デマンドプランニングとは？需要予測に基づくサプライチェーン計画の手法

デマンドプランニングとは

デマンドプランニングとは、過去の販売実績、市場動向、プロモーション計画などの情報を統合的に分析し、将来の需要を予測した上で、調達・製造・物流の計画に反映する手法です。

需要予測の学術的基盤は、ジョージ・ボックス（George Box）とグウィリム・ジェンキンス（Gwilym Jenkins）が1970年に発表した時系列分析の手法（Box-Jenkins法）に遡ります。その後、企業の需要計画プロセスとして体系化したのが、オリバー・ワイト（Oliver Wight）らによるMRP II（Manufacturing Resource Planning）の概念です。1990年代以降、CPFR（Collaborative Planning, Forecasting, and Replenishment）のような企業間協働型の需要計画が発展しました。

デマンドプランニングは、単なる数値予測ではなく、営業・マーケティング・製造・物流の各部門が協働して需要の「共通見解」を形成するプロセスです。

構成要素

統計的需要予測

過去の販売データに時系列分析やAI/機械学習を適用し、ベースラインの需要予測を生成します。移動平均法、指数平滑法、ARIMAモデルなど、データ特性に応じた手法を選択します。

需要シグナルの収集

POSデータ、Webアクセスデータ、SNSトレンド、天候データなど、需要に影響を与える外部シグナルを収集し、予測に反映します。先行指標を活用することで予測精度が向上します。

コンセンサス需要計画

統計予測に営業やマーケティングの定性的な知見（新製品の投入、プロモーション計画、競合動向）を加味し、組織横断の合意形成を通じて最終的な需要計画を策定します。

予測精度管理

予測精度をMAPE（平均絶対パーセント誤差）やバイアスなどの指標で定期的に測定し、予測モデルの改善を継続します。

予測手法	特徴	適用場面
移動平均法	シンプルで安定的	安定需要の定番品
指数平滑法	直近データを重視	トレンドのある品目
ARIMAモデル	季節性を捕捉	季節変動のある品目
機械学習	多変量の関係を学習	複雑な需要パターン
定性的手法	専門家の判断を活用	新製品・イベント

実践的な使い方

ステップ1: 需要データの品質を整備する

販売実績データの欠損、異常値、プロモーション効果の混入を補正し、「クレンジングされたベースライン需要」を算出します。データ品質が予測精度の基盤です。

ステップ2: 品目ごとに適切な予測手法を選択する

需要パターンの特性（安定型、トレンド型、季節型、断続型）に応じて、最適な予測手法を品目別に選択します。全品目に同一手法を適用するのではなく、ABC分類と需要パターンの組み合わせで手法を使い分けます。

ステップ3: コンセンサスプロセスを設計する

月次のデマンドレビュー会議を設計し、統計予測に営業・マーケティングの知見を反映させるプロセスを確立します。各部門の責任範囲と調整ルールを明確にします。

ステップ4: 予測精度を測定し継続的に改善する

品目別・カテゴリ別の予測精度を毎月測定し、精度が低い品目の原因を分析します。予測モデルのパラメータ調整やデータソースの追加を通じて精度を改善し続けます。

活用場面

• 製造業において生産計画と調達計画の精度を高め、在庫の適正化を図ります
• 小売業においてPOSデータとAIを活用した自動発注システムを構築します
• 食品業界において賞味期限を考慮した需要予測で廃棄ロスを削減します
• 新製品の投入時にアナログ品の販売データを参考に初期需要を予測します

注意点

過度な予測精度への依存

需要予測は本質的に不確実です。予測精度の向上を追求しつつも、予測が外れた場合のバッファ（安全在庫、柔軟な供給体制）を確保してください。予測精度だけに依存したサプライチェーンは脆弱です。

組織のサイロ化による情報断絶

営業はプロモーション情報を、マーケティングは新製品情報を、経営層は戦略的な意思決定情報を持っています。これらの情報がデマンドプランニングのプロセスに共有されないと、予測精度は大きく低下します。部門間の情報共有の仕組みを制度化してください。

まとめ

デマンドプランニングは、統計的手法と組織的なコンセンサスプロセスを組み合わせ、需要予測の精度と活用度を高める手法です。データ品質の整備、品目特性に応じた手法選択、部門横断の合意形成、継続的な精度管理が成功の鍵です。予測は完璧にはなり得ないことを前提に、予測精度の向上とリスクバッファの確保を両立させることが重要です。