小売・物流のAI活用とは？需要予測から在庫最適化・配送計画までの流れを解説

小売・物流領域のAI活用は、需要予測・在庫最適化・配送計画・店舗運営の4領域に整理できます。このうち相談が最も多いのは需要予測ですが、予測の精度を上げても在庫が減らないという結果に終わるケースが少なくありません。

本記事では、各領域で何が実現できるのかを整理したうえで、成果につながる設計と、つながらない設計の分かれ目を解説します。

4領域の全体像

このうち需要予測と在庫最適化は、別々のプロジェクトとして進めると失敗します。理由は次章で述べます。

なぜ予測精度を上げても在庫が減らないのか

需要予測の結果が在庫に反映されるには、予測値が発注量の計算に組み込まれる必要があります。ところが実際の現場では、次の状態になっていることが多くあります。

• 予測値は画面に表示されるが、発注は従来の発注点とロットで行われている
• 安全在庫の設定が数年前のまま更新されていない
• 担当者が経験で発注量を上書きしており、その理由が記録されていない

この状態では、予測精度がどれだけ改善しても在庫金額は動きません。予測は在庫の入力ではなく、発注ルールの入力だからです。

導入前に確認すべきことは、次の1点に集約されます。

予測値を、発注計算式のどの変数に、どう入れるのか。それを図に書けるか。

書けない場合、そのプロジェクトは予測モデルの構築ではなく、発注ルールの再設計から始めるべきです。

安全在庫の前提は更新されているか

安全在庫は、リードタイムと需要のばらつき、そして許容する欠品率から決まります。予測精度が上がるということは需要のばらつきの見積もりが改善するということなので、安全在庫の水準も見直されなければ効果が出ません。

確認すべき項目は3つです。

多くの現場で、これらは初期導入時の設定のまま運用されています。ここを更新するだけで在庫が1〜2割減ることもあり、AI導入よりも先に着手すべき領域です。

SKU単位の予測は、全商品に一律では成立しない

需要予測を全SKUに一律で適用しようとすると、必ず低頻度商品で行き詰まります。月に3個しか動かない商品の需要を予測しても、誤差が大きくなるのは当然です。

商品を販売頻度で分け、手法を変える必要があります。

この区分をせずに全SKUを1つのモデルで扱うと、低頻度商品の誤差が全体の評価を引き下げ、「予測は使えない」という結論になります。実際には、対象を絞れば十分に機能します。

区分の判断は、直近12か月の販売実績から機械的に行えます。ここは属人的な判断を挟まず、ルールで自動的に振り分けるほうが運用が安定します。

配送計画は「説明できるか」で定着が決まる

配送ルートの最適化は、効果が数字で出やすい領域です。しかし、最適化した計画が現場で使われずに元の運用へ戻るケースが多くあります。

原因は精度ではなく納得感です。総走行距離が5%短くなっても、ドライバーから見て不自然な順序であれば信頼されません。

有効な設計は次の3点です。

• なぜこの順序かを添える：時間指定、積載制約、道路条件のどれが効いたのかを割当画面に表示する
• 手直しの余地を残す：数件の入れ替えを許容し、その操作を記録する
• 範囲を限定して始める：1エリア・1曜日から開始し、実績を見てから広げる

2番目で記録した手直しのログは、制約条件の抜けを見つける最良の材料です。「この配送先は必ず午前中」「この道は大型が通れない」といった、システムに入っていない現場の知識が、手直しの理由として集まります。これをモデルの制約に反映していくと、数か月で手直し件数が減っていきます。

逆に、手直しを許さない設計にすると、現場の知識がシステムに入らないまま、計画が使われなくなります。

欠品率と在庫金額はトレードオフである

在庫最適化のプロジェクトで最も揉めるのが、目標設定です。在庫を減らせば欠品が増え、欠品をなくそうとすれば在庫が増えます。この関係を無視して「在庫を2割減らし、欠品もゼロにする」という目標を置くと、達成できずに終わります。

