見込み生産の精度を上げるための需要予測の方法とは？精度より先に直すべき3つの仕組み

見込み生産（MTS：Make to Stock）とは、需要予測に基づいて受注前に製品を先行生産し、在庫として保有する方式です。顧客の注文が入る前に生産量を決めなければならないため、需要予測は生産計画の唯一の根拠になります。見込み生産における需要予測は、精度を高めること以上に、計画と実績の乖離を可視化し、部門間の意思決定を支える共通言語として機能することが求められます。

しかし、需要予測の精度を改善しても過剰在庫と欠品が繰り返されるという状況は、現場で起きやすい問題です。その背景には以下3つの課題があります。

1. 品目ごとの安全在庫設計が機能していない
2. 営業の強気計画が精査されないまま生産量に反映される
3. 予測が外れたときのリカバリ手順が整備されていない

確かに精度の追求は必要条件ですが、それだけでは在庫問題の根本解決にはなりません。

本記事では、見込み生産における需要予測の役割と代表的な手法の選び方から、予測が外れ続ける典型的な失敗パターン、そして精度改善を実際の在庫削減につなげるための安全在庫設計・PSI連携・リカバリ体制のセット運用まで、実務の着手点を具体的に示します。　

見込み生産で需要予測はなぜ必要か？精度が低くても予測すべき理由

まず、見込み生産において需要予測がなぜ生産計画の根拠になるのかを整理します。見込み生産では、製品が売れるかどうかは売れてみないと分からない段階で生産量を決める必要があるため、その根拠となるのが需要予測です。需要予測なしに見込み生産の量を決めることは、根拠のない勘で在庫の多寡を決めることと同じになります。

ここで重要なのは、需要予測の目的が「100%当てること」ではないという点です。予測は必ず外れます。問題は外れることではなく、予測がなければ計画と実績のどこにズレが生じたかすら計測できず、改善サイクルが回らないことにあります。

見込み生産（MTS）と受注生産（MTO）における需要予測の違い

受注生産（MTO：Make to Order）は顧客から注文を受けてから生産を開始する方式であり、受注実績と顧客からの内示情報が生産量決定の主たる根拠です。需要予測は補助的なツールにとどまり、生産能力の概算確保や長期の資材調達計画に使う程度です。一方、見込み生産では需要予測が生産量決定の唯一の根拠となり、在庫リスクを生産者側が全面的に負う点でリスク構造も根本的に異なります。

比較項目	見込み生産（MTS）	受注生産（MTO）
生産タイミング	受注前に生産・在庫保有	受注後に生産開始
需要予測の位置づけ	生産量決定の唯一の根拠	能力確保・資材調達の補助情報
生産量決定の主なベース	需要予測	受注実績・顧客内示情報
在庫リスクの所在	生産者側（売れ残りと欠品の両リスク）	顧客側（過剰発注リスク）または分散
リードタイム	短い（在庫から即出荷）	長い（生産期間を含む）

受注生産においても、内示情報の管理や受注予測という形で需要予測は存在します。特に製造リードタイムが長い場合、内示段階での先行調達が必要になり、実質的に需要予測に近い意思決定が発生します。ただし受注確定後の修正機会があるぶん、見込み生産とは在庫リスクの性質が異なります。

需要予測が生産計画で果たす3つの機能

見込み生産における需要予測は、予測値の精度そのもの以上に、生産計画全体の仕組みを支える3つの機能を担っています。この機能が欠けると、予測精度を高めても在庫問題が解消しないという状況が生まれます。

1. 生産量の基準線を設定する

需要予測の第一の機能は、生産量決定の「出発点」を定めることです。見込み生産では、誰かが来月の生産量を数字で決めなければ工場が動きません。その数字の根拠が需要予測です。

予測値が完璧でなくても、基準線がなければ何を増減すべきかという議論が成立しません。「なんとなく多めに作る」という判断を続けると、担当者の肌感覚や過去の慣習が生産量を決定するようになり、在庫の水準が誰にも制御できない状態に陥ります。需要予測はその属人化を防ぐための構造的な土台です。

