---
title: "需要予測とは？手法の計算例とAIの仕組み・精度の測り方、システム導入の進め方"
url: "https://www.issoh.co.jp/column/details/12930/"
published: 2026-07-03
updated: 2026-11-15
categories: ["AI"]
publisher: "株式会社一創"
---

# 需要予測とは？手法の計算例とAIの仕組み・精度の測り方、システム導入の進め方

需要予測とは、過去の販売実績と、価格・販促・天候などの変動要因から、将来どれだけ売れるか・使われるかを見積もる業務です。予測が外れれば、上振れでは過剰在庫と廃棄、下振れでは欠品と販売機会の損失が出ます。本記事では、手法の分類と移動平均法・指数平滑法の計算例、AI・機械学習が統計手法をどこまで上回るのか、予測精度の測り方、需要予測システムの種類と導入手順を、判断に使える形で整理します。

## まとめ

需要予測の精度を決めるのは、手法の新しさより投入するデータです。品目別・日別の実績が2年以上あり、販促・価格・天候の記録を揃えられるなら、機械学習で統計手法を上回る余地があります。日別に予測したいのに実績が月次集計しかない、履歴が1年に満たない段階では、移動平均法や指数平滑法で始め、データの取り方を直すほうが先です。

導入は全品目への一斉適用ではなく、欠品コストの大きい品目に絞ったPoC（試作検証）から入り、現行の予測（担当者の勘・Excelの計算）と同じ指標で誤差を比べて判断します。精度の比較にはMAPEではなく、実績ゼロの日があっても計算できるWAPEやMAEを使ってください。

## 需要予測の定義と予測期間：発注・生産・人員計画に使う数字の単位

### 需要予測が支える業務と、外れたときの2方向の損失

需要予測の結果は、小売・卸の発注量、メーカーの生産計画と原材料調達、物流の人員・車両配置、飲食の仕入れとシフトに直接使われます。予測が実績を上回れば過剰在庫・廃棄・保管費が、下回れば欠品による販売機会の損失が出ます。両方向の損失に挟まれた意思決定である点が、需要予測を分析ではなく利益に直結する業務にしています。業種ごとの公開事例は[需要予測の事例を業種別に読む記事](/column/details/16233/)で、製造・小売・アパレル・自動車に分けて整理しました。

予測の単位も業務で決まります。全社の月次売上を当てる粗い予測と、店舗別・品目別・日別の細かい予測では、必要なデータも手法も別物です。導入検討では「どの単位の予測が、どの業務判断に使われるか」を最初に固定してください。

### 短期・中期・長期の予測期間と使い道

| 期間 | 先の長さの目安 | 使う判断            | 主な単位    |
| -- | ------- | --------------- | ------- |
| 短期 | 数日〜数週間  | 日々の発注・シフト・配車    | 店舗×品目×日 |
| 中期 | 1〜6か月程度 | 生産計画・原材料調達・販促計画 | 品目×週・月  |
| 長期 | 1年以上    | 設備投資・拠点・人員採用    | カテゴリ×年  |

期間が長いほど誤差は大きくなり、品目別の精密さより全体の傾向が問われます。AI・機械学習が効果を出しやすいのは、要因データが揃いやすく結果がすぐ検証できる短期・中期の予測です。予測値を生産計画へつなぐ方法は[生産管理のAI導入](/column/details/15577/)で扱っています。

### 需要予測と販売予測・売上予測の違い

ここでは需要予測を、対象商品や店舗で求められる数量の見積り、販売予測・売上予測を、供給制約や施策を踏まえて自社が販売する数量・金額の見積りとして区別します。例えば、需要が100個でも在庫が80個しかなければ、販売数は最大80個です。在庫・価格・営業の施策を織り込んだ結果が販売予測であり、売上目標は達成したい数字なので予測とは別物です。金額や商談データを扱う場合は手法も変わるため、[売上予測AIと需要予測の線引きと仕組みの違い](/column/details/16231/)を先に確認してください。

## 需要予測の手法の分類：定性・統計・機械学習の3系統

手法は、人の判断を集める定性的手法と、データから計算する定量的手法に分かれ、定量的手法はさらに統計手法と機械学習に分かれます。

### 定性的手法：デルファイ法・市場調査・営業見込みの集計

デルファイ法は、専門家に匿名で予測を出してもらい、集計結果を戻して再回答を求める手順を繰り返して意見を収束させる方法です。市場調査はアンケートやテスト販売で購入意向を測り、営業見込みの集計は担当者が顧客から聞いた発注予定を積み上げます。過去データがない新製品や、法改正・競合参入のような実績に現れていない変化を織り込めるのが強みで、弱みは担当者によって結果がぶれることです。新製品の普及速度を数式で見積もる方法としては、[Bassモデル（新製品普及モデル）](/column/details/6027/)があります。

