物流・倉庫の物量予測AI
需要予測の手法は、過去の出荷の並びだけから次の数字を出す方法と、曜日や祝日、荷主の販促といった量を動かす要因を入れて出す方法の二つに分かれます。前者には前年同期、前週同曜日、移動平均、指数平滑、ARIMAに代表される時系列モデルがあり、後者には回帰分析と機械学習があって、物流の出荷物量に使う手法はこの7つでほぼ足ります。私たちは、前週同曜日の数字を物差しとして横に置き、ほかの手法がそこからどれだけずれを縮めたかで選ぶのが、倉庫や物流センターではいちばん迷わない決め方だと考えています。
手法の名前と仕組みを覚えても、自社の出荷にどれを当てればよいかは決まりません。同じ移動平均を使っても、月曜に出荷が集まるセンターでは山を毎週取りこぼし、曜日の差が小さいセンターでは担当者の読みとほとんど変わらない数字が出るからです。どの手法が合うかは、出荷の数字がどんな波を持っているかと、手元に何年分の実績と何の予定がそろっているかで変わってきます。物流で読むべき量が売れる数より出荷物量である理由は、需要予測の基本を物流の現場に置き換えた記事に書きました。
7つの手法は、要因を計算に入れられるかどうかで二つの系統に分かれます
前年同期・前週同曜日・移動平均・指数平滑・時系列モデルの5つは出荷実績の並びだけを材料にし、回帰分析と機械学習の2つは曜日や祝日、販促の予定を別の列として受け取って計算に入れます。並びだけを使う手法は準備が軽いぶん、去年や先週に起きなかった出来事を知る入口を持っていません。たとえば来週の火曜から荷主のセールが始まると分かっていても、移動平均にはその予定を伝える場所がなく、担当者があとから数字を上乗せするしかありません。表1は、出荷物量を読むときに効いてくる四つの点で、7つの手法を並べたものです。
| 手法 | 材料にするもの | 曜日の波 | 祝日・連休 | 荷主の販促 | 予測の本数が増えたとき |
|---|---|---|---|---|---|
| 前年同期 | 去年の同じ時期の実績 | 日付で合わせると曜日がずれる | 年ごとに並びが変わって外れる | 読めない | 手間はほぼない |
| 前週同曜日 | 先週の同じ曜日の実績 | 読める | 連休の前後で外れる | 読めない | 手間はほぼない |
| 移動平均 | 直近の数日から数週の平均 | ならされて消える | 読めない | 読めない | 軽い |
| 指数平滑 | 直近ほど重く見た平均 | 季節つきの型なら読める | 読めない | 読めない | 軽い（持ち越す割合を決めるだけ） |
| 時系列モデル（ARIMAなど） | 自分の過去の値と過去のずれ方 | 周期を一つ持たせれば読める | 外から渡せば読める | 外から渡せば読める | 1本ずつ型を選ぶ手間が重い |
| 回帰分析 | 量と要因の関係 | 曜日を列にすれば読める | 列にすれば読める | 列にすれば読める | 本数分の式を保つ手間がかかる |
| 機械学習 | 多くの要因と、その組み合わせ | 読める | 読める | 読める | 同じ手順で何本でも回る |
この分け方は、経済産業省が中小企業向けに出している「AI導入ガイドブック 需要予測（小売り、卸業）」の整理とも重なります。ガイドブックは、周期や季節の規則性が強いときの時系列モデル、要因の効き方を説明したいときの重回帰、説明より精度を優先したいときの機械学習の三つを挙げ、画面操作のツールではこれらをまとめて試して、利用者が決めた物差しで最も良いものを提案する使い方を紹介しています。手法を決め打ちせずに同じ物差しで比べるのが今の進め方なので、現場では手法の名前より先に、何と比べて良し悪しを決めるかをそろえておくと話が早く進みます。
前年同期と前週同曜日は、ほかの手法のずれを測る物差しとして使います
去年の同じ時期や先週の同じ曜日の実績を来週の予測としてそのまま使う方法は、単独で使うより、ほかの手法がどれだけずれを縮めたかを測る基準として残すと役に立ちます。計算がいらず、誰が出しても同じ数字になるので、比べる相手として公平だからです。ただし二つとも暦の並びに弱く、祝日と連休が絡む日には大きく外します。表2は、2026年の秋の4日について、それぞれの物差しがどの日の実績を写してくるかを並べたものです。
