AI提言の実例②：在庫最適化で売上機会損失を防ぐ

在庫管理の難しさ

EC運営において、在庫管理は最も難しい課題の一つです。

在庫が多すぎると

キャッシュフローの悪化

• 資金が在庫に固定化
• 仕入れ代金の支払いが先行
• 資金繰りが苦しくなる

在庫リスク

• 売れ残りのリスク
• 季節商品の値崩れ
• 廃棄損失の発生

在庫が少なすぎると

売上機会損失

• 在庫切れで販売できない
• 顧客が他店で購入
• 売上の逸失

顧客満足度の低下

• 「在庫切れ」による失望
• レビューで低評価
• リピート率の低下

従来の在庫管理の限界

経験と勘に頼る

• 「前年同月は〇個売れたから...」
• 「なんとなく多めに仕入れておこう」
• 精度が低く、ブレが大きい

過去データの分析に時間がかかる

• Excelで集計（数時間）
• トレンドの把握が困難
• 分析が終わる頃には手遅れ

2024年11月：AIの在庫切れ警告

11月5日朝：AIからの通知

いつものようにメールをチェックすると、AIからの警告が届いていました。

件名：【警告】在庫切れリスク - 「冬用ジャケット（黒、Mサイズ）」

徳永様

在庫切れが発生する可能性が高い商品を検出しました。
売上機会損失を防ぐため、早急に対応してください。

商品名：冬用ジャケット（黒、Mサイズ）
SKU：JKT-BLK-M
現在在庫：8個
予測販売数（今後30日）：25個
在庫切れ予測日：11月18日
予想機会損失：約50万円

詳細な分析と推奨アクションはダッシュボードで確認できます。

AIに詳細を質問

すぐにシステムにログインし、AIに詳細を尋ねました。

私の質問： 「冬用ジャケット（黒、M）について、詳しく教えて。なぜそんなに売れると予測しているの？」

AIの回答：

## 在庫切れリスク分析：冬用ジャケット（黒、Mサイズ）

### 現状

**在庫状況**
- 現在在庫：8個
- 安全在庫レベル：15個
- **不足数：7個（既に安全在庫を下回っています）**

**販売実績（過去30日）**
- 販売数：12個
- 平均日販：0.4個/日
- トレンド：上昇中（+15%/週）

### 需要予測の根拠

#### 1. 季節要因

**気温データとの相関**
- 先週の平均気温：15℃
- 今週の予測気温：10℃
- 来週の予測気温：7℃
- **気温低下 → 冬物需要増**

**過去データからの学習**
- 昨年11月の販売数：28個
- 一昨年11月の販売数：24個
- 平均：26個
- **今年も同水準の需要が予測される**

#### 2. トレンド分析

**閲覧数の増加**
- 先週の商品ページ閲覧数：150回
- 今週の商品ページ閲覧数：210回
- 増加率：+40%
- **購入意欲の高まり**

**カート追加率の上昇**
- 先週のカート追加率：5%
- 今週のカート追加率：8%
- **購入直前の顧客が増加**

#### 3. 競合状況

**競合他社の在庫状況**
- 競合A社：在庫切れ（先週から）
- 競合B社：残り3個（本日時点）
- **競合の在庫不足 → 当社への流入増**

#### 4. イベント要因

**今後のイベント**
- 11月15日：楽天スーパーSALE開始
- **セール効果で需要急増の可能性**

### 予測販売数（今後30日）

**保守的予測（確率90%）**
- 基本需要：18個
- セール効果：+5個
- 競合流入：+2個
- **合計：25個**

**標準的予測（確率70%）**
- 基本需要：22個
- セール効果：+7個
- 競合流入：+3個
- **合計：32個**

**楽観的予測（確率40%）**
- 基本需要：26個
- セール効果：+10個
- 競合流入：+5個
- **合計：41個**

### 在庫切れシミュレーション

**現在在庫：8個のまま**

| 日付 | 予測販売 | 残在庫 | 状態 |
|------|---------|--------|------|
| 11/5 | 1個 | 7個 | OK |
| 11/6 | 1個 | 6個 | OK |
| 11/7 | 1個 | 5個 | 警告 |
| ... | ... | ... | ... |
| 11/15 | 3個（SALE） | 0個 | **在庫切れ** |
| 11/16以降 | - | 0個 | **販売不可** |

