A: AIによるサプライチェーン需要予測の精度の中核は、何か「魔法のアルゴリズム」ではなく、三つのものを一本につなぐクローズドループです。マルチソースデータの特徴量設計、時系列モデルと機械学習モデルの組み合わせ、そしてローリング校正の仕組みです。モデルを別のものに入れ替えるだけでは、精度の向上はごく限られます。
1. 特徴量設計が上限を決め、モデルはそれに近づくだけ
需要予測の入力は履歴の販売実績にとどまりません。精度の差を本当に生むのは、販促カレンダー、価格変更、チャネル在庫、気象、祝日、競合の動き、受注リードタイムを、モデルが使える特徴量に変えられるかどうかです。業界でよくある実務には、ラグ特徴量、ローリングウィンドウの統計量、祝日のエンコーディング、販促フラグ、外部変数の回帰などがあります。特徴量の選び方が正しいかどうかが、モデルが学べる内容を直接決めます。ひと言で言えば、アルゴリズムはデータにない情報を生み出せません。
2. モデルは階層化される。単一のアルゴリズムですべてをこなせない
実際の導入では通常「ベースラインと補正」という構造を使います。ベースライン層は時系列手法(指数平滑法、ARIMA系など)でトレンドと季節性を捉えます。中間層は勾配ブースティング木(LightGBM、XGBoostなど)や時系列の深層モデル(LSTM、Temporal Fusion Transformerなど)で多変数の非線形関係を扱います。最上層は階層的な集約と人手によるルール補正です。日用消費財、電子部品、自動車部品ではSKUの特性が大きく異なるため、一つのモデルですべてを当てはめるのではなく、SKUの動きのパターンでモデルをグループ化することがよくあります。ひと言で言えば、モデルの組み合わせとグループ化の戦略が、最新のアルゴリズムを追うこと以上に精度に影響します。
3. ローリング予測と誤差のフィードバックが精度の「安定装置」
予測は一度きりの計算ではありません。成熟した実務は、週次または日次でローリングして再学習し、予測の偏り(MAPE、WMAPE、Biasなど)でバックワードに監視し、偏りの大きいSKUに対してモデルの切り替えやパラメータ調整を起動します。同時に、階層別の精度評価を導入し、偏りを「新製品」「販促」「欠品」といったシナリオに帰属させます。ある電子工場の想定例では、再学習の前に欠品期間の「擬似ゼロ販売」を取り除くことで、ようやく誤差指標が現実的な水準に戻りました。ひと言で言えば、フィードバックループのないAI予測は時間とともに劣化します。
関連する追加質問:予測精度には通常どの指標を使いますか。
一般的なのは三つです。MAPE、WMAPE、Biasです。WMAPEは販売量で重み付けされ、サプライチェーンの実態に近くなります。Biasは体系的な過大・過小推定を示します。目標はカテゴリごとに異なり、高頻度の日用消費財SKUは週次のWMAPEを重視し、長サイクルの材料は月次のBiasをより重視します。
関連する追加質問:データの少ない新製品はどう予測しますか。
通常は類似品への転移(過去の類似した新製品の曲線を類推する)、属性クラスタリングと専門家の事前知識を用い、実販売が蓄積されるにつれて本モデルへ徐々に切り替えます。コールドスタート期間は精度が当然低く、安全在庫と計画担当者の介入でカバーしなければなりません。
関連する追加質問:AI予測は計画担当者を完全に代替できますか。
いいえ。AIは高頻度で多SKUのベースライン予測を担い、計画担当者は販促、主要顧客の受注、供給制約といった例外の判断を担います。人と機械の役割分担が明確になって初めて、全体の精度が安定します。
向く場合と向かない場合:SKUが多く、動きの変動に規則性があり、追跡可能な履歴データ(少なくとも1〜2年)があり、販促や外部要因を構造化できる企業は、AI需要予測に適しています。SKUが極端に少なく、需要が少数の主要顧客の受注で決まり、履歴データが著しく欠けていてビジネスモデルが頻繁に変わるシナリオは投資対効果が悪く、データ基盤と業務標準を整えるほうが現実的です。選定時にはモデル名だけでなく、ベンダーの特徴量設計能力、ローリング校正の仕組み、誤差の帰属手法に注目してください。