株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
小売業のAI需要予測×自動発注を実現する方法｜天候・曜日・イベント＋POS実績から店舗別の適正発注量を自動算出
スーパーマーケット、コンビニエンスストア等の小売業において、店舗レベルの需要予測と発注業務は、食品廃棄（フードロス）の削減と欠品による機会損失の防止を両立する最重要テーマです。セブン-イレブンは天候・曜日・イベント等の多様なデータに基づくAI発注支援システムを全店舗で運用し、ライフコーポレーションは全店舗でAI需要予測自動発注システムを導入済みです。本記事では、POS実績＋外部データ（天候・曜日・イベント）をAIが統合分析し、店舗別・商品別の適正発注量を自動算出するアプローチを解説します。
業務の詳細フロー（現状の手作業）
ステップ1：販売実績の確認
POSデータから前日・前週・前年同期の販売実績を確認します。商品カテゴリ別（日配品、惣菜、菓子等）の売れ行き傾向を把握します。
ステップ2：外部要因の確認
翌日の天気予報、気温、曜日（平日/休日）、近隣のイベント（スポーツ大会、祭り等）、自店のチラシ・セール計画等の外部要因を確認し、需要への影響を見積もります。
ステップ3：発注数量の決定
販売実績と外部要因を総合的に判断し、商品ごとの発注数量を決定します。「明日は雨だからお弁当は控えめに、カップ麺は多めに」等の判断をベテラン店長の経験に基づいて行います。
ステップ4：発注端末での入力
決定した発注数量を発注端末（タブレット、ハンディターミナル等）に入力し、各メーカー・卸に発注します。日配品は毎日、一般食品は週2〜3回の発注サイクルです。
ステップ5：納品確認と売場の調整
納品された商品の検品、売場への陳列、売れ行きに応じた値引き・廃棄の判断を行います。
課題・ペインポイント
- 発注の属人化：ベテラン店長の「勘と経験」に依存し、担当者が変わると食品ロスや欠品が増加
- 食品廃棄（フードロス）：需要を過大に見積もると廃棄が増え、利益を圧迫。特に日配品（弁当、惣菜、パン等）は消費期限が短く廃棄リスクが高い
- 欠品による機会損失：需要を過小に見積もると品切れが発生し、販売機会を逃す
- 発注作業の負荷：数千SKUの発注を毎日行う作業は店舗スタッフの大きな負担
- 外部要因の複合的影響：天候、気温、曜日、イベント、競合の動向等の複数要因を同時に考慮することが困難
AI化のアプローチ（機械学習×LLMによる実装イメージ）
入力データの設計
- POSデータ：店舗別・商品別の日次販売データ（数量、金額、時間帯別）
- 在庫データ：現在庫数、発注残、消費期限別の在庫内訳
- 天候データ：天気予報API（天気、気温、降水確率、風速）
- カレンダーデータ：曜日、祝日、学校の長期休暇、近隣イベント
- 販促データ：チラシ掲載商品、タイムセール、ポイント倍増等のプロモーション計画
- 店舗特性データ：立地（駅前/住宅街/オフィス街）、客層、競合店の有無
AIの活用ポイント
- 店舗×商品×日別の需要予測：機械学習モデル（XGBoost、LightGBM等）がPOS実績＋外部データを統合分析し、翌日の販売数量を店舗別・商品別に予測（出典：日立システムズ "需要予測型自動発注"）
- 発注推奨数量の自動算出：予測販売数量＋安全在庫−現在庫−発注残＝推奨発注量を自動計算し、発注端末に表示
- 食品廃棄の最小化：消費期限を考慮した在庫管理と、値引きタイミングの最適化提案
- 異常値の検知：通常と大きく異なる販売パターン（急な天候変化、SNSバズ等）をリアルタイム検知し、発注推奨を自動修正
- 発注根拠の自動説明：LLMが「なぜこの発注量を推奨するか」の根拠（天候影響、曜日パターン、プロモーション効果等）を自然言語で自動説明（出典：Hakky "スーパーAI発注事例"）
人間が判断すべきポイント
- AIが予測できないイベント：「近くの工場が臨時休業で昼食需要が変動」等、AIが学習していないローカルな要因は店長が調整
- 新商品の初回発注：販売実績がない新商品の発注量は人間が判断
- 値引き・廃棄のタイミング：消費期限が迫った商品の値引き開始タイミングは、売場の状況を見ながら判断
- 品揃えの方針：「この商品はロスが出ても品揃えとして置き続ける」等の経営判断
他業種の類似事例
- 物流業の需要予測×在庫最適化：倉庫レベルの在庫最適化とサプライヤーへの自動発注（本シリーズ参照）
- 電力業界の需給予測：気象データ×過去実績で電力需要を予測し需給バランスを調整（本シリーズ参照）
- 飲食チェーンの食材発注：来客数予測×メニュー別消費量から食材の適正発注量を算出
導入ステップと注意点
ステップ1：POSデータの整備（2〜4週間）
店舗別・商品別のPOSデータを分析可能な形に整備します。異常値（欠品時の販売数0は実需を反映しない等）の補正も重要です。
ステップ2：予測モデルの構築（4〜8週間）
主要カテゴリ（日配品、惣菜等）から機械学習モデルを構築し、過去データでの予測精度を検証します。天候・曜日等の外部データとの連携も設計します（出典：ニューラルオプト "小売業AI活用事例"）。
ステップ3：パイロット店舗での運用（4〜8週間）
一部の店舗でAI推奨発注と従来の手動発注を並行運用し、廃棄率・欠品率・売上の変化を比較します。
ステップ4：全店展開（継続）
パイロットの成果を検証し、全店舗に展開します。展開後もモデルの精度を定期的に検証し、新たなデータ（新商品、競合変動等）を学習させます。
注意点
- 欠品よりロスを選ぶリスク：AIが廃棄最小化に最適化しすぎると、欠品が増えて顧客満足度が低下するリスク。「売り切れてもいい」ではなく「適度な安全在庫」の設計が重要
- 店舗スタッフの受容性：「AIの推奨量と自分の判断が違う」場合のスタッフの納得感を確保するため、推奨根拠の説明機能が重要
- 生鮮食品の特殊性：生鮮食品は天候・入荷状況で品質が日々変動するため、AI予測だけでなく現場の目利きも必要
Renue視点：専用ツールではなく汎用LLMで実現する理由
需要予測の「計算」部分は機械学習モデルの領域ですが、「発注の根拠を店長に説明する」「予測と実績の乖離を分析レポートにまとめる」「食品ロス削減の改善提案を書く」等のコミュニケーション業務はLLMの得意領域です。機械学習エンジン（需要予測）＋汎用LLM（発注根拠説明・分析レポート）の組み合わせが最もコスト効率の高いアプローチであり、「なぜこの数量を発注するのか」をAIが言語化することで、店舗スタッフのAI発注への信頼を醸成できます。
まとめ
小売業のAI需要予測×自動発注は、POS実績＋天候・曜日・イベント＋販促計画をAIが統合分析し、店舗別・商品別の適正発注量を自動算出するアプローチで、食品廃棄の削減と欠品防止の両立が実現できます。セブン-イレブン、ライフコーポレーション等の大手チェーンで導入実績が蓄積されています（出典：AIsmiley "AI需要予測 小売業"）。ただし、ローカルな需要変動への対応、新商品の発注判断、品揃えの経営方針は完全に店長・バイヤーの経験と判断力の領域です。