機械学習で実現する店舗売上予測（需要予測）の完全ガイド – Python実装例付き
はじめに
店舗売上予測は、小売業界において最も重要な課題の一つです。正確な売上予測により、在庫管理の最適化、人員配置の効率化、マーケティング戦略の改善など、ビジネスの様々な側面で大きな効果を期待できます。
本記事では、機械学習を活用した店舗売上予測の手法を、初心者にも分かりやすく解説します。実際のPythonコード例を交えながら、理論から実装まで包括的に説明していきます。
目次
店舗売上予測とは
店舗売上予測（需要予測）は、過去の売上データや外部要因を基に、将来の売上を予測する技術です。主に以下の目的で活用されます：
- 在庫管理の最適化: 過剰在庫や品切れのリスクを最小化
- 人員配置の効率化: 需要に応じた適切なスタッフ配置
- マーケティング戦略: プロモーションのタイミングと規模の最適化
- 財務計画: より正確な売上予測に基づいた予算策定
予測に影響する主な要因
店舗売上に影響する要因は多岐にわたります：
内部要因
- 過去の売上実績
- 商品価格
- プロモーション実施状況
- 店舗規模・立地条件
外部要因
- 季節性・曜日性
- 天候データ
- 祝日・イベント情報
- 競合他社の動向
- 経済指標
機械学習手法の選択
店舗売上予測には様々な機械学習手法が適用できます。それぞれの特徴と適用場面を見てみましょう。
1. 線形回帰（Linear Regression）
特徴
- シンプルで解釈しやすい
- 計算が高速
- 特徴量と売上の関係が線形の場合に効果的
適用場面
- 初期検討やベースラインモデルとして
- 売上変動が比較的安定している場合
2. ランダムフォレスト（Random Forest）
特徴
- 非線形関係を捉えられる
- 過学習に強い
- 特徴量の重要度が分析できる
適用場面
- 多くの特徴量がある場合
- 複雑なパターンを含む売上データ
3. LSTM（Long Short-Term Memory）
特徴
- 時系列データの長期的な依存関係を学習
- 季節性やトレンドを自動で学習
適用場面
- 明確な季節性やトレンドがある場合
- 長期的な売上パターンを考慮したい場合
データの準備と前処理
機械学習モデルの性能は、データの品質に大きく依存します。以下に基本的な前処理の手順を示します。
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
# サンプルデータの作成
def create_sample_data():
dates = pd.date_range('2020-01-01', '2023-12-31', freq='D')
np.random.seed(42)
# 基本的な売上トレンド
trend = np.linspace(100, 150, len(dates))
# 季節性（年間サイクル）
seasonal = 30 * np.sin(2 * np.pi * np.arange(len(dates)) / 365.25)
# 曜日効果（土日が高い）
day_of_week = pd.to_datetime(dates).dayofweek
weekend_effect = np.where((day_of_week == 5) | (day_of_week == 6), 20, 0)
# ノイズ
noise = np.random.normal(0, 10, len(dates))
# 売上データ
sales = trend + seasonal + weekend_effect + noise
return pd.DataFrame({
'date': dates,
'sales': np.maximum(sales, 0), # 負の値を0にクリップ
'day_of_week': day_of_week,
'month': pd.to_datetime(dates).month,
'is_weekend': (day_of_week >= 5).astype(int)
})
# データの準備
df = create_sample_data()
print("データの概要:")
print(df.head())
特徴量エンジニアリング
売上予測の精度向上のため、元データから新たな特徴量を作成します：
def create_features(df):
df = df.copy()
# 移動平均（過去7日間）
df['sales_ma7'] = df['sales'].rolling(window=7).mean()
# 前年同月比
df['month_avg'] = df.groupby('month')['sales'].transform('mean')
# ラグ特徴量（前日、前週の売上）
df['sales_lag1'] = df['sales'].shift(1)
df['sales_lag7'] = df['sales'].shift(7)
# 季節性特徴量
df['sin_month'] = np.sin(2 * np.pi * df['month'] / 12)
df['cos_month'] = np.cos(2 * np.pi * df['month'] / 12)
return df.dropna() # 欠損値を除去
# 特徴量の作成
df_features = create_features(df)
print("特徴量の例:")
print(df_features[['date', 'sales', 'sales_ma7', 'sales_lag1']].head(10))
予測モデルの実装
1. ランダムフォレストによる売上予測
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error, mean_squared_error
import matplotlib.pyplot as plt
def train_random_forest_model(df):
# 特徴量とターゲットの分離
feature_columns = ['day_of_week', 'month', 'is_weekend',
'sales_ma7', 'sales_lag1', 'sales_lag7',
'sin_month', 'cos_month']
X = df[feature_columns]
y = df['sales']
# 訓練・テストデータの分割
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42, shuffle=False
)
# モデルの訓練
rf_model = RandomForestRegressor(
n_estimators=100,
max_depth=10,
random_state=42
)
