ChatGPTを契約している。売上CSVも手元にある。でも、いざ業務で使おうとすると「何をどう聞けばいいのか」が分からない――この状態で止まっているEC事業者は少なくありません。

「プロンプト集」と検索すれば数多くの記事が見つかりますが、EC物販のSKU分析・在庫判断・粗利・滞留・季節性まで踏み込んだものは意外と少ない。本記事は、その隙間を埋めます。

年商1〜10億円のEC物販事業者向けに、ChatGPTでそのまま使える7つのプロンプトを、コピペ可能なコードブロックで提示します。売上CSVを準備するところから、結果の検証ステップまで、明日からの実務に組み込める形でお届けします。SKU（Stock Keeping Unit、在庫管理単位）500品規模の事業者を想定した、現実的なプロンプト集です。

ただし前提があります。ChatGPTの出力は、最終判断ではありません。 数字の照合、期間設定、業態ごとの妥当性確認は必ず人が行います。前回AIに詳しいと言える経営者が学んでいる5つのことで触れた通り、AI活用の本質はツールを使うことではなく、業務にどう組み込むかを設計することです。

CONTENTS
  1. 前提：ChatGPTにEC物販データを渡すときの3つの原則
  2. プロンプト集7つ
  3. 結果の検証3ステップ
  4. ChatGPTに任せにくい分析（人がすべき領域）
  5. 図解：プロンプトの4構造 × EC物販7プロンプト
  6. まとめ

前提：ChatGPTにEC物販データを渡すときの3つの原則

7つのプロンプトに入る前に、データの渡し方の原則を3つ押さえます。これを守らないと、AI出力の質が落ちるだけでなく、情報漏洩のリスクも生まれます。

原則① 社外秘・個人情報・契約条件は事前に削除──CSVから、顧客名・メールアドレス・電話番号・注文番号・仕入先名・契約条件・個別原価詳細・未公開の商品企画を列単位で削除。SKU分析に必要なのは、商品別の売上、在庫数、粗利率、最終販売日などの集計済み数値です。「渡してよい情報のホワイトリスト」を運用ルール化すると、毎月の作業が安定します。
原則② データ形式はCSVまたはMarkdownテーブル──ChatGPTが扱いやすいのは、CSV（カンマ区切りテキスト）または Markdownテーブル形式。Excelをそのままコピペすると形式が崩れやすいため、CSV書き出しまたはMarkdown整形を1ステップ挟みます。列名を明確にするだけで、分析精度は大きく変わります。
原則③ 期間・前提・出力形式を必ず明示する──「直近30日」「在庫日数90日超」「上位20%」など、判断基準の数値を明示。「年商3億円規模、SKU約500のEC事業者として」「表形式で、判断理由も付けて」のように、期間・前提・出力形式の3つを入れるだけで、出力がかなり安定します。詳しいプロンプト設計の原則は[AIに詳しいと言える経営者が学んでいる5つのこと](/blog/2026-06-19_ai-savvy-ceo-5-learnings)の学び②でも扱っています。

プロンプト集7つ

各プロンプトは「指示・文脈・例示・出力形式」の4構造で書いています。データ部分を自社データに置き換えてご利用ください。

プロンプト ① 売上ABC分析
上位20%／中位60%／下位20% でSKUを3階層に分類
ABC分析は、SKUを売上貢献度で3階層に分け、重点管理する手法。年商3億円規模・SKU 500品の事業者が、まず最初に整理すべき分析です。
入力データ例（CSV）
SKU,商品名,カテゴリ,直近90日売上,直近90日販売数,在庫数
A001,収納ラックS,収納雑貨,1500000,500,200
A002,収納ラックM,収納雑貨,800000,400,150
A003,キッチンマット,キッチン雑貨,200000,100,80
…（500SKU分のデータをここに貼り付け）
コピペ用プロンプト
あなたはEC物販のデータアナリストです。

以下の売上データから、SKUを売上貢献度で3階層に分類してください。

【目的】売上上位SKUを把握し、重点管理すべき商品を抽出する

【前提】
・対象期間：直近90日
・年商3億円規模、SKU約500のEC事業者を想定
・パレートの法則を適用
・分類：A（上位20%・累計売上80%程度）／B（中位60%）／C（下位20%）

