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
270
生成AI APIの429には、短時間にリクエストを送りすぎたケースと、利用枠を使い切ったケースがあります。
前者は待てば通る可能性がありますが、後者は利用枠の確認が先。HTTPステータスに加えて、応答本文のエラーコードを見る理由を解説しました。
zenn.dev/salesanalytics/arti…
1
102
在庫数と気温に欠損があったら、どちらも前後の値を直線で結べばよいのでしょうか?
入出庫まで変わらない在庫数なら直前値を引き継ぐ。なだらかに動く気温なら前後を結ぶ。補完方法は、データが普段どう動くかを見て選びます。
note.com/salesanalytics/n/n7…
1
171
Matplotlibのacorr()とxcorr()を使うと、自己相関と相互相関をコレログラムで確認できます。
トレンド除去や階差も含め、時系列データの周期性や先行関係をPythonで調べる手順を紹介します。
salesanalytics.co.jp/datasci…
2
213
予測する商品が増えるほど、全部の数字を確認するのは大変に。
急増、誤差、販促予定などから、先に見る商品を絞れたら助かりそうです。
無料セミナーでは、要注意商品と理由を届ける需要予測エージェントをご紹介します。
11/25(水)・12/2(水)
各19:00〜20:00/オンライン
salesanalytics.co.jp/lp/dema…
56
ゆるやかに上下する時系列では、全体の平均と標準偏差で判定すると、前後の値から飛び離れた点を見逃すことがあります。
Pythonの例では、全体の3σルールが検出したのは1点。近くの値を基準にするHampelフィルタでは、加えた飛び値4点を検出できました。
salesanalytics.co.jp/knocks/…
2
290
因果推論を学んで面白いのは、
「データが多ければ解決する」
とは限らないところです。
100万件あっても、
比較の仕方が間違っていれば
因果関係は分からないことがあります。
逆に、
データの集め方や比較方法を工夫することで
見えてくるものもある。
データ量だけでなく、
「どう観測されたデータなのか」を考える。
データサイエンスでは
かなり大事な視点だと思います。
『よくわかる因果推論』
amazon.co.jp/dp/4804115218/
1
169
「有給休暇は何日繰り越せる?」のように、答えが社内文書の一か所に書いてあるなら、クラシックRAGから始めやすいです。
質問に関係する文書の一部を探し、生成AIに渡して回答を作る。社内FAQに向く基本の仕組みを図解しました。
salesanalytics.co.jp/datasci…
4
182
AIの回答を改善したいとき、指示文だけでなく、情報の集め方や残し方も見直してみませんか。
コンテキストエンジニアリングを「収集・保存」「管理」「利用」の3つから整理。AIに渡す情報の設計を考える論文解説です。
salesanalytics.co.jp/paper_d…
1
115
需要予測がよく当たったのは、モデルが優秀だったから? たまたま予測しやすい週だったのかもしれません。
予測を始める日をずらして8回評価する「バックテスト」をPythonで実践。平均誤差に加え、週ごとのばらつきも確認します。
salesanalytics.co.jp/datasci…
1
78
需要予測の精度を上げる前に、受け取る側へ「この予測表で、今日は何を確認すればよいですか」と聞いてみる。
「この3品を、この理由で」と答えられる仕組みが、予測を発注や売場改善などの行動につなげます。
salesanalytics.co.jp/column/…
1
65
予測精度がほぼ同じ二つのモデル。一方は毎日の更新に1時間、もう一方は5分かかるとしたら。
運用のしやすさも、選ぶ材料になりそうです。
AI時代のデータサイエンティストとして、精度表に実行時間や修正のしやすさを添えてみると、相談が具体的になるかもしれません。
AIが毎朝「要確認」を100件知らせてくれても、担当者が20件しか見られなければ、仕事が積み上がりそうです。
検知の精度と一緒に、現場が対応できる件数も見てみたい。
データサイエンティストの設計では、AIの出力と人の処理能力をつなぐ視点も面白そうですね。
2
161
「経費精算の締め日は?」なら、規程の該当箇所を探せば答えられます。「なぜ売上が落ちた?」なら、実績や営業日報を照らし合わせる必要があります。
社内資料を使ってAIが答えるRAG。質問によって調べ方をどう変えるか、3つの方式をたとえ話で紹介します。
note.com/salesanalytics/n/n6…
1
133
AI開発のツールを一つ覚えたら、次のツールへ進む前に、仕事の小さな課題へ使ってみるのもよさそうです。
試すと、データの準備や評価方法で迷うかもしれません。
若手データサイエンティストにとって、その迷いが次に学ぶテーマを教えてくれることもありそうですね。
92
社内資料を検索して答えるAIに、古い手順書と新しい手順書が両方入っていたら、どちらを使うでしょう。
資料を増やす前に、更新日や適用範囲を整理してみたいです。
データサイエンティストのデータ管理の視点は、AIに参照させる知識を整える場面でも役立ちそうですね。
3
166
AIに売上の集計とグラフ作りを頼んだら、数分で終わった。では、データサイエンティストは浮いた時間で何をする?
「この数字を見て、誰が何を決めるのか」を考える時間に充ててみる。AI時代の分析の仕事は、そこから変わるのかもしれません。
note.com/salesanalytics/n/n0…
6
674
分析AIの答えが安定しないと、指示文を直したくなります。
でも、商品名の表記がばらばらだったり、同じ顧客が別IDになっていたりするのかも。
データサイエンティストが得意なデータ整備を先に試すと、AIへの頼み方もシンプルになるかもしれませんね。
「有給休暇は何日繰り越せる?」。答えが規程の一か所に書いてあるなら、関連する段落を探してAIに渡すだけで答えられそうです。
辞書の必要な項目を引くように調べる「クラシックRAG」。得意な質問と、答えにくい質問を紹介します。
note.com/salesanalytics/n/n6…
1
158
需要予測の平均絶対誤差(MAE)が3.59個。これだけでは、モデルを作った価値は分かりません。
記事の例では「直近4週の同じ曜日の平均」で予測しても3.68個。差は0.09個でした。単純な予測と同じ条件で比べる手順を、Pythonで紹介します。
salesanalytics.co.jp/datasci…
3
151
