小売の需要予測・在庫をAIで最適化した事例｜売れ残りと欠品を減らす
小売の在庫改善は、勘をAIに置き換える話ではありません。
売れ残りと欠品を同じ表で見て、発注判断を少しずつ整えるのが現実的です。
小売の需要予測をAIで改善する目的は、発注を機械に丸投げすることではありません。
売れ残りと欠品を同じ画面で見て、どの商品を、どの店舗に、いつ、どれだけ動かすかを早く決めることです。
公開事例を見ると、AIが効いている企業ほど、POSデータだけでなく、店舗在庫、物流、天候、イベント、棚の状態までつなげています。
一方で、現場の数え方や例外処理が合わないと、AIを入れても手戻りが増えます。
要点小売のAI需要予測は「予測精度」だけで判断しない
最初に見るべきは、AIモデルの精度ではなく、売れ残りと欠品を同じ表で追えているかです。
ここが見えていないと、精度の高い予測を出しても、発注・補充・値引き・返品のどこを直すべきか分かりません。
小売の需要予測AIで改善できること
小売の在庫問題は、大きく分けると2つ。ひとつは、売れ残りで粗利やキャッシュが圧迫されること。もうひとつは、欠品で売れるはずの商品を逃すことです。
AI需要予測は、この2つを別々に見るのではなく、「どこで余り、どこで足りないか」を商品・店舗・日付単位で見やすくします。
発注AIや自動発注という言葉だけが先に出ることがありますが、実務では次のような判断を支える仕組みです。
- 来週どの商品が欠品しやすいかを早めに見る
- 店舗間で在庫を動かすべき商品を見つける
- 値引きや販促をいつ始めるかを決める
- 人の勘で発注している商品を、ルール付きの判断に変える
- 発注量の上限・下限を決めて、過剰発注を抑える
つまり、AIは「発注担当者の代わり」ではなく、発注担当者が見落としやすい兆候を先に出す補助線です。
この前提で事例を見ると、導入の勘所が分かりやすくなります。
公開事例で見る、需要予測と在庫最適化の使われ方
ここでは、小売のAI在庫最適化に関する公開情報のうち、企業名・取り組み内容・注意点を追いやすいものに絞って整理します。
個別企業の成果は、業態、商品点数、物流網、データ品質で大きく変わるため、自社にそのまま当てはめないこと。設計の考え方として見てください。
Target: 40%以上の品ぞろえでAI在庫管理を活用と報道
Business Insiderは2025年6月、Targetが2023年からInventory Ledgerと呼ばれる仕組みを使い、品ぞろえの40%以上でAI駆動の在庫管理を活用していると報じました。
記事では、需要予測が毎週数十億件規模の予測を行い、商品不足を減らす狙いがあると説明されています。
この事例で重要なのは、AIが単独で魔法のように需要を当てている点ではありません。
店舗、商品、日付ごとの在庫と販売の動きを継続的に見ること。欠品が起きる前に動ける状態を作っている点が本質です。
Walmart: 物流拠点と店舗補充までつなげる
Walmartについては、Business Insiderが2025年9月、高度に自動化された食品物流拠点の取り組みを報じました。
記事によると、サウスカロライナ州Wellfordの拠点は725,000平方フィートで、約180店舗に配送し、約98%が自動化。天候やスポーツイベントなども踏まえ、需要の変動に合わせて在庫を動かす考え方が紹介されています。
中小企業がこの規模の設備をまねる必要はありません。ここで参考になるのは、発注画面の外まで見る姿勢です。
倉庫、店舗、EC、販促予定、天候などを少しずつ結び、「在庫をどこへ動かすか」まで決める。そこまで進めて、初めて需要予測が実務に近づきます。
Starbucks: 自動カウントを9か月で中止と報道
成功事例だけを見ると、AI需要予測はすぐ使えるように見えます。しかし、現場の数え方が合わないと逆効果です。
TechRadarは2026年6月、StarbucksがAutomated Counting and Orderingという在庫カウント支援ツールを9か月で中止したと報じました。似た容器の識別、空間認識、誤カウントなどが課題になったとされています。
出典: TechRadar「Starbucks abandons AI inventory tool after only nine months」(2026年6月7日・英語)