【データ】
ここにCSVデータを貼り付け

【出力形式】
1. 分類別のSKU数と売上シェア（％）
2. 各分類のSKUリスト（上位10品ずつ）
3. 分類別の在庫合計と平均在庫日数
4. Aランクで在庫日数90日超のSKU一覧（要注意リスト）
5. 人が確認すべき点を3つ箇条書き

【注意】
・数字を勝手に補完しないでください
・計算できない項目がある場合は「データ不足」と明記してください
・売上だけで最終判断せず、粗利率と在庫数も補助的に見てください
500SKUのABC分類が数分で出ます。SKU仕分けの考え方は[Claudeで売れ筋・死に筋をSKUごとに仕分けしてみた](/blog/2026-05-30_claude-sku-classification)も参考になります。
プロンプト ② 在庫滞留チェック
在庫日数90日超のSKUと推定キャッシュ拘束額を試算
売上上位だけでなく、動いていない在庫も同時に見る必要があります。在庫日数90日超のSKUと最終販売日からの経過日数を抽出し、推定キャッシュ拘束額まで出します。
入力データ例（CSV）
SKU,商品名,現在の在庫数,直近30日販売数,1個あたり原価,最終販売日
A001,収納ラックS,200,30,800,2026-06-15
A002,収納ラックM,150,5,1200,2026-04-10
A003,キッチンマット,180,2,1500,2026-05-02
コピペ用プロンプト
あなたはEC物販の在庫責任者です。

以下のデータから、在庫日数90日超のSKUを抽出し、
推定キャッシュ拘束額を試算してください。

【目的】滞留SKUのキャッシュ拘束と保管コストの見直し候補を出す

【前提・計算ルール】
・在庫日数 ＝ 現在の在庫数 ÷（直近30日販売数 ÷ 30）
・推定キャッシュ拘束額 ＝ 現在の在庫数 × 1個あたり原価
・在庫日数90日超のSKUのみを対象
・最終販売日からの経過日数も併記
・直近60日販売実績ゼロのSKUを「即時処分検討」として別表

【データ】
ここにCSVデータを貼り付け

【出力形式】
1. 滞留SKU一覧表（SKU／商品名／在庫日数／推定キャッシュ拘束額／最終販売日からの経過日数）
2. 滞留SKUの合計キャッシュ拘束額（円）
3. 「即時処分検討」SKUの別表
4. 対応案（値下げ／セット販売／販路変更／発注停止／処分検討）
5. 人が確認すべき点（「販売停止中SKUの判別」「原価情報の正確性」を含む）

【注意】
・季節商品は単純に滞留と判断しないでください
・新商品で販売期間が短いSKUは「要確認」としてください
・在庫評価額をキャッシュ拘束の参考値として扱ってください
在庫表の整え方は[Claudeで在庫管理表を発注判断できる形に整理してみた](/blog/2026-05-26_claude-inventory-table)で扱っています。
プロンプト ③ 季節性パターン抽出
月別売上から季節商品を特定（通常分析と分けて管理）
季節商品を通常のABC分析だけで判断すると誤ります。年間売上が低く見えても特定月に集中して売れる商品があり、それを抽出します。
入力データ例（CSV）
SKU,商品名,1月,2月,3月,4月,5月,6月,7月,8月,9月,10月,11月,12月
A001,収納ラックS,80,90,100,120,150,200,180,170,140,110,90,80
A010,母の日ギフトセット,0,0,5,80,160,10,0,0,0,0,0,0
A020,冬用ブランケット,300,250,100,20,0,0,0,0,5,180,400,600
コピペ用プロンプト
あなたはEC物販のMDです。

以下の月別売上データから、季節性のあるSKUを特定してください。

【目的】通年商品と季節商品を分け、発注・在庫判断を誤らないようにする

【判定基準】
・月間平均売上に対し、特定の月が2倍以上なら「季節性あり」と判定
・特定の3ヶ月に年間売上の50%以上が集中するSKUを「季節性あり候補」
・特定の1ヶ月に年間売上の30%以上が集中するSKUは「強い季節性あり候補」
・通年安定SKUは別途分類

