「来月の発注量、いくつにする？」——この問いに対して、ラオスの多くの企業は「去年と同じくらい」「感覚的に少し多めに」と答えている。在庫が足りなければ緊急輸入で割高なコストを払い、余れば倉庫に資金が眠る。需要予測 AI と聞くと、膨大なデータと専門チームが必要だと思われがちだが、実はそうではない。3ヶ月分の販売履歴と、統計手法 + AI のハイブリッドアプローチがあれば、データサイエンティスト不在でも実用的な需要予測を始められる。本記事では、ラオスのエンタープライズ企業が最小限のデータで需要予測を導入する具体的なステップを解説する。

ラオスのサプライチェーンには、他の ASEAN 諸国と比べても特有の難しさがある。内陸国という地理的制約に加え、データ基盤の未整備が「勘に頼る調達」を長年にわたって固定化してきた。ここでは、その構造的な課題と、放置した場合のコストを整理する。

第一に、輸入依存によるリードタイムの長さ。 ラオスは消費財から産業資材まで、多くの商品をタイ、ベトナム、中国から輸入している。陸路輸送は天候やインフラ状況に左右され、雨季には通常の倍以上の日数がかかることも珍しくない。リードタイムが長い環境では、発注のタイミングを数日間違えるだけで欠品が発生する。

第二に、季節変動の振れ幅が大きい。 雨季と乾季で消費パターンが大きく変わるだけでなく、ラオス正月（ピーマイ・ラオ）や That Luang Festival などの祝祭シーズンに需要が急増する業種もある。この変動を過去の経験だけで読み切るのは、ベテラン調達担当者でも難しい。

第三に、データの分断。 販売データは Excel、在庫は紙の帳簿、発注は別のシステム——あるいは担当者の頭の中にしかない。データが一箇所にまとまっていないため、「先月何がいくつ売れたか」すら即座に答えられない企業が少なくない。

データに基づかない発注は、必然的に2つの問題を引き起こす。

過剰在庫はキャッシュフローを圧迫する。 倉庫に眠る在庫は、そのまま動かせない資金だ。ラオスのように金利が高い環境では、在庫の保有コストは売上原価の 20〜30% に達することもある。特に食品や消耗品では、使用期限切れによる廃棄ロスも無視できない。

欠品は目に見えない機会損失を生む。 棚に商品がなければ、顧客は競合に流れる。B2B の場合はさらに深刻で、納期遅延は取引先からの信頼を損ない、契約を失うリスクがある。

多くの企業が取っている対策は「安全在庫を多めに持つ」ことだが、これは過剰在庫のコストを甘んじて受け入れているに過ぎない。需要予測は、この「勘 vs コスト」のトレードオフを解消する手段となる。

「需要予測」と聞くと、数年分のビッグデータを機械学習モデルに投入するイメージを持つ方が多い。しかし、ラオスの現実を考えると、そのアプローチはオーバースペックだ。ここでは、少量のデータから始められる「統計手法 + AI のハイブリッドアプローチ」を紹介する。

加重移動平均（Weighted Moving Average）は、過去の販売データに「重み」をつけて平均を取る手法だ。直近のデータほど重みを大きくすることで、最近の需要トレンドを反映した予測ができる。

具体的には、直近3ヶ月の販売実績に対して 0.5 : 0.3 : 0.2 の比率で重みをかける。先月のデータが最も影響力を持ち、3ヶ月前のデータは補助的な役割を果たす。

たとえば、ある商品の過去3ヶ月の販売数が 100個、80個、120個だった場合、来月の予測は以下のように計算する。

120 × 0.5 + 80 × 0.3 + 100 × 0.2 = 104個

なぜ深層学習や ARIMA のような高度なモデルではなく WMA なのか。理由は3つある。

• 必要データ量が少ない。 3ヶ月分あれば動作する。深層学習は数年分のデータが必要なことが多い
• 結果が解釈しやすい。 「なぜこの数字になったか」を経営層に説明できる。ブラックボックスではない
• 運用コストがほぼゼロ。 GPU も専用サーバーも不要。Excel でも計算できるレベルのシンプルさ

WMA は安定した需要には強いが、突発的な変動には対応できない。新製品の投入、競合の価格変更、政府の規制変更——こうした「数字に現れる前の変化」を WMA は捉えられない。

