在庫を予測する方法

概要：

• 需要予測の概要
• 最適な在庫予測手法を選択する方法
• 在庫を予測するには（詳細ガイド）
• AutoStore™の実装
• データの整合性を確保するには
• 新しいデータと市場動向の予測

在庫予測とは

在庫予測とは、過剰在庫や不足在庫を避けながら、顧客の需要に応えるために、特定の期間の最適な在庫量を予測するプロセスを指します。このプロセスでは、過去の販売データ、市場動向、季節ごとの需要変動、現在の在庫水準を分析して、将来の製品需要を予測します。この予測に基づき、企業は事前に計画を立て、需要を満たす十分な製品量を確保できます。

在庫予測と補充の違い

在庫予測の概念を正しく理解するために、サプライチェーンマネジメントにおける在庫予測と在庫補充の違いを明確にしておきましょう。

在庫予測：前述したように、在庫予測とは、過去の販売データ、市場動向、外部要因に基づいて、将来の在庫需要量とタイミングを判断するための予測プロセスです。その主な目的は、顧客の需要を予測し、過剰在庫を避けながら、需要に応える最適な在庫水準を維持することです。

在庫補充：一方、在庫補充とは、在庫量を補充するための在庫品の発注または生産を指します。補充は在庫予測と既存の在庫水準に基づいて、リードタイムと再発注ポイントも考慮しながら、予想される顧客需要に応えるために必要な在庫量を維持するためのプロセスです。

在庫予測は将来の需要を予測するのに対し、在庫補充は製品を追加で発注または製造して需要を満たすことを意味します。

在庫予測が重要な理由

当然のことですが、在庫予測はビジネスの運営と財務の健全性を確保する上で極めて重要です。在庫追跡が需要な理由は次のとおりです。 

• コストの最適化：過剰在庫と関連リソースの無駄を防ぎ、保管コストを削減できます。
• 顧客満足度の向上：顧客の需要に応えて、サービスの品質を高めることができます。
• 効率化：購買および生産計画を合理化して、オペレーションの効率を向上させることができます。
• リスク管理：在庫切れや売れ残りのリスクを減らし、収益源を確保できます。

ここまで、在庫予測の概要、在庫補充との違い、在庫予測が重要な理由を見てきました。次は、予測のさまざまな手法とタイプ、最適な予測手法の選び方を探っていきましょう。 

在庫予測の5つのタイプと手法

在庫予測にはさまざまなタイプと手法があり、それぞれ独自のアプローチで将来の在庫ニーズを予測できます。ここでは、それぞれのタイプと手法、適用可能な状況を詳しく見ていきましょう。

1. 定量的手法

定量的予測では、過去のデータと数理モデルを使って将来の在庫要件を予測します。この手法はデータに基づいており、過去のパターンが継続することを前提とします。

具体的には、以下の手法があります。

時系列分析：過去の販売データを分析し、時間の経過に沿ってパターンや傾向を特定し、将来の予測を行います。

因果モデル：売上と1つ以上の独立変数（経済指標、マーケティング活動など）との相関関係を特定し、将来の需要を予測する手法です。回帰分析などがあります。

2. 定性的手法

定性的予測では、数値データではなく専門家の判断に基づいて予測を行います。データが限られている場合や新製品を予測する場合によく使われます。

具体的には、以下の手法があります。

• デルファイ法：アンケートを通じて在庫水準に関する専門家の意見を集め、各ラウンドの合間にフィードバックを提供する体系的なコミュニケーション手法です。
• 市場調査：将来の購入意向について潜在顧客から意見を収集します。

3. 傾向分析

傾向分析は、時間の経過に沿ってデータのパターンを特定する定量的手法です。傾向線を用いて在庫水準変動の一般的な方向性を表し、将来の需要を予測します。

4. グラフ手法

グラフ手法では、折れ線グラフや棒グラフなどで過去のデータを表します。在庫水準の傾向、パターン、季節的な変動を目で把握し、将来の需要を直感的に予測できます。

5. 季節性分析

季節性分析では、週、月、四半期ごとなど、一定期間における在庫水準の定期的かつ予測可能なパターンや変動を特定します。在庫水準を適宜調整して、季節的な需要の変動に備えることができます。

これらの手法にはそれぞれ長所と用途があります。より正確な予測を行うために、多くの企業が複数のアプローチを組み合わせて使用しています。在庫の特性、データの可用性、市場と業界固有の動向に基づいて手法を選択します。 

