AI需要予測とは？手法・データ・精度の見方と導入手順、費用まで

「AIで需要予測をすると、どこまで当たるのか」「うちのデータで始められるのか」「いくらかかるのか」。導入を検討し始めた担当者が最初にぶつかるのは、この3つの疑問です。先に結論を書くと、AI需要予測は過去の販売と曜日・気象・販促などの関係を学習して将来の数量を出す仕組みで、効果が出るかどうかは手法の新しさよりも、データの準備、精度の測り方、そして予測を発注や生産計画にどう組み込むかで決まります。

この記事では、経済産業省が中小企業向けに公開している「AI導入ガイドブック 需要予測（小売り、卸業）」（2021年3月）や予測の定番教科書、各ツールの公式情報、導入企業の一次発表をもとに、AI需要予測の全体像を1本にまとめました。業種ごとの詳しい設計は、製造業・消費財メーカー・在庫管理・売上予測の各ガイドに分けて解説しています。

この記事の要点

• AI需要予測は「数を当てる技術」ではなく、発注・生産・人員配置といった意思決定の入力をつくる仕組み。予測しただけでは効果は出ない。
• 手法は、系列が少なく季節性が安定なら統計手法、外部要因と品目が多いなら機械学習が向く。どれを選んでも、単純な予測方法と比べて勝てるかを先に確かめる。
• データは品目×拠点の販売実績を2〜3年分（最低1年分）と、曜日・カレンダーが出発点。気象や販促はあれば加える。
• 「精度◯%」は指標の定義・対象・期間が違えば比べられない。時系列順に分けた検証で、いまのやり方と同じ指標で比べる。
• 費用はツールの料金より、データ整備・システム連携・運用の人件費で差がつく。公開価格があるのは一部のツールだけ。

業種・目的が決まっている方へ: 工場の生産計画なら製造業の需要予測ガイド（生産管理システムとの連携、データ要件12項目、30日PoC）、多品目・販促・新商品を抱えるメーカーなら消費財メーカーの需要予測AI（ノーコードSaaS・大手SCM/IBP・スクラッチ開発の実名比較）、在庫の記録や棚卸から効率化したいなら在庫管理AIの比較ガイド（12ツールの比較と無料で始める方法）、数量ではなく金額を見通したいならAI売上予測の始め方へ進んでください。手法・データ・精度・導入手順・費用といった共通の考え方は、この記事で扱います。

AI需要予測とは — 従来の予測と何が変わるのか

AI需要予測とは、過去の販売実績と、曜日・気象・販促などの要因との関係を機械に学習させ、品目×拠点×期間ごとに将来の数量を出す仕組みです。担当者の経験や前年実績の流用と比べて、扱える要因と品目の数、更新の頻度が大きく変わります。

経済産業省のガイドブックは、発注から販売までの一連の工程のうち需要予測を担う部分にAIを使うものと位置づけ、ある期間の売上に対して前年の売上や天気・カレンダーがどう影響したかを学習させ、次の期間の売上を予測する流れを図で示しています。同じ資料の導入事例では、10人以上の仕入れ担当者がそれぞれ独自の方法で計画を立てていた状態から、AIの予測にもとづいて経営層と担当者が議論できる状態に変わった様子が紹介されています。

メリットと注意点

上の比較を、導入の判断に使う形でまとめ直すと次のようになります。

• メリット: 品目×拠点ごとの予測を一括で出せる／担当者に依存していた判断の根拠を共有でき、引き継ぎやすくなる／気温などの見込みを変えたシミュレーションで、数字をもとに議論できる（2つ目と3つ目はガイドブックの導入事例で挙げられている効果）
• 注意点: 過去に例のない出来事や履歴の無い新商品は予測しにくい／データの整備と、毎月の再学習・運用の手間がかかる／効果が安定するまで一般に半年〜1年程度かかる（ガイドブック）／予測しただけでは効果が出ず、発注や計画の業務を変える必要がある

ここで押さえておきたいのは、予測はあくまで入力だという点です。ガイドブックは導入・運用の章で「AIを活用して需要予測をしただけでは、効果にはつながらない」とし、予測をもとに発注量の調整や販促計画の見直しなど業務の工程そのものを変える必要があると書いています。導入の検討を始める前に、予測を「何の決定に」「どの単位で」使うのかを1行で書き出しておくと、以降の手法選びやデータ準備の判断がぶれません。ガイドブックのチェックシートの記入例では、対象製品を「牛乳」、予測対象期間を「3日先から10日先まで」としています。このように対象品目・予測期間・単位まで決めておくのが理想です。

