需要予測を行う５つの手法！重要性やポイントをわかりやすく解説

最終更新日:2024/01/26

需要予測の手法を解説

顧客のニーズを正確に捉え、最適なタイミングで最適な製品やサービスを提供するには、精度の高い需要予測が必要不可欠です。適切に需要予測できれば、売上増加やコスト削減だけではなく、顧客満足度の向上にも繋がるでしょう。

特に需要予測に関係のあるマーケティング担当者や、サプライチェーンマネージャー、データサイエンティスト、経営陣の方々などは、需要予測について学ぶことで企業の業績に貢献でき、それが自身の評価にも直結します。積極的に学ぶことで、ビジネスパーソンとしての強みとなるでしょう。しかし、需要予測は一見すると難しい計算式も出てくるため、学習が億劫になる方もいらっしゃるかもしれません。

そこで今回は「需要予測の方法とは？」「どうやったら精度の高い需要予測ができるのか？」という部分に焦点を当て、計算例も交えながら詳しくご説明します。「難しい計算方法は理解できない」といった方でもわかりやすいように説明しているので、ぜひ参考にしてください。

AIソリューションについて詳しく知りたい方はこちらの記事もご覧ください。
AIソリューションの種類と事例を一覧に比較・紹介！

需要予測とは

需要予測とは、自社の提供する製品やサービスに関する「未来の需要」を予測することです。この予測は、仕入れ、生産、販売、設備投資、資金調達などの計画策定における重要な業務の一つとなっています。

しかし、需要予測は経験や慣例に基づいて行われることが多く、誤った判断になりがちです。需要予測の判断ミスは、販売機会の損失や過剰在庫といった問題の原因となり、結果的に企業の利益を損なうことになってしまいます。そのため、販売機会の損失や過剰在庫のリスクを最小化し、企業の利益を最大化するためにも、精度の高い需要予測は欠かせません。

需要予測を行うには、長期間にわたる販売データが必要です。また、市場調査を綿密にすることも、需要予測には重要な業務と言えるでしょう。

例えば回転寿司チェーン店「スシロー」では、各すし皿にICタグを取り付けることで、瞬時に寿司の鮮度や売上状況を把握しています。どの店で、いつどの寿司がレーンに流れ、いつ食べられたか、どのテーブルでいつどの製品が注文されたかといった情報を、毎年10億件以上も蓄積しています。

この膨大なデータを需要予測に活用することで、どの寿司をどの程度の量でレーンに流すべきか、いつどの食材を仕入れればいいのか、といった正確な判断が可能になっています。

需要予測は製品の生産量や仕入れ量を決定するだけでなく、建設計画の策定や新市場への参入判断など、企業活動の様々な場面で利用されています。ビジネスにおいて極めて重要な業務であり、その精度を高めることで、企業の利益が最大化されるのです。

需要予測は何をもとに予測される？

需要予測は以下の項目をもとに予測されます。

• 過去のデータ
• 人的な経験
• 市場調査の結果
• AI・機械学習

過去のデータをもとに予測する

過去の販売実績や顧客行動のパターン、季節的な動向などを分析することで、需要を予測できます。例えば、過去の販売データから製品の人気度や売れ筋の時期、顧客の購入パターンなどを分析することが可能です。これらの情報をもとに、どの製品が「いつ」「誰に」「どこで」「どれだけ」「どうやって」売れるかを予測します。

予測の精度を向上させるには、需要実績だけでなく外部要因のデータも考慮することが重要です。多くの製品やサービスの売上は、天候や為替、景気の良し悪しといった、コントロールできない外部要因に大きな影響を受けます。これらの外部要因データを取り込むことで、需要予測の精度はさらに向上するでしょう。また、市場の変化を見逃さないように、定期的にデータ分析を行い、予測を更新することが重要です。

人的な経験をもとに予測する

人的な経験をもとにした予測は、専門家や担当者が持つ知識、情報、意見を活用して行います。これには、経験や勘に基づく陪審法やデルファイ法などの手法が用いられ、突然の状況変化にも柔軟に対応できる予測方法といえます。

陪審法は、社内の責任者や担当者が集まって討論を行い、その結果をもとに予測を立てる方法です。社内の様々な視点からの意見が反映されるため、より多角的な予測が可能となります。また、社内コンセンサスを得やすいのも大きな特徴です。一方、強い主張に他の参加者が引きずられやすいというデメリットもあります。

