需要の変動や人手不足が深刻になるなか、担当者の経験と勘に頼った在庫管理を見直す企業が増えています。
AIによる需要予測を活用すれば、欠品による販売機会の損失や、過剰在庫による保管費用・廃棄ロスの削減が期待できます。しかし、AIツールを導入するだけで、在庫が自動的に最適化されるわけではありません。
在庫管理AIの成否を左右するのは、アルゴリズムの高度さよりも、AIが正しく学習できるデータを整えられるかどうかです。
本記事では、在庫管理AIを一部の商品や拠点から小さく始めるために必要なデータ整備、PoC（概念実証）、発注業務への組み込み方を、実務の流れに沿って解説します。
在庫管理AIで最初から全社最適を目指してはいけない
在庫管理AIの導入に失敗する典型的な原因は、最初から全拠点・全商品を対象にした大規模システムを構築しようとすることです。
対象が広がるほど、商品コードや在庫の数え方、データの保存形式、発注ルールなどの違いが表面化します。データ整備だけで時間を使い切り、効果を検証できないままプロジェクトが停滞することもあります。
最初は、次のように対象を限定することが重要です。
- 1つの工場または店舗
- 1つの部門
- 特定の商品カテゴリー
- 欠品や過剰在庫の影響が大きい商品群
- データを比較的取り出しやすい業務
小さな範囲で検証すれば、データの問題や現場運用上の課題を早期に発見できます。失敗した場合の影響も抑えられ、改善を重ねながら対象を広げられます。
在庫管理AIの導入前にビジネス課題を明確にする
データ収集を始める前に、AIを使って何を改善するのかを決めなければなりません。
「在庫を最適化したい」という目的だけでは、予測対象も必要なデータも決められません。
製造業であれば月間出荷量や生産必要量、小売業であれば店舗別・商品別の販売数、物流拠点であれば翌週の出荷量など、業務に合わせて予測対象を具体化します。
導入目的の例
- 欠品による販売機会の損失を減らす
- 過剰在庫と保管費用を削減する
- 廃棄ロスを減らす
- 発注作業にかかる時間を短縮する
- 担当者による発注量のばらつきを抑える
- 需要予測業務の属人化を解消する
在庫管理AIで設定したいKPI
- 欠品率
- 在庫回転日数
- 廃棄率
- 過剰在庫金額
- 予測値と実績値の誤差
- 発注業務にかかる時間
- 緊急発注の回数
- 担当者による発注量の差
AIの予測精度だけでなく、在庫金額や作業時間が実際に改善したかを確認することが重要です。
現場担当者をデータ整備の初期段階から参加させる
データ整備を情報システム部門だけに任せると、データ上の数字と現場の実態が食い違う可能性があります。
例えば、販売数がゼロの日でも、本当に需要がなかったとは限りません。
欠品して販売できなかった、店舗が休業していた、システム障害で記録されなかったといった事情が考えられます。こうした背景は、データだけを見ても判断できません。
プロジェクトには、次の役割を持つメンバーを参加させます。
- 在庫管理や発注を担当する現場責任者
- 販売・出荷データを管理する担当者
- システムやデータ抽出を担当する担当者
- 導入効果を判断する管理職
- 必要に応じてAIやデータ分析の支援者
現場担当者が持つ商品特性や季節変動、取引先ごとの慣習などの知識は、予測精度を高める重要な情報になります。
ステップ1 既存データの所在と状態を確認する
最初に行うのは、新しいデータを大量に集めることではありません。社内のどこに、どのようなデータが存在しているかを確認することです。
確認対象となる主なデータ
- 商品マスタ
- 販売実績
- 出荷実績
- 入荷実績
- 在庫履歴
- 発注履歴
- 仕入れ先情報
- 調達リードタイム
- 価格改定履歴
- キャンペーンや販促履歴
- 返品や廃棄の記録
- 欠品履歴
紙の在庫表やホワイトボードによる管理は、現場で状況を把握しやすい一方、そのままではAIの学習データとして利用できません。
Excelもスモールスタートには有効ですが、担当者ごとにファイルが存在したり、最新版が分からなくなったりすると、データの信頼性が低下します。
まずは、紙・Excel・基幹システムなどに分散したデータの所在、管理者、更新頻度、保存期間を一覧化します。
