AI在庫配分で機会損失を防ぐ：実店舗×EC最適化のためのプロンプト設計術
在庫管理の世界には、ある種の「ジレンマ」が常に横たわっています。
「あちらを立てればこちらが立たず」。ECで売れると予測して在庫を積めば実店舗で欠品し、実店舗に厚く配分すればECの機会損失を招きます。これまでの実務現場では、このシーソーゲームを経験と勘、そして膨大なスプレッドシートとの格闘によって乗り切ろうとする傾向がありました。
そこに現れたのが「AI需要予測」という技術です。
しかし、多くの企業がAIを導入した後に直面するのは、新たな種類の課題です。「AIがなぜその配分を推奨したのか分からない」「現場の感覚と乖離した指示が出る」。結果として、AIの提案を無視して人間が手動で修正するという、本末転倒な事態に陥っているケースが見られます。
ITコンサルタントの視点から見ると、在庫配分の最適化において重要なのは「AIの予測精度」そのものよりも、AIにどのような「価値判断基準（倫理やルール）」を与えるかという点にあります。データ分析や業務プロセス改善の観点からも、システムが現場で実効性を持つためには、明確なロジックの定義が不可欠です。
AIは魔法の杖ではなく、与えられた指示（プロンプト）に忠実な計算機に過ぎません。もしAIが期待外れの配分案を出してくるとしたら、それは指示の設計が不足しているためです。
この記事では、一般的な在庫理論ではなく、AIモデルに対して具体的にどのような指示を与えれば、実店舗とECを横断した最適な在庫配分が実現できるのか。その「対話の技術」について、実務で活用できるテンプレートと共に解説します。
AI在庫配分におけるプロンプトエンジニアリングの重要性
「在庫を最適化して」
もしAIに対してこのようにシンプルな指示を出しているとしたら、それが失敗の根本原因となります。「最適化」という言葉は、人間にとっては文脈を含んだ豊かな意味を持ちますが、AIにとっては定義不足の空虚な箱でしかありません。AI倫理の観点からも、システムの透明性を確保し、意図しない偏りを防ぐためには、明確な指示設計が不可欠です。
なぜAIに『最適化して』と頼むだけでは失敗するのか
AIにとっての「最適」とは何でしょうか。
- 売上高の最大化ですか？
- 粗利益の最大化ですか？
- 在庫消化率の向上ですか？
- それとも、配送コストの最小化でしょうか？
これらは往々にしてトレードオフの関係にあります。例えば、「売上最大化」だけを目的関数に設定すれば、AIは「売れる確率がわずかでも高い店舗」に在庫を集中させるかもしれません。その結果、地方店舗の棚はスカスカになり、特定の地域の顧客が不利益を被る可能性があります。これは、機械学習の公平性が欠如した状態と言えます。
人間は、無意識のうちに「バランス」を考慮します。「特定の店舗ばかりを優遇すると全体の士気が下がる」といった暗黙知です。プロンプトエンジニアリングとは、この人間の暗黙知を言語化し、明示的な制約条件としてAIに与える作業に他なりません。倫理的なジレンマを回避するためにも、多角的な視点から条件を定義することが求められます。
オムニチャネル特有の変数（配送料、店舗キャパ、販売速度）
特に実店舗とECが混在するオムニチャネル環境では、考慮すべき変数が爆発的に増えます。
- 物理的制約: 店舗のバックヤードには限界があります。無限に在庫を置けるEC倉庫とは異なります。
- 時間的制約: 店舗間の移動にはリードタイムがかかります。移動中に販売機会を失うリスクがあります。
- コスト制約: EC発送の配送料と、店舗間移動の物流費は異なります。
これらをAIに適切に処理させるには、単なる数値データだけでなく、それらをどう評価すべきかという論理的なルールをプロンプトに含める必要があります。客観的な基準を設けることで、AIの判断プロセスにおけるブラックボックス化を防ぐことができます。
このテンプレート集の使い方と前提条件
これから紹介するテンプレートは、ChatGPTや最新のClaude（Claude Sonnet 4.6など）、あるいはこれらを組み込んだシステムでの利用を想定しています。
