変化の激しい時代において、高精度な需要予測のニーズは高まり続けています。

この記事では、業務・売上改善のためにAIの導入を検討している方や自社のAIによる需要予測の精度向上を目指す方に向けて、AIによる需要予測の概要やメリット、活用手法、注意点などを解説します。

AIによる需要予測とは

AIによる需要予測とは、過去の販売実績や市場動向、在庫状況などのデータをAIに分析させ、需要の変化や将来の販売数を予測することを指します。

学習するデータが不十分な場合や質が悪い場合は正確な予測を行うことが難しくなりますが、いくつかの注意点を守ることで適切な需要予測を行えるようになります。AIを需要予測に用いることによって、従来の人の経験と勘を頼りにした予測からデータにもとづいた予測が可能になり、最適な発注・在庫管理などができるようになります。

需要予測を取り巻く現状

需要予測のニーズは近年高まっており、AIを利用することによって正確な需要予測が行えると期待されています。しかし、AIを導入すれば必ずしも正確な需要予測を行うことができるわけではありません。予測精度を向上させるためのポイントをおさえることで、AIによる需要予測を効果的に行うことが可能になります。

AIを用いた需要予測のメリット

需要予測は近年さまざまな場面で利用されています。ここでは需要予測にAIを利用するメリットを3つ解説します。

業務効率化を実現

需要予測にAIを用いることで業務の効率化が期待できます。AI導入を進めると人が従来行っていた単純な作業をAIが担うようになり、業務効率化を実現することができるようになります。このようにAIと人の間で業務分担が進むことによって、人材や設備の最適配置が実現します。

在庫を適切に調整

AIは過去のデータを分析して学習していきます。需要予測にAIを用いることで最適な在庫管理を行うことができ、過剰在庫の削減などにつながります。また、学習回数を重ねていくにつれてデータはその分蓄積されるため、使えば使うほど分析の精度も向上します。

根拠ある生産計画や販売戦略を立案

AIによる需要予測を利用することで、データにもとづいた生産計画や販売戦略などの立案が可能になります。人の勘に頼らずに根拠となるデータを用いるため、データ分析時のヒューマンエラーを防止できる点もメリットの一つです。

AIによる需要予測の主な手法

AIによる需要予測を導入する際の予備知識として、ここではAIが需要予測を行う際の計算方法のうち代表的な5つの計算方法について解説します。

移動平均法

移動平均法は、数値を移動させてその平均値を割り出す計算方法です。他の手法と比較して計算の手順は多くなりますが、直近のデータのみから予測値を算出することができます。例えば毎月の在庫の追加発注金額を予測する際には、過去5ヶ月分の値を参考に当月の予測を行い、その翌月には過去4ヶ月と当月をあわせて平均した値を参考にするといった具合です。移動平均法は、市場や仕入れ額の変動に対応しやすい点もメリットです。

加重移動平均法

加重移動平均法は、移動平均法に含まれる計算方法で、特に最新の需要変動を分析したい場合に用いられることが多い手法です。例えば毎週の在庫の追加発注を予測する場合、常に最新の週の値を参考値として需要予測をおこないます。週毎の販売数量に「加重係数」を掛け、最新のデータほど加重係数を大きく設定することで直近のデータをより重視して算出することができます。

回帰分析法

回帰分析法とは、数値どうしの因果関係から需要を算出する計算方法です。店舗面積や来客数、販売時間など予測に影響する可能性がある複数の要因を設定することが可能です。複数の要因を設定できることから、最も汎用性の高い方法であるといえます。

指数平滑法

指数平滑法は、過去のデータから需要を予測する計算方法です。過去の予測値と過去の実績値を用いることによって新しい予測値が求まります。より新しいデータを重視する加重平均法のうちの一つです。

機械学習による需要予測

需要予測には機会学習を用いる方法もあります。機械学習とは、AIに大量のデータを与え、関係性を発見させた上で予測値を求める手法です。ビッグデータの分析を得意とするAIならではの利点を活かした方法で、データ数が多いことからより精度の高い予測が可能になります。

AIによる需要予測を導入する際の注意点

需要予測にAIを導入する際には、注意すべきポイントがいくつかあります。ここでは代表的な2つの注意点についてそれぞれ詳しく解説します。

大量のデータを揃える必要がある

AIを用いて精度の高い予測結果を得るためには、データを質・量の両方の面から十分に用意する必要があります。仕入れ額や量、売上実績、気温、天候、来客数、広告出稿の有無など予測結果との関連性を精査しつつより多くのデータを揃えます。

また、データの量が多くても手書き等の規定のデータに置き換えづらいデータが含まれる場合などは分析が困難になります。そのためAIが分析しやすい形式にデータを整えることも重要です。

