物流・倉庫の物量予測AI
先に結論
- 需要予測AIとは、過去の実績と、量を動かす要因（曜日、祝日、天候、販促など）の関係をデータから学ばせ、先の量を見積もる仕組みです。ベテランが頭の中でやっていた「この条件ならこれくらい」を、数字と根拠つきで出します。
- AIにして変わるのは、要因の多い予測を、荷主別・方面別に何本も持ち、毎日更新し続けられることです。人の手では、ここが追いつきません。
- 一方で、100%当てることと、前例のない出来事を読むことはできません。物流の現場では、AIの数字に人が予定を上乗せしてから人数と台数を決める、という順番で組みます。
「需要予測AI」という言葉は、広告やサービス紹介でよく目にするわりに、実際に何をしてくれるのか、どこまで任せてよいのかはあまり説明されていません。この記事では、AIを使わない予測と何が違うのか、何ができて何ができないのかを、公開されている研究と経済産業省の資料をもとに整理します。例はすべて、倉庫・物流センターの出荷物量に置き換えています。需要予測に限らず、配車や倉庫内の作業も含めて物流全体でAIがどこに使えるかは、物流でAIは何ができるのかで整理しています。
需要予測AIとは何か。量と要因の関係を、データから見つけさせる仕組み
経済産業省が中小企業向けにまとめた「AI導入ガイドブック 需要予測（小売り、卸業）」は、AIによる需要予測を、予測したい需要と、それに影響する要因のデータとの関係をAIに学習させ、将来の需要を予測させるもの、と説明しています。「月曜は多い」「連休明けは跳ねる」「雨の日はネット注文が増える」といった、ベテランが経験で知っている関係を、データから機械に見つけさせるということです。
需要予測そのものは、前年の横引きや移動平均のように、AIを使わなくてもできます。手法ごとの違いは需要予測とは。物流現場での使いどころで整理しました。AI、つまり機械学習を使う方法がほかと違うのは、扱える要因の数と、要因どうしの組み合わせを自動で見てくれる点です。
| ベテランの読み | エクセルの予測 | 需要予測AI | |
|---|---|---|---|
| 扱える要因 | 頭の中で数個 | 1〜数個。増やすほど式が複雑になる | 数十個でも同時に扱える |
| 予測の本数 | 本人が目を配れる範囲まで | シートの数だけ手で更新する | 荷主別・方面別・工程別に何本でも |
| 更新 | 毎朝、人が考える | 実績を手で貼り替える | 新しい実績を入れて学び直す |
| 根拠の説明 | 本人にしか分からない | 式は見えるが、要因は少ない | どの要因が効いたかを数字で示せる |
| 担当者の不在 | 休むと止まる | 作った人がいないと直せない | 仕組みとして残る |
エクセルの予測は、前年・前週の横引きや移動平均などを想定。需要予測AIの欄は機械学習を使う一般的なツールを想定しており、製品によって扱える範囲は異なります。
誤解されやすいのは、AIを使えば何か特別な情報から未来が見える、という受け取り方です。AIが使う材料は、あくまで自社に残っている実績と要因のデータです。材料が同じなら、見える範囲はベテランの読みと大きくは変わりません。違うのは、その範囲を漏れなく、同じ基準で、毎日くり返せることです。
AIにすると何が変わるのか。要因を渡せるかどうかで、当たり方に差がつく
機械学習が需要予測にどこまで効くのかは、予測手法の国際的なコンペティションで確かめられています。2020年に開かれたM5コンペティションでは、米ウォルマートの商品別・店舗別の販売数4万2,840系列について、28日先までを予測する課題に、101か国から5,507チームが参加しました。
結果をまとめた論文によると、上位の手法はいずれも機械学習で、その多くがLightGBMという、決定木を何本も積み重ねて使う手法でした。優勝チームは、比較用に用意された統計的な手法のうち最も精度の高いものと比べて、誤差を22.4%小さくしています。
同じ論文には、物流の現場にとってより大事な結果も載っています。価格や販促、祝日といった要因を入れた指数平滑法は、入れないものより精度が6%高く、ARIMAという別のモデルでも、要因を入れた版のほうが13%高かった、というものです。手法の新しさより前に、量を動かしている要因をデータとして渡せるかどうかで差がつくことが分かります。
上2本は、要因を入れない同じ種類のモデルと比べた精度の改善。最下段は、統計的手法のうち最も良いものと比べた誤差の縮小。出典：Makridakis ほか「M5 accuracy competition: Results, findings, and conclusions」
物流に置き換えると、要因はたとえば、荷主から届く販促の予定、前日のEC受注件数、祝日や連休の並び、月末の締め、気温や雨です。これらをエクセルの予測に全部入れようとすると式が手に負えなくなりますが、AIであれば、それぞれがどれくらい効いているかを自動で重みづけしてくれます。
