需要予測AIは当たるのか｜必要なデータ7条件と判断

「欠品して謝り、次は多めに発注して余らせる」。この往復を何年も続けている、という相談をよくいただきます。そして決まって、こう続きます。「需要予測AIを入れれば当たるようになりますか」。

先にお答えします。当たるようにはなりません。正確には、AIを入れても予測は外れます。外れる幅が少し小さくなるだけです。そして、その「少し」を手に入れるには、多くの中小企業が持っていないデータが必要になります。

当社はAI導入支援を行う事業者です。それでも需要予測については、「まだやるべきでない会社」の条件を先にお伝えすることにしています。理由は単純で、この領域は中小企業でとくに失敗しやすいからです。データが足りない、欠品のせいで売上データが歪んでいる、特売やイベントの記録が残っていない。この3つのどれかに当てはまる会社が、実際には大半です。

この記事では、需要予測AIを検討する前に自社で確かめるべきことを、順番に整理します。予測は外れるものであり、経営で効くのは「外れたときの損失をどう小さくするか」だという立場で書きます。

結論｜先に確かめるのはデータ

結論からお伝えします。需要予測AIの導入可否は、ツールの性能ではなく自社に残っているデータの質でほぼ決まります。そして、その質は導入前に自分で確認できます。

予測は外れる前提で使う

まず、予測というものの性質を押さえてください。国内で最も長く、最も大量に予測を出し続けている組織は気象庁です。その気象庁が公表している検証結果によると、明日の降水の有無の適中率は全国平均で83パーセント、各地方の年平均値は78パーセントから85パーセントの範囲に分布しています（出典：気象庁「天気予報の精度の例年値とその特徴」）。

これは平成4年から平成26年までの23年平均という、膨大な観測網と計算資源を使った結果です。国家規模の予測ですら、明日のことが2割弱は外れる。自社の売上を、それより高い精度で当てられると考えるほうが不自然です。

同じ資料には、さらに重要な指摘があります。予報対象領域のちょうど60パーセントの面積に降水があった場合、「降水あり」という最善の予報を発表できたとしても適中率は60パーセントに留まる、という記述です。つまり、予測が外れる原因には「予測が下手だから」だけでなく「そもそも当てようがない揺らぎがあるから」という部分が必ず含まれます。

見るのは期間と粒度と記録

そのうえで、自社のデータを見ます。確認する軸は3つだけです。

1. 期間。何年分の実績が、同じ形式で残っているか
2. 粒度。日次か、週次か、月次か。品目単位か、分類単位か
3. 記録。欠品した日、特売した日、イベントがあった日が分かるか

この3つのうち、中小企業で最も欠けているのは3番目の「記録」です。売上データは基幹システムやPOSに残っていても、「その日なぜその数字になったのか」を説明する記録は、ほぼ誰も残していません。後述しますが、これが需要予測の成否を分けます。

やるべきでない会社もある

最後に、はっきり申し上げます。次のいずれかに当てはまる会社は、今の段階で需要予測AIに投資すべきではありません。

• 同じ形式の販売実績が2年分に満たない
• 欠品した日の記録がなく、いつ品切れしていたか誰も再現できない
• 取扱商品の入れ替わりが激しく、2年前の主力が今は存在しない
• 発注の権限と責任が、担当者ごとにばらばらのまま

この4つに1つでも当てはまるなら、先にやることは記録の整備です。詳しくは後の章で手順まで示します。AIを売る立場でこう書くのは変に見えるかもしれませんが、足りないデータで予測を始めた会社が、半年後に「やっぱり勘のほうが当たる」と言って撤退するのを避けたいからです。

需要予測とは何をすることか

言葉の整理から始めます。ここが曖昧なまま検討に入ると、期待値が勝手に膨らみます。

需要予測の定義と対象

需要予測とは、将来のある期間に、ある商品がどれだけ求められるかを、過去の実績と外部要因から数量として見積もる作業のことです。売上予測が金額を扱うのに対し、需要予測は原則として数量を扱います。発注や生産計画に直結するのが数量だからです。

対象は「これから何個売れるか」であって、「何個仕入れるか」ではありません。予測と発注は別の作業です。予測は事実の見積もりであり、発注はそこに欠品リスクと在庫コストの判断を足した経営判断です。この2つを混同すると、AIに発注まで任せる設計になり、事故が起きます。

予測は数字でなく幅で出る

実務で最も誤解されているのがここです。まともな需要予測は「来週は120個」という1つの数字ではなく、「100個から150個の間に収まる可能性が高い」という幅で出ます。

気象庁の検証方法の説明では、気温予報の誤差を評価する指標として2乗平均平方根誤差（RMSE）が使われており、個々の予報の誤差の60パーセントから70パーセントは、プラスマイナスRMSEの間に収まると説明されています（出典：気象庁「検証方法の説明」）。裏を返せば、3割から4割は、その幅の外に出るということです。

需要予測も同じです。幅を出さない予測ツールは、使い方を誤らせます。導入検討の際は、予測値だけでなく誤差の幅を出せるかを必ず確認してください。

予測が要らない品目もある

意外に見落とされますが、全品目を予測する必要はありません。次の品目は、予測しないほうが合理的です。

• 常に一定量が出る定番品。移動平均と発注点の管理で足ります
• 受注生産品。受注が確定してから作るので、予測する対象がありません
• 月に数個しか動かない品目。実績が少なすぎて統計的に扱えません
• 調達リードタイムが1日の品目。切れそうになってから頼めば間に合います

需要予測の対象は「動きが読めず、かつリードタイムが長く、かつ金額または場所を取る品目」に絞ります。ここを絞らずに全品目を対象にすると、成果が薄まって評価できなくなります。

予測が当たるデータの条件

ここが本記事の核です。需要予測AIの提案を受けたとき、真っ先に確認すべき条件を挙げます。

期間は最低2年、望ましくは3年

季節性を学習させるには、同じ季節を最低2回は通過している必要があります。1年分しかないと、去年の8月が暑かったのか特売をしたのかを区別できません。2年分あれば「毎年8月に上がる」という繰り返しが確認でき、3年分あれば「上がり方が年々変わっているか」まで見えます。

