需要予測とは？やり方・手法・精度の測り方を基礎から解説｜「当てる」より大切なこと

「需要予測は、未来の売れ数を当てる技術だ」

多くの方が、そう考えています。

だから精度の話になり、どのモデルが何パーセント当たるかの比較が始まります。

ところが、実務でうまくいっている会社は、少し違う捉え方をしています。

需要予測とは、将来ある期間に、どの商品がどれだけ売れるかを数量で見積もることです。

目的は、その数量をもとに発注量と在庫量を決めることにあります。

そして在庫の量は、予測値そのものではなく「予測がどれくらいぶれるか」で決まります。

予測は、当てるためのものではありません。

ズレの幅を数字にするためのものです。

では、「誤差30%」は実際に何個のズレなのか。

率を個数に置き換えると、予測の見え方が変わります。

📌 この記事で分かること

• 需要予測とは何か。販売予測・売上予測との違い
• 主な予測手法5つの仕組みと、向き不向き
• 精度の測り方と、「誤差30%」が実際に何個のズレなのか
• 予測でつまずく3つのパターンと、その避け方

需要予測とは何か

需要予測とは、将来ある期間に、どの商品がどれだけ売れるかを数量で見積もることです。

その数量をもとに、発注量と在庫量を決めます。

「当てる」ことは目的ではない

需要予測の話をすると、精度の議論になりがちです。

何パーセント当たるのか、どのモデルが優れているのか。

ただ、この数字を使う場面を思い浮かべてください。

発注担当者が知りたいのは、「来月ちょうど何個売れるか」ではありません。

「どれくらい多めに持っておけば欠品しないか」です。

要るのは、予測値そのものより、予測がどれくらいぶれるかの幅です。

この幅を吸収するために持つのが、安全在庫です。

需要予測を「ズレの幅を数字にする作業」と捉え直すと、話は精度の1%から、在庫を何個減らせるかに移ります。

2つの見方の違いを図にすると、次のとおりです。

販売予測・売上予測との違い

似た言葉が3つあり、よく混同されます。

用語	見る対象	単位と使い道	主な担当
需要予測	市場で必要とされる量	数量（個）で、発注・在庫を決める	購買・生産管理・MD
販売予測	自社が売る見込み	数量・金額で、営業計画・目標を立てる	営業
売上予測	金額ベースの着地	金額で、予算・資金繰りを見る	経営企画・財務

違いは単位と使い道にあります。

需要予測は個数で考えます。

金額に丸めると、発注に使えないからです。

「今月は300万円売れる」と分かっても、何を何個仕入れるかは決まりません。

営業の視点の販売予測は、販売予測の方法とは？各種方法とNetSuiteを使った分析で扱っています。

主な予測手法5つ

手法にはいくつかの段階があります。

難しいものが、常に優れているわけではありません。

手法	仕組み	向いている商品／弱点	必要な履歴
前年同月コピー	昨年の同じ月の実績をそのまま使う	季節性が強く安定した定番品／トレンドの変化に追随できない	1年以上
移動平均	直近数か月の平均を取る	需要が横ばいの商品／季節変動を平らにならしてしまう	数か月
指数平滑法	直近のデータを重く見て平均する	緩やかに変化する商品／急な変化には反応が遅れる	1年程度
統計モデル	季節性・トレンドを数式で分解する	季節性がはっきりした商品／過去にないパターンには弱い	2年以上が望ましい
AI時系列モデル	複数商品の履歴をまとめて学習する	商品数が多く関連がある商品群／履歴が短いと力を出しにくい	2年以上が望ましい

