AIによる予測とは？意味・仕組み・活用例をわかりやすく解説

AIによる予測とは？意味・仕組み・活用例をわかりやすく解説

明日の天気、来週の販売数、来月の売上など、予測は暮らしや仕事の準備に役立ちます。この記事では、アイスクリームの売れ行きを例に、AIが予測する仕組み、時系列予測と回帰分析の関係、結果を判断に使う際の注意点を説明します。押さえたいのは、予測には不確実性が残り、結果とその前提を合わせて使う必要があるという点です。

AIによる予測とは

AIによる予測とは、データから学んだ関係を使って、まだ分からない結果を推定することです。将来を対象にする場合は、過去の販売数や現在の注文状況などを基に、今後どのくらい売れそうかを見積もります。そこで得られるのは、利用した情報と条件に基づく推定結果であり、未来がそのとおりになるという約束ではありません。

例えば、暑い日にアイスクリームが多く売れる傾向が記録されていれば、来週の気温予報を販売数の予測に使えます。ただし、気温が同じでも、平日と休日、通常営業と特売日では結果が違うかもしれません。どの要素を考慮するかを決め、その関係をデータから学ぶことが予測モデルづくりの基本です。予測モデルとは、入力した情報から推定結果を出すための計算の仕組みを指します。

英語のforecastingは、特に将来の時点や期間を対象にした予測を意味します。一方、predictionはより広い言葉で、将来の予測だけでなく、今あるメールを迷惑メールかどうか分類することなども含みます。どちらも日本語では「予測」と表されるため、記事やサービスを読むときは、何を推定する話なのかを確認すると理解しやすくなります。

予測は、目標や計画とも区別して考えます。「来月はどれくらい売れそうか」が売上予測、「どれくらい売りたいか」が売上目標です。「猛暑になった場合」という想定は、条件を置いて対応を検討するための前提で、その条件の下で考えた展開がシナリオに当たります。こうした見通しを踏まえて、仕入れや販売促進などの行動を決めるのが計画です。

達成したい目標に合わせて予測値を大きくすると、売れ残りや費用の増加を見落としかねません。予測と目標に差があれば、その差を埋める施策を考え、施策によって見通しがどう変わるかを改めて検討します。このように予測は、備えや行動を具体化するために使います。

時系列データとAI予測の仕組み

時系列データは、日時の順に記録された値の集まりです。毎日の気温、店舗の日別売上、株価の推移などが該当します。同じ数値の集まりでも、時間の順序を失うと「増え続けているのか」「毎週末に増えるのか」といった特徴が分からなくなるため、記録した日時が重要です。

予測に取りかかる前に、対象と時間の単位、どれだけ先を見通すかを決めます。アイスクリームなら「来週の販売数を、商品別・日別に予測する」といった決め方です。翌日の仕入れに使う予測と、来年の生産設備を考える予測では、必要なデータや求める細かさが異なります。売上金額と販売個数も別の対象なので、判断に必要な値を選びます。

基本的な流れは、次の三つに分けられます。

1. データを集め、意味をそろえる。販売記録や気温などを日時ごとに対応させ、単位、重複、入力ミス、記録の抜けを確認します。休業による販売数ゼロと、記録が残っていない欠損は区別する必要があります。
2. 過去の特徴や関係を学習する。以前の販売数や曜日、気温などと、そのときの結果を使って、予測に役立つ関係をモデルに学ばせます。この段階で使わなかった後の期間で、予測が役立つかも確かめます。
3. 予測時点の情報から将来を推定する。直近の実績、来週の曜日、入手できる天気予報などを入力し、必要な期間の販売数を求めます。実績が判明したら予測とのずれを確認します。

時系列で注目する特徴には、長期的な増減を表すトレンド、曜日や季節ごとに繰り返す季節性、規則的な動きだけでは説明できない不規則な変動があります。例えば、毎年夏に売れるのは季節性で、同じ月を比べても年々販売数が増えるなら、長期的な上昇傾向が考えられます。これらを区別すると、一時的な増加をそのまま将来へ延ばす誤りを避けやすくなります。

