予測が当たりやすい条件
- 過去のデータが十分にある商材
- 相場が安定している、または規則的に変動する
- 型番と状態で価格が決まる
- 取引が頻繁で、データが新しい
外れやすい場面
- 相場が急変した：過去データに存在しない動き
- データが少ない商材：希少品、新カテゴリ
- 状態が特殊：モデルが想定していない条件
- 自店の客層が特殊：一般相場と自店の実売が乖離している
4番目が見落とされがちです。一般相場で売れる価格と、自店で売れる価格は違います。
自社データと併用する
最も精度が高いのは、次の組み合わせです。
- 外部の予測：市場全体の相場観をつかむ
- 自社の実売データ：自店で実際にいくらで売れているか
- 人の判断：状態、真贋、例外
外部の予測と自社の実績にずれがあれば、自社の実績を優先してください。
判断への組み込み方
- 予測値を「参考値」として表示する（確定値にしない）
- 予測の根拠（参照した取引数、期間）も表示する
- 予測から一定以上外れる価格をつける場合、理由を記録する
- 一定額を超える場合は、人の承認を必須にする
責任の所在を明確にする
「システムがそう出したから」は、経営判断の理由になりません。
- 最終的な価格の決定者を明確にする
- 予測値と実際の決定額の両方を記録する
- 外れた場合の検証を月次で行う
検証を回す
予測の精度は、使い続けながら検証してください。
- 予測値と実売価格の差を、カテゴリ別に集計する
- 系統的にずれているカテゴリを特定する
- ずれの傾向を、社内の補正値として持つ
この検証を続けると、自店に合った補正が蓄積されます。
予測が外れやすい場面
どういう条件で当たりにくいかを知っておくことが使いこなす前提です。
- 相場が急に動いた直後 — 過去のデータを基礎にするため、変化には遅れます。貴金属やブランドの流行モデルで起きます
- 取引の少ない商材 — 参照するデータが足りません。一点物や専門品では機能しません
- 状態の差が大きい商材 — 同じ型番でも価値が大きく変わる品では、実物を見ないと決まりません
- 地域性のある商材 — 全国の相場と自店の商圏の相場が違うことがあります
- 季節性の強い商材 — 時期によって需要が変わる品では、いつ売るかで価格が変わります
とくに1番目に注意してください。相場が下がり始めた局面で過去の水準の予測を信じると、高値で仕入れることになります。
責任の所在を明確にしておく
予測を使う運用では、最終的に誰が価格を決めたのかをはっきりさせてください。
- 参考値として位置づける — 「ツールがこう出したから」という説明が成り立つ運用にすると、担当者が判断しなくなります
- 決裁のルールは変えない — 一定額を超える買取は人が承認する。ツールの導入で緩めないでください
- 外れた場合の扱いを決める — 予測に従って外した場合、担当者の責任にしないという方針を示しておくことが大切です。そうでなければ使われません
- 記録に予測値と決定額を両方残す — 差を検証できる形にしておきます
とくに3番目を明示してください。「ツールに従ったのに責められる」状態では、担当者は使わなくなります。
検証を回して精度を上げる
導入して終わりにせず、月次で検証してください。見るのは次の3点です。
- 予測値と実売価格の差 — カテゴリ別に集計します。継続して外れる領域が見つかれば、そのカテゴリでは使わない判断も取れます
- 予測値と決定額の差 — 担当者がどれだけ予測から離れて判断しているか。大きく離れているなら、予測が実態に合っていません
- 販売までの日数 — 予測に従った品が想定どおりの期間で売れているか
検証の結果を基準表の掛け率に反映してください。「このカテゴリは予測値の◯%で買う」という調整ができれば、自店の実態に合った運用になります。
あわせて、自社の実売データを蓄積しておくことも大切です。外部の予測より自店の実績のほうが確実な根拠になります。
まとめ
AIの価格予測は参考値として使い、自社の実売データを優先してください。最終判断は人が行います。
まず自店の実売データを蓄積することが先です。それがなければ、予測の当否も検証できません。