需要予測モデル 3手法：経験則→統計式→機械学習｜年商1.4億円のEC物販事業者が段階的に精度を上げる順序

7/2「定点定量から予測型へ 5ステップ」の続編です。予測型発注の心臓部は「需要予測」ですが、多くのEC事業者は「AI予測は大企業向け」と誤解し、経験則から抜け出せずにいます。実際には、需要予測には3段階の階段があり、年商1.4億円規模でも手法1〜2は自分で実装可能です。本記事では、需要予測の3手法（経験則・統計式・機械学習）を「精度・工数・実装コスト」の3軸で比較し、自社に合う順序を提示します。「一気に機械学習」ではなく「3〜6か月ごとに1段上がる」現実的な移行計画までお伝えします。

第1セクション：需要予測 3手法の全体像

需要予測と聞くと、多くのEC事業者はAIや機械学習を思い浮かべるかもしれません。しかし実際には、需要予測には段階があり、いきなり高度なAIを導入する必要はありません。事業規模やSKU数に応じて段階的に精度を高めていく方が、結果として失敗が少なくなります。

3手法の比較（年商1.4億・SKU 100の事業者の場合）：

手法	精度（MAPE）	月次工数	初期実装	月額コスト	適したSKU数
経験則	25〜35%	月10分	即日	¥0	〜50品
統計式	15〜20%	1〜2時間	1〜2日	¥0（Excel/Claude）	100〜500品
機械学習	5〜10%	月5分	1〜4週	¥1〜10万	500品〜

重要なのは、「一番高度な手法が正解」ではないことです。SKU 30の商品構成なら経験則だけでも十分な場合があり、逆にSKU 300で毎月Excelだけで判断していると、欠品や滞留が増えやすくなります。

業界相場： 日本の年商1億超のEC事業者では、経験則のみ40%・統計式40%・機械学習20%が現状の分布です。欧米では機械学習が60%を占めており、日本市場は「これから統計式→機械学習へ移行する事業者が増える」フェーズにあります。多くの事業者にとっては「経験則→統計式」の移行だけでも大幅な改善効果が期待できます。

自社で見るべき視点： 現在自社が3手法のどれを使っているかを最初に自己診断してください。手法1のまま年商1.4億円規模を回している事業者は珍しくなく、これは移行の伸びしろが最大の状態です。「最新のAIを目指す」ではなく「現在の運用より一歩精度を高める方法」を選ぶのが実装成功のコツです。

第2セクション：手法1 経験則（誰でもできる）

最も多くのEC事業者が採用しているのが、経験則による需要予測です。計算方法は非常にシンプルで、Excel 1枚あれば運用できます。

計算式：

翌月の予測販売数 ＝ 過去3か月の月販平均 × 経験係数（1.0〜1.5）

経験係数の決め方： 季節性・広告投下・トレンド観察をもとに、経営者が主観で係数を決めます。

通常月：1.0
夏需要のスーツケース：1.2〜1.5
冬需要のキャンプ用品：0.7〜0.9
セール月：1.3〜1.8

数字例： モデルA・黒の過去3か月販売実績 90個・110個・100個（平均100個）で、7月は夏需要と広告強化を見込み経験係数1.2とした場合。

翌月予測＝ 100個 × 1.2 ＝ 120個

メリット： 即実装、Excel 1枚で完結、経営者の意思決定と直結。難しい知識も不要で、販売データさえあれば今日から実践できます。

デメリット： SKU 50超で人力の限界に到達します。たとえば SKU 100品 × カラー5色 × サイズ4種類になると、2,000SKUを毎月人が判断することになり、現実的ではありません。さらに、「今年の夏は去年より暑い」「広告配信量が増えた」などを人間だけで反映するのは難しく、判断する人によって係数も変わるため、担当者交代で予測精度も変わります（強気予測しがちのバイアスも入ります）。

業界相場： SKU 50品以下・月次レビュー実施の年商5,000万〜1億の事業者に向きます。年商1.4億円規模でSKU 100を超えていれば、経験則は補助手段として残しつつ、次の手法への移行を検討する段階です。

自社で見るべき視点： SKU 50超になった時点で、次の手法への移行タイミングを経営判断として引くことです。「まだExcelで回せる」で先送りすると、SKU数の伸長とともに予測精度が加速度的に悪化します。

第3セクション：手法2 統計式（Excel/Claudeで実装）

SKU数が100を超え始めた事業者にとって、経験則だけでは限界があります。そこで次の段階として有効なのが、統計式による需要予測です。統計式と聞くと難しく感じるかもしれませんが、実際にはExcelやClaudeでも十分に実装できます。

