需要予測とは？種類や手法・課題・精度を上げるAIの導入メリット・事例を紹介

最終更新日:2023/08/24

需要予測AIのメリットや導入事例

近年は消費者のニーズが多様化しており、これまでのような大量生産ではなく多品種少ロットでの生産が求められるようになりました。しかし、この多品種少ロットでの生産は決して簡単なものではありません。それは需要の予測を見誤ってしまうと、在庫過剰を引き起こしてしまうからですが、実際にも需要予測のミスが原因となり、在庫の保管や廃棄ロスによって利益が圧迫する問題も少なくありません。

このような事態を避けるべく、最近ではAI（人工知能）を活用した需要予測によって適切な生産量を維持するという事例が多くなってきています。では、具体的にどのような方法で需要予測が行われているのでしょうか。また、AIを活用した需要予測は、どのような業界で活用されているのでしょうか。

今回は、需要予測の意味や活用事例について詳しくご紹介していきますので、ぜひ参考にしてみてください。

AIソリューションについて詳しく知りたい方は以下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！

需要予測のサービス・企業の一覧

需要予測とは？

需要予測とは、ある商品の売上量を短期的もしくは長期的に予想することをいいます。製造する量や発注量は、この需要予測に従って決めていきます。ただし、モノが売れるにはさまざまな要因が絡み合うため、予想するのは簡単ではありませんでした。昨今はこうした課題を解決すべく、これまで担当者が積み重ねた経験や勘に頼りがちだった需要予測をAI・人工知能で自動化するシステムが登場し、精度を高めています。

需要予測の目的

需要予測の主な目的は、市場競争において優位に立つことです。さまざまな商品・サービスが存在する市場においては、競合との差別化は容易ではありません。そこで近年重要視されているのが、需要予測です。

需要予測によって在庫過多や在庫切れを避けることで、利益の最大化が見込めます。そして得た利益を新たなマーケティング施策に投じることで、事業規模の拡大を狙うケースが増えているのです。

需要予測の種類

需要予測には、主に以下の4つの方法があります。

• データを用いた統計的予測
• 経験や勘に基づく予測
• 市場調査に基づく予測
• 機械学習に基づく予測

上記の中で現在多く用いられているのは、「データを用いた統計的予測」です。ただし、AIのビジネス活用が増えている現状を踏まえると、今後は「機械学習に基づく予測」が重視されると考えられます。

データを用いた統計的予測

データを用いた統計的予測とは、需要の変遷や過去の売り上げ実績などのデータをもとに将来の売り上げの予測を立てる方法です。現在多く利用されている方法であり、担当者による予測精度の違いが発生しない点は優れているといえます。しかし、過去の状況と現在の状況に大きな違いがある場合、過去のデータからは正確な予測を立てられない点には、注意が必要です。予測精度の確認や予測モデルの定期的な見直しなどは、データによる予測に欠かせないといえます。

経験や勘に基づく予測

需要予測の方法としては、経験や勘に基づく予測も挙げられます。これは、担当者が培ってきた経験と勘を頼りにニーズを予測する方法です。経験豊富な担当者であれば、正確な予測ができることもあるでしょう。しかし、このままでは、特定の担当者でなければ予測ができません。担当者が異動や休職などによって不在になれば、これまでと同様には需要予測ができなくなってしまいます。そのため近年では、データやその他の方法を利用して需要予測を行うことが一般的です。

市場調査に基づく予測

市場調査に基づく予測も、需要予測方法の1つです。現在の市場を調査し、収集したデータを予測に役立てます。具体的な手法としては、類似商品・サービスの売上やその他の状況を調査したり、ターゲットユーザーにアンケートを取ったりすることが挙げられます。一定の精度は期待できますが、データの収集にはコストがかかる点には注意が必要です。そのため事前計画をしっかりと立てて、コストについて把握したうえで実施することが求められるでしょう。

