需要予測とは？基本の手法や目的、製造業で活用できるシステムの種類などを解説

私たちが消費者として買い物をしている際、欲しいと思ったものが欠品していて手に入らなかったり、いつもの値段よりも値引きされていたりといった経験をしたことがある人は多いのではないでしょうか。

こうした現象は、製品を作って販売する上で、正確な需要を予測できなかったからだと言えます。

製品を作って販売するためには、調達、製造、物流、販売などのプロセスにおいて、調達量や生産量を最適化させ、欠品と過剰在庫を防止する必要があります。

そこで必要となってくるのが、「需要予測」です。

需要予測とは？

需要予測とは、将来における需要を予測するプロセスのことを指します。

以前、生産管理について説明した記事を書きましたが、この冒頭で書かれている生産管理を実行するためには、需要予測の結果を反映させることも重要です。

参考記事：生産管理システムとは？導入プロセスやメリットをわかりやすく解説

製造業において需要予測が関わる領域

製品を作るには、原材料を調達し、複数の企業や工場で生産や加工をして販売する必要があります。そのため、需要予測が重要な役割を果たします。

製品を作って販売する企業からすると、欠品と過剰在庫をなるべく減らしたいわけですが、そのためには、必要なモノを必要な時に必要な数、必要な場所に供給しなければなりません。

これを実現するには、需要予測は必要不可欠です。

また、企業の営業とマーケティングの領域も、需要予測が重要であり、需要予測に影響を及ぼします。

営業部門は、繁忙期や閑散期に応じた交渉を直接顧客と行い、「品質」「価格」「納期」を調整しながら競合と差別化しています。

例えば、営業で短納期を謳いたいから在庫を多めに持っておくなど、需要を予測する上で高い関連性があります。

また、マーケティング部門では、販促活動や広告キャンペーンを最適なタイミングで実施するために需要予測が重要なほか、マーケティング施策を打ったことによる売れ行きの伸びも予測する必要があります。

こうした営業やマーケティング活動も需要予測に加味し、生産計画に落とし込む必要があります。

上述した「品質」「価格」「納期」はどれも重要ですが、トレードオフの関係でもあるため、良いバランスにするためにも需要予測が求められます。

需要予測を行う目的

需要予測を行う最大の目的は、企業の利益の最大化です。

利益を最大化させるためには、生産量や調達量を最適にして、欠品と過剰在庫の防止などを行う必要があり、これを実現するためには需要予測が不可欠なのです。

また、昨今、市場のニーズは複雑化しており、これまでの大量生産から、バリエーションが多い「多品種少量生産」や、カスタマイズ対応が求められる「変種変量生産」が主流となっています。

こうした「多品種少量生産」や「変種変量生産」を成立させながら利益を拡大していくためには、無駄のない効率的な生産が求められるため、需要予測がより重要になります。

また、生産拠点や販売拠点のグローバル化や、災害やパンデミックなどの予期せぬ事態へ対応するためにも、需要予測がますます注目されています。

さらに、サステナビリティの観点からも需要予測は重要です。製品が売れ残ってしまうと、無駄な輸送や処分するためのエネルギーを捻出することとなり、これに伴って二酸化炭素も排出することとなるため、企業にとってはダブルの損失となります。

需要予測のメリット

製造業においては、「品質」「価格」「納期」が重要な項目であると説明しましたが、需要予測をすることで、品質の向上に加え、コストや納期の最適化が見込めます。

品質の向上

需要を予測することで、適切な量の在庫を確保することができ、過剰在庫による品質劣化を防ぐことができます。特に、賞味期限や使用期限がある商品では、劣化リスクを抑えることができます。