現実的な進め方は、どちらを固定してどちらを改善するかを先に決めることです。

この合意を営業・調達・物流の間で先に取っておかないと、成果が出ても評価が割れます。「在庫は減ったが欠品が増えた」という報告に対して、それが想定内なのか失敗なのかを判断できなくなるためです。

導入手順と期間の目安

小売・物流領域で特に時間がかかるのは、Phase 1の現状ルールの可視化です。発注量がどのように決まっているかが文書化されておらず、担当者の経験に依存しているケースが多いためです。

この工程では、次の作業を行います。

1. 商品グループごとの現行の発注ルールを聞き取り、計算式として書き出す
2. 実際の発注実績と、そのルールでの計算結果を突き合わせる
3. 差分が出た発注について、上書きの理由を確認する

3番目で判明する「ルール外の判断」が、実は最も価値のある情報です。ここに現場の暗黙知が集約されており、モデルに組み込むべき変数が見つかります。

POSデータをそのまま学習に使ってはいけない理由

需要予測の入力にPOSの販売実績を使う場合、そのままでは需要を表していないという問題があります。販売実績は「売れた数」であって「売りたかった数」ではないからです。

欠品していた期間の販売数はゼロに近い値になりますが、それは需要がなかったからではありません。この期間を通常の実績として学習させると、モデルは需要を過小評価します。結果として発注量が減り、欠品がさらに増えるという悪循環が起きます。

対処は次の3つです。

在庫データが残っていれば、「在庫ゼロだった日」を機械的に判定して除外できます。この前処理があるかないかで、予測の実力は大きく変わります。導入時に、ベンダーが欠品期間をどう扱っているかは必ず確認すべき項目です。

天候データは、効く商品と効かない商品がある

需要予測に天候を組み込むと精度が上がる、という説明はよく聞かれますが、全商品に当てはまるわけではありません。

効果が明確なのは、購買行動が当日の天候に直接左右される商品です。飲料、アイス、傘、惣菜などが該当します。一方、日用品や定番の加工食品では、天候の寄与はほとんど見られません。

実務での判断手順は次のとおりです。

1. 商品グループごとに、気温・降水量と販売数の相関を確認する
2. 相関が見られたグループにのみ、天候を特徴量として組み込む
3. 予報の精度が落ちる期間（3日以上先）については、寄与を弱める

3番目は見落とされやすい論点です。天気予報自体に誤差があるため、リードタイムの長い発注に対しては、天候の効果は限定的になります。発注リードタイムが5日の商品に、翌日の天気予報は役に立ちません。

現場の上書きを「異常」ではなく「情報」として扱う

システムが出した発注量を現場が上書きすることを、プロジェクト側は問題視しがちです。しかし上書きには理由があり、その理由の多くはシステムが知らない情報です。

• 近隣に競合店が開店する
• 取引先の工場が停止する見込み
• 地域のイベントで来客が増える
• 特定顧客からの大口注文が入る見込み

これらはPOSデータには現れません。上書きを禁止すると、この情報がシステムに入らないまま失われます。

推奨する運用は、上書きを許容したうえで、理由を選択式で記録することです。選択肢は5〜8個程度に留め、自由記述は補足に使います。3か月ほど蓄積すると、上書き理由の分布が見えてきます。

この分析は、モデルの改善よりも先に着手できる改善策を示してくれます。

配送計画で見落とされる制約条件

配送最適化のプロジェクトで、初期の計画が現場に受け入れられない原因は、ほぼ制約条件の抜けです。実務でよく漏れる項目を挙げます。

• 荷降ろし場所の物理条件（大型車が入れない、台車が使えない）
• 納品先ごとの受入時間帯（システム上の指定と実際の運用が違う）
• 積み付けの順序（後から降ろす荷物を先に積めない）
• ドライバーの休憩時間と拘束時間の上限
• 特定顧客への担当固定（関係性の維持）

最後の「担当固定」は、効率化の観点では非効率に見えるため、最適化から外されがちです。しかし顧客との関係維持という業務要件がある場合、これを無視した計画は実行されません。業務要件と効率のどちらを優先するかは、システムではなく事業側が決める論点です。