機械学習に基づく予測

機械学習とは、コンピューターにデータ予測のルールを学習させることを指します。AIによって企業が持つ膨大な量のデータを活かすことで、高精度の予測を実現可能です。ただし機械学習をするには、まず人が「教師データ」と呼ばれる学習用のデータを用意しなくてはいけません。また、学習をするほど良いわけではなく、学習をしすぎると「過学習」と呼ばれる精度が低くなる状態になる点も理解しておきましょう。

需要予測の手法

需要予測には、さまざまな手法が存在します。代表的なものとしては、「移動平均法」「指数平滑法（しすうへいかつほう）」「回帰分析法」「加重移動平均法」などが挙げられるでしょう。それぞれの特徴をご紹介していきます。

移動平均法

移動平均法は、過去の売上の移動平均を算出して将来を予測していく手法です。移動平均法によって平均単価を算出する場合は、以下のような計算式になります。

以下の取引を例にして、移動平均法の使用方法を解説します。

移動平均法は、棚卸資産の入庫のたびに平均原価を計算する手法です。
まず、4月10日時点で仕入れを行った時点の各項目の数値は、以下の通りです。

そして計算式に上記の数字を当てはめて平均原価を計算すると、以下の通りです。

上記のように、仕入れを行うたびに平均原価を算出します。

指数平滑方

指数平滑法は、前期の実績と前期の予測をもとに、今月の予測を求めていく手法です。計算方法としては、以下のようになります。

なお、aは「前期の実績が前期の予測からどの程度離れていたか」を調整する「平滑化係数」です。
平滑化係数は「0＜a＜1」の範囲で設定し、設定によって予測が以下のように変化します。

• 0に近い：過去の経過を重視
• 1に近い：直前の実績を重視

指数平滑法では、以下のように予測を行います。

例えば、「2023/1」時点で「2023/2」の予測を立てる際に、予測値を「a=0.2」として行う計算は、以下の通りです。

回帰分析法

回帰分析法は、因果関係があると考えられる変数間の関係を、Y = a + bX といった直線の形で記述していく統計手法です。販売実績を折れ線グラフにしたものから数値同士の関係性を算出し、直線の式「Y = a + bX」を導き出します。

たとえば下記表から、回帰分析で「2023/7」の販売数を予想してみましょう。

回帰分析を行うために、表から下記のようにグラフを作成します。

そして販売実績の折れ線から導き出された直線の式「Y = a + bX」を示すのが、以下の点線で書きこんでいる直線です。

上記例の場合、販売実績から「Y=482+10.857x」（a=482,b=10.587）の直線が導き出されました。そして上記式から「2023/7」の販売数を予想する計算式は、以下の通りです。

つまり回帰分析法によると、上記ケースにおける「2023/7」の販売予測はおよそ558程度だといえます。

加重移動平均法

加重移動平均法は、移動平均法で算出された値に、期間ごとの情報をプラスした手法です。各月の販売数量に、加重係数をかけ合わせて算出します。

具体的な算出式は、以下の通りです。

「加重係数」は直近のデータに関してより大きく設定することで、直近データを重視した数値になります。以下の販売データから、加重移動平均を計算してみましょう。

ここでは、直近の数値の加重係数を10、その1か月前の加重係数を9……と減らしていきます。
たとえば、7月までの販売数を元に加重移動平均を導き出す計算方法は、以下の通りです。

つまり、加重移動平均法によって7月時点で次月の販売予測をするのであれば、6本程度と考えられるでしょう。

需要予測に必要なデータ

需要予測には、データの収集が欠かせません。これまで紹介した在庫数や販売実績などの内部要因の他に、天気や曜日、競合の動向などの外部要因もデータとして必要です。以下の表で、需要予測に必要とされる主なデータの項目を整理します。

商品・サービスの売れ行きは、自社だけではコントロールできない外部要因にも大きく影響を受けます。上記のような要素を加味することで、より正確な予測が可能です。

需要予測の課題

需要予測を行う上で発生しがちな課題としては、「売上予測の精度が上がらない（悪い）」「需要予測業務が属人化してしまう」「生産品目が多すぎる」といったものが挙げられます。

