このデモの会社名・人名・数値はすべて架空です説明へ戻る
RETAIL DESK 小売・EC × AI デモ(サンプルデータ)
ミドリノ生活(仮名) 4店舗+自社EC / 年商 12億円 / 会員 4.8万名

SKU 1,240 × 5つの売り場の販売実績104週から、需要を予測して発注量を決める

前年の販売数をそのまま発注の根拠にすると、欠品していた週の分だけ需要を少なく見積もります。季節・販促・気温の影響を分けて需要を予測し、欠品と売れ残りの損失の合計が最も小さくなる発注量をSKUごとに出します。(画面はサンプルデータによるイメージです)

株式会社ミドリノ生活(仮名)生活雑貨・アパレル

売り場
実店舗4店(吉祥寺・二子玉川・大宮・柏)+自社EC
商品
SKU 1,240(PB=自社企画品を含む)
今回の対象
9/28〜12/20の12週(秋冬の立ち上がり〜年末)
CSV販売実績_週次_2年分.csv
CSV在庫_週末残.csv
XLS販促カレンダー.xlsx
CSV気温_週平均.csv
XLS秋冬_発注計画_現行.xlsx
  • 販売実績を読み込む(SKU×売り場×週)
  • 週末の在庫が0だった週(欠品週)を見つけ、学習から外す
  • 季節・販促・気温・前年からの伸びに分解して学習
  • 12週の需要と、予測の幅を計算
  • 欠品と売れ残りの損失が最小になる発注量を計算
  • 現在の発注計画(前年同期×110%)と比べる

販売実績(元データの一部)

黄色の行は、週末の在庫が0だった週です。売れた数は「売れるはずだった数(需要)」より少なく記録されています。

この処理の中身(AIへの頼み方の一部)…「売れた数」と「需要」を分けるのが最初の一歩
【販売実績(SKU×売り場×週、104週)】【週末の在庫】【販促カレンダー】【気温】【現在の発注計画】を渡します。

1. 週末の在庫が0だった週は「売れた数 < 需要」なので、需要の学習から外す
2. SKUごとに、販売数(対数)を次の要素で説明するモデルを作る
   季節(年の周期)/前年からの伸び/販促の有無/気温の平年差
3. 9/28〜12/20の12週の需要を、予測の幅(80%)つきで出す。気温は平年並みを基本とし、±2℃の場合も出す
4. 発注量は「欠品の損失」と「売れ残りの損失」の合計が最小になる数量にする
   欠品の損失 = 足りなかった数 × 1個あたりの粗利
   売れ残りの損失 = 残った数 × 原価 × 損失率(値下げ・廃棄。カテゴリごとに設定)
   仕入の総額に上限がある場合は、その範囲で損失の合計が最小になるように配分する
5. 現在の計画(前年同期×110%)との差と、差が出た理由(前年の欠品・販促・気温)をSKUごとに書く
6. 発注単位(ケース・ロット)に切り上げる。PBは生産のリードタイムから発注期限を出す

【守ること】発注済みのPB商品を減らす案は「仕入先と協議」として出し、一方的な取消しの案にしない

会員48,000名の購買データから、離れかけている会員と「次に買うもの」を見つける

「90日買っていない会員」のような一律の基準ではなく、その人の普段の購入間隔と比べて離反の兆しを見つけます。過去の配信結果から案内が本当に効く会員を見極め、一緒に買われる商品からおすすめを作ります。

読み込むデータ店舗+EC

会員
48,000名(配信の同意・停止の設定を含む)
購買
会員IDつきのレシート(店舗+EC、2年分)
過去の配信
2026年6月のクーポン配信(1割は比較のため配信せず)
CSV購買明細_2年分.csv
CSV会員_配信設定.csv
CSV配信結果_202606.csv
  • 店舗とECの購買を、会員IDでまとめる
  • 会員ごとに「普段の購入間隔」を計算
  • RFMで分類し、間隔が伸びている会員を見つける
  • 過去の配信で、クーポンの本当の効果を測る
  • 一緒に買われる組み合わせを総当たりで計算
  • 会員ごとのおすすめと、案内文を作る

