在庫は利益の源泉と言われる一方で、在庫関連コストは在庫価値の 20〜30 ％前後を占めるのが一般的 とされます。

一般的に、小売業の純利益率は 3〜5 ％前後が平均的な水準とされます。

ただし食料品小売は 1〜2 ％と極めて薄利で、業態によって大きく変動する点に留意が必要です。

そのため売場では欠品を恐れて多めに発注しがちですが、回転しない商品は値下げ・廃棄でさらに利益をむしばみます。

在庫の「ダブつき」と「欠品」は、まるでシーソーの両端に座る鬼門。

しかし、時系列需要予測と棚割り（売場レイアウト）を連動させれば、このシーソーをバランス良く制御できます。

今回は、小売・EC で働く在庫責任者や MD、そして「データで発注を改善せよ」と背中を押されているビジネスパーソン向けに、最小限のツールで始める 3 ステップを紹介します。

ステップ 1 ：データを集め“可視化”する

棚割りを科学するには、まず「売れ方の癖」を数字で捉えることが欠かせません。

ただし最初から何万行ものマスタを整備する必要はありません。

ここでは 「最小限の列を揃え、Excel だけで迅速に可視化する」 ことにフォーカスします。

　最小データセットの例

例えば、以下の 6 列を押さえれば、需要予測と棚割り改善の第一歩を踏み出せます。

列名は自由に変更して構いませんが、役割がブレないようにしてください。

列名	サンプル値	必須	用途	備考
date	2024‑04‑01	●	時系列キー	日次推奨、週次でも可
sku	4901234567890	●	SKU キー	JAN/UPC/独自コードいずれも可
quantity	18	●	需要量	販売数量・受注数など
price	298	－	異常検知	値引き or 通常価格か判別に使う
promo_flag	1	－	外れ値処理	特売週＝1、通常週＝0
store_id / channel	EC	－	切り口分析	店舗別・チャネル別の比較用

まずは、 quantity さえあれば十分です。列を増やすのは運用が回ってからでも構いません。

以下は、実際のデータ例です。

date	sku	quantity	price	promo_flag	channel
2024‑04‑01	4901234567890	18	298	0	店舗A
2024‑04‑02	4901234567890	22	298	0	店舗A
2024‑04‑03	4901234567890	15	238	1	店舗A
2024‑04‑04	4901234567890	19	298	0	店舗A
2024‑04‑05	4901234567890	21	298	0	店舗A

実際には SKU × 日付 × 店舗 が数千〜数万行になりますが、まずはこのサイズ感でイメージしておくと後工程のピボットもスムーズに進みます。

　データを 1 か所に「着地」させる

「データが散らばっている」状態では、いくら良いモデルでも威力を発揮しません。

まずは販売実績を 1 枚の『原本シート』 に集約しましょう。要は、大きなテーブルデータを1つ作るイメージです。

これが以後の分析フローを支える母艦になります。

要件・操作ポイント	詳細
データ統合	POS レジ／WMS／EC 管理画面 など複数ソースを “SKU × 日付” で VLOOKUP／XLOOKUP し、一枚のテーブルデータに統合
必要期間	直近 104 週（2 年） 以上（可能なら 3～4 年）。季節性を 2 周期分 持たせることで Prophet などの時系列モデルが安定
自動更新	Excel の Power Query で抽出クエリを保存し、ボタン 1 つでリフレッシュできる仕組みを構築（初回は手動コピペでも可）

行数と列幅が増えるとファイルが重くなるため、不要な列はこの時点で削っておくと良いでしょう。

こうして「母艦」（大きな1枚のテーブルデータ）を整えれば、「似て非なるファイルが増殖する」という典型的なトラブルを防ぎ、次のクレンジング工程へスムーズに進めます。

　データクレンジング

元シートができたら、すぐにモデルに流し込むのではなく、「素性を整える」 ステップを挟みます。

セル 1 つの異常が需要予測を大きく狂わせることがあるためです。

以下の 3 点を「60 秒チェックリスト」として回すと、粗取りでも大きな事故を防げます。

チェック項目	内容
欠損	間引かれた日付を 0 で補完、または削除前に理由を確認
重複	同じ date + sku + store_id 行が重複していたら、数量を合算
異常値	分位数が平均の ±3σ を超えた行には promo_flag = 1 を付けて、販促フラグとして扱う

