予測方法の選択

データの特性や予測の目的に応じて予測を作成できるよう、5つの予測方法が用意されています。適切な方法は、トレンド、成長、短期的な変動、季節性といった過去データのパターンによって異なります。

利用可能な予測方法

トレンドトラッカー

最適な用途： 一貫したトレンドを持つデータ。

トレンドトラッカー は、時間の経過とともに比較的安定した上昇または下降方向をたどるデータ向けに設計されています。過去データが成長率に大きな変化のない、明確で一貫したトレンドを示している場合に使用してください。

例： 複数期間にわたって比較的一定の割合で増加している売上を予測する際に、トレンドトラッカーを使用します。

グロースアクセラレーター

最適な用途： 成長率が増加しているデータ。

グロースアクセラレーター は、データが成長しているだけでなく、その成長率も時間とともに増加している場合に適しています。過去データにおける成長の加速パターンを捉えるのに役立ちます。

例： 月次売上が四半期ごとにより速いペースで成長している場合に、グロースアクセラレーターを使用します。

スムースフォーキャスター

最適な用途： 短期的な変動があるデータ。

スムースフォーキャスター は、データにおける短期的な変動の影響を軽減し、根底にあるトレンドを識別しやすくするのに役立ちます。

データに一時的な上下変動があり、それが事業の長期的な方向性を表していない可能性がある場合に使用してください。

例： 月次売上が大きく変動しつつも、全体としては比較的安定したトレンドをたどっている場合に、スムースフォーキャスターを使用します。

シーズンセンス

最適な用途： 繰り返し発生する季節パターンを持つデータ。

シーズンセンス は、時間の経過とともに繰り返される予測可能なパターンを持つデータ向けに設計されています。

特定の月、四半期、その他の期間に事業が定期的な変化を経験する場合に使用してください。

例： Eコマース事業では、休暇シーズン中に売上が一貫して増加し、その後減少する場合に、シーズンセンスを使用することがあります。

スマートプレディクター

最適な用途： 複雑な時系列データ。

スマートプレディクター は、時系列データにおけるより複雑なパターンに対応するために設計された高度な方法です。

データに複数のパターンが含まれている場合や、単一の明確なトレンド、成長パターン、季節パターンを識別することが難しい場合に使用してください。

例: 変化するトレンド、変動、その他の複雑なパターンが混在する過去データには、Smart Predictorを使用してください。

方法の選び方

過去データの特性を出発点として考えましょう。

これらのガイドラインは厳密なルールではなく、あくまで出発点です。最適な方法は、データセットや予測の目的によって異なる場合があります。

ヒントとベストプラクティス

• まず過去のデータを確認します。 明確なトレンド、成長パターン、変動、季節性がないか確認しましょう。
• データに合った手法を選びます。 分析したいパターンを最もよく反映する手法を選択してください。
• 最も高度な手法が常に最適とは限りません。 データに明確で一貫したパターンがある場合は、よりシンプルな手法の方が適していることがあります。
• データが変化したら手法を見直します。 あるデータセットにうまく機能した手法でも、事業のパターンが変化すれば最適でなくなることがあります。

ヒント: データの中で最も目立つパターンに最も合った手法から始めましょう。