BLOG
目次 ➖
在庫管理業務が発生する企業では、正確な在庫予測が求められます。しかし、正確な在庫予測は非常に困難であり、過剰在庫や在庫不足に悩まされることも少なくありません。また、在庫予測業務に対応する担当者の負担の大きさも問題となります。
本記事では、在庫予測業務の課題点を解説するとともに、課題を解決するための手法として需要予測AIの導入についても解説いたします。
需要予測AIを活用するメリットや効果的な運用方法についても解説していますので、ぜひ参考にしてください。
AIを活用して在庫予測を始めてみませんか?
AIの専門知識がなくてもデータの分析から適切な発注量の導出まで行うことが可能です!
→資料請求はこちらから
1つ目の方法は、適切な在庫量を設定する手法です。
各製品ごとに適切な在庫量をあらかじめ決め、それを基準として発注や在庫管理を行う方法です。この手法は、一般的に定量発注方式や発注点方式と呼ばれ、在庫が減った際に一定量まで補充するというイメージです。
この方法の利点は、発注のタイミングや数量を都度検討する必要がないことです。基準値を下回ると自動的に発注が行われるため、需要が安定している商品や、価格が低く重要性の低い製品の発注に適しています。
もう一つの方法は、商品の需要予測をする手法です。先にご紹介した定量発注方式では、季節やイベントといった需要の変動に十分対応できません。そこで、この「商品の需要予測をする」という方法では、店舗周辺のイベントやキャンペーンといった外部要因を考慮し、適切な在庫量を判断します。
しかし、この方法は製品ごとに発注量やタイミングを個別に検討する必要があるため、発注作業の負担が増えるという欠点があります。さらに、担当者の判断による発注や在庫管理ではミスが生じやすく、発注の経験者でなければ対応が難しいという問題もあります。
3つ目の方法は、過剰在庫や滞留在庫を確認し、在庫を効率的に最適化する方法です。定期的な棚卸し作業を通じて在庫数をチェックし、異常が発生している場合には対応策を講じる取り組みを行います。
特に商品点数の多い企業では、すべての在庫を頻繁に確認することが困難です。そのため、棚卸しのタイミングを活用して異常を早期に検知し、迅速に修正を図ることが求められます。
また、在庫数が適切に管理できなかった要因を特定し、対策を講じることで、将来的な在庫異常を防ぐことが可能になるという利点があります。
在庫数の予測に需要予測AIを活用するのがなぜおすすめなのか、メリットについてさらに詳しく解説します。
在庫管理にAIを活用するメリットについて詳しく知りたい方は、こちらの記事をご覧ください。
従来の在庫管理手法における課題点や、在庫管理にAIを活用するメリットが良くわかる内容となっています。
在庫管理にAIを活用するメリットとは?活用事例やおすすめAIツールについて徹底解説!
需要予測AIを活用する最大のメリットはやはり、適正在庫が維持できるという点です。適正在庫とは、余剰や欠品が発生しない、適正な数を保った状態の在庫を指します。AIによる需要予測なら、過去の販売実績だけでなく、市場トレンドや季節変動など流動性のある要因も考慮した予測が可能です。
さらに需要予測AIは、AIがデータを収集・分析して自動学習をおこない、継続的に予測精度を向上させるという特徴もあります。
これらの理由により、需要予測AIであれば、複雑な市場の変動にも対応した予測が可能となります。市場の変化も加味した多すぎず少なすぎずのちょうどいい在庫が保たれるため、過剰在庫による在庫劣化や破棄、あるいは在庫不足による欠品や販売機会損失の発生のリスクが低減します。
適正在庫の基本の考え方について詳しく知りたい方は、こちらの記事をご覧ください。
適正在庫を保ち続けるための基本的な考え方や、適正在庫の計算方法、管理手法などが良くわかる内容となっています。
適正在庫の基本の考え方とは?計算方法や適正在庫を保つ方法を紹介
需要予測AIを使うメリットに、需要予測の業務における属人性の脱却が挙げられます。従来の需要予測は、担当者が経験や勘を多分に用いて実施していたことから、予測の精度が安定しないという課題がありました。
