現在の小売業は競争が激しくなっている中、グローバル化や顧客ニーズの多様化に対応できよう、市場の変化を先取りした戦略を立案し推進することが重要です。AIによる需要予測は最新技術を活用し、それよりさらなる効果をもたらしています。
需要予測とは？
需要予測は販売履歴データと関連情報（消費者の嗜好、市場傾向等）を分析することによって、傾向変動、循環変動、季節変動など顧客の需要変動を短期的または長期的に予測することです。
需要予測を行うには、いくつかの異なる方法があります。使用する予測モデルによって、予測が異なる場合があります。ベストプラクティスは、複数の需要予測を行うことです。
- パッシブ需要予測: このモデルでは、過去の販売データを使用して将来を予測します。
- アクティブな需要予測:考慮事項には、経済見通し、市場セクターの成長予測、およびサプライチェーン要因による予測コスト削減が含まれます。利用する履歴データが少ないスタートアップは、外部データに基づいて仮定を立てる必要があります。
- 短期予測:短期的な需要予測では、次の3〜12か月だけを見ています。これは、ジャストインタイムのサプライチェーンを管理するのに役立ちます。短期的な需要を見ると、リアルタイムの販売データに基づいて予測を調整できます。顧客の需要の変化に迅速に対応するのに役立ちます。
- 長期予測: 長期予測では、1年から4年先の予測が行われます。この予測モデルは、ビジネスの成長軌道を形作ることに焦点を当てています。
- 外部マクロ予測: 経済全体における外部マクロ統合の傾向。この予測では、これらの傾向が目標にどのように影響するかを調べます。外部のマクロ需要予測も、これらの目標を達成する方法の方向性を示します。
- 社内事業予測: 内部ビジネス予測タイプは、成長を遅らせる可能性のある制限を明らかにします。また、組織内の未開拓の機会領域を強調することもできます。この予測モデルは、ビジネスファイナンス、手元現金、利益率、サプライチェーンの運用、および人員を考慮に入れています。
需要予測を行うメリット
小売業では、需要予測のメリットと言えば、需要の変化をより早く正確に把握することで、在庫管理を徹底できることです。市場情報を考慮に入れながら、過去の販売実績データを分析することで、将来的な販売数を予測して、在庫を切らしたり、売れていない在庫品が溜まったりするという在庫切れや過剰在庫を回避できます。
それだけでなく、適正在庫の確保に伴うメリットは複数述べられます。
- 顧客の満足度の向上
在庫切れや納期延長が納期を待たせられた顧客の満足度の低下に繋がるということが証明されました。その一方、商品をいつでも手に入れられるということによって、顧客の満足度の向上、さらにブランド認知度と顧客ロイヤリティの向上も実現できようになります。
- マークダウン最適化（在庫消化の最大化と粗利率低下の最小化のバランスを支えること）
小売業では、顧客ニーズを把握できないまま、多く商品を入荷して、過剰在庫を抱えてしまうことが多いでしょう。これにより、予想よりも高い在庫コストが発生し、商品の価値が失われるリスクも高まります。しかし、需要予測を正確に行えば、この問題は徹底的に解決できます。
小売業においてAIを需要予測に適用する利点は何か
機械学習による需要予測を導入するモデル
機械学習は予測精度の改善を貢献します。人口統計、天気、オンラインレビュー、ソーシャルメディアなどの内部およびデータソースを使用し、リアルタイムデータに高度的な予測を提供できます。 データと最新の機械学習アルゴリズムの助けを借りて、サプライチェーンは、データアナリストがより手動で管理するネットワークよりも優れたパフォーマンスを発揮し、外部の変化に適応できます。
履歴データが不足な新製品の場合、機械学習予測ツールは、同様の特性とライフサイクル曲線を持つ以前の製品のクラスターを識別し、それらのデータセットを代わりに使用して予測を行うことができます。
需要予測技術は、サプライチェーン計画で最も多く使用されている機械学習アプリケーションとされています。ガートナーの調査では、企業の45%が既にこの技術を使用しており、その43%が今後2年間でAIを活用した需要予測を図っていることが明らかになりました。
というのは、AIを需要予測に活用することは大きなメリットをもたらしているからです。
機械学習アルゴリズムは、需要予測の精度を向上させ、在庫補充プロセスを最適化します。マッキンゼー・デジタルによれば、AIによる需要予測は、サプライチェーンネットワークにおけるエラーを30〜50％削減できるということです。それに伴う在庫切れによる販売機会損失の回避や倉庫管理コストの削減などの効果も期待されています。
また、従来の予測手法（ARIMA等）と比較すると、機械学習アルゴリズムによる需要予測は販売履歴の少ない新商品の場合でも高い精度の予測を行うことが可能です。それは新製品と同様な特性やライフサイクルカーブを持つ先行製品のデータを利用し、予測を行うからです。
それに加え、上記で述べた通り、AIによる需要予測は過去の実績データだけでなく、顧客の嗜好や気象情報、周辺市場といった変動要素の分析も行います。それにより、流行の影響を大きく受ける業界、特にファッションアパレル企業はカラーや着こなしなどのトレンドを導き出すことで次の変化を予測することができます。
まとめ
AIによる需要予測は季節商品の予測から、ファッションのトレンドの予測、飲食店の来客予測にかけて小売業に幅広く活用されています。成功するケースも失敗に終わるケースもあります。その分岐点は主に、関連するデータの質と量
参考資料:
*https://ibf.org/knowledge/reports/research-report17
*https://www.mckinsey.com/~/media/McKinsey/Industries/Semiconductors/Our%20Insights/Smartening%20up%20with%20artificial%20intelligence/Smartening-up-with-artificial-intelligence.ashx%20str%209
* https://research.aimultiple.com/demand-forecasting/
