需要予測をAIで進める5工程｜欠品と余りを減らす

「発注の担当が10人いて、それぞれ違うやり方で数を決めています」「欠品を出すと叱られるので、つい多めに頼んでしまいます」。量を決める仕事を抱えた部署からは、この2つがほとんど同時に出てきます。片方を直すともう片方が悪くなる、という板挟みの正体はここにあります。需要予測は当てる競技ではありません。本当は、外れることを前提に、欠品と余りのどちらへ寄せるかを決める仕事です。この記事では、需要予測をAIで進める工程を5つに分け、どこにAIを噛ませて、どこを人が持つのかまで含めて整理します。

欠品と余りは、同じ1つの外し方から出てくる

経済産業省が中小企業向けにまとめた需要予測の導入ガイドブックは、この領域の困りごとを3つに整理しています。欠品の多発、過剰在庫、発注業務の負担過多です。そしてそれぞれに、金額や時間で測れる実態が紐づけられています。欠品には欠品率と逸失売上、過剰在庫には棚卸・商品評価損と在庫管理業務時間、発注業務の負担には発注時間・残業時間・緊急発注による仕入れ価格の増加分です。

この3つは別々の問題に見えますが、出どころは同じです。量を決めるという1つの判断を、多めに寄せるか少なめに寄せるかという選択が、そのまま欠品か余りに変わります。担当者が10人いて基準がなければ、10通りの寄せ方が並びます。誰かは欠品を恐れて多く、誰かは余りを恐れて少なく発注する。全社で見ると、欠品と過剰在庫が同時に起きるという奇妙な状態になります。

だから、精度の話をする前に決めることがあります。商品ごとに、どちらへ外したほうが痛みが小さいかです。消費期限が数日の商品は余りが直接損になります。逆に、切れると客が別の店へ移ってしまう定番品は、多めに持つ費用のほうが安い。この向きが決まっていないと、予測をどれだけ良くしても発注量は安定しません。

向きを決めたら、痛みを数字に置き換えます。ガイドブックは効果を測る指標と算出方法を並べているので、そのまま使えます。ここで作った数字が、あとで「予測を入れて何が良くなったのか」を答える材料になります。

困っていること	見る指標	測り方
欠品が多い	欠品率	期間中の品切れ商品数を、期間中の全商品数で割る
在庫が多い	在庫回転率	期間中の売上原価を、期間中の在庫の売上原価総額で割る
廃棄が出る	廃棄損	廃棄によって失った商品の売上ぶん
保管と輸送に費用がかかる	在庫管理費用	倉庫の賃料、輸送費、在庫管理にかかる人件費
発注に時間がかかる	売上計画策定時間	1か月あたりの作業時間と残業時間

需要予測が決めるのは、金額ではなく数量

同じ「予測」という言葉で呼ばれていても、いくら売れるかを見通す仕事と、どれだけ要るかを決める仕事は別物です。前者は数字が金額で、使い道は見通しの共有です。需要予測が出すのは数量で、使い道は発注量・生産量・人の配置といった、取り消しにくい決定です。取り消しにくいからこそ、外したときの費用が発生します。

数量を決めるなら、最初に3つを空欄なく埋めます。予測の対象（どの商品またはカテゴリか）、予測の単位（日か週か月か）、予測の期間（何日先から何日先までか）です。ガイドブックの企画工程のチェックシートは、この3つを記入欄として置いています。記入例は、対象が牛乳、期間が3日先から10日先、単位が日次でした。

なぜ先に絞るのか。必要な先読みの長さは、仕入先までの日数と商品の持ち時間で決まるからです。翌日に届く商品を1か月先まで予測しても使い道がありません。逆に、季節品のように半年前に発注量を決める商品は、日次の予測を出しても間に合いません。業務のどの決定に使うかが決まってはじめて、予測の単位と期間が決まります。

この順番を飛ばすと、よく起きるのが「全商品の日次予測」です。作る手間は膨らむのに、発注の決め方が変わらないので何も良くなりません。1つの対象で工程を通し切ってから広げるほうが、結果として早く行き渡ります。