例えばprice が通常価格の 80% 未満（異常値）なら「値引き週」かもしれないと確認し、本当にそうならpromo_flag として扱うと予測精度が向上します。

最後に「フィルター で 異常値だけ表示」を試し、想定外の行がないか目視でざっと確認しておけば、「予測が飲める水質」 になります。

　ピボットテーブルでトレンド＆季節性を「見る」

データが整ったら、まずは複雑な BI ツールを使わず Excel ネイティブ機能 で「データの地図」を描きましょう。

数分で「感覚」を「仮説」に昇格させることができます。

作り方は以下のとおりです。

手順	操作内容
1	データ範囲を選択し、挿入 › ピボットテーブル をクリック
2	行：date（「週番号」にグループ化すると 52 週の縦軸になり便利）
3	列：sku または category。最初はカテゴリの方が視認しやすい
4	値：quantity の合計
5	分析 › ピボットチャート で「積み上げ折れ線」を選択

集計した結果（ピボットテーブル）や出来上がった折れ線グラフを眺めながら、次の 3 点をメモしておくと後のモデリングがぐっと楽になります。

分析ポイント	説明
トレンド	ジワジワ右肩上がり（新商品）／下がり（死に筋）
季節性	気温やイベント依存の周期（梅雨の即席麺、クリスマスの菓子など）
プロモ効果	高さが突出した週は promo_flag が機能しているか点検

こうして数値の裏付けが取れた仮説は、次のモデリング工程で検証する価値のある材料になります。

以下、ピボットテーブル集計例（カテゴリ別・週次）です。

Week	即席麺	菓子	飲料	合計
2024‑W14	1,205	2,980	3,412	7,597
2024‑W15	1,342	3,105	3,501	7,948
2024‑W16	1,298	3,254	3,640	8,192
2024‑W17	1,455	3,480	3,802	8,737
2024‑W18	1,602	4,012	3,955	9,569

