予測精度より、効くSKUの見極め — 中小小売・卸の需要予測AIは仕入の権限設計で決まる

このホワイトペーパーで分かること

• 定番／新商品／季節品／特売前後／天候依存の5SKUタイプ別に、需要予測AIが「効く／効かない／条件付きで効く」を判定する5基準
• POS・天気・キャンペーン・競合価格・SNSのデータ整備の優先順位と、現実に必要な期間の幅
• 自社開発／クラウド需要予測サービス／会計・在庫SaaS連動（freee・弥生）の3選択肢を、自社の人数規模と SKU 規模で選び取る視点
• 予測結果と現場発注担当の判断が食い違ったときに使う、AI主導／人上書き／二者合意の3レーン権限設計
• 経営会議に持参する稟議1ページサマリーと、廃棄ロス／欠品機会損失／発注工数の3軸でROIを金額に頼らず見せる方法

対象読者

• 食品スーパー（地域チェーン2〜30店舗）の本部仕入バイヤー部長・MD部長で、新商品立ち上げと季節品の山読みで読み外しが続き、廃棄と欠品の両側で粗利が削れている経営層
• 専門小売（生鮮・酒販・菓子・ベーカリー・ペット・園芸・スポーツ用品）でSKUが数千〜数万に膨らみ、店舗発注の属人化が天井になっている店舗運営本部長
• 中堅卸(食品卸・日用品卸・酒類卸)の仕入責任者で、AI ベンダーから「予測精度XX%向上」の提案を浴びているが、自社の SKU 規模で本当に効くか経営会議で説明できずにいる役員
• POS は導入済だが、天気・キャンペーン・競合価格のデータ整備に着手しておらず、AI 導入の前段で半年止まっている情シス兼務担当を抱える中小小売・卸
• 需要予測の PoC を一度失敗、または途中で頓挫し、次は社内合意を取り切る形で再開したいと考えている経営層

このWPの結論（Executive Summary）

課題と緊急性

中小小売・卸の仕入オペレーションは、定番品では既存運用が回るが、新商品・季節品・特売前後・天候依存品で読み外しが集中する。廃棄ロスと欠品機会損失の両側で粗利が削れ、しかも両者はトレードオフのため「絞る」「厚く持つ」の単純解では構造を解けない。

AI ベンダー提案の「予測精度XX%向上」は経営会議で説明根拠にならず、稟議が止まる事例が増えている。技術的な実装難易度はここ数年で下がったが、中小小売・卸で導入が進まない一次原因は技術ではなく、見極め・データ整備・権限設計という非技術領域にある(出典:経済産業省「商業動態統計」、農林水産省「食品ロス統計」各年版)。

アプローチ

需要予測AIの導入判断を、(1) 5SKUタイプ別の現実線、(2) データ整備の優先順位と期間の幅、(3) モデル選定の3選択肢、(4) 3レーン権限設計、(5) 段階導入と撤退ライン、の5軸に分解する。予測精度の議論はこの5軸を決めた後の副次論点として扱う。

主要発見

1. 需要予測AIの失敗のほとんどは「精度不足」ではなく「効かない SKU にモデルを当てて消耗した」または「予測結果を発注権限に組み込めなかった」に分類できる
2. 「予測精度XX%向上」はモデル評価指標であり、利益インパクトとは別物。廃棄ロス削減／欠品機会損失低減／発注工数のどれで効くかを、SKU タイプ別に分解しないと稟議に書けない
3. 5SKUタイプ（定番／新商品／季節品／特売前後／天候依存）は AI 適用難易度が大きく異なる。最初に置くのは「季節品」と「天候依存品」が定石、定番は AI 不要、新商品と特売前後は段階を踏む
4. データ整備は「POS が揃っている」では不十分。天気は気象庁公開データで早期に取り込めるが、キャンペーン・競合価格は社内・社外データの継続収集運用が要る
5. PoC死を避ける鍵は「効かない SKU を最初に外す」と「予測と人の判断のズレを毎週レビューする会議体を Phase 1 から作る」の2点。撤退ラインは稟議の段階で書き込む

