需要予測 AI を 業務に効かせる、 データの揃え方。

「需要予測 AI を導入したい」というご相談は、ここ数年で目に見えて増えました。背景には、人手不足のなかで発注担当の勘と経験に頼り続けることへの不安や、在庫を持ちすぎても切らしても損失が出るという、流通・製造の現場が抱える切実な事情があります。AI が過去の売れ方から先を読んでくれるなら——その期待は、まったく正当なものです。

ところが、いざ導入してみると「思ったほど当たらない」「現場が結局これまでどおり手で発注している」という声を、私たちは何度も聞いてきました。そして原因を一緒にたどっていくと、ほとんどの場合、行き着く先はモデルやアルゴリズムではありません。その手前にある“データの状態”です。本記事では、需要予測 AI を本当に業務へ効かせるために、どんなデータをどう揃え、どう運用に乗せていくのかを、現場目線で具体的にお伝えします。

需要予測は「データ整備が8割」

需要予測と聞くと、どのアルゴリズムを使うか、最新の AI モデルかどうか、といった点に関心が向きがちです。けれど実務では、予測精度を左右する要因の大半は、モデルに食わせる前のデータの質で決まります。同じモデルでも、整ったデータと荒れたデータでは、出てくる予測の信頼性がまるで違うのです。

理由はシンプルです。需要予測 AI は、過去の販売実績という「事実の記録」からパターンを学びます。その記録に抜けや誤りが混ざっていれば、AI はそれも“事実”として学んでしまう。たとえば、本当はよく売れていた商品が、システムの登録漏れで「売れていない」と記録されていたら、AI はその商品の需要を低く見積もります。土台が傾いていれば、その上にどれだけ立派なモデルを乗せても、結果は傾いたままです。

だからこそ、私たちは需要予測の案件で、最初にモデルの話をしません。まず「どんなデータが、どんな形で、どれくらいの期間ぶん残っているか」を一緒に棚卸しします。地味な作業ですが、ここが全体の成否のほとんどを握っています。

つまずきは、この3つに集約される

実際の現場データを開いてみると、教科書のようにきれいな表が出てくることは、まずありません。長年の業務のなかで積み重なった“現実の癖”が、データのあちこちに刻まれています。私たちが繰り返し出会うつまずきは、大きく3つに整理できます。

ISSUE 01
欠損 — 記録が「ない」ことの意味

もっとも厄介なのが、データの欠損です。ある日の売上がまるごと抜けている、特定の商品の在庫数が空欄になっている。問題は、その「空欄」が何を意味するのかが曖昧なことです。売れなかったから0なのか、休業日で記録がないのか、それとも単なる入力漏れなのか。AI にとって、ゼロと「記録なし」はまったく別の情報です。ここを取り違えると、予測は静かに狂っていきます。欠損は埋める前に、まず「なぜ空いているのか」を現場と確認することが欠かせません。

ISSUE 02
表記揺れ — 同じものが、別物に見える

「(株)大商」「株式会社大商」「大商」、あるいは商品名の全角・半角や型番のスペースの有無。人間なら同じものだと分かるこうした“揺れ”を、コンピュータは別物として扱います。取引先や商品が違うものとして数えられれば、本来ひとまとまりで見るべき需要がバラバラに分解され、どの単位でも数が足りずにパターンが見えなくなります。表記揺れの統一は地味ですが、予測の解像度を大きく左右する工程です。

ISSUE 03
現場メモ — システムの外にある事実

そして見落とされがちなのが、システムに入っていない情報です。「あの週は近所でイベントがあって急に売れた」「あの月は機械の故障で出荷を止めた」。こうした出来事は、担当者の手帳やホワイトボード、口頭のやり取りのなかにだけ残っています。AI から見れば、理由の分からない突発的な山や谷でしかなく、ノイズとして予測を乱します。現場の頭の中にある“なぜ”を、いかにデータの隣に置けるかが、精度の上限を引き上げます。

