機械学習ビジネス応用例
売上と在庫を同時に最適化する需要予測の設計図
需要予測は「当てる」だけでは価値が出ません。意思決定に直結する形で設計するのが鍵です。まずは指標を定めます。MAPEよりも、欠品コストと廃棄コストを金額換算して最小化する“経済的損失”を主指標にします。これにより予測の誤差がビジネス影響に直結します。
必要データ
- SKU×日次売上、在庫、販促、価格、店舗属性、カレンダー、天気、Webトラフィック
- 欠品フラグ（販売ゼロでも潜在需要があった日を識別）
- リードタイムとロットサイズ、保管制約
モデルと評価
LightGBMやXGBoostの分位点回帰でP50/P90を出し、P90を安全在庫計算に使います。階層（SKU→カテゴリ→全体）で整合性を保つリコンサイルも有効です。評価はWAPEに加え、週次の欠品率・廃棄率・粗利貢献で見ると現場が納得しやすくなります。
運用ルール
- 週次で4週先までローリング予測、月次で再学習
- 再発注点＝P90予測×リードタイム−現在庫、を下回れば自動発注提案
- 販促・価格変更時は価格弾力性特徴量をオン、未設定SKUはベースライン（移動平均）へフォールバック
要件整理や在庫担当との言語化にはChatGPTやClaudeで議事録要約を素早く作ると認識齟齬が減ります。データパイプラインの実装レビューはGit連携のCopilotが効率的です。探索分析の仮説出しや特徴量の説明文生成にはGeminiを補助的に使うと意思決定の透明性が保てます。
顧客離反の早期検知とアクション自動化
サブスクやECの解約・離反予測は「誰に」「何を」提供すべきかまで設計して初めてROIが出ます。ラベルは「直近60日で購入なし、かつメール未開封が続く」など事業実態に合わせて定義。特徴量はRFM、閲覧行動、配送遅延、サポート履歴、NPS、クーポン使用履歴など。
モデルと意思決定
- ベースラインはロジスティック回帰＋単純なしきい値で十分に強い
- 高単価ユーザーにはupliftモデル（介入効果）で施策選定
- SHAPで重要特徴を可視化し、営業・CSが理解できる説明粒度に落とす
施策はテンプレ化します。例：軽度リスク→リマインドメール、中度→おすすめ再提案＋送料無料、重度→チャット接客＋限定クーポン。パーソナライズ文面はChatGPTやClaudeで下書きを生成し、ブランドトーン辞書で最終調整します。介入コストと期待LTVの差分がプラスのユーザーだけに自動配信し、週次でエレベーション（しきい値）を見直すとムダ打ちが減ります。
サプライチェーン異常検知の現場導入チェックリスト
異常検知は高精度よりも「誤検知に耐える運用」と「一次対応の自動化」が成果を左右します。
- データ流通：センサー、WMS、TMS、受発注をストリームで集約。遅延と欠損の監視メトリクスを最初に作る
- モデル：Isolation Forestや自己符号化器で基準値を学習。季節性は曜日×時間帯のプロファイルで補正
- しきい値：固定値でなく中央値±k×MADを採用、kは現場の許容工数から逆算
- アラート：重大度S1/S2/S3、S1は即時スラック通知＋自動再発注、S2は人確認、S3は日次レポート
- ランブック：原因候補、確認SQL、連絡先、回避策を1ページで整備し、更新は週次
Geminiにログ要約や時系列の異常区間説明を作らせると、夜間当番でも初動が速くなります。モデル更新は月1で十分ですが、データ品質の監視は常時が原則です。
身近な企業の失敗と改善：中堅ECのケース
在庫廃棄率12%、週末の欠品苦情が多発し、需要予測を導入しましたが、初回は失敗。販売データだけでモデル化し、欠品日をゼロ需要として学習、販促や天候の影響も未考慮。精度は見かけ上改善したものの、発注提案が実情と乖離し、現場は不採用に。
改善では指標を「MAPE」から「欠品＋廃棄の金額最小化」へ変更。特徴量に天気、検索流入、販促、価格を追加し、欠品日は潜在需要を補完。P50/P90予測から安全在庫を再計算し、SLAに沿って週次で自動提案を配信。提案は「発注+15%」「販促停止」「価格+3%」などアクション単位に落とし込み、A/Bテストで効果を測定しました。
結果、3カ月で廃棄率は12%→7%、欠品は25%減、粗利は+3.1pt。現場の受容性を高めた要因は、提案根拠の可視化（SHAP要因の自然文サマリをChatGPTで生成）と、誤提案時のフィードバックを学習データに戻すパイプライン（Copilotでレビューした小さなPRを高頻度で継続）でした。分析ノートの説明や経営報告のドラフトはGeminiで短時間に整え、意思決定までのリードタイムを半分にできました。
学びの要点
- 評価指標はビジネス損益に結び付ける
- 提案は“数値”ではなく“行動”で提示する
- モデル精度よりもデータ品質監視とフィードバックループが効く
機械学習の価値は、予測やスコアが組織の判断に安全に埋め込まれるときに最大化します。そのための土台は、データ収集、特徴量管理、実験管理、モデル配信、監視が一貫した解析基盤です。データ解析プラットフォーム事業では、この“土台”が整っているほど小さく始めて早く学習し、失敗からの改善も短サイクルで回せます。ビジネス応用は派手なアルゴリズムよりも、運用できる設計と、プラットフォームに根差した継続改善で決まります。
