小規模倉庫のためのAI需要予測：Excelとシンプルなモデルから始める

私たちのような小規模倉庫には、そんなお金は出せません。昨年、あるベンダーがAI需要予測システムを売り込みに来ました。年間数万に加え、開始前に3か月もの「データクレンジング」が必要だというのです。私は笑ってしまいました。私たちの倉庫は約3,000平方メートル、スタッフ2名と経営者である私だけ。データはすべてExcelに入っています。3か月のクレンジングをしていたら、その間に棚は2回も欠品していたでしょう。

そこで私たちは泥臭い方法を選びました。新しいシステムは導入せず、ExcelとシンプルなモデルだけでAI需要予測を動かすことにしたのです。半年続けた結果、欠品は減り、過剰在庫も縮小しました。ここではそのやり方をそのまま紹介します。他の小規模事業者も真似できるはずです。

小規模倉庫の問題：需要予測は素晴らしく聞こえるが、大企業版は私たちに合わない

まず背景から。2025年の夏、私たちの倉庫は200 SKU未満、主にペット用品と小型の家庭用品を扱い、月4,000から6,000件の注文を出荷していました。小さいながら、問題は現実のものでした。売れ筋は予告なしに欠品し、動きの鈍い商品は棚でほこりをかぶっていました。

最悪のケースは2025年7月でした。猫用爪とぎがショート動画でバズり、1か月分の販売量を3日で売り切ってしまいました。勘で再発注しましたが、補充品はまだ輸送中で、棚は4日間空いたままになりました。苦情が殺到し、店舗の評価も下がりました。あの週のことは今でも痛い思い出です。逆方向では、かつて800個のペットベッドを仕入れ、半分を売り切るのに6か月もかかりました。その間ずっと家賃と現金が拘束されたままです。

これが小規模倉庫の現実です。AI需要予測の大企業版は、データプラットフォームやアルゴリズムチーム、リアルタイム連携の話ばかりです。私たちにはそんなものは一切ありません。しかし、予測そのものに大がかりな設備は必要ありません。

ステップ1：販売履歴を読みやすい1枚の表にまとめる

アルゴリズムから始めないでください。予測の第一歩は、データを人間が読める形に整えることです。私たちの方法は恥ずかしいほどローテクですが、機能します。

まず、過去12か月分の出荷実績をSKU別・週別に取り出します。SKUごと週ごとに1行です。立派なシステムは不要で、注文記録に対するピボットテーブルを使えば、半日でできます。

次に、異常な週にフラグを立てます。販促週、欠品週、そして売るものがなくて販売がゼロだった週です。欠品週の販売実績は偽の需要です。誰も買わなかったのではなく、買うものがなかったのです。それをモデルに与えれば、モデルは間違った教訓を学びます。

そして、上位20%のSKUだけをモデル化します。私たちの倉庫では、200 SKUのうち40 SKUが売上の約80%を占めています。ロングテールについては、経験と安全バッファで十分です。ほとんど動かない商品のためにモデルを作らないでください。

ここが直感に反するポイントです。**小規模倉庫の予測がうまくいかないのは、たいていモデルが単純すぎるからではなく、データが汚すぎるからです。**欠品週、一度きりの大量注文、返品の取り消し——これらを残したままでは、高価なシステムでもゴミしか出てきません。異常週にフラグを立てただけで、どんな数式よりも予測が改善しました。

私たちのAI需要予測を動かすExcelモデル：移動平均に季節係数を掛ける

私たちのモデルは、自慢するにはあまりにシンプルですが、機能します。すべての数式はExcelの中にあります。

ステップ1は、4週移動平均を取ることです。あるSKUの直近4週間の販売数を合計し、4で割ります。これで単週のノイズが平滑化されます。

ステップ2は、季節係数を掛けることです。前年の同じ週の販売数を、前年の週平均販売数で割ります。私たちの猫用爪とぎは夏は約1.4、冬は0.7ほどなので、基礎需要に係数を掛けると翌週の予測が出ます。

ステップ3は、安全在庫を設定することです。安全在庫＝1日平均販売数×補充リードタイム（日数）×1.5です。1.5は試行錯誤でたどり着いた数値で、仕入先のリードタイムが不安定なら上げ、安定しているなら下げます。

最後に、推奨補充量＝予測需要＋安全在庫−手持ち在庫−輸送中在庫です。数式をシート全体にコピーすれば、毎週月曜の朝、倉庫全体の発注リストが30分で出来上がります。

これらの結果は私たち自身の経験であり、実験室の数値ではありません。しかし、私たちの規模の倉庫には十分です。

隣人の教訓：誰も見直さないモデルはすぐに死ぬ

モデルだけでは不十分です。近くの家庭用品倉庫を経営する友人が、2025年9月に私たちのシートを真似しましたが、1か月でやめてしまいました。見に行ってみると、問題はモデルではなく、責任の所在でした。彼はシートを作った後、週次更新を新入社員に任せましたが、その社員は欠品週にフラグを立てる必要があることを知りませんでした。販売ゼロの週がそのまま平均に入り、モデルはどんどんずれていき、誰もモデルを信じなくなりました。

私たちの対策も同じくらいローテクです。毎週月曜の朝、私自身が20分かけてシートを見ます。チェックするのは3つのグループだけです。前週から予測が30%以上跳ね上がったSKU、安全在庫を下回ったSKU、そして予測が実績を40%以上外し続けているSKUが2週連続で出たものです。20分で十分です。モデルは死んだコードであり、週1回の人間の見直しがモデルを生かし続けます。

正直に認めておくべきトレードオフが1つあります。このシンプルなモデルは安定した需要と季節変動にはよく対応しますが、バズによる急増は予測できません。ショート動画が爆発的に広がったとき、1週間前にそれを見抜けるモデルはありません。私たちの答えは「クイックレスポンス予算」です。毎月、およそ1週間分の販売額に相当する柔軟な現金を確保しておき、何かがトレンドになり始めたら、モデルが追いつくのを待たずに、すぐに小口の緊急発注をかけられるようにしています。そのお金はほとんどの時間は眠ったままですが、いざというときに私たちを救ってくれます。

私たちのような倉庫へのアドバイス：まず予測を動かし、アップグレードは後で

小規模倉庫にとって正しい順序はこうです。販売履歴をきれいな表にまとめ、移動平均＋季節性のモデルを動かし、週に1回自分で見直し、3か月後に評価することです。3か月後、SKU数が500を超えたか、変動がシンプルなモデルでは手に負えなくなっていたら、そのときにベンダーと話をしに行ってください。そのときにはきれいなデータと検証済みのロジックを持っているので、交渉ははるかに有利になります。

大企業版が悪いのではありません。ただ、私たちの段階には合っていないだけです。小規模倉庫には小規模倉庫なりの生き残り方があります。まず動かし始め、数字がそう示したらアップグレードし、お金は本当に痛いところに使うのです。

Xiao Ma（小規模倉庫の経営者）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。