AIで需要予測・発注最適化。
在庫過多と欠品を同時に減らす

発注を勘と経験に頼ると起きること

「今月はこの商品を何個発注すべきか」——多くのEC事業者にとって、この判断はいまだに担当者の経験と勘に頼っています。在庫の同期や複数モールでの一元管理については別記事「ECの在庫管理をAIで自動化する」で解説していますので、本記事ではその前提の先にある「需要予測」と「発注」に絞って解説します。

発注を勘と経験に頼ると、次の2つの相反するリスクが同時に発生しやすくなります。

• 欠品による機会損失——売れているタイミングで在庫が切れ、購入機会そのものを逃す。モールの検索順位や広告効果にも悪影響が出ることがある
• 過剰在庫によるキャッシュ圧迫——見込みより売れず在庫が滞留し、保管コストがかさむうえ、資金が在庫に固定されてしまう。最終的に値引き処分で利益を削ることになりやすい

さらに厄介なのは、この2つが同じ店舗内で同時多発することです。ある商品は欠品して機会損失を出し、別の商品は過剰在庫で値引き処分している——発注担当者の勘だけでは、全SKUを常に最適な状態に保つのは現実的に難しくなります。加えて、発注判断が特定の担当者に属人化していると、異動や退職とともにノウハウごと失われるリスクも抱えることになります。

AIによる需要予測の仕組み

AIによる需要予測は、単純な「先月の実績を参考に発注する」という感覚的な判断とは異なり、複数のデータを組み合わせて将来の需要カーブを推定します。主な入力データは次のとおりです。

• 販売履歴——日次・週次の販売数量の推移。直近のトレンドだけでなく、過去数ヶ月〜1年程度の推移を参照する
• 季節性——曜日・月・年間を通じた周期的な変動。夏物・冬物のように季節依存の強い商品ほど重要な要素になる
• イベント・セール——自社セールやモールの大型セール、連休・記念日など、需要が跳ねるタイミングをあらかじめ織り込む
• トレンド要因——検索トレンドやSNSでの言及増加など、外部の需要シグナルを補助的に加味する

AI社員はこれらの要因を組み合わせて需要カーブを算出し、SKUごとに「今後どれくらい売れそうか」を数値として提示します。人が頭の中で複数要因を掛け合わせて判断するより、対象SKUが多くなるほどAIの方が安定した精度で処理できる領域です。ただし、予測はあくまで確率的な見積もりであり、絶対に当たる保証ではない、という前提を持っておくことも大切です。

予測・発注業務、AIと人の役割分担

需要予測から発注実行までの一連の業務も、受注や在庫の自動化と同じように「AI社員に任せやすい範囲」と「人が持つべき判断」に分けて整理すると、導入の順番が見えてきます。

業務	AI社員に任せやすい範囲	人が持つべき判断
需要予測	販売履歴・季節性からの需要カーブの算出	イレギュラー要因の織り込みと最終数値の承認
発注点・安全在庫の算出	リードタイムと需要変動をもとにした発注点・安全在庫の計算	資金繰り・保管スペースを踏まえた上限設定
発注タイミングの検知	在庫が発注点を下回った際の自動検知・通知	発注実行の最終ゴーサイン
発注数量の提案	予測需要と発注ロット/MOQを踏まえた発注数の算出	仕入条件の交渉・まとめ発注の判断
発注書の作成	フォーマットに沿った発注書・発注データの自動生成	仕入先との条件確認・イレギュラー対応
予測精度の検証	予測と実績の差異の自動集計・レポート化	予測モデルの見直し方針の決定

共通しているのは、AI社員が「数字を出す・知らせる」ところまでを担い、資金やビジネス上のトレードオフを伴う最終判断は人が持つ、という線引きです。この境界を明確にしておくほど、安心して任せられる範囲を広げていけます。

