SAP需要予測の全体像｜PP標準とIBPの使い分け・トランザクション・2027年移行を解説

SAPの需要予測は、PP/MRP標準機能（MP30・MC87）による統計的予測と、SAP IBPのAI・機械学習を活用した高度な予測という二層構造で成り立っています。品目の消費パターンに応じた4つの予測モデルから適切なものを選び、予測結果をMRPに連携させることで、在庫の最適化と欠品の防止を実現する仕組みです。

この記事はSAP ECC／S/4HANAの稼働環境を前提に、需要予測機能の全体像から設定・運用・IBPへの移行判断までを扱います。SAP未導入の環境は対象外です。

2027年末のSAP ECC標準保守終了を控え、S/4HANAへの移行プロジェクトが加速するなかで、需要予測機能の選択と設計は避けて通れない論点になっています。Excel併用の属人的な計画運用をそのまま移行するか、IBPのAI予測を見据えた再設計に踏み込むかで、移行後のサプライチェーン精度は大きく変わります。

本記事では、4つの予測モデルの選び方・PP標準とIBPの使い分け基準・AI活用による精度向上の効果と事例まで体系的に整理し、自社の計画成熟度と移行スケジュールに合わせた着手層を判断できることを目標に解説します。

SAPの需要予測とは？ PP標準からIBPまでの機能全体像

SAPの需要予測機能は、PP/MRP標準とSAP IBP（Integrated Business Planning）という2つの系統で構成されています。どちらも「将来の需要を見積もってMRPに連携する」という目的は共通していますが、対応できる複雑さ・多次元性・AI活用の深さに大きな差があります。

自社に必要な機能範囲を特定するには、まずこの二層の構造を把握することが出発点になります。

なお、新製品やキャンペーン品など過去の実績データが存在しない品目では、PP標準・IBPいずれの統計モデルも直接は適用できないため、別途管理が必要になる点は共通の制約として認識しておいてください。

PP/MRP標準の需要予測機能（MP30・MC87・MD61）

PP標準の需要予測は、品目の出荷・消費の過去実績に基づく統計的モデルです。将来の所要量を算出するアプローチとして、品目需要予測（MP30）と販売事業計画からの需要予測（MC87）の2系統があります。

MP30は品目マスタの予測タブに設定された予測モデル・平滑化係数・初期化期間などのパラメータに基づき、品目単位で予測を実行します。実行結果は計画独立所要量としてシステムに登録され、MD01NのMRP実行時に所要量の起点として参照されます。品目マスタの設定が予測精度を直接左右するため、パラメータ選択が実務上の核になります。

MC87は販売計画・販売事業計画を需要予測の入力として扱うアプローチです。営業部門が立案した販売目標や市場見通しをSAP内で計画データとして管理し、そこから需要所要量を導出できるため、統計実績だけでは表現しにくいキャンペーン計画や新規チャネル拡大のシナリオも計画に織り込めます。MP30が「実績から未来を推計する」のに対し、MC87は「意図した計画を起点にする」という使い分けです。

いずれのアプローチも、予測結果はMD61（計画独立所要量の登録・照会）を経てMRPに渡り、MD04（所要量一覧照会）で確認できる流れになっています。予測実行からMRP連携までの詳細フローは次章で扱います。

SAP IBPの需要計画・需要予測機能

一方のSAP IBPは、S/4HANAのデータをリアルタイムに取り込み、製品・顧客・地域の多次元で需要計画を立案・調整できるクラウド型プラットフォームです。PP標準がECC/S/4HANA内で完結する組み込み機能であるのに対し、IBPは別途サブスクリプション契約が必要なクラウドアドオンという位置づけになります。

IBPの予測エンジンは、HANA上のPAL（Predictive Analysis Library）とSCAL（Supply Chain Algorithm Library）の2つの主要コンポーネントによって構成されています。これらのライブラリをベースに、最適化(optimization)が可能になります。（出典：SAP SE「Discovering SAP IBP for Demand（日本語版）」2025年）。

操作面では、ExcelベースのプランニングビューとWebブラウザのダッシュボードの両方が用意されており、Excelに慣れた計画担当者でも比較的スムーズに移行できる設計になっています。複数拠点・複数チャネルにまたがる計画を一画面で調整できる点は、PP標準のトランザクション操作と大きく異なる部分です。

