# ============================================ # Excelでの移動平均計算 # ============================================ # 参考: 以下の設定をExcelで行う 【データ配置】 A列: 月（1月、2月、3月…） B列: 売上（100、110、105…） C列: 3ヶ月移動平均 【C4セルに入力する数式（3ヶ月移動平均）】 =AVERAGE(B2:B4) 【C4セルを下にコピーすると自動で計算範囲が移動】 C5: =AVERAGE(B3:B5) C6: =AVERAGE(B4:B6) … 【エラー回避（最初の数行はエラーになるため）】 =IFERROR(AVERAGE(B2:B4), “”) 【6ヶ月移動平均の場合】 =IFERROR(AVERAGE(B2:B7), “”) 【12ヶ月移動平均の場合】 =IFERROR(AVERAGE(B2:B13), “”)

# ============================================ # 売上予測の実装 # ============================================ # 時系列データを分析し、将来の売上を予測する # 移動平均法は最もシンプルで実用的な予測手法 import pandas as pd # データフレーム操作用 import numpy as np # 数値計算用 import matplotlib.pyplot as plt # グラフ描画用 # ============================================ # サンプルデータ作成（月次売上） # ============================================ # np.random.seed(42): 乱数の再現性を確保 # → 同じコードを実行すれば同じ結果が得られる # → 42は慣習的によく使われる数値（意味はない） np.random.seed(42) # pd.date_range(): 日付の連続データを生成 # ‘2022-01-01’: 開始日 # ‘2024-12-01′: 終了日 # freq=’MS’: 月初（Month Start）の頻度 months = pd.date_range(‘2022-01-01’, ‘2024-12-01′, freq=’MS’) # ============================================ # 時系列データの3要素を作成 # ============================================ # 売上 = トレンド + 季節性 + ノイズ # 1. トレンド（長期的な傾向） # np.linspace(100, 150, 36): 100から150まで36個の等間隔数値 # → 3年間で100→150に成長する上昇トレンド trend = np.linspace(100, 150, len(months)) # 2. 季節性（周期的な変動） # np.sin(): サイン波で周期的なパターンを作成 # 2 * np.pi / 12: 12ヶ月で1周期（年次季節性） # 20 *: 振幅±20の変動 seasonality = 20 * np.sin(np.arange(len(months)) * 2 * np.pi / 12) # 3. ノイズ（ランダムな変動） # np.random.normal(0, 5, 36): 平均0、標準偏差5の正規分布乱数 noise = np.random.normal(0, 5, len(months)) # 3要素を合成して売上データを作成 sales = trend + seasonality + noise # データフレーム作成 df = pd.DataFrame({ ‘date’: months, ‘sales’: sales }) print(“【売上データ（直近12ヶ月）】”) print(df.tail(12).to_string(index=False)) print() # ============================================ # 移動平均の計算 # ============================================ # .rolling(window=n): 直近n期間のウィンドウを作成 # .mean(): そのウィンドウ内の平均を計算 # 3ヶ月移動平均: 短期的な傾向を捉える df[‘SMA_3’] = df[‘sales’].rolling(window=3).mean() # 6ヶ月移動平均: 中期的な傾向を捉える（実務で最も使う） df[‘SMA_6’] = df[‘sales’].rolling(window=6).mean() # 12ヶ月移動平均: 長期的な傾向（季節性を除去） df[‘SMA_12’] = df[‘sales’].rolling(window=12).mean() print(“【移動平均による平滑化（直近6ヶ月）】”) print(df[[‘date’, ‘sales’, ‘SMA_3’, ‘SMA_6’, ‘SMA_12’]].tail(6).round(1).to_string(index=False))

# ============================================ # データ分割と精度評価 # ============================================ # 訓練データ: モデル作成用（過去） # テストデータ: 精度検証用（直近） # → 過去データで作ったモデルが、 # 未知のデータでも通用するか確認 # 80%を訓練用、20%をテスト用に分割 train_size = int(len(df) * 0.8) # 36 × 0.8 = 28件 train = df[:train_size] test = df[train_size:].copy() print(f”訓練データ: {len(train)}件”) print(f”テストデータ: {len(test)}件”) print() # ============================================ # 6ヶ月移動平均で予測 # ============================================ window = 6 predictions = [] for i in range(len(test)): if i == 0: # 最初の予測: 訓練データの直近6ヶ月の平均 pred = train[‘sales’].tail(window).mean() else: # 2回目以降: 訓練データ + これまでの予測値を使用 recent = list(train[‘sales’].tail(window-i).values) + predictions[:i] pred = np.mean(recent[-window:]) predictions.append(pred) test[‘predicted’] = predictions # ============================================ # 評価指標の計算 # ============================================ actual = test[‘sales’].values predicted = test[‘predicted’].values # MAE: 平均絶対誤差 # np.abs(): 絶対値を計算 # np.mean(): 平均を計算 mae = np.mean(np.abs(actual – predicted)) # RMSE: 二乗平均平方根誤差 # (actual – predicted)**2: 誤差の二乗 # np.sqrt(): 平方根 rmse = np.sqrt(np.mean((actual – predicted)**2)) # MAPE: 平均絶対パーセント誤差 # 実績で割ることで%に変換 mape = np.mean(np.abs((actual – predicted) / actual)) * 100 print(“=” * 50) print(“【予測精度評価】”) print(“=” * 50) print(f”MAE: {mae:.2f}万円（平均的な誤差額）”) print(f”RMSE: {rmse:.2f}万円（大きな誤差を重視）”) print(f”MAPE: {mape:.2f}%（平均的な誤差率）”) print() # MAPEに基づく評価 if mape < 5: rating = "★★★★★ 非常に良い" elif mape < 10: rating = "★★★★☆ 良好" elif mape < 20: rating = "★★★☆☆ 普通" else: rating = "★★☆☆☆ 要改善" print(f"評価: {rating}") print() # ============================================ # 予測結果の確認 # ============================================ print("【予測 vs 実績】") for i, row in test.iterrows(): actual_val = row['sales'] pred_val = row['predicted'] error = abs(actual_val - pred_val) / actual_val * 100 print(f"{row['date'].strftime('%Y-%m')}: 実績 {actual_val:.1f} / 予測 {pred_val:.1f} / 誤差 {error:.1f}%")