需要予測AIにできることは何か。要因の多い予測を、細かい単位で、毎日回し続けること
実務の目線で言い直すと、需要予測AIが引き受けてくれる仕事は4つあります。
要因の重なりをまとめて見て、先の量を数字で出す
祝日明けの月曜に荷主の販促が重なり、しかも雨予報。こうした重なりを人が頭の中で足し引きするのには限界があります。AIは、過去に似た条件の日がどうだったかをまとめて参照し、その日の出荷物量を数字で出します。
荷主別・方面別・工程別に、予測を何本も持つ
センター全体の物量が当たっても、ピッキングと出荷検品のどちらに何人置くか、どの方面に何台出すかは決まりません。段取りに使えるのは、決める単位に分かれた予測です。人の手では1〜2本を更新するのが精いっぱいでも、AIなら単位ごとに同じ作業をくり返せます。
何を見てその数字を出したかを示す
多くのツールでは、予測にどの要因がどれだけ効いたかを出せます。「今週多いのは販促と月末が重なるから」と説明できれば、現場リーダーや荷主とも数字をもとに話ができます。経済産業省のガイドブックが紹介しているホームセンターの事例でも、仕入れ計画の根拠が担当者ごとに違って経営層との会話が噛み合わなかったのが、AIの予測をもとに議論できるようになったとされています。
新しい実績で学び直し、予測を回し続ける
予測は一度作って終わりではありません。ガイドブックは、データを継続的に学習させて将来を予測する流れを定常業務にする必要がある、としています。月が変われば直近の実績を足して学び直す、という作業を仕組みに任せられるのは、人の手でやる予測にはない強みです。
需要予測AIにできないことは何か。100%当てることと、前例のない日を読むこと
経済産業省のガイドブックは、需要予測AIで100%の精度を出すことは不可能だと明記しています。そのうえで、精度が100%でないことを前提に、AIをどう使うかを人が考えることが大事だ、としています。できないことを先に知っておくと、導入してから「思っていたのと違う」となるのを避けられます。
AIにすれば当たる、とは限らない
先ほどのM5コンペティションには、この点を示す数字もあります。参加した5,507チームのうち、直前の実績をそのまま次の予測にするだけの単純な方法に勝てたのは48.4%、主催者が用意した統計的手法のうち最も良いものに勝てたのは7.5%でした。参加者の多くは機械学習を使っていましたが、それでも半数以上は、いちばん単純な予測にさえ届いていません。
全5,507チームに占める割合。各チームが最終評価に提出した予測で比べた値。出典は図2と同じ。
手法の新しさだけでは結果は決まらず、データの整え方や検証の仕方で大きく差が出るということです。ツールを比べるときは、AIを使っているかどうかより、自社のデータで、前年や前週の横引きと比べてどれだけ良くなるかを見せてもらえるかを確かめたほうが確実です。比べ方の手順と、ほかに見ておきたい観点は需要予測システムの選び方にまとめています。
前例のない出来事は読めない
AIは過去のデータから学ぶので、過去に似た日がない出来事には弱くなります。新しい荷主の立ち上げ直後、初めて行う大型の販促、取り扱い品目の入れ替え、災害による急な変化などです。ガイドブックも、地元のプロ野球チームが優勝して売れそうだからと人が仕入れを増やす例を挙げて、AIの予測を人が修正する形を示しています。
データがなければ始まらない
必要なデータの目安として、ガイドブックは売上データを2〜3年分が理想、最低でも1年分としています。季節の波を一巡分つかむには1年は要る、ということです。途中で欠けている期間が全体の2割を超えるようなら、そのデータを使うのは諦める、という目安も示されています。
予測を確かめずに使うと、かえって外れる
ガイドブックは「よくある失敗例」として、予測結果を確認しないまま発注に使い、新しい販促キャンペーンが反映されずに品薄になった例を挙げています。社内のシステムが変わってデータの形式が変わったのに、モデルを直していなかったという例もあります。AIの数字は、人が確かめてから使う前提で段取りを組んでください。
| AIにできること | 人が補うこと | |
|---|---|---|
| 要因 | 数十の要因を同時に見て、量を数字で出す | データにない事情（荷主から口頭で聞いた予定など）を足す |
| 単位 | 荷主別・方面別・工程別に予測を持つ | 実績を、決めたい単位に分けて残しておく |
| 根拠 | どの要因が効いたかを示す | それが現場の感覚と合っているかを確かめる |
| 新しい出来事 | 似た日が過去にあれば参照できる | 初めての販促や新規荷主の立ち上げは、人が上乗せする |
| 精度 | 単純な予測より誤差を小さくできる | 100%ではない前提で、余裕の持たせ方を決める |
物流の現場ではどう使うのか。AIの数字に人が上乗せしてから、人と車を決める