発注最適化の考え方（発注点・安全在庫・リードタイム）

需要予測ができても、それをそのまま発注数に変換できるわけではありません。発注最適化には、いくつかの基本的な考え方があります。

• 発注点（リオーダーポイント）——在庫がこの水準を下回ったら発注する、という基準値。「リードタイム中に見込まれる需要＋安全在庫」で設計する
• 安全在庫——需要のブレやリードタイムの遅延を吸収するためのバッファ。売れ筋商品や、仕入先が不安定な商品ほど厚めに持たせる
• リードタイム——発注してから入荷するまでの期間。仕入先ごとに異なり、正確に把握できていないと発注点の計算そのものがずれる
• 発注ロット・MOQ（最小発注数量）——仕入先が定める最小ロットとコストのバランス。予測数量とロットが合わない場合の調整ルールも決めておく

AI社員はこれらの変数を組み合わせて、SKUごとの発注点・安全在庫・推奨発注数を継続的に計算できます。人がすべてのSKUについて毎回この計算をするのは現実的ではないため、計算そのものはAIに任せ、人は「その基準が事業として妥当か」を定期的に見直す役割に回るのが、無理のない分担です。

予測が外れやすい領域と人の役割

需要予測は万能ではありません。特に次のような領域は、販売履歴の少なさや外部要因の大きさから、AIの予測精度が下がりやすいポイントです。

• 新商品——販売履歴そのものが存在しないため、類似商品の実績や市場感を参考値として使うしかない
• 急なトレンド——SNSでの言及増加、メディア露出、インフルエンサーによる紹介などで、需要が短期間に跳ねるケース
• 供給制約——仕入先の生産停止、物流遅延、為替変動による仕入価格の変動など、需要ではなく供給側の事情で計画が崩れるケース

これらの領域では、AIの予測をそのまま鵜呑みにせず、人が持つ市場感覚や仕入先とのやり取りで得られる一次情報を織り込む必要があります。「予測はAI、発注の最終決裁は人」という役割分担を崩さないことが、需要予測・発注最適化を安全に運用するための基本原則です。AI社員に任せるのはあくまで「確度の高い判断材料をそろえること」までであり、事業リスクを伴う最終判断まで委ねるものではありません。

導入ステップとよくある失敗

需要予測・発注最適化も、いきなり全SKUに導入するのではなく、段階を踏むほど現場の負担とリスクを抑えられます。

1. 現状棚卸し——既存の発注ルール、リードタイム、過去の欠品・過剰在庫の事例を洗い出す
2. 対象SKUを絞った試験導入——売れ筋・季節商品など、影響の大きいSKUから需要予測モデルを試す
3. 発注点・安全在庫のルール化——SKUごとの発注点と安全在庫の基準を設計し、AI社員に計算を任せる
4. 提案→承認→発注のフロー構築——AIの発注提案を人が承認してから発注を実行する運用に落とし込む
5. 精度検証と対象拡大——予測と実績の差異を検証しながら、対象SKUを段階的に広げる

「発注は完全にベテラン担当者の勘に頼っていて、その人が休むと誰も数量を決められない」——複数SKUを扱うEC事業者から、特に多く聞かれる悩みです。

つまずきやすいポイントも押さえておきましょう。

• いきなり全SKUに導入する——対象が広すぎると、予測が外れた際の影響も原因の切り分けも難しくなります。まずは影響の大きいSKUに絞ります。
• 安全在庫を設定せず予測数値だけで発注する——予測は必ず一定の誤差を含みます。バッファを持たせないと、外れたときに欠品や過剰在庫へ直結します。
• 人の承認を省いて自動発注に直結させる——新商品やイレギュラー要因を織り込む余地がなくなり、事業判断としてのリスクが高まります。

需要予測と発注最適化は、欠品と過剰在庫という相反するリスクを同時に減らせる、投資対効果の高い領域です。まずは在庫の同期基盤を整え、そのうえでAI社員に予測と発注提案を任せていく——この順序で進めることで、無理なく成果につなげられます。