手法選びより先に決めること

表を見ると、下に行くほど良さそうに見えます。

実際は、履歴の長さと商品の性格で決まります。

履歴が半年しかない商品に統計モデルを当てても、意味のある結果は出ません。

逆に、需要が安定した定番品なら、移動平均で足りることもあります。

どの手法を使っても、精度を測る仕組みがなければ良し悪しは判断できません。

手法の比較に時間をかける前に、測る仕組みを先に作るほうが近道です。

ERPの標準機能でどこまで自動化できるかは、NetSuiteの需要予測（Demand Planning）完全ガイドで製品の側から扱っています。

予測の精度は、どう測るのか

「予測精度が高い」と言うとき、何をもって高いと判断しているでしょうか。

ここが曖昧なままだと、改善の話が前に進みません。

実務の指標は、2つ押さえておけば足ります。

wMAPE：ズレの大きさを率で見る

wMAPE（Weighted Mean Absolute Percentage Error、重み付きの平均誤差率）は、予測がどれだけズレたかを率で表す指標です。

計算の考え方はシンプルで、全商品のズレの合計を実績の合計で割ります。

似た指標のMAPEには、弱点があります。

実績が小さい商品でズレの率が跳ね上がり、全体の数字を歪めてしまうのです（出典：AWS予測誤差ガイド）。

wMAPEは、誤差を合計してから実績の総量で割ります。

そのため、数量の大きい商品ほど自然に重みが大きくなります。

売上への影響が大きい商品を重く見る、という実務の感覚と一致します。

MASE：単純な予測に勝てているかを見る

MASE（Mean Absolute Scaled Error、尺度をそろえた平均誤差）は、単純な方法と比べてどれだけましかを表す指標です。

比べる相手は、「前の期の値をそのまま使う」という素朴な予測です。

季節のある商品では、「前年の同じ時期の値」を使います。

読み方は明快です。

• 1を下回る：素朴な予測より精度が高い
• 1を上回る：素朴な予測より精度が低い

MASEが1を超えているモデルは、手間をかけた意味がないことになります（出典：Amazon SageMaker AI ドキュメント）。

高度な手法を入れたのに成果が出ない。そんなときに、まず見る数字です。

「誤差30%」は、実際に何個のズレなのか

率だけを見ていても、判断はできません。

wMAPE 30%と言われて、良いのか悪いのかを直感で言える人は、まずいないからです。

率は、個数に換算して読みます。

あるEC事業者の例です。

522SKU（商品の管理単位）を対象に、需要予測の仕組みを作りました。

このときのwMAPEは約30%。数字だけなら、3割も外れているように感じます。

ところが個数に置き換えると、見え方が変わります。

状態	月次の誤差幅
従来（担当者の経験による予測）	約±45個
予測モデル導入後（wMAPE約30%）	約±28個

ズレの幅が、45個から28個に縮んでいます。

個数に換算すると、何が決まるのか

個数への換算にこだわる理由は、1つです。

在庫として持つべき数量が、この幅で決まるからです。

予測が±45個ぶれる商品では、その幅を吸収できるだけの在庫が要ります。

±28個に縮めば、持つべき在庫も減ります。

精度の改善は、率の改善ではありません。

在庫金額の削減として現れます。

需要予測を「当てる技術」と見るか、「ズレの幅を数字にする技術」と見るか。

分かれ目は、ここにあります。

自社の数字に置き換えてみる

自社の主力商品で、月次の販売数はどれくらいぶれているか。

過去12か月の実績を並べるだけで、おおよその幅は見えます。

その幅が、いま持っている在庫の量と釣り合っているか。

釣り合っていない会社は、過剰在庫か欠品のどちらかを抱えています。

前年実績のコピーは、なぜ「予測」ではないのか

多くの現場で使われているのが、前年同月の実績をそのまま今年の計画に置く方法です。

手軽で、それなりに機能します。

ただし、これは予測とは呼べません。

前年コピーに欠けているもの

欠けているものは3つあります。

• ズレの幅が分からない：前年の数字を置いても、今年どれくらい外れるかは示されない。安全在庫の根拠が作れない
• 変化を織り込めない：商品の入れ替え、販促の有無、市場の変動が前年と違えば、前年の数字は使えない
• 外れた理由を検証できない：前提が入っていないため、なぜ外れたのかを分解できない。改善の手がかりが残らない

