01「勘と経験の発注」が在庫過多・欠品を生む仕組みとコスト

仕入れや発注を長年の勘と経験で行っている事業者は少なくありません。熟練スタッフが「この時期はこれが売れる」という感覚を持っていることは大切ですが、それだけに頼り続けると、いくつかの構造的な問題が出てきます。

まず、「担当者が変わると発注の精度が落ちる」という属人化の問題です。長年の経験が頭の中だけにある状態では、その人が休んだり退職したりした瞬間に、発注の根拠が消えます。もう一つは、「過去の傾向を手で追いきれなくなる」という問題です。商品数が増え、販売チャネルが複数になると、人の記憶と直感だけで全商品の需要変動を把握するのは難しくなっていきます。

たとえば、食料品を扱う小売店では「先週の売れ残りが多かったから今週は少なめにしよう」と調整した結果、たまたまその週にまとめ買い需要が増えて欠品になる、という経験をお持ちの方もいるのではないでしょうか。逆に、セール前に在庫を積みすぎて、セール後にまとめて値引き処分という状況も、発注の精度問題から起きやすいパターンです。

在庫を余らせれば保管コストや廃棄・値引きロスが発生し、欠品が続けば販売機会を逃すだけでなく顧客との信頼関係にも影響します。どちらも、事業の収益性を静かに圧迫し続けます。

POINT

「在庫の問題」と「発注の問題」は表裏一体です。在庫管理の精度を上げるには、発注の起点にある需要の読み方そのものを仕組みで支えることが出発点になります。

02AIで需要予測をする仕組み——過去データから発注提案まで

AI需要予測とは、一言でいえば「過去の販売データから売れ行きのパターンを学習し、今後の需要量を推定して発注提案につなげる仕組み」です。非エンジニアの方には難しく聞こえるかもしれませんが、基本的な流れを整理すると次のようになります。

使うデータの種類

AI需要予測に使う主なデータは、過去の販売実績(商品ごとの日次・週次・月次の売上数)です。これに加えて、季節や曜日の情報、過去のセール・キャンペーン情報、在庫数の推移などを組み合わせると、予測の質が上がりやすくなります。反対に、こうしたデータが整っていない状態では、AIを使っても意味のある予測はできません。データの整備が先決です。

AIの処理の流れ

大まかな流れとしては、①蓄積した販売データをAIモデルに読み込ませる、②商品ごとの需要パターン(曜日特性、季節性、長期トレンド)を学習させる、③今後の一定期間の需要量を推定する、④在庫の現状と発注リードタイムを考慮して「いつ・何個・発注すべきか」の提案を出力する、という流れになります。

重要なのは、この出力は「自動で発注が完了する」のではなく、「担当者が確認・判断するための材料(提案)」として扱うのが安全な設計だという点です(詳しくは第4章で解説します)。

項目手動発注(勘・経験)AI補助発注
発注の根拠担当者の記憶・感覚過去データに基づく数値的推定
担当者への依存度高い(属人化しやすい)データに集約されるため引き継ぎが楽になりやすい
対応できる商品数担当者が追える範囲に限定データがあれば多品目も一覧で処理しやすい
突発イベントへの対応熟練者は現場感覚で対応しやすい学習データにない出来事には弱い
最終判断担当者担当者(AIは提案役)

「AI補助発注」の利点は、担当者の経験をデータで補完しながら、最終判断は引き続き人が行うという形にあります。熟練スタッフの感覚とAIの数値的推定を組み合わせることで、特に商品数が増えたとき・担当者が変わったときに安定した発注につながりやすくなります。在庫管理の仕組み全体を整理したい場合は、在庫管理をExcelから卒業するには?中小企業がシステム化する手順と判断基準もあわせてご覧ください。

03AI需要予測の精度と限界——過信しないための3つのポイント

AI需要予測には期待できる側面がある一方で、「万能ではない」という現実もあります。導入を失敗させないために、次の3点は事前に理解しておくことをおすすめします。

1. データ量が少ないと精度は低くなる

AIは過去のデータから傾向を学習します。販売実績が数か月程度しかない商品や、季節が1周していないデータでは、学習の根拠が薄く、推定が外れやすくなります。新商品・新規カテゴリは特に注意が必要で、「データが少ないうちはAIより熟練者の判断を優先する」という運用ルールを設けておくと安全です。