rf_model.fit(X_train, y_train)
# 予測
y_pred = rf_model.predict(X_test)
# 評価指標の計算
mae = mean_absolute_error(y_test, y_pred)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f"ランダムフォレストモデルの性能:")
print(f"MAE: {mae:.2f}")
print(f"RMSE: {rmse:.2f}")
return rf_model, X_test, y_test, y_pred
# モデルの訓練と評価
model, X_test, y_test, y_pred = train_random_forest_model(df_features)
2. LSTMによる時系列予測
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from sklearn.preprocessing import MinMaxScaler
def prepare_lstm_data(sales_data, lookback_days=30):
# データの正規化
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(sales_data.reshape(-1, 1))
# 時系列データの作成
X, y = [], []
for i in range(lookback_days, len(scaled_data)):
X.append(scaled_data[i-lookback_days:i, 0])
y.append(scaled_data[i, 0])
return np.array(X), np.array(y), scaler
def create_lstm_model(lookback_days=30):
model = Sequential([
LSTM(50, return_sequences=True, input_shape=(lookback_days, 1)),
Dropout(0.2),
LSTM(50, return_sequences=False),
Dropout(0.2),
Dense(25),
Dense(1)
])
model.compile(optimizer='adam', loss='mean_squared_error')
return model
# LSTMモデルの実装例
def train_lstm_model(df):
sales_data = df['sales'].values
# データの準備
X, y, scaler = prepare_lstm_data(sales_data)
# 訓練・テストデータの分割
train_size = int(len(X) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]
# データの形状変更
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)
# モデルの作成と訓練
lstm_model = create_lstm_model()
lstm_model.fit(X_train, y_train,
batch_size=32, epochs=50, verbose=0)
# 予測と逆変換
predictions = lstm_model.predict(X_test)
predictions = scaler.inverse_transform(predictions)
y_test_actual = scaler.inverse_transform(y_test.reshape(-1, 1))
# 評価
mae = mean_absolute_error(y_test_actual, predictions)
rmse = np.sqrt(mean_squared_error(y_test_actual, predictions))
print(f"LSTMモデルの性能:")
print(f"MAE: {mae:.2f}")
print(f"RMSE: {rmse:.2f}")
return lstm_model, scaler
# 注意: この例はTensorFlowが必要です
# model_lstm, scaler = train_lstm_model(df_features)
モデルの評価と改善
評価指標の選択
売上予測モデルの評価には以下の指標がよく使われます：
def evaluate_model(y_true, y_pred):
mae = mean_absolute_error(y_true, y_pred)
rmse = np.sqrt(mean_squared_error(y_true, y_pred))
mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100
print(f"評価指標:")
print(f"MAE (平均絶対誤差): {mae:.2f}")
print(f"RMSE (二乗平均平方根誤差): {rmse:.2f}")
print(f"MAPE (平均絶対パーセント誤差): {mape:.2f}%")
return mae, rmse, mape
# 評価の実行
mae, rmse, mape = evaluate_model(y_test, y_pred)
モデルの改善手法
1. ハイパーパラメータチューニング
from sklearn.model_selection import GridSearchCV
def optimize_random_forest(X_train, y_train):
param_grid = {
'n_estimators': [50, 100, 200],
'max_depth': [5, 10, 15, None],
'min_samples_split': [2, 5, 10]
}
rf = RandomForestRegressor(random_state=42)
grid_search = GridSearchCV(
rf, param_grid, cv=5,
scoring='neg_mean_absolute_error'
)
grid_search.fit(X_train, y_train)
print(f"最適なパラメータ: {grid_search.best_params_}")
return grid_search.best_estimator_
2. アンサンブル手法
from sklearn.linear_model import LinearRegression
def create_ensemble_model(X_train, y_train):
