Shopify ストアの予測在庫予測

在庫は資本です。倉庫にあるはずのないユニットはすべて、機能していない現金を保管しています。在庫切れはすべて販売損失であり、多くの場合は永久に失われます。在庫切れに遭遇した顧客の 37% は競合他社から製品を購入し、返品しません。 AI を活用した在庫予測は、勘による注文をデータ主導の需要予測に置き換えることで方程式を変えます。

このガイドでは、特に Shopify 販売者向けの予測在庫予測について説明します。アルゴリズムの仕組み、Shopify のエコシステムと統合するツール、正確な予測のためのデータの構造化方法、財務上の影響の測定方法などです。

重要なポイント

• 在庫切れにより、Shopify 加盟店の平均的な年間収益の 8 ～ 12% の販売損失が発生します
• 過剰在庫により資本が圧迫され、値下げ圧力が発生します。通常、年間在庫価格の 15 ～ 20% になります。
• AI 予測は、過去の販売データ、季節パターン、傾向シグナル、および外部要因を組み合わせたものです
• Shopify のネイティブ在庫ツールは 200 SKU 未満に適しています。その先にはAIツールが必要
• サプライヤーのリードタイムの変動が予測誤差の最大の原因である - 明示的に追跡する
• SKU の急増は予測精度の敵です - 親商品ではなくバリエーション レベルでの予測です
• 安全在庫の計算では、需要の変動性とリードタイムの変動性の両方を考慮する必要があります
• サプライヤーの発注システムとの統合により、真の自動補充が可能になります

---

標準の Shopify 在庫管理では不十分な理由

Shopify のネイティブ在庫システムは在庫レベルをリアルタイムで追跡し、在庫不足のアラートを送信できます。できないこと:

• 過去のパターンに基づいて将来の需要を予測する
• 季節性、プロモーション、または外部市場シグナルを考慮する
• 最適な再注文ポイントを動的に計算します
• 在庫切れの確率に対するリードタイムの変動の影響をモデル化する
• 予想される販売率に基づいて購入数量を提案します

SKU が 100 未満で、需要が予測可能でフラットな販売業者の場合、Shopify の組み込みアラートを使用したスプレッドシート ベースの注文が有効です。それ以外の企業、つまり季節限定のビジネス、ファッション小売店、数百種類のバリエーションを持つ企業、または頻繁にプロモーションを実施している販売業者にとって、不正確な予測のコストは、すぐに専用の予測ツールのコストを超えてしまいます。

---

AI 在庫予測の仕組み

最新の在庫予測ツールは、時系列機械学習モデル、特に ARIMA、Prophet (Facebook のオープンソース モデル)、LSTM ニューラル ネットワーク、または勾配ブースト ツリーのバリアントを使用して、SKU レベルで将来の需要を予測します。

モデルが使用する入力信号

予測パイプライン

1. データの取り込み: API 経由でバリアント レベル (親商品ではなく) で Shopify の販売履歴を取得します
2. 分解: 需要信号をトレンド、季節性、残留ノイズに分離します。
3. モデル フィッティング: 過去の分解信号で ML モデルをトレーニングします。
4. 期間予測: 今後 30 日、60 日、90 日の需要予測を生成します。
5. 不確実性の定量化: 信頼区間を計算します (モデルは不確実性の程度を認識します)
6. 安全在庫の計算: 不確実性バンドを使用して、予測誤差を緩衝する安全在庫を設定します。
7. 注文ポイントと数量を再注文: 予測を実行可能な発注書に変換します

このパイプラインの精度は、アルゴリズムではなく、ほぼ完全にデータの品質に依存します。クリーンで詳細な履歴データは、ノイズの多いデータに対する洗練されたアルゴリズムを常に打ち破ります。

---

Shopify 互換の予測ツール

Inventory Planner は、ネイティブ統合、注文書の自動作成、サプライヤー管理機能により、収益が 100 万ドルから 1,000 万ドルの範囲の Shopify 販売者にとって最も人気のある選択肢です。 Cogsy は、成長軌道と資金調達スケジュールに照らして在庫をモデル化する必要がある VC の支援を受けた DTC ブランドにアピールします。

---

Shopify の在庫プランナーの設定

Inventory Planner には、双方向同期を備えたネイティブ Shopify アプリがあります。実装パスは次のとおりです。

ステップ 1: インストールと接続

Shopify App Store からインストールし、接続を認証します。 Inventory Planner は、Shopify からすべての注文履歴データを取得します。履歴が長いほど良いです。理想的には、予測を信頼する前に 18 ～ 24 か月分の販売データが必要です。

ステップ 2: サプライヤーのリードタイムを設定する

「サプライヤー」に移動し、以下を使用して各ベンダーを追加します。

• 平均リードタイム（発注から配達までの日数）
• リードタイムの変動性 (標準偏差 - サプライヤーのばらつきはどの程度か?)
• 最小注文数量 (MOQ)
• 注文頻度（どれくらいの頻度で注文できるか）