目次

1. 廃棄ロスと欠品の両側で粗利が削れる構造
2. 5SKUタイプとAI適用難易度 — 定番／新商品／季節品／特売前後／天候依存
3. 効くSKUと効かないSKUの5判定基準
4. データ整備の現実値 — POS・天気・キャンペーン・競合価格の優先順位
5. モデル選定3選択肢 — 自社開発／クラウドサービス／会計・在庫SaaS連動
6. 予測結果を発注権限に組み込む3レーン — AI主導／人上書き／二者合意
7. 失敗事例 — 精度信仰／人間判断完全排除／レビュー会議省略
8. 段階導入の設計 — カテゴリ1〜2絞り→主力→水平展開と撤退ライン
9. ROI試算 — 廃棄ロス／欠品機会損失／発注工数の3軸を金額に頼らず見せる
10. 稟議用1ページサマリー — 経営会議に持参する5項目構成
11. 次のアクション — 30分でできるSKU分類と発注権限の棚卸し

1. 廃棄ロスと欠品の両側で粗利が削れる構造

中小小売・卸の仕入の読み外しは、「在庫が増えた」「品切れた」の単純な現象に見えて、利益構造の根を削っている。廃棄ロスと欠品機会損失の両側を同時に抱える局面に多くの現場が入っている。

仕入オペレーションの現状を分解すると、本部仕入バイヤー2〜10名と店長10〜30名、店舗発注担当数十名で構成される構造になる。POS は導入済だが、外部変数の取り込みは未整備のことが多い。

定番品はこの構造でも経験で回せる。販売頻度が高く変動要因が小さいため、現場の担当者が頭の中で需要を予測できる。問題はそこではない。

新商品立ち上げ・季節品の山読み・特売前後の積み増し・天候依存品の補充判断で、読み外しが集中する。読み外しの典型がこの4局面に偏ることは、業態を問わずよく観察される。

農林水産省の食品ロス統計では、食品関連事業者の事業系食品ロスの規模が毎年公表されている。その内訳には小売段階での廃棄が含まれ、製造・流通・小売の各段階で削減余地があることが繰り返し示されている(出典:農林水産省「食品ロス及びリサイクルをめぐる情勢」各年版)。

欠品機会損失は廃棄ロスより見えにくい。販売機会を逃した分は POS の数字に残らず、客離れと組み合わさって長期的に効いてくる。この見えにくさが、欠品対策の遅れを生む。

ここで多くの現場が選びがちなのが「絞る」か「厚く持つ」の二者択一になる。だが構造的にはどちらも片側を悪化させる。絞れば欠品が増え、厚く持てば廃棄が増える。

二者択一を超える発想は、SKU タイプ別に運用を分けることになる。読み外しが集中する4局面を取り出し、そこに別の道具を入れる設計が要る。

「AI で予測精度を上げる」だけではこの構造は解けない。SKU 見極めと権限設計を同じテーブルに置かないと、ベンダー提案の精度数値が現場の利益と接続しない。

本WPは、この接続を5軸（SKU見極め／データ整備／モデル選定／権限設計／段階導入）で組み立て直す設計書として書いている。

2. 5SKUタイプとAI適用難易度 — 定番／新商品／季節品／特売前後／天候依存

「需要予測AIを導入する」議論は、SKUタイプを分けない限り進まない。需要予測AIは単一の技術ではなく、対象によって適用難易度と利益インパクトが大きく異なる。

中小小売・卸の現場で扱われる SKU は、大きく5タイプに分解できる。定番／新商品／季節品／特売前後／天候依存の5タイプで、それぞれ AI が効く条件と難所が異なる。

定番品は、販売頻度が高く変動要因が小さい。AI を入れる価値は薄く、既存運用で十分回る場合が多い。投資対効果の観点で最初に外す候補になる。

新商品は、販売実績ゼロからの立ち上げになる。類似品からの転移学習や、棚割・販促計画の情報が要となり、AI 適用難易度は5タイプの中で最も高い側に入る。

季節品は、年次サイクルが明確で前年実績が使える。天気データとの相関も強く、AI 適用に最も向く領域になる。中小小売・卸が最初に置く候補の筆頭である。

特売前後は、チラシ配布日・特売価格・店頭演出・競合価格の影響で需要が急変する。データ整備の難易度が高く、新商品と並ぶ難所になる。

天候依存品は、生鮮（葉物野菜・刺身）・冷菓・温麺・防寒衣料など、気象データとの相関が強い領域になる。気象庁の公開データを取り込めば短サイクルで効く、優先候補の2つ目である。

