「職人の勘」に頼る発注を、データに基づく予測に変える

「これくらい売れるだろう」という長年の経験に基づいた発注は、時には驚くほど正確です。しかし、特定の個人に依存する「職人の勘」だけでは、変化の激しい現代のビジネスに対応し続けることは難しく、組織としての成長も頭打ちになります。

経験値依存の脱却

属人的な判断に頼りすぎる組織には、以下のリスクがあります。

• 担当者不在時の停滞：ベテラン担当者が休んだり退職したりした途端、適切な発注ができなくなる。
• バイアスの影響：最近の出来事や個人的な思い込みによって、判断が歪んでしまう。
• 教育の困難さ：感覚的な「勘」を言語化して後進に伝えるのは、極めて時間がかかります。

データに基づく客観的な予測

ITを活用することで、客観的な事実（データ）を判断の軸に据えることができます。

• 販売実績の分析：過去の同時期や季節変動のデータを分析し、ベースとなる需要を算出する。
• 在庫回転率の可視化：動いていない在庫をデータで特定し、過剰な発注を抑制する。
• 外部要因の取り込み：イベント情報やトレンドを数値として取り入れ、予測の精度を高める。

最適な方法を選ぶという決断

「データに基づく判断」への移行は、決してベテランの経験を否定することではありません。客観的なデータによる「下書き」をシステムが提示し、それを人間が経験に基づいて「微調整」する。これが、現在における最適な発注の形です。

上層部は、担当者が「これまで通り」の感覚だけで発注し続けることを許容せず、システムが出す数値を活用することを義務付ける必要があります。

「勘」というブラックボックスを、データという透明なプロセスに置き換える。この文化的なシフトこそが、在庫の最適化とROI（投資対効果）の向上に直結します。

データ予測の基本：どこから始めるか

全てを一度にシステム化しようとすると頓挫します。以下の順序で段階的に取り組むことが現実的です。

ステップ1：販売実績の蓄積と可視化 まず、過去1〜2年の販売数量を商品別・月別で集計します。これだけで「季節変動」のパターンが見え始め、感覚的な発注の精度を数値で確認できます。

ステップ2：在庫回転率の算出 在庫回転率 = 年間販売数量 ÷ 平均在庫数量 で計算できます。回転率が低い商品は過剰発注の候補、高すぎる商品は欠品リスクの候補として識別できます。

ステップ3：安全在庫の設定 安全在庫 = リードタイム中の平均販売量 × 安全係数（通常1.5〜2.0）という式が基本です。これをシステムに登録することで、発注点を数値化できます。

「勘 × データ」のハイブリッドモデル

データ予測はあくまで「過去の延長」に基づくものであり、人間の経験的判断が加わることで精度が高まります。

判断の種類	データが得意な領域	人間が補完する領域
定番商品の発注	季節変動・回転率に基づく自動算出	特段なし（システム任せで可）
イベント期の需要予測	過去同期データとの比較	今年度の競合動向・販促計画の反映
新商品の初回発注	類似商品のデータから類推	営業感覚・顧客の期待値の見極め
廃番・在庫処分の判断	回転率・滞留日数の可視化	取引先との関係・将来の需要見通し

このように役割分担を明確にすることで、ベテランの経験は否定されることなく、データとの協働として自然に取り入れられます。