予測精度

予測精度とは？

予測精度は、予測モデルが実際の結果と「どのくらい当たったか」を数値で示す指標です。 需要予測、売上予測、在庫予測など、様々なビジネス予測で使われます。精度が高いほど、信頼できる予測であり、それに基づいた判断ができます。

ひとことで言うと： 「天気予報が当たったか外れたか」を数値化したもの。高い精度なら、傘を持つべきか判断できます。

ポイントまとめ：

• 何をするものか： 予測モデルの性能を定量化し、信頼度を判断する
• なぜ必要か： 精度が低い予測で判断すると、ビジネスで大損する
• 誰が使うか： データサイエンティスト、経営企画部門、在庫管理チーム、営業部門

なぜ重要か

企業が意思決定をするとき、「今後の需要はいくらか」「来期の売上は」という予測に頼ります。この予測が外れると、在庫を作りすぎて無駄になったり、売却機会を逃したり、大きな損失になります。

予測精度を正確に測定すれば、「このモデルは信頼できるか」が分かります。また、複数の予測モデルを比較して「どちらが優れているか」判定することもできます。機械学習モデルの改善にも必須です。

計算方法

予測精度の代表的な指標は5つです。

1. 平均絶対誤差（MAE）

MAE = (|予測値1 - 実際値1| + |予測値2 - 実際値2| + ... ) ÷ 件数
例：予測1000単位、実際800単位 → 誤差200
     予測900単位、実際1100単位 → 誤差200
     MAE = (200 + 200) ÷ 2 = 200単位

2. 平均絶対パーセント誤差（MAPE）

MAPE = (|予測 - 実際| ÷ 実際 × 100%) の平均
異なる規模の商品を比較できます（単位が統一される）

3. 平均二乗誤差の平方根（RMSE）

大きな誤差を特に重視する指標
大きく外れた予測をより強く罰します

目安・ベンチマーク

MAPE 10%以下は優秀です。ただし、業界や商品によって目安は変わります。「昨年同期比」といった単純な予測（ナイーブ予測）より精度が良いことが最低条件です。

仕組みをわかりやすく解説

予測精度の測定は4段階です。第1段階は、過去のデータで機械学習モデルを訓練します。第2段階は、「モデルが見たことのないデータ」で予測させます。第3段階は、予測値と実際の値を比較し、誤差を計算します。第4段階は、誤差の大きさから「このモデルはどのくらい信頼できるか」を判定します。

重要なのは、訓練データ と検証データを分ける（交差検証）こと。訓練データだけで評価すると、「過学習」という状態（実際は使えないのに精度が良く見える）に陥ります。

実際の活用シーン

小売企業の需要予測 過去2年間の販売データでAIモデルを訓練し、MAPE 8%の精度を確認したから、このモデルで来月の発注量を決定します。

Eコマース企業の売上予測 複数の予測モデルを比較し、RMSE が最も低いモデルを本番環境に採用。四半期ごとに精度を再検証します。

金融機関のチャーン予測 「顧客が解約する確率」を予測。精度 AUC（曲線下面積）が0.8以上なら、本当に危険な顧客に施策を打てます。

メリットと注意点

メリットは、予測の信頼度が数値で分かり、リスク判断がしやすくなることです。また、モデル改善の効果も定量的に測定できます。

注意点は、「精度が高い = 絶対当たる」ではないこと。MAPE 5%でも、5%外れる可能性があります。また、過去のパターンから外れた「想定外のイベント」（パンデミック、不況など）には対応できません。

関連用語

• 機械学習 — 予測精度を実現する技術
• データ分析 — 予測精度を測定・改善する分析
• バックテスト — 過去データで予測精度を検証
• モデル検証 — 予測精度の厳密な評価
• 過学習 — 精度測定で避けるべき落とし穴

よくある質問

Q: 「MAPE 10%」「RMSE 200」とでは、どちらを信頼すればいい？ A: MAPEは「何パーセント外れるか」で、RMSEは「絶対値でどのくらい外れるか」です。スケールが異なるため、「マイをベースに、RMSEで大きなぶれを確認」といった複合活用がベストです。

Q: 予測精度を改善するには？ A: より多くのデータ、関連性の高い変数追加、機械学習モデルの工夫（アンサンブル学習など）が有効です。ただし、「データが足りない」「変動要因が多い」場合は、精度に限界があります。

Q: 精度が70%でも使えますか？ A: 文脈次第です。「この顧客は解約するか」という2択予測で70%なら良好です。「売上が何円か」という連続値予測なら、「外れ幅」も確認する必要があります。