小売DXの事例6選｜公表数値で見る成果と、自社で再現するための条件と体制

小売DXの事例記事は数多くありますが、成果の数値まで載っているものは限られます。載っていても「何店舗の、どの商品カテゴリで、いつ測った数字か」が省かれていると、自社の投資判断には使えません。この記事では、ローソン・ファミリーマート・平和堂・トライアル・ノジマ・ワークマンの6件について、公表されている数値と分母と時点をそろえて整理します。そのうえで、店舗数・SKU数・既存POSからのデータ取り出しという再現条件、内製とパートナー協業とパッケージの選び分けまで、受託開発の現場から見た判断基準として示します。

まとめ：小売DX事例で見るべき成果の桁と、自社で再現できる条件

公表事例の数値には、はっきりした桁の傾向があります。業務時間の削減は二桁パーセント、金額の改善は一桁パーセント。ファミリーマートのAI発注は1店舗あたり週約6時間の削減、ローソンのAI値引きは対象カテゴリの廃棄金額が約2.5%減で荒利額は約0.6%増でした。時間が大きく減っても、粗利はその比率では動きません。

削減した時間を人員配置の変更や売場作業へ振り替えなければ、時間削減は金額に落ちません。事例を集める段階で「削減した時間を何に使うか」まで決めておく。

再現条件は3つの軸で決まります。店舗数（固定費を割る母数）、販売実績の蓄積年数とSKU数（予測精度の前提）、既存POSと基幹システムからのデータ取り出し方式（更新頻度の上限）。この3つのどれかが欠けている状態で事例のシステムを導入しても、公表値の半分にも届きません。

体制の結論も先に書きます。店舗数が10から100程度で情報システム部門が数名という中堅小売なら、トライアル型の全面内製は採りません。顧客IDと在庫台帳の設計だけを自社が握り、開発はパートナーと組み、発注や会計はパッケージに寄せる組み合わせが、もっとも回収の見込みが立ちます。

小売DX事例の読み方｜成果指標の分母と公表時点で変わる数値の意味

事例の数値は、分母を確認して初めて自社の話になります。ここを飛ばすと、他社の一部領域での成果を全社の効果と読み替えてしまい、投資額の見積りが一桁ずれます。

廃棄2.5%減という数字の分母｜対象SKUと店舗数を確認する読み方

ローソンのAI値引きで公表された「廃棄金額 約2.5%削減」は、全商品の廃棄額が2.5%減ったという意味ではありません。パンなど約60SKUという対象カテゴリに限定した、1店舗あたりの数字です。実証の規模も都内162店舗と東北23店舗という範囲でした。

自社に当てはめるなら、まず同じ粒度の数字を手元で作ります。デイリー品の廃棄額が月次でいくらか、そのうち値引き対象にできるSKUが何品目か。この分母を出さずに「廃棄が2.5%減る」と稟議に書くと、実際の削減額は想定の数分の一で終わります。

業務時間の削減と粗利の改善を同じ表に並べない、指標の性質の違い

ファミリーマートの「週約6時間削減」は人時の指標、ローソンの「荒利額 約0.6%増」は金額の指標です。この2つを同じ効果一覧に並べると、時間削減が自動的に利益になるかのような資料ができあがります。

人時の削減は、シフトを組み替えて実際に人員を減らすか、空いた時間を売場づくりや接客に振り向けて売上を作るか、どちらかを実行して初めて金額になります。発注担当が浮いた時間で別の事務作業をしているだけなら、損益計算書には何も現れません。

2019年の事例と2025年の事例を同列に置けない、前提技術の時点差

平和堂のAI需要予測発注が報じられた2019年と、ファミリーマートがAIレコメンド発注を始めた2025年では、前提が違います。気象データの取得方式、予測モデルの再学習にかかる計算コスト、店舗側の端末環境。6年前の事例の投資額と期間をそのまま自社の見積り根拠にすると、過大にも過小にもぶれます。

業種をまたいで比べるときも同じ注意が要ります。工程データが自動で取れる製造業と、レジを通らないと実績が生まれない小売業では、データの発生源からして違う。製造業のDX事例で見る成果指標と失敗パターンと読み比べると、同じ「AI需要予測」でも前提条件の重さが異なることが分かります。

