「売れると思って多めに仕入れたら在庫の山」「逆に読みが外れて欠品し、販売機会を逃した」——小売・EC経営で最も頭を悩ませるのが需要予測です。経済産業省の調査によると2024年の国内BtoC-EC市場は26兆1,225億円（物販系は15兆2,194億円）に拡大し、扱うチャネルもSKUも増える中で、勘と経験だけに頼った発注は限界を迎えつつあります。本記事では、需要予測の基本手法から、予測精度を高める5つのステップ、発注・在庫業務への落とし込み方まで、実務目線で解説します。

需要予測とは？なぜ今重要なのか

需要予測とは、過去の販売実績や市場要因をもとに、「いつ・何が・どれだけ売れるか」を見積もる業務です。対象は商品の販売数量だけではありません。店舗であれば来店客数やレジの混雑、ECであれば出荷件数や問い合わせ件数など、仕入・人員配置・物流キャパシティの計画に関わるあらゆる「量」が需要予測の対象になります。

精度の低い需要予測は、2つの損失を同時に生みます。1つは欠品による機会損失と顧客離れ、もう1つは過剰在庫による資金繰りの悪化・値下げロス・廃棄ロスです。

社会的にも、需要予測の重要性は高まっています。農林水産省・環境省の推計によると、2023年度の国内の食品ロス量は464万トンで、うち約半分は事業系から発生しています。食品に限らず、アパレルや日用品でも売れ残り処分のコストと環境負荷が問題視されており、「作りすぎない・仕入れすぎない」経営は小売業の社会的な責務になりつつあります。加えて、小売・物流業界の人手不足により、ベテランの経験に依存した発注業務の属人化がリスクとなっており、データに基づく需要予測の仕組み化が急がれています。在庫の健全性を測る指標については在庫回転率の解説記事もあわせてご覧ください。

代表的な需要予測の手法｜従来手法からAIまで

需要予測の手法は、大きく「時系列分析」「要因分析」「機械学習」「判断的予測」の4系統に分けられます。

手法	概要	向いているケース
移動平均法	直近数期間の平均を予測値とする最もシンプルな手法	需要が安定した定番品
指数平滑法	直近の実績ほど重みを付けて平均する手法	緩やかなトレンドがある商品
回帰分析	価格・気温・販促などの要因と販売数の関係をモデル化	要因の影響が大きい商品（季節品・天候型商品）
AI・機械学習	多数の変数から非線形なパターンを学習して予測	SKUが多く、データが十分に蓄積されている場合
判断的予測	バイヤーや店長の知見・市場情報に基づく予測	新商品・データのない商品

具体例で考えてみましょう。たとえば飲料の販売数は、気温との相関が強いことが知られています。「最高気温が1度上がると冷たい飲料の販売数が何％増えるか」を過去データから回帰分析で求めておけば、週間天気予報から翌週の需要を見積もれます。また、曜日による変動（週末に伸びる、給料日後に伸びる等）は時系列分析で把握できます。一方、テレビで紹介されて突発的に売れる、SNSでバズるといった事象は過去データからは予測できないため、兆候を早くつかんで追加発注につなげる「初動検知」の仕組み（日次の売上急増アラートなど）で補完します。

重要なのは「高度な手法ほど良い」とは限らないことです。データ量が少ない商品にAIを適用しても精度は出ません。実務では、定番品は時系列分析、販促連動品は要因分析、新商品は類似商品の実績＋判断的予測、というように商品特性ごとに手法を使い分けるのが定石です。

需要予測の精度を高める5ステップ

自社で需要予測の仕組みをつくる手順を5つのステップで整理します。

1. データを整備する：日別・SKU別の販売実績、在庫、価格変更、販促の履歴を揃えます。欠品していた期間は「売れなかった」のではなく「売れる機会がなかった」期間なので、欠品補正をかけることが精度向上の第一歩です。
2. ベースライン予測をつくる：まずは移動平均や指数平滑など単純な手法で予測値を作り、基準とします。
3. 変動要因を加える：曜日・季節性・セール・天候・イベントなど、自社の売上を動かす要因を特定し、予測に反映します。
4. 予測誤差を測定する：MAPE（平均絶対誤差率）などの指標で予測と実績のズレを毎月測定し、誤差の大きい商品群を特定します。「全体で何％外れているか」を把握していること自体が、改善の出発点になります。
5. 例外対応をルール化する：予測から大きく外れたときのアラート基準と、人が介入する条件（発注の上書きルール等）を決め、予測→発注→検証のサイクルを回します。