なぜ季節性が重要かというと、需要の変動の多くが季節要因で説明できるからです。総務省統計局は季節変動が生じる理由を3つに整理しています。天候や気温などの自然条件、月による日数や休日の違いという暦の要因、中元や歳暮やボーナスといった制度・習慣からの影響です（出典：総務省統計局「なるほど統計学園 季節的な動きを除去」）。

この3つは、どの業種にも共通して効きます。自社の需要が「読めない」と感じているとき、実際には季節要因を分離していないだけ、ということが少なくありません。

粒度は日次か週次か

粒度とは、データを刻む細かさのことです。判断基準は「発注のサイクルより細かいか」の一点です。

発注のサイクル	必要な粒度	理由
毎日発注する	日次	曜日ごとの差を捉える必要がある
週に1回発注する	日次または週次	週合計で足りるが日次があると精度が上がる
月に1回発注する	週次	月次だと1年で12点しか取れない
四半期に1回発注する	月次	月次で足りる。日次は不要

月に1回の発注なのに月次データしかない、という組み合わせが最も危険です。3年分あってもデータ点は36個しかありません。36個で学習させたモデルは、統計的にはほとんど何も学べていません。この場合は日次または週次の元データを掘り起こすところから始めます。

欠品と特売の記録が要る

そして最も重要な条件です。販売実績のほかに、次の記録が同じ期間ぶん残っている必要があります。

• 欠品の記録。いつ、どの品目が、何日間品切れしていたか
• 特売の記録。いつ、どの品目を、いくらで、どんな売り方で出したか
• イベントの記録。近隣の催事、取引先の販促、天候の急変、報道など
• 商品変更の記録。リニューアル、規格変更、終売、代替品への移行

この4つが要る理由は、いずれも「売れた数」が需要そのものではないからです。品切れの日は需要があっても売れず、特売の日は需要以上に売れます。記録がなければ、AIはそれを「その日は需要が少なかった」「その日は需要が多かった」と学習します。

この構造は、公的資料でも裏づけられています。農林水産省が公表している食品ロスの資料では、食品小売業における主な食品ロスの発生要因として「販売機会の損失を恐れた多量の発注」が明記されています（出典：農林水産省「食品ロス及びリサイクルをめぐる情勢」（令和8年7月時点版））。欠品を恐れて多く発注し、余らせる。この行動そのものが、記録されないまま販売実績に混ざり込んでいます。

自社データの自己診断表

ここまでの条件を、そのまま自社で確認できる形にしました。導入の商談に入る前に、この表を自分で埋めてください。埋められない項目があること自体が、最も重要な情報です。

7項目のチェック表

番号	確認する項目	合格の目安	確認する場所
1	販売実績の期間	同じ形式で24か月以上	基幹システムまたはPOSの出力
2	データの粒度	発注サイクルより細かい	出力できる最小単位を確認
3	品目コードの一貫性	2年前と同じコードで追える	商品マスタの変更履歴
4	欠品の記録	品切れ日が特定できる	在庫履歴、受注拒否の記録
5	特売と価格の記録	実売価格が日別に分かる	販促計画、値引き履歴
6	イベントの記録	催事や販促の日付が残る	営業日誌、店長日報
7	発注ルールの明文化	誰がいつ何個決めるか書面にある	業務手順書、引継ぎ資料

点数の読み方

合格した項目の数で、次にやることが変わります。

合格数	今の段階	次にやること
6個から7個	需要予測に進める	対象品目を絞って検証から始める
4個から5個	条件つきで進める	欠けた記録を3か月ためてから判断
2個から3個	まだ早い	記録の型を決めることが先
0個から1個	予測以前の段階	在庫と販売の可視化から着手

この表で3個以下だった会社が、いきなり需要予測AIを導入して成果を出した例を、当社は見たことがありません。逆に、可視化から始めた会社は、予測に進む前の段階で欠品が減ることがよくあります。在庫が見えるだけで発注の判断が変わるからです。可視化の進め方は在庫管理システムを自作する前の判断にまとめています。

確認する具体的な手順

表を埋めるための手順を、そのまま実行できる形で示します。所要は半日から1日です。

1. 基幹システムまたはPOSから、過去36か月ぶんの品目別・日別の販売数量をCSVで出力する
2. Excelで開き、品目コードの列でユニーク件数を数える。24か月前と今月の両方に存在するコードの割合を出す
3. 販売数量が0の日を抽出し、「休業日なのか、欠品なのか、たまたま売れなかったのか」を区別できるか確認する
4. 直近12か月の特売実施日を、販促担当者に一覧で出してもらう。出てこなければ項目5は不合格
5. 発注担当者に「あなたが発注数を決めるときのルールを3行で書いてください」と依頼する。書けなければ項目7は不合格

ここまでを外部に頼まずに自社でやることに意味があります。この作業自体が、自社の業務の穴を可視化する作業だからです。Excelでの集計に手間取る場合は、ExcelをAIで自動化する方法で紹介している手順が使えます。

欠品の記録がないと歪む

診断表の項目4について、もう少し掘り下げます。ここが需要予測で最も理解されていない論点です。

売れた数は需要ではない

基幹システムに残っているのは「売れた数」であって、「売れたはずの数」ではありません。品切れしていた日は、需要が10あっても実績は3で記録されます。

この状態でAIに学習させると、何が起きるか。AIは「この品目は3しか売れない」と学びます。すると次の予測も3前後になり、また品切れし、また3で記録されます。予測が実績を作り、実績が予測を裏づける。この閉じたループに入ると、外からは「AIの予測は当たっている」ように見えます。当たっているのではなく、需要を切り捨てているだけです。

実務では、この現象は売れ筋ほど深刻になります。よく売れる品目ほど品切れしやすく、品切れしやすい品目ほど実績が小さく記録されるからです。

前年同月比が歪む場面

同じ問題は、AIを使わない従来のやり方にも起きます。総務省統計局は前年同月比について、前年の同じ月の売上高が何らかの原因により例年より大きく下回った場合、今年が例年どおりでも大きな上昇を示すことになると注意を促しています（出典：総務省統計局「なるほど統計学園 その他のデータ分析手法」）。

