需要予測は「当てる」ものではなく「変化に追う」もの｜在庫管理を制する者が経営を制する

本記事は『なぜあなたはマネジメントを間違えるのか？』の第四章をもとにした要約・解説記事です。第一章〜第三章の内容と合わせてお読みいただくと理解が深まります。

「需要予測が当たれば万事解決」は間違いでした

製造業・小売業を問わず、多くの現場で「需要予測の精度さえ上がれば、欠品も過剰在庫も解消できる」という発想が根強く残っています。

しかし本章は、その前提を根本から覆します。

気象学の「カオス理論」（いわゆるバタフライ効果）が示すように、無数の要因が絡み合う現実世界では、初期のごくわずかなズレが積み重なり、将来を正確に予測することは数学的に不可能です。

予測精度の向上に時間とコストを投じ続けることは、誤った問いへの誤った答えを追い求める行為に過ぎません。

AIは「予測」ではなく「制御」に使うべきです

将棋や囲碁のようにルールが固定された世界では、AIは圧倒的な力を発揮します。

しかし市場には、販売員のスキル、売り場の演出、競合の動向など、データ化されない要素が無数に存在します。

重要なデータが欠如したままAIに需要予測をさせるのは的外れであり、むしろAIの活用先は予測ではなく在庫の動的制御にあります。

本当の「ザ・ゴール」を再定義する

予測はあくまで「手段」であり「目的」ではありません。

達成すべき本来の目的は、次のように整理できます。

• 欠品と過剰在庫を同時に解消する
• 欠品による機会損失をなくし、売上を伸ばす
• 過剰在庫による値引きをなくし、利益を守る
• 在庫管理の煩雑な作業を自動化し、人は接客・提案など人にしかできない仕事に集中する
• 資金効率を高め、企業価値を向上させる

これらすべての出発点は、「欠品と過剰在庫の同時解消」という一点に集約されます。

変化に追従する「自律制御」という発想

予測が当たらないなら、変化に追いつく仕組みを作ればよいのです。

その答えが「自律制御」の考え方です。

これは水槽の温度調節や自動運転など、すでに多くの分野で実用化されているアプローチで、在庫管理にそのまま応用できます。

仕組みはシンプルで、在庫状態を信号機のように3色で管理します。

この手法は「ダイナミック・バッファ・マネジメント（DBM）」と呼ばれ、ゴールドラット博士が開発した在庫制御の核心的な概念です。

アルゴリズム化が可能なため、数千万点を超えるSKU（最小在庫管理単位）でも自動的に最適化を続けられます。

「店頭に在庫を置けば欠品しない」は誤りです

直感に反しますが、店頭に在庫を多く持つほど欠品リスクは高まります。

理由は「ばらつき」にあります。

各店舗は立地・客層・客数が異なるため、商品ごとの売れ行きのばらつきは非常に大きくなります。

一方、中央倉庫では各店舗の売れ行きが集約されるため、ばらつきは平滑化されます。統計学ではこれを「統計的集約効果」といいます。

ばらつきの大きい店頭に在庫を分散させると、A店では欠品・B店では過剰という「在庫の偏在」が生じます。

実際のアパレルチェーンの分析でも、ある店で欠品しているアイテムが別の店舗では2か月以上眠っているというケースが確認されています。

中央倉庫は「物流拠点」ではなく「利益の司令塔」です

解決策は明快です。在庫はばらつきの小さい中央倉庫に集約し、各店舗には補充リードタイム分（例：輸送日数が2〜3日なら1〜2週間分）だけを置きます。

予測期間が短くなるほど精度は上がり、回転率が高まるほど資金効率も向上します。

過剰在庫がなければ値引き不要で、定価販売率は上昇します。欠品がなければ売上機会を逃しません。

バックヤードが整理され、スタッフは接客に集中できます。

中央倉庫はこうした好循環を生み出す経営上の司令塔と捉えるべきです。

欠品3%の解消が利益率を7倍にします

欠品する商品は、他でもない「売れ筋商品」です。

回転率が平均の5倍の売れ筋アイテムの欠品を3%解消すれば、売上は15%程度増加する可能性があります。

たとえば売上100億円・利益率1%（1億円）の企業で試算すると、15%の売上増加と粗利50%という条件下では、利益が1億円から約8.5億円へと劇的に拡大する計算になります。

「在庫は宝の山」という表現は、決して誇張ではないのです。

AIは「シン・社員」として雇う時代です

10万点超のSKUを人手で最適管理するのは現実的に不可能です。

しかし今日のAI技術を活用したアプリであれば、DBMのアルゴリズムをベースに各SKUの特性を機械学習し、自動で在庫を最適化し続けられます。

実際にこのアプローチを導入したアパレル会社・アイジーエーでは、70店舗・約10万SKUをAIアプリで運用した結果、わずか6か月で月500万円以上の売上増加・粗利増加275万円を達成しました。投資対効果は約3.4倍です。

同社社長は「AIは24時間365日、私の考えを機械学習して緻密に在庫管理し続けるシン・社員」と表現しています。

人はAIが苦手とする店舗ごとの個性ある販促企画や、意思が必要な判断に集中できるようになりました。

DXの落とし穴「見える化」しても変革しなければ意味がありません

サプライチェーン改革が難しい理由は、それが一社で完結しない点にあります。

小売・物流・営業・生産・調達のそれぞれが自部門の指標（コスト・稼働率・売上）を最大化しようとすると、全体最適ではなく部分最適に陥ってしまいます。

さらに深刻なのがDXの落とし穴です。

部分最適なオペレーションをそのままシステム化すると、時代遅れのルールがデジタルによって固定化されます。

見える化すべきは個々の効率や過去のデータではなく、全体の制約と変えられる未来です。

「コストダウン常識」を疑いましょう

以下の三つは長年「常識」とされてきましたが、変化の激しい時代には命取りになりえます。

① 海外生産でコストダウン

コスト試算には「同じ量が売れる」という隠れた前提があります。

しかし海外生産はリードタイムを必然的に長くし、需要予測の誤差拡大・緊急出荷コスト増加・余剰在庫の固定化というリスクを連鎖させます。

コスト削減の恩恵は不確定な未来ですが、リードタイム延長のリスクは確定した未来です。

② まとめ仕入れで単価削減

大量仕入れで数%のコストダウンを達成しても、売れ残れば20〜30%の値引きで処分するはめになります。

しかも過剰在庫が棚と資金を占有し、売れ筋商品の仕入れを妨げるという悪循環が生じます。

③ 稼働率向上でコスト削減

工場でまとめて生産することで段取りコストは下がりますが、市場で必要とされない量まで作れば過剰在庫となり、工場で積み上げたコスト削減努力を大幅値引きが一瞬で打ち消します。

ブランドイメージへの長期的なダメージも見逃せません。

コストは「費用」ではなく「投資」として捉えてください。

欠品を防ぎ売上を確実に増やせるなら、コストアップすることが合理的な経営判断になります。

生産工場への5%のボーナス支払いは、過剰在庫による20〜30%の値引きコストと比べれば極めて小さく、しかも成果に連動した後払いであるためリスクも限定的です。

まとめ——前提をアップデートする

第四章の核心は「誤った問いを立てるな」という一言に尽きます。

需要予測という手段の精度向上に執着するのではなく、「欠品と過剰在庫を同時に解消する」という本来の目的に立ち返り、自律制御・DBM・AI活用という正しい手段を選ぶことが重要です。

その選択が、経営全体を劇的に変えることになります。