新商品発売時の販売量予測AIによる在庫適正化

本プロジェクトの背景

ヘアケア商品を展開する大手消費財メーカーグループ様では、新商品発売時の初期発注量の見極めが長年の課題となっていました。

新商品は過去の販売実績データが存在しないため、担当者の経験と勘に頼った発注が行われており、発売後に過剰在庫が発生するケースが多く見られました。その結果、数億円規模の商品廃棄が生じており、ビジネスインパクトの大きな損失となっていました。

特に、発売8ヶ月前という早い段階で初期発注量を確定する必要があることから、精度の高い需要予測の仕組みの構築が急務となっていました。

技術詳細

本プロジェクトでは、POSデータ（自社・競合）・出荷数量・TV広告や媒体費用・市況/季節要因・商品属性（価格帯・容量・効能など）といった多様なデータソースを整理・精査したうえで、新商品の発売開始初週から3か月間の販売数を予測する機械学習モデルを構築しました。

新商品には直接的な過去実績が存在しないという根本的な課題に対応するため、過去の既存商品の中から「類似商品」を特定する独自の類似度判定モデルを開発し、その類似商品の販売パターンを学習に活用する設計としています。

また、技術的にも、以下の検証を並行して行いました。

• 機械学習モデル（LightGBM）を用いた時系列モデルの構築・検証

• 目的変数・説明変数の組み合わせを複数パターン試行し、最適な特徴量設計を追求

• 競合商品の売上データや詳細な商品属性情報の追加による精度改善の検証

• 学習データ期間変えて2段階で学習を行うことで少量の自社商品に対しても効率的に学習できる手法を適用

• 商品カテゴリ・発売時期・販売規模別のMAPE分析による、精度課題の構造的な特定

Polaris.AIの支援内容

• データクレンジングや相関/SHAP分析による予測に必要な重要因子の特定

• 類似度判定モデルの設計・構築

• 機械学習モデルの選定・構築・チューニング・評価

• 精度分析レポートおよび改善提言の作成

• 10パターン以上の特徴量検証や2段階学習の導入により月次MAPEの中央値を約77%から約34%(最もよいもので5%)へ改善し、現在も実運用に向けた精度向上を継続支援中

Polaris.AIは今後も、消費財・流通分野における需要予測AIの構築を通じて、クライアント企業様の在庫最適化と収益改善を支援してまいります。