需要予測

🔄 Quick Recall: 前のレッスンで在庫管理の基礎——発注点、安全在庫、ABC分析——を学んだ。在庫をどのくらい持つべきかの判断は、需要の予測に大きく依存する。これから需要予測の方法を学ぶ。

なぜ需要予測が重要か

需要予測は在庫管理の基盤だ。予測が正確であれば：

必要な分だけ仕入れ、過剰在庫を避けられる
欠品を防ぎ、販売機会を逃さない
倉庫スペースを効率的に使える
資金を有効活用できる

予測が外れると：

過大予測 → 過剰在庫 → 保管コスト増、廃棄リスク
過少予測 → 欠品 → 売上損失、顧客離れ

3つの基本的な予測手法

1. 単純移動平均

直近N期間の平均を次期の予測値とする最もシンプルな方法：

例：3ヶ月移動平均

月	実績	予測（3ヶ月平均）
1月	100	—
2月	120	—
3月	110	—
4月	130	110（100+120+110÷3）
5月	?	120（120+110+130÷3）

メリット： シンプルで理解しやすい。短期の変動を平滑化する。 デメリット： トレンドへの反応が遅い。季節性を考慮しない。

2. トレンド調整予測

成長率をベースラインに追加する方法：

予測 = 直近の平均 + トレンド補正

例えば月次売上が毎月5%ずつ増加している場合、移動平均に5%の成長率を加算して予測する。成長中のビジネスや成長商品に有効。

3. 季節性予測

季節指数を使って予測可能なピークとバレーを反映する：

季節指数の計算例：

月の季節指数 = その月の平均売上 ÷ 全月平均売上

月	季節指数	解釈
12月	1.8	平均の1.8倍（年末商戦）
1月	0.6	平均の60%（正月で購買減）
3月	1.3	平均の1.3倍（年度末・引越し）
8月	0.7	平均の70%（夏の閑散期）

予測 = ベースライン予測 × 季節指数

✅ Quick Check: なぜ3つの予測手法を組み合わせるべきか？各手法には強みと弱点がある。移動平均はノイズを平滑化するがトレンドに遅れる。トレンド調整は成長を捉えるが季節性を無視する。季節性予測はパターンを捉えるがトレンドの変化に対応しにくい。3つを組み合わせることで、それぞれの弱点を補い合う。

AIによる需要予測

AIは予測プロセスを大幅に効率化する：

基本予測プロンプト：

以下の過去12ヶ月の販売データから需要予測を
行ってください：
[月次販売データをペースト]

以下を提供してください：
1. 3ヶ月移動平均による来月の予測
2. トレンド分析（上昇/横ばい/下降）
3. 季節パターンの特定
4. 3つの手法を組み合わせた来月の総合予測
5. 予測の信頼度（高/中/低）とその理由

高度な予測プロンプト：

以下のデータで来四半期の需要予測を作成して
ください：
- 販売データ：[24ヶ月分]
- 既知のイベント：[セール、新商品発売など]
- 市場状況：[業界動向、競合の動き]
- 外部要因：[天候、経済指標]

シナリオ分析も含めてください：
- 楽観シナリオ（需要増の場合）
- 基本シナリオ（予測通り）
- 悲観シナリオ（需要減の場合）
各シナリオで必要な在庫量を計算してください。

予測精度の測定

予測は改善し続ける必要がある。精度の指標として**MAPE（平均絶対誤差率）**を使う：

MAPE = (|実績 - 予測| ÷ 実績) × 100 の平均

MAPE	評価
10%以下	優秀——予測が非常に正確
10〜20%	良好——ほとんどのビジネスで十分
20〜30%	要改善——データ品質と手法を見直し
30%以上	不十分——根本的な見直しが必要

Key Takeaways

需要予測は在庫管理の基盤であり、予測精度が過剰在庫と欠品の両方を防ぐ鍵
3つの基本手法——移動平均（変動平滑化）、トレンド調整（成長反映）、季節性予測（周期パターン）——を組み合わせて使う
過去データだけでなく定性的判断（市場動向、外部要因）を組み合わせることで、市場変化への対応力が高まる
MAPEで予測精度を継続的に測定し改善する——ほとんどのビジネスでは10〜20%のMAPEが目標

Up Next: 次のレッスンではベンダー管理を学ぶ——スコアカードによるサプライヤー評価、デュアルソーシングによるリスク軽減、戦略的パートナーシップの構築。