季節変動で在庫が狂う原因とは？最適化AIによる需要予測の活用法

なぜ季節変動の在庫調整はこれほど難しいのか

シーズン末の売れ残りが粗利を削る

アパレル業界では、定価で売れる期間は驚くほど短い。春物なら3月から5月、夏物なら6月から8月。この期間を過ぎれば、セール価格での販売を余儀なくされる。マークダウン（値引き）販売に切り替えると、粗利率は10〜30ポイント下がるケースが珍しくない。

たとえば、仕入原価3,000円、定価8,000円の春物ジャケットを考える。定価で売れれば粗利5,000円だが、シーズン末に50%オフで販売すれば売価は4,000円、粗利はわずか1,000円まで縮む。100着の売れ残りが出れば、40万円の粗利が消える計算になる。

季節商品の商品ライフサイクルは3〜6か月と短い。シーズンを越えた在庫は翌年に持ち越しても、トレンドが変わり販売は一層困難だ。

在庫を絞れば欠品で売上機会を失う

売れ残りを恐れて発注を控えると、今度はシーズン中のピーク需要に対応できなくなる。「売れるはずの商品がない」状態は、目の前の売上だけでなく顧客離れも招く。ある小売チェーンでは、春物コートの発注を前年比20%減にした結果、3月の気温が急上昇した週に店頭在庫がゼロになり、競合店に顧客が流れた。

欠品は販売機会の永久喪失だ。ECサイトで「在庫切れ」が表示されれば、顧客は他サイトで購入する。リアル店舗でも「あの店は品揃えが悪い」という印象が定着すれば、次のシーズンの来店動機が弱まる。

在庫を増やせばマークダウンリスクが上がり、減らせば欠品リスクが上がる。この板挟みが、季節在庫の調整を難しくしている根本構造だ。

ベテランバイヤーの勘に頼る季節発注の危うさ

なぜ多くの企業で季節の在庫調整が属人化するのか。答えは、季節変動の知見が個人の経験に蓄積されやすいからだ。「3月中旬から春物が動き始める」「猛暑の年は夏物が2週間前倒しになる」「この地域は梅雨明けが遅いから夏物は7月中旬から」。こうした判断基準はマニュアルには書かれず、ベテランバイヤーの記憶に留まっている。

担当者が異動や退職をすると、蓄積された季節感覚がそのまま失われる。後任は過去の発注データを見ても「なぜこの数量にしたのか」の理由がわからない。結果として、新任バイヤーの最初のシーズンは大量の売れ残りか欠品のどちらかに振れがちだ。

属人的な季節発注は、組織として再現性がない。担当者の経験値に依存する限り、在庫調整の精度は安定しない。

季節在庫の調整が狂う3つの根本原因

季節パターンは毎年同じではない

「去年のデータを今年もそのまま使う」。季節在庫の発注で最もよく見るやり方だが、これが通用しない理由は明確だ。季節変動は気温の推移、天候、消費トレンド、競合の動向が絡み合って決まる。同じ「春」でも、3月が暖かかった年と寒かった年では、春物衣料の需要カーブがまったく違う。

ある紳士服チェーンでは、前年同月の販売実績に1.05を掛けた数値で発注量を決めていた。2024年春、例年より気温の上昇が2週間遅れたことで、3月の春物売上が前年比30%減少。一方で4月中旬に急激に気温が上がり、追加発注が間に合わないまま欠品が続いた。

過去実績の単純コピーでは、年ごとの気象変動やトレンドの変化を捉えきれない。

発注と販売のタイムラグが在庫リスクを生む

問題をさらに難しくしているのが、発注時点と販売時点のタイムラグだ。アパレルの場合、企画から生産、納品まで3〜6か月。シーズン開始の半年前に発注量を確定しなければならないが、その時点では実際の需要がどうなるかは誰にもわからない。

海外生産の比率が高い商品カテゴリでは、追加発注のリードタイムが2〜3か月に及ぶ。シーズンが始まってから「売れ行きが想定以上だから追加したい」と思っても、届く頃にはシーズンが終わりかけている。国内生産であれば2〜4週間で追加できるケースもあるが、コストは割高になる。

