需要予測はブランドの成長に欠かせないが、変化の早い社会になり、需要予測は難しくなっている

　需要予想とは、必要とされる規模感や程度感を予測することで、ちょうどよい量を用意することを可能にする。

　従来は過去のデータを基にすればある程度の精度で需要を予測することは難しくなかった。しかし、市場の変化が激しく、不確実で、複雑で曖昧になった現在では、需要予測の難易度は上がっている。統計を利用するだけでなく、需要の背景にある消費者の心理、行動を想像し、未来ではどうなるかを管上げる必要があるため、変化が大きいと予測は困難になる。

　需要予測の誤りは過剰在庫や品切れといった形で顧客を失なったり管理コストの増大を招くため、ブランドの成長には需要予測が欠かせない。技術の進歩によって大量のデータを蓄積することができるようになってるため、それらを主体的に収集し、その背景を解釈し、予測の根拠をわかりやすく伝えることでサプライチェーンのマネジメントだけでなく、マーケティングや営業、経営管理での意思決定にも需要予測を活用できるようになる。

需要予測を利用しサプライチェーン全体をデザインすることが競争力につながる

　需要予測は主にサプライチェーンマネジメント（SCM)に利用されている。SCMとはビジネスに必要な商品の流れを適切にコントロールするために行われる。

　品質の良い製品を作り、テレビCMを流せば売れる時代でなくなり、サプライチェーン全体をデザインし、どれくらいのスピードとコストで商品を顧客に届けるかが競争力に大きく影響している。

　SCMのトリガーとなるのが需要予測。サプライチェーンのところどころで発生する時間のギャップ（物の手配や流通の手配）を埋めるために需要予測が必要となる。

　多くの企業では需要予測が生み出す価値は充分に認知されていないが、自社のビジネスと組合せることで新たな大きな価値を生み出すことができる。

需要予測には3つの方法があるが、重要なことは数字の背景を想像すること

需要予測には主に3つの方法がある。

1．時系列モデル

　過去に起こったもことが未来にも影響すると考えるもの。消費財など何度も購入するものに適する。

2．因果モデル

　需要の原因となる要素から予測するモデル。一人一度しか購入しないものに適している。

3．判断的予測モデル

　人の判断を基にするモデル。属人性が高く、根拠があいまいになるが少ないデータで判断できる。

　過去のデータを統計的に分析するだけでなく、消費者のニーズ、競合の動向を捉えるなどの視点を持つこと＝数字の背景を想像するスキルが需要予想には重要となる。

　需要予測は一般的により遠い未来のほうが想定外の変化が起きやすく予測は困難。また予測する期間が短いほど天気など突発的な要因を受けやすいため、予測は困難になる。

需要予測は急に精度を高めることは出来ない

　近年の需要予想の2大イベントはインバウンドの急増とコロナウイルスによるパンデミックであった。こうした変化は今後も起こる可能性が高いが、大きく変化した際の需要予測は急には出来ない。

　時系列モデルで予測を行うときには過去のデータを利用する際に、どれくらいの過去からデータを分析するか、直近のデータをどれくらい重視するかのバランスが重要になるが、環境が大きく変化するとこのバランスを大幅に見直す必要がある。

　また、未来の予測は正確にできないため、複数のシナリオを用意し、リスクヘッジして置くことや市場の変化をモニターし、迅速に需要予測を更新できるように整備して置くことも重要となる。

人の意思決定にはバイアスやノイズが影響する

　人の行動は必ずしも合理的ではなく、偏り（バイアス）やバラつき（ノイズ）の影響を受ける。人の意思決定がバイアスやノイズの影響を受けることをもとに需要予測を行う必要がある。

