需要予測AIと自動化オペレーションの接続

エグゼクティブ・サマリー

• 需要予測AIの投資が回収できない最大の原因は精度不足ではない。予測結果が、誰のどの意思決定を、いつまでに、どう変えるのかが決まっていないことである。精度を上げても、その数字を見て行動が変わらなければ効果はゼロである。
• 予測は「当てるもの」ではなく「意思決定の前提を早く与えるもの」と捉え直す。重要なのは絶対精度ではなく、リードタイムより前に、判断を変えられる粒度で出せているかである。
• 予測誤差のコストは上振れと下振れで非対称である。欠品の損失と過剰の損失を金額で置いてから、どちらに寄せるかを決める。この非対称性を織り込まない予測は、統計的に正しくても実務的に誤る。
• 自動化オペレーションとの接続点は主に四つ——人員シフト、在庫の配置、ロボット・設備の稼働計画、調達・入荷の平準化。それぞれ必要な予測の粒度とリードタイムが違うため、一つのモデルで全部を賄おうとしない。
• 予測は必ず外れる。だから設計すべきは精度だけでなく、外れたときの縮退運用である。閾値、検知、代替手段、責任者をあらかじめ決めておく。ここまで設計して初めて、予測を業務に組み込める。

需要予測AIは、現場自動化と組み合わせたときに最も効く技術の一つである。ロボットや自動倉庫は能力が固定的で、稼働計画を事前に立てるほど効率が上がる。人員シフトも同様に、直前に決めるほどコストが高い。つまり「先が読める」ことの価値が構造的に大きい。

にもかかわらず、需要予測AIの導入は期待外れに終わることが多い。よくある経緯はこうである。データサイエンティストがモデルを作り、過去データで検証したところ従来手法より精度が改善した。ダッシュボードを作って現場に配った。しかし半年後、現場は相変わらず自分の勘で人を組み、予測画面は誰も開いていない。

この失敗は、モデルの問題ではない。予測を意思決定に接続する設計が抜けているために起きる。本稿では、需要予測を「当てる問題」から「意思決定を変える問題」に組み替え、自動化オペレーションのどこにどう接続するか、外れたときにどうするかを、実務の順序で整理する。

1. 精度を上げても現場が変わらない構造

需要予測の取り組みが空回りする典型的な構造を分解すると、次の四つの断絶が見つかる。

第一の断絶：粒度の不一致。 予測は「来月の総出荷量」を出しているのに、現場が決めたいのは「明後日の第2シフトに何人必要か」である。集計粒度と時間粒度が意思決定と合っていない予測は、どれだけ精度が高くても使えない。

第二の断絶：タイミングの不一致。 人員のシフトは3日前に確定する。しかし予測が更新されるのは毎週月曜だけ。確定タイミングより後にしか情報が来ないなら、その予測は意思決定に入り込めない。

第三の断絶：責任の不在。 予測に従って人を減らし、当日物量が跳ね上がって出荷が遅れたら、誰が責任を負うのか。ここが曖昧だと、現場は保守的な自分の判断を優先する。合理的な行動である。

第四の断絶：行動の未定義。 「来週の物量が15%増える見込み」という情報に対して、何をすべきかが定義されていない。人を増やすのか、稼働時間を延ばすのか、前倒しで作業するのか。選択肢と判断基準がないと、情報は情報のまま止まる。

この四つを裏返したものが、需要予測プロジェクトの設計要件である。すなわち、意思決定の粒度で、確定タイミングより前に、責任の所在を伴って、あらかじめ定義された行動と結びつけて出す。モデルの選択やアルゴリズムは、この設計が固まってから決めればよい。

2. 意思決定から逆算する——接続点の棚卸し

設計の出発点は、モデルでもデータでもなく、変えたい意思決定の棚卸しである。倉庫・工場のオペレーションで、需要予測が接続しうる主な意思決定を整理する。

この表を自社の現場で作り直すことが、需要予測プロジェクトの第一歩である。そのうえで、どれか一つを最初のターゲットに選ぶ。全部やろうとすると、必要な粒度もリードタイムもデータも全部違うため、どれも中途半端になる。

最初のターゲットを選ぶ基準は三つある。効果が金額で言えること（人件費、残業代、手配費、保管費のいずれかで算定できる）、判断のサイクルが短いこと（週次以上の頻度で判断があり、早く学習できる）、そして責任者が一人に定まること（複数部門の合議が必要な意思決定は、初回に選ばない）。