物流の現場で読みたいのは、売れる数そのものではなく、センターから毎日出ていく出荷物量です。これが荷主別・方面別に数日先まで読めると、何人を、どの工程に、何台を、どの方面に、という段取りを前もって決められます。
人員の側の具体的な流れは、出荷物量から必要人員を決めるのページで説明しています。車両の側も考え方は同じで、台数が前日までに読めれば、当日になって傭車を探し回る場面が減ります。
制度の面からも、先の物量を読むことの意味は大きくなっています。改正物流効率化法では、荷主に荷待ち時間の短縮や積載効率の向上が求められるようになりました。積載率を上げるにも荷待ちを減らすにも、出発点は数日先の物量が分かっていることです。
導入の進め方は、経済産業省のガイドブックが示す工程に沿うと、次のようになります。
経済産業省「AI導入ガイドブック 需要予測（小売り、卸業）」の導入工程をもとに、物流の例に置き換えて作成。
いちばん時間がかかるのは最後の段階です。予測を毎朝誰が見て、どこまでを人が直し、外れた日に何を書き残すのか。ここが決まっていないと、どれだけ良いモデルを作っても現場の段取りは変わりません。
需要予測AIを検討する前に、確かめておきたいこと
- 日別の出荷実績が最低1年分あり、荷主別・方面別など決めたい単位に分かれている
- 自社のデータで、前年・前週の横引きと比べた当たり具合を見せてもらえる
- どの要因が効いたかを、現場の言葉で確かめられる
- データにない予定を、人が上乗せする手順と担当が決まっている
- 実績が増えたときの学び直しを、誰がいつやるのかが決まっている
よくある質問
需要予測AIと、ChatGPTのような生成AIは何が違いますか
生成AIは文章や画像を作るのが得意な仕組みで、数値の予測を目的にはしていません。需要予測AIは、自社の実績と要因の数値データから、先の量を数字で出すための仕組みです。予測結果の説明文を生成AIに書かせる、といった組み合わせはありえますが、予測そのものは別物と考えたほうが安全です。
プログラミングができなくても使えますか
使えるツールは増えています。経済産業省のガイドブックも、中小企業ではプログラミングの知識がなくても画面操作で予測モデルを作れるツールを使うことを勧めています。ただし、実績を表の形に整える、欠けや異常な値を直すといった準備は、どのツールを使っても残ります。
どれくらい当たるものですか
現場とデータによって変わるため、一律の数字は言えません。確かめ方としては、過去の一定期間を伏せて予測させ、実際の値とどれだけずれたかを、前年・前週の横引きと並べて比べるのが分かりやすい方法です。
導入してから効果が出るまで、どれくらいかかりますか
ガイドブックでは、数字で見える効果が安定するまでに一般的に半年から1年程度かかるとしています。業種や対象によって差があります。最初は1つの荷主や1つの工程に絞って始め、うまくいった手順をほかに広げる進め方が現実的です。
需要予測AIは、ベテランが頭の中でやっていた読みを、データと要因から数字にする仕組みです。強みは、その読みを細かい単位で、毎日、同じ基準でくり返せるところにあります。反対に、100%は当たらず、前例のない出来事は読めません。
だからこそ、物流の現場ではAIの数字をそのまま使うのではなく、人が予定を上乗せしてから人数と台数を決める、という順番で組むのが実際的です。まずは日別の出荷実績がどの単位で、何年分残っているかを確かめるところから始めると、どこまで読めそうかの見当がつきます。
あわせて読みたい
- 物流でAIは何ができるのか。使いどころと、手をつける順番物流でAIを使っている会社は36.6％、使いたい会社は95.9％。出荷物量の予測から書類の読み取りまで、効く場所と手をつける順番。
- 需要予測の手法は7つ。出荷物量では、前週同曜日を物差しにして選ぶ52週前の同じ曜日を写すと、2026年の文化の日の予測に去年の祝日明けの山が入ります。前年同期から機械学習まで7つの手法を出荷物量に当てはめ、最初の1つを選ぶ順番まで。
- 需要予測とは。物流現場での使いどころ物流で読むべきは「売れる数」ではなく、センターから出ていく出荷物量です。手法5つの違いと、数日先が読めたときに人と車をどう先に決めるか。
出荷物量を読んで、人と車を先に決める
出荷物量の予測から必要な人数と台数を決める考え方を、全34ページと全30ページの資料にまとめています。いずれも無料です。
資料を見る ›トラック手配台数を前もって確定する
参考：経済産業省「AI導入ガイドブック 需要予測（小売り、卸業）」（2021年3月）／Makridakis, S., Spiliotis, E., Assimakopoulos, V.「M5 accuracy competition: Results, findings, and conclusions」International Journal of Forecasting（2022年）。本記事は2026年9月時点の公表情報に基づきます。