AIによる需要予測とは？何にどこまで使える？デメリットは？導入事例7選徹底解説

企業における事業計画やマーケティング活動において、需要動向の把握と予測は極めて重要な要素です。しかし、どうしてもベテランの勘や天才的経営者のひらめきなどの属人的要素が幅を利かせてきた分野でもあります。

現在はAI（人工知能）によって、従来では考えられなかった需要予測の手法が導入されています。膨大なデータと条件付けから機械学習を行うことで、これまでは見つけることのできなかった解法が実現しました。

今回の記事ではAIによる需要予測の手法について、その特長と効果について具体的な事例を含めて説明します。実際の事例でも生産計画モデルの作成やサプライチェーンの構成など、汎用性の高い分野で活用されていますので、具体的な事例がイメージしやすいでしょう。

なお、AI MarketではAIによる需要予測に強い会社の選定や適切な会社の紹介を行っています。会社選定や依頼方法がわからない場合には、AI Marketの専門コンサルタントが無料でサポートいたしますので、いつでもお気軽にご相談ください。

AIによる需要予測とは

AIによる需要予測は、過去のデータから商品や部品の売り上げや需要を未来予測します。AIで未来の需要を予測し、商品の生産数や必要部品の発注数を最適化できるので、在庫ロスの削減やリードタイムの短縮等が期待できます。

AIによる需要予測では、社内に持っている過去の売上データや、外部から得られる気象情報、周辺市場動向といった変動要素などを学習し、変化のトレンドを導き出すことで自社の製品がどのくらい売れるか、どれくらい必要になるかを未来予測します。最近はスマホのGPSデータなどから得られる人流データも多くのシーンで活用されています。人流データの解析方法、活用事例についてはこちらの記事で解説しています。
実は、従来の需要予測も予測のベースにするのは基本的には同じ情報です。しかし、それぞれのシチュエーションで。どのデータを、どのくらいの重みで活用するかは明確にできず、現場のベテランの勘に頼っているケースがほとんどでした。従来のような経験や勘頼りでは、その日の調子によって出てくる結果が安定しませんし、別のメンバーに継承しにくいことは大きなデメリットです。AI を使えば、需要を予測するために「どの情報が必要か」「より影響が大きい情報はどれか」などが可視化され、誰でもデータをもとにした需要予測ができるようになります。

なお、需要予測のAIシステム開発に強い、プロ厳選のAI開発会社の記事では、需要予測に強いおすすめの会社を厳選して紹介していますので、開発検討を考えている方はぜひご覧ください。

需要予測の種類

需要予測には対象となる製品、ターゲットとする市場によっていくつかの種類があります。

• 受動的需要予測VS能動的需要予測
  受動的需要予測は主に既存商品に使い、能動的需要予測は新しい事業や商品に用いる。
• 短期的需要予測VS中期的需要予測VS長期的需要予測
  長期になるほど商品自体より社会情勢や経済環境の変化などが主要因となる
• 内的予測VS外的予測
  自社内の案件に関する予測か外部要因との相互関係に関する予測か
• マクロ予測VSミクロ予測
  マクロ予測は広い範囲での経済の変動に関する予測です。特定の産業に関する需要予測がミクロ予測です。

それぞれの予測種類について詳しくは、「需要予測とは？すぐ分かる用途・種類・手法を初心者向け簡単解説！」で詳しく解説しています。

AIによる需要予測の手法

AIは純粋な数学モデルを使用して需要を予測するので、根拠が明確な予測値を得られます。具体的には以下のようないくつかの数学的モデルが用いられます。

AIが予測分析を行う基本的な仕組みについてはこちらの記事で分かりやすく説明しています。

時系列分析

時系列分析では、予測値を時間の関数として分析します。主に、既存商品の需要予測に関してよく使われます。

直前期の実測値がその後の変化に直接影響を与える場合に用いられ、需要は時間の経過に伴って変化します。例えば、過去1年、3カ月、半年の売上実績データから平均値をとり、現在の需要予測を行う方法です。

移動平均法

移動平均法は、短期的な変化よりも一定の期間にわたる趨勢的な変化に着目する分析です。最もシンプルな例としては、昨年同時期の売上実績と、直近の売上を平均して分析します。

季節的な変動や周期的な増減がある場合に有効です。このほか、トレンド、気象データや取扱い店舗数といった売上に影響を与える要因を加味して予測の精度を高めることもできます。