効果的な在庫予測手法を選択する

最も効果的な在庫予測手法を選択するには、ビジネスと業界の特性および需要を把握する必要があります。長期にわたって傾向を観察するもの、単純な計算を使用するもの、高度なコンピュータープログラムを使って予測するものなど、適している手法はビジネスによって異なります。ここでは、ビジネスと業界の観点から各手法のメリットを見ていきましょう。

• 小売業：季節によって販売パターンが異なる小売業の場合は、季節性分析を優先し、特に買い物が多く行われる時期の在庫を管理します。年間を通じて安定した売上がある小売業の場合は、傾向分析を活用して一貫した在庫水準を確保できます。

• eコマース：eコマースビジネス、特に幅広いSKUを扱う場合は、多様な製品需要を管理するために、時系列分析などの定量的手法を検討すべきです。グラフ手法を利用すれば、短期間で消費される商品の傾向をすばやく把握できます。

• 製造業：製造業、特にリードタイムの長い製品を扱う場合は、因果モデルを利用すれば、さまざまな要因（原材料の入手可能性や経済動向など）が在庫需要に与える影響を把握できます。

• スタートアップ/新製品の発売：新製品を発売する場合や、市場にこれから参入するスタートアップの場合は、市場調査やデルファイ法などの定性的手法を活用すれば、過去のデータがなくても需要を予測できます。

• サービス業界：接客やサービスとしてのソフトウェア（SaaS）など、サービスを提供する業界の場合、物理的な在庫ではなく、供給品やリソースの需要予測が重要なため、市場分析や専門家から得られる質的な洞察に基づいて在庫を予測できます。

• 季節によって変動するビジネス：（ホリデー商品、ガーデニング用品など）季節的な要因の影響を大きく受け、需要の急増に合わせて在庫水準を調整する必要があるビジネスには季節性分析が非常に有用です。

• ハイテクおよび日用消費財（FMCG）：変化の激しい市場に参入している企業は、定量的手法と定性的手法を組み合わせるのがよいでしょう。テクノロジーの急速なイノベーションサイクルやFMCG市場の回転率の速さを考えると、データに基づく予測と市場の洞察を組み合わせ、常に他社に先駆けた戦略をとる必要があります。

まとめると、在庫予測の手法は、業界の動向、顧客の行動、市場における自社のプレゼンスの成熟度など、各企業の状況に応じて選択する必要があります。ビジネスの進化に合わせてアプローチを変えていくことも、在庫管理の効率を維持する鍵となります。 

ビジネスニーズに合った手法の選択方法の次は、在庫を可能な限り正確に予測する方法を詳しく見ていきましょう。

{{cta1}}

在庫を予測する方法

在庫を効果的に予測するには、データ分析、業界の洞察、戦略的な計画を組み合わせた体系的なアプローチが必要です。ここでは、一般的な公式とツールを用いた手順を、簡単な例と併せてご紹介します。

在庫予測のステップバイステップガイド

1. 過去の販売データを収集する

在庫予測の良し悪しは、信頼できる売上データによって左右されます。過去数年間の売上データを収集して、パターンと傾向を特定します。この過去データに基づいて、予測を行います。

2. 傾向と季節性を分析する

売上データを入手したら、次は、データを精査して、季節ごとの需要の変動や一定期間における継続的な売上の増減など、特定できる傾向を調べます。これらのパターンの把握は、将来の在庫ニーズを予測する上で重要です。

3. 市場と外部要因を考慮する

売上データ以外にも、市場動向、経済状況、今後のイベントなどの外部要因が需要に大きな影響を与える可能性があります。これらの要素を予測モデルに取り入れると、予測モデルの精度が向上します。

4. 予測手法を選択する

データ分析とビジネスの性質に基づいて、最適な予測手法を選択します。前述したように、在庫の複雑さと売上の予測可能性に応じて、単純な定量的モデルから、より微妙な違いを考慮した定性的アプローチまで、さまざまな手法の中から選択できます。

5. 予測モデルを適用する

手法を決定したら、データにその手法を適用して在庫予測を行います。手作業による計算、スプレッドシートの数式の使用、専用ソフトウェアの利用などの方法があります。

6. 見直して調整する

予測は一度設定すればそれで終わる作業ではありません。予測された売上と実際の売上を定期的に比較して、相違点を確認しましょう。それらの情報に基づいて予測モデルを改良し、将来の精度向上につなげます。 

