商品の品揃えをデータで最適化する6つの計画変数と最適化AI

なぜ「品揃えをデータで決める」ことが小売で重要なのか

棚と運転資金は有限資源である

小売業の粗利率は10〜30%程度が相場で、在庫保管コストは在庫金額の年15〜25%に達するとされる。この比率は、回転の鈍いSKUを1つ抱え続けると、その商品が稼ぐ粗利を保管コストが上回り、置けば置くほど赤字が膨らむ構造を意味する。

棚スペースと在庫資金は無限に増やせない。1坪あたりの賃料が固定で、運転資金の上限が決まっているなら、その制約の中で粗利を最大化するのが品揃え判断の本質です。SKUを増やせば売上は伸びるかもしれないが、棚効率（GMROI）と回転率は落ちる。SKUを絞れば管理は楽だが、機会損失が拡大する。SKU別に「棚にいるべきか」を継続的に判断できなければ、棚と資金の両方が死に筋に占有される。

棚効率を意識しないSKU増やしっぱなしの状態は、経営から見れば資産の塩漬けに等しい。

売れ筋偏重では長期的な売上は伸び悩む

上位30%のSKUが売上の80%を稼ぐなら、下位50%は切ってよいのか。短期的には合理的に見える売れ筋偏重には、見落としがある。トップSKUは需要のピークで競合との価格競争に巻き込まれやすく、粗利率はむしろ低い。中位SKUとロングテールSKUが、客単価の引き上げ、来店動機、回遊行動の起点を支えている。

ある食品スーパーでは、上位30%のSKUが売上の80%を稼ぐ一方、撤去対象として下位50%のSKUを一気に削ったところ、客数自体が3か月で減少した。複数の商品を一緒に買う「ついで買い」の動線が崩れ、トップSKUの売上にも波及した結果である。SKUを単独で評価する発想が、長期売上を落とすケースは少なくない。

売れ筋に集中する品揃えは、短期の効率と長期の成長を取り違えるリスクを抱えている。

機会損失と廃棄が同時に発生する経営リスク

品揃え判断の遅れは、欠品による機会損失と廃棄による在庫ロスを同時に引き起こす。需要のあるSKUが切れているのに棚から退場せず、需要の落ちたSKUがいつまでも棚を占拠する。担当者の感覚では「動きが鈍い」と分かっていても、撤去判断は遅れがちになる。

機会損失は売上の3〜5%、廃棄ロスは粗利の1〜3%に達することがある。年商10億円の店舗なら、両方合わせて4,000〜8,000万円規模のキャッシュが、品揃えの調整遅れだけで消えていく計算です。これは値引きでも販促強化でも取り戻せない、構造的な損失である。

データドリブンな品揃え判断は、この二重損失を構造から減らすための経営テーマになる。

売れ筋を残すだけでは品揃えが最適化されない3つの根本原因

SKU単独評価がカニバリと補完を見落とす

品揃えを単品の売上順位で評価すると、SKU同士の関係が抜け落ちる。同じカテゴリ内の似た商品はカニバリ（顧客の奪い合い）を起こす。一方で、コーヒーとミルク、シャツとネクタイのように、補完関係でセット買いを生むSKUもある。POSの売上ランキングは、この相互作用を映さない。

カニバリしている2品を両方残すと棚と在庫が無駄になる。逆に補完SKUの片方を切ると、残った側の売上まで落ちる。「動きが鈍いから撤去」という単独評価では、こうした構造的な売上喪失を予測できない。

SKU単独の数値だけを見る限り、品揃え全体の売上ポテンシャルは取りこぼし続ける。

カテゴリ別・店舗別の需要差を全店一律で塗りつぶしている

ある衣料チェーンでは、全店一律で同じSKUセットを配本していたため、観光地店舗で売れるはずだった土産需要のSKUが入らず、住宅街店舗で動かない通勤需要のSKUが残るというミスマッチが起きていた。全店共通の品揃えポリシーは、店舗ごとの客層・立地・規模の違いをならしてしまうのである。

住宅街の店舗とビジネス街の店舗では、同じカテゴリでも売れるSKUが違う。20代女性中心の店舗と60代男性中心の店舗でも、ミックスは別物になる。本部のMDが各店舗の特性まで個別に判断するのは現実的ではないため、運用が一律寄りに引っ張られる。店舗・季節別の需要変動を捉えた在庫調整は、品揃え判断と一体で設計しなければ、結局は全店一律の配本に逆戻りしてしまう。