指数平滑法

時系列、又は移動平均の分析において時間の関数に指数的な重みをつける手法です。一般に過去のデータの影響を軽く、直近のデータほど影響が高いものとして使用します。

最小二乗法・回帰分析

関係を数式の形で表現する一般的な手法です。二つの要素の間の関係を想定される関数式に最も近くなるように定数を設定します。

原因と結果の関係が一次式で表される場合を一次回帰といいます。

最小二乗法・ロジスティクス

原因と結果の間にロジスティクス曲線という成長曲線を想定して解く手法です。

予測精度が高いですが、一次回帰の場合に比べて関数が複雑で回帰式を解く難度が高くなります。

AIによる需要予測のメリット

AIによる需要予測を導入した場合、以下のようなさまざまなメリットを得ることができます。

業務が効率化される

AIによる需要予測を活用すれば、これまで手作業で行われていた需要予測をすべて自動化できます。需要予測に使われていたスタッフのリソースを、別の業務に割り振ることができますので、企業としての生産性向上が期待できるのです。

また、多くの企業で、需要予測は専任スタッフがいるわけではなく、他の作業と並行して行う場合がほとんどです。AIで需要を予測すれば他の作業を並行して行う必要がなくなるため、スタッフの負担減少にもつなげられます。一部スタッフの過重負荷によるモチベーション低下や離職率の上昇といったリスクを未然に防ぐことになります。

在庫量を最適化できる

商品を継続的に販売していくうえで、在庫量の最適化はたいへん重要です。商品や商品を構成する部品の在庫を管理するスタッフの負担、人件費、在庫スペース使用料は、提供するサービスの品質・価格にダイレクトに反映されます。

しかし、最適な在庫量を予測することは決して簡単ではありません。AIを使ってより高精度な需要予測を行うことができれば、常に変動するデータをリアルタイムで反映できるので無駄な在庫管理コストを抑えることができます。

AIによる数理最適化を活用して在庫管理

様々な複雑な関連要素や制限条件が絡む在庫管理の最適化問題では、AIによる数理最適化が活用されています。数理最適化とは、ある目的関数を最大化または最小化するような解を求めることを目的とする数学的手法です。様々な制約があるなかで、その目的関数を最大化または最小化するような解を求めることが数理最適化の目的です。
AIによる数理最適化の仕組み、導入事例についてはこちらで分かりやすく解説していますので併せてご覧ください。

データに基づいた経営判断ができる

AIであれば、過去のデータを反映した数学的モデルに基づいて需要予測するため、明確なデータに基づいた経営判断が可能になります。社内、社外取引先、株主に対して明確な経営方針を示すことが可能です。AIを使わなかった従来の分析では、勘やひらめきに頼って、最も重要と思われる数少ない変数のみに注目して予測を組み立てます。明確な根拠を示すことは不可能です。

例えば、ホテルや旅館など宿泊業界では宿泊者の属性情報や予約データ、レストランやスパなどの施設の利用状況、クレーム情報などの情報があります。これらのデータをAIによって分析することで、例えば「20代女性の宿泊者が増えている」といったような傾向を正確に捉えることができます。

その結果、需要予測や商品開発などの意思決定がより精度良く行えるようになります。また、宿泊料金の最適化やキャンセルリスクの軽減などにつながります。

関連記事：「AIはホテルでどう活きる？代替可能な業務や導入事例を徹底解説！」

また、分析の元データは現場で常に変化しています。状況の変化に合わせて再計算しなければなりませんが、AIであれば再計算のプロセスをリアルタイムで実行できます。ですから、予測を現場で活用するまでのタイムラグが存在しません。

競合企業に対して優位に立てる

AIによる需要予測の最大の強みは、従来は予測・分析に用いることのできなかったデータを有効活用できることです。競合は全く予測に活用できていないデータかもしれません。従来は全く、またはそれほど重視していなかったデータが、AIによる解析で実は中長期の需要を大きく左右することがわかることもも珍しくありません。

需要を決定する要因となる要素は一つや二つではありません。要素が5つ、6つ、それ以上に増えていくにつれて、要素の組み合わせを解析する作業量は膨大となります。AIによる機械学習であれば、予測のベースとなる複数の要素（変数）間の係数決定を自動で計算してくれます。

取り込むデータを蓄積して、予測モデルが洗練されていけば、競合が全く気付いていない要素、要素同士の相関係数を見つけることも可能でしょう。

AIを用いた需要予測のデメリット

AIを利用した需要予測を社内で活用していく場合、理解しておくべき注意点もあります。どのような点に留意すべきか確認してみましょう。

まとまったデータ量が必要となる

AIでは（まだ）事業判断は難しい

AIの需要予測を利用する過程には必ず人が関与しなければなりません。AIの機械学習が、時に人の認知を超える結論を見つけることがあるのも事実です。しかし、AIは決して現実そのものを理解しているわけではありません。