【データ】
ここにCSVデータを貼り付け

【出力形式】
1. SKU別の季節性分類表（SKU／商品名／ピーク月／変動係数）
2. 強い季節性ありSKU一覧
3. 通年型SKUとの比較サマリ
4. シーズン分類（春・夏・秋・冬・年末年始）
5. 発注タイミング上の注意点
6. 在庫過多になりやすい月
7. 人が確認すべき注意点（「単年データだけでは判断しきれない」を含む）

【注意】
・単年度データだけで断定しないでください
・イベント商材やセール影響の可能性がある場合は「要確認」としてください
・翌年の発注判断では前年同月比も確認する前提で書いてください
プロンプト ④ 値下げ候補SKU特定
在庫日数 × 粗利率 × 直近販売傾向で優先順位付け
値下げは売上を作るためではなく、在庫を現金化するために行う場合があります。粗利率の高い商品まで安易に値下げすると利益を削るため、3軸での判定が要ります。
入力データ例（CSV）
SKU,商品名,在庫数,直近30日販売数,粗利率,在庫日数,最終販売日
A001,収納ラックS,150,5,35%,30,2026-06-18
A002,収納ラックM,200,2,42%,100,2026-05-20
A003,キッチンマット,180,1,30%,540,2026-05-02
コピペ用プロンプト
あなたはEC物販の在庫処分・価格見直し担当です。

以下のデータから、値下げ候補SKUを優先順位付きで提案してください。

【目的】在庫滞留を減らし、キャッシュ化すべきSKUを特定する

【判定ロジック】
・在庫日数60日超 ＋ 粗利率30%以上 → 「軽い値下げ余地」候補
・在庫日数90日超 ＋ 直近30日販売数が前60日比で半減 → 「処分検討」候補
・在庫日数120日超 ＋ 粗利率15%以下 → 「即時撤退」候補
・粗利率が高いSKUは、値下げ以外の販促余地も検討

【データ】
ここにCSVデータを貼り付け

【出力形式】
1. 値下げ候補SKU一覧表（SKU／商品名／在庫日数／粗利率／優先順位／推奨アクション）
2. 各推奨アクションの推定削減コスト（保管料相当）
3. 値下げ以外を先に試すべきSKU
4. 即時処分を検討すべきSKU
5. 値下げによる粗利毀損リスク
6. 人が確認すべき点（「ブランド価格との整合性」を含む）

【注意】
・値下げを唯一の正解にしないでください
・セット販売、販路変更、商品ページ改善、広告停止も選択肢に含めてください
・ブランド毀損リスクがあるSKUは「要確認」としてください
プロンプト ⑤ 新規仕入候補の優先順位付け
粗利・リードタイム・最低発注ロット・在庫リスクを同時に評価
新規仕入は売れそうかどうかだけで判断すると危険。粗利、リードタイム、最低発注ロット、在庫リスクを同時に見ます。
入力データ例（Markdownテーブル）
| SKU候補 | 商品名 | 想定粗利率 | 最低発注ロット | 仕入単価 | 推定月間需要 |
|---------|--------|----------|-------------|---------|------------|
| N001    | 候補A  | 38%      | 50個        | 800円   | 80個       |
| N002    | 候補B  | 25%      | 200個       | 500円   | 40個       |
コピペ用プロンプト
あなたはEC物販の商品企画・仕入判断担当です。

以下の新規仕入候補リストから、優先順位を付けてください。

【目的】売上可能性だけでなく、粗利率・在庫リスク・リードタイムを踏まえて評価

【判断軸（重み付き）】
・想定粗利率（重み 40%）
・推定回転日数 ＝ 最低発注ロット ÷ 月間需要 × 30（重み 30%）
・初期投資額 ＝ 最低発注ロット × 仕入単価（重み 20%）
・リスクコメント（重み 10%）

【データ】
ここにデータを貼り付け

【出力形式】
1. スコアリングテーブル（候補SKU／総合スコア／優先順位）
2. 推奨上位3候補と、推薦理由
3. 見送るべき商品候補
4. 追加で確認すべきデータ
5. 人が最終判断すべきポイント（「市場規模と販路適合性」を含む）