ステップ2 AIが読み取れる表形式へ統一する
AIが扱いやすいのは、行と列の意味が明確な構造化データです。
需要予測に使用する場合は、原則として「1行が1つの日付と1つの商品を表す」形式にします。
データ項目の例
- 日付
- 商品コード
- 商品名
- 拠点コード
- 販売数量または出荷数量
- 入荷数量
- 在庫数量
- 欠品の有無
- 販売価格
- 販促の有無
- 曜日
- 祝日情報
- 調達リードタイム
商品コードの表記が「A-001」「A001」「商品A」のように混在している場合は、同一商品として認識できるように統一します。
日付も「2026年9月1日」「2026/09/01」「9月1日」などが混在しないよう、形式をそろえます。
列ごとに数値、文字列、日付などのデータ型を統一することも重要です。
人間には読みやすい色分け、セル結合、複数行の見出しなどは、AIにとって処理しにくいデータになる場合があります。
ステップ3 内部データと外部データを組み合わせる
過去の販売実績だけを学習させたAIは、基本的に過去のパターンしか捉えられません。
需要が天候や販促、曜日などの影響を受ける商品では、外部要因を説明するデータも必要になります。
追加を検討したいデータ
- 曜日、祝日、連休
- 気温、降水量などの気象情報
- キャンペーンや広告の実施状況
- 価格変更
- 地域イベント
- 季節区分
- 店舗の営業日
- 取引先の稼働日
特に食品、飲料、衣料品、季節商品などでは、天候やカレンダー情報が予測精度に影響します。
ただし、学習時に使用するデータは、実際に予測を行う時点でも取得できなければなりません。
例えば、翌日の需要予測に「翌日の実際の降水量」を使うことはできません。予測時点で入手できるのは、天気予報としての降水確率や予想気温です。
学習データの項目を決めるときは、「予測を実行する時点で取得できる情報か」を必ず確認します。
ステップ4 欠損値・外れ値・重複データを処理する
実際の業務データには、入力漏れ、システム障害、重複登録、桁間違いなどが含まれます。
こうしたデータをそのままAIへ投入すると、予測結果が大きく偏る可能性があります。
確認したい項目
- 空欄になっているデータ
- 同じ日付、商品、拠点の重複記録
- 通常の販売量から大きく離れた数値
- マイナス在庫
- 存在しない商品コード
- 営業日ではない日の販売実績
- 単位の混在
- 返品や在庫移動が販売数に含まれていないか
欠損値は、単純にゼロへ置き換えればよいわけではありません。
本当に実績がゼロだったのか、記録が存在しないのかを区別します。判断できないデータを無理に残すより、対象期間や商品を限定した方が安全な場合もあります。
一時的な特需による外れ値も、すべて削除すべきではありません。
テレビやSNSで紹介されたことによる需要増加など、再発する可能性がある事象なら、削除せず「特需あり」という情報を付加する方法があります。
ステップ5 欠品期間の販売数をそのまま需要として扱わない
在庫管理AIで特に注意したいのが、欠品期間の扱いです。
商品が売り切れて在庫がなかった日に販売数がゼロだったとしても、消費者の需要がゼロだったとは限りません。
この販売数をそのまま学習させると、AIは「この日は商品が売れなかった」と判断します。
その結果、将来の需要を過小評価し、発注量を減らして、さらに欠品を発生させる悪循環に陥る可能性があります。
そのため、販売実績と在庫履歴を突き合わせ、欠品による販売機会の損失を識別します。
欠品期間への対応方法
- 欠品日を学習対象から除外する
- 欠品フラグを付ける
- 前後の販売実績から潜在需要を推計する
- 同じ曜日や同条件の日の販売数を参考に補正する
- 担当者が特異な欠品日を確認する
この処理には商品特性や販売現場の知識が必要です。統計処理だけで自動的に決めず、現場担当者と確認しながら補正方法を決めます。
ステップ6 単純な予測方法を基準として用意する
AIの精度を評価するには、比較対象となる基準値が必要です。
最初から複雑な機械学習モデルだけを検証するのではなく、次のような単純な予測方法も用意します。
