在庫管理AISweet 1.3
在庫管理AI「Sweet 1.3」の精度をどう測っているか
Sweet 1.3のリリース前に、8店舗、2万3千超の商品、1年分の販売を再現しました。4つの時点で予測、欠品、在庫コスト、判断を導入前後で比べた測定の手順と、デモ店舗を使う理由、何を最優先で測るかを解説します。導入後はお客様自身の履歴で同じ測定を行います。
3 分で読めます
在庫管理AIは、一度も見たことのない販売実績で評価されるべきです。 Sweet 1.3をリリースするにあたり、過去を再現するベンチマークを構築し、すべての予測とすべての判断を、その後に実際に売れた結果と照らし合わせました。
ベンチマークの全体像
| ステップ | 実施内容 |
|---|---|
| 1. 店舗 | デモ用8店舗、2万3,000点超の商品、1年分の販売データ |
| 2. 基準日 | 5月から8月までの4日付。モデルが見られるのは過去のデータだけ |
| 3. 予測 | 直後の28日間と比較：予測範囲、誤差、カバー率 |
| 4. 補充 | サービス率90%でシミュレーション：欠品、失われた利益、在庫コスト |
| 5. 判断 | 見送った施策も、実際の成果に基づいて再評価 |
対象は、メンズ・レディースファッション、アウトドア、ランニング、乗馬用品、テニス・パデル、子ども服ブランド、テキスタイルブランドです。商品カタログは実在の店舗のものを使い、販売データはシミュレーションで、毎回同じ内容になります。2つのバージョンを同じ条件で比べるためです。
Sweet 1.1からSweet 1.3へ
Sweetは、Sway Oneを動かすAIのファミリーです。Echoは当日の状況確認、Flowは継続的な運用、Horizonは在庫予測、Orbitは総合分析、Reserveは予約発注を担当します。
Sweet 1.3では、ここに3つの要素が加わりました。
- Horizon：統計モデルと日次予測を、商品ごとに競わせます。
- Sweet Instinct：これらの予測を調停し、フィルターで除外されてしまった有効な施策を拾い直します。
- 業界ニュースの要約：出典付きで、需要に関する仮説の検証に使います。
各店舗の設定は、それぞれの構成ファイルで個別に管理されます。
結果は2本の記事にまとめています。Horizon、商品別の在庫予測とSweet Instinctです。
よくある質問
なぜデモ用の店舗を使うのですか？
2つのバージョンを比べるには、お客様のデータに触れることなく、まったく同じ販売実績を再現する必要があるためです。ご導入時には、お客様ご自身の履歴で改めて測定します。
何を最優先で測定していますか？
店舗にとっての実際のコストです。欠品による販売機会の損失と、在庫に眠っている資金です。予測が精密になっても、この2つの数字が改善しなければ意味がありません。