製造業でAIや需要予測を導入しようとして「データが使えない」「学習データが揃わない」という壁にぶつかるケースが増えています。AIベンダーから「まずデータを整備してきてほしい」と言われ、何から始めればよいかわからないまま時間が過ぎてしまう——そうした状況のために、本記事ではAI・需要予測モデルの導入前に最低限整備すべきデータの条件と整備手順を解説します。AI・予測モデルを使う前に整えるべきデータ品質条件の全体像については売上予測・需要予測・チャーン予測でAIを使う前に整えるべきデータとは：精度を左右する3つの品質条件で解説しています。本記事は製造業に特化したAI・需要予測導入前のデータ整備条件と手順を対象としています。
AIに必要なデータの最低条件：3つの視点
AI・機械学習モデルが学習できるデータには最低限の条件があります。この条件を満たしていないと、いくら高性能なアルゴリズムを使っても予測精度は向上しません。
- 十分な履歴：予測したい粒度（SKU別・週次など）で、必要な観測数を確保します。必要な期間は季節性の周期・予測ホライズン・需要の変動幅・採用するモデルによって変わるため、一律に「何年分」と決まるものではありません。季節性を捉えるには最低でも1周期以上の履歴が要ることが多く、まずは対象品目ごとに手元のデータで足りるかを確認します。履歴が短いと、季節性やトレンドを十分に捉えられなかったり、精度評価の結果が不安定になったりします
- 正確さ（データの正確性）：入力ミス・記録漏れ・重複が多いデータで学習したモデルは、誤ったパターンを学習します。特に外れ値（明らかに誤った値）はモデルの性能を大きく損ないます
- 代表性：学習データが特定の期間・条件に偏っていないかを確認します。コロナ禍・大型キャンペーン・工場停止・価格改定などの特殊な期間は、単純に除外するのではなく、要因を把握したうえで学習対象に含めるか、説明変数として持たせるかを判断します。異常期間そのものが需要の説明に必要な情報であることもあります
需要予測前に整備すべき5つのデータ領域
需要予測モデルの構築に向けて、次の5つのデータ領域を優先的に整備します。整備に時間がかかる領域を先に着手することが、プロジェクト全体のスケジュール短縮につながります。
| データ領域 | 整備のポイント | 整備コスト感 |
|---|---|---|
| 販売実績 | 期間・SKU・拠点の粒度で欠損なく揃っているか。キャンセル・返品の処理が一貫しているか | 中（DBから抽出できれば比較的早い） |
| 在庫実績 | 日次または週次の在庫スナップショットが揃っているか。棚卸差異の影響に加え、欠品や在庫制約で販売数量が抑えられた期間を識別できるか | 中〜高（記録が不完全な場合は補完が必要） |
| 品番マスタ | 廃番・重複品番の整理が完了しているか。品番と実績データの結合キーが揃っているか | 中（品番整備が未完なら高くなる） |
| カレンダー・イベントデータ | 祝日・季節イベント・キャンペーン実施日などが記録され、販売実績と同じ粒度・期間で結合できる状態になっているか | 低（公開情報で補完できる） |
| 需要に影響する外部データ | 価格変動・競合動向・天候などが対象品目の需要に影響する場合に、取得できる形式・品質・契約があるか。影響が小さい品目では不要 | 高（新規契約・取得が必要な場合） |
需要予測モデル向けデータ整備の優先領域
この5領域を扱ううえで製造業が特に注意すべきなのは、販売実績が必ずしも需要と一致しないことです。100個の引き合いがあっても在庫が60個しかなければ販売実績は60個になります。この60個をそのまま需要として学習させると、モデルは需要を実際より小さく見積もり、欠品が繰り返される予測が出力されます。受注数量・出荷数量・欠品期間・受注残・キャンセルを突き合わせ、「なぜこの数量だったのか」を説明できる状態にしておくと、実績が需要を反映しているのか在庫制約で抑えられたのかを切り分けられます。出荷制限の影響を受けにくい受注データが取得できる場合は、そちらを学習対象の中心に据えることも検討します。
