エグゼクティブ・サマリー
- 欠品ロスと値引きロスは、同じ「需要予測の誤差」という一つの根から生えている表裏の問題である。 発注担当者が欠品を恐れて多めに仕入れれば値引きロスが増え、値引きを恐れて絞れば欠品が増える。この二律背反を個人の勘と経験で調整し続けている限り、どちらかの損失は必ず残る。
- 多くの小売企業の発注は、いまだに「先週の実績＋担当者の勘」で決まっている。 天候・催事・競合施策・SNSでの言及といった需要変動要因がモデルに組み込まれておらず、需要予測と呼べる水準に達していないケースが大半である。
- 需要予測の精度改善は、最新のAIアルゴリズムよりも「特徴量設計」と「データ粒度」に9割依存する。 高度なモデルを導入しても、日次・店舗別・SKU別の粒度で需要要因を捉えられていなければ精度は頭打ちになる。
- 自動発注は「発注を機械に任せる」ことではなく「発注の意思決定ロジックを言語化し、例外だけ人が判断する」仕組みである。 全自動を急ぐと現場の信頼を失い、形骸化する。
- 欠品率・廃棄率・在庫回転率の改善は、粗利率とキャッシュフローに直接効いてくる経営レバーである。 在庫は貸借対照表上の資産である一方、動かない在庫はキャッシュを固定化する負債的性質を併せ持つ。
1. なぜ「勘と経験」の発注では限界が来るのか
小売業における需要予測と在庫最適化は、地味に見えて実は経営インパクトの大きいテーマである。欠品（機会損失）と過剰在庫（値引き・廃棄ロス）は、小売業の粗利を静かに、しかし確実に蝕んでいく。欠品は「売れたはずの売上」を消し、過剰在庫は「仕入れたコストに対して回収できない粗利」を生む。どちらも損益計算書には直接「需要予測の失敗」という科目では現れないため、経営会議で本質的な議論にならないまま放置されがちな問題である。
多くの小売企業の発注業務は、いまだにベテラン担当者の経験と勘に大きく依存している。「先週はこれくらい売れたから、今週も同じくらい発注しよう」「去年のこの時期はこうだったから」という経験則ベースの判断は、需要が安定している定番商品にはある程度機能する。しかし、天候の急変、近隣での催事やイベント、競合店の値引き施策、SNSでのバズ、テレビでの紹介といった需要変動要因が絡むと、経験則は簡単に外れる。しかもこの経験は担当者個人に蓄積される暗黙知であり、異動や退職とともに失われる。属人化した発注業務は、需要予測の精度という観点でも、事業継続性という観点でも脆弱である。
問題をさらに複雑にしているのが、欠品と値引きロスが構造的にトレードオフの関係にあるという点である。発注担当者が欠品による販売機会の喪失とクレームを恐れれば、自然と発注量は多めに寄っていく。逆に、値引き処分や廃棄による原価ロスと上司からの指摘を恐れれば、発注量は控えめに寄っていく。個人の心理的な安全策が、そのまま在庫政策になってしまっているケースは非常に多い。この状態では、担当者がどちらのリスクをより強く恐れているかによって在庫水準が決まり、需要そのものとは無関係に発注量が振れる。結果として、欠品率と値引き率のどちらかが常に高止まりし、両方を同時に改善する余地が構造的に生まれない。
この二律背反を打破する鍵が、需要予測の精度向上と、その予測を発注ロジックに接続する自動化の仕組みである。需要予測AIは、過去の販売実績だけでなく、天候・曜日・催事・価格施策・季節性・トレンドといった複数の変動要因を統計的・機械学習的に組み合わせ、SKU単位・店舗単位・日単位で「今後どれだけ売れるか」を確率分布として算出する。重要なのは、これが単一の数値（点予測）ではなく、上振れ・下振れの幅を含んだ確率的な見積もりであるという点だ。この確率分布を発注ロジックに組み込むことで、欠品リスクと過剰在庫リスクのバランスを、感覚ではなくデータに基づいて意図的にコントロールできるようになる。
もう一点、見落とされがちな論点がある。需要予測と在庫最適化への投資は、単に発注業務の効率化にとどまらない。在庫は貸借対照表上では資産として計上されるが、実態としては「将来の販売見込みに賭けた前払いのキャッシュ」である。売れない在庫は倉庫や店舗のスペースを占有し、キャッシュフローを固定化し、資金繰りを圧迫する。在庫回転率の改善は、粗利率の改善と並んで、事業のキャッシュ創出力そのものを引き上げる経営レバーなのである。特に多店舗展開する小売業においては、店舗間での在庫の偏在（ある店では欠品、別の店では過剰在庫）が同時多発的に起きており、全社的な在庫配置の最適化には、個店の発注改善以上のインパクトが眠っていることも多い。
以降のセクションでは、①需要予測モデルの設計、②自動発注ロジックの構築、③在庫配置と店舗間移動の最適化、④欠品と値引きロスの数理、⑤組織・実装ロードマップという順で、実務に落とし込める粒度まで踏み込んで解説する。