空の棚の向こうの需要

06:00–22:00の時間ごとの在庫フラグで、全50,000系列・97日分を対象にしています。商品日の44.0%で少なくとも一度欠品し、4.0%では終日欠品でした。

ホールドアウトの167店舗の444,393商品日です。実際の欠品パターンを在庫のあった時間に写し、その時間を隠して、真の合計が私たちのP10–P90区間に入るかを確認しました。

12:00以降に欠品した、ホールドアウトの222,549日です。欠品の2時間前に終わる、在庫のあった3時間を隠しました。売り切れた日で学習しなかった場合、被覆率は71.4%、推定値は39%低くなりました。

同じ444,393日での値です。直近の在庫があった日の同じ時間を使うと誤差は49%、その日の在庫があった時間を通常の時間帯別パターンで拡大推計すると60%です。

欠品のあった全210万商品日についてのP50推定値の合計を、記録された販売の総量と比べたものです。中央値の合計は総量を過小に見積もります。代わりに日ごとのP10とP90の部分を合計すると、8%と30%になります。

復元した需要で学習した予測と、記録された販売で学習した同じモデルとの比較で、0.192 対 0.197です（スケール化したCRPS、低いほど良い）。在庫が切れなかったホールドアウトの206,562商品日で評価しており、そこでは記録された販売が需要と一致します。28日間の経験分位点ベースラインは0.240です。

ホールドアウトの売り切れた日のうち、予測の中央値が実際に記録された販売（その日の需要の下限）を下回った日の割合です。復元需要による予測と、記録販売による予測の比較です。この検証は高めの予測を有利にするため、在庫のあった日のバイアス（+3.1% 対 -6.4%）とあわせて読んでください。

コスト = 需要単位あたりの（2 × 機会損失 + 廃棄単位）で、空の棚から始め、全50,000系列のホールドアウト週について求めました。再生での需要 = 記録された販売 + 欠品時間に対する私たちのP50推定値。私たちの推定値に基づく発注と、記録された販売に基づく発注を比べています。各方策の発注分位点は、直前の二週間で調整しました。隠れた需要を代わりに私たちの区間から抽出すると（200回）、-4.0% / -7.2% / -12.6%になります。

記録された販売だけを需要とした同じ再生で、+1.3% / -0.3% / +0.8%です。

同じ再生で、コスト比を変えたものです。私たちの推定値を需要とした場合は-5.5%〜-0.2%。記録された販売だけの場合は+0.8%〜+5.4%で、何も隠れておらず機会損失が安い場合には、私たちの推定値に基づく発注のほうがコストが高くなります。販売可能日数2日と3日では、調整後の両方策とも予測範囲の上限P95に張り付いています。

上記と同じ再生です。私たちの推定値に基づく発注では需要の20.4%を廃棄し、7.2%が販売機会損失になります。記録された販売に基づく発注では、廃棄23.0%、機会損失6.7%です。前日の販売に調整済みの係数を掛けて発注すると、需要単位あたりのコストは0.600で、私たちの方法は0.347です。

私たちのM1 ProのノートPC上のヘッドレスChromiumで10回実行した中央値です。各実行では、2,000系列について、14日間のバックテストで37通りの発注分位点 × 2方策を調整し、その後7日間の週を再生します。スマートフォンではもっと遅くなります。