需要予測の主な手法と選び方

需要予測の手法は、大きく統計的な時系列手法、説明変数を使う回帰、機械学習の3系統に分かれます。系列が少なく季節性が安定しているなら統計手法、外部要因が多く品目数も多いなら機械学習が向きますが、どれを選ぶにしても単純な予測方法との比較が出発点になります。

予測の定番教科書である Hyndman・Athanasopoulos『Forecasting: Principles and Practice（第3版）』は、直前の値をそのまま使う方法や前年同期の値を使う方法など、ごく単純な手法をベンチマークとして使うよう勧めています。新しく作った予測方法がこれらの単純な方法より良くなければ、その方法は検討に値しない、というのが同書の立場です。AIのモデルを評価するときも、まず「前年同週の実績をそのまま使った場合」と比べて本当に誤差が減ったかを確かめてください。

表の「向く状況」は、経済産業省ガイドブックのモデル例の整理（ARIMAは自己回帰性が顕著な場合、線形重回帰は説明性を優先する場合、XGBoostなどの機械学習は説明性より精度を優先する場合）と、各ツールの公式説明にもとづいています。ExcelのFORECAST.ETSは指数三重平滑化（ETS）のAAA版で、季節性の長さを自動で検出します。Prophetは公式サイトで、強い季節性と数シーズン分の履歴がある系列に最も向き、欠損やトレンドの変化にも強いと説明されています。BigQuery MLは、TimesFMを使うAI.FORECASTはモデルの作成・管理が不要、ARIMA_PLUSは時系列を成分に分解して結果を説明したい場合、ARIMA_PLUS_XREGは複数の変数を使いたい場合、と使い分けを案内しています。

実務では、1つの手法に決め打ちせず、複数のモデルを同じ条件で試して選ぶのが一般的です。ガイドブックも、GUIのツールは時系列・重回帰・機械学習などを一通り試し、利用者が決めた評価指標で最も良いモデルを提案するのが一般的だと説明しています。日本IBMが食品スーパーのマルイで行った実証でも、全商品を一律に扱わず、商品ごとに最適な予測モデルを自動で適用する方式が採られました（日本IBM ニュースルーム、2024年9月17日）。

予測は「1つの数字」ではなく「幅」で受け取る

需要予測の結果は、平均的な見込みを示す1つの数字と、実績がどの範囲に収まりそうかを示す幅（予測区間）の組で受け取るのが基本です。同じ教科書の予測区間の章は、点の予測だけでは予測がどれだけ確かかを判断できず、予測区間を伴わない点予測にはほとんど価値がない場合もある、と強い言葉で説明しています。また、予測区間は一般に、先の期間を予測するほど広がります。

発注の実務に置き換えると、幅が広い品目ほど欠品に備えた在庫を厚めに持つ必要があり、幅が狭い品目は在庫を絞れる、という判断材料になります。経済産業省のガイドブックも、予測結果を活用して発注量を調整する際は、現在の在庫量や安全在庫、最小発注数量などを考慮するとしています。ツールを選ぶときは、予測値だけでなく幅も出力できるか、その幅を発注の計算に渡せるかを確認しておくと、導入後に「予測は出たが発注量が決められない」という状態を避けられます。

必要なデータと準備の目安

必須のデータは、品目×拠点ごとの販売実績（2〜3年分、最低1年分）と曜日・カレンダーです。気象・販促・商品属性・店舗の位置情報はあれば精度改善に使えます。量より先に、欠品日の扱い、商品コードの統一、粒度の一致を確認してください。

経済産業省のガイドブックは、需要予測に使うデータを次のように整理しています。

同じ資料の注記では、有効な予測モデルを作るには目安として3年間の過去データが必要とされています。年単位の季節変動を何回分か含めるには、それだけの期間が要ると考えると分かりやすいでしょう。気象データについては、気象庁のホームページで過去40年の気温・降水量・風速などを市区郡単位でダウンロードできると案内されており（ガイドブック発行時点の案内）、外部データの中では手に入れやすい部類です。

