--- title: "需要予測にAIを使う進め方｜AI-Ready.jp" url: https://www.ai-ready.jp/guide/ai-demand-forecasting/ description: "需要予測にAIを使うときは、何を・どの単位で・どのくらい先まで予測するかを決め、販売の実績などのデータを整え、いまのやり方の予測と誤差を比べてから、人が見直す運用で始めると進めやすくなります。委託するときの段階の分け方もまとめました。" updated: 2026-11-12 publisher: "フロレンティナ株式会社" --- 広げる[柱：ユースケースと効果](https://www.ai-ready.jp/about-ai-ready/use-cases/)[柱：データ](https://www.ai-ready.jp/about-ai-ready/data/) # 需要予測にAIを使う進め方 執筆：[石田誠](https://www.ai-ready.jp/about/authors/#ishida)更新 2026-11-12最終確認 2026-11-12出典 5件[図解 2点](https://www.ai-ready.jp/zukai/) この記事の結論 需要予測にAIを使うときは、何を・どの単位で・どのくらい先まで予測するかを決め、販売の実績などのデータを整え、いまのやり方の予測と誤差を比べてから、人が見直す運用で始めると進めやすくなります。 自社の「ユースケースと効果」の準備度は？[10問・約3分で確かめる（無料・登録不要）](https://www.ai-ready.jp/diagnosis/quick/) 仕入れや生産、人の配置を決めるうえで、どのくらい売れるかの見込み（需要予測）は欠かせません。多くの会社では、担当者の経験や前年の実績をもとに予測しています。AIを使うと、多くのデータの関係を手がかりに予測を立てられる場合があります。この記事では、需要予測にAIを使うときの進め方と、つまずきやすい点を整理します。 この記事でわかること - 需要予測でAIが役立つ場面と、事前に決めておくこと - 必要なデータと、予測の正しさの確かめ方 - 運用の仕方と、外部に開発を頼むときの段階の分け方 ## AIの需要予測は、どんな仕組みですか？ AIによる需要予測の多くは、過去のデータから「売れ行き」と「売れ行きに関わる要素」の関係を学び、将来の売れ行きを見積もる仕組みです。予測したい値（例：来週の販売数）を目的変数、手がかりにする値（例：曜日、価格、販促、気温）を説明変数と呼びます。 時間の流れにそって並んだデータを扱うため、時系列分析と呼ばれる手法も使われます。前年同じ時期の実績や、直近の動きをもとにする考え方は、担当者の予測と共通しています。AIは、多くの要素を同時に扱える点で役立ちます。 一方で、**過去のデータにない出来事は予測しにくい**という性質があります。経済産業省の「AI・データの利用に関する契約ガイドライン（AI編）」も、学習に使うデータと予測するときのデータの性質が大きく異なると、うまく機能しない場合があると説明しています。新商品、大きな販促、取引先の変化などは、人の知見で補う必要があります。 ## 何を予測するかは、どう決めればよいですか？ 最初に、次の3点を決めます。ここがあいまいなまま始めると、データの集め方も、正しさの確かめ方も定まりません。 | 決めること | 例 | |---|---| | 何を予測するか | 商品ごとの販売数、店舗ごとの来客数、問い合わせの件数 | | どの単位で予測するか | 日ごと・週ごと・月ごと、商品ごと・商品群ごと、店舗ごと・地域ごと | | どのくらい先まで予測するか | 翌日、2週間先、3か月先 | 決めるときは、**予測を使って何を決めるか**から考えます。たとえば、毎週の発注量を決めるなら「商品ごと・週ごと・発注から納品までの期間の先まで」の予測が必要です。細かい単位ほど、データの量や予測のぶれの面で難しくなる傾向があります。 ## どんなデータが必要ですか？ 需要予測でよく使われるデータは、次のとおりです。 - **販売の実績**：日付、商品、数量、店舗などの記録 - **在庫と欠品の記録**：品切れで売れなかった日は、実際の需要より販売数が少なく見えます。欠品の記録があると、その影響を区別できます - **価格と販促**：値引き、チラシ、キャンペーンの時期 - **カレンダー**：曜日、祝日、連休、地域の行事 - **天候**：気温や降水量 天候のデータは、気象庁の「気象データ高度利用ポータルサイト」で、アメダスの過去の観測データや、2週間気温予報・1か月予報の確率予測の資料がCSVの形式で提供されています。清涼飲料、家電の流通、スーパー・コンビニ、ドラッグストア、アパレルなどの分野での活用の事例も紹介されています。 **データの整え方が、予測の正しさを大きく左右します。** 商品コードの変更、店舗の統合、入力の誤りなどがあると、AIは誤った関係を学びます。Excelなどに分かれて保存されているデータを整える方法は、ガイド「Excelのデータを、AIで使える形に整える」と「データの品質を高める手順」が参考になります。 需要予測で使われる主なデータ 予測の手がかり整え方が予測の正しさを大きく左右します ＝ 販売の実績日付・商品・数量・店舗 在庫と欠品の記録品切れの日は需要より少なく見える 価格と販促・カレンダー値引き・キャンペーン、曜日・祝日・行事 天候気温・降水量 読みながら、自社の現在地を確かめませんか クイック診断は10問・約3分・登録不要です。7つの柱ごとの目安と、「ユースケースと効果」を含めて次に取り組むことがわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/)[結果の解説（30分・無料）](https://www.ai-ready.jp/consult/review/) ## 予測の正しさは、どう確かめればよいですか？ AIの予測が役に立つかは、**いまのやり方と比べて**確かめます。 ① **比べる相手を決める**：いまの担当者の予測や、「前年同じ週の実績」のような簡単な予測を、比べる基準にします。 ② **過去の期間で試す**：たとえば直近の数か月を「答え合わせの期間」として残し、それより前のデータで予測を作って、実績と比べます。 ③ **誤差を測る**：予測と実績の差を、商品や期間ごとに集計します。売れ筋の商品と、たまにしか売れない商品では、誤差の出方が違うため、分けて見ます。 ④ **業務への影響で見る**：誤差の数字だけでなく、欠品や売れ残りがどのくらい減りそうかに置き換えると、判断しやすくなります。 全体で誤差が小さくても、特定の商品や時期で大きく外れることがあります。外れやすい場面を把握しておくと、運用で人が見直すべき箇所が分かります。 ## 運用は、どう組み立てればよいですか？ AIの予測は、担当者の判断を助ける材料として使う形から始めると、現場に受け入れられやすくなります。 - **人が見直す流れを作る**：AIの予測を担当者が確かめ、新商品や販促、取引先からの情報などを踏まえて修正してから発注に使います。修正した理由を記録しておくと、次の改善に役立ちます。 - **予測の劣化を見張る**：売れ方の傾向が変わると、以前のデータで学んだ予測は外れやすくなります（ドリフト）。誤差を定期的に確かめ、大きくなったら学び直しやデータの見直しを行います。 - **責任の所在を決める**：最終的な発注量や生産量を決めるのは人です。総務省と経済産業省の「AI事業者ガイドライン」も、AIの出力を事業の判断に使う場合は、利用者が責任をもって判断することを求めています。 予測の先にある在庫の管理や発注については、ガイド「在庫管理へのAIの使い方」と「購買・調達業務でのAIの使い方」もあわせてご覧ください。 ## 外部の会社に開発を頼むときは、何に気をつければよいですか？ 予測の仕組みを外部の会社と作る場合、AIの開発には特有の難しさがあります。経済産業省の「AI・データの利用に関する契約ガイドライン（AI編）」は、学習に使うデータが限られることなどから、契約の時点で性能を確定させたり保証したりすることが難しいと説明しています。 そのうえで、開発を次の4つの段階に分け、段階ごとに成果を確かめて次に進むかを決める「探索的段階型」の進め方を示しています。 - **アセスメント**：一定量のデータで、予測の仕組みを作れそうかを事前に検証する - **PoC（概念実証）**：求める精度の予測ができそうかを検証する - **開発**：データを使って、実際に使う予測の仕組みを作る - **追加学習**：できた仕組みに、新しいデータで学ばせる 各段階で十分な性能が得られないと分かった場合に、次へ進まずにやめられることが利点とされています。精度の目標、届かない場合の扱い、データやできた仕組みの権利の扱いは、事前に話し合って契約に反映します。契約の条件は、必要に応じて弁護士などの専門家に確かめます。 なお、このガイドラインは平成30年6月に公表され、令和元年12月に1.1版へ改訂されています。データ編の改訂履歴では、1.1版の改訂はデータ編を対象としたものと説明されています。また、経済産業省は令和7年2月に「AIの利用・開発に関する契約チェックリスト」を公表しており、AIサービスを利用する契約と、開発を伴う契約の確認の観点をまとめています。同チェックリストは、新しく開発する場面ではAI編の内容が引き続き当てはまるとしています。PoCの進め方は、ガイド「PoCの進め方」が参考になります。 