# Eコマース需要予測:2026年版完全ガイド > Eコマース需要予測の手法、プロモーションの影響、精度指標、在庫計画をステップごとに解説します。ELECTEによる自動化の仕組みもご紹介します。 Source: https://www.electe.net/ja/%E3%83%9B%E3%82%B9%E3%83%88/ecommerce-demand-forecasting Site guide: https://www.electe.net/ja/llms.txt サプライヤーの見積もりと並べて昨年の販売データを見ながら、ローンチ時の発注準備をしているとします。数量は妥当に見えますが、マーケティングがフラッシュセールを組み、マーケットプレイスが買い物客に表示する商品を変更します。やがて、ある倉庫の棚は空になり、別の倉庫では値引きしないと動かせない在庫を抱えることになります。 当然の対応は予測の精度を上げることです。しかし、販売履歴が「在庫切れだった商品」を「人気のない商品」として扱っていたり、発注時にバイヤーが予測をまったく使わなかったりすれば、より高度なアルゴリズムを導入しても意味がありません。必要なのは、説得力のあるグラフではなく、意思決定の仕組みです。 **Eコマース需要予測**は、顧客需要と購買、フルフィルメント、資金コミットメントを結びつけるものです。丁寧に行えば、不確実性も可視化できるため、信頼できる補充予測と、発注数を抑えるべきローンチ予測とを区別できるようになります。 実務は在庫記録から始まり、運用上の意思決定で終わります。その間には、商品のパターンごとに手法を選び、将来の情報が漏れ出さないようテストし、プロモーションの効果を初期の売上急増だけでなく評価する必要があります。成功の基準はシンプルです。その予測は、より収益性の高い仕入れとプロモーションに役立っているか、ということです。 ## Eコマース需要予測が予測する対象と、それが重要な理由 先ほどのローンチの例で、昨年と同じ発注を繰り返すということは、同じ顧客が同じチャネルを通じてやって来て、同じ場所から購入するという前提に立っていることになります。フラッシュセールは購買のインセンティブを変えます。マーケットプレイスの表示変更は露出度を変えます。どちらも通常の季節調整には当てはまりません。 **Eコマース需要予測**は、今後の各期間において、商品・チャネル・地域ごとに顧客が何個の商品を求めるかを見積もるものです。これは倉庫向けの天気予報のようなものだと考えてください。過去のパターンが予測の土台となり、既知の今後のイベントがその見通しを変化させます。 [UNCTADの推計](https://unctad.org/news/global-e-commerce-jumps-267-trillion-covid-19-boosts-online-sales)によると、世界のEコマース売上高は**2019年に約26.7兆ドル**に達し、これは**世界GDPの約30%**に相当します。また、小売全体に占めるオンライン小売の割合は、**パンデミック前の16%から2020年には19%**に上昇したと報告されています。これらの数字は一事業者の店舗よりも広範な商取引を対象としたものですが、チャネルに関する前提がいかに急速に変化しうるかを示しています。 成長、周期的なピーク、突発的な変動は、売上データの列の中では似たように見えることがあります。資金を投じる前に、これらを切り分けておく必要があります。 予測と業務運営を結びつけるための有用な基礎知識として、Reddog Consulting Groupの[需要計画の基礎](https://www.reddog.group/blogs/unleashing-insights/what-is-demand-forecasting)が参考になります。予測は最終的に、以下の判断に活用されるべきものです。 - **購買:** 何を、いつ発注するか。 - **フルフィルメント能力:** どこに在庫と人員が必要か。 - **資金計画:** 将来の在庫コミットメントにどれだけの資金が必要か。 ## モデリング前の特徴量エンジニアリングとデータクレンジング アルゴリズムを置き換える前に、入力テーブルを点検してください。重複した注文、一致しないSKU識別子、欠落した在庫記録があると、技術的には健全なモデルでも誤った問いに答えることになります。 **特徴量**とは、データに対して投げかける問いです。