ニュース
フォーティエンス、食品・飲料・日用品などの消費財業界向けに「AI駆動型需要予測FDEサービス」を提供
2026年9月18日 06:30
フォーティエンスコンサルティング株式会社（以下、フォーティエンス）は17日、食品・飲料・日用品などの消費財企業向けに「AI駆動型需要予測FDEサービス」を提供開始した。
同サービスは、フォーティエンスのコンサルタントが顧客の現場に入り込み、AIを活用した変革をより素早いサイクルで現場へ業務実装するFDE（Forward Deployed Engineering）型コンサルティングサービス。オープンソースソフトウェアを活用し、顧客の利用環境に合わせたAI需要予測システムを構築する。需要予測業務とデータの診断から、複数の予測手法の比較・評価、需給計画業務への実装、継続的な改善・定着までを一貫して支援する。これにより、予測精度の向上、欠品・過剰在庫の抑制、計画業務の効率化に向けた取り組みを支援する。
消費財業界では、需要予測の手法がExcelや単一の統計モデルにとどまっている企業も少なくなく、そのため、定番商品が本来どれだけ売れるのか、特売でどれだけ上乗せされたのかを切り分けることが難しく、複合的な需要変動を十分に捉えられないケースが見られるという。
予測の精度を高めるには、モデルを業務に合わせて改善し続けることが求められるが、その作業には専門的なプログラミングと統計の知識を要する場合が多く、専任のデータサイエンティストを確保できない企業では、導入時のモデルをそのまま使い続けざるを得ないケースもある。
こうしたなか、生成AIの実用化が進み、専門知識がなくても自然言語でモデルを改善できる「バイブコーディング」への期待が高まっているとして、フォーティエンスは、SCM（サプライチェーンマネジメント）・S&OP（Sales and Operations Planning）領域で培ったコンサルティングの知見と最新のAI技術を組み合わせ、これらの課題に応えるAI駆動型需要予測FDEサービスを提供する。
サービスでは、まずフォーティエンスのコンサルタントが、顧客の商品構成や需要変動の特性、保有データの状況を診断する。その上で、顧客が指定するクラウド環境またはPC端末上にAI需要予測システムを構築する。生成AIやLLMは、顧客の利用方針やセキュリティ要件を踏まえて選定・活用する。まずは10種類程度のSKUを対象に予測精度を検証するところから着手でき、短期間で立ち上げられる。合わせて、需給計画担当者がバイブコーディングによるモデル改善を自ら実践できるよう、ハンズオントレーニングを提供し、導入後も顧客が自走できる体制づくりまでを支援する。
業務・データ診断のステップでは、商品またはブランドごとに、需要特性（シーズン性、周期性など）、業務課題、必要とされる予測データ期間、評価指標を整理する。
少数SKUで構築・検証するステップでは、統計予測モデル、機械学習モデル、深層学習モデル、時系列基盤モデルなど全19種類の予測モデルから、複数のモデルを用いて精度を検証し、合意した評価指標に基づいて、商品ごとに適合度の高い予測モデルをAIが提案する。
現場との反復改善のステップでは、需給調整部門や生産・物流部門など、部門ごとに求められる予測要件や担当者の知見を予測モデルに取り込み、短いサイクルで精度を改善する。合わせて、バイブコーディングのハンズオントレーニングを実施し、データサイエンティストやコンサルタントが不在でも、顧客自身で継続的に精度を改善できるように支援する。
需給計画に業務実装するステップでは、予算策定や週次・月次の需給調整、S&OPプロセスに予測モデルを取り込み、業務上の実用性を検証する。
対象拡大・定着／自走化のステップでは、予測対象とするSKUやブランドを拡大するとともに、営業部門や生産・物流部門などに対し、予測結果に対する現場担当者の意見を定期的にヒアリングし、予測結果と現場の感覚との差異を確認する。バイブコーディングを活用して自律的に精度を改善し、部門間の納得感を高めることで、需要予測と改善活動の定着を図る。
サービスで構築するAI駆動型需要予測システムは、オープンソースソフトウェアを活用し、統計モデル、機械学習モデル、深層学習モデル、時系列基盤モデルなど19種類の予測手法を、検証データと合意した評価指標に基づいて比較・評価する。その上で、SKUごとに適合度の高い手法を自動選択する。データの利用可能性に応じて、定番商品のベース需要と特売・キャンペーンによる一時的な需要押し上げ効果の分解、季節性・トレンド・気象・経済指標などの外部要因の反映にも対応する。
生成AIは、分析結果の説明、予測ロジックの改善案やコード案の作成、外部情報の整理などに活用する。改善案は検証・承認を経て反映する運用とし、必要に応じて安全在庫や推奨発注量の算出など、需給計画上の意思決定支援にも対応する。
専任のデータサイエンティストがいない企業でも、定番と特売が入り交じり、季節性やトレンドの変化が複雑に絡み合う消費財特有の需要動向を、より的確に捉えるための予測環境を構築できる。需要変動の兆候を早期に把握しやすくすることで、欠品による販売機会の損失や、過剰在庫による保管・廃棄コストの抑制に向けた判断を支援する。また、現場担当者自身がバイブコーディングでモデルを改善できるため、外部ベンダーへの依存を抑えながら、自社の商習慣や業務特性をモデルに継続的に反映できる。需給計画担当者が数値作成に費やす時間を削減し、在庫方針や発注判断といった意思決定に注力しやすい環境を整える。