多くの現場で最初のターゲットとして適しているのは、数日先の人員・稼働計画である。効果が人件費で言え、毎日判断があり、現場管理者という単一の責任者がいる。

3. 精度指標の選び方と誤差の非対称性

予測の良し悪しを語るには指標が要るが、指標の選び方を間違えると、統計的に良いモデルが実務的に悪いモデルになる。

3.1 何を最小化するのか

一般的な精度指標には、それぞれ性格がある。

実務で最も見落とされるのはバイアスである。MAEが小さくても、常に少しずつ下振れしているモデルは、積み重なると在庫や人員の慢性的な不足を生む。精度指標は必ず「大きさ（MAEなど）」と「偏り（バイアス）」の二本立てで見る。

3.2 誤差の非対称性を金額に翻訳する

統計的な精度指標は、上振れと下振れを同等に扱う。しかし実務では、この二つのコストはまったく違う。

• 下振れ（予測より実績が多い）：残業、緊急手配、出荷遅延、顧客への謝罪。コストは高く、かつ顧客に見える。
• 上振れ（予測より実績が少ない）：人余り、設備の遊休、過剰在庫の保管費。コストは相対的に低く、社内に閉じる。

多くの現場では下振れのコストのほうが大きい。だから現場管理者は経験的に多めに人を組む。これは非合理ではなく、非対称性を体で理解している結果である。

予測AIを導入するなら、この非対称性をモデルの外側で明示的に扱う。最も簡単な方法は、予測値をそのまま使わず、安全余裕を足した数値を意思決定に渡すことである。余裕の幅は、下振れコストと上振れコストの比率から決める。

余裕幅を決める手順は次のとおり。

1. 過去1年の実績で、下振れが起きた日のコスト（残業代、緊急手配費）を集計する
2. 同様に、上振れが起きた日のコスト（余剰人員の人件費）を集計する
3. 両者の比率を出す。例えば下振れが上振れの3倍高いなら、予測分布の上側寄りを採用する
4. 採用した水準で過去データを再計算し、合計コストが最小になる点を探す

この作業は統計モデルより先に、表計算ソフトでできる。そして効果への寄与は、モデルの精度改善より大きいことが多い。

3.3 ベースラインを必ず置く

AIモデルを評価するときは、必ず単純なベースラインと比較する。ベースラインの例は「前年同週の実績」「直近4週の同一曜日の平均」「現場管理者の見立て」である。

特に三つ目——現場管理者の見立てをベースラインに含めることを強く勧めたい。熟練者の予測は、季節性・イベント・顧客の癖といった、データに現れにくい情報を含んでいる。AIがこれを上回れないなら、目指すべきは置き換えではなく、熟練者が見落としやすい部分の補完である。この整理をしないまま「AIのほうが正しい」と現場に押しつけると、必ず反発が生まれる。

4. 自動化オペレーションへの接続——四つの経路

需要予測を自動化オペレーションに接続する主要な経路は四つある。それぞれ必要な粒度とリードタイムが異なる。

4.1 人員シフトへの接続

必要なもの：日別・時間帯別・工程別の作業工数見込み。

予測された出荷行数から工数へ変換するには、行数あたりの標準時間が要る。この原単位が現場にない場合、それを整備することが先である。原単位がないまま予測だけ導入しても、何人必要かに翻訳できない。

変換の手順はこうなる。出荷行数の予測 → 工程別の作業量（ピッキング行数、検品点数、梱包個数）→ 標準時間を掛けて工数 → 稼働率と休憩を織り込んで必要人数 → 安全余裕を加算 → シフト表。

この連鎖のどこかが欠けていると、予測は人数に届かない。多くの現場で欠けているのは標準時間である。工数の見える化はロボット導入のKPI設計と効果測定で扱った指標整備と重なる作業でもある。

4.2 ロボット・設備の稼働計画への接続

必要なもの：時間帯別の搬送量・処理量の見込み。

搬送ロボットや自動倉庫は、稼働台数と充電計画を事前に決めるほど効率が上がる。予測が接続できると、次のような運用が可能になる。

• 物量が少ない時間帯に充電を集中させ、ピーク時に最大台数を投入する
• 予測が閑散を示す日に保守作業を割り当てる
• ピーク予測が能力上限を超える日を事前に検知し、前倒し作業や応援手配を打つ

この接続で重要なのは、予測の時間粒度が稼働計画の単位と合っていることである。1日単位の予測では充電計画は組めない。少なくとも2〜4時間単位、できれば1時間単位の波形が要る。総量の予測より波形の予測のほうが難しいため、ここは段階的に進める。まずは「ピークが午前か午後か」という粗い分類から始めて構わない。フリート運用側の設計は複数台AMRの群制御とフリート管理を参照されたい。

