一つのグローバルモデル、多様な振る舞い：コストを考慮した発注ポリシーを伴うマルチホライズン小売需要予測のための在庫切れを考慮した特徴量エンジニアリングと動的スケーリング（VN2 優勝レポート）

TL;DR（結論）

VN2在庫計画チャレンジで優勝した本手法は、需要予測と発注決定を分離した2段階のパイプラインを採用し、在庫切れによる需要の偏りを考慮した特徴量エンジニアリングと動的スケーリングを組み合わせています。 予測段階ではCatBoostを用いた単一のグローバルモデルを構築し、全599組の店舗・商品ペアのデータを統合して学習することで、多様な需要パターンを効率的に捉え、3週間先までのマルチホライズン予測を実現しました。 発注段階では、予測された需要と現在の在庫状況から納品時の在庫を予測し、欠品コストと在庫保持コストのバランスを最適化するコスト意識型の発注ポリシーを適用することで、総コストの最小化を達成しています。

なぜこの問題か

小売チェーンにおける在庫計画は、単なる需要の予測にとどまらず、それを具体的な発注の意思決定へと変換する必要がある非常に複雑な課題です。この問題の核心は、商品の欠品による機会損失コストと、過剰な在庫を抱えることによる保持コストという、性質の異なる二つのコストのバランスをいかに取るかにあります。VN2インベントリ・プランニング・チャレンジでは、毎週の発注サイクルと2週間のリードタイムという制約の下で、これら二つのコストの合計を最小化することが求められました。現実の小売現場では、店舗や商品ごとに需要のパターンが大きく異なり、定常的な需要もあれば断続的な需要もあり、さらには季節性やトレンドの有無も多様です。 また、商品の販売実績は棚にある在庫状況に依存するため、在庫切れの期間は真の需要が隠されてしまう「検閲された需要」という問題が発生します。このような状況下で直接販売実績のみを学習させると、需要を過小評価するバイアスが生じ、特に売れ筋商品やプロモーション時の需要予測において致命的な誤差を招く可能性があります。…

核心：何を提案したのか

本レポートで提案された優勝ソリューションは、需要予測と発注最適化を明確に分離した「予測して最適化する（predict-then-optimize）」という2段階のパイプライン構成をとっています。このアプローチの最大の利点は、需要予測モデルと発注ポリシーを独立して開発・改善できるモジュール性にあり、システム全体の解釈性と拡張性を高めている点にあります。第一段階では、CatBoostをベースとした単一のグローバルなマルチホライズン予測モデルを構築します。このモデルは、個別の時系列ごとにモデルを調整するローカルな手法とは異なり、全店舗・商品ペアのデータを統合して学習することで、異なる時系列間での情報の共有と汎用的なパターンの抽出を可能にしています。 第二段階では、この予測モデルが出力した将来3週間分（t+1からt+3）の需要予測値を入力として、コストを考慮した発注ポリシーを適用します。…

続きはログイン/プランで閲覧できます。