5工程の全体像

以降は、この5つの順番で進めます。ガイドブックの導入工程（企画・モデル構築・導入と運用）を、量を決める仕事の視点で組み替えたものです。3番目と4番目が飛ばされやすいので、そこだけ先に頭に入れておいてください。

工程を1周させると、予測の良し悪しではなく決め方の良し悪しが見えるようになります。同じ商品で2周目に入るときには、対象や単位を変えたほうが早い、という判断も出てきます。最初の1周は精度を追わず、通し切ることを目標にしてください。

工程1：効果が出る対象を、1つだけ選ぶ

ガイドブックは対象商品の選定軸を2つの束に分けています。1つはAIを入れて効果が見込めるかで、売上計画の策定に時間がかかっている、欠品率が高い、在庫が多い、1個あたりの利益が高い、売上個数が多い、といった条件です。もう1つはそもそもAIで予測できるかで、今後も販売を続ける見込みがあり、需要に一定の法則性があり（季節や天候、曜日と連動する）、売上データが2〜3年分あることが挙げられています。

この2つを掛け合わせると、候補はかなり絞られます。ここで多くの会社が引っかかるのが2つ目です。売れ方が催事や口伝えだけで動く商品、発売から半年しかたっていない商品、毎年仕様が変わる商品は、規則性を学べるだけの過去がありません。規則性がない商品は、予測ではなく在庫の持ち方で受けるほうが早い、と割り切ることになります。

選び方で迷ったら、金額の大きさより判断の回数で選ぶのが実務的です。年に2回しか決めない商品は、うまく当たっても改善の回数が2回しか稼げません。週に1回決める商品なら、1年で50回ぶんの学習が現場に溜まります。ガイドブックの事例に出てくるホームセンターも、年間およそ900件の仕入れ計画という、判断の回数が多い領域から入っていました。

なお、この段階で「対象を広げてほしい」という要望が必ず出ます。断る材料として、1周目に必要な作業（データの整形、粒度の統一、検証期間の設計）を工数で見せておくと話が早く済みます。

工程2：規則性を持つデータを、粒度を揃えて用意する

必須は2つだけです。対象商品の売上数量（商品単位で2〜3年分、最低でも1年分）と、曜日・カレンダー（1年分）。ガイドブックはこの2つを必須に置き、気象（地区単位）、販促イベント（商品と販売店単位）、商品データ（賞味期限など）、拠点や販売店の位置情報を「あれば活用」に置いています。有効なモデルを作るには目安として3年ぶんの過去が要る、とも書かれています。

気象は自社で持っていなくても取れます。ガイドブックは、気象庁のホームページから過去40年の気温・降水量・風速などが市区郡の単位でダウンロードできると案内しています。暦も、祝日や連休の並びは公開情報から作れます。自社しか持っていないのは、販促の予定と価格の履歴、そして地域の催事です。ここが揃うかどうかで、工程3の効き方が変わります。

手間の大半は前処理に消えます。ガイドブックが挙げる詰まりどころはそのまま実務の景色です。会計単位の売上と日次の気象を混ぜようとして粒度が合わない、ある期間の売上点数が異常に大きい、連続した期間が抜けている、同一商品に違う商品コードが振られていて集計が合わない。対処の目安も示されていて、欠けている期間が全体の2割以上なら、そのデータの使用は断念するとされています。

• 売上数量は商品単位で2〜3年分。最低でも1年分。有効なモデルには目安3年分
• 学習用と検証用は、時系列の順で7対3に分ける。月別の予測なら直近6か月ぶんを検証用に回す
• 欠損や異常値は平均や中間の値で補う。補いきれないほど欠けていれば、その項目は使わない
• 同一商品に複数の商品コードがあると集計が合わない。コードを振り直してから統合する