また、需要に応じた生産計画を立てることができ、急な増産による品質低下や不良品の発生を防ぐことができます。

設備稼働率を適正化することができれば、現場に過度な負荷がかかることを防ぎ、安定した製造品質を維持できるでしょう。

価格の最適化（コスト削減）

欠品による機会損失や緊急発注、過剰在庫を減らすことで、結果的にコスト削減に繋げることができます。

ある程度信頼できる需要予測が行えるようになれば、必要な量だけ仕入れることができ、過剰在庫による保管コスト・廃棄コストを削減できます。

また、急な欠品による機会損失や緊急発注（高額なスポット仕入れ）を減らすことができれば、仕入れコストを抑えることが可能です。

さらに、仕入れ価格が変動する商品について、価格が安いタイミングで発注できるようになれば、さらにコストを削減できます。

例えば、原材料の価格変動を考慮し、適切な時期に仕入れることで、コストを最小限に抑えられます。

他にも、需要予測を活用することで、無駄な生産や輸送を減らし、人件費や運送コストを削減できます。

例えば、物流センターの業務量を事前に予測することで、適切な人員配置が可能になり、人件費を最適化することもできるでしょう。

納期の短縮

需要予測を行うことで、生産計画が最適化されれば、リードタイムを短縮することができます。特に、短納期が求められる製品においては大きな効果を発揮します。

また、需要予測を活用し、適切な量の在庫を戦略的に配置することができれば、注文後すぐに出荷できる体制を整えられます。これにより、即日配送や翌日配送の実現が可能になります。

需要予測によりサプライヤーとの調整を事前に行うことができれば、部品の供給遅延を防ぎ、納期の安定化につなげることができます。

需要予測の種類

需要予測にはさまざまなアプローチがあり、それぞれに特性があります。以下では、代表的な4つの需要予測の種類について解説します。

データ（過去のデータから統計的に予測する）

一つ目は、過去の販売データや市場データを基にして予測する方法です。この手法では、過去のトレンドや季節性、周期的な変動を分析し、未来の需要を予測します。代表的な手法として以下が挙げられます。

時系列分析

毎月の売り上げなど、連続した時間軸に沿った過去のデータを基に、時間の経過による変化を予測します。

需要の増減には、季節性やトレンドなど、一定の周期があることが多いため、同じパターンが再発すると仮定して将来の予測を行います。

具体的には、移動平均や指数平滑法などの手法が使われます。

回帰分析

需要を左右する天候、経済指標、キャンペーン効果などの複数の外部要因と、販売実績を基に予測します。

「晴れている日は売上が上がる」など、需要と関連する要因を特定し、それを数式化して需要を予測する方法です。

パターン認識

需要が増えるシーズンや特定の顧客グループなど、過去の需要のパターンを分析し、データの規則性や特徴を識別します。例えば、特定の季節やイベントに関連した需要の増加などです。

これらの手法は、過去のデータを基に予測を立てるため、実績に基づいた根拠があるのが利点です。しかし、過去のデータが未来の変動にどれほど適応できるかは状況によります。

経験とカン

二つ目は、経験とカン（勘）です。経験とカンによる予測は、長年の業界経験や市場の感覚を基にしたアプローチです。

特に、新興市場や変動が激しい市場では、データだけでは予測が難しい場合があり、業界の熟練者や営業担当者の感覚や経験が重要な役割を果たします。

専門知識と業界経験

業界のトレンドや消費者行動の傾向を長年の経験から把握している担当者が、これらの情報を基に予測を立てます。これにより、新製品の発表や経済情勢の変化といった、社会的なイベントを直感的に捉えることができます。

営業担当者や現場のフィードバック

営業チームや現場スタッフの意見や現場の実情も、需要予測に影響を与えることがあります。顧客のニーズの変化や、市場での競合の動向に敏感に反応できるため、予測に役立つことがあります。

このように、経験とカンによって予測することで、データに表れない微細な市場の兆候を捉えられるのが良い点ですが、予測に個人の主観が入るため、属人的であり、根拠が乏しく信頼性が低くなるリスクもあります。

市場調査

市場調査による需要予測は、消費者や市場の動向を調べ、将来の需要を予測する方法です。市場調査は、定量的または定性的な手法で行われ、消費者の意見や購買意向、競合分析などを取り入れます。

消費者調査（アンケート調査、インタビュー）

直接的な消費者の意見を聞くことで、購買意欲や消費者トレンドを把握します。特に新商品や新しい市場においては、事前に消費者の意向を調査することが有効です。

競合分析

同業他社の動向や市場シェアを調査し、競争の激しさや市場の隙間を把握します。競合がどのように需要に対応しているかを知ることで、自社の予測を調整します。

マクロ経済分析

GDP成長率、消費者信頼感、失業率といった、経済全体の動向を基に、需要のトレンドを予測します。特に、景気変動や社会的変化を考慮に入れることで、需要の変化を捉えやすくなります。