使う系列にも違いがあります。販売数という一種類の系列だけを扱うのが単変量の時系列分析です。販売数に加えて気温や広告費など、複数の系列の関係を扱う場合は多変量の分析になります。販売数だけでも、その前日や一週間前の値を複数の入力として使えます。そのため、時系列の単変量・多変量と、回帰分析の説明変数が一つか複数かという区別は同じではありません。

機械学習は、こうしたデータの関係を学ぶ方法の総称です。その一種である深層学習は、多くの層を持つニューラルネットワークを使い、複雑な特徴の組み合わせを学習します。画像認識や自然言語処理にも使われる仕組みですが、時系列に適したモデルを用いて将来値の推定にも利用できます。

ただし、深層学習や複雑なモデルが常に最も正確になるわけではありません。学習に使えるデータが少ない場合や変動が単純な場合には、過去の平均や統計的なモデルでも十分に役立つことがあります。手法の名前だけで優劣を決めず、予測対象に合うか、未使用のデータでも精度を保てるか、運用の負担は適切かを確認します。

回帰分析と時系列予測の関係

回帰分析は、入力となる説明変数と、推定したい数値である目的変数との関係をモデル化する方法です。気温からアイスクリームの販売数を推定するなら、気温が説明変数、販売数が目的変数になります。過去の気温と販売数の組を使い、気温が変わると販売数がどのように変わる傾向にあるかを調べます。

説明変数が一つの回帰を単回帰分析、複数の回帰を重回帰分析と呼びます。気温だけでは、同じ暑さでも休日と平日で販売数が違う理由を捉えきれないかもしれません。そこで曜日やイベントの有無などを加え、条件の違いを予測に反映します。

曜日のような数値そのものではない情報は、モデルが扱える形へ変換して入力します。また、「気温が高い休日には特に売れる」といった要素の組み合わせを表したい場合は、その関係を扱えるようにモデルや入力を工夫する必要があります。変数を並べるだけで、あらゆる複雑な関係を自動的に表せるわけではありません。

時系列予測は「将来の値を予測する」という課題で、回帰分析はその課題に使える手法の一つです。例えば、翌日の予報気温や曜日、前日までの販売数を説明変数にして、翌日の販売数を求める回帰モデルを作れます。時系列予測と回帰分析は、どちらか一方に分類しなければならない対立した概念ではありません。

説明変数を増やすほど精度が上がるとも限りません。関係の薄い情報やよく似た情報を大量に加えると、学習に使った期間だけに合ったモデルになったり、関係の解釈が難しくなったりします。追加した情報が将来の予測にも役立つかを検証し、データを集め続ける手間も含めて選びます。

アイスクリームの需要予測で考える

ここでは、ある店舗が翌週のアイスクリームの販売数を予測する、架空の例を考えます。目的は、各日にどのくらい仕入れ、どの時間帯に人員を確保するかを判断することです。まずは過去の販売数を集め、先週や前年の同じ時期にどのくらい売れたかを確認します。

次に、曜日、季節、気温や雨の予報、販促予定、近隣イベントの情報を加えます。例えば、前年の同じ時期には平日だった日が今年は祝日で、さらに特売を予定しているなら、前年の販売数をそのまま使うだけでは条件の違いを反映できません。複数の情報を組み合わせる狙いは、こうした違いを捉えることです。ただし、情報を追加した効果は、過去の別期間を使って確認します。

販売の伸びを読む際には、季節性とトレンドを分けます。夏になって販売数が増える動きと、同じ季節を比べても販売数が年々増える動きは別です。ここで「健康志向を背景に、この店舗では低カロリー商品の需要が伸びている」と仮定するなら、商品別の記録を調べて確かめます。これは説明のための仮定であり、実際の市場全体で需要が伸びていると示すものではありません。取り扱う商品の種類や価格が変わった影響にも注意が必要です。