### 統計手法：移動平均法・指数平滑法・Holt-Winters法・回帰分析

移動平均法は直近n期の実績の平均を次期の予測にする方法で、計算が単純な反面、トレンドの変化に反応が遅れます。指数平滑法は、前回の予測値と最新の実績を平滑化係数αで重み付けして足す方法で、αを大きくするほど直近の実績に強く反応します。αは0から1の値を取り、1にすると予測は直近の実績そのものになります（[Hyndmanらの教科書『Forecasting: Principles and Practice』第3版](https://otexts.com/fpp3/exponential-smoothing.html)の定義）。トレンドと季節性を持つデータには、水準・傾き・季節の3成分を別々に平滑化するHolt-Winters法を使います。気温と飲料の販売数のように、特定の要因との関係式を作る回帰分析も、要因が絞れる商材では今も現役です。

時系列データの性質（トレンド・季節性・自己相関）と、ARIMAを含む統計モデルの扱い方は[時系列データと分析手法の解説](/column/details/6071/)で実データを使って説明しています。

### 需要予測の計算例：6か月の実績による翌月予測

ある品目の月間販売数が、1月から順に100・120・110・130・125・140個だったとします。3か月移動平均と、指数平滑法（初期値は1月の実績100、α=0.3と0.7）で7月の需要を予測すると次のようになります。

| 月      | 実績  | 指数平滑 α=0.3 | 指数平滑 α=0.7 |
| ------ | --- | ---------- | ---------- |
| 2月     | 120 | 100.0      | 100.0      |
| 3月     | 110 | 106.0      | 114.0      |
| 4月     | 130 | 107.2      | 111.2      |
| 5月     | 125 | 114.0      | 124.4      |
| 6月     | 140 | 117.3      | 124.8      |
| 7月（予測） | –   | 124.1      | 135.4      |

指数平滑の各月の値は「α×前月の実績＋（1−α）×前月の予測」で、たとえば3月のα=0.3は0.3×120＋0.7×100＝106.0です。3か月移動平均の7月予測は（130＋125＋140）÷3＝131.7個になります。同じデータでもαの選び方で予測は11個ずれ、上昇傾向の続く系列ではα=0.3が実績に追いつけていません。実務では過去データで複数のαを試し、誤差が最も小さい値を選びます。

### Excelでできる範囲：FORECAST.ETS関数と手計算の限界

Excelで需要予測をするなら、まず`FORECAST.ETS`関数を使います。Microsoftの説明では、この関数は指数平滑法（ETS）のAAA版で将来値を計算し、季節性の引数を既定の1にすると季節の周期を自動で検出します。0を指定すると季節性なし、正の整数を指定するとその長さを周期として扱い、上限は8,760（1年の時間数）です。対応するのはMicrosoft 365、Excel 2024・2021・2019・2016で、Web版・iOS版・Android版のExcelでは使えません（[Microsoft サポートのFORECAST.ETS関数の説明](https://support.microsoft.com/en-us/excel/functions/forecast-ets-function)）。移動平均や上の計算例のような単純指数平滑は、AVERAGE関数と四則演算だけで組めます。

Excelで回るかどうかは、品目数より更新作業の量で決まります。予測の更新が発注や生産計画の締切に間に合わなくなったら自動化を、販促や天候による外れが大きければ外部要因を扱える回帰モデルや機械学習を検討してください。

## AI・機械学習による需要予測：仕組みと統計手法との使い分け

### 機械学習が需要を予測する仕組み

機械学習による需要予測は、過去の実績に加えて曜日・祝日・天候・気温・価格・販促・イベントといった要因を「特徴量」として同時に入力し、要因と販売数の関係をデータから学習します。天候や価格を入れる場合、予測する日の値は予測時点で手に入る天気予報や確定済みの価格計画を使います。実績の気温で検証すると、本番より精度が高く見えてしまうためです。実務でよく使われるのはLightGBMなどの勾配ブースティング決定木で、品目ごとに人がルールを書かなくても、数千品目を1つのモデルでまとめて予測できます。どの要因が予測にどれだけ効いたかを算出できるため、「気温より販促の影響が大きい」といった担当者の経験則をデータで検証することもできます。アルゴリズムの選び方とPythonでの実装手順は[需要予測アルゴリズムの選び方と実装手順](/tech/details/15335/)で解説しています。