市場調査は、消費者の声や競合の状況を反映できるため、特に新製品や新市場において有効です。しかし、調査にはコストと時間がかかるというデメリットもあります。

機械学習

機械学習を活用した需要予測は、大量のデータを自動的に分析し、予測モデルを構築する方法です。AI技術の進化により、過去のデータからパターンを学習し、将来の需要を高精度で予測できるようになっています。

予測モデルのトレーニング

未来のデータを予測するために、過去のデータからAI学習するというものです。

予測モデルのトレーニングをする代表的な手法としては、変数同士の関係を学習して数値を予測する回帰モデルや、過去のデータの変動パターンを学習して予測する時系列モデル、試行錯誤しながら最適な意思決定を学習する強化学習などが挙げられます。

リアルタイムのデータ分析

IoTセンサーやストリーミングデータを活用し、過去データではなく「今、現在進行形で発生しているデータ」を分析するというものです。この分析結果によって、短期的な需要予測を行うことができ、在庫の管理や生産スケジュールの調整などへ反映させることができます。

高度なパターン認識

過去のデータを活用した統計的な手法でもパターン認識が挙げられていましたが、機械学習を用いることで、人間では捉えられない複雑な相関関係やパターンを見つけ出すことができます。

一方、質の高い大量のデータがないと精度の高い予測が行えないほか、適切なアルゴリズムやパラメータ設定といった専門知識が求められます。

また、「なぜこの予測結果になったのか？」「どんな要因が影響しているのか？」といったことが分からない「ブラックボックス化」も課題の一つです。

このように、需要予測には多様な手法があり、それぞれの方法にメリットとデメリットがあります。状況や目的に応じて組み合わせながら活用することが重要です。

需要予測を行えるシステムの種類

需要予測を行うシステムも、多種多様な種類があり、それぞれの特性や用途に応じて選択する必要があります。以下では、需要予測を行うシステムの主な分類と具体例を挙げて解説します。

統計ベースの需要予測システム

過去のデータに基づいて統計的な分析を行い、将来の需要を予測するもので、シンプルなアルゴリズムを使用しています。

こうしたシステムは、短期的な需要予測や、小規模ビジネスでの利用に適しています。

例えば、ExcelやGoogleスプレッドシートを使用した簡易な予測に加え、標準機能としてシステムに組み込まれている場合もあります。

機械学習・AIを活用した需要予測システム

高度なアルゴリズムを用いてデータのパターンを学習し、精度の高い予測を行うことができるもので、ビッグデータや非線形の要因を扱うことが可能です。

こうしたシステムは、大規模で複雑なデータを扱う場合や、高精度が求められる場合に適しています。

例えば、Googleが提供するクラウドコンピューティングサービス「Google Cloud AI」や、 機械学習モデルを構築可能な「Azure Machine Learning」、AWSの需要予測サービス「Amazon Forecast」などが挙げられます。

ERPシステム

企業全体のリソースを統合管理するERP（Enterprise Resource Planning）というシステムに、需要予測機能が組み込まれているというものです。

ERPで需要予測を行うことで、在庫、調達、生産計画経営資源のデータを活用して予測ができたり、予測結果をフィードバックさせたりといった連携が可能になります。

例えば、予測モジュールを備えるERP「SAP S/4HANA」や、クラウドベースのERP「Oracle NetSuite」、データを統合して需要予測を支援する「Microsoft Dynamics 365」がなど挙げられます。

SCMシステム

SCM（Supply Chain Management）システムは、サプライチェーン全体を管理し、需要予測や需給バランスの最適化を支援するものです。

ERPは一つの企業のリソースを管理するのに対し、SCMは複数のサプライヤーや流通網を持つサプライチェーン全体に特化したシステムです。

例えば、サプライチェーン全体の需要予測を支援する「Blue Yonder」や、リアルタイムの需要計画・予測に特化している「Kinaxis」、在庫、調達、需要予測を包括的に管理する「Infor Supply Chain Management」などが挙げられます。

専門特化型需要予測ツール

小売業、製造業、物流業など特定の業界に合わせて設計された、需要予測に特化した専用ソフトウェアやクラウドサービスです。

特定の業界や特定の製品ラインに特化した特有のデータや予測要素を考慮しているため、汎用的なシステムよりも高精度な予測が可能だとされています。

例えば、小売業向けの需要予測と分析する「RetailNext」や、組立製造業とプロセス製造業に特化している「Infor CloudSuite Industrial」、小売業・食品業界向けの予測と補充計画を行う「RELEX Solutions」などが挙げられます。