デルファイ法は、各担当メンバーが個別に提供した予測値の平均を採用します。そのため、参加者の意見を反映しやすいというメリットがあります。一方、参加者の予測値の平均を計算する必要があるため、取りまとめと確認に時間がかかるというデメリットもあります。

市場調査をもとに予測する

市場に参入する前や、新しい製品・サービスを提供する際には、ターゲットとなる消費者に対してアンケートを行い、その結果をもとに需要予測します。例えば、顧客の購買意欲や製品に対する評価、消費者の属性やライフスタイルなどを調査し、その結果を基に製品の需要を予測します。特に新興市場や新市場での需要予測に役立つでしょう。

ただし、市場調査をもとにした需要予測は人的な調査がメインであるため、ヒューマンエラーが発生したり、集計・分析にコストがかかるというデメリットがあります。

AI・機械学習をもとに予測する

AIや機械学習を用いた需要予測は、過去のデータを活用して未来の需要を予測します。経験や勘に頼った予測よりも高精度な予測が可能です。教師あり機械学習が多く採用され、過去の売上データやその他の影響を及ぼす要素（広告効果、天候、季節性など）と売上との関係性を分析し、これを用いて需要予測を行います。

このようなAIによる需要予測においては、データ数が多いほど予測精度が高まるため、データ収集とその保管が重要となります。ただし、全てのデータを投入するわけではなく、有用なデータのみを精査し、投入することも重要です。

AIを用いた需要予測により、適切な在庫量を予測することが可能です。そのため、在庫過多や在庫切れを防ぐことができます。

需要予測を行う重要性

需要予測は、企業の収益を最大化する上で非常に重要な役割を果たします。適切な需要予測により、機会損失を防ぎ、売上減少を回避することに繋がります。また、過剰在庫による管理コストの増大も防ぐことが可能です。

さらに、需要予測を行うことで得られるデータは、製品やサービスへの事業投資、マーケティング戦略の立案において重要な判断材料となります。これにより、企業は市場の変化に素早く対応し、競争優位性を保つことができるのです。

需要予測を行わないと、具体的には次のような損失が発生してしまいます。

以上のように、需要予測は企業の収益を最大化し、リスクを最小化する上で欠かせない活動です。そのため、正確な需要予測を行うためのデータ分析の重要性が高まっています。

需要予測を行う5つの手法

需要予測を行う５つの手法は以下の通りです。

算術平均法

算術平均法とは、いわゆる一般的な「平均」のことを指します。複数の数値を平均して1つの数値とみなし、予測値を算出する手法です。単純な計算方法のため理解しやすく、使用するデータに誤差がある場合でもおおよその予測ができるという特徴があります。

「おおよその予測をする」という特性上、需要予測に使用する際には、「将来も数値が不規則な変動を続ける」と仮定して需要を予測します。そのため、大きな誤差が出る可能性を考慮しておくことが重要です。算術平均法を用いる場合、「詳細な需要予測は難しい」という点には注意しましょう。

移動平均法

移動平均法は、過去の一定期間のデータの平均値を用いて需要を予測する方法です。計算方法としては、過去の特定期間（例えば、過去3ヶ月のデータなど）のデータを抽出し、それらの平均値を算出します。この平均値が、その次の期間の予測値となります。そして新しいデータが得られるたびに、最も古いデータを除去し、新しいデータを含めて平均を再計算します。

例えば、ある飲食店の過去3ヶ月の売上をもとに移動平均法で売上予測する場合を考えてみましょう。1月〜3月は以下のような売上だったとします。

1月： 300万円
2月： 340万円
3月： 290万円

このデータを用いて4月の売上を予測する場合、移動平均法を用いると以下のようになります。

(300万円 + 340万円 + 290万円) ÷ 3 = 310万円

したがって、移動平均法による4月の売上予測値は310万円となります。

もし5月の売上を予測する場合は、1月の売上データは計算から除去し、4月の売上データを追加し、2月、3月、4月の売上をもとに計算を行います。同様に、6月の売上を予測する場合は、2月の売上データは除去し、5月の売上データを追加し、3月、4月、5月の売上をもとに計算を行います。

上記の表のように「時間が経過するごとに参照するデータが移動する」ことから「移動」平均法と呼ばれています。今回は3ヶ月ごとの売上を参照する例として解説しましたが、参照する期間は4ヶ月ごと、半年ごと、1年ごとなど目的に応じて設定しましょう。

この手法は理解しやすい反面、市場動向や季節の変動など、一定のパターンを持たない変化が発生した場合、不適切な予測になる可能性があります。また、適切な期間設定の判断も難しく、期間が短すぎるとノイズの影響を大きく受け、長すぎると市場動向への対応が遅れてしまう可能性があります。

