需要予測の精度はどこまで上がるのか。当たらない現場に共通する5つのこと

需要予測がどこまで当たるかには、業界で通じる「何%なら合格」という線がありません。同じ出荷実績でも、センター全体の翌日の合計を読むのか、品目ごとの1か月先を読むのかで、外れの大きさが何倍も変わるからです。物流の現場で使える物差しは、前週の同じ曜日の実績をそのまま写した予測より外れが小さいかどうかと、その外れを人数に直したときに応援で埋められる幅に収まっているかの2つです。私たちは、予測が当たらないと相談される現場の多くで、原因は手法より手前にある5つのこと（読んでいる量・単位・実績の汚れ・渡していない予定・人の上書き）にあると見ています。

以下では、精度が何で決まるか、どの指標で測るか、外れをどこまで許すかを順に書き、そのうえで外れを生む5つのことと、直す順番を並べます。物流で読むべき量そのものの話は「需要予測とは」の解説で、前年同期から機械学習までの違いは需要予測の手法の比較で扱ったので、ここでは「当たったかどうか」の側から見ていきます。

需要予測の精度は、予測する単位と先の期間の長さでおおよそ決まります

センター全体の日別の出荷を翌日分だけ読む予測と、品目ごとの出荷を1か月先まで読む予測とでは、同じ手法を使っても外れの割合が大きく違います。品目ごとの出荷には、ある店の棚替えや1件の大口注文のような偶然の上下が乗りますが、何百品目も足し合わせると、上に振れた品目と下に振れた品目が打ち消し合って合計の波はなだらかになります。先の期間も同じで、明日の物量はすでに入っている受注や前日までの流れからかなり見えていますが、1か月先には新しい販促や天候のように、今の時点では誰も知らない要因が積み重なります。だから「うちの予測は精度が低い」と感じたときは、手法を疑う前に、どの単位をどれだけ先まで読もうとしているのかを書き出すのが先です。

表1のとおり、人数と台数を決めるのに要るのは上の2段の予測で、品目別の細かさまでは要りません。ほかの会社が公表している「予測精度90%」のような数字と自社の数字を並べたくなりますが、予測の研究者のStephan Kolassaは、公表された調査の数字は品目・期間・細かさ・指標がそろっておらず、比べる物差しにならないと指摘しています。私たちも、他社の数字ではなく自社の過去の予測と比べて、外れが縮んでいるかを見るやり方をすすめています。その比べ方が次の章の話です。

当たり具合はMAPEより、外れの合計を実績の合計で割ったWAPEで測ります

物流の日別の出荷を測るなら、週の外れの総量を週の出荷の総量で割るWAPEと、外れが多め・少なめのどちらに偏っているかの2つを見ると、当たり具合を取り違えません。よく使われるMAPEは、毎日の外れを実績で割った割合の平均なので、土曜の半日稼働のように物量の小さい日が1日入るだけで大きく跳ね上がります。たとえば平日に3,400〜4,200ケースを出し、土曜だけ300ケースのセンターで、土曜を450ケースと読んだとします。外れは150ケースで人数にすれば1人に満たないのに、その日の割合は50%になり、表2のとおり週のMAPEを11.8%まで押し上げます。

WAPEは週の外れ950ケースを週の出荷19,300ケースで割るので4.9%になり、物量の小さい日に振り回されません。同じ週を前週同曜日の実績で読んでいたら外れの合計は1,150ケースで、今の予測はそれより2割近く外れを縮めています。数字の大きさより、この「何もしない予測と比べてどれだけ縮んだか」のほうが、予測に手間をかけた意味を表しています。もう1つの偏りは、月曜と木曜で少なめに外れる癖が続くと、その日だけ毎週残業が出る形で現場に表れるので、週ごとに足し引きを見ておくと気づけます。

許せる外れの幅は、ケース数を人数に直すと現場の言葉で決められます

何%まで外れてよいかは、外れたケース数を1人が1日にさばける量で割り、何人分の過不足になるかで決めると、センター長と現場で話が合います。たとえば1日4,000ケースを出すセンターで、1人が1時間に60ケース、1日8時間で480ケースをさばくとします。このとき10%の外れは400ケースで、人数にすると0.8人分です。応援を1人呼べば埋まる幅なら、センター全体の予測としては十分に使えると私たちは考えています。1人1時間の処理量を自社の数字で出すやり方は、人時生産性の解説に計算式つきで載せています。

図1で見ると、外れが15%を超えたあたりから、1人の応援では埋まらない日が出てきます。ただし、足りない側と余る側では痛みが違います。人が足りなければ出荷の締め時間に間に合わず、トラックを待たせることになりますが、人が余れば待機の時間が生まれるだけです。そこで、出荷の締めが厳しいセンターでは、予測そのものは偏らないように作り、人数を決める段階で少しだけ上に乗せる、と分けて考えると予測の評価がぶれません。

当たらない現場に共通するのは、手法より手前にある5つのことです

予測が外れると言われる現場を見ていくと、読む量の取り違え、細かすぎる単位、実績に混ざった欠品と臨時の日、渡していない予定、記録のない人の上書きの5つのどれかが、ほぼ必ず見つかります。どれも計算の式を変えても直らず、むしろ高度な手法ほど汚れた実績を忠実に覚えてしまいます。表3に、5つが現場でどう見えるかと、先に直すことを並べました。当てはまるものが2つ以上あるなら、手法を比べるより先にそちらを片付けたほうが、外れは早く縮みます。