AIによる需要予測を、実際の事業判断で効果的に活用するにはデータと現実の関係性を理解できる、常識と経験に裏打ちされた知的能力が必要です。

AIによる需要予測はこんな企業におすすめ

AIによる需要予測が特に有効なケースについて説明します。

成長期の企業

急激な成長ステージにある企業では、成長に追いつくだけの生産や調達をどのように確保するかが重要な課題です。単純に販売の成長に追随する量を生産すればよいということではなく、設備や財務の投資、人材の確保や土地の問題など、相互に関係する決断すべき事項は多岐にわたります。

日々条件が変化する中で複雑な関係を解いていくために、AIによる需要予測は強力なツールとなります。

予測にあたって考慮すべき要件が非常に多い

一つの最終製品を作るために必要な材料が非常に多い場合、それぞれの材料のコストの変動はその製品のコストを大きく変動させる可能性を考慮しなければなりません。このような状況では最終製品の売価や利益を先読みすることが非常に難しく、事業自体の健全性が損なわれないように慎重な需要予測が求められます。

AIは一つひとつの材料コストについて変化のパターンをモデル化し、要因を複合して全体の変動を描くことができるため、このような状況での需要予測でも的確な予測が可能です。

予測にあたって参考にできる過去のデータが乏しい

これまでに直面したことのない状況での予測にも、AIを使った予測モデル作成が有効です。過去データがないため、通常の需要予測は予測モデルを構築することができません。AIによる需要予測は実地のデータを活用してリアルタイムで機械学習を繰り返すことができるため、極めて短期間で適用可能なモデルを発見します。

AIによる需要予測の導入事例7選

実際にAIによる需要予測の導入事例を紹介します。開発やサービス導入の際にぜひお役立てください。

小売りスーパーでの発注・在庫管理システム（イトーヨーカドー）

セブン＆アイ・ホールディングスの一角として全国に129店舗を展開するイトーヨーカドー（本社：東京都千代田区）では2020年9月から全店舗でAIによる需要予測に基づいた発注システムを導入しています。

カップ麺や菓子、アイス、冷凍食品や牛乳など8,000品目の商品について、その販売量をAIが分析して最適な発注量を算出しました。このデータをもとに店舗の発注担当者が発注量を決定します。

発注作業にかかる時間を30%削減できる上、商品の在庫期連による販売ロスが減少し、適正在庫量の確保にも効果が確認されています。

新製品の需要予測（バドワイザー）

世界最大のビール会社、アンホイザー・ブッシュ・インベブ社。バドワイザーで知られており、世界で500を超えるブランドのビールを販売しています。同社はあるブランドのビールの販売をてこ入れするために新製品の投入を決定し、この新しいビールの試験販売にあたってAIによる需要予測システムを活用しました。

20週間の試験期間の結果、新製品の長所と改良すべき点を特定できました。AIは製品開発のサポ―トをしただけではなく新製品の正確な業績予測を提供し、これに基づいて製品投入に先立つ投資額を合理的に決定することに成功しています。

外食産業での廃棄ロス削減（スシロー）

回転寿司チェーン店の「スシロー」を運営する株式会社あきんどスシロー（本社：大阪府吹田市）では、店舗の売り上げを管理するためにAIによる売上管理・需要予測システムを導入しています。同社では長年にわたって回転レーンを流れる寿司の鮮度や売れ筋を確認し、売れるタイミングと廃棄された寿司のデータを収集していました。

店舗運営に関する重要な情報でしたが逆にデータが多すぎて処理できず、活用されていませんでした。この情報をAI需要予測で分析し、製品ごとの売上パターンを予測して調理スケジュールを随時見直していくシステムを開発しました。

需要予測と同時に、購入された皿の数を画像認識で計測、店舗の混雑状況を測定してお客さんの待ち時間を正確に予測するシステムを稼働。これらのAIシステムにより、スシローはメニューの廃棄率を75%削減、原価率を保った状態で売り上げを伸ばすことに成功しています。

データ収集の部分でもAIによる画像認識を活用して、正確なAI需要予測に結びつけた好例です。

AIによる画像分析の仕組み、その他の事例についてはこちらの記事で分かりやすく説明しています。

タクシーの需要を予測（東京無線／NTTドコモ）

東京無線協同組合では、NTTドコモが提供する「AIタクシー」を導入して、乗車率アップを実現しました。

NTTドコモが提供する「AIタクシー」は、タクシーの需要を予測するサービスです。500メートル四方で区切られたエリアに対して、30分後までのタクシー利用台数を10分ごとに予測することができます。携帯電話ネットワークや他のソースから得られる以下のようなさまざまなビッグデータを活用します。

