季節商品の需要予測、業界平均で"8割が外す"理由

季節商品の発注書に最終確定のハンコを押す瞬間、「当たってくれ、と祈るしかない」と感じたことはないでしょうか。

母の日、お中元、クリスマス、年末年始。季節商品を扱うEC事業者の多くが、毎年同じ景色を見ています。去年は余らせて値引き処分、今年は慎重に絞ったら欠品、来年こそはとまた余る——。

本記事は、その「外れ」を能力不足の話にはしません。季節商品の予測が外れやすいのは担当者の腕前ではなく、構造そのものに理由があります。 まずはその構造を、冷静に分解します。

「8割」という数字について

タイトルの「8割が外す」は厳密な統計ではなく、現場でよく語られる体感に近い表現で、正確な調査値ではありません。ただ、「精度高く当て続けている事業者は少数派だ」という肌感覚が業界で共有されているのは確かです。

CONTENTS / もくじ

核心：なぜ季節商品の予測は、構造的に外れやすいのか（5つの構造）
結局、どうすればいいのか（発想転換・業態別・記録）
図解：「点で当てる」から「幅で備える」へ
まとめ

核心：なぜ季節商品の予測は、構造的に外れやすいのか

通年で売れる定番品なら、毎日の販売データが積み上がり、予測は比較的安定します。ところが季節商品は、その安定を支える条件がことごとく欠けています。代表的な 5つの構造 を見ます。

構造 1学習材料となるデータが、そもそも薄い

需要予測は、過去のパターンから未来を読む作業です。ところが季節商品は、1年に1回しか本番がありません。3年扱ってもデータは3シーズン分、5年でも5回分。通年品なら数百日の販売データがあるのに対し、季節商品はわずか数点の実績から読むしかない。母数が少なければ、引ける傾向の確からしさも下がります。これは担当者の問題ではなく、データの総量の問題です。

構造 2毎年、前提条件が入れ替わる

仮にデータが10シーズン分あっても、安心はできません。その年の気温、シーズンの曜日配列、流行のギフトトレンド、競合モールの特集の打ち方——これらは毎回入れ替わります。過去データは「同じ条件が繰り返される」前提で効きますが、季節商品ではその前提が崩れている。学習しても、その世界が来年は存在しないのです。

構造 3「前年比」という、もっともらしい罠

データが薄く条件も変わるなかで、つい頼るのが「前年比」です。一見、合理的です。しかし罠があります。基準にした前年自体が、すでにイレギュラーだったかもしれない。前年が特需で跳ねていた、前年が悪天候で沈んでいた——そんな「異常な年」を基準に「前年比＋10%」と置けば、出発点が歪んだぶん結論も歪みます。前年比は、前年が平常だったときにしか機能しません。

構造 4短期集中ゆえに、小さなズレが増幅される

季節商品は、需要が短い期間に凝縮しています。通年品なら年間で平らに売れるため、月単位の予測が多少ズレても翌月で吸収できる。しかし季節商品は、年間需要の大半が数週間に集中します。ここで予測が10%ズレれば、その10%が数週間にまるごとのしかかる。同じ「10%の誤差」でも、平らな商材では誤差で済み、季節商材では過剰在庫か大量欠品になります。

構造 5リードタイムが、シーズンより長い

最も逃れにくい構造です。多くの季節商品は、発注から入荷までのリードタイムが、シーズンそのものより長い。クリスマス商品を秋口に発注確定する、母の日商品を冬のうちに仕込む、というのは珍しくありません。つまり、実需の手がかりが出そろう前に、発注量を確定させざるを得ない。「売れ行きを見てから決める」が、構造的にできない。これが、季節商品の予測を「祈り」に近づけている正体です。

結局、どうすればいいのか

5つの構造を踏まえると、季節商品の予測への向き合い方を、一段切り替える必要が見えてきます。

発想を「当てにいく」から「外れ方を小さくする」へ

最も大切な発想転換

季節商品の予測は、構造的に外れます。だとすれば、目指すべきは「ピタリと当てる」ことではありません。現実的なゴールは2つ。外れの幅をできるだけ小さく抑えること。そして、外れたときに動ける状態を、あらかじめ作っておくことです。

具体的には、発注を1点の数字で確定せず、強気・中立・弱気の幅で構える。初回発注を絞り、追加発注の余地を残す。シーズン中に他モールへ在庫を振り替える、早めに軽い値引きで回す段取りを事前に決めておく。いずれも「当てる」工夫ではなく、「外れても傷を浅くする」工夫です。予測の精度を上げる努力は続けつつ、外れる前提で守りを設計する。この二段構えが、季節商品の現実解です。実際に外れ幅を小さくできた例は、母の日商戦の需要予測で精度99%を出した話で具体的に紹介しています。

