小売・ECのMDをAIで変革する — 勘と経験に「市場の予兆」を掛け合わせる

MD（商品計画）は、前年の実績にバイヤーの経験を上乗せして立てるのが一般的でした。ただ、消費者の好みが細かく分かれ、流行の移り変わりも速くなり、個人の勘だけで先を読むのは難しくなっています。この記事では、バイヤーの判断にAIの分析をどう組み合わせるかを、確認したい項目に沿って整理します。

まず決めること：AIに求めるのは答えではなく、判断の根拠

MDは、適切な商品を、適切な時期・数量・価格で届ける複雑な業務です。AIを入れるとき、売上予測の仕組みを置くだけでは十分ではありません。現場で求められているのは、バイヤーが納得して決断するための根拠です。

そのため、AIの数字をそのまま採用するのではなく、判断の材料として使う前提を社内で共有しておきます。AIが市場の事実を整理し、バイヤーがブランドとしての解釈を加える。この分担を最初に決めておくと、運用がぶれにくくなります。

チェックリスト1：自社データと外部データを組み合わせているか

• 販売履歴、在庫回転率、顧客属性、過去の販促効果など、自社のデータを整理しているか
• SNSの投稿傾向、検索キーワードの推移、競合の価格、気象予報などの外部データを取り込めるか
• POSデータ（販売実績データ）に表れる前の、需要の兆しを見る仕組みがあるか

従来の分析は自社のPOSデータが中心で、過去の振り返りになりがちでした。外部データを重ねると、何が売れ始めているか、なぜ売れているかという背景が見えてきます。特定の色の検索が増えているのに自社の品ぞろえに足りない、といった兆しをシーズン前に捉えられれば、追加発注や色展開の見直しにつなげられます。

チェックリスト2：SNSや検索の分析で、仮説を裏付けているか

• SNSの画像から、色・形・素材・着こなしの傾向を数値として見られるか
• 特定のキーワードと一緒に投稿される画像の共通点を抽出できるか
• 分析の結果を、バイヤーの「流行りそうだ」という仮説の確認に使っているか

消費者の「欲しい」は、販売実績より先にSNSや検索に表れます。たとえば「キャンプ」と一緒に投稿されるウェアの色使いを分析すれば、アースカラーの中でも明るい色が選ばれている、といった具体的な傾向をつかめます。主観による仮説に客観的な裏付けを加えることが、この分析の役割です。

AIは流行の兆しをデータで示し、バイヤーの判断に説得力を与えます。

チェックリスト3：商品構成（アソートメント）の考え方が決まっているか

• 定番品を欠品させないための最小在庫を出せるか
• 短期で売り切るトレンド品の投入時期と数量を検討できるか
• 発売直後の売れ行きから、不良在庫になりそうな商品を早めに見つけられるか

アソートメントの最適化は、限られた棚やECの表示枠で、どの商品をどう組み合わせると収益が上がるかを考えることです。AIは商品同士の併売や代替の関係を分析し、自社商品どうしの食い合いを抑えた構成を提案します。ECでは商品が多すぎると顧客が選べなくなるため、顧客の層ごとに見せる商品と売る商品のバランスを試算します。

チェックリスト4：最後に決めるのはバイヤーか

• データ上は売れそうでも、ブランドに合わない商品を採用しない判断ができるか
• 数字はまだ小さくても、ブランドとして提案したい商品を選べるか
• 集計や予測の作業をAIに任せ、浮いた時間を企画や顧客との対話に充てているか

AIは過去と現在のデータから効率のよい答えを出しますが、それがブランドらしさを損なうこともあります。市場を追うだけでは他社と似た品ぞろえになり、価格競争に巻き込まれやすくなります。AIが示すのは選択肢であり、ブランドの世界観に基づいて選ぶのは人の役割です。

チェックリスト5：1つのカテゴリで「答え合わせ」から始めるか

• データが豊富で流行の影響を受けやすいカテゴリ（例：レディースのトップス、季節家電）を選んでいるか
• AIの推奨数量と、実際の発注数量・その理由をセットで記録しているか
• MDの予測を、販促や物流の担当とも共有できるか

1. 対象のカテゴリ、または1シーズンを選ぶ
2. 過去3年分の販売データに、SNSや競合サイトのデータを加える仕組みをつくる
3. 3〜6ヶ月ほど、AIの予測とバイヤーの予測を並べて記録する
4. シーズン後に差が出た原因を分析し、AIの設定かバイヤーの判断基準を見直す

答え合わせを繰り返すと、AIが強い流行と、有名人の着用のような突発的な需要には弱いといった限界が見えてきます。また、需要の急増を予測しても、販促や物流と連動しなければ成果につながりません。部署をまたいでデータを扱う体制や、MD担当者がデータを読む力を身につける機会も合わせて整えます。

MGCのAIソリューションと研修の場合

MGCでは、AIソリューションとして、業務へのAIの組み込みをPoC（小さく試して効果を確かめる段階）から進めています。PoCは100〜300万円が目安で、本番導入は要件に応じて個別にお見積もりします。期間はパイロット運用2〜4週間・本番運用1〜3ヶ月が目安で、範囲によって変わります。

担当者がAIの使い方を学ぶ場として、研修（1名398,000円（税込）、標準20時間、対面／オンライン）も提供しています。初回相談・お見積もりまでは無料で、専門チームが一貫して担当します。

• AIソリューション：業務へのAIの組み込みを、PoCから本番運用まで進める支援
• AI活用リスキリング研修：MD担当者がAIとデータの使い方を学ぶための研修

まとめ

MDにAIを使うときは、まずAIに求めるのは答えではなく判断の根拠だと決めます。そのうえで、自社と外部のデータの組み合わせ、SNSや検索での裏付け、商品構成、バイヤーの最終判断、1カテゴリでの答え合わせの5つを確認してください。市場の事実をAIが整理し、バイヤーがブランドの意志で選ぶ形が整います。

小売・ECの関連コラム

小売・EC

小売・ECの利益率を最大化する「AI価格最適化」の現実的な導入ステップ

2026.10.15小売・EC

小売・ECのOMOを加速するAI活用 — 実店舗とネットの「顧客体験」をどう繋ぐか

2026.10.03

本コラムは一般的な情報提供を目的としたもので、特定の成果を保証するものではありません。導入可否や効果は、企業の状況・データ・体制により異なります。具体的なご相談は個別にお問い合わせください。