1「AIで在庫を最適化」が現場で死ぬ理由
「AI在庫予測」「機械学習で需要予測」――ここ数年、SaaSベンダーの提案資料で必ず出てくる言葉です。ところが、実際に中規模EC（年商1〜30億円規模）で導入すると、3か月で運用が止まるケースが本当に多い。
原因は「AIの精度が悪い」のではありません。ECの在庫データはAIが得意な形をしていない、ということなんです。この記事では、ProphetやLSTMといった代表的なモデルを実際に動かした上で、なぜ中規模ECで失敗しやすいのか、その5つの構造的な理由を整理します。
この記事でわかること
- AI在庫予測が中規模ECで失敗する5つの構造的理由
- Prophet・LSTM・XGBoostの得意分野と限界
- 機械学習に向かないSKUの見分け方
- ヒューリスティック + AIのハイブリッド運用案
2失敗理由①：コールドスタート ― 新商品が常に来る
機械学習による需要予測モデルは、過去データから未来を予測する仕組みです。これは裏を返すと、過去データがないSKUは予測できないということ。
製造業の在庫予測なら、製品ライフサイクルが年単位で、新商品の比率は低い。一方ECは違います。
| 業界 | 新商品比率（年間） | 1SKUあたりの平均販売期間 | AI予測との相性 |
|---|---|---|---|
| 食品メーカー | 10〜20% | 3〜10年 | ◎ データが豊富 |
| 家電メーカー | 20〜30% | 1〜3年 | ○ 機種互換性で代用可 |
| アパレルEC | 60〜80% | 3〜6か月 | × 予測対象がほぼ新商品 |
| 雑貨セレクトEC | 40〜70% | 6か月〜2年 | △ 半数が予測不能 |
「AIが学習する頃には販売が終わっている」問題
シーズン商品やトレンド商品では、データが溜まる3か月後にはもう販売の山を越えていることが珍しくありません。AIが「学習できた」と判断する頃には、その商品はもう発注対象ではない。これがコールドスタート問題のEC版です。
解決策としてよくあるのが「商品カテゴリの平均で代用」「類似商品の販売実績で代用」ですが、これは結局人間の経験ルールであり、AIである必要がありません。
3失敗理由②：販促ノイズ ― クーポンとモール広告で需要が歪む
ECの販売数データには、需要の純粋なシグナルが乗っていません。実際の販売数は、こういう式で表せます。
販売数 = f(
真の需要, ← AIで予測したいのはコレ
モール広告露出, ← RPP・スポンサー広告の出稿量
クーポン, ← 5%OFF・1,000円引きなど
モール内施策, ← お買い物マラソン・スーパーSALE
検索順位変動, ← モール側のアルゴリズム変更
レビュー件数, ← 自然増減
競合価格 ← 他店の値下げ・在庫切れ
)つまり、過去の販売数を学習させても、AIが学んでいるのは「需要 × その時の販促状況」の積です。販促を打たない月の予測値は使えないし、販促を打った前提の予測値も、今期同じ販促を打たない限り当たりません。
「広告止めたらピタッと売れなくなった」現象
RPPやAmazonスポンサー広告を回している商品は、広告流入が販売の50〜80%を占めることもあります。広告予算を絞った月の販売数を「需要が落ちた」とAIに学習させると、翌月の予測値が悲惨なことになります。説明変数として広告費を入れない需要予測モデルは、ECでは欠陥品です。
4失敗理由③：SKU入替で学習データが消える
ECでは、同じ商品がSKUコードを変えて再販売されることが日常的に起きます。
- カラー追加で品番末尾が変わる（旧:
ITEM-001→ 新:ITEM-001-BK） - パッケージリニューアルでJANが切り替わる
- メーカー型番変更でSKUを発番し直す
- セット販売で新SKU化（単品 + 単品 = セットSKU）
人間の運用上は「同じ商品の続き」と認識していても、AIから見れば全くの別商品です。学習データはリセットされ、また①のコールドスタートに戻ります。
SKU設計が需要予測の精度を決める
需要予測の精度を上げたければ、まずSKU設計の見直しが先。バリエーション軸（色・サイズ）と商品軸（型番）を明確に分け、メタ商品IDで束ねる構造が必要です。在庫予測SaaSを入れる前に、自社のSKU体系がそれに耐えられるかを確認してください。詳しくはSKU設計のルールでも触れています。
5失敗理由④：モール在庫の「無制限」「予約販売」「セット商品」
製造業のSCMで使う需要予測モデルは、「在庫が正の整数」「販売は離散イベント」「リードタイムは固定」という前提に立っています。EC、特にモール販売はこの前提が崩れまくります。
| ECの実態 | 機械学習モデルの前提 | 何が起きるか |