中小小売・卸の場合、最初に置く SKU タイプは右下の象限（季節品／天候依存品）から選ぶのが定石になる。前年実績と気象データという、整備しやすいデータで精度が出やすい組み合わせだからである。

左上（高難度×低インパクト）と右上（高難度×高インパクト）は Phase 1 候補にしない。データ準備と運用設計に時間がかかり、PoC 死を起こしやすい組み合わせになる。

業態別の補足として、食品スーパーでは「定番」が多くを占めるが「天候依存品」と「季節品」が両方厚い構成になる。専門小売では「季節品」と「新商品」が中心、卸では「定番」と「特売前後」が中心、というのが典型である。

ベンダー提案を受けた際、最初に確認するのは「自社の SKU がこの5タイプのどこに分布しているか」と「提案対象の SKU がどのタイプか」になる。タイプを分けない一括提案は、その時点で粒度が粗い。

3. 効くSKUと効かないSKUの5判定基準

自社の SKU が需要予測 AI で効くかどうかは、5つの基準でスコア化できる。ベンダー任せにせず、仕入バイヤー側で判定する作業を Phase 1 の前に置く。

5基準は、販売頻度／変動要因の数／データ量／意思決定リードタイム／利益インパクト、の5つで構成する。各基準を1〜5点で配点し、合計でフェーズ判定するテンプレを用意した。

各基準を1〜5点で配点する。合計17点以上を「Phase 1 候補」、12〜16点を「Phase 2 以降」、11点以下を「現時点では AI を当てない」とする運用が出発点になる。

このスコアシートは、本部仕入バイヤー部長と店舗運営本部長が30分の本部ミーティングで埋められる粒度に設計してある。経営会議への持ち帰り資料にもそのまま使える。

重要なのは、5基準のうち1つでも1点が混じれば、合計が高くても Phase 1 候補から外す判断を入れることになる。最弱点が PoC 死の引き金を引く。

特に変動要因の数の基準は要注意である。「天気・キャンペーン・競合価格・SNS・祝日」が同時に効く SKU は、ベンダーが見せる実験室精度と現場運用精度が大きく乖離する。

データ量の基準も見落とされやすい。販売実績24ヶ月以上は理想だが、新商品はそもそも実績が無い。新商品の予測は AI の適用先ではなく、類似品マスタからの推測と現場担当の判断の組み合わせで設計する領域になる。

このスコアシートをベンダー提案の評価軸として使うと、提案書の中身が「予測誤差の数字」ではなく「条件の現実性」で読めるようになる。仕入責任者が稟議の説明に使える言葉に置き換わる。

経験的には、中小小売・卸が最初にスコア化した SKU 群のうち、Phase 1 候補（17点以上）に残るのは全SKUの5〜15%程度の幅に収まる。これは少ないのではなく、最初に集中すべき領域が明確になっている状態である。

4. データ整備の現実値 — POS・天気・キャンペーン・競合価格の優先順位

需要予測AIの精度は、AIモデル本体ではなく前段のデータ整備で決まる。経験的には、現場運用精度の8割が前段のデータ整備で決まり、モデル選択で取り返せる部分は限定的になる。

中小小売・卸の現実では、POS は揃っているが天気・キャンペーン・競合価格・SNSの整備度がまちまちになる。優先順位と整備期間の幅を持っておくと、ベンダー提案を中立に評価できる。

POSデータは、多くの中小小売・卸で導入済になる。問題はデータ量ではなく、SKU マスタの整備度になることが多い。廃番済 SKU が残ったまま、表記ゆれが解消されないまま、統合前後の旧コードが混在したままという状態が、AI モデルの学習を阻害する。

天気データは、気象庁の公開データ（過去実績・予報）を API で取り込める。中小小売・卸が早期に組み込みやすい外部データの筆頭で、整備期間は短い側に入る(出典:気象庁「過去の気象データ・ダウンロード」)。

キャンペーン・販促データは、チラシ配布日・特売価格・店頭演出の有無を社内システムから抽出することになる。販管 SaaS 連携か手作業エクスポートで取得するが、過去履歴の整理が課題になりやすい。