工程3：イベントと販促を、説明する側に置く

過去の数量だけを伸ばす方法には限界があります。祝日、催事、値引き、価格改定、天候の影響を織り込めないからです。さらに厄介なのは、これらの要因が過去のデータそのものを歪めている点です。値引きで跳ねた日をそのまま学習させると、モデルはその跳ねを「いつもの需要」として覚えてしまいます。

効果は実測されています。世界最大の小売企業の販売数量を題材にした国際的な予測コンペ（2020年、42,840本の時系列）では、販促と特別な日を説明する側の変数として入れた指数平滑の系列は、同じ手法で入れなかった系列より6％良い結果でした。自己回帰の系列では13％の差がつきました。上位に入った解法はすべて外部の情報を使っており、価格に関する特徴量の重要度が高かったと報告されています。

実務に落とすと、必要なのは予測に渡せる形の販促カレンダーです。開始日と終了日、値引きの率、対象商品、実施した店舗。この4つが表になっていれば説明する側に置けます。多くの会社では販促の情報が企画書と発注メールに散っていて、日付単位の表になっていません。ここを整えるだけで、予測に入る前の段階で在庫の議論が変わります。

注意点が1つあります。複数の販促を同時に打つと、効果が重なって二重に数えられます。ガイドブックも、複数の販促を同時に実施した場合の効果の重複を考慮する必要があると書いています。同時実施の履歴を残しておかないと、後から重複を切り分けられません。

工程4：一点ではなく、幅で出す

予測を1つの数字で出すと、現場はその数字ちょうどを発注します。しかし本当に必要なのは、その数量で足りる確率です。90％の確率で足りる数量と、50％の確率で足りる数量は違います。前者を選べば余りが出やすく、後者を選べば欠品が出やすい。工程1の冒頭で決めた「どちらへ外すか」が、ここで数字になって効いてきます。

やり方は、分位点（下から何％の位置にあたる値か）を複数出すことです。2025年10月に公表された時系列の基盤モデルは、将来の各区間について複数の分位点を出す形をとっており、販促や休日を説明する側のデータとして一緒に渡せると説明されています（2026年8月21日に公表資料を確認）。自社でモデルを組む場合も、分位点を出す設定にできる道具は増えています。

幅が出たら、発注量への変換規則を決めます。ガイドブックは、点数の予測結果に現在の在庫量、安全在庫、最小発注数量を考慮して発注量を調整すると書いています。ここに商品ごとのリードタイムと消費期限が加わります。予測の数字がそのまま発注数になることはほぼありません。

幅で出すもう1つの効き目は、会議での使い方が変わることです。1つの数字だと「当たったか外れたか」の話になりますが、幅があると「どの水準で発注するか」の話になります。判断の主語が予測から人に戻る、という言い方もできます。

工程5：外れ方の癖を見つけて、前提を差し替える

精度の確認は、1つの数字を眺めて終わりにしないことが肝心です。ガイドブックは需要予測でよく使うものとして、加重平均絶対パーセント誤差と、予測と実績の差の分布の2つを挙げています。全体の精度は前者で追い、個別の予測に大きなブレがないかを後者で確認する、という使い分けです。平均絶対誤差や平均絶対パーセント誤差も併記されています。

差の分布を見る目的は、上振れと下振れのどちらに偏っているかを知ることです。誤差の大きさが同じでも、いつも足りない方向に外れているなら、それは運ではなく前提の不足です。説明する側に入れていない要因（新しい競合、報道、地域の催事）がある、価格改定を織り込んでいない、といった原因に手が届きます。

検証の切り方も決めておきます。ガイドブックは時系列の順で7対3に分け、月別の予測なら直近6か月ぶんを検証用に回すとしています。先ほどの国際コンペでも、上位4チームと上位50の大半が、少なくとも直近4つの28日区間で精度を確かめていました。ちなみにこのコンペでは、走行中の最良の提出を選べば12.2％のチームが最良の基準線を超えられたのに、実際に最終提出で超えたのは7.5％でした。検証の設計が甘いと、良いモデルを作っても選び損ねるということです。

