丸亀製麺のAI需要予測事例｜仕込みと人員配置をデータで整える

結論：AI需要予測は「現場の作業判断」に直結させてこそ機能する

飲食店がAI需要予測を取り入れる際、最も現実的なアプローチは、来客数や特定メニューの販売数予測を「仕込み」「発注」「人員配置」といった日々の現場業務に直接連動させることです。

需要予測の精度向上だけを目的にしてしまうと、レポートを作成して満足してしまい、店舗運営の改善につながりません。予測された数値を、明日の仕込み量やシフト配置、食材の発注数という具体的な行動に変換できて初めて、導入の価値が生まれます。

富士通の公開情報によると、トリドールホールディングスは丸亀製麺の国内全823店舗において、AI需要予測サービスを採用しました。気象データやPOSデータなどをもとに、店舗ごとに日別や時間帯別の客数および販売数を予測し、スタッフ配置、発注、うどんの仕込み量、さらには空調稼働にまで活用する方針を掲げています。

多店舗を展開する大規模チェーンだけでなく、中小規模の飲食店にとっても、この設計思想は大きな参考になります。日々の実績や天候、近隣環境の変化を同じ基準で記録し、翌週や翌日の現場判断をデータに基づいて下す仕組みを整えることが重要です。

丸亀製麺の事例にみる公開情報の要点

丸亀製麺の取り組みにおける最大の特徴は、AIによる需要予測を単なる売上分析や経営ダッシュボードの閲覧にとどめていない点にあります。予測結果が、以下の4つの実務へ直接つながるよう設計されています。

• うどんの仕込み量の最適化
• 食材の適切な発注
• ワークスケジュール（スタッフの人員配置）の作成
• 空調設備の稼働管理（エネルギーマネジメント）

多くの飲食店では、需要の予測が外れた際の影響がすべて店舗スタッフの負荷として跳ね返ってきます。予測より客足が鈍れば、仕込みすぎた食材がロスになり、食材原価を圧迫します。反対に予測を下回る仕込みしかしていなければ、ピーク時に品切れが発生したり、提供までの待ち時間が長くなったりして、来店客の満足度を損ねることになります。

また、客数のピークとスタッフのシフトがずれてしまうと、限られた人数で過密な業務をこなさなければならず、接客や清掃の品質低下を招きます。

丸亀製麺の事例のように、AI需要予測を「経営陣向けの分析ツール」としてではなく、「明日の現場判断を支援する仕組み」として位置づけることこそが、店舗運営を安定させるための着眼点です。

【編集部の示唆】大規模事例から汲み取るべき実務の視点

丸亀製麺のような大手飲食チェーンの事例を見ると、高度な予測モデルや全店舗への一斉展開といったスケールの大きさに目を奪われがちです。しかし、事業規模に関わらず参考にすべき本質は、システムそのものの規模ではなく「業務の接続性」にあります。

予測結果と店舗オペレーションを切り離さない

需要予測の導入でよくある失敗は、AIが算出した客数予測を店長が見ても、「結局何をどれだけ準備すればよいのか」が直感的に分からないケースです。予測ツールと現場の作業指示が分離していると、店長は従来どおり自分の勘や経験に頼って仕込み量を決めることになります。

丸亀製麺の設計のように、客数や販売数の予測を「うどんの玉数」や「仕込みバッチ数」といった現場の作業単位に落とし込む発想が欠かせません。予測値を現場のアクションに直結させることで、経験の浅いスタッフであっても迷わずに適正な作業を進めやすくなります。

人員の最適配置による心理的負担の軽減

飲食店のシフト作成は、店長にとって重い心理的負荷のかかる業務のひとつです。人件費を抑えようとして少なめに組めばピーク時に現場が混乱し、余裕を持たせすぎればコスト増につながります。

需要予測に基づいて「どの時間帯に何人のスタッフが必要か」の目安が可視化されていれば、シフト作成の根拠が明確になります。スタッフ側も無理なワンオペレーションや突発的な残業を避けやすくなり、職場環境の安定につながる点も見逃せません。

