食品メーカーのAI需要予測入門｜在庫ロスを30%削減する方法
先月、食品メーカーの製造管理担当者からこんな相談を受けました。「多めに作れば廃棄が出る。少なめにすると欠品で機会損失。この繰り返しで現場が疲弊しています」と。
この悩みは珍しくありません。食品の需要は気温・天候・曜日・メディア露出など、複数の要因が同時に絡み合うため、人の勘だけでは限界があります。
この記事では、その解決策をAI需要予測に求めます。中小食品メーカーでも実践できるスモールスタートの方法から、廃棄ロス30%削減を実現した具体的な事例まで解説します。
この記事でわかること
- AI需要予測に必要な4種類のデータとその整理方法
- Excel依存から卒業するためのステップアップ手順
- ProphetやAmazon Forecastなど主要AIツールの比較
- 初期費用を抑えたスモールスタートの進め方
- 廃棄ロスを30%削減した中小メーカーの実際の取り組み
食品メーカーの需要予測はなぜ難しいのか？
食品特有の需要変動には、製造業一般とは異なる複雑さがあります。
賞味期限という制約がある以上、売れ残りはそのまま廃棄コストに直結します。在庫の持ち方を他業種と同じ感覚で考えると、必ずどこかで痛い目を見ます。
加えて、食品の需要には以下のような変動要因が重なります。
- 季節変動：夏はアイス・飲料、冬は鍋料理の素や缶詰が動く
- 天候の影響：猛暑日が続くと清涼飲料水の需要が急増する
- 曜日・祝日：週末前の金曜日は特定カテゴリが伸びやすい
- メディア露出：テレビ紹介で翌日に10倍の注文が入ることも
これらを人の勘と経験だけで捌いてきた担当者は多いはずです。ただ、属人化した予測は引き継ぎができないうえ、精度のばらつきも大きくなります。担当者が異動した途端に現場が混乱する、というのはよくある話です。
AI需要予測に必要な4種類のデータ
AI需要予測の成否は、ツールよりもデータの質で決まります。どんな高度なAIも、入力データが粗ければ精度は出ません。まずここを押さえておきましょう。
必要なデータ一覧と準備ポイント
| データ種別 | 具体的な内容 | 最低必要期間 | 入手先 |
|---|---|---|---|
| 過去の販売実績 | SKU別・日次または週次の出荷数 | 2年以上 | 社内基幹システム・POS |
| 天候データ | 気温・降水量（地域別） | 販売実績と同期間 | 気象庁（無料DL可） |
| イベントカレンダー | 祝日・地域行事・季節イベント | 翌年分まで | 社内作成 |
| 広告・販促データ | チラシ掲載日・TV露出・EC特集日 | 実施履歴すべて | 営業・マーケ部門 |
多くの中小メーカーが「販売実績はあるけど、天候や広告との紐付けはしていない」という状態です。まずExcelで販売実績と天候データを日付ベースで結合するだけでも、大きな前進になります。
天候データは気象庁のWebサイトから無料でダウンロード可能です。商品の主要販売エリアの気象観測所データを取得してください。
データ整備でよくある失敗
見落としがちなのが、欠損データの扱いです。「その日は発注がゼロだった」のか「データが記録されていなかった」のかを区別しないと、AIが誤学習します。過去データを掘り起こす際は、必ず担当者にヒアリングして確認しましょう。
ExcelからAIツールへのステップアップ手順
「いきなりAIはハードルが高い」という方も多いでしょう。段階的なステップを踏めば、現場の負担を最小限に抑えながら移行できます。
ステップ1：Excel移動平均での現状把握（0〜1ヶ月目）
まずは手元のExcelで過去12〜24ヶ月の販売データを整理します。移動平均を計算するだけで、季節のトレンドが視覚化できます。
この段階での目的は「どの商品・時期に予測誤差が大きいか」を把握することです。問題の所在を特定しないまま高度なツールを導入しても、効果は限定的になります。
ステップ2：ProphetでのAI予測導入（1〜3ヶ月目）
Facebookがオープンソースとして公開しているProphetは、コストゼロで始められる需要予測ツールです。
Pythonの基礎知識があれば数十行のコードで動かせます。社内にエンジニアがいない場合は、クラウドソーシングで10〜20万円程度の初期構築費用で対応できます。
Prophetが食品業界向けに優れている主な点は以下のとおりです。
- 季節性（年次・週次・日次）を自動で検出する
- 祝日や特定イベントの影響を変数として追加できる
- データの欠損値に強い設計になっている
ステップ3：クラウドAIサービスへの移行（3〜6ヶ月目）
データ量が増えてきたら、より高精度なクラウドAIへの移行を検討しましょう。主要ツールの比較は以下のとおりです。
| ツール名 | 月額費用目安 | 精度 | 導入難易度 | 向いている規模 |
|---|---|---|---|---|
| Prophet | 0円（OSS） | ★★★☆☆ | 低い | 小規模〜中規模 |
| Amazon Forecast | 約1〜5万円 | ★★★★☆ | 中程度 | 中規模〜大規模 |
| Google Cloud AutoML | 約2〜8万円 | ★★★★★ | 中程度 | 中規模〜大規模 |
| 国内食品特化SaaS | 10〜30万円/月 | ★★★★★ | 低い | 大規模 |
