小売業の在庫最適化:実践ガイド

ある買い物客がジャケットを求めるも、システム上は在庫ありとなっているのに、店舗スタッフが見つけられない。一方で別のサイズは倉庫に手つかずのまま眠り、値引き販売を待っている。

これは特定の小売業者の事例ではなく、状況を説明するための一例です。しかし、小売業の在庫最適化の背後にある日々の課題を的確に捉えています。すなわち、記録と顧客需要が必ずしも一致しない中で、購買・補充・配分の判断を下すという課題です。

答えは単に仕入れを減らす、あるいは予測精度を上げることだけではありません。信頼できる在庫記録、明確なサービス目標、そして在庫を多く抱えることで発生するコストと、在庫の充実によって得られる収益を比較する方法が必要です。そうでなければ、見栄えの良いダッシュボードが、実はコストのかかる運用方針を覆い隠してしまうことがあります。

複雑なモデルから始める必要はありません。まずは実際に何が利用可能かを確認し、各指標の意味について合意を形成し、無理のない範囲の変更を試してみることから始めましょう。そこから、需要予測や安全在庫の計算は、チームが盲目的に受け入れるべき数字ではなく、有用な意思決定の補助ツールとなっていきます。

在庫最適化が小売業の利益を左右する理由

可視性の向上は、コストと売上の両方を変える可能性があります。McKinseyは2021年の小売業向けRFID分析において、RFID導入事例の調査結果として、在庫精度が25%以上向上し、在庫関連の労働時間が10~15%削減され、正規価格での販売率が1~3.5%向上したと報告しています。さらに、欠品管理の改善と廃棄ロスの削減により、最大5%の売上成長の可能性も示されています。

これらは導入事例として報告された結果であり、あなたの店舗での成果を約束するものではありません。しかし、仕入れコストと同様に、在庫の可用性や記録精度にも注意を払うべき理由を示しています。

在庫最適化とは、不要な資金を固定化することなく、適切な商品を適切な場所に適切なタイミングで配置することを意味します。家庭のパントリーを思い浮かべてください。食材が少なすぎれば夕食の準備に支障をきたしますが、買いすぎれば新しく買った食材の陰で古い食材が期限切れになってしまいます。

バランスを取るべきコスト

• 欠品コスト:販売機会を逃し、買い物客を失望させ、あるいは注文の回復に費用がかかります。
• 保管コスト:商品が売れるのを待つ間、保管、資本、荷役、ロスの費用がかかります。
• 値引きコスト:古くなった在庫、季節商品、不要在庫を処分するために利益を犠牲にします。

最初のバランスが重要です。アーカンソー大学RFID研究センターの調査では、従来型のシステムにおいて正確な在庫情報が確認できたのは商品全体のわずか35%に過ぎず、在庫の不正確さによって利益が約10%減少する可能性があると推定されています。

計算の前に、まず数える

システム上で実際には存在しない在庫が表示されていれば、補充を先送りしてしまう可能性があります。逆に、実際より少なく表示されていれば、すでに持っている商品を再び購入してしまう可能性があります。

どれほど洗練された発注計算であっても、その出発点となる在庫数が間違っていれば、依然として誤った判断となります。

有効な運用の流れは、データの準備、信頼できる指標、需要予測、安全在庫、品揃えとプロモーション計画、そして30日間のパイロットという順序です。各ステップは、単にレポートをもう一つ生み出すのではなく、次の意思決定を改善するものでなければなりません。

主要な在庫指標とそれぞれが示すもの

家庭のパントリーは、この問題を縮図として示しています。缶詰の数を数えても、棚に何があるかは分かりますが、夕食分が確保されているか、消耗品がどれくらいの速さでなくなるか、誰にも食べられずに期限切れになった商品はどれかについては何も教えてくれません。小売業の指標は、こうした問いを意図的に切り分けており、それぞれが自分自身の問いにしか答えません。

