Pinned Tweet
【月1 特定テーマ講座(12月)】
需要予測エージェントを作る(需要予測 × PYTHON × 生成AI)
【開催日時】 全2回(土)2026/12/5,12/19(13:30〜18:00)
【受講形式】 当日Zoom( or 復習用に後日動画視聴)
【参加費用】 2万2千円(税込み)/人
salesanalytics.co.jp/lp/dema…
1
276
AIが書いたコードで「クーポンを配った人の購入率が高い」と分かった。でも、もともと買いそうな人に配っていたら?
コードを書く時間が減っても、比較の仕方は吟味する必要があります。AIを使う分析でも、統計や実験設計の基礎が効く場面です。
note.com/salesanalytics/n/n0…
53
AIを使って分析した結果、「今の方針を続けよう」と決まった。
行動が変わらなくても、迷っていた点を確かめられたなら、意味はありそうです。
データサイエンティストの成果を振り返るとき、施策の変更に加えて「どんな不確実性を減らせたか」も言葉にしてみたいですね。
1
62
需要予測の誤差を個数で見ると、売れ筋の弁当が目立つ。割合で見ると、販売数の少ないデザートが目立つ。
同じ予測でも、MAE(個数のずれ)とSMAPE(割合のずれ)では、見直したい商品が変わることがあります。3商品の例で比べました。
salesanalytics.co.jp/datasci…
47
箱ひげ図の箱の中にある線は、データを小さい順に並べたときの真ん中、つまり中央値です。
箱の両端は25%点と75%点。まずは「線で中心を見る、箱で真ん中の50%の広がりを見る」と覚えると、読みやすくなります。
salesanalytics.co.jp/column/…
1
99
ビールとおむつが一緒に買われていた。それだけでは、棚を近づけると売上が伸びるかは分かりません。
併買データは、試す施策を考える手がかり。棚を動かすなら、何が変われば成功といえるかも先に決めておきたいところです。
salesanalytics.co.jp/column/…
61
AIで受注分析を作る前に、受注データを入力している人にも話を聞いてみたいです。
忙しい日は翌日に入力する。仮の金額を後で直す。そんな事情があるかも。
データサイエンティストがデータの生まれ方を知ると、異常値や日々の変動の見方も変わりそうですね。
69
仕入先のトラブルで影響を受ける部署は? 答えは、仕入先一覧・部品表・製品担当表をつなぐと見えてきます。
クラシックRAGの実験では、上位5件を渡しても答えられず、12本中9本を渡してようやく回答。検索順位と、答えに必要な資料の違いが見える例です。
salesanalytics.co.jp/datasci…
3
150
アプリ側で最大5回呼び出し、SDKが毎回最大2回再試行する設定だと、APIへの送信は最大15回になります。
生成AI APIのリトライを書く前に、SDKが何を自動で再試行するのかを確認しておくと、待ち時間を見積もりやすくなります。
zenn.dev/salesanalytics/arti…
1
3
166
月曜の時点で需要を予測する検証なのに、売上データの穴を火曜の実績で埋めていませんか?
前後の値を使った補完は、予測時点より後の情報を混ぜることがあります。予測精度を比べる前に、補完に使ったデータの日付も確認しておきたいところです。
note.com/salesanalytics/n/n7…
120
「需要予測のMAEは4.2でした」
その数字だけで、使える予測か判断できますか?
前週同曜日など、身近な予測方法との比較が判断材料になるかもしれません。
無料セミナーで、予測の評価と業務へのつなぎ方をお話しします。
11/25(水)・12/2(水)
各19:00〜20:00/オンライン
salesanalytics.co.jp/lp/dema…
91
移動中央値で時系列をなめらかにすると、正常な値まで変わることがあります。センサーの誤測定らしい点だけを直したいなら、Hampelフィルタも選択肢です。
100点のうち、外れ値と判定された4点だけを置き換えるPython例を紹介します。
salesanalytics.co.jp/knocks/…
4
199
AIで実装を試せる範囲が広がったら、データサイエンティストと開発担当者が、早い段階で一緒に試作品を見るのもよさそうです。
分析で確かめたいことと、運用で困りそうなことを持ち寄る。
自分でできることが増えるほど、相談も具体的になるかもしれませんね。
94
「仕入先の工場が止まったら、どの部署に影響する?」答えるには、仕入先・部品・製品・担当部署のつながりをたどる必要があります。
文書に散らばる関係をグラフにまとめて検索するGraphRAGを、具体例で紹介します。
salesanalytics.co.jp/datasci…
81
翌週7日分の販売数を月曜の朝にまとめて予測するとき、金曜の予測に「木曜の販売数」は使えません。月曜の時点では、木曜の実績がまだないからです。
需要予測の入力に未来の情報が混ざらないよう、予測時点から逆算して特徴量を作る方法を紹介します。
salesanalytics.co.jp/datasci…
80
生成AIに「この分析を改善して」と頼むと、大きな提案が返ることもあります。
「まず30分で確かめられることは?」と聞き直してみるのもよさそうです。
若手データサイエンティストの仕事では、アイデアを小さな検証に変える工夫が、分析を前へ進める助けになるかもしれません。
1
3
225
「1年分の議事録から、繰り返し出た課題をまとめて」。検索で見つかった数段落だけでは、全体像をつかみにくいことがあります。
文書のつながりを整理し、関連するグループごとの要約を使うGraphRAGなら、こうした問いにも答えやすくなります。
note.com/salesanalytics/n/n6…
2
281
AIで作った週次レポートが、業務変更で使われなくなった。それでも自動生成だけ続いていたら。
データサイエンティストとして、利用状況を振り返り、停止や統合も相談してみたいです。
作った仕組みを増やすだけでなく、必要なものを残す視点も大事になりそうですね。
1
125
AI時代のデータサイエンティストには、どんな道があるのでしょうか。
AIを助手にして実験を設計し、結果を判断する道。予測モデルや生成AIを組み合わせ、現場で毎日使える仕組みを作る道。2つの方向から、これからの仕事を考えてみました。
note.com/salesanalytics/n/n0…
1
191
分析AIに「先月の売上」と「前月の売上」を聞いたら、違う数字が返ってきた。
期間の解釈なのか、使ったデータなのか、確認してみたいですね。
データサイエンティストの評価として、言い換えた質問でも集計条件がそろうかを試すのも面白そうです。
97
金曜の弁当は、先週の金曜と同じ数が売れると予測する。これも、需要予測モデルの立派な比較相手です。
前週の同じ曜日、直近4週の同じ曜日の平均、曜日を問わない直近28日の平均。3つの単純な予測をPythonで比べました。
salesanalytics.co.jp/datasci…
93