売上予測の精度が上がらない（悪い）

営業職にありがちな課題として挙げられるのが、売上予測の精度が上がらない（悪い）というものです。たとえば営業は、ビジネスチャンスのロスを避けたがる傾向にあり、生産や在庫確保にゆとりを求めたがるケースが多くなります。また、目標達成の数値が設定されているため、どうしても目標に即した過剰な数値となってしまいがちなのです。しかし、このような背景がある以上は適切な需要予測とはいえず、あくまでも営業目標となってしまいます。

より高い精度の売上予測を実現するためにも、需要予測や需要予測システムの重要性について、社内でしっかりと共有することが大切です。

需要予測業務の属人化

需要予測には専門的な知識・ノウハウが求められるため、どうしても属人化してしまいがちです。既存の担当者がベテランの場合、退職によって需要予測業務が完全にストップしてしまう可能性もあります。

新人に需要予測業務を継承するのが難しい点は、需要予測における大きな課題のひとつといえるでしょう。

生産品目が多すぎる

企業によっては、需給調整部門が営業の売上予測を受け取り、需要予測を立案しているというケースもあります。この場合、営業の売上予測は参考データとなるわけです。営業の売上予測を生産側で精査していくわけですが、その予測はおおまかなものであるケースも珍しくありません。先ほどもご紹介したように、営業はビジネスチャンスのロスを防ぐため目標に即した数値を算出することがあるためです。

こういった曖昧な売上予測の場合、ここの製品に落とし込むのに時間がかかってしまいます。扱う生産品目が少なければ問題ありませんが、生産品目が多くなると同じ精度で生産計画を立てることが困難になってしまうのです。

そのため、膨大な生産品目の正確な需要予測は、担当者にとって非常に大きな負担となってしまいます。

需要予測AIとは

需要予測AIとは、売上情報や顧客の購買履歴など、自社が蓄積したさまざまな情報をAIが自動的に分析し、将来的な需要を予測するシステムのことです。

一般的には、投入できるデータ数が多いほど予測精度の高いデータが得られるため、需要予測AIを活用する場合は、日頃からデータを収集・保管しておくことが大切です。ただし、やみくもに全てのデータを投入すれば良いというものではなく、投入前のデータを十分に精査し、需要予測にとって有用なデータのみを絞り込むことも大切です。

需要予測AIの導入メリット

需要予測AIを導入した場合、さまざまなメリットを得ることができます。ここからは、需要予測AIによって得られるメリットについて詳しくみていきましょう。

需要予測AIのメリット

• 高精度かつ多目的変数にも対応できる
• 業務効率化を実現できる
• 在庫量を最適化できる
• データドリブンに基づいた経営を実現できる

AIを活用することで、高精度かつ多目的変数にも対応した予測が可能です。膨大なデータをもとに判断するため、従業員の経験や勘に頼らず幅広い場面で正確な予測を行えます。需要予測の作業をAIが担えば、従業員が別の業務に集中できることから業務効率化にもつながるでしょう。

また、正確な予測は在庫の最適化につながります。不要な在庫を抱えないことで、倉庫や冷蔵庫などの保管場所の面積の削減にもつながるはずです。さらにAIの活用によって、データを基にした意思決定をできるようになります。データに裏付けされた選択を行えることから、成果につながる可能性も高まっていくと考えられます。

需要予測AIのデメリット

需要予測AIのデメリットとしては、主に以下が挙げられます。

需要予測AIのデメリット

• 一定以上のデータが必要
• 想定外の事態には対応できない

AIに需要予測を任せるためには、一定以上のデータが必要です。AIによる予測の精度は、相関性の高いデータを学習することで上がっていきます。データ自体の精度や入手タイミングも精度に影響するため、AIを導入すれば即精度の高い予測ができるわけではありません。また、AIはあくまでも過去のデータを基にして判断するため、データにない想定外の事態が発生した場合、対応できないこともあります。AIが実態とかけ離れた判断をした場合、現状とAIの判断の関係性を理解できる人材が判断に介入する必要があるでしょう。