「去年の同じ月の1.2倍で発注しておこう」という判断が危ういのは、これが理由です。去年その月に欠品していたら、1.2倍でもまったく足りません。逆に去年その月に特売をかけていたら、1.2倍は大幅な過剰になります。

記録がないときの応急処置

過去の欠品記録が本当に何も残っていない場合、完全な復元はあきらめてください。代わりに、次の応急処置で影響を減らせます。

• 在庫履歴から推定する。在庫が0になった日付が残っていれば、その日は欠品候補として扱う
• 異常に低い日を除外する。同じ曜日の中央値の3割を下回る日は、学習から外す
• 担当者の記憶を1回だけ聞く。「よく切らしていた品目」を10個挙げてもらい、その品目だけ慎重に扱う

いずれも精度は落ちます。それでも、歪んだデータをそのまま学習させるよりはるかにましです。そして、今日から欠品記録を取り始めれば、来年には正しいデータが2年分に近づきます。

データが足りないときの一手

診断表で不合格が出た会社が、次にやることを具体化します。ここを飛ばして予測に進むと、必ず戻ってくることになります。

まず記録の型を決める

やることは1つです。1日1行の記録表を作り、毎日埋める運用を始めること。ツールは何でも構いません。共有のスプレッドシートで十分です。

列	入れる内容	入力の手間
日付	自動入力	0秒
欠品品目	その日切らした品目コード	10秒
特売品目と価格	値引きした品目と実売価格	20秒
特記事項	催事、天候急変、取引先都合など	20秒
記入者	名前	0秒

1日1分未満で終わる設計にすることが肝心です。3分かかる記録表は3週間で埋まらなくなります。当社が支援に入るとき、最初の1か月はこの表が毎日埋まっているかだけを見ます。埋まらないなら、その会社にはまだ需要予測は早いという判断材料になります。

3か月で最小の記録を作る

3か月続ければ、90行のデータができます。90行では予測はできませんが、次の3つが分かります。これだけでも発注は変わります。

1. どの品目が繰り返し切れているか。上位5品目に欠品が集中しているのが普通です
2. 特売のあとに何が起きるか。翌週の反動減があるかどうかが見えます
3. 誰が発注しているときに事故が多いか。属人性の所在が分かります

この3つが見えた時点で、予測をしなくても在庫は改善します。切れる品目の発注点を上げるだけでよいからです。実際、需要予測の相談をいただいた会社の相当数が、この段階で「予測はまだ要らない」という結論になります。

過去データの復元は諦める

最後に、よくあるご相談への回答です。「過去5年分の紙の伝票をAIで読み取ってデータ化すれば、予測に使えますか」。

おすすめしません。理由は3つです。第一に、読み取り誤りが一定割合で必ず発生し、その誤りは予測を歪めます。第二に、紙の伝票には欠品と特売の情報が載っていないため、結局いちばん必要な記録は復元できません。第三に、5年前と今では商品構成も取引先も変わっており、古いデータの価値は想像より低いからです。

過去を掘るより、今日から正しく記録を残すほうが、はるかに早く正しいデータにたどり着きます。

Excelと移動平均で足りる線

ここからは、AIを使わない選択肢を正面から扱います。当社はAI導入支援の事業者ですが、Excelで足りる会社にAIを売ることはしません。

移動平均でできること

移動平均とは、その月を含む一定期間の平均値を、順にずらしながら計算していく手法です。総務省統計局の解説では、各月とその前後の月の平均を使う中央移動平均、各月とそれ以前の月の平均を使う後方移動平均、各月とそれ以後の月の平均を使う前方移動平均が紹介されています（出典：総務省統計局「なるほど統計学園 その他のデータ分析手法」）。

同じ解説では、全国の飲食店の売上高について11か月の中央移動平均を作ると、季節変動を除いた傾向が捉えやすくなることが図で示されています。発注で使う場合は、後方移動平均を使います。未来のデータは手元にないからです。

なお、日本で広く使われている季節調整の手法（センサス局法）も、移動平均の考え方を使った統計的手法です（出典：総務省統計局「なるほど統計学園 季節的な動きを除去」）。移動平均は素朴に見えて、国の統計でも土台になっている手法です。

季節指数の作り方

移動平均に季節の補正を足すと、Excelでも実用的な予測になります。手順は次のとおりです。

1. 過去24か月の月別販売数量を1列に並べる
2. 12か月の後方移動平均を計算し、傾向値の列を作る
3. 各月の実績を、その月の傾向値で割る。これが季節指数になる
4. 同じ月の季節指数を2年分平均する（1月なら1月どうし）
5. 来月の予測は、直近12か月平均に来月の季節指数を掛けて求める

この計算はExcelの標準機能だけで完結します。品目数が数十までなら、この方法で十分に戦えます。作業の自動化はレポート集計をAIで効率化する方法の考え方が応用できます。

安全在庫と発注点の考え方

そして、予測より先に効くのがこちらです。発注点を決め、それを下回ったら発注するという運用にすると、予測が多少外れても欠品しません。

• 発注点は、調達期間中の平均出荷量に安全在庫を足した数
• 安全在庫は、出荷のばらつきの大きさに、どこまで欠品を許すかの係数を掛けた数

ばらつきの大きさは、過去の日別出荷量の標準偏差で近似できます。Excelの関数で1分で出ます。「予測を当てる」のではなく「外れても切れないだけの余裕を持つ」。これが在庫管理の基本形であり、多くの中小企業ではこちらのほうが費用対効果が高くなります。

AIが必要になる4つの条件

では、どういう場合にAIが要るのか。線引きを明示します。次の4つのうち2つ以上に当てはまるとき、Excelでは追いつかなくなります。

品目数が多いとき

第一の条件は品目数です。目安は300品目です。1品目ずつ季節指数を作るのは、数十品目までなら現実的ですが、数百を超えると更新が回りません。実際に破綻するのは計算ではなく、担当者が毎月そのファイルを更新し続けられなくなる点です。