| 予測する日 | その日の事情 | 前年の同じ日付 | 52週前の同じ曜日 | 前週の同じ曜日 |
|---|---|---|---|---|
| 9月24日（木） | 5連休の明け | 2025年9月24日（水）秋分の日の翌日 | 2025年9月25日（木）ふつうの日 | 9月17日（木）ふつうの日 |
| 9月28日（月） | ふつうの月曜 | 2025年9月28日（日）休み | 2025年9月29日（月）ふつうの月曜 | 9月21日（月）敬老の日 |
| 11月3日（火） | 文化の日 | 2025年11月3日（月）文化の日 | 2025年11月4日（火）祝日明け | 10月27日（火）ふつうの日 |
| 11月4日（水） | 祝日明け | 2025年11月4日（火）祝日明け | 2025年11月5日（水）ふつうの日 | 10月28日（水）ふつうの日 |
2026年の9月は、敬老の日の21日と秋分の日の23日に挟まれた22日も休日になり、19日の土曜から23日の水曜まで5連休が続きました。祝日に稼働を止めるセンターが連休明けの24日を先週の同じ曜日で読むと、連休前のふつうの木曜を写すので、たまった出荷の山を丸ごと取りこぼします。翌週の月曜は逆に、休みだった敬老の日を写して予測がほぼゼロになり、11月の文化の日では、曜日をそろえるために52週前を使うと、休みの日の予測に去年の祝日明けの山がそのまま入ってきます。手で回すなら、物差しは前週同曜日を基本にして、祝日と連休が絡む週だけ人が写す日を選び直す使い方が現実的だと思います。
成人の日・海の日・敬老の日・スポーツの日は月曜に固定されているので、52週前の同じ曜日で合わせると多くの年で同じ週に並びます。元日や文化の日のように日付で決まる祝日と、春分の日・秋分の日は毎年曜日が動き、前年の物差しを使うたびにずれが生まれます。
移動平均は曜日の山と谷をならすので、曜日の係数をかけて使います
直近6日の平均をそのまま来週の各曜日の予測にすると、月曜に出荷が集まるセンターでは毎週同じだけ少なめに外れ、土曜は毎週同じだけ人が余ります。平均は、曜日ごとの山と谷を一つにならした値でしかないからです。表3は、月曜から土曜まで稼働する架空のセンターで、4週分の実績から曜日ごとの平均を出し、全体の平均に対する比を曜日の係数にしたものです。その後に直近1週間の平均が1,200ケースまで上がってきたとき、平均だけで読むと月曜の予測も1,200ケースのまま動きません。
| 曜日 | 4週の平均（ケース） | 曜日の係数 | 平均だけの予測 | 係数をかけた予測 |
|---|---|---|---|---|
| 月 | 1,500 | 1.32 | 1,200 | 1,584 |
| 火 | 1,150 | 1.01 | 1,200 | 1,212 |
| 水 | 1,050 | 0.93 | 1,200 | 1,116 |
| 木 | 1,100 | 0.97 | 1,200 | 1,164 |
| 金 | 1,300 | 1.15 | 1,200 | 1,380 |
| 土 | 700 | 0.62 | 1,200 | 744 |
係数をかけた月曜の予測は1,584ケースで、平均だけの予測との差は380ケースを超えます。1人が1日に100ケースを運ぶ現場なら、およそ4人分の差が毎週月曜に残業と応援で埋められていた計算です。出荷の水準は平均に、曜日の形は係数に任せると役割を分けるだけで、手で回せる範囲でも外れ方はかなり変わります。平均だけの予測で発注まで決めていると、多めに外れた分が毎週少しずつ棚に残り、季節が変わるころには出荷の当てがないデッドストックになって積み上がります。
