【業界別】需要予測の実務事例｜小売・飲食・製造で何が違うのか

3つの業界、3つの異なる「正解」

【小売業：多品種・多頻度の在庫コントロール】
特徴：SKU（最小管理単位）×店舗数という膨大な組み合わせが存在し、「組み合わせ爆発」が起きやすい。
目的：欠品によるチャンスロスと、売れ残りによる在庫リスクのバランスを取ること。
キーワード：回転率、棚割り、カテゴリマネジメント、特売（プロモーション）。

【飲食業：瞬発力とロス削減の戦い】
特徴：商品（料理）の保存がきかず、サービス提供能力（席数・スタッフ）に物理的上限がある。短期・即時性が極めて高い。
目的：食材廃棄（フードロス）の極小化と、適切な人員配置（レイバーコントロール）による利益確保。
キーワード：FLコスト（食材費＋人件費）、時間帯別予測、天候感応度、予約キャンセル。

【製造業：サプライチェーン全体の安定化】
特徴：調達から製造、出荷までのリードタイムが長く、一度計画を確定すると変更コストが高い。
目的：中長期視点でサプライチェーン全体を安定させ、生産効率とキャッシュフローを最適化すること。
キーワード：S＆OP（Sales and Operations Planning）、PSI計画、安全在庫、ブルウィップ効果。

つまり、需要予測で「何を当てたいのか」「何を安定させたいのか」が業界ごとに異なります。
小売は「棚の最適化」、飲食は「シフトと仕込みの最適化」、製造は「工場の稼働率と部材調達の最適化」がゴールです。この違いを理解せずにツールやAIを導入すると、現場の業務フローと乖離し、結局使われない仕組みになってしまいます。

小売業における需要予測

小売業、特にスーパーマーケット、コンビニエンスストア、アパレル、ドラッグストアなどにおいて、需要予測は日々のオペレーションそのものです。

小売業のビジネス構造と需要予測の役割

小売業の最大の特徴は、「SKU×店舗×時間」という多次元構造です。1店舗あたり数千から数万の商品（SKU）があり、それを数十〜数百、時には千を超える店舗で展開します。地域によって売れるものは異なり、天気によっても左右されます。
この膨大なマトリクスの中で、需要予測が担う役割は明確です。

１.欠品による機会損失（チャンスロス）を防ぐ
顧客が欲しいと思った時にモノがないことは、その場の売上を失うだけでなく、「この店は品揃えが悪い」という顧客ロイヤリティの低下（離反）を招きます。

２.過剰在庫による廃棄・値引きを抑える
特に食品スーパーやアパレルでは、鮮度劣化や流行遅れによる廃棄・値下げ販売が利益を直撃します。これを防ぐことが粗利益率の改善に直結します。

つまり、小売業における需要予測は、単なる数値予測ではなく、「在庫投資の質（ROI）」を左右する経営の中核機能と言えます。

小売業で扱う主なデータ

高精度な予測を行うためには、データの量と質が問われます。小売需要予測では、以下のようなデータが中心になります。

・POSデータ（実績データ）
SKU別・店舗別・日次の売上個数、売上金額。これが予測の基礎となります。
近年では、ID-POS（誰が買ったか）を用いて、リピート率などを加味するケースも増えています。

・商品マスタ（属性データ）
カテゴリ（大・中・小分類）、価格帯、ブランド、内容量、賞味期限。
特に「代替可能性（この商品がなければあれを買う）」を判断するために重要です。

・店舗情報（特性データ）
立地（駅前、ロードサイド、住宅街）、売場面積、営業時間、駐車場の有無。

・外部要因データ（コーザルデータ）
商圏データ：店舗周辺の人口動態、世帯年収、年齢層。
天候・気象：気温、湿度、降水量。特に「体感温度」の変化は飲料や季節家電の売上に即座に影響します。
カレンダー要因：祝日、給料日、地域行事（運動会、祭り）。

特に近年は、GPSによる人流データや、競合店の価格情報（Webスクレイピング等で取得）を組み合わせることで、店舗ごとの需要の波をより精緻に捉える動きが進んでいます。

小売需要予測の典型的な課題

データは豊富にありますが、それを活用するには多くのハードルがあります。

・新商品・改廃商品の予測が難しい
小売業、特にコンビニやお菓子・飲料メーカーでは、毎週のように新商品が登場し、同数の商品が棚から消えます。実績データがない新商品の予測（コールドスタート問題）は、依然として難易度の高い領域です。

・同一商品でも店舗ごとの差が大きい
「都心の店舗では爆発的に売れたが、地方の店舗では全く動かない」といった地域差が激しく、全店一律の予測モデルでは対応しきれません。

