- Chronos-2は12週・52週の両予測で従来モデルを上回る精度を達成
- ファインチューニングは6ヶ月に1回でよく、運用負荷を大幅に削減
- 推論は25,000商品あたり2分未満で、新地域への展開も迅速化
需要予測の難しさ
Decathlonは世界有数のスポーツ用品小売企業で、10万人以上の従業員と4億人のユーザーを抱えます。扱う商品は80以上のスポーツにわたり、スキー用手袋とサーフボードのように需要パターンが大きく異なる商品を、数千店舗で在庫過不足なく管理する必要があります。
同社の需要予測は週次で、購買担当者が仕入れを決める12週間の補充期間と、長期在庫計画に使う52週間の戦略期間の2つの期間で実施されます。従来は2021〜2024年にDeepARとHolt-Winters、2024年以降はTemporal Fusion Transformer（TFT）を併用していましたが、毎週の再学習が必須で、新地域への拡張に手間がかかるという課題がありました。
モデル選定と評価
Decathlonは複数の時系列基盤モデル（TSFM）を自社データで大規模に比較しました。評価期間は2022年第48週から2024年第44週までで、約2年間にわたり101回のローリング評価を実施。各評価時点で約25,000商品、延べ39,000の商品時系列を対象に、12週と52週の予測誤差を主指標のWAPEに加えてRMSEやバイアスなどで検証しました。
その結果、Chronos-2はファインチューニング構成で全評価モデル中最高の精度を示しました。ゼロショットでも従来の本番モデルに匹敵または上回り、6ヶ月に1回の低頻度ファインチューニングでも顕著な改善が得られました。また、共変量を自然に扱えるグループアテンション機構が他のTSFMとの差別化要因となり、採用が決まりました。
技術とアーキテクチャ
Chronos-2はT5エンコーダをベースにしたエンコーダのみのトランスフォーマーで、120Mパラメータのベースモデルと28Mパラメータの小型モデルがあります。時系列をパッチに分割し、時間アテンションとグループアテンションを交互に適用することで、複数系列の共変量を扱える点が特徴です。
AWS上の構成は、PySparkによるデータ整形パイプライン、AutoGluonによるLoRAファインチューニング、MLflowによるモデル管理、EC2での週次バッチ推論で構成されます。ファインチューニングは6ヶ月ごとに自動実行され、供給ゾーンごとにモデルが登録されます。推論は25,000商品あたり2分未満で、CPUでも動作します。
効果と今後の展開
Chronos-2の導入により、12週の補充期間でのWAPEが11〜15ポイント改善しました。WAPEが1ポイント改善するごとに、在庫日数が0.3日減り、商品在庫率が0.3ポイント向上し、売上が約0.12ポイント増加するという試算です。運用面では、新地域への展開期間が6ヶ月から2〜3ヶ月に短縮されました。
現在、Chronos-2は南東アジアとラテンアメリカの供給ゾーンで本番運用されています。2026年までに全供給ゾーンへの展開を予定しており、中東・アフリカが次の拡大先です。
| 項目 | 従来手法 | Chronos-2 |
|---|---|---|
| 予測誤差（WAPE） | 基準値 | 11〜15ポイント改善 |
| 再学習頻度 | 毎週 | 6ヶ月に1回 |
| 新地域展開期間 | 6ヶ月 | 2〜3ヶ月 |
| 推論時間（25,000商品） | 明確な記載なし | 2分未満 |
The combination of leading accuracy, architectural elegance for covariate handling, and efficient fine-tuning made Chronos-2 the clear choice for Decathlon’s production stack.
高い精度、共変量を自然に扱えるアーキテクチャの優雅さ、効率的なファインチューニングの組み合わせにより、Chronos-2はDecathlonの本番スタックの明確な選択肢となった。
今後の見通し
Decathlonは2026年までに全供給ゾーンへのChronos-2展開を計画しており、中東・アフリカが次の対象となります。今後、複数地域での運用実績や、他の小売企業での採用事例が蓄積されれば、時系列基盤モデルの実務適用可能性がさらに具体化するとみられます。ただし、今回の結果はDecathlonのデータに基づくものであり、他社で同様の効果が得られるかは、商品構成やデータ特性に依存するため、自社での検証が不可欠です。
日本の開発者・IT企業にとっての意味
日本の小売・EC企業にとって、時系列基盤モデルが実運用レベルで使えることを示した事例です。従来は毎週再学習が必要だった予測モデルが、6ヶ月間隔のファインチューニングで精度を上回るなら、運用コストを削減しながら需要予測の精度を高められます。また、AWS上でAutoGluonやSageMakerと組み合わせて使えるため、既存のAWS環境を活用している企業は導入しやすくなっています。一方、効果は商品データの特性に強く依存するため、自社データで評価を実施し、適用可否を判断することが重要です。
気になる点
- 日本国内の企業でもChronos-2を利用できますか？
- Chronos-2モデルはHugging Faceで公開されており、AWSのSageMakerやAutoGluon経由で利用可能です。技術的には日本企業も導入できますが、記事では日本市場での具体的な導入事例は紹介されていません。
- 推論に必要な時間とコストはどのくらいですか？
- 記事によると、25,000商品あたりの推論時間は2分未満で、CPUでも動作します。コストに関する具体的な数値は公表されていませんが、EC2のインスタンス利用料が主なコストになると考えられます。
- 従来の予測モデルから移行する際の注意点は？
- ファインチューニングが6ヶ月間隔で済む一方、データ整形や共変量の管理はAutoGluonで自動化できます。ただし、移行時の具体的な障害や注意点は記事では詳述されておらず、自社環境での実証が必要です。
用語解説
- 時系列基盤モデル
- 多様な時系列データで事前学習され、特定タスク向けに微調整できるモデル
- WAPE
- 加重絶対誤差率。予測値と実績の差を加重平均で測る指標
- LoRA
- モデル全体ではなく低ランクの部分だけを更新する軽量なファインチューニング手法
- ゼロショット
- 追加学習なしで事前学習モデルをそのまま適用すること
出典
How Decathlon runs demand forecasting at scale with Chronos-2
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する