アパレル業界のSCM最適化と需要予測｜在庫の山を作らない仕組みづくり
アパレル業界のSCM最適化を、季節性・トレンド変動・SKUの多さの中でどう実現するか。需要予測の現実、データの揃え方、AI活用の正しい順序を、アパレル企業でのSCM刷新経験から解説します。
「秋冬シーズン、結局2割売れ残ったんですよ」
ある中小アパレル企業の社長から、シーズン終盤に聞いた言葉だ。SALEを2回打って、それでも残った在庫。倉庫にぎっしり積まれた段ボール。これを来シーズンに持ち越すか、廃棄するか、ファミリーセールで捌くか。毎シーズン、同じ判断を迫られている。
アパレル業界のSCM（Supply Chain Management）最適化は、業界の構造的な難しさが詰まっている領域だ。ただし、全部解決できないにしても、今より20〜30%在庫を減らすことは、データを整えるだけで現実に可能だ。
本記事では、アパレル中小企業のSCM最適化と需要予測について、私のアパレル時代の経験から整理する。
アパレルSCMが他業界より難しい理由
アパレルのSCM最適化は、製造業や食品業界と比べて、明確に難しい。理由は構造的だ。
理由1: 商品ライフサイクルが極端に短い
シーズン商品の販売期間は、長くて4〜6ヶ月。トレンドが変わると、シーズン途中でも売れなくなる。**「賞味期限が短い在庫」**を抱える業界だ。
理由2: SKU数の爆発
商品 × 色 × サイズで、SKU数が膨大になる。Tシャツ1型でも、5色 × 4サイズ = 20SKU。100型のラインナップなら2,000SKUを動的に管理する。
理由3: 需要が読みにくい
天候、トレンド、SNSのバズ、競合の動き、これらが需要を不規則に動かす。「過去のデータから線形に予測する」が通用しにくい。
理由4: リードタイムが長い
海外OEM生産だと、発注から納品まで6ヶ月かかる。シーズン半年前に発注量を決めるが、その時点で需要が読めるはずもない。
これらの課題を、需要予測AIだけで解決するのは無理だ。業務プロセスとデータ基盤の整備とセットで取り組まないと、効果が出ない。
需要予測の本質｜「当てる」より「揃える」
アパレルの需要予測について、私が現場で繰り返し言っているのは、「予測を当てる」ことを目標にしないということだ。
需要は本質的に予測しきれない。トレンド、天気、突発イベント、SNSバズ、これらすべてを正確に予測するのは、AIでもできない。
代わりに目指すのは、「予測のズレを早く検知し、小さく修正する」運用だ。
具体的には、
- シーズン前: 過去データと業界トレンドから、最初の発注量を決める（精度50〜60%でOK）
- シーズン序盤（最初の2〜4週間）: 実販売データを観察し、想定とのズレを早期に発見
- シーズン中盤: 売れ筋は追加発注、不振品は値下げ・チャネル変更で早期処分
- シーズン終盤: 残在庫の処分計画を、データから判断
このサイクルを回せる組織は、強い。需要予測の精度ではなく、変動への反応速度で勝負する。
データの最小セット｜これだけ揃えれば始められる
需要予測と在庫最適化を始めるために、最初に揃えるべきデータは次の3つだ。
1. 販売実績データ（過去2〜3シーズン以上）
- 商品コード（SKU別）
- 販売日・販売店舗・販売チャネル
- 販売数量・販売金額
- 天候・気温（できれば）
これで「どの商品が、どの時期に、どの店舗で、どれだけ売れるか」が見える。
2. 在庫推移データ
- 商品コード × 拠点（店舗・倉庫・EC）
- 日次または週次のスナップショット
これで「どこに、どれだけ、いつから滞留しているか」が見える。
3. 発注・仕入データ
- 商品コード・発注先・発注日・入荷日・発注量
- リードタイム
これで「計画と実績のズレ」が定量的に把握できる。
これら3つを1つのBIツール（Looker Studio、Tableauなど）で横断的に見られる状態を作るのが、SCM最適化の出発点だ。データが分断されたままでは、何も始まらない。
ABC分析と発注ロジックの組み立て
データが揃ったら、次にやるのは商品の優先順位付けだ。
ABC分析でリソース配分を決める
すべての商品を同じように管理するのは無理だ。売上・利益・動きの3軸でABC分析して、
- Aランク（売上の70〜80%を占める）: 週次レビュー、在庫水準の細かい管理
- Bランク（売上の15〜25%）: 月次レビュー、定期発注
- Cランク（売上の5〜10%）: 最低限の管理、在庫を持たない選択肢も検討
このメリハリが、リソース配分を最適化する。
発注ロジックの基本
Aランク商品の発注は、**安全在庫 + 発注点 + 経済発注量（EOQ）**で組み立てる。
- 安全在庫 = 需要の標準偏差 × √リードタイム × 安全係数
- 発注点 = リードタイム中の需要 + 安全在庫
- 発注ロット = 経済的発注量（または実務制約）
これで、勘で発注するより圧倒的に精度が上がる。
ただし、シーズン商品の場合、初回発注（シーズン入り前の最大発注）と、リオーダー（シーズン中の追加発注）で考え方が違う。初回発注は過去のシーズン実績ベース、リオーダーは初動2〜4週間のデータベースで判断する。
AIを使うべき領域・使わない方がいい領域
最近、アパレル業界向けの需要予測AIサービス（rinm、Insight、Sterimoなど）が増えている。これらは確かに便利だが、いきなり手を出すべきではない。
AIが効くのは、
- データが2〜3シーズン以上揃っている
- 過去データの傾向を超える、新しい変数（SNS、天候）を取り込みたい
- 予測の精度を5〜10%上げたい
逆に、AIが効かない・先にやるべきでないのは、
- データが揃っていない（マスタが汚い、欠損が多い）
- 業務プロセスがAIの予測を活かす形になっていない
- 予測精度が10%上がっても、業務オペレーションが追いつかない
まずデータと業務を整備してから、AIを乗せるのが正しい順序だ。順序を逆にすると、AIに高い投資をしても、効果が出ない。
詳しい考え方は中小企業のAI導入で失敗しない実践ガイドも参考にしてほしい。
在庫の山を作らないための、4つの実務ルール
最後に、私が現場で繰り返し提案している、在庫の山を作らないための実務ルールを4つ。
ルール1: 初回発注を控えめに、リオーダーを機動的に
シーズン前の初回発注は、勝負商品でも保守的に絞る。代わりに、シーズン入り後の2〜4週間で売れ行きを見て、即座に追加発注する仕組みを作る。
ルール2: 値下げのトリガーを定量化する
「シーズンに入って3週間で消化率が30%以下なら、即値下げ」のように、値下げの判断基準を数字で定義する。感情で「もう少し様子を見よう」とすると、値下げのタイミングを逃す。
ルール3: 在庫の所在を毎週確認する
店舗別・倉庫別の在庫を、週次で経営層が確認する。動きの悪い在庫は、すぐに移動・処分の判断を下す。
ルール4: シーズン後のレビューを徹底する
シーズンが終わったら、何が当たって、何が外れたかを必ず振り返る。これが次シーズンの発注精度を上げる素材になる。
関連する記事
LAVRA WORKS は、アパレル企業でのSCMシステム刷新の経験を踏まえ、中小アパレルの需要予測・在庫最適化の伴走支援を行っている。「在庫の山が毎シーズン残る」「需要予測ツールを検討中」というご相談を歓迎。
Related