「いちばん新しいモデルを入れれば、需要予測はよく当たるはずだ」
新しいモデルの発表は、毎年のように続いています。
そのたびに、そう考えたくなるのも無理はありません。
時系列基盤モデルとは、大量の時系列データで事前に学習した、予測のためのAIのモデルです。
自社のデータで学習させなくても、過去の数字を渡すだけで予測を出せるものがあります。
予測のモデルは、自社で「作る」ものから、公開されたモデルを「選ぶ」ものへ変わり始めました。
ところが、発表で首位だったモデルを入れても、自社の品目では当たらないことがあります。
新しさでも順位でもないなら、何を物差しに選べばよいのか。
答えは第6章の「いまの方法を超えるか」にあります。
この記事で分かること
- 時系列基盤モデルとは何か
- 主なモデルの一覧（版・公開時期・ライセンス）
- ライセンスで気をつけること
- ベンチマークの順位で選ばない理由
- 自社のデータで試して選ぶ手順
言葉の整理：時系列データは、売上の数量や来店の人数のように、時間の順に並んだ数字のことです。
需要予測は、過去の時系列データなどから、これからどれだけ売れるかを見積もることです。
時系列基盤モデルとは
「学習なしで予測する」という変化
これまでの需要予測では、商品ごとのデータでモデルを学習させるのが一般的でした。
データを集め、モデルを作り、調整する。
その手間が、需要予測を始める壁でした。
時系列基盤モデルは、さまざまな分野の大量の時系列データで、あらかじめ学習されています。
だから、自社のデータで学習させなくても予測を出せるものがあります。
この使い方をゼロショットと呼びます。
学習の例をまったく見せずに、いきなり予測させる、という意味です。
生成AIの「基盤モデル」と同じ流れ
文章を扱う生成AIでも、大量のデータで学習した「基盤モデル」を、目的に合わせて使う形が広がりました。
時系列基盤モデルは、同じ流れが予測の分野に来たものです。
予測の仕事の中心も変わります。
モデルを作る仕事から、モデルを選び、試し、データを整える仕事へ。
需要予測の基本は、需要予測の基本で扱っています。
主なモデルの一覧（2026年9月23日確認）
提供元が公開している情報で、主なモデルを並べます。
| モデル（提供元） | 最新として確認した版（公開時期） | ゼロショット／外部変数 | 重みのライセンス |
|---|---|---|---|
| Chronos-2（Amazon） | Chronos-2（2025年10月） | 可／対応 | Apache-2.0 |
| TimesFM（Google） | 3.0（2026年8月） | 可／対応 | 非商用（3.0）。2.5まではApache-2.0 |
| Moirai（Salesforce） | Moirai 2.0（2025年8月） | 可／対応 | 非商用（CC-BY-NC-4.0） |
| TimeGPT（Nixtla） | TimeGPT-2.1（2025年12月発表・先行提供） | 可／対応 | 重みは非公開（APIで利用） |
| Granite TTM（IBM） | r2.1（—） | 可／対応 | Apache-2.0 |
| Prophet（Meta） | 1.4.0（2026年8月） | —（基盤モデルではない）／対応 | オープンソース |
外部変数は、販促の有無や気温など、予測したい数字以外で予測に効く情報のことです。
ライセンスは、モデルを使うときの条件を定めた取り決めです。
重みは、学習によって作られたモデルの中身（数値の集まり）を指します。
出典（いずれも2026年9月23日確認）：
- Chronos（GitHub）
- TimesFM（GitHub）
- Moirai（GitHub）
- TimeGPT-2.1（Nixtla公式ブログ）
- Granite TTM（Hugging Face）
- Prophet（PyPI）
各モデルのひとこと
- Chronos-2：Amazonのモデル。1つの仕組みで、単一の系列・複数の系列・外部変数つきの予測に対応すると案内されている
- TimesFM：Googleのモデル。3.0で複数の系列と外部変数に対応。ただし3.0の重みは非商用のライセンス
- Moirai：Salesforceのモデル。2.0の重みは非商用のライセンス
- TimeGPT：Nixtlaのモデル。重みは公開されず、APIで使う形
- Granite TTM：IBMのモデル。100万程度のパラメータからの、とても小さなモデルが用意されている
