近年マーケットの多様化が進み、消費者のニーズは一層細分化されています。消費者の需要を正確に予測し、先を見通すことの重要性が高まりつつあるのです。
しかし、こうした社会の変化とは裏腹に、需要予測業務における属人化やリソース不足といった課題は、特に中小企業において大きな悩みとなっています。
需要予測は、生産管理や在庫管理を最適化する上で欠かせない業務であり、企業活動の根幹を支える重要なプロセスです。その正確性と効率性をいかに確保するかは、今後さらに重要性を増していくと考えられます。
本記事では、需要予測にAIを活用するメリットと、実際に導入した企業の成功事例について解説します。
AIを使って需要予測や売上予測はできる？
生産管理や在庫管理などに必要な「見通し」を立てる上で、需要予測や売上予測は欠かせません。従来ではベテラン担当者の経験や勘に頼っていましたが、近年ではAI活用により高い精度で予測することが可能になりました。
しかし、需要予測や売上予測を見誤ると、その後の生産計画や在庫管理に大きな影響を及ぼす可能性があります。導入にあたっては事前の検証や実証実験を踏まえ、慎重に進めることが重要です。
需要予測にAIを導入する5つのメリット
需要予測にAIを導入するメリットは、単に予測精度が向上することにとどまりません。企業の意思決定やビジネス戦略の遂行にもポジティブな影響をもたらします。
ここでは、主なメリットを5つご紹介します。
データに基づく生産計画を立案できる
生産計画の根拠が曖昧な状態は、望ましいとはいえません。しかし、実際には多くの企業や現場において、担当者の経験や勘といった主観的な情報が生産計画立案の根拠となっているのが実情です。
AIを活用した需要分析は膨大なデータをもとに行われるため、客観的で精度の高い意思決定が可能になります。データ抽出が手動から自動になることで、迅速かつ高精度に進められることも重要なポイントです。
正確かつ多目的変数に対応できる
AIは数百から数千種類のデータを同時に処理できるため、人間や従来の需要予測ツールと比べて、より広範な要素を考慮した予測が可能です。
例えば、気温や曜日の特性、前年の販売実績に加えて、Web上の商品レビューや口コミ件数、販促データ、ECサイトのアクセス数、SNS上のポジティブな投稿の割合など、さまざまな多目的変数を同時に扱います。
これにより、予測値と実測値との誤差を最小限に抑えた正確な需要予測が実現できます。
在庫を最適化できる
在庫を最適化するには、在庫数と販売データを正確に把握し、迅速に発注プロセスを実行することが求められます。AIを組み合わせることで、こうした工程は効率化を実現できます。
さらに、AIは精度の高い需要予測に基づいて発注量を自動的に提案するため、発注担当者は業務に多くの時間を割くことなく、常に最適な在庫数を維持できるでしょう。
また、商品改廃に伴う在庫の抑制や、突発的な在庫量の変動にも対応可能です。
業務品質を均一化できる
担当者の経験や勘に頼る需要予測では、その精度にばらつきが生じやすく、需要予測に基づく生産計画や在庫管理の業務品質にも影響を与えてしまいます。
しかしAIを活用した需要予測であれば、属人的な作業が標準化され、関連する業務全体の品質を均一化することができます。
データドリブン経営を実践できる
需要予測は、生産計画や在庫管理といった一連の業務の起点であり、企業活動全体の見通しを立てる上でも極めて重要な役割を担っています。
AIが客観的なデータに基づいて需要予測を行うことで、データドリブンを幹として経営戦略や各種施策を遂行することができます。
例えば、現実的な根拠やデータに基づいてKGIやKPIを設定できることから、AIは経営者の頼れる伴走者としても期待されています。
需要予測にAIが機能しない2つのパターン
AIによる需要予測は、経営や生産管理、在庫管理といった業務に大きなメリットをもたらしますが、機能しないケースも存在します。
ここでは、AIによる需要予測が効果を発揮しにくい状況について見ていきましょう。
データ量が少ない場合
AIが需要や売上を高精度で予測するためには、学習用データが欠かせません。特に導入初期には、さまざまなデータを学習させる必要があります。データ同士の関連性を見ながら、どういったデータの影響度が大きいのか見極めつつ、予測精度を高めていくのです。