- 前年同月または前年同週の実績
- 直近数週間の平均
- 移動平均
- 指数平滑法
- 担当者の経験に基づく予測
需要が安定した商品では、単純な移動平均でも十分な場合があります。
一方、気温や販促の影響が大きい商品では、外部要因を扱える回帰分析や機械学習が有効になる可能性があります。
高度なAIを使用したかどうかではなく、現在の方法より実務上の成果が改善したかで判断します。
ステップ7 ノーコードAIを使って小規模なPoCを行う
近年は、プログラミングの専門知識がなくても、CSVデータを使って予測モデルを作成できるノーコードAIツールが提供されています。
例えばPrediction Oneでは、CSVを取り込み、「学習」「評価」「予測」の手順でモデルを作成できます。時系列の需要予測やモデル監視などにも対応しています。
UMWELTでは、日付、品番・店舗名、数量などを使った需要予測、安全在庫計算、基幹システムやBIツールとの連携機能などが提供されています。
同社は、対象を絞った簡易PoCについて、3カ月程度で精度検証まで行う支援も案内しています。
ただし、ノーコードAIがデータの意味まで自動的に理解してくれるわけではありません。
欠品日の扱い、特殊な販促、廃番商品、季節商品の切り替えなど、業務固有の判断には現場の知識が必要です。
PoCでは3つの予測を比較する
PoCでは、次の3つを同じ条件で比較します。
- AIが算出した需要予測
- 前年実績や移動平均などの単純予測
- 担当者の経験と勘に基づく予測
予測精度だけでなく、実際の業務に適用した場合の欠品数、在庫金額、廃棄量、作業時間も比較します。
AIの予測が最も正確でも、発注担当者が理由を理解できない、日々の発注業務に反映できない、入力作業が増えるといった状態では定着しません。
予測結果を発注ルールへ接続する
需要予測は、発注数量へ変換されて初めて在庫管理に役立ちます。
定期発注方式
毎週月曜日や毎月1日など、決められた周期で発注する方式です。
需要変動が大きい商品や、消費期限が短い商品に適しています。
AIは、次回発注までの予測需要、現在庫、入荷予定、リードタイムなどをもとに必要量を提示します。
定量発注方式
在庫が設定した発注点を下回った際、決められた数量を発注する方式です。
需要が比較的安定した商品では、AIを毎日の発注数計算に使うより、発注点や安全在庫の定期的な見直しに使う方が効果的な場合があります。
ダブルビン方式
2つの在庫箱を用意し、片方が空になった時点で補充する簡易的な方式です。
低単価で需要が安定した消耗品では、高度なAIを導入する費用対効果が合わない場合があります。
すべての商品にAIを適用するのではなく、需要変動や在庫金額、欠品時の影響に応じて管理方法を使い分けます。
安全在庫とAIの予測誤差を組み合わせる
AIによる需要予測にも誤差はあります。予測精度を完全に100％にすることはできません。
そこで、予測誤差、調達リードタイム、企業が許容する欠品率を考慮して安全在庫を設定します。
AIの精度が改善すれば、予測誤差の幅が小さくなり、安全在庫を減らせる可能性があります。
しかし、安全在庫を削減する場合は、どこまでの欠品リスクを許容するのかを経営と現場で合意しておく必要があります。
精度が上がったからすぐ在庫を減らすのではなく、一定期間の実運用結果を確認しながら段階的に調整します。
AIへ完全自動発注を任せず、人間の承認を残す
天候の急変、突発的なメディア露出、取引先からの大型注文、仕入れ先の供給トラブルなど、過去データに存在しない事象をAIが正確に予測することは困難です。
導入初期は、AIが提示した発注量をそのまま自動発注へ流さず、担当者が確認・修正・承認する仕組みを残します。
事前に決めておきたい運用ルール
- 通常の発注量から大きく外れた場合の承認者
- AIの提案を担当者が修正できる範囲
- 大量発注時の上限額
- 欠品や供給停止が発生した場合の対応
- 予測根拠を確認する方法
- 担当者が修正した理由の記録方法
人間が最終判断に関与する「ヒューマン・イン・ザ・ループ」を組み込むことで、AIへの不安を抑えながら運用知識を蓄積できます。
導入後も予測精度を継続的に監視する