AI需要予測モデル構築の流れ

モデル構築の流れ

1. 導入範囲の決定
2. 導入費用の見積り
3. データ収集
4. モデル構築
5. PoC検証
6. 導入・運用

まず導入範囲を決定し、費用の見積もりを行います。見積もりを終えたら、AIの活用に欠かせないデータ収集を行い、AIに学習させることが必要です。データ収集後はモデルを構築し、PoC検証によって需要予測AIの実現性やコスト、具体性などをチェックしましょう。そしてPoC検証によって一定の確認が取れたら、導入・運用へと進んでいく流れです。現場に導入した後も、必要に応じて再学習を行うことも求められるでしょう。

需要予測AIの導入事例

需要予測AIは、すでにさまざまな業界で導入され始めています。実際にどのような業界で需要予測AIが導入されているのか、その事例をいくつかみていきましょう。

食品業界の予測精度向上で食品ロスを削減

食品業界でも需要予測AIは積極的に活用されています。その一例として東京都が行っているのは、食品ロスを削減するための取り組みとして、食品メーカー、小売りなどの各業種が情報共有をし、需要の予測情報をまとめて製造過多を防ぐというものです。

具体的には小売り店や卸、食品メーカーから売り上げや在庫の情報提供を受けて、需要予測を手掛ける企業に情報を一元化。予測会社は天候やイベントといった要素も加味して、食品の需要予測を提供します。

食品メーカーは、小売店からの発注情報をもとに食品の製造量を調節します。しかし、自前のシステム化が遅れている中小企業などは自社製品の売れ行きを地域、期間ごとに細かく把握していない場合が多く、廃棄が生まれやすい環境にあります。

そのため、こういった取り組みを積極的に行うことで、さらなる食品ロス削減が期待できるでしょう。

サプライチェーンにおける需要予測で発注量を調節

商品の製造から販売に至るまでの一連の流れを最適化させる経営管理手法の「SCM（サプライチェーンマネジメント）」においても需要予測は重要視されています。このサプライチェーンとは、原材料の調達から商品が消費者に渡るまでの生産・流通プロセスを表わします。

イメージとしては、プロセスと「情報の流れ」を結びつけ、サプライチェーン全体で情報を共有することで全体最適化を図っていきます。そのようなSCMにおいても、需要予測は非常に重要とされています。需要予測が適切に行われていなければ、在庫管理が適正化されずに経営を圧迫してしまうからです。しかし、需要予測を適切な方法で行っていれば、過剰在庫を防ぐことができます。

これは、必要なものを必要なときに必要なだけ供給する「ジャスト・イン・タイム」と呼ばれるもので、SCMにおける基本といっても過言ではないほど重要視されているものなのです。

需要予測AIの活用について無料相談する

工場内の省エネルギー化を実現

三井化学株式会社では、バッチプラントにおける蒸気量の需要予測によって、工場の省エネルギー化や燃料・電力削減を目指していました。これまではプラント内の必要蒸気量や電力の自家発電量、そして燃料コストなどをリアルタイムで監視するシステムを運用していましたが、新たに「近未来に起こる蒸気・電力量の変動予測」をベースとした工場内のさらなる省エネルギー化に着手し始めたそうです。そして、その際に導入したのが「AI需要予測」でした。

AIを導入し、蒸気の需要量を予測するモデルを構築することによって、工場内で発生する蒸気ロスを削減したり、過剰な電力消費を抑制したりといった省エネルギーを狙っています。

電力需要予測システムで精度向上・コスト削減

需要予測AIは、電力の需要予測にも活用されています。このシステムを活用しているのは、世界最大の民間気象情報会社の株式会社ウェザーニューズです。

同社では、独自のAIを用いた電力需要予測システムを開発し、そのシステムを活用した「電力需要予測サービス」を提供しています。このシステムは、電力会社が保有している消費電力などの最新のデータと、ウェザーニューズの気象データを活用し、AIが30分ごとに学習を繰り返して電力需要を予測していくというものです。

