製造業の需要予測｜AI活用の手法・ソフト比較と需要計画・生産管理への落とし込み【2026年】

製造業の需要予測とは、製品や部品が「いつ・どこで・どれだけ」出荷されるかを事前に見積もり、需要計画・生産計画・調達計画の起点となる数字を作る業務です。AIを使った需要予測は、過去の出荷実績に加えて天候・販促・受注残・経済指標などの外部要因を機械学習で扱い、SKU別・週次の粒度で予測値を出します。

McKinseyは、AIによる需要予測をサプライチェーンに適用すると予測誤差を20〜50%減らせ、欠品や販売機会損失を最大65%減らせると分析しています（出典: McKinsey「AI-driven operations forecasting in data-light environments」、2022年）。一方で人手の側は細っています。2026年版ものづくり白書（厚生労働省 概要）によれば、製造業の就業者数は2025年に1,033万人で、人材育成に問題を抱える事業所の62.8%が「指導する人材が不足している」と答えています。ベテランの需給担当者の勘に頼ってきた予測を、仕組みとして引き継ぐ手段が求められています。

この記事は、製造業の需要予測をAIで高度化したい経営者・生産管理・SCM部門の方に向けて、手法の選び方、Excelでの始め方、需要予測ソフトの比較、需要計画と生産管理システムへのつなぎ方を順に整理します。

要点

• 需要予測は「需要計画（S&OP）→生産計画（MPS/MRP）→生産管理システム」へ数字を渡す最上流の業務。予測精度だけでなく、次の工程に何を渡すかで設計する
• 最初の一歩はExcelのFORECAST.ETSでベースラインを作り、WAPEで精度を測ること。AIやソフトは、このベースラインをどれだけ上回るかで評価する
• データが2年未満なら統計手法、外部要因が効くなら勾配ブースティング（LightGBM等）が第一候補
• 需要予測ソフトは「ノーコードSaaS」「需要予測パッケージ」「SCM計画スイート」「クラウドML基盤で自社開発」の4型。規模とERP連携の要否で選ぶ
• PoCが本番化しない原因の多くは精度ではなく、データ品質・現場の業務手順・責任分界・KPI接続にある

製造業の需要予測とは — 需要計画・生産計画・生産管理との関係

製造業の需要予測は、単独では価値を生みません。予測値は需要計画で販売・生産・財務の合意数字になり、生産計画で「どのラインで・いつ・何個作るか」に変換され、生産管理システムで資材手配と製造指示に落ちて初めて在庫や欠品に効きます。需要予測を生産管理に活かそうとしてつまずくのは、多くの場合この受け渡しのどこかです。

需要予測から生産管理までの5つの工程

需要予測AIが担うのは表の1行目です。生産計画や資材所要量計画の自動立案は数理最適化やスケジューラの領域で、詳しくは生産計画AIと最適化の導入ガイドで扱っています。両者をつなぐと効果が大きくなるため、本記事の事例でも「需要予測」と「生産計画」を分けて紹介します。

予測の期間と粒度は生産計画の階層に合わせる

生産管理では、計画を期間の長さで大日程・中日程・小日程に分けて扱うのが一般的です。需要予測も、どの計画に数字を渡すかで必要な期間と粒度が変わります。

期間が長いほど誤差は大きくなるため、大日程では製品群単位で集計した予測を使い、小日程に近づくほど受注残や内示などの確定情報の比重を上げます。すべての計画を同じ一つの予測で賄おうとすると、どの計画にとっても使いにくい数字になります。予測を始める前に「どの計画に・どの粒度で・何週先まで」渡すのかを決めておくことが、需要予測を生産管理につなげる出発点です。

見込生産と受注生産で予測の対象が変わる

見込生産（食品・日用品・汎用部品など）では、完成品SKUの出荷量そのものが予測対象です。受注生産（産業機械・設備など）では、完成品の出荷量よりも「案件パイプライン×受注確度×納期」や、共通部品・長納期部材の必要量を予測するほうが実務に合います。自社がどちらに近いかで、使うデータも手法も変わります。