なお、以前広く利用されていたClaude 3.5 Sonnetは2025年10月にAPIの提供が終了しており、現在は廃止されています。そのため、最新の推論能力を備えた現行モデルへの移行が必要です。近年のAIモデルは飛躍的に進化しており、複雑な文脈理解や高度な推論が可能になっていますが、以下の点に留意して活用してください。
公式テンプレートの不在とコンテキスト指定の重要性
現在、主要なLLMプロバイダーにおいて、万能な「公式プロンプトテンプレート」は提供されていません。ChatGPTのプラグイン機能もCustom GPTsへ移行するなど、環境は変化し続けています。そのため、出力形式の指定や役割の付与といったプロンプト設計は、依然としてユーザー側の重要な責務です。明確で具体的なコンテキストを与えることが、精度の高い回答を引き出す基本となります。エージェント機能と最新ワークフローへの適応
最新のモデルでは、単なる一問一答やコード補完を超えた能力が強化されています。例えば、Pythonコードを生成・実行して在庫シミュレーションを行わせたり、指定したデータセットを自律的に読み込んで分析させたりするエージェント的な活用が現実的になっています。本テンプレートは、こうした最新の推論・実行能力を引き出すことを前提に設計されています。ビジネスルールと倫理的制約の明示
[ ]で囲まれた部分は、組織の状況に合わせて書き換えてください。数値や条件はあくまで例示です。「利益率重視」なのか「回転率重視」なのか、企業の倫理規定やビジネスルールに基づいてパラメータを調整することが、AIの暴走や不公平な配分を防ぎ、実用的な解を得るための鍵となります。
それでは、具体的なシナリオに沿ったプロンプト設計を見ていきましょう。
【テンプレート1】シーズン初期配分：EC・旗艦店への傾斜配分ロジック
新商品の投入時、現場は最大の不確実性に直面します。過去の販売実績（ヒストリカルデータ）が存在しないからです。この段階でAIに丸投げすると、学習データ不足により、安全策として「均等配分」のような面白みのない提案をしてくるか、あるいは誤った類似性を見出して突飛な配分をしてくることがあります。
ここで必要なのは、人間の知見による「類似性の定義」と「リスク許容度の設定」です。
テンプレートの構成と入力変数
このプロンプトでは、AIに対して「どの過去商品を参考にするか」を明示し、かつ「ECと旗艦店」という販売力の高いチャネルにどの程度リスクを取って在庫を積むか（傾斜配分）を指示します。
プロンプト例：初回発注量の拠点別割り当て
以下のプロンプトは、新商品投入時の初期配分案を作成させるためのものです。
## Role
あなたはアパレル小売企業の熟練在庫コントローラーです。
論理的かつ利益最大化の視点で、新商品の初回在庫配分計画を立案してください。
## Context
新商品 [2024年春夏 リネンブレンドジャケット] を投入します。
この商品は販売実績がないため、過去の類似商品 [2023年春夏 リネンジャケット] の販売動向をベースに予測を行います。
総発注数は [1,000点] です。
## Constraints & Logic (制約とロジック)
1. EC倉庫への優先配分:
- ECは全国の需要をカバーできるため、機会損失リスクが最も低いです。
- 総在庫の [30%] をまずEC倉庫に確保してください。
2. 店舗ランクに基づく傾斜配分:
- 残りの [70%] を実店舗へ配分します。
- 店舗ランク（S, A, B, C）に応じた「傾斜係数」を用いてください。
- Sランク店舗（旗艦店）には、予測需要の [1.2倍] の在庫を割り当て、欠品を絶対に防いでください。
- Cランク店舗（小規模店）は、予測需要の [0.8倍] に抑え、売れ残りリスクを最小化してください。
3. ミニマム陳列数の保証:
- どの店舗にも最低 [3点] (各サイズ1点ずつ) は配分すること。
- これにより、顧客の実物確認の機会（ショールーミング機能）を担保します。
## Input Data (シミュレーション用)
- 類似商品の期間売上構成比: {EC: 35%, 店舗S: 20%, 店舗A: 25%, 店舗B: 15%, 店舗C: 5%}
- 店舗リスト: [S店, A1店, A2店, B1店, B2店, C1店...]
