---
title: 20261120_DataScience&amp;DataEngineering MeetUp#3_需要予測ハンズオン
tags: 
author: [Masahide TAKASUKA](https://www.docswell.com/user/3324212129)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/47ZPVZ49E3.jpg?width=480
description: 2026/11/20(火) 18:30 〜 21:00 開催 DataScience&amp;DataEngineering MeetUp #3 https://techplay.jp/event/995155  ハンズオン用ソースコード https://github.com/takimiko-gohan/snowvillage-dsde-3-handson
published: November 17, 26
canonical: https://www.docswell.com/s/3324212129/K3JWDM-2026-11-17-215142
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/47ZPVZ49E3.jpg)

HANDS-ON ／ 40 MIN
需要予測
ハンズオン
SQL の ML関数から、全店グローバルモデルまで
Snowflake Notebook ／ 東京23区 × 架空のベーカリーチェーン
SnowVillage DataScience&amp;DataEngineering支部 運営一同
高須賀 将秀、児玉 蓮、滝川 皇、鷹 輝政、谷口 翔、角田 克磨
ハンズオン用ソースコード


# Page. 2

![Page Image](https://bcdn.docswell.com/page/YJ6M5Z3D7V.jpg)

全体説明
同じ売上データを、2つの深さで予測する
5分
20分
15分
全体説明
① ML関数
② グローバルモデル
題材とデータ
SQL だけで
Python で
準備セルの実行
売上予測と異常検知
全店を1つのモデルに
2


# Page. 3

![Page Image](https://bcdn.docswell.com/page/GJ5ZYWL8E4.jpg)

題材
架空のチェーン「SNOW BAKERY」
東京23区に約100店。店ごと・毎日の売上を予測します
駅ナカ
駅前
住宅街
乗降客数の多い駅の構内
駅から 80〜250m
駅から 600m 以上
3


# Page. 4

![Page Image](https://bcdn.docswell.com/page/LE3954LGE5.jpg)

データ
実データの上に、売上を合成
実データ
合成データ（架空）
• 駅の位置・乗降客数
• 店舗
• 500m メッシュの人口
• 毎日の売上
• 23区の境界・鉄道路線
• 販促
• 祝日
• 天気
国土交通省「国土数値情報」・内閣府
店の位置と売上の大きさは、左の実データから決めています
4


# Page. 5

![Page Image](https://bcdn.docswell.com/page/8EDGDQNNEG.jpg)

いま実行してください
「0. 準備」のセルを上から順に
1
ノートブック 01_forecast_ml_functions を開く
2
「0. 準備」の4セルを実行（約1分）
3
「データ準備が完了しました」が出れば OK
5


# Page. 6

![Page Image](https://bcdn.docswell.com/page/V7P3XL5NJ8.jpg)

ハンズオン① ／ 20分
SQL だけで
需要予測
FORECAST と ANOMALY_DETECTION を体験する


# Page. 7

![Page Image](https://bcdn.docswell.com/page/2JV4LQPY7Q.jpg)

ハンズオン①
ML関数は、どれも同じ3ステップ
1. 表を用意
2. CREATE で学習
3. ! で予測
学習用のビュー
CREATE SNOWFLAKE.ML.
モデル名
（今日は準備済み）
FORECAST ...
!FORECAST(...)
モデルもデータも Snowflake の中。Python は書きません
7


# Page. 8

![Page Image](https://bcdn.docswell.com/page/5EG1XWPWJL.jpg)

ハンズオン① ／ FORECAST
12店の今月の売上を、日ごとに予測
売上と一緒に渡す情報
CREATE SNOWFLAKE.ML.FORECAST
販促
祝日
年末年始・お盆
SALES_FORECAST(
INPUT_DATA =&gt; ...FC_TRAIN,
気温
降水量
SERIES_COLNAME =&gt; &#039;STORE_ID&#039;,
TIMESTAMP_COLNAME =&gt; &#039;TS&#039;,
TARGET_COLNAME =&gt; &#039;SALES&#039;);
見るもの：実績と予測のグラフ
誤差率（WAPE）・効いた要因
8


# Page. 9

![Page Image](https://bcdn.docswell.com/page/4JQD832Q7P.jpg)

ハンズオン① ／ ANOMALY_DETECTION
「いつもと違う日」を自動で見つける
学習：1年分で「ふつうの範囲」を覚える
検知：直近2か月
対象：既存店の売上合計（祝日・販促・天気も一緒に渡す）
直近2か月に、ある出来事を仕込みました
9


# Page. 10

![Page Image](https://bcdn.docswell.com/page/K74Z21LYE1.jpg)

ハンズオン① ／ まとめ
表を用意 → CREATE → ! で予測
やったこと
ML関数
予測で呼ぶもの
店ごとに売上を予測
FORECAST
!FORECAST
いつもと違う日を検知
ANOMALY_DETECTION
!DETECT_ANOMALIES
次は、FORECAST では難しい「履歴のない新店」へ
10


# Page. 11

![Page Image](https://bcdn.docswell.com/page/LJ1RMGLNJG.jpg)

ハンズオン② ／ 15分
全店を
1つのモデルで
XGBoost のグローバルモデルで需要予測


# Page. 12

![Page Image](https://bcdn.docswell.com/page/GJW13KQME2.jpg)

ハンズオン②
FORECAST との違い
FORECAST（①）
グローバルモデル（②）
学習の単位
店ごと
全店で1つ
新店・開業予定店
履歴が必要
似た店から学ぶ
使える情報
日ごとの外生変数
＋店の属性（乗降客数・人口）
検証
学習時の評価
期間をずらしたバックテスト
運用
SQL で作って使う
Registry 経由で SQL から
12


# Page. 13

![Page Image](https://bcdn.docswell.com/page/4EZPVZWMJ3.jpg)

ハンズオン② ／ 特徴量
予測する時点で分かる値だけを使う
過去の売上（ここまでは分かる）
予測する1か月
予測する時点 ▲
使わない
使う
昨日・先週の売上（1か月先を予測する時点では
まだ分からない）
35日以上前の売上、カレンダー、天気、立地
13


# Page. 14

![Page Image](https://bcdn.docswell.com/page/Y76M5ZG5EV.jpg)

ハンズオン② ／ 検証
期間をずらして4回テストする
1回目
学習
2回目
学習
3回目
学習
4回目
学習
テスト
テスト
テスト
テスト
比べる相手：ベースライン（5〜8週前の同じ曜日の平均）と、①の FORECAST
4回目のテスト月は①と同じ月です
14


# Page. 15

![Page Image](https://bcdn.docswell.com/page/G75ZYWVGJ4.jpg)

ハンズオン② ／ 後半
新店を予測し、説明し、SQL で使う
新店
SHAP
Registry
開業直後の店も
予測できる？
降雨の影響は
業態で違う？
SQL から来月を予測
開業予定の店も
15


# Page. 16

![Page Image](https://bcdn.docswell.com/page/9J2RGQ3D7R.jpg)

おつかれさまでした
データについて
後片付け
店舗・売上・販促・天気は架空のデータです。
DROP DATABASE DF_HANDSON;
実際の消費行動を表すものではありません
出典：国土交通省「国土数値情報」（駅別乗降客数・鉄道・行政区域・500mメッシュ別将来推計人口）を加工して作成／内閣府「国民の祝日」


