製造業の需要予測AI｜生産計画・在庫・発注を最適化する仕組みと、中小工場が失敗しない導入5ステップ

「来月はどれだけ作ればいいのか」。多くの中小工場では、この判断を生産管理の担当者の経験と勘、そしてExcelにある前年の実績に頼っています。予測が外れて足りなければ、欠品による納期遅れや休日出勤での特急対応が発生します。逆に作りすぎれば、倉庫に在庫が積み上がり、資金が寝てしまいます。経済産業省のものづくり白書でも、人手不足やサプライチェーンの不確実性への対応として、データとデジタル技術の活用が毎年の主要テーマになっています。

こうした課題への手段として広がっているのが需要予測AIです。過去の出荷実績や受注、取引先からの内示、季節の変動などのデータから将来の需要量を数字で示し、生産計画・在庫・部品発注の判断材料にします。

この記事では、製造業の需要予測AIについて、仕組みと使うデータ、見込生産・内示ベースの部品手配・補修部品・資材購買での活用パターン、中小工場が導入で失敗しない5ステップを解説します。小売業の需要予測は小売業のAI活用ガイドで扱っていますので、この記事は製造業に特有の論点に絞ります。

製造業の需要予測が難しい理由と、勘とExcelの限界

製造業の需要予測には、小売業とは違う難しさがあります。

• 品番が多い：製品だけでなく、部品・材料・補修部品まで含めると数百〜数千の品番があり、担当者がすべてを丁寧に見ることはできません。
• 見込生産と受注生産が混在する：在庫を持って売る製品と、注文を受けてから作る製品が同じ工場に並び、予測の考え方が品番ごとに違います。
• 内示と確定注文がずれる：取引先から届く内示（予定数量）は、確定時に増えたり減ったりします。ずれの大きさは取引先や品番によってさまざまです。
• 調達リードタイムが長い：海外調達の部品や特殊な材料は、数か月先の需要を見込んで手配する必要があり、予測の対象期間が長くなります。

Excelでの予測は、「前年同月の実績 × 伸び率」で計算する方法が一般的です。品番が少ないうちは機能しますが、品番が増えると更新が追いつかなくなり、季節、取引先の生産計画、価格改定といった複数の要因を同時に考えることも難しくなります。さらに、予測が当たったかどうかを振り返る仕組みがないため、精度が上がりません。予測のやり方が担当者の頭の中にしかない状態は、製造業の属人化の典型例でもあります。

需要予測AIの価値は、AIが人より必ず当たることではありません。全品番を同じ基準で、毎回同じ手順で予測し、外れ方を記録して改善できることにあります。担当者は、AIが出した数字を自分の知見で補正する役割に集中できます。

需要予測AIの仕組み｜使う手法とデータ

主な予測手法：統計モデルと機械学習

需要予測AIで使われる手法は、大きく2つに分かれます。

• 統計モデル（時系列予測）：移動平均や指数平滑法、季節の変動を織り込んだ時系列モデルなど、過去の実績の傾向から先を予測する方法です。仕組みが分かりやすく、データが少なめでも使えます。
• 機械学習：出荷実績に加えて、取引先の生産計画、カレンダー、気温、価格改定などの複数の要因を組み合わせて予測する方法です。要因の多い品番で精度を上げやすい一方、データの準備に手間がかかります。

中小工場では、まず統計モデルで全品番の予測を出し、売上の大きい品番や要因がはっきりしている品番から機械学習を試す順序が現実的です。なお、文章を生成するタイプの生成AIは、数値の予測そのものには向きません。予測結果の説明文を作る、計画会議の資料を要約するといった使い方が中心で、詳しくは製造業の生成AIユースケースで解説しています。

予測に使うデータ

• 社内のデータ：出荷実績、受注実績、内示、在庫、生産実績、品番マスタ（製品と部品の構成を含む）
• 取引先のデータ：取引先の生産計画、販売計画、内示の履歴
• 外部のデータ：稼働日カレンダー、季節・気温、業界の生産統計や景気の指標

最低限必要なのは、品番ごとの出荷実績または受注実績を、週か月の単位で2〜3年分です。これがあれば、季節の変動を含めた予測を始められます。

予測精度の考え方

予測精度は、実績との誤差の割合などの指標で評価します。ただし、すべての品番で同じ精度を求める必要はありません。売上の大きい順に品番をA・B・Cに分けるABC分析を行い、毎月安定して出荷されるA品番は精度を重視し、出荷がまばらな品番は予測よりも安全在庫で吸収する、という使い分けが基本です。また、予測は1つの数字ではなく「この範囲に収まる可能性が高い」という幅で持つと、在庫や生産能力の判断に使いやすくなります。