製造業の需要予測が外れる5つの理由

需要予測が当たらない原因は、多くの場合アルゴリズムの性能より手前にあります。製造業で多い5つを挙げます。

1. SKUが多すぎて手が回らない

多品種少量化で品目数が増えると、担当者が全品目を同じ丁寧さで予測することは不可能になります。売上上位品目だけを見て、残りは前年同月の横置きで済ませる運用が、欠品と過剰在庫の両方を生みます。

2. 特需や販促が実績データに混ざっている

キャンペーン、新製品の立ち上げ、取引先の在庫調整、災害時の買いだめといった一時的な需要が実績に混ざったまま学習させると、平時の需要を読み違えます。ABEJAが公開した失敗例では、パソコン需要予測でCMやキャンペーン、OSのサポート終了による特需で売上が乱高下し、平時の需要データとして使えなかったケースが紹介されています（出典: ロボスタ「AI導入やPoCで失敗する5つの事例と対処法」、2020年2月）。

3. 外部要因を数字で持っていない

天候、原料市況、為替、取引先の生産計画など、需要を動かす要因を担当者は経験で知っていても、データとして蓄積していないことが多くあります。外部要因がデータ化されていなければ、どの手法を使っても予測には反映されません。

4. Excelと担当者の頭の中に予測ロジックがある

予測の補正ルールが担当者ごとのExcelと経験に埋め込まれていると、担当者の異動や退職で精度が落ちます。ロジックが見えないので、外れたときに原因を振り返ることもできません。

5. 部門ごとに違う数字を使っている

営業は売上目標、生産は工場の能力、SCMは在庫水準を基準に、それぞれ別の数字で動いていると、予測を改善しても現場の判断は変わりません。需要計画（S&OP）で一つの数字に合意する仕組みがないと、予測精度の向上が在庫や欠品に表れません。

需要予測の手法 — 統計手法とAI（機械学習）の違い

需要予測の手法は、過去の実績の規則性を数式で延長する統計手法と、多数の要因の組み合わせをデータから学習する機械学習・深層学習に分かれます。AIによる需要予測の本質的な違いは、外部要因との非線形な関係や、要因同士の相互作用を扱える点にあります。

統計手法の仕組みと限界

主要6手法の比較

必要データ量は一般的な目安で、品目数や需要の安定度によって変わります。ProphetはMeta（旧Facebook）が公開したオープンソースの時系列予測ライブラリです。実務では、ベースラインを統計手法で作り、変動要因が大きい品目だけ機械学習に置き換えるハイブリッド構成がよく採られます。

手法の選び方

最初に試す手法は、次の4つの問いで絞り込めます。

Q1. 出荷・販売データは2年以上あるか？
    NO  → 移動平均・指数平滑 + 担当者補正で始める
    YES ↓
Q2. 天候・販促・市況など外部要因の影響が大きいか？
    YES → 勾配ブースティング（LightGBM / XGBoost）
    NO  ↓
Q3. 週・月・年の季節性がはっきりあるか？
    YES → Prophet / SARIMA
    NO  ↓
Q4. 目で見ても複雑なパターンがあり、大量データと運用体制があるか？
    YES → LSTM / Transformer系
    NO  → SARIMA などの統計手法

データ不足を最初に確認し、外部要因の有無を次に見るのがこの順序の理由です。データが2年以上あり外部要因が効く製造業の現場では、勾配ブースティングが第一候補になることが多くあります。

後述のダイキン工業の事例は、ARIMA系・深層学習系・決定木系を比較したうえで勾配ブースティングのLightGBMを採用し、人の予測を上回る精度を得た例です。空調製品は季節や気温で需要が動く商材のため、上の問いに当てはめるとQ2から勾配ブースティングに進む典型と考えられます。

業種別の変動要因と手法の選び方

製造業といっても、需要を動かす要因と制約は業種ごとに大きく異なります。

業種と保有データ量で、最初に試す手法の目安をまとめると次のとおりです。

データが2年未満の列に機械学習を置いていないのは、データが少ないと機械学習は過学習しやすく、統計手法のほうが安定するためです（前述の「手法の選び方」のQ1と同じ基準です）。消費財メーカーの多SKU・販促起点の予測は消費財メーカーの需要予測AI、店舗×日次の発注予測はAI需要予測ガイドの小売事例で扱っています。

