより、在庫切れや過剰在庫のリスクを最小限に抑えた発注計画を立てることが可能となります。
-
マーケティング担当者での使い方
- マーケティング担当者は、販促施策の効果予測や顧客行動の分析に活用できます。
- 具体的には、過去のキャンペーン効果や季節要因を考慮した売上予測を行い、最適なマーケティング施策を計画できます。
- これにより、効果的な予算配分や販促タイミングの決定を行うことが可能となります。
Exploratoryで時系列予測 (ARIMA/SARIMA)を実行する
使用するデータ
今回は「小売店舗売上データ」(1,096行・12列)を使用します。データはこちらからダウンロードが可能となっています。
- 時系列を表す日付/時間の列が必要です。
- 予測対象となる数値列(今回は売り上げ金額)が必要です。
- 日付/時間は等間隔である必要があります(欠損値がないこと)
アナリティクスを作成する
小売店舗売上データから「アナリティクス・ビュー」を開きます。





結果の解釈
予測結果
「予測結果」の節では、実測値(青い線)、そして予測値(オレンジの線)とその予測区間を確認できます。


時系列要素の分析
「時系列要素の分析」の節では、時系列データの季節性、トレンド、定常性、自己相関、偏自己相関を、同じ節の中で順に確認できます。季節性
「時系列データの季節性」では、データに含まれる周期的なパターンを確認できます。


トレンド
「時系列データのトレンド」では、長期的な変動傾向を確認できます。

定常性
「時系列データの定常性」では、データの定常性に関する統計的な検定結果を確認できます。

自己相関
「自己相関」では、時系列データの自己相関関数(ACF)を確認できます。

偏自己相関
「偏自己相関」では、時系列データの偏自己相関関数(PACF)を確認できます。

予測精度
「予測精度」の節では、モデルの予測精度の指標を確認できます。

- 予測の平均的な誤差(RMSE): 29.22
- 予測のズレの平均(MAE): 21.91
- 予測の誤差率(MAPE): 0.0203(比率。誤差が約2%という意味)
- データの当てはまり具合(R2乗): 0.93(1に近いほど良い)