BIツール

BI（Business Intelligence）ツールは、データ分析の結果を可視化するものです。

需要予測は主目的ではありませんが、拡張機能やカスタムスクリプトで対応することが可能です。

例えば、データの視覚化と予測分析を行う「Tableau」や、Microsoft提供のデータ可視化ツールである「Power BI」、 需要予測を含むデータ分析をサポートする「QlikView」などが挙げられます。

IoTプラットフォーム

IoTプラットフォームは、センサやデバイスからデータを収集し、AIやクラウドと連携することで、業務の自動化や効率化を実現するシステムです。

主に、設備の稼働状況をリアルタイム監視し、異常検知や予防保全を実施したり、在庫のリアルタイム管理をしたりといった用途で用いられますが、ERPなどの需要予測を行うシステムと連携することで、リアルタイムデータを活用した需要予測を行うことができます。

これにより、リアルタイムな製品の生産・稼働データや設備の状態に基づいて需要予測を行うことができ、予測精度の向上や、設備のダウンタイムの予測、在庫の調整などが可能となります。

IoTプラットフォームの例としては、PTCが提供する「ThingWorx」や、Siemensが提供する「MindSphere」、IBMが提供する「Watson IoT Platform」などが挙げられます。

カスタムシステム

特定の企業や業界向けに開発されたオーダーメイドの需要予測システムです。

特殊なビジネスモデルであったり、既存のシステムでは対応できないケースで用いられます。

なお、これらのシステムは単体で導入されることもあれば、連携させるケースもあります。

需要予測システムの選択のポイント

このように、需要予測を行うシステムには、統計ベースのツールから、機械学習やIoTを活用した高度なシステムまで多岐にわたります。

そのため、需要予測システムを選ぶ際には、どの程度の精度の分析が必要か、自社が持つデータ量や形式に対応可能なシステムかどうか、短期か長期か予測したい期間に合っているか、ニーズに合ったカスタマイズ性や拡張性があるか、初期費用や運用コストがいくらかなどの項目を考慮する必要があります。

選択の際は、自社のビジネス目標やリソースに適したシステムを選ぶことが重要です。

需要予測システムの精度を向上させるためのポイント

需要予測システムの結果は、必ずしも当たるとは限りません。

そこで、予測値と実績値を比較し、精度を上げるために繰り返し調整する必要があります。

ここでは、需要予測の精度を向上させるためのポイントをいくつか紹介します。

データの量や品質を向上させる

システムの精度が低い理由に、行いたい分析に必要なデータに達していない場合や、誤入力や欠損データがある場合が考えられます。

また、外れ値やエラーが発生していた場合、その原因を特定して、適切に削除したり補正したりする必要があります。

適切なアルゴリズム・モデルを選定する

活用したアルゴリズムやモデルが適正であったかを見直し、複数のモデルを比較検証することで、最適なものを選択します。

ときには、統計的手法とAIの組み合わせなど、ハイブリッドモデルの活用により精度を向上させるケースもあります。

データの更新

新しいデータを継続的に追加し、最新の傾向を反映させる必要があります。

その際、行いたい分析によって、1日ごと、1週間ごとなど、一定の周期でまとめて新しいデータを取り込むバッチ更新か、センサーなどからリアルタイムでデータを取り込むストリーミング更新かといったように、周期も意識しましょう。

また、短期間の予測を行いたいなら、古いデータは削除して新しいデータだけを保持する、長期のトレンドを分析したいなら、過去データは保持したまま新しいデータを追加し続けるなど、方針に沿ったデータ更新が必要となります。