要因が複数絡むとき

第二の条件は、需要を動かす要因の数です。曜日、天候、気温、特売、近隣の催事、給料日、連休の位置。これらが3つ以上同時に効いている品目は、移動平均では扱えません。

この効果は公的な実証でも確認されています。農林水産省の資料には、日本気象協会と食品事業者が連携した実証事業として、気象情報とPOSデータを組み合わせた需要予測の精緻化により、寄せ豆腐の廃棄を約30パーセント削減、季節限定の冷やし中華つゆで在庫を約20パーセント削減した例が紹介されています（出典：農林水産省「食品ロス及びリサイクルをめぐる情勢」（令和8年7月時点版））。

この資料で注目すべきは、対象となった寄せ豆腐が「天候や曜日、特売、来店客数の影響を受けていた」と明記されている点です。効果が出たのは、複数要因が絡む品目だったからです。逆に言えば、要因が1つしかない品目にAIを使っても、差は出ません。

更新頻度が高いとき

第三の条件は、予測をやり直す頻度です。毎日または毎週、全品目の予測を更新する必要があるなら、人手では回りません。月1回でよいなら、Excelで足ります。

どれも当てはまらない場合

第四に、逆の条件を書きます。次の場合はAIを入れても効果が出ません。

• 品目数が50以下で、発注が月1回
• 需要が特定の1社の発注計画で決まる（相手に聞けば分かる）
• 受注生産で、作る量が受注で確定する
• 調達リードタイムが2日以内で、切れたらすぐ補充できる

とくに2番目は重要です。取引先に来月の予定を聞けば分かることを、AIに推測させる意味はありません。この場合に効くのは予測ではなく、取引先との情報共有の仕組みです。物流の観点からの整理は物流業のAI導入支援でも扱っています。

生成AIでできることの範囲

ここは正直に整理します。生成AIは需要予測の本体ではありません。この点を曖昧にした説明が多すぎるため、はっきり書きます。

生成AIは予測の本体ではない

ChatGPTやClaudeのような生成AIは、文章や画像を扱うために作られています。数量を時系列で予測する専用の仕組みではありません。過去の販売数量を貼り付けて「来月の予測を出して」と頼めば、それらしい数字は返ってきます。しかしその数字は、統計的な手続きを踏んだ結果ではなく、文脈から妥当に見える値を生成したものです。

同じデータで2回聞けば、違う数字が返ることもあります。再現しない数字を発注の根拠にしてはいけません。この性質はツールの欠陥ではなく、生成AIという技術の設計上の特徴です。RPAとの性格の違いも含めた整理はRPAとAIの違いにまとめています。

実態としても、需要予測はAIの主戦場になっていません。IPAが2026年7月に公表した調査では、AIの利用用途のうち「生産・物流・サービス提供の計画支援」はわずか6.0パーセントで、「文書・音声の要約・翻訳・校正」の82.5パーセント、「文書・レポートの作成」の80.5パーセントとは桁が違います（出典：IPA「国内企業のDX動向・AI活用動向のポイントを公表」）。この調査は国内企業1,799社を対象に、2026年4月から6月にかけて実施されたものです。

得意なのは整形と説明

では生成AIは需要予測で無力かというと、そうではありません。予測の前後の作業では、非常に強力です。

• データの整形。品目名の表記ゆれを見つけ、統一案を出す
• 記録の要約。営業日誌の自由記述から、特売やイベントの日付を抽出する
• 外れ値の説明。「この日だけ3倍売れた理由の候補を挙げて」に答える
• 手順の文書化。発注ルールを聞き取り、手順書の下書きにする
• 計算式の作成。Excelの季節指数を出す数式を書かせる

共通点は、すべて人が結果を検証できる作業だという点です。整形結果は目で確認でき、抽出した日付は元の日誌と突き合わせられます。

数字を出させてはいけない

逆に、生成AIにやらせてはいけないことを明示します。

• 発注数量そのものを決めさせる。根拠が再現しません
• 予測値を検証なしに使う。もっともらしい数字ほど危険です
• 出典のない相場や統計を答えさせる。存在しない数字が返ることがあります

この線引きは、当社が支援に入るときに必ず最初に合意する内容です。ここまでAI、ここから人。需要予測でいえば、データの整形と説明までがAI、数量の決定は人、という線になります。

予測の精度をどう測るか

導入後に必ず問題になるのが「この予測は当たっているのか」の評価です。ここで適中率だけを見ると判断を誤ります。

適中率だけを見ない

気象庁は降水予報の検証で、適中率のほかに複数の指標を定義しています。とくに実務に応用できるのが次の2つです（出典：気象庁「検証方法の説明」）。

• 見逃し率。「降水なし」と予報したのに実況が「降水あり」だった割合
• 空振り率。「降水あり」と予報したのに実況が「降水なし」だった割合

この2つは、需要予測にそのまま置き換えられます。見逃しは需要を低く見て欠品したこと、空振りは需要を高く見て在庫を余らせたことです。

見逃しと空振りを分けて見る

適中率が同じ80パーセントでも、残り20パーセントの中身が見逃しに偏っているのか空振りに偏っているのかで、経営上の意味はまったく違います。

状態	現場で起きること	先に手を打つこと
見逃しが多い	欠品、納期遅れ、失注、信用の低下	安全在庫を上げる、発注点を上げる
空振りが多い	過剰在庫、値引き販売、廃棄	発注ロットを下げる、期限を延ばす
両方が多い	読めていない	予測より記録の整備に戻る

どちらを許容するかは経営判断であり、AIが決めることではありません。賞味期限のある食品なら空振りの損失が大きく、失注が命取りの部品供給なら見逃しの損失が大きくなります。導入時に「うちはどちらを避けたいか」を先に決めてください。

誤差率の見方

数量の予測では、誤差の大きさも見ます。実務では「予測と実績の差の絶対値を、実績で割った値」を品目別・月別に出すのが分かりやすい方法です。

注意点が1つあります。全品目を平均した誤差率には意味がありません。よく動く品目の小さな誤差が、動きの少ない品目の大きな誤差を隠してしまうからです。金額の大きい上位20品目だけを、個別に見てください。

