季節菓子の受注・欠品データを予測に使う前提と、単純な基準値に対するAIの評価方法をまとめます。
予約・販売・欠品を時点付きで記録する
POSの販売数は購入された量であり、欠品中に買えなかった需要を全て記録するものではありません。売上だけを教師データにすると、欠品日を「需要が少なかった日」と誤って学習するおそれがあります。欠品開始時刻、予約断り、天候、営業時間、販売停止の記録を加え、観測できない需要の限界を明示します。
季節・曜日・休日・地域行事・天候は候補説明変数ですが、データが少なければ過剰に複雑なモデルは安定しません。まず前年同曜、移動平均、予約確定数と担当者の補正など、説明できる基準を置きます。新商品は類似品を参考にする場合も、類似と判断した理由と初期数量の責任者を記録します。
予測用データを集める前に、誰がどの目的で見るのか、どの期間保存するのかを決めます。個人名や電話番号を含む予約データをそのままモデルへ入力する必要は通常ありません。SKU、日付、集計数量など必要最小限へ加工し、元データへアクセスできる担当者と分析者の権限を分離します。外部AIサービスを使う場合は送信データの取扱条件を事前に確認します。
欠品を需要情報へ反映する方法には、欠品開始時刻以降の販売がゼロだったと記録するだけでなく、同等品への代替、予約断り、追加製造を記録する方法があります。代替購入は元SKUの需要とは異なる行動なので、数量を単純に移し替える前に分析目的を決めます。データ収集項目を増やしすぎると現場入力が続かないため、意思決定に必要な情報から段階的に整えます。
新しいモデルを採用する前に、誰が予測を見てどの期限までに修正できるか決めます。予測の配信が製造締切より遅ければ精度が高くても行動へつながりません。発注・仕込・店頭補充の各締切と予測更新時刻を合わせ、システム障害や入力遅れの際に現行の手動計画へ戻す手順を用意します。
予測の学習表には、各営業日の予測を実際に確定した日時と、その時点で利用可能だった情報を保存します。予約数が締切後に増えた値や、後日判明した欠品を過去日の予測へ混ぜると、将来を知った状態の検証になります。予約の確定版、取り消し時刻、店頭販売時刻、売切れ時刻を別列で持ち、欠測は値を作って補わず理由を記します。
欠品表は売切れ時刻、販売停止時間、補充待ち、予約引当による店頭在庫切れを分けます。日計だけでは短時間の欠品が消えて需要を低く見積もることがあります。担当者が数量を確認できない場合は推測で埋めず、欠損理由と分かる時間帯を残します。
本節の工程・採算上の判断整理は編集部分析です。公表資料の実証結果として扱っていません。
事実確認資料：W10：季節と和菓子
単純な前年・移動平均を比較基準にする
比較評価では時系列の過去データを順に分け、予測時点より後に知り得た予約結果や在庫情報を訓練側へ漏らさないようにします。誤差指標の集計期間、SKU統合、数量単位を固定し、平均誤差だけでなく大幅な過少予測が集中した行事も確認します。割合誤差は実績ゼロの扱いに注意が必要です。
学習用の履歴には商品改廃やレシピ変更が含まれるため、同じSKU番号でも同一製品とは限りません。内容量や価格、包装、販売チャネルが変わった時点に印を付け、比較不能な期間をどう扱ったか記録します。類似商品へ履歴をつなぐ場合には、類似と判断した属性と差異を明示し、連結の選択を検証できるようにします。
データ品質の点検では、売上が急にゼロになった日、異常に大きな数量、SKUの欠落、返品訂正などを検知する簡単な一覧から始められます。欠測をゼロに置換すると、休業日と入力漏れが同じ扱いになります。営業日カレンダーと照合し、異常な値を修正する担当者と原記録への参照先を定めてから学習や評価へ渡します。
モデルが季節の変化を学ぶまでのデータが十分か確認し、発売初年度の品目へ過去製品の数字を無条件に移しません。類似商品の価格、サイズ、販売場所、顧客層、季節時期の違いを比較し、類似度が弱い場合は担当者の判断幅を大きく取ります。立上げ期間の実績を次回の予測へ加える日程も事前に定めます。
基準線は前年同曜日、直近複数週、予約確定数など、現場が説明できる単純な方式から作ります。手法を比べる時は対象SKU、予測先日数、評価期間を同じにします。商品入替や価格変更があれば前年対比不能とし、同じSKUに束ねるかを責任者が決めます。学習に使った期間だけで精度を測らず、後ろの期間を評価用に分離します。
予約数の確定は顧客締切や集計方針に依存するため、日々の予測と締切後の確定数量を別の列に保存します。取消や数量変更の反映時刻を記録しておけば、予測誤差のうち注文変化によるものと手法のずれを後から分けられます。