競合価格データは、商圏内の競合店価格を継続収集する運用が要る。手動巡回／調査会社／公開価格データのいずれかの組み合わせで、コストが続く前提で設計する。

SNS反応・ローカルイベントデータは、話題化と需要の相関が強い領域だが、収集の自動化は中級〜上級になる。Phase 1 から組み込もうとすると整備期間が伸びる。

整備の優先順位は、POSマスタ整備 → 気象データ統合 → キャンペーン履歴整備 → 競合価格 → SNS、の順になる。前者ほど整備コストが低く、後者ほど継続運用負荷が高い。

「データが揃ってから AI 着手」ではなく「Phase 1 で必要な最小限のデータから着手」する設計が定石になる。完璧なデータ整備を待つと、AI 導入が永遠に始まらない。

第1層と第2層が揃った段階で、季節品と天候依存品の Phase 1 を始められる。第3層が揃うと特売前後 SKU の精度が上がり、第4層まで揃うと新商品立ち上げの予測に踏み込める。

ベンダー提案の中で「データは弊社が整備します」と書かれている部分は、特に注意して読む必要がある。SKU マスタとキャンペーン履歴の構造化は、ベンダー側だけでは進まない領域になる。

5. モデル選定3選択肢 — 自社開発／クラウドサービス／会計・在庫SaaS連動

需要予測のモデル実装は、自社開発／クラウド需要予測サービス／会計・在庫SaaS連動型、の3選択肢に分解できる。中小小売・卸の人数規模・データ量で適合する選択肢は限定的で、製品比較より「自社運用との適合」を先に見る方が早い。

選択肢1の自社開発は、データサイエンス人材が社内にいる前提になる。中小小売・卸の人数規模では、専任のデータ人材を抱える例は少なく、推奨されないケースが多い。

選択肢2のクラウド需要予測サービスは、流通向け SaaS、専門の需要予測 SaaS、ハイパースケーラーの予測 API のいずれかになる。SKU 数・データ量・連携要件で選ぶが、中小小売・卸では専門 SaaS か流通向け SaaS が中心になる。

選択肢3の会計・在庫SaaS連動型は、freee／弥生／勘定奉行などの会計、販売管理 SaaS、流通向け基幹システムが提供する予測機能または連携アドオンを使う方法になる。需要予測本体というより、予測結果を発注・経理に流す配管として位置づける(出典:各社2026年時点の公開仕様。導入時は最新の公式ヘルプを必ず参照)。

比較の軸は、導入期間／データ連携負荷／社内運用負荷／拡張性／ベンダーロックインの5つになる。製品ごとの機能比較ではなく、自社の SKU 規模・店舗数・連携要件との適合度で選ぶ視点が要る。

中小小売・卸の現実解は、選択肢2か選択肢3の組み合わせになる。Phase 1 を選択肢3で始め、効くカテゴリが見えた段階で選択肢2へ段階移行する設計が、撤退時の損失を最小化する。

選択肢3で始めるメリットは、既存 SaaS の延長で発注・経理との接続が短期間で組めることになる。freee／弥生の会計連動部分は、需要予測の結果を発注・支払いに流す配管として機能する。

ただし選択肢3には限界もある。SKU 規模が数万に達する場合や、複雑な販促データを扱う場合は、選択肢2の専門サービスに移行する設計が必要になる。Phase 1 の段階で移行条件を明示しておく。

特定ベンダー名の名指し比較は本WPでは避けるが、ベンダー選定時の評価軸として次の5つを揃えておくと中立に判断できる。①SKU 数と店舗数の上限、②データ連携の標準コネクタ、③予測ロジックの説明可能性、④撤退時のデータ持ち出し条件、⑤運用ヘルプの体制と頻度、の5つになる。

会計連動先の名前（freee／弥生／勘定奉行）を出す場合は、2026年時点の公開仕様のみを根拠にする。古い情報や未確認の機能を断定的に書くと、後段の運用で齟齬が出る。

6. 予測結果を発注権限に組み込む3レーン — AI主導／人上書き／二者合意

需要予測AIの最大の障害は、予測精度ではない。予測結果と現場発注担当の判断が食い違ったときに「どちらに従うか」が決まっていないことになる。

SKUタイプ別に AI主導／人上書き／二者合意の3レーンを設計し、稟議で権限を決め切るのが定石である。決め切らないまま運用に入ると、現場が AI 予測を無視し、AI 予測が形骸化する。

