進化し続けるデータ活用技術を、現場の知見とどう結び付けるか？AI活用で可能性が広がる　小売業のカイゼン-現状と展望、導入ステップまで-

はじめに：小売業はAIとどう向き合うか

近年、小売業界でもAI活用への注目が高まっています。
具体的な方策としては、人手不足の緩和だけでなく、売上アップにつながる需要予測や価格最適化、在庫運用の効率化、店舗オペレーションの負担軽減など、さまざまな場面でAIを活用する可能性が広がり始めています。
しかし、スーパーマーケットでは大規模なシステム投資など、効果が見えにくい段階で多大なコストをかける判断を下すのは容易ではなく、現場の実情に沿った形で無理なく導入・運用していく必要があります。
大切なのは、AIを導入すること自体よりも、「導入することによって現場の課題改善にどう活かしていけるか」という視点です。今回は、店舗運営の“カイゼン”につながる多様な活用方法について紹介していきます。

売上の向上（需要予測・価格最適化）

需要予測では、過去の販売実績だけでなく、天候や曜日、イベント情報など、さまざまなデータを組み合わせて分析を行います。これらのデータは、「内部データ」と「外部データ」の２つに分けることができます。

【内部データ】
・POS販売データ（売上数量、価格、顧客情報、客数など）
・在庫データ
・商品属性（カテゴリー、賞味期限など）

【外部データ】
・天候（気温、降雨、季節要因など）
・カレンダー情報（曜日、祝日、給料日など）
・イベント、販促情報
・統計資料などの公共データ

AIは、これらの情報を組み合わせて「特徴量（Feature）（※１）」と呼ばれるデータを作成し、需要予測に活用します。

例えば、

• 「気温が高い日にアイスクリームの販売数が増える」
• 「雨の日の夕方は来店客数が減少する」
• 「連休前は特定カテゴリーの需要が伸びる」

といった複数の条件の組み合わせを学習し、将来の需要を予測していきます。

さらに、AIの頭脳部分となる「需要予測モデル（コアロジック）」を用いて学習を重ねることで、予測精度の向上を図ります。

需要予測では、目的やデータ特性に応じて、以下のようなモデルが活用されています。

• 勾配ブースティング（LightGBM／XGBoost）
  表形式データの分析に強く、実務でも多く活用されているモデル。複雑な販売傾向や条件の変化を捉えやすいのがメリットです。
  
• 時系列モデル（LSTMなど）
  季節変動や販売トレンドなど、時間による変化の学習に強いモデルです。
  
• トランスフォーマー系モデル
  複数の商品・店舗データを同時に学習でき、サプライチェーン全体の最適化にも活用されています。

特にスーパーマーケットでは、「SKU単位（※２）」、「店舗単位」、「日次」、「時間帯別」といった細かな粒度で予測を行うことが重要です。
例えば、「明日のA店では、B牛乳が何本売れるのか」といった予測を行い、その結果を発注業務へ活用していきます。

売上の予測値が算出された後は、

• 在庫切れによる販売機会の損失
• 特売や販促による需要の増加
• 突発的な需要変動に備える安全在庫

なども加味しながら、最適な発注数量を算出します。

発注量 ＝ 予測需要値 ＋ 安全在庫 − 現在庫数

そのほか、「リードタイム（※３）」「最小発注数量（ロット）」「納品頻度」などの条件も考慮し、最終的な発注数を決定していきますが、需要予測は一度作って終わりではありません。実際の販売実績と予測値との差を確認しながら、モデルの再学習、季節変化への対応、予測精度の継続的な改善といったフィードバック対応を繰り返すことが重要です。

また、需要予測は発注最適化だけでなく、

• クロスエフェクト（肉が売れるとタレも売れる等の関連性）
• 価格弾力性（値下げによる需要変化）
• ダイナミックプライシング（需要に応じた価格調整）

などにも活用されており、売上向上や食品ロス削減にもつながっています。

▼図表１：小売店におけるAIを用いた需要予測

※1 特徴量（Feature）とは、AIや機械学習がデータの傾向やパターンを学習するために使う“判断材料”のこと。例えば「気温」「曜日」「時間帯」「売上数量」など、予測に影響を与える要素を数値や属性として整理した情報を指します。