外れたときの損失を小さくする

ここが本記事で最もお伝えしたい章です。予測精度を上げるより、外れたときの損失を小さくするほうが、中小企業では効きます。

リードタイムを短くする

最も効くのがこれです。調達リードタイムが半分になれば、予測しなければならない期間も半分になります。2週間先を当てるのは難しくても、3日先ならずっと簡単です。

公的な実証でも、この方向が取られています。農林水産省の食品ロス削減の取組では、令和6年度の事業として「日配品の需要予測精度向上と前々日発注化実証実験」が挙げられています（出典：農林水産省「食品ロス及びリサイクルをめぐる情勢」（令和8年7月時点版））。予測の精度向上と、発注のタイミング変更がセットで検証されている点に注目してください。

発注を平準化する

次に効くのが、需要そのものの波を小さくすることです。国土交通省・経済産業省・農林水産省が連名で策定したガイドラインでは、着荷主事業者の取組として「発注の適正化」が挙げられ、日内波動や曜日波動、月波動などの繁閑差の平準化、適正量の在庫の保有、発注の大ロット化が示されています（出典：国土交通省ほか「物流の適正化・生産性向上に向けた荷主事業者・物流事業者の取組に関するガイドライン」）。

同じガイドラインでは、実施が必要な事項として「納品リードタイムの確保」も定められています。発注から納品までの時間を十分に取ることで、輸送手段の選択肢が増えるという整理です。

この背景には、輸送能力の不足があります。対策を講じなければ2024年度には輸送能力が約14パーセント不足し、このまま推移すれば2030年度には約34パーセント不足すると推計されています（出典：国土交通省「物流の適正化・生産性向上に向けた荷主事業者・物流事業者の取組に関するガイドラインを策定しました」）。需要が読めても運べない、という事態が現実に起きています。

商慣習と期限を見直す

3つ目は、外れたときに捨てなくて済むようにすることです。食品業界では、製造日から賞味期限までを3等分して納品期限と販売期限を設定するいわゆる3分の1ルールが商慣習として広く使われており、食品廃棄発生の1つの要因とされています（出典：農林水産省「食品ロス及びリサイクルをめぐる情勢」（令和8年7月時点版））。この納品期限を2分の1まで緩和する取組が進められています。

食品以外の業種でも、考え方は同じです。返品条件、最低発注ロット、共同購入、他店舗への転送。これらはすべて「外れたときの損失」を小さくする手段です。予測に投資する前に、こちらに手を付けられないかを検討してください。

それでも損失は残る

ここで、現実的な数字も見ておきます。日本の食品ロスは令和6年度の推計で年間461万トン、うち事業系が237万トン、家庭系が224万トンとされています（出典：農林水産省「食品ロスとは」）。事業系の内訳は食品製造業110万トン、食品卸売業9万トン、食品小売業48万トン、外食産業70万トンです。

1つ前の年度である令和5年度は、食品ロス全体が464万トン、うち事業系が231万トンでした（出典：環境省「我が国の食品ロスの発生量の推計値（令和5年度）の公表について」）。つまり全体は減っているのに、事業系は231万トンから237万トンへ増えています。この推計値は農林水産省・環境省・消費者庁が連携して公表しているものです（出典：消費者庁「2023(令和5)年度食品ロス量推計値の公表について」）。

技術が進んでも、事業活動から出る損失は自動的には減りません。だからこそ、予測に期待しすぎず、損失を小さくする設計を並行して進める必要があります。

気象データを使う前の注意

需要予測の提案で必ず出てくるのが気象データです。有効な場面と、そうでない場面を分けます。

公的な気象データは無料

まず費用の話です。過去の気温や降水量は、気象庁のサイトから無料で取得できます。地点別・日別のデータをCSVでダウンロードできる仕組みが公開されています（出典：気象庁「過去の気象データ検索」、気象庁「気象データダウンロード」）。

また、気象データのビジネス活用を進める産学官の連携組織として、気象庁が事務局を務める気象ビジネス推進コンソーシアム（WXBC）があります。入会費・年会費は無料で、2026年7月1日現在の会員数は1,653会員です（出典：気象ビジネス推進コンソーシアム「WXBCについて」）。学習用教材やデータ活用事例が公開されているため、検討段階で目を通す価値があります。

効果が出る商品の見分け方

気象データが効くかどうかは、過去2年分のデータで自分で検証できます。手順は次のとおりです。

1. 気象庁から、自社の商圏に最も近い観測地点の日別気温をダウンロードする
2. 自社の日別販売数量と、日付をキーに結合する
3. Excelの相関係数の関数で、品目ごとに気温との相関を出す
4. 相関の絶対値が0.5を超える品目だけを、気象を使う対象にする

前述の日本気象協会の実証では、南関東の冷やし中華つゆについて新たな解析手法では売上の97パーセントを気象で説明可能という結果が示されています（出典：農林水産省「食品ロス及びリサイクルをめぐる情勢」（令和8年7月時点版））。これは季節性が極めて強い商品の例であり、すべての商品でこの水準になるわけではありません。

天気が効かない商品もある

逆に、気象データを入れても改善しない商品があります。屋内で消費される日用品、法人向けの部品、定期購買される消耗品などです。これらは天候より、取引先の生産計画や販促の有無で動きます。

また、気象データを使うなら予報の誤差も引き受けることになります。気象庁の検証では、冬の北海道地方の降水の有無の適中率は71パーセントと、全国平均の83パーセントより低くなっています（出典：気象庁「天気予報の精度の例年値とその特徴」）。地域と季節によって、使える予報の確からしさは変わります。

業種別の向き不向き

需要予測AIが効きやすい業種と、そうでない業種があります。自社がどちらかを先に把握してください。

小売と飲食は当たりやすい

取引が細かく、件数が多く、毎日発注する業種は、需要予測に向いています。データ点が多く、曜日や天候の効果が統計的に見えるからです。

ただし条件があります。特売と欠品の記録が残っていること。小売業の主な食品ロス発生要因として「販売機会の損失を恐れた多量の発注」が挙げられている以上、その発注の記録がなければ改善のしようがありません。

