A: 結論から言います。AI需要予測は万能薬ではありませんが、許容できるデータ基盤があれば、従来のExcelの50〜60%から70〜85%へ精度を上げるのは一般的な範囲で、一部のSKUは90%を超えることもあります。鍵はアルゴリズムがどれほど優れているかではなく、データの粒度と業務シナリオへの適合度です。
1. 精度をどう理解するか
多くの人が精度を尋ねますが、実際には的外れな質問をしています。需要予測の精度はシナリオ別に見なければなりません。日用消費財やECのような高頻度・短サイクルのカテゴリでは、AIモデルが80%超に達するのは珍しくありません。しかし産業用部品や大型設備のような低頻度・ロングテールの資材では、60%に届けば十分立派です。予測の粒度にも依存します。カテゴリ単位の予測と単一SKU単位の予測では、難易度が数倍違います。ですから一律に95%まで上がるという主張を信じてはいけません。それはソフトウェア営業の常套句です。
2. 精度に影響する3つの厳しい条件
1. 履歴データの品質。少なくとも2〜3年分のクレンジングされた取引データがあり、プロモーション、欠品、在庫切れの期間が明確に記録されている必要があります。ある電子工場は、履歴受注の重複入力と返品記録のクレンジングだけで2か月かかったと話していましたが、このステップは飛ばせません。
2. 外部変数へのアクセス。天気、祝日、市況価格、下流業界の景況感は、従来の方法ではまったく定量化できませんが、AIモデルはこれらを特徴量として取り込めます。自動車部品メーカーが完成車メーカーの生産計画を取得できるとします。それだけで予測精度はすぐに跳ね上がります。
3. 業務のフィードバックループ。予測はモデルの実行が終わって終わりではありません。計画担当者が修正し、理由を注記できる必要があり、そうして次のイテレーションがより正確になります。この仕組みはアルゴリズムの入れ替えよりはるかに重要です。
3. 実際に導入できる事例シナリオ
事例1:民生用コネクタを製造する電子工場で、SKUが3,000を超え、以前は計画担当者の勘に頼っており、全体精度は55%未満でした。そこで機械学習による週次のローリング予測を導入し、履歴出荷、顧客の受注変更、新製品投入のリズムを特徴量として投入しました。半年後、全体精度は78%前後で安定し、Aクラス材は85%を超えました。効果は在庫回転に直接現れ、滞留在庫が大きく減りました。
事例2:完成車メーカーに供給する自動車部品メーカーで、難点は完成車メーカー側の計画が頻繁に変わることでした。同社は完成車メーカーが公開する週次のローリング計画、自社の過去の納入偏差、輸送中の在庫を組み合わせて予測を行いました。絶対精度は72%にとどまりましたが、以前の60%と比べて安全在庫を約20%削減できました。産業財では70%を少し超える精度でも十分に価値があることに注意してください。
事例3:日用消費財ブランドが地域倉庫の補充予測を行い、天気と地域の販促カレンダーを接続して、日次予測で82%の精度に達し、欠品率も明確に下がりました。ただし前提として、店舗POSデータが十分に密にあったことが挙げられます。
4. 貴社への選定アドバイス
現在の精度が50〜60%なら、慌ててAIプラットフォームを買わないでください。データガバナンスをしっかり行い、異常受注を明確に記録し、予測粒度を月次から週次へ移す。これだけで10ポイント上がります。それからモデルを検討してください。選定時は、アルゴリズムがどれほど先進的かだけでなく、ベンダーが特徴量エンジニアリングをカスタマイズできるかに注目してください。3,200以上の端末で使われているソリューションが貴社に合うとは限らず、120社以上、15以上の業界をカバーするベンダーには参考にできるシナリオがあるかもしれませんが、最終的には自社の履歴データでバックテストを行い、実際の改善幅を見る必要があります。忘れないでください。AI予測は継続的な調整であり、一度きりのプロジェクトではありません。