公表されている事例 — 需要予測と生産計画

社名と出典を確認できる国内事例を、「需要予測」と、予測を受けて動く「生産計画」に分けて紹介します。数値は各社・報道の公表内容に沿って記載しています。

需要予測の事例

サッポロビールの事例で注目したいのは、AI単独ではなく「人とAIの協働」を比較対象にしている点です。新商品や限定品のように過去データが少ない品目では、AIの予測に担当者の知見を重ねる運用のほうが現実的です。

生産計画の事例（需要予測の次の工程）

生産計画の事例は、需要予測の精度改善というより「予測を受けた計画づくりの時間短縮」の成果です。需要予測だけを高度化しても、計画立案が週単位の手作業のままなら、予測の更新頻度を上げる意味が薄れます。予測と計画を同じロードマップに載せると投資対効果が出やすくなります。

事例から読み取れる3つの共通点

1. 対象を絞って始めている: サッポロビールは約40アイテムで6か月検証してから本格運用に移っています
2. 人の判断と組み合わせている: サッポロビールは人とAIの協働予測を評価の軸にしており、AIに丸ごと任せる設計ではありません
3. 次の工程とつないでいる: キッコーマン食品は予測と在庫補充の生産計画立案を一体で自動化し、サントリー食品は国内の主要工場をまたいだ生産計画の最適化まで扱っています

まずExcelでベースラインを作る

需要予測ソフトやAIを検討する前に、Excelで「今の予測はどれくらい外れているか」「単純な統計手法ならどこまで当たるか」を測っておくと、ソフトの比較や投資判断がぶれません。この比較用の予測をベースラインと呼びます。

FORECAST.ETS関数で統計予測を出す

ExcelのFORECAST.ETS関数は、指数平滑法（AAAバージョンの三重指数平滑法）で将来の値を予測する関数です。Microsoft 365とExcel 2016以降のデスクトップ版で使え、Web版では使えません（出典: Microsoft サポート「FORECAST.ETS 関数」）。

=FORECAST.ETS(予測したい日付, 過去の出荷数の範囲, 日付の範囲, [季節性], [データ補間], [集計])

季節性を省略すると自動検出され、欠損値は一定の割合まで補間されます。日付は等間隔（週次なら毎週同じ曜日）にそろえる必要があります。「データ」タブの「予測シート」を使えば、同じ手法で予測値と信頼区間のグラフを一度に作れます。

精度はWAPEで測る

ベースラインとAIを比べる指標は、全社でひとつに決めます。品目ごとの誤差率を平均するMAPEは、出荷数の少ない品目の誤差に引っ張られやすいため、製造業では出荷量で重み付けするWAPE（誤差の絶対値の合計 ÷ 実績の合計）が使いやすい指標です。

1. 直近12週を「答え合わせ期間」として残し、それ以前のデータで予測する
2. 現行の人手予測、FORECAST.ETS、検討中のソフト・AIの3つで同じ期間を予測する
3. 3つのWAPEと、欠品が出た週・在庫が上限を超えた週の数を並べる

この比較表があれば、ベンダーの「精度◯%向上」という説明を自社データで確かめられます。Excelでの予測がすでに人手予測より良ければ、AIへの投資より先に予測業務の標準化から始める判断もあり得ます。

需要予測ソフトの種類と比較

需要予測ソフトは、使い手と連携範囲によって4つの型に分かれます。「製造予測ソフト」「需要予測システム」と呼ばれる製品も、多くはこのいずれかに当てはまります。

4つの型

主な製品

以下は各社の公式情報で提供元と概要を確認した製品です。料金は多くが個別見積もりのため、公開情報で確認できた試用条件のみ記載しています。評価の優劣を示すものではありません。

クラウドのサービスを検討する際の注意として、AWSの「Amazon Forecast」は2024年7月29日で新規顧客の受付を終了しており、AWSは時系列予測の移行先としてAmazon SageMaker Canvasを案内しています（出典: AWS Machine Learning Blog「Transition your Amazon Forecast usage to Amazon SageMaker Canvas」）。数年前の比較記事でAmazon Forecastを候補に挙げている場合は、前提が変わっている点に注意してください。