折れ線グラフを重ねると、即席麺は梅雨前から売上が伸び始め、菓子は週によるブレが小さい、といった違いが視覚的にわかります。

　可視化 KPI：在庫回転日数と廃棄ロス

データの健康診断を終えたら、「改善インパクトを測るものさし」 も同じシート上に作っておきましょう。

部門長などに稟議を通すとき、金額換算された指標があるだけで説得力が桁違いです。

• 在庫回転日数＝ 期末在庫 ÷ 直近 30 日販売量 × 30
• 廃棄ロス率＝ 廃棄数量 ÷ 販売数量

ここまで整えば、いよいよ予測モデルにバトンを渡す準備が完了です。

ステップ 2：需要を予測する

予測精度は 小さく作って早く測る ことでしか磨けません。

ここでは「まず Excel で作れる簡易モデル → 次にトレンド吸収 → 最後に季節性まで考慮」と、段階的にステップアップする道筋を紹介します。

難解な数式やプログラミングがなくても、考え方の骨格さえ押さえれば十分に PoC が走ります。

　レベル ★☆☆ ：移動平均でベンチマークを作る

最初の一歩は、移動平均 (Moving Average) です。

過去 4 週や 12 週の平均を未来にスライドさせるだけですが、これだけでも「どこまでずれるか」を測る基準になります。

項目	説明
ポイント	外れ値を平均が吸収してくれるので、在庫過多の「ざっくり傾向」が掴める。
活用シーン	シーズン商品や新規 SKU の初動チェック。

文章で説明すれば、「過去 4 週で平均 120 個売れていたなら、来週も 120 個程度は動くはず」というイメージです。

まずは 「体温計」 代わりに使い、誤差が大きい SKU をあぶり出しましょう。

　レベル ★★☆ ：単回帰でトレンドを吸収する

売れ行きに明確な「右肩上がり・下がり」が見える場合は、単回帰モデル が活躍します。

日付を 1,2,3… と連番に置き換え、直線を当て込むだけで「毎週 3 個ずつ増えている」のような傾きを数字で示せます。

項目	説明
ポイント	トレンドが強い SKU では移動平均より誤差が縮まる。
注意点	季節の山谷までは表現できないため、年に一度の特需商品などには不向き。

このモデルで MAPE（誤差率）が 20% 前後まで下がれば、「トレンドを捉える視力」が付いてきた証拠です。

　レベル ★★★ ：二重季節性モデルで「年×週」のリズムを捉える

移動平均と単回帰の「合わせ技」でも追い切れないのが、週単位の波と年単位の波が重なるケース。

ここで頼りになるのが、二重季節性を扱えるモデル（代表例として Prophet など）です。

項目	内容
できること	・年間イベント（クリスマス、夏休み）と週次リズム（月曜は低調、週末は高い）を同時に学習 ・祝日や大型連休の“反動減”も織り込める
導入コスト	・Python やクラウドノートブック（Google Colab など）の環境が必要 ・インストールから試走まで 30 分もあれば十分

導入の際は、まず 1 〜 2 SKU をピックアップし、「移動平均 → 単回帰 → 二重季節性」 の 3 つで誤差を並べてみてください。

手間に見合う精度差が出たら本格導入のサインです。

　精度を測る 3 ステップ

手法にかかわらず、最後は次の手順で「未来を当てる力」を検定します。

手順	内容
1	直近 2 カ月を隠す：モデルは過去データだけで学習
2	隠した期間を予測：実績と突き合わせ、MAPE／WAPE を算出
3	採用基準を決める：例えば MAPE 20% 未満なら OK。それ以上はモデルを入れ替え

以上をワンセットで回すことで、モデルの良し悪しを「肌感」ではなく数字で語れるようになります。

SKU	移動平均	単回帰	二重季節性	採用モデル
SKU‑A	28%	19%	12%	二重季節性
SKU‑B	23%	18%	19%	単回帰
SKU‑C	18%	21%	20%	移動平均

数字が最小でも、運用コスト（ツールの習熟度・更新頻度）を加味してモデルを決めると、棚割りへの落とし込みがスムーズです。

こうして「数字として妥当な未来需要」が手に入ったら、いよいよ棚割りと発注量を同時に最適化するステップ 3 へ進みましょう。

ステップ 3 ：棚割り・発注量に反映する

ステップ 1 と 2 で「過去の癖」と「未来の数字」がそろったら、最後は 棚（売場スペース）と発注サイクル を動かして初めて利益になります。

ここでは 安全在庫をどう決めるか → 棚割り図面をどう変えるか → 発注ロジックをどう回すか の 3 段階で進めます。

　安全在庫 (Safety Stock) を「数字」で定義する

欠品許容度が同じでも、需要が安定している商品と変動が大きい商品では持つべき在庫量が変わります。

まずは SKU ごとに、予測値に 安全在庫を上乗せ して「ストックすべき日数」を決めましょう。

要素	説明
サービスレベル係数	欠品を 5% 以内に抑えたい場合に使う正規分布の Z 値（1.65）
需要変動率	前章で算出した「実績 − 予測」の誤差（残差）の標準偏差
リードタイム	発注から納品までの日数（例：週次発注なら 1 週を指定）

例えば、「週次発注で 80 個売れる SKU‑A、需要変動率 15%、Z 値 1.65」の場合、安全在庫は約 16 個。予測販売量 80 + 安全在庫 16 で 96 個が「欠品しにくい適正在庫」になります。

　ABC/XYZ 分析で在庫日数をメリハリ配分

安全在庫を計算したら、SKU を 売上規模 (ABC) と 需要安定度 (XYZ) で 3×3 のボックスに仕分けます。

この 2 軸は似て非なる切り口ですので、まずは概念を押さえておきましょう。

分析手法	説明
ABC（売上規模）分析	月間または年間の売上金額・出荷数量を累積比率で並べ、上位 20% を A、次の 30% を B、残り 50% を C と区分する手法。売上への寄与度が明確になり、「死に筋を棚から外す」議論を容易にする。
XYZ（需要安定度）分析	各 SKU の 変動係数（標準偏差 ÷ 平均） を算出し、±10% 以内を X、±20% 以内を Y、それ以上を Z に分類する手法。数字が小さいほど需要が読みやすく、安全在庫を抑えやすいのが特徴。

