#機械学習と数理最適化
「コンビニのお店×商品ごとに需要予測がしたいんです」
→ 機械学習/統計モデリングっぽい話
現象の予測・解明
「コンビニのお店×商品ごとに需要予測に基づいて利益の最大化をしたいんです」
→ 数理最適化っぽい話
利益の最大化(現象が解明した後にKPIの最大化・最小化)
機械学習と数理最適化の間：バンビット問題（強化学習）というのもある
#意思決定のステップとアナリティクスの到達段階
データサイエンス/AI/アナリティクスといってもレベルは様々である
意思決定のステップ
①集計（何が起きるのか）
②説明（何故起きたのか）
③予測（何が起きるのか）
④意思決定（何をすればいいのか）
⑤行動（実際の行動）
アナリティクスの到達段階
①記述的アナリティクス
②診断的アナリティクス
③予測的アナリティクス
④処方的アナリティクス（AIによる意思決定支援）
⑤処方的アナリティクス（AIによる意思決定）
一般的に
①集計（何が起きるのか） DWH/BIツールで行う
①記述的アナリティクス
②説明（何故起きたのか）や③予測（何が起きるのか）までを機械学習/統計解析が行う
①記述的アナリティクス
②診断的アナリティクス
③予測的アナリティクス
④意思決定（何をすればいいのか）や⑤行動（実際の行動）を数理最適化によって行う
①記述的アナリティクス
②診断的アナリティクス
③予測的アナリティクス
④処方的アナリティクス（AIによる意思決定支援）
⑤処方的アナリティクス（AIによる意思決定）
#機械学習vs数理最適化
| タスク | システムへの入力 | システムのメカニズム | システムの出力 | 典型的な技術 |
|---|---|---|---|---|
| 予測・推定 | ⭕️ | 不明→推定 | ⭕️ | 機械学習・統計学 |
| 最適化 | 最良のものは不明→探索 | ⭕️ | 最小化・最大化したい | 数理最適化 |
#どこまでできるか？
| 説明 | 予測 | 意思決定支援 | 意思決定 | |
|---|---|---|---|---|
| 株トレード（DayTrading） | ○ | ○ | ○ | ○（HFT） |
| スーパーの購買計画 | ○ | ○（需要予測） | ○（最適購買） | ○ |
| 建築機材のレンタル | ○ | ○（需要予測） | ○（支店間の機材配備の最適化） | ○/?(支店間のインセンティブの対立) |
| コモディティトレード | ○ | ○（価格予測） | ○（売買タイミング示唆） | ？（政治リスクの評価） |
| 農業 | ○ | ○（収穫予想） | ○(肥料最適化)/?(販売計画) | ？ |
| M&A | ○ | ？（高い個別性） | ? | ? |
課題・オペレーション依存になりやすい
数理最適化で解決できる課題の例
・広告割り当て問題 → 広告効果の最大化（CVR・ CTR）
・車両配送計画立案 → （一回の荷物の重量・最適なルートなど）
・工場の生産計画 → 原材料と生産量の調整・他の工場との連携など
・行政の施設配置問題 → （学校とか）
・戦争 → （効率のいい攻撃）
・ポートフォリオ → （リスクリターンのバランス・同じリターンでもリスクが減らせる）
・シフト作成 → （役割と負担の調整）
#参考
DWHとBIツール
https://it-trend.jp/bi/article/bi_dwh
python3
numpy pulp
勉強の仕方
応用に約立つ５０の最適化問題（本）