その点、需要予測AIであれば、経験や勘ではなくデータを基にするため、属人性を排除した予測・分析が可能です。膨大なデータを客観的かつ迅速に分析でき、担当者の個人的な判断による誤りや偏りのない予測が実現できます。
需要予測AIに予測業務を任せることで、分析業務の大幅な時間短縮と効率化が叶います。
予測手法に関わらず、予測の精度を上げるためにはさまざまなデータの分析が重要です。しかし、人間が分析できるデータの量や種類には限界があり、データが増えるほどに分析の手間と時間もかかります。
需要予測AIなら、膨大なデータが分析できるのに加え、分析作業もAIが実施します。そのため、担当者の業務量を削減しつつ高精度な予測ができることから、在庫予測業務全体を効率化できるため、担当者の負担も大幅に削減できます。
在庫管理に需要予測AIを導入した事例をご紹介します。
国内で小売事業をおこなう大手企業では、自社が運営する全国のスーパーマーケット店舗に、2019年よりAIを活用した需要予測手法を導入しました。
AIは主に商品の発注に利用されており、従来の発注システムでは取り入れることが難しかった、過去の販売データ、天候、チラシ掲載の有無などの複合的なデータの分析に活用されています。
AIの導入により、同社では発注作業の時間を平均で35%短縮することに成功しています。なかでも冷凍食品の発注については42%もの大幅な時間短縮ができるようになり、商品の欠品率も27%減少しました。
また、時間短縮によって担当者のリソースも再配分できるようになったため、その分を接客や売り場づくりなどの業務に振り分けています。
とある出版社では、AIとICタグの機能を組み合わせることで、在庫改善に成功しました。
これまでも同社では、返品による損失の軽減や万引き防止のために、それぞれの本にICタグを取り付けるという仕組みを導入していました。これは、書店に出荷した本の3割以上が返品され、年間2,000億円もの損失が出ているという出版業界特有の課題があるためです。
この状況を改善すべく、本ごとにICタグを付けることで、どの本がどの書店にあるのかといったデータを一元で把握できるようにしました。その結果、各書店の需要や在庫状況に合わせた本の供給が可能となり、在庫管理が改善されました。加えて、店舗の防犯ゲートとICタグを連動させることによる、万引き被害の防止にも役立っています。
国内大手アパレルECでは、アパレル販売だけでなく古着の買取もおこなっており、買取の値付けシステムにAIを導入しました。
これまで古着の値付けは、買取側の経験や勘に基づいておこなわれていました。そのため、所持している服にいくらの価値があるのかを顧客側でイメージしにくく、古着買取の概念が浸透しないという課題がありました。
そこで、古着部門にAIを活用した値付けのシステムを導入したところ、これまでブラックボックスであった値付けの見える化がされ、顧客のなかの買取イメージが改善されました。
また、古着買取だけでなく販売についても改善がされています。AI値付けの精度の高さによって、買い取った古着が販売される確率はAI導入前の約1.5倍となったのです。さらに、倉庫内の在庫回転率が向上することで、保管在庫も減少しました。古着の買取価格も200円から300円ほどアップしており、AI導入の効果がユーザーにも還元される好循環が実現されています。
大手石油元売り企業は、精度の高い需要予測を目指して2018年にAIの導入を開始しました。同社が扱う石油製品は、天候や市場動向の影響を受けやすく、需要予測が難しい製品です。そのため、従来はコンピュータではなく、経験や勘に頼った予測に依存していました。
AIの導入は一部地域での実証実験からスタートしました。AIは、過去の販売データ、原油価格の推移、気温や降水量といった情報を活用して需要を予測しました。そして、AIが計算した出荷量に基づいて在庫管理を行うことで、予測と実績の誤差を約5%に抑えることに成功しました。
この実証実験の成果を受け、2020年からは国内の数十か所の拠点でAIを活用した在庫管理を本格的に導入しています。