計算式：

翌月の予測販売数 ＝ 過去90日販売数 × 季節指数 × トレンド係数

3要素を組み合わせるだけで、経験則より一段高い精度を実現できます。

① 移動平均で「普段どれくらい売れるか」を把握する

まず計算するのが、過去90日程度の平均販売数です。モデルA・黒が過去90日で450個売れていた場合、450個 ÷ 90日＝ 5個/日 が基準となる販売速度です。極端なセール日や在庫切れの日は除外し、通常時の販売力を見ることが重要です。

② 季節指数で年間の波を補正する

ECでは季節性を無視すると予測精度は大きく落ちます。季節指数＝同月の過去3年平均 ÷ 年間平均で、たとえばキャンプ用品なら 7月：1.4、8月：1.5、12月：0.8 のように、年間平均を1.0として指数化します。

③ トレンド係数で最近の勢いを反映する

最後に直近3か月の伸び率を加えます。直近3か月で販売数が10%増加しているならトレンド係数は1.10、15%減少しているなら0.85です。この係数を掛けることで、市場の変化を反映した予測になります。

数字例：モデルA・黒の実装

過去90日平均：5個/日
季節指数（7月・夏物）：1.4
トレンド係数（直近3か月上昇）：1.1
翌月予測＝ 5 × 1.4 × 1.1 ＝ 7.7個/日＝月231個

経験だけで決めるよりも、数字に基づいた発注判断ができるようになります。

ExcelでもClaudeでも実装できる

このレベルなら高価なシステムは不要です。Excelピボット＋SUMIFS＋XLOOKUPで自作するか、Claudeに「過去販売CSVから、SKU別・カラバリ別の月次予測を出して。移動平均・季節指数・トレンド係数の3要素で計算」と依頼すれば、初版が10分で出ます。

MAPE目標：20%以下

業界標準として MAPE（平均絶対誤差率）20%以下が目標です。経験則では30%近い誤差が出ることもありますが、統計式を導入すると15〜20%程度まで改善するのが典型値です。

メリット： SKU 数百まで対応可、カラバリ別に運用可、Excel/Claudeで無料実装可。

デメリット： 初期構築に1〜2日、月次メンテが必要、突発的な需要変動（インフルエンサー言及・ニュース連動）には弱い。月次レビューで予測と実績を比較し、係数を定期的に見直す運用が欠かせません。

業界相場： 年商1〜3億、SKU 100〜500 の事業者に最適です。予測モデルと組み合わせる適正在庫日数 3つの計算式、発注点の計算式 3ステップも併読ください。

自社で見るべき視点： 統計式は上位売上10SKUから始めることです。全SKU一気に組もうとすると挫折します。効果の大きいSKUから徐々に拡張するのが実装成功のコツです。

第4セクション：手法3 機械学習モデル（AI自動化）

統計式で一定の精度が出るようになったら、次に検討したいのが機械学習モデルです。「AIによる需要予測」と聞くと大企業しか導入できないイメージを持つ方も多いかもしれませんが、現在ではクラウドサービスや在庫管理SaaSの普及により、以前よりも現実的な選択肢になっています。

重要なのは、最初から機械学習を導入することではありません。統計式で運用が安定し、SKU数やチャネル数が増えてきた段階で検討するのが現実的です。

機械学習モデルとは

機械学習では、販売実績だけではなく複数の要因を同時に分析して需要を予測します。代表的なモデルは以下です。

ARIMA・Prophet： 時系列予測の標準モデル
XGBoost・LightGBM： 多変量予測（勾配ブースティング系）
LSTM・Transformer： 深層学習で長期依存を捉える

それぞれ得意分野は異なりますが、共通しているのは「販売数以外の情報も利用できる」ことです。

特徴量（インプット変数）

統計式では3〜4個の係数しか扱いませんでしたが、機械学習では10〜30種類以上の特徴量を利用できます。過去販売数・在庫数量・広告費・レビュー件数・レビュー評価・曜日・月・セールイベント・キャンペーン・気温・為替・競合価格などを同時に学習します。人間では考慮しきれない組み合わせをモデルが自動で学習するため、複雑な需要変動にも対応しやすくなります。

