MatrixFlowAI活用事例・AI導入事例

AI（人工知能）とは、人間の脳の働きをコンピュータで擬似的に再現したシステムや、再現する技術のことをいいます。人間の脳は複雑な物事から規則を見つけたり、将来に起こり得る出来事を推測することができます。これら人間特有の脳の動きを、機械でもできるようにしたものがAIです。

人間が過去の経験から法則を見つけるように、AIもデータを学習して法則を見つけます。データを読み込むことを機械学習と呼びます。AIはデータを機械学習して法則を導き出し、法則に則ったアウトプットを出します。

AIを使ってできることは多岐に渡ります。身近な例では、音声認識技術を使ったスマートスピーカーや、画像認識技術を使った自動運転などが挙げられます。また、AIを使えば、商品の需要や来客数といった未来の需要を予測することも可能です。

季節や気温が売上にどう影響したのか、商品と販売実績から売れ筋商品の特徴を導き出すなど、AIを使えば様々な需要予測が可能です。需要の予測方法は1つではなく、様々な予測手法があります。詳しくは、「AIを使って需要予測をする方法・手法」をご覧ください。

AIを使った需要予測には、大きく分けて3つのメリットがあります。

1.在庫を最適化できる
2.業務の効率化ができる
3.売上を最大化できる

1.在庫を最適化できる

AIを使った需要予測のメリット1つ目は、在庫を最適化できる点です。
店舗で商品を販売する小売業の場合、過去の売れ行きや季節的なトレンドを加味して在庫数と発注数を決めます。ですが、思ったよりも売れずに在庫が余ってしまった経験は誰しもあるのではないでしょうか。

食品などの賞味期限がある商品の場合、在庫を余らせないように値引きをして売り切ることが多いと思います。値引きをすることで利益が下がってしまいますし、在庫量によっては陳列スペースを圧迫してしまう点も問題です。賞味期限がない商品の場合でも、過剰在庫が存在することで新たな商品を発注できなかったり、倉庫内のスペースコストがかかってしまう点も課題に挙げられます。

AIを使って在庫量を最適化すれば、こうした課題を解決できます。
AIによる需要予測の場合、過去のデータから一定の法則を導き出し、法則に則って需要予測をします。最初の予測があたらなかった場合も、その結果を機械学習することで次回はより高精度の需要予測が可能です。このように、AIを使って需要予測をすれば在庫量を最適化できる点がメリットとして挙げられます。

2.業務の効率化ができる

AIを使った需要予測のメリット2つ目は、業務の効率化ができる点です。
AIを使えば、人間が需要予測をするよりも圧倒的に短い時間で予測を算出できます。例えば商品を発注する場合、在庫量を目視確認し、必要な発注量を考えて発注の手配をするという流れです。AIの場合、データ上で在庫量を把握し、一瞬で必要な発注量の算出・発注手配ができます。AIが発注を行ってくれれば、発注業務自体が不要になりますし、発注業務の教育・引継ぎなどの時間も削減可能です。

曜日や時間帯別に来客数の予測ができれば、必要なシフト数や最適な人員配置も考えられます。来客があまりない曜日や時間帯はスタッフの数を減らし、逆に混む日はシフトを増やして人員を厚くするといった工夫です。レジ待ちや入店待ちの顧客のストレスを最小限にできる上、シフトの無駄も削減できます。

3.売上を最大化できる

AIを使った需要予測のメリット3つ目は、売上を最大化できる点です。
在庫量や来客数を予測できるということは、機会損失を防いで売上を最大化できることともいえます。予測を元に必要な在庫量を担保することで欠品を防ぎ、過剰在庫を減らしてコストカットも可能です。

また、メリット2つ目でご紹介した通り、シフトや人員を最適化することで人件費の削減も期待できます。企業のコストの大部分は人件費が占めているため、人件費を削減できれば大きな利益増加につながります。単にシフトを削ったり人を減らしたりするわけではなく、来客数に応じて必要な人員を割り出せる点が、AIによる需要予測のメリットといえるでしょう。需要予測の精度が上がっていけば、アルバイトや社員の採用数も算出することができ、中長期的なコスト削減も可能です。