データ量よりも精度を左右しやすいのが前処理です。ガイドブックが挙げる注意点を実務の確認項目に置き換えると、次のようになります。

• 欠損・異常値: 売上欄に文字が入っている、通常0〜100個の商品に10,000個と入っている、といった誤りを直す。欠けている期間が目安として全体の2割以上なら、そのデータの使用は断念する。
• 商品コードの揺れ: 同じ商品に別のコードが振られていると、実績が分散して学習できない。コードを振り直して集計し直す。
• 粒度の不一致: 会計単位の売上と日別の天気を結合するなら、売上を日別に集計し直してから結合する。
• 欠品日の扱い: 在庫が無くて売れなかった日の「販売0」は、需要が0だったわけではない。欠品の記録が残っているなら、需要の少ない日と区別できるよう印を付けておく。

履歴が短い品目や新商品は、その品目だけの実績では季節の動きを学習できません。ガイドブックが販売実績を最低1年分としているのも、1年に満たないと季節の動きを1周分も含まないためと考えると分かりやすいでしょう。1年に満たない品目は、似た商品やカテゴリ全体の実績を参考にして担当者が見込みを立て、実績がたまってから品目単位の予測に切り替える、という段階的な扱いが現実的です。すべての品目を一度にAIに任せようとせず、データのそろった品目から始めるほうが、検証も運用も進めやすくなります。

前処理のうち欠品日の扱いは、発注の自動化まで進むと影響が大きくなります。売れなかった日を需要ゼロとして学習すると、予測が下振れし、さらに欠品が増える悪循環になりかねません。製造業のように受注・出荷・生産の複数のデータが絡む場合の準備は、製造業の需要予測ガイドのデータ要件チェックリストで詳しく扱っています。

精度の見方 — 「精度◯%」をうのみにしない

需要予測の精度は、指標の定義・対象品目・検証期間をそろえ、時系列順に分けた検証データで、いま使っている予測方法と比べて初めて判断できます。ベンダーの「精度◯%」は条件が違えば比べられないので、何を何で割った数字かを必ず確認してください。

検証で最初に守るべきは、未来のデータを学習に混ぜないことです。ガイドブックは、学習用と検証用を時系列順に7対3程度で分け、月別に予測する場合は少なくとも直近6か月分を検証用に割り当てるよう勧めています。教科書のForecasting: Principles and Practiceはさらに一歩進めて、予測の起点を少しずつ後ろへずらしながら検証を繰り返し、その平均で精度を測る方法（ローリング起点の時系列交差検証）を紹介しています。1回の区切りだけで評価すると、たまたま予測しやすい期間に当たっただけ、という結果を見抜けません。

指標の選び方にも落とし穴があります。よく使われる指標の性質を整理すると、次のとおりです。

MAPEの弱点は、同じ教科書の精度の章が明記しています。実績が0の期間があると無限大または定義不能になり、0に近いと極端な値になるうえ、マイナスの誤差（予測が実績を上回った場合）を重く罰する性質もあります。日配品や部品のように販売数が0になる日がある品目で、MAPEだけを見て判断するのは危険です。経済産業省のガイドブックは、需要予測では全体の精度をWMAPEで確認し、個別の予測値に大きなブレがないかを予測値と実際値の差の分布で見ることが多い、としています。上振れに偏っていれば過剰在庫や廃棄、下振れに偏っていれば欠品が構造的に起きている、と読めます。

計算例：同じ予測でもMAPEとWMAPEで印象が変わる

ある日の3品目の予測と実績で、指標の違いを確かめてみます（数字は説明用の例です）。

MAPEは誤差率の単純平均なので（10%＋20%＋200%）÷3で約77%となり、「予測がまったく当たっていない」ように見えます。一方、WMAPEは誤差の合計を実績の合計で割るので、14個÷111個で約13%です。売れ筋の予測はおおむね合っているものの、低回転品の予測は大きく外れている、というのが実態です。さらに実績が0個の品目Dが加わると、MAPEは0で割ることになり計算できません。

どちらの指標が正しいということではなく、見たいものが違います。在庫金額の大半を占める売れ筋の精度を見たいならWMAPE、低回転品の欠品や廃棄が問題ならその品目群だけを取り出して誤差を確かめる、というように、業務の論点に合わせて指標と対象を選ぶことが大切です。ベンダーの提案書で精度の数字が出てきたら、どちらの計算か、どの品目群での値かを質問してください。

