「なんとなく仕入れ」を卒業する――バイヤーの意思決定を言語化する方法

バイヤーの経験や勘は、長年の現場観察と失敗の蓄積から生まれる貴重な資産です。問題は、その判断プロセスが本人の頭の中にしか存在せず、組織の共通言語・共通基準・共通記録になっていない点にあります。担当者が異動すれば知識は失われ、同じ条件でも担当者ごとに結論が変わり、AIやデータを導入しても最終的には「なんとなく」上書きされる――この状態は、個人の能力の問題ではなく、組織の設計の問題です。

本記事では、意思決定を言語化するためのフレームワーク、実務テンプレート、KPI設計、そして国内小売企業の導入事例を体系的に整理します。「なんとなく仕入れ」から脱却するための具体的な手順を、明日から使える形で提供します。

---

「なんとなく仕入れ」とは何か――現状定義と組織への影響

判断基準が個人の頭の中にある状態の定義

「なんとなく仕入れ」とは、担当者の経験や勘そのものを否定する言葉ではありません。本記事では、商品採用・数量・タイミング・価格帯・販促連動の判断について、判断基準・仮説・比較対象・反証・記録・事後学習が明示されていない状態と定義します。

現場では次のような症状として現れます。

• 「ベテランにしか説明できない」仕入れ判断が常態化している
• 同じ条件でも担当者ごとに結論が異なる
• 売れた理由・売れなかった理由が振り返りで再現できない
• AIやデータを入れても、最終的には「なんとなく」上書きされる

グッデイの事例では、10人以上の仕入れ担当者が独自の方法で年間約900の仕入れ計画を策定しており、気温見込みや予測ロジックが属人的で「会話が噛み合わない」状態だったと整理されています。トライアルも、発注業務が店舗スタッフの経験・スキルに依存し、属人化によって店舗作業コストや過剰在庫が増大していたと説明しています。

原因を3つの観点から整理する

原因は、組織要因・個人要因・市場要因に分けると整理しやすくなります。

組織要因としては、標準プロセスや評価シートがないこと、判断過程ではなく結果だけを評価する仕組みであること、部門ごとに発注方法が異なること、店舗・本部・仕入先の情報共有が弱いことが挙げられます。

個人要因では、人は情報処理能力に限界を持ち（限定合理性）、損失回避・フレーミング・アンカリング・確認バイアスなどの影響を受けます。ただし、Kleinの研究が示すように、熟練者の直感は複雑・時間制約下では有効なことがあります。したがって、直感を排除するのではなく、直感の発動条件と根拠を言語化するのが現実的です。

市場要因では、天候・販促・曜日・イベント・地域差・急な外部ショックが大きな変数となります。経産省のガイドは「需要予測AIによる100%の予測精度達成は不可能」であり、人がどう活用するかを設計することが重要だと明記しています。

影響指標の最小セット

定量的な影響指標は、数量系・金額系・業務系に分けると使いやすくなります。現場では少なくとも以下を最低セットとして把握することが妥当です。

なお、「在庫回転率」には数量基準と金額基準が併存するため、社内定義を固定してから比較を始めることが重要です。

---

意思決定フレームワーク比較――4つの手法とその組み合わせ方

なぜ「一つの万能フレームワーク」は機能しないのか

バイヤーの意思決定を「完全合理的な最適化」とみなすのは現実的ではありません。Simonは、人間は有限の計算能力しか持たず、限定合理性のもとで判断すると論じました。KahnemanとTverskyは、損失回避やフレーミングによって人は期待効用どおりには選ばないことを示しました。

したがって、実務で必要なのは、勘を否定することではなく、限定合理的な人間でも良い判断を再現できる「足場」を作ることです。一つの万能フレームワークを導入するより、目的・比較・ガードレール・記録を分けて設計する方が機能します。

4つのフレームワークの特徴と使い分け

① Value-Focused Thinking（VFT）

KeneyのVFTは、「選択肢」より先に「何を良いとみなすか」を定義する手法です。新商品採用やカテゴリ戦略など、判断の目的が曖昧になりやすい場面で有効です。「今回の仕入れで何を達成したいのか」を一文で言語化する起点になります。

