みんなが大好きなゲームの新作が発売される日、お店には長い行列ができたり、逆に棚に残ったまんまだったり…なんて経験ありませんか？実は、お店の人たちはこういう「どのくらい売れるか」を事前に予想しようと必死に頑張っているんです。その予想を「需要予測」といって、お店だけじゃなく工場、レストラン、病院など、いろんなところで使われています。この記事を読めば、世の中がどうやって「これからどうなるか」を予測して動いているのか、その秘密がわかるようになっちゃいますよ。
- 需要予測は、これからどのくらい売れるかを事前に予想することで、ビジネスを上手く回すために欠かせません。
- 過去のデータ、天気、季節、トレンドなどいろんな情報を組み合わせて、コンピュータが計算して予測します。
- 売れすぎで在庫が余ったり、売れなくて品切れになったりするのを防ぐため、ちょうどいい量を用意する戦略です。
もうちょっと詳しく
需要予測が重要になった理由は、現代のビジネスが複雑になってきたからなんです。昔の小さなお店なら、店主が経験で「今月はこのくらい売れるな」って判断できました。でも今は、扱う商品の種類が増えて、全国から仕入れて、全国に売る。そうなると、勘だけじゃ対応できないんですよ。だから、データを集めて、数字で「これだけ売れるはず」って予測する必要が出てきたんです。これをデータドリブン（つまり、データに基づいた判断）っていいます。
需要予測は「おそらくこのくらい」という確率的な予測です。100%当たることはないけど、外れた時の対策も一緒に考えるのが大事。
⚠️ よくある勘違い
→ 実際には統計や過去のパターンから「だいたいこのくらい」という予想なので、必ず100%当たるわけじゃありません。だから外れた時の対応策も一緒に用意しておくんです。
→ 数学やコンピュータを使った根拠のある予想なので、勘よりは正確。でも完璧じゃないから、予測の結果を見ながら柔軟に調整していくんです。
[toc]
どうして需要予測が必要なの？
お店が困ることって何？
想像してみてください。みんながほしい新作ゲームがあるって聞いたら、お店の人たちは大変です。「いったい何個用意すればいいんだろう…」って悩むんです。もし100個用意したけど、実際には1000人が買いに来たら、99%のお客さんに「売り切れです」って言わなきゃいけない。そんなことになったら、せっかくのお客さんを失っちゃいますよね。逆に1000個用意したのに、10個しか売れなかったら？残った990個を保管しておくのにお金がかかるし、そのうち流行遅れになっちゃうかもしれません。
これがビジネスの難しいところなんです。需要予測がなかったら、お店の人たちは毎日「あ、今日はどのくらい用意すればいいのかな…」ってドキドキしながら仕事をしなきゃいけないんですよ。いや、実際は今でもドキドキしてますが、少なくともデータに基づいた予測があれば、その不安を減らせるわけです。
工場や製造会社だと特に大事
お店よりもっと大変なのが、工場や製造会社です。たとえば、スマートフォンを作ってる工場を想像してください。新しいスマートフォンを発売するなら、何百万個も作る必要があります。でもどのくらい作ればいいのか、全然わかんないですよね。少なすぎたら、欲しい人がいっぱいいるのに作れない。多すぎたら、何万個もの不良在庫（売れ残った商品）を抱えることになります。不良在庫は倉庫に置いておくだけでお金がかかるし、最悪の場合はゴミになっちゃうかもしれません。
だからこそ、スマートフォンの製造会社は過去の販売データを徹底的に分析して、「今回の新商品は、このモデルなら300万個売れるだろう」って予測するんです。その予測の精度が1%違うと、経営に大きな影響が出ちゃう。だから、最新のAIを使ったり、複数の方法で検証したりして、なるべく正確に予測しようとするんですよ。
結局は「お金と時間」の問題
ビジネスっていうのは、お金と時間の戦いなんです。在庫がありすぎたら、保管料がかかるし、従業員が整理するのに時間がかかります。在庫が足りなかったら、チャンスを逃して売上が減ります。どちらにしても損しちゃう。だから、需要予測があれば「ちょうどいい量」を作れて、お金も時間も無駄にしなくて済むってわけです。
みんなが大事にしてるお金。その無駄を減らすために、需要予測は本当に大切な存在なんですよ。
需要予測はどうやって行うの？
データを集めるのが第一歩
需要予測を始める前に、まずはデータを集めることが必要です。データっていうのは、過去に「何がいつどのくらい売れたか」という記録のこと。たとえば、コンビニなら「去年の4月25日、アイスが150個売れた」「去年の4月26日、アイスが120個売れた」という感じで、毎日の売上記録を集めるんです。