これら小売業における主要な在庫指標は、それぞれ異なる問いに答えるものです。回転率は動きを追跡し、充足率は即時対応力を追跡し、在庫投資粗利益率(GMROI)は在庫に投じた資金とそれが生む利益を結びつけます。これらを並べて読むことで、ある指標の好調な数値が別の指標の不調な数値を覆い隠すのを防げます。

単位を一貫させてください。在庫日数の場合、分母が売上原価であるため、平均在庫は原価で評価します。ロス率(シュリンケージ)の場合、帳簿上の数値と実地棚卸の差異を金額に換算してから、売上金額で割ってください。

定義を実務で使えるものにする

SKUとは、特定のサイズと色のジャケットのように、具体的な商品バリエーションを指します。SKU・店舗・日の組み合わせは、特定のバリエーションが特定の店舗で特定の日にどうだったかを示すもので、単に空の棚を数えるよりも公平に欠品を比較できます。空の棚の裏には、取り寄せ中の注文、配送中の商品、検品待ちの返品が隠れていることがあり、原因ごとに異なる対処が必要です。

結果を比較する前に、報告ルールについて合意してください。

• 可用性: 予約済み、破損、検疫中(保留)の商品を「利用可能」とみなすかどうかを決めます。
• 需要: 未処理の注文や判明している機会損失を、完了した販売とは別に記録します。
• タイミング: 比較対象全体で同じ期間と在庫評価方法を使用します。
• 責任: 説明のつかない指標の変化を調査する担当者を割り当てます。

まずスプレッドシートで回転率の計算式を実行し、入力値を可視化した状態にしてください。その上で在庫回転率を確認し、クロスチェックとして活用し、その結果を可用性や利益率と併せて読み取ってください。

誤った改善を評価しないこと

人気のジャケットが入荷するたびに即座に売り切れ、次の入荷まで品切れ状態が続くとします。この場合、買い物客が繰り返し購入できずに帰っているにもかかわらず、回転率は好調に見えることがあります。

在庫日数の減少は、効率化された運営を反映している場合もあれば、単に在庫が薄すぎることを示している場合もあり、どちらの指標単独でもこの二つを区別できません。より確実な読み方は、同一期間における総合的な経済価値、すなわち獲得した利益、欠品による機会損失、負担した保管コストを見ることです。あるカテゴリーが回転率では優れていても、欠品日数のコストを計算に入れると、結局は損失を出している場合があります。

カテゴリーと店舗はそれぞれ別々に比較し、棚卸しの数値を照合した上で最初の四半期をベースラインとして使用してください。後の変化によって起点が失われないよう、このベースラインは固定しておき、比較可能性に影響するプロモーション、休業、サプライヤーの問題などは注記しておきます。外部のベンチマークはあくまで出発点となる問いとして扱い、答えは自社で照合したベースラインから導き出してください。

必要なデータ基盤とテクノロジースタック

Priority社の小売業調査によると、2025年の小売業調査では、小売業者の59%が在庫予測・管理に複数の連携していないツール、スプレッドシート、手作業のプロセスに依存していることが判明しました。POS、在庫、財務データを統合したシステムを導入していると回答したのはわずか27%でした。

これはデータの準備状況を優先すべき実務上の理由です。返品がECサイトには反映されても倉庫の在庫状況に反映されない場合、より精緻な需要モデルを使っても、その不一致は解消されません。

取り込みから実行までを構築する

1. データソース：POS取引、倉庫内の在庫移動、EC注文、返品、サプライヤーのリードタイム、プロモーションカレンダー、関連する天候データを収集します。例えば、検品待ちの返品ジャケットと、販売可能な状態のジャケットを区別します。
2. マスターデータ：システム全体で共通のSKU識別子とロケーション識別子を使用します。倉庫コードとEC上の商品名は、同一の販売可能バリアントにマッピングされる必要があります。
3. 分析：整合済みのデータに対して、予測、安全在庫の計算、異常検知を適用します。急激な在庫減少は、需要として解釈される前に調査対象とすべきです。
4. 実行：承認された推奨事項を、発注、アラート、店舗タスクへと落とし込みます。各例外対応の責任者を明確にしておきます。

