Amazon Forecast 完全ガイド v2.0（2026年最新対応）

時系列予測 AutoML で需要・売上・トラフィック完全予測

Amazon Forecast は、「時系列データ（需要・売上・エネルギー消費・Web トラフィック等）の自動予測を ML で実現するフルマネージドサービス」 である。Amazon.com の時系列予測技術を基盤に、AutoML で最適なアルゴリズム（DeepAR+・Prophet・NPTS・ETS・ARIMA）を自動選択し、小売・流通・エネルギー・SaaS の事業計画を支援する。2026 年現在、新規顧客受け入れ終了・廃止予定が発表されているが、既存ユーザーは継続利用可能。

目次

1. ドキュメントメタデータ
2. 概要と課題
3. このサービスを選ぶ理由
4. アーキテクチャと設計原則
5. コアコンポーネント
6. 主要ユースケース
7. 設定・操作の具体例
8. 類似サービス比較表
9. ベストプラクティス
10. トラブルシューティング表
11. 2025-2026 最新動向
12. 学習リソース・参考文献
13. 実装例・チェックリスト
14. まとめ

ドキュメントメタデータ

• 最終更新: 2026-04-27
• バージョン: v2.0
• 対象者: Demand Planner、Supply Chain Manager、Finance Manager、Data Scientist
• 難易度: 初級～中級
• 関連サービス: SageMaker Canvas、Lookout for Metrics、DynamoDB、S3、QuickSight
• 廃止・変更予定: 新規顧客受け入れ終了。SageMaker Canvas への移行推奨

概要と課題

本質

Amazon Forecast は 「時系列の需要・売上・消費量・トラフィックを ML で自動予測し、インベントリ・リソース計画の意思決定を支援するサービス」 である。以下を実現する：

• AutoML アルゴリズム選択：複数の統計・機械学習モデルから最適なものを自動検出
• 関連変数統合：価格・プロモーション・天候・曜日等を組み込んだ高精度予測
• 確率的予測：単一予測値でなく、P10/P50/P90 分位数で不確実性を定量化
• バックテスト機能：過去データで予測精度を事前検証

従来の課題

Amazon Forecast が提供する解決策

✅ AutoML で最適アルゴリズム自動選択：データサイエンティスト不要
✅ 関連変数統合：価格・プロモーション・天候を予測精度向上に活用
✅ 確率的予測（分位数）：P10/P50/P90 で不確実性を定量化、リスク管理
✅ 高精度予測：Amazon.com と同じ技術で MAPE 15～25% 達成可能
✅ バックテスト：過去データで精度事前検証、信頼度向上
✅ 複数予測対応：SKU × 店舗 × 日単位（数万時系列）を同時予測

このサービスを選ぶ理由

なぜ Amazon Forecast なのか？

1. 需要予測精度の劇的向上

   • 従来（Excel 手作業）：MAPE 30～50%（大外れ頻発）
   • Amazon Forecast：MAPE 15～25%（ほぼ確度）
   • 結果：在庫 20% 削減・売上 3～5% 向上

2. 意思決定の高速化

   • データアップロード → 予測生成まで 数時間（従来は数日～数週間）
   • 月次・週次での予測更新が可能

3. SKU × 店舗の多次元予測

   • 数千 SKU × 数百店舗 = 数百万時系列を 自動並列実行
   • Excel では物理的に不可能

4. 外部変数の統合

   • 価格・プロモーション・天候・祝日を予測に組み込み
   • ARIMA のみでは捉えられない変動を説明

5. 確率的予測で不確実性を定量化

   • 単一予測値（50 個）ではなく、楽観（90 個）・悲観（30 個）を算出
   • リスク管理・在庫戦略の精密設計

このサービスを選ばない理由

• 時系列予測不要：売上が安定している / 季節性なし
• すでに ML 予測モデル保有：カスタマイズ度高い場合
• リアルタイム予測要件：バッチ処理の遅延許容不可（Forecast は非リアルタイム）

