企業は時系列予測を使用して、不確実な将来を乗り越えるために中核となる計画上の決定を下します。 この投稿は、さまざまな計画期間にわたって必要な完成品の数を決定するという共通のニーズを共有するサプライ チェーンの関係者に対処することを目的としています。 企業は、必要な商品のユニット数を計画することに加えて、地理的に最適な在庫を作成するために、商品がどこで必要になるかを把握する必要があることがよくあります。
供給過剰と供給不足の微妙なバランス
メーカーが生産する部品や完成品が少なすぎると供給不足が生じ、取引先や事業部門間で利用可能なリソースを配分するという難しい選択を迫られる可能性があります。 その結果、発注書の受諾率が低くなり、実現される利益が少なくなる可能性があります。 サプライチェーンのさらに下流では、需要に比べて小売業者が販売できる製品が少なすぎる場合、在庫切れが発生して買い物客を失望させる可能性があります。 小売店の買い物客が緊急の必要がある場合、これらの不足により、代替の小売店または代替可能なブランドから購入することになる可能性があります。 代替が新しいデフォルトになった場合、この代替はチャーンのリスクとなる可能性があります。
供給の振り子の反対側では、商品の過剰供給もペナルティを引き起こす可能性があります。 余剰品は販売されるまで在庫として保管しなければなりません。 ある程度の安全在庫は、予想される需要の不確実性を乗り切るのに役立つと期待されます。 ただし、過剰な在庫は非効率につながり、組織の収益が薄れる可能性があります。 特に製品が傷みやすい場合、供給過剰により、販売可能な完成品を取得するために行われた初期投資の全部または一部が失われる可能性があります。
製品が腐りにくい場合でも、保管中は実質的に遊休資源となり、貸借対照表上で自由現金として利用したり、他の投資に使用したりすることができます。 貸借対照表は別として、保管コストと持ち運びコストは無料ではありません。 通常、組織が保有する倉庫と物流の能力には限界があります。 利用可能なリソースを効率的に使用して、これらの制約内で動作する必要があります。
供給過剰か供給不足かの選択に直面すると、平均して、ほとんどの組織は明示的な選択による過剰供給を好みます。 供給不足の測定可能なコストは、過剰供給のコストと比較すると、多くの場合、数倍も高くなります。これについては、次のセクションで説明します。
供給過剰に偏る主な理由は、製品が入手できない場合に顧客との信用を失うという目に見えないコストを避けるためです。 メーカーや小売業者は長期的な顧客価値について考え、ブランド ロイヤルティを促進したいと考えています。この使命は、サプライ チェーン戦略に情報を与えるのに役立ちます。
このセクションでは、需要計画プロセスに従って割り当てられたリソースが多すぎる、または少なすぎることによって生じる不公平性を検討しました。 次に、時系列予測と、需要予測を品目レベルの供給戦略に最適に適合させる方法を調査します。
販売および業務計画サイクルに対する古典的なアプローチ
歴史的に、予測は、将来に最も可能性の高い値を提供する点予測をもたらす統計的手法を使用して実現されてきました。 このアプローチは多くの場合、移動平均または線形回帰の形式に基づいており、通常の最小二乗アプローチを使用してモデルを適合させようとします。 ポイント予測は、単一の平均予測値で構成されます。 ポイント予測値は平均を中心にしているため、真の値は約 50% の確率で平均を上回ることが予想されます。 これにより、残りの 50% の確率で実際の数値が予測値を下回ります。
ポイント予測は興味深いかもしれませんが、専門家のレビューなしで実行すると、小売業者が 50% の確率で必需品を使い果たす可能性があります。 顧客への十分なサービスが提供されないように、需要と供給の計画担当者は手動の判断を無効にするか、安全在庫の計算式によってポイント予測を調整します。 企業は安全在庫の計算式について独自の解釈を使用する可能性がありますが、その考え方は、不確実な短期期間を通じて製品の供給を確保することを支援することです。 最終的に、プランナーは、ルール、解釈、および将来の主観的な見方に従って、平均点予測の予測を膨らませるか収縮させるかを決定する必要があります。
最新の最先端の時系列予測により選択が可能になります
現実世界の予測ニーズを満たすために、AWS は時系列予測への最新のアプローチを提供する広範で奥深い機能セットを提供します。 当社は以下を含む機械学習 (ML) サービスを提供していますが、これらに限定されません。 Amazon SageMaker キャンバス (詳細については、を参照してください) Amazon SageMaker Canvas Quick build を使用して時系列予測モデルをより高速にトレーニングする), アマゾン予測 (Amazon Forecast を使用して、時系列予測で成功の旅を始めましょう)、及び アマゾンセージメーカー 組み込みアルゴリズム (AmazonSageMakerによる詳細な需要予測)。 さらに、AWS はオープンソース ソフトウェア パッケージを開発しました。 オートグルオン、時系列ドメインのタスクを含む、さまざまな ML タスクをサポートします。 詳細については、以下を参照してください。 AutoGluon-TimeSeries による簡単で正確な予測.
