需要予測は「当てる技術」ではなく「意思決定システム」
小売バイヤーにとって、需要予測は単なる数字当てゲームではありません。欠品（機会損失）と過剰在庫（値引き・廃棄・キャッシュ拘束）を、許容できるコストの範囲でバランスさせる意思決定の仕組みです。とくに日配・惣菜・ベーカリーといった賞味期限が短い商材では、発注の属人性を下げながら欠品とロスを同時に抑えることが、競合との差別化につながります。
この記事では、需要予測の基本概念から手法の比較、データ整備の考え方、国内の導入事例まで、バイヤー視点で実務に落とし込める形で解説します。
なぜ今、小売バイヤーに需要予測が求められるのか
欠品と過剰在庫、2つの損失を同時に解決する必要性
欠品は売上機会の損失だけでなく、顧客満足の低下や競合へのスイッチを招きます。一方で過剰在庫は、キャッシュを拘束し、保管費・劣化・廃棄コストを生み出します。この2つはトレードオフの関係にあり、どちらか一方だけを追いかけてもうまくいきません。精度の高い予測があれば安全在庫の持ち過ぎを防げ、同時に欠品リスクも下げられます。
発注業務の属人性が生み出すリスク
ベテランバイヤーの経験と勘に頼った発注は、担当者の退職・異動で一気に精度が落ちるリスクがあります。また、属人的な発注は「なぜその量を頼んだのか」を振り返りにくく、改善サイクルが回りません。需要予測の導入によって発注ロジックをデータに基づいて標準化することで、業務の属人性を減らしながら予測精度の向上と省力化を同時に狙えます。
需要予測×仕入れの基本概念を整理する
安全在庫と発注点（ROP）の関係
在庫管理の核心は、需要の不確実性とリードタイム（発注から納品までの期間）の変動を吸収できる在庫量を持つことです。発注点（ROP） は「リードタイム中の期待需要 ＋ 安全在庫」という基本形で運用されます。安全在庫は、目標サービス水準に対応する安全係数（Z値）に、需要のばらつきとリードタイムの平方根を掛け合わせた形が一般的です。リードタイムが長くなるほど不確実性が増えるため、安全在庫も増える構造になっています。
サービスレベルとフィルレートの違い
- サービスレベル（サイクルサービスレベル）: 次の補充サイクルで在庫切れにならない確率
- フィルレート（充足率）: 需要量のうち即時に満たせた割合
両者は異なる指標です。サービスレベルが同じでも、まとめ買いが発生するとフィルレートはより悪化することがあります。発注ルールを設計する際は、どちらの指標を目標にするかを明確にしておくことが重要です。
SKU階層化（ABC×XYZ分析）で管理強度を変える
すべてのSKUを同じ粒度・同じモデルで管理しようとすると、現場が疲弊します。実務で定着しやすいのは、SKUを重要度と需要安定度で層別化し、それぞれに合った管理強度を割り当てるアプローチです。ABC分析（売上・粗利への寄与度）とXYZ分析（需要の変動係数）を掛け合わせると9つの象限ができます。「A-X（主力×安定）」は高頻度で精緻な管理を、「C-Z（低重要×不安定）」は簡易ルールで対応するという設計が可能になります。
手法比較ガイド｜小売バイヤーが知るべき予測モデルの選び方
まず「精度より運用適合性」で評価する
小売の需要予測の難しさは、1本の時系列を当てることではなく、「店舗×SKUの大量時系列を、欠品・ロスの意思決定に接続すること」にあります。モデルの選定は単発精度よりも、データ欠損・商品改廃・販促・天候への耐性で判断するのが実務に近い視点です。
規模別・推奨手法の考え方
スモール規模（数百SKU） はETS（指数平滑法）や季節ナイーブモデルをベースラインとして使い、安全在庫・発注点の標準化を固めることが最短ルートです。複雑なモデルを入れる前に、KPIを「測れる形」にするほうが先決です。
ミドル規模（数千SKU） はLightGBM（勾配ブースティング木）を中心に、ラグ特徴量・カレンダー特徴量・販促フラグ・天候などを組み合わせるアプローチが有力です。大規模小売の多系列予測コンペ（M5）でも、勾配ブースティング木が上位で広く使われたことが報告されており、「多系列×多特徴量×欠損や外れ値がある」領域でのコスト対効果の高さが示唆されています。ABC×XYZ階層化と組み合わせ、A-Xは高頻度更新、C-Zは簡易ルールと管理強度を分けると現場への負荷が下がります。
ラージ規模（数万SKU） は階層時系列の整合性（「和解」）・確率予測・欠品コストを織り込んだ在庫最適化まで視野に入れます。深層学習（LSTM・Transformerなど）は「大量SKU×豊富な外部要因×頻繁な構造変化」の状況に到達して初めて優位が出やすいと整理するのが安全です。
外部データの活用と法務リスク
外部データは効果的ですが、万能ではありません。優先順位をつけて段階的に導入するのが現実解です。
| 外部データ | 入手経路 | 主な注意点 |
|---|---|---|
| 天候 | 気象庁（過去気象データCSV） | 過度な自動アクセスは控える |
| 祝日・カレンダー | 内閣府（祝日CSV） | 利用条件に従い出典記載 |
| 統計・人口 | e-Stat（政府統計） | 出典記載・加工表示のルールあり |
| 人流 | NTTドコモ「モバイル空間統計」等 | 有償・個別見積が中心 |
| 検索トレンド | Googleトレンド | 絶対値ではなく相対指数 |
| SNS | X（旧Twitter）等 | 非APIアクセス禁止の場合あり。規約確認が必須 |