# 複数のモデルを作成
models = {
'rf': RandomForestRegressor(n_estimators=100, random_state=42),
'lr': LinearRegression()
}
# 各モデルを訓練
for name, model in models.items():
model.fit(X_train, y_train)
return models
def ensemble_predict(models, X_test):
predictions = []
for model in models.values():
pred = model.predict(X_test)
predictions.append(pred)
# 平均を取る
ensemble_pred = np.mean(predictions, axis=0)
return ensemble_pred
実用化のポイント
1. リアルタイム予測システム
import joblib
from datetime import datetime, timedelta
class SalesPredictionSystem:
def __init__(self, model_path):
self.model = joblib.load(model_path)
self.feature_columns = ['day_of_week', 'month', 'is_weekend',
'sales_ma7', 'sales_lag1', 'sales_lag7',
'sin_month', 'cos_month']
def predict_next_day(self, historical_data):
# 最新データから特徴量を作成
features = self.extract_features(historical_data)
# 予測実行
prediction = self.model.predict([features])[0]
return max(0, prediction) # 負の値を0にクリップ
def extract_features(self, data):
# 実際の特徴量抽出ロジック
latest_date = data['date'].iloc[-1]
features = [
latest_date.weekday(), # day_of_week
latest_date.month, # month
1 if latest_date.weekday() >= 5 else 0, # is_weekend
data['sales'].tail(7).mean(), # sales_ma7
data['sales'].iloc[-1], # sales_lag1
data['sales'].iloc[-7], # sales_lag7
np.sin(2 * np.pi * latest_date.month / 12), # sin_month
np.cos(2 * np.pi * latest_date.month / 12) # cos_month
]
return features
# 使用例
# system = SalesPredictionSystem('sales_model.pkl')
# next_day_sales = system.predict_next_day(historical_data)
2. モデルの継続的な更新
def update_model_periodically(new_data, existing_model):
# 新しいデータで特徴量を作成
new_features = create_features(new_data)
# 増分学習（対応している場合）
X_new = new_features[feature_columns]
y_new = new_features['sales']
# 既存モデルを新しいデータで再訓練
updated_model = existing_model
# 注意: RandomForestは増分学習に対応していないため、
# 実際は全データで再訓練が必要
return updated_model
3. 予測の信頼区間
def predict_with_confidence(model, X_test, n_bootstrap=100):
predictions = []
for _ in range(n_bootstrap):
# ブートストラップサンプリング
indices = np.random.choice(len(X_test), len(X_test), replace=True)
X_bootstrap = X_test.iloc[indices]
# 予測
pred = model.predict(X_bootstrap)
predictions.append(pred)
predictions = np.array(predictions)
# 信頼区間の計算
lower_bound = np.percentile(predictions, 2.5, axis=0)
upper_bound = np.percentile(predictions, 97.5, axis=0)
mean_pred = np.mean(predictions, axis=0)
return mean_pred, lower_bound, upper_bound
まとめ
機械学習を活用した店舗売上予測は、小売業界のデジタル変革において重要な技術です。本記事で紹介した手法を参考に、以下のポイントを押さえて実装することをお勧めします：
成功のポイント
- データ品質の確保: 正確で一貫性のあるデータ収集
- 適切な特徴量設計: ビジネス知識を活用した特徴量エンジニアリング
- モデル選択: 問題に適した手法の選択
- 継続的な改善: 定期的なモデル更新と性能監視
- 業務との統合: 予測結果を実際の業務プロセスに組み込む
売上予測の精度向上により、在庫コストの削減、顧客満足度の向上、収益性の改善など、多くのビジネス価値を実現できます。まずは小規模な試行から始めて、段階的にシステムを拡張していくことが成功への鍵となります。
■テックジム「AIエンジニア養成コース」
■プロンプトだけでオリジナルアプリを開発・公開してみた！！
■AI時代の第一歩！「AI駆動開発コース」はじめました！
テックジム東京本校で先行開始。
■テックジム東京本校
「武田塾」のプログラミング版といえば「テックジム」。
講義動画なし、教科書なし。「進捗管理とコーチング」で効率学習。
より早く、より安く、しかも対面型のプログラミングスクールです。
＜短期講習＞5日で5万円の「Pythonミニキャンプ」開催中。
＜オンライン無料＞ゼロから始めるPython爆速講座
