『需要予測 (3)成長曲線(ロジスティック曲線)』
以前、需要予測の統計学的手法として、重回帰分析について述べましたが、今回は重回帰分析の応用編です。 需要予測を行う場合、「普及率」を予測し、普及率×(人口、世帯数など)＝普及数量 を推計する方法があります。これは耐久消費財などの需要予測を行う場合に使われる方法です。 一般的に耐久消費財の普及率は下記のような曲線になると考えられます。 普及率など、「徐々に増加していき、最終的には、飽和する」という状態をグラフ化したものを「成長曲線」と言いますが、成長曲線も1つのパターンだけではなくいろいろなケースが考えられます。 例えば下の図のようなケースです。 このようにいろいろな成長曲線が考えられるのですが、本稿では、最も一般的な成長曲線 (と私は思っている) であるロジスティック曲線について解説します。 ロジスティック曲線は、先ほどの最初のグラフのように、 じわじわと普及⇒あるとき普及に拍車がかかる⇒
DLM カテゴリーの記事一覧 - 渋谷駅前で働くデータサイエンティストのブログ
先日書いたこの記事ですが、「トイデータとは言え乱数シードを一つに決めて発生させたランダムウォークに対して実験をしているので、乱数シードを複数通りに変えてみたら結果は変わってくる（再現しない）のではないか？」という指摘を何人かの友人知人から…
Kaggleデータ探索(Backorder Data) | リツアンSTC
前回「Kaggle dataをあさってみる」で、Human Resource Analysisのデータを扱ったのですが、http://ritsuan.com/blog/5840/ あの時はまだ人気6-7番目くらいだった今ではKaggleである種一番人気のある(hotnessでsort)データとなっています。 Google検索で、HumanResourceAnalysisと入力すると僕が書いた記事がトップ3に来るので、僕の記事がダウンロード数アップに貢献したのかもしれません笑。 引き続き、Kaggleのデータセット採掘作業頑張りたいと思います。 今回は、Kaggle datasetsのページで、Hotnessでsortして、上から34番目にある(2017/05/10) 「Can You Predict Product Backorders?」に興味をそそられたので、これを見てみることにします
安全在庫の計算式と設定の注意点、適正在庫との違い
筆者：岡本茂靖（在庫管理アドバイザー、日本物流学会理事） 在庫管理、生産管理の実務経験を経て、瀬戸内scm株式会社を設立。 在庫管理に関して200社以上の個別相談、コンサルティング・システム導入を行っている。 所属団体、著書・寄稿、外部発表・講師 所属：日本物流学会、日本MH協会、日本ロジスティクスシステム協会 著書・寄稿：経費15％削減在庫管理術【基礎知識編】、在庫最適化のためのIoT活用（日刊工業新聞社）、発表：物流における在庫管理の成功事例研究（日本物流学会）、在庫の現品管理基礎、エクセル在庫管理表の作り方・使い方研修（大阪府工業協会）他多数。 在庫管理アドバイザーの岡本です。 安全在庫は欠品を防ぐために持つ在庫のことです。 実は、安全在庫は欠品は防げますが、過剰・滞留・不良在庫の原因にもなります。 適切に計算・設定すれば、販売機会の損失を防ぎ、売上を最大化できますが、失敗すれば過剰
販売予測による-在庫管理
以下に述べるアプローチは数十年前の古いものですが、Lokadが最近変位予測を中心に開発したものは「安全在庫」モデルをやや時代遅れにさせてしまうでしょう。実際、再発注点は変位予測に他ならないのです。したがって、安全在庫モデルによって与えられている変位値の「直接」計算は、平均して「間接」計算したものより優れています。 この項では安全在庫レベルを調整することによって最適な在庫量を保つ方法について説明します。小売業および製造業に適しています。この理論には マイクロソフト・エクセルを使っています。カスタム・アプリケーションに、この理論を用いたいと考えるソフトウェア開発者の方には、詳細情報を差し上げます。 ターゲットとなる層： この資料は、主として小売業・製造業の物流部門に焦点を当てています。しかしまた、会計経理部門、ERP、eコマースのソフトウェアを編集して、在庫管理機能を強化したい場合にも有用です
