2025年9月、私は一度に両方向で失敗してしまった。収納ボックスがブラックフライデーの直前に11日間も在庫切れになった。広告は回り続け、コンバージョンも出ていたのにだ。一方、90日分として仕入れたフックは三か月で三分の一も売れず、残りは今もFBA倉庫に眠って保管料がかかり続けている。同じ需要予測システム、同じ履歴で、在庫切れとデッドストックの両方だ。最初の直感はモデルを責めて、もっと高性能なAI予測ツールを買うことだった。自分の注文履歴を二週間かけて掘り下げてみて、考えが変わった。モデルにも確かに欠陥はあったが、その下にあるデータの方がもっとひどかった。
越境販売を五年やってきて、悪い予測は悪い診断と同じように扱うことを学んだ。薬を変えるだけではだめだ。問題が入力にあるのか計算にあるのかを見極めなければならない。間違った方を直してもお金が無駄になり、棚は相変わらず間違ったままになるからだ。
需要予測が外れたら、まずデータをチェックする
収納ボックスを例に取ろう。2025年7月から8月にかけて月におよそ1,800個売れていたので、ブラックフライデーに向けてその数字に20%のバッファを上乗せして仕入れた。ところが10月下旬のインフルエンサー施策で一週間に900個以上が動き、商品ページは在庫切れになった。需要予測は相変わらず月1,900個だと言っていた。急増をまったく予見できていなかった。
履歴そのものが歪んでいた。7月と8月に30%オフのプロモーションを二回実施したが、システムにはプロモーションとして何も記録されていなかった。売上は通常の需要に見えた。さらに悪いことに、8月中旬に六日間在庫切れになった。その六日間は売上ゼロと記録され、システムはゼロを需要なしと読み取った。プロモーションが数字を押し上げ、在庫切れが数字を押し下げ、出てきた平均は存在しない商品を描いていた。
返品も逆方向で同じような被害をもたらした。あるフックは返品率が高く、返品された商品は再販されてまた売れた。システムは一人の本当の顧客に対して二回の売上を数えた。その数字に合わせて仕入れることは、存在しなかった需要に合わせて仕入れることだった。
今ではモデルに触れる前に三つのことを確認する。プロモーションは履歴に記録されていたか、在庫切れで販売記録が途切れていないか、返品は二重に数えられていないか。どれか一つでもイエスなら、需要予測はモデルが動く前から失敗が決まっていた。悪いデータは賢いモデルでは良くならない。間違った方向により正確に計算されるだけだ。
FBAの分割出荷も需要を隠す。同じ商品が三つの倉庫にあり、一つが在庫切れになると、買い手は競合他社から買う。その失われた売上はどこにも現れない。需要は横ばいだと思う。実際には自分でドアを閉めたのだ。
一度きりの大口注文も同じように数字を歪める。2026年4月、ある顧客が一回の注文で棚を200個買った。システムはそれを日常の需要として扱い、翌月の予測を引き上げた。その週は手作業で注文を照合していたからこそ気づけた。今では予測を見る前に、大口注文や一度きりの注文を履歴から外している。
需要予測モデルにも独自の盲点がある
きれいなデータがモデルを信頼できるものにするわけではない。私が使っていたツールは同じ三つのことでつまずき続けていた。
一つ目は平均だ。私のボックスは月に約1,800個売れていた。安定しているように聞こえるが、週ごとの売上は300個から700個まで揺れていた。モデルは平均を取ってそれで終わりにした。私は平均に合わせて仕入れ、強い週には毎回在庫切れになった。セラーにとっての問題は平均で何個売れるかではない。最も強い週に何個売れるかだ。平均で作られた需要予測は紙の上ではきれいに見えて、倉庫では失敗する。
二つ目はコールドスタートだ。2026年3月、新しい収納ラックを販売履歴なしで発売した。モデルはカテゴリ平均を借りてきて、月に1,200個だと言った。商品ページは最初の二週間、広告がまだ学習中でコンバージョン率もまだ低いのに、一日に十数個売れた。最初のロットはモデルの数字に合わせて仕入れたので、売り切るのに二か月かかった。新商品には履歴がないのだから、モデルは推測しているだけだ。今では新規発売は30日分だけ仕入れる。デッドストックを抱えるより、頻繁に補充する方がいい。