## Output Format
以下の形式でCSV出力してください。
拠点名 | ランク | 配分数量 | 配分比率(%) | 根拠コメント
カスタマイズ：安全在庫係数の調整指示
上記のプロンプトで重要なのは、「1.2倍」「0.8倍」といった係数です。これはAIに対する「攻め」と「守り」の姿勢表明です。
もし企業が「売上至上主義」であれば、Sランク店の係数を 1.5 に上げても良いでしょう。逆に「在庫消化率（消化スピード）」を重視し、プロパー消化率を高めたいのであれば、全店舗の係数を 0.8 程度に抑え、ECに在庫を厚く残して「追送（リプレニッシュメント）」で対応する戦略をとるべきです。
出力サンプルと検証ポイント
AIが出力した配分案を見る際は、特に「Cランク店舗」の配分に注目してください。AIが単純な比例配分を行い、売れる見込みの薄い店に過剰な在庫を積んでいないか確認します。また、ECの在庫比率が、企業のEC化率目標と整合しているかも重要なチェックポイントです。
【テンプレート2】期中調整：店舗間移動（トランスファー）のコスト対効果判定
シーズン中盤になると、「A店では余っているが、B店では欠品している」という在庫の偏在が発生します。これを解消するのが店舗間移動（トランスファー）ですが、ここには「物流コスト」という明確なマイナス要因が発生します。
移動させるべきか、それとも値下げしてその場で売り切るべきか。この判断は非常に高度な計算を要します。AIに「利益が出る場合のみ移動を提案せよ」と厳密に指示しましょう。
移動コスト vs 機会損失の天秤
倫理的な観点からも、無駄な配送はCO2排出量の増加につながるため避けるべきです。したがって、移動指示のプロンプトには「ROI（投資対効果）」の判定ロジックを組み込む必要があります。
プロンプト例：在庫偏在解消のための移動指示書生成
## Role
あなたはSCM（サプライチェーンマネジメント）の最適化スペシャリストです。
物流コストと機会損失を天秤にかけ、利益を最大化する在庫移動（トランスファー）指示を作成してください。
## Objective
在庫過多の店舗から在庫不足の店舗へ商品を移動させ、全社的な消化率を向上させること。
ただし、移動コストを上回る粗利改善が見込めない場合は、移動を提案しないでください。
## Thresholds (判断閾値)
以下の条件をすべて満たす場合のみ、移動リストに追加してください。
1. 放出店舗の条件:
- 当該品番の在庫消化率が [40%以下] であること。
- かつ、直近2週間の販売数が [0点] であること。
2. 受入店舗の条件:
- 当該品番の在庫消化率が [80%以上] であること。
- かつ、直近1週間の販売数が [3点以上] あり、欠品による機会損失が発生している可能性が高いこと。
3. コスト対効果 (ROI)判定:
- 移動による期待粗利増分 > (移動単価 [500円] × 移動数)
- ※期待粗利増分 = 商品単価 × 粗利率 × 移動数 × [0.8 (販売確率係数)]
## Constraints
- 同一エリア内（移動単価が安い範囲）での移動を優先すること。
- 1店舗あたりの発送作業負担を考慮し、1店舗からの放出数は最大 [20点] までとすること。
## Output Format
JSON形式で出力してください。
{
"transfers": [
{
"from_store": "店舗A",
"to_store": "店舗B",
"sku": "SKU_12345",
"quantity": 5,
"expected_profit_gain": 3500,
"reason": "店舗Aで滞留30日、店舗Bでは欠品中。エリア内移動のため低コスト。"
}
]
}
カスタマイズ：移動許容距離とコスト閾値の設定
このプロンプトでは 移動単価 [500円] という定数を入れていますが、実際には距離によって変動します。より高度なシステムであれば、配送業者ごとの運賃テーブルを参照させる指示を加えることも可能です。
また、販売確率係数 [0.8] は、「移動させたからといって100%売れるわけではない」というリスクを織り込んだものです。保守的に運用したい場合は、この係数を下げて（例：0.5）、確実性の高い移動のみを抽出するようにします。
【テンプレート3】EC引き当て：店舗在庫をEC注文に充てる際の優先順位
ECで注文が入ったが、EC倉庫に在庫がない。しかし実店舗にはある。この時、店舗在庫を引き当てて顧客に直送する「Ship from Store」は、オムニチャネルの強力な武器です。
しかし、どの店舗から送るべきでしょうか？ 近い店舗？ 在庫が多い店舗？ ここにもAIへの明確な優先順位付けが必要です。
O2O/OMO視点での在庫活用
単純に「一番近い店舗」から送ると、その店でプロパー（定価）で売れるはずだった在庫を奪うことになるかもしれません。逆に、「売れていない店」から送れば、在庫処分にもなり一石二鳥です。ここでは「在庫の質（鮮度）」を基準にした指示を出します。
