フレームワーク活用ガイドひとことで言うと#
過去の販売データ・市場トレンド・外部要因を組み合わせて将来の需要量を推定する手法の総称。「何が・いつ・どれだけ売れるか」を事前に見積もることで、在庫の過不足、機会損失、廃棄ロスを最小化する。完璧な予測は不可能だが、「当てずっぽう」と「データに基づく推定」の間には大きな差がある。
押さえておきたい用語#
- 定量予測（Quantitative Forecasting）
- 過去の販売データや統計モデルに基づく数値ベースの予測手法。移動平均法、指数平滑法、回帰分析などが含まれる。
- 定性予測（Qualitative Forecasting）
- データが不十分なときに、専門家の知見や市場調査で判断する予測手法。デルファイ法やシナリオプランニングが代表例。
- 移動平均法（Moving Average）
- 過去N期間の平均値で次の期間を予測する方法。計算がシンプルでトレンドの大まかな方向を掴むのに適している。
- 安全在庫（Safety Stock）
- 需要予測のブレ（予測誤差）を吸収するために持つバッファとしての在庫。予測精度が高いほど安全在庫は少なくて済む。
需要予測フレームワークの全体像#
こんな悩みに効く#
- 在庫が余って廃棄ロスが出る一方、欠品による機会損失も起きている
- 「勘と経験」で発注量を決めていて、精度にばらつきがある
- 新商品の販売量をどう見積もればいいかわからない
基本の使い方#
予測の精度はデータの質で決まる。最低でも2〜3年分のデータが欲しい。
- 内部データ: 日次・週次・月次の販売実績、返品率、在庫推移
- 外部データ: 天候、祝日、競合の動き、経済指標、SNSトレンド
- 季節性: クリスマス商戦、夏季需要など、繰り返すパターンを特定する
データの量と商品の特性に応じて手法を使い分ける。
| 状況 | 推奨手法 |
|---|---|
| 過去データが豊富で安定した需要 | 移動平均法・指数平滑法 |
| トレンドや季節変動が明確 | 時系列分析（ARIMA） |
| 外部要因（価格・広告）の影響が大きい | 回帰分析 |
| 新商品でデータがない | 類似商品の実績＋専門家判断 |
| 不確実性が高い | シナリオプランニング |
1回の予測で終わりにせず、PDCAを回す。
- 予測値と実績のズレ（予測誤差）を毎月計測する
- MAPE（平均絶対パーセント誤差）で精度を数値化する
- 誤差が大きい商品カテゴリを特定し、手法やデータを見直す
具体例#
背景: 都内12店舗のベーカリー。1日あたり平均120種類のパンを製造。廃棄率が売上の 12%（年間約2,400万円）
手法: 3ヶ月分の日次販売データ ×（曜日 + 天候 + 気温 + 近隣イベント）で回帰分析モデルを構築
発見:
- 雨の日は来店客数が平均22%減少するが、惣菜パンの売上は8%しか減らない（買い物のついで買い）
- 金曜日は食パンの売上が平日平均の1.4倍（週末分をまとめ買い）
- 近隣で大規模イベント開催時は菓子パンが1.6倍
結果: 各店舗・各商品カテゴリごとに日次で発注量を調整。3ヶ月で廃棄率が 12%→6.8% に改善。年間約1,000万円の廃棄コスト削減に加え、欠品率も 8%→4% に低下して機会損失も減った。
背景: 年商8億円のアパレルEC。シーズン商品の在庫消化率が平均68%で、毎シーズン約1億円の在庫処分セールを実施
手法: 過去3年の販売データ + Googleトレンド + SNS分析のハイブリッド予測
| データソース | 活用方法 |
|---|---|
| 過去販売データ | ベースラインの季節曲線を作成 |
| Googleトレンド | カテゴリの検索量で需要の立ち上がり時期を補正 |
| Instagram投稿数 | トレンドアイテムの需要ピーク予測 |
| 気象庁の長期予報 | 秋冬物の立ち上がり時期を±2週間で調整 |
結果: 初回仕入れ量を従来の70%に抑え、売れ行きを見て追加発注する「QR（Quick Response）発注」に切り替え。在庫消化率が 68%→84% に改善し、在庫処分セールの規模が 1億円→3,500万円 に縮小。粗利率は通年で 4.2ポイント 改善された。
背景: 年商120億円の建設資材メーカー。取扱SKUが2,800点。担当者10名が毎月3日間かけてExcelで需要予測を作成しているが、MAPE（平均絶対パーセント誤差）は32%
手法: 機械学習モデル（LightGBM）を導入
- 入力データ: 過去5年の月次販売データ、建設着工統計、住宅ローン金利、原材料価格、天候データ
- モデル: SKUごとに自動で最適なパラメータを選択
- 運用: AIの予測値を営業チームがレビューし、大規模案件情報で手動補正
| 指標 | 導入前 | 導入後 |
|---|---|---|
| MAPE | 32% | 18% |
| 予測作成時間 | 月30人日 | 月5人日 |
| 欠品率 | 7.2% | 3.1% |
| 過剰在庫額 | 4.2億円 | 2.6億円 |
予測精度の改善だけでなく、予測作成時間が 月30人日→5人日 に短縮されたことで、担当者は「予測作成」から「予測結果に基づく意思決定」に注力できるようになった。
やりがちな失敗パターン#
- 過去データだけに頼る — 「去年の同月比+5%」は最も安易な予測。市場環境の変化、競合の動き、自社の施策変更を加味しないと外れる
- 精度100%を目指す — 需要予測は「正確に当てる」ものではなく「ブレ幅を小さくする」もの。予測誤差は必ず発生するので、安全在庫でバッファを持つ設計にする
- 予測モデルを一度作って放置する — 市場は常に変化する。月次でMAPEを計測し、精度が悪化していたらモデルを更新する
- 予測と意思決定を切り離す — 予測値を出しただけでは意味がない。在庫計画、生産計画、販促計画に具体的に接続して初めて価値が出る
まとめ#
需要予測は「当てること」が目的ではなく、「不確実性を縮小して意思決定の質を上げること」が本質。定量・定性・ハイブリッドの手法を商品や状況に応じて使い分け、予測値と実績のズレを継続的に計測・改善していく。完璧な予測は存在しないが、データに基づく推定は勘と経験だけの判断を確実に超える。