ナレッジセンター
目次

Q: AIによるサプライチェーン需要予測の精度について、よくある誤解は何か?

A: 最大の誤解は、「予測精度」を単一の指標として追い、その統計的定義、業務上の区分、意思決定上の価値の違いを無視することだ。多くの企業が全体のMAPEを1つ見て最適化するが、倉庫では必要なものが欠品し、不要なものが山積みのままになる。

以下、順を追って分解するので、AI需要予測を評価したり推進したりする際に自社の状況に当てはめてほしい。

ステップ1:精度の算出方法を明確にする。違う物差しで測った数値を比べない

よく使われるのはMAPE(平均絶対誤差率)だが、これは少量SKUに極めて不親切だ。1日2個売れる部品を4個と予測すれば誤差は100%になるが、業務上の影響はほとんどない。より合理的なのは区分別の指標で、多量SKUにはMAPEやWAPE、低頻度のロングテール品にはバイアスと欠品率、新製品には予測区間のカバー率を使う。「精度95%を達成している」と聞いたら、まず問うべきは「どう計算し、どのSKU区分での数字か」だ。

ステップ2:予測精度と在庫の健全性を同一視しない

予測が正確でも在庫が正しくなるわけではない。ある自動車部品企業が主要部品の予測誤差を30%から15%に下げたとする。しかし安全在庫のパラメータ、補充のリードタイム、最小発注量を合わせて調整しなければ、死蔵在庫と欠品は依然として起きる。需要予測の出力は将来の需要分布であり、在庫を実際に決めるのは補充方針だ。AI予測を評価するときは、予測誤差とあわせて、結果としての在庫回転率、欠品率、死蔵在庫額を見るべきで、精度だけを見るのは自己満足にすぎない。

ステップ3:未来情報の混入による精度の水増しに注意する

これは最もよくある技術的な落とし穴だ。特徴量に受注後にしか生成されない項目(実出荷数量や事後調整された注文など)が含まれていると、モデルはバックテストで素晴らしい成績を出し、本番で崩れる。ベンダーが厳密な時系列分割を行い、ランダム分割ではなくウォークフォワード検証を使っているかを確認する。加えて、販促や大口顧客の一括調達といったイベントは、因果モデルやルールベースで別途扱うべきだ。統計モデルに無理に押し込むと、精度の数字はよくなるが説明ができなくなる。

ステップ4:「統計的に正確」と「意思決定に有用」を区別する

サプライチェーンが必要としているのは精緻な曲線ではなく、補充、生産計画、移送を支える意思決定の入力だ。ある電子工場の本当の痛点は、全体の誤差ではなく、少数の重要品番を系統的に過小評価していることにある場合が多い。だからより実践的なのは、Aクラス材料ではバイアスを補正できるかを見て、ロングテール材料では予測区間がばらつきをカバーできる幅かを見ることだ。AI需要予測の価値は分布と信頼区間を出すことにあり、精緻を装った点推定値ではない。

関連質問1:精度がどれだけ改善すれば意味があるのか。

固定のしきい値はなく、補充サイクルと欠品コストによる。リードタイムが長く欠品コストが高い品類は、誤差の削減が明確な効果を生む。短サイクルで素早く補充できる品類は、限界的な効果は限られる。基準は在庫回転率と受注充足率の同時変化に置くべきだ。

関連質問2:AI予測は人の判断を完全に代替できるか。

できない。販促計画、大口顧客の入札、政策変更といった疎なイベントは、モデルに過去サンプルがなく、人の入力調整係数が必要だ。健全な構成は、モデルがベースラインを出し、計画部門と営業がイベントを上乗せし、人の調整を記録してモデルにフィードバックする形だ。

関連質問3:AI予測の採用前に、データはどこまで整える必要があるか。

最低でも2〜3年分の日次または週次の履歴、比較的きれいなSKUマスタ、販促フラグが必要だ。履歴が短すぎる、SKUコードの変更が頻繁、販促記録の欠落は、いずれも精度の数値を歪める。モデルを論じる前にデータ整備を行い、順序を逆にすると投資を無駄にしやすい。

向く場面と向かない場面:SKUが多く、需要に歴史的な規則性があり、補充サイクルが長めの製造業や小売のシーンは、区分別評価を前提としたAIベースライン予測に向く。新製品の比率が極端に高い、完全な受注設計生産、履歴が2年未満といったシーンは、精度を追うよりマスタデータと補充ルールを整えるほうが有効だ。次に注目すべきは、ベンダーに指標の定義、バックテストの方法、予測出力が補充の意思決定にどうつながるかを説明させることであり、精度のパーセント1つを見ることではない。

分野: AI-FAQ