精度：MAPE 5〜15%

一般的な目安は統計式：MAPE 15〜20% → 機械学習：MAPE 5〜15%。多くのケースで統計式より5〜10ポイント精度が向上します。

数字例： モデルA・黒の予測比較

統計式：予測231個、実績220個 → MAPE 5.0%
機械学習：予測218個、実績220個 → MAPE 0.9%

11個の予測差が、粗利率30%・単価¥5,000で¥16,500の在庫最適化。100SKUで年間換算すると、¥100〜300万相当のコスト削減インパクトになります。

実装方法は3つある

方法	初期コスト	月額	導入期間
① 自作（Python + scikit-learn）	150〜300万円	DS人件費月50万+	6〜12か月
② AI API（Amazon Forecast等）	小〜中	数万円	2〜4週間
③ 在庫管理SaaS（予測モデル内蔵）	小	数万円	1〜2週間

初期投資だけを見ると自作が安く見えることもありますが、実際には開発・保守・改善の人件費が継続的に発生します。年商1.4億円規模なら、自作は経済合理性で成立せず、③のSaaSが現実解です。

機械学習が向く事業者

SKU 500以上
Amazon・楽天・自社ECなど複数チャネル運営
季節変動が大きい
発注判断に毎月何時間もかかっている
需要予測を経営者の経験だけに頼りたくない

一方で、SKU 100程度であれば統計式でも十分な成果が得られるケースが少なくありません。重要なのは「AIを使うこと」ではなく、経営者が毎日数時間かけている判断を、数分で終えられる状態を作ることです。

自社で見るべき視点： 機械学習は「MAPE で 5pt以上の改善余地があるか」を先に見積もることです。統計式でMAPE 15%を達成できているなら、機械学習に移行してもMAPEは10%程度で、改善幅は5pt。SKU 500超・年商3億超で、5pt改善が数百万円のコスト差になる規模なら、経済合理性が成立します。

第5セクション：3手法の選び方（自社SKU数・年商規模別）

自社に合う手法は、SKU数と年商規模で判断します。「最も高度な方法」を選ぶのではなく、「今の事業規模に最も合う方法」を選ぶのが原則です。

年商5,000万〜1億・SKU 50品以下：手法1（経験則）

取扱SKUが50品程度までなら、経営者や担当者の経験を活かした発注でも十分に運用できます。SKU数が少ないため、一つひとつ目視で確認しても現実的な工数に収まります。ただしSKU数が増えると「担当者しか分からない発注」になりやすく、属人化リスクが高まります。

年商1〜3億・SKU 100〜500：手法2（統計式）

この記事の読者層に最も適しているのがこの段階です。Excel/Claudeで移動平均・季節指数・トレンド係数を組み合わせるだけでも、予測精度は大きく改善します。年商1.4億・SKU 100の事業者なら、経験則：MAPE 28% → 統計式：MAPE 15% への改善が典型値です。追加コストをほとんどかけずに実装できる点も大きなメリットです。

年商3億超・SKU 500以上：手法3（機械学習）

SKUが500を超え、複数チャネル・複数倉庫で運営している場合、人間だけで係数管理を続けるのは現実的ではありません。この段階では、AIによる需要予測 → 自動補充提案 → 発注シミュレーションまで含めた運用を検討する価値があります。

段階的に移行する

多くの事業者は、いきなり機械学習を導入しようとして挫折します。おすすめは次の順序です。

Step 1（0〜3か月）： 経験則で運用を整理する。MAPE と実績のギャップを記録
Step 2（3〜9か月）： 統計式に移行し、6か月間MAPEを月次計測。安定してMAPE 20%以下を維持できるか検証
Step 3（9〜12か月）： SKU 500超に伸びた or 経営者の判断時間を圧縮したい場合、機械学習を検討

数字例： 年商1.4億・SKU 100の事業者が、手法1から手法2に6か月かけて移行した場合の典型値。

予測精度：MAPE 28% → 15%（−13pt）
欠品率：8% → 4%（−4pt）
在庫日数：90日 → 65日（−25日）
経営者の判断時間：月15時間 → 月8時間（−7時間）

在庫日数25日短縮で、運転資金 約¥800〜1,000万円が解放される規模感です。安全在庫の計算式は安全在庫日数 3つの方法も併読ください。

自社で見るべき視点： 「一気に手法3」ではなく「手法1→2→3の3段階を、3〜6か月ごとに1段上がる」計画を年初に立てることです。半年で1手法上がるペースが、現実的な学習曲線です。まずはMAPEを継続的に測定し、「予測精度が頭打ちになったか」を確認してから次の段階へ進むのがおすすめです。