こうした精度向上に取り組んでいても、パンデミックや災害など、不測の事態はいつ起こるかわかりませんし、これらを的確に予測することはほぼ不可能でしょう。

そこで、不足の事態は起こるという前提で、予測値や在庫に余裕を持たせるなどの対策をする必要もあります。

需要予測に必要となるデータ

需要予測の精度を高めるためには、さまざまな種類のデータを組み合わせて活用することが重要です。

以下に、代表的なデータの種類を紹介します。

販売データ（実績データ）

需要予測の基本となるデータで、過去の販売実績や出荷データを指します。

例えば、売上数量や商品別・店舗別の販売データ、返品・キャンセルデータなどです。

在庫データ

在庫の状況を把握し、適正在庫を維持するためのデータです。

例えば、現在の在庫数や在庫回転率、発注・補充履歴などが挙げられます。

価格・プロモーションデータ

価格変動やキャンペーンが需要に与える影響を考慮するためのデータです。

例えば、販売価格の推移や割引・セール情報、販売促進キャンペーンの履歴などです。

また、プロモーションの効果を定量的に評価し、予測モデルに組み込むということも考えられます。

外部環境データ

需要に影響を与える外部の要因を考慮するためのデータです。

例えば、天候データや経済指標、競合他社の動向などが挙げられます。

顧客行動データ

消費者の購買行動や嗜好を把握し、より精度の高い予測を行うためのデータです。

例えば、ECサイトの閲覧履歴・カート放棄データ、購入タイミングや頻度、顧客属性などです。

オンラインとオフラインのデータがある場合は、それぞれを統合することで、予測の精度を上げられるでしょう。

サプライチェーンデータ

サプライチェーン全体の情報を把握し、需給バランスを最適化するためのデータです。

例えば、仕入れ先のリードタイムや生産能力・設備稼働率、物流・配送データなどです。

ソーシャルメディア・市場トレンドデータ

消費者の嗜好やトレンドを把握し、需要変動を早期に予測するためのデータです。

例えば、SNSの投稿数やキーワード分析や、検索エンジンのトレンドデータ、新製品の口コミ・レビューなどが挙げられます。

IoT・センサデータ

リアルタイムで取得可能なデータです。

例えば、PLC（プログラマブルロジックコントローラ）やSCADA（監視制御システム）といった、各製造装置や生産ラインの制御を行うシステムから得られるデータや、温湿度や振動などを取得するセンサーのデータ、作業員が装着しているスマートデバイスのデータなどが挙げられます。

これらのデータは、必要に応じて複数のデータを統合することで、より精度の高い予測が可能になるでしょう。

需要予測に必要なデータを取得する方法

販売データはERPシステム、在庫データは倉庫管理システム（WMS）、顧客行動データは顧客管理システム（CRM）というように、それぞれの領域に特化したシステムで取得しているケースも多くあります。

この場合は、各システムから必要なデータを抽出し、適正な形に調整しながら活用することができます。

また、外部の環境データであれば、APIを活用して取得したり、市場調査ツールを活用して取得したりといったことが考えられます。

リアルタイムのデータであれば、エッジデバイスやセンサデータが取得しているデータを活用することができます。

需要予測システムのハードルや課題

需要予測にシステムを活用することで、企業の生産性や収益性の向上が期待できますが、導入するにはさまざまなハードルや課題があります。ここでは、需要予測にシステムを活用する際に直面しがちな問題点をいくつか紹介します。

データの品質

需要予測システムの精度は、使用するデータの質と量に依存します。過去の販売データや市場情報が不完全、または誤ったものだった場合、予測結果に誤差が生じ、最適な調達や生産計画を立てることができません。

データが欠損していたり、正確でない場合、予測の精度は低下し、結果として欠品や過剰在庫を引き起こす可能性があります。

また、企業が利用できるデータの範囲が限られている場合、予測に必要なすべての要因を把握することが難しくなります。

需要の予測不確実性

どれだけデータの質と量を向上させたとしても、市場の環境は常に変動しており、予測が外れるリスクは常に伴います。

例えば、経済の不確実性や消費者の行動変化、突発的な事件（自然災害やパンデミックなど）などが影響を与えるため、予測が当たるとは限りません。

このような不確実性に対処するためには、変化に適応する予測モデルの構築や、「景気が良くなる」「不景気が続く」「災害が起こる」などを想定し、それぞれのケースでどう対応すべきかを考えるシナリオ分析を活用することが求められます。

機械学習やAIへの過剰依存

需要予測システムに機械学習やAIを用いることで、人では捉えることができない予測を行うことができるというメリットがありますが、これらのモデルに過剰に依存することにはリスクもあります。