製造業は工程の把握が先

製造業では、需要予測の前に「どこがボトルネックか」を把握するほうが先に効くことが多くなります。予測が当たっても、段取り替えに半日かかる工程があれば、生産計画は動かせないからです。

また、受注生産の比率が高い会社では、予測の対象は製品ではなく原材料と部品になります。製品は受注で決まりますが、材料は先に手配しなければ間に合わないからです。この切り分けを最初にやるだけで、対象品目は大幅に減ります。製造業での進め方は製造業のAI導入支援で扱っています。

BtoB受注生産は難しい

取引先が数社に集中しているBtoBの受注生産では、需要予測はほとんど機能しません。需要が統計的な現象ではなく、特定の取引先の意思決定だからです。

この場合に効くのは、予測ではなく取引先からの内示や生産計画の共有です。取引先に「3か月先の見通しを月1回もらえないか」と交渉するほうが、AIに投資するより確実です。要件を整理してから交渉に臨みたい場合は、要件定義の進め方の考え方が使えます。

モデルケース｜食品卸C社の試算

ここまでの内容を、1社の具体例に落とし込みます。

試算の前提

モデル企業は、従業員38名の食品卸C社です。取扱品目は約420、地域のスーパーと飲食店に配送しています。悩みは典型的で、特定の品目が月に何度も欠品する一方、倉庫の3割は1年以上動いていない在庫で埋まっている、という状態です。発注は勤続22年のベテラン1名が担当し、その方の判断根拠は誰にも共有されていません。

診断表の結果

まず、本記事の7項目の自己診断表を埋めてもらいました。結果は次のとおりです。

番号	項目	判定	実態
1	販売実績の期間	合格	基幹システムに5年分が残っていた
2	データの粒度	合格	日別・品目別で出力できた
3	品目コードの一貫性	不合格	2年前と一致するコードは64パーセント
4	欠品の記録	不合格	品切れ日を再現できなかった
5	特売と価格の記録	不合格	販促は口頭で決まっていた
6	イベントの記録	不合格	営業日誌は紙で保管のみ
7	発注ルールの明文化	不合格	ベテラン1名の判断のみ

合格は2項目でした。本記事の基準では「まだ早い」に該当します。そこでC社では、需要予測AIの導入をいったん止め、記録の整備と対象品目の絞り込みから始める方針にしました。

3か月でやったこと

C社が最初の3か月で実施したのは、次の4つです。

1. 1日1行の記録表の運用開始。欠品品目、特売品目と価格、特記事項を毎日1分で記入
2. 品目コードの棚卸。終売品と現行品を分け、後継関係を一覧にした
3. 対象品目の絞り込み。420品目のうち、出荷金額上位60品目に対象を限定
4. 発注ルールの文書化。ベテラン担当者に3行で書いてもらい、例外条件を追記

この4つはいずれもAIを使っていません。使ったのはスプレッドシートと、聞き取りの時間だけです。

削減時間と在庫の試算表

3か月後、対象60品目に絞ってExcelの季節指数と発注点の運用を始めた場合の試算が次のとおりです。

項目	導入前（月）	導入後（月）	差
発注数量を決める作業	32時間	14時間	18時間の削減
欠品対応と代替品の手配	20時間	8時間	12時間の削減
滞留在庫の確認と処分検討	12時間	5時間	7時間の削減
取引先への欠品連絡と謝罪	9時間	3時間	6時間の削減
合計	73時間	30時間	43時間の削減

時給2,500円で換算すると、月43時間は107,500円相当になります。これに加えて、対象60品目の欠品件数が月18件から6件に、滞留在庫の金額が想定で15パーセント程度減る見込みとしています。

費用についても明示します。当社の導入支援は初期費用0円、月額5万円です。C社の場合、この3か月間で使ったツールはすでに社内にあるスプレッドシートのみで、追加のライセンス費用は発生していません。需要予測の専用ツールを入れる場合は別途費用がかかりますが、C社はこの段階では入れないという判断をしています。

つまずいた点と対処

うまくいった話だけでは参考になりません。C社の想定でつまずく点を3つ挙げます。

• 記録表が2週目で止まりかけた。入力項目が多すぎたためです。対処として、当初7列あった表を5列に減らし、記入は退勤前の1回だけに固定しました
• ベテラン担当者が抵抗した。「数字で決められるものではない」という反発です。対処として、まず担当者の判断を記録するだけの期間を1か月設け、その記録から発注ルールを作りました。置き換えるのではなく、書き出すという順番にしたことで進みました
• 季節指数が使えない品目があった。直近1年で扱い始めた新商品です。対処として、類似品目の指数を仮に当て、3か月ごとに見直す運用にしました

3つ目は特に重要です。新商品には過去データがありません。これは需要予測の根本的な限界であり、AIを入れても解決しません。新商品の立ち上げ数量は、今後も人が決めることになります。

まだやるべきでない会社

冒頭で触れた条件を、理由とともに整理します。AI導入支援の事業者として、この章はとくに正直に書きます。

データが2年に満たない会社

販売実績が同じ形式で2年分そろっていない場合、季節性を学習させられません。1年分のデータで作った予測は、去年の偶然を来年に当てはめているだけです。創業から日が浅い会社や、基幹システムを1年以内に入れ替えた会社は、ここに該当します。

この場合にやるべきことは、データがたまるのを待つことではありません。今からでも記録の型を決めて、2年後に使えるデータを作り始めることです。

商品の入れ替えが激しい会社

アパレル、雑貨、季節商材のように毎シーズン商品が入れ替わる業態では、品目単位の需要予測は成立しません。予測したい商品の過去データが存在しないからです。

この場合は、品目単位ではなくカテゴリ単位・価格帯単位・色やサイズ単位で予測します。「この価格帯のこの色は毎年この比率で出る」という形なら、過去データが使えます。導入検討時には、ツールがこの粒度に対応しているかを必ず確認してください。