需要予測に関わる主要トランザクション一覧

以下の表はSAP PP/MRP標準の需要予測で中核となる6つのトランザクションコードを整理したものです。IBPはWebブラウザベースのUIで操作するため、固有のトランザクションコードはありません。実務でSAP標準の予測業務を担当する際のリファレンスとして参照してください。

これら6つのトランザクションはPP/MRP標準の需要予測業務を一通りカバーしています。予測実行（MP30・MC87・MP38）→ 所要量登録（MD61）→ MRP実行（MD01N）→ 結果確認（MD04）という流れが、PP標準における需要予測の基本的な業務サイクルです。

SAPの需要予測モデルはどう選ぶ？ 4つのモデルと実行フロー

前章で整理した業務サイクルの起点となるのが予測モデルの選択です。SAP PP標準の需要予測で精度を出すには、品目ごとの消費パターンに合ったモデルを選ぶことが最初の分岐点になります。モデルが実態と合っていなければ、どれだけパラメータを調整しても乖離は縮まりません。

消費パターンを「季節性の有無」と「トレンドの有無」の2軸で整理すると、選択すべきモデルが絞り込めます。

モデルが決まったら品目マスタで予測パラメータを設定し、予測実行からMRP連携までの一連のフローを回すことで、計算結果が計画手配として実務に落ちてきます。以下では、その3つの要素を順に整理します。

4つの需要予測モデルの特徴と選び方

季節性とトレンドの2軸を組み合わせると、4つのモデルが自然に対応します。まず消費パターンを判断してからモデルを選ぶ、という順序を守ることが精度向上の前提です。

恒常変動モデルは、単純移動平均や1次指数平滑法で需要水準そのものを追跡します。動きの少ない品目に使う分には安定した予測値が得られますが、季節や傾向の変化を捉える能力はありません。

季節傾向モデルで採用されるウインターズ法は、水準・傾向・季節の3つの要素を個別に平滑化して合成するため、複数の変動要因を同時に扱えます。

モデル選択で陥りやすいのは、「とりあえず恒常変動で回してみる」という初期設定のまま運用を続けるパターンです。季節性のある品目に恒常変動モデルを当てると、需要ピーク前に在庫が足りず、ピーク後には余剰が積み上がります。過去12〜24か月分の出荷実績をグラフで確認し、波があればまず季節モデルか季節傾向モデルを検討してください。

品目マスタの予測パラメータ設定と注意点

モデルを選んだら、次は品目マスタの予測パラメータ設定です。デフォルト値のままでは精度が低下するため、消費特性に応じた個別設定が不可欠になります。主要な設定項目と、それぞれが予測結果に与える影響を以下に整理します。

• 予測モデル選択：上記4モデルのいずれかを指定します。モデルを途中で変更すると、変更前の過去データが新しいモデルの初期化に使われるため、切り替え直後の精度は一時的に下がります。
• 平滑化係数（α/β/γ）：αは水準、βは傾向、γは季節成分それぞれの「直近データへの感応度」を制御します。値が大きいほど直近の変動を強く反映しますが、ノイズも拾いやすくなります。SAPのデフォルト値（多くの場合0.2前後）は汎用的な中間値であり、品目特性に合わせた調整なしでは実需との乖離が残るケースがあります。
• 初期化期間数：予測モデルを初期化するために使う過去期間数です。期間が短すぎると初期値の精度が低く、長すぎると古い傾向を引きずります。一般的には季節内期間数の1〜2倍程度が目安です。
• 季節内期間数：季節モデル・季節傾向モデルで1サイクルの期間数を指定します。月次運用で年1サイクルなら12、週次なら52が標準値です。実態と一致していないと季節指数がずれ、ピーク読みを外します。
• 過去期間数：予測計算に使用する過去の消費実績の期間数です。短すぎると直近の偶発的な変動に引きずられ、長すぎると構造変化を反映できません。

デフォルト値のまま運用した場合の問題を具体的に考えると、例えば初期化期間数が少ない状態でウインターズ法を適用すると、季節指数の初期値が不安定なまま計算が始まります。最初の1〜2年は予測が大きく振れ、プランナーが毎月手修正を入れ続ける状態になります。設定変更の影響は翌月以降の予測値で出るため、変更後は実績との乖離率をモニタリングして効果を確認してください。