本節の工程・採算上の判断整理は編集部分析です。公表資料の実証結果として扱っていません。
事実確認資料：W10：季節と和菓子
SKU変更と販売可能量の限界を明示する
誤差が小さくても利益が改善するとは限りません。小ロットの高価な商品を多く外す、職人時間が不足して出荷できない、廃棄や緊急配送が増えるなど、誤差の費用は商品や方向によって違います。製造可能数量を技能、冷却、型、包材、受注締切の制約に通し、予測数をそのまま製造指示にしない運用が必要です。
時系列検証では、先の期間で学習し次の期間を予測する分割を繰り返します。ランダムに行を混ぜると同じ行事の近い日の情報が学習側と評価側へ散り、実際より良い精度に見えることがあります。評価窓を季節一巡以上にするか、データ量が足りない場合はその制約を明記するかを、商品の周期に合わせて決めます。
予測と実績の比較では、実績が確定する日を決めて返品や遅延入力を反映します。暫定売上を確定値のように扱うと、同じ評価期間を後から計算したとき誤差が変わります。データ抽出日、修正履歴、除外条件を保存し、再計算可能な評価ファイルを作ります。外部イベントや異常休業を除外する場合は理由と件数を報告します。
精度が落ちた時の再学習や停止条件を運用文書に置きます。誤差の継続、商品改廃、大規模な販路変更、入力データの欠落など、どの事象でモデルを再評価するか決めます。更新後は過去の検証値と新しい値を比較し、利用者へ変更点を知らせます。モデルの管理者が変わっても判断経路が途切れないよう記録を維持します。
売上個数は店頭に並べた数量と欠品の制約を受けるため、購入意思そのものと一致しません。欠品が早く起きた日は売上数を需要上限として扱わず、在庫、補充可否、販売停止時刻を予測表に付記します。欠品の補正を行うなら補正値と根拠を別欄に残し、実績値と混ぜないことで後から見直せるようにします。
本節の工程・採算上の判断整理は編集部分析です。公表資料の実証結果として扱っていません。
事実確認資料：W10：季節と和菓子
評価期間の利用可能情報と制約をそろえる
生成AIが文章や説明を作る機能と、時系列数量を予測するモデルは別の役割です。AIへ個人情報や取引先の未公開データを渡す前に、利用規約、保存、アクセス権を確認します。導入するなら現行基準との並行運用、担当者承認、誤差と廃棄・欠品・修正人時の記録を先に設計し、効果が確認できない場合に戻せるようにします。
WAPEは全体誤差を実績数量合計で割るため、数量の大きいSKUの影響を強く受けます。少量でも重要な予約品の大外しは全体指標で目立たない場合があります。全体値に加え、SKU別、イベント別、過少・過大方向別の誤差を確認し、予約断りや廃棄の損失と合わせて採用可否を考えます。
需要予測を店頭発注へ使う場合、予測対象が工場出荷、店舗納品、店頭販売のどれかを明確にします。流通の途中で在庫や廃棄が動けば、各段階の数量は一致しません。責任部署間で締切と対象期間をそろえ、予測値が製造指示に変わるまでの手動補正、納品単位、最小製造ロットを記録して運用します。
評価期間の説明例では、過去52週を訓練候補、次の8週を評価に用い、評価期間開始時に確定済みの予約・曜日・営業予定だけを特徴量にします。この期間設定は検討手順の仮定であり、和菓子業界の標準期間ではありません。季節ピークが8週に含まれない場合は行事サイクルをまたぐ期間へ延ばし、比較方式と条件を合わせて再計算します。
評価期間に対象行事が含まれない場合、季節ピークの検証にはなりません。使用できる情報だけで期間を定め、複数の予測先日数を比べるなら同じ営業日集合を使います。結果を見た後で都合のよい期間へ変えず、変更理由を評価メモへ記録します。
本節の工程・採算上の判断整理は編集部分析です。公表資料の実証結果として扱っていません。
事実確認資料：W05：HACCP業種別手引書：菓子製造
誤差・費用・人の承認を一体で見直す
人の補正履歴を残すと、モデルが苦手なイベントやデータ不足が分かります。ただし担当者がいつも上乗せしているからという理由だけで補正値を固定すると、判断の癖を自動化してしまうことがあります。補正した根拠、参照情報、採用者を記録し、一定期間後に結果を振り返って、継続・縮小・廃止を決めます。
予測が改善したかを確認する期間では、導入前後で価格、営業時間、販促、品揃え、供給制約が変わっていないかを記録します。変化が重なるとAI導入だけの効果を分離できません。実績が蓄積するまでは、並行運用で予測値と人の判断を保存し、製造数量を急に全面自動化せず、責任者が承認する段階を維持します。