4.3 在庫配置への接続

必要なもの：SKU別・拠点別の期間出荷量。

予測を在庫配置に接続すると、高回転SKUを自動化エリアやピッキング前線に寄せる判断ができる。倉庫レイアウトをゾーン分割している場合、どのSKUを自動化エリアに置くかは定期的に見直す必要があり、その見直しの根拠が需要予測である。この論点は自動化を前提とした倉庫レイアウト設計で扱ったゾーン境界の設計と直結する。

ただしSKU別の予測は難易度が跳ね上がる。SKU数が多いほど個々の実績は疎になり、予測は不安定になる。実務的には、全SKUを予測しようとせず、出荷量上位のSKUだけを個別に予測し、残りはカテゴリ単位で扱う分割が現実的である。

4.4 調達・入荷平準化への接続

必要なもの：リードタイムに応じた期間需要。

調達への接続は効果が大きい反面、社外が絡むため難易度が高い。予測を共有する相手（サプライヤー、運送会社）との合意が要り、外れたときの責任分担も決めておく必要がある。最初のターゲットには選びにくいが、社内での運用が安定した後の展開先としては有力である。

5. 外れたときの設計——縮退運用

予測は必ず外れる。予測導入の設計で最も抜けやすく、かつ現場の信頼を左右するのがこの部分である。

縮退運用の設計要素は五つある。

閾値： どれだけ外れたら「異常」とするか。例えば「日次実績が予測の±20%を超えた」「3日連続で同じ方向に外れた」といった条件を数値で定める。

検知： 誰がいつ気づくか。当日の午前中に累計実績と予測の乖離を確認する担当を決める。自動アラートを出すなら、その宛先と閾値を決める。

代替手段： 異常時に何をするか。応援人員の呼び出し、稼働時間の延長、出荷の翌日繰越、優先度の低い作業の後回し。選択肢を事前に列挙し、それぞれの発動条件とコストを書いておく。

判断者： 誰が代替手段の発動を決めるか。現場管理者の権限範囲と、上位者の判断が要る範囲を切り分ける。

振り返り： 外れた日を記録し、原因を分類する。原因の分類は「予測モデルの限界」「入力データの遅延・欠損」「イベント情報の未反映」「オペレーション側の変化」の4区分程度で十分である。この分類の分布が、次に何を改善すべきかを教える。

縮退運用を先に設計しておくと、副次的な効果がある。現場が予測を使うことへの心理的なハードルが下がる。「外れたらこうする」が決まっていれば、予測に従って人を減らす判断が個人のリスクではなくなる。逆にここが決まっていないと、どれだけ精度が高くても現場は保守的な判断を続ける。これは合理的な行動であり、教育や説得では変わらない。仕組みで解く問題である。

6. データと運用体制

6.1 最初に必要なデータ

需要予測を始めるにあたり、揃えるべきデータは思ったより少ない。

「データが足りないから始められない」という声をよく聞くが、多くの場合、上の表の1行目——出荷実績——だけあれば第一歩は踏み出せる。逆に、どれだけデータを集めてもイベント情報が入らないと精度は頭打ちになる。販促やキャンペーンの予定は営業部門が持っており、倉庫側に伝わっていないことが多い。この情報連携は、モデルの改良より効果が大きいことがある。

データの整備そのものについてはAI活用の前提としてのデータ基盤およびロボット稼働データの収集・可視化基盤で扱っている論点と重なる。

6.2 運用体制

需要予測を業務に組み込むには、次の役割が要る。

• 予測の出し手：モデルを回し、結果を配信する。内製でも外部委託でもよい。
• 予測の使い手：予測を見て意思決定する現場管理者。この人が使わなければ何も始まらない。
• 原単位の管理者：工数原単位や標準時間を維持・更新する。工程が変われば原単位も変わる。
• 振り返りの主催者：月次で予測と実績を突き合わせ、改善点を決める。

このうち最も欠けやすいのが原単位の管理者である。予測モデルは保守されるが、行数あたりの標準時間は一度作ったきり放置されることが多い。自動化を進めると工程が変わり原単位も変わるため、更新されない原単位は予測を静かに劣化させる。

6.3 現場を巻き込む順序

需要予測を現場に定着させる進め方には、順序がある。

1. 並走期間を置く：予測を出すが、意思決定は従来どおり現場の判断で行う。予測と現場判断と実績の3つを並べて記録する。期間は最低1か月。
2. 差分を議論する：予測と現場判断が食い違った日を取り上げ、どちらが正しかったか、なぜ食い違ったかを現場と一緒に見る。この対話が、モデルに入れるべき情報を教えてくれる。
3. 限定的に採用する：現場が納得した領域（例えば「平日の通常営業日だけ」）から予測を判断に使い始める。連休前後や特売日は当面は現場判断のままでよい。
4. 範囲を広げる：実績が積み上がるにつれて、適用範囲を広げる。