— Note

「AI は、与えられた記録を“世界のすべて”だと信じます。
だから、現場が知っている事実を記録の側に渡してあげることが、私たちの仕事です。」

発注・在庫に効くデータの集め方

では、需要予測を発注や在庫管理に役立てるために、何をどう集めればよいのでしょうか。完璧なデータ基盤を一から作る必要はありません。むしろ、いま手元にあるものを“予測が読める形”に揃えていくのが現実的です。私たちが最初に押さえるのは、次のような点です。

• 販売実績は「いつ・何が・いくつ」を、できるだけ細かい単位（日次・商品単位）で残す
• 在庫と発注の履歴を、販売実績と同じ商品コードで突き合わせられるようにする
• 欠品・販促・価格変更があった期間に、後から印（フラグ）を付けておく
• 天候・地域の行事・連休など、需要を動かす“外の要因”を別表で持っておく

ポイントは、すべてを一度に完璧へ持っていこうとしないことです。まずは「日次・商品単位の売上」と「欠品の有無」という、効きの大きい2つから始めるだけでも、予測の足腰は大きく変わります。データは溜めるほど価値が出ますから、早く始めて、運用しながら整えていく順番が結局いちばんの近道です。

あわせて大切なのが、現場メモを“仕組み”として残すことです。担当者の記憶に頼るのではなく、たとえば日報の片隅に「特売」「天候不良」「イベント」といった選べる項目を用意し、ひと押しで記録できるようにする。負担を増やさず事実を拾える導線を業務のなかに置くことが、生きたデータを育てる第一歩になります。

予測を「運用に乗せる」という最後の壁

データが整い、予測の数字が出るようになっても、それで終わりではありません。むしろ本当の勝負は、その予測を日々の発注や在庫の判断に“どう乗せるか”という運用設計にあります。どれだけ精度の高い数字でも、現場が使わなければ意味がないからです。

私たちが大切にしているのは、AI の予測を「絶対の答え」ではなく「たたき台」として現場に渡すことです。予測値をそのまま自動発注に直結させるのではなく、まずは担当者の手元に「AI はこう見ています」という参考値として届ける。担当者は自分の判断と見比べ、違うと感じれば理由とともに修正します。その修正の積み重ねが、次のデータとしてモデルに返り、予測はさらに現場に馴染んでいきます。

そしてもうひとつ欠かせないのが、予測が当たったか外れたかを振り返る習慣です。外れたとき、それはデータの問題なのか、想定外の出来事だったのか。原因を現場と一緒に言葉にすることで、「次はこの要因も記録しておこう」という改善が生まれます。需要予測 AI は、入れて終わりの道具ではなく、現場と一緒に育てていく仕組みなのです。この往復があってはじめて、予測は発注や在庫の精度として返ってきます。

派手さの手前にある仕事を、伴走する

需要予測 AI の話題では、どうしても「どんなモデルか」「どれくらい当たるか」に注目が集まります。けれど、これまで述べてきたとおり、成否を分けるのは派手なモデルではなく、欠損を読み解き、表記を揃え、現場の事実を記録に変えるという、地味で根気のいる土台づくりです。ここを飛ばして得た予測は、たいてい現場に根づきません。

私たち d-studio は、北九州を拠点に、この“手前の仕事”を含めて伴走してきました。お客様の販売や在庫のデータを一緒に開き、何が記録され、何が抜けているのかを確かめるところから始めます。最新の AI を売り込むのではなく、その会社の業務に本当に効く形を、対話のなかから設計していく。小さく始めて、運用しながら育てていくという進め方は、需要予測でも同じです。

「うちのデータで、本当に予測なんてできるのだろうか」——そんな不安からのご相談こそ歓迎です。完璧なデータがある会社など、ほとんどありません。いまある記録を一緒に棚卸しするところから、あなたの会社の発注と在庫を支える“効く需要予測”への一歩を、ご一緒させてください。