ITパスポート 2020年秋期問04

問題文

コンビニエンスストアを全国にチェーン展開するA社では、過去10年間にわたる各店舗の詳細な販売データが本部に蓄積されている。これらの販売データと、過去10年間の気象データ、及び各店舗近隣のイベント情報との関係を分析して、気象条件、イベント情報と商品の販売量との関連性を把握し、1週間先までの天気予報とイベント情報から店舗ごとの販売予想をより高い精度で行うシステムを構築したい。このとき活用する技術として、最も適切なものはどれか。

🖊️ 解答を隠して解いてみる

選択肢

ア：IoTを用いたセンサなどからの自動データ収集技術

イ：仮想空間で現実のような体験を感じることができる仮想現実技術

ウ：ディープラーニングなどのAI技術（正解）

エ：表計算ソフトを用いて統計分析などを行う技術

🔒 解説は解答すると表示されます

コンビニ店舗の販売予想に使う技術はどれか【ITパスポート解説】

正解の理由

この問題で求められているのは、「過去の販売データ・気象データ・イベント情報など大量で複雑なデータ」から「各店舗の1週間先の販売量」を高精度で予測する仕組みです。ここで適切なのは、選択肢の中ではウの「ディープラーニングなどのAI技術」です。

理由をやさしく言うと次の通りです。

AI（Artificial Intelligence：人工知能）はデータからパターンを学び、将来を予測する技術です。
ディープラーニング（deep learning：多層ニューラルネットワークを使った学習法）は、非線形で複雑な関係（たとえば「雨の日の朝は特定の商品が増える」「近隣イベントで特定の店舗の売上が飛ぶ」など）を自動で学習できます。
過去10年分の大量データや気象・イベントなど多様な変数を扱うには、人が全てルール化するよりも、データから関係を学ぶAIの方が適しています。

したがって、販売予想（時系列予測）という目的とデータの性質から、ウが最も適切です。

解法ステップ

目的を整理する
- 目標は「店舗ごとの1週間先の販売量を予測する」こと。
データの種類と量を確認する
- 過去の販売実績（時系列）、過去の気象データ（気温・降水量等）、各店舗近隣のイベント（発生日・種類・規模）など。
適した手法を選ぶ基準を考える
- 大量データ、複雑な変数間の関係、時系列予測 → 機械学習（特にディープラーニングや勾配ブースティング等）が有利。
モデル設計の流れ（実務の簡単な流れ）
- データ前処理（欠損補完、カテゴリ変数の変換、時系列のラグ特徴作成）
- 特徴量エンジニアリング（例：曜日、祝日、イベントフラグ、天気の7日分の予報値）
- モデル選択（LSTMやTransformerなどの時系列に強いニューラルネット、またはXGBoost等）
- 学習・検証（時系列交差検証や直近期間での検証）
- 評価（MAE、RMSE、MAPE 等）
- 運用（定期学習、予測結果の配信、精度監視）
運用面も設計する
- 予報天気やイベント情報を定期的に取り込み、モデルに入力して毎日/毎週の予測を配信します。

選択肢別の誤答解説

ア: IoTを用いたセンサなどからの自動データ収集技術
- IoT（Internet of Things：モノがネットにつながる技術、例：センサー搭載の機器）はデータ収集に有効です。ですが問題では「過去データと気象・イベント情報から将来の販売量を予測する」ことが目的で、データ収集（IoT）は前段階の技術です。分析・予測そのものを行う技術ではないため最適とは言えません。
イ: 仮想現実技術（仮想空間で現実のような体験を作る技術）
- 仮想現実（VR：Virtual Reality）は体験の演出に使います。販売予測や大量データの解析とは関係が薄いので不適切です。
ウ: ディープラーニングなどのAI技術
- 正答。大量データや複雑な因果関係、時系列の予測に強く、特徴量をうまく扱えば高精度化が期待できます。
エ: 表計算ソフトを用いて統計分析などを行う技術
- 表計算ソフト（例：Excel）は小規模データや簡単な集計・可視化に便利です。しかし過去10年分の店舗×店舗数×日数といった大規模データや、複雑な非線形関係の学習、モデルの自動運用には向きません。精度や自動化の面で限界があります。

よくある誤解

「大量データだからAIを使えば必ずうまくいく」
- AIは強力ですが、データの質が悪かったり、学習に適さない特徴が多いと期待通りになりません。欠損処理や正しい特徴量作りが重要です。
「IoTを導入すれば予測精度が上がる」
- IoTは新しいデータを取る手段であり、予測モデルそのものではありません。既に十分なデータがあるならIoTは必須ではありませんが、将来の改善には有用です。
「ディープラーニングは設定すれば誰でも最良のモデルができる」
- モデル設計（層構成、学習率、過学習対策）、評価方法、運用設計が必要です。単にモデルを動かすだけでは安定した精度は出ません。

補足コラム

時系列予測の代表的なモデル例
- LSTM（Long Short-Term Memory：長期依存を扱うリカレントニューラルネットワーク）— 時系列データでよく使われます。
- Transformer（元は自然言語処理向けだが、時系列にも応用）— 長い履歴を扱うのが得意です。
- XGBoost（勾配ブースティング）— 特徴量を作り込めば高い精度を出すことが多く、解釈もしやすいです。
評価指標（簡単な説明）
- MAE（Mean Absolute Error：平均絶対誤差） $= \frac{1}{n} \sum ∣ y_{i} - \overset{y}{^}_{i} ∣$ （実際値と予測値の差の平均）
- RMSE（Root Mean Squared Error：二乗平均平方根誤差）— 大きな誤差をより重視します。
実務での注意点
- イベント情報は定性的なものが多いので、規模やカテゴリを数値化（エンコード）する必要があります。
- 予測値の不確かさ（信頼区間）を出しておくと店舗の発注判断に役立ちます。
- プライバシーや個人情報の扱いには注意し、必要なら集計済みデータで扱う。

FAQ

Q1: なぜ表計算でやってはいけないのですか？
A1: 小規模なら可能ですが、数年分・全国の店舗など規模が大きくなると計算やデータ管理が難しくなります。また、複雑な非線形関係を自動で学習する能力が低いため、高精度予測には不向きです。

Q2: ディープラーニング以外の手法は使えますか？
A2: はい。XGBoostやRandom Forestなども強力です。データの特性によってはこれらの方が少ないチューニングで良好な結果を出すことがあります。最終的には複数手法を比較するのが現場の常識です。

Q3: 導入に必要な準備は何ですか？
A3: データ整備（欠損・異常値処理）、イベントデータの整理、気象予報の定期取得、特徴量設計、評価基準の設定、運用フロー（再学習・配信）などが必要です。

簡単なイメージコード（時系列予測の流れ・概念例）

# Kerasでの簡単なLSTMモデル例（概念示すための最小例）
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

model = Sequential([
    LSTM(64, input_shape=(lookback_days, n_features)),
    Dense(1)  # 1日分の売上予測など
])
model.compile(optimizer='adam', loss='mae')
# model.fit(X_train, y_train, epochs=20, validation_data=(X_val, y_val))