運用の途中では、使っていたデータが取れなくなることがあります。ガイドブックは具体例として、天気の取得元からデータが取れなくなった場合と、社内システムの移行で販促データが取れなくなった場合を挙げています。対処は2つだけです。別の取得元で学習し直すか、その項目を使うのをやめる。どちらにするかを事前に決めておくと、止まる時間が短くなります。

細かい単位ほど当たらない、という事実

これは工程の前提として知っておくべき数字です。先の国際コンペには101か国から5,507チームが参加しました。そのうち、前日と同じ数を並べるだけの素朴な方法に勝てたのは48.4％、曜日の周期を入れた素朴な方法に勝てたのは35.8％、主催者が用意した最良の基準線に勝てたのはわずか7.5％（415チーム）でした。半分以上が、最も単純な方法に負けています。

さらに重要なのが、集約の水準ごとの差です。上位50チームの改善幅を水準別に見ると、全体合計では基準線より平均40％良く、中間の水準では約23％、商品と店舗の組み合わせまで下げると約3％にまで縮みます。つまり、全社の合計や地域の合計は当てられるが、この店のこの商品の明日の数量は、ほとんど当てられない。

この事実は、諦めの材料ではなく設計の材料です。細かい単位は幅と安全在庫で受け、計画は集約した水準で握る。店舗別の日次予測を発注の唯一の根拠にするのではなく、週次や地域合計の予測で総量を決め、店舗への割り振りは在庫の回り方で調整する。こういう分担にすると、当たらない部分に運用が振り回されません。

優勝チームの改善幅は22.4％でしたが、それは全水準をならした値です。上位の解法はいずれも複数のモデルの平均を取っていました。優勝は6つ、2位は5つ、3位は43のニューラルネットの単純平均です。1つの賢いモデルを探すより、複数を平均したほうが安定するという結論は、この分野で繰り返し確認されています。

気象と暦は、どこまで入れるか

気温は多くの商品で効きますが、落とし穴があります。予測に使う気象は将来の値なので、それ自体が予報だという点です。予報が外れれば予測も外れます。学習のときは実測値を使い、運用のときは予報値を使う。この差を意識していないと、検証では良かったのに運用で当たらない、という状態になります。

実務的には、期間で分けるのが無難です。数日先までは予報の確度が比較的高いので、そのまま説明する側に入れます。季節品のように数か月先を決める場合は、特定の予報値に依らず、平年より暖かい場合と寒い場合の2通りで数量を並べて、どちらに寄せるかを人が決める形にします。ガイドブックの事例に出てくるホームセンターも、気温が高い場合と低い場合を並べて仕入れを議論する形に変えたと紹介されています。

暦は気象より扱いやすい要因です。曜日、祝日、連休の並び、給料日、月末月初。ここは公開情報とカレンダーの機能でほぼ作れます。国際コンペで提供された説明する側のデータも、特別なイベントと祝日が4つの分類に整理されたものでした。暦は取りやすいのに効きやすいので、最初に入れる価値が高い項目です。

自社で持つしかないのは地域の催事です。近所の学校行事、商店街のイベント、近隣工場の稼働。これらは公開データにありません。現場が知っている情報を、日付と場所の表として溜めていく仕組みがあるかどうかで、数年後の予測の質が変わります。

AIに任せない場所を、先に決める

ガイドブックははっきり書いています。需要予測AIによる100％の予測精度の達成は不可能であり、精度が必ずしも100％でないことを前提に、AIをどう活用するかを人間が考えることが重要である、と。例として挙げられているのは、AIは天気だけを見て予測しているが、地元の球団が優勝したので売上が増えそうだと人が判断して仕入れを増やす場面です。

人が持つべきものは3つに絞れます。予測に入っていない事情の反映、どちらに外すかの選択、そして発注の承認です。逆にAIに任せるのは、過去の規則性を取り出すこと、説明する側のデータとの関係を見つけること、分位点を計算することです。この線を先に引いておかないと、外れたときに責任の所在が消えます。

