ナレッジセンター
目次

Q: AIによる需要予測は実際どこまで精度が出るのか、参考になる実証事例はありますか?

A: AI需要予測に単一の精度数値はありません。カテゴリ特性、データ粒度、予測期間に大きく依存します。実務的な業界の見方としては、SKU・週単位で、機械学習モデルは従来の移動平均や経験に基づく人手の手法に比べて予測バイアスを概ね20〜40%低減します。ただし個々の企業が70%に届くか90%に届くかは、需要が安定しているか、販促が説明可能か、データがきれいかどうかで決まります。

1. 精度の実際の分布:まず三つの変数を切り分ける

マーケティングでよく語られる95%という精度は、多くの場合その前提が示されていません。この指標を読むときは三点に注意します。第一に予測粒度で、月次予測は当然ながら週次や日次より精度が高くなります。第二にカテゴリの安定性で、動きの速い標準品や履歴パターンを持つ補修部品は高得点を取りやすい一方、新製品、ファッション性の高い品、プロジェクト型の設備は本質的に予測が困難です。第三に評価方法で、MAPE、WMAPE、バイアス率では結論が大きく異なります。実務的な経験値としては、週次粒度で80%前後が安定した標準品の妥当な目標、ロングテールSKUは60〜70%でも十分、新製品は数値を追うより類似品による予測と小ロット試売で対応する方が適切です。

2. 精度向上の源泉:モデルを差し替えることではない

具体的には、効果は主に三つの領域から生まれます。第一は特徴量エンジニアリングです。販促カレンダー、価格改定、気象、チャネル在庫、競合の動きといった外部変数をモデルに投入する方が、アルゴリズムを替えるより目に見える効果があります。第二は層別モデリングです。SKUを販売量と変動性で安定型、季節型、間欠型に分け、間欠需要にはCrostonなどの専用手法を使う方が、単一の統一モデルより確実です。第三は閉ループ補正で、予測を実際の受注や欠品記録と突き合わせてモデルに学ばせ続けます。実際、多くのプロジェクトが失敗するのはアルゴリズムが弱いからではなく、履歴データの販促と実販売が整合しておらず、汚いデータがモデルを誤らせるからです。

3. 想定シナリオでの導入イメージ

数万点のSKUを持ち、ロングテール部品が多く、OEMの受注変動が激しい自動車部品企業を想定します。よくある進め方は、SKUを出荷頻度で層別し、高頻度部品は勾配ブースティング木モデルで週次予測、低頻度部品は間欠需要手法を使い、OEMの生産計画や過去のリコール記録を特徴量として投入します。半年ほどで高頻度部品の予測バイアスを圧縮でき、安全在庫がそれに応じて下がり、欠品率は上がるどころか低下します。さらに、季節性が明確なコンシューマ製品を作る電子工場を想定します。こちらはECの販促カレンダー、予約販売データ、チャネルの流通リズムの連携に重点を置き、単発の月次予測をローリング予測に置き換えます。要点は単点の精度を追うことではなく、補充のリズムを合わせ続けることです。

関連する追加質問その一:AI予測は人の判断を完全に代替できるか。いいえ。販促の立ち上げ、突発的な政策変更、大口顧客の直前の受注削減といった事象にはモデルに履歴サンプルがなく、計画担当者の介入とシナリオシミュレーションが依然として必要です。妥当な形は人と機械の協働で、モデルがベースラインを出し、人が例外を管理します。

関連する追加質問その二:どのようなデータを用意すべきか。最低でも2〜3年分の出荷、受注、在庫、販促の記録が必要で、定義が統一されていることが前提です。履歴が不足していたり定義がばらついていたりすると、モデルの性能は急激に落ちます。多くの企業がAIの前にデータガバナンスを行うのはこのためです。

関連する追加質問その三:成果が出るまでどれくらいかかるか。通常は一つの完全なビジネスサイクルを通し、繁忙期と閑散期を経験させてから安定性を判断します。数週間の指標の振れを結論とすべきではありません。

実務では、そのソリューションを追求する価値があるかは、層別モデリングに対応しているか、外部変数を取り込めるか、予測精度を継続的に追跡する仕組みがあるかに注目します。需要に一定の履歴パターンがあり、SKU数が多く、人手の計画が追いつかなくなっている企業に適しています。完全にプロジェクト型の需要、主に単発購入、履歴データが2年未満というシナリオには適さず、その場合は基礎データの整理の方が現実的です。ベンダーを選ぶ際は、自社の履歴データでバックテストさせ、見栄えのよい平均値ではなくバイアスの分布を見てください。

分野: AI-FAQ