前のセクションで説明したポイント予測について考えてみましょう。 実際のデータは、平均や直線回帰直線の推定値で表現できるよりも複雑です。 さらに、供給の過剰と不足の不均衡のため、複数の点での推定が必要になります。 AWS のサービスは、分位点回帰と組み合わせた ML モデルの使用により、このニーズに対応します。 分位点回帰を使用すると、単一点の予測に依存するのではなく、分位数として表現される幅広い計画シナリオから選択できます。 選択肢を提供するのはこれらの分位数であり、これについては次のセクションで詳しく説明します。
顧客にサービスを提供し、ビジネスの成長を生み出すために設計された予測
次の図は、分位回帰によって可能になった、複数の結果を含む時系列予測を視覚的に示しています。 p05 で示された赤い線は、実際の数値が、それが何であれ、約 05% の確率で p5 の線を下回ると予想される確率を示しています。 逆に、これは、95% の確率で、実際の数値が p05 ラインを上回る可能性が高いことを意味します。
次に、p70 で示される緑色の線を観察します。 真の値は約 70% の確率で p70 ラインを下回り、p30 を超える可能性は 70% 残ります。 p50 ラインは、将来についての中間点の見通しを提供し、平均して 50/50 の確率で p50 を上回るか下回る値になります。 これらは例ですが、どの分位数も同じ方法で解釈できます。
次のセクションでは、分位予測によって品目ごとに供給過剰または供給不足が発生するかどうかを測定する方法を検討します。
過去のデータから供給過剰と供給不足を測定する
前のセクションでは、予測を観察するグラフィカルな方法を説明しました。 それらを表示する別の方法は、次の表に示すように表形式で表示することです。 時系列モデルを作成する場合、データの一部がトレーニング操作から保留されるため、精度のメトリクスを生成できます。 未来は不確実ですが、ここでの主な考え方は、他の条件がすべて同じであれば、ホールドバック期間中の精度が明日の予測の最良の近似値であるということです。
この表には精度の指標は示されていません。 むしろ、過去から知られている真の値と、p50 から p90 までのいくつかの分位予測を 10 刻みで示しています。最近の歴史的な 218 つの期間における真の需要は 189 ユニットでした。 分位予測では、最低 314 単位から最高 50 単位までの範囲の値が提供されます。 次の表では、p60 と pXNUMX が供給不足となり、最後の XNUMX つの分位数が供給過剰となることが簡単にわかります。
供給過剰と供給不足には非対称性があることを以前に指摘しました。 過剰供給を意識的に選択するほとんどの企業は、顧客を失望させないようにするためにそうしています。 重要な質問は、「今後の将来について、どの分位予測数値に基づいて事業計画を立てる必要があるか?」ということです。 非対称性が存在することを考慮すると、重み付けされた決定を下す必要があります。 このニーズについては、単位としての予測数量がそれぞれの財務上の意味に変換される次のセクションで取り上げます。
利益の最大化または顧客サービスの目標に基づいて、正しい分位点を自動的に選択します
分位値をビジネス価値に変換するには、過剰在庫の各単位と不足在庫の各単位に関連付けられたペナルティを見つける必要があります。これは、これらが等しいことはほとんどないためです。 このニーズに対する解決策は、ニュースベンダー問題と呼ばれる、オペレーションズ リサーチの分野で十分に文書化され研究されています。 Whitin (1955) は、価格設定効果を含めた需要モデルを初めて定式化しました。 ニュースベンダー問題は、ニュース販売者がその日に購入する新聞の枚数を決定しなければならなかった時代に由来して名付けられました。 選択した数字が低すぎると、早期に完売し、その日の収入の可能性を達成できなくなります。 もし彼らが高すぎる数字を選択した場合、彼らは「昨日のニュース」にとらわれてしまい、早朝の投機的投資の一部を失う危険性があります。
ユニットごとの超過ペナルティと不足ペナルティを計算するには、予測する項目ごとにいくつかのデータが必要です。 ビジネス ニーズに応じて、データを品目と場所のペア、品目と顧客のペア、またはその他の組み合わせとして指定することで、複雑さを増すこともできます。
