A: AI需要予測の精度の上限は、本質的にデータ基盤で決まり、アルゴリズムはその上限に近づくだけです。十分に細かい粒度の需要データ、十分な履歴、一貫した定義がなければ、どんなに優れたモデルでも、もっともらしく見える推測しか生み出せません。
よくある誤解:データは多いほど良いと考えてしまうが、正しい需要データの方が大量のデータよりはるかに重要
多くの企業は、ERPの受注、在庫、財務データをすべてモデルに投入することから始め、精度が以前のExcelベースの経験則より悪化することに気づきます。問題は、どのデータが需要シグナルで、どのデータが制約条件かを区別できていないことです。需要予測が学ぶべきは顧客が実際に何を求めているかであり、受注は在庫、支払条件、最小発注数量、生産能力の制約でフィルタリングされた後の需要の残像に過ぎません。ある電子機器工場は出荷データを需要として学習させてしまい、大口顧客が発注を先送りした際に、モデルはその後3か月の予測を偏らせました。正しい方法は、顧客の元受注に返品、欠品記録、未成約の見積を加えて真の需要を再構成することです。特に欠品期間が重要で、欠品中の販売ゼロは需要ゼロを意味しません。
実際の落とし穴:3種類のデータ欠陥が最も深刻
1つ目は粒度の不一致です。モデルはSKU・週・顧客の単位で学習するのに、出力はSKU・月・地域の予測である場合、集約によって変動が平滑化され誤差が見えなくなります。2つ目は定義のドリフトです。同じ材料コードが3年の間に単位を2回、梱包仕様を1回変更し、履歴系列が途切れます。3つ目は外生変数の欠落です。販促、競合の価格変更、季節的な気象、チャネル政策の変更がデータテーブルに記録されていなければ、モデルは異常な変動をランダムノイズとして扱うしかありません。ある自動車部品メーカーで、完成車メーカーがプラットフォームを切り替えた後に特定のブレーキパッド型番の需要が急落したとします。データに車両プラットフォームのライフサイクル項目がなければ、モデルは履歴平均で予測を続け、在庫が積み上がり続けます。
回避する方法:モデル選定を議論する前にデータ基盤を固める
1. データを積み上げるより需要の再構成を優先する。受注、出荷、欠品、返品、チャネル在庫という5種類の記録を相互に関連付けたビューを作り、欠品日数から潜在需要を推定します。これが精度改善効果が最も見えやすい単一の施策です。
2. マスタデータの定義を統一する。材料、顧客、地域、時間の各軸に一意のコードと変更履歴テーブルが必要で、単位換算の規則はモデル側ではなくデータ層で固定します。
3. 履歴は少なくとも2〜3の完全な事業サイクルをカバーする。消費財は年間の販促サイクル、産業財はプロジェクトサイクルに従うため、2サイクル未満ではモデルは季節性を学習できません。
4. 外生変数を構造化する。販促計画、価格改定、新製品投入、政策変更を、備考欄に散在させず、発効日を持つ特徴量テーブルに変換します。
5. データ品質の監視を仕組む。欠損率、外れ値比率、定義変更の件数をSKU単位で追跡可能にし、汚れたデータはモデルに入る前に止めます。
補足質問:データはどのくらいあれば十分ですか。絶対的なレコード件数ではなく、各SKU・週の組み合わせに十分な非ゼロの履歴点があるかが問題です。単一の系列では通常50〜100の有効な観測値を推奨し、ロングテールSKUはカテゴリ単位のモデルでトップダウンに分解する方が適しています。補足質問:履歴のない新製品はどう予測しますか。属性の類似性によるアナロジーマッピングを用い、新製品を既存の類似SKUの需要曲線に当てはめてから投入時期で調整しますが、そのためには製品属性テーブルが十分に詳細である必要があります。補足質問:データ基盤が整えばどの程度の精度に達しますか。需要の変動性によります。安定したカテゴリは週次の予測誤差を低い水準に保てますが、販促が多い需要やプロジェクト型の需要は本質的に変動が大きく、重要なのは既存手法に対して検証可能な改善があるかどうかです。
ベストプラクティス:データ基盤は単発のプロジェクトではなく継続運用で作る
需要データのガバナンスを日常業務として扱い、定義変更と異常記録を毎月レビューし、特徴量を四半期ごとに再学習します。ERP時代から数十年の実績があり、120万社の顧客、数千万台の端末導入、国内外市場のカバー実績を持つベンダーの経験も同じ結論を示しています。予測精度の向上は、データガバナンス、特徴量エンジニアリング、モデル反復の相乗効果から生まれ、アルゴリズムの入れ替えだけでは効果は限定的です。
適合する範囲と適合しない範囲:SKUが多く、需要が反復的で、履歴データを追跡できる企業は、AI予測の導入前にデータ基盤への投資を優先すべきです。需要が完全にプロジェクト型で単価が大きく履歴に規則性がない企業、あるいはマスタデータが長期間乱雑で統制の意思がない企業は、モデルの導入より基本台帳の整備の方が現実的です。読者が次に注力すべきは、自社の欠品記録と定義変更記録が揃っているかどうかです。これらはモデルのパラメータ以上に最終的な精度を左右することがよくあります。