製造業の需要予測AI活用パターン

見込生産の製品：生産計画とラインの負荷の平準化

在庫を持って出荷する製品では、品番別の月次・週次の需要を予測し、生産計画の数量を決めます。予測があると、需要の山が来る前に生産を前倒しして、ラインの負荷を平準化できます。繁忙期の残業や休日出勤を減らし、閑散期の手待ちも減らせる点が効果です。生産計画をExcelで作っている場合は、生産管理をExcelから脱却する手順とあわせて、予測と計画を同じ仕組みで扱える形に整えます。

受注生産・内示ベースの部品手配：内示のぶれを補正する

自動車部品や電機部品のように、取引先からの内示をもとに生産する工場では、内示と確定注文の差が課題になります。需要予測AIで取引先・品番ごとの内示のぶれを学習し、補正した数量で長納期の部品や材料を先行手配すると、欠品と過剰在庫の両方を減らせます。「この取引先の内示は確定時に1割ほど減ることが多い」といった担当者の感覚を、データで裏付けて全品番に広げるイメージです。

補修部品・保守部品：まばらな需要に備える

補修部品は、何か月も出荷がなく、突然まとまって注文が入る「間欠需要」になりがちです。通常の予測手法では外れやすいため、まばらな需要向けの手法を使うか、予測よりも安全在庫と発注点の設定を中心に考えます。製品の販売台数や稼働年数から交換時期を見込む方法も有効です。

原材料・資材の購買：発注点と発注量の見直し

製品の需要予測を部品構成表で展開すれば、原材料や資材の必要量が分かります。予測と調達リードタイムから発注点と発注量を定期的に見直すことで、「いつも多めに発注しておく」運用から抜け出せます。前提となる在庫の数字の精度については、製造業の在庫管理をExcelから移行する手順を参考にしてください。

中小工場が需要予測AIを導入する5ステップ

ステップ1：目的と対象の品番を決める

「欠品と特急対応を減らしたい」のか、「在庫を減らして資金を回したい」のかで、重視する品番と評価の指標が変わります。目的を1つに決め、ABC分析で売上の大きいA品番や、欠品・過剰在庫が多い品番から対象を絞ります。最初から全品番を対象にしないことが、早く成果を出すコツです。

ステップ2：出荷・受注のデータを整える

導入でもっとも時間がかかるのがこの工程です。品番コードの表記ゆれを統一する、欠品で出荷できなかった月は本来の需要が隠れているため印を付ける、一度きりの特注品やキャンペーンによる特殊な出荷を区別する、といった整理を行います。データが複数のExcelに散らばっている場合は、まず1つの場所に集めるところから始めます。

ステップ3：過去データで、今のやり方と比べる

過去のデータを使い、「半年前の時点で予測していたら、実績とどれだけずれたか」を検証します。担当者がこれまで立ててきた予測と、需要予測AIの予測を同じ期間で比べ、どの品番でAIが上回り、どの品番で担当者の知見が勝るのかを確かめます。この結果が、社内で予測を使ってもらうための説得材料になります。

ステップ4：生産計画と発注の手順に組み込む

予測を出すだけでは、現場は変わりません。「AIが予測を出す → 担当者が取引先の情報などをもとに補正する → 補正の理由を記録する → 計画と発注を確定する」という手順を決め、月次の計画会議に組み込みます。営業・生産・購買が同じ予測の数字を見て計画を決める場にすると、部門ごとに違う数字で動く状態を解消できます。

ステップ5：精度を測って見直し、対象を広げる

予測と実績の誤差、欠品の件数、在庫の回転日数を毎月記録し、効果を確認します。精度が安定した品番から対象を広げ、外れが続く品番は要因を調べて、使うデータや手法を見直します。追うべき指標の選び方は製造業の生産性向上 指標を参考にしてください。

