総合演習：在庫最適化戦略レポート

=== エグゼクティブサマリー ===

■ 課題
NetShop社の在庫関連コストは月間3,300万円（年間約4億円）に達している。
内訳: 欠品損失 2,000万円、過剰在庫コスト 800万円、保管コスト 500万円。
人気商品の欠品（月127件）と不人気商品の過剰在庫（200SKU以上）が同時発生。

■ アプローチ
Kaggle Store Sales - Time Series Forecastingデータ（54店舗、33カテゴリ、4年分）を
用いて需要予測モデルを構築。SARIMA、Prophet、LightGBMの3手法を比較・統合。

■ 主要発見
1. 強い週次季節性（日曜がピーク）と年次季節性（12月がピーク）を確認
2. 祝日の前日に買い込み需要が発生（通常比+25%）
3. 石油価格の変動が2〜4週間遅れで売上に影響
4. LightGBMベースのアンサンブルモデルでMAPE 8%を達成

■ 解決策
LangGraphベースの需要予測AIエージェントを提案。
機能: 需要予測、異常検知、発注推奨、アラート通知。
物流担当者が自然言語で操作可能。

■ 期待効果
- 欠品率: 8% → 3%（機会損失 月間1,000万円削減）
- 廃棄率: 5% → 2%（廃棄コスト 月間300万円削減）
- 在庫回転率: 12回 → 15回（保管コスト 月間200万円削減）
- 年間コスト削減: 約1.8億円
- 投資額: 約860万円（開発費+年間運用費）
- ROI: 1,993%、回収期間: 0.6ヶ月

=== テクニカルレポート ===

■ データ分析結果
1. 時系列分解: STL分解で週次(7日)と年次(365日)の2層季節性を確認
2. 自己相関: ACFでlag7に強いスパイクを確認。PACFからAR(1)が妥当
3. 定常性: ADF検定 p=0.01（定常）、1次差分+季節差分で完全定常化
4. 外部要因:
   - 石油価格: lag14での相関が最大（r=-0.35）
   - 祝日: 前日+25%、当日-35%、翌日+10%
   - プロモーション: GROCERY Iで+45%のリフト効果

■ モデル比較
| モデル | RMSLE | MAPE | 特徴 |
|--------|-------|------|------|
| 移動平均（7日） | 0.82 | 24.5% | ベースライン |
| SARIMA(1,1,1)(0,1,1,7) | 0.62 | 15.2% | 季節性を捕捉 |
| Prophet | 0.55 | 12.8% | 祝日効果が効果的 |
| LightGBM | 0.45 | 8.5% | 外部特徴量が効く |
| アンサンブル | 0.42 | 7.8% | 最高精度 |

選定: LightGBMベースのアンサンブル（LightGBM 0.6 + Prophet 0.3 + SARIMA 0.1）

■ 特徴量エンジニアリング
- ラグ特徴量: lag_1, lag_7, lag_14, lag_28
- ローリング: mean/std/min/max for 7日/28日
- カレンダー: dayofweek, month, is_weekend, is_payday
- 祝日: is_holiday, is_holiday_eve, days_to_holiday
- 石油: oil_price, oil_ma7, oil_diff_7
- プロモーション: onpromotion
- 店舗: store_type, cluster

重要度Top 3: lag_7, rolling_mean_7, dayofweek

=== AIエージェント提案書 ===

■ アーキテクチャ
ユーザー → LangGraph Agent → [Tool群] → LLM応答生成

Tool群:
1. DataFetchTool: 売上データの取得・前処理
2. ForecastTool: LightGBM/Prophet/ベースラインで予測
3. AnomalyDetectionTool: Zスコアベースの異常検知
4. OrderingTool: 安全在庫・発注点ベースの発注推奨
5. TrendAnalysisTool: 成長率・季節パターン分析
6. AlertEngine: 6種のアラート自動生成

■ ユースケース
1. 物流担当者:「来週のGROCERY Iの発注量は？」
   → 7日間の予測 + 推奨発注量 + 安全在庫情報を応答
2. 営業マネージャー:「BEVERAGESに異常はある？」
   → 異常検知結果 + 原因の推定 + 推奨アクション
3. 経営企画:「今月の在庫KPIは？」
   → 在庫回転率/欠品率/廃棄率のサマリー + 前月比

■ 導入スケジュール
Phase 1（1ヶ月目）: モデル構築・バリデーション
Phase 2（2ヶ月目）: エージェント開発・テスト
Phase 3（3ヶ月目）: パイロット導入（GROCERY I, BEVERAGES）
Phase 4（4ヶ月目）: 全カテゴリ展開・モニタリング開始

=== 運用・改善計画 ===

■ モニタリング体制
日次: 精度ダッシュボード確認、アラート対応
週次: カテゴリ別精度レポート、再学習判断
月次: KPIレビュー、経営報告

■ 再学習パイプライン
トリガー: 週次定期 + MAPE目標超過時 + ドリフト検出時
方式: チャンピオン/チャレンジャー（新モデルが2%以上改善時のみデプロイ）
ロールバック: デプロイ後24時間の精度劣化で自動ロールバック

■ リスクと対策
| リスク | 影響 | 対策 |
|--------|------|------|
| モデル精度の急激な劣化 | 在庫ミスマッチ | ベースラインモデルへの自動切替 |
| システム障害 | 予測停止 | キャッシュ予測の利用 |
| 外部環境の急変（災害等） | 予測が無意味に | 人間判断への切替フロー |
| データパイプラインの遅延 | 予測遅延 | SLA監視、バッファ設計 |

■ 中長期改善ロードマップ
3ヶ月後: 全33カテゴリ × 54店舗に展開完了
6ヶ月後: ディープラーニング（TFT）の導入検討
9ヶ月後: サプライチェーン全体最適化（仕入先連携）
12ヶ月後: 自動発注の部分導入（Aランクカテゴリ）