　需要予測が様々なバイアスによって精度が低下してしまうことを防ぐために筆者はSTeMフレームワークを推奨している。

・Statistics：統計学でデータを客観的に捉える

・Team：チームで予測することで客観性を与える

・Model:フレームとなる考え方を取り入れ標準化し、偏った見方を排除し、判断を体系化する

AIの利用は有効だが、シナリオの一つとして利用すべき

　AIを使って、フレームを構築する試みは有効だが、AIにもバイアスがかかることはある。AIの強みは処理用の多さ、スピード、正確性を持ち、飽きずに学習を行うことができることにある。

　特に前例のない新商品の需要予測に適しているが、精度を上げるにはデータの蓄積が重要。人の強みは柔軟な発想力であり、どんな課題をAIで解決するために何のデータを蓄積すべきかを考える力がAIを利用する必要になる。

　またAIは判断根拠がブラックボックス化することがあり、根拠を説明できない、失敗したときに対策を考えるのが難しいといった欠点もある。そのためAIを用いてシステム化する人には、予測結果とデータの関係性を理解し、解釈、説明するスキルが必要になる。

　AI予測をそのまま使用するのではなくシナリオの一つとして利用することで、より精度高く、リスクヘッジ可能な需要予測を行うことができる。

不確実な環境では、柔軟性をたかめることが重要

　組織間でも需要予測をめぐる対立は起こりやすい。営業部門は在庫量を多く持ち、素早く変更したいが、製造部門では調達の問題や在庫コストの問題で対立起きやすい。解決のためには営業部の予測の妥当性を評価する、売り上げ計画と実績の差異が少ないことを評価するなどの方法がある。

　予測精度の改善は急に行っても行きあたりばったりの解決策しか思い浮かばず、本質にたどり着けない。データの蓄積、ロジックやシステムの構築と結果のマジメント、組織化、人材の投入などが予測精度を上昇させるために必要な項目。

　これらの要素を高めることで、市場環境の変化の早期察知とそれを踏まえた素早しデータ分析に基づく柔軟な需要予測の更新が可能になる。不確実が高まるビジネス環境では精度を高めることには限界があるため、柔軟性を高めることが重要になる。

需要予測の向上は競争力となる

　メーカーや小売業にとって在庫は管理コストがかかるため、なるべく少なくしたいもの。しかし現在の半導体不足のように在庫がある企業が有利に立つケースもある。需要予測の向上で在庫の持ちかたを臨機応変に調整できるようになればビジネスにおいて競争力となる。

　これまで企業が手にする情報は主にいつ売れたか、何が売れたかなど商品に関する情報であった。近年はITの発展で商品の情報に顧客情報を紐づけることができるようになった。顧客の行動データからレコメンドするなどで多く利用されている。

　顧客のデータを取り入れることで顧客が買う確率を予測し、外れた場合にその要因を分析すれば、需要の背景を考えるために必要な原因要素を特定できる可能性も有る。購入予測の精度が高くなれば購入予想の高い人に効果的にプロモーションするなどして新たな需要を作り出す可能性も充分にある。

精度を高めることではなく、スピードを高めるべき

　世界の様々な業界の需要予測の誤差は30%程度で、新商品は50~80%ともいわれている。特に新商品の予測は多くの影響を受け変化し予測は難しいため、あまりリーソースをかけ精度を上げるのではなく、まずは実行し、市場の反応を見たうえで素早く予測を更新していくことが重要。スキルの高い人材やシステムの高度化だけでなく、市場や顧客の反応を早期に集める仕組みとスピードを高めるシステムに投資することが重要になる。

需要予測は過去の分析ではなく競争力の源泉

　需要予測は従来の調査やデータ分析ではなく、データの収集と臨機応変な対応へと発想を転換する必要がある。新しい需要予測には4つの項目が必要となる。

1.より細かいセグメントでの予測

2.AIの予測を解釈する

3.多数のモデルを利用し、幅を持った予測を行う

4.早期に変化を察知し、迅速に対応する。

　需要予測の新時代に必要な項目を身に着け、自身の専門領域とかけ合わせれば大きな競争力となる。