新商品の予測には別のアプローチが必要です。過去実績がないため、類似商品（同カテゴリ・同価格帯・同シーズンの過去商品）の立ち上がりカーブを参考に初期予測を作り、発売後1〜2週間の実売データで早期に予測を補正します。「最初の予測を当てる」ことよりも、「外れたことに早く気づいて修正する」ことを重視するのが新商品予測の実務的なコツです。また、サイズ・色違いのあるアパレルなどでは、商品全体の予測とSKU別の構成比予測を分けて考えると精度管理がしやすくなります。

発注・在庫業務への落とし込み方

どんなに手法を磨いても、予測は必ず外れます。目指すべきは「100％当てること」ではなく、「外れ方をコントロールすること」です。欠品の痛み（機会損失・顧客離れ）と過剰在庫の痛み（値下げ・廃棄・資金繰り）のどちらが自社にとって重いかは商品によって異なります。利益率が高く欠品の機会損失が大きい商品は多めに、鮮度劣化や型落ちリスクが大きい商品は絞り気味に、といった「外し方の方針」をあらかじめ決めておくことで、予測が外れたときの損失を最小化できます。

需要予測は、発注・在庫計画とつながって初めて利益に貢献します。まず、予測値から発注量を決めるロジック（発注点方式・定期発注方式など）を商品ごとに設定し、安全在庫の水準を予測誤差の大きさに応じて調整します。予測が外れやすい商品ほど安全在庫を厚く、安定した商品は薄く持つのが基本です。

また、小売・ECではセールやイベントが需要を大きく動かすため、販促カレンダーと需要予測の連動が欠かせません。楽天スーパーSALEや大型連休などの山を事前に予測へ織り込み、仕入・物流・人員の計画に反映します。部門をまたぐ調整は、販売・マーケティング・調達・物流が月次で同じ予測数値を見て計画を擦り合わせる「S&OP（販売・業務計画）」の枠組みを簡易的にでも導入すると機能しやすくなります。物流側の管理指標については物流KPIの解説記事を、在庫の実態把握については実地棚卸の解説記事を参考にしてください。

ツール活用と成功のポイント

SKUが数百を超えると、Excelでの予測管理は限界があります。近年は、WMS・在庫管理システム・発注システムに需要予測機能が組み込まれているものや、AI需要予測に特化したSaaSも増えています。ツール選定時は次の5点をチェックしましょう。

• 自社の販売チャネル（店舗・自社EC・モール）のデータを統合できるか
• 欠品補正・季節性・販促の反映など、精度に関わる機能があるか
• 予測結果が発注業務（発注数の提案まで）につながるか
• 予測精度の検証レポートが出せるか
• 費用が在庫削減・ロス削減の見込み効果に見合うか（料金体系は要問い合わせのサービスも多いため、複数社比較が基本です）

導入にあたっては、全SKU一斉ではなく、売上構成比の高いカテゴリや誤差の大きいカテゴリからスモールスタートし、効果を数値で確認してから広げるのが失敗しないコツです。AIによる予測も万能ではなく、新商品や突発的なトレンドには人の判断が不可欠です。「機械の予測＋人の知見による補正」という協働体制を前提に設計しましょう。

最後に、よくある質問に答えておきます。「データが1年分しかなくても始められますか？」——始められます。季節性の把握には2〜3年分あるのが理想ですが、曜日変動や販促の効果は1年分でも十分分析でき、運用しながらデータを蓄積していけば精度は上がっていきます。「担当者にデータ分析の専門知識が必要ですか？」——移動平均や誤差測定まではExcelで十分実践でき、特別な統計知識は不要です。重要なのは分析スキルよりも、「予測と実績のズレを毎月見る」習慣を組織に根づかせることです。「AIツールを入れれば勘と経験は不要になりますか？」——なりません。AIの予測は過去データの延長にあるため、市場の変化や現場の肌感覚といった定性情報は引き続き人が補う必要があります。ツールはベテランの代替ではなく、ベテランの知見を仕組みに変換して全員が使えるようにする手段と捉えるのが成功する企業に共通する考え方です。

Semuis株式会社では、EC・小売事業者さまの在庫・販売データ活用、売場づくり・販促計画の支援を行っています。需要予測の仕組みづくりに課題をお持ちの方は、お気軽にお問い合わせください。