前日の売上だけを与えるのではなく、顧客の関心と販売条件を区別できるだけの文脈をモデルに与えてください。 ### 購買担当者が認識できる特徴量を構築する 実用的な初期セットには以下が含まれます。 - **ラグ付き売上:** 先週の売上と前年同時期の売上。需要を映すバックミラーです。 - **移動平均:** 候補となる設定として、**7日、28日、91日**にわたる平均をテストし、直近の動きと全体的なベースラインを区別します。 - **カレンダーフラグ:** 祝日、給料日のパターン、地域の商取引イベント。 - **価格と値引き幅:** 単なるセール表示ではなく、実際の販売価格。 - **在庫状況:** 在庫あり日数、出品ステータス、フルフィルメント上の制約。 - **露出とコンバージョン:** 信頼できる場合は、商品インプレッション、トラフィック、購入数。 - **返品:** 返品された数量と、販売可能な在庫が再び利用可能になる時期。 予測対象は明確にしておいてください。総発注数量はピッキング能力の計画に役立ちますが、純在庫消費を見積もる際には、保持された数量と販売可能な返品が重要になります。 可能な限り、集計された行動情報を使用してください。顧客レベルの記録へのアクセスを制限し、不要な識別子を削除し、ECシステムと分析システムを統合する際には適用される個人情報保護要件に従ってください。 ### 売上ゼロの日に理由を与える ある[小売予測の研究](https://arxiv.org/pdf/2506.05941)では、欠損率**20.9%**のデータを評価し、**商品系列の99.9%**が少なくとも1日の売上ゼロ日を含み、系列あたり平均**492日の売上ゼロ日**があることを明らかにしました。また、この設定では、局所的な木ベースモデルがより高度な深層学習アーキテクチャを上回る性能を示しました。 これらの結果は、個々のゼロの原因を特定するものではありません。実際の需要の低さと、在庫切れ、マーケットプレイスのフィード欠落、非アクティブな出品、カタログ変更とを区別するには、運用記録が必要です。 利用不可だった日は**打ち切られた需要**としてマークしてください。売上は観測可能ですが、対応できたはずの需要は観測できません。架空の売上推定値で自動的に置き換えないでください。元の記録を保持し、在庫状況フラグを追加し、推定ルールを文書化してください。 新規または動きの遅いSKUについては、カテゴリー、価格、チャネルが類似する商品から情報をプールしてください。露出、コンバージョン、在庫保有期間、代替品の情報を用いて、顧客が目にしていない商品と、拒否された商品とを区別します。 > **データチェック:** 各ゼロの理由を説明できますか。また、日次の在庫状況を再構築できますか。 観測データがより狭い推定を裏付けるまでは、点予測の横に**広い予測区間**を示してください。購買担当者が必要としているのは、一見正確に見える単一の数値ではなく、範囲とその示されたカバレッジです。 ## 製品タイプごとに需要予測の手法を選ぶ どんな場合にも通用する単一のモデルは存在しません。需要パターンと、発注時点で得られる情報に応じて手法を選ぶ必要があります。 安定した売れ筋商品は、明確な週単位のリズムに従うことがあります。プロモーション主導の製品は、キャンペーン時期を中心に売れることが多いでしょう。ニッチな交換部品のような間欠的な売れ行きの商品では、長期間注文がないまま、ある時点で突然注文が入ることもあります。 これらはそれぞれ異なる予測の課題です。同じ設定ですべてを処理しようとすると、運用管理は楽になりますが、購買判断の質が低下する可能性があります。 ### 製品パターン別の需要予測手法 以下に示す履歴期間は**あくまで出発点としての推奨**であり、普遍的な最低基準ではありません。週単位の周期には年単位の周期とは異なる裏付けデータが必要であり、最近の構造的変化により、古い履歴データの有用性が低下することもあります。 