コンビニ発注をAI予測で支援し週約6時間削減、お手本店の品揃えも提案

推奨値を、自店の過去1年の販売実績だけで組み立てなかったことが、この仕組みの出発点になっています。店舗周辺の通行量を時間帯・性別・年代まで分けて取り込み、そこへ気象データとカレンダー情報を重ねたうえで、日別・便別・単品別という細かい単位まで販売予測数を落とし込む。人ひとりが頭の中で扱える情報量をはるかに超える材料を、発注という日常業務の土俵に載せた設計だと言えます。

立地が似ていて利益額の高い店舗を「お手本店」に設定し、自店で扱っていなかった売れ筋を推奨する機能は、需要予測とは別種の課題を解きにいっています。自店の実績だけを学習させる限り、そもそも置いていない商品は「売れなかった」という記録すら残らないため、品揃えの空白はデータ上に姿を現しません。その空白を他店の実績で埋める発想は、予測の精度を高める方向ではなく、予測の対象そのものを広げる方向の工夫として整理できます。

推奨値を1日4回更新しながら、新商品や突発的なイベントについては店舗スタッフが手で調整できる余白を残した運用も見逃せません。次の納品までの在庫繰り越しを踏まえて売場ボリュームを保つ数量を自動加算する仕組みからは、数字上の最適解だけでなく、棚が寂しく見えない状態を保つという現場の判断基準まで計算に織り込もうとした意図が読み取れます。繰り返し発生する定型的な予測はAIが担い、例外は人が引き受ける。この線引きこそが、現場で使い続けられる形につながったと考えられます。