レーン1の AI主導は、予測結果をそのまま発注数として確定する設計になる。人は事後レビューのみで関与する。定番品の補充、季節品の前年同月比、天候依存品の短サイクル更新などに適用する。

レーン2の人上書きは、AI 予測を参考値として提示し、最終判断は仕入バイヤー／店長／発注担当が下す設計になる。新商品立ち上げ・特売前後・天候急変時など、現場情報が決定的なケースで使う。

レーン3の二者合意は、AI 予測と人判断の差が一定値（例：±20%）を超えた場合のみ、本部仕入と店舗で協議する設計になる。協議が長引かないよう判断期限（24〜48時間）を設けるのが運用上のコツになる。

3レーン設計を稟議で決める際の文書化項目は、①対象 SKU 範囲、②判断者、③上書き／合意のトリガー、④例外処理、⑤週次レビュー会議体、の5点になる。これを稟議書に書き込んで承認を取る。

現場発注担当の心理的抵抗は、3レーン設計の運用初期で必ず出てくる。「機械に従わされる」「自分の経験が否定される」という感覚が、データ提供の停滞や予測無視を生む。

この抵抗への対応として、「AI 予測を上書きする際は理由を1行記録する」運用を入れる。人の判断を否定する目的ではなく、人の経験を蓄積データに変える目的で設計する。

AI 予測と人判断のズレを毎週レビューする会議体を、Phase 1 から作る。本部仕入＋店舗代表＋情シス兼務担当の3者で構成し、30〜60分で回す設計が現実的になる。

この会議体は精度改善のための場であり、責任追及の場ではない。「予測が外れた理由」を構造化して次週のモデル調整に渡す導線を作る。会議体の不在が、需要予測 AI の最大の劣化要因になる。

労使協議や店舗運営協議の素材として、3レーン設計はそのまま使える粒度にしてある。発注担当の役割は「機械に従う」ではなく「AI の確信度が低い案件と最終判断に集中する」と再定義できる。

7. 失敗事例 — 精度信仰／人間判断完全排除／レビュー会議省略

需要予測AIの失敗は、技術精度の問題ではない。運用設計の問題として現れる。中小小売・卸で観察される3つの典型失敗パターンを事前に押さえておくと、PoC 死を避けられる。

パターン1は、精度信仰になる。「予測誤差MAPE 10%以下でないと本番投入しない」とベンダーに要求し、現実環境で達成できず PoC が永遠に終わらない症状である。

精度数値は実験環境では出るが、現場運用では天気・販促・競合価格の変動で目減りする。MAPE 5%が現場で 15〜25%に落ちるのは、技術問題ではなく外部変数の影響として業界で報告されている。

パターン2は、人間判断完全排除になる。「AI が全部やる」と発注担当を介さず本番投入し、新商品・天候急変・地域イベントで読み外しが続き、現場が「あのAIはダメ」と切り捨てる流れになる。

パターン3は、レビュー会議省略になる。AI 予測と発注実績のズレを毎週レビューする会議体を作らず、誤りが発見されないまま3〜6ヶ月経過する症状である。データ改善ループが回らずモデル精度が劣化する。

3パターンの共通点は、「技術指標を経営指標と取り違える」「人を運用から外す」「改善ループを設計しない」の3つになる。技術ではなく運用の問題として現れるのが、需要予測 AI の特徴である。

回避策は章2〜章6で述べた5軸の組み合わせになる。SKU 見極めで対象を絞り、データ整備で前段の8割を確保し、モデル選定で自社運用に合うものを選び、3レーン権限で人の判断を組み込み、段階導入で撤退ラインを引く。

ベンダー提案の中で「精度XX%」を強く前面に出してくる場合、提案書の他の部分（運用設計・撤退条件・人の役割）の記述量を確認する。精度の話だけで他が薄い提案書は、運用に入ってから歪みが出る。

経験的には、稟議を通す側の言葉は「精度を上げる」ではなく「廃棄ロスを月間XX kg減らす／欠品件数を月間XX件減らす／発注工数を週間XX時間減らす」になる。経営層が同じ言葉で評価できる粒度に翻訳する作業が、運用設計の最初の仕事になる。

8. 段階導入の設計 — カテゴリ1〜2絞り→主力→水平展開と撤退ライン

需要予測AIの PoC 死を避ける鍵は、「効かない SKU を最初に外す」「カテゴリを1〜2に絞って Phase 1 を回す」「Phase 1 から本番発注に組み込む」「撤退ラインを稟議に書き込む」の4点になる。