2. 「学習にない出来事」には対応しにくい

大型セール、競合の閉店、突然の流行、自然災害など、過去データに含まれていない外的要因が重なると、AIの予測は実需から大きくずれることがあります。こうした場合は、AIの提案をそのまま採用せず、担当者が状況を加味して調整するプロセスが欠かせません。「今週は地域のイベントがある」「先月にSNSで話題になった商品がある」といった現場情報を反映できる設計が必要です。

3. 「AIが出したから正しい」という思い込みが一番危ない

AI需要予測を導入したとき、最も危険なのは「AIが出したんだから大丈夫」という思い込みが組織に広がることです。予測は統計的な推定であり、必ず誤差があります。「AIが提案し、人が確認して発注する」という役割分担を明文化し、関係者全員が理解した状態で運用することが、中長期で安定させる鍵になります。

POINT

AI需要予測の導入目的は「人の判断をゼロにすること」ではなく、「根拠のある数値で判断を補助し、担当者の負荷を下げながら発注ミスを減らしやすくすること」です。この目標を組織で共有しておくと、導入後の期待ギャップが生まれにくくなります。

04人確認ステップを組み込んだ安全な発注フローの設計

AI需要予測を業務に組み込む際、最も重要な設計上の決断は「AIに何を任せ、人が何を確認するかの境界線を引くこと」です。以下のような流れが、現場で機能しやすいフローの目安になります。

この設計のポイントは、AIは「提案」までを担い、「承認」は必ず人が行うことです。よくある失敗パターンは「AIが自動で発注まで実行してしまい、誰も気づかないまま過剰発注が走った」というケースです。特に導入初期は、AIの出力を過信せずに、担当者が毎回目を通せる件数に絞って運用することをおすすめします。

また、発注フローをシステムに組み込むことで、誰がいつ何を確認・承認したかのログが残ります。これにより、問題が起きたときの原因追跡や、担当者交代時の引き継ぎがしやすくなります。ECサイトの在庫・出荷フローを一緒に自動化したい場合は、ECサイトの出荷・在庫連携を自動化するには?物流バックエンドの仕組みと設計も参考にしてください。

05スモールスタートでAI需要予測を導入する手順

「AI需要予測はいきなり全商品に導入しなければいけない」と思う必要はありません。むしろ、小さく始めて精度と運用フローを確認してから広げる進め方の方が、失敗リスクを抑えながら成果を実感しやすくなります。

ステップ1:対象商品と期間を絞る

最初は「販売データが最も豊富で、発注ミスの影響が大きい商品カテゴリ」に絞って試します。全商品を対象にしようとすると、データ整備・システム設計・運用ルール策定の負担が一気に重くなり、途中で頓挫しやすくなります。まず10〜30品から始めて手応えを確かめるのが現実的です。

ステップ2:データを整備する

AI需要予測の精度は、入力データの品質に直結します。「日付・商品名・販売数」が正確に揃っているか、欠損や表記ゆれがないかを確認してください。スプレッドシートやPOSデータで管理している場合、この整備作業が導入の最初の山になることが多いです。ここが整っていないと、どれだけ高度な仕組みを使っても意味のある予測はできません。

ステップ3:予測結果と実績を比較して調整する

最初の数週間〜1か月は「予測が実績とどれくらいズレているか」を記録します。ズレが大きい商品・時期を特定し、モデルのパラメータやデータの使い方を調整することで、精度が改善しやすくなります。この段階は、AIではなく担当者が主導して評価を行うことが大切です。評価プロセスを省いて「AIを信じて運用する」状態になると、気づいたときに問題が大きくなっていることがあります。

導入後の仕組みの育て方や費用対効果の測り方については、業務自動化の費用対効果はどう測る?投資判断の考え方と計算目安も参考になります。

まとめ

AI需要予測は「勘の置き換え」ではなく「判断の補助材料」です。対象を絞って小さく始め、人が確認するフローを設計し、精度を育てながら広げる。この考え方で進めると、担当者の納得感と現場への定着を両立しやすくなります。