【注意】
・想定販売数は仮説として扱い、断定しないでください
・競合が多い商品を一律に悪いと判断しないでください
・リードタイムと最低発注数によるキャッシュ拘束を必ず考慮してください
プロンプト ⑥ レビュー数 vs 売上の相関分析
伸びしろ候補・売れ方の謎候補・改善優先候補を抽出
レビュー数が増えると売上が伸びる、は感覚的には分かりますが、SKUごとに見ると例外があります。例外を見つけると、ページ改善や販促のヒントになります。
入力データ例（CSV）
SKU,商品名,直近90日売上,レビュー件数,平均評価
A001,収納ラックS,1500000,250,4.6
A002,収納ラックM,800000,80,4.2
A003,キッチンマット,450000,300,3.6
コピペ用プロンプト
あなたはEC物販のCRMアナリストです。

以下のデータから、レビュー数と売上の関係を分析してください。

【目的】レビューが効いているSKU・効いていないSKU・改善優先SKUを見つける

【前提・分析ルール】
・レビュー件数を 0〜20／20〜100／100以上 の3階層に分け、各階層の平均売上を比較
・平均評価が4.0未満のSKUを「改善候補」として別表で抽出
・売上金額と販売数の両方を見てください

【データ】
ここにCSVデータを貼り付け

【出力形式】
1. レビュー件数階層別の平均売上
2. 「レビューが少ないが売れているSKU」一覧（伸びしろ候補）
3. 「レビューが多いが売れていないSKU」一覧（売れ方の謎候補）
4. 「平均評価4.0未満」のSKU一覧（改善優先候補）
5. 次に取るべき施策（レビュー獲得／商品改善／ページ改善／広告見直し）
6. 人が確認すべき点（「相関と因果の区別」を1段落で）

【注意】
・相関を因果関係として断定しないでください
・レビュー数だけで良し悪しを判断しないでください
・レビュー内容の分析が必要な場合は、その旨を明記してください
プロンプト ⑦ 月次ランキング自動化
毎月同じ形式でレポート化、論点3つに絞る運用
毎月の売上ランキングや在庫ランキングを、同じ形式で作ると、経営会議で比較しやすくなります。1度作れば、毎月データを差し替えるだけで使えます。
入力データ例（CSV）
SKU,商品名,当月売上,前月売上,在庫数,在庫日数
A001,収納ラックS,1500000,1200000,200,40
A002,収納ラックM,800000,900000,150,60
A003,キッチンマット,200000,180000,180,270
コピペ用プロンプト
あなたはEC物販の月次レポート担当です。

以下のデータから、毎月同じ形式で月次ランキングレポートを作成してください。

【目的】売上・粗利・在庫・広告費の観点から、経営会議で確認すべきSKUを抽出

【前提】
・売上金額ランキングだけでなく、粗利額／在庫日数／広告費負担も
・各ランキングは上位10SKUを基本

【データ】
ここにCSVデータを貼り付け

【出力構成（Markdown）】
## 月次サマリ（YYYY年MM月）

### TOP 10 売上ランキング
（SKU／商品名／売上／前月比）

### 急上昇 TOP 5（前月比増加率）
### 急下落 BOTTOM 5（前月比減少率）

### 注意SKU
・在庫日数120日超のSKU一覧
・売上ゼロが続くSKU一覧

### 経営層への論点（3つに絞る）
1. ...
2. ...
3. ...

【注意】
・数字を勝手に作らないでください
・売上が高いSKUを必ず良いSKUと判断しないでください
・在庫日数が長いSKUは季節品や新商品かどうか確認が必要としてください
・「人が確認すべき集計値」と「来月の運用変更案」を最後に併記
月次レポート自動化の本質的な価値は、フォーマット統一と「論点3つに絞る」運用にあります。