② AHP・簡易加重評価

SaatyのAHPは、複数基準を階層化し、比較を構造化する手法です。候補商品の比較・取引先選定・SKU絞り込みなど、複数選択肢から一つを選ぶ場面に向いています。比較理由を数表で残せるため、会議での合意形成にも使えます。

③ OTB × ABC/XYZ × GMROI（財務・在庫ガードレール）

小売実務で即効性が高い組み合わせです。Open-to-Buy（OTB）で仕入余力を管理し、ABC/XYZで在庫の重要度を分類し、GMROIで資金効率を確認します。補充発注やシーズン中の買い増し・抑制判断に向いており、在庫と粗利の暴走を防ぐガードレールとして機能します。

④ RPD × プレモーテム × 意思決定ログ

Kleinの認識主導型意思決定（RPD）は、熟練者が過去の類似パターンから素早く判断するプロセスを記述したモデルです。これにプレモーテム（「この判断が失敗したとしたら理由は何か」を事前に想定する手法）と意思決定ログを組み合わせることで、熟練知を残しつつバイアスを減らすことができます。天候変動品・催事品・短納期の判断に向いています。

フレームワークを「層」として組み合わせる

最も効果的な設計は、これらを層として重ねることです。

• 上位：VFTで「このカテゴリで何を重視するか」を定義する
• 中位：AHPで候補商品を比較する
• 下位：OTB・GMROI・在庫日数で財務・在庫制約をかける
• 高不確実局面：RPD的な直感を許容しつつ、プレモーテムとログで説明可能性を担保する

経産省も「AIは100%当たらないため、人とAIの協働設計が必要」としており、Seven-Eleven JapanでもAIは発注数量を「提案」し、最終確定は担当者が行う仕組みが採用されています。

また、アカウンタビリティ設計は「結果責任」だけでなく「プロセス責任」を持たせるべきです。LernerとTetlockの研究は、プロセス・アカウンタビリティが一部のバイアス低減や認知努力の増加につながる可能性を示しており、バイヤーには「何を見て、どの選択肢と比較し、何を捨てたのか」を説明させる設計が求められます。

---

言語化の実務手順――8ステップと意思決定テンプレート

判断を言語化する8ステップ

意思決定の言語化は、長い報告書を書くことではありません。重要なのは、判断の最少単位を揃えることです。実務で回しやすい手順は次の8ステップです。

1. 判断対象を分類する：「新規採用」「継続」「増量」「縮小」「終売」「催事」など、決定の種類を固定する
2. 今回の目的を1行で書く：「週末の欠品回避」なのか「在庫圧縮を優先」なのかで結論は変わる
3. 制約条件を明文化する：OTB・在庫日数・粗利率・MOQ・納期などを明示する
4. 最低限必要なデータパックを集める：売上・在庫・天候・販促・類似商品実績・競合情報
5. 2〜3案を作る（「現状維持案」を必ず1案入れる）：比較なしの判断は根拠にならない
6. 加重評価で比較する：評価基準と重みを明示し、数表で記録する
7. プレモーテムを実施する：「この判断が失敗したとしたら理由は何か」を3つ以上書く
8. 採択理由・却下理由・再レビュー日をログに残す：事後学習の起点を作る

このフローのポイントは、「AIやデータの提案」と「人の最終判断」を二者択一にしないことです。バロー×中部フーズの実証でも、発注推奨量は12:30までに出力され、店舗確認を経て発注する仕組みが採用されました。

意思決定記録テンプレート

すぐに使える記録テンプレートを以下に示します。15分以内で埋められる量に抑えることが、形骸化を防ぐうえで重要です。

運用チェックリスト

---

KPI設計と効果測定――結果・プロセス・学習の3層で見る

なぜ結果KPIだけでは不十分か

KPIを結果だけで追うと、「売れたから正解」「外したから失敗」という雑な学習に戻ってしまいます。経産省のガイドは、需要予測AIの効果測定として在庫回転率・廃棄損・欠品率などを挙げつつ、導入前後で定期的に確認すべきだとしています。

