精度の高い需要予測が適切な供給を可能にし、会社の利益を守ります。 ここでは、AIの開発事例の中でも需要機能に絞った成功事例を取り上げて紹介しています。
クライアントは年間100近いプロモーションのプランニング業務をおこなっており、プロモーションの効果を高めるためにも精度の良い将来予測ができることが必須でした。これまで人の手作業でおこなっていましたが、精度や効率を考えてシステム化することに。
株式会社ブレインパッドでは、計画立案からプロモーションプランニングの意思決定まで支援。過去の売上データやカレンダー情報に基づいた予測システムをスピーディーに、自動的におこなえるシステムを構築しました。
その結果、需要予測結果から経営状態が把握しやすくなり、また必要なプロモーションの立案支援、プロモーションに連動した原材料の仕入れや各店舗への必要な人員の配置の最適化が行えるようになりました。
| 業界 | 小売業界 |
|---|---|
| 開発企業 | 株式会社ブレインパッド |
これまでエクセルで取り組んでいた需給予測作業が厳しい状況になったことから、業務の効率化と売上アップを目的にとした社内の需給予測モデル構築プロジェクトを立ち上げました。
クライアントが運営しているサイトでは提供しているサービスが多く変化も激しいことからも、社内でもすべてを把握できておらず細かい要件が不明。そこで整理することからスタート。構築対象となるサイトは商品数が多く、販促施策も多様。一般的な需給予測モデルに当てはめるのが難しかったので、複数のアルゴリズムを検証してから最適なモデルを構築しました。
モデル構築ができたことで業務効率化にもつながり、システムが需要予測をすることでバイヤーが本来の業務に集中することができるようになりました。
| 業界 | 小売業界 |
|---|---|
| 開発企業 | Accenture（旧Albert） |
多数のファッションやアパレルブランドを取り扱う三陽商会では、売上予測は各店舗のスタッフの間隔に頼っていましたが、顧客満足度を上げるには顧客行動の見える化が必要として、「ABEJA Insight for Retail」を導入しました。
接客の違いによる買上率の変化を、仮説を立てて検証するため、不調気味のショッピングセンター内店舗と好調な路面店舗にてデータ比較を実施。その結果、ショッピングセンター内店舗では来客数は多いものの接客の追い付いておらず、その接客率は4％と低い結果に。一方、路面店ではショッピングセンターよりも客数は少ないものの、スタッフ対応が十分に行き届いており、その接客率は23％と5倍以上の差をつけていることがわかりました。
| 業界 | 小売業界 |
|---|---|
| 開発企業 | 株式会社ABEJA |
これまでは、スタッフが手作業で自社商品の需要予測をおこなっていましたが、商品数が多いことからも時間がかかり、今後も商品が増えることが想定されていることからも、オートメーション化することに。機械学習モデル自動作成ツール「AMATERAS RAY（現Learning Center Forecast）」と、データ連携ツール「ASTERIA Warp」を導入しました。
ASTERIAサーバが連携元サーバから実績データ収集・変換・加工をおこない、AMATERAS RAYにデータアップロードと学習モデルを作成。予測結果がASTERIAサーバに返され、連絡先サーバへと伝わり需要計画や在庫計画に。結果、業務工数が削減でき、予測業務が可視化され属人化が排除されました。
| 業界 | 小売業界 |
|---|---|
| 開発企業 | SCSK株式会社 |
顧客レベルと商品の単品管理ごとに需要予測できるシステム「SENSY MD」を導入。生産量を決めるだけでなく、定価販売分やセール販売分の割合や、適切な割引率、値下げする時期などをデータに基づいて決めることができるようになりました。また、「SENSY MD」の導入シミュレーション結果と現状を比較したところ、需要予測が向上していることが判明しています。
「SENSY MD」では、顧客データ・商品データ・購買データなどの情報を蓄積し、人工知能SENSYが顧客の好みを学習。一人一人に合わせた商品アイテムの好みをAIスコアとして計算し、需要予測ができるようにされています。対応商品数は数10万と多く、商品発注・仕入などのMD計画を最適化します。
| 業界 | 小売業界 |
|---|---|
| 開発企業 | SENSY株式会社 |
需要予測を人の手ではなくAIでおこなうことは、業務を効率化します。膨大な量のデータを処理するのは人よりもAIの方が向いており、自動かつ早い分析が可能です。ヒューマンエラーの心配もありませんので安心です。
また、AIは様々な要因が絡むデータからのパターン分類・抽出し、各種データを組み合わせた分析も可能。より精度の高い予測結果を得ることができます。
需要予測をおこなうには、予測をインプットするデータが必要です。販売実績や出荷実績などの需要実績が分析データのベースになりますので、必要な期間の需要実績データの蓄積が必要です。
また、外部から受ける要因にはどんなものがあるのか、そのデータも必要。多くの製品やサービスが外部要因から影響を受けていますので、これらのデータを取り込むことで需要予測の精度が高まります。
製品やサービスが必要とされる需要量を適切に予測することは、無駄のない供給を可能にします。AIが発達する前は人の手で行われていた需要予測も、今ではAIによって高精度な予測を可能にしています。 需要予測機能のAI開発を成功させるには、導入前はもちろん、導入したあとも密にコミュニケーションを取れるベンダーに依頼するのがおすすめです。
TOPページでは企業の課題解決に向き合う人材やサポート体制に力を入れているベンダーをピックアップして比較していますので、是非比較・検討の参考にされてみてください。
※Google検索で「AI受託開発 ベンダー」と検索し、表示される企業をピックアップし、公式HPに導入事例・取引実績を掲載している企業を選出しています
（2022年８月29日時点）
【選出理由】
Laboro.AI：調査した40社のうち、業界知識を持ち、ビジネスコンサル経験豊富な担当者が要件定義・PoCの段階から保守・運用まで対応してくれるという、「伴走」が期待できる記載があったため。
Accenture（旧Albert）：調査した40社のうち、最もデータサイエンティストの在籍数が豊富で、統計学や金融学といった分野の研究も行なっているという「データ分析・活用」が期待できる記載があったため。
KICONIA WORKS：調査した40社のうち、最も社員在籍数が少ないながらも、少数精鋭で早期に顧客価値を生み出す、無駄なコストを削減といった「スピード対応・低予算」が期待できる記載があったため。
※「主な対応領域」は各社HPで確認できる情報をもとに作成しております。