このデータがあれば、「あ、春になるとアイスの売上が増えるな」「金曜日は土曜日より20%多く売れるな」っていうパターンが見えてきます。パターンが見えると「今年の4月25日も、きっと150個くらい売れるだろう」って予測できるわけです。
いろんな情報を組み合わせる
でも、過去の売上データだけじゃ十分じゃないんです。なぜなら、いろんな条件によって売上は変わっちゃうから。たとえば：
- 季節：夏はアイスが売れるけど、冬は温かい飲み物が売れる
- 天気：晴れの日は外出する人が増えるから、駅前のお店では売上が増える
- トレンド：推し活が流行ってるなら、グッズが売れる。流行が終わると売上は減る
- イベント：ゴールデンウィークやお正月は、普段より売上が変わる
- 競争相手：隣に新しいお店がオープンしたら、お客さんが流れるかもしれない
こういういろんな要因を考慮して、「今年の4月25日の売上は、過去の平均からこのくらい増えるだろう」って計算していくんです。これを多変量分析（つまり、いっぱい変数を使った分析）って言うんですけど、今はコンピュータが自動でやってくれます。
機械学習やAIを使った予測
最近は機械学習（つまり、コンピュータが自分でパターンを学ぶ技術）が使われるようになってきました。昔は人間が「こういう要因が売上に影響するはず」と思って、手作業で計算していました。でも機械学習なら、コンピュータが自動で「あ、この条件の時はこういうパターンだ」って学習するんです。
たとえば、「気温が25度以上で、金曜日で、天気が晴れで、TwitterでのつぶやきがX件以上」みたいな複雑な条件の組み合わせでも、機械学習なら「この条件の時は売上が30%増える」ってしっかり学習できます。人間が手作業でやったら、時間がかかりすぎて大変ですもんね。
需要予測で使われるデータって何？
基本は「過去の販売データ」
需要予測の基本になるデータは、やっぱり過去の販売データです。「どの商品が、いつ、どのくらい売れたか」という記録ですね。これが一番信頼できるデータなんです。だって、実際に起こったことだから。
でも、ここで注意が必要です。たとえば、新商品を出すときは「過去の販売データがない」んですよ。「どのくらい売れるか全然わかんない」ってなっちゃう。そういう時は、似た商品の過去のデータを参考にしたり、市場調査をしたり、いろんな工夫をして予測するんです。
外部データも大事
販売データだけじゃ足りません。だから企業は、いろんな外部データを集めています：
- 天気データ：気温、降水量、湿度など。飲料や衣類の売上に大きく影響します
- SNSデータ：Twitter、TikTok、Instagramで「この商品について」どのくらいつぶやかれてるか。バズってる商品は売上が増える傾向があります
- 経済指標：失業率、給料、消費者心理指数など。景気がいいと、人は高い商品をたくさん買います
- 競合他社の情報：ライバル店の価格変更や新商品情報。これがあると、お客さんがどっちに流れるか予測できます
- 季節データ：何月かによる季節的な変動。「春になるとウキウキして買う傾向がある」みたいなパターン
これらのデータを全部組み合わせると、本当に複雑な計算になります。だから今は、ビッグデータ（つまり、膨大なデータ）を処理できるコンピュータと、それを分析するAIが活躍してるんですよ。
データの「質」も大事
ただし、データが多いだけじゃダメなんです。「質」も重要です。たとえば、古いデータは役に立たないことが多いです。5年前のデータで今の売上を予測しようと思っても、その間にトレンドが変わってるから、きっと外れちゃう。だから、需要予測をする時は「この情報は信頼できるか」「これは今の状況に合ってるか」って慎重に判断するんです。
実際の生活の中での需要予測
コンビニはどうやってるの？
みんなが毎日使うコンビニって、実は需要予測の宝庫なんです。コンビニの本社には、毎日全国の何千店舗からのデータが集まってきます。「今日の東京の気温は25度だから、飲料をこのくらい各店に送ろう」「明日の天気は雨だから、傘をいっぱい用意しよう」みたいなことを、コンピュータが自動で計算するんです。
さらに細かく言うと、「この店舗は駅前だから、朝8時に飲料をいっぱい届けよう」「この店舗は住宅地だから、晩御飯の時間に弁当をいっぱい用意しよう」みたいな、店舗ごとの個性も考慮しているんですよ。だから、いつ来ても欲しいものが売ってるんです。
牛丼チェーン店の例
牛丼屋さんを想像してみてください。朝は通勤客で混む。昼は仕事中の人で混む。夜は大学生や帰宅客で混む。でも時間帯によって「誰が」「何を」「どのくらい」買うかは全然違うんです。朝は「つゆだくで、コーヒー」みたいなセットが売れるし、昼は「並盛りの牛丼」がいっぱい売れる。