SNSデータは「技術的に取れるか」より「規約上、許される形で取れるか」が最初の関門です。個人情報保護委員会のガイドラインに従い、個人データの安全管理・越境移転・仮名加工情報などの論点も事前に整理しておく必要があります。
国内導入事例から学ぶ「予測をPoCで終わらせない」設計
イオンリテール「AIオーダー」の示す方向性
イオンリテールは日配品を対象に「AIオーダー」を導入し、発注時間の平均5割削減・予測精度の最大40%改善（既存システム比）・平均3割の在庫削減に言及しています。注目すべきは、単なる予測精度の向上ではなく、「値引き・廃棄リスクと販売機会ロスのバランス」まで踏み込んでいる点です。バイヤー・MDが本来意思決定すべき論点をシステムが扱えるようにした設計思想は、導入目標の設定に示唆を与えます。
ローソン「AI.CO」が示す「予測→最適発注」の接続
ローソンの次世代発注システム「AI.CO」は、天候・在庫状況・販売実績・商品間の販売連動性などを用いた販売予測と、利益が最大となる発注数の推奨を掲げています。「予測精度を上げる」だけで終わらず、予測を発注数の最適化に接続する設計を明示している点が、PoC止まりにならない構造の参考になります。
ファミリーマートの段階ロールアウト戦略
ファミリーマートはAIによる発注推奨「AIレコメンド発注」を全国500店舗で運用開始したと公表しています。「まず500店から」という段階展開の姿勢は、PoC→パイロット→段階ロールアウトという現実的なロードマップの参考になります。
大創産業（ダイソー）の補充計画への拡張
大創産業がRELEXを採用し、店舗およびDCの発注最適化で欠品削減と在庫最適化を目指す動きが報告されています（2026年3月）。店舗発注だけでなく、DC在庫・補充計画まで含めた「計画の統合」に投資する動きは、小売業界全体の潮流を示しています。
実務ワークフロー｜KPIに接続する発注設計の組み方
「精度だけ良いモデル」が現場定着しない理由
需要予測プロジェクトが「モデル開発で止まる」典型的な原因は、発注ルール・KPI・責任の接続が弱いことです。対策はプロジェクト開始時に「因果鎖（KPIツリー）」を関係者間で合意することです。
- 予測精度の改善 → 安全在庫の過多を圧縮 → 在庫金額・廃棄コストの低下
- 短期変動感度の向上 → 欠品率低下（サービス率上昇） → 売上・粗利の改善
- 発注の半自動化 → 発注工数削減 → 現場が売場・顧客対応に使える時間の増加
評価指標の選び方と落とし穴
| 指標 | 特徴 | 注意点 |
|---|---|---|
| MAE | 外れ値の影響が小さく現場説明しやすい | 大外れへの感度が弱い |
| RMSE | 大外れにペナルティを与える | 外れ値に引っ張られやすい |
| MAPE | 比率で比較しやすい | ゼロ・小実績のSKUで破綻する |
| サービス率/欠品率 | 安全在庫設計に直接接続できる | 欠品データの記録が前提 |
| フィルレート | 需要充足の実態を測る | サービスレベルと同一視しない |
MAPEは売上ゼロのSKUが多い小売環境では不安定になりやすいため、採用するSKUの特性を事前に確認する必要があります。
販促効果の測定には因果推論のアプローチが有効
「この販促は本当に効いたのか」「価格改定の純増はいくらか」という問いは、需要予測ではなく因果推論で答えるべき問題です。DiD（差分の差分法）やCausalImpactのようなアプローチを併用することで、施策の効果を「予測誤差」ではなく「因果効果」として評価できます。予測精度だけ上がっても粗利が増えない状況を防ぐためにも、因果推論の枠組みは実務に組み込む価値があります。
まとめ｜需要予測×仕入れを現場で回すための3つの優先順位
需要予測の導入で成果を出すための最短ルートは、次の順序です。
- SKUを階層化する（ABC×XYZ）: 全SKUに同じ管理強度をかけない。重要なSKUに集中して精度を上げる
- KPIを発注ルールに接続する: 欠品率・サービス率・在庫回転を「測れる形」にしてから始める
- スモールスタートで実証する: ETS＋安全在庫の標準化を先に固め、段階的に手法を高度化する
深層学習やSNSデータに飛びつく前に、社内データの整備・KPIの可視化・発注ルールへの接続を固めることが、現場定着とROIの両面で強い基盤になります。需要予測は「当てる技術」ではなく、欠品とロスのバランスを取り続ける「意思決定システム」です。その視点を持つことが、データ活用の成果を現場に届ける第一歩になります。
次に掘り下げるべき研究テーマ
- 階層時系列の和解（Reconciliation）手法：BottomUp / TopDown / MinTrace等の比較と実務への適用
- 確率予測・分位予測の在庫最適化への接続：点予測から分布予測へ移行する際の設計と評価
- 欠品コストの定量化手法：機会損失を推定するアプローチ（代替購買行動・需要上限推定等）
- グローバルモデル vs ローカルモデルの使い分け：多系列をまとめて学習する設計の実務上のトレードオフ
- リードタイム変動を織り込んだ安全在庫最適化：正規分布仮定を外した場合の実務的アプローチ
- 因果推論（DiD / 合成コントロール / 因果森林）の小売販促評価への応用：対照群設計の実務ガイド
- 外部データ（人流・SNS）の利用規約マネジメント：データ仕入れの法務チェックリストと運用設計
- MLOpsの小売需要予測への適用：ドリフト検知・モデル更新・監視ダッシュボードの設計
コメント