予測実行からMRP連携までの運用フロー

SAP需要予測の強みは、予測計算の結果が計画独立所要量を介してMRPに自動連携し、計画手配として調達・製造指示につながる点にあります。フローの全体像を把握しておくと、どのステップで問題が起きているかを切り分けやすくなります。

1.  過去消費データの蓄積：品目に対して消費実績（在庫引当・出荷確認等）が転記されることで、SAP内に過去消費データが蓄積されます。消費転記区分の設定が誤っていると、実需が正しく品目に紐づかないため、ここが狂うと後続の予測計算全体に影響します。 
2.  モデル・パラメータ設定（品目マスタ予測タブ / 予測プロファイル）：前節で述べた設定作業をここで完了させます。品目数が多い場合は予測プロファイルを活用し、品目グループ単位でパラメータをまとめて管理できます。 
3.  予測実行（MP38 / 個別実行はMP30）：MP38は複数品目の一括予測実行トランザクションです。選択画面でプラント・品目グループ・MRPコントローラなどを指定して実行します。MP30は個別品目の予測と結果確認に使い、パラメータ調整時の検証に向いています。 
4.  予測結果の確認・調整（MP30 / MC87）：予測結果は品目ごとにグラフ表示で確認できます。実績値と予測値を重ねて乖離を目視し、必要に応じて予測値を手修正します。MC87は販売事業計画（SOP）の計画データを管理・調整するトランザクションです。予測実行後の計画値を販売部門の見込みと照合・修正する際に使用します。
5.  計画独立所要量としてMRPへ連携（MD61）：予測実行の結果は計画独立所要量として品目に格納されます。MD61で計画独立所要量の確認・手動入力・修正が可能で、予測値をそのまま使うか、販売部門の見込みを加味して上書きするかをここで判断します。 
6.  MRP実行（MD01N）と計画手配生成：MD01Nでプラント単位のMRPを実行すると、計画独立所要量と在庫状況・リードタイムを加味した上で計画手配（製造指示または購買依頼）が生成されます。MD04で所要量一覧を確認し、計画手配の内容を検証してください。 

予測値と実績値の乖離が継続する場合、原因は大きく2つに分かれます。一つは消費転記区分の設定ミスで、実消費がデータとして蓄積されていないケースです。もう一つはモデル・パラメータが品目の実態と合っていないケースで、こちらはMP30の予測グラフで実績と予測の推移を比較することで判断できます。

乖離の原因を特定したら、パラメータ修正または過去データの異常値除外を行い、翌サイクルで精度が改善しているかを確認するPDCAを回します。このフローを月次サイクルとして定着させることで、プランナーの手修正工数を段階的に減らせます。

SAP PP標準とIBPはどう使い分ける？ 機能差と選択基準

PP標準の運用サイクルを押さえたところで、次に判断すべきがPP標準とIBPの使い分けです。両者は需要予測における役割の大きさが根本的に異なります。PP標準は品目単位の短期予測を低コストで回すための仕組みであり、IBPは複数拠点・多品目・中長期の需給を一元管理するプラットフォームです。

この違いを理解した上で、自社の計画成熟度と2027年移行スケジュールを照らし合わせることが、選択の出発点になります。

PP標準とIBPの機能比較

まず両者の機能差を比較軸で整理します。

PP標準の予測は指数平滑法ベースの4モデルに限定されますが、IBPは統計モデルに加えて機械学習アルゴリズムとBest Fit自動選択を備えます（出典：SAP SE「SAP IBPサービス紹介ページ」2024年）。過去実績が十分にあり、品目の変動パターンが4モデルのいずれかで捉えられる場合は、PP標準で予測精度の実用水準に達します。

一方、新製品・プロモーション品・複数拠点間の需給調整が絡む場合は、PP標準のモデル範囲では対応しきれず、IBPが必要になります。

企業の計画成熟度に応じた選択の考え方

PP標準とIBPの選択は、機能の優劣ではなく自社の計画プロセスの現状に合わせて判断します。

Excel計画から脱却を目指す企業は、まずPP標準の予測機能を使い切り、予測精度の限界を見極めてからIBP追加導入を判断するのが費用対効果の高い進め方です。PP標準の設定・パラメータチューニングさえ適切に行えば、多くの品目で実用水準の予測精度を確保できます。IBPのライセンス・実装コストは決して小さくないため、PP標準で対応できる範囲を先に最大化しておくことが前提です。