公表されている精度の数字も、定義を確かめてから使ってください。日本IBMの発表では、マルイの実証で和日配の「販売数予測精度」が96.3%とされていますが、この数字がどの指標で計算されたかは発表文に書かれていません。自社のPoCでは、指標の計算式、対象品目、期間、比較対象（いまの予測方法）をそろえた上で、同じ土俵で比べることが欠かせません。そして精度そのものは手段にすぎず、最終的に見るべきは欠品率、在庫回転、廃棄額、発注にかかる時間といった業務の指標です。ガイドブックのチェックシートも、中間指標（欠品率・在庫回転率・在庫金額・売上計画策定時間・発注時間）と結果指標（売上増加分・棚卸・商品評価損の削減・在庫管理費用の削減・人件費の削減）を分けて記入する形式になっています。

導入の進め方 — 企画・モデル構築・運用

導入は、困りごとを数値にして対象を絞る企画、データを集めて検証するモデル構築、現場に定着させて再学習を続ける運用の3工程で進めます。ガイドブックは、定量的な効果が安定するまでに一般に半年から1年程度かかるとしており、短期間の実証だけで結論を出さない計画が必要です。

経済産業省のガイドブックの工程を、担当者が実際に動く順に並べ直すと次のようになります。

1. 困りごとを数値にする: 発注にかかる時間（時間/月）、棚卸・商品評価損（円/月）、欠品率、緊急発注による仕入れ価格の増加分など、いまの損失を金額や時間で書き出す。
2. 対象と予測の単位を決める: 効果の大きい品目から選び、予測期間（何日先から何日先まで）と単位（日・週・月）を決める。
3. 費用の見積もりと手段の選択: データ保管・PC・ツール費を概算し、GUIツールで始めるか、自前でモデルを作るかを決める（後述の比較表を参照）。
4. データの取得と前処理: 販売実績・カレンダー・気象などを集め、欠損や商品コードの揺れを直し、1つの表に統合する。
5. モデルの構築と検証: 複数の手法を同じ検証データで比べ、事前に決めた指標で最も良いものを選ぶ。精度が足りなければ説明変数やデータ期間を追加する。
6. 現場への展開: 作業手順書をつくり、実際の作業をしながら研修（OJT）で浸透させる。
7. 再学習と業務の変更: 毎月の実績を足してモデルを更新し、予測にもとづいて発注量や販促計画を変える。効果の出た知見を他の品目へ広げる。

ガイドブックが「よくある失敗例」として挙げているのは、どれも技術ではなく運用の問題です。予測モデルに入れるデータの形式が変わったのにモデルを調整していなかった。10月のデータを入れるべきところに9月のデータを入れた。予測結果を確認せずにそのまま発注に使い、新しい販促キャンペーンを考慮していない発注量になって品薄になった。予測に使っていた天気サイトからデータが取れなくなった、社内のシステム移行で販促データが取れなくなった、という変化にも、別のデータで学習し直すか、その変数を使わない形に作り直す必要があるとしています。

PoCで決めておくこと

PoC（小規模な実証）は、AIが使えるかどうかを確かめる場であると同時に、次の投資を判断する材料をつくる場です。始める前に、少なくとも次の5点を文書にしておくと、終わったあとに「結局よかったのか分からない」という事態を避けられます。

• 対象: 品目・拠点・予測期間。損失が大きく、データがそろっている品目から選ぶ。
• 比較対象: いまの予測方法（担当者の予測や前年実績）と、単純な方法によるベースライン。
• 指標: 精度の指標（WMAPEと誤差の偏りなど）と、業務の指標（発注時間、欠品率、在庫金額、廃棄額）を分けて測る。
• 合格の基準: 「いまの方法より誤差が何割減れば本番に進む」「発注時間が何割減れば展開する」など、事前に数字で決める。
• 本番化の条件: 予測結果を誰が確認し、どのシステムへどう渡すか、再学習を誰が担うか。

ガイドブックが示すとおり、定量的な効果が安定するまでには半年から1年程度かかることがあります。数か月のPoCで確かめられるのは主に予測の精度と運用の回し方で、在庫や廃棄の削減効果は本番運用を続けながら測ることになる、と関係者の期待をそろえておくと判断がぶれません。

