エグゼクティブ・サマリー
- 需要予測AIの投資が回収できない最大の原因は精度不足ではない。予測結果が、誰のどの意思決定を、いつまでに、どう変えるのかが決まっていないことである。精度を上げても、その数字を見て行動が変わらなければ効果はゼロである。
- 予測は「当てるもの」ではなく「意思決定の前提を早く与えるもの」と捉え直す。重要なのは絶対精度ではなく、リードタイムより前に、判断を変えられる粒度で出せているかである。
- 予測誤差のコストは上振れと下振れで非対称である。欠品の損失と過剰の損失を金額で置いてから、どちらに寄せるかを決める。この非対称性を織り込まない予測は、統計的に正しくても実務的に誤る。
- 自動化オペレーションとの接続点は主に四つ——人員シフト、在庫の配置、ロボット・設備の稼働計画、調達・入荷の平準化。それぞれ必要な予測の粒度とリードタイムが違うため、一つのモデルで全部を賄おうとしない。
- 予測は必ず外れる。だから設計すべきは精度だけでなく、外れたときの縮退運用である。閾値、検知、代替手段、責任者をあらかじめ決めておく。ここまで設計して初めて、予測を業務に組み込める。
需要予測AIは、現場自動化と組み合わせたときに最も効く技術の一つである。ロボットや自動倉庫は能力が固定的で、稼働計画を事前に立てるほど効率が上がる。人員シフトも同様に、直前に決めるほどコストが高い。つまり「先が読める」ことの価値が構造的に大きい。
にもかかわらず、需要予測AIの導入は期待外れに終わることが多い。よくある経緯はこうである。データサイエンティストがモデルを作り、過去データで検証したところ従来手法より精度が改善した。ダッシュボードを作って現場に配った。しかし半年後、現場は相変わらず自分の勘で人を組み、予測画面は誰も開いていない。
この失敗は、モデルの問題ではない。予測を意思決定に接続する設計が抜けているために起きる。本稿では、需要予測を「当てる問題」から「意思決定を変える問題」に組み替え、自動化オペレーションのどこにどう接続するか、外れたときにどうするかを、実務の順序で整理する。
