手法は「系列の性質」と「在庫の決め方」で選ぶ
需要予測の手法選びで最初に決めるべきなのは、モデルの種類ではなく、予測値が在庫のどの数字に使われるかです。製品在庫の生産計画に使うのか、購買部品の発注点に使うのか、保守部品の補充に使うのかで、必要な予測の粒度（品目×月、品目×週）と、許される誤差の形が変わります。
そのうえで、系列の性質を次の5つの判断軸で確認します。
- 需要の出方：毎期安定して出るか、ゼロの期間が多い間欠需要か
- 季節性・トレンド：同じ月に山が来るか、水準が年々動くか
- 履歴の長さ：季節性を推定するには最低2年分（24か月）が目安になる
- 説明変数の有無：受注残・顧客内示・価格・販促など、予測時点で手に入る情報があるか
- 系列の数：品目が数十か数万か。数が多いほど、品目ごとの手作業の調整は効かない
この5軸で見ると、多くの製造業の品目は「安定・季節性なし」「季節性あり」「間欠」「説明変数が効く」の4群に分かれ、群ごとに出発点の手法が決まります。
手法ごとの得意・不得意
| 手法 | 向く系列 | 在庫での使いどころ | 注意点 |
|---|---|---|---|
| 移動平均 | 水準が安定し、季節性がない | 消耗品・汎用部品の発注点 | 水準の変化に (n+1)/2 期遅れる |
| 単純指数平滑 | 水準がゆっくり動く | 部品・製品の補充 | 平滑化定数αで反応速度が決まる |
| ホルト・ウィンタース（季節つき指数平滑） | 季節性・トレンドがある | 製品の月次生産計画 | 24か月未満では季節指数が不安定 |
| 季節ナイーブ（前年同月） | 季節性が強く安定 | 手法比較のベースライン | 前年の異常値をそのまま引き継ぐ |
| クロストン法・TSB | ゼロが多い間欠需要 | 保守部品・補修部品 | MAPEで評価できない |
| 機械学習（勾配ブースティングなど） | 説明変数が効く、系列が多い | 受注・内示が取れる製品 | 特徴量のリークで精度が過大に出る |
移動平均と指数平滑の具体的な計算と遅れ方は移動平均と指数平滑法：計算例と選び方、間欠需要は間欠需要の予測：クロストン法とその改良で扱います。
機械学習が統計手法を上回った例として、ウォルマートの42,840系列の販売数量を予測したM5コンペティション（2022年に論文として公表）があります。論文によると上位の多くがLightGBMを使い、優勝チームは最良の統計ベンチマーク（指数平滑のボトムアップ）を22.4%上回りました。一方で同論文は、改善が主に階層の上位・中位の集計レベルで大きかったこと、上位の手法がみな価格・カレンダー・イベントなどの外部情報を使っていたことも報告しています。小売の大量系列で、説明変数が揃っていた条件での結果であり、品目数が少なく説明変数のない部品にそのまま当てはまるわけではありません。
ベースラインと比べてから手法を決める
どの手法を使う場合も、必ず「ナイーブ予測」（前月実績をそのまま来月の予測にする）と「季節ナイーブ」（前年同月の実績を使う）を並べて評価します。ほぼ費用がかからないこの2つに勝てない手法は、どれだけ高度でも採用する理由がありません。
数値例です。季節性のある製品群の月次出荷24か月分のうち、直近6か月（19〜24か月目）を評価期間にし、それ以前のデータだけで1か月先を予測しました。評価期間の実績は 1,250／1,050／950／900／920／1,050 です。
季節性のある系列に、季節を扱わない移動平均や単純指数平滑を当てると、山の手前で予測が低く、山の後で高く出ます。この例では3か月移動平均の誤差が季節ナイーブの約3倍です。「移動平均で予測しているが当たらない」という相談の多くは、手法の精度ではなく、季節性という系列の性質を無視したことが原因です。
誤差の測り方そのものは予測誤差の指標：MAPE・WAPE・MAE・RMSEの違いで詳しく扱います。
予測を在庫の数字に戻して評価する
手法の比較は誤差指標で終わらせず、在庫と欠品の数字に戻して判断します。予測誤差の標準偏差（またはRMSE）は安全在庫の式にそのまま入るため、誤差が半分になれば、同じサービス率に必要な安全在庫もおおむね半分になります。逆に、誤差指標が少し良くても、予測が一方向に偏っている（バイアスがある）手法は、欠品か過剰在庫を系統的に生みます。
AIや外部ツールの予測を同じ土俵で検証する手順はAIの需要予測を在庫と欠品の数字で検証する方法にまとめています。
よくある質問
需要予測は何か月分の履歴があれば始められますか。
季節性を扱わない移動平均や指数平滑なら半年程度から始められます。季節性を推定するには最低24か月、できれば36か月が目安です。履歴が短い新製品は、類似品の実績を参照する方法か、受注残・内示などの先行情報を使う方法を検討します。
機械学習に切り替えれば精度は上がりますか。
説明変数が予測時点で確実に手に入り、系列が多い場合は上がる余地があります。説明変数がなく系列が少ない部品では、指数平滑や季節ナイーブと差が出ないことも珍しくありません。必ずナイーブ予測と並べて、在庫の数字で比較してください。
出荷実績と受注実績のどちらを予測すべきですか。
需要そのものを表すのは受注（顧客が欲しかった数量と時期）です。出荷実績は在庫切れや生産制約で削られた後の数字なので、欠品が多い品目では需要を過小に見積もります。
この記事に出てくる用語
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業のデータ活用・AI の調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・在庫・データ基盤を手がけた実務者が、計算式を検算し、欧米・中国の一次情報にあたって書いています。
週刊 在庫KPI
業種別の在庫KPIベンチマークの更新と、その週の新着記事5本を毎週月曜にお届けします。無料・いつでも解除できます。