在庫を持ちすぎて倉庫と資金が圧迫される一方で、売れ筋は欠品している。発注はベテランの担当者の経験に頼っていて、休まれると誰も数量を決められない。そんな悩みから、AIでの需要予測や発注の自動化を調べ始めた方も多いのではないでしょうか。
需要予測の道具は、すでに身近なところにあります。たとえばExcelの予測シートは、日付と販売数の2列を選ぶだけで、指数三重平滑法(ETS)という手法で季節の周期も含めた将来の値を計算します。条件は、日付が一定の間隔で並んでいることで、データの欠けは30%まで扱えます(出典:Microsoft サポート「Windows 版 Excel で予測を作成する」、Microsoft サポート「FORECAST.ETS 関数」)。一方で、AIの予測ツールには個人利用プランが年額217,800円(税込)からの製品もあれば(出典:Prediction One 個人利用プラン)、予測する対象やデータ量で個別に見積もるサービスもあり(出典:Deep Predictor 料金・オプション)、どこから手を付ければよいかがわかりにくいのが実情です。
そこで本記事では、AI需要予測の仕組みと、在庫管理・発注での使い方、業種別の使い方を整理したうえで、従業員10〜80名の会社が最初にAIに任せる予測の業務と、必要なデータ(販売実績の期間・品目数)、精度の考え方、ツールと開発の選び方、費用の目安、導入の進め方をまとめます。
この記事でわかること
- 需要予測AIの仕組みと使い方
- 最初に任せる業務と必要データ
- 精度の見方と費用・ツール5選

この記事の監修者
AIBUILDERZ編集部
AI導入支援サービス「AIBUILDERZ」を運営するチームです。AI研修からシステムの導入・構築・定着まで、企業のAI導入を一気通貫で支援しています。
- 01AI研修
- 02システム構築
- 03運用・定着
運営会社 for,Freelance株式会社
AI需要予測とは?仕組みと従来の予測との違い
AI需要予測とは、過去の販売実績や天気、曜日、販促などのデータから、AIが商品ごとの将来の売れる数を予測する仕組みです。予測した数は、在庫の基準や発注の数量、生産の計画、シフトづくりに使います。
AI需要予測の仕組み
AI需要予測は、大きく次の4つの段階で動きます。
| 段階 | 中身 |
|---|---|
| データを集める | 販売実績・在庫・発注の記録に、天気・曜日・祝日・販促の予定を加える |
| 特徴をつくる | 曜日ごとの傾向、前年同週の数、気温などを、AIが読める形に整える |
| 学習する | 過去のデータから、売れる数と条件の関係をAIに覚えさせる |
| 予測して使う | 来週・来月の数を出し、在庫の基準や発注の数量に置き換える |
ポイントは、予測の数そのものより、その数を発注や在庫の判断にどうつなげるかです。予測が当たっても、発注の数量に置き換える手順が決まっていなければ、在庫は減りません。
経験と勘、Excelの統計手法との違い
需要予測のやり方は、担当者の経験、Excelなどの統計手法、AI(機械学習)の3つに分けられます。
| やり方 | 得意なこと | 苦手なこと |
|---|---|---|
| 経験と勘 | 新商品や地域の行事など、データにない事情をくみ取れる | 品目が多いと手が回らない。担当者ごとに数量がばらつく |
| Excel・統計手法 (移動平均・指数平滑) |
売れ方が安定した品目の、季節の周期をつかめる | 天気や販促など、複数の条件を同時に見るのが難しい |
| AI(機械学習) | 天気・曜日・販促などの条件を組み合わせて、品目ごとに予測できる | データが少ない品目や、過去にない出来事は当てにくい |
AIが品目ごとの数を出し、担当者が行事や新商品の事情を加えて確かめる、という分担にすると、予測にかける時間が減り、数量のばらつきも小さくなります。
予測に使われる主な手法
ツールの説明によく出てくる手法を、データの量と向く場面で整理します。
| 手法 | 考え方 | 向く場面 |
|---|---|---|
| 移動平均 | 直近の数週間の平均を次の予測にする | 売れ方が安定した定番品 |
| 指数平滑法(ETS) | 新しい実績ほど重く見て、傾向と季節の周期を加える | 季節で売れ方が変わる品目 |