ここで LLM（大規模言語モデル）が補助的な役割を果たす。WMA の予測結果と販売履歴のパターンを LLM に渡すと、以下のような分析が返ってくる。

• 季節性の検出: 「この商品は毎年第4四半期に需要が 30% 増加する傾向がある」
• トレンドの識別: 「直近3ヶ月で前月比 15% ずつ増加しており、上昇トレンドにある」
• 異常値の警告: 「先月の販売数は過去平均の 3 倍。一時的なスパイクの可能性が高い」

重要なのは、統計が主役で LLM は補助という設計だ。LLM の分析が利用できない場合でも、WMA の予測結果はそのまま使える。AI に依存しすぎず、AI が使えるときはより良い予測を得る——この「グレースフルデグラデーション」の設計が、インフラが不安定な環境では特に重要になる。

在庫を数千点抱える企業が、全商品に同じ労力をかけて予測する必要はない。ABC/XYZ セグメンテーションは、商品を「重要度」と「需要の安定性」の2軸で分類する手法だ。

ABC 分類（売上金額の重要度）

XYZ 分類（需要の安定性）

この分類を使えば、AX 商品（高額かつ安定）は WMA の自動予測に任せ、AZ 商品（高額かつ不安定）に LLM の分析と人間のレビューを集中させるという戦略が取れる。限られたリソースを、本当に注意が必要な商品に集中できる。

「理屈はわかったが、具体的にどう始めればいいのか？」——ここからは、実際の導入を4つのステップに分解して解説する。

最初のステップは、手元にあるデータを確認することだ。必要なのは以下の4種類のデータだけだ。

• 月次の販売数量（商品ごと、過去3ヶ月以上）
• 現在の在庫数量
• 仕入先からのリードタイム（発注から入荷までの日数）
• 発注単位（ケース単位、パレット単位など）

「うちのデータは Excel だから使えない」と思うかもしれないが、心配はいらない。CSV に変換できれば十分だ。データの完璧さを追求して準備に半年かけるよりも、今ある不完全なデータで小さく始める方がはるかに価値がある。

ただし、1つだけ注意が必要だ。欠品していた期間の販売データはゼロになっているが、それは「需要がゼロだった」わけではない。 商品が棚になかったから売れなかっただけだ。この「打ち切り需要」を補正しないと、欠品商品の予測が実際の需要より低くなり、さらに欠品が続く悪循環（ストックアウトループ）に陥る。補正方法としては、欠品前後の販売データの平均で埋める手法が実用的だ。

全商品をいきなり予測対象にする必要はない。まず ABC 分析を実施し、売上金額の上位 80% を占める A ランク商品を 10〜20 品目ピックアップする。この商品群の予測精度が上がるだけで、全体の在庫コストに大きなインパクトがある。

選んだ商品に対して WMA で3ヶ月先の需要予測を実行する。この段階では精度を求めすぎず、「予測を出すこと」自体に価値がある。各商品には 0〜100 の信頼度スコアが付与されるが、初回は 50〜70 程度のスコアが多いだろう。需要の変動が大きい商品ほどスコアが低くなるのは正常な挙動なので、スコアが低い = 予測が使えない、ではない。

初回予測を出したら、翌月に実績と比較する「バックテスト」を行う。過去の特定月のデータを「まだ見ていない」と仮定して予測を実行し、実際の販売数と突き合わせることで、予測の精度を定量的に評価できる。

精度指標としては MAPE（平均絶対パーセント誤差） と WAPE（加重平均絶対パーセント誤差） を使う。

• MAPE: 各商品の予測誤差率の平均。個々の商品の精度がわかる
• WAPE: 販売金額で重み付けした誤差率。ビジネスインパクトの大きい商品の精度を重視できる

ラオスの環境では、MAPE 20〜30% が現実的な目標ラインだ。先進国の大規模小売チェーンでも 15〜20% が一般的なので、データが限られた環境で 30% 以下を達成できれば十分に実用的といえる。

精度に満足できない場合は、WMA の重みパラメータを調整する。たとえば季節変動が大きい商品には [0.6, 0.25, 0.15] のように直近月の重みをさらに上げる、といった最適化をグリッドサーチ（全パターン試行）で自動化できる。

