毎日の発注業務、Excelと格闘していませんか？
「また欠品か…先週あれだけ発注したはずなのに」
「この在庫の山、どうやって処分しよう。倉庫スペースの無駄遣いが深刻だ…」
物流センターの片隅や、オフィスのデスクで、今日もまたExcelのセルを睨みつけながら頭を抱えていませんか？ サプライチェーン全体を俯瞰すると、こうした属人的な発注業務がボトルネックとなり、物流コストの増大や顧客満足度の低下を招いているケースが多々あります。
長年の「勘と経験」を持つベテラン担当者が、複雑なExcel関数を駆使して需要を予測し、発注数を決める。日本の物流現場を支えてきたのは、間違いなくこうした職人技でした。しかし、エンドツーエンドのサプライチェーン最適化という観点から見ると、そのやり方は限界を迎えています。
市場の変化は激しくなり、消費者のニーズは多様化し、突発的なトレンドがSNSから生まれる時代です。人間が脳内で処理できる変数の数、そしてExcelが処理できる行数の限界を、現実はとうに超えてしまっているのです。
「でも、うちにはデータサイエンティストなんていないし…」
「AI導入なんて、数千万円かかる大プロジェクトなんでしょう？」
そう思って諦めていませんか？ それは大きな誤解です。
今、時代は「ノーコードAI」へとシフトしています。Pythonコードを一行も書くことなく、現場の担当者が自らの手でAIモデルを構築し、需要予測を行うことが可能な時代になったのです。必要なのは、高価なサーバーでも天才的なプログラマーでもありません。現場を知り尽くした皆さんの「業務知識」と、少しの「データ活用のコツ」だけです。
この記事では、華やかなAIの夢物語ではなく、泥臭い現場で本当に使える「在庫最適化の現実解」をお伝えします。Excel地獄から抜け出し、データに基づいたスマートな意思決定へとシフトするための、具体的な道筋を定量的な視点を交えて見ていきましょう。
なぜ「勘と経験」のExcel予測は限界を迎えたのか
これまで現場を回してきた「職人芸」とも言えるExcel予測。なぜ今、その見直しが急務とされているのでしょうか。単に「古いから」ではありません。ビジネスを取り巻く環境の変化が、従来手法のリスクを許容できないレベルまで押し上げているからです。
属人化が生む「見えない機会損失」の正体
最も深刻な問題は「属人化」です。
「この商品の発注は、特定の担当者じゃないと分からない」
皆さんの職場にも、そんな「聖域」がありませんか？ ベテラン担当者の頭の中には、過去数十年分の季節変動や、特売時の跳ね方といった暗黙知が蓄積されています。これは素晴らしい資産ですが、同時に巨大なリスクでもあります。
もし明日、その担当者が退職したらどうなるでしょうか？ あるいは、病気で長期離脱したら？
その瞬間、積み上げられた知見はリセットされ、現場は大混乱に陥ります。残された担当者は、過去の履歴を見よう見まねで発注するしかなく、結果として安全在庫を過剰に積み増すか、恐る恐る発注して欠品を起こすかの二択を迫られます。
さらに、「見えない機会損失」も見逃せません。人間の認知能力には限界があります。数千、数万SKU（Stock Keeping Unit）ある商品すべてのトレンドを、一人の人間が正確に把握し続けることは不可能です。注力商品以外のロングテール品では、実はもっと売れるはずなのに在庫切れで逃しているチャンスや、逆に死に筋商品に貴重な倉庫スペースを奪われているケースが山のようにあるのです。
従来の移動平均法 vs AI予測：精度の乖離をデータで見る
多くの現場で使われている予測手法に「移動平均法」があります。直近3ヶ月の平均売上実績を来月の予測値とする、シンプルで分かりやすい手法です。
しかし、これには致命的な弱点があります。「トレンドの変化」や「季節性」への反応が遅れることです。
例えば、商品が急激に売れ始めたと仮定します。移動平均法では、過去の低い数値に引っ張られるため、予測値の上昇は緩やかになります。結果、需要の急増に追いつけず欠品が発生します。逆に、ブームが去って売上が急落した時も、過去の高い数値の影響で予測値は高止まりし、過剰在庫の山を築くことになります。
一方、AI（特に機械学習を用いた時系列予測）は違います。
- トレンド検知: 上昇・下降の傾向をいち早く捉える