結果の検証3ステップ

ChatGPTの出力が返ってきたら、配布前に3ステップで検証します。

1. 数字の集計値を元データと照合──SKUごとの売上・在庫数を、元データと数SKU分目視で照合。AIによるSKU結合のミス、行の抜け落ちを確認。同じ商品名でもSKUが違う、同じSKUでも期間が違う、ということはよくあります。
2. 期間設定の妥当性確認──直近30日／90日で結果がブレるなら、期間設定が不適切な可能性。季節品が含まれる場合、シーズンを含むか除くかで数字が大きく変わります。セール直後・新商品も注意。
3. 上位/下位の境界値が業態に合うか──「上位20%／中位60%／下位20%」の境界が、自社の業態に合うかを人が見直す。SKU数が少ない事業者、季節品が多い、OEMでLTが長い業態では調整が要ります。

検証はAIに任せるのではなく、人が責任を持って行う工程です。

ChatGPTに任せにくい分析（人がすべき領域）

7つのプロンプトでカバーできない、人がすべき判断が3つあります。

原価率の最終判定──原価情報は契約条件や仕入条件と結びつくため、情報源の管理が重要。仕入単価が変動する商材では、最新の請求書ベースで人が確認します。
SKU統廃合の最終決定──売れていないから廃番、とは限りません。ブランド上必要な商品、セット販売で意味を持つ商品、将来の育成商品もあります。AIの分類結果は判断材料であり、決定ではありません。
薬機法・景品表示法に抵触する表現の判定──AIは法務リスクを正確に判定しません。健康食品・化粧品などの薬機法接点商材では、社内のNG表現リストと人の目で確認します。

3つに共通するのは、「事実の整理」ではなく「価値判断」が含まれること。整理はAI、判断は人。この線引きはEC経営者が知っておくべきAIツール 10選でも触れています。

図解：プロンプトの4構造 × EC物販7プロンプト

各プロンプトで4構造（指示・文脈・例示・出力形式）のどこを強調しているかを1枚に整理しました。

プロンプトの4構造 × EC物販7プロンプトの強調マップ プロンプト 指示 文脈 例示 出力形式 ① ABC分析 ② 滞留チェック ③ 季節性パターン ④ 値下げ候補特定 ⑤ 新規仕入優先順位 ⑥ レビュー vs 売上 ⑦ 月次レポート自動化 ○○△◎ ○◎△◎ ○◎△○ ○◎△○ ○◎○○ ○○△◎ ○○○◎ ※ ◎=最重要、○=重要、△=補助。プロンプトによって強調されるポイントが違う。
▲ 同じ4構造でも、プロンプトの目的で強調するポイントが変わる。

ABC分析は出力形式の指定が肝、滞留チェック・季節性・値下げ候補は文脈（判定ロジック）が肝、月次レポートは出力形式の構成が肝――この使い分けが、再現性のあるプロンプトを作るコツです。

まとめ

ChatGPTでSKU分析を行うときに大切なのは、難しいプロンプトを書くことではありません。データを整える、期間を明示する、前提を書く、出力形式を指定する、最後に人が検証する――この5つを守るだけで、実務で使える出力に近づきます。

今回の7プロンプト（①ABC分析／②滞留チェック／③季節性／④値下げ候補／⑤新規仕入／⑥レビュー相関／⑦月次レポート）は、EC物販の基本業務にそのまま使えるように設計しています。今日中に1つ、明日には3つ、3ヶ月で7つ全部の運用が回れば、SKU分析の景色は変わります。

私たち Arke がデータとAIで取り組んでいるのも、まさにこの「プロンプト単発ではなく、月次運用に組み込まれた分析」の支援です。AI在庫最適化SaaS「S-wallet」と在庫シミュレーターでは、毎月の発注・在庫意思決定を、AIエージェントとシミュレーションで全体最適化する仕組みを提供しています。来週からは在庫実務の応用シリーズに進みます。

📊 在庫健康診断（60分・無料）のご案内

「プロンプトを活用して、自社のSKU分析を効率化したい」「在庫・発注まわりの全体最適を相談したい」という方へ。Arke では、貴社の業務とデータをもとに、プロンプトの運用設計と在庫最適化の余地を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。あわせて、在庫シミュレーターで在庫・発注・粗利のシナリオをご試算いただけます。

お問い合わせフォームへ →