- Prophet：Metaが公開した予測の道具。基盤モデルではないが、比べる相手としてよく使われる
APIは、外部のサービスの機能を、プログラムから呼び出して使う窓口です。
表の読み方と、更新のたびに見る点
表は、提供元の公開情報を同じ項目でそろえたものです。
精度の比較ではありません。
どのモデルが自社に合うかは、第6章の方法で、自社のデータを使って試します。
一覧を更新するときは、次の5つを見ています。
- 新しい版が出たか（提供元のリポジトリやブログの発表）
- 重みのライセンスが変わっていないか
- 外部変数や、複数の系列への対応が加わったか
- 提供の形（重みの公開か、APIか）が変わっていないか
- 先行提供のものが、一般に使えるようになったか
ライセンスは、版が上がるときに変わることがあります。
表の「重みのライセンス」の列は、更新のたびに見直します。
ライセンスで気をつけること
時系列基盤モデルを選ぶとき、最初に見るのはライセンスです。
同じ提供元のモデルでも、版によって条件が違うことがあります。
たとえばTimesFMは、2.5までの重みはApache-2.0で、3.0の重みは非商用のライセンスです。
公式のリポジトリでは、3.0の重みを商用や本番で使うことは認められていないと書かれています。
| ライセンスの種類 | 意味 | 該当する例（2026年9月23日確認） |
|---|---|---|
| 商用で使える | 業務の予測に使える | Chronos-2、TimesFM 2.5、Granite TTM |
| 非商用に限る | 研究や試しには使えるが、業務の本番には使えない | TimesFM 3.0、Moirai 2.0 |
| API（重みは非公開） | 提供元の利用規約に従って使う | TimeGPT |
「新しい版のほうが良さそうだ」と、条件を見ずに本番の仕組みに入れる。
これが、いちばん避けたい失敗です。
条文は、使う前に必ず自社で読んでください。
需要予測の3つのアプローチ
時系列基盤モデルは、需要予測のただ1つの答えではありません。
方法は、大きく3つに分かれます。
| アプローチ | 中身 | 向く場面 | 準備と保守 |
|---|---|---|---|
| ERPの標準の手法 | 移動平均・線形回帰など、ERPに組み込まれた計算 | 需要が安定した品目が多い | 軽い。計算の仕組みが分かりやすい |
| 統計・機械学習のモデル | 自社のデータで学習させて作る | 自社固有のパターンが強い | 重い。作る人と保守の人が要る |
| 時系列基盤モデル | 事前に学習済みのモデルに、データを渡す | 品目が多い、新しい品目がある | 中くらい。試す手間が要る |
時系列基盤モデルは、生成AIと同じ「選んで使う」流れに乗っています。
そのぶん、AIの活用とはいちばん相性が良いアプローチです。
NetSuiteの標準の需要計画には、4つの予測の方法が用意されています。
線形回帰・移動平均・季節平均・販売予測をもとにした方法です。
出典はOracle NetSuiteのヘルプです（2026年9月23日確認）。
4つの使い分けは、NetSuite需要予測の4つの予測手法と選び方で扱っています。
時系列基盤モデルは、NetSuiteの標準の機能ではありません。
使う場合は、NetSuiteのデータを取り出して予測し、結果を戻す仕組みが別に要ります。
3つは、どれか1つを選ぶものでもありません。
需要が安定した品目はERPの標準の手法で、動きの読みにくい品目は基盤モデルで、と分ける方法もあります。
品目ごとに向く方法を分けておけば、試す範囲も絞れます。
ベンチマークの首位が、自社で最良とは限らない
新しいモデルが出ると、提供元はベンチマークでの順位を発表します。
ベンチマークは、共通の公開データでモデルの精度を比べる試験のことです。
たとえばTimesFM 3.0は、複数のベンチマークで首位になったと公式のリポジトリで発表されています。
こうした発表は、モデルの力を知る手がかりになります。
それでも、首位のモデルが自社のデータで最良とは限りません。
理由は4つあります。
- データの性質が違う：ベンチマークの公開データと、自社の売上のデータは、動き方が違う
- 販促や欠品の影響：自社の売上には、値引きや品切れの影響が混ざっている
- 粒度が違う：自社が予測したいのは、品目ごと・拠点ごと・週ごとなど、特定の細かさ
