需要予測AIは「何に使う数字か」を先に決める
製造業の需要予測は、品番・拠点・期間ごとの将来需要を見積もり、生産計画・在庫計画・調達の入力にする業務です。精度の高い数字が出ても、それが計画の確定枠や発注点に変換されなければ現場の行動は変わりません。最初に決めるのは次の3点です。
- 予測の粒度：品番×月なのか、品番×週×出荷拠点なのか。生産計画の凍結期間（変更しない期間）より細かい粒度は使われにくい
- 予測の期間（ホライズン）：調達リードタイムより短い先しか予測しないなら、部材手配には使えない
- 予測の使い道：生産計画の内示、安全在庫の計算、設備・人員の能力計画のどれに使うか
この3点が決まると、必要なデータ、評価指標、更新頻度が自動的に決まります。逆に「とりあえず全品番の月次を予測する」から始めると、PoCの精度は出ても誰の業務も変わらない、という結果になりやすいです。
手法は4系統。M5コンペ以降は機械学習が主流
需要予測の手法は、統計手法、勾配ブースティング、深層学習、時系列基盤モデルの4系統に分けられます。
| 系統 | 代表例 | 向く場面 | 注意点 |
|---|---|---|---|
| 統計手法 | 指数平滑、ARIMA | 品目が少ない、履歴が長く安定、説明性重視 | 品目ごとに個別モデルになり、品目数が増えると保守が重い |
| 勾配ブースティング | LightGBM | 品目が多い、販促・カレンダー・内示など説明変数がある | 特徴量設計と評価設計の手間がかかる |
| 深層学習 | DeepAR、N-BEATS、TFT | 系列が非常に多く、データ量が十分 | 学習・運用の負荷が高く、効果は検証次第 |
| 時系列基盤モデル | Chronos など | 履歴が短い品目、まず当たりを付けたい場合 | 業務固有の説明変数を入れにくい。自社データでの検証が必須 |
Walmartの日次販売42,840系列を対象にしたM5コンペ（2020年、5,507チーム参加）では、上位のほとんどがLightGBMを使い、上位50手法はすべて多数の系列を1つのモデルで学習する「クロスラーニング」でした。M5は、純粋な機械学習手法が統計ベンチマークを明確に上回った最初のMコンペとされています（Makridakisらの報告）。品目数の多い製造業でも、この設計は参考になります。詳しくはM5コンペに学ぶ需要予測で扱います。
Amazonの研究者が2024年3月に発表した時系列基盤モデルChronosは、42のデータセットで評価され、学習していないデータセットでも、そのデータで学習した手法と同等の精度を示す場合がありました（Ansariら、arXiv 2403.07815）。ただし小売・エネルギーなど公開データでの結果で、受注生産の部品需要にそのまま当てはまるかは自社で確かめる必要があります。
導入は5ステップで進める
- 用途定義：上記の粒度・期間・使い道を決め、効果を測る業務KPI（在庫日数、欠品率、納期遵守率）を置く
- データ整備：出荷実績ではなく受注・需要の実績を使い、季節性2周期分（月次なら2〜3年）を揃える。品番の改番は系列をつなぐ。詳細は需要予測に必要なデータを参照
- 手法比較：前回値や季節ナイーブ予測をベンチマークに置き、それを上回るかで判断する
- 計画への変換：点予測ではなく予測区間（分位点）を出し、安全在庫と生産計画の確定枠に変換する
- 運用：計画担当者が予測を上書きした記録を残し、AI予測と上書き後のどちらが当たったかを毎月比べる
データ基盤とMESの側から見た注意点
需要予測は営業・ERP側の業務に見えますが、精度を左右するデータの一部は工場側にあります。欠品していた期間は出荷が需要を下回るため、在庫切れの期間を特定できないと需要を過小評価します。生産実績・在庫実績はMESや倉庫管理の側にあり、ERPの出荷データだけでは判別できない場合があります。
また、予測を生産計画に渡すときは、MESの実績（実際の工程時間）から算出した実効能力と突き合わせないと、予測どおり作れない計画になります。予測AIと生産スケジューリングAIは、品番マスタと能力データを共有して初めて一体で機能します。
よくある質問
需要予測AIには何年分のデータが必要ですか？
季節性を捉えるには最低2周期分が目安で、月次予測なら2〜3年分です。ただし年数より、欠品期間や品番改番が整理されているかのほうが精度に効きます。
Excelの移動平均より本当に良くなりますか？
品目と期間によります。前回値や季節ナイーブ予測を基準に置き、それを上回るかを同じ評価期間で確かめるまでは判断できません。上回らない品目は単純な手法のままでかまいません。
基盤モデルを使えば学習は不要ですか？
Chronosのような基盤モデルは学習なしで予測を出せますが、販促や内示といった自社固有の情報を入れにくい制約があります。履歴が短い品目の初期値や比較対象として使い、主力はLightGBMなどと比べて決めるのが現実的です。
- M5 accuracy competition: Results, findings and conclusions（Makridakis, Spiliotis, Assimakopoulos, 2020年10月プレプリント）
- Chronos: Learning the Language of Time Series（Ansari et al., arXiv 2403.07815, 2024年3月）
- Forecast Evaluation for Data Scientists: Common Pitfalls and Best Practices（Hewamalage et al., arXiv 2203.10716, 2022年）
- Global Lighthouse Network 2025: 12 new sites（World Economic Forum, 2025年9月16日）
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、製造業向け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・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