導入でつまずく3つのパターン

• データを整えないままツールを入れる：品番コードの不統一や欠品月の扱いを放置すると、予測の精度が出ず、「AIは使えない」という評価で終わります。ツール選びより先にデータ整備に時間を割きます。
• 予測を出しても計画や発注に使われない：担当者が予測を信用できず、結局は自分のExcelに戻るパターンです。過去データでの比較結果を共有し、補正の余地を残した手順にすることで防ぎます。
• 100％当てようとする：需要予測は外れることが前提です。予測の精度だけを追い続けるのではなく、安全在庫、段取り替えの短縮、生産の前倒しといった、外れても対応できる仕組みとセットで考えます。

まとめ：需要予測AIは「データ整備」と「計画への組み込み」で効果が決まる

• 製造業の需要予測は、品番の多さ、見込生産と受注生産の混在、内示のぶれ、長い調達リードタイムのために難しく、勘とExcelでは限界がある
• 需要予測AIは統計モデルと機械学習を使い分け、品番ごとの出荷・受注実績2〜3年分から始められる。精度はABC分析で品番ごとに考える
• 見込生産の生産計画、内示ベースの部品手配、補修部品、原材料の購買に活用パターンがある
• 進め方は、目的と対象の決定 → データ整備 → 過去データでの比較 → 計画と発注への組み込み → 精度の測定と横展開、の5ステップ

需要予測AIは、高度な分析の仕組みである以前に、出荷・受注・在庫・生産のデータが正しく1か所にそろっていることが前提です。製造業の現場改善とDXの全体像は製造業のDX・生産性向上ガイドを、業種を問わない生産性向上の考え方は生産性完全ガイドを参考にしてください。

株式会社Sei San Seiでは、生成AI × RPA × 業種特化型の次世代型ERPであるMINORI Cloud 製造業版で、受発注・在庫・生産実績といった需要予測の土台になるデータを1つの仕組みにまとめる環境づくりをご支援しています。「どの品番から予測を始めるべきか分からない」「データが散らばっていて整理の仕方が分からない」という段階では、MINORI Advisoryで業務とデータの棚卸しからご相談いただけます。お気軽にご相談ください。

よくある質問

Q1. 需要予測AIはExcelでの予測と何が違いますか？

前年同月の実績に伸び率を掛けるExcelの予測は、品番が増えると更新が追いつかず、季節や取引先の生産計画といった複数の要因を同時に考えるのが難しくなります。需要予測AIは、全品番を同じ基準で定期的に予測し、要因を組み合わせて数量を出し、予測と実績のずれを記録できます。AIが常に人より当たるわけではないため、担当者の知見で補正する前提で使うのが基本です。

Q2. 中小企業でも需要予測AIに使えるだけのデータはありますか？

品番ごとの出荷実績または受注実績が、週単位か月単位で2〜3年分あれば始められます。多くの工場では販売管理や生産管理システム、Excelにこのデータが残っています。課題は量よりも質で、品番コードの不統一、欠品で出荷できなかった月の扱い、一度きりの特注品の混在を整理する必要があります。まず売上の大きい品番に絞って整えると、負担を抑えられます。

Q3. 需要予測AIの予測精度はどのくらいですか？

品番の性質によって大きく変わります。毎月安定して出荷される売れ筋の品番は精度が出やすく、出荷がまばらな補修部品や新製品は外れやすくなります。導入前に過去データで担当者の予測と比べ、予測誤差の指標で評価してください。全品番を高い精度で当てるのではなく、精度が出る品番は予測で計画し、ばらつく品番は安全在庫や生産の柔軟性で吸収する、という使い分けが現実的です。

Q4. 受注生産の工場でも需要予測AIは役立ちますか？

役立ちます。受注生産でも、取引先から届く内示と確定注文の差には品番や取引先ごとの傾向があります。需要予測AIで内示のぶれを学習し、補正した数量で長納期の部品や材料を先行手配すれば、欠品と過剰在庫の両方を減らせます。取引先の生産計画や販売計画を入手できる場合は、予測の材料として加えると精度が上がります。

Q5. 需要予測AIの導入にはどのくらいの費用と期間がかかりますか？

生産管理や在庫管理のシステムに付いている予測機能や、クラウドの予測サービスを使えば、比較的少ない費用で始められます。期間は、データの整理に1〜2か月、過去データでの検証と試行に2〜3か月を見込むのが一般的です。費用と期間が膨らむのは、データが複数のExcelに散らばっている場合です。ツールの費用だけでなく、データ整備と運用にかかる社内の時間も含めて判断してください。