欠品させれば正解とは限らない｜機会損失と過剰在庫を同時に最適化する在庫管理の考え方

はじめに：「売り切れ＝失敗」という思い込みが利益を削る

在庫管理の現場では「欠品は絶対に避けるべき」という信念が根強い。確かに欠品は機会損失を生み、顧客離脱のきっかけにもなる。しかし在庫を積み増せば積み増すほど、保管費・陳腐化リスク・資本コストが積み上がり、最終的な利益を圧迫する。

本記事では、欠品コスト（underage cost）と過剰在庫コスト（overage cost）を同じ土俵で比較するという考え方を軸に、最適な在庫水準の設計方法を解説する。ファッション・食品・製造部品それぞれの数値シナリオと業界事例を交えながら、実務で使えるアクションプランまで示す。

欠品と過剰在庫、それぞれのコスト構造を理解する

欠品が引き起こすコスト

欠品（stockout）とは、顧客や製造工程からの需要が発生した時点で、要求されたSKU・数量を在庫から供給できない状態を指す。

小売では販売ロス・代替購買・注文キャンセルが起き、製造では部品不足によるライン停止や緊急輸送が発生する可能性がある。欠品コスト（Cu）の主な構成要素は以下のとおりだ。

• 販売ロス（販売価格 − 原価 の機会分）
• 顧客離脱による将来利益の喪失
• 緊急調達・緊急輸送の追加費用
• ライン停止コスト（製造業の場合）
• SLA・契約違約金

粗利3,000円の部品でも、1個の欠品が1時間あたり数十万円規模の製造停止を引き起こすなら、実際の欠品コストは粗利とは桁が違う水準になり得る。

過剰在庫が引き起こすコスト

過剰在庫（overstock）は「在庫日数が長い」こととは同義ではない。将来の需要やサービス上の便益を考慮してもなお、経済的に正当化できない在庫を抱えている状態を指す。

過剰在庫コスト（Co）の主な構成要素は以下のとおりだ。

• 倉庫保管費・荷役・保険・棚卸費用
• 陳腐化・期限切れによる評価減・廃棄・値下げ
• 在庫投下資本に対する資本コスト
• 機会費用（別の用途に使えた資金の価値）
• 破損・盗難・シュリンケージ

季節衣料や生鮮食品は数週間でCoが急上昇する一方、高価な重要保守部品は長期間在庫していても合理的な場合がある。Coは商品特性によって大きく異なるため、画一的な基準は適用しにくい。

ニュースベンダー理論が示す「経済的な最適在庫量」

クリティカル・フラクタイルとは何か

在庫最適化の古典理論であるニュースベンダー問題では、最適発注量は「99%のサービスレベルを目標にする」といった先決めではなく、欠品コストと過剰コストの比率から逆算される。

最適在庫量 Q* は以下の式で決まる。

F(Q*) = Cu / (Cu + Co)

この値をクリティカル・フラクタイルと呼ぶ。たとえばCu＝6,000円、Co＝2,500円の商品なら、

F(Q*) = 6,000 / (6,000 + 2,500) ≈ 0.706（約70.6%分位）

となり、「95%需要カバー」とは異なる水準に最適点が位置する。

ファッション商品の数値シナリオ

販売価格1万円、原価4,000円、残価1,500円のファッション商品で、需要が平均1,000個・標準偏差250個（正規分布）と仮定する。

95%需要カバーを目指すと、期待利益は約34万円（6.5%）低下するという試算になる。欠品を減らすほど売上は増えても、利益が増えるとは限らないというのがこの試算の核心だ。

食品・惣菜の数値シナリオ

販売価格500円、原価220円、残価50円の惣菜で需要が平均500個・標準偏差100個の場合、最適分位は約62.2%（Q*≈531個）となる。95%分位の664個まで製造すると期待利益が約9.6%低下する可能性がある。

農林水産省も、恵方巻などの季節商品について「需要に見合った販売」を継続的に要請しており、予約販売・需要予測の精緻化・値下げタイミングの調整を具体策として示している。売れ残り時の残価がほぼゼロになる一日限りの商品では、Coが極めて高くなるためだ。

