需要予測を在庫管理につなぐ設計｜安全在庫・発注点・リードタイムの決め方と外注判断

需要予測の精度を上げたのに在庫が減らない、という相談は珍しくありません。原因の多くは予測モデルではなく、予測した数値を在庫の計算式へ渡す設計の側にあります。この記事では、予測値が在庫管理の意思決定へ入る3か所を特定し、安全在庫と発注点の式へ予測誤差を組み込む手順、リードタイムのばらつきを含めた計算、発注ロットが在庫水準を支配する場合の見分け方を数値例で示しました。需要予測そのものの手法は需要予測の定義とAI・機械学習による手法の解説にまとめてあるため、本記事は在庫側との接続部だけを扱います。投資を見送るべき業務条件も条件付きで明記しています。

まとめ：予測誤差・リードタイム・発注ロットの3点で決まる在庫水準

在庫水準を決めているのは予測精度そのものではありません。予測誤差の大きさ、調達リードタイムとそのばらつき、そして1回あたりの発注ロットという3つの量です。このうち需要予測が直接動かせるのは1つ目だけで、残る2つは調達条件と発注業務の設計で決まります。

実務での判断順序は次のようになります。まず安全在庫の入力を、過去需要の標準偏差から予測誤差の標準偏差へ差し替える。次にリードタイムのばらつきを式へ入れ、見積もりの不足を確認する。そのうえで経済的発注量からサイクル在庫を計算し、安全在庫と並べて比べます。サイクル在庫のほうが大きい品目では、予測モデルへ投資しても在庫削減の効果は限定的です。

採用の可否は、品目数・発注頻度・在庫金額の3条件で切り分けられます。SKUが数百を超え、発注が週次以下の頻度で回り、対象品目の在庫金額が年間で数千万円規模に達する事業なら、投資は回収できます。受注生産や内示ベースで需要が確定する事業や、月に数回しか出荷が発生しない補修部品に、予測モデルへの先行投資は向きません。

需要予測の数値が在庫の意思決定へ入る3か所と対応する計算パラメータ

需要予測と在庫管理は一続きの流れに見えますが、システムの内部では別々の計算として動いています。接続点を3か所に分けておくと、どこに予測値を渡せば在庫が動くのかがはっきりします。

発注点・安全在庫・発注量という3つの計算式が予測値を受け取る位置

在庫の補充判断は3つの式で構成されます。発注点は「調達期間中に出ていく見込み数量＋安全在庫」で、いつ発注するかを決める基準値です。安全在庫は需要のぶれを吸収する緩衝で、どれだけ余分に持つかを決めます。発注量は1回で何個補充するかを決める量です。

需要予測が入るのはこの3つすべてですが、入り方が違います。発注点には予測の平均値が、安全在庫には予測の誤差が、発注量には平均値と発注間隔の組み合わせが入ります。平均値だけを高精度にしても安全在庫は動きません。ここを取り違えると、精度指標は改善したのに在庫金額が変わらない結果になります。

在庫管理システムの補充計算と需要予測モデルの役割分担の線引き

市販の在庫管理システムの仕組みと機能には、発注点方式による補充提案が標準で入っています。ただしその発注点は、過去数か月の平均出荷量を固定パラメータとして人が入力する運用になっているケースが大半です。

需要予測モデルを載せる場合、予測側は「日別・SKU別の需要見込みと誤差分布」までを出し、在庫側がその数値で発注点と発注量を計算します。予測モデルが発注数量まで直接算出する設計もありますが、この場合は在庫管理システム側の補充ロジックを止めることになり、既存業務への影響が小さくありません。段階導入では、まずパラメータだけを差し替える設計から始めると移行の失敗が減ります。

定期発注方式と定量発注方式で変わる予測値の使いどころと適用条件

発注方式によって、予測値が効く範囲は変わります。同じ精度でも、方式を誤ると予測は在庫に反映されません。

定期発注方式で予測が効く発注間隔と調達期間の合計区間の考え方

定期発注方式は、毎週月曜など決まったタイミングで発注量を計算する方式です。手当てすべき需要は「発注間隔＋調達期間」の合計区間で、週次発注・調達7日なら14日分を見込んで発注します。