三つ目は季節の転換点だ。収納用品は9月から11月にピークを迎え、1月と2月に落ち込む。過去12か月を平滑化するモデルは、転換点では常に半歩遅れる。2025年10月も、ブラックフライデーに入りかけていたのに、まだ夏のペースで予測していた。季節商品では、転換点が見えないモデルは、精度が最も重要なときに最悪になる。
共通点はシンプルだ。モデルは数字を知っている。新しい広告キャンペーンを始めたばかりだとか、インフルエンサーが投稿しようとしているとか、ラインを整理中だとかは知らない。周りで変わっていくビジネスを見ることはできない。
需要予測の修正:データが先、モデルが後
今、需要予測が外れたら、私はこの順番で作業し、めったに無駄な手順を踏まない。
データが先だ。過去三か月分の注文をエクスポートし、プロモーションカレンダー、在庫切れログ、返品と照合する。プロモーションは記録されていたか、在庫切れの日は本当にゼロだったか、返品は二重に数えられていないか。ここで半日かければほとんどの問題が片付く。私のボックスはこの段階で診断がついた。
次にボラティリティだ。月平均だけを見ない。売上を週ごとに分解し、最も強い週と最も弱い週を比べる。差が広いほど、安全在庫は厚くしなければならない。私のカバー日数はもう固定の数字ではない。変動の大きい商品は45日、安定した商品は30日、ピークシーズンはさらに15日を追加する。
それから初めてモデルを見る。ツールの乗り換えを考えるときは、まず三つの質問をする。新商品をどう扱うか、季節の転換点を認識できるか、高いボラティリティにどう対応するか。答えられなければ、高そうに見えても乗り換えない。このチェックのおかげで、同じ間違いをより速く犯すツールを買わずに済んできた。
データの問題とモデルの問題は、並べてみるまでそっくりに見える。
| 症状 | データの問題の可能性が高い | モデルの問題の可能性が高い |
|---|---|---|
| 予測が高めに出て、在庫がたまり続ける | 返品の二重計上、プロモーション売上を通常扱い | 新商品をカテゴリ平均で評価 |
| 予測が低めに出て、在庫が切れ続ける | 在庫切れの日を需要ゼロと記録 | 平均を使用し、ピーク週を無視 |
| ピークシーズンごとに予測が崩れる | プロモーション未記録、履歴が上下に引っ張られる | 季節の転換点を平滑化で消してしまう |
| 新商品の予測が大きく外れる | 照合する履歴がない | コールドスタートを本物の数字として扱う |
お金は数えやすい。私のボックスで考えてみよう。月に2,000個、原価は一個あたり$6だ。60日分のカバーでは4,000個、つまり$24,000が倉庫に縛られていた。データをきれいにして、変動の大きい週だけに安全在庫を足した後、カバーを45日に減らし、3,000個にした。棚に置かれた現金が$6,000減った。予測は完璧である必要はない。15日少ないカバーは本物のお金だ。そして反対側は見た目以上に高くつく。11日間の在庫切れで、売上、広告の勢い、そして補充後にランキングを立て直すまでの数週間を失った。
Amazonは数か月ごとにルールを変え、広告費は上がり続け、仕入れを間違える余地は少なくなっている。私のルールは今では明快だ。予測が外れたら、まずデータを読み、次にボラティリティを見て、それから初めてモデルを責める。本物のデータがモデルに価値を与える。モデルに盲点があるところは手で補う。ピークシーズン前は在庫を多めに、新規発売は少なめに。平均を取ることしか知らないツールに判断を丸投げする代わりに。
あなたの最後の仕入れミスは、在庫切れだったかデッドストックだったか。その月の履歴を引いて、三つのポイントをチェックしてみよう。プロモーション、在庫切れの日、返品だ。そのうち一つがたいてい未記録だ。
Ah K(Eコマースセラー、5年)著 英語版からの翻訳。内容に相違がある場合は英語版を優先します。







