伊藤忠食品の受注数予測AI、約4,500品目で誤差率28.9%の実証結果

需要予測と発注ロジックを切り分け、担い手まで分けた役割設計が、この実証の骨格になっています。予測モデルはDATAFLUCTが伊藤忠食品と連携して開発し、その予測結果を用いた発注ロジックの設計・実装は伊藤忠食品が自社の業務ノウハウを踏まえて進める形が取られました。休配や最低ロットといった制約の知識は、データそのものではなく業務側の経験に蓄積されているため、そこを外部に委ねずに手元へ残した切り分けは合理的です。予測の精度と、制約を満たす発注数の妥当性を別々に検証できる形になった点も見逃せません。

不規則な需要に対して、モデルの作り方そのものを検証対象に据えた進め方も効いています。単一のアルゴリズムに賭けるのではなく、最新の深層学習アルゴリズムと汎用性の高いツリー系モデルであるLightGBMなどを組み合わせた独自のアンサンブル手法を用い、加えて複数のモデル分割パターンと特徴量エンジニアリングが検証されました。約4,500アイテムともなれば、定番品と季節品、回転の速い商品と遅い商品で需要の癖はまるで違います。どの単位でモデルを分けるかという探索を、アルゴリズム選定と同格の検証項目に置いた設計が、食品卸特有の不規則さに向き合う土台になったと読めます。

社内の実績データと外部データを一つの基盤に集約した準備も、分析の前提を支えました。データ活用プラットフォーム「Airlake」を用いて出荷実績を統合したうえで、気象情報やイベント情報といった社外の要因を取り込む構成が採られています。季節性や販促に伴う変動は、社内データだけを眺めていても説明のつかない部分が残るため、変動要因を外から補う設計は予測の説明力を左右する分かれ目だったのではないでしょうか。