・セールや販促が需要を歪める
過去の売上が「実力」なのか、「特売チラシによる一時的な跳ね上がり」なのかを区別する必要があります。これを補正（ベースライン需要の算出）しないと、通常時に過大な発注をしてしまいます。

・データ粒度が部門ごとに揃っていない
販売部門は「金額」で管理し、物流部門は「ケース数」で管理するなど、単位の違いがデータの連携を阻害することがあります。

これらを無視して、単に過去の売上平均を並べるだけの予測を行うと、現場から「肌感覚と違う」「当たらない」という評価を下され、システムが形骸化します。

小売業における実務的な需要予測アプローチ

では、実務ではどのように対応すべきでしょうか。成功している企業は以下のようなアプローチをとっています。

・SKU単位に固執せず、カテゴリ・ブランド単位と使い分ける
個別の商品（例：〇〇イチゴ味 500ml）の予測は外れやすくても、カテゴリ（例：フルーツ系炭酸飲料）の総量は安定しています。発注数の目安にはカテゴリ予測を用い、配分を微調整する方法が有効です。

新商品は類似商品の実績を活用する
新商品Ａを発売する場合、過去に発売された「属性の似ている商品Ｂ」の発売直後の動きを教師データとして予測します（類似品検索・置換）。

予測値と発注ルールを分離する
予測値はあくまで「これくらい売れそう」という値です。これに対し、「欠品は絶対に許さない商品（安全在庫を厚く積む）」のか、「売り切れ御免の商品（予測値ギリギリで発注）」なのか、発注ロジックを別に設定することで在庫をコントロールします。

現場調整を前提とした設計にする
AIが弾き出した数値を100%正とするのではなく、店長が「明日は近くでイベントがあるから上乗せしよう」と修正できる余地（ヒューマン・イン・ザ・ループ）を残すことが、現場の納得感を高めます。

需要予測は「決定事項」ではなく、意思決定のための「高精度な判断材料」である、という位置づけが重要です。

小売業で需要予測が活きる業務領域

発注・在庫最適化：自動発注システム（CAO）への連携。
新規出店・既存店の需要把握：出店時の売上シミュレーション。
プロモーション計画：「どの商品を、いつ、いくらにすれば、どれだけ粗利が出るか」のシミュレーション。 売上・粗利の安定化：値引き販売のタイミング最適化（マークダウン最適化）。

特に多店舗展開企業では、経験の浅い店長やパートスタッフでも適切な発注ができるよう、属人的判断から脱却する基盤として需要予測が機能します。

飲食業における需要予測

飲食業は小売業と似ているようで、その制約条件の厳しさは段違いです。ここでのキーワードは「時間」と「鮮度」です。

飲食業特有のビジネス制約

飲食業は、「席数（キャパシティ）」「厨房能力（スループット）」「人員（マンパワー）」という強い物理制約を持つビジネスです。
どんなに需要（来店希望客）があっても、満席であれば入店できず売上になりません（機会損失）。逆に、客が来なくても準備した食材は劣化し、配置したスタッフの人件費は発生します。
そのため、飲食における需要予測は「売上を無限に最大化する」ことよりも、「変動する需要に合わせてリソースを最適化し、無駄を減らす」色合いが強くなります。つまり、コストコントロール（FL管理）のための予測です。

飲食業で扱う主なデータ

■ 来店客数・売上データ
POSレジから得られる決済データ。

■ メニュー別販売数（ABC分析）
どのメニューがどれだけ出るか（出数管理）。仕込み量に直結します。

■ 曜日・時間帯別データ
飲食業において「日次」の予測は大雑把すぎます。「ランチ（11:00-14:00）」「アイドルタイム（14:00-17:00）」「ディナー（17:00-）」といった時間帯別、さらには1時間単位・30分単位の粒度が必要です。

■ 天候・イベント情報
オフィス街のランチ需要は雨が降ると激減する（外に出たくないため）、あるいはビル内の店舗なら増える、といった微細な天候影響を受けます。

■ 予約状況
確定している「予約」と、当日来店する「ウォークイン」の比率。

特に時間帯別データは重要で、日次合計だけでは「いつスタッフを厚く配置すべきか」「いつ仕込みをすべきか」の判断ができず、実務に活かせません。

飲食需要予測でよくある誤解

よくある誤解が、「売上予測＝需要予測」と考えてしまうことです。
「明日の売上は50万円」という予測だけでは不十分です。

客単価が高いから50万円なのか？（客数は少ない＝スタッフは少なくていい）
客単価が低いから50万円なのか？（客数が多い＝スタッフとお皿が足りなくなる）

実際には、「客数（Load）」と「客単価（Price）」を分けて予測しなければ、現場のオペレーション（皿洗い、調理、接客）には使えません。
また、「完全に当てる」ことを期待しすぎるのも失敗の原因です。突発的な団体客や、天気の急変は予測不可能です。重要なのは「大外ししないこと」と「外れた時のリカバリープラン」です。