AIや機械学習モデルは大量のデータを解析し、過去のパターンに基づいて予測を行いますが、必ずしもすべての変動要因を捉えることはできません。

特に、過去に類似の状況がなかった場合や、予測に使用するデータが不十分な場合、モデルが誤った予測をする可能性はあります。

このため、AIに完全に依存するのではなく、人的判断や業界の専門知識と組み合わせて活用することが重要です。

チーム間の連携と情報共有の不足

需要予測を行うには、前述した通り、営業、マーケティング、製造、物流など、さまざまな部門からの情報を統合する必要があります。

しかし、部門間で情報共有が十分でない場合、需要予測システムを導入したとしても、決断に偏りが生じることがあります。

例えば、営業部門は需要の増加を予測して多めに発注したいと考える一方、製造部門は過去のデータに基づいて慎重な予測を行うことがあり、このようなギャップが生じると、需要予測システムを導入したとしても欠品や過剰在庫のリスクが高まります。

技術的なハードルとコスト

機械学習やAIなどを活用した高度な予測モデルやシステムを導入するには、専門的な知識が必要であり、システム開発や運用にコストがかかります。

加えて、適切なインフラの整備やデータのクレンジング、モデルのトレーニングなど、時間とリソースも求められます。

また、システムの導入後には、継続的な運用やメンテナンスが求められるため、これらのコストを十分に予算に組み込む必要があります。

製造業における需要予測の事例

次に、需要予測のイメージを明確に掴むうえで、業界ごとに有効であろう需要予測の方法について紹介します。

自動車業界の需要予測

自動車業界では、需要予測を基に生産計画を立て、部品調達や工場稼働率の最適化を行います。自動車の需要は、経済状況、季節的なトレンド、燃料価格、消費者の好みなど、多くの要因によって変動します。

そこで、特定の車種における過去の販売データを使用して需要予測を行うことで、過剰生産や欠品を防ぐといったことが考えられます。

また、消費者の購買行動やトレンド分析や、ガソリン価格やエコカー需要の増減といった経済の影響も加味して需要予測を行ったり、AIを活用した予測モデルによって、販売量の変動に応じて生産スケジュールを柔軟に調整したりといったことも有効でしょう。

家電業界の需要予測

家電業界では、新モデルの発売時期やシーズン性、消費者の購買動向が重要な要素となります。特に、ブラックフライデーや年末のセール時期など、特定のイベントに合わせた需要予測が重要です。

そこで、冬の暖房機器の需要といった季節的な需要や、過去のセールイベントに基づいた売上データを活用して、最適な生産・在庫量を決定するといったことが考えられます。

また、新製品の発表がある場合、消費者の反応を早期に予測するために、SNSのトレンドやレビュー分析も取り入れるのも有効でしょう。

電子機器業界の需要予測

スマートフォン、パソコンなどの電子機器の需要は、技術革新や新製品の投入に大きく影響されます。消費者の関心が特定の機能に集中するため、需要予測はこれらの動向を的確に捉える必要があります。

そこで、複数の予測モデルを組み合わせて、AIによる消費者動向の分析や、過去の販売データからトレンドを抽出し、新製品が市場に与える影響をシミュレーションするといったことが考えられます。

また、サプライチェーン全体での需要予測を行い、需要の変動に応じて部品供給と物流の調整を行うことで、納期の遅延を防ぐこともできるでしょう。

食品業界の需要予測

食品業界では、消費者の購買行動が非常に迅速に変化するため、需要予測の精度が重要です。また、天候の変化、季節のイベント、食のトレンドなど、外部の要因も多く影響します。

そこで、過去数年分の販売データを基に、季節ごとの需要予測を行うということが有効かもしれません。

例えば、冬に温かい料理が好まれる傾向があることが分かったらため、その時期に合わせて需要が高まることを予測し、生産ラインを調整することができます。また、新しい健康志向の食品が市場に登場した際、消費者の反応を分析して、今後の需要を予測するといったことも考えられます。

製造業における需要予測は、業界によって異なる要素が影響を与えますが、共通して重要なのは、過去のデータ、外部の要因（経済、天候、消費者動向）、そして予測の精度を高めることです。

これにより、生産の最適化、コスト削減、サプライチェーンの効率化を目指します。

まとめ

このように、需要予測は製造業をはじめとする、多くの業界で利益の最大化を実現するために重要なプロセスです。

そして、業界や企業の規模、目的などに応じて様々な手法やシステムがあることをご理解いただけたら幸いです。