どのレコードを正とするか合意する

各項目について正式な情報源を定めます。POSは完了した店舗での販売を管理し、検証済みの実地棚卸は、棚卸時点でのその後の在庫移動を調整した上での手持在庫を管理する、といった形です。

差異は週次で照合し、重大な例外についてはより早急に調査します。痕跡を残さずに不一致を上書きしてはいけません。調整内容、理由、タイムスタンプ、担当者を保存しておくことで、チームが繰り返し発生する入荷エラーや同期エラーを特定できるようにします。

誤差の方向性は重要です。ブルーミングデールの店舗を対象としたアーカンソー大学の研究では、13週間にわたって可視性を測定し、シミュレーション結果として在庫不足（understock）が21％減少し、過剰在庫（overstock）が6％減少したと報告されています。この研究における用語では、understockとは記録が実在庫を上回っている状態を指し、overstockとは記録が実在庫を過小評価している状態を指します。

確信度ゲート：識別子が一致し、フィードが最新であり、説明のつかない在庫変動が解消済みまたは明示的に承認されている場合に限り、自動補充のための予測をリリースします。

自動アラートは、その意味と対応方法についてチーム内で合意が取れている場合にのみ役立ちます。業務データへのアクセスを制限し、不要な顧客識別情報を削除し、適切な保持・共有ルールを文書化してください。

需要予測アプローチの選び方

比較した予測手法は、それが支える意思決定によって評価されるべきです。サプライヤーへの発注に使う予測は、補充のリードタイムに合わせる必要があり、単に明日の売上をうまく当てるだけでは不十分です。

表に示した履歴の目安は、適用可否を決めるルールではありません。移動平均はより短い履歴でも機能しますが、季節性モデルは、再現性のあるパターンを異常なイベントと区別できるだけの十分な関連データを必要とします。

精度向上の裏に隠れるもの

公開データセットM5 Walmartを用いた機械学習による補充の研究では、WalmartのCA_1店舗における食品上位100SKUを対象に、7日間移動平均とランダムフォレストを比較しました。28日間のアウトオブサンプルテストにおいて、加重絶対パーセント誤差は39.82%から35.03%に低下し、シミュレーション上の欠品率は3.04%から2.43%に低下しました。

しかし、ランダムフォレストによる方策は、より多くの在庫を保持したため、基準となる前提条件下では総コストがやや高くなりました。研究によれば、欠品ペナルティが増加するか保有コストが低下すると、この方策は経済的に有利になることが分かりました。

この結果は機械学習に反対する根拠ではありません。予測誤差だけで補充方策を選ぶことに反対する根拠なのです。

予測だけでなく意思決定そのものを検証する

まずシンプルな統計的ベースラインを構築し、モデルが見ていない後続のデータで代替案を検証します。補充ルールとコストの前提条件を揃えておくことで、何が変化を引き起こしたのかを特定できます。

• 期間を一致させる: 購買判断がカバーすべき期間にわたって需要を検証します。
• バイアスを確認する: 継続的な過小予測と過大予測には、それぞれ異なる対応が必要です。
• ビジネスコストを含める: 各方策における保有コスト、欠品コスト、値引きコストを比較します。
• オーバーライドを記録する: プランナーが予測を調整した理由と、その調整が有効だったかどうかを記録します。

実績のない商品については、販売履歴がないことを需要がないことと同一視せず、新製品発売時の需要予測手法を比較してください。

ハイブリッドアプローチでは、統計的ベースラインを維持しながら、モデルによるシグナルと記録されたプランナーによる調整を加えることができます。こうした調整は追跡可能にしておきましょう。そうしなければ、モデルとオーバーライドのどちらが結果を生んだのか分からなくなります。

安全在庫と発注点をシンプルに理解する

ここでは、特定の小売業者の実績ではなく、説明のための計算例を考えます。平均日需要を40個、日需要の標準偏差を10個、サプライヤーの固定リードタイムを7日間と仮定します。