- アイテムの予想販売額。
- 商品の購入または製造にかかるすべての商品のコスト。
- 売れなかった場合、商品を在庫に保管するためにかかる推定保管コスト。
- 売れなかった場合のアイテムの残存価値。 非常に傷みやすい場合は、残存価額がゼロに近づき、元の商品投資原価が完全に失われる可能性があります。 保存安定している場合、保管され、経年劣化する可能性のある品目の性質に応じて、残存価値はその品目の予想販売価格を下回る可能性があります。
次の表は、既知の過去の期間で利用可能な予測ポイントの中から分位点がどのように自己選択されたかを示しています。 品目 3 の例を考えてみましょう。この品目では、前の期間に 1,578 個の実際の需要がありました。 p50 の推定値が 1,288 ユニットであれば供給不足になりますが、p90 の値が 2,578 ユニットであれば供給が過剰になるでしょう。 観察された分位数の中で、p70 値は最大 7,301 ドルの利益を生み出します。 これを知ると、p50 の値と比較して、p1,300 を選択すると、どのように 70 ドル近くのペナルティが発生するかがわかります。 これはほんの一例にすぎませんが、表内の各項目には固有のストーリーがあります。
ソリューションの概要
次の図は、提案されたワークフローを示しています。 初め、 AmazonSageMakerデータラングラー 時系列予測担当者によって生成されたバックテスト予測を使用します。 次に、バックテストの予測と既知の実績が項目ベースで財務メタデータと結合されます。 この時点で、SageMaker Data Wrangler 変換は、バックテスト予測を使用して、アイテムごとの過小予測と超過予測の単価を計算します。
SageMaker Data Wrangler は、単位予測を財務コンテキストに変換し、調査された分位数の中で最も高い利益をもたらす品目固有の分位数を自動的に選択します。 出力は表形式のデータセットで、Amazon S3 に保存され、概念的には前のセクションの表と似ています。
最後に、時系列予測機能を使用して、将来の期間の将来の日付の予測を生成します。 ここでは、選択された分位数に応じて、推論操作を実行するか、推論データに基づいて動作するかを選択することもできます。 これにより、計算コストを削減できると同時に、すべての項目を手動でレビューする負担も軽減されます。 社内の専門家は、カタログ内の何千ものアイテムに自動調整を適用できる一方で、価値の高いアイテムに集中する時間を増やすことができます。 考慮すべき点として、将来にはある程度の不確実性があります。 ただし、他のすべての条件が等しい場合、分位点を混合して選択すると、時系列セット全体の結果が最適化されるはずです。 AWS では、混合分位値選択で見つかった改善の程度を定量化するために XNUMX つのホールドバック予測サイクルを使用することをお勧めします。
導入を加速するためのソリューション ガイダンス
この投稿で説明した分位数選択ソリューションを再作成して独自のデータセットに適応させたい場合は、開始するための合成サンプル データセットとサンプル SageMaker Data Wrangler フロー ファイルが提供されます。 GitHubの。 実践的な体験全体を完了するには XNUMX 時間もかかりません。
市場投入までの時間を短縮するために、この投稿とサンプル ソリューション ガイダンスを提供します。 特定の分位数を推奨するための主な実現要因は、ML ユースケース用のデータの準備にかかる時間を短縮することを目的とした専用の AWS サービスである SageMaker Data Wrangler です。 SageMaker Data Wrangler は、データ変換を設計し、データを分析し、特徴量エンジニアリングを実行するためのビジュアル インターフェイスを提供します。
SageMaker Data Wrangler を初めて使用する場合は、以下を参照してください。 データラングラーの使用を開始する サービスを開始する方法を理解する Amazon SageMakerスタジオ。 独立して、私たちは以上のものを持っています 150件のブログ投稿 これは、サービスによって処理されるさまざまなサンプル データ変換を発見するのに役立ちます。