選び方の3つの軸

1. ベースラインを超えるか: 前述のExcelベースラインと同じ期間・同じWAPEで比べ、自社データで上回るかを試用期間中に確かめる
2. 生産管理システムに戻せるか: 予測値を需要計画・生産計画・ERPにどう渡すか（CSV、API、専用連携）を確認する
3. 自社で回せるか: 再学習、新製品の追加、外れたときの原因確認を、社内の担当者が操作できるか

ベンダー選定RFPチェックリスト12項目

1. データ取り込み: 自社ERP・生産管理システムからの取り込み実績と必要工数
2. 手法: どの手法をどう使い分けるか、予測根拠の説明性
3. モデル更新: 自動再学習とモデル劣化（ドリフト）の検知
4. 業界実績: 同業・同規模での導入事例
5. 提供形態: オンプレミス/クラウドとデータ保管場所の要件
6. API: 既存システム連携の柔軟性とドキュメントの整備度
7. 権限管理: ユーザー権限・監査ログ・SOC 2やISO/IEC 27001等の認証
8. SLA: 稼働率保証、サポート時間、エスカレーション体制
9. 料金体系: SKU数・データ量・ユーザー数のどれで課金されるか
10. 継続改善: モデル改善が契約に含まれるか、オプションか
11. 解約時の扱い: データのエクスポートと、作成したモデルの権利
12. PoCの柔軟性: 短期PoCや段階契約に対応できるか

製品名から選ぶのではなく、この12項目と自社データでの精度比較で評価すると、本番化の段階での後悔を減らせます。

費用とROI試算

需要予測AIの費用は、前章の型によって桁が変わります。以下は一般的な目安で、SKU数・データ量・連携先の数で大きく変動します。

いきなりSCM計画スイートの全社導入から始めると失敗しやすいため、ノーコードSaaSで仮説を検証し、需要予測パッケージで本番化し、必要に応じて全社統合へ広げる段階的な進め方が現実的です。クラウドML基盤での自社開発は、データ人材がいる場合の選択肢で、費用は開発範囲と体制で大きく変わります。一般的なROIの考え方はAI導入のROI計算方法で解説しています。

ROIの計算式

年間効果額 = 在庫削減額 + 欠品による機会損失の削減額 + 工数削減額
年間費用   = 初期費用の年割 + 年間運用費（ライセンス + 運用人件費 + データ更新）
年間純効果 = 年間効果額 − 年間費用
5年累計   = Σ（各年の純効果 ÷ (1 + 割引率)^年数）  ※初期費用を5年で均した簡易計算

以下の2ケースの割引率5%・在庫保管コスト率・欠品率の削減幅・粗利率は、計算例のための想定値です。実際には自社のWACC（加重平均資本コスト）、在庫の実態、販売実績に置き換えてください。

楽観ケース（年商100億円の食品工場、在庫高15億円）

年間効果額から運用費を引いた額（0.42億円）で初期費用0.2億円を割ると、約0.5年で回収する計算です。ただし本番稼働の初年度は、モデルの安定化と業務への組み込みに時間がかかり、効果が想定の半分程度にとどまることを見込んでおくと、稟議の数字として無理がありません。

保守ケース（年商30億円の部品工場、在庫高3億円）

保守ケースが赤字になるのは、ライセンスと運用人件費を合わせた年間運用費（0.10億円）が年間効果額（約0.07億円）を上回るためです。中小規模では、需要予測を単独で導入するより、Excelベースラインでの業務標準化から始める、在庫最適化や生産計画の自動化と組み合わせて効果を積み上げる、といった設計が必要です。在庫側の打ち手は在庫最適化AIガイドで整理しています。

一般に、5年累計の純効果がプラスで回収期間が3年以内に収まれば投資判断は通りやすく、届かない場合は小さく始めるか、複数の用途とセットで計画し直すのが現実的です。

導入ステップと30日PoC

需要予測AIの導入は、アセスメント→PoC→本番実装→継続運用の4段階で進めます。経済産業省の「AI導入ガイドブック 需要予測（小売り、卸業）」も、企画・モデル構築・導入/運用の3段階で整理しています（2021年3月発行、小売・卸業向け）。汎用的な進め方はAI導入の進め方ガイドを参照してください。

