新商品の売上/需要予測をするには？商品タイプ別に使い分ける3つの手法

新商品の売上予測とは、過去の販売データがない状態で将来の販売量・売上額を見積もることです。既存商品であれば時系列データの延長線上で予測を立てられますが、新商品にはその起点がありません。

商品の特性を「リニューアル品・ライン拡張・まったく新しい製品」の3タイプに分けたうえで、各タイプに合った手法を選び、データに基づくモデルを構築することが精度向上の出発点になります。

近年、AI・機械学習の進化と顧客データ基盤の整備により、新商品の売上予測にもデータドリブンなアプローチが広がっています。しかし、過去データのない新商品では、AIに任せるだけでは十分な精度は得られません。

本記事では、新商品の売上予測が外れやすい3つの構造的要因、商品タイプ別の予測手法、実行の5ステップ、そして精度を高める実践ポイントを整理しています。

新商品の売上予測精度を高めるには、散在する顧客データの統合と分析基盤の整備が欠かせません。私たちが提供するGENIEE CDPは、複数チャネルの顧客データをノーコードで統合し、AI分析によるインサイト抽出を支援する顧客データ基盤です。予測基盤の構築に活用できます。

新商品の売上予測はなぜ外れやすいのか？ 3つの構造的要因

新商品の売上予測が難しいのは、担当者の経験不足だけが原因ではありません。

外れやすさの背景には、3つの構造的な要因があります。

1. 参照できる過去データがない

既存商品の需要予測は、過去の販売実績を時系列で分析することを起点にします。季節指数、プロモーション効果、トレンドの傾きなど、過去データから読み取れる情報が多いほど、予測の精度は上がります。

新商品にはこの起点がありません。参照できるのは、せいぜいカテゴリ全体の動向か、類似商品の販売推移だけです。そのため、予測値がデータの裏付けを持たない「推測の積み上げ」になりやすく、前提の一つが外れた途端に大きくズレます。

類似商品のデータや市場調査結果で代替する発想が必要になります。どのデータで代替するかによって、適した予測手法も変わります。

2. 市場環境の不確実性が高い

既存商品は市場でのポジションが確立されており、競合環境や顧客の購買行動にも一定の安定性があります。変動の幅は小さく、外部要因の影響も吸収しやすい構造です。

対して新商品は、ゼロからの出発です。発売後に競合他社が類似商品を投入するリスク、消費者の嗜好が想定とズレるリスク、経済環境の変動で需要が縮小するリスク、これら3つが重なっても「過去に同じことがあったか」を確認する手立てがありません。振れ幅が構造的に大きいのは、市場における前例がないためです。

3. 楽観バイアスが予測を押し上げる

新商品の企画・開発に深く関わった担当者ほど、その商品の成功を強く信じています。この確証バイアスが、予測値を楽観方向に引き上げます。

Fildes et al.の研究では、需要予測への調整の56.1%が上方修正であり、そのうち67.3%は楽観的なバイアスによるものだったと報告されています。さらに過度な上方修正は予測誤差を平均3.5倍悪化させるという定量的な結果も示されています（出典：Fildes et al.「需要予測における調整行動の影響」International Journal of Forecasting）。

経験豊富な担当者が予測を立てても、楽観バイアスが作用する構造は変わりません。対策としては複数手法の結果を突き合わせること、社内外の第三者レビューを取り込むことが有効です。これらの具体的な方法は、手法の選択と精度向上ポイントの節で取り上げます。

ここで認識しておきたいのは、新商品の3タイプによって難易度と適した手法が異なる点です。リニューアル品は既存データが使いやすく予測しやすい部類に入ります。ライン拡張（既存シリーズへの品番追加）はカテゴリデータを活用できます。

まったく新しいカテゴリの製品は前例が少なく、最も難易度が高くなります。

商品タイプ別に使い分ける3つの予測手法

新商品の予測手法を選ぶとき、「自社商品がどのタイプか」を先に確定させることが出発点です。リニューアル品は既存商品と同一カテゴリのデータを活用できます。ライン拡張は既存シリーズの販売構成比から新品番の枠を推計できます。

まったく新しい製品は類似カテゴリのデータか理論モデルに頼ることになります。この違いが、どの手法を選ぶかを決めます。

1. リニューアル品やライン拡張に効く「グループ予測」

グループ予測とは、カテゴリ全体または既存シリーズの販売動向を根拠にして、新商品が占める枠を推計する手法です。「カテゴリの売上総量は維持されるか成長するか」「既存品との間でどの程度の売上移転（カニバリゼーション）が起きるか」の2点を推計の軸にします。