• リアルタイムの人口動向情報
• タクシー運行データ
• 気象データ

人の流れをリアルタイムに把握できるため、電車の遅延やイベントの開催といった不測の出来事にも対応でき、利用者とタクシーの双方の需給のマッチングが効率的に実現できます。

コロナ禍で在庫管理（Marshalls）

英国のコンクリートメーカーMarshallsでは、新型コロナウイルス感染症拡大の影響で需要予測が難しくなりました。そこでグローバルサプライチェーンの運営にAIを導入しています。

一日に4,000回の需要予測を実行することにより、最適な生産量と各拠点の最小在庫量を決定するシステムを構築しました。

災害や疫病発生時の需要の変更に対応（リンガーハット／パロアルトインサイト）

長崎ちゃんぽん専門店「リンガーハット」やとんかつ専門店「とんかつ濵かつ」を運営するリンガーハットでは、売り上げを予測するパロアルトインサイト（アメリカ）のAIシステムを2018年から開発・運用しています。そして、自然災害やパンデミックといった緊急事態下において多様に変化する消費者の需要を、AIを活用して予測するシステムを2022年から活用し始めました。

新システムでは、直近4～5日分の売り上げデータの変化が反映されるよう改修を行い、緊急時対応の精度と柔軟度を高めています。これまでの販売実績や気象情報、地域に関する情報といったデータを基盤として活用します。全国約700店の「リンガーハット」「とんかつ濵かつ」における本導入を予定しているとのことです。適正な発注数の算出や在庫管理・出荷量予測・スタッフ配置を実現し、サプライチェーンの無駄削減を推進しようとしています。（詳しいニュース解説はこちら）

ダイナミックプライシングによるチケット価格決定（ダイナミックプラス）

AIによってリアルタイムの需要予測をして、価格を柔軟に変更していきます。需給に応じて入場料が変わるので「ダイナミックプライシング（価格変動性）」と呼ばれます。
サッカーのJリーグ、プロ野球、バスケットボールBリーグなどでダイナミックプラス株式会社が開発するダイナミックプライシングサービス導入が進んでいます。

需要に合わせて価格を変動させることで、収益と動員数の最大化を目指せますし不当な高額転売への抑止力となることも期待されています。
ダイナミックプライシングだけでないスポーツ分野でのAI活用事例については、こちらの記事で特集しています。

AIを用いた需要予測を導入する手順

AIによる需要予測システムを構築する手順は以下です。

1.AI導入作業の事前準備
2.データ収集
3.予測モデルの構築
4.モデルの有効性チェック
5.実務への導入

ほとんどの場合、需要予測に特化したAIシステムの開発を得意とする開発会社に委託したり、外注するケースがほとんどでしょう。

AIを用いた需要予測システムの開発を得意とする会社、及び外注を行う際の手順や注意点は「AIによる需要予測導入完全ガイド！プロ厳選システム開発会社」で紹介しています。

AIによる需要予測の導入はAI Marketへ

過去の現実のデータを元にして将来の事業の姿を予測する需要予測は、すべての経営・事業計画において求められる機能です。より高精度でよりリアルな需要予測のシステム化のために、AIへの期待は非常に高く、その機械学習の能力が極めて有効であると考えられています。

一方で、その導入にあたっては基礎となるデータの収集や予測モデルの構築にあたって、十分な知識と経験のある担当者が開発に関与することが必要です。

AIによる需要予測の導入を検討している案件があれば、最適なAI開発会社の紹介を行っているAI Marketをぜひご活用ください。開発コストなどの情報を含めて、専門コンサルタントが建設業向けのAI開発に強い開発会社の選定を無償でサポートいたします。
【無料】需要予測に強いAIシステム開発選定を依頼

　下記の記事も一緒によく読まれています

営業部門でのAI活用事例8選！KPI分析・トーク分析・自動セールス解説【2023最新版】 教育業界に強いプロ厳選AI開発会社7社おすすめ！【2023年最新版】 ビッグデータとは？活用事例8選徹底解説！メリット・導入ステップ・解析方法も説明 人流解析とは？人流データでできること・注意点・活用事例を徹底解説！ スポーツでのAI活用事例9選完全解説！企業が事業参画する際の注意点は？