発注と需要予測の小売DX事例｜ローソン・ファミマ・平和堂の公表値の比較

発注と需要予測は、小売DXの事例の中でもっとも数値が公表されている領域です。

ローソンのAI値引き推奨｜162店舗の実証で出た廃棄2.5%減と粗利0.6%増

ローソンが取り組んだのは、消費期限が迫った商品に対してシステムが値引きの時間と額を推奨する仕組みです。2021年に東北と関東の一部店舗で実証を始め、2022年6月28日から9月下旬にかけて都内162店舗と東北23店舗へ拡大しました。

公表された成果は、パンなど約60SKUの対象カテゴリで1店舗あたりの廃棄金額が約2.5%削減、荒利額が約0.6%増加。同社は2023年度中の全店導入を計画し、食品ロスについては2030年までに2018年度比50%削減という目標を掲げています。

この事例から読み取るべきは、値引きの判断を人からシステムに移しても、粗利は薄くしか伸びないという事実です。値引きは廃棄を減らす一方で単価を下げるため、両者が相殺します。廃棄削減を主目的に据え、粗利の改善は副次的な効果として見込む。順序を逆にすると、期待値が現実と合いません。

ファミリーマートのAIレコメンド発注｜500店舗で週約6時間の発注時間削減

ファミリーマートは2025年7月10日に「AIレコメンド発注」の導入を発表しました。運用開始は2025年6月末、対象は全国500店舗で、おむすび・弁当・サンドイッチなどのカテゴリが範囲です。

予測に使うのは過去1年の販売実績に加え、店舗前の通行量、気象データ、カレンダー情報。推奨値は1日4回更新され、品揃えについては「お手本店」との比較から提案が出ます。新商品やイレギュラーなイベントに対応するための手動調整機能も残されています。公表された効果は、発注業務時間が1週間あたり約6時間の削減。

設計面で参考になるのは、手動調整を残した点です。推奨値を絶対にして現場の裁量をゼロにすると、地域の催事や工事による通行量の変化に対応できず、担当者がシステムを信用しなくなります。推奨と手動の併用は、定着させるための現実的な妥協点です。

平和堂のAI需要予測発注｜マンアワー30%削減目標に対する進捗の読み方

平和堂は日配品の売場にAIによる需要予測発注を導入し、販売実績や気象情報から発注数を自動で算出する仕組みを取り入れました。業界紙の報道では、店舗作業のマンアワーを30%削減する目標に対し、2019年度上期で14.9%、直近で16.9%という進捗が示されています（いずれも2019年10月時点）。

この数字の使いどころは、成果の総量ではなく到達スピードです。全社目標の半分強に届くまでに数年かかっている。初年度で目標値を丸ごと計上する投資計画を書くと、2年目以降に必ず未達が出ます。段階的に効果を見込む前提で、回収期間を長めに置くほうが実態に合います。

発注系3事例の比較表｜対象カテゴリ・成果指標・公表時点・規模の一覧

3社を1つの表に置くと、成果指標の性質がそれぞれ違うことが見えます。同じ「AI発注」でも、測っている対象が廃棄額・人時・マンアワーと分かれている点に注意してください。

自社で事例を集めるときも、この4列で並べてください。成果だけの一覧は比較に使えません。

店舗体験を作り替えた小売DX事例｜トライアルのカートとノジマのアプリ

顧客接点側の事例は、発注系と違って金額の効果が公表されにくい領域です。稼働台数や利用率という中間指標の読み方が問われます。

トライアルのスマートカート｜216店舗約1万9500台と利用率41.2%の内実

トライアルホールディングスとグループのRetail AIが開発したスマートショッピングカートは、カート自体にセルフレジ機能を持たせた仕組みです。公表資料によれば、2023年2月1日時点で全国129店舗に約12,000台が稼働し、月間利用者はのべ200万人超、カート利用率は41.2%。2024年4月時点では216店舗・稼働数約19,500台まで拡大しています。同社はさらに、導入時の負担を下げる月額サブスクリプションプランでの外販も進めてきました。

