A: AIサプライチェーン需要予測で高い精度を出す核心は、アルゴリズムがどれだけ先進的かではなく、データ基盤がそれを支えられるかどうかです。クリーンで完全、粒度の揃ったデータがなければ、高価なモデルもただの鉄くずです。多くの工場が予測システムに多額を投じ、最終的にExcelより精度が悪いという結果になりますが、問題の80%はデータ層にあります。
1. 販売履歴データは十分に詳細で、長く、安定している必要がある
最低でも2〜3年分をカバーする必要があります。季節変動と年間の販促サイクルをまたぐ必要があるからです。月次集計データはほぼ役に立たず、SKU×週×地域×チャネルまで下げるのが最善です。ある電子工場が部品在庫の予測を行った際、四半期ごとの出荷総量しかなく、モデルは第3四半期の特定チップの立ち上がりパターンをまったく学習できず、予測偏差は常に40%を超えていました。さらに、履歴データ内の販促、欠品、単発の大口受注は個別に印を付け、正常な販売としてモデルに混ぜてはいけません。AIが異常を正常として学習してしまいます。
2. 需要側の上流シグナルが取得できること
過去の受注だけを見るのは、バックミラーを見ながら運転するようなものです。精度を本当に押し上げるのは上流の変数です。顧客側の在庫水準、受注残の変化、チャネルの消化データ、さらには末端のPOSデータです。ある自動車部品メーカーがOEMに納入しているとします。OEMの生産計画とラインサイド在庫が取得できれば、予測精度は15〜25ポイント向上します。業界でよくあるのは、工場が自社の出荷記録しか持たず、顧客にどれだけ在庫が積まれているか分からず、受注が急減してから初めて反応する状況です。
3. 外部変数を構造化して取り込むこと
天候、祝日、商品市況、物流リードタイム、業界景況指数。雑多に見えますが、特定のカテゴリには大きな影響を与えます。例えば消費財は持続的な高温で飲料需要が跳ね上がり、工業財は上流の原材料価格上昇の思惑が出ると下流が事前に在庫を積みます。これらの変数は事前に構造化されたフィールドにし、時間軸上で予測単位に揃えておく必要があり、事が起きてから手作業で説明するのでは遅いのです。
4. データ統治と更新頻度が追いつくこと
多くの企業はデータがERP、WMS、CRM、Excelに分散し、定義が不統一です。同じ部材コードが購買システムと販売システムで一致せず、AIは二組の事実を受け取ります。予測の前に、マスタデータの統治は避けられません。更新頻度も業務のリズムに合う必要があります。消費財は日次、工業財は少なくとも週次でなければ、モデルは常に古い世界を学習します。3,200以上の拠点からのフィードバックでは、データ更新の遅延が1週間を超える場合、予測精度は概ね10ポイント以上低下します。
5. 異常値と欠損値の処理メカニズムが必要
欠品による売上ゼロ、システム移行によるデータ欠損、顧客が一時的にキャンセルした受注。これらを洗浄して印を付けなければ、モデルは誤って学習します。異常の識別ルールを定め、欠品期間は販売可能日数や代替製品のデータで補間し、単純にゼロを埋めないことが望ましいです。
まとめの提案です。急いでモデルを選ぶのではなく、2週間かけて自社のデータ資産を棚卸ししてください。販売履歴の粒度は十分か、上流シグナルは取得できるか、外部変数は入手できるか、マスタデータは統一されているか。この四つが整えば、単純な時系列モデルでも70〜80%の精度に達します。データ基盤が悪ければ、深層学習も役に立ちません。ベンダー選定では、アルゴリズムのホワイトペーパーだけを見ず、データ診断と統治の能力があるかを優先してください。