これは、ほとんどの販売業者がスキップするステップであり、それが販売者の予測が効果的な再注文ポイントに変換されない理由です。平均リードタイムが 14 日であるが変動が 7 日あるサプライヤーは、一貫した 14 日のリードタイムを持つサプライヤーとは大きく異なる安全在庫計算を必要とします。

ステップ 3: 補充パラメータを設定する

SKU またはカテゴリごとに、以下を構成します。

• 維持する在庫日数: 常に在庫を確保しておかなければならない先渡し需要の日数 (通常は 30 ～ 60 日)
• 補充頻度: 確認および注文の可能性がある頻度 (毎週、隔週、毎月)
• 最小在庫閾値: 在庫切れのリスクを許容する下限です。

ステップ 4: 季節性調整を構成する

Inventory Planner は、販売履歴から季節パターンを自動的に検出します。実際のビジネス知識に照らして、検出された季節性を確認します。 -Q4がピークですか？モデルさんはそれを理解していますか？

• 人為的に需要を急増させる夏のプロモーションを実施していますか?
• 新型コロナウイルス感染症により、2020 ～ 2021 年のデータが将来予測すべきではない形で歪められましたか?

必要に応じて、異常な期間をトレーニング ウィンドウから手動で除外します。

ステップ 5: 注文書の確認と承認

Inventory Planner は、予測に基づいてドラフト発注書を生成します。最初の 1 か月間、サプライヤーに送信する前にすべての発注書を手動で確認します。モデルの推奨量を直感と比較してください。大きく乖離している場合は、その理由を理解してください。モデルが見逃しているものを特定したか、データ品質に問題があるかのいずれかです。

---

重要なデータ品質要件

データ品質に問題があると、予測精度が予想通り低下します。信頼性の高い出力を期待する前に、次の点に対処してください。

バリアントレベルの販売データ

親商品ではなく、バリエーション レベル (サイズ、カラー、スタイル) で予測します。 S、M、L、XL の「青い T シャツ」には 4 つの独立した需要曲線があります。それらを集計すると、意味のない平均値が生成されます。 Inventory Planner はこれをネイティブに処理します。接続する前に、Shopify 製品のバリアント構造がクリーンであることを確認してください。

ベースラインからプロモーション期間を除く

BFCM、大規模な販売、インフルエンサーの急増により、通常の業務を代表しない需要が生じます。 Inventory Planner でこれらのイベントにタグを付けると、モデルはそれらをベースラインの需要信号ではなく特別なイベントとして扱います。これを行わないと、モデルはプロモーション後の期間にわたって永続的に過剰予測を行うことになります。

欠品期間の対応

SKU が在庫切れになったとき、Shopify は売上ゼロを記録しました。しかし、それは需要がゼロではなく、需要が打ち切られたということです。ほとんどの予測ツールには、隣接する期間に基づいて在庫切れ期間中の売上を推定する「在庫切れ補正」機能があります。これを有効にします。

一貫した SKU 命名

SKU コードを変更したり、製品カタログを再構成したりしたことがある場合、過去の販売タイムラインが複数の識別子にわたって断片化されている可能性があります。予測ツールに接続する前にこれを調整します。ほとんどのツールは古い SKU を新しい SKU にマッピングできますが、手動構成が必要です。

---

安全在庫の計算

安全在庫は、予測の不確実性に対して保持される緩衝在庫です。少なすぎると在庫切れが発生します。資本を拘束しすぎます。正しい計算には統計的安全在庫が使用されます。

安全在庫 = Z × √(リード タイム × σ_demand² + Demand_avg² × σ_lead_time²)

場所:

• Z = サービス レベル係数 (95% の場合は 1.645、98% の場合は 2.05)
• σ_demand = 日次需要の標準偏差
• σ_lead_time = リードタイムの標準偏差 (日)
• Demand_avg = 1 日の平均需要
• リードタイム = 平均リードタイム (日)

ほとんどの予測ツールは、目標サービス レベルと過去のリード タイム データを設定すると、これを自動的に計算します。ただし、公式を理解すると、インテリジェントな構成選択を行うことができます。

• サービス レベルが高くなると (98% 対 95%)、安全在庫要件が大幅に増加します。在庫切れ保護の最後の 3% は不相応に高価です
• リードタイムが一貫していない（σ_lead_timeが高い）サプライヤーは、平均リードタイムのみが示唆するよりもはるかに高い安全在庫を必要とします。
• 需要の変動性が高い SKU (季節性、傾向に左右される) では、信頼できるサプライヤーであっても、より多くの安全在庫が必要です

段階的安全在庫戦略

すべての SKU が同じ安全在庫投資に値するわけではありません。

---

過去の売上を超えた需要シグナル

純粋な過去の予測は後ろ向きです。先行指標を組み込むと、特にトレンドに敏感なカテゴリーの精度が向上します。

Google トレンド

ファッション、家庭用品、季節商品、トレンド主導のカテゴリでは、Google トレンドの検索ボリュームが 4 ～ 8 週間の小売需要の先行指標となります。いくつかの予測ツール (Cogsy、Lokad) は Google トレンド データを統合します。手動で統合する場合は、主要な製品条件の週次傾向データをダウンロードし、8 週間遅れの販売データと関連付けて信号強度を調整します。