注目すべきは利用率41.2%という数字です。半分以上の来店客は従来のレジを使っている。つまりセルフレジ機能付きカートを入れても、有人レジは残す前提で人員計画を組む必要があります。「導入すればレジ要員がゼロになる」という読み方は、公表値と合いません。

この事例をそのまま真似すべきかについては、はっきり否定しておきます。自社でハードウェアを開発し、外販事業にまで転じる構造は、開発組織と製造供給網を自前で持てる規模でなければ成立しません。中堅規模の小売が同じ道を選ぶと、システム投資が本業の粗利を食います。

ノジマの全221店舗アプリ｜QR注文と店員呼び出しで変えた接客の動線

ノジマは2023年12月7日から、全221店舗でモバイルアプリによるQRコード注文機能と店員呼び出し機能の提供を始めました。翌2024年3月22日には第2弾として、店内の位置情報を表示するマップと、自宅の家電情報を登録する機能を追加しています。開発はGlobalLogic Japanとの共同プロジェクトという体制です。

家電量販店は接客の比重が高い業態で、無人化とは方向が違います。この事例が変えたのは、来店客が店員を探して店内を歩き回る時間と、店員が売場を巡回して声をかける空振り。呼ばれてから動く形に変えれば、同じ人数で対応できる客数が増えます。

体制面では、業務要件を自社が持ち、開発は外部パートナーと組むという分担が明快です。中堅規模の小売が現実的に選べるのは、トライアル型よりこちらでしょう。

店舗体験系の事例が投資回収に届く条件｜来店頻度と人時売上の測り方

顧客接点の投資は、コスト削減では回収を説明しきれません。測るべきは来店頻度、客単価、人時売上高の3つです。アプリ会員の来店回数が月あたり何回増えたか、会員と非会員で客単価にどれだけ差が出たか、売場1時間あたりの売上がどう動いたか。

ここで多いのが、導入前の基準値を取っていないという失敗。稼働してから「効果を測ってほしい」と言われても、比較対象がなければ何も言えません。事例を参考にシステムを検討する段階で、3か月分の基準値を先に取っておく。これは開発費のかからない準備で、後から取り返せない部分です。

データ分析を内製化した小売DX事例｜ワークマンの全社員研修の中身

システムではなく人の側を変えた事例も押さえます。データを読む人が増えなければ、意思決定は変わりません。

ワークマンのExcel経営｜2012年開始の全社員研修と35%の自作ツール

ワークマンは2012年から、理系文系や部署を問わず全社員がデータ分析の研修を受ける体制を敷いてきました。カリキュラムは段階式で、社歴2年目に商品分析システムの扱い方、3年目にExcelの主要な分析機能を学ぶ構成。研修は月1回、計6回を丸1日かけて実施し、関数・ピボットテーブル・マクロまでを全社員が扱えるようにしています。

結果として、全社員の35%が現場に合わせた分析ツールを自作する状態になりました。同社は専門のデータサイエンティストを採用しない方針を取っており、品揃えや棚割の改善、店舗在庫の見直しを現場の担当者自身が回しています。

内製化の事例を誤読すると起きること｜道具より先に決める評価の基準

この事例をBIツールの導入話として読むと、再現に失敗します。順序が逆だからです。ワークマンが先に決めたのは、研修を業務時間に組み込むことと、データで説明する習慣を全社の共通言語にすること。道具はその後です。

分析基盤だけを先に契約した場合、使うのは情報システム部門と一部の企画担当だけで終わります。ライセンス費だけが積み上がり、現場は従来どおり経験と勘で発注を続ける。内製化を目指すなら、誰がどの業務時間で学ぶのか、その成果を人事評価にどう反映するのかを、システムの選定より先に決めてください。

小売DX事例の再現条件｜店舗数・SKU数・既存システムで変わる回収可否

ここからは、事例を自社に当てはめられるかを判定する条件を扱います。定義や領域の切り分けについては小売DXの進め方と4領域のロードマップで整理しているため、本章では回収可否に直結する前提だけを見ます。