業態別：どの外部要因を優先して見るか

「外れ方を小さくする」には、自社の商材が何に最も揺さぶられるかを知る必要があります。見るべき外部要因は商材で違い、万能のチェックリストはありません。代表的な3タイプで考えます。

型 A気温感応が強い商材

最優先：気温の予報と平年差
夏物・冬物の衣料、季節の食品、冷温の関わるギフトなど。まず気温の予報と平年差を最優先で見ます。シーズン直前2〜3週間の気温が立ち上がりの速度を大きく左右し、初回発注を絞るか張るかの判断材料になります。

型 B曜日・カレンダー感応が強い商材

最優先：その年の曜日配列
母の日・父の日・お中元・お歳暮など、特定の日付や連休に需要が紐づく商材です。イベント当日が何曜日か、直前が連休か、給料日との位置関係はどうか。同じ「母の日」でも、暦の組み合わせで駆け込みの起き方が変わります。

型 Cトレンド・SNS感応が強い商材

最優先：直近の兆候
雑貨、デザイン性の高いギフトなど、話題性で動く商材です。過去データより直近の兆候を優先します。SNSの言及量の推移、検索トレンド、競合の特集の打ち出し方。過去3年の実績より、ここ2週間の動きのほうが雄弁なことがある。この視点は新商品の在庫判断にも通じ、[新商品の在庫評価額が半減する前の判断軸](/blog/2026-05-15_new-product-decision-axis)もあわせて参考になります。

「予測 vs 実績」を、毎シーズン記録に残す

最後に、地味ですが効く習慣を1つ。

シーズン終了後、SKU単位で残すこと

「予測した数字」「実際の数字」「差の原因」——この3点をSKUごとに記録に残す。「気温が高くフラワー型が伸びた」「曜日配列で駆け込みが弱かった」といったメモの蓄積が、薄いデータを少しずつ厚くしていきます。

構造1のとおり、季節商品のデータは薄い。だからこそ、1シーズンごとの記録が貴重な学習材料になります。記録のない事業者は、毎年ゼロから予測し、毎年同じ理由で外します。

図解：「点で当てる」から「幅で備える」へ

季節商品の予測に対する発想転換を、1枚に整理します。

▲ 当てる精度は同じでも、外れたときの傷の深さが違う。

上段は、予測を1点の数字で確定する従来のやり方です。当たれば理想的ですが、外れたとき、そのズレがそのまま過剰在庫か欠品になります。下段は、想定レンジで構え、シーズン中に補充や処分で実需へ寄せていく考え方です。当てる精度そのものは同じでも、外れたときの傷の深さが違います。

まとめ

季節商品の需要予測が外れやすいのは、担当者の能力不足ではありません。データが薄く、毎年条件が入れ替わり、前年比という基準も揺らぎ、短期集中がズレを増幅し、リードタイムがシーズンより長い——この 5つの構造 が、予測を構造的に難しくしています。

だとすれば、目指すべきは「必ず当てる方法」ではありません。そんな方法は、季節商品には存在しません。現実的なゴールは、外れの幅を小さくし、外れても動ける状態を作っておくこと。そして、自社の商材が何に揺さぶられるかを知り、毎シーズンの予測と実績を記録に残していくことです。

私たち Arke がデータとAIで取り組んでいるのは、まさにこの「外れ方を小さくする」設計です。気温・曜日配列・トレンドといった外部要因を予測に織り込み、複数シナリオを先回りで用意し、シーズン中の在庫の振り替えを支える。当てにいくのではなく、外れに強くする。 それが、季節商品と毎年向き合うための現実的な備えだと考えています。

📊 在庫健康診断（60分・無料）

「今年の季節商戦で、また同じ失敗を繰り返したくない」「自社の商材が何に揺さぶられているのか整理したい」という方へ。Arke では、貴社の過去のシーズン販売データをもとに、需要予測の外れ方の傾向と、外れに強い在庫設計の余地を60分で診断する無料サービスをご提供しています。診断結果は、その場でレポート形式でお持ち帰りいただけます。

お問い合わせフォームへ →

🎯

母の日商戦の需要予測で精度99%を出した話

「外れ方を小さくする」を実際にやり切った導入事例。6ヶ月の準備プロセスを具体的に。

記事を読む →

🆕

新商品の在庫評価額が3ヶ月で半減する前に取るべき判断軸

過去データが薄いという点で季節商品と共通する、新商品の在庫判断の考え方。