**在庫切れ日：11月15日**（楽天SALEの初日！）

### 機会損失の試算

**11月15日〜30日の販売不可期間**

**予測販売数（15日間）**
- 1日あたり平均販売：1.5個（SALE効果含む）
- 15日間の合計：22.5個 → **約23個**

**機会損失額**
- 販売価格：23,000円/個
- 販売数：23個
- **機会損失：52.9万円**

**利益損失**
- 利益率：30%
- **利益損失：15.9万円**

### 推奨アクション

#### 緊急仕入れ

**仕入れ数量**
- 標準予測：32個
- 現在在庫：8個
- **推奨仕入れ：30個**

**仕入れコスト**
- 仕入れ単価：16,000円/個
- 仕入れ数量：30個
- **総額：48万円**

**仕入れ先**
- 通常仕入れ先：納期2週間（間に合わない）
- 緊急仕入れ先：納期3日（+10%割増）
- **推奨：緊急仕入れ先**

**スケジュール**
- 本日発注 → 11月8日到着
- SALE開始：11月15日
- **間に合う！**

#### 投資対効果

**投資額**
- 仕入れコスト：48万円
- 割増コスト：4.8万円
- **合計：52.8万円**

**期待リターン**
- 標準シナリオ売上：73.6万円（32個 × 23,000円）
- 利益：22.1万円（30%）
- **ROI：42%**

**リスク回避**
- 在庫切れによる機会損失：52.9万円
- **回避できる損失が投資額を上回る**

### 結論

**即座に緊急仕入れを実行することを強く推奨します。**

**理由**
1. 在庫切れが11月15日（SALE初日）に発生
2. 機会損失52.9万円のリスク
3. 緊急仕入れで間に合う（11月8日到着）
4. ROI 42%と投資価値が高い

実際の行動

その日のうちに発注

AIの提言を受け、すぐに緊急仕入れ先に連絡しました。

電話での会話：

私：「冬用ジャケット（黒、M）を30個、緊急で仕入れたいです。」

仕入れ先：「承知しました。緊急便で3日後にお届けできます。ただし10%の割増になります。」

私：「問題ありません。お願いします。」

発注完了

• 仕入れ数量：30個
• 単価：17,600円/個（10%割増）
• 合計：52.8万円
• 納期：11月8日

11月8日：商品到着

予定通り、ジャケットが到着しました。

在庫状況

• 到着前：5個（3日間で3個販売）
• 到着後：35個
• 安全在庫確保

11月15日：楽天SALE開始

初日の販売

• 販売数：5個（通常の3倍！）
• 残在庫：30個
• 在庫切れを回避

11月30日：結果

販売実績

• 総販売数：34個
• 売上：78.2万円
• 利益：23.5万円

AIの予測精度

• 予測：32個
• 実績：34個
• 誤差：+2個（精度94%）

結果の総括

定量的な成果

機会損失の回避

• 在庫切れが発生した場合の損失：52.9万円
• 実際の損失：ゼロ
• 52.9万円の損失を回避

利益の獲得

• 売上：78.2万円
• 仕入れコスト：52.8万円
• 利益：25.4万円
• ROI：48%

緊急仕入れの価値

• 割増コスト：4.8万円
• 回避した機会損失：52.9万円
• 割増を払っても圧倒的にプラス

AIがなかった場合のシナリオ

気づくのが遅れる

• 在庫切れに気づくのが11月12日
• 通常仕入れ（納期2週間）では間に合わない
• SALE期間中ずっと在庫切れ

機会損失の発生

• SALE期間の販売不可：15日間
• 予測販売数：23個
• 機会損失：52.9万円
• 利益損失：15.9万円
• 大きな損失

AIの在庫最適化の仕組み

データ収集

販売データ

• 日次販売数（過去3年分）
• 時間帯別販売データ
• 季節変動パターン

外部データ

• 気温データ（気象庁API）
• イベントカレンダー（楽天SALE等）
• 競合在庫状況（スクレイピング）

需要予測モデル

時系列分析

• 過去のパターンから未来を予測
• 季節性、トレンド、周期性を考慮
• Prophet（Facebook開発）を使用

機械学習モデル

• 多変量回帰分析
• 気温、イベント、閲覧数等を説明変数に
• 予測精度：約85%

アンサンブル学習

• 複数モデルの予測を統合
• 精度向上と過学習防止
• 最終予測精度：約90%

在庫最適化アルゴリズム

安全在庫の計算

• リードタイム（発注〜到着）を考慮
• 需要のばらつき（標準偏差）を考慮
• 欠品を防ぐ最小在庫

発注点の自動計算

• 在庫がこのレベルを下回ったら発注
• 需要予測と安全在庫から算出
• 自動アラート発行

経済的発注量（EOQ）

• 発注コストと在庫保管コストのバランス
• 最適な1回あたりの発注量
• コスト最小化

学んだこと

AIは「先読み」ができる

人間は過去を見る、AIは未来を見る

従来：

• 「先月は10個売れたから、今月も10個で...」
• 過去の延長線上でしか考えられない

AI：

• 「気温、イベント、競合状況を考慮すると25個売れる」
• 複数要因を統合して未来を予測

データの価値

蓄積されたデータが武器になる

• 3年分の販売データ
• 気温との相関分析
• データが多いほど精度向上

スピードが勝負を決める

早期警告と迅速な対応

• 11月5日に警告
• 即日発注
• 11月8日到着
• 11月15日のSALEに間に合う

1日遅れたら

• 11月6日発注 → 11月9日到着
• まだ大丈夫

1週間遅れたら

• 11月12日発注 → 11月15日到着
• ギリギリ、リスク大

2週間遅れたら

• 通常仕入れでは間に合わない
• 機会損失確定

---

次回予告

これで第二部「AIと財務の融合」は完結です。

次回からは、「第三部：ECサイト一新とAI活用の完成形」をスタートします。

データ基盤とAI財務コンサルが整った今、次なるステップはECサイトそのものの刷新です。

AI提言を反映した次世代ECサイトの構築ストーリーをお届けします。

---

🎯 AI×ECコンサルティングサービスのご案内

現在、株式会社QUESTではAI×ECコンサルティングサービスを10社限定で募集しています。

このブログシリーズでご紹介している「データ駆動型ECコンサルティング」を、あなたのビジネスにも適用しませんか？

対象となる企業様

• 楽天、Amazon、auPAYマーケット等での販売を行っている
• データ分析や在庫管理に課題を感じている
• AIを活用した業務効率化に関心がある
• 売上向上のための戦略的なコンサルティングを求めている

まずは無料相談からお気軽にお問い合わせください。

---

この記事のポイント

• ✅ AIが季節要因、トレンド、競合状況、イベントを統合分析
• ✅ 在庫切れを11日前に予測、11月15日のSALE在庫切れを回避
• ✅ 52.9万円の機会損失を防ぎ、25.4万円の利益を獲得
• ✅ 需要予測精度90%、時系列分析と機械学習のアンサンブル学習
• ✅ 早期警告と迅速な対応により、緊急仕入れで間に合わせる
• ✅ データ蓄積が武器、過去3年分の販売データで高精度予測を実現