この記事は、クラスター「需要予測・安全在庫・発注点」の親ページです。個別の実装手順や事例を深掘りした子記事へのリンクも記事末に置いていますが、まずはこの1本だけで「需要予測はどう進めるか」「安全在庫・発注点はどう計算するか」「自社は今どの段階にいるか」「何から着手すべきか」を判断できるように整理しています。
- 検索ユーザーの課題
- 用語の定義
- 計算式・判断方法(需要予測／安全在庫／発注点)
- 実務での進め方
- 失敗パターン
- 比較表(3手法・3方法の使い分け)
- モデルケース(試算)
- 子記事(さらに詳しく)
- よくある質問
1. 検索ユーザーの課題
「発注量をいつも勘で決めている」「欠品と過剰在庫を交互に繰り返している」「季節商戦になると予測が大きく外れる」――EC事業者の発注業務でよく聞く悩みです。共通しているのは、需要予測・安全在庫・発注点という3つの計算が、バラバラに(あるいは全く)行われていないことです。この3つは連動しています。需要予測が発注量の土台になり、安全在庫が需要のばらつきを吸収し、発注点がリードタイムを踏まえた「いつ発注するか」の引き金になります。
2. 用語の定義
- 需要予測：将来の一定期間にどれだけ売れるかを見積もること。経験則・統計式・機械学習の3手法があり、段階的に精度を上げていくのが現実的です。
- 安全在庫：需要や納期のばらつきに備えて上乗せする在庫量。「欠品してもよい許容度」をどこまで許すかで水準が変わります。
- 発注点(ROP: Reorder Point)：在庫がこの水準まで減ったら発注する、という基準在庫量。リードタイム中に売れる見込み数量に安全在庫を足して決めます。
3. 計算式・判断方法
需要予測は目的なく高度化する必要はありません。経験則(季節係数×トレンド係数)→統計式(加重移動平均→指数平滑→ETS)→機械学習、の順に、SKU数や運用負荷に応じて段階を上げていくのが失敗しにくい進め方です(詳細は子記事「需要予測モデル3手法」参照)。安全在庫も同様に、経験則・統計式・SKU階層別ハイブリッドの3方法があり、自社規模で使い分けます(子記事「安全在庫日数は何日か」参照)。
4. 実務での進め方
- まず経験則ベースの需要予測(季節係数×トレンド係数)をスプレッドシートで組み、MAPE(平均絶対誤差率)を毎月計測できる状態を作る。
- MAPEが安定してきたら、主要SKUから統計式(加重移動平均→指数平滑→ETS)へ移行し、精度向上とMAPE低下を狙う。
- 需要のばらつき(標準偏差)を把握し、自社のサービスレベル方針(欠品許容度)に合わせて安全在庫を算出する。
- リードタイムと安全在庫から発注点を算出し、「在庫がこの数を切ったら発注」という運用ルールに落とし込む。
- 月次で予測と実績の乖離を記録し、季節係数・トレンド係数・安全在庫の水準を見直すサイクルを回す。
- 季節商戦(母の日・父の日・年末セール等)は通常月の延長ではなく、商戦期間の定義とイベント係数を別立てで設計する。
5. 失敗パターン
6. 比較表
| 手法／方法 | 精度の目安 | 実装コスト | 向いている段階 |
|---|---|---|---|
| 需要予測：経験則(季節係数×トレンド係数) | MAPE 30〜35% | 低(スプレッドシートで初日から) | 最初の一歩・SKU数が少ない |
| 需要予測：統計式(加重移動平均→指数平滑→ETS) | MAPE 15〜20% | 中(Sheets〜Colab) | 経験則が安定した後の次段階 |
| 需要予測：機械学習 | MAPEさらに改善余地あり | 高(モデル運用・複数チャネル横断) | SKU数が多く複数チャネルを持つ事業者 |
| 安全在庫：経験則 | 粗い | 低 | SKU数が少ない・立ち上げ期 |
| 安全在庫：統計式(標準偏差×安全係数) | 中〜高 | 中 | 需要データが一定期間蓄積された段階 |
| 安全在庫：SKU階層別ハイブリッド | 高 | 中〜高 | 主力SKUとロングテールを分けて管理したい場合 |
7. モデルケース(試算)
以下はモデルケース(試算)であり、実在の事業者の実績ではありません。年商1.4億円規模、SKU約120のEC事業者を想定します。
- 現状：発注は月1回の定点定量方式(経験と固定値)。欠品と滞留在庫が同時に発生し、月次レビューで判断が遅れがち。
- 需要予測を経験則(季節係数×トレンド係数)に切り替えた結果、MAPEが概算で40〜50%程度から25〜30%程度まで改善(モデルケース)。
- 安全在庫をSKU一律日数から、需要のばらつきに応じた統計式ベースに切り替えたことで、欠品率悪化を抑えつつ平均在庫を圧縮できる余地が生まれた(試算)。
- 発注点を「日次平均需要×リードタイム＋安全在庫」で再計算し、月次判断から週次の機械的な発注判断へ移行。
このような試算を自社の実データで出したい場合は、S-walletの「30秒在庫圧縮メリット試算」がそのまま使えます。
8. 子記事(さらに詳しく)
- 需要予測モデル 3手法：経験則→統計式→機械学習
- 経験則発注 最小実装：スプレッドシート10分でMAPE30%を達成する
- 統計式による需要予測 実装ガイド：加重移動平均→指数平滑→ETS
- 安全在庫日数は何日か、需要のばらつきから逆算する3つの方法
- 発注点の計算式、欠品しないリードタイム逆算の3ステップ
- 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
- 季節商品の需要予測、業界平均で"8割が外す"理由
- 母の日商戦の需要予測で精度99%を出した話(事例編)
- 母の日需要予測で精度99%を再現する6ステップ(再現手順編)
9. よくある質問
Q. 需要予測・安全在庫・発注点、どれから手をつければいいですか。 A. まず需要予測(経験則)から着手してください。安全在庫・発注点の計算はいずれも需要予測の値を土台にするため、需要予測が安定していないと精度が出ません。
Q. いきなり機械学習で予測すべきですか。 A. 推奨しません。経験則→統計式→機械学習の順に、MAPEの改善状況とSKU数・運用負荷を見ながら段階的に移行するのが失敗の少ない進め方です。
Q. 季節商戦(母の日・年末セール等)も同じ式で予測できますか。 A. 通常月の延長では精度が出ません。商戦期間の定義とイベント係数を別立てで設計する必要があります。詳細は子記事の季節予測・母の日事例をご参照ください。
Q. 自社の需要予測・安全在庫・発注点を自動計算できますか。 A. S-walletでは、Amazon・楽天・自社ECの在庫・販売データを一元化し、需要予測に基づく発送推奨量を毎日自動算出できます。詳しくは下記からご相談ください。
私たちArkeでは、この記事で扱った需要予測・安全在庫・発注点の計算を、実務でそのまま使える形に落とし込む在庫管理SaaS S-wallet を提供しています。自社の発注が今どの段階にあるのか、まずは無料相談または30秒の試算からご確認ください。