店舗単位で品揃えを最適化できなければ、カテゴリ全体のポテンシャルは半分しか引き出せない。

撤去判断の遅さが新規SKU投入の機会を奪う

棚の総スペースは固定なので、新規SKUを入れるには既存SKUを抜く必要がある。ところが撤去判断には「もう少し様子を見たい」という心理的ハードルがあり、判断が常に後ろ倒しになる。結果として新商品を入れる枠が空かず、トレンドの先取りができなくなる。

新規SKUの導入は、トレンドに乗る、価格帯を広げる、補完関係を強化するなど、長期売上を支える役割を持つ。撤去判断が遅れるほど、競合に新商品で先行されるリスクが上がる。SKU別の在庫方針が画一的だと、需要の振れ幅を吸収できずに過剰在庫と欠品を同時に生む構造に陥りやすい。

「残すか抜くか」を継続的に高速で判断する仕組みがなければ、品揃えは時間とともに鮮度を失っていく。

品揃え計画で同時に考えるべき6つの変数

(1) SKU別需要予測

品揃え判断の起点は、SKU単位での将来需要の見通しです。過去のPOS実績だけでは、季節要因、トレンド、プロモーション効果、外部環境（天候・イベント・周辺競合動向）が反映されない。「先月100個売れたから今月も100個」という単純外挿では、需要の山谷で必ず外す。

季節性、週次・曜日変動、プロモーション履歴、新商品立ち上がり期の伸び率、ライフサイクル後期の減衰率まで、SKUごとに別物の需要パターンを持っている。スーパーの定番調味料と限定スイーツが同じ予測モデルで動かせるはずがない。

需要予測の精度がそのまま品揃え判断の精度に直結する。ここを諦めると後段の最適化も意味を失う。

(2) SKU間の代替・補完関係

同カテゴリ内のカニバリ、隣接カテゴリとの補完。これらの関係は、SKUを並べる組み合わせを決めるうえで欠かせない。「Aを撤去したらBに需要が流れるのか、それともカテゴリ全体の売上が落ちるのか」を見極めなければ、安全に品揃えを変更できない。

POSのバスケット分析、価格弾力性のSKU間比較、新商品投入時の既存SKUの売上変化など、複数の手法を組み合わせて関係性を推定する。ある飲料カテゴリで2リットルPETの主力品を撤去したら、500mlボトルの売上が落ちた事例がある。シーンが違うようでいて、同一顧客が買い分けていた構造があった。

補完とカニバリを定量化できると、品揃えは「個別SKUの集合」から「組み合わせの最適化」へと意味が変わる。

(3) 店舗別の客層と棚スペース

店舗ごとに棚のサイズ、客層、ピーク時間帯、立地特性が異なる。同じチェーンでも売れるSKU構成は店舗ごとに変わる。さらに棚スペースは固定資源なので、SKU数を増やせばフェイス数（陳列幅）が減り、視認性と回転率に影響する。

属性データ（来店客の年齢層・男女比・購入時間帯）、店舗特性（駅前・住宅街・ロードサイド）、棚モジュール（カテゴリ別の割り当てフェイス数）を変数として持ち込む必要がある。1,000SKU×100店舗なら、それだけで10万通りの「店舗×SKU」配置がある。

店舗単位の最適化は、本部一律MDの限界を超えるための鍵になる。

(4) カテゴリ内ミックス（価格帯・ブランド・サイズ）

同じカテゴリでも、価格帯のレンジ、ブランド構成、容量・サイズのバリエーションが揃って初めて顧客の選択肢が成立する。低価格帯のみだと客単価が伸びず、高価格帯のみだと裾野が広がらない。ブランドが偏れば顧客ロイヤリティも偏る。

例えば調味料カテゴリで、PB（プライベートブランド）とNB（ナショナルブランド）の比率、価格帯（普及・標準・プレミアム）の3分割、サイズ（家庭用・業務用・小容量）の構成を、需要シェアと棚効率を見ながら決める。ミックスバランスを崩したまま売れ筋だけ残すと、選ばれる前提の選択肢が消えてカテゴリ全体の魅力が落ちる。