指数平滑法

指数平滑法は、過去の実績値と予測値を用いて、需要を予測する手法です。具体的な予測の計算方法は以下の通りです。

予測値 = α × 前回実績値 + (1 – α) × 前回予測値

ここで用いるαは「平滑化定数」と呼ばれ、1に近いほど直前の実績を重視した予測ができ、逆に0に近いほど過去データの傾向を重視した予測が可能です。

例として次のような飲食店の月毎の売上データを考えてみましょう。

1月：100万円
2月：110万円
3月：108万円
4月：115万円
5月：112万円
6月：120万円
7月：125万円
8月：122万円

指数平滑法を用いて9月の売上を予測します。ここでは、平滑化定数を0.2とします。

1月から2月への予測を初めに行う場合、一つ前の予測値が存在しないので、1月の売上をそのまま2月売上の予測値とします。つまり、2月の予測値は100万円になります。次に2月から3月への予測を行います。

予測値 = 0.2 ×110万円（2月売上実績） + (1 – 0.2) × 100万円（2月売上予測値） = 102万円

このように計算を続けると、結果は以下のようになります。

このように、指数平滑法は過去の実績値と予測値を用いて、需要を予測する手法です。

指数平滑法は、平滑化定数αの値を適切に設定する必要があり、誤った設定は予測の精度を落とします。また、過去データのパターンのみを考慮するため、市場の変化、政策の変更、技術の進化などの外部要因を予測に組み入れることは困難です。これらの要素を考慮したい場合は、他の予測手法を検討しましょう。

回帰分析法

回帰分析法は、売上に影響を与えると予測される複数の変数（例えば、時間や販売数量など）の因果関係を解析する統計手法で、その関係を直線の形（Y = a + bX）で表します。特に、因果関係にある変数が1つの場合を単回帰分析、複数の場合を重回帰分析と呼びます。

回帰分析法を用いて広告費用と売上の関係性などを数値化して分析することで、効果的な予測を立てることが可能です。例えば、ある飲食店が過去5ヶ月の広告費とその月の売上が以下のようになったとします。

1ヶ月目：広告費0万円、売上100万円
2ヶ月目：広告費5万円、売上120万円
3ヶ月目：広告費10万円、売上140万円
4ヶ月目：広告費15万円、売上160万円
5ヶ月目：広告費20万円、売上180万円

上記のデータを見ると、広告費が5万円増えるごとに売上が20万円増えていることがわかります。したがって、回帰モデルの傾きaは「20÷5=4」、切片bは広告費が0のときの売上なので、この場合100万円となります。

したがって、広告費をxとした時の売上をyとすると、この線形回帰モデルは以下のようになります。

y = 4x + 100

この式をもとに計算をすると、広告費を30万円にした場合の売上は220万円になると予測できます。
このように回帰分析法を用いると、変数間の因果関係をもとに需要を予測することが可能です。ただし、十分なデータが集められない場合、間違った予測をしてしまう可能性が高いです。

加重移動平均法

加重移動平均法は移動平均法の一種であり、各期間の売上量などのデータに、特定の加重係数を掛け合わせて算出します。ただし、この方法は移動平均法とは異なり、新しいデータへの影響をより大きく反映するように設計されています。

具体的な算出方法は以下のとおりです。

加重移動平均 = 重み付き計算値の合計 ÷ 重みの合計

この計算では、新しいデータに対しては大きな加重係数を、古いデータに対しては小さな加重係数を掛けることで、最新の需要変動をより強く反映させます。

例えば、過去4ヶ月の売上データが以下のように与えられているとします。

4ヶ月前の売上：100万円
3ヶ月前の売上：110万円
2ヶ月前の売上：108万円
1ヶ月前の売上：115万円

この場合、加重移動平均を計算するには、各月の売上に対する重みを決める必要があります。一般的には、より新しいデータにより大きな重みを付けます。以下では、それぞれの重みを1, 2, 3, 4とします（4が最新の売上に対応）。

4ヶ月前の売上：100万円　→　重み付け1
3ヶ月前の売上：110万円　→　重み付け2
2ヶ月前の売上：108万円　→　重み付け3
1ヶ月前の売上：115万円　→　重み付け4

この場合、「重み付き売上の合計」と「重みの合計」は以下のように計算します。

重み付き売上の合計 = (100万円 x 1) + (110万円 x 2) + (108万円 x 3) + (115万円 x 4)
重みの合計 = 1 + 2 + 3 + 4