イメージとしては、A は「貢献度」、X は「読みやすさ」です。

「儲かって読める（A‑X）」は主力棚へ寄せ、「儲からず読みにくい（C‑Z）」は SKU そのものを削減すると棚効率が跳ね上がります。

意図はシンプルで……

• A‑X（よく売れて安定） → 在庫を絞っても欠品が怖くない。
• C‑Z（あまり売れず変動大） → 売れ残るリスクが高いので余裕を持った安全在庫を置く。

類型	売上規模	需要安定度	推奨在庫日数	棚割りの考え方
A‑X	上位 20%	±10%	7 日	フェース拡大・エンド陳列候補
B‑Y	中位	±20%	14 日	標準棚・在庫は週 1 補充
C‑Z	下位 50%	±30% 以上	21 日	棚上段／端に集約し SKU 削減検討

「売れ筋は薄く広く、死に筋は厚く狭く」 が原則です。

安全在庫日数を押し並べず、商品特性に応じて段差を付けるほど棚の回転率が上がります。

　棚割り図面を更新する 3 ステップ

棚替えを「やるだけ」で終わらせず、現場が迷わず動けるレイアウト図面にまで落とし込む…… これが売場改善を定着させる最後のハードルです。

ステップ	内容
1	現行棚を「静止画」で記録する スマホで棚正面の写真を複数枚撮影し、フェース幅・段数・SKU を Excel シートに書き起こす。 ポイント：SKU の並び順とフェース数をそのまま行列で写す
2	ABC/XYZ 類型ごとに必要フェースを算出する 前節で決めた在庫日数を基に「週 1 補充なら何フェース必要か」を逆算。 例：A-X は 2 段 × 4 フェース、C-Z は 1 段 × 1 フェース
3	新旧を並べてレイアウト図面を描く Excel 図形や無料棚割りソフトで旧レイアウトと新レイアウトを左右に配置。 変更ポイントに色付き矢印を入れ、PDF 出力して指示書化

こうして「見るだけで動ける図面」が完成すれば、施策が机上の空論で終わらず、フェース配分と在庫水準が毎週の PDCA に組み込まれるようになります。

　発注サイクルに組み込むリオーダーポイント

棚割りが決まったら、発注数量 (Q) と再発注点 (ROP) を式で連動させて日常業務に埋め込みます。

• 再発注点 (ROP) ＝ 平均販売量 × リードタイム + 安全在庫
• 発注量 (Q) ＝ 棚容量 − 現在庫

週次ルーチンとして「月曜朝に在庫チェック → ROP を下回った SKU だけ Q を自動計算」するだけでも、欠品アラートのメールが飛んでくる運用より現場負荷が小さく済みます。

　効果測定 ：Before/After を 1 カ月でレビュー

棚替えと発注ロジックを回し始めたら、在庫回転日数と欠品率 を毎週プロットし、1 カ月後に Before/After を比較します。

改善幅が確認できれば次シーズン以降も継続、改善が鈍い SKU だけ安全在庫係数を調整すると 「やりっぱなし棚替え」 を防げます。

ケーススタディ

オンライン発の D2C ブランドでも、ポップアップストアや百貨店コーナーを併設するオムニチャネル戦略が一般化しています。

D社 は自社 EC を主軸にしつつ、都内に常設の体験型フラッグシップと全国 10 都市の週替わりポップアップを運営しており、リアル売場でも棚スペースを最適化する必要 に迫られていました。