実務では、結果KPI・プロセスKPI・学習KPIの3層で見ることが有効です。

初期目標の目安と設定方法

目標設定は、絶対値よりも、導入前13〜26週のベースラインに対する改善率で設計した方が失敗しにくいです。業態・カテゴリ・EC/実店舗で基準値が大きく異なるためです。

公開事例を踏まえると、初期目標の目安として以下が参考になります（自社のカテゴリ特性に合わせた補正が必要です）。

• 在庫関連：10〜20%程度の改善を設計の目安とする
• 欠品：5〜10%以上の改善を目指す
• 発注工数：15〜25%程度の削減を想定する

これは、グッデイの平均在庫▲16%、トライアルの在庫▲20%・補充業務▲10%、バロー×中部フーズの欠品▲18.2%・作業時間▲26.8%、Seven-Eleven JapanのAI発注▲32分/日という改善幅に整合する水準です。

AI上書き率をシグナルとして使う

KPIダッシュボードでは、結果指標と並べてAI上書き率を見ることが重要です。上書き率が高いカテゴリは、現場がAIを信用していない可能性もあれば、イベント・地域差が強くて人の補正が必要なカテゴリかもしれません。上書き率は「悪い数字」ではなく、判断ルールの改善が必要なカテゴリを特定するシグナルとして活用します。

---

国内先行事例から学ぶ――成功の共通要因と失敗パターン

5社の導入事例比較

公開一次資料から見ると、日本企業の成功要因は「AIを入れたこと」そのものではなく、属人業務の分解・対象範囲の限定・判断根拠の共通化・人とAIの役割設計・段階展開にあります。

成功企業の共通設計思想

成功企業ほど「人を不要にした」のではなく、人がどこで判断し、どこをルール化・自動化し、その上書きをどう記録するかを先に決めています。

経産省はまさにこれを「需要を予測しただけでは効果は得られない。AIの予測結果をどのように業務に活用していくかの設計が肝」と表現しています。ライフ、トライアル、Seven-Eleven、バロー×中部フーズはいずれも実証→限定展開→全体展開の順で進めており、最初から全カテゴリを一気に標準化しようとした組織では例外運用が爆発して破綻する傾向があります。

---

実践上の落とし穴と対策――テンプレートを作るだけでは変わらない理由

よくある8つの落とし穴

最も多い失敗は、テンプレートを作っただけで運用が変わらないことです。言語化は「書式導入」ではなく、会議体・権限・レビュー頻度・評価制度まで含めた業務設計です。

短期・中期・長期のロードマップ

出発点としては、まず1〜3カ月で「どの判断を記録対象にするか」を決め、カテゴリ単位または高金額SKU群で意思決定記録テンプレートと週次レビューを開始するのが現実的です。

---

まとめ：「なんとなく仕入れ」は組織知への入り口になる

本記事の要点を整理します。

• 「なんとなく仕入れ」は個人の問題ではなく組織設計の問題。判断基準・比較・記録・学習がない状態が本質
• フレームワークは目的別に層として組み合わせる：VFT（目的の明確化）→AHP（比較）→OTB/GMROI（ガードレール）→RPD/プレモーテム（不確実性対応）
• KPIは結果・プロセス・学習の3層で設計：AI上書き率はシグナルとして活用する
• 成功企業は「人とAIの役割分担」を先に設計：実証→限定展開→全体展開の順で進める
• テンプレートだけでは変わらない：会議体・権限・レビュー頻度・評価制度を含む業務設計が必要

バイヤーの意思決定を言語化するとは、現場の勘をマニュアルで押し潰すことではありません。勘がどの条件で有効で、どこから先はデータ・比較・反証が必要かを、組織の言葉に翻訳することです。

「なんとなく仕入れ」は、経験依存の弱みではなく、経験知を組織知へ変える入り口になり得ます。