2. 計画と実績の乖離を早期に検知する

需要予測の第二の機能は、計画と実績の差を可視化して異常を早期に検知することです。予測値があるからこそ、「今月は予測より20%少ない」という乖離が数字として認識できます。乖離を認識できれば、生産量の調整・安全在庫の見直し・営業への情報照会といったリカバリアクションに入れます。

逆に言えば、予測がなければ実績との差を測る基準線がないため、在庫が積み上がっても「これが適正なのか異常なのか」が分かりません。精度が低い予測でも、「計画比70%しか売れていない」という事実は浮かび上がります。予測の価値は当てることではなく、乖離を見える化することにあります。

3. 営業・生産・在庫部門の共通言語になる

需要予測の第三の機能は、部門をまたぐ意思決定の共通言語を提供することです。営業部門は売上最大化、生産部門はコスト効率、在庫部門はキャッシュフロー最適化と、それぞれの部門最適が異なる方向を向きがちです。共通の予測データがなければ、各部門が別々の数字を持ち寄って議論する非効率が生じます。

製造業における在庫課題調査でも、販売計画精度の低さが36.2%の企業で課題として挙げられており（出典：日立ソリューションズ東日本「製造業における在庫にまつわる課題の動向調査」2016年）、部門間で合意された予測基準が存在しないことの影響が現場で広く認識されています。この数値が示すとおり、まず自社の部門間予測ギャップがどの程度かを定量的に測定し、乖離が大きい部門から共通予測データの参照ルールを整備することが改善の第一歩です。需要予測を全部門が参照する共通データとして運用することで、「営業計画と生産計画の乖離」という構造的な問題に対処できます。

なお、需要予測をExcelで管理している場合、担当者が異動・退職した際に予測ロジックや仮定条件がブラックボックス化するリスクも見落とせません。共通言語としての機能を継続させるには、予測プロセスの可視化と属人化の排除が前提になります。

見込み生産の需要予測はなぜ外れる？3つの失敗パターンと構造的原因

共通言語としての予測基盤を整えても、過剰在庫と欠品が繰り返される。この状況が続いているなら、問題は予測手法そのものではなく、その手法が機能できない運用構造に原因がある可能性が高いといえます。典型的な失敗は3つのパターンに集約され、それぞれ独立した組織的・データ的・運用的な問題として発生します。

自社がどのパターンに当てはまるかを確認しながら読み進めてください。

1. 営業の強気計画が生産計画を歪める

販売計画が生産計画に一方通行で流れる構造がある組織では、需要予測の精度改善が在庫削減に結びつきません。営業部門が立てた強気の販売目標が精査されないまま生産量の根拠になり、実需との乖離が慢性化するからです。

この問題の根にあるのは、部門間のKPIミスアラインメントです。営業部門が追うのはグロスの売上目標であり、個別品目の在庫水準には直接責任を負いません。そのため、強気の販売計画が外れて在庫が膨らんでも、営業側には危機意識が生まれにくく、生産量の修正が遅れます。

生産部門は積み上がった在庫を抱えながら次の生産指示を受け取るという悪循環が続くわけです。

診断の目安として、「営業の販売計画と実際の出荷実績を品目単位で定期的に突き合わせているか」を確認してください。この照合が月次でも行われていない場合、強気計画による過剰在庫が構造的に発生している状態です。

2. ロングテール品でデータ不足から統計モデルが機能しない

月に数個しか出荷されないロングテール品では、統計的な需要予測モデルに必要な学習データが根本的に不足します。移動平均や指数平滑法はある程度の出荷頻度と量があることを前提とした手法なので、ゼロ出荷の月が続くようなアイテムには正確な予測値を出せません。

その結果、担当者は統計モデルの出力を信用できず、「前年の出荷実績をそのまま使う」か「念のため安全在庫を厚めに設定する」という経験則に戻ります。前年踏襲は需要構造の変化を反映できないため欠品につながり、厚め安全在庫はスローモービング品の在庫膨張を招きます。精度改善に取り組むほどモデルと現場の乖離が拡大するというジレンマが生じるわけです。

ロングテール品は品目数が多く、在庫総額に占める比率は低くても管理コストと欠品リスクは決して小さくありません。この品目群に対して統計モデルと同じアプローチを取り続けることが、問題を長期化させます。