発注の意思決定が求められるタイミングと、需要が見える化するタイミングのズレ。これが季節在庫のリスクを構造的に生んでいる。

SKU数の爆発が予測精度を下げる

アパレル・小売では、1つの商品が色・サイズ・素材の掛け合わせで数十のSKUに展開される。シーズンごとにSKU構成が入れ替わるため、新商品については過去の販売データがそもそも存在しない。

たとえば、春物のカットソー1型で5色×4サイズ=20SKU。これが50型あれば1,000SKU。全店舗への配分まで含めると、意思決定の組み合わせは膨大になる。SKU別に在庫方針を個別設定しなければ、売れ筋の欠品と不人気商品の過剰在庫が同時に起きる。

定番品であれば過去データの蓄積があるが、季節の新商品はデータが少ない。データが少ない商品ほど需要予測の精度が落ち、在庫リスクが大きくなるという矛盾を抱えている。

季節在庫の計画で同時に考えなければならないこと

(1) 過去の季節需要パターン

月別・週別の販売実績カーブは、季節在庫の計画における基本データだ。ただし、単年のデータだけでは不十分で、複数年のデータから季節性のパターンを抽出する必要がある。暖冬の年、猛暑の年、冷夏の年でパターンがどう変わるかまで考慮しなければ、精度は上がらない。

(2) 気温・天候の影響

気温1℃の変化が、特定カテゴリの売上をどれだけ動かすか。この影響係数は商品カテゴリによって大きく異なる。コートやダウンジャケットは気温10℃を下回ると売上が急伸するが、ニットは15℃前後から動き始める。天候も同様で、雨の日が続けばレインウェアの需要が跳ね上がり、晴天が続けばアウトドア用品が伸びる。

(3) 新商品と定番品の違い

定番品は過去の販売データが豊富にある。一方、季節の新商品はデータがゼロからのスタートになる。類似商品の販売実績を参考にするのか、トレンド情報を加味するのか。新商品の需要予測は、季節在庫計画の中で最も不確実性が高い部分だ。

(4) 発注から納品までのリードタイム

国内生産なら2〜4週間、中国やASEAN生産なら2〜3か月、ヨーロッパ生産なら4〜6か月。リードタイムが長いほど、発注時点での予測精度が求められる。追加発注の可否と納期制約も在庫計画に組み込む必要がある。

(5) 店舗・地域ごとの季節差

全国展開の小売チェーンでは、地域による季節感のズレが無視できない。東京と札幌では衣替え需要のピーク時期が1〜2か月異なる。沖縄では冬物の需要自体がほとんどない。店舗ごとの客層や売場面積の違いも、配分計画に反映しなければならない。

(6) 在庫上限と安全在庫水準

倉庫容量には物理的な上限がある。全SKUに十分な安全在庫を持とうとすると倉庫が溢れ、保管コストが膨らむ。一方で、安全在庫を削りすぎれば欠品リスクが上がる。SKUごとの需要変動の大きさに応じて、安全在庫の水準を個別に設定する必要がある。

(7) マークダウンスケジュール

いつから値引きを始めるかで、残在庫の消化スピードが変わる。マークダウンを早めに開始すれば在庫は減るが、定価で売れるはずだった分の粗利を失う。遅らせれば定価販売期間は伸びるが、シーズン末の大量売れ残りリスクが高まる。マークダウンの開始時期と値引き率も、在庫計画と連動させる必要がある。

(8) サプライヤーの発注制約

最小発注ロット、追加発注の可否、納品スケジュール。サプライヤーごとの制約は在庫計画に直接影響する。ロットが大きいサプライヤーからは最低でも500枚単位でしか仕入れられないなら、需要予測が500枚に満たない商品でも500枚を抱えることになる。

なぜ「人手の計画」では季節変動に対応できないのか

8つの変数を挙げたが、これらは独立しているわけではない。気温が変われば需要カーブが変わり、需要カーブが変われば発注量が変わり、発注量が変われば倉庫容量の制約に引っかかる。変数同士が相互に影響し合うため、1つの変数を変えると他の変数の最適値も変わる。