購買明細(元データの一部)会員IDは仮名化済み

氏名・住所・電話番号は分析に使いません。会員IDと購買の記録だけで処理します。

この処理の中身(AIへの頼み方の一部)…「効いたように見える」と「効いた」を分けて測る
【購買明細(会員IDつき)】【配信の同意・停止の設定】【過去の配信結果(配信した会員/比較のため配信しなかった会員)】を渡します。

1. 会員ごとに、購入の間隔の中央値(普段の間隔)を出す。2年で購入4回未満の会員は判定しない
2. 最後の購入からの日数が、普段の間隔の2倍以上の会員を「離反の兆し」とする(1年以上は休眠)
3. 一律の「90日購入なし」で選んだ場合と比べ、誤って選ぶ会員と見逃す会員の人数・金額を出す
4. 過去の配信の効果は「配信した会員の購入率 − 配信しなかった会員の購入率」(上積み)で測る。
   差の95%の幅も出し、幅が0をまたぐ場合は「効果があるとは言えない」とする
5. 併買は、支持度・確信度・リフト値を出す。件数30件未満、セット販売の企画、
   ラッピング資材、同じ商品の色違いは除外する
6. 会員ごとに ①消耗品の買い替え時期 ②併買のルール の順でおすすめを選び、案内文を書く。
   在庫が足りなくなる見込みの商品(需要予測の結果)はおすすめから外す

【守ること】配信の同意がない会員には送らない。送信者の名称・連絡先・配信停止の方法を必ず入れる。
健康状態や家族の状況を推測させる商品はおすすめにしない。年齢・性別でおすすめを決めない

過去の値下げ1,860件から、在庫過多の商品を「いつ・何%」下げるかを決め、価格表示の違反を防ぐ

値下げの効果は、セールで客数が増えた分と混ざって大きく見えがちです。同じ週の値下げしていない商品と比べて補正したうえで、粗利が最大になる値下げ率と開始時期を計算し、「通常価格◯円」と並べて表示してよいかも同時に確かめます。

読み込むデータ

値下げ履歴
過去2年の値下げ1,860件(値下げ前後の販売数)
価格履歴
SKUごと・週ごとの販売価格
在庫
9/27時点の在庫と、手順1の需要予測
CSV値下げ履歴_2年分.csv
CSV価格履歴_週次.csv
CSV在庫_0927.csv
  • 値下げ前後の販売数を集計
  • 同じ週の、値下げしていない類似商品と比べて補正
  • カテゴリ別に、価格弾力性を推定
  • 売り場の入れ替えまでに売り切れないSKUを抽出
  • 値下げ率×開始時期の全パターンで粗利を計算
  • 直近8週の価格履歴で、二重価格表示のルールを確認

値下げ率と、販売数の伸び過去の値下げ1件=1点

「過去の値下げから学習する」を押すと
過去の値下げの結果がここに出ます
この処理の中身(AIへの頼み方の一部)…値下げの効果から「セールの客数増」を引く
【値下げ履歴(値下げ前後4週の販売数)】【同じ週の類似商品の販売数】【価格履歴】【在庫と需要予測】を渡します。

1. 値下げ1件ごとに「値下げ後 ÷ 値下げ前」の販売数の伸びを出し、
   同じ週・同じカテゴリで値下げしていない商品の伸びで割って、セールの客数増などの影響を除く
2. カテゴリごとに、伸び =(1 − 値下げ率)^(−弾力性)の弾力性を最小二乗法で推定する(補正前と補正後の両方)
3. 売り場の入れ替え日までに、定価のままでは売り切れないSKUを抽出する
4. 値下げ率0〜60%(5%刻み)× 開始時期(今週〜4週後)の全パターンで、
   粗利 = 売上 + 処分収入 − 在庫の原価 を計算し、最大のものを選ぶ
5. 選んだ計画について、「通常価格◯円」との比較表示ができるかを確認する
   ・値下げ開始の前8週(販売期間が8週未満ならその期間)のうち、その価格で売った期間が過半か
   ・その価格で売った期間が通算2週間以上か
   ・その価格で最後に売った日から2週間以上たっていないか
   満たさない場合は「開始を遅らせる」か「比較表示をしない」の案と、粗利の差を出す

