過剰在庫と欠品が同時に起きる3原因と最適化AIで解決する仕組み

過剰在庫と欠品の同時発生が引き起こすリスク

過剰在庫がキャッシュフローを圧迫する

結論から言えば、過剰在庫は資金を寝かせる最大の要因だ。在庫は「将来売れる資産」だが、売れるまでは現金化できない。在庫金額が1億円あれば、その1億円は仕入れや設備投資に回せない。

在庫回転率が業界平均より20-30%低い企業は珍しくない。在庫回転率が年6回から年4回に下がれば、同じ売上を維持するのに1.5倍の在庫を抱えることになる。保管コストは在庫金額の15-25%/年と言われる。倉庫賃料、保管人件費、陳腐化リスク、資金コストを合計すれば、この水準に達する。

過剰在庫が積み上がれば、運転資金が圧迫され、成長投資ができなくなる。

欠品が販売機会損失と顧客離れを招く

なぜ欠品は深刻なのか。答えは販売機会の永久喪失にある。店頭で商品がなければ、顧客は競合店に流れる。ECサイトで「在庫切れ」が表示されれば、他サイトで購入する。一度離れた顧客が戻ってくる保証はない。

欠品による販売機会損失は、年間売上の3-5%に達するケースもある。年商10億円の企業なら、3,000万〜5,000万円の売上を逃している計算だ。さらに、欠品が繰り返されれば顧客満足度が低下し、ブランドイメージも損なわれる。

欠品は売上減少だけでなく、顧客離れという長期的なダメージを引き起こす。

在庫管理コストの増大

過剰在庫と欠品が同時に起きると、在庫管理の手間が爆発的に増える。過剰在庫を減らすために値引き販売を検討し、欠品を防ぐために緊急発注を手配する。どちらも通常業務に加えて発生する作業だ。

緊急発注は通常の発注単価より20-30%高くなるケースが多い。小ロット発注による単価上昇、特急配送費、代替品の調達コストが上乗せされる。過剰在庫の値引き販売も利益率を圧迫する。

在庫管理の手間とコストが増え、本来業務に時間を割けなくなる。

過剰在庫と欠品が同時に起きる3つの根本原因

需要予測の精度不足

過去実績だけに基づく単純な予測では、需要変動に対応できない。「昨年同月の実績×1.05」のような粗い予測では、季節変動、トレンド、プロモーション効果、外部環境変化を捉えきれない。

ある食品卸売業では、昨年実績ベースで発注していたため、夏場の飲料が欠品し、冬場のアイスが過剰在庫になった。気温変動や競合のプロモーションを予測に反映できていなかったためだ。

需要予測の精度が低ければ、どのSKUを何個仕入れるべきか判断できない。結果として、売れ筋商品が欠品し、売れない商品が過剰在庫になる。

SKU別の在庫方針が画一的

全SKUに同じ安全在庫率を適用していないか。A品（高回転）とC品（低回転）では最適な在庫方針が異なる。A品は欠品リスクを最小化すべきで、C品は過剰在庫リスクを抑えるべきだ。

ある部品メーカーでは、全部品に「2週間分の安全在庫」を設定していた。高回転部品は2週間で売り切れるが、低回転部品は2週間分でも半年分の在庫になっていた。結果、高回転部品が欠品し、低回転部品が倉庫を占拠する事態になった。

SKU別の需要特性を無視した画一的な在庫方針が、過剰在庫と欠品を同時に生む。

サプライチェーン全体の在庫可視化ができていない

倉庫間の在庫偏在を把握できているか。A倉庫に過剰在庫があり、B倉庫で欠品しているのに、倉庫間転送の指示が出せない企業は多い。在庫データが各倉庫のExcelで管理され、全体を俯瞰できないためだ。

あるアパレル企業では、東京倉庫に冬物コートが200着余り、大阪倉庫で50着欠品していた。在庫データの統合が遅れ、転送指示が間に合わなかった。東京では値引き販売し、大阪では販売機会を逃した。

在庫の全体可視化ができなければ、最適な配置調整ができない。

在庫計画で考慮すべき変数の多さと相互作用

SKU×需要パターン×季節性の組み合わせ

在庫計画では、SKU数、需要パターン、季節性を同時に考慮する必要がある。SKUが1,000あれば、1,000通りの需要パターンがある。さらに季節変動、週変動、曜日変動を加えれば、検討すべき組み合わせは膨大だ。

たとえばSKU1,000、需要パターン5種類（定番・季節・トレンド・プロモーション・不規則）、季節性3パターン（季節商品・準季節商品・定番商品）を組み合わせると、1,000×5×3=15,000通りの組み合わせが生まれる。

人間がこれらを個別に分析し、最適な発注計画を立てるのは現実的でない。

サービスレベルと在庫コストのトレードオフ

欠品を完全にゼロにしようとすれば、膨大な在庫を抱えることになる。逆に在庫を最小化すれば、欠品リスクが上がる。サービスレベル（欠品率の逆数）と在庫コストは相反する。

一般に、サービスレベル95%→99%に上げるには、在庫量を1.5〜2倍に増やす必要があると言われる。需要変動が大きいSKUほど、この傾向は顕著になる。

どこでバランスを取るかは、SKUごとに異なる。人手で最適なバランス点を見つけるのは困難だ。

発注ロット×リードタイム×保管制約

発注ロットサイズは、輸送効率と在庫コストのトレードオフだ。大ロット発注すれば単価は下がるが、在庫は増える。小ロット発注すれば在庫は減るが、発注頻度が上がり配送コストが増す。