仮に翌週の販売数を合計700個と予測できても、仕入れ量を必ず700個にすればよいとは限りません。すでにある在庫、途中の補充にかかる日数、保管できる量、保存期間を考慮します。週の合計が同じでも土日に集中して売れるなら、日別の予測に基づいて補充や人員配置を決める必要があります。メーカーであれば、同様の見通しを原料調達や生産計画に結び付けます。

仕入れを少なくすると売れる機会を失い、多くすると保管費用や売れ残り、場合によっては廃棄が増えます。どちらの損失が大きいかは商品や店舗によって異なるため、予測値と業務上の条件を合わせて決めます。予測精度の改善が、そのまま利益の改善になるかも確認すべき点です。

さらに、販売実績は、売り切れがあると本来の需要を表しきれません。午後に完売した日の販売数が100個でも、在庫があればもっと売れた可能性があります。品切れを記録せずに学習すると、需要を低く見積もって不足を繰り返しかねません。販売数に加え、在庫状況や品切れの時間、休業なども記録すると、数値が生まれた背景を把握しやすくなります。

ビジネス・天気・医療・交通での活用

AIによる予測の使いどころは、「何を見通すか」と「その結果で何を決めるか」を対応させると分かりやすくなります。予測値を出すだけでは業務は変わりません。結果を確認する時期や担当者、その後の行動まで決めることで、準備や判断に結び付けられます。

例えば、農作業の日程を考えるなら、雨が降るかどうかに加えて、どの地域で、いつ、どれくらい降る見通しかが重要です。公共交通でも、一日全体の利用者数だけでなく、路線や時間帯ごとの混雑が分からなければ、運行計画に反映しにくくなります。このように、必要な予測の細かさは判断の目的から決まります。

医療の例では、将来の疾病発生率や患者の状態変化を推定することが、時間を先へ進める予測に当たります。一方、現在の検査画像から病気の有無を識別する処理は、広い意味でのpredictionに含まれても、将来を対象にするforecastingとは区別できます。ここでの予測は、医療者が状況を確認し、予防や診療を判断する際の支援として考えます。

いずれの用途でも、在庫削減や移動時間の短縮といった効果は保証されません。データが対象の現場に合っているか、必要な時刻までに結果が得られるか、担当者が実際に対応できるかによって成果は変わります。予測にかかる費用や手間も含め、導入前後の実務上の変化を確認することが大切です。

予測精度の確かめ方

予測モデルの精度は、学習に使った記録にどれだけ合うかだけでは判断できません。実際に使うときと同じように、過去の期間で学習し、それより後の期間を予測して実績と照合することが基本です。例えば、ある年の1月から9月までで学習し、10月の販売数を予測します。モデル選びや調整に使った期間とは別に、最後の評価用の期間を確保しておくと、調整のしすぎを見つけやすくなります。

日付を無視して記録を無作為に分けると、未来の情報が学習側に混ざり、実際の運用では出せない精度に見える場合があります。また、一度の評価がたまたま当たりやすい期間だった可能性もあります。予測する起点を少しずつ後ろへ動かして検証するバックテストを行えば、季節や状況の違いによって誤差がどう変わるかを確認できます。

特に注意したいのがデータリークです。これは、予測するときには知り得ない情報が、学習や評価に入り込むことです。来週の販売数を予測するなら、来週の気温の実測値はまだ分かりません。過去の検証でも、当時入手できた天気予報を使うなど、予測時点で利用できる情報に条件をそろえる必要があります。データ整理の基準を、評価期間の情報まで使って決めてしまうことにも注意します。

