総合情報サイト / AI活用事例・AI導入事例 / AIを活用した需要予測による在庫最適化

AIを活用した需要予測による在庫最適化

ここ数年で、AIを活用して商品の需要を予測する動きが増えてきています。 AIを需要予測に使う目的は様々ですが、最も多いのは在庫の最適化です。 どの商品がどのくらい売れるのかをAIが予測できれば、最適な在庫数を保つことができます。 本記事では、AIを使った需要予測によってどう在庫が最適化されるのか、事例を交えて解説していきます。

  • 一般的な在庫最適化方法は3つ

    一口に在庫最適化といっても、扱う製品の種類や規模によって、在庫を最適化する方法は異なります。
    どのような方法があるのか、在庫数を最適に保つ方法として3つご紹介します。

    ・適切な在庫数を設定する
    ・製品の需要予測を取り入れる
    ・過剰在庫・滞留在庫の確認をする

    適切な在庫数を設定する

    1つ目の方法は、適切な在庫数を設定する方法です。
    製品ごとに適切な在庫数を設定しておき、それに基づいて発注・在庫数を管理する方法です。
    一般的には、定量発注方式や発注点方式と呼ばれます。減った在庫数を一定の在庫数に補充していくようなイメージです。
    この方法のメリットは、発注するタイミングや発注数を考える手間がかからない点です。
    基準を下回ったら機械的に発注を行うため、売れ行きが安定しているものや価格が安いもの、重要度が低い製品の発注に向いています。

    製品の需要予測を取り入れる

    2つ目の方法は、製品の需要予測を取り入れる方法です。
    1つ目にご紹介した定量発注方式では、季節やイベントといった需要の変化に対応できません。
    そのため、店舗近隣の催事やキャンペーンなどの外部環境を踏まえ、適切な在庫数を判断するのがこの方法です。
    ですが、製品ごとにその都度発注数や発注のタイミングを考える必要があり、発注工数がかかる点がデメリットといえます。
    加えて、担当者判断での発注・在庫管理はミスを生む可能性が高く、発注経験者しかできないのも難しい点です。

    過剰在庫・滞留在庫の確認をする

    3つ目は、過剰在庫や滞留在庫の確認をして在庫を最適化する方法です。
    定期的な棚卸しの際に在庫数を確認し、在庫異常を発見・対策する方法になります。
    特に取り扱う商品が多い企業は、全在庫を頻繁に確認することは難しいです。
    そのため、定期的な在庫点検のタイミングで異常を検知し、修正する動きが必要になります。
    適切な在庫数が保てなかった原因の究明・対策を行うことで、未来の在庫異常を未然に防げる点がメリットです。

  • 在庫管理にAIを活用するメリット


    在庫数を適切に保つには、発注方法を変える、在庫数の異常を見つけて変更するなどの方法がありました。
    ですが、どれも応用が効かなかったり、発注工数がかかりすぎるなどの問題があります。
    実は、これらの課題を解決する方法としてAIの活用が注目されているのです。
    AIを在庫管理に活用するメリットとして、代表的な4つをまとめました。

    ・正確な需要予測ができる
    ・過剰在庫や欠品を防げる
    ・ヒューマンエラーを防げる
    ・在庫管理が効率化できる

    正確な需要予測ができる

    AIを活用するメリットとして、精度の高い需要予測が挙げられます。
    在庫数を最適に保つためには、過去の販売データに加えて未来の需要予測も重要です。
    競合商品の販売スケジュールや業界全体の売上変動など、過去のデータからは得られない情報も必要になります。
    発注担当者個人の予測には限界がありますが、AIなら高精度な需要予測が可能です。
    需要予測に必要なデータを学習させることで、未来の需要変動を加味した最適な在庫数を割り出せます。
    発注担当者の経験にかかわらず在庫を最適化できるのが、AIを活用するメリットです。

    過剰在庫や欠品を防げる

    過剰在庫や欠品が発生する確率を抑えられるのも、AI活用のメリットです。
    販売数の減少から適切な在庫数をその都度算出したり、逆に売れ行きが良いものは欠品が出る前に発注できます。
    担当者が商品ごとに発注数を決めるのは手間がかかりますが、AIなら効率的な発注が可能です。
    また、欠品がなくなることで機会損失を防ぐことができ、収益向上が見込めます。
    過剰在庫がなくなれば別の商品仕入れにコストを投下できる上、スペースコストも削減できる点もメリットです。

    ヒューマンエラーを防げる

    在庫管理には、誤発注や発注漏れといったヒューマンエラーがつきものです。
    目視確認で在庫数を見誤ったり、入力時に発注数量を間違えるなど、あらゆるミスが想定されます。
    マニュアルやチェックリストを作るといった対策もありますが、人間が作業する以上、ミスの発生はつきものです。
    AIなら、こうしたヒューマンエラーも最小限にとどめることができます。

