小売・ECの需要予測AI活用 — 勘とデータをつなぐ在庫最適化

需要予測にAIを入れるとき、すべての商品の発注を完全に自動化しようとしてつまずく例が多く見られます。大事なのは、現場のノウハウとAIの計算をどこで組み合わせるかを先に決めることです。この記事では、欠品と過剰在庫の両方を防ぐために確認したい項目を整理します。

まず決めること：AIは勘の置き換えではなく、判断の土台

需要予測AIは、過去の売上実績や外部データから将来の需要数量を算出する仕組みです。つまずく原因で多いのは、「AIを入れれば需要が当たる」という期待です。天候や競合の動き、SNSでの急な話題化など、小売・ECの現場は予測しにくい要因に毎日さらされています。

発注担当者は、経験や感覚で発注数を微調整してきました。そこに「明日からAIの数値どおりに発注を」と持ち込むと、担当者が数値を大きく直す「名ばかりの自動化」になりがちです。AIは過去の規則性を計算して人の判断を助ける土台と位置づけ、人の判断をどこで入れるかを先に設計します。

チェックリスト1：AIに任せる商品と、人が判断する商品を分けているか

• 通年で安定して売れる定番品や、販売履歴の長い商品をAIに任せているか
• 新商品、季節限定品、テレビやSNSで急に話題になった商品、廃番前の売り切り品を人の判断に残しているか
• 大型特売やポイント還元の対象品は、AIが出した基本の需要に販促担当者が上乗せする形か

売れ行きの波が穏やかな洗剤や文具などは、過去の傾向と在庫数から再発注点（発注をかける在庫の基準）をAIで出せます。一方、流行の変化が速いアパレルや季節家電は、過去データだけでは読み切れません。数の多い定番品の発注をAIで省力化し、浮いた時間を新商品や特売品の計画に回すのが現実的な分担です。

チェックリスト2：入力データに優先順位をつけているか

• 過去の販売実績（日次・商品別）、現在の在庫数、発注から納品までの日数（リードタイム）がそろっているか
• 価格や特売の履歴、曜日・祝日・連休・給料日などのカレンダー情報を加えられるか
• 欠品していた期間のデータを、補正するか学習から外しているか

最初からあらゆるデータを集めると、構築の費用と整理の負担が大きくなります。基本の販売・在庫データから始め、気象や販促の記録、さらにSNSの言及や競合価格へと段階的に広げます。在庫切れで売上がゼロだった日をそのまま学習させると、AIは需要がなかったと誤解します。データの不整合を整える作業（クレンジング）を丁寧に行うことが、手法の選択より予測に効きます。

チェックリスト3：精度を「的中率」だけで評価していないか

• 売れ残りのコスト（値下げ・廃棄・保管料）と、欠品による機会損失を商品ごとに比べているか
• 生鮮品や惣菜など廃棄に直結する商品は、控えめに予測する設定か
• 安全在庫（需要の急増や納品の遅れに備える予備の在庫）の基準を、商品群ごとに変えられるか

的中率という一つの数字だけで判断すると、自社にとっての損得が見えません。粗利が高く保管費用のかからない消耗品なら、多めに予測して欠品を防ぐ設定が合理的です。事業方針に合わせて、予測をどちらに寄せるかを調整できる状態をつくります。

AIの予測値は正解ではなく、欠品リスクと在庫コストの優先度に応じて調整するものです。

チェックリスト4：段階を踏んで自動化の範囲を広げる計画か

• 対象を1店舗、または1〜2の定番カテゴリに絞って始めるか
• いきなり自動発注にせず、AIの推奨数を担当者が確認して決める期間を設けているか
• 担当者がAIの数値を直したとき、その理由を記録しているか

1. 対象の店舗とカテゴリを絞り込む
2. AIの予測を発注には使わず、担当者の発注数と1〜2ヶ月ほど毎日比べる（シャドー検証）
3. AIの推奨数を画面に示し、担当者が確認して決める「提案モード」で運用する
4. 手修正の理由（例：テレビで紹介されるため＋50個）を記録・集計する
5. 手修正が少なくなった安定商品から、承認なしの自動発注へ移す

初期の手修正は問題ありません。修正の理由を分析すると、AIに加えるべきデータやルールが見えてきます。シャドー検証と提案モードを挟むことで、担当者は自分の勘とAIの予測を客観的に比べられ、現場の納得も得やすくなります。

チェックリスト5：予測の根拠を現場に見せているか

• 過去実績や天候補正など、予測の主な根拠を担当者が画面で確かめられるか
• 大型台風の接近時など、AIの予測を止めて人が判断する条件を決めているか
• 月1回など、外れた要因を現場と一緒に振り返る場があるか

根拠の見えないAIは、現場から敬遠されます。「過去4週間の平均売上」「来週の予想気温が前週より5度高い」といった根拠が見えれば、担当者は数値を判断材料として使えます。導入は一度きりの構築ではなく、振り返りを通じて現場の知見を設定に反映し続ける運用です。

MGCのAIソリューションの場合

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、対象にする範囲によって変わります。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
• 料金の考え方：AIソリューションの費用の構成と目安

まとめ

需要予測AIを進めるときは、まずAIを勘の置き換えではなく判断の土台と位置づけます。そのうえで、商品の切り分け、入力データの優先順位、的中率以外の評価、段階的な自動化、根拠の見える化の5つを確認してください。定番品の発注をAIが支え、人が新商品や特売の計画に集中できる形が整います。

小売・ECの関連コラム

小売・EC

小売・ECのパーソナライズ化にAIをどう活用するか — 「個」に寄り添う接客を自動化する

2026.08.07小売・EC

小売・ECの現場を支える生成AI活用 — 顧客対応と業務効率を両立する

2026.08.22

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。