前提となる条件
AIによる予測が機能するには、次が必要です。
- 十分な期間のデータ：最低でも2〜3年分の日次データ
- データの粒度：品目別・取引先別・日次
- データの一貫性：品目コードが途中で変わっていない
- 説明変数：天候、曜日、行事、販促の情報
- 予測する対象に規則性がある
3番目が実務上の関門です。品目コードが変わっている、品名が統一されていない、単位が混在している——こうした状態では分析できません。
AIが得意な予測
- 定番商品で、出荷量が多い（データが豊富）
- 曜日・季節の変動が規則的
- 天候との相関がある（弁当、惣菜、アイス、鍋物）
- 過去に類似のパターンがある
AIが苦手な予測
- 新商品：過去データがない
- 少量品目：データが少なく、変動が大きい
- 販促の影響：事前に情報がなければ予測できない
- 突発的な要因：メディアで取り上げられた、競合が撤退した
- 取引先の方針変更
3番目が最も影響します。取引先の特売やチラシ掲載の情報を事前に得られなければ、どんな手法でも予測は外れます。
「AIを入れる前に、取引先から販促情報をもらう関係を作る」ほうが効果が大きいことがあります。仕込み計画と需要予測をご覧ください。
現実的な進め方
段階1：データを整える
- 品目コードを統一する
- 日次の出荷実績を蓄積する
- 返品・廃棄の実績も記録する
- 欠品の発生も記録する
ここができていないと、次に進めません。生産実績の自動収集をご覧ください。
段階2：表計算ソフトで予測する
まずAIなしで、次の方法を試してください。
- 過去同曜日・同時期の実績平均
- 直近のトレンドによる補正
- 販促・天候による補正
これだけで、勘に頼るよりは精度が上がります。しかも費用がかかりません。
段階3：予測精度を測る
予測と実績の差を毎日記録し、誤差率を測ってください。
- 品目別の誤差率
- 曜日別の誤差率
- 誤差の方向（多すぎるか、少なすぎるか）
これがAI導入の判断材料になります。現状の誤差率が分かって初めて、「AIで何%改善するか」を評価できます。
段階4：AIを検討する
段階3までやったうえで、次を確認して検討します。
- 導入企業の実績（同業・同規模）
- 自社のデータで試算してもらえるか
- 誤差率がどれだけ改善するか
- 費用と、改善による効果額の比較
「自社のデータで試算してもらう」ことを必ず求めてください。一般論では判断できません。
効果の測り方
予測精度の向上が、次の金額として現れます。
- 廃棄の削減：作りすぎが減る
- 欠品の削減：機会損失が減る
- 在庫の削減：安全在庫を減らせる
- 残業の削減：計画的な生産ができる
ただし、廃棄と欠品はトレードオフです。廃棄だけを減らそうとすると欠品が増えます。両方を同時に見てください。
予測を使う前提
予測が当たっても、それに合わせて生産できなければ意味がありません。
- 段取り替えが短く、小ロットで作れるか
- 追加生産の余地があるか
- 原料の調達が間に合うか
- 人の配置を変えられるか
「予測はできたが、生産体制が追いつかない」という状態では、投資が活きません。
段取り替え時間の短縮と多能工化とスキルマップをご覧ください。
費用対効果が合いやすい場合
- 日配品で、廃棄率が高い
- 品目数が多く、人手での予測が困難
- 複数の拠点・取引先があり、変数が多い
- データが整備されている
合いにくい場合
- 品目が少なく、人の勘で十分対応できている
- 受注生産が中心で、予測が不要
- データが整備されていない
- 取引先からの情報が得られない
まとめ：順序を守る
- データを整える
- 取引先から販促情報をもらう関係を作る
- 表計算ソフトで予測を始める
- 誤差を測る
- 生産の柔軟性を高める
- そのうえでAIを検討する
1〜5をやらずにAIだけ導入しても、効果は限定的です。逆に、1〜5をやれば、AIなしでも相当の改善が期待できます。