IBPとS/4HANAのpMRP（プロダクティブMRP）を連携させる構成では、pMRP側の安定稼働よりも先にIBP側のデータ連携を進めてしまい、計画システム全体の信頼性が低下するという事例が少なくありません。pMRP側で計画ロジックが安定していない状態でIBPから計画データを流し込むと、両システムの数値が食い違い、現場がどちらを信じるべきか判断できなくなるためです。

2027年問題を見据えた移行アプローチ

SAP Business Suite 7のメインストリームメンテナンスは2027年末に終了し、2028年以降は延長保守（追加料金）に切り替わります（出典：SAP SE「SAP保守方針（Maintenance Strategy）」2025年）。この期限が、需要予測機能の移行計画に直接影響します。

S/4HANA移行時のPP標準需要予測機能（MP30系）は基本的に継続利用可能なため、ECC上でPP標準を使っている企業はS/4HANA移行後も同じ運用を引き継げます。一方、APO（SCM）の需要計画機能を使用していた場合はIBPへの移行が必須となります。APOとIBPは機能的な後継関係にあるものの、データモデル・設定ロジックが異なるため、単純な移行ではなく実質的な再設計が必要です。

2027年末を目標に据えるなら、移行プロジェクトの設計フェーズで需要予測機能の再設計を同時に進めるのが効率的です。移行後に別途改修するよりも、S/4HANA移行の設計段階で「PP標準を使い続けるか、IBPを導入するか」を確定させ、必要なパラメータ・マスタ設定を移行範囲に含めておく方が、工数・リスクの両面で優れています。現時点でAPOを使用していない企業でも、2027年に向けた移行計画の中で需要予測アーキテクチャの見直しを一度行っておくことを推奨します。

SAP IBPのAI需要予測で精度はどう変わる？ 効果と導入事例

IBP導入を検討する段階に至ったとき、その効果の中核になるのがAI需要予測です。SAP IBPのAI需要予測は、PP標準の統計モデルが前提とする「過去の規則性が将来も続く」という仮定を超えて機能します。最適なアルゴリズムを自動選択し、直近の市場シグナルで予測を随時補正する仕組みを持つため、モデル選定の属人化と静的な予測という2つの限界を同時に克服できます。

需要計画をExcel＋手入力で管理し、S/4HANA標準MRPのみで運用を続けている企業では、拠点横断での需要と供給の同期が取れず、余剰在庫・欠品・廃棄が常態化するという課題に直面しやすくなります。PP標準の予測精度を上げようとパラメータを調整しても、根本的な解消には至らないケースが少なくありません。

AI/機械学習による予測精度向上の仕組み

SAP IBPの予測エンジンは、SAP HANA上の統計・機械学習ライブラリであるPAL（Predictive Analysis Library）と、SCMドメイン向けに設計されたSCALの2コンポーネントで構成されています。PALがHANAのインメモリ処理を活用して機械学習アルゴリズムを高速実行し、SCALがサプライチェーン特有の需要パターン（季節性・トレンド・外れ値）を処理する役割を担う形で、両者が連携して予測を生成します（出典：SAP SE「Discovering SAP IBP for Demand（日本語版）」2025年）。

PP標準では担当者が予測モデル（恒常・季節・傾向変動など）を品目ごとに手動で選定しなければならず、モデルの適否が担当者の経験に左右されていました。IBPはこの属人性を技術的に排除しています。

Best Fit自動アルゴリズム選択

Best Fit機能は、品目の過去実績データに対して複数の予測アルゴリズムを並列実行し、それぞれの予測精度を算出したうえで、最も精度の高いアルゴリズムを自動選択します（出典：SAP SE「SAP IBPサービス紹介ページ」2024年）。担当者がモデルを手動で選ぶ必要がなくなるため、品目数が多い環境でも一貫した精度でモデル選定を行えます。

PP標準で「このモデルで合っているか」という試行錯誤に費やされていた工数は、Best Fitによってシステム側に移管されます。担当者は選定結果の妥当性確認と例外対応に集中できるため、運用負荷の構造が変わります。

デマンドセンシング

デマンドセンシングは、直近の受注・出荷データをリアルタイムに取り込み、統計予測モデルが生成した中長期予測を短期視点で補正する機能です。週次・月次の統計予測は過去の規則性に基づくため、直近の需要変動（急なキャンペーン需要・天候影響など）を反映できませんが、デマンドセンシングはこの遅延を解消します（出典：SAP SE「Discovering SAP IBP for Demand — 統計的需要予測の生成」2025年）。