発注の責任が決まっていない会社

意外に多いのがこれです。誰が最終的に発注数を決めるのかが決まっていない会社では、予測を導入しても運用が回りません。予測が出ても、それを採用するか否かを決める人がいないからです。

実際に起きるのは、こういう事態です。予測どおりに発注して欠品すると「AIのせいだ」となり、予測を無視して発注して余ると「なぜ従わなかった」となる。責任の所在が曖昧なまま自動化を進めると、誰も判断しなくなります。導入前に「予測を採用しない場合は誰がどう記録するか」まで決めてください。

効果が出ないことも織り込む

最後に、期待値の話をします。IPAの調査によると、AI導入による効果の状況について「期待以上の効果があった」と「期待どおりの効果であった」の合計は31.8パーセントで、最も多いのは「一定の効果はあった」の50.6パーセントでした（出典：IPA「国内企業のDX動向・AI活用動向のポイントを公表」）。

効果の内容についても、同調査では「業務が効率化したり迅速化した」が91.6パーセントと最も高い一方、「売上や利益が向上した」は3.9パーセントにとどまっています。AIは業務を軽くする道具であって、売上を作る道具ではないというのが、現時点の実態です。需要予測についても、この前提で投資判断をしてください。DXが失敗する構造はDXが失敗する理由にまとめています。

90日で進める手順

診断表で4個以上が合格だった会社向けに、現実的な進め方を90日で区切って示します。

期間	やること	終了時の状態
1日目から30日目	診断表を埋める。記録表の運用開始。対象品目を絞る	対象が50品目以下に絞れている
31日目から60日目	Excelで季節指数と発注点を作り、手動で運用	予測と実績の差が毎週記録されている
61日目から90日目	見逃しと空振りを分けて集計し、効果を評価	ツール導入の要否を数字で判断できる

最初の30日でやること

最初の1か月は、ツールを一切入れません。やるのは診断表を埋めることと、記録表を毎日埋める習慣を作ることだけです。この1か月で記録表が埋まらなければ、それ以降の工程は成立しません。

対象品目の絞り込みは、出荷金額の上位から累積で8割に達するところまでを目安にします。多くの会社では、全品目の2割程度で金額の8割を占めます。

31日目から60日目

2か月目は、Excelで手動の予測を回します。ここでツールを入れないのは、手で回すと自社の需要の性質が分かるからです。どの品目が読めて、どの品目が読めないか。それが分かってからツールを選ぶほうが、選定を誤りません。

この期間中、予測値と実績を毎週記録します。記録するのは数字だけでなく、外れた日に何があったかも必ず書き残します。

61日目から90日目

3か月目は評価です。見逃し（欠品）と空振り（過剰）を分けて数え、金額に換算します。そのうえで、次の3つのどれに当たるかを判断します。

• Excelで十分。誤差が許容範囲に収まっている。ツール導入は不要
• 品目数で破綻。精度は出るが更新が回らない。ツール導入を検討
• そもそも読めない。要因が特定できていない。記録の項目を増やして再挑戦

この3択を90日で判断できる状態にすることが、本手順の目的です。いきなりツールを選ばないでください。選ぶ材料が手元にない状態で選ぶと、機能ではなく営業提案で決めることになります。

費用と補助金の考え方

費用の構造を整理します。金額の相場は製品と規模で大きく変わるため、本記事では断定しません。

費用は3つに分かれる

費目	何で決まるか	見積時に確認すること
ツールの利用料	品目数、拠点数、更新頻度	品目が増えたときの課金の変化
データ連携の費用	基幹システムの種類と出力形式	CSV連携で足りるか、開発が要るか
運用の支援費用	社内で回せる範囲	誰が毎月の設定変更をするか

とくに2番目を軽視しないでください。需要予測プロジェクトで時間を食うのは、予測の計算ではなくデータをそろえる工程です。基幹システムから必要な形式で出力できるかを、契約前に必ず確認してください。

当社の支援費用

当社のAI導入支援は初期費用0円、月額5万円です。7項目の自己診断、記録表の設計、対象品目の絞り込み、Excelでの試行、そしてツール導入の要否判断まで対応します。ツールの利用料は含みません。

診断の結果、需要予測AIが不要だと判断した場合は、そのとおりにお伝えします。導入すること自体が目的になった案件は、ほぼ例外なく定着しないためです。

補助金は後回しでよい

補助金を先に探す会社がありますが、順番が逆です。まず自社に必要かを判断し、必要だと分かってから使える制度を探してください。補助金があるから導入する、という順番で始めた案件は、要件が制度に引きずられて現場に合わなくなります。

省力化に関する制度の概要は省力化投資補助金の使い方にまとめていますので、判断が済んでから参照してください。

よくある質問（FAQ）

Q. 需要予測AIは当たりますか？

A. 当たるようにはなりません。外れる幅が小さくなるだけです。参考として、気象庁が公表している明日の降水の有無の適中率は全国平均で83パーセントです（出典：気象庁「天気予報の精度の例年値とその特徴」）。国家規模の観測網でこの水準です。予測は外れる前提で、外れたときの損失を小さくする設計をセットで考えてください。

Q. データは何年分あればいいですか？

A. 同じ形式で最低2年分、望ましくは3年分です。季節性を学習させるには、同じ季節を2回以上通過している必要があるためです。1年分では、去年の数字が季節によるものか偶然によるものかを区別できません。

Q. 月次データでも使えますか？

A. 発注が四半期に1回なら使えます。月に1回以上発注しているなら、日次または週次の元データを掘り起こしてください。3年分の月次はデータ点が36個しかなく、統計的にはほとんど何も学習できません。

Q. 欠品の記録がなくても大丈夫ですか？

A. 大丈夫ではありません。品切れした日の実績は需要より小さく記録されるため、AIは「この品目は売れない」と学習します。応急処置として在庫が0になった日を欠品候補として扱う方法はありますが、精度は落ちます。今日から記録を取り始めるのが最も確実です。

Q. 特売の記録も必要ですか？

A. 必要です。特売日は需要以上に売れるため、記録がないとAIは「その日は需要が多かった」と学習します。農林水産省の資料でも、需要予測の精緻化で効果が出た商品は天候や曜日、特売、来店客数の影響を受けていたものとされています（出典：農林水産省「食品ロス及びリサイクルをめぐる情勢」（令和8年7月時点版））。