2024年以降は、大量の時系列で事前学習した「時系列基盤モデル」も使えるようになりました。GoogleのBigQueryでは、組み込みの時系列基盤モデルTimesFMを使う`AI.FORECAST`関数が2025年10月22日に一般提供となり、自社でモデルを作って学習させなくても予測を出せます。2026年11月時点の既定モデルはTimesFM 2.5で、複数の系列と外部要因を同時に扱えるTimesFM 3.0はプレビュー提供です（[BigQueryのAI.FORECASTリファレンス](https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-forecast)）。SQLでの試し方は[TimesFMとBigQueryのAI.FORECASTの解説](/tech/details/18334/)にまとめました。

### M5競技で見えた機械学習と統計手法の差

機械学習が統計手法をどれだけ上回るかを大規模に比べた例が、2020年に開かれた予測競技「M5」です。米Walmartの3,049商品の販売数を店舗・州・カテゴリ・部門などの階層で集計した42,840系列について、28日先を予測する精度を競い、101か国の5,507チームが参加しました（[Makridakisらの結果報告](https://statmodeling.stat.columbia.edu/wp-content/uploads/2021/10/M5%5Faccuracy%5Fcompetition.pdf)。International Journal of Forecasting 2022年掲載論文のプレプリント）。比較の基準には、商品×店舗の系列ごとに最適な指数平滑モデルを選んで積み上げる手法（ES\_bu）が置かれました。

優勝チームは複数のLightGBMモデルの予測を単純平均し、競技の評価指標WRMSSE（加重二乗平均平方根スケール誤差）をES\_buより22.4%低減しました。上位5チームの改善幅はいずれも20%超で、うち4チームがLightGBMを中心に据え、3位はLSTM（再帰型ニューラルネットワーク）を43本組み合わせた方法でした。上位の手法は、カレンダー・価格・販促の情報を特徴量に入れ、多数の系列をまとめて学習させています。

一方、各チームが最終評価用に選んだ提出結果では、ES\_buに勝てたのは5,507チームのうち415チーム（7.5%）でした。機械学習を使えば自動的に精度が上がるわけではなく、作り込みが足りなければ指数平滑法に負けます。導入判断で「機械学習で作り直すかどうか」を決めるときは、まず指数平滑法で基準線を引き、その基準線に勝てるかで評価してください。

### 統計手法と機械学習の使い分けの基準

| 観点    | 統計手法        | 機械学習             |
| ----- | ----------- | ---------------- |
| 必要な履歴 | 短い履歴でも計算できる | 多いほど有利・年周期は2年が目安 |
| 外部要因  | 回帰で少数を明示的に  | 数十以上を自動で組み合わせ    |
| 学習単位  | 品目ごとが一般的    | 多品目を1モデルにしやすい    |
| 導入コスト | 低い（Excel可）  | 構築・運用の投資が要る      |
| 向く対象  | 安定した定番品     | 販促・天候で動く品目       |

変動の小さい定番品しか扱っていない、あるいは日別・品目別のデータが揃っていない段階で機械学習に投資するのは過剰です。その段階では指数平滑法とデータ蓄積の仕組みづくりを先に進め、販促や天候で大きく動く品目、欠品コストの大きい品目が特定できてから機械学習を検討する順序が、費用対効果で優ります。

## 需要予測の精度を左右するデータの条件：期間・粒度・要因

### 実績データの期間と粒度、欠品期間の扱い

年単位の季節性がある商材では、少なくとも2年分（季節を2周）の実績があると、その年の特殊事情と季節性を切り分けやすくなります。1年分しかないと、たまたま暑かった夏の売れ行きを毎年の季節パターンと区別できません。必要な期間は周期の長さとモデルによって変わるため、手元の履歴で検証期間を取れるかを先に確かめてください。粒度は、予測したい単位と同じかそれより細かい実績が条件で、日別予測をしたいのに月次集計しか残っていなければ、まずデータの取り方を変えるところから始まります。