裏を返せば、AIに学習させるデータ量が不十分な場合、学習がスムーズに進まない可能性があります。その結果、高精度の予測を実現できず、うまく活用できないという状況に陥ることもあるでしょう。
想定外の事態が起きる場合
AIによる予測は、あくまで過去の実績データに基づいた学習によって行われます。そのため、過去に前例のない想定外の状況下においては、期待した精度での予測が得られない可能性があります。
例えば、記憶に新しいコロナ禍のようなパンデミックでは「三密の回避」が強く求められる状況となり、小売店や飲食店の需要や売上を正確に予測するのは非常に困難でした。
AIを活用して需要予測をする方法
ここでは、需要予測に活用できる代表的な数学的手法を４つご紹介します。
なお機械学習を除く３つの手法については、Pythonなどのプログラミング言語を用いて、簡易的な予測ツールを自作することも可能です。
移動平均法
回帰分析
指数平滑法
機械学習手法
では4つの手法を見ていきましょう。
移動平均法
移動平均法はデータ推移（トレンド）を把握するための手法であり、株価チャートなどでも広く用いられています。この手法では、あらかじめ定めた期間ごとに平均値を計算し、一定の間隔でずらしながら推移を追うことで全体的な傾向を可視化します。
例えば「日・月・火の平均」「月・火・水の平均」「火・水・木の平均」といったように、1日ずつ期間をずらしながら平均値を計算することで、1週間の売上個数の動向を把握できます。
移動平均法の特徴は、個々のデータの細かい変動に左右されず、上昇傾向や下降傾向といった全体的な流れを捉えやすい点にあります。一方で、急激な変化が平均に反映されにくいことや、最新データと古いデータに同じ重みを与えてしまうことなどがデメリットに挙げられます。
回帰分析
回帰分析とは、データ同士の関係性から予測可能な数式を導き出す分析手法です。ある数値（原因）が変化したときに、別の数値（結果）がどの程度変化するのかを分析します。
例えば、「前日と当日の気温差」と「アイスクリームの売り上げ」の関係を数式化できれば、「気温が前日から3度上昇した場合、アイスの売り上げがどの程度増えるか」といった予測が可能になります。
需要予測においては、過去の実績データをもとに「需要に対してどの要素がどれだけ影響を与えるか」を回帰分析し、将来の需要予測に活用します。
指数平滑法
指数平滑法は、直近の新しいデータを重視して予測を行う手法です。この手法では、新しいデータと古いデータを均等に扱わず、新しいデータほど予測への影響が大きく、古いデータの影響は小さくなるよう調整されます。
そのため、直近の変化に対する予測精度が高くなりやすい点がメリットに挙げられます。
機械学習手法
機械学習手法とは、過去の膨大なデータから相関関係や需要に影響を与える要因、変化の傾向などを学習し、AIが予測に必要なモデルを生成する手法です。
人間では気づきにくい複雑な相関関係以外に、潜在的な需要要因もデータの中から発見できるため、より現実世界の動きに即した高精度な予測が可能になります。
需要予測にAIを導入した企業事例
AIによる需要予測は、小売や製造業にとどまらず、農業やスポーツといったさまざまな業界で導入が進んでいます。
在庫の最適化や業務の効率化、来客数の予測といった分野で、AIを活用して成果を上げている事例を見ていきましょう。
介護レンタル事業の体質改善を実現｜フランスベッド株式会社
フランスベッド株式会社では、ARIの基幹サービス「detaris（デタリス）」を活用し、データの見える化とデータドリブンな経営を実現しました。
在庫数、出荷数などを分析し、発注すべき商品を見える化するなど、業務効率化に成功しています。これは社内で解決すべき課題とデータを結びつけた好例といえるでしょう。
さらに、ビジネスフローをもとにデータ分析体制を構築したことで、仕入れと在庫の最適化が進み、億単位での効果が出ています。
データドリブンでビジネスゴールを整理、設定し、大きなビジネスインパクト（売上改善、コスト削減）を残しました。
全店舗に自動発注サービス導入｜大手スーパーチェーン
販売実績、気象情報、企画情報などをもとに、AIが需要を予測して自動的に発注するシステムを全店舗に導入しました。
販売量の変動が大きい食料品や加工食品においても、高い精度で需要を予測できることから、対象商品の発注作業時間を約5割削減したとされています。