|---|---|---|
| 「在庫無制限」設定（受注後手配） | 在庫は有限 | 欠品ゼロ＝需要無限 と誤学習 |
| 予約販売（発売3か月前から受注） | 受注 = 発送 | 受注集中日を需要ピークと誤認 |
| セット商品（複数SKUを1商品化） | 1SKU = 1需要 | 構成SKUの需要が見えない |
| マルチ倉庫・複数モール | 単一在庫プール | 欠品判定が倉庫間で食い違う |
| モール側の在庫表示丸め（10個以上は「在庫あり」表示） | 正確な在庫数 | 競合の在庫減リスクを検知できない |
これらは「データクレンジングで前処理」と言われがちですが、現実には全SKU・全モールについてこの処理を維持運用するコストが、AI導入のメリットを上回ります。
6失敗理由⑤：外れ値（=セール）を学習させてしまう
機械学習モデルの真面目すぎる弱点が、これです。「お買い物マラソンで200個売れた日」を、AIは普通の販売ピークとして学習します。
結果、こういう予測が出ます。
10〜30個/日
200個/日（外れ値）
「来月の同じ週は需要↑」
マラソンがない月に在庫が膨らむ
Prophetのような季節性に強いモデルほど、これに引っかかりやすい。「楽天スーパーSALE」「Amazonプライムデー」「お買い物マラソン」をカレンダー特徴量として外部から与える必要がありますが、当然これはモール側の都合で変動するため、運用が破綻していきます。
外れ値処理の運用コスト
真面目にやるなら、過去のモールキャンペーン日程を全部マスタ化して、特徴量として与え続ける必要があります。スーパーSALEの日程は毎年微妙にずれますし、新しいキャンペーンも追加されます。この「カレンダー保守」の運用工数を、AI予測の精度向上が回収できるかは、本気で検討する価値があります。
7では中規模ECは何を使えばいいのか
ここまで読むと「AIは無理」という結論に見えますが、そうではありません。使い分けが必要なだけです。
SKUを3グループに分ける
| グループ | 定義 | 採用すべき手法 |
|---|---|---|
| A. 定番SKU | 2年以上販売、月次10件以上、季節性安定 | AI予測が活きる（Prophet等） |
| B. 中位SKU | 販売6か月〜2年、波がある | 移動平均 + 安全在庫のシンプルなルール |
| C. 新商品・短命SKU | 販売6か月未満、シーズン物 | 人間の経験 + 類似商品ベンチマーク |
多くの中規模ECでは、A群はSKU数の20%程度。残り80%はB・C群で、ここに機械学習を当てても回収できません。パレートの法則を逆手に取って、AIはA群だけに使うのが現実解です。
ヒューリスティック + AIのハイブリッド構成
毎月見直し
Prophet等
移動平均 + α
類似品比較
仕組みとしては地味ですが、これが運用が続く構成です。「全SKUをAIで」と謳うSaaSの導入失敗を何度も見てきましたが、根本原因はだいたいこの群分けをサボっていることに行き着きます。
8AI予測ツールを選ぶときのチェックリスト
それでもAI在庫予測SaaSを入れる場合、デモで確認すべき項目は以下です。
導入前チェックリスト
- 新商品（販売実績ゼロ）の初回予測がどう出るか
- セット商品・予約販売の扱いがマスタで設定可能か
- モール広告費・クーポンを説明変数として入力できるか
- 「楽天スーパーSALE」「Amazonプライムデー」を外れ値除外できるか
- SKU入替（旧→新）の履歴引き継ぎが可能か
- 予測精度のレポートが「外れ値除外後」と「実販売ベース」両方で出るか
- 運用開始から精度が安定するまでの期間のSLA
このうち3つ以上「未対応」または「次期バージョンで対応予定」と返ってきたら、導入は見送って構いません。
9まとめ：AIは万能ではなく「適材適所」
AI在庫予測がECで失敗する5つの理由を整理しました。
この記事のまとめ
- コールドスタート ―― ECは新商品比率が高く、過去データが足りない
- 販促ノイズ ―― 広告・クーポンを説明変数に入れないモデルは欠陥
- SKU入替 ―― マスタ設計を直さないと学習が継続しない
- モール在庫の特殊性 ―― 無制限・予約・セット・マルチ倉庫が前提崩壊
- 外れ値学習 ―― セールを需要として覚えてしまう
- 解決策はSKUを3群に分けて、AIは定番だけに使うハイブリッド
「AIで在庫を全自動」という売り文句は、製造業のSCM文脈ならまだしも、中規模ECには合いません。AIに任せる業務を間違えないこと、これがEC × AIのまず一歩です。
自社のSKU群分け、AI予測SaaSの選定、ヒューリスティックルールの設計など、現場目線でのご相談はお気軽にどうぞ。