いつもは100円で売っている商品を、ある月だけ20円で売る。余った在庫を、まとめて売り切るためです。
販売実績のデータには、その月がくっきりと残ります。いつもの何倍も売れた月として。
この数字を、来年の販売計画を立てるAIにそのまま渡したら、どうなるでしょうか。データの上では、来年の同じ時期にも同じくらい売れる根拠に見えます。しかし、20円で売れた量は、100円で売ったときに売れる量の根拠にはなりません。
食品メーカーのUmios(旧マルハニチロ)は、販売計画をAIで作る取り組みで、こうした処分販売のデータを学習から外しました。100円を20円で、というのは、2026年9月にUmiosとAWSが共同で公開したブログが、説明のために挙げている例です。このブログには、予測のモデルを選んだ話より、売れた数字をどう扱ったかの話が多く書かれています。
毎月の手入力に、年4,200時間
業務用の食品を扱うUmiosの部門では、全国の支社の営業担当者が、商品ごと、倉庫ごとに、翌月以降の販売計画を毎月手で入力していました。その作業に、全支社で年間約4,200時間かかると試算されています。
計画の数字は、担当者の経験と勘で決まっていました。入力のやり方も、システムに入力する支社、独自のExcelで管理する支社、運用が止まってしまった支社の3通りに分かれていました。しかも、計画を工場の生産に反映するまでに時間がかかるため、当てなければならないのは2〜3か月先の数字です。
Umiosはまず、社内で使っている生成AIのチャット「UmiChat」(AnthropicのClaude Sonnet 4がベース)で予測を試しました。ブログによれば、チャットAIに一度で予測を出させるやり方は、同じ条件で同じ結果が返るか(再現性)と、既存のシステムに組み込めるかに課題がありました。毎月、多数の商品と倉庫の予測をまとめて作るには、精度だけでなく、安定して処理でき、いまの仕組みとつながることが必要です。
そこで比べたのが、Amazonが開発した「Chronos-2」です。文章ではなく、時間とともに変わる数字の並び(時系列)の予測に特化したモデルで、大量のデータで事前に学習済みのため、自社用に一からモデルを作る必要がありません。同じデータで比べたところ、精度でもChronos-2が上回りました(比べた数字は公開されていません)。
ただ、モデルを替えて終わり、ではありませんでした。
「よく売れた月」を、学習から外した
冒頭の処分販売について、ブログは「在庫余剰の結果であり需要ではありません」と書き、学習データから外しています。来年の通常の販売量を当てたいなら、20円で売れた量は、その手がかりになりません。
問題は、販売数の列だけを見ても、通常の販売と処分販売を区別できないことです。値段を下げた理由が、価格や販売の区分として予測用のデータに入っていなければ、モデルにとっては同じ「よく売れた月」です。処分の事情を、予測に使える形でデータに残すこと。そのためには、売っていた現場への確認が欠かせません。
季節の商品でも、似たことが起きました。毎年2〜4月に売れる商品では、最初の予測の誤差がWMAPE(予測と実績の差の合計を、実績の合計で割った誤差の指標)で62.57%もありました。そこで、学習に使うデータを1年分から3年分に広げ、「何月か」を表す列を加えたところ、誤差は20%まで下がりました。
時系列のモデルは、月の列がなくても周期を捉えることがあります。この検証の最初の条件では、それが十分ではなかった、ということです。「この商品は春に売れる」は担当者には当たり前のことでも、モデルがそれを捉えているかは、別に確かめる必要があります。「機械学習とディープラーニングは何が違う?」で、何を項目として渡すかが予測の質を左右すると書きましたが、ここでもそれが起きています。
ちなみに、ブログには「予測精度95%」という数字も出てきます。これは、試験の対象にした定番商品の、1年分を合計した数字での精度です。Umiosが採用の基準にしたのは、商品別・倉庫別・販売課別の毎月の数字で60〜70%で、その後の工夫で80〜90%を目指す、としていました。1年分を足し合わせると、多すぎた月と少なすぎた月の外れが相殺されることがあります。95%という数字を見たら、何を合計した精度なのかを確かめる必要があります。