飲食業における実務的な需要予測アプローチ

飲食業では以下がポイントになります。

■ 客数予測と客単価を分離する
まず「何人来るか」を予測し、次に「何が注文されるか（メニューミックス）」を予測します。これにより、必要な食材量とスタッフ数が算出できます。

■ 曜日別・時間帯別の予測設計
「雨の日の月曜日」と「晴れの日の金曜日」では、全く異なるモデルが必要です。曜日特性と天候特性を掛け合わせたパターン認識が有効です。

■ 短期（数日〜数週間）予測を重視
飲食店の発注サイクルは短いため、翌日〜翌週の予測精度が最も重要です。直近のトレンド（ここ数日急に客足が伸びているなど）を重み付けするモデルが好まれます。

■ 現場オペレーションと直結させる
予測結果を「シフト作成画面」や「発注画面」に直接表示させるなど、ワークフローに組み込むことが必須です。別画面で予測ツールを開いて確認する、という手間は現場では嫌われます。

需要予測は、店長や現場が使える形で提供されて初めて価値を持ちます。「予測によると明日のランチは忙しいから、仕込みを1時間早めよう」というアクションにつながってこそ成功です。

飲食業で需要予測が活きる業務領域

食材発注・仕込み量調整: 生鮮食材のロス削減。
シフト・人員配置: 人件費の適正化（忙しい時間は厚く、暇な時間は薄く）。
メニュー構成・限定施策: 季節メニューの需要予測。
廃棄削減と利益改善: 利益率の高いメニューへの誘導計画。

＼「なぜその予測になるのか」をTHE NOVELがしっかり説明。詳細資料はこちら／

製造業における需要予測

製造業の需要予測は、企業の屋台骨を支える重厚なテーマです。小売や飲食が「目の前の需要」と戦うのに対し、製造業は「未来の需要」と戦います。

製造業のサプライチェーン構造と需要予測

製造業では、需要予測はサプライチェーン全体の起点です。
「これだけ売れるだろう」という予測に基づき、原材料を調達し、生産ラインを確保し、人員を配置し、在庫を積み上げます。
もし予測が大きく上振れすれば、部品不足でラインが止まり、納期遅延が発生して信用を失います。
逆に下振れすれば、倉庫に入りきらない在庫の山と、遊んでしまう工場作業員、支払いに追われるキャッシュフローの悪化を招きます。
特に、海外から部品を調達する場合や、半導体のように生産リードタイムが数ヶ月に及ぶ場合、一度走り出した計画を修正するのは困難です。これが、製造業における需要予測の重みです。

製造業で扱う主なデータ

■ 出荷・受注実績
過去にどれだけ出荷したか。ただし、欠品して出荷できなかった分（潜在需要）が含まれていない場合があるため注意が必要です。

■ 生産実績・在庫データ
現在の在庫レベルと生産能力（キャパシティ）。

■ 市場動向・マクロ経済指標
景気動向指数、為替レート、素材価格、自動車販売台数などの先行指標。BtoBメーカーの場合、顧客企業の生産計画も重要な入力データです。

■ 営業計画（販売見込み）
営業担当者が持っている「あの案件が取れそうだ」という定性情報（フォーキャスト）。

ここでは、過去の実績データだけでなく、営業部門が持つ「未来の意思」との整合（すり合わせ）が欠かせません。

製造需要予測の典型的な課題

製造業の現場では、古くから「製販の対立」という課題があります。

■ 予測と実際の受注が乖離する
営業は「売るために在庫を持ってほしい」ので強気の（多めの）予測を出しがちです。一方、工場は「在庫リスクを負いたくない」ので保守的に見がちです。

■ ブルウィップ効果
末端の小売店でのわずかな需要変動が、卸、メーカー、部品サプライヤーへと遡るにつれて増幅され、工場側では巨大な変動として伝わってしまう現象です。これにより過剰な設備投資や在庫が発生します。

■ 製品ライフサイクルが短期化している
かつてのようにロングセラー商品を大量生産する時代は終わり、多品種少量生産が求められています。これにより、過去データが少ない製品の予測が増えています。

■ グローバル拠点間で需要構造が異なる
日本市場は縮小しているが、東南アジア市場は拡大しているなど、地域ごとのトレンドが異なるため、グローバルでの在庫最適化（在庫の偏在解消）が難しくなっています。

製造業における実務的な需要予測アプローチ

製造業では、統計的な予測だけでなく、組織的な合意形成プロセスが重要です。

■ 中長期と短期予測を分離する
中長期（3ヶ月〜1年）: 設備投資、人員計画、長期部材の調達に使います。大まかなトレンドと総量を予測します。 短期（週次・月次）: 直近の生産計画、配送計画に使います。直近の受注状況を加味して微調整します。