Phase 1 は短期の集中フェーズで、1〜2カテゴリに限定する。章3の5判定基準で選んだ「効く SKU」が集中するカテゴリ、多くの場合は季節品か天候依存品の主力1〜2カテゴリを選ぶ。

Phase 2 は中期のフェーズで、Phase 1 で確信が取れたカテゴリの隣接領域に展開する。3レーン権限設計の本格適用と、データ整備の第3層（キャンペーン履歴）の組み込みを並行する。

Phase 3 は長期のフェーズで、他カテゴリ・他店舗への水平展開を進める。データ統合とノウハウのナレッジ化を組織レベルで進める段階になる。

各 Phase で「やる／やらない」「撤退ライン」「次フェーズ移行条件」を明示する。これを稟議書に書き込み、経営会議で合意を取った状態で運用に入る。

撤退ラインの設計例は次の3つになる。①Phase 1 で対象 SKU の廃棄ロス・欠品機会損失の合計が3ヶ月連続で改善しない、②現場発注担当からの「上書き理由」が一定割合（例：30%超）を超え続ける、③データ整備のコストが見立ての2倍を超える、のいずれかでフェーズを停止する。

「短期で全カテゴリ導入」と書かない。需要予測 AI は段階導入で確信を積み上げる性質の取り組みで、一気の全社展開は撤退コストを巨大化させる。

社内オーナーの確定も Phase 1 の前に置く。仕入部門だけで進めると店舗運営・経営企画との連携が切れる。オーナーは仕入責任者（B面）と店舗運営本部長（A面）の2名体制が現実的である。

ベンダー側のプロジェクトマネジメントだけに頼らず、社内側に Phase 別の意思決定者を置く。Phase 1 終了時の継続／撤退の判断を、誰が・いつ・何を見て下すかを稟議の段階で書き込む。

経験的には、Phase 1 を3〜6ヶ月、Phase 2 を6〜12ヶ月、Phase 3 を12ヶ月以上の幅で見るのが、現場の運用負荷と経営側の意思決定サイクルに合いやすい。固定の月数を約束する設計は推奨しない。

9. ROI試算 — 廃棄ロス／欠品機会損失／発注工数の3軸を金額に頼らず見せる

需要予測AIの ROI 試算は、「予測誤差MAPE改善」のような技術指標では稟議が通らない。経営層が同じ言葉で評価できる指標に翻訳する作業が要る。

3軸での見せ方が現実的になる。廃棄ロス削減（廃棄量×SKU数×日数）／欠品機会損失低減（欠品発生件数×見込み販売数）／発注工数削減（発注作業時間×SKU数×担当者数）、の3軸である。

金額換算は本文では出さない。読者側が社内レートで計算する前提のテンプレに留める設計が、稟議の現場で使いやすい。各社の粗利率・人件費レートは社内資料に依存するため、本WPでは指標のみを提示する。

非金額指標で見せる例は次の通りになる。廃棄量（kg／月）、廃棄SKU数、欠品発生件数（件／月）、発注作業時間（時間／週）、棚割変更頻度、新商品成功率（投入後3ヶ月で定番化したSKUの割合）の6つが主要指標になる。

農林水産省の食品ロス統計では、食品小売業の事業系食品ロスの規模が業態別に報告されている。中小小売の現場では、廃棄量を月次で kg 単位まで分解して可視化する作業が、ROI 試算の出発点になる(出典:農林水産省「食品ロス及びリサイクルをめぐる情勢」各年版)。

技術指標の MAPE は、ROI 議論の中では補助指標として置く。「MAPE が10pt 改善した結果、廃棄量が月間XX kg減った」という接続を、Phase 1 の3ヶ月で実測する設計にする。

同規模事例の引用は、自社の伴走事例または業界公開事例から定性的に行う。出典が明確な数値以外は「事例で報告されている」と幅で表現し、出典のない倍率や割合は載せない。

予測精度の話に陥らない見せ方として、利益インパクトと現場負荷を先に置く順序が効く。経営会議の議論は「精度を10pt 上げるか」ではなく「廃棄を月間XX kg減らすか」に集約できる。

