マルエツの来店客予測AI、気象データ活用で年間約1100時間の工数削減

以前は、店舗の管理職が前年の実績と自分の経験をもとに2週間から2か月先の客数を見積もり、その数字を発注システムとレジのシフト管理システムに手で打ち込んでいました。担当者によって精度にばらつきが出て、入力作業そのものにも時間がかかる。ここまでが表に出ていた症状です。

ただ、編集部の見立てでは、この困りごとの本質は手間の多さよりも、客数という一つの数字が発注と人員配置の両方を動かす起点になっていた点にあります。見積もりを外せば、売れ残りによる食品ロスと品切れによる機会ロスが同時に生じ、レジ要員が余るか足りないかも決まってしまう。しかも客足を大きく揺らす天候は、店長がどれだけ経験を積んでも制御できない外部要因です。個人の勘の優劣ではなく、305店舗分の判断を人の感覚でそろえ続けること自体に、そもそも無理があったのではないでしょうか。

1kmメッシュという細かさの気象データを予測モデルの入力に据えた設計が、この取り組みの起点になっています。店舗の過去客数やセール情報だけを学習させれば、天候で説明できるはずの変動まで「読みにくい揺らぎ」として残ってしまいます。外部の気象データを別の入力として持ち込み、しかも商圏の広さに近い解像度でそろえたことで、揺らぎの正体を切り分けられるようになったと考えられます。台風や大雪のときの買い控えという消費者側の行動傾向まで学習対象に含めている点も、単なる天気の反映にとどまらない設計の意図がうかがえます。

予測値を出して終わりにせず、発注システムとレジのシフト管理システムへ自動で流し込むところまでつないだ判断も見逃せません。精度の高い数字が出ても、それを人が画面から画面へ写している限り、入力の負担は元の場所に残り続けます。全店舗へ先行導入したうえでシステム連携を段階的に進めた運びからは、予測の妥当性を実データで確かめながら、業務の流れを少しずつ置き換えていく手順の踏み方が読み取れます。

人の役割を例外対応だけに絞り込んだ運用の組み立ても、この仕組みを回し続ける支えになっています。地域催事のように、モデルが学習データとして持ちようのない事情は現実に存在します。全部を人が見直す運用でも、全部を機械任せにする運用でもなく、人が手を入れる場面を「モデルが知り得ない情報を持っているとき」に限定した切り分け。これによって確認が形式的な作業に流れにくくなり、管理職の判断が本当に必要な場面へ集中します。

月間の客数予測精度は95%以上という水準を保ち、305店舗全体で管理職が予測値に手を入れた割合は0.5%にとどまっています。客数予測と入力にかかる工数は年間で約1,100時間削減され、自動発注の精度向上やレジシフトの最適化にもつながりました。マルエツは今後、他システムとの連携をさらに深め、店舗オペレーションの効率化や販促施策への活用を進めていく方針を示しています。修正率0.5%という数字は、現場が予測を信頼して受け入れている度合いを映したものとも読めます。