そこで3 ステップを 6 週間で一気に実装 し、在庫総量を 18% 圧縮したD社 の事例を紹介します。

　データ可視化 ：ステップ 1 をどう適用したか

まずは「売れ方の地図」を描くフェーズです。

D社 はショップシステムからエクスポートした CSV を Power Query で整形し、SKU × 週次のピボットを作成しました。

項目	詳細
何をしたか	2 年分の受注データを SKU × 週 に集約し、欠損と重複を 15 分でクレンジング
気づき	春夏・秋冬で 売上が 2 つの山を描く二峰性 が顕著。「先行予約」週を除くと外れ値は約 5%

この可視化の段階で、「二峰性」と「外れ値」を早期に認識できたことで、後の予測モデル選定がブレずに済みました。

　需要予測 ：ステップ 2 をどう適用したか

可視化で得た「山の形」を数式で再現すべく、D社 は 3 種のモデルを短期でテストしました。

項目	詳細
モデル選定	移動平均 → 単回帰 → 二重季節性モデル の順に検証し、トップ 100 SKU では二重季節性モデルが MAPE 12〜15% と最良だった
検証方法	直近 8 週をホールドアウトして予測し、実績との MAP を算出。MAPE 20% 超 の SKU はキャリーオーバー扱いに切り分けて評価した

二重季節性モデルの採用は「二峰性」という可視化インサイトに基づく必然の選択でした。

数字とストーリーが合致すると、チームの合意形成も速くなります。

　棚割りと発注最適化 ：ステップ 3 をどう適用したか

オンラインの「サイト内露出」と、リアル店舗・ポップアップの「物理棚」が両立するため、D社 では ABC/XYZ 分析をもとにデジタルとフィジカル双方のフェースを再配分 しました。

予測精度を棚に落とし込む段階では、ABC/XYZ のメリハリが効果を発揮しました。

項目	詳細
ABC/XYZ 仕分け	売上上位 20% × 変動係数 10% 未満の A-X SKU は 14 点。安全在庫を 7 日分に設定し、フェースを 2.3 倍へ拡大。
C-Z 対応	下位 50% × 変動大の SKU は 36 点を廃番候補としてスペースを確保。
発注ロジック	Google スプレッドシートで ROP & Q を自動計算し、毎週月曜に在庫一覧を開くだけの運用に簡素化。

フェース拡大と SKU 削減を「数字の裏付け」で示したことで、現場スタッフも迷わず棚替えを実行できました。

　成果 ：3 カ月後のビフォー／アフター

導入から 3 カ月で、D社 は目に見える成果を手にしました。

特に在庫回転日数と欠品率が同時に改善した点が大きなインパクトでした。

指標	導入前	導入後	改善幅
在庫総量	95,000 点	78,000 点	‑18%
在庫回転日数	63 日	44 日	‑19 日
欠品率	14.2%	6.1%	‑8.1pt
粗利益率	52%	55%	+3pt

D社 の MD チームは「まず Excel と無料ツールで PoC」を合言葉に、たった 6 週間で検証→実装 まで完了させた点が秀逸でした。

ABC/XYZ と安全在庫のメリハリが回転率を押し上げ、値引き頻度を 30% 削減 できたことで粗利益も底上げされています。

ファッションのような 短サイクル × 高変動 でも、3 ステップは十分に機能することが示された好例です。

ステップ 1〜3 を「細かく・速く」回すことで、ハイシーズンをまたがずに結果を出せました。

特に季節性モデル + ABC/XYZ の組み合わせは、ファッションの 「短サイクル × 高変動」に相性抜群です。

よくある落とし穴

棚割りをデータドリブンに変えるプロジェクトでは、理論通りにいかない「落とし穴」が必ず待っています。

ここでは実務でつまずきがちな 3 つのポイントを取り上げ、なぜ起こるのか → どう防ぐのか という流れで解説します。

　落とし穴 1：特売スパイクをそのまま学習に入れてしまう

週末セールやタイムセールなどで一時的に売上が跳ねる「販促スパイク」。

これを 外れ値として処理せず にモデルへ流し込むと、翌週以降も高需要が続くと誤解した予測が出てしまいます。

対策のポイント
ステップ 1 のクレンジング段階で promo_flag を立て、数量をそのまま残しつつ“ラベル付け”する。
モデルには「販促週は需要 × α 倍になる」という ダミー変数 を渡し、影響を分離して学習させる。
棚割り反映時は、プロモ影響を除外した“平常週需要”を基準に安全在庫を設定する。