店舗数10未満で発注AIの事例が回収に届かない、固定費と削減時間の差

ファミリーマートの公表値から試算します。1店舗あたり週約6時間の削減は、年間で約312時間。パート時給1,200円で換算すると1店舗あたり年間約37万円、10店舗で約374万円の人件費相当です。

発注支援システムの初期構築と年間の保守費を合わせると、この試算額を超えるケースは珍しくありません。店舗数が10未満の事業者が同型の仕組みを導入しても、削減時間の総量が固定費を割り切れない。この規模では、既存の発注システムに需要予測のオプションを付ける形か、パッケージの標準機能で足りる範囲に絞るほうが合理的です。自社開発は採用しません。

販売実績の蓄積年数とSKU数｜需要予測の事例を再現する最低ラインの目安

ファミリーマートの設計は過去1年の販売実績を予測の入力にしています。ここから逆算すると、日次×SKU×店舗の粒度で最低1年分、季節要因を2巡見て検証するなら2年分が目安です。

問題になりやすいのが、POSのジャーナルデータを日次の合計だけ残してSKU単位で捨てている場合。この状態だと、データの蓄積からやり直しで、予測の運用開始は1年以上先になります。事例の導入期間だけを見て計画を組むと、この待ち時間が丸ごと抜け落ちます。

既存POSと基幹システムの連携可否｜事例の裏にあるデータ取り出しの前提

推奨値を1日4回更新するには、販売実績と在庫が同じ頻度で取り出せることが前提になります。既存POSからのデータ連携が夜間バッチのCSV出力しかない環境では、どれだけ予測モデルが良くても1日1回が上限です。

まず確認するのは、POSベンダーが提供する連携方式と、その頻度・粒度・追加費用。在庫側の台帳がどう作られているかも合わせて見ます。在庫管理システムの仕組みと機能の種類を踏まえて、店舗在庫とEC在庫が別台帳になっていないかを先に点検してください。台帳が分かれたままでは、需要予測の精度以前に、引き当てる在庫数が信用できません。

再現条件のチェック表｜領域別に見る前提データ・必要体制・想定期間

想定期間は、要件定義の開始から効果測定までの目安です。

4領域すべてに同時着手する計画は、体制が持ちません。前提データがそろっている領域から1つ選んでください。

事例が自社で再現できない失敗場面と、内製・協業・パッケージの選び分け

事例を参考にした案件が崩れる典型と、体制の決め方を示します。

事例をそのまま移植して失敗する場面｜店舗ごとの運用差を残した要件定義

もっとも費用が膨らむのは、店舗ごとの運用差を残したまま事例のシステムを導入しようとした場合です。発注担当の裁量幅、棚割の例外運用、締め時間、値引きの権限。この差異を要件としてすべて吸収しにいくと、例外処理の分岐が積み上がり、開発費が当初見積りの倍近くまで伸びます。

公表事例のチェーンは、その前段で運用を標準化しています。ファミリーマートの「お手本店との比較」という機能は、店舗間に共通の基準があるから成り立つ仕組みです。標準化を飛ばしてシステムだけ入れると、現場ごとに手動で上書きされ、推奨値が誰にも使われないまま残ります。

内製・パートナー協業・パッケージの選び分けと、採用しない条件の明示

3つの体制について、採るべき条件と採らない条件を並べます。

• 全面内製（トライアル型）：自社に開発組織があり、システムを外販して投資を回収できる規模。店舗数が数十で情報システム部門が数名の事業者は採用しない。
• パートナー協業（ノジマ型）：業務要件と効果測定の責任を自社が持ち、設計と開発を外部と組む。中堅規模の既定解として最初に検討する。
• パッケージ導入：発注や在庫の標準機能で足りる範囲に限る。お手本店比較のような自社固有の運用ルールは載らないため、業務側を製品仕様に寄せる覚悟が要る。

結論として、店舗数10から100・情報システム部門が数名という中堅小売なら、パートナー協業を軸に置いてください。会計と勤怠と一般的な発注はパッケージへ寄せ、顧客IDと商品マスタと在庫台帳の設計だけを自社が握って外部と作る。この組み合わせが、公表事例の成果に最も近づけます。全面内製は、開発人員の採用と定着まで含めた総コストで見ると、中堅規模では回収できません。