発注量の式は「予測需要（発注間隔＋調達期間）－現在庫－発注残＋安全在庫」です。予測値が発注数量へ直接入るため、予測精度がもっとも素直に在庫へ反映されます。販促計画や季節性を説明変数に入れられる品目はこの方式に向いています。

定量発注方式で予測が関与するのは発注点の水準だけという構造的な制約

定量発注方式は、在庫が発注点を割ったら決まった量を発注する方式です。発注量はEOQなどで事前に固定されているため、予測値が入るのは発注点の水準を決める場面だけになります。

この方式で予測モデルを載せても、動かせるのは在庫全体の一部にとどまります。発注量が固定されている以上、サイクル在庫の平均は発注ロットの半分のままです。定量発注のまま在庫を減らすなら、予測より先に発注ロットを見直すほうが早く効きます。

ダブルビン法と定量発注の使い分け：予測を持ち込まない品目の条件

ダブルビン法は、同じ量を入れた容器を2つ用意し、片方が空になったら発注する運用です。計算式もシステムも要りません。単価が低く、出荷が安定し、欠品しても代替が効くネジや消耗品では、この方式のほうが管理コストを含めた総費用で有利になります。予測を持ち込む価値があるのは、単価が高いか、欠品による機会損失が大きいか、需要が説明可能な要因で動く品目に限られます。

安全在庫と発注点の計算式へ予測誤差を組み込む手順とサービス率の決め方

需要予測を在庫削減へ結びつける中心はこの章です。安全在庫の入力を差し替えるだけで、モデルを高度化しなくても在庫は動きます。

安全在庫の入力は需要の標準偏差ではなく予測誤差のRMSEを使う

安全在庫の標準式は SS = k × σ × √LT です。kは安全係数、σは需要のばらつき、LTは調達リードタイムを表します。多くの現場では、このσに過去出荷実績の標準偏差をそのまま入れています。

ここが設計上の分かれ目です。安全在庫が吸収すべきなのは「需要そのもののぶれ」ではなく「予測が外れる幅」だからです。需要が季節性で大きく上下していても、その上下を予測モデルが説明できているなら、緩衝として持つべき在庫は小さくなります。σに入れるのは、予測誤差の標準偏差にあたるRMSE（二乗平均平方根誤差）です。誤差指標の測り方は需要予測アルゴリズムの選び方と実装手順で扱っています。

サービス率と安全係数kの対応表と欠品損失から水準を決める手順

kの値は、許容する欠品率から決まります。標準正規分布の片側分位点をそのまま使うため、対応は固定です。

サービス率を95%から99%へ上げると、kは1.65から2.33へ、安全在庫は約1.4倍になります。全品目を一律99%に設定している現場では、品目ごとに切り替えるだけで在庫が下がります。判断の基準は、1個欠品したときの損失額と1個余分に持つ年間保管費用の比です。保管費用のほうが大きい品目に高いサービス率を設定する意味はありません。

日次出荷100個・調達7日の品目で安全在庫が87個減る計算例

数値で確認します。日次平均出荷100個、調達リードタイム7日、サービス率95%（k=1.65）の品目で、過去出荷実績の標準偏差が日次50個だとすると、従来式の安全在庫は 1.65 × 50 × √7 ＝ 約218個です。

ここへ予測モデルを入れ、予測誤差のRMSEが日次30個まで下がったとします。同じ式のσを差し替えると 1.65 × 30 × √7 ＝ 約131個。差は87個、率にして40%の削減です。発注点は 100 × 7 ＋ 131 ＝ 831個になります。

削減量を決めるのは「需要のばらつきに対して予測誤差をどれだけ小さくできたか」です。もともと需要が安定していてσが小さい品目に、削減余地はほとんど残っていません。

リードタイムのばらつきを安全在庫へ反映する条件と調達期間の実測方法

前章の式には見落としがあります。リードタイムを定数として扱っている点です。海外調達や外注加工では、この前提が成り立ちません。

リードタイム変動を無視した安全在庫が実需に対して不足する計算

需要とリードタイムの双方が変動する場合、安全在庫は SS = k × √(LT×σd² ＋ d²×σLT²) で計算します。dは日次平均需要、σdは需要（または予測誤差）の標準偏差、σLTはリードタイムの標準偏差です。