さらにリードタイムのばらつきを考慮する必要がある。通常2週間で届く部品が、3週間かかる場合もある。リードタイムが長引けば欠品リスクが上がるため、安全在庫を積み増す必要がある。

保管スペース、温度帯、消費期限といった制約も加われば、最適解の探索は複雑化する。

人手では適正在庫にたどり着けない理由

変数の多さと組み合わせ爆発

結論として、在庫計画で考慮すべき変数が多すぎて、人間の処理能力を超えている。SKU数、需要パターン、季節性、サービスレベル、発注ロット、リードタイム、保管制約。これらを同時に最適化するには、膨大な計算が必要だ。

SKU1,000、1週間の発注計画を立てる場合、各SKUに対して発注するか・しないか・何個発注するかを決める。選択肢が3つなら、3の1,000乗通りの組み合わせがある。人間が試せるのはせいぜい数十パターンだ。

その中から「なんとか動く計画」は見つかっても、「最も効率的で公平な計画」を見つけるのは不可能に近い。

リアルタイム需要変動への対応限界

需要は日々変動する。プロモーションの効果、競合の動向、天候、SNSのバズ。これらの要因で需要は予測から外れる。外れた時点で在庫計画を見直す必要があるが、人手では追いつかない。

ある小売チェーンでは、SNSで話題になった商品が1週間で通常の5倍売れた。在庫担当者が気づいたときには既に欠品しており、追加発注が間に合わなかった。

リアルタイムで需要変動を検知し、即座に在庫計画を調整する仕組みが要る。

全体最適ではなく部分最適になる

人手での在庫管理は、SKUごと、倉庫ごとの部分最適になりがちだ。A倉庫の担当者はA倉庫の在庫を最適化しようとするが、B倉庫との連携は後回しになる。結果として、全体では非効率な在庫配置になる。

全体最適を実現するには、全SKU×全倉庫×全期間を同時に見て、最適な発注と配置を決める必要がある。人手では不可能だ。

最適化AIが過剰在庫と欠品を同時に解消する仕組み

需要予測精度の向上

SKUごとの需要パターンを把握するため、機械学習による需要予測を組み合わせる。過去実績だけでなく、季節性、トレンド、プロモーション効果、外部要因（天候、経済指標、SNS動向）を統合して予測精度を高める。

時系列分析手法（ARIMA、Prophet、LSTMなど）を用いれば、季節変動や長期トレンドを自動検出できる。プロモーション時の需要増加率を学習すれば、次回のプロモーション効果も予測可能だ。

需要予測精度が向上すれば、「いつ・何が・どれだけ売れるか」が見えるようになり、過剰在庫と欠品の両方を減らせる。

SKU別の適正在庫水準算出

最適化AIは、SKUごとに異なる需要特性を踏まえて、適正在庫水準を算出する。A品（高回転）には高いサービスレベル（欠品率低）を設定し、C品（低回転）には在庫圧縮を優先する。

具体的には、需要変動係数、リードタイム、目標サービスレベルから安全在庫を計算する。需要が安定しているSKUは少ない安全在庫で済むが、需要変動が大きいSKUは多めの安全在庫が必要だ。

SKU別の適正在庫を動的に調整することで、過剰在庫と欠品のバランスを取る。

発注タイミングと数量の最適化

最適化AIは、発注ロットサイズ、リードタイム、保管制約を考慮して、最適な発注タイミングと数量を提案する。発注コストと在庫保管コストのトレードオフを評価し、総コストが最小になる発注計画を算出する。

経済的発注量（EOQ）モデルをベースに、実際の制約条件（最小発注ロット、輸送効率、保管スペース）を組み込んだ最適化を行う。リードタイムのばらつきも確率分布でモデル化し、安全在庫に反映する。

発注タイミングと数量が最適化されれば、在庫切れと過剰在庫の両方を防げる。

マルチエシェロン在庫最適化

マルチエシェロン在庫最適化とは、サプライチェーン全体（工場→中央倉庫→地域倉庫→店舗）の在庫を同時に最適化する手法だ。各拠点の在庫を個別に最適化するのではなく、全体で在庫コストと欠品リスクを最小化する。

ある食品卸売業では、OptHubの在庫最適化により、過剰在庫を30%削減しつつ、欠品率を8%から2%に改善した。中央倉庫と地域倉庫の在庫配置を同時に最適化し、必要な商品を必要な場所に配置できるようになった。

マルチエシェロン最適化で、倉庫間の在庫偏在を解消できる。

OptHubが提供する在庫最適化支援

OptHubは、在庫最適化を含む業務計画最適化の研究開発と社会実装を行っている。在庫最適化の領域では、現場ヒアリングを通して制約条件や評価指標を整理し、業務に特化した最適化アルゴリズムを構築する。

汎用的な在庫管理システムでは対応しきれない複雑な制約、たとえば「特定のSKU組み合わせを同一倉庫に配置する」「季節商品と定番商品の保管スペース配分を動的に調整する」といった現場固有のルールも、最適化モデルに組み込める。

まとめ

過剰在庫と欠品が同時に起きる原因は、需要予測の精度不足、SKU別の在庫方針の画一化、サプライチェーン全体の在庫可視化不足の3つだ。変数が多く、相互に影響し合うため、人手では最適な在庫計画にたどり着けない。

最適化AIは、需要予測精度の向上、SKU別の適正在庫水準算出、発注タイミングと数量の最適化、マルチエシェロン在庫最適化という4つの仕組みで、過剰在庫と欠品を同時に解消する。過剰在庫を30-40%削減しつつ、欠品率を70-80%削減できれば、キャッシュフローと売上の両方が改善される。OptHubは現場理解とアルゴリズム設計の両面から、在庫最適化業務の効率化を支援している。