プロンプト例：EC受注時の出荷店舗選定ロジック
## Role
あなたはオムニチャネル・フルフィルメントの管理者です。
EC注文に対して、最適な出荷元店舗を選定してください。
## Context
EC倉庫にて欠品が発生しました。対象商品を保有している実店舗から顧客へ直送します。
## Priority Logic (優先順位ロジック)
以下のスコアリングに基づき、最もスコアが高い店舗を出荷元として選定してください。
Score = (在庫滞留スコア) + (距離スコア) + (店舗負荷スコア)
1. 在庫滞留スコア (配点高い):
- その店舗での最終販売日から [14日以上] 経過している: +50点
- [7日〜13日]: +20点
- [0日〜6日] (売れ筋): -30点 （※売れている店の在庫は奪わない）
2. 距離スコア:
- 顧客配送先と同じ都道府県: +30点
- 同一地方: +10点
- それ以外: 0点
3. 店舗負荷スコア:
- 本日の店舗スタッフ数が [適正] レベル: +10点
- [不足] レベル: -50点 （※忙しい店に発送業務をさせない）
## Scenario
- 顧客住所: [東京都世田谷区]
- 対象商品保有店舗:
A店(北海道, 滞留30日, スタッフ充足)
B店(東京・渋谷, 滞留1日, スタッフ不足)
C店(埼玉, 滞留10日, スタッフ充足)
## Instruction
上記シナリオに基づき、各店舗のスコアを算出し、ベストな出荷元を決定してください。
カスタマイズ：店舗の作業負荷と配送リードタイムの考慮
このプロンプトの特徴は、店舗スタッフの状況を変数に入れている点です。「B店（渋谷）」は距離的には最適ですが、「滞留1日（売れ筋）」かつ「スタッフ不足」であるため、ここから出荷指示を出すと現場の混乱を招き、最悪の場合、出荷遅延や店頭接客の質低下につながります。
AIにこうした「現場の事情」をスコアリングさせることで、全体最適かつ持続可能なオペレーションが可能になります。
AI出力の検証と人間による修正プロセス
ここまで、AIへの指示出し（プロンプト）について解説してきましたが、最後に重要な点があります。それは「AIを過信しない」ということです。
どんなに優れたプロンプトを書いても、AIは時に「ハルシネーション（もっともらしい嘘）」や、極端な外れ値を出すことがあります。また、天候の急変やSNSでの突発的なバズりなど、データに含まれていない外部要因はAIには見えません。
AI提案を鵜呑みにしないためのチェックリスト
AIが出力した配分案を承認する前に、以下の視点で人間がレビューを行うプロセス（Human-in-the-loop）を必ず設けてください。
- 極端な偏りがないか: 特定の店舗に在庫が集中しすぎていないか？
- コンテキストの欠落: 「来週、その店舗の近くで花火大会がある」といったローカルイベントは考慮されているか？
- 店舗キャパシティ: 物理的にその量の在庫がバックヤードに入るか？
現場の「肌感」をデータ化してフィードバックする
もしAIの提案を人間が修正した場合、その「修正理由」を記録し、次のプロンプト改善に活かすことが重要です。例えば、「AIはA店への配分を推奨したが、店長から『改装工事中』と連絡があったため減らした」という事例があれば、次回からはプロンプトの制約条件に「店舗の営業状況ステータス」を含める必要があります。
異常値検出のための追加プロンプト
検証作業自体もAIにサポートさせることができます。
## 検証依頼
作成された配分案リストをレビューし、以下の条件に当てはまる「異常値」を検出して警告を出してください。
1. 前週比で在庫量が [300%] 以上増加している店舗
2. 売上規模ランク [C] の店舗に対し、ランク [A] の店舗より多い在庫が配分されているケース
3. 店舗の最大保管容量（別途データ参照）を超過している配分
このように、作成役のAIと、監視役のAIを分けることで、ミスの発見率は格段に向上します。
まとめ
AIによる在庫配分の最適化は、単にツールを導入してスイッチを押せば完了するものではありません。それは、AIという新しいパートナーに対し、企業の戦略、現場の制約、そしてビジネスにおける「倫理観（何を優先すべきか）」を根気強く教え込むプロセスです。
今回紹介したプロンプトテンプレートは、その対話を始めるための第一歩に過ぎません。実際には、企業の商品特性やブランドポリシーに合わせて、より精緻なチューニングが必要になるでしょう。
- 初期配分では「リスク許容度」を言語化する。
- 店舗間移動では「コスト対効果」の閾値を設ける。
- EC引き当てでは「現場負荷」と「在庫の質」を天秤にかける。
これらを実践することで、AIはブラックボックスではなく、頼れる参謀へと進化します。
コメント