先ほどの品目でリードタイムの標準偏差が2日だったとして計算し直します。1.65 × √(7×30² ＋ 100²×2²) ＝ 1.65 × √(6,300 ＋ 40,000) ＝ 約355個。リードタイム変動を無視した131個の2.7倍です。第2項の d²×σLT² が支配的で、需要の予測誤差を下げても安全在庫はほとんど動きません。

この構造の品目で先に手を打つべきは予測モデルではなく調達です。調達先の変更や分割納入でσLTを1日に下げれば、同じ式で 1.65 × √(6,300 ＋ 10,000) ＝ 約211個まで下がります。

調達期間のばらつきを過去の発注実績から実測する手順と分布の確認点

σLTは調達先の公称リードタイムからは分かりません。発注日と入荷日の実績から、次の3段階で計算します。

1. 発注データと入荷実績を品目・調達先の単位で12か月分そろえ、1件ごとに実リードタイムを出す
2. 調達先ごとに平均と標準偏差を計算し、公称値との差を確認する
3. 分布の形を見て、右に長い裾（一部の発注だけ極端に遅れる）がないかを確認する

裾が長い分布では、標準偏差を使った正規分布前提の式が実態より小さい安全在庫を出します。この場合は平均ではなく実績の95パーセンタイル値をリードタイムとして採用し、σLTは残差から取る運用が実務に合います。発注残データがERPに残っていない現場では、この実測ができる状態を作るところが着手点です。

ABC分析とXYZ分析による層別と予測を当てにいかない品目の見極め

全SKUに同じ予測モデルを当てる設計は保守が破綻します。モデルを当てる品目と当てない品目を先に分けます。

ABC分析で金額上位に絞り予測モデルの対象品目を決める判断基準

ABC分析は年間出荷金額で品目を順位づけし、累計比率で3群に分ける手法です。上位20%程度の品目が金額の70〜80%を占めるため、予測モデルの対象はまずA区分に限定します。

理由は投資対効果です。C区分の品目は在庫金額が小さく、予測精度を上げても削減額が保守費用に届きません。C区分はダブルビン法に寄せ、B区分は個別モデルではなく統計的手法の一括適用にとどめます。

変動係数による層別と間欠需要にCroston法を割り当てる境界の置き方

XYZ分析は需要の変動係数（標準偏差÷平均）で層別する手法です。変動係数が小さいX区分は予測しやすく、大きいZ区分は当たりません。目安は0.5未満をX、0.5〜1.0をY、1.0超をZとする置き方です。

注意が必要なのはZ区分のうち間欠需要と呼ばれる型で、月に数回しか出荷が発生しない補修部品や特注部材が該当します。この型に移動平均法や指数平滑法を当てると、予測値が「毎日0.3個」のような実際には起こらない小数へ収束し、発注判断に使えません。J.D. Crostonが1972年に発表した手法は、需要の発生間隔と発生時の需要量を分けて平滑するもので、この型に対応します。ただし削減幅は小さく、C区分に落ちる品目なら方式変更のほうが費用対効果は高くなります。

予測精度を上げても在庫が減らない構造：発注ロットと入荷サイクル

在庫は安全在庫とサイクル在庫の和で構成され、後者は予測と無関係に決まります。

経済的発注量の計算例で分かるサイクル在庫と安全在庫の構成比の差

経済的発注量（EOQ）は EOQ = √(2DS÷H) で求めます。Dは年間需要、Sは発注1回あたりの費用、Hは1個あたりの年間保管費用です。同じ品目で年間需要36,500個、発注1回あたり5,000円、単価500円・年間保管費率20%（H＝100円）とすると、EOQは √(2×36,500×5,000÷100) ＝ 約1,910個。年間の発注回数は約19回です。

このときサイクル在庫の平均は発注ロットの半分、955個です。安全在庫131個と並べると、平均在庫1,086個のうち88%をサイクル在庫が占めます。予測モデルで安全在庫を218個から131個へ40%削っても、平均在庫は1,173個から1,086個へ、7%程度しか下がりません。

MOQと入荷サイクルが在庫水準を決めている品目で予測が空回りする条件

調達先が最小発注数量（MOQ）を設定している品目では、この構造がさらに強く出ます。MOQが月間需要を超えていれば発注ロットは需要と無関係に決まり、予測値がいくら正確でも発注数量は変わりません。