欠品期間の扱いにも注意が要ります。欠品中は「売れなかった」のではなく「売る在庫がなかった」だけで、その期間の実績ゼロをそのまま学習させると需要を過小評価します。欠品・特売・返品をデータ上で区別できる状態が、精度の前提条件です。

### 要因データ（販促・価格・天候）の整備

販促カレンダー、価格改定の履歴、天候・気温、近隣のイベントは精度を押し上げる要因ですが、多くの企業では担当者の手元のExcelや紙に散らばっています。過去分をさかのぼって整え、今後は発生のたびに記録される仕組みに乗せる作業が、モデル構築より先に立ちはだかります。気象データは[気象庁の過去の気象データ・ダウンロード](https://www.data.jma.go.jp/risk/obsdl/index.php)から無償で取得できるため、まず自社で記録が必要なのは販促と価格の履歴です。

## 予測精度の測り方：MAPEが使えない場面とWAPE・MAE

導入の可否は「現行の予測より誤差が小さくなったか」で判断するため、誤差の測り方を先に決めておく必要があります。代表的な指標は次のとおりです。

- MAE（平均絶対誤差）：誤差の絶対値の平均。単位が個数のままで読みやすい
- RMSE（二乗平均平方根誤差）：大きく外した日を重く数える
- MAPE（平均絶対パーセント誤差）：誤差を実績で割った率の平均。実績が0の日があると計算できない
- WAPE（加重絶対パーセント誤差）：誤差の絶対値の合計を実績の合計で割る。実績0の日が混じっても計算でき、計算できないのは実績がすべて0のときだけ

MAPEは実績が0なら無限大または未定義になり、0に近いだけでも極端な値を取ります（[『Forecasting: Principles and Practice』の精度評価の章](https://otexts.com/fpp3/toolbox.html)）。WAPEの定義と、実績の一部が0でも計算できる点は[Rob J Hyndman氏のWAPEの解説](https://fpp.robjhyndman.com/hyndsight/wape.html)に従っています。

例として、4日間の実績が10・0・5・20個、予測が12・2・4・15個だったとします。誤差の絶対値は2・2・1・5で、MAEは2.5個、WAPEは誤差の合計10を実績の合計35で割って28.6%です。一方、MAPEは2日目の実績が0なので計算できません。日別・品目別の予測では実績0の日が珍しくないため、比較にはWAPEかMAEを使ってください。実績に0が混じる割合で指標を切り替える基準は、[売上予測AIの解説](/column/details/16231/)の「精度指標の選び方」の章で扱っています。

ベンダーが示す「精度◯%」は、指標・対象品目・評価期間が揃っていなければ製品同士で比べられません。自社データの同じ評価期間で、予測時点に利用できる情報と誤差指標を揃えて現行手法と比較すれば、導入判断に使える評価ができます。

## 需要予測システムの種類と導入手順

### 需要予測システムの4タイプと費用の目安

需要予測システムは、来店客数や食数の予測に特化したSaaS、SCM（サプライチェーン管理）製品に組み込まれた予測機能、ノーコードで機械学習モデルを作れるAIツール、クラウドの機械学習基盤の4つに分かれます。例えばソフトバンクの「サキミル」は、来店客数または売上の予測について、API連携版を1店舗月額4,900円、Webダッシュボード版を1店舗月額7,900円と案内しています（[サキミルの来店・売上予測の案内ページ](https://www.softbank.jp/business/service/iot/sakimiru/estimation)）。一方、SKU単位の予測や基幹システム連携を含む構成では、データ整備・モデル構築・連携開発・運用保守を分けて個別に見積もる必要があります。比較の軸と見積りの揃え方は[需要予測システムの比較で先に決める5つの軸](/column/details/16229/)にまとめました。

クラウドの機械学習基盤は、この数年で顔ぶれが変わりました。AWSのAmazon Forecastは2024年7月29日に新規顧客の受付を終了し、AWSはAmazon SageMaker Canvasへの移行を案内しています（[AWSのメンテナンス中サービス一覧](https://docs.aws.amazon.com/general/latest/gr/maintenance%5Fservices.html)）。これから始める場合、Amazon Forecastは選択肢に入りません。既存利用者の移行先は[Amazon Forecastの新規受付終了後の移行先](/tech/details/15922/)で整理しています。製品が提供終了しても予測を続けられるよう、学習データと評価の手順を自社側に持っておくことが、どのタイプを選ぶ場合も共通の備えになります。