    在庫管理が効率化できる

    会社規模が大きくなればなるほど、在庫管理にかかる業務は膨大になります。
    ですが、AIを活用すれば在庫管理・発注業務の大幅な効率化が可能です。
    現在の在庫数・出庫情報・在庫不足などをAIが管理してくれるので、人の介入がほとんど必要ありません。
    店舗数を拡大しても同じAIシステムを転用できるため、会社全体の業務効率化が可能です。

  • AIを活用した在庫の最適化事例3選

    AIを活用することで、在庫を最適な数に保てるだけでなく、発注業務の効率化や収益向上にもつながります。
    具体的なAIの活用事例として、3社をご紹介します。

    大手コンビニエンスストアの事例

    大手コンビニエンスストアでは正確な発注を行うため、各地のベテラン担当者が発注を担当していました。
    ですが、人手不足により発注の知識と経験を持った人材の確保が困難になったことで、AIを活用した需要予測を検討します。需要予測の精度向上、発注業務の時間短縮、欠品削減を目的に、AI導入に踏み切りました。
    当初は食パン、牛乳といった一部商品から、AIによる需要予測を開始しました。
    これらの商品は消費期限が短く、日によって売れ行きに差がありましたが、AIによって高精度の需要予測に成功。
    結果として、発注業務の生産性が3〜4割向上すると共に、欠品率が27%も減少しました。
    さらに、欠品が減少したことで前年比で売上増加にもつながっています。

    大手石油元売り企業の事例

    大手石油元売り企業では、精度の高い需要予測を目的にAIの導入を開始しました。
    同社が取り扱う石油製品は天候や市場の変化を受けやすく、需要予測が非常に難しい製品です。
    そのためコンピュータによる需要予測はあてにならず、長年の経験や勘に頼った需要予測を行っていました。
    AIの導入を開始したのは2018年、一部地域から実証実験として導入を開始しました。
    AIは過去の販売データや原油価格の推移、気温や降水量を元に需要を予測。
    AIが予想した出荷量に基づいて在庫管理を行い、AIの予測と出荷実績の誤差を約5%に収めることに成功しました。
    実証実験が成功したことで、2020年より国内数十か所の拠点でAIの在庫管理を開始しています。

    大手作業用品専門店の事例

    大手作業用品専門店では、2021年よりAIの導入を開始しました。
    約10万品におよぶ商品の発注作業効率化や、欠品の抑制、在庫の最適化が目的です。
    同社が導入したAIでは、商品特性によって2つのアルゴリズムの使い分けが可能。
    在庫回転率が低い商品は在庫の補充、在庫回転率が高い商品は需要予測を行うシステムです。
    これにより、従来では1日約30分かかっていた発注作業が約2分に短縮されました。

  • 「MatrixFlow」を活用した在庫の最適化

    需要予測のためにAIを導入するには、自社で開発する場合と外部のAIを活用する場合とがあります。
    自社の課題に特化したAIを作るには、自社で独自開発するのが1番です。
    ですが、AI導入に対して潤沢な資金や人員が用意できない企業も多いのではないでしょうか。
    社内にプログラミングができる人材がおらず、AI導入を躊躇している企業もあるかもしれません。
    MatrixFlowなら、その課題を解決できます。
    MatrixFlowは、プログラミングせずにAIを構築から運用までできる、AI活用プラットフォームです。
    自社課題に特化したAIの開発から導入まで、MatrixFlowのみで実現できます。
    AIの開発費用や新たな人材を採用する必要はなく、最小人数でAIの導入が可能です。

    MatrixFlowを用いた需要予測

    MatrixFlowを使った需要予測AIは、6つのステップで作成できます。

    1.AIの作成目的を明確にする
    2.AI構築に必要なデータを集める
    3.AIを構築する
    4.構築したAIの検証
    5.AIモデルの完成
    6.AIの導入・運用

    まず最初に、AIで解決したい課題を明確にします。
    「発注作業を◯時間短縮したい」「欠品率を◯%減らしたい」など、AI導入によるゴールを設定しておきます。
    目的が明確になったら、AI構築に必要なデータを集めましょう。需要予測の場合、過去の販売データや商品の情報などがこれにあたります。
    データが集まったら、いよいよAIモデルの構築です。
    MatrixFlowの場合、集めたデータをAIに学習させるだけで、高性能なAIを自動で構築してくれます。
    AIモデル作成後は、推論用のデータで需要予測の精度を確認・検証します。
    精度が低かった場合は、学習させたデータの見直しやアルゴリズムの修正を行うのが一般的です。
    目標とする精度の需要予測ができたら、AIモデルの完成です。実際に現場に導入し、運用を行います。
    以上が、MatrixFlowを使ったAIの需要予測の流れです。詳しい操作方法については、ぜひお問い合わせください。

関連した事例