こうした失敗を防ぐには、AIの推奨値を人が確認してから発注を確定する期間を最初に設け、どの程度の差なら人が修正するかのルールを決めておくのが現実的です。PoCを本番運用へ移すときに起きやすい壁は、AI PoCから本番化への進め方でも整理しています。

実現手段を比較する

AI需要予測を実現する手段は、Excel、ノーコード・GUIのツール、クラウドの機械学習基盤やオープンソース、小売・SCM向けのパッケージ、受託開発の5つに分かれます（下の分岐図では、パッケージと受託開発をまとめ、手段を選ぶ前の「データの蓄積」を加えた5つの出発点で示しています）。どれを選ぶかは、社内にデータを扱える人がいるか、予測する品目×拠点の数、既存の発注・生産システムとどこまで連携するかで決まります。

表の中で押さえておきたい点をいくつか補足します。Prediction Oneは公式サイトで14日間の無料体験版を案内しています（公式ページには体験版ではサンプルデータのみ利用できるとの注記があるため、自社データで試す条件は公式で確認してください）。UMWELTは、日付・品番（または店名）・数量のデータがあれば品番ごとに日・週・月単位の需要予測ができ、安全在庫を計算する機能も備えていると公式に説明しています。

クラウドでは、提供方針の変化に注意が必要です。AWSは2024年7月29日をもってAmazon Forecastの新規顧客の受け付けを終了し、既存顧客は引き続き利用できるものの新機能の追加は予定していないと発表しました。新規に検討するならSageMaker Canvasなどへの移行を前提に考えることになります。専用サービスを選ぶ場合も、学習データと予測結果を自社側に残せる構成にしておくと、将来の乗り換えに備えられます。

経済産業省のガイドブックは、GUIツールで作る方法と自力でモデルを作る方法を比べ、どちらも高い精度を実現できるとしたうえで、前者はAI人材の重点的な支援が不要な代わりにモデルのカスタマイズはできない、後者はAI人材の支援が必要な代わりにカスタマイズでき、スキルに応じて精度を高められると整理しています。GUIツールでも、モデルを現場に実装する際には一部プログラミングの知識が必要になり、AI人材の支援が要る可能性があるとも書かれています。自社にとっての正解は1つではないため、上の分岐図のように「販売実績が1年分以上あるか」「予測する系列は少数か」「既存の発注・生産システムとの連携が必要か」「社内にプログラミングできる人がいるか」の順に考えるのが近道です。分岐図はあくまで出発点を選ぶ目安で、たとえばExcelで作ったベースラインは、どの手段に進んでもAIの効果を測る物差しとして使えます。在庫管理そのものを効率化するツール（在庫の記録、画像での数量把握など）まで含めて比較したい場合は、在庫管理AIの比較ガイドが詳しく扱っています。

費用の考え方と公開されている価格

AI需要予測の費用は、ツールの料金よりも、データ整備、既存システムとの連携、運用・再学習の人件費で差がつきます。公開価格があるのは一部のツールに限られ、パッケージや受託開発は要件次第の見積もりになるため、内訳に分けて比べるのが確実です。

公式に確認できる価格と試算を、確認日つきでまとめます（2026年10月1日時点で各公式ページを確認。最新の条件は各社の公式で確認してください）。

ガイドブックの試算は5年以上前のツール料金が前提で、社内でプログラミングができる人材が1人いたグッデイの例も、そのまま一般化できる数字ではありません。ただ、「ツール費だけなら年十数万円から始められる例がある」ことと、「費用の大部分はツール以外にある」ことの両方を示す材料にはなります。

ガイドブックのチェックシートには、回収の見通しを立てる記入例も載っています。牛乳を対象に3日先から10日先までを予測する例で、発注時間が月65時間、棚卸・商品評価損が月15万円という現状に対し、導入費用を約10万円、維持費用を約1万円/月、棚卸・商品評価損の削減を月5万円と見込んでいます。この記入例の数字で計算すると、月あたりの純効果は5万円−1万円＝4万円で、導入費用の10万円は2.5か月分の純効果で回収できる計算になります。あくまで記入例の数字ですが、損失を月額で書き出し、削減見込みと維持費を並べるだけで、PoCに進むかどうかの判断材料になることが分かります。

