倉庫在庫のためのAI需要予測プロジェクトは、たいてい単純な取引として売り込まれる。モデルを導入し、在庫を減らし、販売機会の損失を減らす。しかし現実はもっと控えめだ。マッキンゼーによれば、AIによる予測は予測誤差を20%から50%削減し、販売機会の損失と商品の欠品を最大65%減らし、在庫水準を20%から30%引き下げることができる。これらの数字は常に引用され、同じくらい常に誤読されている。好条件のもとで起こりうる結果の範囲を示すものであり、保証された平均ではない。誤差がどれだけ下がるかは、従来の予測がどれだけ間違っていたかによる。在庫がどれだけ下がるかは、その後誰かが安全在庫のパラメータを変更する勇気を持つかどうかによる。
正しい問いは、その節約が自社のSKU、自社のデータ、自社の補充リズムと向き合ったときに生き残るかどうかだ。
AI需要予測の効果が実際にどこから生まれるのか
従来の予測は主に一つのことしか見ない。このSKUが過去にどれだけ売れたかだ。移動平均、指数平滑、季節モデルはいずれも販売曲線を外挿する。安定した商品には有効だが、曲線が曲がった瞬間に破綻する。機械学習による予測との違いは、より巧妙なアルゴリズムではない。モデルが一度に取り込めるシグナルの範囲だ。価格変動、販促カレンダー、天候、祝日、競合の動き、サプライヤーのリードタイム変動である。シグナルが多ければ、モデルは需要が前回曲がったという事実だけでなく、なぜ曲がろうとしているのかを見るチャンスがある。
公開コンペティションは比較的クリーンな参照点を提供する。M5コンペティションではウォルマートの日次販売データが使われ、価格とカレンダーイベントが提供された。優勝者はコンペティションの重み付き誤差指標で24のベンチマークのうち最強のものを約22%上回り、上位50件はすべてそのベンチマークを14%以上上回った。機械学習は明確に勝利したが、それは単一の過去データセットに対する予測タスクでのことであり、実際の倉庫における補充、サプライヤー、キャッシュフローの全連鎖でのことではない。
公表された学術研究は、日々の倉庫の現場により近い。地域の医薬品流通を研究した研究者たちは、2014年から2019年までの実際の薬局日次販売データ、2,106日間にわたる8つの医薬品カテゴリーを用い、ランダムフォレストモデルを季節ナイーブ基準と比較した。この基準は、ちょうど7日前の需要をそのまま予測とするものである。モデルは予測誤差を23.9%から26.5%削減した。基準は正直に選ばれており、それが重要だ。多くの倉庫はこの基準を上回るのに苦労するだろう。Steve Morlidgeは8社のサプライチェーン企業の予測を調べ、約52%がナイーブ予測よりも精度が低いことを発見した。専門的な予測作業の大部分が、次期は今期と同じだと仮定するよりも悪い結果を生み出していたのだ。AI予測による最初の効果は、ときにそのマイナスのリターンを正すことにすぎない。
シグナルが多ければコストも増える。シグナルは洗浄し、整合させ、ラベル付けしなければならない。販促週はベースラインに含めるべきか、欠品日の販売ゼロは需要がなかったのか在庫がなかったのか、返品は差し引くべきか。これらの問いに答えるまで、モデルは間違ったパターンを、より速く学ぶだけだ。
倉庫在庫のためのAI需要予測プロジェクトが失敗する3つのパターン
最初の失敗は販促だ。販促は企業が作り出す需要の急増であり、過去の記録にはその例がほとんどなく、それぞれ割引率、チャネル、バンドルが異なる。モデルは大きな販促ピークを新しい正常値とみなして過剰発注したり、仕組みが変わったために次の販促を過小評価したりしやすい。実行可能なアプローチは、販促変数をモデルに明示的に与え、主要な販促をすべて事前にプランナーが確認することであり、モデルに推測させることではない。
2つ目の失敗は新SKUとロングテールだ。新SKUには履歴がないため、モデルは類似の古い製品との類推でしか推論できず、誤差は本質的に大きい。ロングテールのSKUは逆の問題を抱える。需要が低く断続的で、今日は3単位、来週はゼロという状態では、まばらなデータで安定してモデル化するのは難しい。しかしこの2つのグループは、倉庫の注意力の不釣り合いなほど大きな部分を占めている。1つのモデルに主要商品と数千のロングテールSKUの両方を管理させるのは非現実的だ。一般的なパターンはセグメンテーションだ。主要商品にはAI予測、テールには単純な統計ルールと人によるカバーである。