AIモデルは、一度作れば同じ精度が永久に続くものではありません。
市場環境、価格、競合商品、顧客の好み、販売チャネルなどが変化すると、過去データから学習したパターンが現状に合わなくなります。
この現象は「コンセプトドリフト」と呼ばれます。
運用開始後は、次の項目を定期的に確認します。
- 予測値と実績値の差
- 商品カテゴリー別の精度
- 欠品率と過剰在庫の変化
- 担当者が予測値を修正した回数
- 特定の時期から精度が低下していないか
- 新商品や廃番商品が適切に処理されているか
精度の低下が確認された場合は、最新データを追加し、モデルを再学習します。
在庫管理AIを約3カ月で検証する進め方
第1～2週：課題と対象範囲の決定
対象拠点、商品群、予測対象、KPI、プロジェクトメンバーを決めます。
第3～4週：データの棚卸し
販売、出荷、在庫、発注、商品マスタなどの所在と品質を確認します。
第5～6週：データ整備
商品コード、日付、単位を統一し、欠損値、外れ値、重複、欠品期間を処理します。
第7～9週：予測モデルの作成
AI予測、単純予測、担当者予測を作成し、同じ条件で比較します。
第10～12週：実務での試行
実際の発注判断に予測結果を参考情報として使用し、在庫、欠品、作業時間への影響を確認します。
この段階では、基幹システムとの大規模な自動連携を急ぐ必要はありません。
まずはCSVやExcelで検証し、効果が確認できてから自動化の範囲を広げます。
在庫管理AIの導入前チェックリスト
- 解決したい課題を具体的に説明できる
- 予測対象と予測期間が決まっている
- 欠品率や在庫金額などのKPIが決まっている
- 対象拠点と商品群を限定している
- 販売、出荷、在庫、発注データの所在が分かる
- 商品コードと日付形式が統一されている
- 欠品日と需要ゼロの日を区別できる
- 予測時に取得できるデータだけを使用している
- AI、単純予測、担当者予測を比較できる
- AIの提案を人間が確認するルールがある
- 運用後の精度監視と再学習の担当者が決まっている
よくある質問
在庫管理AIには最低限どのデータが必要ですか
日付、商品コード、販売数または出荷数が基本です。
在庫最適化まで行う場合は、在庫数、入荷数、欠品情報、調達リードタイム、発注履歴も必要になります。
Excelのデータでも在庫管理AIを始められますか
始められます。
ただし、セル結合や複数行の見出しを避け、1行が1件の記録になるように整えます。ファイルの最新版と管理者を明確にし、商品コードや単位も統一する必要があります。
最初からすべての商品を対象にすべきですか
推奨されません。
まずはデータが比較的整っており、欠品や過剰在庫の影響が確認しやすい商品群に限定します。成果と課題を確認してから、対象を段階的に拡大します。
ノーコードAIならデータ分析の専門家は不要ですか
モデル作成の技術的な負担は軽減できますが、データの意味や欠品期間の補正、例外処理の判断には業務知識が必要です。
ツールだけでなく、現場とデータ担当者の協力体制が重要です。
AIに発注を完全自動化させても大丈夫ですか
導入初期は、人間による確認と承認を残すのが安全です。
予測精度と例外処理の実績を蓄積したうえで、自動化する商品や金額の範囲を段階的に広げます。
まとめ
在庫管理AIのスモールスタートで最も重要なのは、高額なシステムを選ぶことではありません。
まずは対象を1拠点・1部門・特定の商品群に限定し、販売実績、在庫履歴、欠品情報などをAIが読み取れる形へ整えることが出発点です。
特に重要なのは、次の4点です。
- 欠品による販売数ゼロを「需要ゼロ」として扱わない
- 予測時に取得できない未来の情報を学習に使わない
- AIと単純予測・担当者予測を比較する
- AIの提案を人間が確認する運用から始める
小さなPoCで効果を確かめ、現場の判断を組み込んだ運用を設計することで、現場の納得感を得ながら安全に導入できます。
在庫管理AIは、経験豊富な担当者を置き換える仕組みではありません。
データによる予測と現場の判断を組み合わせ、欠品や過剰在庫を減らすための意思決定支援ツールとして活用することが、定着と成果につながります。
コメント