3. 安全在庫の一律設定が欠品と過剰在庫を同時に招く

安全在庫の計算式を知っていても、全品目に同じ安全係数を適用している場合、設計として機能していないと考えてください。安全在庫はリードタイムと需要変動の大きさに応じて品目ごとに決まるものであり、同じ係数を使えば変動が大きい品目では欠品が頻発し、変動が小さい品目では慢性的な過剰在庫が生まれます。

具体的な計算例で確認します。平均出荷量は異なるものの、リードタイム3日・調達期間1日という条件が同じ製品AとBがあるとします。製品Aでは需要の標準偏差が5個のとき安全在庫は20個になりますが、標準偏差が20個の製品Bでは同じ条件で安全在庫は80個に達します（出典：ビジネスエンジニアリング株式会社「在庫削減に効く需要予測による在庫管理」）。

4倍の差が生まれるのは予測精度の問題ではなく、需要変動の構造的な違いによるものです。

一律の安全係数を使っている限り、製品Aは過剰在庫、製品Bは欠品という状態が固定されます。どれだけ予測精度を上げても、安全在庫の設計が品目の変動特性に対応していなければ在庫水準は改善しません。

3つのパターンに共通しているのは、いずれも予測アルゴリズムの問題ではなく、組織の仕組みと運用の設計に起因しているという点です。さらに見落とされがちなリスクとして、経営層が予測精度だけを改善KPIとして設定した場合、導入初期に避けられない予測外れが「プロジェクト失敗」と判断され、取り組み自体が頓挫することがあります。精度至上主義の評価軸そのものを、早い段階で見直しておく必要があります。

なお、予測ロジックが個人に依存していたことで、担当者の異動時に精度急落と欠品・過剰在庫が同時に発生するケースは少なくありません。予測ロジックが担当者の頭の中だけに存在するブラックボックス状態は、日常業務の中では問題として浮上しにくく、担当者の異動が発生して初めて、予測精度の急落と欠品・過剰在庫の多発が同時に顕在化することが多いのです。

手法の精度を高める前に、予測の根拠と判断プロセスを組織として共有できる状態にすることが、属人化リスクを防ぐうえで先決です。

見込み生産の需要予測にはどんな手法があるか？統計モデルからAIまでの選び方

失敗パターンの背景を踏まえると、手法選択も品目特性に合わせて考える必要があります。需要予測の手法は多様ですが、高度な手法を使えば精度が上がるとは限りません。品目ごとの需要安定度と過去データの蓄積量に応じて手法を選ぶことが、精度向上の前提条件です。

以下では代表的な統計的手法とAI・機械学習を整理し、どの品目にどの手法が向いているかを実務視点で示します。

統計的手法の特徴（移動平均・指数平滑法・回帰分析）

見込み生産の現場で広く使われる統計的手法は、移動平均・指数平滑法・回帰分析の3つです。いずれも過去の販売実績を基にパターンを抽出するアプローチで、計算コストが低く、結果の根拠を説明しやすい点が特徴です。どの手法が合うかは、品目が持つ需要のパターンと外部要因の有無によって変わります。

手法名	概要	向いている品目	限界
移動平均	直近N期間の実績平均を次期予測値とする	需要変動が小さく季節性のない安定品	トレンド変化への追従が遅い。期間設定が恣意的になりやすい
指数平滑法	直近実績に重みを置きながら過去データを指数的に減衰させて予測する	緩やかなトレンドや季節変動を含む品目	急激な需要変動への対応は苦手。平滑係数の調整が必要
回帰分析	気温・イベント・価格など外部変数と需要の相関関係を定量化して予測する	外部要因との相関が明確な品目（飲料・季節商品など）	外部変数の選定・収集コストが高い。相関関係が崩れると精度が急落する

3手法のなかで最も導入ハードルが低いのは移動平均ですが、使える場面は需要が安定した品目に限られます。指数平滑法は汎用性が高く、多品種対応の起点として採用されることがあります。回帰分析は外部要因が明確に特定できている品目では精度が高まりますが、要因の収集・更新コストを運用として持続できるかどうかが判断の分かれ目です。

AI・機械学習による需要予測の位置づけと導入条件

AI導入に必要な前提条件は3つあります。第一に、モデルの学習に足りる量と品質の過去データです。品目単位で数年分の販売実績がなければ、モデルは有効なパターンを学習できません。

