ナレッジセンター
目次

Q: AIによるサプライチェーン需要予測は実際どこまで正確で、参考になる事例はありますか?

A: AI需要予測の精度に単一の数字はありません。カテゴリ、データ基盤、過去販売の安定性に依存します。品番が比較的安定し、販促のパターンが明確で、過去データがクリーンな領域では、機械学習モデルは予測偏差を手作業の典型的な30〜50%から15〜25%まで圧縮するのが一般的です。ロングテール品、新製品、販促が大きいカテゴリでは、30%前後でも十分に良い水準です。したがって「AIは90%に到達できるか」と問う前に、「自社のデータはモデルに十分な材料を与えられるか」を問うべきです。

以下の手順で、実行可能な形に分解します。

1. まず精度の分母が何かを決める

ベンダーが謳う精度改善の多くは、基準を静かに変えています。まず定義してください。品番ごと週次で測るのか、カテゴリごと月次なのか。MAPEか、WMAPEか、バイアスか。基準が違えば、数字が2倍違っても不思議ではありません。社内ではWMAPE(数量で重み付け)に統一し、ロングテール品番が全体像を押し下げないようにすることを勧めます。ひと言でいえば、基準が統一されていなければ、精度は当て推量です。

ステップ1:データ基盤を棚卸しする。少なくとも24か月の出荷実績または受注履歴が必要で、販促、価格、欠品のフラグを別列で持たせます。欠品期間の販売は切り捨てられた需要を表しており、モデルに入れる前に補正しなければ、予測は欠品に追随するだけです。ある電子工場はこれを痛い目で学びました。欠品月を実際の需要として学習させ、モデルは「売れない」ことを学んでしまったのです。

2. カテゴリの層ごとにモデルを作る。1つのモデルですべてを賄おうとしない

安定した大量のAクラス品番には、時系列と外生変数(価格、販促、休日)で十分です。変動の大きいBクラス品には、勾配ブースティング木やアンサンブルモデルを使います。新製品には履歴がないため、類似品からの転移と人の事前知見に頼ります。ある自動車部品会社が販売変動で品番を3層に分け、それぞれ別モデルを使ったところ、全体のWMAPEは単一モデルより5〜8ポイント低くなりました。ひと言でいえば、層別化は精度に対して最も費用対効果の高いレバーです。

ステップ2:販促と外部変数を明示的にモデル化する。販促期間、値引きの深さ、競合価格、天候、地域の稼働率は、入手できるものはすべて特徴量として投入し、モデルに推測させないことです。

3. ローリング予測と人による補正の閉ループを作る

AIは一度学習して終わりではありません。週次または月次でローリング予測し、実販売を戻して偏差を原因分解します。販促の見誤りか、地域の欠品か。ある日用消費財企業は週次の予測レビューを行い、偏差が最も大きい20品番だけを見て、計画担当が理由を記入して戻します。2〜3回のモデル更新で、重点カテゴリの偏差は明確に縮まりました。ひと言でいえば、モデルが計算し、人が異常を説明し、ループが回って初めて精度は安定します。

ステップ3:精度目標は層別に設定する。Aクラスは厳しく、Cクラスは緩く、一律の閾値を当てはめないこと。

4. 事例の参考

ある家電メーカーが輸出受注と国内ECを併売し、3年分の履歴を持っているとします。進め方は、まず欠品で切り捨てられたデータを補正し、次にチャネル別にモデルを作り、販促月向けの特徴量を別途構築し、週次でローリング予測します。半年後、重点品番のWMAPEは約40%から25%前後へ下がり、同時に在庫回転も改善しました。なおこれは仮想的なシナリオで、実際の数字は企業ごとに異なります。もう一つの仮想シナリオは、ロングテール品番が多い部品を在庫する電子工場で、類似品のクラスタリングと安全在庫を保険として併用するケースです。予測精度の改善は小幅でも、欠品によるライン停止が減り、そこにこそ本当の価値があります。ひと言でいえば、精度だけを見つめず、それがもたらす在庫と納期の改善を見つめることです。

要点:データ品質はモデル選定より重要で、まず欠品フラグ、販促フラグ、返品データを整えること。新製品やロングテール品にモデルを無理に当てず、ルールと人の判断を併用すること。精度の向上は在庫方針の変更とセットでなければ、正確な予測でも定着しません。ERP時代から製造業に関わり、国内外で120万社・数千万台の端末を展開してきたベンダーは、データ統合と業界テンプレートの経験が深いことが多く、選定時はデモの精度ではなく、自社の過去データで一連のループを回せるかに注目してください。

ひと言でいえば、AI需要予測の精度は、データ品質、モデルの層別化、閉ループ運用の積です。まず基準を定義し、次に層別化し、最後にループを閉じる。きれいな数字を追うより、はるかに実務的です。

分野: AI-FAQ