アーキテクチャと設計原則

全体構成図（Mermaid 1）

graph TB
    subgraph DataSources["Data Sources"]
        DynamoDB["DynamoDB<br/>(Time-Series Events)"]
        S3["S3<br/>(CSV / Parquet)"]
        API["External APIs<br/>(Weather / Holiday)"]
    end
    
    subgraph DataPrep["Data Preparation"]
        DatasetGroup["Dataset Group<br/>(Target / Related / Metadata)"]
        Aggregation["Time Aggregation<br/>(Daily / Weekly / Monthly)"]
    end
    
    subgraph Training["Model Training"]
        AutoML["AutoML<br/>(Algorithm Selection)"]
        Algorithms["Algorithms<br/>(DeepAR+ / Prophet / NPTS)"]
        Backtest["Backtesting<br/>(Accuracy Metrics)"]
    end
    
    subgraph Inference["Forecasting"]
        Predictor["Predictor<br/>(Trained Model)"]
        Forecast["Forecast<br/>(Time Series Output)"]
        Quantiles["Quantiles<br/>(P10 / P50 / P90)"]
    end
    
    subgraph Application["Business Applications"]
        Inventory["Inventory Planning<br/>(Min / Max Stock)"]
        Budget["Budget Planning<br/>(Revenue Forecast)"]
        Capacity["Capacity Planning<br/>(Server / Staff)"]
        Reports["Reports & Dashboards<br/>(QuickSight)"]
    end
    
    DynamoDB --> DatasetGroup
    S3 --> DatasetGroup
    API --> DatasetGroup
    
    DatasetGroup --> Aggregation
    Aggregation --> AutoML
    AutoML --> Algorithms
    Algorithms --> Backtest
    
    Backtest --> Predictor
    Predictor --> Forecast
    Forecast --> Quantiles
    
    Quantiles --> Inventory
    Quantiles --> Budget
    Quantiles --> Capacity
    Quantiles --> Reports

コアコンポーネント

1. Dataset Group（データセット）

役割：時系列予測に必要な複数のデータセットを統合管理

構成要素：

フォーマット（CSV）：

timestamp,item_id,demand
2025-01-01,SKU-001,100
2025-01-01,SKU-002,250
2025-01-02,SKU-001,105
...

# Related Time Series
timestamp,item_id,price,promo_flag
2025-01-01,SKU-001,1000,0
2025-01-01,SKU-002,500,1
...

2. Predictor（予測モデル）

役割：AutoML で最適アルゴリズムを選択し、学習したモデル

提供アルゴリズム：

3. Forecast（予測結果）

役割：Predictor が生成した将来の予測値

含む情報：

• 予測値：各時点・各商品の需要予測
• 分位数：P10（悲観）/ P50（中央値）/ P90（楽観）
• 信頼区間：予測の不確実性を定量化

例：

item_id | date       | mean   | p10 | p50 | p90
--------|------------|--------|-----|-----|-----
SKU-001 | 2025-02-01 | 110    | 95  | 110 | 130
SKU-001 | 2025-02-02 | 115    | 98  | 115 | 135
SKU-002 | 2025-02-01 | 260    | 220 | 260 | 310

4. Backtesting（後付けテスト）

役割：過去データを使ってモデルの精度を事前検証

仕組み：

学習データ: 2023年 1月～2024年 12月
テストウィンドウ: 2024年 12月（予測対象期間）

処理：
  1. 2023-2024年 1月～11月で学習
  2. 2024年 12月を予測 → 実際値と比較
  3. MAPE（平均絶対パーセント誤差）計算
  
結果：
  MAPE = 18% → 予測精度 82%

メトリクス：

• MAPE (Mean Absolute Percentage Error)：相対誤差
• RMSE (Root Mean Squared Error)：二乗平均誤差
• WAPE (Weighted Average Percentage Error)：加重平均誤差