### 導入の5ステップ：対象選定からPoC・運用化まで

1. 対象の選定：売上構成比や欠品コストの大きい品目群に絞る
2. データの棚卸：実績・要因データの期間・粒度・欠損を確認する
3. PoC：時系列順に前半を学習、後半を検証に分け、本番と同じ予測期間・利用可能な情報で精度を測る
4. 比較検証：現行の予測（担当者・Excel）と同じ指標で誤差を比べる
5. 運用化：システム連携・定期実行・精度監視と再学習の仕組みを作る

判断の分かれ目は4番目です。機械学習の予測が現行のやり方に勝てなければ、投資を止めてデータ整備に戻る判断も成果のうちです。運用に入っても、市場環境の変化で精度は徐々に落ちるため、予測と実績の乖離を監視して再学習する運用まで計画に含めてください。予測値を発注点や安全在庫の計算へ渡す設計は[需要予測を在庫管理につなぐ設計](/column/details/16235/)で数値例とともに整理しています。

### 内製と外注の分かれ目

データ分析の担当者が社内にいて、既製の需要予測ツールやクラウドの機械学習サービスで要件を満たせるなら内製が選べます。基幹・発注システムとの連携、品目特性に合わせたモデル設計、PoCの設計・評価を担う人材や運用体制が社内に不足する場合は、外注・共同開発を選ぶ理由になります。外注先を選ぶときは、モデル構築だけでなく、データ整備の支援と運用後の精度監視まで提案範囲に含むかを確認してください。一創の[AI予測分析開発・需要予測開発](/service/ai/predictive/)では、データの棚卸とPoCによる精度検証から、業務システムへの組み込みと運用設計までを支援しており、機械学習を選ぶ段階かどうかの診断から相談できます。

## よくある質問

### AIによる需要予測の精度はどのくらいですか？

商材の変動の大きさとデータの質で大きく変わるため、一律の数値はありません。評価は「現行の予測に比べてWAPEやMAEがどれだけ下がったか」「欠品率・廃棄率がどう動いたか」で行います。自社データでのPoCで、現行の方法と同じ期間・同じ指標で比べてください。

### 新製品のように過去データがない場合はどう予測しますか？

類似品の立ち上がりの推移を転用する、属性の近い品目群の傾向から推定する、発売後の初期実績で予測を素早く補正する、の3つを組み合わせます。誤差が既存品より大きくなる前提で、初回の生産・発注量を抑えて追加発注の間隔を短くするなど、業務側で誤差を吸収する設計が現実的です。

### 需要予測システムの導入費用と期間はどのくらいですか？

来店客数特化のSaaSなら1店舗月額数千円から始められ、たとえばソフトバンクの「サキミル」は、過去3〜15か月の実績をアップロードした翌日から予測が始まると案内しています。SKU単位で基幹システムと連携する構成は、自社データのPoCで精度を確かめる段階と本番構築の段階に分けて見積もり、費用と期間は品目数・拠点数・予測頻度・連携本数で大きく変わります。見積りではモデル構築とデータ整備の費用を分けて確認してください。データ整備の比重が想定より大きくなりやすいためです。

### 中小企業でも需要予測システムを使えますか？

使えます。品目数が少なく履歴が浅い段階では、ExcelのFORECAST.ETS関数や月額課金のSaaSで足ります。数千万円規模の基盤を入れる必要はありません。まず日別・品目別の実績と欠品の記録を残す運用を始め、年周期を学べる量（目安は2年分）がたまり、指数平滑法の予測を基準線として上回れるかを検証できる段階で機械学習を検討する順序が、無駄のない進め方です。

### 需要予測の結果を生産管理にどうつなげますか？

品目別・週別の予測値を生産計画（MPS）と資材所要量計画（MRP）の入力にし、予測の誤差分を安全在庫で吸収するのが基本形です。予測を毎週更新しても、直近の生産枠は固定して計画が揺れないようにする「凍結期間」を設けると、現場の段取り替えを抑えられます。

## 関連記事

- [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](/column/details/16229/)
- [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](/column/details/16233/)
- [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](/tech/details/15335/)
- [売上予測AIとは？需要予測との違い・仕組みと外注時の導入判断を解説【2026年版】](/column/details/16231/)
- [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](/column/details/16235/)

---

出典: [需要予測とは？手法の計算例とAIの仕組み・精度の測り方、システム導入の進め方](<https://www.issoh.co.jp/column/details/12930/>)（株式会社一創）