まとめ
この投稿では、分位回帰によって時系列予測における複数のビジネス上の意思決定ポイントがどのように可能になるかについて説明しました。 また、過剰予測と過小予測に関連する不均衡なコストのペナルティについても説明しました。供給不足が顧客との信用を失う可能性があることは言うまでもなく、供給不足のペナルティは、供給過剰のペナルティの数倍であることがよくあります。
この投稿では、組織が各品目の供給コストの過剰および供給不足を考慮して複数の分位予測ポイントを評価し、将来の期間に最大の利益をもたらす可能性が高い分位を自動的に選択する方法について説明しました。 ビジネス ルールで動的な分位数ではなく固定分位数が必要な場合は、必要に応じて選択をオーバーライドできます。
このプロセスは、予測された各項目に手動で判断を適用する必要があるという煩雑さを排除しながら、ビジネスおよび財務上の目標を達成できるように設計されています。 SageMaker Data Wrangler は、現実世界のデータの変化に応じて分位点の選択を動的に行う必要があるため、プロセスの継続的な実行を支援します。
分位数の選択は XNUMX 回限りのイベントではないことに注意してください。 このプロセスは、商品原価の上昇、インフレ、季節調整、新製品の導入、消費者需要の変化などを含む変化を考慮して、各予測サイクル中にも評価する必要があります。 提案された最適化プロセスは、モデル トレーニング ステップと呼ばれる、時系列モデル生成の後に配置されます。 分位点の選択は、推論ステップと呼ばれることもある将来予測生成ステップで行われ、使用されます。
この投稿についてご質問がある場合、または組織固有のニーズについてさらに詳しく知りたい場合は、AWS アカウントチームまたは AWS ソリューションアーキテクトにお問い合わせいただくか、サポートセンターで新しいケースを開いてください。
参考文献
- デヨング、GD (2020)。 価格設定のニュースベンダー: レビューと拡張機能。 国際生産研究ジャーナル、58(6)、1776–1804。
- リュー、C.、レッチフォード、AN、およびスヴェトゥンコフ、I. (2022)。 ニュースベンダーの問題: 推定と最適化のための統合された方法。 European Journal of Operational Research、300(2)、590–601。
- プニア、S.、シン、SP、マダン、JK (2020)。 予測分析から処方分析へ: データ駆動型の複数アイテムのニュースベンダー モデル。 意思決定支援システム、136.
- JR トラペロ、M カルドス、N コウレンツェス (2019)。 安全在庫の推定を強化するための分位予測の最適な組み合わせ。 国際予測ジャーナル、35(1)、239–250。
- ホワイティン、TM (1955)。 在庫管理と価格理論。 経営科学2 61–68。
著者について
チャールズ・ラフリン 主任 AI/ML スペシャリスト ソリューション アーキテクトであり、AWS の Amazon SageMaker サービス チームで働いています。 彼はサービスロードマップの形成を支援し、さまざまな AWS 顧客と日々協力して、最先端の AWS テクノロジーとソートリーダーシップを活用してビジネスの変革を支援しています。 チャールズはサプライチェーン管理の修士号と博士号を取得しています。 データサイエンスの博士号を取得しました。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/beyond-forecasting-the-delicate-balance-of-serving-customers-and-growing-your-business/
- :持っている
- :は
- :not
- :どこ
- ][p
- 1
- 10
- 100
- 2019
- 2020
- 2022
- 420
- 7
- 視聴者の38%が
- a
- 私たちについて
- 上記の.