ミックスは「品揃え＝SKUの集合」を「品揃え＝顧客への提案」に変える設計変数である。

(5) 新規SKU導入とロングテールのカット判断

棚の総スペースが固定である以上、新規SKUを入れるには既存SKUを抜く判断が必要になる。新規SKUは需要データがないため、類似商品の立ち上がりパターンや市場トレンドから初期見込みを推定する。ロングテールSKUは、回転は鈍くても来店動機を支えていれば残す価値がある。

「直近3か月で〇個未満は撤去」のような単純ルールでは、来店動機を支える商品まで切ってしまう。逆に「念のため残す」を続けると、新規SKUの枠が永遠に空かない。導入と撤去を一対のセットとして、棚の入れ替えサイクルを設計する考え方が必要です。

導入と撤去の連動が、品揃えの新陳代謝を決める。

(6) 仕入条件と発注ロット

最後に、仕入条件が品揃え判断の前提を縛る。最小発注ロット、リードタイム、ボリュームディスカウントの段階、賞味期限・消費期限、PB商品なら工場の生産ロット。これらは「残したくても残せない」「外したくても契約上抜けない」という制約として効いてくる。

たとえばリードタイムが2週間のSKUは、需要予測のブレを2週間分の安全在庫で吸収する必要がある。最小発注ロットが1ケース24本のSKUは、週販10本の店舗には合わない。仕入条件と需要を突き合わせなければ、計画上の最適は実行段階で破綻する。

仕入条件をモデルに組み込めるかが、机上の最適と現場運用の差を埋める分かれ道になる。

人手の品揃え判断では限界がある理由

変数の多さが組み合わせ爆発を起こす

これまで挙げた6つの変数を、SKU×店舗×期間で同時に判断する。SKU1,000、店舗100、判断単位を週次にすると、1週間あたりの「残す／抜く／補充量」の選択肢は天文学的な数になる。SKUの順序付けや組み合わせは件数が増えるほど指数的に膨らみ、品揃え問題は組合せ爆発の典型例の一つです。

人間が比較できるパターンは多くてもせいぜい数十通り。MDが手元のExcelで「カテゴリ単位×全店一律」のラフな判断に落ち着くのは、能力ではなく問題サイズの構造的な制約である。Excelやソルバーアドインでは、SKUと店舗の組み合わせを同時に扱った瞬間に計算時間が現実的でなくなる領域に入る。

問題サイズが人間の処理能力を超えている以上、勘と経験に頼った判断では最適には届かない。

売上・粗利・在庫コストのトレードオフが解けない

品揃え判断は単一目標ではない。売上を最大化したいが粗利率も維持したい、在庫コストは抑えたいが欠品も避けたい。これらは互いにトレードオフで、どこかを上げれば別のどこかが下がる。複数目標を同時に追う構造は、ヒトの直感では正しい折衷点を見つけにくい。

ある衣料品チェーンでは「売上重視」と「在庫圧縮重視」のシーズンを交互に切り替えていたが、結果として売上のブレが大きくなり、在庫の山谷も逆に拡大した。一方の指標を立てれば他方が崩れる構造は、ヒューリスティックな切り替えでは安定しない。広告予算配分やリソース配分など、複数指標を同時に追う計画問題には共通して同じトレードオフが現れる。

複数目標を同時に最適化する仕組みがなければ、トレードオフは振り子にしかならない。

需要変動への見直しスピードが追いつかない

SNSで前週比10倍売れた商品に、補充判断は何日で間に合うか。品揃えは一度決めたら終わりではない。週次で需要は変動し、競合の新商品、SNSのバズ、天候の急変で需要が動く。週次でMDが全SKUを再評価するのは現実的ではないため、見直しは月次・四半期単位に落ちる。その間に機会損失と過剰在庫が積み上がる。

たとえばSNSで話題になった商品が1週間で前週比10倍売れても、補充判断が間に合わなければ欠品し、話題が冷めた頃に在庫が届いて売れ残る、という展開は起こりがちだ。需要変動の速度に対し、人手の見直しサイクルが遅すぎると、こうした「後追いの過剰在庫」が常態化する。

リアルタイムで需要変動を捉え、品揃えを動的に更新できる仕組みが要る。

最適化AIが品揃え選定をどう変えるか

最適化AIは、現場が守らなければならないルールを破らずに、最も良い結果を返すAIです。生成AIのように「それらしい計画」を出力するのではなく、棚スペースや仕入条件などの制約を一つも違反しない計画の中から、棚あたり粗利を最大化するセットを探し出す。割当・順序付け・配分・経路に整理されてきた最適化AIの応用領域のなかで、品揃え最適化は割当と配分が組み合わさった典型的な問題に位置づけられる。