確認する範囲も、量で先に決めておきます。全商品の予測を毎回人が見るのは続きません。前の週から3割以上動いた商品だけ人が見る、販促のある商品は必ず見る、といった条件を決めれば、確認の量が読めます。条件は運用しながら緩めたり締めたりして構いませんが、最初から無いと確認そのものが形だけになります。

ガイドブックが挙げる導入後の失敗例は、どれも「人の確認が抜けた」場面です。そのまま点検表として使えます。

• 予測に入れるデータの形式が変わったのに、モデルを直さないまま動かし続けた
• 10月ぶんを入れるべきところに、9月ぶんのデータを入れて予測させた
• 予測の結果を確認せずに発注に使い、新しい販促を織り込んでいない数量で品薄になった
• 全体の誤差だけを見て、どの商品がどちら向きに外れているかを見ていない
• 予測を出すところで満足し、発注の決め方を何も変えなかった

予測を発注量に変える手前で、決めておくこと

ガイドブックの一文が要点を突いています。AIを活用して需要予測をしただけでは、効果にはつながらない。予測を基に業務の工程を変えて、はじめて効果が出るという指摘です。裏を返せば、工程を変える権限がない人だけで進めると、予測は資料の1枚で終わります。

変えるべき工程は、発注の直前に集まっています。安全在庫の水準、最小発注数量、発注の頻度、仕入先までの日数、消費期限、返品の可否、緊急発注の扱い、承認する人。この8つを決めないと、予測の数字を何に足して何で割るのかが定まりません。決めた内容は、担当者が変わっても読める形（手順書）にしておきます。

自動化の線引きも、ここで決めます。ガイドブックが示す形は、適正な発注量と頻度を自動で算出し、担当者が個数を確認してから発注するという段取りです。全自動から始めるのではなく、確認を挟む形から始めて、外れ方が読めてきた商品だけ確認を軽くしていく。順番を逆にすると、事故のときに戻る場所がなくなります。

• この商品は、欠品と余りのどちらへ外したほうが痛みが小さいか
• 予測の単位と期間は、実際の発注の締切に間に合っているか
• 安全在庫と最小発注数量は、誰がいつ決めた値か
• 予測が大きく動いたとき、誰が見て、誰が承認するのか
• 使っているデータが取れなくなったら、どちらの対処を選ぶと決めてあるか

学習させずに使える予測モデルという選択肢

2026年に入ってから相談が増えたのが、大量の時系列データで事前に学習させたモデルです。自社のデータで学習させる工程を踏まずに予測を出せる、という性質があります。2025年10月に公表された版では、1本の系列だけでなく複数の系列をまとめて扱えること、販促や休日といった説明する側のデータを一緒に渡せることが示されています（2026年8月21日に公表資料を確認）。

公表元の評価では、複数の公開ベンチマークで同種のモデルの中で最も良い成績だったと報告され、説明する側のデータを使う課題で改善幅が大きかったとされています。ただし、ここは冷静に読む必要があります。ベンチマークでの成績は、自社のデータでの成績を保証しません。商品構成、販促の癖、店舗の立地は会社ごとに違います。

だから確かめ方は1つです。素朴な方法、いま使っている手組みの方法、事前学習済みのモデルの3つを、同じ検証期間で同じ指標で比べる。先の国際コンペで半分以上のチームが素朴な方法に負けたという事実は、この比較を省かない理由になります。素朴な方法が勝ったなら、それを使えばよいだけです。

運用面の確認事項も残ります。データをどこに送るのか、送った数量データが学習に使われない設定になっているか、料金が予測の回数で増える形か。情報システム部門と一緒に見る項目なので、試す前に一覧にしておくと差し戻しが減ります。

費用と期間の、現実的な目安

ガイドブックには年間費用の概算が載っています。2020年9月30日時点の代表的な操作画面型ツールの料金体系を前提とした試算で、データ保管が1,200円から、モデルの学習と予測にかかる費用が6万円から、パソコンを新しく用意するなら8万円から、合計で年間15万円からという額です。学習は1時間あたり約2,000円で月に1回、予測は1時間あたり約20円で月に100時間、という前提で計算されています。