たとえば、人気商品Aの発注を増やせば欠品リスクは下がるが、倉庫スペースを圧迫し、商品BやCの在庫スペースが足りなくなる。倉庫容量、予算、サプライヤーの制約の中で「全SKU合計としてのベストバランス」を探すのが在庫計画の本質であり、SKU単位で個別に最適化しても全体として最適にはならない。

Excelで季節指数を掛けた需要予測を作ることはできる。しかし、数百から数千のSKU×数十から数百の店舗の組み合わせで、8つの変数のトレードオフを同時に解くことは、どれだけ経験のあるバイヤーでも不可能だ。

シーズン中に実売データが入ってきた段階で、残りのシーズンの在庫配分を即座に見直す。売れている店舗に在庫を移動し、売れていない店舗からは引き上げる。こうしたリアルタイムの再配分も、人手のスピードでは判断が追いつかない。

最適化AIが季節在庫の調整を変える

最適化AIとは、現場のルールを守りながら、最も良い計画を自動で見つけるAIだ。生成AIのように「それらしい答え」を出すのではなく、守るべきルールをすべて考慮した上で、より良い計画を探し出す。季節在庫の調整においては、上記8つの変数を同時に考慮しながら、全SKU横断で発注量と店舗配分を自動計算する。

精度：データに基づく季節需要予測

ベテランバイヤーの勘を否定するわけではない。ただ、人間の記憶には限界がある。5年分の週次販売データ×気温データ×イベント情報を、数千SKU分同時に頭の中で処理できる人間はいない。

最適化AIは、過去の販売実績から季節パターンを抽出し、気温予報や曜日、地域特性といった外部要因と組み合わせて需要を予測する。ある商品カテゴリについて「気温が15℃を下回る週から売上が上がり始め、5℃を下回るとピークに達する」というパターンを数値で捉え、今年の気温予報に当てはめて週別の需要カーブを描く。

年ごとの気温推移差も反映されるため、「今年は暖冬だから冬物の立ち上がりが遅れそうだ」といった調整も自動で行われる。

スピード：数千SKUの発注計画を数分で

ある鉄鋼商品の在庫最適化事例では、需要予測に基づく適正在庫量の算出と発注計画の自動生成により、計画作成にかかる時間を大幅に短縮した。季節在庫でも同様に、数千SKU×数百店舗の発注・配分計画を数分で算出できる。

人手では月に1回の見直しが精いっぱいだった在庫計画を、週次や日次で更新できるようになった。シーズン中に「この商品は想定以上に売れている」「このカテゴリは動きが鈍い」というデータが入った時点で、残シーズンの発注計画と店舗間の在庫移動を即座に再計算できる。シーズンが進むほど実売データが蓄積され、予測精度も高まっていく。

透明性：発注根拠の見える化で属人化を解消

「なぜこの発注量にしたのか」が数値根拠とともに説明できることは、属人化の解消に直結する。AIが出力した発注計画には、どの変数がどう影響してこの数量になったのかという根拠が紐づいている。

新任バイヤーでも、AIの計画をベースに「この商品は気温感度が高いから、天気予報の変化に注意すべき」といった判断ができるようになる。ベテランの暗黙知がデータとして残るため、担当者が交代しても在庫調整の精度が落ちない。

最適化AIは需要予測の精度向上だけでなく、在庫コスト最小化と機会損失最小化という相反する目標のバランスパターンを複数提示できる。「在庫コスト重視」「機会損失ゼロ重視」「バランス型」など、経営判断に応じた計画を選べる点が、従来のExcel管理との大きな違いだ。

まとめ

季節変動の在庫調整が難しい根本原因は、需要カーブが毎年異なること、発注と販売のタイムラグ、SKU数の爆発の3つだ。これらの原因が絡み合い、8つの変数を同時に考慮しなければならない在庫計画を、人手で最適化することは現実的ではない。

最適化AIを活用すれば、気温や地域差を含む多変量データから季節需要を予測し、全SKU横断で発注量と店舗配分を自動最適化できる。ベテランの勘に依存しない、データに基づく在庫計画が手に入る。

在庫計画の改善は、まず業務プロセスの整理から。自社の発注判断で使われている情報と、使われていないが本来必要な情報を明確にすることが、季節変動に強い在庫管理への第一歩だ。