AIを使った需要予測の方法は1つではありません。
どのようなデータを使ってどのように予測を導き出すか、様々な手法があります。これら予測の手法を「アルゴリズム」と呼びます。AIを使った需要予測のアルゴリズムを4つご紹介します。

・時系列分析
・移動平均法
・指数平滑法
・最小二乗法・回帰分析

時系列分析

時系列分析とは、過去の時系列データから将来の数値を予測する手法のことです。

時系列データとは、一定の時間間隔（年・月・日）で取られたデータの推移のことをいいます。東京の毎日の気温の推移や、コンビニの月間の売上推移などが代表例です。時系列データには、大きく分けて3つの変動要因があります。1つ目が長期変動要因、2つ目が季節変動要因、3つ目が不規則変動要因です。これら3つの視点で変動要因を分解していくのが時系列分析です。分解の仕方によって5つのモデルに分けられます。

①ARモデル
②MAモデル
③ARMAモデル
④ARIMAモデル
⑤SARIMAモデル

1つ目のARモデルは、現在の数値は過去の数値のみに影響を受けるという考え方です。何日前までを説明変数に含めるか、どれくらいのタイムラグを見込んでいるかが重要になります。

2つ目のMAモデルは、過去の値に影響を受けるという考え方はARモデルと同じですが、現在の値は過去の値の平均値という考え方です。

3つ目のARMAモデルは、前述のARモデルとMAモデルを組み合わせたモデルになります。4つ目のARIMAモデルは、ARMAモデルにさらに長期変動要因をモデルに組み込んだもののこと。5つ目のASRIMAモデルとは、これらに季節変動要因を加味したモデルのことです。

これらの時系列分析により、将来の需要予測や、変数間の因果関係の把握が可能になります。

移動平均法

移動平均法とは、過去の売上から平均売上を算出し、将来の売上を予測する手法です。「移動」と名前についている通り、少しづつ移動しながら平均値をとっていきます。

例えば、過去3か月間の移動平均をとる場合、n月の売上予測は過去3か月間（n-1月、n-2月、n-3月）の平均で求めます。n+1月の売上予測なら、n月、n-1月、n-2月というように、平均をとる月が少しづつ移動していくイメージです。

予測したい売上の中心となるデータから、前後のデータの平均をとって需要予測をするため、より新鮮なデータを予測に反映できる点がメリットです。反対に、過去データの一部しか反映されない点がデメリットともいえます。

指数平滑法

指数平滑法（しすうへいかつほう）とは、過去のデータから将来の値を予測する分析手法の1つです。特徴的なのは新しいデータを評価し、古いデータほど評価を下げて値を算出する点です。
全てのデータを均等に扱うのではなく、新しいデータをより重視するため、在庫管理や株価変動など直近のデータが重要視される分野で活用されています。

最小二乗法・回帰分析

回帰分析とは、数値と数値の因果関係を関数の形で明らかにする分析手法のことです。何かを行うことが、結果にどのような影響を及ぼしたのかを明らかにする手法と言い換えられます。例えば、勉強時間（x）によってテストの点数（y）がどのくらい上がったのか、関数を使って分析する場合などが挙げられます。

勉強時間（x）とテストの点数（y）を、グラフ上にプロットしていったものを「散布図」といいます。数値をプロットしていくと、どの点からもそれなりに近い直線を引くことができます。この直線を「回帰直線」といいます。

回帰直線を求める考え方の1つが、最小二乗法です。最小二乗法とは、実データとの差の二乗の総和が最小となるように回帰直線を選ぶ手法のことをいいます。回帰分析と最小二乗法を使えば、数式を使って数値を予測することが可能です。先の例でいえば、勉強時間（x）を入力することでテストの点数（y）を予測できます。

