中小企業がAI需要予測を試す前に｜必要データと限界を理解する

AI需要予測は、過去の数字から将来の数量を一つ当てる魔法ではありません。中小企業が最初に行うべきことは、高価なツールの比較ではなく「何を、何日前に、どの単位で予測し、外れたとき誰が判断するか」を決めることです。売上だけでなく欠品、廃棄、販促、休業も揃え、単純な予測とAIの結果を同じ条件で比べます。

予測の目的を一つに絞る

来月の総売上、翌週の商品別販売数、翌日の製造量では、必要データも判断も異なります。最初の試行では「主力商品の翌週販売数を予測し、発注担当の確認材料にする」のように対象、期間、粒度、利用者を一つにします。売上増加、欠品削減、廃棄削減を同時に成功条件へ入れると、どの改善が効いたか分かりません。

売上データだけでは足りない

販売数が少なかった理由は、需要が少なかったからとは限りません。欠品で売れなかった、休業した、価格を変えた、販促を行った、取扱商品を入れ替えた可能性があります。日付、商品コード、販売数、価格、在庫切れ、返品、休業、販促、予約・受注残を同じ時間単位で揃えます。

天候や地域イベントを使う場合は、出典と取得時点を記録し、将来も同じ条件で取得できるか確認します。個人を識別する購入履歴が予測目的に不要なら、氏名、電話番号、住所を入力しません。まず商品・日付単位へ集計し、利用するAIサービスの保存・学習・権限設定を確認します。

データの欠けと変更を先に記録する

商品コードの変更、同じ商品の表記揺れ、営業時間の変更、システム移行による欠損があると、AIは別商品や需要変化と誤認し得ます。欠損を勝手にゼロへ置き換えず、「販売ゼロ」「休業」「未取得」「欠品」を分けます。過去のデータが少ない新商品は、類似商品を安易に混ぜず、担当者が別枠で判断します。

AIと比べる基準予測を作る

前年同週、直近4週平均、同じ曜日の中央値など、誰でも再計算できる単純予測を一つ作ります。AIの誤差が小さくても、入力整備や確認に多くの時間がかかるなら実務上の利点は小さくなります。予測値だけでなく、作業時間、欠品、廃棄、緊急発注の変化を記録します。

誤差は全商品の平均だけで見ず、主力、季節品、低頻度品に分けます。売上ゼロが多い商品では割合誤差が極端になるため、実数差も併記します。外れた日には、販促、天候、団体注文、機器停止など、事前に分からなかった要因を残します。

予測値と発注判断を分ける

予測が示すのは将来の可能性であり、在庫スペース、賞味期限、発注ロット、仕入先の納期、資金繰りまでは自動的に解決しません。AIが推奨数量を出しても、担当者が制約と例外を確認し、発注数量と理由を承認します。大きな増減、データ欠損、新商品、休業前後は自動処理せず例外一覧へ送ります。

1. 対象商品と7日先などの予測期間を決める。
2. 8〜12週など比較可能な期間のデータ品質を点検する。
3. 単純予測とAI予測を同じ締切で作る。
4. 実績確定後に誤差と業務結果を比較する。
5. 担当者が外れた理由と継続・修正・中止を記録する。

続けるかを判断する比較表

「AIが当たった回数」だけではなく、欠品と廃棄のどちらを重く見るかを先に決めます。欠品を減らすため在庫を増やし、廃棄が増えたなら改善とは言い切れません。試行前後で、予測誤差、欠品件数、廃棄数量、緊急発注、確認時間を同じ定義で比較します。改善が小さい場合も、データ不足、対象の細かさ、外部要因の影響を切り分けてから中止や再設計を判断します。

予測が外れた日を学習材料にする

平均誤差だけを見ると、普段は当たるが繁忙日に大きく外れる問題を見落とします。誤差の大きい日を上位から確認し、入力漏れ、欠品、価格変更、販促、地域行事、天候、団体注文、休業などを「予測時に分かっていた情報」と「後から判明した情報」に分けます。予測時に分かっていたのに入力していなかった要因は次回のデータ候補になります。後からしか分からない要因は、モデルへ無理に覚えさせず、安全在庫や担当者確認で備えます。こうして、AIが言える範囲と言えない範囲を試行記録に明記します。

小さく試し、説明できる運用にする

需要予測は、予測モデルよりもデータの意味と利用する判断を揃えることが出発点です。予測が外れる前提で、担当者が理由を記録し、次の試行へ反映できる形にします。島田市周辺の中小企業でAIの小規模試行を設計したい場合は、LIFESEEDSのAI活用支援をご覧ください。対象業務と現在の記録方法はお問い合わせから相談できます。