具体的には、数日単位の短期予測精度を引き上げることで、生産・調達の直前調整をより根拠のある数値で行えるようになります。PP標準のMRPが計画オーダーを展開するタイミングで精度の低い予測値を使っていた問題を、上流のIBP層で吸収する形です。

Jouleコパイロット

JouleはSAP IBPに統合された生成AIコパイロットです。需要計画担当者が自然言語で「特定品目の予測精度が悪化している理由を教えて」と問い合わせると、過去データや外れ値の状況を解析して回答します。これまで担当者が手動で予測誤差を分析していた作業を、対話形式で進められるようになります。

属人的な判断が残りやすい外れ値の取り扱いや計画上書きのタイミングについても、Jouleが根拠を提示しながら判断を補佐するため、経験の浅い担当者でも一定水準の計画品質を維持しやすくなります。

日本ハムの導入事例に見るAI需要予測の効果

上記の仕組みが実際の業務でどう機能するかは、日本ハムの事例が具体的に示しています。導入以前、日本ハムの販売計画策定は担当者による手作業が中心で、計画精度が個々の担当者のスキルや経験に依存していました。業務の進め方も担当者ごとに異なり、組織全体で均質な計画品質を担保することが難しい状況にありました。

この課題に対して、SAP S/4HANAとSAP BTP上のカスタムAIを組み合わせたソリューションを、SAPジャパンとアクセンチュアの支援のもとで構築しました（AI実装はアクセンチュアが主導）。AIが需要予測値を自動算出し、その結果が販売計画に自動反映される仕組みを2025年4月に稼働させることで、予測精度の向上・欠品率の削減・業務負荷の軽減を実現しています（出典：SAPジャパン「日本ハム SAP BTP AI導入プレスリリース」2026年）。

この変化がもたらした最も大きな業務的インパクトは、営業担当者が手作業の計画策定から解放されたことです。予測値の自動反映によって計画業務にかかる時間が削減され、その分を販売促進策の立案や商談準備など戦略的な業務に充てられるようになりました（出典：SAPジャパン「日本ハム SAP BTP AI導入プレスリリース」2026年）。具体的な削減率は非公開ですが、手作業から自動化への移行による構造的な業務シフトが確認されています。

PP標準の統計モデルで対応できていたのは、過去実績のある定番品目の中長期予測でした。新製品や季節性の強い品目、プロモーション品については別途Excelで管理せざるを得なかった状況が、AI予測の自動化によって一元的に扱えるようになる点は、日本ハムのような多品種・多チャネルの食品メーカーにとって特に意義の大きい変化と言えます。

SAP需要予測、結局何をすべきかのまとめ

SAP需要予測の実力を引き出す道筋は、PP標準で基盤を固め、IBPのAI予測で高度化する段階的なアプローチです。いきなりIBPを検討するよりも、MP30・MC87のパラメータを品目特性に合わせてチューニングし、Excel手入力に頼っていた計画をSAP内のフローに乗せることが先決です。

まず自社の計画成熟度を確認してください。Excel管理が残っておりPP機能をほぼ使っていない状態なら、品目マスタの予測タブを整備し、MP30による予測実行→MD61による所要量登録→MD01NによるMRP実行のサイクルを月次で回すことが最初の一手です。

パラメータの設定根拠（どの平滑化係数を、なぜその値にしたか）を品目グループ単位で台帳に記録する習慣もこの段階で始めてください。これだけで属人的な手修正の工数を段階的に削減できます。PP標準を使い切った後に、Best FitやデマンドセンシングなどのIBP機能が費用対効果を持ちます。

需要予測の精度をさらに高めたい場合、ERPデータだけでなく顧客接点データとの統合も有効な選択肢です。POS・ECサイト・営業システムなど複数チャネルに散在する顧客データを予測のインプットに組み込むことで、過去実績だけでは捉えられない需要シグナルを計画に反映できます。GENIEE CDPは、散在する顧客データをノーコードで統合し、AI分析まで一気通貫で対応できるデータ基盤です。

需要予測のインプットとなる顧客データの統合・活用を検討している場合は、GENIEE CDPをご確認ください。