| 重回帰 | 気温や販促など、売れる数を動かす条件の影響を数式にする | 理由を説明しながら予測したいとき |
| 機械学習 (決定木の組み合わせなど) |
多くの条件の組み合わせから、売れる数との関係を学ぶ | 品目が多く、天気や販促の影響が大きいとき |
| 深層学習 | 大量のデータから、複雑な傾向を学ぶ | 品目と店舗の数が多く、長い期間のデータがあるとき |
手法の名前よりも、自社のデータで今の予測と比べてどうかで判断しましょう。
生成AIで需要予測はできるのか
ChatGPTなどの生成AIは、文章を作るのが得意な仕組みで、数値の予測を専門にしたモデルではありません。販売データを渡すとそれらしい数を返しますが、根拠を毎回同じ形で確かめるのは難しいのが現状です。
生成AIが役に立つのは、データの整形の手順を考える、予測と実績の差を文章でまとめる、といった予測の前後の作業です。予測の数そのものは、予測専用のツールか、検証したモデルで出すのが安全です。
AIで需要予測・在庫管理・発注でできること
AI需要予測で出した数は、在庫管理と発注の業務で使ってはじめて効果が出ます。業務ごとに、AIに任せられることを整理します。
需要予測:売上・販売数・出荷量・来客数を出す
品目ごと、店舗ごと、得意先ごとに、日・週・月の単位で売れる数を予測します。小売なら品目別の販売数、卸なら得意先別の出荷量、飲食なら来客数とメニュー別の販売数が、よく使われる予測の対象です。
AI在庫管理:安全在庫と発注点を品目ごとに決め直す
AI在庫管理では、予測の数と、予測の外れ幅、仕入れにかかる日数から、品目ごとに持つべき在庫の量(安全在庫)と、発注をかける在庫の水準(発注点)を計算します。一律に「2週間分を持つ」と決めていた在庫を、売れ方に合わせて品目ごとに見直せるのが利点です。
AI発注:推奨の発注量を出し、発注書の作成まで任せる
AI発注(発注AI)は、予測の数と今の在庫、入荷の予定、最小の発注単位から、品目ごとの推奨の発注量を出す仕組みです。発注書の作成や、仕入先のシステムへの入力までつなげることもできます。発注を確定する前に、担当者が推奨の数量を見て直す工程を残しておくと、現場が安心して使えます。
生産計画・人員配置に広げる
製造業では、製品の需要予測を原材料の手配と生産の計画に、飲食や小売では、来客数の予測をシフトづくりに使えます。
AI需要予測のメリットと注意点
AI需要予測には大きな利点がある一方で、データや運用の面で気をつけたい点もあります。導入を決める前に両方を確かめておきましょう。
メリット:欠品と過剰在庫を同時に減らせる
担当者は欠品を恐れて多めに発注しがちで、売れ筋の欠品と過剰在庫が同時に起きます。AIで品目ごとの数を出すと、多めに持つ品目と絞る品目の差がはっきりします。
メリット:発注の時間が減り、担当者による差がなくなる
AIが品目ごとの推奨の数量を出し、担当者は確かめて直すだけになるため、発注にかける時間が減ります。担当者が替わっても数量の決め方が変わらず、引き継ぎも楽になります。
注意点:データの量と質が精度を左右する
販売実績の期間が短い、品目のコードが途中で変わっている、欠品した日の販売数が0として残っている、といったデータでは、AIは正しく学べません。導入の最初の作業は、AIの設定ではなくデータの点検です。必要なデータは 必要なデータと期間の目安 で紹介します。
注意点:予測は外れる前提で運用を決める
新商品やSNSで急に話題になった商品、災害など、過去にない出来事はAIでも予測できません。予測が外れることを前提に、外れたときに誰がどう直すかを先に決めておくことが大切です。予測のモデルは定期的に学び直す必要があり、その手間と費用も見込んでおきましょう。
業種別のAI需要予測の使い方
同じ需要予測でも、業種によって予測する対象と単位が違います。小売・卸・飲食・製造の4つの業種で、よく使われる形を整理します。
| 業種 | 予測する対象 | 予測の単位 | 使い道 |
|---|---|---|---|
| 小売 | 品目別の販売数 | 店舗×品目×日・週 | 発注量、売場の在庫の基準 |
| 卸 | 得意先別・品目別の出荷量 | 品目×週・月 | 仕入れの量、倉庫の在庫の基準 |
| 飲食 | 来客数、メニュー別の販売数 | 店舗×日・時間帯 | 仕込み量、食材の発注、シフト |
| 製造 | 製品別の出荷量 | 製品×月 | 生産の計画、原材料・部品の手配 |
