廃棄ロスが利益を圧迫する3原因と最適化AIで削減する方法

廃棄ロスが利益を圧迫する構造

廃棄率2-5%が営業利益を数ポイント圧迫

結論から言えば、廃棄ロスは営業利益率の低い食品業界において致命的なコスト要因だ。コンビニのデイリー商品（弁当・惣菜）の廃棄率は3-5%、スーパーの生鮮食品は5-10%、外食の食材廃棄率は10-15%に達するケースもある。

営業利益率が5%の企業で廃棄率が3%なら、廃棄をゼロにできれば営業利益率は8%になる計算だ。廃棄率1%改善は営業利益率1%超の改善に直結する。年商10億円の企業なら、廃棄率1%削減で1,000万円以上のコスト削減になる。

廃棄ロスは仕入れた時点で利益を奪う。

廃棄コスト = 仕入原価 + 廃棄処理費（二重損失）

なぜ廃棄ロスは深刻なのか。答えは二重の損失構造にある。商品を仕入れた時点で原価を支払い、廃棄する時点で処理費用も発生する。仕入原価500円の弁当を廃棄すれば、500円の原価損失に加えて廃棄処理費（1個あたり数十円）がかかる。

さらに、廃棄は売上にならない。原価500円、売価800円の弁当を廃棄すれば、800円の売上機会と300円の粗利を失う。廃棄1個あたりの実質損失は、仕入原価+廃棄処理費+機会損失の合計だ。

廃棄ロスは単なるコストではなく、利益を直接削る。

廃棄を恐れた発注抑制が欠品を招く悪循環

廃棄ロスを減らすために発注を絞ると、今度は欠品が発生する。欠品は販売機会を永久に失わせる。店頭に商品がなければ、顧客は競合店に流れる。一度離れた顧客が戻ってくる保証はない。

ある食品スーパーでは、廃棄を恐れて生鮮食品の発注を20%絞った結果、欠品率が3%から8%に上昇し、売上が5%減少した。廃棄コストは削減できたが、機会損失の方が大きかった。

廃棄削減と欠品防止を同時に達成できなければ、利益は改善しない。

廃棄ロスが発生する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予測では、需要変動に対応できない。「昨日100個売れたから今日も100個」のような単純予測では、天候・気温・曜日・イベント・プロモーション効果を捉えきれない。

あるコンビニでは、気温25℃超で冷やし麺の売上が1.5倍になるパターンがあった。しかし気温予測を発注に反映していなかったため、暑い日に欠品し、涼しい日に廃棄が発生していた。プロモーション実施時も、「通常の2倍発注」という粗い予測で対応していたため、実際の需要増加率とズレが生じていた。

需要予測の精度が低ければ、何をどれだけ発注すべきか判断できない。

リードタイムと消費期限のミスマッチ

発注リードタイムが2日、消費期限が3日の商品では、実質1日しか販売できない。リードタイムが長引けば販売期間はさらに短くなり、廃棄リスクが上がる。

ある弁当製造業では、配送スケジュールが週3回（月・水・金）に固定されていた。火曜に発注しても、次の配送は水曜。消費期限が木曜の商品は1日しか販売できず、売れ残りが頻発していた。発注頻度を上げればリスクは分散できるが、配送コストが増す。

発注ロットサイズの制約（ケース単位など）も廃棄ロスを生む原因だ。

値引き販売のタイミング判断の属人化

消費期限が近い商品をいつ値引きするか。この判断が担当者の経験や勘に依存している企業は多い。値引きが早すぎれば正価販売の機会を失い、遅すぎれば廃棄に直結する。

あるスーパーでは、閉店2時間前に一律30%引きにするルールがあった。しかし売れ筋商品は正価でも売れるため、値引きは利益損失になっていた。逆に売れ行きの悪い商品は30%引きでも売れず、廃棄になった。

SKU別・時間帯別に最適な値引きタイミングと値引き幅を決める仕組みがなければ、廃棄は減らない。

発注計画で考慮すべき変数の多さと相互作用

SKU×消費期限×需要変動の組み合わせ

発注計画では、SKU数、消費期限、需要変動を同時に考慮する必要がある。SKUが500あれば、500通りの需要パターンがある。さらに消費期限のバラツキ、天候・曜日・イベントによる需要変動を加えれば、検討すべき組み合わせは膨大だ。

たとえばSKU500、消費期限パターン3種類（当日・翌日・2日後）、需要変動パターン5種類（晴天・雨天・休日・平日・プロモーション）を組み合わせると、500×3×5=7,500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。