予測の公式

予測には、次のようなさまざまな公式を使用できます。

単純移動平均線（SMA）

特定の期間の平均売上を計算し、変動を平滑化して傾向を特定します。特に、安定した予測可能な売上パターンを持つビジネスに役立ちます。

例：

ある店舗が4か月間の月間売上（米ドル単位）を次のように記録しているとします。

• 1月：200ドル
• 2月：240ドル
• 3月：180ドル
• 4月：300ドル

SMAでは直近の3か月間が参照されるため、4月の3か月間のSMAを計算するには、2月、3月、4月の売上を平均します。

上記のとおり、4月の3か月SMAは240ドルになります。売上データが平滑化され、月ごとの変動が取り除かれた傾向が示されます。

指数平滑法（ES）

ESは、最新の売上データを古いデータよりも重視して、予測を調整します。売上推移の変化にすばやく対応できます。

例：

前述と同じ月次売上データでESを適用します。わかりやすくするために、平滑化係数（α）を0.5としましょう。この係数は、最新の売上データの重要度を示します。

1回目の予測の式（2月から始まり、1月を基準とする）は次のようになります。

まだ年初の段階で、2月の予測は単に1月の売上を利用するだけなので、3月に移りましょう。

この手法では、直近の月（2月）のデータがそれ以前のデータより重視され、新しいデータが入ってくると動的に調整されます。

線形回帰

この方法は他よりも複雑です。マーケティング費用や経済指標など1つ以上の独立変数と売上との関係を分析して、将来の売上を予測します。

例：

ある企業がマーケティング費用に基づいて将来の売上を予測するとします。数か月にわたって次のデータ（千米ドル単位）を記録しました。

• マーケティング費用：1、2、3、4、5
• 売上：1.5、2.5、3.5、4.5、5.5

線形回帰を使って、マーケティング費用を基準に、最も正確に売上を予測する線をデータに当てはめます。直線の方程式は、y = mx = bです。ここで、yは売上高、xはマーケティング費用、mは線の傾き（売上高に対するマーケティング費用の影響）、bはy切片（マーケティングを行わない場合の基本の売上高）です。

この式の目的は、予測された売上高と実際の売上高の差を最小にするmとbの値を見つけることです。わかりやすくするために、直線の方程式は次のように仮定しましょう。

このように、マーケティング費用が1,000ドル増えるたびに、売上が1,000ドル増え、さらに基本売上が500ドル増えることがわかります。

安定した傾向が見られるビジネスではSMA、急速な変化が見られる場合はES、変数間の関係を把握するには線形回帰など、適している手法はシナリオによって異なります。

予測ツール

予測に利用できるツールやソフトウェアはさまざまですが、それぞれ異なるニーズや複雑さに対応しています。ここでは、将来の需要をより正確に予測できる主要なツールをご紹介します。

• スプレッドシート：ExcelやGoogleのスプレッドシートは、基本的な予測モデルを実装するための汎用ツールです。中小企業や予測に取り組み始めた企業に適しています。

• 専用の予測ソフトウェア：高度なプラットフォームは、詳細な分析を可能にする優れた機能を備え、複雑なビジネスモデルと幅広い変数に対応できます。

• 在庫管理システム：多くのシステムには、在庫管理の特定のニーズに合わせた予測機能があり、販売データを統合すると、リアルタイムのインサイトを得ることができます。

小売業における季節的な変動の予測例

小売業の季節的な変動に関する例をもう1つ見てみましょう。

シナリオ：ある玩具店が過去3年間のホリデーシーズンの売上データを調べたところ、この季節の売上の伸びは、ホリデーマーケティングキャンペーンの成果と顧客ベースが増えたことによるものだと気づきました。

計算方法：次のホリデーシーズンの需要を予測するために、この店は過去の12月の売上データに基づいて、前年同月比の平均成長率を計算します。年平均成長率（CAGR）の公式を使用し、nは年数とします。以下の計算式に当てはめると、成長率は一貫して20％であることが確認できます。

アクション：この分析に基づいて、最も売れているおもちゃのカテゴリーで、今後のホリデーシーズンの在庫注文量を20%増やすことにしました。さらに、早期購入者を獲得するために、前年より2週間早くホリデーマーケティングキャンペーンを開始する予定です。

在庫を自動的に予測するには

在庫予測を自動化できれば、最小限の手作業で将来の在庫ニーズを正確に予測できます。ここからは、自動化によって在庫予測プロセスを合理化する方法をご紹介しましょう。

ステップ1：在庫管理システムを実装する

販売チャネルとの統合が可能で、傾向分析と需要予測の機能を備えたシステムを選択しましょう。販売データを自動的に収集および分析し、予測のための強固な基盤となるシステムが必要です。