小売:店舗・品目ごとの発注量
小売では、POSの販売実績から品目ごとの販売数を予測し、発注量に置き換える使い方が中心です。日配品や生鮮品のように売れ残りが廃棄になる品目ほど、予測の効果が見えやすくなります。
卸:得意先の注文の傾向から仕入れを決める
卸では、得意先ごとの注文の周期と季節の傾向から、品目別の出荷量を予測します。大口の得意先の特売や新規の取引はデータから読めないため、営業担当の情報を加える手順を決めておきます。
飲食:来客数から仕込みと食材の発注を決める
飲食では、日ごとの来客数と、メニュー別の販売数を予測し、仕込み量と食材の発注に使います。予約・発注・シフトの使い方は 飲食店のAI活用 で、店舗運営の仕組みに発注予測を組み込んだ例は自社の事例 飲食店の店舗運営のAI化 で紹介しています。
製造:製品の出荷予測から生産と原材料の手配へ
製造では、製品の出荷量を月単位で予測し、部品表を使って原材料や部品の必要量に展開します。製造業のAI活用の実例は 製造業のAI活用事例 にまとめています。
10〜80名の会社が最初にAIに任せる予測の業務
従業員10〜80名の会社では、全品目の需要予測を一度に始めるより、効果が見えやすい1つの業務から始めるのが現実的です。業種ごとに、最初に任せやすい業務と、必要なデータ、始めてから判断できるまでの期間の目安をまとめます。
| 業種 | 最初に任せる業務 | 必要なデータ | 品目数・期間 |
|---|---|---|---|
| 小売 | 上位の品目の週ごとの発注量 | 品目別・日別の販売数2年分 | 50〜200品目・2〜3か月 |
| 卸 | 主要な品目の月ごとの仕入れの量 | 品目別の出荷実績2〜3年分 | 100〜300品目・2〜3か月 |
| 飲食 | 翌日の来客数と食材の発注量 | 日別の来客数1年分と予約 | 食材30〜100品目・1〜2か月 |
| 製造 | 主要な製品の月ごとの出荷量 | 製品別の出荷実績3年分 | 20〜100製品・2〜4か月 |
期間は、データの点検から、AIの予測と今の予測を並べて比べ、使うかどうかを判断するまでの目安です。
小売:売上上位の品目の発注量から始める
小売では、売上の大半を占める上位の品目から始めます。販売実績が多くAIが学びやすいうえ、欠品したときの損も大きいため、効果を測りやすい対象です。販売数に加えて、在庫と発注の記録があると、欠品した日を見分けられます。最初の1〜2か月は、AIと担当者の数量を並べて記録し、欠品と売れ残りを比べます。
卸:仕入れに時間のかかる品目から始める
卸では、仕入れから入荷までに時間がかかるなど、発注を誤ったときに取り返しにくい品目から始めます。出荷実績は得意先別に残しておき、仕入れにかかる日数も品目ごとにそろえます。得意先が多い場合は、まず品目ごとの合計で予測し、精度を確かめてから得意先ごとに進むと準備が軽く済みます。
飲食:来客数の予測から始める
飲食では、食材ごとの予測の前に、店舗の日ごとの来客数の予測から始めます。来客数は仕込み・発注・シフトのすべてに使えるためです。来客数に、予約の数と天気を加えると精度が上がります。予測が安定したら、メニュー別の販売数の比率をかけて、主な食材の発注量に広げます。
製造:出荷の多い製品の月次の予測から始める
製造では、出荷の量が多く、毎月の生産の計画に悩んでいる製品から始めます。原材料の手配に広げるには、部品表と原材料の仕入れにかかる日数も要ります。受注生産と見込み生産が混ざっている場合は、見込みで作っている製品だけを対象にすると、予測の効果を確かめやすくなります。
最初に任せる業務の選び方
業種にかかわらず、最初の業務は次の4つの条件で選びます。
| 条件 | 確かめること |
|---|---|
| 毎週・毎月くり返す | 予測と発注を定期的に行っていて、AIの数を使う場面が多いか |
| データが残っている | 品目別・日別の販売や出荷の実績が、1〜3年分そろっているか |
| 外れたときの損が見える | 欠品・売れ残り・廃棄の金額や件数を、今の時点で測れるか |
| 任せる人が決まっている | AIの数を確かめて直す担当者と、判断する責任者がいるか |
4つの条件のうち、データが残っていることと、外れたときの損が見えることの2つがそろう業務から始めると、効果を判断しやすくなります。