該当するかどうかは1つの比で判定できます。MOQまたは発注ロットを日次平均需要で割った値が、調達リードタイムを大きく上回っている品目です。先ほどの例なら1,910÷100＝19.1日で、調達7日の2.7倍。この比が3を超える品目は、予測モデルの投資対象から外して差し支えありません。

発注サイクルの短縮と予測精度の改善のどちらを先に投資するかの順序

では何に投資するか。EOQの式で動かせるのは発注1回あたりの費用Sです。発注業務をEDIや自動発注で機械化してSを5,000円から1,250円へ下げると、EOQは √(2×36,500×1,250÷100) ＝ 約955個、サイクル在庫は478個まで下がります。平均在庫は安全在庫131個と合わせて609個。従来の1,173個から48%の削減です。

予測モデル単独の7%と、発注業務の機械化を含めた48%。順序は明らかです。サイクル在庫が安全在庫を大きく上回る品目では、需要予測より先に発注業務の自動化へ投資します。予測モデルは、安全在庫を削る二段目の施策として置くほうが回収は早くなります。

導入効果の測り方：在庫回転日数・欠品率・予測誤差の3指標の置き方

効果測定を予測精度だけで行うと、在庫が減っていないのに成功と報告されます。指標は3つ並べて見ます。

在庫回転日数と欠品率を同時に見る理由と片方だけ改善する失敗例

在庫回転日数は平均在庫を日次平均出荷で割った値で、先ほどの例なら1,086÷100で10.9日です。この指標だけを目標に置くと、欠品を増やして数値を良く見せる運用が成立するため、欠品率（または受注充足率）を必ず並べます。回転日数が短くなり欠品率が横ばいなら成功、欠品率が上がっているなら単にサービス率を下げただけです。報告は品目区分ごとに分けます。A区分で在庫が減りC区分で増える打ち消し合いは、全社合計では見えません。

予測精度の指標にはMAPE（平均絶対パーセント誤差）が使われますが、需要が小さい品目では機能しません。実績が0の日には計算できず、実績1個に対して2個と予測すれば誤差100%と評価されるためです。代替になるのは、前期実績をそのまま使う素朴な予測を基準に相対評価するMASE、あるいは誤差数量に単価を掛けた誤差金額です。評価期間は1シーズンを含む12か月を置き、季節性品目の判定は繁忙期を通過してから行います。

需要予測を在庫管理へ組み込む採用条件と投資を見送るべき業務条件

ここまでの計算を踏まえて、採用と見送りの条件を言い切ります。判断は業種ではなく、品目と業務の構造で決まります。

需要予測へ投資する価値が出る品目数・発注頻度・在庫金額の条件

採用条件は3つです。第一に、担当者が全品目を目で見て判断できない規模、目安としてA区分だけで数百SKUを超えること。第二に、発注が週次以下で回り、予測の更新が意思決定へ反映される回数が年間50回以上あること。第三に、対象品目の在庫金額が年間数千万円規模に達し、10%の削減が開発投資を上回ること。

需要が動く理由を数値で持っていることも前提です。販促計画、気温、カレンダー、出荷先の在庫といった説明変数が取得できて初めて、モデルは過去平均を上回ります。実績データだけで説明変数がない場合、機械学習モデルは指数平滑法に対して有意な差を出しません。業種別に効果が出た条件は需要予測の導入事例を業種別に整理した記事で確認できます。

受注生産や内示ベースの事業で需要予測への投資を見送る判断の根拠

見送るべき条件を4つ挙げます。いずれか1つでも該当するなら、予測モデルの前に別の施策を置きます。

• 受注生産または内示情報で需要が確定する事業。内示の補正精度と反映速度のほうが効く
• MOQや発注ロットを日次需要で割った値が調達リードタイムの3倍を超える品目
• 実績データが24か月未満、または品目マスタの統廃合でSKUが連続していない
• 調達リードタイムの標準偏差が需要の予測誤差より支配的な品目。調達条件の見直しが先

もう1つ付け加えます。在庫の実数がシステム上の数値と合っていない現場に、予測モデルを載せる価値はありません。棚卸差異が数%を超える状態なら、先に入出庫の記録精度を上げます。予測の入力も出力も、在庫データの正しさを前提としているためです。