Q. Excelの売上予測では駄目？

A. 品目数が数十で、発注が月1回程度なら、Excelの移動平均と季節指数で十分に戦えます。移動平均は国の季節調整でも土台になっている手法です（出典：総務省統計局「なるほど統計学園 季節的な動きを除去」）。品目数が300を超える、要因が3つ以上絡む、毎週更新が必要、のうち2つ以上に当てはまるときにAIを検討してください。

Q. ChatGPTで予測できますか？

A. 数量の予測本体には向きません。生成AIは文章を扱うために作られており、同じデータで2回聞くと違う数字が返ることがあります。再現しない数字を発注の根拠にはできません。データの整形、記録の要約、外れ値の説明、Excelの数式作成といった周辺作業には有効です。

Q. 発注までAIに任せてよいですか？

A. 任せないでください。予測は事実の見積もりで、発注は欠品リスクと在庫コストを天秤にかけた経営判断です。どちらの損失を許容するかは会社ごとに違います。予測をAI、数量の決定を人、という線引きを最初に合意してください。

Q. 精度は何パーセント必要？

A. 一律の基準はありません。見るべきは適中率ではなく、外れ方の内訳です。気象庁は予報の検証で、見逃し率（降水なしと予報して実況ありだった割合）と空振り率（降水ありと予報して実況なしだった割合）を分けて定義しています（出典：気象庁「検証方法の説明」）。需要予測では見逃しが欠品、空振りが過剰在庫に当たります。

Q. 新商品の予測はできますか？

A. できません。過去データが存在しないためです。類似品目の実績を仮に当てる方法はありますが、当たる保証はありません。新商品の立ち上げ数量は、今後も人が決める領域です。入れ替わりが激しい業態では、品目単位ではなくカテゴリ単位や価格帯単位で予測してください。

Q. 気象データは有料ですか？

A. 過去の気温や降水量は気象庁のサイトから無料で取得できます（出典：気象庁「過去の気象データ検索」）。気象データのビジネス活用については、気象庁が事務局を務める気象ビジネス推進コンソーシアムが入会費・年会費無料で運営されており、教材や事例が公開されています（出典：気象ビジネス推進コンソーシアム「WXBCについて」）。

Q. 予測より先にやることはありますか？

A. あります。調達リードタイムの短縮、発注の平準化、返品条件や納品期限の見直しです。国のガイドラインでも、日内波動や曜日波動、月波動などの繁閑差の平準化と、納品リードタイムの確保が示されています（出典：国土交通省ほか「物流の適正化・生産性向上に向けた荷主事業者・物流事業者の取組に関するガイドライン」）。予測しなければならない期間を短くするほうが、精度を上げるより確実です。

Q. 中小企業でAIは定着しますか？

A. 使いどころを決めれば定着します。総務省の令和7年版情報通信白書によると、何らかの業務で生成AIを利用していると回答した割合は日本で55.2パーセントでしたが、企業規模別では中小企業で「方針を明確に定めていない」との回答が多く、約半数を占めています。生成AI導入に際しての懸念事項としては「効果的な活用方法がわからない」が最も多く挙げられています（出典：総務省「令和7年版 情報通信白書」企業におけるAI利用の現状）。障壁は技術ではなく、使いどころが決まっていないことです。

Q. 何から手をつければいいですか？

A. 本記事の7項目の自己診断表を埋めてください。半日で終わります。埋められない項目があること自体が答えになります。合格が3個以下なら、需要予測ではなく記録の整備から始めてください。業務全体の洗い出しは業務効率化のアイデア集が参考になります。

まとめ｜予測より記録が先

最後に、要点を整理します。

• 需要予測AIを入れても予測は外れます。気象庁の明日の降水予報でも適中率は全国平均83パーセントです
• 導入可否を決めるのはツールの性能ではなく、自社に残っているデータの質です
• 必要なのは期間（最低2年）・粒度（発注サイクルより細かい）・記録（欠品・特売・イベント・商品変更）の3点です
• 最も欠けているのは記録です。売れた数は需要ではありません。欠品した日の実績は需要より小さく記録されます
• 7項目の自己診断表で合格が3個以下なら、まだ需要予測に進む段階ではありません
• データが足りないときは、1日1分で埋まる記録表から始めてください。3か月で発注は変わります
• 品目数が数十で発注が月1回なら、Excelの移動平均と季節指数で足ります
• AIが要るのは、品目数300超・要因3つ以上・毎週更新のうち2つ以上に当てはまるときです
• 生成AIは需要予測の本体ではありません。整形・要約・説明・数式作成には有効ですが、発注数量を決めさせてはいけません
• 精度は適中率だけで測らず、見逃し（欠品）と空振り（過剰在庫）を分けて評価してください
• そして最も効くのは、リードタイムの短縮・発注の平準化・商慣習の見直しです。外れる期間を短くするほうが確実です

需要予測は、当てるための技術ではありません。外れ方を管理するための技術です。この一点を押さえておけば、導入判断を誤ることはほとんどありません。

そして、もし今この記事を読んで「うちは記録が何もない」と思われたなら、それが最大の収穫です。明日から1日1行の記録を始めてください。3か月後、その表を見ながらもう一度この記事に戻ってきていただければ、判断できる材料がそろっているはずです。

無料相談はこちら（初回のご相談・お見積りは無料です）

当社はAI導入支援を行う立場から、7項目の自己診断と、記録の型づくり、対象品目の絞り込みをお手伝いしています。診断の結果、需要予測AIが不要だと判断した場合は、そのとおりにお伝えします。費用は初期0円、月額5万円です。まずは自社のデータが使えるのかだけでも、お気軽にご相談ください。

関連する内容は、在庫の可視化は在庫管理システムを自作する前の判断、表計算の自動化はExcelをAIで自動化する方法、自動化手段の選び分けはRPAとAIの違い、業種別の進め方は物流業のAI導入支援と製造業のAI導入支援にまとめています。