AI需要予測に必要なデータと期間の目安
AI需要予測の精度は、ツールよりもデータで決まります。必要なデータの種類と期間、品目数の考え方、データの整え方をまとめます。
必要なデータの種類
最初にそろえたいデータと、あると精度が上がるデータは次のとおりです。
| 区分 | データ | 中身 |
|---|---|---|
| 必ず要る | 販売・出荷の実績 | 日付・品目のコード・数量。店舗や得意先が複数あるならその区分も |
| 必ず要る | 品目の情報 | 品目名、分類、発売日と終売日、入数 |
| あるとよい | 在庫と欠品の記録 | 日ごとの在庫の数、欠品した日 |
| あるとよい | 販促・価格の記録 | チラシ、値引き、キャンペーンの期間と内容 |
| あるとよい | 外部の情報 | 天気、気温、祝日、近隣の行事 |
販売の実績は、POSレジや販売管理システムなど、すでに使っている仕組みから書き出せることがほとんどです。
販売実績の期間の目安
季節によって売れ方が変わる商品は、同じ季節を2回以上学ばせる必要があるため、2〜3年分の実績があると安心です。季節の影響が小さい日用品や、翌日の来客数のような短い先の予測なら、1年分から始められます。
| 予測の内容 | 期間の目安 |
|---|---|
| 翌日〜翌週の来客数・販売数 | 1年分以上 |
| 季節で売れ方が変わる品目の週・月の予測 | 2〜3年分 |
| 年に1回の行事や繁忙期の予測 | 3年分以上 |
実績が1年に満たない場合は、AIを入れる前に、同じ形でデータをためる期間と考えるのが近道です。データが少ない段階での進め方は 社内データが少なくてもAI導入は進められるか も参考にしてください。
品目数の考え方:ABC分析で対象を絞る
品目を売上の大きい順に並べ、上位からA・B・Cに分けるABC分析を使うと、予測の対象を絞り込めます。売上の大半を占めるAの品目はAIで予測し、Bは簡単な統計手法、ほとんど売れないCは発注点を決めておく、といった分け方にすると、データの準備と確認の手間を抑えられます。
データの整え方
AIに学ばせる前に、次の4つを直しておきます。
| よくある問題 | 直し方 |
|---|---|
| 欠品した日の販売数が0になっている | 欠品した日に印を付け、学習から外すか、需要があった数として補う |
| 品目のコードが途中で変わっている | 新旧のコードを対応づけて、1つの品目として扱う |
| 特売の日に売れ方が跳ねている | 販促の印を付けて、ふだんの売れ方と分けて学ばせる |
| 日付の抜けや重複がある | 日付を一定の間隔にそろえ、同じ日の重複をまとめる |
とくに欠品の扱いは重要で、0のまま学ばせると「売れない日」と覚えてしまい、さらに少なく発注する予測になります。
AI需要予測の精度の考え方
AI需要予測の相談でよく聞かれるのが「何%当たるのか」です。精度は、測り方と、何と比べるかを決めないと判断できません。
精度を測る主な指標
予測の精度は、予測と実績の差で測ります。よく使われる指標は次のとおりです。
| 指標 | 測り方 | 気をつけたい点 |
|---|---|---|
| MAE(平均絶対誤差) | 予測と実績の差の大きさを平均する | 個数のまま見られる。品目をまたいで比べにくい |
| MAPE(平均絶対誤差率) | 差を実績で割った割合を平均する | 実績が少ない品目で、割合が極端に大きくなる |
| WAPE(重み付き誤差率) | 差の合計を実績の合計で割る | 売れる品目の外れを重く見られる |
| バイアス | 予測が実績より多めか少なめかの偏り | 多めに偏ると在庫が増え、少なめだと欠品が増える |
品目の数が多い場合は、売れる品目の外れを重く見るWAPEと、多め・少なめの偏りを見るバイアスの2つを並べると、発注への影響をつかみやすくなります。
何%当たればよいかは、今の予測と比べて決める
「誤差10%以内」のような数字だけの目標は、品目や業種で難しさが大きく違います。判断の基準は、同じ期間・同じ品目で、担当者の今の予測とAIの予測のどちらが実績に近かったかです。過去のデータの一部を隠してAIに予測させ、担当者が実際に発注した数と並べて比べると、導入する前に効果の見込みを確かめられます。
発注の成果で見る指標
予測の精度が上がっても、在庫や欠品が改善しなければ意味がありません。予測の誤差とあわせて、次の数字を導入の前後で比べます。