手法最適な用途必要なデータ主な弱点季節性ナイーブ法または移動平均安定した高販売量のベストセラー商品1〜2年分の日次または週次売上データを開始点として推奨プロモーション、トレンドの変化、新商品を捉えられない指数平滑法（ホルト・ウィンタース法）明確な週次または年次の季節性を持つ安定した売れ筋商品完全な季節サイクルを2回以上含むことが望ましいSKUごとにチューニングが必要で、プロモーションによる急増には弱いARIMAまたはSARIMAトレンドと自己相関を持つ単一の系列2年以上の安定した履歴データを開始点として推奨数千点のSKUにわたる個別のモデル適合と保守が負担になるCrostonまたはSBAゼロ販売日が多く不定期で波のある売れ筋商品まず12ヶ月以上の履歴データと非ゼロイベントの件数を評価することから開始点予測しか得られないため、安全在庫ロジックと組み合わせる必要がある価格・プロモーション変数を用いた回帰分析既知の値引き計画があるプロモーション主導のカテゴリ価格、値引き幅、キャンペーンカレンダー上昇効果を推定するには十分な過去のプロモーション実績が必要プールされたSKUに対する勾配ブースティング（XGBoost、LightGBM）相互作用するシグナルを持つ大規模なカタログ理想的には数百点の比較可能なSKUと豊富な特徴量説明が難しく、慎重な検証が必要 系列パターンと季節モデリングについての詳しい説明は、[在庫需要予測にARIMAを活用する方法](https://www.electe.net/post/arima-models-explained)をご覧ください。ARIMAは過去の観測値に再現可能な情報が含まれている場合に有効であり、製品の商業的な文脈全体が変化してしまった場合には適していません。 ### 複雑さには見合う価値を持たせる **10店舗にわたる50品目**を対象とした[2025年の小売需要予測研究](https://ideas.repec.org/a/bfy/oajsas/v6y2025i1p35-67id2679.html)では、Random Forest、XGBoost、線形回帰、ARIMAを比較し、最適なアルゴリズムはデータセットとビジネス課題次第であることを強調しています。 特徴量の詳細度も、ある手法には有効でも別の手法には効果がないことがあります。[短期的なEコマース需要予測の研究](https://www.atlantis-press.com/article/125982175.pdf)では、詳細な割引分類が線形回帰、リッジ回帰、ラッソ回帰を大幅に改善し、MAPEの最大改善幅は**36.19%**に達しましたが、サポートベクターマシン、勾配ブースティング、ランダムフォレストのモデルには有意な改善は見られませんでした。 ここでの実務上の教訓は、公表されたランキングから勝者を選ぶことではありません。追加の手法が、その準備・説明・保守にかかるコストを正当化できるほど、自社の意思決定を改善するかどうかを検証することです。 まずは季節性を考慮したベースラインから始めましょう。未知の期間において再現可能な基準を上回れない複雑な候補モデルは、本番環境で使用する価値がありません。 ## 予測に季節性とプロモーションを学習させる コンサートは、売上に潜む様々なシグナルを理解する上で有用な例えです。**トレンド**は根底にあるテンポ、**季節性**は繰り返されるサビ、**プロモーション**は一時的にパフォーマンスを変化させるソロパート、そして**ノイズ**は観客にあたります。 業務上の観点では、トレンドとは持続的な成長または減少を意味します。季節性は、週次で繰り返されるパターンや、ブラックフライデー、新学期シーズンといったカレンダー上のピークを指します。プロモーションは通常とは異なる販売状況を生み出し、ノイズは説明のつかない日々の変動として残る部分です。 ### カレンダー要因とキャンペーン要因を切り分ける 祝日とセールは重なることがありますが、両者は同じものではありません。すべての祝日の急上昇を通常需要としてモデルに学習させてしまうと、割引を取りやめた際にも同様の売上が発生すると予測してしまう可能性があります。 キャンペーンの開始日・終了日、割引率、チャネル、製品カテゴリー、関連する物流上の制約を記録してください。市場ごとに祝日やショッピングパターンが異なる場合は、国別のカレンダーを別々に管理しましょう。 あるデンマークの割引食料品チェーンを対象とした[研究](https://link.springer.com/chapter/10.1007/978-3-030-29996-5_66)によると、過去のプロモーション実施回数が**5回を超える**製品では、特にXGBoostをはじめとするツリーアンサンブル系モデルが最も良い成績を示した一方、**5回未満**の製品ではペナルティ付き線形回帰の方が優れた結果を示しました。ただし、プロモーション履歴が少ない場合は依然として比較的高い誤差が生じました。 