具体的なシーンとして、飲料メーカーが既存シリーズに新フレーバーを追加するケースを考えてみます。このとき、同シリーズ全体の過去の月次売上データ、各フレーバーの構成比の推移、類似フレーバー追加時のカニバリ率などを参照することで、新フレーバーの初月販売量を推計できます。過去データの蓄積がある企業ほど、この手法の精度は上がります。

注意すべき限界は2点あります。第一に、カテゴリ全体の成長率が変動している場合です。縮小傾向のカテゴリに新商品を投入しても、カテゴリ成長の前提が崩れれば推計の基礎が揺らぎます。

第二に、カニバリゼーション比率の読み違いです。新商品が既存品の客層と大きく重なる場合、カニバリ率を低く見積もると新旧合算の売上予測が過大になります。既存品の売上動向を新商品発売後も継続してモニタリングすることで、この誤差を早期に捕捉できます。

2. 似た先行品を手がかりにする「類似モデル」

類似モデルとは、過去に発売した類似の商品の販売推移をテンプレートとして、新商品の予測曲線を描く手法です。「この新商品は3年前に発売した〇〇に似ている」と判断できる先行品が存在する場合に有効です。先行品の立ち上がり速度、ピーク時の販売量、その後の減衰パターンを参照し、新商品に当てはめます。

この手法のポイントは「類似品をどう選ぶか」の定義にあります。単に同じカテゴリというだけでなく、価格帯、ターゲット顧客層、プロモーション規模、流通チャネルの類似度を定量的に評価して選定することで精度が上がります。選定を担当者の主観に委ねると、前述の楽観バイアスが混入しやすくなります。

「直近で成功した商品に似ている」という認知的な歪みが、楽観的な先行品を選ばせてしまうためです。

限界は2点あります。類似品の選定が恣意的になりやすい点は前述の通りです。加えて、先行品の発売時点から市場環境が大きく変わっている場合には、過去の販売パターンがそのまま当てはまらなくなります。

消費者の購買チャネルがリアルからオンラインに移行している業種、トレンドサイクルが短縮している商品カテゴリでは、先行品との類似度をより慎重に評価する必要があります。

3. 前例のない新製品の普及を読む「バスモデル」

まったく新しいカテゴリの製品を投入する場合、類似品が存在しないため前述の2手法が使いにくくなります。このときに参照されるのが「バスモデル」です。

バスモデルの基本的な考え方は、市場の消費者を2種類に分けることです。一方は「イノベーター」と呼ばれる、広告や商品そのものへの関心から自発的に購入する層。もう一方は「イミテーター」と呼ばれる、周囲の購入者の口コミや評判を見てから購入を決める層です。

新製品の普及は、イノベーターによる初期の立ち上がりと、イミテーターによる拡大波が合わさって生まれます。

モデルでは、イノベーターの購入しやすさを表す「革新係数（p）」と、イミテーターの影響されやすさを表す「模倣係数（q）」の2つのパラメータで普及曲線の形が決まります。数式に踏み込む必要はありませんが、pが高い商品は立ち上がりが早く、qが高い商品は口コミ効果で中盤以降に加速する、というイメージで把握できます。

活用シーンとしては、スマートホームデバイスや新しい健康食品カテゴリなど、過去に前例がない製品の中長期的な市場規模予測が挙げられます。5年・10年単位のビジネスケース策定に使われることが多いです。

ただし、このモデルにも限界があります。pとqのパラメータを推定するには、類似カテゴリの過去の普及データが必要です。前例が全くない場合はパラメータが推定困難になります。

また、発売後の短期的な月次予測には向かず、長期の普及カーブを描くことに適した手法です。新商品の発売初年度の在庫計画や生産計画に使う場合には、別の手法と組み合わせる必要があります。

売上予測を組み立てる5つのステップ

手法を理解していても、実行のプロセスが整っていなければ予測精度は上がりません。データの準備から社内合意、発売後のモニタリングまでを一連の流れとして設計することが、実務では欠かせない視点です。

以下の5ステップが予測構築の基本的な流れです。

1. 商品タイプの特定と予測の目的を明確にする
2. 予測の根拠となるデータを収集する
3. 手法を選びモデルを構築する
4. 複数シナリオで検証し社内合意を取る
5. 発売後のモニタリングで予測を修正する