# ============================================ # 次月の売上予測 # ============================================ # 方法1: 単純な6ヶ月移動平均 # 直近6ヶ月の平均を次月の予測とする next_month_sma = df[‘sales’].tail(6).mean() print(“【次月の売上予測】”) print(f”6ヶ月移動平均: {next_month_sma:.1f}万円”) print() # 方法2: 季節性を考慮した予測 # 前年同月の値に成長率を掛ける # → 季節パターンを反映できる # 前年比成長率を計算 # iloc[-1]: 最新月のデータ # iloc[-13]: 13ヶ月前（昨年同月）のデータ yoy_growth = (df[‘sales’].iloc[-1] / df[‘sales’].iloc[-13]) – 1 print(f”【季節性を考慮した予測】”) print(f”前年比成長率: {yoy_growth*100:.1f}%”) print() # 今後3ヶ月の予測（昨年同月 × (1 + 成長率)） print(“今後3ヶ月の予測:”) for i in range(1, 4): # 昨年同月の値 last_year_value = df[‘sales’].iloc[-12+i-1] # 成長率を適用 forecast = last_year_value * (1 + yoy_growth) print(f” {i}ヶ月後: {forecast:.1f}万円”) print() print(“【予測の使い分け】”) print(“・安定した市場 → 移動平均法”) print(“・季節性が強い → 前年同月比法”) print(“・成長市場 → トレンド + 季節性の組み合わせ”)

# ============================================ # 可視化 # ============================================ # グラフで傾向を視覚的に確認 # plt.subplots(): 複数のグラフを1つの図に配置 # 2, 2: 2行2列のグリッド（計4つのグラフ） # figsize: 図全体のサイズ（幅14インチ × 高さ10インチ） fig, axes = plt.subplots(2, 2, figsize=(14, 10)) # ============================================ # グラフ1: 売上と移動平均（左上） # ============================================ axes[0, 0].plot(df[‘date’], df[‘sales’], ‘b-‘, alpha=0.5, label=’実際の売上’) axes[0, 0].plot(df[‘date’], df[‘SMA_3’], ‘r-‘, label=’3ヶ月移動平均’) axes[0, 0].plot(df[‘date’], df[‘SMA_6’], ‘g-‘, label=’6ヶ月移動平均’) axes[0, 0].plot(df[‘date’], df[‘SMA_12’], ‘purple’, label=’12ヶ月移動平均’) axes[0, 0].set_title(‘売上推移と移動平均’, fontsize=13, fontweight=’bold’) axes[0, 0].set_xlabel(‘日付’) axes[0, 0].set_ylabel(‘売上（万円）’) axes[0, 0].legend() axes[0, 0].grid(True, alpha=0.3) # ============================================ # グラフ2: 予測 vs 実績（右上） # ============================================ axes[0, 1].plot(test[‘date’], test[‘sales’], ‘b-o’, label=’実績’) axes[0, 1].plot(test[‘date’], test[‘predicted’], ‘r–o’, label=’予測’) axes[0, 1].set_title(f’予測精度検証（MAPE: {mape:.1f}%）’, fontsize=13, fontweight=’bold’) axes[0, 1].set_xlabel(‘日付’) axes[0, 1].set_ylabel(‘売上（万円）’) axes[0, 1].legend() axes[0, 1].grid(True, alpha=0.3) # ============================================ # グラフ3: 予測誤差の分布（左下） # ============================================ errors = actual – predicted axes[1, 0].hist(errors, bins=10, edgecolor=’black’, alpha=0.7) axes[1, 0].axvline(x=0, color=’red’, linestyle=’–‘, linewidth=2) axes[1, 0].set_title(‘予測誤差の分布’, fontsize=13, fontweight=’bold’) axes[1, 0].set_xlabel(‘誤差（万円）’) axes[1, 0].set_ylabel(‘頻度’) axes[1, 0].grid(True, alpha=0.3) # ============================================ # グラフ4: 時系列分解（右下） # ============================================ axes[1, 1].plot(df[‘date’], trend[:len(df)], ‘g-‘, label=’トレンド成分’) axes[1, 1].plot(df[‘date’], seasonality[:len(df)], ‘orange’, label=’季節性成分’) axes[1, 1].set_title(‘時系列の分解’, fontsize=13, fontweight=’bold’) axes[1, 1].set_xlabel(‘日付’) axes[1, 1].set_ylabel(‘値’) axes[1, 1].legend() axes[1, 1].grid(True, alpha=0.3) plt.tight_layout() plt.show()