3つ目の失敗は混乱だ。パンデミック、港湾の混雑、サプライヤーの操業停止は、履歴にサンプルが存在しないか、1件しかないため、モデルは学習できない。業界報道で引用された2024年のGartner関連調査の数字では、前年に深刻または中程度の混乱を経験したサプライチェーン組織の割合は68%だった。モデルにできるのは、検知時間を短縮し、需要の転換をより早く察知してより速く調整することだ。一度も起きたことのないショックを予測することはできない。AIを水晶玉のように扱うことが、これらのプロジェクトが死ぬ最も一般的な原因だ。
実際にどれだけ在庫を節約できるのか、計算してみる
予測誤差と安全在庫は直接結びついている。標準的な公式では、安全在庫は予測誤差の標準偏差にほぼ比例するため、誤差を縮めれば、同じサービスレベルで必要なバッファも同じ割合で縮まる。マッキンゼーの20%から30%の在庫削減は、20%から50%の誤差削減がその公式を通して反映されたものだ。しかしその反映は自動ではない。精度は向上するが、在庫がひとりでに薄くなるわけではない。誰かが安全在庫のパラメータと発注点を引き下げ、最初の欠品騒ぎが起きたときに踏みとどまらなければならない。同じマッキンゼーの数字を扱ったCFO向けの分析が言うように、運用方針をリセットしなければ、精度の向上は取り残され、リターンはゼロになる。
| 項目 | 従来の統計的予測 | AI需要予測 | 備考 |
|---|---|---|---|
| 入力 | 過去の販売実績、季節性 | 販売実績に加え価格、販促、天候、外部イベント | シグナルが多く、洗浄コストが高い |
| 誤差の変化 | 基準 | マッキンゼーの調査によれば20%から50%低い | 範囲であり、開始時の基準による |
| 安全在庫 | 固定の誤差仮定から設定 | 理論上は誤差に比例して減少 | パラメータを手動でリセットした場合にのみ実現 |
| 最適な適用 | 履歴の長い安定したSKU | 豊富なシグナルを持つ主要SKU | 新規およびロングテールのSKUには限界がある |
| 失敗モード | 転換点、販促 | 販促、新SKU、混乱 | どちらも失敗するが、場所が異なる |
| 具体例 | 在庫$10m、安全在庫40% | 誤差25%減、安全在庫約$1m減 | 具体例であり、約束されたリターンではない |
具体例は意図的にシンプルだ。$10百万の在庫のうち、$4百万が安全在庫である。誤差を25%削減すれば、安全在庫は理論上約$1百万減少し、保有コスト20%で年間約$200,000の保有コストを回避できる。それが実現するかどうかは、3つのことが同時に成り立つかどうかにかかっている。誤差が本当に25%下がったこと、安全在庫のパラメータが本当に引き下げられたこと、サービスレベルが本当に下がらなかったことだ。そのうち1つでも欠ければ、計算は崩壊する。
早めに述べておくべき直感に反する判断もある。より正確な予測は、短期的には倉庫の運営を難しくする可能性がある。安全在庫が薄くなれば、納期遅れへの許容度が下がり、厚い在庫が隠していた問題が一気に表面化する。AI予測が試すのはモデルではなく、補充、購買、サプライヤー管理が薄い在庫のリズムについていけるかどうかだ。プロセスを変えずにモデルだけ導入すれば、節約した在庫は欠品と緊急対応費として戻ってくる。
コストは別に数えなければならない。典型的なパイロットは、1つのカテゴリーまたは1つのチャネルを90日間対象とし、AI予測と現在の手法を並行して運用し、拡大する前に誤差とプランナーの作業負荷を比較する。数百のSKUを持ち需要が安定した倉庫では、従来の手法と経験豊富なプランナーだけでもう十分かもしれない。
技術の進歩は誤差の下限を変えるのであって、需要の根本的な不確実性を変えるのではない。倉庫在庫のためのAI需要予測の取り組みは真剣な評価に値するが、テストはベンダーのスライド上の精度であってはならない。自社データに基づく3つの数字であるべきだ。誤差が何ポイント下がったか、安全在庫を何ポイント削減する覚悟があったか、欠品率は動いたか。その3つがそろえば、プロジェクトは成り立つ。販促サンプルが少ないときにモデルをどれだけ信頼するか、ロングテールのフォールバックルールを誰が書くかという、まだ開かれた問いは、次回の予測性能を決めるものかもしれない。
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。