中小メーカーがいきなり月30万円のSaaSを導入する必要はありません。ProphetからスタートしてAmazon Forecastへ移行するルートが、コストと精度のバランスに優れています。
予測精度の評価と改善サイクルの回し方
AI需要予測は導入して終わりではありません。精度を定期的に評価して改善するサイクルこそが、長期的な効果を生み出します。
予測精度の評価指標：MAPEとは
需要予測の精度評価で最もよく使われる指標がMAPE（平均絶対パーセント誤差）です。
計算式は MAPE ＝ |実績 − 予測| ÷ 実績 × 100 です。
MAPEが20%以下であれば実用レベルとされています。食品業界では15〜25%程度が現実的な目標値です。最初から10%を目指す必要はありません。
月次の改善PDCAサイクル
| ステップ | 内容 | 所要時間目安 |
|---|---|---|
| 確認 | 先月のMAPEを商品カテゴリ別に集計 | 1〜2時間 |
| 分析 | 誤差が大きかった商品・時期の原因特定 | 2〜3時間 |
| 改善 | 新変数の追加やモデルのチューニング | 半日〜1日 |
| 検証 | 翌月の精度で改善を確認 | 翌月末 |
最初の3ヶ月は精度が出なくても焦る必要はありません。データが蓄積されるほど精度は上がっていきます。
廃棄ロス30%削減を達成した中小メーカーの事例
実際の導入事例を紹介します。
関西の中小食品メーカー（従業員30名・年商5億円）では、惣菜の廃棄ロスが月間売上の約8%（月約330万円）を占めており、現場の大きな課題となっていました。
取り組みの流れ
最初のステップは、既存の販売データをExcelで整理することでした。SKU別・日次データを2年分揃えるのに約1ヶ月かかっています。次にProphetを使ってスモールスタート。社内にエンジニアがいなかったため、近くの大学生に依頼して初期構築費用15万円で対応したそうです。
導入6ヶ月後の結果は以下のとおりです。
| 指標 | 導入前 | 導入6ヶ月後 | 改善率 |
|---|---|---|---|
| 廃棄ロス率 | 月次売上の8% | 月次売上の5.6% | ▲30% |
| 廃棄金額 | 月約330万円 | 月約230万円 | 月約100万円削減 |
| 欠品回数 | 月15〜20回 | 月5〜7回 | 約65%減 |
| MAPE | 測定なし | 約18% | 実用水準達成 |
廃棄ロスの削減だけでなく、欠品も約65%減少しています。在庫ロスと機会損失を同時に改善できた好事例です。初期投資15万円に対して月約100万円の削減効果なので、投資回収は1ヶ月以内に完了した計算になります。
まとめ
食品メーカーのAI需要予測について、要点を整理します。
- 食品の需要は季節・天候・曜日・メディアなど複数要因が絡み合う
- まず4種類のデータ（販売実績・天候・イベント・広告）を整理することが先決
- Prophetからスタートするスモールスタートがコストパフォーマンス最良
- MAPEで定期的に精度を評価し、月次の改善サイクルを回す
- 初期費用15万円から始めても廃棄ロス30%削減は十分に達成できる
「AI導入は大企業向け」というイメージをお持ちの方も多いかもしれませんが、実際は初期費用15〜20万円から始められます。まずはExcelのデータ整理から、最初の一歩を踏み出してみてください。
よくある質問
Q1: AI需要予測の導入に必要な最低データ量はどのくらいですか？
A1: 最低でも1年分、できれば2年以上の日次または週次販売データがあれば始められます。データが少ないほど精度は下がりますが、1年分あれば季節性を捉えた予測は可能です。まず手元のデータで試してみましょう。
Q2: エンジニアが社内にいなくても導入できますか？
A2: できます。ProphetはPythonコードがネット上に豊富に公開されているので、フリーランスエンジニアに依頼すれば10〜20万円程度で初期構築できます。運用フェーズはノーコードのダッシュボードに移行する方法もありますよ。
Q3: 小ロット多品種の食品メーカーでも使えますか？
A3: 使えます。むしろ多品種の場合は人による予測が破綻しやすいため、AI導入の効果が大きくなりやすいです。SKUが数百以上ある場合はABCランク分析を先に行い、AランクとBランクの商品から優先的に精度を上げるのが現実的な進め方です。
Q4: 導入コストの目安を教えてください。
A4: スモールスタートの場合、初期構築費用が15〜30万円、月次の運用・改善コストが3〜5万円程度が目安です。クラウドAIサービスを使う場合は月1〜5万円のシステム利用料が加わります。廃棄ロスが月30万円以上出ているなら、半年以内で投資回収できますよ。
Q5: 需要予測AI導入後、何ヶ月で効果が出ますか？
A5: 一般的に3〜6ヶ月でMAPEが安定し、廃棄ロスの改善が数字として見えてきます。最初の1〜2ヶ月はデータ整備とモデル構築に時間がかかるため、焦らず取り組むことが大切です。6ヶ月後を目標に効果検証の計画を立てておくといいでしょう。
Q6: 既存の基幹システム（ERPなど）と連携できますか？
A6: 多くのケースで連携可能です。最初はCSVエクスポートで手動連携する方法でも十分機能します。将来的にはAPI連携で自動化できますが、最初から完全自動化を目指すと費用が膨らむので、段階的な連携をおすすめします。
