需要予測とは：データサイエンティストなしで実際に必要なもの

失敗は二種類あって、原因は同じだ。二週目で欠品した売れ筋と、三月になっても倉庫に残っている別の商品。どちらも予測の問題で、どちらも「専門家がいないと無理」に見えるせいで後回しになる。

価値の大半を取るのに専門家は要らない。要るのは、傾向が見える程度の履歴と、自分で理解できる一つの手法と、いつ発注するかの基準だ。ここでは定義、手計算、欠品の予知、そして需要予測 ソリューションが費用に見合い始める地点までを順に見ていく。

需要予測とは何で、何ではないか

需要予測 とは、将来の一定期間に何個売れるかを見積もり、適切な量を適切な時期に仕入れるための作業だ。定義はそれで全部で、需要調査のように市場を調べることとも、未来を言い当てることとも違う。誤差つきの見積もりであり、その誤差こそが役に立つ部分になる。

• 答えるのは仕入れの問い。分析の問いではない——何個を、いつまでに、どの品番で。
• 常にいくらか外れる。信頼区間のない予測は、スーツを着た当てずっぽうだ。
• 個々の買い物客の行動を当てるものではない。予測しているのは発注行であって、人ではない。
• 価値は変わった意思決定の中にしかない。どちらにせよ同じ数量を頼んだなら、必要なかった。

店舗の売上予測を、手元の履歴だけで計算する

店舗 売上予測の記事はたいてい十数種類の手法を高度な順に並べる。その結果、店主はどれも実行しない。表計算と受注履歴だけで回せるものは三つで足りる。当てずっぽうに勝つ最も単純なものを選べばいい。

• 移動平均：直近4〜8週の平均。売れ方が安定した商品向け。弱点は、変化に必ず遅れること。
• 加重移動平均：同じだが直近の週を重く見る。手間は一行分、反応は明確に速くなる。
• 季節ナイーブ：前年同週の実績を、成長分だけ調整する。天候や歳時記で動く商材では、数学なしで上の二つに勝つ。

一商品での具体的な手順：直近8週の週次数量を取り、最後の2週を二倍に重み付けする。それが翌週の見込みだ。仕入先のリードタイム週数を掛け、すぐ補充できない商品には1〜2週分の安全在庫を足し、現在庫と比べる。動くべき数字は予測そのものではなく、この比較結果になる。上位10商品でやれば、売上の大部分は覆える。

手でやる理由は、自分の誤差を知るためだ。一か月続ければ、どの商品が読めてどの商品が読めないか分かる。その知識があって初めて、後から入れる道具が「すごそう」ではなく「役に立つ」ものになる。

唯一意味のある出力：欠品の予知

予測は一度読まれ、通知は処理される。実務上の目的は、補充が間に合う時点で欠品を察知することだ。つまり通知は「現在庫 ÷ 予測週販 < リードタイム」で鳴る必要があり、棚が空になった日ではない。

この通知が信用に足るための条件は二つ。仕入先ごとのリードタイムを持つこと（全体の既定値ではなく）。そして、欠品しても損の出ない商品では黙っていることだ。

AIが足すもの、足さないもの

需要予測 モデル aiや販売予測 aiは飛躍として売られるが、実態は工数の節約と考えたほうが正確だ。モデルは季節性・トレンド・販促を同時に、カタログ全体で扱える。商品ごとに表を保守する人が要らない。これは十分な価値だが、「より正確」とは別の主張だ。二年分のきれいな履歴がある安定商品では、加重平均に勝つのは簡単ではない。

• 明確に勝つ場面：多数の商品を同時に、重なり合う季節性、目視では気づけない長期の履歴。
• 勝てない場面：履歴のない新商品。どの手法もデータを発明しない。発売時は類似商品からの推定であり、そう表示されるべきだ。
• 誤解を招く場面：単一の数値としての予測。幅を出させ、広い幅は欠陥ではなく情報として読む。

ツールが必要になる境目

表計算から需要予測 システム 比較に進む理由は精度ではない。週あたりの意思決定の数と、それを実際に誰かが行っているかどうかだ。四つの兆候がある。

• 実際に回っている品番が50を超え、表は上位10件しか更新されていない。
• リードタイムが長く、発注の遅れが数日ではなく数週間の機会損失になる。
• 同じ商品で二度欠品した。一度は不運、二度目は仕組みの欠落。
• 発注判断の担当がいない。誰かが気づいたときに起き、それは常に遅い。

どれも当てはまらないなら表計算のままでいい。この線引きの上に立っているのがAllHubの需要予測エージェントだ。店がすでに持っている販売履歴から予測し、断定的な一つの数字ではなく幅を示し、棚が空になる前に発注時期を伝える。

まとめ

予測は、資格がないから手を出せないデータサイエンスの案件ではない。入力が三つの週次の習慣だ——何が売れたか、仕入先がどれだけかかるか、欠品がいくらの損か。上位10商品で一か月手を動かせば、何を自動化したいか、そしてどの数字なら信じられるかが分かる。

売れ筋を切らさないためにデータサイエンティストは要らない。発注点を知り、そこを割る前に知らせてもらえばいい。それが需要予測エージェントのしていることのすべてだ。