探索的段階型の4つの段階 **アセスメント**：一定量のデータで、作れそうかを事前に検証 **PoC（概念実証）**：求める精度の予測ができそうかを検証 **開発**：実際に使う予測の仕組みを作る **追加学習**：新しいデータで学ばせる 各段階で十分な性能が得られないと分かった場合に、次へ進まずにやめられることが利点とされています。契約に関わるため、詳しくは専門家にご確認ください。 ## チェックリスト ## 関連するひな形・ガイド・用語 ひな形 - [PoC計画書](https://www.ai-ready.jp/templates/poc-plan-template/) - [社内データの棚卸し表](https://www.ai-ready.jp/templates/data-inventory-sheet/) ガイド - [在庫管理へのAIの使い方：需要の予測を発注と在庫の判断につなげる](https://www.ai-ready.jp/guide/ai-inventory-optimization/) - [購買・調達業務でのAIの使い方](https://www.ai-ready.jp/guide/ai-for-procurement/) - [データの品質を高める手順](https://www.ai-ready.jp/guide/data-quality-improvement/) - [Excelのデータを、AIで使える形に整える](https://www.ai-ready.jp/guide/excel-data-cleanup/) - [PoCの進め方：成功と撤退の条件の決め方](https://www.ai-ready.jp/guide/poc-planning/) - [AIの開発・利用の契約で確かめること](https://www.ai-ready.jp/guide/ai-contract-guidelines/) - [AIの効果の測り方：時間・費用・品質の指標](https://www.ai-ready.jp/guide/measuring-ai-impact/) 用語 - [需要予測](https://www.ai-ready.jp/glossary/demand-forecasting/) - [時系列分析](https://www.ai-ready.jp/glossary/time-series-analysis/) - [ドリフト（モデルの劣化）](https://www.ai-ready.jp/glossary/model-drift/) - [説明変数と目的変数](https://www.ai-ready.jp/glossary/explanatory-and-target-variables/) - [オープンデータ](https://www.ai-ready.jp/glossary/open-data/) ## よくあるご質問 Qどのくらいの期間の販売の実績があれば始められますか？ A決まった目安はありませんが、季節による変化を予測に入れたい場合は、その変化が何回か含まれる期間の実績があると確かめやすくなります。データが短い場合は、予測する単位を大きくする、季節の影響の小さい商品から始めるなどの工夫があります。 QAIの予測は、担当者の経験による予測より正確ですか？ A商品や状況によって異なります。そのため、導入の前に、いまのやり方の予測とAIの予測を同じ期間で比べ、誤差がどのくらい変わるかを確かめます。新商品や大きな販促など、過去のデータにない出来事は、担当者の知見で補う運用が向いています。 Q天候のデータは、どこで手に入りますか？ A気象庁の「気象データ高度利用ポータルサイト」では、アメダスの過去の観測データや、2週間気温予報などの確率予測の資料をCSVの形式で提供しています。清涼飲料や小売、アパレルなどの分野での活用の事例も紹介されています。 Q外部の会社に予測の仕組みの開発を頼むとき、何に気をつければよいですか？ AAIの予測の精度は、契約の時点で確定させにくい性質があります。経済産業省の「AI・データの利用に関する契約ガイドライン」は、事前の検証やPoCなどの段階に分け、段階ごとに成果を確かめて次に進むかを決める進め方を示しています。精度の目標と、届かない場合の扱いを事前に話し合っておきます。 ## この記事に出てくる用語 - [需要予測](https://www.ai-ready.jp/glossary/demand-forecasting/) - [時系列分析](https://www.ai-ready.jp/glossary/time-series-analysis/) - [AI・データの利用に関する契約ガイドライン](https://www.ai-ready.jp/glossary/ai-data-contract-guidelines/) - [ドリフト（モデルの劣化）](https://www.ai-ready.jp/glossary/model-drift/) - [AI事業者ガイドライン](https://www.ai-ready.jp/glossary/ai-guidelines-for-business/) - [PoC（概念実証）](https://www.ai-ready.jp/glossary/proof-of-concept/) - [オープンデータ](https://www.ai-ready.jp/glossary/open-data/) - [説明変数と目的変数](https://www.ai-ready.jp/glossary/explanatory-and-target-variables/) ## 