データ整備の進め方：スモールスタートの原則
AI活用のためのデータ整備を全社・全品番・全期間で同時に進めるのは現実的ではありません。最初は「最も需要予測の価値が高い品目・拠点・期間」に絞ってデータを整備し、AIモデルの精度を検証した上で範囲を拡大するスモールスタートが成功しやすいです。
- 対象品目の絞り込み：需要予測の効果が大きい品目や、データが比較的整っている品目など、優先度の高い範囲に絞ります。優先度は売上規模だけでなく、粗利・在庫金額・欠品したときの損失・需要の変動幅なども見て決めます
- パイロット期間の設定：整備したデータでモデルを構築し、過去データを時系列で分割したバックテストなど実運用に近い条件で精度を評価します。期間は対象範囲とデータの状態によって決め、検証結果に応じて改善を繰り返します。この段階で「データのどこが問題か」が明確になり、次フェーズの整備計画が精緻化できます
- AIベンダーとの連携：データ整備の段階からAIベンダーに参加してもらい、どのデータが最低限必要かを合意した上で整備を進めることで、手戻りを防げます
データ整備でよくある失敗パターンと対策
製造業のAI導入前データ整備でよくある失敗の一つが「整備範囲の過大設定」です。「全品番・全工場のデータを完璧に整備してからAIを動かす」という計画は、現実的な工期・予算では完了しません。データ整備を進めながら並行してAIのプロトタイプを動かし、どのデータがモデルの精度に最も影響するかを把握することで、整備優先度を動的に見直せます。整備を完璧にしてから始めるのではなく、「使えるデータから始めて精度を上げながら整備を追いかける」アプローチが実用的です。
2つ目の失敗パターンは「データ整備担当者とAI活用担当者が分離している」ことです。データエンジニアがデータを整備し終えてからAIエンジニアに渡す直列型の進め方では、「整備したデータがAIの要件に合わない」という手戻りが発生しやすくなります。データ整備の段階からAI担当者を参加させ、学習データの要件（粒度・期間・欠損の許容範囲）を共有しながら整備を進めることで手戻りを防げます。
整備計画のマイルストーン設計：段階別の判断基準
AI活用に向けたデータ整備計画は「整備フェーズ」「検証フェーズ」「拡張フェーズ」の3段階で設計することをお勧めします。整備フェーズ（1〜3ヶ月）では主要SKUの販売実績・品番マスタを整備し、データの欠損率・異常値率を計測します。検証フェーズでは整備したデータでプロトタイプモデルを構築し、事前に決めた精度目標に対する達成度を評価します。目標値は「MAPE○%以下」と一律に置くのではなく、現行の予測精度・品目特性・予測粒度・業務が許容できる誤差から決めます。なお需要がゼロになる期間がある品目や出荷量の小さい品目ではMAPEが極端な値になりやすいため、MAE・RMSE・MASE・RMSSEなど複数の指標を使い分けます。
拡張フェーズでは検証結果に基づき、整備範囲（品目数・工場数・データ期間）をどこまで広げるかを決定します。各フェーズの終わりに「このまま次フェーズへ進む」「整備の方法を見直す」「スコープを変更する」の判断基準を事前に定義しておくことで、プロジェクトの迷走を防ぎます。製造業のAI導入は「データ整備→モデル構築→現場検証→拡張」のサイクルを短く回すことが成功の鍵です。
※ 各フェーズの終わりに「次へ進む」「整備方法を見直す」「スコープを変更する」のいずれかを判断します。期間は対象範囲・既存データの状態により変動します
整備を止めないための体制：誰が判断し、誰が手を動かすか