現場改革とともに進める

AIによる需要予測を適切に進めていくには、現場の意識改革なども重要な要素になります。予測精度を向上させるためには質の高いデータを大量に集める必要がありますが、現場がデータを重要視していない場合は、まずはデータリテラシーを高めていきデータ収集への協力体制を作っていくことから始めます。

また、AI導入後も分析などをそのままAIだけに任せてしまうと、適切な結果が得られないことがあります。AIが導き出した結果は精度の高い参考値として扱い、それに加えて人の手による検証・判断が重要になります。

AIによる需要予測の成功事例9つ

AIによる需要予測は、さまざまな業界で導入が進んでいます。ここでは9つの業界における需要予測の成功事例を紹介します。

小売業界

AIによる需要予測は、スーパーマーケットなどを含む小売業界でも活用されています。天候や気温、曜日による販売実績の変化などのデータをもとにして需要予測を行うことで、ユーザのニーズを把握することができます。また、需要予測にもとづいて自動発注を行うシステムを導入することで、生鮮食品や牛乳などの販売可能期間が短い商品の廃棄の削減にもつながります。

AI需要予測システムの導入により、商品の発注作業時間の5割削減を目指す企業もあります。

食品業界

廃棄ロスが課題となっている食品業界も、AIによる需要予測のニーズが高い業界です。ある食品メーカーは、過去の販売実績や気象データ、SNSの投稿などのデータをAIを用いて分析し、製造量の適正な管理に成功しました。

AIによる需要予測を導入したことで、発注業務の効率化を実現し、人が集中すべき作業に担当者を適切に配置できるようになった企業もあります。

飲食業界

飲食業界では、来店者数の予測にAIが活用されています。メニュー別・時間帯別の販売予測を立てることで、食品の廃棄削減やホールスタッフの最適な配置を実現した飲食店もあります。

回転寿司店での事例では、過去の販売実績などのデータをもとに分析を行い、時間帯ごとに来店客が多く頼む寿司のネタを提供することで、廃棄率を75％削減したケースがあります。

タクシー業界

タクシー業界においてもAIによる需要予測が活用されています。その街の人口統計や天候、曜日などのデータをもとにしてAIが分析を行うことによって、タクシーの需要が高まるエリアを予測することが可能になります。タクシーの需要予測にAIを用いることで効率的なタクシー配車が実現しています。

また、タクシーの待機時間の削減が期待できるなど従来の課題の解決につながることから、今後人手不足の解消も期待されています。

アパレル業界

アパレル業界においても、AIによる需要予測を活用する企業があります。たとえば、ファッション関連の画像を大量に収集してAIを用いた画像解析を行い、分析結果からトレンドを予測することによって今後の商品開発に活かすといった事例です。

流行の影響を受けやすいアパレル業界では商品の売れ残りが課題となっていますが、AIの導入で在庫の適正管理や売上・利益の最大化が期待されています。

コールセンター業界

コールセンター業界では、入電数の予測にAIが活用されています。過去の入電実績から未来の入電数を予測することで、オペレーターの適正なシフト配置やコールセンター全体での人件費の削減が実現しています。

入電数を予測し人員を適正配置することで、電話を取り次ぐことができなかった「放棄率」の改善にも役立っています。

ゲーム業界

ゲーム業界では、顧客生涯価値（顧客が生涯を通じて企業にもたらす利益）の数値向上にAIが活用されています。AIによる需要予測を利用することで将来の顧客生涯価値の数値が高いと考えられる有料ユーザー候補を予測し、ゲーム広告の効率的な配信に役立てることができます。

あるゲーム開発会社では、AIによる需要予測の導入によって顧客生涯価値を約1.7倍に高めた事例もあります。

製造業界

製造業界では、AIによる需要予測が在庫量の適正化に貢献しています。AIが導き出した予測結果にもとづいて生産計画や材料の調達計画を立てることで、材料の削減に成功している製造メーカーもあります。

また、工場から配送センターへの配送数調整や工場の設備投資の最適時期を見極める際にもAIによる予測システムが活用されています。

農業

農業では、生産量の予測などの面でAIによる需要予測が導入されています。農産物の生産量や出荷数などのデータを分析することで、3週間先まで生産量の予測を行っている事例などがあります。

生産量の予測を行い農産物の安定供給が可能になることによって、大口取引の開拓につながると期待されています。

まとめ

AIによる需要予測は業務効率化や在庫量適正化などに有効です。需要予測を適切に行うためには、先行事例を参考にしつつ、自社に合った形で進めることが重要です。データは質・量ともに十分に揃え、現場のデータ意識が希薄な場合は意識改革を進める取り組みも大切です。

社内にAIに関する専門知識を持つ人材がおらず、自社に適した形でのAI需要予測導入が難しい場合は、EAGLYSのAI解析サービスの利用がおすすめです。

EAGLYSでは構想策定の段階から協働してアイデアの具現化を行い、精度・汎用性の高い独自の設計技術で最適なモデルを提案することができます。