注意自動発注より先に「在庫の数え方」をそろえる
AIは、間違った在庫数を正しく直してくれる道具ではありません。
棚卸し、返品、廃棄、値引き、取り置き、店舗間移動がPOS上でどう記録されるかを先にそろえないと、予測結果の説明ができなくなります。
| 公開事例 | AIの使いどころ | 自社で見るべきポイント |
|---|---|---|
| Target | 大規模な品ぞろえの在庫管理と需要予測 | 商品・店舗・日付ごとの販売と在庫が追えるか |
| Walmart | 物流拠点、店舗補充、天候やイベントを含む予測 | 発注だけでなく、移動・補充・販促までつなげられるか |
| Starbucks | 店舗在庫の自動カウントと発注支援 | 現場の数え方、例外処理、誤認識時の戻し方があるか |
商材別に見る、AI需要予測の効きやすさ
AI需要予測は、どの商品にも同じように効くわけではありません。
売れ方が安定していて、過去データが多く、欠品や廃棄の記録がそろっている商材ほど始めやすくなります。
| 商材 | 始めやすさ | 向いている使い方 | 注意点 |
|---|---|---|---|
| 日用品・定番品 | 高い | 欠品予兆、発注点の見直し、店舗間移動 | 特売や棚替えを通常需要と混ぜない |
| アパレル | 中程度 | サイズ・色別の偏り、売れ残り移動、値引き時期 | 流行、天候、EC在庫との連携が必要 |
| 食品・惣菜 | 中程度 | 廃棄削減、製造量、時間帯別補充 | 期限、天候、曜日、イベントの影響が強い |
| 季節商品 | 低め | ピーク前の発注量、終了時期の見極め | 前年データだけでは外れやすい |
| 新商品 | 低め | 類似商品の初速比較、追加発注の判断 | 過去データが少なく、人の仮説が必要 |
特に食品や惣菜では、値引き販売や期限切れ前の販売を通常需要として扱うと、予測が歪む可能性があります。
2026年2月の研究は、期限が近い商品の値引き販売を需要データとして扱う際の注意点を扱ったものです。小売の現場では、値引き、廃棄、返品、欠品を別の列で残す。ここが後の予測精度を左右します。
小売企業が最初にそろえるべきデータ
小売のAI需要予測は、いきなり高機能なシステムから始めるより、まずデータの見え方をそろえるほうが現実的です。
Excelやスプレッドシートでも、最初の検証はできます。
- 商品コード、カテゴリ、サイズ、色、仕入先
- 店舗別・日別の販売数と売上
- 開店日、曜日、天候、イベント、販促予定
- 発注数、納品数、返品数、廃棄数
- 棚卸し差異、欠品日、在庫切れ時間
- 値引き開始日、値引き率、販促終了日
この中で最初に見るべきなのは、POSの売上ではなく、売れた数と売れなかった理由です。
欠品で売れなかった商品は、POS上では売上ゼロに見えます。売れ残りは、値引きや廃棄を見ないと問題の大きさが分かりません。
メモ「売れなかった」は2種類。需要がなかったのか、欠品して売れなかったのか。AI需要予測では、この2つを分けるだけで精度以前の改善余地が見えます。
90日で始める小売AI需要予測の進め方
90日で見るべきゴールは、高度な自動化ではなく、発注判断を人が説明できる形に戻すことです。
最初から全店舗・全商品を対象にすると、データの抜け、現場ルール、例外処理が一気に出て、導入が止まりやすくなります。
| 期間 | やること | 確認する成果 |
|---|---|---|
| 1〜2週目 | 1カテゴリ、1〜3店舗、20〜50SKUに絞る | 売上、在庫、欠品、値引きの表が作れる |
| 3〜4週目 | 過去13週分の販売・在庫・発注を整理する | 欠品と売れ残りの商品が同じ表で見える |
| 5〜8週目 | AIで翌週需要と欠品リスクを出す | 人の発注との差分を説明できる |
| 9〜12週目 | 発注上限、下限、例外ルールを決める | 続ける商品、外す商品、広げる店舗を決められる |
この段階では、AIの予測値をそのまま発注数にする必要はありません。むしろ、担当者の発注数とAIの予測値が大きく違う商品を見て、理由を話し合うほうが価値があります。
たとえば「AIは多めに出しているが、来週は近隣でイベントがない」「担当者は少なめにしているが、欠品が続いている」といった差分を見ます。