事例を自社要件に翻訳する進め方｜受託開発で先に固める範囲と費用の目安

事例集めの次にやることは、システムの選定ではなく翻訳作業です。固めるのは3点。顧客IDと商品マスタと在庫台帳の持ち方、既存POSからのデータ取り出し方式と更新頻度、効果測定に使う基準値の取得方法。この3点が決まっていれば、その後の開発範囲は見積り可能な形に落ちます。

逆に、ここが曖昧なまま開発会社に相談すると、要件定義のやり直しで数か月と数百万円が消えます。当社では流通システム開発として、POS・在庫・ECの連携を前提にした業務システムの設計と開発を請けており、既存システムの連携可否の調査から着手する進め方を採っています。データの持ち方から相談したい段階でも構いません。

費用面では、連携方式の調査と要件定義だけを先行して切り出す形が現実的です。前提が確定してから開発規模を決めるほうが、総額は下がります。

よくある質問

小売DXの事例を調べる段階で出やすい疑問を、公表値と実務の観点から整理します。

小売DXの事例で最も成果が大きいのはどの領域ですか？

数値として大きく出るのは発注・需要予測の領域です。ファミリーマートの1店舗あたり週約6時間、平和堂の店舗マンアワー16.9%削減（2019年10月時点）のように、業務時間は二桁パーセントの改善が公表されています。ただし金額ベースで見ると、ローソンの荒利額約0.6%増のように一桁パーセントにとどまります。時間の削減幅が大きい領域と、利益への寄与が大きい領域は一致しません。稟議では時間と金額を分けて示してください。

中小規模の小売業でも再現できる小売DXの事例はありますか？

店舗数が10未満なら、発注AIの自社開発は回収に届きません。週6時間削減を年換算しても1店舗あたり約37万円相当で、システムの初期費用と保守費を割り切れないためです。この規模で参考にすべきはワークマン型のデータ分析内製で、既存のExcelとPOSデータの範囲でも着手できます。人の側を先に変え、システム投資は店舗数が増えてからでも遅くありません。

小売DXの事例で使われているAIは自社開発と外部サービスのどちらですか？

公表事例は分かれています。トライアルはグループのRetail AIで自社開発し、外販まで手掛ける構造。ノジマはGlobalLogic Japanとの共同プロジェクトという形です。ファミリーマートや平和堂の需要予測は、小売業向けの発注システムとして提供されている製品を軸にした導入と報じられています。中堅規模の小売が選ぶなら、予測エンジンは外部製品、業務要件と連携部分は自社主導という切り分けが現実的です。

小売DXの事例で公表されている削減率をそのまま自社の目標にしてよいですか？

推奨しません。公表値には分母があり、ローソンの廃棄2.5%減はパンなど約60SKUの対象カテゴリに限った1店舗あたりの数字です。全商品の廃棄額に掛けると、削減見込みが数倍に膨らみます。自社で目標を置くなら、同じ粒度で現状値を測るところから始めてください。対象カテゴリの月次廃棄額、値引き可能なSKU数、発注担当の実作業時間。この3つを取れば、公表値を自社の規模に換算できます。

小売DXの事例を集めた後、最初に何を決めればよいですか？

顧客IDと商品マスタと在庫台帳の持ち方です。店舗とECで会員が別番号、在庫が別台帳という状態だと、需要予測も顧客接点の施策も土台から成立しません。次に決めるのが既存POSからのデータ取り出し方式で、これが更新頻度の上限を決めます。3つ目が効果測定の基準値の取得で、導入前に3か月分を確保しておく。システム製品の比較検討は、この3点が固まってからで間に合います。

関連記事

• 小売DXとは？課題・進め方と店舗・EC・在庫のシステム化ロードマップを解説：本記事の事例を、定義・4領域マップ・着手順の観点から整理した記事です。
• DXとは？定義とデジタル化との違い・進め方を受託開発の実務目線で解説：業種を問わないDXの定義と、デジタル化との線引きを扱っています。
• 物流DXとは？2024年問題と改正物流効率化法を踏まえた課題と進め方を解説：小売の在庫・配送と接する物流側の制度変更と課題をまとめた記事です。