指数平滑は、直近の実績ほど重く見て、前回の予測が外れた分のうち決まった割合だけを次の予測に持ち越す方法です。たとえば前回1,000ケースと予測した日に実際は1,200ケース出たなら、外れた分の2割を持ち越すと次は1,040ケース、5割を持ち越すと1,100ケースになります。割合を大きくするほど急な増減に早く追いつく代わりに、1日だけの山や谷まで追いかけて数字が落ち着かなくなるので、出荷の水準がじわじわ動く現場では小さめの割合から始めると扱いやすいはずです。1950年代の後半にブラウンやホルトが考えた古い方法で、のちにウィンターズが季節の波を足したホルト・ウィンタース法を使えば、日別の出荷でも7日を一つの周期として曜日の形を持たせられます。
ARIMAなどの時系列モデルは、年の波と祝日を外から渡すと日別の出荷に使えます
ARIMAは、昨日までの値と、これまでの予測のずれ方の癖から明日を出す方法で、決まった周期で同じ形をくり返す数字なら数日先まで素直に読めます。ところが日別の出荷には、曜日の波と年の波という長さの違う二つの周期があり、そこへ祝日が年ごとに違う並びで割り込んできます。予測の手法を体系立ててまとめたHyndmanらの教科書も、日別のデータは週と年の両方の波を持ちうるとし、基本的な手法の多くはこうした季節の複雑さを扱えないと書いています。
そこで実務では、年の波と祝日の分を先に分けておくか、別の列として外から渡し、時系列モデルには曜日の波と直近の動きだけを読ませる組み立てにします。図1は、その組み立てを順に並べたものです。荷主別・方面別に何本も持つ場合は、1本ずつ型を選んで調整する作業が重くなるので、自動で型を選ぶツールに任せる前提で組むのがよいと私たちは考えています。
前年の同じ時期の水準、連休の前後の増減
7日を一つの周期にする
回帰分析と機械学習は、祝日明けや販促の予定をそのまま予測に入れられます
回帰分析は「月曜なら何ケース増える」「祝日明けなら何ケース増える」を過去の実績から一つずつ数字にして足し合わせる方法で、来週の予定さえ分かっていれば、前例のある山は前もって予測に入ります。図2は架空の木曜日の例で、ふだんの水準に、祝日明け、荷主のセール初日、月末の締めの分をそれぞれ足して1,800ケースと読んでいます。要因ごとの効き目が数字で見えるので、予測が外れた日に、どの要因の読みが甘かったのかを現場で話し合えるのも回帰の強みです。回帰の式を、前日の受注件数と祝日の列から実際に組み立てる手順は回帰モデルの考え方を出荷の例で追った記事で詳しく書いています。
一方で回帰は要因の効き目を足し算で表すので、祝日明けとセールが重なった日に足し算以上に跳ねる、雨の日だけセールの効きが鈍る、といった組み合わせの効き方は読みにくくなります。機械学習は、決定木を何本も重ねる勾配ブースティングやランダムフォレスト、ニューラルネットワークといった方法で、そうした組み合わせを実績から自動で見つけてくれます。要因が数個のうちは効き目を一つずつ説明できる回帰のほうが現場で扱いやすいので、私たちは要因が10を超えるか予測の本数が多くなったら機械学習、を目安にしています。AIに替えると予測の何が変わり、何が変わらずに残るのかは、需要予測AIでできることとできないことを書いた記事に譲ります。
要因を入れる手法は、来週の予定だけでなく、過去の日にどんな予定があったかの記録がないと学べません。荷主のセールや休業日を、日別の出荷実績の横に今日から1列ずつ書き足しておくと、半年後に回帰や機械学習を試すときにそのまま材料になります。
最初に試す手法は、実績の長さと予定の受け取り方と予測の本数で決まります
日別の実績が1年に満たないうちは移動平均か指数平滑に曜日の係数をかけ、1年分たまって祝日や販促の予定も受け取れるなら回帰へ、予測が荷主別・方面別に何十本にも増えたら機械学習へ、という順に進めるのが崩れにくい選び方です。年の波は同じ季節を一度も通っていない実績からは読めないので、手法の順番はデータのたまり方に合わせるしかないからです。図3は、その分かれ道を三つの問いにしたものです。
移動平均か指数平滑に、曜日の係数をかけて始める
次の問いへ
ホルト・ウィンタース法やARIMAで、曜日と年の波を読む
次の問いへ
回帰分析で、要因を一つずつ数字にする
機械学習で、同じ手順をくり返す