それでも前年コピーには役割がある

前年コピーには、比較の基準線という役割があります。

第3章のMASEは、「素朴な予測に勝てているか」を測る指標でした。

季節のある商品では、この素朴な予測が、まさに前年コピーにあたります。

前年コピーは、予測手法ではなく物差しとして使うのが正しい位置づけです。

新しい仕組みを入れるときは、まず前年コピーで計算した誤差を出してください。

それを超えられなければ、入れる意味がありません。

なぜ「4か月先」を読む必要があるのか

需要予測の議論でよく抜けるのが、どれくらい先を読むのかです。

来月の数字を当てても、間に合わないことがあります。

発注してから届くまでの時間

海外から仕入れる場合、発注から入荷までに3か月程度かかることは珍しくありません。

生産の手配、船便での輸送、通関、国内配送が積み重なるためです。

今日の発注判断が効くのは、3か月後の在庫です。

入荷した商品は、その後しばらく売られます。

次の入荷までの期間を含めると、今日決める発注量は、およそ4か月先の需要への答えになります。

先を読むほど、ズレは大きくなる

予測は、先の期間ほど当たりにくくなります。

来月と4か月先なら、後者のほうがぶれるのは当然です。

4か月先を正確に当てることはできません。

できるのは、「4か月先はこれくらいぶれる」と幅で押さえ、その幅を在庫で吸収する設計です。

リードタイムが長い事業ほど、予測の役割は「当てる」から「幅を示す」へ移っていきます。

リードタイムが短い場合

国内調達で、発注から入荷まで1週間という商品もあります。

この場合、遠い先を読む必要は薄れます。

在庫が減ったら発注する、という運用でも回ります。

自社のリードタイムが何か月かを知ることが、予測に取り組む前の前提です。

商品によってばらつく会社は、まず商品群ごとに分けてください。

精度を上げる3つの条件

手法を変える前に効く条件が、3つあります。

効く順も、この並びのとおりです。

履歴の長さと質

季節性を捉えるには、最低でも2年分の履歴が要ります。

1年では、季節変動なのか単発の出来事なのか区別できません。

質も、長さと同じくらい効きます。

商品コードが途中で変わっている。複数の商品が1つのコードにまとまっている。

こうした状態では、どの手法を使っても結果は安定しません。

まず履歴を整える。地味ですが、いちばん効きます。

毎月の答え合わせ

予測は、作った時点では正しさを判断できません。

判断できるのは、実績が出た後だけです。

ところが実績が出る頃には、次の予測作業が始まっています。

答え合わせは、予測を作る作業とセットで業務の中に固定してください。

見るのは3点で足ります。

• 全体のwMAPEは、前月と比べてどう動いたか
• 特に大きく外れた商品はどれか
• その商品は、なぜ外れたのか（販促、欠品、新商品の投入など）

欠品した月の補正

見落とされやすいのが、欠品の扱いです。

在庫がなくて売れなかった月の実績は、本当の需要より小さい数字です。

これをそのまま履歴に入れると、予測は実際より低く出ます。

低い予測で発注すれば、また欠品し、履歴はさらに歪みます。

この悪循環を断つには、欠品期間の実績を補正します。

欠品前後の販売ペースから、売れたはずの数量を推定して置き換える方法が一般的です。

需要予測でつまずく3つのパターン

「導入したのに変わらなかった」には、典型が3つあります。

精度を上げること自体が目的になる

起きること

• 予測モデルの比較検討に時間をかけている
• 精度が数%上がったが、在庫は減っていない
• 何%あればよいのかを、誰も答えられない

原因

予測の目的が「当てること」に置き換わっています。

本来の目的は、ズレの幅をつかみ、安全在庫で吸収することです。

目的がずれると、精度が上がっても在庫金額も欠品率も変わりません。

避け方

精度の目標を、率ではなく在庫金額で置いてください。

「wMAPEを5%改善する」ではなく、「安全在庫を◯個減らし、在庫金額を◯%圧縮する」と決めます。

この置き換えだけで、議論が変わります。

予測はするが、答え合わせをしない

起きること

• 予測値は出しているが、実績との差を振り返る場がない
• 外れた理由を説明できない
• モデルを一度作ったきり、更新していない

原因

担当者の意識ではなく、時間の構造に原因があります。

検証できるのは実績が出た後なのに、その頃には次の予測作業が始まっている。

振り返りは常に後回しになり、予測を作る回数だけが増えていきます。

避け方

月次の予測作成の冒頭に、前月分の確認を組み込みます。

独立した作業にせず、この順にすれば後回しになりません。

予測が、特定の人の頭の中にある

起きること

• 発注量の根拠を、特定の担当者しか説明できない
• その人が休むと、発注が止まる
• 引き継ぎのたびに、在庫水準がぶれる

原因

これも人の問題ではなく、判断が記録されない仕組みの問題です。

優秀な担当者ほど、頭の中で処理できてしまい、記録する必要を感じません。

優秀だから任され、任されるからさらに集中する。

経験は個人にたまり、組織には残りません。会社が大きくなるほど、深刻なリスクになります。

避け方

予測をモデル化するのは、その担当者を置き換えるためではありません。

定型の判断を仕組みに移し、その人にしかできない仕事に時間を使ってもらうためです。

新商品の開拓、仕入先との交渉、売り場の設計は、これからも人が担います。

まず手をつけるなら、発注量を決めるときに見ている数字と、判断の理由を1行ずつ書き出すことです。