この結果は、画一的な基準としてではなく、セグメンテーションの根拠として活用してください。 - **プロモーションが多い商品：**関連SKU間の相互作用を学習するプール型の非線形モデルをテストする。 - **プロモーションが少ない商品：**不安定な推定値を抑えるシンプルな正則化モデルを優先する。 - **キャンペーン評価：**タイミングのずれを隠してしまう月次合計に頼るのではなく、個々のプロモーションイベントを確認する。 キャンペーン測定と商業計画を結びつけるには、一貫したプロセスで[プロモーションによる売上増加を測定する](https://www.electe.net/post/promotion-optimization-in-retail)。払い戻しもキャンペーンごとに識別できるようにしておく。PlatformDTCによる[割引注文の払い戻しの扱い方](https://platformdtc.com/blog/discounts-promo-codes)に関するガイダンスは、割引の仕組みを購入後の記録と整合させる際に役立つ。 ### 意思決定時点の情報を固定する **データリーケージ**とは、予測を行った時点では存在しなかったはずの情報をモデルが受け取ってしまうことを指す。実際のキャンペーントラフィック、実際に発生した欠品、最終的な割引変更などが、過去のテストをライブ予測よりも良く見せてしまうことがある。 計画されていた割引、キャンペーンのタイミング、在庫状況、キャパシティの前提について、日付入りのスナップショットを保存する。後から明らかになったことではなく、その時点でプランナーが把握していた情報に基づいて学習・評価を行う。 > キャンペーン前に行われた予測は、キャンペーン前に入手可能だった情報を用いて評価しなければならない。 ## 予測が機能しているかを示す評価指標 平均誤差が立派な数値であっても、動きの遅い商品の過剰在庫とベストセラー商品の欠品が同時に起きている場合がある。集計スコアだけでは、バイヤーがより良いコミットメントを行っているかどうかは分からない。 直近の期間を保留し、どの候補モデルにもトレーニング中にそれを見せないようにする。同じ商品、同じ日付、同じ予測期間で候補モデルを比較し、その後、複数の過去の基準日でテストを繰り返して、異なる取引条件下でも結果が成り立つかどうかを確認する。 ### ECサイト向けの予測精度指標 指標何がわかるか誤解を招きやすい点MAE（平均絶対誤差）単位あたりの平均的なずれ規模が大きく異なるSKU間での比較が難しいRMSE（二乗平均平方根誤差）大きなずれをより重く評価した、典型的な誤差の大きさ少数の大きなスパイクがスコアを支配してしまうことがあるMAPE（平均絶対パーセント誤差）実需要に対する割合としてのずれ実需要がゼロのときは定義不能、または不安定になるMASE（平均絶対スケール誤差）単純な予測との比較による誤差分析担当者以外には理解しづらいRMSSE（二乗平均平方根スケール誤差）断続的需要のベンチマークで使われるスケール化二乗誤差購買担当者やプランナーに説明しづらいバイアス予測が体系的に高め・低めに出ているかどうか平均バイアスがゼロでも、両方向への大きなずれが隠れていることがある [断続的需要予測に関するレビュー](https://www.tandfonline.com/doi/abs/10.1080/00207543.2025.2578701)では、指標の選び方によってモデルの順位が変わること、需要がゼロの場合にMAPEが不安定になる、または定義不能になること、そしてランダムフォレストが在庫特有の指標においてCroston系手法に劣る場合があることが指摘されている。 単位の誤差を伝える際は**MAE**を使い、コストの大きいスパイクを調べる際は**RMSE**を使う。サイズの異なる製品を比較する場合はスケール化した指標を使うが、系列の変動が小さい場合は基準となる分母を確認すること。バイアスを報告する際は符号の取り決めを明記し、正の値が過大予測を意味するのか過小予測を意味するのかを誰もが理解できるようにする。 断続的な需要を持つ製品はCroston系手法と比較し、定番商品は季節性ナイーブ予測と比較してベンチマークする。ベストセラーが平均値を支配してしまわないよう、動きの速い製品、断続的な製品、新製品、生産終了品はそれぞれ分けて報告すること。 ### 予測期間と経済的影響を評価する [サウジアラビアのeコマース予測研究](https://www.ijml.org/vol15/IJML-V15N3-1180.pdf)では、**週次予測のRMSEが0.4537**、**長期予測では8.1938**と報告されている。これらはその研究に固有の誤差であり、そのまま流用できる単位目標ではないが、この比較は予測期間ごとに別々に監視することの妥当性を裏付けている。 補充の予測期間はサプライヤーのリードタイムに合わせる必要がある。キャパシティ予測には異なる期間と集計レベルが必要になる場合がある。 誤差を業務コストに換算する: - **欠品コスト:** 測定可能な範囲での利益損失、特急輸送費、代替品対応費。 - **過剰コスト:** 保管費、金利負担、値下げ、廃棄費用。 - **意思決定の結果:** 同じ発注方針のもとで達成された在庫可用性とコミットされた在庫量。 観測された売上だけでは未充足の需要すべてが分かるわけではないため、欠品期間は慎重に評価すること。こうした期間は報告上分離し、知り得ない真の値を主張する代わりに、未充足需要の仮定に対する感度を検証すること。 ## 予測を再発注とプロモーションの意思決定に変える方法 バイヤーに必要なのは、予測された売上曲線だけでなく、トリガーである。予測がどのように発注を変化させるか、誰が例外を承認するか、そしてどのような根拠があれば見直しを行うかを定義すること。 以下は**仮想の実例**であり、あらゆるカタログに推奨されるサービス方針ではない。その数量や目標値は計算方法を示すためのものであり、自社の経済条件に置き換えて利用できる。 ### 需要を補充トリガーに変換する 1. **製品クラスごとにサービスレベルの目標を設定する。**一例として、**売れ筋商品はサイクルサービスレベル95%**、**ロングテール商品は90%**に設定します。サイクルサービスレベルとは、補充サイクル中に欠品を回避できる確率を指すものであり、充足された単位数の割合ではありません。実際の目標値は、販売速度だけでなく、利益率、顧客への影響、保管コストを考慮して設定してください。 2. **サプライヤーのリードタイム中の需要を見積もる。**日次の期待値が比較的安定している場合は、平均日次需要にリードタイムを掛けます。そのリードタイム期間内にキャンペーンや季節変動が発生する場合は、代わりに日次予測を合計します。 3. **安全在庫の規模を決める。**リードタイムが固定で日次需要が独立しており、正規分布で近似できるという例示的なモデルのもとでは、**安全在庫 = z × 日次標準偏差 × √リードタイム**を用います。丸めた**z値1.65**は、この例における95%のサイクルサービス目標に対応します。トレンド、自己相関、間欠的な注文、サプライヤーの納期変動がある場合は、より適したリードタイム需要分布が必要です。 4. **発注点を設定する。**リードタイム中の需要に安全在庫を加えます。発注のトリガーは物理在庫だけでなく、**在庫ポジション**、すなわち使用可能な手持ち在庫に確定済みの入荷予定を加え、確約済みの需要を差し引いたものに基づいて行います。 5. **正味の増分価値に基づいてプロモーションを承認する。**キャンペーンによる需要を、妥当な「プロモーションなし」の場合のベースラインと比較し、その上で将来購入の先食いや他製品からの代替需要を考慮します。 安全在庫バッファーの[構築方法](https://npoint.digital/how-to-prevent-stock-outs/)に関する実務的な運用の文脈については、Next Point Digitalの欠品防止ガイダンスが参考になります。 ### 発注前に数値を計算する あるSKUが**1日40個**売れ、サプライヤーのリードタイムが**14日**、日次需要の標準偏差が**8個**だとします。上記の簡略化した前提のもとでは、次のようになります。 - **リードタイム需要:** 40 × 14 = **560個**。 - **安全在庫:** 1.65 × 8 × √14 ≈ **49個**。 - **発注点:** 560 + 49 = **609個**。 このバッファーは日次の需要変動を利用しています。予測ドリブンな実装では、予測可能な季節変動をランダムな変動として扱わないよう、補充期間にわたるアウトオブサンプルの予測誤差から不確実性を見積もってください。 次に、**4日間のプロモーション**で**1日120個**売れるとします。キャンペーン期間の販売数量は**480個**で、**160個のベースライン**と比較すると、見かけ上**320個の増加**となります。