5. Related Time Series Features（関連変数）

役割：価格・プロモーション・天候等の外部変数で予測精度向上

例：

• Price（価格）→ 需要は価格に反比例
• Promotion Flag（プロモーション） → 需要急増
• Weather（天候） → 雨の日は傘需要↑ / 来客↓
• Day of Week（曜日） → 金曜は売上↑ / 日曜↓
• Holiday（祝日） → 連休は売上パターン特殊
• Stock Level（在庫） → 在庫切れ → 販売不可

主要ユースケース

1. 小売業の SKU × 店舗需要予測

シナリオ：全国 300 店舗 × 5,000 SKU の週次需要予測

データセット構成：
  Target Time Series: 300店 × 5000SKU × 104週 = 156M データポイント
  Related Variables: 価格・プロモーション・曜日
  Metadata: SKU カテゴリー・店舗地域・売上規模

Forecast 実行：
  1. Dataset Group 作成
  2. AutoPredictor で最適アルゴリズム選択（DeepAR+）
  3. 学習：全データを使用（数分～数時間）
  4. 予測生成：4 週間先の需要を全 SKU × 全店舗で生成
  5. バックテスト：精度 MAPE=18% 確認

成果：
  ✅ 在庫削減 20%（過剰在庫削減）
  ✅ 欠品率低下 5% → 0.5%（売上機会向上）
  ✅ 発注計画の自動化（手作業 50% 削減）

2. SaaS の月次解約率予測

シナリオ：SaaS 企業が顧客セグメント別の月次解約率を予測

顧客セグメント: Enterprise / MidMarket / SMB （計 30 セグメント）
予測対象: 月次解約顧客数
関連変数:
  ├── Support Ticket Count（サポートチケット数↑ = 満足度低）
  ├── Feature Usage（機能使用率↓ = リスク高）
  ├── NPS Score（顧客満足度）
  └── Pricing Change（料金値上げ）

予測精度: MAPE 12%（99% 信頼度）

活用:
  MRR（月次経常収益）予測 → 翌月の売上見通し
  Cohort Analysis → セグメント別の流出リスク検出
  早期アラート: NPS↓ & 使用率↓ → 営業チーム自動アサイン

3. エネルギー企業の電力需要予測

シナリオ：電力会社が時間単位の電力需要を予測

データ構成:
  時系列: 過去 2 年の 30 分間隔電力消費データ（数 GB）
  関連変数:
    ├── 気温（気温↑ → 冷房需要↑）
    ├── 湿度（不快指数）
    ├── 曜日（平日 vs 休日）
    └── 時間帯（ピーク時間帯特定）

Forecast 活用:
  1. 発電容量計画：予測需要に基づいた発電量決定
  2. リソース最適化：燃料・人員配置の効率化
  3. 卸売市場参加：翌日の電力卸値予測 → 売買戦略
  
精度向上:
  DeepAR+ で複雑な日内パターン・季節性を学習
  → MAPE 5%（業界標準より 3~4 倍高精度）

4. クラウドサービスの容量計画

シナリオ：AWS サービス利用者が API トラフィック予測で Auto Scaling を最適化

予測対象: API Request Count（時間単位）

従来（手動）:
  ├── Peak Time を経験則で決定（例：午前 9-11時）
  ├── 安全マージン 30% 上乗せ
  └── 結果：9割の時間帯でオーバープロビジョニング

Amazon Forecast 活用:
  ├── 時間・曜日・季節別の需要予測（P90 を上限に）
  ├── Auto Scaling ポリシーの動的調整
  └── 結果：
      • インスタンス数 25% 削減
      • コスト ¥100万/月 → ¥75万/月
      • SLA 維持（99.99%）