| 指標 | 見ること |
|---|---|
| 欠品率 | 欠品した品目・日の割合が減ったか |
| 在庫日数 | 持っている在庫が何日分の販売にあたるかが短くなったか |
| 廃棄・値引きの量 | 売れ残りによる廃棄や値引きが減ったか |
| 発注にかけた時間 | 担当者が発注の数量を決める時間が減ったか |
予測が当たらない原因と精度の上げ方
精度が上がらないときは、原因ごとに手を打ちます。
| 原因 | 手の打ち方 |
|---|---|
| データの期間が短い・欠けている | 期間を延ばす。欠品や特売の印を付けて学ばせ直す |
| 売れ方の違う品目を一緒に予測している | ABC分析やぶれの大きさで品目を分け、手法を変える |
| 売れる数を動かす条件が入っていない | 天気・販促・行事など、担当者が見ている情報を加える |
| 予測の単位が細かすぎる | 日別を週別に、店舗別を全店に、のように単位をまとめる |
| 売れ方が変わったのに学び直していない | 月1回など、学び直しの時期を決めておく |
需要予測・在庫管理のAIツールと開発の選び方
AI需要予測の始め方は、Excel、汎用の予測ツール、在庫管理・発注向けのパッケージ、個別の開発の4つに分けられます。自社のデータと、予測の数をどこで使うかで選びます。
4つのやり方の違い
| やり方 | 向く会社 | 強み | 弱み |
|---|---|---|---|
| Excelの予測シート | まず自社のデータで試したい | 追加の費用がかからない | 品目ごとに作る手間。天気などの条件は入れにくい |
| 汎用の予測ツール (ノーコード) |
社内にデータを扱える担当者がいる | 品目をまとめて予測でき、条件も加えられる | 発注や在庫の仕組みとのつなぎ込みは自社で行う |
| 在庫管理・発注向けのパッケージ | 業種向けの製品が自社の業務に合う | 予測から発注までが1つの画面で済む | 業務を製品に合わせる必要がある |
| 個別の開発 | 既存のシステムとつなぎたい。品目や発注の決まりが独特 | 自社の発注の決まりや画面に合わせられる | 費用と期間がかかる。保守の体制が要る |
はじめての会社は、Excelか汎用の予測ツールで、自社のデータでどれだけ予測できるかを確かめ、効果が見えてから、パッケージか開発で発注の業務に組み込む順番が失敗しにくい進め方です。
ツールを選ぶときに確かめたい5つの点
| 確かめる点 | 中身 |
|---|---|
| データの取り込み | POS・販売管理・会計ソフトのデータを、手作業なしで取り込めるか |
| 予測の根拠 | どの条件が予測を動かしたかを、担当者が画面で確かめられるか |
| 現場での使いやすさ | 推奨の数量を担当者が直し、その結果を記録できるか |
| サポート | データの整え方や精度の検証まで相談できるか |
| 費用の総額 | 初期費用・月額に加え、学び直しや品目の追加の費用はいくらか |
無料の体験版や簡易的な検証で、自社のデータを入れて今の予測と比べてから契約するのが安全です。
AI需要予測・在庫管理の費用の目安
AI需要予測の費用は、やり方によって大きく変わります。一般的な目安は次のとおりです。
| やり方 | 初期費用 | 月額・年額 | 期間の目安 |
|---|---|---|---|
| Excelの予測シート | 0円 | Excelのライセンスの範囲 | 数日〜2週間 |
| 汎用の予測ツール(ノーコード) | 0〜50万円 | 年20万〜150万円 | 2週間〜2か月 |
| 在庫管理・発注向けのパッケージ | 50万〜300万円 | 月5万〜30万円 | 1〜3か月 |
| 個別の開発(検証) | 100万〜300万円 | — | 2〜3か月 |
| 個別の開発(本番) | 300万〜1,500万円 | 保守 月5万〜30万円 | 3〜6か月 |
公式に金額を公開している例では、Prediction Oneの個人利用プランが年額217,800円から(税込)です(出典:Prediction One 個人利用プラン)。需要予測の専用サービスは、UMWELTのように予測AIの機能でプランを分けたうえで金額は問い合わせとする製品や(出典:UMWELT 料金・サポート)、Deep Predictorのように初期費用と月額費用を個別に見積もるサービスが多くなっています(出典:Deep Predictor 料金・オプション)。