第6セクション：予測精度（MAPE）の測り方と目標値

需要予測は「作ったら終わり」ではありません。重要なのは、その予測がどれだけ当たっていたかを毎月検証することです。その指標として広く使われているのがMAPE（平均絶対誤差率）です。

MAPEの計算式：

MAPE ＝ Σ|予測 − 実績| ÷ 実績 ÷ N × 100（パーセント換算）

（N ＝対象SKU数、単月または期間平均で計算）

たとえば予測100個・実績120個なら誤差は20個、誤差率は約16.7%。SKU全体の誤差率を平均したものがMAPEです。

目標値：

手法1（経験則）：MAPE 25〜35%
手法2（統計式）：MAPE 15〜20%
手法3（機械学習）：MAPE 5〜10%

精度目標の設定基準： 粗利率・在庫コスト・欠品リスクから逆算します。粗利率が高いSKUは精度目標を高く（欠品損失が大きいため）、粗利率が低いSKUは精度目標を緩く（過剰在庫の廃棄コストとバランス）設定します。

数字例： 粗利率30%、在庫評価額¥2,000万の事業者が、MAPE 25% → 15% に改善した場合。

過剰在庫の削減：約¥400万（在庫評価額の20%相当）
欠品機会損失の削減：年¥100〜150万（高回転SKUの欠品減少）
合計改善効果：年 ¥500〜550万 相当のコスト削減が可能

MAPE 10pt改善で年商の3〜4%相当の利益改善が見込める、というのが業界の典型値です。

月次レビューで改善する

おすすめは毎月30分程度のレビューです。確認する内容はシンプルです。

今月のMAPE（全体、SKU別）
先月との差
誤差が大きかったSKU TOP5
原因（季節・イベント・広告など）
来月の係数修正

このサイクルを続けることで、予測モデルは少しずつ自社に最適化されていきます。

自社で見るべき視点： MAPEを月次で測る習慣を、来月から始めることです。測り始めた瞬間から、予測精度は改善サイクルに乗ります。測っていない状態では、改善のしようがありません。

まとめ

需要予測は「AIを導入するかどうか」の話ではありません。まず重要なのは、自社の事業規模やSKU数に合わせて、無理なく運用できる方法を選ぶことです。

経験則： SKU数が少ない段階で素早く始められる
統計式： ExcelやClaudeを活用しながら、年商1〜3億円規模で最も費用対効果が高い
機械学習： SKU数やチャネル数が増え、人の判断だけでは限界が見えてきた段階で検討する

特に年商1.4億円前後のEC事業者であれば、統計式を導入するだけでも、予測精度・在庫日数・欠品率は大きく改善できる可能性があります（MAPE 28%→15%、在庫日数25日短縮、運転資金¥800〜1,000万解放という典型例）。

一方で、最初から機械学習を目指す必要はありません。データ整備や運用体制が整っていない状態で高度なモデルを導入しても、期待した成果につながらないケースは少なくありません。

経験則の6か月で挫折する典型パターンは、「季節性を経験係数に押し込みすぎて、翌年の需要変化に対応できなくなる」というものです。経験係数は3〜6か月で更新するもので、1年間固定するとモデルが陳腐化します。手法2以降に移行すれば、季節指数・トレンド係数が自動更新の候補になるため、この罠を回避できます。

需要予測モデルは、予測型発注の心臓部です。定点定量から予測型へ 5ステップと併読することで、発注方式全体の設計が見えます。

定点定量から予測型へ：EC事業者の在庫発注を変える5ステップ：需要予測を組み込んだ発注方式の全体像。本記事は5ステップのうち「ステップ2 需要予測」の深掘りです。
適正在庫日数 3つの計算式：予測モデルの出力を在庫日数に変換する計算式。需要予測と在庫日数はセットで運用します。
発注点の計算式 3ステップ：予測モデルから発注点を導出する具体手順。統計式と組み合わせやすい設計です。
安全在庫日数 3つの方法：予測誤差を吸収するための安全在庫。統計式・機械学習と組み合わせて設計します。

CTA

Arke合同会社では、年商1.4億円規模のEC物販事業者向けに、需要予測モデルの実装を支援しています。Excel/Claude での統計式実装の60分・無料相談、もしくは AI在庫最適化SaaS「S-wallet」での機械学習モデル自動化、両方の選択肢をご用意しています。詳しくは arkellc.com からお問い合わせください。S-wallet の詳細は arkellc.com/s-wallet もご覧ください。