同じ冷凍食品が、5世代の商品コードに分かれていた
まだ解決していない問題も、ブログは書いています。
商品には、バーコードの番号(JANコード)が付いています。Umiosでは、商品の規格を変えるたびにこの番号が新しくなり、販売の履歴が途切れていました。ブログが例に挙げたある冷凍食品は、2010年、2012年、2015年、2021年、2025年の5世代に番号が分かれています。
番号ごとに別の商品として扱えば、一続きの販売履歴として季節の売れ方を捉えにくくなります。Umiosの現場では、新旧の番号を手作業でつないで対応しており、根本的には商品の基本情報(マスターデータ)を整えることが必要だとしています。いま展開している商品にはこのケースがなく、ほかの商品に広げるときの課題になる見込みです。
ここでも、問題はモデルの性能というより、「この番号とこの番号は同じ商品だ」という対応関係が、予測に使えるデータになっていないことです。
予測は幅で返し、計画を決めるのは支社の担当者
予測ができたら、人の仕事はなくなるのか。Umiosの答えは違いました。
Chronos-2は、予測を1つの数字ではなく、少なめ・真ん中・多めの3つの数字(P10・P50・P90)で返します。どのくらいの幅で外れうるかを示す数字です。ブログによれば、担当者は10日間の確認期間に、これを現場の目で点検・修正して、最終的な計画を確定します。
幅があると、現場の情報を足しやすくなります。たとえば、大口の取引先から翌月の追加発注の予定を聞いているのに、その情報が予測に入っていない、という場面はよくあります。担当者は予測の幅を参考にしながら、追加発注の数量や確度を踏まえて計画を直す。勘で一から数字を作る仕事が、予測をたたき台に現場の情報を加えて決める仕事に変わります。
予測は毎日更新され、予測・計画・実績を、いま使っている集計画面(BI)で並べて見られるようにしました。予測と計画が大きくずれたら知らせる仕組みも付けています。今後は、予測結果を言葉で説明するAIを作る構想もあり、UmiChatに組み込めることも確かめているそうです。
販売予測にAIを使う前に、担当者と確かめる3つのこと
Umiosは大企業です。ただ、この事例で手間がかかったところは、会社の大きさに関係ありません。値引きで売った月、季節で売れる商品、番号の変わった商品。どれも、少し長く商売をしていれば、どの会社の売上データにもあるものです。
EC・通販業界のAI活用の記事では、季節性の強い商品などは予測が外れることもある、と一言で書きました。Umiosの事例は、外れる理由の一部が、売上の数字の中に、データとして記録されていない事情として埋まっていることを示しています。
PIMOAが販売予測の相談を受けたら、どのAIを使うかを決める前に、次の3つを担当者と一緒に確かめたいと考えています。
- その数字を、通常の販売として扱ってよいか: 処分販売、一度きりの大口受注、欠品があった期間を見分けられるか。それぞれ、外すのか、別の条件として扱うのかを、何を予測したいかに合わせて決められるか
- 担当者が知っている季節や行事を、モデルが捉えているか: 「春に売れる」「年末に増える」が予測に表れているかを、過去の季節で試して確かめたか
- 同じ商品が、一続きの履歴になっているか: 規格変更や品番の付け替えで、履歴が途切れている商品はないか。新旧の対応表を誰が持っているか
担当者が勘で計画を立てるとき、こうした事情は頭の中で自然に差し引かれていました。予測をAIに任せると、その事情を、データとして外に出す必要が出てきます。最初に確かめたいのは、「この販売数には何が含まれているか」です。100円の商品を20円で売った月があったなら、その理由を記録しておくことも、販売予測の仕事の一部になります。
参考文献・資料
AWS「Umios(旧マルハニチロ) が時系列基盤モデル Chronos-2 で実現する販売計画 AI – 作業4,200時間削減への裏側」(2026年9月10日)
@IT(2026年10月16日)
Hugging Face「amazon/chronos-2」