費用を左右する条件
同じやり方でも、予測する品目と店舗の数、予測の頻度(毎日か毎週か)、取り込むデータの種類、既存のシステムとのつなぎ込みの有無で金額が変わります。最初は書き出したCSVを取り込む形で始め、効果を確かめてから自動化すると、初期費用を抑えられます。
見落としやすい運用の費用
予測のモデルは、売れ方や品ぞろえの変化に合わせて学び直す必要があります。また、担当者がAIの数を確かめて直す時間、新しい品目を登録する時間、予測と実績の差を見直す時間がかかります。ツールの費用だけでなく、月にかかる担当者の時間も含めて、3年の総額で比べましょう。
AI需要予測の導入の進め方6ステップ
AI需要予測は、小さく試して効果を確かめてから広げるのが基本です。導入の流れは次の6つのステップです。
予測で解決したいことを数字で決める
欠品率・在庫日数・廃棄の量・発注の時間のうち、何をどこまで良くしたいかを決め、今の数字を測ります。
対象の業務と品目を絞る
最初に任せる業務の4つの条件で業務を1つ選び、ABC分析で対象の品目を絞ります。
データを書き出して点検する
販売実績・品目の情報・在庫の記録を書き出し、期間、欠品の扱い、コードの変更、日付の抜けを確かめて直します。
過去のデータで今の予測と比べる
過去の一定の期間をAIに予測させ、担当者が実際に発注した数と、どちらが実績に近かったかを比べます。
担当者の確認を挟んで並行で運用する
1〜2か月、AIの推奨の数量を担当者が確かめて直しながら発注し、欠品率や在庫日数の変化を記録します。
対象を広げ、学び直しの時期を決める
効果が確かめられたら品目や店舗を広げ、システムとのつなぎ込みと学び直しの時期を決めます。
4つ目のステップで今の予測を上回らなければ、データを足すか、対象の品目を変えて試し直します。検証の合否の決め方は AI PoCの進め方 も参考にしてください。
AIBUILDERZが需要予測の相談で行う手順と判断
AIBUILDERZでは、需要予測や発注の相談を受けたとき、ツールを選ぶ前に、今の業務とデータを棚卸しします。実際に確かめている項目と、AIを勧めない場合の判断を紹介します。
業務とデータの棚卸しで確かめる項目
| 項目 | 確かめること |
|---|---|
| 今の決め方 | 誰が、何を見て、どの頻度で発注の数量を決めているか |
| かかっている時間 | 1回の発注と、月あたりにかけている時間 |
| 困りごとの大きさ | 欠品・過剰在庫・廃棄が、どの品目でどれだけ起きているか |
| データの場所 | 販売・在庫・発注の記録が、どのシステムに何年分あるか |
| 品目の数と入れ替わり | 扱う品目の数と、新商品・終売の多さ |
| 発注の決まり | 最小の発注単位、仕入れにかかる日数、締めの時刻 |
最初に任せる業務の決め方
棚卸しの結果から、発注の回数が多く、データが2年分前後そろい、欠品や廃棄の損が測れている業務を1つ選びます。AIの数をそのまま発注に使うのは、担当者が確かめて直す並行の運用で、精度と現場の納得の両方が確かめられてからです。
AIを勧めない場合
次のような場合は、AIの需要予測より先に、別のやり方を勧めています。
| 状況 | 勧めること |
|---|---|
| 販売実績が1年分に満たない | 同じ形でデータをためながら、発注点を決めて運用する |
| 扱う品目が少なく、発注が月に数回で済む | Excelの予測シートと発注点の表で十分なことが多い |
| 新商品・一点物が中心で、くり返し売れる品目が少ない | 予測より、仕入れの量と値引きの決まりを整える |
| 在庫の数が正しく数えられていない | 予測の前に、在庫の記録と棚卸の仕組みを直す |
AIの需要予測が効くのは、くり返し売れる品目が多く、そのデータが残っている業務です。条件がそろわない段階で大きな開発を始めないことも、支援の大事な判断です。
需要予測・在庫管理のAIツール5選
ここからは、需要予測と在庫管理に使えるツールを紹介します。無料で試せるExcelから、予測専用のツール、在庫の数を自動で数える仕組みまで、始め方の違うものを選びました。
PR|AIBUILDERZ AI導入支援サービス
PR
AIBUILDERZ|AI導入支援サービス