書き出せた分だけが、仕組みに移せる範囲になります。

どこまで移せて、どこから人に残るのかは、需要予測の属人化を解消するにはで扱っています。

需要予測を、在庫と発注につなぐ

需要予測は、単体では価値を生みません。

その数字が発注量に反映され、在庫が変わって初めて成果になります。

予測から在庫へ

予測で得られるのは、需要の見込みとズレの幅です。

この幅から安全在庫が決まり、安全在庫と回転分を足したものが適正在庫になります。

在庫の側では、適正在庫をサイクル在庫と安全在庫に分けて、減らし方を変えます。

サイクル在庫は発注の頻度で決まり、安全在庫は予測のぶれ幅で決まります。

予測の改善が効くのは、後者だけです。

在庫の側の考え方は、在庫最適化とは？で扱っています。

予測から発注へ

在庫の目標が決まっても、そのとおりに発注できるとは限りません。

最低発注数量（MOQ）、ケース単位、予算の上限、倉庫の容量。

制約が複数あると、直感で出した答えは最適から外れます。

制約が3つを超えたら、手で最適な答えを出すのは難しくなります。

制約を書き出して一覧にするところまでを先に済ませ、計算は仕組みに任せるのが現実的です。

制約から発注量を決める考え方は、発注量の決め方で扱っています。

全体をつなぐ

需要予測・在庫・発注は、本来ひとつながりの流れです。

一か所だけを改善しても、全体の成果は限られます。

流れ全体の考え方は、サプライチェーンの全体最適とは？をご覧ください。

ベンチャーネットならこう見る｜1商品・1指標から、勘と並べて始める

予測の相談で、ベンチャーネットが最初に聞くのはモデルの種類ではありません。

「いまの発注は、誰の、どんな判断で決まっていますか」という問いです。

型1：1業務・1KPIで、最短90日の1周目

最初から全商品・全手法に広げると、答え合わせが回りません。

ベンチャーネットは、データを使った経営の1周目を、1業務・1KPIに絞って最短90日で回す形を勧めています。

需要予測なら、主力の商品群で、在庫金額を1つの指標に置くのが一例です。

1周目で答え合わせの習慣ができれば、2周目から対象を広げられます。

型2：現場の勘と予測を、同じ条件で比べる

予測の仕組みを入れても、現場の勘がすぐに要らなくなるわけではありません。

同じ商品・同じ期間で、担当者の予測と仕組みの予測を並べ、誤差を比べます。

第3章の表も、担当者の経験による予測と仕組みの予測を並べたものでした。

比べた結果、勘が勝つ商品もあります。

その商品では、勘の中身を書き出す価値が高いということです。

最初に確かめる問いは、3つです。

• 主力商品のリードタイムは何か月か
• 過去2年分の履歴は、商品コードがそろった状態で残っているか
• 欠品した月が、どこにあるか分かるか

よくある質問

Q1. 需要予測の精度は、何%あればよいですか？

率ではなく在庫金額で判断します。

まず、wMAPE 30%が自社の商品で何個のズレにあたるかを出してください。

次に、そのズレを吸収する在庫がいくらになるかを換算します。

その金額が許容できるかが、実質的な判断基準です。

最低ラインとして、MASEが1を下回っているかも見てください。1を超えていれば、前年コピーに負けています。

Q2. データはどれくらいの期間があれば、予測できますか？

季節性を捉えるには2年分が望ましいです。

1年では、季節変動と単発の出来事を区別できません。

ただし、2年ないと始められないわけではありません。

履歴が短いなら、移動平均などの単純な手法から始め、データがたまるにつれて手法を移します。

始めた時点から、答え合わせの記録を残してください。

Q3. AIを使えば、精度は上がりますか？

履歴が整い商品数が多いほど上がりやすくなります。

効く順番は、履歴の質、答え合わせの有無、そして手法です。

商品コードの重複や、欠品の未補正が残っている履歴では、AIを入れても期待した結果は出ません。

AI時系列モデルは、複数商品の履歴をまとめて学習するため、1商品ごとの履歴が短くても補い合えます。

Q4. 欠品した月のデータは、どう扱えばよいですか？

そのまま使わず補正します。

欠品した月の実績は、本当の需要より小さい数字です。

補正せずに使うと予測が低く出て、また欠品し、履歴がさらに歪みます。

欠品前後の販売ペースから「売れたはずの数量」を推定して置き換えます。

厳密でなくて構いません。放置するほうが、はるかに大きな歪みを生みます。

まとめ：当てるのではなく、幅を知る

• 需要予測の目的は、当てることではなく、ズレの幅を数字にすること
• 手法は履歴の長さと商品の性格で決まる。難しい手法が常に優れているわけではない
• 精度は率ではなく、個数と在庫金額に換算して判断する
• 前年コピーは予測手法ではなく、勝てているかを測る物差し
• 精度を上げる条件は、履歴の質・毎月の答え合わせ・欠品補正の3つ

今日できること

主力商品を1つ選び、過去12か月の月次販売数を並べてみてください。

最大と最小の差が、その商品の需要のぶれ幅です。

いま持っている在庫は、その幅に対して多すぎないか、少なすぎないか。

「誤差30%」が何個のズレなのかを自社の数字で言えたとき、需要予測は在庫の話に変わります。

もう少し詳しく知りたい方へ

自社のデータで、どこまで予測できるのか。まずは現状を見るところからご相談いただけます。

NetSuite×量子最適化コンサルティングを見る

在庫・生産・広告の配分を、制約条件のもとで全体最適化します。

お問い合わせはこちら