第二に、データの連続性と正確性で、欠損・誤記・SKU変更による断絶があると精度は著しく下がります。第三に、AIの出力を解釈して生産計画に落とし込む運用体制です。なお、製造業でのAI導入率は21.4%にとどまっており（出典：MMDLabo株式会社「製造業におけるAIの利用実態調査」2025年）、多くの現場では手法以前に体制面の整備が先決の課題です。

新製品など過去データがゼロの品目については、AIも統計モデルも単独では機能しません。そうした品目では、類似品の実績を代理データとして使うグループ予測や、市場規模の仮定を置いた類似品ベースの推定が現実的な代替手段です。

品目特性に応じた手法の使い分け基準

手法選択の軸は「需要の安定度」と「過去データの蓄積量」の2つです。この2軸で品目を4類型に分けると、各類型に向いている手法が絞り込まれます。

品目類型	特徴	適した手法	補足
需要安定品	変動係数が小さく季節性も低い	移動平均・指数平滑法	シンプルな手法で十分な精度が出る。高度な手法を使う必要はない
トレンド品	緩やかな増減トレンドや季節変動がある	指数平滑法（季節調整あり）・回帰分析	トレンド係数・季節指数を適切に設定できるかが精度を左右する
複雑パターン品	多変数が絡み合い、パターンが統計モデルで捉えにくい	AI・機械学習	十分な過去データと運用体制が揃っていることが前提
ロングテール品	月間出荷数が少なく、過去データが断片的	類似品グループ予測・前年踏襲＋安全在庫バッファ	統計モデル・AIともに学習データ不足で機能しないケースが多い

ロングテール品への統計モデルやAIの適用については、自社でも同じ壁にぶつかった経験があります。月に数個規模の品目にモデルを当てはめようとしたところ、学習に必要な過去データが揃わずモデルが正常に動作しませんでした。結果として前年踏襲と厚めの安全在庫という経験則に戻らざるを得ず、在庫膨張と欠品の同時発生がしばらく解消されない状況が続きました。

ロングテール品は手法の問題ではなく、データ量の問題として切り分けて対処することが必要です。

手法選択のもう一つの前提として、需要予測の精度には構造的な上限があります。実績との誤差を10%以下に抑えることは、特定の条件以外では非常に困難です（出典：株式会社電通総研「サプライチェーンの需要予測は人とAIが協力する時代へ」2023年）。どの手法を選んでも予測は外れます。

だからこそ、精度追求と並行して、予測が外れたときに在庫リスクを吸収できる安全在庫設計とリカバリ体制を整備することが、見込み生産の運用全体として不可欠です。

見込み生産の需要予測、精度改善だけで在庫は減らない？安全在庫設計と部門連携のセット運用

前章で触れたとおり、需要予測の精度を上げるだけでは、在庫削減の効果は出ません。精度改善と同時に、品目別の安全在庫設計・部門間PSI連携・予測外れ時のリカバリ体制の3つをセットで整備して初めて、予測の改善が在庫の削減に結びつきます。このセクションでは、その3つを順に実務レベルで解説します。

弊社の確認している情報では、品目横断で同一の安全在庫係数を設定して運用していた企業が、需要変動の大きい品目では欠品が、変動の小さい品目では在庫膨張が同時に発生し、単純な在庫削減・積み増しではどちらの問題も解消できないという限界にぶつかったという事例がありました。根本にあったのは、予測精度の問題ではなく係数設計の問題であったということのようです。

加えて、営業部門の販売計画が生産部門に一方通行で下りる組織構造のまま運用を続けたことも、問題を深刻にした原因の一つです。過剰在庫のコストが営業側に届かない構造では、欠品リスクを恐れた生産部門が安全係数を高く置き続け、在庫が慢性的に膨張します。予測精度の向上は必要条件ですが、この構造を変えなければ十分条件にはなりません。

品目ごとの安全在庫設計（需要変動係数による分類）

品目ごとの安全在庫設計では、まずCV（需要変動係数＝標準偏差÷平均出荷量）で品目を分類し、低CV品は係数を小さく、高CV品は係数を大きく設定することが出発点です。具体的には、CVが低い安定品には係数0.5、中程度の品目には1.0、変動が大きい高CV品には1.5を設定するクラス別アプローチが有効です。