事例のほうも具体的です。従業員1,500名のホームセンターでは、10人以上の仕入れ担当者がそれぞれの方法で年間およそ900件の仕入れ計画を作っていました。用意したのは5年分の売上データ、社内でプログラミングができる人材は1人、モデルを作った期間は1.5日、導入費用は10万円。結果として、平均在庫が16％減り、売上は前年比124％になったと報告されています。

ただし、この数字を「1.5日で在庫が16％減る」と読むと外れます。ガイドブックは、定量的な効果が安定するまでには一般的に半年から1年程度かかる（業種や対象製品によって異なる）と注記しています。1.5日はモデルを作った期間だけで、ツールの選定と検証の期間は含まれていません。効果が出るのは、発注の決め方が変わってからです。

社内で予算を通すときは、費用より効果が出るまでの期間を先に合意しておくほうが安全です。3か月で判断すると言われたら、その時点で見える指標（発注時間、確認の件数、予測の誤差の偏り）だけを約束し、在庫金額や廃棄損は半年以降に見る、と切り分けておきます。

よくある質問

データは何年分あればいいのですか

ガイドブックの目安は、売上数量が2〜3年分（最低1年分）、暦や気象は1年分、有効なモデルを作るには3年分です。ただし年数より大事なのは、その期間に説明できない大きな変動が入っていないかです。店舗の改装、主力商品の入れ替え、価格体系の変更があった期間は、そのままでは学習に使えません。期間を区切るか、変更を説明する側の情報として入れる必要があります。

新商品の需要は予測できますか

過去がないので、その商品の履歴からは予測できません。実務では、似た商品の立ち上がり方を借りる形をとります。同じカテゴリで同じ価格帯、同じ販促の入れ方をした商品の最初の数週間を並べて、そこから幅を作る。当てにいくのではなく、最初の発注量を決めるための幅を作る作業だと考えると扱いやすくなります。

予測がどうしても当たらない商品はどうすればよいですか

当たらない理由を2つに分けます。規則性がないのか、説明する側の情報が足りないのか。差の分布が上下に均等に散らばっているなら前者で、片側に偏っているなら後者です。前者なら予測をやめて、安全在庫と発注頻度で受けるほうが費用が安く済みます。予測をやめるという判断も、工程の一部です。

発注を自動にしてよいですか

最初は避けたほうが無難です。ガイドブックが示す形も、自動で算出した数量を担当者が確認してから発注する段取りでした。自動にする条件を決めるなら、予測の誤差の偏りが一定期間内に収まっていること、販促がないこと、消費期限に余裕があること、といった条件を並べて、条件を満たす商品だけ自動にする形にします。

社内に詳しい人がいなくても始められますか

事例では社内でプログラミングができる人材が1人でした。操作画面から使える道具を選べば、モデルを作る部分の敷居は下がっています。ただし、データの前処理と、業務の工程を変える調整は外注しにくい部分です。ここを担う人を先に決めておかないと、道具を契約しただけで止まります。

まとめ

需要予測は、当てる競技ではなく量を決める仕事です。だから最初に決めるのは精度の目標ではなく、商品ごとに欠品と余りのどちらへ外すかという向きでした。そのうえで、対象と単位と期間を1つに絞り、規則性のあるデータを粒度を揃えて用意し、販促と暦を説明する側に置き、一点ではなく幅で出し、外れ方の偏りを記録して前提を差し替える。この5工程が1周です。

実測が教えてくれたのは、細かい単位ほど当たらないという事実でした。全体合計では基準線より4割改善しても、商品と店舗の組み合わせでは3％しか改善しない。だから当たらない部分は幅と安全在庫で受け、計画は集約した水準で握る。そして予測に入っていない事情の反映、どちらに外すかの選択、発注の承認は人が持ち続ける。この線引きを先に引いておけば、外れた日に工程を直せます。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。