ステップ2：機械学習を活用する

高度な在庫システムでは、機械学習を利用して予測の精度を上げることができます。継続的な販売パターンから学習し、予測を調整して時間の経過とともに信頼性を高めていきます。

ステップ3：外部のデータを統合する

市場動向や季節的な影響などの外部要因を予測モデルに組み込むと、予測モデルの精度が大幅に向上します。外部データの統合が可能なシステムでは、潜在的な需要を包括的に把握できます。

ステップ4：再発注を自動化する

予測を最大限活用するには、予測されるニーズに基づいた自動再発注を設定します。最適な在庫水準を維持し、予測される需要に合わせて注文量を自動調整できます。

ステップ5：定期的に見直して調整する

どんなに優れた自動化システムでも監視は必要です。予測結果と実際の売上を定期的に比較して、システムの精度を微調整し、不一致や予期しない市場の変動に対応しましょう。

新製品についての予測

新製品の発売にはさまざまな課題が伴います。その中でも、過去の販売データを使わずに需要を予測するのは難しい作業ですが、次のような戦略的なアプローチによって、必要な在庫量を予測できるようになります。

ヒント1：市場調査

まずは徹底的な市場調査を実施して、新製品に対する潜在顧客の関心度を把握します。市場に出回っている類似製品の調査、フォーカスグループ、分析により、顧客の需要に関する貴重なインサイトを得ることができます。

ヒント2：類似製品

新製品の類似品の販売データを調べます。特に、同じターゲットオーディエンスを共有している場合や、同様のニーズに対応している場合、このデータは新製品の需要を予測するための代替データとして役に立ちます。

ヒント3：先行予約

製品の先行予約を実施すると、顧客の関心度を直接評価し、初期需要を具体的に把握できます。この戦略は、早期の販売促進にもつながります。

ヒント4：パイロット版のリリース

製品の販売を本格的に展開する前に、特定の市場またはチャネルで限定的にリリースすることをお勧めします。これにより、実際の市場における需要を評価し、広範囲に流通させる前に在庫水準を調整できます。

ヒント5：反復的なアプローチ

市場調査に基づいて、最初は在庫水準を少なめに設定し、実際の販売データが入り始めたら在庫量を調整します。このような柔軟なアプローチをとることで、過剰在庫のリスクを避け、実際にある分だけの需要に対応できます。

季節商品への対応

季節商品は、年間の特定の期間に需要がピークを迎えるため、予測には細やかな対応が必要です。効果的な予測を行うことで、需要が落ちても在庫が余ることなく、ピーク時の売上を最大化できます。

過去の販売データ

需要パターンを特定するために、前シーズンの販売データを分析します。経済状況やマーケティング活動など、比較に影響しうる要因を考慮して調整します。

傾向分析

自社のデータだけでなく、業界の動向やより広範囲な市場分析にも目を向けると、季節商品の需要に影響を与える消費者行動の変化を予測しやすくなります。

季節指数

季節指数を作成して、年間を通じた需要の変動を数値化します。具体的には、既存需要の高まりと低迷を考慮に入れ、特定の時期の需要に応じて予測を調整します。

リードタイム調整

季節商品の製造と配送に必要なリードタイムを考慮し、ピークシーズンに先駆けて計画を開始しましょう。

シーズン後の分析

各シーズンの終了後に、予測の精度と在庫管理のパフォーマンスを見直します。予測された需要と実際の需要の差異を確認して、次のシーズンに向けアプローチを改良します。

新製品や季節商品の予測には芸術的な側面と科学的な側面があり、データに基づく知見の活用と市場動向の把握をバランスよく行う必要があります。この戦略によって、新製品の発売や季節的な需要変動の管理における不確実性を解消し、最適な在庫水準を維持しながら顧客のニーズに応えることができます。

在庫予測の課題

在庫予測に伴う課題は、どんなに効率的なシステムにも混乱をもたらす可能性があります。予測はそう簡単なものではありません。特に大きな障害となるのは顧客の需要の変化です。消費者の好みや新興市場の動向は、倉庫で在庫水準を調整している間にも変化していきます。これに、サプライチェーンの中断リスクが加わり、さらに予測が難しくなります。サプライヤーからの納品遅延やその他の想定外の出来事によって、在庫がなくなったり、過剰在庫になったりする可能性があります。