標準偏差は、日々の需要が平均値の周りでどれだけばらつくかを表します。安全在庫は不確実性に備えて保持する追加のバッファであり、発注点は次の発注をいつ行うべきかを示します。

計算の手順

独立した日次需要、固定リードタイム、そしてリードタイム需要がほぼ正規分布に従う場合:

安全在庫 = z × 日次需要の標準偏差 × √リードタイム

z値は、選択したサイクルサービス目標に対応するサービス係数です。例として95%のサイクルサービスレベルでは、約1.645を使用します。

安全在庫 = 1.645 × 10 × √7 ≈ 44ユニット

次に、配送を待つ間の予想需要をカバーします。

発注点 = 平均日次需要 × リードタイム + 安全在庫

発注点 = 40 × 7 + 44 = 324ユニット

在庫ポジション、つまり手持ちの在庫に確定済みの入荷予定を加え、未処理の需要分を差し引いたものを基準に発注をトリガーしてください。棚卸在庫だけを基準にすると、配送がすでに進行中の場合に重複発注が発生する可能性があります。

より高いサービス目標のコストを見てみましょう

以下の数値は、同じ仮定の入力値から計算されたもので、バッファは整数単位に切り上げられています。

95%から99%に引き上げると、この例ではバッファーが18個増えます。それが見合うかどうかは、製品の利益率、欠品が招く結果、そして陳腐化や値下げへの影響度によって変わります。

サイクルサービスレベルは充足率ではありません。これは補充サイクル中に欠品を回避できる確率を示すものであり、要求された数量のうち即座に供給できる割合を示すものではありません。

この近道が通用しなくなるタイミングを見極める

変動するリードタイム、相関のある需要、プロモーション、季節性に対応するには、より精緻な計算が必要です。因果的需要モデルを用いた小売業の安全在庫に関する研究では、外部要因を組み込み、明確なサービス制約の下でバッファーを設定することが支持されています。

欠品による影響と、在庫保有や値下げのリスクを比較検討した上で、不確実性の分位点を選びましょう。特に需要が急激に変動する場合、すべての商品に一律の需要割合を適用してはいけません。

再調整のトリガー: 予測誤差、サプライヤーのリードタイム、プロモーションへの反応が大きく変化した場合は、バッファーを見直してください。

品揃えとプロモーションが在庫計画に与える影響

この製品セグメント別の在庫方針は、出発点となる枠組みとして活用してください。自動的な購買ルールではありません。サプライヤーの最小発注量、賞味期限・使用期限、納期の信頼性によって、同じセグメント内でも最適な方針は変わり得ます。

ABC-XYZ分析は、商業的な重要度と需要の変動性を組み合わせたものです。ABC分析は売上または利益貢献度によって製品をランク付けし、XYZ分析は安定した需要と、変動が大きい、あるいは不規則な需要とを区別します。

補充方針全体を管理する

実証的な小売補充シミュレーションでは、効率的フルサービス戦略により、同じ目標顧客サービスレベルを維持したまま、平均在庫を22%削減し、処理する受注明細数を17%削減できたことが分かった。

この結果は、その研究の運用方針と需要プロファイルに依存するものだった。すべての小売業者が同じ割合でバッファを削減すべきだという普遍的な削減目標や根拠ではない。

ここから得られる有用な教訓は、発注頻度、配送の集約、補充のタイミング、安全在庫を連動させて調整することだ。頻繁な少量発注は安定した売れ筋商品には適しているかもしれないが、最低発注数量や配送コストのせいで採算が合わなくなる場合には適さない。

プロモーション終了を開始前に計画しておく

プロモーションの予測では、通常の需要と見込まれるイベント効果を切り分けて考える必要がある。買い物客が購入を前倒しする可能性や、取り扱い商品の中で別の商品から乗り換える可能性がないか確認しよう。

• 開始前: 供給日程、店舗への割り当て、そして最後に妥当な補充日を確認する。
• 開催中: 実際の反応をプロモーション予測と比較し、供給制約がないか調べる。
• 終了後: 発注を計画的に減らし、あらかじめ合意しておいた移管・保留・値下げの計画を実行する。