【自社で試す手順】スモールスタートで進めるデータ整備と予測のステップ

中小規模の飲食店が自社で需要予測の仕組みを取り入れる場合、いきなり大規模なAIシステムを導入する必要はありません。まずは身近なツールを使い、予測の土台となる記録を揃えるところから始められます。

ステップ1：日々の基礎実績を同一の粒度で残す

最初に、日別の売上、来客数、商品別の販売数を記録します。あわせて、食材の廃棄量、メニューの売り切れが発生した時間帯、シフトに入っていたスタッフの人数も残しておきます。

高機能なPOSレジが導入されていない店舗であっても、看板メニューや主力商品に絞り込めば、表計算ソフトウェアを使って十分に管理を始められます。大切なのは、日によって記録項目を変えず、継続して蓄積することです。

ステップ2：外部要因の記録を紐付ける

飲食店の来客数は、店内の都合だけでなく外部環境に左右されます。売上データと並べて、天候、気温、曜日、祝日の有無、近隣施設のイベント開催状況などを記録します。

さらに、予約件数の推移、店舗独自のSNS発信、クーポンの配信日といった販促施策の情報も同じシートにまとめておきます。客足が動いた理由を後から振り返る際、売上実績単体では見えてこない要因を特定できるようになります。

ステップ3：予測を適用する業務を1つに絞る

記録が一定程度蓄積されたら、予測数値を活用する業務をひとつだけ定めます。最初から発注、仕込み、シフト作成のすべてを同時に変えようとすると、現場が混乱し、どの施策が効果を発揮したのかを判断しにくくなります。

「平日のランチタイムにおける主力メニューの仕込み量」「週末夜のアルバイト配置」「廃棄ロスが生じやすい生鮮食材の発注」など、店舗の課題が最も顕著に現れている領域に絞って検証を進めるのが現実的です。

ステップ4：予測と実績のズレを定期的に振り返る

予測値をもとに仕込みや配置を行ったら、実際の結果がどうであったかを定期的に確認します。予測と実績の間に大きな乖離があった場合、天候の急変や近隣イベントなど、見落としていた要因がなかったかを検証します。

この確認作業を繰り返すことで、店舗ごとの特性や地域の行動パターンが浮き彫りになり、人の判断と予測モデルの役割分担が明確になっていきます。

【運用上の注意】AI導入で現場を疲弊させないための留意点

需要予測の運用を定着させるためには、現場のスタッフが過度な負担を感じないよう配慮することが欠かせません。

入力項目を細かくしすぎない

分析精度を高めようとするあまり、現場スタッフに過度な記録業務を課してしまうと、通常業務が圧迫されて記録そのものが形骸化します。

記録対象は、翌日の仕込みや発注の判断に直接影響を与える主力メニューや主要食材、時間帯ごとの大まかな客数、明確な廃棄実績などに絞り込むべきです。現場に無理のない入力フローを維持することが運用の継続性を担保します。

現場特有の例外事象を人の判断で補正する

AIによる予測は過去の傾向に基づくものであり、あらゆる突発的な事態を網羅できるわけではありません。

急な天候悪化、近隣店舗の臨時休業、公共交通機関の遅延、突発的な団体利用などは、現場にいるスタッフが状況を見ながら判断して予測値を修正する必要があります。AIの数値を絶対視するのではなく、「現場の判断を助けるひとつの基準」として柔軟に扱う運用ルールを共有しておくことが求められます。

丸亀製麺の事例が示している本質は、精緻なアルゴリズムを構築すること自体ではなく、得られた予測を仕込みや発注、スタッフの配置といった具体的な業務プロセスの変革に直結させている点にあります。

参考にした公開事例

本記事の執筆にあたり、以下の公開情報を確認しています。

• 富士通: トリドールHD 丸亀製麺 AI需要予測

次に読む記事

飲食店舗におけるAI活用や多店舗展開のオペレーション改善について理解を深めたい場合は、以下の記事も参考になります。

• 小売・飲食のAI活用例
• 多店舗運営のAI活用例