設定・操作の具体例

CLI ベースの操作

# 1. Dataset Group 作成
aws forecast create-dataset-group \
  --dataset-group-name "retail-demand" \
  --dataset-arns "arn:aws:forecast:ap-northeast-1:123456789012:dataset/target-ts" \
  --domain RETAIL \
  --region ap-northeast-1

# 2. Target Time Series Dataset 作成・インポート
aws forecast create-dataset \
  --dataset-name "target-time-series" \
  --domain RETAIL \
  --dataset-type TARGET_TIME_SERIES \
  --data-frequency D \
  --schema '{
    "Attributes": [
      {"AttributeName": "timestamp", "AttributeType": "timestamp"},
      {"AttributeName": "target_value", "AttributeType": "float"},
      {"AttributeName": "item_id", "AttributeType": "string"}
    ]
  }' \
  --region ap-northeast-1

# 3. データインポート
aws forecast create-dataset-import-job \
  --dataset-import-job-name "import-retail-demand" \
  --dataset-arn "arn:aws:forecast:ap-northeast-1:123456789012:dataset/target-ts" \
  --data-source "s3://my-forecast-bucket/retail-demand.csv" \
  --timestamp-format "yyyy-MM-dd" \
  --region ap-northeast-1

# 4. AutoPredictor 作成（学習）
aws forecast create-auto-predictor \
  --predictor-name "retail-demand-forecast" \
  --dataset-group-arn "arn:aws:forecast:ap-northeast-1:123456789012:dataset-group/retail-demand" \
  --forecast-horizon 28 \
  --forecast-types "[\"0.1\", \"0.5\", \"0.9\"]" \
  --region ap-northeast-1

# 5. 学習完了待機（確認）
aws forecast describe-auto-predictor \
  --predictor-arn "arn:aws:forecast:ap-northeast-1:123456789012:predictor/retail-demand-forecast" \
  --region ap-northeast-1 \
  --query 'PredictorStatus'

# 6. Forecast 生成
aws forecast create-forecast \
  --forecast-name "retail-demand-jan2026" \
  --predictor-arn "arn:aws:forecast:ap-northeast-1:123456789012:predictor/retail-demand-forecast" \
  --forecast-types "[\"0.1\", \"0.5\", \"0.9\"]" \
  --region ap-northeast-1

# 7. 予測結果取得
aws forecast query-forecast \
  --forecast-arn "arn:aws:forecast:ap-northeast-1:123456789012:forecast/retail-demand-jan2026" \
  --start-date "2026-02-01" \
  --end-date "2026-02-28" \
  --key-value "item_id=SKU-001" \
  --region ap-northeast-1

SDK ベースの操作（Python）

import boto3
import pandas as pd

forecast_client = boto3.client('forecast', region_name='ap-northeast-1')
s3_client = boto3.client('s3')

# Step 1: Dataset Group 作成
def create_dataset_group(dataset_group_name, dataset_arns):
    response = forecast_client.create_dataset_group(
        DatasetGroupName=dataset_group_name,
        DatasetArns=dataset_arns,
        Domain='RETAIL'
    )
    return response['DatasetGroupArn']

# Step 2: AutoPredictor 学習
def train_predictor(predictor_name, dataset_group_arn, forecast_horizon=28):
    response = forecast_client.create_auto_predictor(
        PredictorName=predictor_name,
        DatasetGroupArn=dataset_group_arn,
        ForecastHorizon=forecast_horizon,
        ForecastTypes=['0.1', '0.5', '0.9']
    )
    return response['PredictorArn']

# Step 3: Forecast 生成
def generate_forecast(forecast_name, predictor_arn):
    response = forecast_client.create_forecast(
        ForecastName=forecast_name,
        PredictorArn=predictor_arn,
        ForecastTypes=['0.1', '0.5', '0.9']
    )
    return response['ForecastArn']

# Step 4: 予測結果取得・分析
def get_forecast_results(forecast_arn, item_id):
    response = forecast_client.query_forecast(
        ForecastArn=forecast_arn,
        KeyValue=f'item_id={item_id}'
    )
    