小売プロモーション時の利益率を守るには、売上の伸びだけでなく、フルフィルメントコストと残在庫リスクを踏まえてイベントを評価すること。

四半期ごとに品揃えを見直そう。スペースと資金を消費しながら十分な利益率や明確な顧客的役割を持たないロングテール商品には見直しを迫る一方、戦略的に重要な商品については、その貢献が直接的な売上を超えて及ぶ場合には維持する。

30日間の在庫パイロットを実施し、総合的な価値を評価する

30日間のパイロットは、キッチン全体の新しい買い物ルーティンに切り替える前に、まずパントリーの棚一つを整理し直すようなものだ。何が品切れになるか、何が手つかずのまま残るか、新しいルーティンが実際にどれだけの効果をもたらすかを観察し、それから全体に展開するかどうかを判断する。

パイロットは、確実に数量を把握し管理できるカテゴリーの20~50 SKUで実施しよう。比較対象となる同等の在庫を選び、価格設定、プロモーション、運用条件は可能な限り同じに保つ。

短期のパイロットは実行面を検証し、初期段階でのトレードオフを明らかにする。ただし、特にサプライヤーのリードタイムがテスト期間を超える場合、長期的な季節性のパフォーマンスを確立することはできない。

管理された運用スケジュールに従う

1. 1〜7日目: 記録を監査し、店舗と倉庫間でパイロット在庫を照合する。識別子を解決し、調整ルールを文書化する。この段階でのデータのクレンジングは、後から高度なアルゴリズムを導入するよりも精度向上に貢献することが多い。
2. 8〜14日目: 照合済みの過去データが利用可能であれば、それを用いて充足率、欠品率、在庫日数、回転率、ロス率のベースラインを設定する。
3. 15〜21日目: 製品をセグメント化し、統計的ベースラインと因果推論または機械学習による代替手法を、バックテストまたはシミュレーションを通じて比較する。
4. 22〜30日目: 承認済みのサービス目標と発注点を適用し、初期の結果を対照群と比較する。補充サイクルが完了していない場合は観察を継続する。

小売業向け在庫最適化は、経済的価値の総計で評価する。すなわち、回収したマージンから、保有コスト、値下げ損失、欠品損失、緊急輸送費の増分を差し引いたものだ。運転資本については別途確認し、在庫投資とその資金調達コストを二重に計上しないようにする。

成長企業向けのAI財務予測プラットフォームであるELECTEは、予測、自動レポート作成、ダッシュボードとKPIをカバーしており、無料ツールの一つとして無料の発注点計算ツールを提供しています。このプラットフォームは、お客様のデータに対して6つの予測手法を実行し、それらを互いに評価した上で、最も精度の高いものを選択します。ほとんどのユーザーは5分以内に利用を開始でき、会計ソフトを連携またはファイルをアップロードした直後にAIがデータを分析し、最初の予測を生成します。迅速なセットアップであっても、照合やコストに基づく方針評価はお客様自身で行う必要があります。

主なポイント

• まず数量を正しく把握する：モデルに手を付ける前に、信頼できる在庫の起点を確立します。
• 一貫した基準を設定する：共通の定義と比較可能なレポート期間を使用します。
• 経済性に基づいて選択する：予測精度の向上を運用コストと照らし合わせて検証します。
• バッファを差別化する：製品のリスクとサービス要件に応じて保護水準を調整します。
• 結果全体を評価する：緊急出荷、値引き、資金拘束を含めて検討します。

パイロットは直接的な問いで締めくくります：経済的な総価値は改善しましたか？その答えに基づいて、方針を維持する、調整する、あるいは却下するかを決めます。

ELECTEは、予測と自動レポート作成を提供しており、スプレッドシートを何度も作り直すことなく補充の意思決定を評価するのに役立ちます。パイロットの在庫数値を使って、ELECTEの無料発注点計算ツールを試し、無料のROI計算ツールを使って、より広範な展開に向けた価値の裏付けを示しましょう。