「気づいたら倉庫に在庫が山積み。なのに、よく売れる商品にかぎって欠品する」。卸売・小売の現場では、こんな矛盾が日常的に起きています。発注の判断は、ベテランの勘と経験頼み。その人が休めば、現場が止まる。
在庫・需要予測・受発注は、それぞれ別の悩みに見えます。けれど根っこをたどると、ひとつの問題に行き着きます。「どれだけ売れるか読めない」——この読めなさです。
ベンチャーネットは、中小企業のシステム導入と経営の見える化を支援してきました。その経験から言えるのは、読めなさは「業種の宿命」ではなく、データの扱い方で軽くできる課題だということです。この記事では、AIを使って卸売・小売の読めなさをどう減らすかを、順を追って説明します。
なぜ在庫も受発注も、いつも後手に回るのか
在庫が合わない。発注が遅れる。返品や値引きで利益が削られる。これらは別々のトラブルに見えて、実は同じ原因から生まれています。
原因は「需要が読めないこと」です。来週どれだけ売れるかが分からないから、多めに仕入れて在庫を抱える。あるいは、足りなくなって慌てて発注し、欠品を出す。どちらに転んでも、現場は後手に回ります。
これまで、需要を読む仕事は人の経験に頼ってきました。「この時期はこれが売れる」「天気が崩れるとこれが動く」。ベテランの頭の中には、長年の勘が蓄積されています。問題は、その勘が一人の頭の中にしかないことです。担当者が異動すれば、勘も一緒に消えてしまいます。
さらに、扱う商品の数が増えると、人の勘では追いきれなくなります。数百、数千の品目それぞれについて、毎週の売れ行きを読むのは、人間の処理能力を超えています。結果として、一部の主力商品だけを丁寧に見て、残りは「だいたいで発注」になりがちです。
読めなさの正体は、需要予測が属人的で、量にも追いつけていないこと。ここに手を打たないかぎり、在庫も受発注も後手のままです。
AIで「読めなさ」をどう減らすか
では、需要予測にAIを使うと何が変わるのか。一言でいえば、勘でやっていたことを、データで裏づけられるようになります。
AIは、過去の販売データを学習します。いつ・何が・どれだけ売れたか。そこに季節や曜日、天候、価格の変動といった条件を重ねて、「来週はこの商品がこれくらい売れそうだ」という予測を出します。ここで言うAIとは、魔法ではありません。過去のパターンから先を推定する、統計の延長にある道具です。
予測ができると、次の打ち手が変わります。たとえば「この商品は在庫が増えてきたから発注を控える」「あの商品は来週伸びそうだから今のうちに補充する」。こうした判断の材料を、AIが先回りして示してくれる。これが予測の効きどころです。
ここで効いてくるのが、在庫への波及です。需要予測が当たるようになると、抱える在庫が減ります。欠品も減ります。つまり、在庫日数（仕入れてから売れるまでの日数）が短くなる。予測の精度を上げることは、そのまま在庫の圧縮につながります。在庫日数そのものを打ち手として圧縮する方法は、別の記事「在庫日数を圧縮する」で詳しく扱っています。
受発注も同じです。予測にもとづいて発注のタイミングと数量を提案できれば、「慌てて発注」も「念のため多めに」も減ります。発注の作業そのものを、人が一から考えなくてよくなります。
需要予測というひとつの起点を整えるだけで、在庫・受発注の両方が軽くなる。これが、AIを使う最大の意味です。
図：需要の「読めなさ」を起点に、AI予測が在庫と受発注の両方を軽くする因果の流れ。
AIが出すのは「答え」ではなく「判断材料」
ここで、誤解を避けておきたいことがあります。AIは、経営判断を代わりにやってくれるわけではありません。
AIが出すのは予測であり、判断材料です。最終的に「いくつ発注するか」「在庫をどう動かすか」を決めるのは、やはり人です。予測が外れることもあります。急な天候不順や、想定外のニュース。そうした変化まで読み切れるわけではありません。
だからこそ、AIと人の役割を分けて考えることが大切です。AIは大量のデータから傾向を見つけ出す。人は、その傾向を踏まえて、現場の事情や勘も加えて決める。この組み合わせが、いちばん強い形になります。
ベンチャーネットがAIを語るとき、いつも立ち返る言葉があります。「思考はアウトソースできるが、理解はアウトソースできない」。計算や予測はAIに任せられても、自社の商売を理解し、最後に責任をもって決めるのは経営者自身だ、という意味です。
その上で、目指したいのは「毎朝の数字を1枚で見られる状態」です。今どの商品が動いていて、何が滞っているか。予測と実績がどれだけずれているか。これらが一目で分かれば、判断のスピードが上がります。こうしたデータの統合と日々のレポート化については、「中小企業のレポート自動化の始め方」で具体的に紹介しています。
会計や在庫のデータを一元管理できる仕組み（クラウド型のERPなど）があれば、こうした見える化はぐっと進めやすくなります。ただ、これは導入が前提の話ではありません。まずは「自社のどのデータが、どこにあるか」を整理するところからで十分です。
よくある疑問——導入の前に知っておきたいこと
AIによる需要予測を検討するとき、卸売・小売の経営者からよく聞かれる疑問に答えます。
Q. データが少なくても使えますか？
ある程度の販売履歴があれば始められます。とはいえ、データが少ないほど予測の精度は下がります。最初から完璧を求めず、「人の勘＋AIの予測」を併用しながら、データを貯めて精度を育てていくのが現実的です。
Q. 予測が外れたらどうするのですか？
外れることは前提です。大切なのは、外れた原因を振り返り、次に活かすこと。予測と実績のずれを記録していくと、「この商品はAIが苦手」「この時期は人の判断を重くする」といった使い分けが見えてきます。
Q. うちのような小さな会社でも意味がありますか？
公的な調査でも、業種によってAI活用には差があり、卸売・小売はまだ取り組みが進んでいない分野とされています。裏を返せば、伸びしろが大きい領域です。そして調査では、中小企業に足りないのは「ツール」よりも「具体的な使い方の情報」だと指摘されています。つまり、何から始めるかさえ定まれば、規模が小さくても十分に成果は出せます。
Q. 何から始めればいいですか？
いきなり全商品を対象にする必要はありません。動きの大きい主力商品や、欠品・過剰在庫が起きやすい商品から、小さく試すのがおすすめです。効果が見えてから、対象を広げていけば十分です。
まとめ——読めなさは「宿命」ではなく「課題」
在庫が合わない、発注が後手に回る。卸売・小売のこうした悩みは、需要の「読めなさ」というひとつの原因に行き着きます。そして読めなさは、業種の宿命ではありません。データを整え、AIを判断材料として使うことで、軽くしていける課題です。
大事なのは、AIに丸投げすることではなく、AIを道具として使いこなすこと。予測はAIに任せ、決めるのは人。その役割分担ができたとき、在庫も受発注も、ずいぶん軽くなります。
ただ、多くの会社でつまずくのは、AIを選ぶことよりも前の段階です。「自社の販売データが、予測に使える形で揃っていない」。データが部署ごとにバラバラだったり、手入力で抜け漏れがあったり。ここを整える作業は、案外ひとりでは進みにくいものです。
ベンチャーネットは、こうしたデータの見える化と、その先の経営判断を支える仕組みづくりを支援しています。とりわけ「自社のデータを、使える状態に整える」という最初の一歩から、お手伝いできます。「どう整理すればいいか」「何から手をつければいいか」。そんな段階の相談から、ご一緒できます。
経営の数字を、毎朝1枚で見られる状態へ。その第一歩について、お気軽にご相談ください。
