AI予測を導入した倉庫には、注目に値するパターンがある。予測精度の指標は改善し、時には著しく改善するのに、欠品は減らない。むしろ増える現場もある。直感ではそんなはずはないと思う。予測が良くなれば在庫も良くなるはずだ。しかし予測は長いチェーンの最初のリンクにすぎず、後段のリンクが機能しなければ、予測がどれほど優れていても棚は空になる。これがAI需要予測と補充のパラドックスであり、アルゴリズムそのものよりも、予測が作られた後に起きることすべてに関わる問題である。

AI需要予測の精度が在庫の確保につながらない理由

因果のチェーンは、予測と在庫のある棚の間に位置する5つの変数を通る。1つ目は補充サイクルである。予測は毎週更新されるのに発注は毎月しか出ないと、そのミスマッチだけで、たとえ正しい予測でも決して追いつけない需要を追いかけることになる。2つ目はロットサイズの制約である。サプライヤーがフルケースやフルパレットを要求するため、数十個を求める予測は、過剰在庫へと切り上げられるか、発注されない注文へと切り下げられるかのどちらかになる。3つ目はリードタイムの遅れである。商品は数週間にわたって輸送中で、その間に需要は動き、発行時点では正確だった予測も、肝心な時点では古くなっている。4つ目は安全在庫の静かな消耗である。システムが予測を信頼するようになるとバッファを削り、バッファが薄くなれば、どんな乱れも直接在庫確保に響く。5つ目はプロモーションと外れ値である。プロモーションのスパイクが新しい日常と読まれたり、本物のプロモーション前の立ち上がりがノイズとして平滑化されたりして、どちらの読み違いも補充量を歪める。

これらの要因はどれか1つでも在庫確保を壊しうるし、実際には複数が同時に壊れ、互いを覆い隠す。欠品が起きると、最初の本能はモデルを責め、再調整し、取り替え、より多くのデータを与えることだが、その作業を一巡した後も補充パラメータはまったく同じ場所にあり、欠品は続く。パラドックスの核心は単純である。組織は予測を補充そのもののように扱うが、補充はパラメータのシステムであり、予測はその入力の1つにすぎない。

2つの事例がこの仕組みを示す。1つ目は、予測モデルを導入した家庭用品のディストリビューターで、主要カテゴリーの誤差率が目に見えて縮小した。経営陣はその改善を、安全在庫係数を一段下げる許可と受け取り、より良い予測にはバッファが少なくて済むと考えた。するとサプライヤーのリードタイムが約2週間延びた。入荷予定の商品は届かず、バッファは以前より薄くなり、売れ筋商品が1か月近く欠品した。事後検証では、モデルに非はなかった。誤りは、リードタイムが動いたかどうかや発注サイクルが歩調を合わせているかどうかを誰も確認しないまま、予測精度をそのまま在庫削減に翻訳したことだった。予測は良くなり、在庫政策はより脆くなった。

2つ目は、季節性消費財の倉庫で、モデルは平坦な期間はよく予測したが、プロモーション前の立ち上がりにはうまく対応できなかった。数年分の履歴しかないため、立ち上がりは統計的に外れ値のように見え、モデルはそれを平滑化して消し去った。購買部門は平滑化された数値で発注し、プロモーションは即座の欠品で幕を開け、緊急補充が届いた頃にはプロモーションは半分終わっていた。ここでもアルゴリズムが根本原因ではなかった。外れ値ルールは、プロモーションやシーズン、新製品の発売といった説明可能な立ち上がりと、真のノイズとを区別していなかった。無差別に適用される統計ルールは、やがてビジネスが最も必要とするシグナルそのものを削除してしまう。

モデルに手を入れる前に確認するAI需要予測・補充チェックリスト

AI需要予測による補充を実務で機能させるには、より正確なモデルよりも、規律あるパラメータ見直しが重要である。モデルを調整する前に、このチェックリストを1項目ずつ確認してほしい。

チェック項目 問うべき質問 よくあるミスマッチ
補充サイクル 発注頻度は予測の更新頻度と合っているか 予測は毎週、発注は毎月
ロットサイズの制約 最小数量やケースパックはモデルに組み込まれているか 予測数量が最小値を下回り、発注が遅れる
リードタイムの遅れ リードタイムの変化はリアルタイムでフィードバックされているか リードタイムが延びたのに、安全在庫は旧リードタイムのまま
安全在庫 サービス水準で設定されているか、それとも感覚で削られているか 予測が改善し、バッファが削られ、変動が欠品になる
外れ値ルール プロモーション、シーズン、発売は別々に扱われているか 立ち上がりが平滑化されて消え、プロモーションがベースラインと読まれる
責任の所在 欠品が起きたとき、誰がパラメータを変更できるか 全員が予測を見ているのに、補充の責任者は誰もいない

このチェックリストの目的は、責任を分離することである。予測チームは予測が正確かどうかに責任を持つ。補充チームはパラメータが正しいかどうかに責任を持つ。これらの指標を分けておけば、欠品のレビューでどちらの側が失敗したかを特定でき、「モデルが間違っていた」にすべてを押し込める必要がなくなる。私が推奨する順序は次のとおりである。まず補充パラメータを凍結し、一定期間欠品の構造を観察し、次にモデルを変更し、モデル変更後にパラメータを再確認する。順序を逆にすれば、モデルの問題とパラメータの問題を区別することは決してできない。

ここに、この問題の核心にある直感に反する判断がある。予測が正確になればなるほど、安全在庫を安易に削ってはならない。直感では、良い予測にはバッファが少なくて済み、解放された在庫は利益だと思う。しかし在庫理論では、安全在庫は主として予測誤差から守るものではない。リードタイムの変動、数量不足の出荷、需要ショックから守るものであり、これらは予測では制御できない。精度の向上は、予測が間違っているのではないかと恐れて保有していた余分な在庫を取り除くことを正当化する。バッファ全体を取り除くことは正当化しない。この2つを混同すると、予測が改善するにつれてまさにシステムは脆くなっていく。薄いバッファは、リードタイムの延長1つを欠品に変えてしまうからだ。多くの倉庫で、予測指標が最も良く見えるまさにその月に欠品が増えるのは偶然ではない。それは皮肉ではない。因果関係である。

AI自体への期待のキャリブレーションについて一言述べておく。AI需要予測の価値は本物である。人のプランナーが手計算では処理できないカテゴリーの規模と履歴パターンを扱い、予測を経験に基づく推測からレビュー可能な数値へと変える。しかしそのリターンは精度指標にはない。補充チェーンのどれだけが一緒に改善するかにある。補充プロセスを変えずにモデルを買うことは、ダッシュボードだけ取り替えてエンジンに手を付けないようなものであり、モデルが改善してもAI需要予測と補充のパラドックスが生き残るのはまさにそのためである。ROIは、棚が空のまま得た数ポイントの予測精度ではなく、欠品の減少と在庫回転の高速化で測るべきである。空の棚の上で良く見える精度指標は、紙の上のリターンである。

結論ではなく、開かれた問いをもって締めくくりたい。予測が十分に良くなった後、在庫確保における次のボトルネックはどこにあるのか。私の観察では、それは「計算できない」から「十分に速く動けない」へと移る。発注サイクル、サプライヤーとの連携、例外対応が、モデルが現在の世代で動いているのに、前世代の速度で動き続けているかどうかである。予測の進歩は、最終的には組織の対応速度を試す。標準的な答えはなく、各倉庫が異なる答えを出すだろうが、問いを立てることは、別のモデルに取り替えることよりも価値がある。

Dr. Chen(サプライチェーン研究者)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。