需要予測が外れるとき、最悪の対応は誰のせいかを議論することです。私は倉庫という倉庫でその議論が繰り広げられるのを見てきました。計画部門はシステムを責め、システムチームは汚いデータを責め、その間に棚は空になり、動きの鈍い在庫は積み上がり続けます。結論を先に言います——予測の外れのほとんどは、4つのチェックでデータかモデルかに切り分けられ、間違った方にお金を使うのは何も使わないより悪いことです。
需要予測が不正確?データとモデルを見分ける4つのチェック
2021年、私はロサンゼルス郊外のサードパーティ倉庫と仕事をしていて、家庭用品のクライアントがまさに典型的な罠にまっすぐはまりました。ブラックフライデーの2週間前、予測ではテーブルランプが1日あたり約800個売れるとされ、倉庫はその数に合わせて在庫と人員を確保しました。セール初日の販売はわずか300個ほど。2日目には在庫切れになりました——実際のピークはプロモーション開始から最初の48時間に集中していたのに、予測はその数量を週全体に均等に広げていたからです。事後分析では、責任を分かち合う2つの原因が見つかりました。モデルには週次で集計された履歴が与えられていたため、開始時の急増を見ることは決してできず、前年のプロモーションデータにはクライアントがイベント途中で価格を変更した記録がなかったのです。データに1つの穴、モデルに1つの粒度の誤り。以下に示す数値は例示的な推定です。その単一カテゴリーは週末時点で約40%の過剰在庫となり、残りの在庫を処分するのに2か月以上かかりました。
診断には、単純で確実な方法があります。第一に、履歴そのものを見ること。販売記録に欠落はないか、プロモーションにタグは付いているか、返品や移転が売上に混ざっていないか。第二に、粒度を見ること。予測は日次か週次か、単一SKUかカテゴリー合計か。第三に、外部変数を見ること。価格、プロモーション、季節性、チャネルの変化——それらは実際にモデルに入っているのか、それとも昨年の数字をそのまま先に押し出しているだけなのか。第四に、テールを見ること。数量は少数の主力SKUに集中しているのか、それとも長いテールに引き延ばされているのか。
| 症状 | 可能性が高いのは | 倉庫がまず確認すること |
|---|---|---|
| プロモーションのたびに予測が崩れる | データ:プロモーションと価格変更が記録されていない | プロモーションファイルと価格変更ログが完全か |
| 年の大半は正確だが、季節の変わり目に必ず外れる | モデル:季節性が捉えられていない | 季節要因が計算されているか、手作業の推測か |
| 主力SKUは正確だが、ロングテールは当てずっぽう | モデル:ロングテールはSKUごとにモデル化できない | テールSKUをクラスターとして予測すべきか |
| 同じSKUがある月は正確で、翌月は外れる | データ:リードタイムと入荷が乱れている | 購買リードタイムが実績を反映しているか |
データの問題は修正に時間がかかり、修正は定着します。モデルの問題は変更が速く、悪化させやすいのです。私のルールはデータを先に直すこと——汚いデータで動く良いモデルは、汚い水で釣りをするようなものです。
需要予測が間違っているとき、倉庫は何をするか
予測は間違います。それが前提であり、事故ではありません。倉庫の本当の腕前は、予測を完璧にすることではなく、予測が外れたときに在庫切れを起こさず、フロアを在庫で溢れさせないことです。2024年、私は自動車部品の販売業者を手伝って業務を見直しました。SKUの70%以上がロングテール商品で、その多くは月に1桁台しか売れません——どのモデルもそれらを1つずつ正直に予測することはできません。彼らの答えは予測と戦うことではなく、安全網をポリシーに組み込むことでした。テール商品は過去90日間の実績販売に、在庫切れ1回分のコストに見合ったバッファを加えて在庫し、主力商品だけが予測に従い、週次で見直されました。その年のピークシーズン、主力商品の在庫切れは減り、テール商品のデッドストックは増えなくなりました。ここに示す数値は例示的な推定です。テール商品を2個余分に持つコストは数十ドル程度です。在庫切れ1回で注文全体を失うこともあります。倉庫はその計算ができなければなりません。