前述したように、季節性は状況をさらに複雑にします。ピーク時とオフピーク時の変化に対処するには正確な計画が求められます。季節予測を正確に行わないと、売れ行きが良い時期に在庫切れになったり、売れ行きが悪い時期に在庫過剰になったりする可能性があります。さらに問題を複雑にするのは、予測に利用するデータの質です。販売データが不正確だと在庫量の判断を誤る可能性があります。新製品や新事業の場合は、過去のデータが不足していると、情報に基づいた予測はほぼ不可能です。

製品のライフサイクルにおいても、過去の販売データがないまま新製品を導入する場合や、古くなった製品の需要の落ち込みを管理する場合には課題が生じます。倉庫では、過剰在庫や在庫不足を避けるために、新製品の導入と古い製品の段階的な廃止を慎重に調整する必要があります。さらに、保管容量が限られているなど、倉庫内の物理的な制約により、予測される需要の変化に応じた在庫水準の調整が困難になることがあります。予算、人員、技術といった運用上の制限がある場合、こういった課題を柔軟に解決するのが一層難しくなります。

これらの課題に対処するには、前述したように、高度な予測ツール、柔軟な運用戦略、市場動向の十分な理解を組み合わせた多面的なアプローチが必要です。 

対処すべきもう1つの課題は、データ品質の問題への対応です。次のセクションで詳しく説明します。

在庫予測のデータ品質問題への対処

最先端のシステムにも混乱をもたらす可能性がある、在庫予測における重大な「課題」の1つはデータ品質の確保です。不正確、不完全、または信頼できない販売データを利用すると、在庫量の判断に誤りが生じ、予測の精度と運用効率に大きな影響を与える可能性があります。ここでは、データ品質の向上を図り、予測における一般的なデータの問題に対処するための戦略をご紹介します。

データガバナンスポリシーを確立する

高品質データを維持するためには、データガバナンスポリシーの導入が重要です。ポリシーでデータの収集、保存、および保守の標準を定義して、一貫性と正確性を確保する必要があります。不正確な部分を迅速に特定して修正するために、定期的な監査と検証をポリシーに含める必要があります。

データクレンジングツールを活用する

データクレンジングツールを利用すると、データ内のエラーの検出と修正のプロセスを自動化できます。外れ値、欠損値、不一致を特定し、予測に使用するデータを可能な限り正確に保つことができます。データクレンジングを定期的に使用して、在庫予測の信頼性を大幅に向上させることができます。

データ統合ソリューションを実装する

データがさまざまなシステムやプラットフォームに分散され、情報の不一致やギャップが生じるのはよくあることです。データ統合ソリューションは、複数ソースのデータを統合し、1つの統一されたビューに情報を示します。この機能は正確な予測に欠かせません。予測プロセスではすべての関連データポイントが考慮され、見落としのリスクが軽減されます。

高度な分析を活用してデータ品質に関する洞察を得る

高度な分析機能と機械学習アルゴリズムにより、データの問題が含まれているパターンを特定して、データ品質の問題に関する洞察を得ることができます。これらのテクノロジーを活用して、データ品質が予測精度に与える影響を把握し、改善すべき領域に優先順位を付けることができます。

トレーニングを実施し、意識の向上を図る

データの収集と分析を担当するチームには、データ品質の重要性に関する指導を行う必要があります。トレーニングセッションでは、データ品質が予測と全体的なビジネスパフォーマンスに与える影響を詳しく説明し、データ管理における最適な方法の順守を促進する必要があります。

部門間の連携を図る

営業、運用、財務などの部門間の連携を図ることで、データの品質を高めることができます。各部門はそれぞれ異なる視点から、データ収集と分析のプロセスに関する独自の知見を提供できるため、より包括的な予測アプローチが可能になります。

継続的な改善アプローチを採用する

最後に、データ品質管理は1回限りではなく、継続的に続けることが重要です。継続的な監視に加え、データプラクティスの適応と改善を積極的に行うことで、データ品質の変化に柔軟に対応できるようになります。このアプローチの導入によって、データ品質の問題が在庫予測に与える影響を最小限に抑えることができます。

これらの問題を乗り越え、在庫予測機能を最大限に活用するためのもう1つの方法は、世界最速の自動倉庫システム（AS/RS）であるAutoStoreシステムを導入することです。B2B流通に変革をもたらしているAutoStoreについて詳しくご紹介します。  

AutoStoreで在庫予測を強化する：B2B流通の変革

効果的な在庫予測は、B2B流通の成功を促進し、供給と需要のバランスを正確に維持するために不可欠です。ここで登場するのがAutoStoreです。AutoStoreは最先端のテクノロジーと自動化によって在庫管理と予測の基準を大きく変えています。