システム構築は成果報酬型。AI研修から導入・構築・定着まで一気通貫で支援

AI研修からシステムの導入・構築・定着まで、一気通貫で支援するサービスです。業務アプリの構築費は事前にいただかず、実際に稼働させ、効果をご確認いただいてからお支払いが始まります。成果報酬型での対応は、当社が小規模と定義するシステムが対象です。
- 業種・規模を問わず支援どの業務からAIやシステムに置き換えるかを一緒に決め、効果の大きい業務から順に進めます。
- システム構築は成果報酬型業務アプリの構築費は事前にいただきません。稼働させ、効果をご確認いただいてからお支払いが始まります。
- AI導入の効果を可視化置き換える業務を一覧にし、導入前後の時間から、空いた時間とかからなくなった費用を毎月記録します。
- 小さく始めて、リスクを管理影響の小さい業務から始め、AIの実行結果は担当者が確認・承認してから反映します。
掲載の基準
本記事では、次の基準で製品を選び、各社の公式サイトに書かれている内容だけで紹介しています。
- 需要予測、在庫管理、発注のいずれかの機能を、公式サイトで案内している
- 中小企業が自社のデータで試せる形(無料の体験・検証の支援など)がある
- Excel、予測ツール、運用サービス、在庫の計測の仕組みと、始め方の違うものが入るように選んだ
料金は、公式サイトに金額が載っているものだけを記載し、載っていないプランは「記載なし(直接お問い合わせください)」としています。掲載の順番は順位ではありません。
5製品の料金の比較一覧
料金は、各社の公式サイトに載っている金額です。税と契約期間の条件は製品ごとに違うため、1製品ずつの表で確かめてください。
| 製品名 | 種類 | 課金の形 | 料金 |
|---|---|---|---|
| PR AIBUILDERZ |
AI導入支援サービス(業務の整理・ツールの選定・構築・定着) | 稼働させ、効果を確認してから支払いが始まる | システム構築は成果報酬型(小規模のシステムが対象) |
| 01. Excel 予測シート | 表計算ソフトの予測機能 | Excel のライセンスに含まれる | Excel のライセンスの範囲(追加の料金なし) |
| 02. Prediction One | ノーコードの予測分析ツール | 年額のライセンス(個人利用プラン)。法人プランは問い合わせ | 個人利用プラン 217,800円〜/年(税込)。法人プランは記載なし |
| 03. UMWELT | 需要予測・在庫管理向けのノーコードAI | S・M・L の3つのプラン | 記載なし(直接お問い合わせください) |
| 04. Deep Predictor | 予測AIの運用サービス | 初期費用+月額費用 | 記載なし(直接お問い合わせください) |
| 05. スマートマットクラウド | IoT重量計による在庫管理 | 記載なし(資料で案内) | 記載なし(直接お問い合わせください) |
料金を公開していない製品は、ツールを選ぶときに確かめたい5つの点 に沿って条件を確かめましょう。
01. Excel 予測シート|Microsoft
Excel の[データ]タブにある予測シートは、日付と数量の2列を選ぶだけで、過去の値の続きを予測し、表とグラフを新しいシートに作ります。計算には指数三重平滑法(ETS)が使われ、季節の周期も自動で見つけます。品目ごとに1つずつ作る手間はかかりますが、AIのツールを入れる前に、自社のデータでどこまで予測できるかを確かめる道具として向いています。
| 強み | 手元の販売実績から、追加の費用をかけずに最初の予測を作れる |
| 種類 | 表計算ソフトの予測機能 |
| 主な機能 | 予測シートの作成、FORECAST.ETS 関数、予測値の上限・下限の表示 |
| 課金の形 | Excel のライセンスに含まれる |
| 料金 | Excel のライセンスの範囲で使える(追加の料金なし) |
| 使える版 | Windows 版の Microsoft 365・Excel 2024・Excel 2021 |
| データの条件 | 日付が一定の間隔で並んでいること。欠けは30%まで |
| 公式サイト | Excel 予測シート |
02. Prediction One|ソニーネットワークコミュニケーションズ