既存の在庫管理システムへ予測値を戻す3つの接続方式と外注する範囲

採用を決めた場合、実装は3方式に分かれます。既存システムの発注点マスタを日次バッチで更新する方式、補充計算を外部APIへ委ねる方式、予測結果をBIで提示して担当者が発注量を確定する方式です。移行の負担が小さいのは1つ目で、既存の補充ロジックを止めずに済みます。

外部サービスに寄せる設計では、提供終了のリスクも見込んでおきます。AWSのAmazon Forecastは2024年7月29日付で新規顧客の受け付けを終了し、既存顧客は継続利用できるものの新機能の追加予定はないとされ、移行先としてAmazon SageMaker Canvasが案内されました。予測ロジックをマネージドサービスの独自仕様へ深く結合させると、こうした変更のたびに作り直しが発生します。特徴量の生成と誤差評価は自社側に持つ構成が現実的です。

設計から既存システムとの接続までを外部に委ねる場合は、AI予測分析開発・需要予測開発のように、モデル構築と業務システム連携の両方を範囲に含む開発会社を選ぶと、予測と在庫計算の間で責任が分かれる事態を避けられます。

よくある質問

需要予測を在庫管理へ組み込む検討でよく寄せられる質問をまとめました。

需要予測と在庫管理は何が違うのですか？

需要予測は「これから何個売れるか」を推定する行為、在庫管理は「いつ何個発注してどれだけ持つか」を決める行為です。前者の出力は数量と誤差の分布、後者の出力は発注のタイミングと数量になります。予測値は発注点・安全在庫・発注量という3つの式を経由して初めて在庫へ影響するため、この接続部を設計せずにモデルだけを導入すると、精度指標が改善しても在庫金額は変わりません。

需要予測の精度は何%あれば在庫削減に使えますか？

精度の絶対値では判断できません。基準になるのは、予測誤差の標準偏差が過去需要の標準偏差より小さいかどうかです。需要のばらつきが日次50個の品目で予測誤差が30個に収まれば、安全在庫は約40%減ります。逆にばらつきが日次10個しかない品目では、精度を上げても削減余地はほとんど残っていません。MAPEの数値目標ではなく、削減できる在庫金額で評価してください。

エクセルの需要予測でも在庫管理に使えますか？

対象が数十SKUで季節性が明確な品目なら使えます。エクセルには指数平滑法による予測関数が用意されており、移動平均と組み合わせれば安全在庫の入力に足る誤差分布は得られます。限界が出るのは、SKUが数百を超えて更新が手作業で回らなくなった時点です。まずエクセルで安全在庫の式を予測誤差ベースへ差し替え、削減効果を実測してからシステム化を検討してください。

安全在庫は需要のばらつきと予測誤差のどちらで計算しますか？

需要予測を運用しているなら予測誤差です。安全在庫が吸収すべきなのは、需要が動くこと自体ではなく、動きを読み違える幅だからです。予測モデルを持たない場合は、過去実績の標準偏差がそのまま予測誤差に相当するため従来式で問題ありません。予測を導入したのに入力を実績の標準偏差のままにしている現場は多く、この差し替えだけで在庫が下がる余地が残っています。

需要予測を在庫管理に導入すると在庫は何%減りますか？

安全在庫に限れば30〜40%の削減は計算上あり得ますが、平均在庫全体では数%にとどまることが珍しくありません。平均在庫の大半を、発注ロットに由来するサイクル在庫が占めているためです。年間需要36,500個・発注ロット1,910個の品目では、平均在庫のうち88%がサイクル在庫にあたります。全体の削減率は、自社の平均発注ロットを日次需要で割り、安全在庫の日数と比較すると見積もれます。

関連記事

• 需要予測とは？AI・機械学習による手法とシステム導入の進め方を解説：予測手法の選び方と導入手順。
• 在庫管理システムとは？仕組み・機能・種類・費用と選び方を初心者向けに徹底解説：在庫側システムの標準機能。
• 需要予測システムの比較で先に決める5つの軸｜価格非公開の相場観と受託開発への分岐：製品選定と費用の相場観。
• 需要予測の事例を業種別に読む｜製造・小売・アパレル・自動車で効果が出た条件：他社で効果が出た前提条件。
• 需要予測アルゴリズムの選び方と実装手順｜時系列・機械学習・Python：誤差指標の測り方とモデル実装。