- 季節性: 「毎年3月は売れる」「給料日後は伸びる」といった周期性を学習
- 外部要因: 気温、イベント、販促キャンペーンなどの影響を加味
これらを複合的に分析するため、人間や単純な計算式では見抜けないパターンを予測できます。実際、移動平均法からAI予測に切り替えたことで、予測誤差率（MAPE）が20%以上改善した事例も存在します。
ノーコードAIが現場の最強の武器になる理由
「AIがすごいのは分かった。でも、それを扱う技術がない」
ここで登場するのが「ノーコードAIツール」です。これらは、複雑なアルゴリズムの選択やパラメータ調整といった専門的な作業を自動化（AutoML）し、ドラッグ＆ドロップやExcelライクな操作でモデル構築を可能にします。
重要なのは、「現場の担当者が自分で触れる」という点です。
外部のデータサイエンティストに丸投げすると、現場の肌感覚とズレた予測が出てきがちです。「この数字はおかしい」と感じても、ブラックボックス化していて修正できません。しかし、ノーコードツールを使って現場担当者が自らモデルを作れば、「あ、この期間は特売だったから除外設定しよう」「来週はイベントがあるから変数を追加しよう」といった、現場ならではの微調整が可能になります。
AIの計算力と、現場のドメイン知識。この2つが融合した時こそ、最強の在庫最適化システムが生まれるのです。
成功のための3つの基本原則：AIは「魔法の杖」ではない
ツールを導入すれば、明日から在庫が適正化され、欠品ゼロになる――残念ながら、そんな魔法はありません。AIプロジェクトで失敗するケースの多くは、ツールへの過度な期待と、準備不足が原因です。成功のために、まずはマインドセットを整えましょう。
原則1：予測精度100%は不可能と心得る
まず断言します。未来を100%当てることは、AIにも人間にも不可能です。
AIはあくまで「過去のデータから最も確からしいパターン」を導き出す計算機に過ぎません。突発的な天災、競合他社の予期せぬ値下げ、SNSでの炎上など、データに含まれていない事象は予測できません。
目指すべきは「100点」ではなく、「現状のExcel予測（例えば60点）を、AIで80点に引き上げる」ことです。この20点の差が、年間で見れば数千万円の在庫削減や売上増につながるのです。完璧を求めすぎてプロジェクトが前に進まないことこそ、避けるべき事態です。
原則2：AI予測値は「判断材料」であり「決定事項」ではない
AIがはじき出した数字を、そのまま発注システムやWMS（倉庫管理システム）に流し込む「完全自動発注」を最初から目指してはいけません。それは非常に危険です。
AIはデータの「相関関係」は見ますが、「因果関係」や「文脈」を理解しているわけではありません。例えば、過去に台風で配送が止まり売上が落ちたデータを、「この時期は需要が下がる」と誤学習する可能性があります。
AIの予測値は、あくまで「強力なリコメンド（推奨値）」として扱うべきです。最終的な発注判断は人間が行う、いわゆる「Human-in-the-loop（人間が介在する）」運用を基本としましょう。
「AIによれば来週は100個売れる予測です。でも、近隣で競合店がオープンするから、少し減らして80個にしよう」
このように、AIの予測をベースに人間が補正を加えるスタイルが、最もリスクが低く、かつ精度が高まります。
原則3：スモールスタートで「勝ち筋」を見つける
「よし、全5,000アイテムを一気にAI予測に切り替えるぞ！」
これは典型的な失敗パターンです。データ整備の手間が膨大になり、検証も追いつかず、現場が疲弊して終わります。
まずは、「影響度が大きく、かつ予測しやすい」一部の商品群から始めましょう。パレートの法則（80:20の法則）に従えば、売上の8割を作る上位2割の商品、あるいは在庫金額がかさんでいる特定カテゴリに絞るのが定石です。
小さく始めて、「お、AIの予測、意外と当たるじゃないか」という成功体験（クイックウィン）を現場で作る。それができて初めて、対象範囲を広げていく。この段階的なアプローチこそが、遠回りのようで最短の成功ルートです。
ベストプラクティス①：AIに食わせる「学習データ」の整備術