どれか一つに決めきらなくてもかまいません。2018年に結果がまとまった予測手法の国際コンペティションM4では、10万本の時系列を使って精度が競われました。上位17の手法のうち12は、複数の手法の予測を組み合わせたものです。最も精度が高かったのは指数平滑とニューラルネットワークを一つにした手法で、組み合わせの基準より1割近く精度が高く、機械学習だけで組んだ6つの手法は、その基準を一つも上回れませんでした。物流の現場に置き換えるなら、指数平滑と回帰の予測を並べて平均するだけでも、一つの手法に賭けるより大外れの日は減ると私たちは見ています。
どれくらい先を読むかでも、効く手法は変わります。翌日から数日先なら、前日の受注件数のような直前の手がかりを列にできる回帰や機械学習が強く、1か月以上先は日別に読むより週別にまとめ、年の波を持たせた指数平滑で水準を見るほうが外れ方は穏やかになると考えています。予測をどの細かさで持つかの目安は、倉庫の人数を決める出荷予測の読み方で決めることごとに表にしました。読んだ物量を工程ごとの人数に直すところは、予測した物量から必要な人数を出すまでの流れで紹介しています。
手法を試す前に、日別の出荷実績の横に足しておく列
- 曜日と、祝日・休業日の印
- 連休の何日目か、連休明けの何日目か
- 荷主のセール・販促・新商品の発売日
- 月末や締め日までの残りの日数
- 前日に入った受注の件数
- 外れた日に、何が起きていたかの一言
列がそろって道具を比べる段になったら、自社の過去の出荷を伏せて各社に当ててもらう比べ方を、需要予測システムを比べるときの観点にまとめています。
よくある質問
手法は一度決めたら、ずっと同じでよいですか
荷主の入れ替わりや取り扱う品目の変化で出荷の動き方そのものが変わるので、同じ手法が当たり続けるとは限りません。半年に一度ほど、直近の数か月について前週同曜日とのずれの差を並べ直し、差が縮まらなくなっていたら、手法を替える前に、効かなくなった要因や新しく増えた要因がないかを見直すと原因に近づけます。
機械学習の手法の名前まで、現場の担当者が知っておく必要はありますか
名前を覚えるより、予測にどの要因を渡したか、何と比べて良いと判断したかを説明できるほうが現場では役に立ちます。多くのツールは手法を自動で試して選ぶので、担当者の手元には、外れた日に何が起きていたかの記録と、前週同曜日と比べたずれの推移を残しておけば足ります。
あわせて読みたい
- 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。
- デッドストックとは。倉庫に残る在庫を減らす順番過剰に仕入れただけでは、税務上の評価損は認められません。止まってからの日数で品目を洗い出し、止める・売る・返す・回す・捨てるの順に減らして、新しく生まない発注まで。
- 回帰モデルとは。需要予測で使うときの考え方前日の通販の受注件数と祝日だけで、出荷の読みのずれは1日260ケースほどに収まりました。単回帰と重回帰の違い、当たり具合を人数に直す計算、Excelでの試し方まで。
自社の出荷実績で、どの手法がどこまで読めるかを見る
出荷物量を数日先まで読み、工程ごとの人数と方面ごとのトラック台数を先に決める進め方を、無料の資料2点にまとめました。
資料を見る ›トラックの手配台数を前もって決める方法を見る
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, Spiliotis, Assimakopoulos「The M4 Competition: Results, findings, conclusion and way forward」International Journal of Forecasting 34巻4号（2018年）／Hyndman, Athanasopoulos「Forecasting: Principles and Practice」第3版／内閣府「国民の祝日について」。表3と図2は説明のための架空の例です。本記事は2026年10月時点の公表情報に基づきます。