だから牛丼屋さんは、時間帯ごとに売上を予測して、いつ、どの材料をどのくらい用意するかを決めてるんです。材料の鮮度が大事だから「ちょうどいい量」が本当に重要。もし予測を外して「今昼時に牛が足りない！」なんてことになったら、せっかくのお客さんをがっかりさせちゃいますもんね。
ファストファッションの例
H&Mとかユニクロみたいなファストファッション業界でも、需要予測は超大事です。洋服は季節によって、売れるサイズや色が全く違うんです。冬なら「黒いニット」「M サイズ」がいっぱい売れるかもしれないけど、春になると「白いカットソー」「S サイズ」が売れるようになる。
だから、企業は半年単位で「この時期はこの色のこのアイテムがこのくらい売れるだろう」って予測して、工場に発注するんです。予測がハズレて春なのに冬物がいっぱい残ったら、セール価格で投げ売りするしかなくなって、儲からなくなっちゃう。だから、企業は必死に予測の精度を上げようとしてるんですよ。
オンラインショップの予測
Amazonとかメルカリみたいなオンラインショップでも、需要予測は超重要です。ここで活躍するのがレコメンデーション（つまり、あなたに合った商品をおすすめする技術）です。「あなたは以前このジャンルの商品を買ってたから、きっとこんなのも欲しいだろう」って、AIが予測するんです。
これによって、お店側は「この顧客はこの商品を欲しがる確率が高い」って予測できるから、その商品をいっぱい用意しておく。だから、あなたが欲しい商品が「ちょうどあった！」みたいなことが起こるんですよ。実は、お店が必死に予測してくれているおかげで、みんなが快適に買い物できるわけなんです。
需要予測が外れたらどうなる？
予測が「少なすぎた」場合
もし企業が「この商品は100個売れるだろう」って予測したのに、実際には1000個売れちゃったら、どうなると思いますか？「在庫不足」って言う状況になるんです。つまり、欲しい人がいるのに「売り切れです」って断らなきゃいけない。
これは企業にとって最高のシナリオに見えるかもしれないけど、実は結構な損失なんです。なぜなら：
- 売上を逃す：本当は1000個売れたはずだから、900個分の儲けをもらい損ねる
- お客さんの不信：「品切れかよ」って怒ったお客さんが、ライバル店に行っちゃう
- 急いで増産：急いで作ろうとすると、通常より製造コストが高くなる
だから「いっぱい売れるほうがいい」とは限らないんですよ。
予測が「多すぎた」場合
逆に「この商品は1000個売れるだろう」って予測したのに、実際には100個しか売れなかったら？今度は在庫過剰（在庫がありすぎる状態）になっちゃう。
- 保管料がかかる：900個を倉庫に置いておくのに、お金がかかる
- 商品が古くなる：特に食品や流行ものは「売れずに残る」=「賞味期限が来る」「流行遅れになる」になっちゃう
- セール価格：いつまでも売れないから、最終的に半額とか3割引きで投げ売りするしかない
- 企業の儲けが減る：せっかく作ったのに、安く売ることになって、儲けが激減する
実は、大きな企業でも、これで失敗することがあります。たとえば、新作ゲームを予想外に多く作ってしまったら、何万本も売れ残ることもあります。これは本当に企業に大ダメージなんですよ。
予測が外れる理由
それでは、どうして予測が外れちゃうんでしょう？理由はいくつかあります：
- 予期しない出来事：有名人がテレビで紹介したから急に売れた、とか、疫病で外出できなくなった、とか
- モデルの限界：機械学習を使ってても、完全には学習できてない場合がある
- データの古さ：使ったデータが古すぎて、今の状況と違ってた
- 仮定の違い：「気温が25度なら、アイスが150個売れる」と仮定してたけど、その日はたまたま雨で外出者が少なかった、みたいなケース
つまり、需要予測は完璧ではないんです。だから大事な企業は「予測が外れた時の対応」も一緒に考えてるんですよ。
外れた予測に対応する工夫
だからこそ、企業は予測の外れに強い仕組みを作ってます：
- 安全在庫：予測の外れに備えて、ちょっと多めに用意しておく
- 迅速な増産・減産体制：「あ、予測と違う売れ方してるな」って気づいたら、すぐに調整できる仕組み
- 複数の予測モデル：1つの方法じゃなくて、複数の方法で予測して、誤差を減らす
- 定期的な見直し：毎週「実際の売上と予測がどう違ったか」をチェックして、モデルを修正する
こういう工夫があるから、企業は「完璧じゃない予測」でも、ビジネスを上手に回せるんです。つまり、需要予測は「最初の判断」に過ぎなくて、そのあとの「調整」が本当に大事なんですよ。