    # DataFrame に変換
    df = pd.DataFrame(response['Forecast']['Predictions']['target_value'])
    return df

# 実行例
if __name__ == "__main__":
    # データセット作成
    dg_arn = create_dataset_group(
        'retail-forecast',
        ['arn:aws:forecast:...']
    )
    
    # モデル学習（5～15分程度）
    pred_arn = train_predictor(
        'retail-predictor',
        dg_arn
    )
    
    # Forecast 生成
    fc_arn = generate_forecast(
        'retail-forecast-2026',
        pred_arn
    )
    
    # 結果取得
    results = get_forecast_results(fc_arn, 'SKU-001')
    print(results)
    
    # CSV エクスポート
    results.to_csv('forecast_results.csv')

類似サービス比較表

ベストプラクティス

1. データ品質・準備

✅ 推奨：

• 最小 2 年分のデータ：季節性・トレンドを十分に捉える
• 欠損値対応：Forecast の前処理機能で自動補完
• 異常値検出：急激なスパイク・ドロップを検証
• 関連変数を活用：価格・プロモーション追加で精度向上

❌ アンチパターン：

• 1 年以下のデータ（季節性不足）
• 欠損値を 0 で埋める（需要 0 と区別困難）
• 関連変数なし（外部要因を見落とし）

2. 予測ホライズン・頻度

✅ 推奨：

• Forecast Horizon：実運用に合わせる（週次発注なら 7 日、月次なら 28 日）
• Data Frequency：細かいほど精度向上（日次 > 週次 > 月次）
• リトレーニング：月 1 回以上（最新データ反映）

❌ アンチパターン：

• Horizon を極端に長く設定（精度低下・外部変数効果減少）
• 低頻度データ（月次）で日次予測要求

3. 関連変数の選定

✅ 推奨：

• 重要度分析：因果関係が強い変数（価格・プロモーション）
• 時間ずれ考慮：プロモーション発表 → 実需の遅延ラグを考慮
• 外部データ統合：天候・祝日・イベントを追加

❌ アンチパターン：

• 無関係な変数追加（ノイズ増加）
• 因果関係を逆転（結果を原因と勘違い）

4. 予測結果の活用

✅ 推奨：

• 分位数活用：P50（基準在庫）・P90（安全在庫）で在庫戦略設計
• ダッシュボード化：QuickSight で可視化・ステークホルダー共有
• アラート設定：予測が過去と乖離したら人手で確認

❌ アンチパターン：

• P50 だけで発注（リスク管理なし）
• 予測を無条件で信頼（市場変化への対応遅延）

トラブルシューティング表

2025-2026 最新動向

1. 新規顧客受け入れ終了・廃止予定

詳細：Amazon Forecast は既存顧客向けのみ継続。新規顧客は SageMaker Canvas への移行を推奨

移行パス：

• Forecast ユーザー → SageMaker Canvas（ノーコード時系列予測）
• より高度なカスタマイズ必要 → SageMaker（フルコード）

2. SageMaker Canvas での時系列予測強化

2026 年計画：

• Canvas での時系列予測ノーコード UI 拡張
• Forecast 相当のアルゴリズム搭載
• 移行を容易に

3. 他の AWS サービス統合強化

既に実装：

• QuickSight 統合：Forecast 結果を QuickSight で可視化
• EventBridge：リトレーニング自動トリガー
• S3 + Athena：大規模時系列データ管理

学習リソース・参考文献

公式ドキュメント

コミュニティ

実装例・チェックリスト

実装例：小売需要予測エンドツーエンド

#!/bin/bash
# Amazon Forecast - Complete Retail Demand Forecasting Setup

set -e

REGION="ap-northeast-1"
BUCKET="my-forecast-bucket"
DATASET_GROUP="retail-demand-forecast"

echo "=== Amazon Forecast Retail Demand Setup ==="