1. 商品タイプの特定と予測の目的を明確にする

まず、今回予測する新商品が「リニューアル品・ライン拡張・まったく新しい製品」のいずれに当たるかを明確にします。この分類が、その後の手法選択とデータ収集の方針を決めます。

同時に、予測の目的を確認することも大切です。生産計画や在庫計画に使う場合は、月次の精度が問われます。投資判断や事業計画に使う場合は、年次の方向感がより重要になります。

マーケティング予算の配分に使う場合は、プロモーション感度の推計が焦点です。目的によって求める精度水準と予測の時間軸が変わるため、「何のための予測か」を先に固めることで、後続のステップが無駄なく進みます。

2. 予測の根拠となるデータを収集する

活用できるデータの種類は大きく3つあります。社内データ（類似商品の販売実績、カテゴリ売上、過去のプロモーション効果）、市場調査データ（購入意向調査、消費者インタビュー、テスト販売結果）、外部データ（カテゴリ市場規模、競合動向、消費者トレンド）です。

実際には、これらのデータが複数のシステムやファイルに散在しているケースがほとんどです。販売実績はSFAや基幹システム、調査データは調査会社からの納品ファイル、ECのデータはプラットフォームのダッシュボードという具合に、データの在処がバラバラなまま予測作業に入ると、収集と整合性チェックだけで多くの時間を消費します。データを一元管理できる環境が整っているほど、このステップの負担は軽くなります。

3. 手法を選びモデルを構築する

収集したデータの種類と商品タイプを照合しながら、前章で示した3手法から適切なものを選びます。類似商品の販売実績が豊富にあればグループ予測か類似モデルが選択肢に入り、前例のない製品であればバスモデルか市場調査データを主軸にした積み上げ予測になります。

可能であれば複数の手法で別々に予測を立て、その結果を突き合わせるアンサンブルアプローチが有効です。手法Aで500万円、手法Bで380万円という乖離が出た場合、その差が生じる理由を探ることで前提の見直しができます。単一の手法だけでは気づけない前提の誤りを、手法間の乖離が教えてくれます。

4. 複数シナリオで検証し社内合意を取る

予測を「1点の数値」として提示するより、楽観・標準・悲観の3シナリオで提示するほうが、社内での合意形成がスムーズです。各シナリオの前提（競合の動き、プロモーション効果、市場環境）を明示することで、予測の根拠を「ストーリー」として説明できます。

「売上は〇〇円になります」と断言するより、「競合が半年以内に類似品を投入した場合は悲観シナリオ、投入しなければ標準シナリオで推移する」と条件付きで示すほうが、議論の焦点が絞られます。関係部門が「自分たちの判断がどのシナリオに影響するか」を理解しやすくなるため、形式的な承認ではなく実質的な合意が取りやすくなります。

5. 発売後のモニタリングで予測を修正する

発売後2〜4週間の初動データは、予測精度を大きく左右するシグナルです。この期間の実績が標準シナリオの前提と大きくズレている場合、在庫計画や追加生産計画の見直しを早期に判断できます。

予測は一度立てて終わりではなく、データが蓄積されるほど精度が上がる循環構造です。発売後の実績を記録し、予測との差異とその理由を文書化しておくことで、次の新商品予測に活かせる社内ナレッジが蓄積されていきます。この蓄積こそが、組織としての予測精度を中長期で高めていく資産になります。

予測精度を高める3つの実践ポイント

AI需要予測の活用はビジネス全体で拡大が続いており、Gartnerは2030年までに大規模組織の70%がAIベースのサプライチェーン予測を採用すると予測しています（出典：Gartner “Gartner Predicts 70% of Large Organizations Will Adopt AI-Based Supply Chain Forecasting to Predict Future Demand by 2030” 2025年9月16日 ）。国内市場でも、2029年には4兆1,873億円規模に拡大する見通しで、年平均成長率は25.6%に達する見込みです（出典：IDC Japan「国内AIシステム市場予測」2024年）。データドリブンな予測への転換が進む一方、手法やツールを整えるだけでは精度は上がりません。

精度向上には3つの実践的な取り組みが伴います。

1. 購入意向データの補正ルールを設ける

市場調査で「この商品を購入したいと思いますか」と聞いたとき、「購入したい」と答えた回答者の割合が、実際の購買率を大幅に上回ることは広く知られています。消費者は調査の場では好意的に回答しがちですが、実際の店頭での購買行動は別です。

購入意向率をそのまま予測値に使うと、楽観方向に大きくズレます。対策として有効なのは、過去の自社製品で「購入意向率と実際の初月購買率の比率」を記録し、補正係数として蓄積する方法です。「意向率が30%なら実購買率は4〜6%の範囲に収まる傾向がある」という経験則を自社で持てれば、調査データをより現実的な予測値に変換できます。