- 使う目的が違う：自社に要るのは、発注や在庫の判断に使える予測
見落とされやすいのは、2つ目です。
品切れの期間の売上は、本当の需要より少なく記録されます。
その数字をそのまま渡すと、どのモデルも需要を少なく見積もります。
4つの理由を図にすると、次のとおりです。
自社のデータで試して選ぶ
モデルは、自社のデータで試してから選びます。
試し方には、2つの段階があります。
バックテスト｜過去のデータで比べる
バックテストは、過去のある時点までのデータでモデルに予測させ、その後の実際の数字と比べる方法です。
たとえば、1年前までのデータを渡して、その後の3か月を予測させます。
実際の3か月の売上と比べて、どれだけ外れたかを見ます。
バックテストでは、次のことを決めておきます。
- 比べる品目（売れ筋・定番・新しい品目を混ぜる）
- 予測の先の長さ（発注の判断に使う長さに合わせる）
- 外れ方の測り方（数量のずれか、率のずれか）
フォワードテスト｜これからの予測で比べる
フォワードテストは、これから先の期間をモデルに予測させ、実際の数字が出るのを待って比べる方法です。
バックテストで良かったモデルでも、これからの期間で同じように当たるとは限りません。
数週間から数か月、いまの方法と並べて走らせ、実際の結果で見ます。
いまの方法を「超えるか」で判断する
冒頭の問いの答えが、ここです。
物差しは、新しさでも順位でもなく、いまの方法を超えるか。
いまの方法とは、前年の同じ時期の数字や、移動平均など、すでに使っている簡単な予測です。
新しいモデルが、いまの方法をはっきり上回らないなら、切り替える理由は弱くなります。
新しいモデルには、仕組みを作る手間と、保守の手間がかかります。
その手間に見合うだけ、予測が良くなるかを見ます。
試す前に、データを整える
どのモデルで試すにしても、渡すデータの整え方で結果が変わります。
| 整えること | 理由 | 整え方の例 |
|---|---|---|
| 品切れの期間 | 売上が需要より少なく記録される | 品切れの日を記録し、その期間を区別する |
| 販促の期間 | 一時的に売上が増える | 販促の有無を外部変数として持つ |
| 新しい品目 | 過去のデータが短い | 似た品目のデータを参考にする |
モデルを替えるより、データを整えるほうが予測が良くなることもあります。
データの整え方は、モデルが新しくなっても変わらない財産です。
ベンチャーネットならこう見る
NetSuite認定パートナー（Solution Provider）であるベンチャーネットは、需要予測の支援の中で、新しいモデルを実際に比べています。
新しいモデルが出るたびに、すぐに切り替えることはしていません。
いまの方法と並べて週ごとに比べ、上回るかを見てから判断します。
その結果、採用を見送ったこともあります。
使っている型は、2つです。
型1：同じ条件で比べる
データを使った経営で、ベンチャーネットが勧める型の1つです。
現場の勘とAIの提案を、同じ条件で比べる。
予測モデルでも考え方は同じで、いまの方法と新しいモデルを同じ品目・同じ期間で並べます。
週ごとに比べるときは、次の3つを約束ごとにしています。
- 比べる相手を固定する：いまの方法を、比べる期間の途中で変えない
- 結果を記録に残す：良かった週も、悪かった週も、同じ形で残す
- 判断の日を決める：いつまで比べて、いつ採否を決めるかを先に決める
判断の日を決めずに比べ続けると、良い週だけが印象に残ります。
記録と判断の日があれば、見送る判断も、採用する判断も、根拠をもって説明できます。
型2：1業務・1KPIに絞った1周目
最初から全品目を対象にはしません。
最短90日で、1つの業務と1つの指標に絞って1周回すのが、ベンチャーネットの勧める始め方です。
予測なら、「定番品の出荷数を、品目×週で、8週先まで」のように1行で書ける範囲から始めます。
自社の業務で上回らないなら、使わない判断も正しい判断です。
NetSuiteでのAIの活用の全体像は、NetSuiteのAI活用事例で扱っています。
よくある3つの失敗
失敗1：ベンチマークの順位で選ぶ
起きること：発表で首位だったモデルを入れたが、自社の品目では、いままでの移動平均と比べて良くならなかった。
原因：公開のベンチマークの結果が、自社のデータでも同じになると考えた。
避け方：バックテストとフォワードテストで、いまの方法と比べてから選びます。
失敗2：ライセンスを見ずに本番へ入れる
