Super Hosokawaの需要予測AI事例｜食品ロスと欠品を同時に抑える

結論：需要予測を発注の共通言語にして食品ロスと欠品を抑える

小売業や食品流通の現場において、食品ロスの削減と欠品の防止を両立させることは長年の課題です。農産品や加工食品は消費期限が短く、需要の波を見誤ると、店頭での余剰廃棄と売り切れによる販売機会の損失が同時に発生しやすくなります。

Super Hosokawa の取り組みは、需要予測モデルを現場の発注業務に組み込み、関係者間で共有することで、食品ロスと欠品の両方を抑えにいくアプローチを示しています。

売れ行きを人が直感だけで判断しようとすると、発注判断の遅れや安全在庫の抱えすぎにつながります。システムが算出した客観的な需要予測を判断材料として先に提示し、発注担当者が状況を確認しながら数量を調整する体制を整えることが、無理のない業務改善につながります。

Super Hosokawaの公開事例に見る取り組みと成果

実証の枠組みと活用データ

Microsoft Customer Stories において、Super Hosokawa が Oita と Fukuoka での実証を通じて、供給網全体で需要予測を共有した事例が紹介されています。

実証では、日々の購買行動を捉える ID-POS データを基盤に活用しました。二日前の予測をもとに stock order を試行し、すべてを機械任せにするのではなく、人手による発注判断と組み合わせる運用構成をとっています。

需要予測を店舗単体で完結させるのではなく、供給網全体で共有するデータとして位置づけた点が特徴です。これにより、店舗と供給側が同じ見通しを持って在庫管理や発注調整を進められる環境を整えています。

得られた成果と公開情報のポイント

公開情報によると、この取り組みを通じて以下の成果が確認されています。

• 需要予測精度の向上
• 店舗における食品ロスの削減
• 欠品を防ぐことによる、潜在需要を取り込んだ売上向上

この事例で注目すべき点は、需要予測を単なる事後分析や理論上の試算にとどめず、発注業務に関係する人々の会話をそろえるための「共通言語」として活用したことです。需要予測が提示されることで、どの商品をどれだけ仕入れるべきかという現場の議論が客観的な数値に基づいて進むようになり、判断のばらつきが抑えられます。

編集部の示唆：予測を現場の発注判断に組み込む考え方

ここでは、Super Hosokawa の公開事例をもとに、食品を扱う現場が需要予測を取り入れる際に検討すべき論点を整理します。

予測を確定値ではなく「発注候補」として扱う意義

AIによる需要予測を現場に導入する際、予測値をそのまま確定発注量として自動処理しようとすると、かえって現場の混乱を招く場合があります。現場には、陳列スペースの空き具合や商品の鮮度、局所的な人の流れなど、データに現れにくい細かな文脈が存在するためです。

実務で有効に機能しやすいのは、システムが算出した予測値を「発注候補」として画面に提示し、最終決定を担当者が行う役割分担です。ゼロから数量を考える負担を軽減しつつ、現場の文脈に応じた微調整を残すことで、予測の利便性と現場の納得感を両立させやすくなります。

サプライチェーン全体での情報共有の価値

需要予測の価値は、店舗の発注担当者だけに閉じるものではありません。供給元や仕入れ先、配送に関わる関係者とも同じ予測データを共有できれば、供給網の上流でも準備がしやすくなります。

上流の事業者が店舗側の見込みを把握できていれば、急な発注による納品遅れや、見込み違いによる倉庫在庫のだぶつきを未然に防ぎやすくなります。需要予測を共通の指標として関係者間で流通させることが、サプライチェーン全体の安定につながります。

自社で試す手順：需要予測と発注業務を段階的に整える

需要予測と現場の発注業務を連携させるための、自社で試す手順を解説します。

手順1：現状データの記録と業務の実態把握

最初に取り組むべきは、発注判断に必要な基礎データを正確に記録することです。売上実績の記録だけでは、需要の実態を捉えきれません。

具体的には、以下のデータを日常的に収集・整理する体制を作ります。

• 日々の売上データ（ID-POS データなど）
• 売り切れによる欠品の記録
• 消費期限切れなどによる廃棄・ロスの記録
• 発注から納品までの発注リードタイム

欠品していた時間帯や廃棄が出た要因を把握しておかなければ、予測モデルが本来の需要を学習できず、過小予測や過剰発注を繰り返す要因になります。

手順2：対象商品の絞り込みと優先順位付け

すべての取扱商品に一斉に予測を適用しようとすると、データ整備や現場の確認作業が追いつかなくなります。初期段階では、導入効果が出やすい商品に絞って着手するのが現実的です。

• 廃棄ロスが頻発しており、利益を圧迫している商品
• 欠品による機会損失が大きく、売上への影響が痛い商品
• 日常的に安定した販売実績があり、データが揃いやすい商品

対象を限定して運用のサイクルを回すことで、現場の運用負荷を抑えながら、予測を活用した発注プロセスの課題を洗い出すことができます。

手順3：予測値の発注候補提示と人の判断プロセスの設計

絞り込んだ商品に対して予測を行い、その結果を発注業務のフローに組み込みます。

• システムから数日先の予測値を発注候補数として現場に提示する
• 担当者が陳列状況や天候の見通しを確認し、必要に応じて修正を加える
• 修正理由や確定発注数を記録し、最終確定を行う

担当者がなぜ予測値を変更したのかという理由を残しておくことで、予測モデルの癖や現場特有の判断基準が可視化され、以後の予測改善や業務標準化に役立ちます。

運用上の注意：予測モデルの限界と実務での評価方法

需要予測システムを実務で継続的に運用するためには、いくつかの注意点があります。

突発的な要因への対処と外れたときの見直し基準

需要予測は過去の実績や傾向に基づいて計算されるため、急な天候変化、突発的な販促企画、地域イベントなどの影響を網羅して完璧に言い当てることはできません。

実務では「予測が外れることがある」という前提に立ち、予期せぬブレが生じた際に現場がどのように対応するか、あらかじめ見直し条件を定めておくことが不可欠です。予測と実需に大幅な乖離が出た場合に、どのデータを確認し、どのタイミングで発注数を修正するかというルールを共有しておくことで、現場の迷いや属人的な混乱を防ぐことができます。

予測精度と業務成果の複眼評価

需要予測プロジェクトでは、モデルの予測誤差を小さくすること自体が目的化してしまいがちです。しかし、事業上の本質的な目的は現場のロスを減らし、売上を確保することにあります。

そのため、評価にあたっては予測モデルの精度指標だけでなく、実務上の成果指標を並行して確認する必要があります。

• 予測値と実際の販売数との適合具合
• 店頭における食品ロスの削減状況
• 欠品発生率の推移と売上の変化

予測精度が良好に見えても、現場が安全在庫を過大に積んでいればロスは減りません。予測と業務実績の双方を定期的に確認し、発注ルールとモデルの双方を改善していく姿勢が求められます。

参考にした公開事例

• Microsoft Customer Stories: Super Hosokawa demand forecast

次に読む記事

需要予測と供給網のつながりを広く見るなら、AGRISTの収穫予測AI事例｜作付けと販売見通しを先に整える と Trellisの農食サプライチェーン予測事例｜天候変動と需要変化に備える が参考になります。