ソーシャルメディアシグナル

インフルエンサーの投稿や TikTok のバイラルな瞬間は、一夜にして製品に対する需要を 10 倍にする可能性があります。 Tradeswell や Daasity などのプラットフォームは、ソーシャルでの言及速度を追跡し、売上が急増する前に製品がソーシャルで勢いを増しているときに警告を発します。これは、美容、ファッション、室内装飾、フィットネスなど、ソーシャル コマースの感度が高いカテゴリにとって特に価値があります。

プロモーション カレンダー

計画したプロモーションを実行前に予測モデルにフィードします。来月 25% オフのセールを計画している場合、モデルはより高い需要を予測できることを認識している必要があります。 Inventory Planner と Cogsy は両方とも、プロモーション調整後の予測をサポートしています。

サプライヤーの能力シグナル

サプライチェーンが混乱すると、サプライヤーのリードタイムが予想外に延長されます。主要なサプライヤーとの関係を構築して、生産能力の制約について早期に警告を受け取ります。サプライヤーがリードタイムが 14 日から 28 日に延びると告げるということは、アルゴリズムの信号が到着する前に、安全在庫が直ちに 2 倍になる必要があることを意味します。

---

予測 ROI の測定

財務上の影響の計算

年間収益が 500 万ドル、平均在庫が 200 万ドルの販売者の場合:

• 在庫切れを 40% 削減すると、失われた売上は約 160,000 ～ 240,000 ドル回復します
• 過剰在庫を 25% 削減すると、約 300,000 ドルの運転資金が解放されます (15% の維持費を想定すると、年間 45,000 ドルを節約できます)
• 年間合計経済的利益: 205,000 ドル～285,000 ドル
• 予測ツールのコスト: 年間 6,000 ～ 24,000 ドル
• ROI: 10 ～ 35 倍

---

よくある質問

正確な予測を行うには、どれくらいの過去の販売データが必要ですか?

年間の季節性を検出するには、少なくとも 12 か月が必要です。 24 か月が理想的です。これにより、モデルは実際の季節パターンと 1 回限りの異常を区別できるようになります。ストアが 12 か月以上新しい場合は、在庫プランナーなどのツールで入手できる業界の季節ベンチマークで過去のデータを補完し、最近のデータをより重視します。

AI 予測は、販売履歴のない製品の発売にも対応できますか?

これは在庫予測における最も難しい問題です。一般的なアプローチ: 類似の既存製品の販売データを代理として使用し、カタログからの同等の製品紹介に基づいて発売をモデル化し、発売前の指標 (予約注文、順番待ちリストへの登録、社会的勢い) を利用して初期注文数量を調整します。新製品のエラー率が高いことを予期し、迅速な補充サイクルで保守的な初期注文を設定します。

需要が非常に不安定な季節ビジネスにどのように対処すればよいですか?

高い季節性は、ほとんどの ML 予測ツールで適切に処理されます。実際、それがそのように設計されています。重要なのは、トレーニング データに少なくとも 2 つの完全な季節サイクルが含まれていることを確認することです (毎年季節的なビジネスの場合は 2 年間のデータ)。前年比の傾向の変化を考慮して、古い季節パターンよりも最近の季節パターンを重み付けするようにツールを構成します。

複数の場所にある在庫の場合、場所ごとに予測する必要がありますか?

はい、絶対に。ニューヨークの拠点では迅速に移動し、テキサスの拠点ではゆっくりと移動する製品には、拠点固有の発注決定が必要です。 Extensiv や Brightpearl などのツールは、複数の場所の予測をネイティブに処理します。 Shopify の在庫システムは複数の場所をサポートしており、ほとんどの予測ツールは Shopify API を介して場所レベルの販売データを取得できます。

AI 予測は 3PL またはフルフィルメント パートナーとどのように連携しますか?

ほとんどの 3PL は、在庫を可視化するための API アクセスまたは EDI 統合を提供します。 Skubana (Extensiv) や Cin7 などの予測ツールは、3PL に接続された運用専用に構築されています。重要なのは、在庫位置に関する単一の信頼できる情報源を維持することです。予測ツールは Shopify と 3PL の両方から読み取り、正確な手持数量を取得する必要があります。

---

次のステップ

予測在庫予測は、Shopify 販売者が利用できる投資の中で最も ROI が高い投資の 1 つです。ツールは存在し、統合は成熟しており、導入後 90 日以内に経済的利益が測定可能です。

実装の課題は、データの準備とサプライヤーの構成にあります。これは、ほとんどの販売業者がアルゴリズムから正確な結果を期待する前に投資が不足している領域です。

ECOSIRE の Shopify AI オートメーション チーム は、アパレル、家庭用品、美容、B2B カテゴリにわたる販売業者がエンドツーエンドの予測システムを実装するのを支援してきました。私たちのアプローチはデータ品質評価から始まり、次にツールの選択、そして統合です。その逆ではありません。

Shopify チームにお問い合わせください 在庫予測の課題について話し合い、カスタマイズされた実装計画を取得します。