製造業の需要予測で使う特徴量

特徴量は「予測を作る時点で、確実にその値が手に入るか」で分類するのが出発点です。月末に2か月先の需要を予測する場合、使える情報は月末時点で確定している情報だけです。

特徴量例出どころ予測時点で手に入るか
過去の需要前月・前年同月の受注数量、直近12か月平均ERPの受注○（予測時点より前の期間のみ）
カレンダー月、稼働日数、連休、決算月社内カレンダー○
受注残・確定受注対象月に納期がある受注の、予測時点の累計ERPの受注△ 予測時点の値（スナップショット）だけ
顧客の内示・需要予測自動車・電子部品の内示数量EDI△ 版ごとに保存が必要
価格・販促価格改定、キャンペーン営業・マーケティング△ 計画値なら○、実績値は×
外部指標業界の生産指数、為替公的統計△ 公表の遅れと改定に注意
供給側の情報欠品フラグ、生産停止MES・ERPの在庫需要の補正に使う。予測の入力にはしない

ウォルマートの販売データを使ったM5コンペティションの論文では、上位の手法がみな外部情報を使い、価格に関する特徴量が精度の改善に重要だったと報告されています。製造業では、これに相当するのが受注残と顧客の内示です。ただし、どちらも「いつ時点の値か」を管理しないとリークの原因になります。

リークとは何か、なぜ起きるか

リーク（leakage）は、評価期間や予測対象の情報を意図せず学習や予測に使ってしまうことです。Hewamalage らは、時系列予測ではリークが他の機械学習タスクより起きやすく、避けにくいと指摘しています。製造業で起きやすいのは次の4つです。

  1. 確定後の値を使う：対象月の受注残を、予測時点ではなく対象月が終わった後の確定値で学習する。受注残は月が進むほど増えるので、確定値は実績とほぼ同じ情報を持っている
  2. データが上書きされている：ERPの内示数量や受注数量が最新版で上書きされ、過去の時点の値が残っていない
  3. 前処理を全期間でかける：評価期間を含めた全データで平均・標準偏差を計算して正規化したり、移動平均を計算したりする
  4. 時間を無視した分割：ランダムに学習データと評価データを分けると、評価月より後の月で学習したモデルを評価することになる

数値例：確定後の受注を使うと何が起きるか

月末に2か月先の需要を予測するモデルを、120か月分の仮想データで作りました（当サイトのシミュレーション）。需要は平均約1,000個で季節性があり、対象月の受注は月末時点で約35%が判明し、対象月が終わると約90%が確定受注として記録されます。直近22か月を評価期間とし、それ以前で線形回帰を学習しました。特徴量は過去の需要、12か月平均、季節項に、受注の特徴量を1つ加えたものです。

リークありの検証WAPE
3.5%
受注の特徴量に、対象月が終わった後の確定値を使用
リークなしの検証WAPE
6.6%
受注の特徴量に、予測時点（2か月前の月末）の値を使用
リークありで学習したモデルの本番WAPE
55.0%
本番では予測時点の受注しか手に入らないため、予測が55%低く偏る

リークのあるモデルは、検証ではリークのないモデルの約半分の誤差に見えます。しかし本番で入力されるのは予測時点の受注（確定値の約4割）なので、モデルは需要を大きく過小に予測します。

在庫への影響も深刻です。検証時の誤差のRMSEは、リークありで41.2個、リークなしで93.8個でした。リークありの検証結果から安全在庫を計算すると、本来必要な量の44%しか持たないことになります。これに予測そのものの過小が重なれば、欠品が続きます。

リークを防ぐ時点管理

スナップショットを保存する：受注残や内示は、毎月末（または毎週）の時点の値を、その日付をつけて別テーブルに保存します。ERPの受注テーブルは上書きされるので、そのままでは過去の時点の値を再現できません。保存を始めた日より前の期間は、学習に使える受注特徴量がないことになります。

「予測時点」列を持つ：学習データの各行に、予測時点（例：2026年9月末）と予測対象月（例：2026年11月）の両方を持たせ、すべての特徴量を予測時点以前の情報だけで計算します。

時系列順に分割する：評価は、予測時点を1か月ずつずらしながら、その時点までのデータで学習して先を予測する方法（ローリング・オリジン評価）で行います。

需要の定義を固定する：目的変数は出荷ではなく受注ベースの需要にし、欠品期間を補正します。欠品で削られた出荷を学習すると、モデルは欠品を「需要が少なかった」と学びます。扱い方は欠品で打ち切られた需要をどう扱うかで説明しています。

モデルの成果を精度指標だけでなく在庫と欠品で確かめる手順は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

内示の数字をそのまま予測として使えばよいのではないですか。

内示が実績とよく合う顧客なら、それが最良の予測であることもあります。ただし内示には上振れ・下振れの癖があることが多いので、過去の版ごとの内示と実績の差を測り、その癖を補正する特徴量として使うほうが精度は上がりやすくなります。

特徴量はいくつくらい入れるべきですか。

数より「予測時点で確実に手に入るか」と「本番で毎回同じ定義で作れるか」が重要です。本番で欠損しがちな特徴量は、学習で効いていても予測を不安定にします。

この記事に出てくる用語

用語集（日・英・中）をすべて見る

この記事のテーマ
#需要予測#AI検証#予測誤差
在庫の種類
計画・S&OP製品・出荷
手法
需要予測・機械学習ERP・MRP
この特集について

AIの需要予測を、在庫の数字で検証する

MAPEが良くても欠品は減らない。予測精度ではなく在庫と欠品で評価する方法　全4本

  1. AIの需要予測を在庫と欠品の数字で検証する方法：16週の比較で見る5つの手順
  2. 予測バイアスとトラッキングシグナルの見方：12か月の例で±4を超える時点
  3. 予測の付加価値分析（FVA）で予測プロセスを評価する：8か月の階段表の作り方
特集の記事をすべて見る →

この記事を書いた人

株式会社サオス

株式会社サオス 製造DX部

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。

運営者情報　編集方針　株式会社サオスのサイト

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。

登録によりプライバシーポリシーに同意したものとします。配信は株式会社サオスが行います。