- 加速する
- 受け入れ
- 従った
- 精度
- 正確な
- 達成
- 取得する
- 行為
- 適応する
- 添加
- 住所
- 対処する
- 調整
- アドバイス
- 後
- に対して
- 歳
- 先んじて
- AI / ML
- アルゴリズム
- すべて
- 許す
- ことができます
- 並んで
- また
- しかし
- Amazon
- アマゾンセージメーカー
- Amazon SageMaker キャンバス
- Amazon Webサービス
- 間で
- 量
- an
- 分析論
- 分析します
- および
- 別の
- どれか
- どこにでも
- 適用された
- 申し込む
- アプローチ
- アプローチ
- 約
- です
- 整えられた
- AS
- さておき
- 関連する
- At
- オートマチック
- 自動的に
- 利用できます
- 平均
- 避ける
- AWS
- バック
- バックテスト
- 貸借対照表
- バランスシート
- ベース
- 基礎
- BE
- なぜなら
- になる
- になる
- き
- さ
- 以下
- BEST
- の間に
- 越えて
- バイアス
- ブログ
- ボトム
- ブランド
- 広い
- 内蔵
- 負担
- ビジネス
- ビジネス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- by
- 呼ばれます
- コール
- 缶
- キャンバス
- 機能
- 実施
- 携帯
- 場合
- 例
- 現金
- カタログ
- 原因となる
- センター
- 中心の
- チェーン
- チャンス
- 変更
- 変化
- チャールズ
- 選択
- 選択肢
- 選択する
- 選択する
- 選んだ
- 選ばれた
- 組み合わせ
- 組み合わせ
- コマンドと
- 企業
- 会社
- 比べ
- コンプリート
- 複雑さ
- 複雑な
- 計算
- 概念的に
- 意識
- 検討
- 考慮
- からなる
- 制約
- consumer
- コンテキスト
- コントロール
- 逆に
- 変換
- 変換
- 基本
- 正しい
- 費用
- コスト
- 可能性
- 結合しました
- 作ります
- 作成
- 重大な
- 顧客
- 顧客サービス
- Customers
- 最先端
- サイクル
- サイクル
- daily
- データ
- データサイエンス
- データ駆動型の
- 中
- 決めます
- 決定
- 決定
- 深いです
- より深い
- デフォルト
- 度
- 配信する
- 需要
- 需要予測
- 需要
- 実証
- 実証
- によっては
- 説明する
- 設計
- 設計
- 慾望
- 詳細
- 細部
- 決定
- 発展した
- 期待はずれの
- 発見する
- 話し合います
- 議論する
- ダイビング
- 異なる
- do
- そうではありません
- ドメイン
- ダウン
- ドライブ
- 原因
- 間に
- ダイナミック
- 各
- 早い
- 簡単に
- 効果的に
- 効果
- 効率良く
- イネイブラー
- 可能
- end
- エンジニアリング
- 高めます
- 確保
- 全体
- 等しい
- 特に
- 推定
- 欧州言語
- 評価する
- 評価
- イベント
- あらゆる
- 調べる
- 例
- 例
- 超えます
- 過剰
- 存在
- 予想される
- 体験
- エキスパート
- 専門家
- 表現
- エクステンション
- 秋
- 速いです
- 特徴
- 少数の
- より少ない
- フィールド
- フィギュア
- File
- ファイナンシャル
- 財務目標
- もう完成させ、ワークスペースに掲示しましたか?
- 名
- フィット
- 五
- 固定の
- フロー
- フォーカス
- 続いて
- フォロー中
- 予想
- 予想
- フォーム
- 式
- 育てる
- 発見
- 無料版
- 摩擦
- から
- フル
- さらに
- 未来
- 先物
- 生成する
- 生成された
- 世代
- 地理的に
- 取得する
- 与えられた
- グルーオン
- 目標
- 良い
- 商品
- のれん
- グリーン
- 成長
- ガイダンス
- 持っていました
- 実践的な
- 持ってる
- 持って
- he
- ヒーロー
- 助けます
- ことができます
- こちら
- ハイ
- より高い
- 最高
- 非常に
- 歴史的
- 歴史的
- 開催
- 保持している
- 地平線
- 地平
- 時間
- 認定条件
- How To
- しかしながら
- HTML
- HTTPS
- i
- アイデア
- アイドル
- if
- 説明する
- 不均衡
- 即時の
- 改善
- in
- include
- 含まれました
- 含めて
- 所得
- 増える
- 増加した
- 単独で
- インフレ
- 知らせます
- 情報
- 初期
- 無形
- 統合された
- 興味深い
- インタフェース
- 世界全体
- 解釈
- に
- 概要
- インベントリー
- 調べる
- 投資
- インベストメント
- IT
- リーディングシート
- 参加した
- ジャーナル
- 旅
- 知っている
- 知っている
- 既知の
- 姓
- 起動する
- つながる
- リーダーシップ
- リード
- 学習
- 最低
- 残す
- less
- ような
- 可能性が高い
- 限定的
- LINE
- 物流
- 長期的
- 負け
- 損失
- ロー
- 下側
- 機械
- 機械学習
- 製
- メイン
- make
- 管理
- 方法
- マニュアル
- 手動で
- メーカー
- 多くの
- 市場
- マッチ
- 最大化
- 五月..
- 意味する
- 意味
- 手段
- 意味した
- だけど
- 大会
- 方法
- メソッド
- メトリック
- ミッション
- 混合
- ML
- モデル
- モダン
- 他には?