荷主の販売予測をそのまま使うと、倉庫の物量は読めません

店で売れる量と、倉庫から出ていく量は、発注のまとめ方や荷姿の違いで日にちも大きさもずれます。荷主の予測が売上としては当たっていても、それを出荷の予測として使うと、発注日に物量が跳ねる動きが消えてしまいます。売れる量と出ていく量がどこでずれるかは、出荷予測と需要予測の比較で発注のまとめ方の例を使って掘り下げました。倉庫の人数を決めるなら、自社のWMSにある出荷の実績から、出荷の量を直接読むほうが外れは小さくなります。

品目別の予測を足し上げると、合計の予測より外れが大きくなります

品目ごとに予測を作り、それを足して日別の合計にしているセンターでは、品目ごとの外れが打ち消し合わずに積み上がることがあります。とくに出荷の少ない品目は、0の日と数ケースの日が交互に来るので、どの手法でも当たり方が安定しません。人数と台数を決める予測は、センター全体と工程別・方面別の合計を直接読み、品目別の予測は補充や保管の判断に分けて使うほうが、両方の役に立ちます。品目ごとの在庫が月に何回入れ替わっているかは在庫回転率の計算式で測れ、回転率から月の出荷量を出して人数の見当をつける使い方もあります。

欠品の日と臨時の出荷を実績のまま学ばせると、翌年に同じ日が外れます

欠品で出せなかった日の出荷は、注文が少なかったのではなく、出せる物がなかっただけです。反対に、新店への初回の投入や棚替えでまとめて出た日は、毎年は来ない山です。どちらも印を付けずに実績のまま使うと、予測は欠品の日を「出荷が少ない日」、棚替えの日を「出荷が多い日」として覚え、翌年の同じ時期に外れます。WMSから実績を落としたら、外れの大きかった日にだけ理由を一言書いておくと、学ばせる前に除くか補うかを決められます。

販促や祝日明けの予定を渡していないと、その日だけが外れ続けます

過去の並びから先を読む手法は、来週に荷主の特売があることを知りません。予測が平日は当たっているのに特定の日だけ大きく外れるなら、その日に何があったかを並べると、ほとんどが販促・新店・祝日明け・月末の締めのどれかに当てはまります。こうした予定は荷主や営業の手元にはあるので、日付と中身の入った表で毎月受け取る取り決めを作ると、予測に渡せる材料になります。祝日や販促の予定をそのまま計算に入れられる仕組みについては、需要予測AIの解説で要因の渡し方として扱っています。

人が予測を直すなら、何をなぜ直したかを残すと外れが減ります

担当者が経験で予測を上書きするのは悪いことではありませんが、記録がないと、直したことで当たったのか外れたのかが分かりません。英国の研究者らが4社のサプライチェーンの6万件を超える予測を調べた研究では、大きな修正は平均して精度を上げた一方、小さな修正はしばしば精度を下げ、上方向の修正は下方向より当たりにくい傾向が出ました。現場でよくある「念のため少し多めに」という手直しは、外れを増やしている側に入るかもしれません。直した人・直した数・理由の3つを予測の横に書いておけば、1か月後に、どの直し方が効いていたかを数字で振り返れます。

精度を上げる順番は、測る・実績を直す・予定を足す・手法を変えるの4段です

外れを縮めるには、今の外れを測ることから始め、実績の汚れを取り、予定を渡し、それでも残る外れを見てから手法やシステムを選ぶ、という順に進めるのが近道です。手法を先に変えると、汚れた実績と足りない予定のまま新しい道具を試すことになり、外れが縮まなかった理由が道具のせいなのか材料のせいなのか分からなくなります。たとえば4週間、今の予測と前週同曜日を並べてWAPEと偏りを記録するだけでも、外れが特定の曜日や予定のある日に集まっているかが見えてきます。そこまで見えていれば、次に何を直すかを会議で決められます。

図2の最後の段まで来たら、自社の過去の実績の一部を伏せて、候補の手法やシステムに当ててもらうと比べやすくなります。伏せたデータで当ててもらう比べ方はシステム選びの6つの観点の中で、外れを残すブックの組み方はエクセルで出荷を予測する手順の中で、具体的に書いています。外れの縮んだ予測を、工程ごとの人の割り振りにどうつなげるかはMatrixFlowの人員配置の進め方にまとめました。

よくある質問

参考：Stephan Kolassa「Can We Obtain Valid Benchmarks from Published Surveys of Forecast Accuracy?」Foresight, Issue 11（2008年）／Robert Fildes, Paul Goodwin, Michael Lawrence, Konstantinos Nikolopoulos「Effective forecasting and judgmental adjustments」International Journal of Forecasting 25(1)（2009年）／Rob J Hyndman, George Athanasopoulos「Forecasting: Principles and Practice（3rd ed.）5.8 Evaluating point forecast accuracy」。表2・図1の数字は説明のための例です。内容は2026年10月時点で公表されている情報をもとにしています。