倉庫補充のためのAI需要予測。二年前なら、この言葉に二度と目を向けることはなかっただろう。私の倉庫は3,000平方メートル、スタッフ六人、中古のラック。AI予測?冗談でしょう。大手のものだ。

それが2025年五月に変わった。長年安定して売れていた金物が三週間連続で在庫切れとなり、二人の顧客が離れていった。まさにその同じ日、季節商品が二つのパレットいっぱいに積まれ、六か月間まったく動かなかった。在庫切れと滞留在庫、同じ日、同じ倉庫。そのとき気づいた。記憶に頼る推測では、もう通用しないのだと。

小規模倉庫のかつての発注方法:棚を見ること

恥ずかしい話だが、以前のやり方を正直に話そう。棚を見ていた。棚が空なら発注する。棚がいっぱいならしない。常連客から200個ほしいと電話があれば、慌てて発注する。繁忙期は記憶で少し多めに。閑散期は感覚で少し減らす。

その大ざっぱな方法が、どうにか三年間は持ちこたえた。なぜか。品目数が少なく、顧客も顔なじみで、回転も遅かったからだ。だが2025年を過ぎて崩れた。品目数が400から900超へ、顧客数が30から80へ増えたのだ。これを頭の中だけで管理できる人はいない。

五月の在庫切れは、まさにその典型例だ。その金物は月に約600個売れていたのに、私は習慣で500個しか在庫していなかった。そこへ顧客がプロジェクト受注を獲得し、一度に800個を持っていった。棚は空になった。補充には輸送で12日かかった。その12日間、他の二人の顧客が他社に注文するのを見ていた。一方、その二つのパレットの滞留在庫は、2024年の年末に私が「感覚で」多めに発注したもので、春に売れるはずだと賭けたものだった。春が来て、顧客はモデルを切り替え、在庫は行き場を失った。

その夜、私は計算した。失った受注は粗利でおよそ40,000元のコストになった(自分の帳簿からの参考数値)。滞留在庫は60,000元超の現金を拘束した。一か月分の仕事が消えた。そのとき、予測にはきちんとした方法が必要だと決めた。

AI予測が実際にすること:まず期待値を下げる

まず冷水を浴びせよう。AI予測は水晶玉ではない。インターネットで倉庫補充のためのAI需要予測を検索すれば、見つかるものの大半はデータチームを抱えた企業向けに書かれている。顧客が来月突然大きなプロジェクト受注を獲得することや、モデルが一晩で切り替わることを予測することはできない。できるのは、過去一年か二年の出庫データを掘り起こし、どの品目が安定して動き、どれが大きく振れ、どれが静かに死にかけているかを教えてくれることだ。

私の最初の一手はAIですらなかった。出庫記録をエクスポートし、品目ごとに簡単な販売曲線を描いただけだ。結果に驚いた。30点以上の品目がゆっくりと減少し続けていたのに、私は従来の水準で在庫し続けていた。別の十数点は繁忙期のピークが年々大きくなっていたのに、私は毎年過小に在庫していた。

二番目の一手で初めてAIに触れた。月額サブスクリプションの軽量な予測ツールだ。月に数百元で、人を雇うより安い。過去の出庫データ、祝日、顧客の発注サイクルを入力すると、品目ごとの推奨補充数量が出てきた。三か月後、その結果はこうだった。提案の約70%は私の直感と一致した。残りの30%では、私を上回った。ほとんどは私がめったに気にかけない動きの遅い品目で、棚が空になってから気づく私とは違い、二週間前に在庫切れを警告してくれた。

ここが直感に反する点だ。小規模倉庫にとって、AI予測の最大の価値は精度ではない。データの整理を強いられることだ。データがきれいになれば、問題は自ずと姿を現す。ほとんどの小規模倉庫は予測の問題を抱えているのではない。データの混乱を抱えているのだ。

データ品質が先:ゴミを入れればゴミが出る

これは強調しておきたい。私自身がこの罠に足を取られたからだ。

2024年以前、私たちの出庫記録は手書きの伝票だった。商品名はあっても仕様がないものがあった。返品が帳簿で取り消されていないものもあった。そしてあるロットの商品は、顧客の委託品が私の倉庫に置いてあるだけで、私の在庫ではまったくなかった。そんなデータを予測ツールに入力すれば、提案はすべて間違う。廃番モデルを在庫するよう言われ、実は伸びている新商品を減らすよう言われた。