AIを使った需要予測を活用している企業の導入事例をまとめました。

・スーパーの発注量予測の事例
・タクシーの乗客数予測の事例
・飲食店の来店者数予測の事例
・農業の収穫量予測の事例

スーパーの発注量予測の事例

大手スーパーマーケットでは、AIを使った需要予測で作業時間の大幅削減に成功しました。
同社ではAIを使って商品の需要を予測し、自動で発注を行うシステムを導入しました。AIは、過去の販売実績、気象情報、商品の企画内容といったデータを学習し、各店舗の商品発注数を自動で算出することが可能です。

同社は、AI導入以前から自動発注システムを導入していました。しかし、全ての商品を自動発注できていたわけではなく、賞味期限が長い食品や日用品に限って利用していた背景があります。生鮮食品を含む全ての商品を高精度で自動発注したい思いから、AI導入に踏み切りました。

一部店舗から試験的に導入を開始し、徐々に導入店舗数を拡大、現在では全国240以上の店舗にAIの自動発注システムが導入されています。導入当初懸念されていた、牛乳を含む日配品においても高精度の需要予測が実現しました。新型コロナウイルス感染症（COVID‑19）の影響による需要供給の変動下でも、欠品・食品廃棄の悪化を防ぎ、最適な発注量の計算ができています。同社ではAI導入により、発注作業にかかる年間20万時間の作業時間削減を見込んでいるとのことです。

タクシーの乗客数予測の事例

タクシー運転手が収益を得るには、土地勘のない地域や時間帯でも効率的に乗客を確保し、乗車時間を最大化することが必要です。そこで大手通信事業者では、AIを使ってタクシーの乗車需要を予測するサービスを提供開始しました。

同社は、携帯電話のネットワークを利用して作成した位置情報を使い、10分ごとに地域ごとの推定人口を算出することが可能です。この推定人口のデータ、気象情報、過去のタクシー乗車実績を学習させることで、30分先のタクシー需要を予測できるようになりました。

算出されたタクシー需要は、需要の高さに応じて低・中・高の3段階に色分けされます。タクシー運転手の車載用タブレットに需要予測データを視覚的に表示することで、どこの乗車需要が多いかひと目で把握可能です。ドライバーが効率よくタクシーの乗車率を上げることができる他、乗客にとっても待ち時間の短縮が期待できます。

飲食店の来店者数予測の事例

老舗飲食店の導入事例です。同社では、的中率9割の来客予測AIを導入し、導入前後で売上4倍・利益率10倍という驚異的な結果を出しています。

同社のAIでは、翌日の来客数・注文数を高い精度で予測可能です。これにより、翌日の来客に向けた食材の準備を無駄なく行うことができます。無駄な食材仕入れを抑えつつ、料理時間の短縮や廃棄コストの削減につながっています。

さらに、1時間単位で来客数が予測できるため、事前に最適な人員配置も計画可能です。短期だけでなく長期的な来客需要も予測できるため、従業員のシフトや休暇取得にも役立ちます。同社では実際にAIの来客予測を元に2週間連続で従業員を休ませる施策も実行しており、売上改善だけでなく従業員の満足度向上にも良い影響を与えました。

農業の収穫量予測の事例

国内の総合エレクトロニクスメーカーでは他社と協業し、AIを活用して最長3週間先の農作物の生産量を予測するシステムを開発しました。

予測AIを導入したとある農業協同組合では、農作物を出荷する際、機械で等級と階級を自動判別していました。農作物における等級とは果物や野菜の色・形・味、階級は大きさを格付けする指標のことです。自動でこれらの品質データを記録し、生産者へ出荷情報を紙で渡していましたが、農作物の生産過程に活かされていないという課題がありました。
また、販売面でも、最低でも2～3週間先の出荷量を把握できないと量販店との大口取引で有利な条件を得られないという課題もあったのです。