それぞれの計算結果は以下のようになります。

重み付き売上の合計 1104万円 = (100 x 1) + (110 x 2) + (108 x 3) + (115 x 4) = 100 + 220 + 324 + 460
重みの合計 10 = 1 + 2 + 3 + 4

したがって加重移動平均は以下の通りとなります。

110.4万円（加重移動平均） = 1104万円（重み付き計算値の合計） ÷ 10（重みの合計）

そのため110.4万円という値を、売上予測の一つの指標として考えることができます。

加重移動平均法は、データの変動が大きく、最新のデータが特に重要となるような場合に効果的です。ただし、適切な加重係数を設定するには、専門的な知識や経験が必要です。また、加重移動平均法は過去のデータに依存しているため、予測対象となる需要が過去データと大きく異なる場合、予測の精度が低下します。

需要予測を行う際のポイント

需要予測を行う際のポイントは以下の通りです。

• 過去データを用いて誤差をなくす
• 元になるデータの質と量を担保する
• 実績値をもとに比較・分析する

精度の高い需要予測をする上で非常に重要なポイントをまとめたので、ぜひ参考にしてください。

過去データを用いて誤差をなくす

需要予測を行う際、「過去データを用いて誤差をなくす」ことは基本中の基本です。過去データは確定した情報であり、信頼性の高い情報でもあります。そのデータに基づいた予測をすることで、精度を向上させることが可能です。自社に蓄積されたデータは宝の山です。ぜひそのデータを活用しましょう。

元になるデータの質と量を担保する

需要予測の精度を高めるには、分析に必要な要素を含む質の高いデータを大量に集め、そのデータを元に需要予測を行う必要があります。特に、長期間にわたるデータを用いることができれば、より精度の高い予測が可能となるでしょう。そのためにも日頃から、データ蓄積やデータ整理に力を入れることが重要です。可能であれば、BIツールや自社システムなどを活用し、自動でデータが蓄積・整理されるような仕組みを整えましょう。

もし分析に必要な要素が含まれていないデータを用いると、需要予測の精度は下がってしまいます。例えば、「参考にできるデータが少ない」「入力ミスや測定ミスによりデータの精度が低い」「重複したデータが含まれている」などといった状況だと、精度の高い需要予測はできません。

実績値をもとに比較・分析する

予測値と実際の結果（実績値）を比較し、予測が実際の需要とどれくらい乖離していたか、またその原因は何だったのかを分析することも大切です。需要予測は「あくまでも予測」であり、その結果が必ずしも実際の需要と一致するわけではありません。

PDCAサイクルの中でも、C（検証）が疎かになるとA（改善）ができないように、需要予測でも予測と実績の比較・分析をしなければ、需要予測の精度は向上しません。予測と実績の間に隔たりがあった場合でも、その原因を分析し理解することで、次回の予測の精度を向上させることが可能になります。

まとめ

需要予測は企業の製品やサービスの将来における需要を推定し、生産、販売、投資計画に影響を与える重要な業務です。過去の販売データを分析し、市場調査結果やAI・機械学習を活用することで、精度の高い需要予測を目指していきましょう。もしそれが実現できれば、企業の収益を最大化でき、リスクを最小化することも可能になります。

逆に、不適切な需要予測は供給不足や過剰在庫、マーケティング戦略の失敗など、企業にとって深刻な問題を引き起こします。そのため、経験や勘に頼りすぎた安易な予測は禁物です。ぜひ状況に合わせ、算術平均法、移動平均法、指数平滑法、回帰分析法、加重移動平均法などの中から、最適な手法を選び実践してみてください。

たとえ予測値の精度が低かったとしても、分析手法や参照データの改善を繰り返せば、改善する可能性は大きいです。粘り強さを大切にしながら、需要予測にチャレンジしてみてください。

需要予測のサービス一覧を見る

AIの活用事例について詳しく知りたい方はこちらの記事もご覧ください。
AI・人工知能の利用例を解説！機械学習を活用した身の回りの実用例

AIsmiley編集部

株式会社アイスマイリーが運営するAIポータルメディア「AIsmiley」は、AIの専門家によるコンテンツ配信とプロダクト紹介を行うWebメディアです。AI資格を保有した編集部がDX推進の事例や人工知能ソリューションの活用方法、ニュース、トレンド情報を発信しています。

・Facebookでも発信しています
@AIsmiley.inc
・Xもフォローください
@AIsmiley_inc