大手作業用品専門店は、2021年にAIを導入し、発注作業の効率化、欠品の防止、在庫の最適化を目指しました。約10万点にのぼる商品の管理をサポートするため、同社が採用したAIは商品特性に応じて2種類のアルゴリズムを使い分ける仕組みを備えています。
具体的には、在庫回転率が低い商品に対しては在庫補充を行い、在庫回転率が高い商品については需要予測を活用するシステムです。この導入により、従来1日約30分かかっていた発注作業が約2分にまで短縮され、大幅な業務効率化を実現しました。
タクシー業界では、AIを活用した乗客数の予測が進められています。その代表例がNTTドコモの「AIタクシー」で、AIが人口統計データやタクシー運行データを分析し、未来の乗車台数をエリアごとに予測して提供するシステムです。
この予測を基にタクシーが需要の高まるエリアへ先行して向かうことで、乗客の待ち時間を短縮できるだけでなく、新人ドライバーでも土地勘や経験に左右されず、ベテランドライバーと同等の成果を上げることが可能になります。これにより、慢性的な人手不足に悩むタクシー業界の活性化が期待されています。
在庫を過不足なく確保するためには、予測を実施する担当者の負荷が少ない、かつ精度の高い需要予測の実施が求められます。
そこでおすすめなのが、需要予測AIの活用です。需要予測AIとは、AI(人工知能)を活用して商品の需要予測するシステムやツールのことです。過去の販売データ、季節変動、プロモーションの影響など、さまざまなデータをAIが解析し、高精度な需要予測をおこないます。
予測業務に需要予測AIを導入することで、精度の高い予測が実現し、過剰在庫・在庫不足の発生を防げます。また、需要予測AIは人間が手動でおこなう予測に比べ、手間と時間がかかりません。担当者の業務負荷が軽減できることから、在庫数の予測をおこなう際の3つの課題をクリアしつつ、高精度な予測を叶えます。
需要予測AIについて詳しく知りたい方は、こちらの記事をご覧ください。
AIを活用した需要予測の基本知識や、注目を集める社会的背景、活用のメリット・デメリットが良くわかる内容となっています。
AIによる需要予測とは?導入事例や活用手法、メリットも詳しく紹介
需要予測に用いられる統計的な手法のうち、予備知識として押さえておきたい以下の4つの計算方法をご紹介します。
移動平均法とは、商品や部品を仕入れるたびに平均単価を再計算し、その金額を棚卸資産の評価額とする手法です。この方法では、仕入れごとに最新の平均単価を算出するため、市場動向や仕入価格の変動といった状況の変化に柔軟に対応できる点が特徴です。
しかしながら、平均単価の再計算が頻繁に発生するため、担当者にとって業務負荷が増大しやすいというデメリットもあります。そのため、移動平均法は需要の動きが比較的安定している商品に適した手法といえます。
指数平滑法は、前期の実績値や予測値を基に今期の予測値を算出する方法です。この手法は、ランダムな需要の変動やトレンドの変化に柔軟に対応できるため、短期間での需要変化への適応力が高い点が特徴です。
また、時系列で整理されたデータがあれば、幅広い種類のデータに適用可能であるため、非常に利便性の高い手法とされています。
回帰分析法は、結果とそれに影響を与える要因との関係性を明らかにするための手法です。この分析を通じて、特定の結果に対して複数の要因がどのような影響を及ぼしているのかを把握できます。
たとえば、売上高を「結果」として設定した場合、商品価格、プロモーション、市場トレンド、季節性といった「要因」が売上にどれほど関係しているかを分析し、数値化することが可能です。
機械学習を活用した手法は、日付相関やカレンダー要因、商品の属性、販売店舗の特徴など、多量のデータを機械に入力し、それらと販売量などの結果との相関関係を発見させる技術です。この手法では、機械が自動的にパターンを判別し、予測を行うことで、従来の3つの手法と比較してより精度の高い需要予測を実現できます。
需要予測AIを用いた予測を実施する際に、ポイントとして押さえておくべき3点を解説します。
需要予測AIを使った予測手法を取り入れるのであれば、まずは需要予測AIを使う目的を明確にする必要があります。