精度を比較する相手には、単純な予測を用意します。「明日は今日と同じだけ売れる」「次の月曜日は直前の月曜日と同じ」「前年の同じ時期と同じ」といった方法が基準になります。対象期間、店舗、商品、予測する先の日数をそろえて比べることで、AIを使う追加の価値があるかを判断できます。翌日予測と一か月先の予測を、そのまま同列に比べることはできません。

誤差を見る指標の一つが平均絶対誤差（MAE）です。予測が実績より多いか少ないかにかかわらず、外れた量を平均します。説明用の例として、三日間の予測と実績の差がそれぞれ10個、20個、30個なら、平均では20個外れたと捉えます。単位が販売個数のままなので、担当者がずれの大きさを理解しやすい指標です。

ただし、平均誤差だけでは判断材料が足りません。いつも少なめに予測していないか、休日だけ大きく外れていないか、一部の商品の誤差が全体に埋もれていないかも確認します。さらに、予測の数値的な誤差と、品切れ・余剰による損失の両方を評価します。外れる個数が同じでも、追加補充できる平日と、補充が間に合わない繁忙日では業務への影響が違うためです。

予測の限界と使い続けるための注意点

予測が外れる原因は、モデルの能力だけではありません。記録の抜け、入力ミス、測定誤差、特定の店舗や季節に偏ったデータがあれば、学ぶ関係も偏ります。データが大量にあっても、予測したい対象や条件を十分に含んでいなければ、信頼できる結果につながるとは限りません。

過去にない災害、市場環境の急変、新商品の登場、競合店の開店などによって、以前の関係が成り立たなくなることもあります。例えば、気温と販売数の関係をうまく学んでいても、店舗の営業時間や客層が大きく変われば、同じ気温から同じ販売数を見込むのは難しくなります。過去の検証で良い結果が出ていても、その後ずっと同じ精度が続く保証はありません。

複雑なモデルには、過去の偶然の変動まで覚えてしまう過学習の問題もあります。学習期間ではよく当たるのに、それより後では外れる場合は、その可能性を考えます。また、結果がどの情報に左右されたのかを説明しにくいモデルでは、異常な予測が出た際に原因を調べる手間も増えます。精度と併せて、説明のしやすさや更新の負担も選択の条件になります。

結果を見るときは、一つの予測値だけでなく、どの程度の幅で変動しそうか、前提が変わるとどうなるかも確認します。例えば、「来週は700個」という一点の予測に加え、予測区間が得られるモデルなら、その範囲を仕入れ判断の材料にできます。予測区間は、一定の前提の下で将来の実績が入る範囲を見積もるもので、上下限を超えない保証ではありません。

「猛暑が続く場合」「雨の日が多い場合」など、前提を変えた複数のシナリオを検討する方法もあります。ただし、シナリオごとの結果を並べただけでは、それぞれが起きる確率は分かりません。統計的に求めた予測区間と、条件を置いて作ったシナリオの幅は、意味を分けて使います。

予測の説明にも限界があります。分析によって「広告費が予測に強く関係した」と分かっても、広告費を増やせば必ず販売数が増えるとはいえません。もともと売れる時期に広告費を増やしていた可能性もあるからです。変数の重要度はモデルの予測への関わりを示すもので、因果関係の証明ではありません。対策の効果を知りたい場合は、比較の条件をそろえた検証など、別の確かめ方が必要になります。

使い始めた後は、新しい実績と誤差を継続して記録します。特定の商品で予測が外れ始めたら、記録方法の変更や品切れ、価格改定、周辺環境の変化などを調べ、必要に応じて入力データやモデルを見直します。単に新しいデータを追加するだけで改善するとは限らないため、更新したモデルも従来の方法と比較してから使います。

AIによる予測は、将来への備えを考えるための判断材料です。特に影響の大きい判断では、人が現場の情報、予測の前提、外れた場合の影響を合わせて確認します。何を予測し、どの判断に使い、実績からどう見直すかまで決めておくことで、予測を継続して役立てやすくなります。

更新履歴