予測精度が安定したら、予測結果を「発注推奨数量」に変換する。計算式はシンプルだ。

発注推奨数量 = 在庫カバー月数 × 月間予測需要 − 現在庫 − 入庫予定

たとえば、在庫カバー月数を2ヶ月に設定し、月間予測需要が 100個、現在庫が 80個、入庫予定が 0 の場合：

2 × 100 − 80 − 0 = 120個

この数量を発注単位（ケース = 24個など）に丸めて、最終的な発注推奨数量を算出する。

既に ERP（Odoo 等）を使っている企業であれば、販売データと在庫データを API 経由で自動取得し、予測パイプラインに接続するのが理想的だ。ERP がない場合でも、月次の CSV アップロードで運用できる。

定着のためには週次レビューの仕組みが重要だ。予測と実績のギャップを調達チームが毎週確認し、異常値があれば原因を議論する。この繰り返しが「勘に頼る文化」から「データを見る文化」への転換を促す。

需要予測の仕組み自体は難しくないが、導入プロセスで陥りやすい落とし穴がある。

最も多い失敗は、非現実的な精度目標を設定することだ。「AI を入れるなら精度 95% は出してほしい」と言われることがあるが、需要予測で 95% の精度は、需要が完全に安定している一部の日用品以外ではまず達成できない。

重要なのは絶対的な精度ではなく、「予測なし」と比べた改善幅だ。「勘で発注していた時期に比べて欠品が 40% 減った」「過剰在庫が 25% 減った」——こうしたビジネス指標の改善こそが、需要予測の価値を測る正しい物差しだ。

「導入するなら全 SKU をカバーしたい」という気持ちは理解できるが、初期段階では逆効果だ。まず A ランクの 20 品目で成功体験を作り、社内の信頼を得てから B ランク、C ランクへ段階的に拡大する方が、結果的に全社展開は早く進む。

C ランク商品（売上の下位 5%）は、そもそも精緻な予測の投資対効果が低い。定量発注（在庫が一定量を切ったら固定量を発注）で十分に管理できる。

「まずデータウェアハウスを構築して、データクレンジングを完了してから……」と計画すると、1年経っても予測は始まらない。3ヶ月分の販売データが Excel に存在するなら、それで十分だ。走りながらデータの質を改善していく方が、はるかに早く成果が出る。

できる。WMA ベースの需要予測は、統計の専門知識を必要としない。Excel で月次の売上データを整理でき、計算式の意味を理解できるレベルであれば十分だ。LLM エンリッチメント部分も、パラメータの調整は必要だがモデルの構築は不要で、API 経由で利用できる。

3ヶ月分の月次販売データがあれば WMA は動作する。ただし、季節変動を捉えるには 12ヶ月分、精度を安定させるには 6ヶ月分が望ましい。まず3ヶ月分で始めて、データが蓄積されるにつれて精度が向上していく設計になっている。

Odoo をはじめとする主要な ERP は、販売レポートや在庫データを API 経由で取得できる。予測パイプラインが ERP から月次の販売実績と現在庫を自動取得し、発注推奨数量を ERP の調達モジュールに戻す連携が可能だ。ERP を使っていない場合でも、CSV ファイルのインポート・エクスポートで運用できる。

LLM エンリッチメントは補助的な役割なので、コストは非常に低い。100 商品の月次予測を LLM で分析しても、API 利用料は数ドル程度だ。WMA の計算自体は通常のサーバーで実行でき、GPU は不要。初期段階では LLM なしで WMA だけ運用し、精度改善が必要になった段階で LLM を追加する段階的なアプローチも可能だ。

ラオスの企業が直面するデータ不足、IT 人材不足、インフラの未整備——これらは「高度な AI が使えない理由」ではなく、「シンプルで堅牢なアプローチが最適な理由」だ。

加重移動平均と LLM エンリッチメントのハイブリッドアプローチなら、3ヶ月分の販売データと Excel があれば今日から始められる。全商品をカバーする必要はない。まず売上上位 20 品目の需要予測から始め、週次レビューで精度を改善し、成功体験を社内に広げていく。

サプライチェーンの最適化は、一度の大規模投資で完成するものではない。小さな予測から始めて、データを見て判断する文化を育てることが、ラオス企業の競争力を根本から変える第一歩になる。

当社では、ラオス企業のサプライチェーン最適化を支援する需要予測ソリューションを提供している。既存の ERP との連携から導入後の運用定着まで、一貫したサポートが可能だ。まずは現状の課題をお聞かせいただきたい。