AI需要予測：補充精度を高める実践ガイド

出発点：予測が悪ければ補充はギャンブルになる

家庭用品のネット販売業者、3,000 SKU。計画担当者の勘と12週移動平均だけで補充していた。大規模プロモのたびにシステムは崩壊した：人気SKUは欠品で注文を失い、ロングテールSKUは2,000万ドルもの資金を在庫に眠らせた。オーナーは試算した：欠品率1ポイント削減は年間400万ドルの価値がある。予測は倉庫におけるROIが最も高いAI活用の一つだ——しかしプロジェクトの90%は「モデルは正確だが現場が使えない」で死ぬ。

コアの枠組み：4つのポイント

補充作業中にパレットを高層ラックに格納するフォークリフト運転手

1. 特徴量エンジニアリング：履歴は物語の半分でしかない

販売履歴だけをモデルに食わせるのは、片目をつぶって運転するようなものだ。実務で効く5つの特徴量ファミリー：

販売・価格系列（プロモ価格や値引率を含む）
プロモーションカレンダー（大型セール、カテゴリーの日、クリアランス——事前にラベル付け）
季節性と祝日（新学期、クリスマス、旧正月）
外部シグナル：気温（アパレル・家庭用品で強く効く）、チャネルのトラフィック
SKU属性：新商品/成熟/処分ステージ、ABC分類

目安：少なくとも2年分の履歴から始めること。データ1年未満のSKUには類似商品ベースの予測だけを与え、複雑なモデルを無理に当てはめない。

2. 階層モデリング：上位SKUは精密に、テールはシンプルに

SKU階層	占有率	モデリング戦略
上位20%	売上80%	LightGBM / 時系列モデル、SKU単位でチューニング
中位30%	売上15%	カテゴリー単位で予測してから分解
テール50%	売上5%	Croston型の間欠需要モデル；欠品さえ避ければよい

全部に一つのモデルは初心者の典型ミスだ。テールSKUの需要はまばらで、複雑なモデルは過学習し、シンプルなモデルが安定する。

3. ループを閉じる：予測は出発点にすぎない

予測は発注書とは違う。完全なループは5ステップ：予測 → 安全在庫（サービスレベル別：A品98%、C品90%）→ 補充提案 → 例外のみ人のレビュー（変動50%超のSKU）→ 実績をフィードバックして再学習。

鍵となる設計：人が見るのは例外だけ。 計画担当者は3,000行をなぞる代わりに、システムが毎日赤くフラグした5%のSKUだけを見る——これが本当のAIのレバレッジだ：日常的な判断の95%は機械が、人間は重要な5%を担う。

4. 指標：絶対誤差よりバイアスの向きを見る

全体精度にはWAPE（加重絶対パーセント誤差）を使うが、それ以上にバイアスの向きを注視する：系統的な過大予測は過剰在庫を、系統的な過小予測は欠品を生む。同方向のバイアスが3か月連続で5%を超えたら、特徴量かモデルの構造的問題のサイン——ハイパーパラメータ調整で済まさず作り直しに回す。

現場事例：WAPEを38%から24%へ

家庭用品のネット販売業者、4,000 SKU。AI需要予測の導入から6か月：WAPEは38%から24%に、欠品率は6.2%から3.1%に低下、在庫回転率は0.8上昇。最大の寄与はモデルの高度化ではなかった——プロモーションカレンダーの特徴量だ。計画担当者はプロモを記憶で予測していたが、それを体系化しただけでプロモ期間の誤差が一夜で半減した。

避けるべき落とし穴

新SKUに履歴ベースのモデルを無理に当てはめない。 最初の予測は類似SKUから作り、最初の4週間の販売実績が出たらすぐ再較正——週次で更新する。
プロモは別々にモデル化する。 プロモ期間の需要は日常需要と別の分布に属する；一緒に学習させるとベースラインが汚れる。
予測を自動発注に直結させない。 人間の「例外ゲート」を残す——モデルが見たことのないブラックスワン（SNSでバズった商品）には、人が最後の防衛線になる。

90日導入プラン

1～30日：データガバナンス。 2年分の販売履歴、プロモカレンダー、価格系列を集約；データ品質レポートを公開し、欠損10%超の項目を埋める。成果物：特徴量インベントリー＋データ品質レポート。

31～60日：モデリングとバックテスト。 SKUクラス別に階層モデルを構築し、直近3か月でサンプル外バックテスト——上位SKUのWAPE 25%未満がゲート。成果物：バックテストレポート。

61～90日：パイロットと展開。 上位200 SKUで並行運用：システムが提案し、計画担当者がレビューし、パイロットと対照群の欠品率を比較。パイロットの欠品率削減1.5ポイント以上で本格展開のゴーサイン。

90日は最短ライン；データ基盤が弱い倉庫は120日を見込む。導入後の作り直しより、最初はゆっくりがよい——予測プロジェクトの作り直し一回で、事業部のAIへの信頼はゼロになる。

計画担当者の新しいワークフロー：人と機械の分担

AI稼働後、計画担当者は消えない——レベルアップする：

毎朝30分： システムがフラグした例外SKU（変動50%超または欠品アラート）のみをレビューし、1件ずつ確認・調整する。3,000 SKUのうち、通常は100～150 SKUだけが人の目を必要とする。
毎週1時間： バイアスの向きレポートを読む。系統的な過大/過小バイアスが2週続けば、ITと特徴量の合同セッション——自分でモデルを調整する必要はないが、どの質問をすべきかは知っておく。
毎月半日： バックテストレビューに参加し、WAPEのトレンドとプロモの振り返りを追い、プロモカレンダーのラベルを更新する——最も代替不能な人のインプット、すなわち事業勘だ。

役割は「計算する人」から「モデルを管理する人」へ変わる。抵抗する計画担当者は取り残され、受け入れた者は一人で3倍のSKUを管理する。耳が痛いが、事実だ。