ゴールと守るべきルールを数式に落とす

品揃え最適化のゴール（AIに与える目標）は、たとえば「店舗×SKUのセットで、棚あたり粗利を最大化しつつ、欠品率を許容値以下、在庫金額を上限以下に収める」となる。守るべきルール（現場の条件）は、棚スペースの上限、カテゴリ別の最低SKU数、最小発注ロット、新規SKU枠の確保、廃番期限などです。

これらを定式化したうえで、過去のPOS、需要予測、SKU間の代替・補完関係、店舗特性、仕入条件をすべてインプットに渡す。データの整備（マスター統合、欠損補完、SKUコードの統一）は前提として必要になる。ここまで揃って初めて、最適化AIは「どのSKUを、どの店舗に、何個置くか」を組み合わせ最適化問題として扱える。

ゴールとルールを明示すれば、判断は属人化から再現可能なロジックへと移行する。

精度: 店舗×SKUの粒度で最適セットを算出する

最適化AIは、全店一律ではなく、店舗ごと・カテゴリごとに最適なSKUセットを返す。住宅街の店舗には小容量SKUを厚く、ビジネス街の店舗にはランチ需要のSKUを厚くといった配分を、客層データと需要予測から自動で導く。

たとえば食品スーパーチェーンでは、店舗別に最適化されたSKUセットを導入することで、上位カテゴリの粗利が10〜15%改善する事例がある。SKU総数は変えず、組み合わせを変えるだけで、棚効率の差がここまで生まれる。

店舗単位の精度を出せると、本部MDのリソースは「全店共通の方針設計」に振り直せる。

スピード: 数千SKUの再計画を数分で出し直せる

需要が動いたとき、品揃えを再計画する速度が変わる。人手で月次・四半期単位だった見直しを、週次・日次に短縮できる。SNSのバズ、天候急変、競合の値下げといった外部要因に対し、当日中に補充計画と撤去候補を出し直せる。

配送・回収計画のように変数の多い問題でも、最適化AIは計画作成を数分単位に短縮できる。品揃え最適化でも、同様に「計画を作ること」自体のコストが下がるため、PDCAの回転速度が上がる。リードタイムや営業日制約があるため出力からの実行までは別途調整が必要だが、判断のボトルネックは確実に解消する。

判断スピードが上がると、需要変動への追従性が現場のオペレーション単位に降りてくる。

透明性: 「なぜこのSKUを残すか」が説明可能になる

最適化AIは出力された計画について、「どの制約がきいて」「どの目的でこのSKUが選ばれたか」を可視化できる。MDが店舗担当者に説明するときも「データではこう出ているが、現場の感覚はどうか」と議論の起点が揃う。本部と現場で品揃え判断を巡る属人的な対立が、データとロジックの議論に置き換わる。

汎用SaaSが「個別カテゴリの最適化」しか扱えないのに対し、最適化AIは店舗・カテゴリ・期間を横断した全体最適を扱える。さらに「この工場はPB専用で、最低発注ロットは月1,000ケース」といった現場固有のルールも、業務ヒアリングを通じてモデルに組み込める。

意思決定が透明化されると、品揃えは「担当者の好み」から「組織の戦略」に格上げできる。

まとめ

商品の品揃えをデータで最適化するということは、売上・粗利・在庫コストのトレードオフを、店舗×SKU×期間という大規模な組み合わせの中で同時に解くということです。売れ筋を残すだけ、全店一律で配本する、撤去判断を先延ばしする、いずれの方法でも棚効率は伸び悩む。

品揃え計画には、SKU別需要予測、SKU間の代替・補完、店舗別の客層と棚スペース、カテゴリ内ミックス、新規導入とロングテールのカット、仕入条件という6つの変数が同時に絡む。人手では組み合わせ爆発と多目的トレードオフを処理しきれず、判断は属人化し、見直しサイクルも需要変動に追いつかなくなる。

最適化AIを使えば、店舗×SKUの粒度で最適セットを算出し、再計画のスピードを劇的に上げ、判断のロジックを透明化できる。OptHubは現場理解とアルゴリズム設計の両面から、品揃え最適化を企業の継続的な意思決定プロセスに組み込む支援を行っている。