その後の**10日間**で、通常の**40個**ではなく**1日25個**しか売れない場合、**150個の減少分**を差し引くと、正味の増加分は**170個**と推定されます。 その推定値は、ベースラインに信頼性があることを前提としています。可能な場合は、影響を受けていない製品、市場、顧客グループと比較してください。ただし、それらの比較対象自体がキャンペーンの影響を受けていないかを確認する必要があります。 [International Journal of Forecasting誌の2025年の研究](https://ideas.repec.org/a/eee/intfor/v41y2025i2p554-570.html)によると、目標サービスレベルが高い場合、プロモーションによって予測担当者が需要を過大評価する傾向があることがわかりました。在庫を余分に持つことが、必ずしも経済的に安全な判断とは限りません。 収益性を判断する前に、値引きコスト、広告費、返品、フルフィルメント費用を差し引いてください。実装支援については、[小売業者向けの30日間在庫パイロット](https://www.electe.net/post/inventory-optimization-for-retail)を利用して、担当体制とレビューの仕組みを整えてください。実践的な初期頻度としては、動きの速い商品は週次、動きの遅い商品は月次とし、供給やキャンペーンに変化があった場合は即座に例外レビューを行うことをお勧めします。 ## 重要なポイントと90日間パイロット **90日間のEコマース需要予測パイロット**は、重要な意味を持つ程度に大きく、かつバイヤーがレビューできる程度に管理しやすいカテゴリーから始めましょう。範囲の目安として、**売上上位20%のSKU**を検討し、その上でロングテールのリスクを見逃さないよう、代表的な動きの遅い商品も含めてください。 運用原則を常に意識できるようにしておきましょう。 - **複雑さは実証してから採用する：**候補手法には、ホールドアウト期間において季節性を考慮した基準値を上回ることを求めてください。 - **在庫状況のコンテキストを保持する：**バイヤーやモデルに、欠品を顧客の拒否反応として解釈させないようにしてください。 - **商業的成果を評価する：**単位精度だけでなく、在庫リスクと利益貢献度を評価してください。 - **プロモーションのライフサイクル全体を測定する：**ベースライン、キャンペーンによる押し上げ効果、そしてその後の需要変化を含めてください。 ### パイロットに責任者と意思決定の仕組みを設ける この提案するパイロットでは、可能な範囲で**12～24か月分**の日次または週次の売上データ、在庫状況の記録、プロモーションカレンダーを収集してください。**直近3か月分**は最終比較用に確保し、季節性を考慮した基準値と**2つの候補手法**について、MAE（平均絶対誤差）、バイアス、推定欠品コストを用いてバックテストを行ってください。 一貫した発注方針の下で、最も優れた経済的結果をもたらす手法を選択してください。その補充推奨を選定したSKUに適用し、例外事項を週次でレビューし、手動での上書きはすべて理由とともに記録してください。 **中小企業向けAI搭載データ分析プラットフォームであるELECTE**は、ユーザーのデータに対して**6種類の予測手法**を実行し、それぞれを比較評価した上で、最も精度の高い手法を選択します。ほとんどのユーザーは**5分未満**で運用を開始でき、会計ソフトとの連携やファイルのアップロード後すぐに分析と最初の予測が始まります。ただし、実運用での検証には、適切な売上データと在庫状況の記録が別途必要です。 迅速な導入が、そのままビジネス上の価値を証明するわけではありません。パイロットの成果とは、選択したアプローチが、実際にチームが直面する購買上の制約のもとで、自社のデータにおいて現行の手法を上回れるかどうかです。ダッシュボードが説得力のある結果を示しているように見えても、この基準を維持してください。 --- ELECTEは需要予測と無料の発注点計算ツールを提供し、予測と購買判断を結びつけるお手伝いをします。[ELECTE](https://www.electe.net)にアクセスして、プラットフォームをご覧いただき、パーソナライズされたデモでELECTEの実際の動作をご確認ください。