■ 製品階層（製品群・品番）で使い分ける
個別の品番（SKU）ごとの予測はブレますが、製品ファミリー（シリーズ全体）での予測は安定します。生産能力の確保はファミリー単位で行い、直前で品番ごとの生産順序を決めるなどの工夫（遅延差別化）が有効です。

■ 営業と生産の役割を明確化（S&OPの推進）
営業部門、生産部門、経営層が集まり、単一の計画数値について合意するプロセス（S&OP）を確立します。「どの数字を正とするか」の腹落ちがなければ、予測システムは機能しません。

■ 精度より計画の安定性を重視
予測は必ず外れるものです。「100%当てる」ことよりも、「多少外れても利益が出る（在庫で吸収できる、または生産調整できる）」範囲を見極めること、つまりサプライチェーンの強靭性（レジリエンス）を高める設計が求められます。

製造業で需要予測が活きる業務領域

生産計画・能力計画: 工場稼働率の平準化。
原材料調達: 部材のリードタイムを考慮した発注タイミングの最適化。
在庫圧縮: キャッシュフローの改善（CCCの短縮）。
納期遵守率向上: 顧客信頼度の向上。

業界別に見た需要予測ツール・システムの選び方

ここまで見てきたように、業界ごとに要件が異なるため、ツール選定の基準も変わります。

1. データ粒度と更新頻度

小売・飲食
「日次」「時間帯別」といった細かい粒度と、POSデータの「翌日反映」のようなスピード感が必須です。SaaS型の軽量なAIツールや、自動発注システムとの一体型が好まれます。

製造
「月次」「週次」が中心ですが、BOM（部品表）展開などの複雑な計算処理が必要です。ERP（基幹システム）と深く連携できる、堅牢なサプライチェーン計画（SCP）システムが適しています。

2. 外部データの活用

小売・飲食
天気、イベント、カレンダー、人流など、外部環境の変化を柔軟に取り込める機能が重要です。

製造
マクロ経済指標や先行指標との相関分析機能、あるいは需要シナリオ（楽観・悲観）のシミュレーション機能が重視されます。

3. 特化型か汎用型か

業界特化型ツール
その業界特有の商習慣（飲食ならレシピ管理との連動、小売なら棚割りとの連動）がプリセットされており、立ち上がりが早いです。

汎用型AIプラットフォーム
自由度が高く、自社独自の変数を組み込めますが、モデル構築にはデータサイエンティストの知見が必要です。

最初はスモールスタートで特化型を導入し、データ活用が成熟してきた段階で汎用型やカスタム開発へ移行する、あるいは両者を組み合わせる（ハイブリッド）選択も現実的です。

まとめ：需要予測は「業界理解」から始まる

需要予測は、魔法の杖ではありません。汎用的な正解がある分野でもありません。
成功している企業に共通するのは、「自社業界の構造を深く理解した上で、無理のない形で予測を業務に組み込んでいる」点です。

小売業なら、 数万SKUの欠品と廃棄のバランスをどう取るか。
飲食業なら、 時間帯ごとの来店客数に合わせて、人と食材をどう配置するか。
製造業なら、 長いリードタイムの中で、製販が合意できる計画をどう作るか。

AIやアルゴリズムは強力な武器ですが、それをどう使うかを決めるのは人間です。
「当社は何のために予測するのか？」「予測が外れたときのリスクは何か？」
この問いに対する答えを明確にし、小売・飲食・製造、それぞれの特性を踏まえた需要予測設計を行うことこそが、成果への最短ルートであり、DX成功の鍵となります。

＼データサイエンスの専門知識は不要。自動でデータを組み合わせて自動で売上予測モデルを生成！／

監修者プロフィール 市川 史祥 技研商事インターナショナル株式会社 執行役員CMO　シニアコンサルタント　市川 史祥
一般社団法人LBMA Japan 理事 ロケーションプライバシーコンサルタント 流通経済大学客員講師／共栄大学客員講師 統計士／医療経営士／介護福祉経営士 Google AI Essentials／Google Prompt Essentials 1972年東京生まれ。早稲田大学政治経済学部卒業。不動産業、出版社を経て2002年より技研商事インターナショナルに所属。 小売・飲食・メーカー・サービス業などのクライアントへGIS（地図情報システム）の運用支援・エリアマーケティング支援を行っている。わかりやすいセミナーが定評。年間講演実績90回以上。

---

電話によるお問い合わせ先：03-5362-3955（受付時間／9：30～18：00 ※土日祝祭日を除く）
Webによるお問い合わせ先：https://www.giken.co.jp/contact/

前の記事

一覧に戻る

次の記事