1. アセスメント（2〜4週間）: KPI（在庫高・欠品率・需給担当の工数と、予測精度のWAPE）を定義し、後述のデータ要件12項目で棚卸しする。誰が何を見て予測を決めているかを書き出す
2. PoC（4〜8週間）: 売上上位30〜100品目に絞り、ベースラインと機械学習モデルを同じ期間で比べる。在庫・欠品・工数への効果を試算する
3. 本番実装（3〜6か月）: ERP・生産管理システムとのデータ連携、再学習とモニタリングの仕組み、S&OP会議や需給調整の業務手順への組み込み
4. 継続運用: 月次〜四半期の再学習、精度劣化の検知、新製品の追加、運用手順の文書化

30日PoCの進め方（PoCを最短に圧縮する場合の例）

全品目を一度に対象にしないこと、精度ではなく業務KPIで判断することが、短期間のPoCを成立させる条件です。

データ要件チェックリスト12項目

需要予測の失敗は、手法の選定よりデータ不足から起きることが多くあります。PoCの前に次の12項目を確認してください。

1. 期間: 季節性を捉えるため最低2年、できれば3年以上の出荷・販売データ
2. 粒度: SKU×拠点×週次（できれば日次）で取れるか
3. カバー率: 売上の8割を占める主要品目を網羅しているか
4. 欠損率: 5%以下が望ましく、10%を超えるなら補完の方針が要る
5. 外部要因: 天候・経済指標・販促・イベント・休日カレンダー
6. 更新頻度: 日次で取得・保管・連携できるか
7. データ辞書: 各項目の意味・計算方法・更新タイミングを文書化しているか
8. マスタ: 品目・拠点・取引先のコードが一意に整理されているか
9. 特需の記録: 過去2〜3年の販促・特需・欠品期間をカレンダーとして残しているか
10. 個人情報: 含む場合の匿名化と利用目的の整理
11. 品質責任者: データ品質の責任者と更新のルール
12. 再現性: 過去時点のデータを復元して検証（バックテスト）できるか

12項目のうち半分以上が未整備なら、需要予測のPoCより先にデータ整備に取り組むほうが、結果的に早く成果に届きます。

PoCから本番化までの5つの壁と失敗パターン

需要予測AIは「PoCで精度は出たのに本番化しない」ケースが多く、その原因の多くは技術ではなく組織・業務手順・システム連携にあります。汎用的なパターンはAIのPoCを本番化する方法で扱っています。ここでは製造業で特に起きやすい5つを、事前に確認すべき質問とあわせて挙げます。

壁1: 工場の現場系と本社の情報系が分断されている

工場の現場系システム（OT）と本社の情報系システム（IT）がつながっておらず、在庫や出荷の実績がタイムリーに予測へ届かない状態です。

事前の確認: 工場の制御系・現場系システムと本社システムの連携経路は設計済みか。データを抽出する担当者は誰か。

壁2: 現場の業務手順が変わらない

ベテランの判断で回ってきた需給調整に、AIの予測を組み込むことへの抵抗は自然に起こります。AIを判断の補助と位置づけて最終承認は人が行い、最初はAIと担当者の予測を並走させる期間を設けるのが定石です。

事前の確認: AIと人の予測を並走させる期間を何か月とるか。差分を振り返る会議の責任者は誰か。

壁3: 本番データの品質が低い

PoC用に整えたデータで精度が出ても、本番のデータには欠損・誤入力・遅延が混ざります。異常値の検知と、特需を区別するルールを本番前に用意します。

事前の確認: 過去2〜3年の販促・特需イベントを棚卸ししたカレンダーはあるか。なければ誰がいつまでに作るか。

壁4: 予測が外れたときの責任が曖昧

予測が外れたとき誰の責任かが決まっていないと、運用が止まります。AIの予測をどこまで使うか、誰が上書きできるか、モデルの変更を誰が承認するかを、責任分担表（RACI）で決めておきます。