データ整理に丸二週間かけた。商品名と仕様を標準化し、抜けた入力を補い、返品を取り消し、委託在庫を別にフラグした。その後、予測は意味をなすようになった。私の結論はこうだ。汚いデータでは、AI予測は高価な占いにすぎない。まず帳簿をきれいにし、それから予測の話をしよう。

小規模倉庫にこのための大きなシステムは要らない。スプレッドシート一つとルール一つ。出庫はすべてスキャンし、返品はすべて記録し、商品名と仕様はいつも同じ書き方をする。一か月続ければ、データは使えるものになる。私たちがやったのはそれだ。粗いが、機能する。

予測が外れたとき、誰かが判断を引き受けなければならない

これが私が最も話したい部分であり、ほとんどの人が避ける部分だ。

予測が外れたとき、誰が責任を取るのか。ソフトウェアベンダーではない。契約書に白黒はっきり書いてある。上司か。私の小さな倉庫では、上司は私だ。誰を責めればいいのか。だから答えは一つしかない。予測は提案にすぎない。最終判断は、ビジネスを理解する人間が下さなければならない。

私のルーティンはシンプルだ。毎週金曜日の午後、三十分かけて予測の提案を三つの区分に分けて見直す。

予測の提案 私の対応
提案数量が自分の経験と一致する 提案どおりに発注する
提案数量が予想よりはるかに多い 顧客に電話する。大きな注文が来るのか。確認してから決める
提案数量が予想よりはるかに少ない データの欠落やモデル変更がないか確認する

分類が終われば、本当に頭を使う必要があるのは十数点だけだ。三十分で終わり。AIが計算をし、私が判断を下す。この分業は逆にしてはいけない。AIに独断で発注させれば、一度の間違いが一パレットの滞留在庫になる。直感だけに頼れば、推測に戻ってしまう。

考えておくべきトレードオフもある。良い予測は在庫コストを節約するが、悪い予測は在庫切れと過剰在庫を招く。私の経験では、保守的に見積もるのが正しい。少しの保管コストを節約するために在庫切れのリスクを冒すのではなく、約10%の安全在庫を確保する。小規模倉庫にとって、顧客を失うコストは、二週間分の在庫を余分に持つコストよりはるかに大きい。

小規模倉庫でもAI需要予測を手が届くものにする軽量な方法

小規模倉庫の仲間のオーナーのために、そのまま真似できる手順を紹介しよう。

第一歩、大きなシステムを買わないこと。出庫データをエクスポートし、品目ごとに販売曲線を描く。何が減少し、何が伸びているかを見る。コストはゼロ。スプレッドシートでできる。

第二歩、データをきれいにすること。名前を標準化し、抜けた入力を補い、返品を取り消し、委託在庫を別にフラグする。これを飛ばせば、その後のすべてが無駄になる。

第三歩、軽量な予測ツールを試すこと。月額サブスクリプション、一つの商品カテゴリー、三か月の試用。うまくいったら倉庫全体に広げる。初日から全面展開しないこと。

第四歩、判断のルーティンを決めること。提案を見直す毎週の固定枠、三つの区分への分類、最終判断を下す人間。予測は助言する。指揮官はあなただ。

六か月後、私の側で変わったことはこうだ。在庫切れは月に3–4回から月に一度未満に減った。90日以上滞留する品目は40点超から10点未満に減った。いくら節約できたか。正確な数字は出せない。顧客構成も変わったからだ。だが一つ確かなことがある。同じ売上規模で、在庫に拘束される現金はおよそ五分の一減った(参考見積もり:私の倉庫の平均月間在庫およそ500,000元に基づき、およそ100,000元が解放された。数値は参考用の仮定の試算である)。

倉庫補充のためのAI需要予測は、大規模倉庫にとっては効率化ツールだ。私のような小規模倉庫にとっては、まず鏡だ。データがどれだけ汚れているか、感覚での発注がどれだけ危ういかを示してくれる。予測を当てるのは技術だ。間違ったときの備えとして安全在庫を置きつつ、人間が判断を引き受けること。それがAIを小規模倉庫でも実際に手が届くものにするのだ。

小規模倉庫には小規模倉庫なりの生き残り方がある。AIも含めて。

Xiao Ma(小規模倉庫のオーナー)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。