機械学習が在庫切れを発生する3週間前に予測する方法

約3,500SKUを扱う中規模の美容小売業者には、根深い問題がありました。毎月、売れ筋商品の8〜12%が補充到着前に在庫ゼロになっていたのです。人気商品の在庫切れ1件あたり、1日約2,800ドルの売上損失が発生していました。それだけでなく、顧客の信頼低下や、在庫切れの商品ページへトラフィックを誘導するために無駄になった広告費も問題でした。

在庫管理チームは毎日在庫レベルを確認し、在庫が所定のしきい値に達したら再発注していました。問題は、そのしきい値が静的なものであり、過去90日間の平均日次販売数に基づく固定のユニット数だったことです。TikTokでバイラルに取り上げられたり、競合他社の類似商品が在庫切れになったりして需要が急増した場合、静的なしきい値では十分に素早く対応できませんでした。

静的な再発注ポイントが失敗する理由

静的な再発注ポイントは、将来の需要が過去の需要と同じように推移し、サプライヤーのリードタイムが一定であることを前提としています。しかし、この両方の前提は頻繁に崩れます。ECにおける個々のSKUの需要はムラがあります。ある商品が3週間にわたり1日20個売れていたのに、インフルエンサーが紹介したり、競合が値上げしたり、季節的な変動が起きたりして、突然1日60個売れるようになることがあります。日次の在庫チェックで加速に気づいた頃には、需要増加が始まってからすでに2週間が経過し、サプライヤーのリードタイムが3週間先に控えているかもしれません。

サプライヤーのリードタイムも同様に変動します。通常14日で納品するサプライヤーが、繁忙期や原材料不足、配送遅延により21日かかることがあります。再発注ポイントが14日のリードタイムを前提としているのに、実際のリードタイムが21日だった場合、すでに補充されているはずの在庫を販売し続ける7日間のギャップが生じます。

MLモデルが監視するもの

在庫切れ予測モデルは、複数のデータストリームを同時に処理します。主要な入力は販売速度ですが、単純な平均ではなく、トレンドと季節性の要素を含む時系列データとして扱います。モデルは加速（先週より速く売れている）、減速、各SKU固有の周期的パターンを検出します。

在庫ポジション（現在の手持ち在庫＋輸送中のユニット−保留中の注文に割り当てられたユニット）は、モデルに供給側の情報を提供します。予測需要と組み合わせることで、モデルは動的に更新される推定在庫日数メトリクスを算出します。

サプライヤーのパフォーマンスデータは重要な次元を追加します。各サプライヤーの実際の納品日と予定納品日を時系列で追跡することで、モデルは単一のポイント推定値ではなく、リードタイムの確率分布を構築します。サプライヤーAが中央値14日で12〜18日の範囲で納品する場合、モデルは在庫切れ確率を計算する際にこの分布全体を使用します。

外部シグナルは需要変動の早期警告を提供します。Googleでの商品やカテゴリの検索ボリューム、ソーシャルメディアでの言及、競合の在庫レベル（商品ページで在庫限りと表示されていることから検出可能な場合が多い）、季節カレンダーなどが需要予測に反映されます。ある商品のGoogle検索ボリュームの急増は、売上急増に5〜10日先行することが多く、現在の在庫推移が維持できない可能性を示す早期シグナルをモデルに提供します。

3週間の警告ウィンドウ

モデルは各SKUについて、7日後、14日後、21日後の各時間軸での在庫切れ確率を出力します。典型的なアラートは次のようなものです：SKU #4892（ビタミンCセラム 30ml）の現在の手持ち在庫は340個。現在の販売速度1日28個では、約12日で在庫が枯渇します。しかし、需要トレンドは週次で15%の加速を示しています。調整後の枯渇予測は9日です。次の補充出荷500個は、サプライヤーのリードタイム分布に基づき16日後に到着予定です。14日以内の在庫切れ確率は78%です。

この3週間のウィンドウがあれば、在庫管理チームには選択肢があります。サプライヤーに既存の注文の納期短縮を依頼し、速達配送のプレミアムを支払うことができます。リードタイムが短い代替サプライヤーに少量のつなぎ注文を出すことができます。オーガニック売上を維持しながら需要を抑えるために、その商品のマーケティング支出を削減できます。在庫切れ期間中の需要を捕捉するために、再入荷通知を設定できます。

早期警告がなければ、これらの緩和策はいずれも利用できません。手動チェックで在庫が少ないことに人間が気づく頃には、リードタイムがすでに残りの在庫を食い込んでいます。

モデルの構築

技術的な実装では、需要予測用の時系列予測（通常はProphetまたはカスタムLSTMモデル）と在庫切れ確率用の分類モデルを組み合わせて使用します。分類モデルは、需要予測、現在の在庫ポジション、サプライヤーのリードタイム分布を入力として受け取り、各時間ウィンドウ内での在庫切れ確率を出力します。

学習データは過去の在庫記録から取得します。過去の在庫切れはすべて正例であり、特定の期間を通じて十分な在庫を維持したSKUはすべて負例です。有用なモデルを学習するには、対応する売上データを含む少なくとも12〜18ヶ月分の日次在庫スナップショットが必要です。日次の在庫レベルを保存していない場合は、今すぐ始めてください。このデータは遡って再構築するのが驚くほど困難です。

特徴量エンジニアリングが価値の大部分を生み出すところです。生の売上数値よりも、7日間移動平均速度、週次速度変化、日次売上の変動係数（需要のボラティリティの指標）、現在の速度と90日平均の比率などの派生特徴量の方が有用です。これらの派生特徴量により、モデルは再発注ポイントに近づいている安定した売れ筋商品と、予想よりもはるかに速く在庫を消費する需要急増を経験している商品を区別できます。

既存システムとの統合

モデルは既存の在庫管理ワークフローに組み込む必要があり、それを置き換えるものではありません。最も一般的なアプローチは、在庫切れリスクでランク付けされたSKUと各SKUの推奨アクションを表示する日次アラートダッシュボードです。在庫プランナーは毎朝ダッシュボードを確認し、高リスクアイテムに対してアクションを取ります。

より高度な実装では、低リスクのアクションに対する対応を自動化します。モデルが在庫切れを予測し、推奨アクションが既存サプライヤーへの標準的な再発注である場合、システムは自動的に発注書を生成し、在庫マネージャーによるワンクリック承認のためにキューに入れることができます。これにより、意思決定には人間が関与しつつ、注文作成の手作業を排除できます。

数千のSKUを扱うEC小売業者にとって、手動の在庫監視はスケールできません。1日3,500SKUをチェックする人間は、静かに在庫切れに向かって加速しているものを必ず見落とします。MLモデルは毎時間すべてのSKUをチェックし、微妙なパターンを捉え、注意が必要なものを浮上させます。この話の冒頭に登場した美容小売業者は、予測モデルの導入から6ヶ月以内に在庫切れ率を8〜12%から3%未満に削減し、年間約940,000ドルの売上回復につながりました。