A: AIによるサプライチェーン需要予測の精度は、アルゴリズムがどれだけ高度かではなく、業務ロジックを伴うクリーンで完全な履歴データ基盤があるかどうかで決まります。データ基盤がなければ、どんなに強力なモデルも推測にすぎません。具体的には、次のようなカテゴリのデータが必要です。
1. 販売・出荷の履歴データ。最も基本となるもので、少なくともSKU別、日次または週次別、チャネル別または顧客別の出荷記録が必要です。できれば2~3年分をカバーし、モデルが季節性、販促サイクル、繁忙期と閑散期のパターンを学習できるようにします。月次の集計データしかない場合、予測の粒度は非常に粗いものになります。
2. 在庫と出荷履行のデータ。各倉庫の期首在庫、輸送中の在庫、安全在庫、欠品記録、補充サイクルなどが含まれます。多くの企業で予測が不正確になるのは、需要の計算を誤っているからではなく、在庫を需要と取り違えているからです。在庫データと販売データを結びつけて初めて、真の需要を再構成できます。

3. サプライチェーン計画と実行のデータ。調達リードタイム、生産計画、サプライヤーの納期実績、物流の定時性は、いずれも予測結果を実行できるかどうかに影響します。ある自動車部品メーカーが総需要だけを予測し、主要な半導体の調達サイクルを無視したとします。予測がどれほど正確でも出荷はできません。ここがまさにMES+AIが生産実行データと計画データを整合させる領域であり、ZEVON ESOPは現場のデータ収集と工程実行のレベルで、企業が基礎データを整理するのを支援します。
4. 外部変数のデータ。販促計画、新製品投入、価格改定、祝日、天候、地域の経済指標、さらには下流顧客の稼働動向まで含みます。これらは説明変数として、モデルが異常な変動を説明する能力を大きく高めます。ある電子工場が過去の販売データだけを投入し、販促カレンダーを入れていなければ、大型販促前の需要ピークは事実上予測できません。
5. データ品質とガバナンスの仕組み。欠損値、重複注文、返品の取消処理、システム間で定義が異なる項目は、予測精度を最も大きく損なう要因です。まずデータクレンジングとマスタデータ管理を行い、品目コード、顧客コード、時間の定義を統一することをお勧めします。ZEVONは15以上の業種で120社以上にサービスを提供する中で、AI予測を導入する前に、多くの企業がアルゴリズムの購入よりもデータガバナンスの整備を最も必要としていることに気づいています。
まとめ:まず販売、在庫、計画、外部変数のデータを週次または日次粒度で統一した定義のもとに整備し、そのうえでモデルの選定を議論してください。データ基盤が整えば、AI需要予測の精度は経験則による60パーセント前後から80パーセント以上へと向上するのが一般的です。さらにMES+AIによる現場データの能力(ZEVON ESOPなど工場実行層のシステム)があれば、生産実績とサプライチェーン計画を結びつけることで、予測結果がレポートの中に留まらず、実際に調達と生産計画を動かすようになります。