コロナ禍でも｢売れる商品｣｢売れない商品｣の差
コロナ禍で需要が減る中、売れる商品の背後には何があるのでしょうか（写真：takeuchi masato／PIXTA）
コロナ禍による環境変化により需要は大きく変動した。売れるはずの商品が空振りする一方で、「マスク」のように予想外の大ヒット商品が生まれた。コロナ禍前後で各メーカーの需要予測も更新を迫られている。ではどういったことを意識すればよいか。そこで、『すごい需要予測 不確実な時代にモノを売り切る13の手法』を上梓した山口雄大氏が、アフターコロナでモノを売り切るための手法を解説する。
コロナ前の需要データは使えない？
2020年の新型コロナウイルスの感染拡大後、さまざまな業界の企業から需要予測をどうすればいいかという相談をいただきました。私は2010年から需要予測に携わっていますが、2014年末以降のインバウンド需要の急拡大と、コロナウイルスによるパンデミックが需要予測の2大イベントだったと思っています。こうした未曽有とも言える大きな環境変化は、今後も発生すると思っておく方がよいでしょう。
今回のパンデミックで強く感じたのは、大きな環境変化の際の需要予測は、急にはできないということです。平時から予測の考え方を整理し、SCMや経営における意思決定を担うビジネスパーソンが予測スキルを磨いておくことが必要です。
2020年のパンデミックをきっかけに、海外でも需要予測オペレーションの見直しが始まっています。これまで需要予測は、1944年に考案されたといわれる指数平滑法をベースとした、高度な時系列モデルで行われるのが主でした。
時系列モデルは需要予測において�／綵燹糞�模）、�▲肇譽鵐鼻平綵猜儔修諒�向性）、�５╂畧�（くり返されるパターン）を可視化します。
需要の実績、つまり売上はこれらが組み合わさったものであり、人が目で見て分解するのは簡単ではありません。未来の需要を予測するためには、こうした要素ごとの特徴を把握し、過去からの推移とその背景を解釈することが有効です。
単純な例を挙げると、日焼け止めの需要が4月から5月にかけて増えていっても、それは水準の変化ではなく、季節性によるものである可能性が高いと言えます。この需要の分解を人の判断よりも客観的に行うのが時系列モデルと捉えてよいでしょう。
しかし、時系列モデルで精度の高い予測を行うには、
1.どれくらい過去のデータから分析するか（初期値の決定）
2.直近のデータをどれくらい重視するか（パラメーターの設定）
――を適切に更新していく必要があります。
10年前などの古いデータを使うと、季節性が変わっている可能性がありますし、そもそもそんなに長く売り続けている商品は多くありません。一方で、1年分もデータがないとすると、その季節性を把握することはできません。直近のデータを重視し過ぎると、たまたま誤発注で上がった売上を水準の変化と捉えてしまう危険性があります。
逆に過去のデータを重視するほど、直近のトレンドの変化に気づくのが遅くなってしまいます。
初期値とパラメーターーのバランス
つまり、初期値とパラメーターの設定はバランスが重要で、それは業界や商材、場合によっては商品のライフサイクルの段階によってもさまざまだということです。単に過去の実績と適合しているからと信じるのではなく、その背景を解釈して予測モデルを管理するスキルがないと、モデルが示す数字にふり回され、中長期で高い予測精度を維持することはできません。
また、ここからわかるように過去データが必要で、月や週単位くらいの需要予測では、少なくとも2年分以上が必要になるといわれます。大きな環境変化があった場合に気をつけなければならないのは、初期値やパラメーターを大幅に見直す必要が出てくるということです。
例えば化粧品では、口紅はマスクの使用が日常化したことで需要が縮小しました。また、渡航規制によって訪日中国人が激減し、春節や国慶節といった大型イベント時の需要も見られなくなりました。結果、新型コロナウイルス発生前の過去データは、使えないどころか、逆に予測をミスリードするものとなってしまったのです。
需要予測のモデルには、時系列モデルの他に、需要の因果関係を踏まえる因果モデルや、不完全、少数のデータでも扱える判断的モデルなどがあります。しかしこれらのモデルを整備し、使いこなせている企業は多いとは言えない状況です。
時系列モデルも含め、導入直後から使いこなして高い精度を維持することは困難です。各業界、ビジネスモデルに合わせて必要なデータや使い方をアレンジすることが必要であり、それには時間がかかることに注意すべきでしょう。そのためには世界で研究されてきたさまざまな予測モデルを知り、日ごろから実務の中で試していくことが有効です。
外資系企業の参入やサプライチェーンのグローバル化によって、市場の不確実性が高まっています。またいつ、ウイルスや自然災害によってビジネス環境が激変するかもわかりません。
そんな中で注目されているのが、S＆OPです。これはSales and Operations Planning の略で、オペレーションとはSCM（サプライチェーンマネジメント）のことなので、そのまま訳すと「販売計画とSCM」といった意味になります。
これは特にメーカーにおいて重要になってきている概念で、経営戦略を売上の数字に落とし込んだ販売計画の実行をSCMで支援することを指します。
扱うブランド数や商品数が多い大きな組織ほど、それらを横断する意思決定が難しくなります。それぞれを管轄する組織が異なり、企業内でのコンフリクトが発生しやすくなるからです。S＆OPでは、意思決定を行うのは役員クラス（CxO）であるため、事業やエリア、ブランドを横断した大きな決定を行うことができるというのが1つの特徴です。
S＆OPを推進するための土台は需要予測です。ビジネス環境の不確実性が高まる中、従来のように1つの数字でサプライチェーンを動かしていくのには限界が見えてきています。
「シナリオ分析」とは何か
そこで重要になるのが「シナリオ分析」です。例えば、ウイルスの感染拡大が早期に収まるのか、感染拡大をくり返すのかは、どんな専門機関や大企業でも精度高く予測できているとはいえません。これらを複数のシナリオとして想定し、サプライチェーンマネジメントでリスクヘッジしておくことが有効になります。
感染が収束するのであれば、多くの商材やサービスで需要が回復すると考えられます。その時に商品や設備が用意されていなければ、売上機会を損失することになってしまいます。逆に感染拡大をくり返すのであれば、商品を大量に用意しておくことは、廃棄のリスクを増加させます。これらを数字で評価することで、その中のどのバランスでサプライチェーンを動かすのかを決めることができるのです。
ただしこれには、各シナリオにおける需要を予測できることが必要になります。各シナリオにおける各種要素がどう需要に影響するのかをモデル化し、需要変動の幅を想定します。これはレンジ・フォーキャスティング(Range Forecasting) と呼ばれ、因果モデルの設計、または複数の予測モデルの併用で実現します。
因果モデルでは需要の原因となる要素から予測するので、その要素がどうなるかを入力することで、需要をシミュレーションするといった使い方ができるというメリットがあります。先ほどの例で言えば、新規感染者数などが含まれているとよいでしょう。
また、因果モデルだけでなく、人の判断を用いるデルファイ法やAIなど、他の考え方のモデルも併用することで、需要予測に幅を持たせることも有効です。私も不確実性が高い新商品の発売前の需要予測では、3つの異なる考え方のモデルを駆使して、レンジ・フォーキャストを出しています。ぜひ参考にしてみてください。
（山口 雄大 ： 資生堂ジャパン Sales & Operations Planningグループマネジャー）