こうすると、特売週は発注量が自動的に増え、販促終了後は元の水準に戻る「呼吸する棚」が実現します。

　落とし穴 2：気温や天候要因を無視したままモデルを運用する

アイス、飲料、即席麺——気温と湿度が需要を左右する商品は少なくありません。

ところが販売データだけでモデルを組むと、「梅雨明けの急伸」を予測できない という現象が起こります。

対策のポイント
気象 API（無料プランで十分）から 日次の平均気温・降水量 を取得し、販売データと結合する。
単回帰レベルでも 気温を説明変数に追加 するだけで MAPE が 3〜5pt 改善するケースが多い。
棚割りでは、気温敏感 SKU を サマーシーズンだけフェース拡大 するなど、時期限定の物理スペース最適化をかける。

天候変動を先取りすれば、「売り逃しを恐れた過剰在庫」のリスクを大幅に減らせます。

　落とし穴 3：データ期間が短いのに高機能モデルに飛びつく

1 年未満のデータしかない状態で二重季節性モデルや LSTM に飛びつくと、季節性や周期性の学習が不十分 なまま過学習だけが進み、精度がむしろ悪化します。

対策のポイント
まずは 移動平均＋安全在庫の手動調整 でベンチマークを置く。
データが増えるまでは 単回帰 + 簡易季節係数 の組み合わせで MAP 表示を続ける。
半年ごとにデータ期間を延長し、モデルを乗せ替える“スモールアップグレード”戦略を採用する。

この段階的アプローチを取ることで、「モデルがブラックボックスで誰も触れない」という失敗を回避できます。

ネクストステップ

データ可視化から棚割り改善まで、3 つのステップを駆け抜けてきました。

ここから先は 「やってみる → 学習する → 拡大する」 のサイクルで成果を積み上げるフェーズです。

次に踏むべき 3 つのアクションを、目的と取り組みポイントに分けて整理します。

　ステップを小規模 SKU で一気通しする

まずは部門の代表 SKU（例：上位売上の 10 品）を選び、データ抽出 → 需要予測 → 棚割り反映 を 1 か月以内に回してみましょう。

項目	内容
目的	理論を“現場手順”に翻訳する。
ポイント	成果指標は 在庫回転日数 と 欠品率 の 2 つに絞ると、議論が発散しません。

　Excel ＋ 無料ツールで PoC を自動更新する

一度仕組みが動いたら、Power Query のリフレッシュやスクリプトを使って 毎週の自動更新 を組み込みます。

項目	内容
目的	更新作業を省力化し、モデル検証に時間を使う。
ポイント	GitHub などでファイル履歴を管理すると、バージョンの迷子を防げます。

　ABC/XYZ を月次で見直し、棚効率を磨き続ける

需要は変わり続けるため、ABC/XYZ の区分けは「決めた瞬間に古くなる」 のが常。

月次の棚卸しタイミングで安全在庫とフェース割り当てを見直し、メリハリを保ちましょう。

項目	内容
目的	売れ筋と死に筋を早期に入れ替え、棚回転を維持する。
ポイント	在庫回転日数が 60 日を超えた SKU を “要チェック” としてハイライトすると、死に筋の早期発見に役立ちます。

今回のまとめ

今回は、「在庫がダブつくのはもう古い！ 需要予測で棚割りを科学する 3 ステップ」というお話しをしました。

時系列需要予測と棚割り最適化を組み合わせれば、「欠品を抑えながら在庫を減らす」 という一見相反するゴールは十分に現実的です。

ポイントは……

• 売れ方を可視化して「クセ」を把握し、
• 段階的に予測モデルを洗練させ、
• 安全在庫とフェース配分を数字で語る

……たったこれだけ。

Excel と無料ツールでも PoC は回ります。

あとは小さく試して、学んだことを次のサイクルに活かすだけです。

今日の一歩が、在庫コストと欠品ロスを同時に削る未来を連れてきます。