データ整備が途中で止まる原因の一つに、技術的な難しさではなく業務判断の滞留があります。品番マスタの重複をどう統合するか、廃番品の実績を学習対象に含めるか、工場ごとに異なる単位をどちらに揃えるか——こうした判断は情報システム部門だけでは決められず、生産管理や営業の合意が要ります。着手前に「この範囲の判断はこの人が決める」という担当を決めておかないと、一つの問い合わせで数週間止まります。フェーズの区切りごとに関係者が集まる場をあらかじめ設定しておくと、判断待ちの滞留を抑えられます。
あわせて、整備した状態を維持する担当も決めておきます。整備は一度やれば終わりではなく、新製品の追加・拠点の統廃合・システム更改のたびにデータの前提が変わります。整備フェーズで定めた品番マスタの採番ルールや欠損の扱いを文書化し、運用に引き渡すところまでを計画に含めてください。ここが抜けると、半年後に同じ整備作業をもう一度行うことになります。
まとめ
製造業でAI・需要予測を成功させるには、アルゴリズムの精巧さだけでなく、予測対象に見合った履歴の量と品質、需要に効く要因を説明できるデータ、そして業務で使える形での検証が揃っている必要があります。「販売実績・在庫実績・品番マスタ・カレンダーとイベント・需要に影響する外部データ」の5領域から優先的に整備し、販売実績が在庫制約で抑えられていないかを確認したうえで、スモールスタートで成果を見ながら拡大する進め方が現実的です。データ整備の過程で発見したデータ品質の問題は、AI活用後も継続して監視・改善する体制を整えることで、モデルの精度が時間とともに劣化するリスクを防ぎます。需要予測AIの精度は「初回の学習データの品質」だけでなく、「継続的なデータ更新と品質維持」によって決まる長期的な取り組みです。また、データ整備を進める中で業務担当者がデータの意味と品質基準を理解するプロセスそのものが、AI活用後に「予測値が業務とどう違うか」を判断できる人材育成にもなります。整備とAI活用を並行して進めることで、技術的な基盤と人材の両面を同時に強化できます。製造業のAI活用は「データ整備が完璧になってから始める」ではなく「整備しながら活用し、品質を高め続ける」というスパイラル型のアプローチが最も現実的であり、成果を確実かつ早期に出す道筋です。AI導入前のデータ整備計画の策定・推進・実行支援については、BFT Insightにご相談ください。
よくある質問
過去の販売実績が2年分そろっていません。この状態でも需要予測AIを試せますか？
品目や需要の性質によります。季節変動の大きい商材では1周期分しかないと季節性を十分に評価・検証することが難しくなります。一方で、季節変動が小さく出荷が安定している品目であれば、短い期間でも傾向は捉えられることがあります。まずは対象を絞って検証フェーズを回し、「どの品目なら現在のデータ量で使えるか」を切り分けてください。全品目で一律に判断せず、品目ごとにデータ量と需要の性質を見るのが現実的です。
工場ごとに品番の付け方が違います。統一してから整備すべきですか？
全社統一を先に完了させようとすると、多くの場合そこでプロジェクトが止まります。検証フェーズの対象範囲に含まれる品番だけを対象に、工場間の対応表（マッピング表）を作る方法が現実的です。検証段階では、まず対応表でデータを突き合わせる方法が現実的です。検証で効果が確認できてからマスタ統合の投資判断ができます。ただし対応表は放置すると実態とずれるため、誰が更新するかを決めたうえで運用してください。
AIベンダーから「データを整備してから持ってきてほしい」と言われました。何を基準に整備すればよいですか？
整備の基準はベンダーではなく、予測したい対象から逆算して決めます。予測の粒度（SKU別か製品群別か、週次か日次か）と対象期間が決まれば、必要なデータの粒度と履歴期間を具体化できます。この2点を先にベンダーと合意してから整備に入ってください。合意なしに整備を始めると、粒度が合わずに作り直しになります。あわせて、欠損値と異常値をどう扱うか（除外するか補完するか）もこの段階で確認しておくと手戻りを防げます。