AIが提示するもっともらしい根拠文は、数値予測の正しさを保証しません。説明文が過去の行事や販売実績と矛盾しないか、参照したデータ列や期間が実際に存在するか担当者が確認します。モデルの更新で出力が変わる場合に備え、利用モデル、設定、実行日、入力版、承認者を記録し、顧客情報を含む入力を不用意にログへ残さないようにします。
予測を担当者の経験と組み合わせる場合、最終数量の出所を判別できるようにします。モデルの初期値、担当者の上げ下げ、能力による上限、責任者の承認値を別列に残します。実績との差を見返した時に、予測の誤差か人の補正か、供給制約による販売未達かを分けられ、改善の対象を正しく選べます。
予測を停止する条件には、学習データの欠損、商品仕様の大幅変更、検証対象外の異常気象なども含められます。停止時の代替方法を明示し、予測機能が止まっても受注記録や製造計画そのものが失われないようにします。最終承認者は、結果を採用した理由と保留した条件を記録します。
数量誤差に加え、過剰製造原価、欠品時間、廃棄、残業、急な追加段取りを評価表へ置きます。WAPEは販売量の小さい商品や実績ゼロの日を単独比較しにくく、少数の重要品目の失敗が合算値に隠れることがあります。品目別指標と現場制約を確認した責任者が発注・製造量を承認し、生成AIの文章出力を数量や出荷可否の承認に使いません。
予測担当が作った数量は製造指図へ直結させず、材料、技能、設備、期限根拠の制約を照合する承認段階を置きます。予測結果を上書きする時は旧予測、修正量、理由、承認者を保存し、モデルの値が現場判断より優れていたと事後的に仮定しないようにします。
本節の工程・採算上の判断整理は編集部分析です。公表資料の実証結果として扱っていません。
事実確認資料：W05：HACCP業種別手引書：菓子製造
| 比較方式 | 予測時点で使える情報 | 誤り・限界 | 承認する人 |
|---|---|---|---|
| 前年同曜日 | 同SKU・営業日記録 | 定義変更・欠品の影響 | 商品担当 |
| 予約補正＋手動 | 締切時点までの確定予約 | 取り消し・例外の扱い | 受注責任者 |
| 時系列予測 | 評価日の前に得た記録 | 未来情報混入・過学習 | 予測担当と製造責任者 |
| 生成AIの文案 | 承認済みの公表情報 | 数量根拠や承認を生成しない | 編集・品質担当 |
- 販売・欠品を記録予約、在庫、欠品時刻、営業条件を残す
- 基準予測を作る前年同曜や予約補正と同条件で比較
- 時系列で検証未来情報を混ぜず誤差と費用を確認
- 能力制約と承認担当者が製造可能量を照合して決定
編集部整理：仕様・条件が変わった場合は影響を確認し、必要な試験や承認へ戻す。
説明用の仮定と計算条件
実績100、200、300個に対し、予測90、220、270個を置く説明用データ。
絶対誤差合計＝10＋20＋30＝60個。実績合計600個。WAPE＝60÷600×100＝10%。
この3点は検証設計の説明用仮定であり導入実績ではない。基準予測の12%より指標が良くても利益改善は別検証。
WAPE10%は三点の仮定データを合算した加重絶対誤差であり、日別の全誤差が10%だったという意味ではありません。季節ピークの一日に大きな誤差が集中しても平均に隠れるため、品目と日別のずれも確認します。
仮に過去52週を訓練候補、次の8週を評価に使う場合、評価開始前に知られていた予約・曜日・営業予定だけを利用します。これは手順の例であり標準期間ではありません。販売実績は欠品で需要を抑えた可能性があるため、補正する時は推定需要を実績から別に表示します。
三点例では実績合計600個が正なのでWAPEを計算できますが、全対象の実績がゼロなら分母がなく同じ式は使えません。ゼロ実績の件数や対象外基準を先に定め、便宜的な数量を足して指標を成立させないようにします。
絶対誤差合計＝10＋20＋30＝60個。実績合計600個。WAPE＝60÷600×100＝10%。
よくある質問
WAPEが低ければ必ず利益が増えますか？
いいえ。欠品、廃棄、能力、価格や修正時間など別の結果も測定します。
新商品の需要を前年だけで予測できますか？
前年履歴がないため類似品等の仮定を置き、初期リスクと更新方法を記録します。
AIに製造数や出荷可否を自動承認させますか？
この編集方針では、予測は判断材料とし能力・安全・受注条件を人が確認します。