安全網は4項目です。第一に、安全在庫をすべてに1つのルールで決めるのをやめること。カテゴリー別、在庫切れのコスト別に段階を分ける——高価で、緊急で、代替のきかない商品にはより多くのカバーを、安価で補充しやすい商品にはより少なく。第二に、補充サイクルを短くすること。予測を信頼できないほど、補充の頻度を上げる。そうすれば1回の外れのコストが小さくなります。第三に、固定計画の代わりにトリガーラインを使うこと。実績販売が予測から閾値を超えて外れたら、来週の見直しではなく、今すぐ人が介入する。第四に、手動オーバーライドの余地を残すこと——現場のチームはプロモーションや顧客の変化を、どんなシステムよりも先に知っている——そしてすべてのオーバーライドを記録し、後で誰が正しかったかを確認できるようにする。
ここが直感に反する部分です。予測が頼りにならないとき、少し余分に在庫を持つことは、より良いモデルを買うより安い場合があります。溜め込めと言っているのではありません。秤にかけてみろと言っているのです。IHL Groupの2026年の在庫歪みに関する調査では、在庫切れと過剰在庫による世界全体の損失はおよそ$1.7 trillion、総小売売上高の約6.2%に上ります——そのうち在庫切れが65.6%を占め、空の棚だけで約$690.9 billionのコストがかかります。そして小売業者の78%が、毎週または毎月不正確な在庫に直面しています。在庫切れのコストは現実であり、モデル更新のコストも現実です。決める前に両方を秤に載せてください。
AIの問題:節約の前にかかるコスト
さて、AI予測です。確かに、より多くの変数——プロモーション、天候、価格弾力性——を取り込むことができます。しかし、すべての解決策には両面があり、これも例外ではありません。本当のコストはソフトウェアの購入ではなく、データの準備とその後の維持です。AIに汚いデータ——タグ付けされていないプロモーション、古くなったリードタイム——を与えれば、汚い出力が返ってきます。ただ、よりきれいに装われているだけです。
ものさしで測りましょう。MAPEです。一般的に使われる目安は、10%未満が優秀、10–20%が良好、20–35%が一般的、35%超は調査が必要ということです。まず自分の立ち位置を測ってください。主要カテゴリーがすでに10–20%の範囲にあるなら、AIでさらに数ポイント絞っても、元は取れないでしょう。35%超で行き詰まっているなら、何かを買う前にデータをチェックしてください——35%超は通常データの問題であり、AIでは救えません。そしてROIは正しく測ってください。「予測がどれだけ正確になったか」ではなく、「在庫切れが何回減ったか、在庫がどれだけ減ったか、緊急補充の労働がどれだけ減ったか」です。この3つを合わせたものが本当のリターンです。例示的な推定です。月に十数回の緊急移転を行い、それぞれ半日の労働と緊急輸送費を消費している倉庫は、MAPEを数ポイント削るよりも、それらを減らす方が節約になることが多いのです。
もう1つアドバイスがあります。AIは人間が不要になるという売り文句を信じないでください。私はあまりにも多くのチームが、予測をシステムに完全に委ね、数字を見るのをやめ、2か月後にモデルが静かにずれていたことに気づくのを見てきました。AIは計算が速い。責任は取りません。フロアを歩く人が今も責任を負っているのです。
予測の外れは災難ではありません。なぜ外れたのか分からず、外れをキャッチするものが何もないことが災難なのです。データとモデルを切り分け、安全網を作り、それからAIの話をしましょう。あなたの倉庫はどのステップで止まっていますか?
Lao Mi(サプライチェーンのベテラン (20 yrs))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。