※2 SKU(Stock Keeping Unit)とは、商品を管理する際の商品の最小単位のこと。容量や味の違いなどを別の商品として区別するための識別単位で、発注や在庫管理の基本となります。例えば、同じ牛乳でも「500ml」と「1L」は別SKUとして管理されます。

※3 リードタイムとは、発注してから商品が店舗に納品されるまでにかかる時間のこと。商品・発注数・流通経路などによって日数や納品頻度が異なるため、欠品や過剰在庫を防ぐ上で大変重要な要素です。

現在多くの小売店で実現できていること

１）データ収集・活用（基盤としての整備）
POSデータによる売上数量・価格の蓄積や在庫データの管理、商品属性の整理など、AI活用の基盤となるデータ整備はすでに進んでいます。また、天候・曜日・祝日といった外部データも組み合わせて、日々の店舗運営に活用されています。

２）シンプルな需要把握（経験＋基本データ分析）
需要予測は高度なモデルというよりも、前年や前週との比較、曜日・季節ごとの傾向把握など、過去実績を中心としたシンプルな分析が主流です。そこに現場の経験則を組み合わせることで、日々の発注判断が行われています。

３）基本的な発注量の算出
発注量は「需要量＋安全在庫－現在庫」という基本的な考え方をベースに算出されており、リードタイムやロットなどの条件も加味されています。

４）現場調整（各人の判断に依存しやすい領域）
欠品を避けるための上乗せ発注や、販促時の増量判断など、現場の経験に基づく調整が依然として重要な役割を担っています。こうした判断は属人化しやすく、担当者ごとの差が生まれやすい領域でもあります。

今後AI活用で実現できること（高度化・差別化）

１）特徴量ベースの高精度需要予測
これまでの経験やシンプルな傾向把握に加え、「気温×商品」「雨×時間帯」といった複合条件を特徴量として学習することで、より精緻な需要予測が可能になります。さらに、SKU・店舗・日次・時間帯といった多様な粒度のデータを組み合わせることで、安定性の向上が期待できます。

２）高度な需要予測モデルの活用
複数店舗や複数SKUを同時に学習するモデルを活用することで、単品最適だけでなく全体最適の視点での需要予測が可能になります。これにより、店舗単位を超えた広域的な需給バランスの最適化にもつながっていきます。

３）フィードバックループの自動化
予測と実績の差分分析を自動化し、その結果をもとにモデルを継続的に再学習することで、精度を改善し続ける仕組みが構築されます。季節変動やトレンド変化にも柔軟に対応できる“育てていく予測モデル”へと進化していきます。

４）価格最適化（廃棄削減＋粗利最大化）
価格弾力性を定量的に捉えることで、値下げによる需要変化を予測し、ダイナミックプライシングの実現が可能になります。在庫状況や時間帯に応じた価格調整により、廃棄削減と粗利最大化の両立が期待されます。

５）クロスエフェクト活用（売場全体最適へ）
「肉とタレ」「ビールとつまみ」などの関連性を分析することで、単品ではなく売場全体での需要最適化が可能になります。セット提案や売場設計にも応用でき、売上全体の底上げにつながります。

６）発注の高度最適化・自動化
リードタイムやロット、納品頻度などの制約条件を加味しながら、自動で最適な発注量を算出する仕組みが実現されます。さらに店舗ごとの特性も反映することで、画一的ではない“個店最適”の発注が可能になります。

▼図表２：需要予測・価格最適化の現在とこれから

在庫管理の自動化

棚卸しや発注作業といった、従来は手作業で行っていた在庫管理業務を、AI技術によって効率化していく動きが進んでいます。
特にカメラとAIを組み合わせることで、棚の在庫状況を自動で検知し、目視確認の負担を大幅に軽減することが可能になります。また、ロスや盗難の兆候を検知することで、店舗全体のリスク管理にも活用されます。