そこで、農作物の生育から出荷までのデータを一元管理し、3週間先までの生産量を予測するAIの開発に踏み切りました。先の課題であった生産者へのフィードバックについても、最短で出荷翌日にパソコン・タブレット・スマホから出荷情報の確認が可能になっています。生産者にとっては、生育管理や収穫時期の調整に活用するなど、農作物の品質向上につなげることが可能です。

現在まだ一部地域での導入に留まっていますが、AI導入によるフードロスの削減や、量販店との大口取引増加も期待されています。

人が行うと時間がかかってしまう発注作業や、精度が不安定な需要予測も、AIなら効率的に高い精度で予測可能です。ここまで読んで、自社が抱えている課題をAIで解決したいと感じた方も多いのではないでしょうか。

AIを導入するには一から開発が必要と思われがちですが、そんなことはありません。プログラミングせずに手軽にAIが作れるサービスがあります。AIの開発に特化した「MatrixFlow」というサービスは、ノンプログラミングで誰でも簡単にすばやくAIの作成が可能です。
MatrixFlowで需要予測AIを作成することで以下のような結果を得ることができます。

ボタンをクリックしていくだけで、従来の手法による需要予測よりも、精度が高く信頼性の高い予測を、スピーディに実現できます。

ぜひ一度操作して、MatrixFlowの需要予測の速さを体験してください。AIを活用して精度の高い需要予測と在庫管理の最適化を実現しましょう。商品の売上・注文数、在庫、顧客、各店舗の情報などを細かく設定し、過去の消費量から必要な消費量を予測、必要在庫数を予測するとともに、余分なコストを検知できます。

また、MatrixFlowは在庫最適化だけではなく、生産計画立案、不良品検知、人員配置など、小売業・通販業界のさまざまな課題も解決することができます。

MatrixFlowは実際に操作する際に役立つマニュアルや、AIの作り方や予測結果の見方や精度の高め方などAIコンサルタントに相談できるサポート体制もあります。在庫管理やAI導入に悩みを抱えている場合は、ぜひ一度お問い合わせください。

需要予測ができるAIを作る場合、ツールの費用や人件費合計で数十万円〜数百万円かかると言われています。AIの開発コストで最も高いのは人件費ですが、ノーコードで開発を進めれば人件費削減・開発期間の大幅短縮が見込めます。

ノーコードとはその名の通り、コードを書かずに開発する開発手法のことです。よく制作されるWebサービスやアプリのテンプレートを使って、プログラミングせずに開発することができます。ノーコード開発なら非エンジニアの方でも手軽にAIが開発できるため、採用コストや人件費を抑えた開発が可能です。ノーコード開発のプラットフォームは無料のものもあるため、解決したい課題によっては100万円以下で開発できる可能性もあります。

その他にコストを抑えてAIを開発する方法としては、オープンソースソフトウェアを使用してライセンス費用を節約する、アジャイル開発で開発のフェーズを短縮するといった方法も挙げられます。

・AI（人工知能）にデータを機械学習させることで、来客数や発注量を予測することができる
・AIを需要予測に使うメリットは、在庫の最適化・業務効率化・売上最大化の3つ
・AIを使った需要予測は、小売・飲食・農業など幅広い分野で活用されている
・需要予測でAIを開発するならMatrixFlowがおすすめ

AIを活用してサービスの需要を予測する仕組みや方法について解説しました。
AIは過去の販売実績や来客数といったデータを機械学習することで、未来の需要を予測することが可能です。個人の経験に頼った需要予測に比べ、AIの需要予測は精度が高く、すばやく予測できます。

AIを使った需要予測には、在庫量の最適化、業務の効率化、売上の最大化といったメリットがあります。そのため、既に小売業界から農業まで幅広い業界で導入が進んでいます。

AIを開発・導入するのは大変だと思われがちですが、AIやプログラミングの知識がない方でも導入することが可能です。プログラミングせずにAIを開発できるMatrixFlowなら、視覚的な操作で非エンジニアの方でも開発できます。詳しい開発フローや導入事例については、MatrixFlowにお問い合わせください。