製造業が見落としがちな「リードタイム変動」の影響

安全在庫の計算にリードタイム変動を組み込む

欠品が生産停止に直結する製造部品では、在庫を厚く持つ合理性がある。ただし多くの企業が見落とすのがリードタイム変動の影響だ。

需要の日次平均100個・標準偏差20個、平均リードタイム10日・リードタイム標準偏差2日の部品について、95%サイクルサービスレベル（CSL）を目標とする安全在庫を計算すると、

σ_LT = √(E[L]×σd² + μd²×Var(L))
      = √(10×400 + 10,000×4)
      = √44,000 ≈ 209.8個

安全在庫 = 1.645 × 209.8 ≈ 345個

となる。リードタイム変動を無視した場合（σ_LT≈63.2個）は安全在庫が約104個にしか算出されず、必要バッファーを約70%過小評価することになる。

リードタイム標準偏差別の安全在庫比較

この表から重要な示唆が得られる。サービスレベルを95%から99%へ引き上げるより、サプライヤーのリードタイム変動を下げる方が安全在庫削減効果が大きい場合がある。また、ERPマスターに平均LTしか登録していない企業は、安全在庫計算を精緻化しても根本的に誤る可能性がある。

サイクルサービスレベルとフィルレートの違いを混同しない

在庫管理で頻繁に混同されるのが**サイクルサービスレベル（CSL）とフィルレート（fill rate）**だ。

• CSL：補充サイクル中に欠品しなかったサイクルの割合（注文単位の充足率）
• フィルレート（β）：要求数量のうち即時充足できた数量の割合

β = 1 − (1サイクルあたり期待欠品数量 / 発注量)

製造部品の例（年間需要36,500個、EOQ≈1,103個）で95% CSLを達成すると、期待欠品数量は約4.38個/サイクルとなり、

Fill Rate = 1 − 4.38/1,103 ≈ 99.6%

つまりCSL 95%でも、数量ベースでは99.6%を充足し得る。「サービスレベル99%」というKPIだけでは、どちらの指標を指しているかで経営判断が変わってしまう。

業界別ケーススタディ――成功と失敗から学ぶ

ファッション小売――InditexとH&Mの対照

Inditexは柔軟な近接調達とシーズン中の再配分能力を事業モデルの特徴としており、FY2025は粗利率58.3%・在庫は前年比2%減を達成している。初回投入を過大化するよりも、「変化に対応するオプション」を持つことで欠品と過剰在庫を同時に抑えられる可能性がある。

一方H&Mは2018年、高い期首在庫と商品構成の不均衡が高い値下げコストを発生させ、利益に悪影響を与えたと公式に説明した。「売り逃し防止のために多めに持つ」方針が、流行変化後に値下げ損へ反転した典型例といえる。

食品小売――イトーヨーカドーのAI発注

イトーヨーカドーは価格・天候・曜日などを分析するAI発注提案を136店舗・約8,000品目に導入し、品切れ頻度と不要在庫の双方を削減。発注時間は平均約30%短縮されたと報告されている。惣菜の製造提案テストでは機会損失の削減と弁当・寿司売上の2桁増も確認されており、廃棄と機会損失を同じモデルで最適化したことが成果につながったと考えられる。

製造業――ToyotaのRESCUEシステム

2011年東日本大震災では、659サプライヤー拠点が被災し、多数の車種で調達障害が発生した。この経験を踏まえてToyotaが整備したRESCUEシステムは、約6,800品目のサプライチェーン情報を格納し、サプライヤーとの訓練も実施している。「全品に安全在庫を積む」より、供給構造の可視化・代替調達・BCPの組み合わせの方が資本効率的に機能する可能性を示す事例だ。

Eコマース――AmazonとStitch Fixの対照

AmazonのSCOTシステムは、商品ごとの需要予測・仕入量決定・数百拠点への最適配置を統合し、需要だけでなくベンダーLT変動も明示的に扱う多階層在庫最適化へ発展している。

Stitch Fixは2021年、在庫が前年比24%増となり同四半期に約2,100万ドルの純損失を計上した。予測アルゴリズムを持っていても、嗜好変化や購買コミットメントの硬直性があれば過剰在庫は残ることを示している。

サービスレベルの差別化設計――SKUごとに目標を変える

「全SKUを99%サービスにする」のではなく、SKU×拠点×ライフサイクルごとにCuとCoを推定してサービス水準を差別化することが実務上の原則だ。

この目安は外部ベンチマークではなく、導入初期の仮説レンジとして使うものだ。最終的にはCu／Co比率で個別に決定し、回転率改善をサービス悪化と引き換えにしてはならない。