AIの精度は、アルゴリズムの優秀さよりも「食わせるデータの質」で決まります。"Garbage In, Garbage Out"（ゴミを入れたらゴミが出てくる）はAIの世界の鉄則です。ここでは、ノーコードAI活用の肝となるデータ準備のコツを解説します。
社内データだけでは勝てない：カレンダー・気象データの威力
「売上実績データなら、販売管理システムに全部あります」
それだけでは不十分です。売上データは「結果」であり、なぜ売れたのかという「要因」の情報が不足しているからです。
需要予測の精度を劇的に高めるのは、実は社内データではなく「外部データ」です。
- カレンダー情報: 曜日、祝日、連休、給料日、お盆、年末年始。
- 気象データ: 気温、降水量、湿度。飲料やアパレルでは必須です。
- イベント情報: 近隣での花火大会、コンサート、学校行事。
例えば、「ビール」の売上予測をする際、単に「去年売れたから」とするより、「来週は気温が30度を超え、かつ金曜日だから」という情報を加味した方が、圧倒的に精度が上がります。ノーコードツールでは、こうしたデータをCSV形式で追加のカラム（列）として結合するだけで、AIが自動的に相関関係を見つけ出してくれます。
「異常値」の扱い方：特需と欠品データのクレンジング
初心者が最も陥りやすい罠が、「欠品期間」の扱いです。
在庫切れで売上がゼロだった期間のデータをそのままAIに学習させると、AIは「この時期は需要がない（売れない）」と誤って学習してしまいます。その結果、翌年の同じ時期に「売れないから発注しなくていい」という予測を出し、再び欠品を引き起こす「負のループ」が完成します。
これを防ぐために、欠品期間の売上データは以下のいずれかの処理を行う必要があります。
- 除外する: その期間のデータを学習対象から外す。
- 補正する: 前後の期間の平均値や、在庫があった場合の想定売上を入力する。
また、テレビで紹介されて爆発的に売れたような「特需」も同様です。これを通常の実力値として学習させると、過大な予測値が出て過剰在庫になります。こうした異常値にはフラグを立ててAIに「これは例外だよ」と教えるか、データから除外する勇気が必要です。
特徴量エンジニアリングをノーコードで実践するコツ
「特徴量エンジニアリング」というと難しく聞こえますが、要は「AIが理解しやすいヒントを作ってあげる」ことです。
例えば、日付データ「2023/10/01」だけでは、AIはその意味を深く理解できません。これをExcelやデータ加工ツールで分解し、以下のような列を追加します。
- 曜日フラグ: 月曜=1, 火曜=2...
- 週末フラグ: 土日=1, 平日=0
- 月内の旬: 上旬=1, 中旬=2, 下旬=3
また、「ラグ特徴量」と呼ばれる、過去のズレを作ってあげるのも有効です。「1週間前の売上」「1年前の同日の売上」という列を横に並べてあげることで、AIは「先週売れたものは今週も売れる傾向がある」といったパターンを見つけやすくなります。
これらはプログラミングを使わなくても、Excelの関数やノーコードツールの前処理機能で十分に実装可能です。
ベストプラクティス②：ノーコードツールでのモデル構築と検証
データが整ったら、いよいよノーコードAIツールでのモデル構築です。ここではツールの操作そのものではなく、現場担当者が意識すべき「評価と検証」のポイントに絞って解説します。
AutoML（自動機械学習）に任せるべき領域と人間が設定すべき領域
最近のノーコードAIツールの多くは、AutoML機能を搭載しています。データをアップロードして「予測したい項目（目的変数）」を選ぶだけで、複数のアルゴリズムを総当たりで試し、最も精度の高いモデルを自動選定してくれます。
どのアルゴリズムを使うか、パラメータをどう調整するか。これらはツールに任せてしまって構いません。人間が注力すべきは「予測期間」と「粒度」の設定です。
- 予測期間: 「来週1週間分」を知りたいのか、「向こう3ヶ月分」を知りたいのか。リードタイムに合わせて設定します。
- 粒度: 「日次」で予測するのか、「週次」で予測するのか。日々の発注なら日次ですが、生産計画なら月次かもしれません。
これらはビジネス要件によって決まるため、AI任せにせず、業務フローに合わせて人間が定義する必要があります。