起きること：試しで良かったモデルを本番の仕組みに組み込んだ後、重みが非商用のライセンスだと分かり、作り直すことになった。
原因：試す段階で、ライセンスの条件を読んでいなかった。
避け方：試す前に、重みのライセンスを読みます。
版が上がったときも、条件が変わっていないかを見直します。
失敗3：品切れの期間の売上を、そのまま渡す
起きること：人気の品目ほど、予測が少なく出る。発注を減らした結果、また品切れが起きる。
原因：品切れで売れなかった期間の売上を、需要としてそのまま渡していた。
避け方：品切れの期間を記録し、売上と需要を分けて扱います。
渡す前のデータの整え方は、モデルの選び方と同じくらい結果を左右します。
使わない選択肢も残す
時系列基盤モデルを使わなくても、十分な会社もあります。
- 品目の数が少なく、需要が安定している
- ERPの標準の予測で、発注の判断に困っていない
- 予測の仕組みを保守する人を置けない
こうした場合は、NetSuiteの標準の需要計画などで足ります。
NetSuiteの需要計画の使い方を先に固めるほうが、効果が出やすいこともあります。
今日できること｜予測したいものを1行で書く
次の表を、需要予測に関わる担当者と埋めてみてください。
| 予測したいもの | 細かさ・先の長さ | いまの方法 | 品切れの記録 |
|---|---|---|---|
| （例）定番品の出荷数 | 品目×週・8週先 | 前年同週 | なし |
「品切れの記録」が「なし」なら、モデルを選ぶ前に、記録を始めることが先です。
「いまの方法」が書ければ、新しいモデルと比べる相手が決まります。
よくある質問
Q1. 時系列基盤モデルとは何ですか
大量の時系列データで事前に学習した予測のためのAIのモデルです。
自社のデータで学習させなくても、過去の数字を渡すだけで予測を出せるものがあります（第1章）。
Q2. どのモデルが一番よいですか
自社のデータで試すまで決められません。
ベンチマークの首位が、自社で最良とは限りません。
バックテストとフォワードテストで、いまの方法と比べて選びます（第5章・第6章）。
Q3. 業務で使ってよいモデルはどれですか
重みのライセンスで決まります。
2026年9月23日時点では、Chronos-2・TimesFM 2.5・Granite TTMの重みはApache-2.0です。
TimesFM 3.0とMoirai 2.0の重みは非商用です（第3章）。
Q4. NetSuiteで時系列基盤モデルを使えますか
NetSuiteの標準の機能ではありません。
NetSuiteの需要計画には、4つの予測の方法が用意されています。
時系列基盤モデルを使う場合は、データを取り出して予測し、結果を戻す仕組みが別に要ります（第4章）。
Q5. この記事は、どのくらいの頻度で更新されますか
四半期ごとに更新します。主要なモデルの新しい版が出たときも更新します。
冒頭の「最終確認日」と「最終確認したモデル版」で、いつの情報かを見てください。
Q6. 新しいモデルが出たら、すぐに切り替えるべきですか
いまの方法と並べて比べてから判断します。
ベンチャーネットでも、比べた結果、採用を見送ったことがあります（第7章）。
Q7. 無料で公開されているモデルなら、費用はかかりませんか
モデルの利用料がかからなくても仕組みの費用はかかります。
データを取り出して予測し、結果を戻す仕組みと、その保守が要ります。
その手間に見合う改善があるかを、比べてから判断します（6-3）。
まとめ：モデルは「作る」から「選ぶ」へ。選び方は変わらない
- 時系列基盤モデルは、学習なしでも予測を出せる、予測のための基盤モデル
- 主なモデルは、Chronos-2・TimesFM・Moirai・TimeGPT・Granite TTMなど。版とライセンスは表で見る
- 重みのライセンスは版ごとに違う。非商用のものは業務の本番に使えない
- ベンチマークの首位が、自社で最良とは限らない
- 選び方は、バックテスト→フォワードテスト→いまの方法を超えるか
- 品切れの期間は、売上と需要を分けて扱う
いちばん新しいモデルが、いちばん当たるとは限りません。
まずは第10章の表に、予測したいものを1行書いてください。
「いまの方法」の欄が、新しいモデルを試すときの物差しになります。
もう少し詳しく知りたい方へ
「自社のデータで、どのモデルが合うか」を試す進め方から、ご相談をお受けしています。
モデルの最新の動きは、毎週のNetSuite×AI経営の最新動向でも追っています。
