在庫の「積みすぎ・欠品」はどこから来るか
多品種少量の製造業では、品番ごとに在庫量を調整する判断が常に必要です。「先月は余った、今月は足りなかった」が繰り返す場合、多くは需要予測の精度が問題の根にあります。
前年同月の実績をそのまま流用する。担当者の経験則で補正する。こうした運用でも業務は回りますが、季節変動・受注の偏り・突発的な需要増には対応しきれません。積みすぎれば資金と保管スペースを圧迫し、欠品は機会損失と顧客への迷惑に直結します。
需要予測にAIを使う目的は「全自動化」ではありません。担当者が経験と勘だけで判断している部分を、データに基づく予測値に置き換えることです。
従来の需要予測とAI支援型の違い
従来の需要予測は、前年実績や担当者の経験・勘を中心に組み立てられます。この方式では、担当者の異動・退職で精度が落ちやすく、取り扱い品番が増えるほど手作業の分析が追いつかなくなります。
AI支援型では、過去の販売実績・受注データ・季節変動のパターンをAIが解析し、予測値を算出します。担当者はその予測値を確認・調整する形で判断を下します。判断の「最後の一手」は人が握ったまま、情報処理の部分をAIに任せる構造です。
ただし精度が上がるかどうかは、データの量・質によって変わります。データが不十分な状態でAIを使っても効果は限定的です。まずデータが使える状態かを確認することが、AI導入の前提条件です。
AI需要予測の基本的な流れ
AI需要予測は大きく4つのステップで動きます。
ステップ1 データを整える
販売実績・受注データが電子的に蓄積されていることが前提です。ExcelやERPから出力できるデータで構いません。この段階で「データが存在しない」「散在していて集計できない」が判明するケースがあります。その場合はデータ整備が最初の仕事です。
ステップ2 AIが予測値を出す
整えたデータをもとに、AIが品番ごと・期間ごとの需要予測値を算出します。クラウド型の需要予測ツールでは、CSVをアップロードするだけで予測値が出る製品も増えています。
ステップ3 担当者が確認・調整する
AIの予測値は、特定の受注情報や経営判断を考慮していません。「来月から新規顧客の大口注文がある」「季節的に需要が上がる時期が近い」といった判断は、現場の担当者が加えます。AIの予測値はあくまで「たたき台」として使います。
ステップ4 生産計画・発注に反映する
調整済みの予測値を、生産数量の決定・材料の発注量・在庫補充のタイミング判断に使います。ここまで来て初めて、現場の行動が変わります。
中小製造業が現実的に始められる入口
経済産業省は、需要予測AIの導入工程を中小企業向けに整理した「需要予測AI活用ガイドブック」を公開しています。企画段階での活用対象の絞り方から、現場での運用定着まで、工程ごとの留意点が示されています。このガイドブックは、需要予測AIを導入した中小企業へのヒアリングをもとに作成されており、在庫管理・受発注の改善を検討している製造業の参考になります。
参考: 需要予測AI活用ガイドブック（経済産業省）
中小製造業が手をつける入口として現実的なのは、全品番ではなく「在庫過多・欠品が繰り返している品番を10〜20品番に絞り、その販売実績データを1〜2年分まとめることから始める」方法です。全品番のデータ整備は大仕事ですが、問題が明確な品番だけを対象にすれば、最初のパイロットとして十分機能します。
データが整っていれば、クラウド型の需要予測ツールにデータを投入し、予測値を確認するサイクルを1か月程度で回すことができます。
「精度の向上」より「判断の根拠」を変える
需要予測にAIを入れる本質的な価値は、担当者の経験や勘を排除することではありません。データに基づく判断の材料を増やし、経験や勘を「AIが算出した予測値を調整するために使う」形に変えることです。
在庫の積みすぎ・欠品が繰り返す現場では、まず「何を変えたか」を追跡できる状態を作ることが先決です。AIの予測値を使うことで、判断の根拠を記録に残せます。これが現場改善のサイクルを回す条件になります。
現場の状況から一緒に整理します
私たちは、長野・諏訪・岡谷の製造業を対象に、需要予測や在庫管理の業務にAIを活用するための相談を受けています。「自社のデータがAIに使える状態かどうか分からない」という段階でも、現状を確認し、次の一手を具体的に示します。効果が見込めない場合は、その旨をはっきりお伝えします。