Prediction One は、表形式のデータを読み込むと、予測モデルの作成から精度の確認までを自動で行うツールです。時系列予測にも対応しており、販売数や出荷量の予測に使えます。デスクトップ版は社外にデータを送らずに使えるため、販売データを外に出したくない会社でも試しやすい製品です。
| 強み | 専門知識がなくても、表のデータから予測モデルを自動で作れる |
| 種類 | ノーコードの予測分析ツール |
| 主な機能 | 数値予測・時系列予測・分類、データ加工、クラウド版とデスクトップ版 |
| 課金の形 | 年額のライセンス(個人利用プラン)。法人プランは問い合わせ |
| 個人利用プラン | 217,800円〜/年(税込)。支払いはクレジットカードのみ |
| 法人プラン | 記載なし(直接お問い合わせください) |
| 無料体験 | 14日間。有料版へ自動では移らない |
| 公式サイト | Prediction One |
03. UMWELT|TRYETING

UMWELT は、日付・品番・数量のデータがあれば、品番ごとに日・週・月の単位で需要を予測できるノーコードのAIです。標準的な安全在庫の計算機能があり、予測から在庫の基準づくりまでを続けて行えます。公式サイトでは、利用の9割以上が需要予測・在庫管理と案内されています。
| 強み | 需要予測と安全在庫の計算を、同じ画面でつなげて使える |
| 種類 | 需要予測・在庫管理向けのノーコードAI |
| 主な機能 | 品番・日・週・月ごとの需要予測、安全在庫計算、生産計画の最適化 |
| 課金の形 | S・M・L の3つのプラン |
| 料金 | 記載なし(直接お問い合わせください) |
| プラン | S(予測AIの基本機能)・M(最適化AI・外部連携)・L(全社向け) |
| 支援 | データの前処理や精度の検証、簡易的なPoCの支援がある |
| 公式サイト | UMWELT |
04. Deep Predictor|AI CROSS
Deep Predictor は、手元のデータに気象・カレンダー・人口統計などの外部の情報を組み合わせて、販売量や来客数、発注量を予測するサービスです。初期費用に初期モデルの構築が含まれ、導入後も専任の担当が活用と改善を支援します。料金は、予測する対象やデータ量、予測の頻度で個別に見積もる形です。
| 強み | 気象・カレンダーなどの外部の情報も取り込み、専任の担当が伴走する |
| 種類 | 予測AIの運用サービス |
| 主な機能 | 販売量・来客数・在庫・出荷量・発注量の予測、外部データの連携 |
| 課金の形 | 初期費用+月額費用 |
| 料金 | 記載なし(直接お問い合わせください) |
| 初期費用の中身 | 環境の構築、利用手順の説明、初期モデルの構築 |
| オプション | 気象・経済・ECモールの販売データなどを自動で取り込む |
| 公式サイト | Deep Predictor |
05. スマートマットクラウド|エスマット

スマートマットクラウドは、IoT重量計の上に在庫を置いておくと、重さから個数を数えて記録するサービスです。棚卸や在庫の確認を自動にし、決めた量を下回ったら発注につなげられます。需要予測より手前の「正しい在庫数がわからない」を解決したい会社に向いています。
| 強み | 重さで在庫の数を数え、棚卸と発注の手間を減らせる |
| 種類 | IoT重量計による在庫管理 |
| 主な機能 | 在庫の自動計測、在庫の記録、発注の自動化、在庫最適化のAIエージェント |
| 課金の形 | 記載なし(資料で案内) |
| 料金 | 記載なし(直接お問い合わせください) |
| 仕組み | IoT重量計の上に在庫を置き、重さから個数を数える |
| 向く在庫 | 部品・消耗品・薬品・アメニティなど |
| 公式サイト | スマートマットクラウド |
AI需要予測に関するよくある質問
AI需要予測・在庫管理・発注について、よく聞かれる質問に答えます。
Q. AI需要予測は、無料で始められますか?
Q. 販売データが少なくても、AIで需要予測できますか?
Q. AI発注を入れると、担当者は要らなくなりますか?
Q. 新商品の需要も予測できますか?
まとめ
AI需要予測は、ツールを選ぶ前に、任せる業務とデータを決めることで成果が変わります。最後に、本記事のポイントを振り返ります。