精度評価の落とし穴：MAPE（平均絶対パーセント誤差）だけで判断しない
モデルができあがると、ツールは「精度評価レポート」を出してくれます。よく使われる指標にMAPE（Mean Absolute Percentage Error）があります。「予測が実績から平均何％ズレたか」を示すもので、例えばMAPE 10%なら、精度90%という意味になります。
しかし、MAPEだけで判断するのは危険です。なぜなら、「10個しか売れない商品の1個のズレ（誤差10%）」と、「1000個売れる商品の100個のズレ（誤差10%）」は、ビジネス上のインパクトが全く異なるからです。
現場では、以下の視点での評価を追加しましょう。
- 在庫金額ベースの評価: その誤差によって、いくら分の過剰在庫が発生するリスクがあるか？
- 欠品リスクの評価: 予測が下振れした時、安全在庫設計でカバーできる範囲か？
特に、予測値が実績より「少なく出る（欠品リスク）」のか、「多く出る（在庫リスク）」のか、どちらの傾向があるかを把握することは重要です。欠品が許されない商品なら、AIの予測値に少しバッファ（安全係数）を乗せて運用するといった調整が必要になります。
バックテストで「過去の自分たち」に勝てるか証明する
AIモデルの実力を測る最も確実な方法は「バックテスト（過去データ検証）」です。
例えば、手元に2021年から2023年までの3年分のデータがあるとします。この時、AIには2021〜2022年の2年分だけを学習させ、2023年の売上を予測させます。そして、その予測結果と、実際の2023年の実績（正解）を答え合わせするのです。
さらに重要なのは、「当時の担当者がExcelで行った予測（または発注実績）」と比較することです。
- AIの予測誤差 vs 実績
- 担当者の予測誤差 vs 実績
これを比較し、「AIを使っていれば、在庫をあと10%減らせた」「欠品を3回防げた」という事実を定量的に証明できれば、社内の説得力は段違いに高まります。これが「AI導入のROI（投資対効果）」を示す最初の一歩となります。
ベストプラクティス③：現場の「運用フロー」への定着化
高精度なモデルができても、現場が使ってくれなければただのデジタルゴミです。AIを日常業務に溶け込ませるための運用設計こそが、プロジェクトの成否を分けます。
AI予測値＋担当者の補正＝確定発注数のプロセス設計
前述の通り、AIは「たたき台」を作る係です。現場の運用フローは以下のように設計することをお勧めします。
- AI予測の実行: 毎週月曜の朝、AIが全商品の来週の需要予測を算出。
- アラート確認: 前週比で大きく変動があるものや、在庫リスクが高いものをハイライト表示。
- 担当者の補正: 担当者はハイライトされた商品を中心に確認。「来週は特売を入れるから上乗せ」「メーカー欠品中だから発注停止」といった情報を加味して数値を修正。
- 発注確定: 修正後の数値を確定発注数としてシステムに入力。
このプロセスにより、担当者は「全商品の数値を一から考える」という重労働から解放され、「異常値のチェックと意思決定」という付加価値の高い業務に集中できます。
「なぜこの予測なのか」説明可能性（XAI）の活用
現場のベテランほど、AIという「ブラックボックス」を嫌います。「なんでこんな高い数字が出るんだ？ 信じられない」と反発されるのがオチです。
ここで役立つのが、多くのノーコードAIツールに搭載されている「寄与度分析（Feature Importance）」機能です。
「この予測値になった理由は、来週の『気温が高い』ことがプラスに働き、かつ『月末』であることがマイナスに働いた結果です」
このように、予測の根拠（どの変数が効いているか）を可視化して説明することで、現場の納得感（腹落ち）を得やすくなります。「なるほど、AIもちゃんと気温を見ているのか」と分かれば、信頼関係が生まれます。
予測が外れた時のフィードバックループ構築
予測は必ず外れます。大切なのは、外れた時に「AIは使えない」で終わらせないことです。
予実乖離が大きかった場合は、必ず原因を振り返りましょう。
- 「競合店がセールをしていた」 → 競合情報をデータに追加できないか検討。
- 「インフルエンサーが紹介した」 → これは予測不能な外れ値として許容。