在庫管理の理論
を求める。このＱ2がＭ1より小でないならば単価Ｐ2は適用され最適発注量の侯補となる。この場合はさらに、単価P3が適用されるぎりぎりの最小発注量Ｍ2も侯補と考えて、Ｑ2、Ｍ2両者のときの総費用を比較し、費用の小さい方を採用する。第三に、Ｑ2がＭ1より小ならば、単価Ｐ1を使って同様にＱ1を算定して一つの侯補とし、さらに単価Ｐ2の適用される最小発注量Ｍ1単価Ｐ3の適用される最小の発注量Ｍ2の三者による総費用を比較し、三者のなかから決定すればよい。 以上の方法は、割引階層がいくつあっても適用できる。またこの方法は、単価割引だけでなく、発注量をまとめることにより輸送費などの費用が割安となるような場合にも適用できるものである。 3.需要が変動する場合 年間需要量は短期間予測値から推計する。 まず、単価により品目を分類する。低単価品は向後1年間の予測をし、中単価品は向後半年間の予測値を2倍して年間需要量
コラム | 第5回 『在庫削減に効く「需要予測による在庫管理」』 | mcframe
在庫はなぜ発生するのでしょうか？ それは、入庫のタイミングと出庫のタイミングが異なるからです。出庫されるタイミングに合わせて入庫（生産、調達）できれば、在庫は限りなくゼロに近づけることができます。そのためには、いつ、どれくらい出庫（出荷、販売）するのかを予測する必要があります。つまり需要予測となるわけですが、在庫を管理するために需要予測が適切に活用されているでしょうか？ 今回は、需要予測を活用した在庫管理についてお話します。 基準在庫による在庫管理 多くの企業で採用されている在庫管理方法が、基準在庫による在庫管理です。月次の定期発注方式であれば「月末在庫が1.5ヶ月分になるように発注する」、発注点方式であれば「在庫が10日分を切ったら発注する」といった方法です。定期発注方式を例にとると、次のような式で発注量を求めることができます。 発注量＝平均出荷量×（発注間隔＋調達期間）＋基準在庫－現在
需要予測システムのための統計手法
時系列データに対して、移動平均や指数平滑を施すことで、需要変動に追随しながら、予測を行うことができる。販売トレンドの変化に対しては、徐々に変化を取り入れながらトレンド変化に追随性のある予測値を生成することができる。特に、ホルト線形法はトレンド変化に関しては、追随性の高い予測値を生成することができる。しかし、これらの手法は、いずれも季節性を考慮した予測値を生成することはできない。さらに、特売、イベント、曜日変動等のコーザルによる影響を考慮することもできないので、通常は、コーザルの影響を受けているデータはあらかじめ除去し、平時の需要予測を行う用途に限定して利用される。もし、コーザル・データを除外しない場合は、特売後に需要予測が大きくなるなどの問題が生じる。 ホルト線形法がトレンドしか考慮できないのに対して、この方法では季節変動とトレンドを考慮した予測値を生成することができる。外部で作成した季節
統計勉強会の資料～二日目 一般化線形モデル編～ | Logics of Blue
2013年8月10～11日にかけて北大函館キャンパス内で行われた統計勉強会の資料です。SlideShareを利用して投影スライドはすべて閲覧できるようにしました。 初日の内容はこちらです。 一般化線形モデル(GLM)を手っ取り早く勉強したい方にはちょうど良い資料だと思います。 勉強会に参加された方もそうでない方も是非ご覧ください。 統計勉強会の内容が本になりました！ 「平均・分散から始める一般化線形モデル入門」 書籍のサポートページはこちらです。 本文の第1部はこちらから読めます。 プログラムはこちらからダウンロードできます。 データはこちらから data4.csv data5_CPUE.csv data6.csv 内容は、統計基礎～正規線形モデル(1日目）～一般化線形モデル(2日目)です。 本来ならば2日で終わるようなものではなく膨大な内容になってしまうところを私なりに凝縮した結果です。
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
http://www.isc.senshu-u.ac.jp/~thc0639/retaildata/