この順序を飛ばして「明日から予測に従ってください」と伝えると、ほぼ確実に定着しない。並走期間は無駄に見えるが、実際にはモデル改善と信頼構築を同時に進める最も効率的な期間である。定着化の一般的な進め方は定着化・運用設計を参照されたい。

7. 3か月で始める進め方

需要予測AIを大きなシステム投資として構えると、たいてい始まらない。次の3か月の進め方を勧めたい。

1か月目：意思決定を決める

• 接続する意思決定を一つ選ぶ（推奨：数日先の人員・稼働計画）
• その意思決定の確定タイミングと責任者を明文化する
• 現状のやり方を記録する（現場管理者が何を見て何人と決めているか）
• 下振れ・上振れのコストを金額で算出する
• 出荷実績2年分を日別で抽出する

2か月目：ベースラインと並走

• 単純なベースライン（前年同週、直近4週平均）を表計算ソフトで作る
• 現場管理者の見立ても毎日記録する
• 3者（ベースライン／現場見立て／実績）を並べて比較を始める
• 工数原単位（行数あたり標準時間）を実測する
• 外れの閾値と代替手段を書き出す

3か月目：モデル化と判断

• ベースラインを上回るモデルが作れるか検証する
• 上回らないなら、モデルではなくデータ（イベント情報の連携など）を疑う
• 縮退運用の手順を文書化し、現場と合意する
• 限定範囲での採用を開始する
• 効果測定の指標（残業時間、手配費、稼働率）を定義する

この3か月で最も重要なのは、2か月目の並走記録である。ここで得られる「現場の見立てとデータの差分」は、どんな高度なモデルよりも先に価値を生む。そして、ベースラインを上回れないという結果が出たとしても、それは失敗ではない。予測に投資すべきでない領域を特定できたという意味で、十分な成果である。

8. チェックリスト

需要予測AIの検討に入る前に確認する項目を挙げる。

• 接続する意思決定を一つに絞った
• その意思決定の確定タイミングを日単位で明確にした
• 意思決定の責任者を一人特定した
• 必要な予測の時間粒度・集計粒度を書き出した
• 下振れコストと上振れコストを金額で算出した
• 単純なベースライン（前年同週など）を用意した
• 現場管理者の見立てを記録する仕組みを作った
• 出荷実績を日別で2年分抽出した
• イベント情報（販促・特需）の入手経路を確保した
• 工数原単位（行数あたり標準時間）を持っている、または実測する計画がある
• 精度指標を「大きさ」と「偏り」の二本立てで定義した
• 外れの閾値を数値で定めた
• 外れたときの代替手段を列挙した
• 代替手段の発動を決める人を決めた
• 並走期間を1か月以上取る計画にした
• 効果測定の指標（残業時間・手配費・稼働率など）を定義した
• 原単位を更新し続ける担当を決めた
• 月次の振り返り会議を設定した

まとめ

需要予測AIの価値は、予測が当たることそのものにはない。予測によって意思決定が変わり、その結果としてコストや遅延が減ることにある。この当たり前の前提が抜けると、精度は上がったが現場は何も変わらないという結果になる。

だから設計の順序は、モデルからではなく意思決定から始める。どの判断を、誰が、いつまでに下しているのか。その判断を変えるにはどの粒度の情報がいつ必要か。外れたときは何をするか。ここまで決めてから、初めてデータとモデルの話に入る。

自動化オペレーションとの相性が良いのは、ロボットや自動倉庫が「事前に計画するほど効率が上がる」性質を持つためである。人員シフト、稼働計画、在庫配置、調達平準化——この四つの接続点のうち、まず一つを選び、3か月で並走まで持っていく。全部を一度に狙わないことが、結果的に最短距離になる。

そして忘れてはならないのは、現場管理者の見立てという既存の「予測モデル」が、すでにそこで動いているという事実である。AIはそれを置き換えるものではなく、その見立てが届かない領域を補い、判断の根拠を組織で共有できる形にするものである。この立て付けにできるかどうかで、定着するかしないかが決まる。

RobiZyはロボットを販売しない特定非営利活動法人であり、特定のAIベンダー・システムベンダーから独立した中立の立場で、導入企業の側に立って意思決定の棚卸しから接続設計、縮退運用の設計までを伴走している。需要予測は、データ分析・現場オペレーション・自動化設備という異なる専門が交差する領域であり、分析側だけ、あるいは現場側だけの視点では設計しきれない。「そもそも予測に投資すべきか」「どの意思決定から手をつけるべきか」といった構想段階でのご相談も歓迎する。中立の第三者として論点を整理するところから、お手伝いできることは少なくない。