補正係数は商品カテゴリ、価格帯、ターゲット層によっても変わります。データが蓄積されたら、カテゴリ別・価格帯別に係数を分類して管理することで、補正の精度がさらに上がります。この係数の蓄積自体が、組織の予測能力を高める資産になります。

2. 部門横断のデータ共有体制をつくる

売上予測に関わる部門は複数あります。マーケティング部門はプロモーション効果から需要を見積もり、営業部門は商談ベースで受注予測を立て、サプライチェーン部門は生産ロットを基準に在庫計画を組みます。それぞれが独立して予測を立てると、同じ新商品について異なる数値が社内に出回ります。

この状態が続くと、予測の「公式版」がどれかわからなくなり、部門間での資源配分の議論も噛み合いません。S&OP（販売・在庫・生産計画の統合プロセス）的なアプローチで、単一の公式予測を関係部門で共有・合意する体制を作ることが解決の方向性です。

体制づくりで重要な点が2つあります。一つは、予測の更新タイミングと責任部門を明確にすること。もう一つは、予測に使うデータの定義と集計方法を統一することです。

同じ「売上」でも税込か税抜か、返品を控除するかどうかで数字が変わります。定義の違いが部門間の数値のズレを生むことは少なくないため、この整合を最初に取っておくことが体制構築の土台になります。

3. 顧客データ基盤を整備しAI分析につなげる

AIを活用した需要予測の効果について、McKinsey & Companyは、AIをサプライチェーン管理に適用することで予測誤差を20〜50%削減できると報告しています（出典：McKinsey & Company “AI-driven operations forecasting in data-light environments”

経済産業省のAI導入ガイドブックには、AIによる需要予測の導入後に売上が前年比124%に拡大し、平均在庫を16%削減した小売・卸業の事例が掲載されています（出典：経済産業省「AI導入ガイドブック（案）需要予測（小売り、卸業）」 

こうした効果を得るための前提となるのが、顧客データの統合基盤です。ECサイト、実店舗のPOS、CRM、広告プラットフォームなど、顧客の購買行動に関わるデータは複数のシステムに分散しています。この状態では、AI分析に投入できるデータの質と量が制約され、精度向上の限界が早く来ます。

私たちが提供するGENIEE CDPは、こうした複数チャネルの顧客データをノーコードで統合し、AI分析で予測精度の向上を支援する顧客データ基盤です。テンプレートダッシュボードを標準搭載しているため、導入後すぐに売上分析を開始でき、導入支援チームが運用開始まで伴走します。

ただし、CDPやAIツールを導入すれば自動的に予測精度が上がるわけではありません。インプットするデータの質と、予測モデルを運用・更新する体制の両方が整って初めて効果が出ます。ツールの選定と並行して、データ収集の粒度とクレンジングのルールを設計しておくことが、精度向上への近道です。

新商品の売上予測 要点の整理

本記事で取り上げた要点は以下の通りです。

• 新商品の売上予測が外れやすい根本には「過去データの不在」「市場の不確実性」「楽観バイアス」という3つの構造的要因があります
• 予測手法は商品タイプに応じて使い分けます。リニューアル品・ライン拡張にはグループ予測、類似先行品がある場合は類似モデル、前例のない新製品には長期普及を読むバスモデルが適しています
• 実行プロセスは「商品タイプと目的の確定→データ収集→手法選択とモデル構築→複数シナリオで社内合意→発売後モニタリング」の5ステップで進めます
• 購入意向データは実際の購買率より高く出るため、過去実績から補正係数を蓄積して調整することが精度向上につながります
• 部門横断で単一の公式予測を共有する体制と、顧客データを統合してAI分析に接続できる基盤の両方が、組織的な予測精度の向上を支えます

私たちが提供するGENIEE CDPは、複数チャネルに散在する顧客データをノーコードで統合し、AI分析を活用した予測基盤の構築を支援します。テンプレートダッシュボードで導入後すぐに売上分析を開始でき、導入支援チームが伴走します。新商品の売上予測精度を高める取り組みのデータ基盤として、参考にしてください。

売上予測は一度立てて終わりではありません。発売後の実績データを蓄積し、予測と現実のズレを記録・分析し続けることで、次の新商品予測の精度が上がります。組織としての予測能力は、こうした継続的な見直しのサイクルの中でしか育ちません。