また、「高サービス＝高在庫」と固定的に考える必要はない。予測精度向上・補充頻度増加・リードタイム短縮・サプライヤー分散・店舗間転送などによって、同じサービス水準をより少ない在庫で実現することが可能だ。

機会損失の正確な推定――欠品中の需要は観測できない

在庫ゼロ期間の販売実績を「需要ゼロ」として予測モデルに学習させると、過少予測を自己強化するバイアスが生じる。これを**打ち切り需要（censored demand）**の問題という。

機会損失の推定では、在庫あり期間の需要・曜日・価格・販促・天候などから「欠品していなければ売れたであろう反実仮想需要」を推定する必要がある。

機会損失数量 = max(0, 推定需要 − 実充足数量)
機会損失額   = 機会損失数量 × 限界利益 × (1 − 代替購買回収率) + 離脱・SLA等

「欠品日数 × 平均売上」で単純推定すると、代替購買や離脱確率を考慮できず、精度が大きく損なわれる可能性がある。

実務アクションプラン――30日・6か月・2年

30日以内にやること

高度なAI導入より先に、「欠品と過剰在庫を同じP&Lで見えるようにする」基盤を整える。

1. KPI定義の統一：欠品率・CSL・Fill Rate・在庫日数を部門横断で同一の定義に揃える
2. データ監査：SKU×拠点で売上・在庫・発注・入荷・LT実績・原価・値下げを可視化する
3. ABC×XYZ分類：金額重要度と需要変動をクロス分類し、全SKUを6〜9群程度に整理する
4. Cu・Coの仮設定：主要SKUで粗利・残価・廃棄・緊急費・ライン停止損失を反映した経済サービス値を算出する
5. LT実績化：ERPのマスターLTではなく、注文別実績から平均・標準偏差を算出する

6か月で取り組むこと

点予測から確率分布＋政策最適化へ移行する段階だ。

需要予測はP50・P90・P95などの分位点を算出し、予測区間の実績カバレッジを定期的にモニタリングする。販促・価格・天候の影響が大きい商品では機械学習を試みつつ、単純な時系列モデルをベンチマークとして残すことが重要だ。

補充政策は、定常品にEOQ/ROP、確率需要に（s,S）政策、季節商品にNewsvendor、複雑なネットワークにはMonte Carloを使い分ける。シミュレーションでは「需要±20%」「LT変動2倍」「仕入原価+10%」「残価半減」などのシナリオを走らせ、期待利益だけでなく下位5%利益・最大欠品・最大在庫も確認する。

2年で目指す姿

在庫量を調整する会社から、不確実性そのものを削減する会社へ移行することが長期目標だ。需要側では顧客・チャネル・販促情報を統合し、供給側では実LT分布・サプライヤー能力・二次三次サプライヤーを可視化する。

多拠点企業ではmulti-echelon inventory optimizationを導入し、各拠点が個別に安全在庫を持つ方式から、ネットワーク全体で在庫を最適配置する方式へ移行することを検討したい。

まとめ：「欠品ゼロ」ではなく「経済価値に基づくサービス水準」を設計する

本記事の要点は以下のとおりだ。

• 欠品コスト（Cu）と過剰在庫コスト（Co）を同じ尺度で比較することが在庫最適化の出発点
• ニュースベンダー理論のクリティカル・フラクタイルが示すとおり、最適サービス水準はCoとCuの比率から逆算される
• ファッション商品では95%需要カバーを目指すと期待利益が6%以上低下する可能性がある
• 製造部品ではリードタイム変動を無視すると安全在庫を70%程度過小評価するリスクがある
• CSLとFill Rateは別の指標であり、混同するとKPI設計が機能しなくなる
• 高サービスを低在庫で実現するには、補充頻度・LT短縮・サプライヤー分散・在庫再配置の組み合わせが有効
• 欠品中の販売実績は打ち切り需要であるため、機会損失は反実仮想需要から推定する必要がある

在庫管理の本質は「欠品を許容する」ことではなく、「欠品を防ぐための追加1円が、過剰在庫として失う追加1円より価値があるところまで防ぐ」という経済的判断にある。