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

これまでの発注は、各店舗の担当者が自店の過去の実績と自分の経験をもとに判断する形で行われてきました。そのため店舗や担当者によって精度がばらつき、読みが外れれば欠品による販売機会の損失につながり、逆に多めに読めば過剰在庫が廃棄ロスとして残るという二方向のリスクを抱えていました。

編集部の見立てでは、ここでの困りごとの本質は担当者の熟練度が足りないことではなく、判断の材料が「自店の過去」と「個人の記憶」の内側で完結していた点にあります。売れ行きを左右する要素は店の外側にも数多くあるはずなのに、それを日々の発注に持ち込む手立てがなかった。さらに、うまく売っている店の判断が他店へ伝わる経路もないため、良い読み方が個人の中に留まり続けます。属人化とは、能力の偏りである以前に、情報が一店舗の内側に閉じている状態を指しているのではないでしょうか。

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。

AIが発注の推奨値を自動で算出するようになったことで、発注業務にかかる時間は1店舗あたり1週間で約6時間削減され、担当者の負担が軽くなっています。一方、適切な陳列量の維持による販売機会の最大化や、過剰発注を抑えることによる廃棄ロスの適正化は、現時点では期待される効果として位置づけられています。今後は導入店舗での売上や収益への影響を検証したうえで、展開店舗を広げていく方針です。時間削減がすでに数字で示され、売上と廃棄への効果はこれから検証するという順序で整理されている点は、成果の読み方として押さえておきたいところです。