制約条件は、初期のヒアリングだけでは出尽くしません。運用しながら手直しのログから拾い上げる前提で、モデルを更新できる体制を組んでおく必要があります。

段階を踏んだ進め方

最初の2か月をAIを使わない改善に充てている点が重要です。安全在庫の前提を更新するだけで効果が出る場合、その改善分をAIの成果として計上してしまうと、後の投資判断を誤ります。先に手をつけられることを済ませてから、残った課題に対してAIを適用するという順序が、投資対効果を正しく測るうえでも合理的です。

他社の導入事例をどう読むか

導入検討では他社の事例が参考になりますが、公開されている数値はそのまま自社に当てはまりません。事例を読むときに確認すべき点を整理します。

とくに1行目と2行目は差が出やすい部分です。「検査工数90%削減」が「AIが判定した分の再確認を除いた数字」であることは珍しくありません。事例の数値を自社の稟議に転記する前に、同じ計算方法で自社の現状値を出せるかを確認してください。

そのうえで、自社に近い条件かを次の4点で判定します。

1. 事業規模と対象範囲（全社か1拠点か）
2. データの蓄積状況（何年分・何件の事例があるか）
3. 体制（専任者の有無、外部委託の範囲）
4. 対象業務の標準化の度合い

この4点が大きく違う事例は、数値ではなく進め方の順序を参考にするほうが実務的です。

補助金・支援制度をどう調べるか

導入費用の検討では補助金の活用が選択肢になります。ただし制度の要件・金額・公募時期は年度ごとに変わるため、この記事の数字を当てにせず、必ず公募要領の原本を確認してください。実務で押さえるべきは、どの制度を見に行けばよいかという入口です。

申請を検討する場合、実務上の注意点は次の3つです。

• 交付決定前の発注は対象外になるのが原則。着手のスケジュールを補助金の採択時期と合わせて組む必要があります
• 事業計画に効果の根拠を書く必要があるため、本記事で触れた現状値（工数、停止時間、在庫金額など）の実測が前提になります
• 補助対象になる費目とならない費目が分かれます。ソフトウェア費用は対象でも、運用の人件費は対象外といった線引きを事前に確認してください

補助金の有無で導入可否を決めるより、補助金がなくても回収できる範囲を先に見極め、採択されたら範囲を広げるという順序のほうが、計画が破綻しません。

KPIの置き方

いずれの領域でも、「上書き件数」「手直し件数」を先行指標に置くことを推奨します。これは現場がシステムをどれだけ信頼しているかを表す指標であり、主KPIより早く変化が現れます。上書きが減らないまま在庫が減っている場合、それはシステムの効果ではなく別の要因である可能性を疑うべきです。

まとめ

小売・物流のAI活用では、需要予測の精度そのものより、予測が発注ルールに接続されているかが成果を分けます。あわせて、SKUを販売頻度で区分すること、配送計画には説明と手直しの余地を持たせること、欠品率と在庫金額のどちらを優先するかを先に決めること。この4点を押さえた設計であれば、投資は在庫と配送コストの形で回収できます。

分析の前提となるデータの整備は小売のデータ基盤を作る順序、倉庫側の業務についてはWMS導入の進め方で解説しています。

Pactomでは、現行の発注ルールの可視化から予測モデルの構築、運用設計までを一貫して支援しています。

関連記事

• 需要予測の精度を上げても在庫が減らない理由｜発注ルールと安全在庫の見直し方
• WMS導入の進め方｜倉庫のどの業務から手をつけるか
• 配送ルート最適化を現場に定着させる｜制約条件の集め方と運用設計
• 小売のデータ基盤を作る順序｜POS・会員・在庫を分析できる形にする

参考

• 国土交通省「物流政策」https://www.mlit.go.jp/seisakutokatsu/freight/index.html
• 総務省統計局 https://www.stat.go.jp/
• 独立行政法人情報処理推進機構（IPA）「DXの推進」https://www.ipa.go.jp/digital/dx/index.html