LESSON

総合確認クイズ

Month 2「需要を予測し在庫を最適化しよう」の総合確認クイズである。10問中8問以上の正解（80%以上）で合格となる。

Q1. 在庫管理のコスト

月間売上5,000万円、在庫回転率10回/年の商品カテゴリの平均在庫額に最も近いものはどれか？

  • A) 500万円
  • B) 5,000万円
  • C) 6,000万円
  • D) 50,000万円

正解: C) 6,000万円

解説: 平均在庫額 = 年間売上 / 在庫回転率 = (5,000万 x 12) / 10 = 6,000万円。在庫回転率が高いほど少ない在庫で効率的に運営していることを意味する。

Q2. ブルウィップ効果の対策

ブルウィップ効果を緩和する対策として最も効果的なものはどれか？

  • A) 各段階で独自の需要予測を行う
  • B) まとめ買いを推奨する
  • C) POS連携による需要情報の共有
  • D) セール頻度を増やす

正解: C) POS連携による需要情報の共有

解説: ブルウィップ効果の主因は、各段階で独自に需要予測を更新し安全マージンを積み重ねることである。POSデータを共有することで最終消費者の実需要をサプライチェーン全体で把握でき、情報の歪みを最小化できる。

Q3. 時系列分解

STL分解で「残差」が大きい日が特定された場合、最も考えられる原因はどれか？

  • A) 季節性パターンが安定している
  • B) トレンドが緩やかに変化している
  • C) 突発的なイベント（セール、災害等）が発生した
  • D) データの記録が正確である

正解: C) 突発的なイベント（セール、災害等）が発生した

解説: STL分解の残差はトレンドと季節性で説明できない変動を表す。残差が大きい日は、通常のパターンから外れた突発的な要因（イベント、災害、システム障害等）が存在する可能性が高い。

Q4. 定常性

非定常な時系列データをARIMAモデルに適用するために必要な前処理はどれか？

  • A) 標準化（平均0、分散1に変換）
  • B) 差分（前期との差を取る）
  • C) 対数変換のみ
  • D) 外れ値の除去のみ

正解: B) 差分（前期との差を取る）

解説: ARIMAのI（Integrated）は差分を意味し、非定常なデータをd回の差分で定常化する。ARIMA(p,d,q)のdが差分の回数を表す。標準化や対数変換では定常性は得られない。

Q5. 特徴量エンジニアリング

LightGBMによる時系列予測で、情報漏洩を起こす特徴量はどれか？

  • A) 7日前の売上（lag_7）
  • B) 過去7日の移動平均（shift(1)してからrolling）
  • C) 当日の天気予報
  • D) 当日の実際の売上を使ったローリング平均

正解: D) 当日の実際の売上を使ったローリング平均

解説: 当日の売上は予測時点では未知の情報であり、これを特徴量に使うと情報漏洩（Data Leakage）となる。ラグ特徴量やローリング統計量はshift(1)以上で過去のデータのみを使う必要がある。天気予報は予測時点で利用可能な情報なので問題ない。

Q6. アンサンブル

3つのモデルの予測値が [100, 120, 110] で、最適重みが [0.5, 0.3, 0.2] の場合、アンサンブル予測値はいくらか？

  • A) 106
  • B) 108
  • C) 110
  • D) 112

正解: B) 108

解説: 加重平均 = 100 x 0.5 + 120 x 0.3 + 110 x 0.2 = 50 + 36 + 22 = 108。

Q7. 安全在庫

サービスレベルを95%から99%に引き上げた場合（z値: 1.645→2.326）、安全在庫は約何倍になるか？

  • A) 約1.2倍
  • B) 約1.4倍
  • C) 約2.0倍
  • D) 約4.0倍

正解: B) 約1.4倍

解説: 安全在庫はz値に比例するため、2.326 / 1.645 ≈ 1.41倍。サービスレベルの向上は安全在庫の増加を意味し、保管コストとのトレードオフが生じる。

Q8. エージェント設計

LangGraphのconditional_edgesが需要予測エージェントで果たす役割として正しいものはどれか？

  • A) ユーザーの認証を行う
  • B) クエリタイプに応じて適切なToolノードにルーティングする
  • C) 予測モデルのハイパーパラメータを自動調整する
  • D) データベースへの接続を管理する

正解: B) クエリタイプに応じて適切なToolノードにルーティングする

解説: conditional_edgesはStateの値（この場合query_type）に基づいて次のノードを動的に決定する。「予測して」→ForecastTool、「異常は？」→AnomalyTool、「発注量は？」→OrderingToolのようにルーティングする。

Q9. 予測精度モニタリング

予測モデルの精度が徐々に劣化する現象の最も一般的な原因はどれか？

  • A) コードのバグ
  • B) データドリフト（入力データの分布変化）
  • C) サーバーの性能低下
  • D) ユーザーの操作ミス

正解: B) データドリフト（入力データの分布変化）

解説: モデルは学習時のデータ分布を前提に予測する。時間の経過とともに需要パターンが変化（データドリフト）すると、学習時の前提が崩れ予測精度が劣化する。これがMLOpsにおけるモニタリングと再学習の必要性の根本的な理由である。

Q10. ビジネスKPI

需要予測システムのROI計算で、年間コスト削減が1.5億円、総投資額（開発費+年間運用費）が1,000万円の場合、ROIとして正しいものはどれか？

  • A) 150%
  • B) 1,400%
  • C) 1,500%
  • D) 15,000%

正解: B) 1,400%

解説: ROI = (年間コスト削減 - 総投資額) / 総投資額 x 100 = (15,000万 - 1,000万) / 1,000万 x 100 = 1,400%。投資に対して14倍のリターンがあることを示す。

結果

  • 8問以上正解（80%以上）: 合格。Month 2「需要を予測し在庫を最適化しよう」を修了。
  • 7問以下: 各Stepのレッスンを復習してから再挑戦しよう。

推定所要時間: 30分