何を課題としていて、何を目的に需要予測AIを使い、何を成果とするのか。これらの点を明確に決めておくことで、目標の設定がしやすくなります。また、目標に向けた一貫性のあるシステム運用をおこなうことにより、期待する成果も達成しやすくなります。
加えて、目的を明確化しておけば、効果測定もしやすくなり導入後の改善が容易になります。PDCAサイクルを効果的に回せるようになるため、継続的なブラッシュアップを図るためにも、目的は早い段階で決定しておくのがおすすめです。
需要予測に用いられるデータには、「内部データ」と「外部データ」の二種類があります。
内部データは、販売過去実績やキャンペーンの実施効果など、自社で抱えているデータのことです。対して、外部データは、天候データ、経済指標、トレンド、競合他社の動向などの、社外で計測されたデータをいいます。
人間が手動でおこなう従来の需要予測では、主に内部データが用いられ、複雑性が高く予測業務の難易度も飛躍的に上昇する外部データは加味しないことが多いです。
しかし、需要とは本来、社会全体の動きや市場の変化などによって流動するものです。そのため、より精度の高い需要予測をおこなうためには、外部データを駆使した予測・分析が必須です。
需要予測AIであれば、人間がおこなう予測では困難であった、膨大な外部データの予測・分析も可能です。需要予測AIを活用するからには、さまざまな外部データを用いた予測を行い、高い予測精度を実現させましょう。
需要予測に必要なデータについて詳しく知りたい方は、こちらの記事をご覧ください。
精度の高い需要予測を行うために必要なデータの種類や役割、AIを使った予測手法の利点が良くわかる内容となっています。
需要予測に必要なデータとは?精度を高めるためのデータを徹底解説!
需要予測AIの運用で肝となるのが、予測の検証と改善です。
AIは、機械学習によって「使えば使うほど賢くなる」という特徴を持ちます。需要予測AIも、予測を実施するほどにAIが学習し、精度が向上していきます。そのため、需要予測AIは導入して終わりではなく、継続的に精度を向上させていくことが非常に大切なのです。
需要予測AIを導入したあとは、予測の結果と実際の需要を比較し、定期的に予測精度の検証をおこないます。もし誤差が出た場合は、その原因を分析し、修正していきましょう。
こうした検証と改善を繰り返すことで、適正在庫を保つための在庫予測の精度がさらに向上します。過剰在庫や在庫不足のリスクを最小限に抑えられるだけでなく、発注業務の効率化にも寄与するでしょう。
AIを活用して在庫予測を始めてみませんか?
専門知識がなくてもデータの分析から適切な発注量の導出まで行うことが可能です!
→資料請求はこちらから
従来の需要予測は、人間が経験と勘を頼りに実施していることが多く、予測精度に難があるケースが多々ありました。これにより、適正な在庫数が維持できず過剰在庫や在庫不足のリスクが発生するのに加え、担当者の負担が大きいという課題も存在しました。
需要予測AIを活用することで、高精度な予測が実現し、適正在庫を保つことができます。適正在庫数を維持することで、企業のキャッシュフローの改善やあらゆるコストの削減にもつながるため、在庫管理業務が発生する企業は積極的に活用していくことをおすすめします。
AI CROSSでは、専門知識がなくても使えるノーコードAI予測分析・意思決定支援サービス「Deep Predictor」を提供しています。Deep Predictorは、高精度な需要予測により最適な在庫数や発注数の予測・分析をサポートするツールとなっています。
また、 Deep PredictorのAIはデータをただ学習するのではなく、データの特徴に合わせた学習・分析をおこないます。データごとの特徴をつかんで読み解き、最適化することで、企業に適したオリジナルのAIモデルを構築することが可能です。これにより、企業の経営実情に合わせた予測だけでなく、トレンド性の高い商品や季節性の高い商品に対しての販売量や売上の予測も高精度におこないます。
過剰在庫や在庫の欠品といった在庫の適正化にお悩みを感じている方は、ぜひ資料請求にお申し込みください。