また、このシステムは従業員のスキルに依存しないため、業務の標準化の実現も期待されています。
未来のタクシー乗車需要を予測｜通信会社
同社が2016年に実証実験した「AIタクシー」は、タクシーの乗車需要を10分ごとに高精度で予測するシステムです。
このシステムでは、携帯電話ネットワークを活用した人口統計に加え、リアルタイムのタクシー運行データ、さらに気象情報や周辺施設のデータも考慮してAIが予測します。
4か月間での実証実験では、全期間を通じて売上の向上が確認され、予測精度は最大で92％に達したと報告されています。
さまざまなデータを駆使する来客予測｜飲食業
老舗食堂を運営する同社は、予測的中率95％超の来客予測システムを自社開発し、5年間で売上を5倍、利益率を10倍に伸ばしました。
来客予測の活用範囲は、食材の発注や従業員のシフト管理、販売促進、事業計画の策定など多岐にわたります。さらに、庫内在庫ベースで食品ロスを約90％削減したと報告されています。
またコロナ禍においても、蓄積されたデータに基づいて休業や営業再開の判断を下すなど、データ経営によって危機を乗り越えました。
近未来の蒸気量需要を予測｜総合化学メーカー
同社では工場の省エネルギー化や生産効率の最適化を図る上で重要となる「蒸気量需要」の予測を行い、大阪工場のバッチプラントにおいて、近未来の蒸気量変動予測を開始しました。
この取り組みにより高精度な予測が実現すれば、過剰な燃料消費の抑制やエネルギーコストの最適化にも貢献すると期待されています。
ECサイトの販売予測｜電気機器メーカー
タイガー魔法瓶株式会社では、ベテラン社員のノウハウをAIに継承する取り組みを進めており、ECサイトでの販売予測や店頭販売品を含む需要予測にも活用しています。
この取り組みにより、全体業務の7割～8割をAIが担うことになりました。人間が最終的な判断や調整を行う体制を目指して、AI導入を積極的に推進しています。
毎日の入電数を予測｜事務業務・コールセンター業務受託・運営会社
同社では、これまで工数と属人化が課題となっていた入電数予測にAIを導入しました。その結果、予測にかかる工数を15％削減し、予測精度も1.2倍に向上したと報告されています。
さらに、AIの活用によって作業の標準化が進み、担当者ごとの予測精度のばらつきも解消されました。
サッカー×ビッグデータで需要予測｜プロサッカーリーグ運営会社
同リーグでは、ビッグデータ分析に基づいてAIが試合ごとの需要を予測し、チケット価格を自動的に調整する仕組みを導入しています。
この仕組みにより、サポーターは試合ごとに適正価格でチケットを購入できるようになり、高額転売の抑止にもつながると期待されています。
農作物の生産量を予測｜地方公共団体
同県では、ハウス内の環境データや作物の生育データなどをもとに、最長で3週間先の生産量を予測するシステムを構築しました。
このシステムにより、安定的な取引や大口予約による相対取引が増加し、収入増加や生産者の安定的な生産体制に貢献すると期待されています。
国内の電力需給を予測｜情報・通信業
同社は、猛暑下においても効果的な節電を支援するため、電力需給をAIで予測し「電力需給予報」として公開しました。
この予報は、電力需要の予測に特化したAIモデルによって算出されており、全国の電力会社における電力逼迫度を時系列で可視化しています。
商品を1年分需要予測｜医薬品製造業
同社はAIによる需要予測を導入し、99.5％という高い精度を実現しています。この高精度な予測により、1か月かかっていた予測作業がわずか数秒に短縮され、生産計画も約10分で完了するようになりました。
さらに、原材料在庫の適正化や業務の属人化といった課題も解決されています。
AI需要予測ツールを検討する方へ
需要予測は生産管理や在庫管理といった業務の起点であり、将来の見通しを立てるという点では、経営やビジネス戦略とも密接に関わっています。
特にデータに基づく意思決定やデータドリブンなビジネス戦略を策定、実行を進める上で、需要予測は欠かせない存在です。
ご紹介した事例のように、多くの企業がAIによる需要予測を導入することで、さまざまなビジネス課題の解決につなげています。
ARIでは、データ分析、データの収集・加工・予測分析など、AIを活用したサービス「dataris」を提供しています。
詳しい概要は以下リンクをご確認ください。