AutoStoreのご紹介

AutoStoreは、グリッド、ビン、ロボット、ポート（ワークステーション）、コントローラーの5つのハードウェアコンポーネントで構成されるキューブベースの自動倉庫システムです。オプションのソフトウェアとして、複雑なオンラインオーダーフルフィルメントを管理するQubIt Fulfillment Platform™、およびこれまで手動で行っていたシステムログデータの収集と分析を自動化するクラウドベースのプラットフォームUnify Analyticsも利用できます。

AutoStoreを利用すれば、従来のストレージと比べて75%スペースを節約でき、スピードと効率が高まり、信頼性と柔軟性も向上します。在庫管理ソフトウェアとの統合により、ベストセラー商品を特定したり、季節的な需要の変化を正確かつ効率的に把握することができます。

迅速な処理でリードタイムを短縮

在庫予測における永遠の課題の1つは、リードタイム（発注から納品までの遅延）の影響です。通常、リードタイムが長くなると、遠い将来まで需要を予測しなければならず、不確定要素が多くなり、過剰在庫や在庫切れのリスクが生じます。AutoStoreは処理を迅速化してこの問題に対処し、リードタイムを大幅に短縮します。その結果、最適な在庫水準を維持できるようになります。ピッキングプロセスのアジリティが高まると、市場の変化にすばやく対応できるようになり、需要に対して不足が生じたり、過剰在庫にコストをかける必要がなくなります。

テクノロジーを活用して精度の高い予測を実現する

AutoStoreを導入すると、予測精度を大幅に高めることができます。高密度のストレージソリューションと優れた自動化機能を備えたAutoStoreの堅牢なフレームワークを利用して、在庫ニーズを高い精度で予測できます。変動する需要パターンにスムーズに適応し、予測を単なるリアクティブプロセスではなく、プロアクティブな戦略として行うことができます。AutoStoreの高度なテクノロジーにより、データをリアルタイムで分析し、さまざまな情報に基づいて在庫量を判断できます。

高度な洞察で製品のライフサイクルを管理する

正確な在庫予測を行うには、製品のライフサイクルを理解することが重要です。新製品が発売されてから、ピークを迎え、その後需要が減少していくまで、販売データから顧客の嗜好や市場動向に関する貴重な情報を得ることができます。AutoStoreの機能を利用すれば、これらの動向を細かく監視し、製品のライフサイクル全体にわたって戦略的な在庫管理を進めることができます。AutoStoreで販売実績の詳細を把握し、需要の変化を予測して、実際の市場ニーズに合わせて在庫を計画できます。

AutoStore - 総合的なソリューション

AutoStoreは単なるストレージソリューションではなく、在庫予測を最新化するための包括的なアプローチです。高いストレージ密度と優れた拡張性により、あらゆる規模の企業にメリットをもたらします。既存のシステムと互換性があるため、運用効率と収益性を高める多目的ツールとして利用できます。このキューブストレージソリューションは、在庫の保管、取得、管理に革新をもたらし、これまでない優れた予測精度と応答性を実現します。

{{cta2}}

よくある質問

在庫を予測する計算式にはどのようなものがありますか？

在庫予測によく使用される計算式は、単純移動平均（SMA）または指数平滑法（ES）です。

‍

SMAの場合：

ESの場合（αは0～1の平滑化定数）：

在庫予測にはどの手法が最適ですか？

最適な手法は、ビジネスニーズによって異なります。過去の販売データがある製品には時系列分析などの定量的手法が適していますが、新製品や市場の状況が急速に変化するビジネスの場合は定性的手法が適しています。多くの場合、複数の手法を組み合わせることで、最良の結果が得られます。

Excelで在庫を予測するにはどうすればいいですか？

Excelでは、SMAや線形回帰などの数式を使って在庫を予測できます。Excelの最新バージョンに搭載されている予測シート機能を使えば、数回クリックするだけで履歴データに基づいて予測が自動生成されます。売上データを選択し、[データ]タブに移動して[予測シート]ボタンをクリックするだけで、予測モデルを作成できます。

在庫を予測するには何が必要ですか？

在庫の予測には、過去の販売データ、現在の市場動向の把握、需要に影響する将来の出来事に関する情報が必要です。さらに、このデータを分析して将来の在庫要件を予測するには、指数平滑法や回帰分析などの予測モデルまたは手法が必要です。