店舗オペレーションの効率化

店舗運営においては、人時生産性（MH）の改善を通じて、業務全体の効率化が求められています。
AIを活用することで、来店客数の予測に基づいたシフト最適化が可能となり、従来のイベント対応型の人員配置から、より計画的な運用へと変化していきます。また、セルフレジや無人化といったレジ業務の効率化に加え、作業手順をAIがナビゲートすることで、業務の標準化も進みます。

顧客体験の向上

顧客体験の領域では、「接客の質」を底上げし、自然な購買促進につなげていくことが重要なテーマとなります。
例えば、購買履歴に基づくレコメンド機能により、アプリなどを通じて個別最適化された商品提案が可能になります。また、店内の行動データをヒートマップ（※4）として可視化することで、売場の滞留状況や動線を分析し、陳列やスタッフ配置の改善に活用されます。さらに、チャットボット（※5）による自動応答を活用することで、商品案内や問い合わせ対応の効率化も進みます。

※4 ヒートマップとは、売場内での立ち止まりや通路の混雑度などを可視化したもので、陳列改善やエリアごとの魅力度向上に活用されます。

※5 チャットボットとは、「チャット（会話）」と「ボット（自動プログラム）」を組み合わせた仕組みで、WebサイトやLINE、店舗ディスプレイなどを通じて顧客の質問に自動で対応し、購買支援や案内を行う技術です。

マーケティング強化

マーケティング領域では、データ活用によって販促の精度を高めていく取り組みが進んでいます。
個店ごとのクーポン配信や来店予測に基づいたターゲティング広告に加え、ポイントデータなどを活用した顧客分析が可能になります。また、LTV（※6）の分析により、単発の売上だけでなく長期的な顧客価値を評価することができます。

※6 LTV（Life Time Value: 顧客生涯価値）とは、一人の顧客が取引期間全体を通じて、企業にもたらす利益や価値を示す指標のこと。「平均購入単価 × 購買頻度 × 継続期間 × 粗利率」といった指標で算出され、長期的な顧客戦略に活用されます。

防犯・リスク管理

防犯・リスク管理の分野でもAI活用は進んでおり、店舗運営の安全性向上に寄与しています。
万引きの検知や不審行動のアラートに加え、クレーム内容の分析を通じて、トラブルの未然防止やサービス改善にもつなげることが可能になります。

導入のステップ

ここまで紹介してきたAI活用も、最初から大規模に導入すれば成果が出るというものではありません。
特にスーパーマーケットでは、現場オペレーションとの整合性や運用負荷も大きく関わるため、下記のように、段階的に導入しながら改善を重ねていくことが重要になります。

• データ整備・統合
  AI活用の前提となるのは、正確なデータ環境の整備です。POSデータや在庫データ、顧客データなどを精査し、実在庫とのギャップや入力ルールのばらつきを整理しながら、活用できる状態へ統合していく必要があります。
  
  
• 小さく試す
  最初から全店舗・全業務へ導入するのではなく、需要予測や在庫最適化など、特定領域から小さく始めることが重要です。一部門や一部店舗で検証しながら、効果や課題を確認していくことで、現場への定着もしやすくなります。
  
  
• 現場に合わせてカイゼンする
  AIは「導入して終わり」ではなく、実際の運用を通じたフィードバック調整が欠かせません。現場オペレーションとのズレや、予測と実績の差異を継続的に見直しながら、運用そのものを改善していくことが重要になります。

▼図表３：AIによる商品需要予測　導入のステップ

最後に：AIを“導入して終わり”にしないために

AI活用は、導入すれば自動的に成果が出るというものではありません。
実際には、データが部門ごとに分散していて十分に活用できなかったり、現場オペレーションと仕組みが噛み合わなかったりするケースも少なくありません。また、「AIを導入すれば勝手に改善してくれる」というイメージだけが先行し、運用面で定着しないこともあります。

AIはあくまでも“現場改善を支援するためのツール”であり、重要なのはそれをどのように運用へ落とし込むかという視点です。
小さな改善を積み重ねながら、自社の店舗運営に合った形で活用していくことが、今後ますます重要になっていくでしょう。