ここで、AIと現場のどちらが正しいかを争うのではなく、判断材料を増やしていくことが導入初期の目的です。
失敗しやすい導入パターン
小売のAI需要予測で失敗しやすいのは、ツール選定から入るケースです。
特に、次の状態で自動発注まで進めると、現場の不信感が強くなります。
- 棚卸し差異が大きいのに、POS売上だけで予測している
- 欠品日、廃棄、値引き、返品が同じ列に混ざっている
- 発注担当者が、AIの出した数量の理由を説明できない
- 例外時に誰が止めるか、誰が直すかが決まっていない
- 店舗スタッフの入力負担だけが増えている
AIの予測精度を上げる前に、現場が納得できる戻し方を決めてください。
予測値を採用しない場合の理由を残す、例外商品を一時的に対象外にする、一定以上の差分は人が承認する。このような運用ルールがあると、AI導入が現場任せになりません。
社内でAI利用を広げる場合は、在庫データや商品データの扱いも明確にする必要があります。
基本的な考え方は、AI利用ガイドラインの作り方で整理しています。需要予測だけでなく、問い合わせ対応や販促文作成にもAIを広げたい場合は、生成AIの社内活用も合わせて確認してください。
小売のAI在庫最適化は、販売導線まで見ると効果が出やすい
需要予測と在庫最適化は、バックヤードだけの話に見えがちです。
しかし、売れ残りを減らすには、EC、LINE、メルマガ、店頭POP、広告、キャンペーン設計まで含めた売り方の調整が欠かせません。欠品対策では、売れ筋商品の見せ方や予約導線もセットで検討する。
AI導入を「在庫管理システムの話」だけで終わらせると、予測は出ても売り方が変わりません。
小売の実務では、販売導線まで一緒に見るほうが成果につながります。
- 余りそうな商品を、どの顧客に、どのタイミングで案内するか
- 欠品しそうな商品を、予約・取り置き・代替提案へ切り替えるか
- 売れ筋商品の在庫を広告やLPの訴求と連動できるか
- 在庫の動きから、次回仕入れや新商品の見せ方を変えられるか
相談御社向けの小売AI導入も、小さく設計できます
公開事例は大企業の話に見えますが、最初の検証は1カテゴリ・1店舗・20〜50SKUから始められます。
AI経営手帖を運営するノーサイドでは、需要予測だけでなく、在庫データの整理、現場運用、ECや広告を含む販売導線まで一体で設計できます。自社の在庫課題をAIでどこから直すべきか確認したい場合は、お問い合わせフォームからご相談ください。
AI導入全体の考え方は、AI導入戦略の立て方でも整理しています。
小売の需要予測では、ツール名よりも、商品・店舗・販促・現場運用をどうつなぐかが重要です。
よくある質問
Q小売のAI需要予測は何から始めればよいですか？
A最初は1カテゴリ、1〜3店舗、20〜50SKU程度に絞り、売上、在庫、欠品、値引き、廃棄を同じ表で見られる状態を作ります。全商品を一気に対象にすると、データ整理だけで止まりやすくなります。
QExcelやスプレッドシートだけでも検証できますか？
A初期検証なら可能です。過去13週分の販売数、在庫数、発注数、欠品日、値引き情報をそろえるだけでも、売れ残りと欠品の偏りは見えます。本格導入前に、表で説明できる状態を作ることが大切です。
QAIで発注を完全自動化できますか？
A一部商品では自動化できますが、初期から完全自動にするのは危険です。欠品、廃棄、返品、棚卸し差異、販促予定などの例外があるため、最初はAIの推奨値を人が確認する運用から始めるのが現実的です。
Qアパレルの在庫にもAI需要予測は使えますか？
A使えます。ただし、サイズ、色、季節、トレンド、EC在庫の影響が大きいため、日用品より難しくなります。最初は定番品や毎年売れる型番から始め、セール品や新商品は別扱いにするほうが安定します。
Q需要予測の精度は何%なら合格ですか？
A一律の合格ラインはありません。重要なのは、予測精度そのものより、欠品回数、廃棄額、値引き率、発注作業時間が改善しているかです。商品カテゴリごとにKPIを分けて見る必要があります。
Q導入前に相談すべきことは何ですか？
A対象商品、店舗数、使えるデータ、在庫差異、発注担当者の判断ルール、販売導線へのつなぎ方を整理してください。ノーサイドでは、AI需要予測の検証設計からEC・広告・販促への活用まで一体で相談できます。