「ユースケースと効果」のほかの記事 [この柱の解説 →](https://www.ai-ready.jp/about-ai-ready/use-cases/) [広げる／ユースケースと効果AIの効果の測り方：時間・費用・品質の指標桐谷彰人2026-10-25](https://www.ai-ready.jp/guide/measuring-ai-impact/)[定着させる／ユースケースと効果AIの効果を測り続ける：全社に広げた後の指標の見直しと、続ける・広げる・やめるの判断嵐保憲2026-10-26](https://www.ai-ready.jp/guide/sustaining-ai-impact/)[はじめる／ユースケースと効果AIを使う業務の選び方：業務の棚卸しから優先順位まで石田誠2026-10-25](https://www.ai-ready.jp/guide/choosing-ai-use-cases/) ## 出典 1. [経済産業省「AI・データの利用に関する契約ガイドライン－AI編－」（平成30年6月。産業構造審議会の資料として掲載）](https://www.meti.go.jp/shingikai/sankoshin/shomu_ryutsu/joho_keizai/it_rikatsuyo/pdf/011_s02_02.pdf) 2. [経済産業省「AI・データの利用に関する契約ガイドライン－データ編－」（1.1版、令和元年12月）](https://www.meti.go.jp/policy/mono_info_service/connected_industries/sharing_and_utilization/20200619001.pdf) 3. [経済産業省「AIの利用・開発に関する契約チェックリスト」（令和7年2月）](https://www.meti.go.jp/press/2024/02/20250218003/20250218003-a.pdf) 4. [気象庁「気象データ高度利用ポータルサイト」](https://www.data.jma.go.jp/developer/index.html) 5. [総務省・経済産業省「AI事業者ガイドライン（第1.2版）」本編](https://www.soumu.go.jp/main_content/001064299.pdf) 最終確認日：2026-11-12 ## 次の一歩 [測るAI-Ready診断（無料）いまの準備状況を、7つの柱で確かめられます。](https://www.ai-ready.jp/diagnosis/) [相談する結果の解説（30分・無料）診断の結果をもとに、オンラインでご説明します。](https://www.ai-ready.jp/consult/review/) [窓口ご相談のお申し込み経営・M&A・事業承継・上場・バリューアップはフロレンティナ、AIの導入・開発・データ・セキュリティ・研修はアメリア・テクノロジーがお受けします。](https://www.ai-ready.jp/consult/apply/) 目次 1. AIの需要予測は、どんな仕組みですか？ 2. 何を予測するかは、どう決めればよいですか？ 3. どんなデータが必要ですか？ 4. 予測の正しさは、どう確かめればよいですか？ 5. 運用は、どう組み立てればよいですか？ 6. 外部の会社に開発を頼むときは、何に気をつければよいですか？ 7. チェックリスト 8. よくあるご質問 この記事が扱う柱 主に「ユースケースと効果」、あわせて「データ」 [ユースケースと効果の解説](https://www.ai-ready.jp/about-ai-ready/use-cases/)[データの解説](https://www.ai-ready.jp/about-ai-ready/data/) 自社の準備度を確かめる 10問・約3分・登録不要。7つの柱ごとの目安がわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/) --- 出典：フロレンティナ株式会社「需要予測にAIを使う進め方｜AI-Ready.jp」 https://www.ai-ready.jp/guide/ai-demand-forecasting/