- 「モデルが古くなっている」 → 再学習（Re-training）の実施。
市場環境は変わります。一度作ったモデルも、時間が経てば精度（鮮度）が落ちていきます。月1回や四半期に1回は最新のデータを加えてモデルを再学習させるサイクル（MLOpsの初歩）を運用ルールに組み込んでおくことが、長期的な安定稼働の鍵です。
アンチパターン：よくある失敗と回避策
ここで、実務の現場でよく見られる「失敗プロジェクト」の共通点を紹介します。同じ轍を踏まないようにしてください。
データのサイロ化を放置したまま導入する
営業部門は「販売計画」を持ち、物流部門は「出荷実績」を持ち、マーケティング部門は「販促スケジュール」を持っています。これらがバラバラのExcelで管理され、共有されていない状態でAIを導入しても精度は出ません。
AI導入は、実は「社内のデータ統合プロジェクト」でもあります。まずは関係部署を集め、データを一箇所（データウェアハウスや共有フォルダ）に集約する仕組みを作ることが先決です。「データがない」のではなく「散らばっている」のが多くの企業の現状です。
ロングテール商品まで高精度を求めすぎる
「年に数回しか売れない商品」の予測は、AIでも困難です。データ（学習サンプル）が少なすぎるからです。こうしたCランク商品に対して、「AIなら当てられるはずだ」と躍起になってチューニングするのは時間の無駄です。
Cランク商品は、AI予測ではなく「定量発注点方式（在庫が◯個になったら◯個発注）」などのシンプルなルール管理に任せ、AIはAランク・Bランク商品の最適化にリソースを集中させるべきです。適材適所を忘れないでください。
現場への説明不足による「AIアレルギー」の発生
トップダウンで「来月からAIを使うぞ」と号令をかけると、現場は「AIに仕事を奪われる」「監視される」と警戒します。
導入初期から現場のキーマンを巻き込み、「AIは皆さんを楽にするためのアシスタントです」「面倒な計算はAIにやらせて、皆さんは人間にしかできない判断をしてください」と、目的を丁寧に伝え続けることが不可欠です。チェンジマネジメントなしに、ツールの定着はありません。
成熟度別：内製化に向けた3段階ロードマップ
最後に、これから取り組む企業のために、現実的な導入ステップを3段階で示します。
フェーズ1：特定カテゴリでのPoCと成功体験の創出（1〜3ヶ月）
まずは小さく始めます。対象は「売上上位の商品」や「特定のブランド」に絞ります。ノーコードAIツールを使い、過去データでの検証と、実際の業務での並行稼働（Excel予測とAI予測の比較）を行います。ここで「在庫が◯%減らせそう」「発注業務時間が半分になった」という成果を可視化します。
フェーズ2：対象拡大と運用ルールの標準化（3〜6ヶ月）
フェーズ1の成果を元に、対象カテゴリを広げます。同時に、「AI予測値を確認→補正→発注」という業務フローをマニュアル化し、特定の担当者だけでなくチーム全員が使えるように教育を行います。データの更新や再学習のルールもこの時期に固めます。
フェーズ3：自動発注への連携と全社展開（6ヶ月〜）
予測精度が安定し、現場の信頼が得られたら、システム連携を検討します。AIが出した予測値をCSV経由ではなくAPIなどで基幹システム（WMSやTMS、ERP）に直接連携し、発注案の作成までを自動化します。最終的には、人間は「例外対応」のみに注力する、高度に効率化されたサプライチェーンを目指します。
まとめ：AIと共に、現場はもっと賢くなれる
AIによる需要予測は、もはや一部の大企業やテック企業だけの特権ではありません。ノーコードツールの普及により、物流現場の実務担当者こそが、その恩恵を最大限に享受できる時代が来ています。
「勘と経験」を否定する必要はありません。むしろ、AIという強力な武器を手に入れることで、現場の経験値はより洗練され、経営に直結する価値あるものへと進化します。Excelの数字合わせに追われる日々を卒業し、データに基づいた戦略的な在庫管理へと舵を切りましょう。
まずは手元のデータを整理し、無料トライアルができるノーコードツールを触ってみることから始めてみませんか？ その小さな一歩が、未来の物流を変える大きな一歩になるはずです。
コメント