新商品成功率の指標は、特に経営層への訴求力が強い。投入後3ヶ月で定番化した SKU の割合を Phase 1 前後で比較すると、AI 導入の効果が新商品開発の戦略レベルで説明できる。

ROI 試算シートは Excel ベースで構わない。3軸の指標を月次で記録し、Phase 1 開始前後の3ヶ月で比較する設計が、最小コストで稟議資料を作る方法になる。

10. 稟議用1ページサマリー — 経営会議に持参する5項目構成

経営会議で需要予測AI導入の稟議を通すための1ページ構成を、仕入責任者・店舗運営本部長が当日そのまま使える形で提示する。

5項目構成は、①課題と緊急性、②打ち手、③ROI（非金額）、④同規模事例、⑤次のアクション、の5つになる。各項目を A4 縦1ページに収める粒度で書く。

この5項目は、経営会議の議論を「精度」ではなく「利益インパクトと運用設計」に向けるための構造になる。1項目あたり A4 縦の5分の1〜4分の1のスペースで収まる粒度を意識する。

金額は書かない設計にしてある。自社サービスの価格を稟議書に書く必要はなく、ROI も社内レートでの計算は経営層側に委ねる方が、議論の主導権を仕入責任者が握れる。

同規模事例の④欄は、自社伴走事例または業界公開事例を定性で書く。特定ベンダー名や特定企業名の引用は、相手の承諾と公開条件を確認した上で行う。事例が無い場合は「業界の公開報告書では」と幅で表現する。

次のアクション⑤の最後に、業務診断パッケージ（B01・1ヶ月）を置く。本WPの「SKU分類」「5判定基準スコア化」「3レーン権限設計」のコア提供価値の延長線上に直結する形で、Phase 1 前の全工程棚卸しを担う位置づけになる。

稟議サマリーの作成自体は、章11の30分自己診断で骨子を作れる設計にしてある。Phase 1 開始前の準備段階で、この1ページの完成度が稟議通過率を分ける。

11. 次のアクション — 30分でできるSKU分類と発注権限の棚卸し

WP読了直後にできる30分の自己診断と、その後の伴走の3階層を提示する。Phase 1 開始前に社内で完結できる作業を最初に置く設計になる。

30分の自己診断テンプレは、3つの作業で構成する。①5SKUタイプ別の SKU 数と利益インパクト棚卸し、②5判定基準でのスコア化（主要カテゴリ3〜5に絞る）、③3レーン権限設計のチェックリスト、の3つになる。

3階層のCTAは、情報継続・疑似体験・直接対話の順で設計する。読了直後の温度感に応じて、自社で取れる次の一歩を選ぶ構造になる。

階層1の情報継続は、需要予測AI 5判定基準スコアシートと3レーン権限設計テンプレートの2点セットでDLできるようにする。社内回覧用のフォーマットとして使える粒度で作ってある。

階層2の疑似体験は、30分のSKU分類と発注権限棚卸しセッションをオンラインで実施する。仕入バイヤー1名と FULLFACT で、自社の5SKUタイプ別 SKU 数・利益インパクトの棚卸し、5判定基準スコア化、Phase 1 候補カテゴリの仮選定までを30分で完了する。

階層3の直接対話は、業務診断パッケージ（B01・1ヶ月）が入口になる。仕入オペレーションを含む全工程の棚卸しと、AI 適用領域の優先度可視化を1ヶ月で完了する設計で、本WPの提供価値の延長線上にある。

サブCTAとして、データ基盤・BI構築（B07・1〜2ヶ月）が後段で接続する。POS・気象・キャンペーン・競合価格の統合データ基盤の整備が必要な場合に、B01 の診断結果を受けて B07 へ進む流れになる。

補助CTAは、バックオフィス自動化基盤（B05・2〜3ヶ月）になる。需要予測の結果を発注・経理（freee／弥生連動）の自動化に流す配管として、Phase 2 以降で接続する位置づけである。

後段の継続フェーズとして、全社統合運用パッケージ（R16・継続）が選択肢になる。B01→B07→B05 で構築した基盤を、継続運用として組織に定着させる役割を担う。

---

次のステップ：30分のSKU分類と発注権限の棚卸しから、業務診断パッケージ（B01・1ヶ月）で仕入オペレーション全工程の棚卸しに進む。Phase 1 の対象カテゴリ仮選定と、3レーン権限設計の社内合意までを1ヶ月で持ち帰る設計です。