前章で示した製品A・Bの例（安全在庫20個と80個）のとおり、リードタイムと安全係数が同じ条件でも、出荷量の標準偏差の違いによって適正在庫水準は大きく変わります。品目横断で同一係数を使うと、製品Aでは必要以上の在庫を抱え、製品Bでは欠品を繰り返すという矛盾が構造的に生じます。

まずCV計算で品目をABC分類し、クラスごとの係数設定に切り替えることが第一歩になります。

営業・生産・在庫を横断するPSI連携の進め方

PSI（Production-Sales-Inventory）連携とは、販売計画・生産計画・在庫実績の3つを同一のデータで管理し、部門間でフィードバックするサイクルです。まず営業部門が販売計画を立て、その計画を受けて生産部門が生産量を決定します。出荷後は在庫実績と照合し、計画と実績の乖離を次月の計画修正に反映させます。

このフィードバックループを月次で回すことが、PSI連携の基本設計です。

このサイクルが機能するには、3部門が同一の数字を見ながら調整する場を定期的に設けることが必要です。具体的には、月次で販売計画と出荷実績の乖離を確認し、生産量の増減と安全在庫の見直しを3部門合意のもとで決定するプロセスを設計します。営業が出した強気の計画をそのまま生産計画に通すのではなく、過去の乖離実績を根拠に営業計画を修正する権限と手続きを明確にしておくことが、構造的な過剰在庫を防ぐうえで重要です。

需要予測システムへの投資対効果を経営層に説明する際も、このPSIサイクルの設計がどれだけ在庫削減に貢献しているかをKPIで示すと、投資根拠として説得力が増します。

予測が外れた場合のリカバリ手順

需要予測は必ず外れます。外れることを前提に、乖離を検知してから生産量・安全在庫・調達計画を修正するリカバリフローを事前に設計しておくことが、運用の安定につながります。

乖離の検知基準は、予測と実績の差が安全在庫水準を超えた時点でアラートを上げる設定が基本です。検知後は「予測乖離の確認→生産量の修正→安全在庫の再計算→調達計画の見直し」というフローを標準化します。このフローを事前に設計しておくことで、担当者が変わっても同じ手順でリカバリできます。

乖離の方向によって対応策は異なります。過剰在庫が発生した場合は値引き販売・バンドル提案・次期の生産抑制という順で対処します。欠品が発生した場合は緊急調達・代替品の提案・顧客への納期交渉をオプションとして持ちます。

どちらのケースも、対応の選択肢と発動基準をあらかじめ部門間で合意しておくことで、事態の拡大を最小限に抑えられます。

見込み生産×需要予測の改善は「精度より仕組み」から始める

見込み生産における在庫問題の根本原因は、需要予測の精度不足ではなく、仕組みの設計にあります。予測は必ず外れます。問題は外れることではなく、外れたときに在庫リスクを吸収できる安全在庫設計・部門間PSI連携・リカバリ体制が整っていないことです。

この3つをセットで構築することで、予測精度が100%でなくても在庫を制御できる運用が実現します。

改善の順序は3段階です。まず自社の失敗パターンを特定してください。「営業の強気計画が生産に直結している」「ロングテール品に統計モデルを当てはめようとして機能していない」「全品目に同一の安全係数を使っている」のいずれかに当てはまるなら、予測手法を変える前に、その構造を修正することが先決です。

次に品目のCV（需要変動係数）で安全在庫係数を品目別に設定し直します。最後に月次PSIサイクルを3部門で回す運用を設計することで、予測乖離をリカバリアクションに接続できる体制が整います。

この改善を進めるうえで、多くの現場が最初にぶつかるのがデータの分散です。販売実績・在庫実績・営業計画がシステムをまたいで散在していると、品目別のCV計算も月次のPSI突き合わせも、作業コストが高すぎて継続できなくなります。GENIEE CDPは、こうした分散したデータを統合し、需要予測の精度向上に必要なデータ基盤を構築するためのツールです。

分析専任担当者がいない環境でも、自然言語での分析や標準ダッシュボードを使って品目別の需要傾向を継続的に把握できます。まずはデータ統合の基盤として、GENIEE CDP公式サイトから詳細を確認してください。