事前の確認: 予測値を発注や生産計画に自動で連携する場合、業務側の責任者は誰か。合意は取れているか。

壁5: 経営のKPIにつながっていない

「精度向上」だけを目標にすると経営層の支持を失います。在庫高・欠品率・需給担当の工数・粗利率に置き換え、S&OP会議の正式な議題にすることで投資が続きます。

事前の確認: S&OP会議でAIの予測を正式に扱うKPIはどれか。そのKPIの責任者と月次の振り返り体制は決まっているか。

5つの壁は連鎖します。データ品質の問題が業務への組み込みを妨げ、組み込めないことが責任の曖昧さを生み、責任が曖昧なままではKPIにつながりません。

本番化後に起きやすい失敗パターン

生産管理システム（ERP/MRP/APS）との連携

需要予測AIは、ERP・MRP・APS（生産スケジューラ）とつながって初めて運用に乗ります。予測値をどこに戻すかは、最初のアセスメントで決めておきます。

連携設計の3要点

1. データの流れ: ERP・生産管理システム → データ抽出 → 予測基盤 → 予測結果 → 需要計画・MRP・APSへの戻し
2. 権限と監査: 予測結果の参照・上書き権限を分け、変更履歴を監査ログとして残す
3. マスタの同期: 品目・取引先・稼働カレンダーの同期頻度と責任部門を決める

主なERP・計画系の組み合わせ方

ERPや生産管理システムとの連携を後回しにしてPoCを始めると、本番化の段階で連携の工数が想定より大きく膨らみがちです。アセスメントの段階から連携設計を並行して進めてください。予知保全や外観検査など、需要予測と同じデータ基盤を使うAIの用途は製造業のAI活用事例にまとめています。

業種別の規制・コンプライアンス

需要予測が生産や在庫を直接動かす業種では、規制上の要件を最初に確認しておく必要があります。

• 食品・飲料: 2021年6月からHACCPに沿った衛生管理が原則すべての食品等事業者に求められています。予測の外れで賞味期限の短い在庫が積み上がるリスクを、業務側で吸収する設計が必要です。日配品と常温品では外れたときの影響が大きく違うため、モデルを分けて運用します
• 医薬品: GMP（製造管理及び品質管理の基準）やGDP（適正流通基準）の下で、予測モデルを生産・在庫管理に組み込む場合は、モデル変更の管理と記録が求められます
• 化学: 消防法・毒物及び劇物取締法・高圧ガス保安法などが拠点ごとの保管量を制限するため、予測結果を在庫配置に落とす段階で、保管の上限を最適化の制約として組み込みます
• 自動車・電子部品: IATF 16949などの品質マネジメントの下で、変更管理とトレーサビリティが求められます。取引先との契約で、データの扱いと予測結果の利用範囲を明文化しておきます

koromoの支援内容

koromoは、製造業の需要予測AIの導入を「30日PoC」「ベンダーに偏らない選定支援」「本番化までの伴走」で支援しています。

• 30日PoC: Excelベースラインの作成からAIモデルとの比較、ROI試算、経営報告までを30日で進めます
• ベンダーに偏らない選定: ノーコードSaaS・需要予測パッケージ・自社開発のどれが合うかを、自社データでの精度比較とRFP項目で判断します
• 本番化までの伴走: 生産管理システムとの連携、S&OPへの組み込み、責任分担の設計まで、AI戦略・CAIO代行サービスとして継続的に支援します

よくある質問

まとめ

製造業の需要予測は、需要計画・生産計画・生産管理システムへ数字を渡す最上流の業務です。AIで高度化する際は、まずExcelでベースラインを作って今の外れ方を測り、データ量と外部要因から手法を選び、需要予測ソフトを「ベースラインを上回るか」「生産管理に戻せるか」「社内で回せるか」で比べてください。PoCから本番化までの壁の多くは組織と業務手順にあるため、最初から責任分担とKPIへの接続をセットで設計すると、予測の改善が在庫と欠品の数字に表れます。

koromoでは、製造業の需要予測AIの30日PoCから本番化・運用までを支援しています。自社の需給調整を見直したい方は、無料相談からお気軽にお問い合わせください。