- 朝
- 最も
- 移動する
- 移動平均
- の試合に
- しなければなりません
- 持っている必要があります
- 名前付き
- 自然
- ナビゲート
- 近く
- 必要
- 必要
- 必要とされる
- ニーズ
- 新作
- 新製品
- ニュース
- 新聞
- 次の
- 注意
- 今
- 数
- 観察する
- of
- 提供
- オファー
- 頻繁に
- on
- ONE
- 継続
- の
- 開いた
- オープンソース
- オープンソースソフトウェア
- 操作する
- 操作
- オペレーショナル
- 業務執行統括
- 最適な
- 最適化
- 最適化
- or
- 受注
- 一般
- 組織の
- 組織
- オリジナル
- その他
- 私たちの
- でる
- 成果
- 出力
- が
- 全体
- オーバーライド
- オーバーストック
- 自分の
- パッケージ
- ペア
- 部
- パートナー
- 部品
- 過去
- 以下のために
- 実行する
- 期間
- 期間
- 視点
- ピース
- 計画
- 計画
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- お願いします
- ポイント
- ポイント
- 配置された
- 可能
- ポスト
- 潜在的な
- :
- 予測
- 予測
- 好む
- 準備
- 防ぐ
- 前
- 前に
- ブランド
- 価格設定
- 主要な
- 校長
- 事前の
- 問題
- 問題
- プロセス
- 作り出す
- 生産された
- 生産する
- プロダクト
- 生産
- 製品
- 利益
- 利益
- 提案された
- 提供します
- は、大阪で
- 購入
- 追求する
- 質問
- 質問
- クイック
- R
- 範囲
- まれに
- 価格表
- むしろ
- リーチ
- リアル
- 現実の世界
- 実現
- 理由
- 最近
- 推薦する
- レッド
- 減らします
- 参照する
- 言及
- 相対
- 頼る
- 残り
- 除去
- 研究
- リソースを追加する。
- リソース
- それらの
- 結果
- 結果として
- 小売
- 小売業者
- 小売業者
- レビュー
- リスク
- ロードマップ
- ルール
- ラン
- ランニング
- s
- 安全性
- セージメーカー
- セールス
- 同じ
- シナリオ
- SCI
- 科学
- 季節の
- セクション
- セクション
- 求める
- 選択
- 選択
- 売る
- 販売
- シリーズ
- 役立つ
- サービス
- サービス
- サービング
- セッションに
- いくつかの
- 形状
- シェアする
- シート
- 棚
- シフト
- 買い物客
- 短期
- すべき
- 表示する
- 示す
- 作品
- 同様の
- So
- ソフトウェア
- 売ら
- 溶液
- ソリューション
- 一部
- 専門家
- 特定の
- 投機的な
- 正方形
- 安定した
- ステークホルダー
- 開始
- 最先端の
- 統計的
- 手順
- ステップ
- 株式
- ストレージ利用料
- 保存され
- ストーリー
- ストレート
- 作戦
- 戦略
- 研究
- 成功した
- 供給
- 需要と供給
- サプライチェーン
- サプライチェーンマネジメント
- サポート
- サポートシステム
- サポート
- 黒字
- 合成
- システム
- テーブル
- 取る
- 取り
- タスク
- チーム
- テクノロジー
- 言う
- より
- それ
- 未来
- アプリ環境に合わせて
- それら
- 理論
- そこ。
- ボーマン
- 彼ら
- 物事
- 考える
- この
- それらの
- 考え
- 思考リーダーシップ
- 数千
- 三
- 介して
- 時間
- 時系列
- 〜へ
- あまりに
- 厳しい
- に向かって
- トレーディング
- トレーニング
- 最適化の適用
- 変換
- true
- 本当の価値
- 2
- 一般的に
- 最終的に
- 不確かな
- 不確実性
- 下
- わかる
- ユニーク
- 単位
- ユニット
- まで
- つかいます
- 中古
- 値
- 価値観
- 多様
- 詳しく見る
- 欲しいです
- ました
- 仕方..
- we
- ウェブ
- Webサービス
- WELL
- した
- どのような
- いつ
- たびに
- 一方
- かどうか
- which
- while
- 誰
- ワイド
- 広い範囲
- 意志
- 以内
- 無し
- ワークフロー
- 作品
- でしょう
- You
- あなたの
- ゼファーネット
- ゼロ