需要予測の前に、受注データを整えるべき理由

AIは、存在しないデータまでは予測できない

製造業や卸売業で、よく聞くテーマです。

販売実績や出荷実績から将来の需要を予測し、在庫を減らす。

欠品を防ぐ。

発注量を最適化する。

AIが活躍しやすそうなテーマに見えます。

しかし、需要予測を始める前に確認したいことがあります。

予測に使うデータは、本当に揃っているでしょうか。

需要予測に必要なデータは何か

需要予測では、過去の販売実績だけを見ればよいとは限りません。

たとえば、次のような情報が需要の背景を理解する材料になります。

• 受注日、希望納期、実際の出荷日
• 商品コード、商品カテゴリ、数量、得意先
• 欠品、キャンセル、納期変更
• 特売、季節要因、曜日、大口注文
• 調達や製造に必要なリードタイム

すべての企業ですべての項目が必須ということではありません。商品別の発注量を予測するのか、拠点別の在庫を見直すのか、製造計画へ使うのかによって必要なデータは変わります。まず「何を予測し、誰がどの判断に使うのか」を決めることが重要です。

ところが現場を確認すると、

FAX注文は紙のまま。

メール注文は担当者の受信箱。

電話注文は手書きメモ。

WEB注文だけはデータ化されている。

最終的な売上情報は基幹システムにある。

というように情報が分散していることがあります。

在庫は基幹システム、欠品理由は担当者の記憶、発注計画はExcelという分断もあります。この状態でAI需要予測だけを導入しても、AIが見られるのは一部のデータに限られます。注文チャネルの整理は「FAX・メール・WEB注文を残したまま受注データをまとめる考え方」で詳しく解説しています。

売上データだけでは、本当の需要が見えないことがある

もう一つ注意したいのが、

「売れた数量」と「欲しかった数量」は違う場合があることです。

例えば在庫が10個しかなく、顧客が20個注文したとします。

実際に売上として記録されるのが10個だけなら、データ上は需要も10個に見えます。

しかし本当の需要は20個でした。

欠品によって失われた需要が記録されていなければ、過去の売上だけを使った予測では、その差を知ることができません。欠品で受注できなかった、一部数量しか出荷できなかった、顧客が別商品へ変更した、納期が合わずキャンセルされたといった理由も同様です。

これらの情報が残っていない場合、AIは「需要がなかった」のか、「需要はあったが供給や納期の事情で売上にならなかった」のかを区別しにくくなります。実績と需要は必ずしも同じではありません。

だからこそ、

予測モデルを考える前に、業務上どのデータを残すべきかを考える必要があります。

受注から出荷までデータをつなぐ

理想は、注文が入った時点からデータがつながっている状態です。

この流れを追えるようになると、

「何が注文されたか」

「何が出荷できたか」

「何が欠品したか」

を区別できます。

さらに、得意先別・商品別・曜日別・季節別などの分析もしやすくなります。それぞれの情報が別システムにあっても、同じ注文番号、商品コード、得意先コードなどで追えることが重要です。

ここまで整って初めて、AIによる予測を業務で活用する土台ができます。

データ整備は、表記を揃えるだけではない

「データ整備」という言葉から、Excelの表記を統一する作業を想像するかもしれません。

もちろん、それも必要です。

しかし本当に重要なのは、

どの業務の、どの時点の情報を残すか

を決めることです。

例えば、

商品コードが統一されているか。

得意先コードが揃っているか。

受注日と出荷日を区別できるか。

欠品理由を残しているか。

キャンセルを識別できるか。

特殊な大口注文を識別できるか。

単位や荷姿を区別できるか、商品・得意先マスタが更新されているかも確認します。「ABC100」「ABC-100」「商品A」が同じ商品なのか別商品なのかを判断できなければ、商品別の需要を正しく集計できません。

AIですべての表記を自動修正するのではなく、正本となるマスタ、変換ルール、人が確認する条件を決めます。こうした業務上の意味まで揃って初めて、データは分析に使えるようになります。

需要予測を始める前に確認したい6項目

需要予測を検討するとき、最初からAIモデルを選ぶ必要はありません。まず現場のデータが生まれる場所と使われ方を、次の6項目で確認します。

1. 注文データはどこにあるか：紙、メール、WEB、基幹システム、Excelなどの所在を洗い出します。
2. 商品コードは統一されているか：同一商品を同じ単位で追えるか確認します。
3. 受注と出荷を区別できるか：注文された数量と実際に出荷した数量を分けて残します。
4. 欠品・キャンセルを残しているか：売上にならなかった理由を注文へ結びつけます。
5. 在庫データと接続できるか：在庫時点、引当、入荷予定、リードタイムを確認します。
6. 予測結果を誰がどう使うか：発注、生産、在庫移動など、判断と責任者を決めます。

この流れを書き出すだけでも、データの欠落箇所と、先に整えるべき業務が見えてきます。

需要予測で見るべきKPIは、予測精度だけではない

需要予測では予測精度が注目されますが、商品、データ量、季節性、市場変動、欠品、外部要因によって結果は変わります。根拠のない一律の精度目標だけで成果を判断することはできません。

• 在庫金額と在庫回転
• 欠品件数と過剰在庫
• 廃棄や滞留在庫
• 発注担当者の判断時間
• 緊急発注の件数
• 計画変更の回数

AIの数字だけではなく、現場の在庫・発注業務が改善したかを見ることが重要です。

需要予測は、データ整備の「次」にある

AIによる需要予測そのものは、非常に有効な技術です。

ただし、

データが分散している。

入力方法がばらばら。

欠品やキャンセルが残っていない。

商品コードが統一されていない。

という状態では、まずそこを整える必要があります。

需要予測から始めるのではなく、

需要予測ができる業務基盤を作る。

その順番の方が、結果としてAIを現場で活かしやすくなります。

スペリオルでは、AIモデルだけではなく、注文・受注・在庫・発注までの業務全体を見ながら、どこからデータを整えるべきかを整理しています。

製造業で予測結果を生産計画へつなぐ際は「生産管理をAI化する前に現場データをつなぐ考え方」もあわせてご覧ください。