2020年4月1日から、サミットエナジー株式会社で同サービスの運用を開始したところ、導入からわずか1週間で、電力需要予測計画の効率化によるコスト削減効果、需要予測の精度向上が実現されたといいます。そして、精度検証によって同システムの有効性を確認できたことから、サミットエナジーでの採用が正式に決定したのです。今後こういったサービスの活用はさらに広がっていくかもしれません。

製造工場におけるポンプの故障予知に活用

予測AIは、工場にある機械や設備の故障を予知し、その機械や設備を最適な状態で管理するための予兆検知（予知保全）でも活用されています。たとえば、産業用液晶ディスプレイや車載用液晶ディスプレイの開発、製造、販売を行っているメルコ・ディスプレイ・テクノロジー株式会社では、ドライポンプモータの予知保全を行うために、三菱電機株式会社が提供している汎用シーケンサ「MELSEC-Qシリーズ」用電力計測ユニットを導入しています。

このユニットを導入したことによって、電流の変化からモータの故障を事前察知することができるようになりました。これまで、モータが故障した場合には修理に膨大な費用がかかってしまっていましたが、この予知保全によって故障する前にメンテナンスを行えるようになったそうです。また、コスト面だけでなく生産管理や予算管理といった部分においても効果を発揮し始めているといいます。

プラント運転監視の自動化や異常予兆を検知

花王株式会社の和歌山工場では、プラント運転監視の自動化や異常予兆検知システムにAIを導入し、日本化学工業協会運営のレスポンシブル・ケア賞において「第16回レスポンシブル・ケア大賞」を受賞しています。

花王では、製品製造拠点における高齢化や設備の高経年化、設備修繕費増加などの課題を抱えていました。そこでAIの活用に注目し、異常検知システムの導入を進めたのです。異常検知システムは過去の運転データからパターンを学習し、2つのアルゴリズムによって現場の異常を検知し、オペレーターへ通知します。

花王の生産設備においては、膨大な品種と運転パターンがあり監視負荷が高い設備を対象として、AIの活用を進めました。その結果として信頼性の高い異常予兆検知や大幅な業務負荷削減、さらには生産性向上や製造技術の伝承と現場力の向上、監視業務の標準化による属人化の解消などさまざまな効果が見られています。

Jリーグのダイナミックプライシングに活用

Ｊリーグをはじめとするスポーツ業界では、AI需要予測システムを活用した「ダイナミックプライシング」の導入が進んでいます。ダイナミックプライシングとは、サービスの需要に応じて価格を上下させる仕組みのことです。ダイナミックプライシングにより、観客は座種と価格のどちらを優先するか合理的に選択できます。また、適正価格を主催者側が決めることで、チケットの買い占め・転売の対策も可能です。

実際にJリーグの横浜F・マリノスでは、2018年7月28日のホームゲームから、需要予測システムを活用したダイナミックプライシングを導入開始しました。スポーツチケットの需要は、チーム順位や天候、季節やなどさまざまな要因によって変動します。そのため、需要予測システムによって柔軟に価格を変動させることで、チケットの売り上げが1割増しになったといわれています。

需要予測AIの最新製品を比較

AIsmileyでは、予測AIカオスマップを公開しています。現在はさまざまな種類の予測AIが存在し、そのツールごとに機能や実現できる内容に違いがあるため、目的に合う最適なAIを導入することが大切です。

自社の課題は何か、どんな結果を実現したいのかという観点から、それぞれのツールの違いを充分に比較検討することが重要になるため、ぜひ活用してみてはいかがでしょうか。

また、AI資格を持ったコンサルタントによる無料相談も承っております。需要予測やデータの分析でお困りの際は、お気軽にお問い合わせください。

AIについて詳しく知りたい方は以下の記事もご覧ください。
AI・人工知能とは？定義・歴史・種類・仕組みから事例まで徹底解説

需要予測のサービス一覧を見る

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