見積もりを比べるときは、次の4つに分けて自社なりの想定を置いておくと、各社の提案を同じ土俵で比べられます。

投資の回収は、全社一律の削減率を掛けるのではなく、企画段階で書き出した損失（発注時間、商品評価損、欠品による逸失売上）を対象品目について積み上げて試算するのが確実です。試算の組み立て方はAI導入のROI計算方法で解説しています。受託開発を依頼するときは、最初の打ち合わせで「PoCの範囲と成果物」「精度の指標と比較対象」「再学習を誰が行うか」「予測結果をどのシステムへ渡すか」の4点を確認すると、見積もりの前提がそろいます。

公表されている導入事例

公表された事例では、発注時間の削減や在庫の圧縮が報告されていますが、数字の定義や対象範囲は各社で異なります。自社の目標値として使うのではなく、どの業務を変えて効果を出したのかを参考にするのが適切です。

3社に共通するのは、予測の精度を上げること自体ではなく、発注や仕入れ計画という具体的な業務を変えることを目的にしている点です。グッデイでは、気温の見込みを事前にシミュレーションして数字をもとに議論できるようになったことが、生産性の向上として挙げられています。マルイは、発注業務で削減した時間を付加価値の高いサービスの提供に振り向け、店舗の活性化につなげたと説明しています。ライフの事例は、日配品で始めた仕組みを数年かけて生鮮へ広げており、新たな商品へ展開する際は効果の大きい商品から選ぶ、というガイドブックの進め方と重なります。

なお、グッデイの結果は同社の経営者による評価を含む数字で、ガイドブック自体も導入企業やサービス提供企業へのヒアリングにもとづく資料（実証実験は未実施）であることを明記しています。マルイの数字も実証期間と対象カテゴリーが限られています。事例の数字をそのまま自社の効果見込みにせず、自社のPoCで同じ種類の指標を測ることが前提です。

業種・用途別の違いと、次に読む記事

需要予測の基本は業種を問わず共通ですが、何が需要を動かすか、予測を何の決定に使うかは業種によって違います。自社の状況に近い行から、次に読む記事を選んでください。

小売の中でも、業態によって需要を動かす要因と、改善の効果が出やすい場所は変わります。一般に、食品スーパーやコンビニは消費期限の短い日配品・生鮮が多いため、気象・曜日・特売の影響と廃棄の削減が論点になりやすく、この記事で紹介したマルイやライフの事例もまず日配品から始めています。ドラッグストアのように季節商材の山谷が大きい業態では、欠品を避けながら在庫を抑えるバランスが、シーズンごとの売り切りを前提とするアパレルでは、追加発注と値下げの判断が、予測の使いどころになりやすいでしょう。こうした業態の違いは、どの品目から始めるか、日次か週次か、どの外部データを加えるかの判断に直結します。

相談すべきケース・まだ早いケース

外部に相談すべきなのは、1年以上の販売実績があり、欠品・廃棄・発注工数などの損失を金額で説明でき、予測を使う業務と担当者が決まっている場合です。逆に、データがそろっていない、予測を何に使うかが決まっていない段階なら、まず社内でデータを貯め、Excelなどでベースラインを作るのが近道です。

相談を急いだほうがよいのは、次のような状況です。

• 発注や生産計画が特定のベテランに依存していて、異動や退職で精度が落ちる不安がある
• 品目×拠点の組み合わせが多く、Excelやノーコードツールでは手作業が回らない
• 予測結果を既存の発注・生産・在庫システムに自動で渡す必要がある
• ノーコードツールでPoCをしてみたが、業務に組み込む段階で止まっている

まだ早いのは、販売実績が1年分に満たない、商品コードが統一されておらず品目別に集計できない、予測を何の決定に使うかが社内で合意できていない、といった段階です。この場合は、この記事の「必要なデータと準備の目安」に沿ってデータを整え、単純な予測方法でいまの誤差を測るところから始めてください。その数字が、後でAIの効果を判断する物差しになります。

koromo（衣株式会社）は、予測を使う業務の整理、PoCの範囲と指標の設計、既存システムとの連携を含む開発まで、段階に合わせて支援しています。開発の現場では Claude Code のような支援ツールも活用し、検証用の仕組みを小さく作って確かめる進め方をとっています。社内でデータ活用や開発を内製化したい場合も、どこまでを自社で持つかの切り分けから技術相談としてお受けします。初回の相談では、販売実績の期間と品目数、予測を使いたい業務をうかがい、Excel・ノーコードツール・開発のどこから始めるのがよいかの見立てをお伝えします。

よくある質問