需要予測で在庫コストを最適化｜サプライチェーンとデータ活用の現実解

「在庫を持つほど安心、しかし在庫はコストである」というジレンマ

商品を仕入れて販売する事業では、在庫水準の判断は常に経営の悩みです。多めに持てば欠品による機会損失は減りますが、その分の保管費・廃棄リスク・キャッシュアウトが膨らみます。少なめに絞れば資金効率は上がりますが、売れ筋商品の欠品で客を逃す危険が出ます。

このトレードオフは「勘」と「経験」で運用されてきました。しかし、需要予測をデータで精緻化できれば、機会損失と過剰在庫の両方を同時に減らせます。本記事では、在庫コスト最適化のためのデータ活用を、サプライチェーンを持つ事業の発注検討者向けに整理します。

需要予測がもたらす2つの効果

1. 過剰在庫による損失を減らす

「この商品はこの月にこれくらい売れる」が予測できれば、必要分だけ持てばよくなります。保管費・廃棄ロス・在庫の現金固定が減り、運転資金が他の投資に回せるようになります。食品など賞味期限のある商品では、廃棄ロスの削減が直接利益に効きます。

2. 機会損失を減らす

同時に、需要予測の精度が上がることで「欠品で売り逃した」という機会損失も減らせます。販売機会を逃すことは、その場の売上を失うだけでなく、顧客が他社商品に流れる長期的なリスクにも繋がります。

需要予測は「在庫を減らすための手段」ではなく、「両方を最適化するための手段」と捉えるのが正しい位置づけです。

個別倉庫レベルまで予測を細かくする意義

需要予測は精度を上げるほど、効果が大きくなります。「全社で月5,000個売れる」という粗い予測より、「東京倉庫で1,200個、大阪倉庫で800個、福岡倉庫で300個」と倉庫単位で予測できる方が、実際の最適化効果が大きく出ます。

これは、商品の需要が地域によって偏るためです。全社合計の予測値だけで在庫配分を決めると、東京で欠品しているのに大阪に過剰在庫がある、という事態が起きやすくなります。倉庫単位で予測することで、各倉庫の最適在庫量に近い水準を保てます。

予測の粒度を上げるために必要なデータ

• 商品ごとの過去の販売実績（最低1〜2年分）
• 倉庫・店舗ごとの販売実績の内訳
• 季節性・キャンペーン・天候などの外部要因
• 仕入リードタイムと最小発注単位

これらが揃って初めて、予測モデルが意味のある精度を出します。データの抜け漏れがあると、予測精度が落ち、結果的に最適化効果も縮小します。

データ活用でコスト最適化が効きやすい業種

効果が大きい業種

• 食品・生鮮品（廃棄ロスのインパクトが大きい）
• アパレル（季節性・トレンドで需要変動が大きい）
• 家電・電子機器（モデルチェンジで陳腐化リスク）
• EC・小売（多商品・多倉庫の在庫配分最適化）
• 製造業（部品・原材料の調達最適化）

効果が出にくい業種

• 需要が極めて安定しているコモディティ
• 受注生産が中心で在庫を持たない事業
• 商品点数が10品以下で勘で十分管理できる規模

売上向上と並行してコスト最適化を進める判断軸

データ活用の優先順位として、中小企業はまず売上向上から入るのが定石です。コスト最適化は事業規模が大きくなったときに効きやすくなります。理由は以下の通りです。

• 規模が小さいと、在庫コストの絶対額が小さく、最適化のインパクトが限定的
• 在庫管理データの取得には現場の運用変更が必要で、実装コストが規模に比例しない
• 需要予測モデルが安定するには一定量の販売データが必要

逆に、年商10億円以上で在庫コストが売上原価の数%を占めるような事業では、需要予測によるコスト最適化が直接利益貢献につながります。1%の在庫圧縮が数百万〜数千万円の改善になる規模感です。

需要予測を導入する3ステップ

ステップ1：販売データを商品×倉庫×時期の単位で整理する

分析の前提として、過去2〜3年の販売実績を「商品ID×倉庫ID×日次または週次」の単位でクリーンに取れる状態を作ります。複数システムにまたがっている場合は、CDPやBigQueryでデータを統合します。

ステップ2：簡易な予測モデルから始める

いきなり機械学習モデルを組む必要はありません。過去同月の平均値、季節調整、移動平均など、Excelレベルでも作れる簡易モデルから始め、現状の在庫水準と比較します。簡易モデルでも精度が「勘」より高いことが多く、それだけで一定の効果が出ます。

ステップ3：精度向上は段階的に

簡易モデルの限界が見えてきたら、機械学習や時系列予測モデル（ARIMA、Prophetなど）の導入を検討します。BigQuery MLやSnowflake Cortex などのクラウドDWH付属の機械学習機能を使えば、別途データサイエンスツールを入れなくても予測モデルが回せます。

始める前のチェックリスト

• 過去2〜3年の販売実績が、商品×倉庫×日次（または週次）の粒度で取得できるか
• 仕入リードタイムと最小発注単位がデータとして整理されているか
• キャンペーン履歴・天候・季節などの外部要因データが取得できているか
• 在庫圧縮の余地が、事業規模から見て意味のある金額になりそうか
• 需要予測の結果を発注業務に反映する運用ルールが現場と合意できそうか

よくある失敗例と回避策

失敗例1：高精度モデルを作ったが、現場が発注に使わない

機械学習モデルで需要予測を出したが、発注担当者が「自分の経験と違う」と従来通りの判断を続け、結局在庫水準が変わらなかったケース。

回避策は、モデル導入と並行して発注業務のフローを見直すこと。「予測値を参考に発注担当が最終判断」ではなく、「予測値で自動発注、例外時のみ人が介入」のように業務側を変える設計が必要です。

失敗例2：需要が急変したときに予測が外れて在庫過多になる

過去データから学習したモデルは、想定外の需要急変（パンデミック・流行変化など）には弱いという特性があります。「予測モデルがあるから安心」とすべての発注を機械任せにすると、外部環境変化で大きく外す可能性があります。

回避策は、モデルの予測値を絶対視せず、現場の感覚や定性的な情報（取引先からの情報、ニュースなど）で補正する仕組みを残すこと。予測モデルは判断材料の一つであって、判断の主役ではありません。

FAQ

Q. 需要予測を入れるのに、どれくらいのデータ量が必要ですか

A. 商品あたり最低1年分、できれば2〜3年分の販売実績があると、季節性を含めた予測モデルが作れます。データ量が足りない商品は、類似商品グループでの予測から始めるのが現実的です。

Q. 中小企業でも需要予測は意味がありますか

A. 規模次第です。在庫コストが売上原価の数%以上を占めており、商品点数が数十品以上ある事業なら効果が出ます。商品点数が極めて少ない、または受注生産中心の事業ではメリットが限定的です。

Q. 予測モデルの構築費用はどれくらいかかりますか

A. 簡易モデル（Excel・移動平均など）なら数十万円規模、機械学習モデルでBigQuery MLなどクラウド機能を使う場合は100〜500万円規模が目安です。完全カスタムの予測システムを作る場合は1,000万円以上になります。

関連記事

• 中小企業こそデータドリブン経営に切り替えるべき理由｜クラウド時代の現実解
• CDPとは何か｜発注検討者のための基本と「ベンダー提案を読み解く」ための知識
• データはあるのに分析できない｜データ品質の落とし穴と回避策