廃棄コストと欠品コストのトレードオフ

廃棄をゼロにしようとすれば、欠品リスクが上がる。逆に欠品をゼロにしようとすれば、廃棄が増える。廃棄コストと欠品による機会損失は相反する。

一般に、欠品率1%削減には発注量を5-10%増やす必要があると言われる。発注を増やせば廃棄リスクも上がる。どこでバランスを取るかは、SKUごとの粗利率、廃棄処理費、欠品時の機会損失によって異なる。

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×配送スケジュール×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。ケース単位でしか発注できなければ、必要数が半端でも1ケース発注することになる。小ロット発注すれば在庫は減るが、配送頻度が上がりコストが増す。

配送スケジュールも制約になる。週3回配送なら、次の配送日まで待つ必要がある。保管スペースの制約、温度帯別の保管、FIFO/FEFO（先入先出/消費期限先出）管理も加われば、最適解の探索は複雑化する。

全ての制約を満たしながら廃棄と欠品を最小化する計画を人手で作るのは不可能に近い。

人手では廃棄ロスを削減できない理由

変数が多すぎて最適解を探索できない

結論として、発注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、消費期限、需要変動、発注ロット、配送スケジュール、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。

SKU500、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500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、「廃棄と欠品を最小化する計画」を見つけるのは不可能だ。

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。気温の急変、競合のプロモーション、SNSでのバズ。これらの要因で需要は予測から外れる。外れた時点で発注計画を見直す必要があるが、人手では追いつかない。

あるベーカリーでは、SNSで話題になったパンが1日で通常の10倍売れた。発注担当者が気づいたときには既に欠品しており、追加生産が間に合わなかった。翌日は通常の5倍発注したが、ブームが収束して大量廃棄になった。

リアルタイムで需要変動を検知し、即座に発注計画を調整する仕組みが要る。

全店舗・全SKUの同時最適化は不可能

人手での発注管理は、店舗ごと、SKUごとの部分最適になりがちだ。A店の担当者はA店の廃棄を最小化しようとするが、B店との連携は後回しになる。結果として、全体では非効率な発注と在庫配置になる。

全体最適を実現するには、全SKU×全店舗×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が廃棄ロスを削減する仕組み

需要予測精度の向上（天候・イベント・プロモーション統合）

SKU別・店舗別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、天候予測、気温、曜日、イベント予定、プロモーション計画、競合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。気温と売上の相関を学習すれば、天気予報から需要変動を予測できる。

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、廃棄と欠品の両方を減らせる。

消費期限制約を考慮した発注最適化

最適化AIは、消費期限制約を明示的にモデル化する。発注リードタイム、消費期限、販売期間を考慮して、最適な発注タイミングと数量を算出する。

廃棄コスト（仕入原価+廃棄処理費）と欠品コスト（機会損失）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導く。需要予測の不確実性も考慮し、安全在庫を動的に調整する。

発注ロットサイズ、配送スケジュール、保管スペースといった制約も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、発注計画に反映する。

値引き販売タイミングの最適化

消費期限までの残日数と需要予測から、最適な値引きタイミングと値引き幅を算出する。正価販売の機会損失と廃棄リスクのバランスを取る。

売れ筋商品は値引きなしでも売れるため、正価販売を優先する。売れ行きが鈍い商品は早めに値引きして販売を促進し、廃棄を回避する。時間帯別・在庫状況別にダイナミックプライシングを行うことも可能だ。

値引きタイミングの最適化で、廃棄を減らしつつ粗利を最大化できる。

マルチエシェロン在庫最適化（本部倉庫→店舗）

マルチエシェロン在庫最適化とは、本部倉庫から各店舗への在庫配置を同時に最適化する手法だ。各店舗の在庫を個別に最適化するのではなく、全体で廃棄コストと欠品リスクを最小化する。

まとめ

廃棄ロスが利益を圧迫する原因は、需要予測の精度不足、リードタイムと消費期限のミスマッチ、値引き販売のタイミング判断の属人化の3つだ。変数が多く、相互に影響し合うため、人手では最適な発注計画にたどり着けない。

最適化AIは、需要予測精度の向上、消費期限制約を考慮した発注最適化、値引き販売タイミングの最適化、マルチエシェロン在庫最適化という4つの仕組みで、廃棄ロスを削減する。廃棄率を30-50%削減しつつ、欠品率も20-40%削減できれば、営業利益率は大きく改善される。OptHubは現場理解とアルゴリズム設計の両面から、廃棄ロス削減業務の効率化を支援している。