レビュー12,000件と返品の理由を突き合わせ、返品を増やしている商品ページを直す

レビューでいちばん多い不満が、返品の原因とは限りません。SKUごとに不満の中身と返品率を突き合わせて返品を増やしている原因を特定し、商品ページの直し方と返品コストの削減額を出します。

読み込むデータ自社EC

レビュー
12,000件(直近2年、星と本文)
返品
直近12ヶ月の返品(理由の選択肢+自由記述)
ページの記録
過去にページを直した14件と、その前後の返品率
CSVレビュー_2年分.csv
CSV返品_理由つき.csv
CSV注文_12ヶ月.csv
XLSページ修正の記録.xlsx
  • レビューを不満の種類に分類
  • 返品の理由(自由記述)を、同じ分類に整理
  • SKUごとの返品率を計算(注文100件未満は除外)
  • 不満の種類ごとに、返品率との関係を計算
  • 過去のページ修正の効果を測る
  • 商品ページの修正案と、表示のルールを確認

レビュー(元データの一部)未分類

この処理の中身(AIへの頼み方の一部)…「多い不満」ではなく「返品につながる不満」を探す
【レビュー(星・本文)】【返品(理由の選択肢・自由記述)】【注文】【過去のページ修正の記録】を渡します。

1. レビューの本文を「サイズ感/色味/素材/配送/その他」に分類する(1件に複数可)
2. 返品の自由記述も同じ分類に整理する。選択肢が「イメージと違う」でも、本文が色の話なら色味に入れる
3. SKUごとに返品率を出す。注文100件未満のSKUは、率がぶれるので順位づけから外す
4. 不満の種類ごとに、SKUの「不満の割合」と「返品率」の相関を出し、返品につながる不満を特定する
5. 過去のページ修正について、修正前後の返品率の変化から、同じ期間の直していない類似SKUの変化を差し引いて効果を出す
6. 返品率の高いSKUのページの修正案を書く。返品1件のコスト(往復の送料・検品・再販できない分)で削減額を出す

【守ること】根拠のない「チクチクしない」「縮まない」などの表現は書かない。素材の説明は品質表示と一致させる。
低評価のレビューを隠す提案はしない
このデモについて

このAIを作る技術は、学べます。業務の効率化は、プロに任せられます。

このデモの分析は、特別なシステムではなく、生成AIと、御社がすでに持っているデータ(POSとECの販売実績・在庫、会員の購買履歴、値下げと価格の履歴、レビューと返品の記録)で作れます。社員の方が作り方を学び、仕組みづくりと定着はプロが伴走します。

学ぶ

AI研修で、社員の方が「作れる」ようになる

3ヶ月/対面・双方向/御社の実際の業務を題材に作ります
  • 販売データの集計と、欠品・売れ残りの原因の見つけ方
  • 会員向けの案内文・商品ページの説明文の作成
  • レビューと返品理由の分類と、改善点の洗い出し
+
任せる

伴走サポートで、業務の効率化までプロに任せる

研修後9ヶ月/チャットでの相談と月2回のミーティング
  • SKUごとの需要予測と発注量の計算の仕組み化
  • 離反の兆しの検知と、会員ごとのおすすめの配信
  • 値下げの計画と、価格表示のルールのチェック
  • 会員の個人情報の扱いなど社内ルールの整備
このデモを、御社のデータで。
このデモについて相談する→
研修部分は、要件を満たすと人材開発支援助成金の対象になり、中小企業は経費の最大75%が助成されます。
※助成金には要件と事前の手続きがあります。伴走サポートは助成の対象外です。

個人情報や機密情報をAIに渡す範囲など、安全に使うための社内ルールづくりも、研修の第2回(情報セキュリティ)で行います。