# Step 1: S3 バケット作成
echo "[1/5] S3 バケット作成..."
aws s3 mb s3://${BUCKET} --region ${REGION} || echo "Bucket already exists"

# Step 2: 学習データアップロード
echo "[2/5] 学習データアップロード..."
aws s3 cp retail_demand.csv s3://${BUCKET}/data/

# Step 3: Dataset Group 作成
echo "[3/5] Dataset Group 作成..."
aws forecast create-dataset-group \
  --dataset-group-name ${DATASET_GROUP} \
  --domain RETAIL \
  --region ${REGION}

# Step 4: Target Time Series Dataset 作成
echo "[4/5] Dataset 作成・インポート..."
DATASET_ARN=$(aws forecast create-dataset \
  --dataset-name "retail-target-ts" \
  --domain RETAIL \
  --dataset-type TARGET_TIME_SERIES \
  --data-frequency D \
  --schema '{
    "Attributes": [
      {"AttributeName": "timestamp", "AttributeType": "timestamp"},
      {"AttributeName": "target_value", "AttributeType": "float"},
      {"AttributeName": "item_id", "AttributeType": "string"}
    ]
  }' \
  --region ${REGION} \
  --query 'DatasetArn' --output text)

# Step 5: AutoPredictor 学習開始
echo "[5/5] AutoPredictor 学習開始（10～20分）..."
aws forecast create-auto-predictor \
  --predictor-name "retail-auto-predictor" \
  --dataset-group-arn "arn:aws:forecast:${REGION}:...:dataset-group/${DATASET_GROUP}" \
  --forecast-horizon 28 \
  --region ${REGION}

echo "=== セットアップ完了 ==="
echo "次ステップ："
echo "  1. AutoPredictor 完了待機"
echo "  2. Forecast 生成"
echo "  3. 予測結果をアプリケーションに統合"

予測導入チェックリスト

• [ ] データ準備

  • [ ] 過去 2 年以上のデータ収集
  • [ ] タイムスタンプ・値の形式統一
  • [ ] 欠損値・異常値対応

• [ ] 関連変数選定

  • [ ] 需要に影響する変数抽出（価格・プロモーション等）
  • [ ] 因果関係検証
  • [ ] 時間ずれ（ラグ）考慮

• [ ] Forecast セットアップ

  • [ ] Dataset Group 作成
  • [ ] データインポート
  • [ ] AutoPredictor 学習実行

• [ ] 精度検証

  • [ ] バックテスト MAPE 確認（目標 20%以下）
  • [ ] 過去データでの予測一致性確認
  • [ ] ドメイン知識者による妥当性検証

• [ ] 運用体制

  • [ ] 月次リトレーニングスケジュール
  • [ ] ダッシュボード構築（QuickSight）
  • [ ] 予測外れ時の対応手順

まとめ

Amazon Forecast は 「時系列データの需要・売上・トラフィック予測を AutoML で自動化し、ビジネス意思決定を支援するサービス」 である。

主な価値

1. 予測精度向上：手作業 MAPE 30～50% → Forecast MAPE 15～25%
2. 自動化: データサイエンティスト不要、数時間で予測完成
3. 大規模並列予測：数百万の時系列を同時処理
4. 確率的予測：P10/P50/P90 で不確実性を定量化
5. ROI 確実：在庫削減 20%・売上向上 3～5%・コスト削減 15～20%

注意点

• 新規顧客受け入れ終了予定：SageMaker Canvas への移行推奨
• 最小データ量：2 年以上必要
• 非リアルタイム：バッチ処理・数時間待機が必要

適用判定

✅ 使うべき：

• 小売・流通（在庫計画）
• SaaS（月次予測）
• エネルギー・ユーティリティ
• 金融・予算計画

❌ 不要：

• リアルタイム予測
• 需要が安定している

最終更新：2026-04-27
バージョン：v2.0