AI×在庫管理・需要予測・発注最適化ガイド【2026年版】｜Excel売上データとAIで「欠品ゼロ・過剰在庫ゼロ」を目指す——小売・飲食・製造業の現場で使えるプロンプト集

はじめに——「勘と経験の発注」が会社の利益を食いつぶしている

「先週の雨で売れ残った惣菜を廃棄した。今週も天気が読めない」
「欠品でお客さんに謝ったのに、倉庫には別の商品が山積み」
「発注担当のベテランが来月退職する。あの人の勘は引き継げない」

小売、飲食、製造業——業種は違っても、在庫にまつわる悩みは驚くほど共通しています。過剰在庫は資金を凍結させ、欠品は売上を消し飛ばす。どちらに転んでも利益が減る、この二律背反が経営者を苦しめています。

多くの中小企業では、在庫管理が「ベテラン担当者の勘と経験」に依存しています。しかし、人手不足・多品種少ロット化・消費者ニーズの多様化が進む2026年の現場では、人間の処理能力だけでは限界があります。数千〜数万点のSKU（在庫管理単位）の一つひとつに対して、人間が手作業で需要を予測し発注数を決めること自体が、もはや現実的ではない時代に入っています。

そこで注目されているのが、AIによる需要予測と在庫最適化です。AIは過去の販売データに加え、天候・曜日・イベント・SNSトレンドなど多様なデータを組み合わせて分析し、人間では見つけられないパターンを発見して需要を予測します。

「うちみたいな小さな店にAIなんて大げさだ」と思われるかもしれません。しかし、この記事で紹介するのは、ExcelやGoogleスプレッドシートの売上データがあれば、ChatGPTやClaudeのようなAIチャットツールで今日から始められるアプローチです。専用の需要予測システムに数百万円を投じる前に、まず手元のデータとAIで「在庫の見える化」を始めましょう。

関連記事： 業種別のAI活用については以下の記事で詳しく解説しています。
AI×飲食・小売業ガイド ｜ AI×製造業ガイド ｜ AI×EC・ネットショップガイド ｜ AI×物流・倉庫業ガイド

---

在庫問題の正体——「欠品ゼロ」と「過剰在庫ゼロ」はなぜ両立しないのか

AIの活用法を解説する前に、在庫管理の構造的な課題を整理しておきましょう。問題の正体を理解していないと、AIを導入しても効果が出ません。

在庫管理の「トレードオフの罠」

リスク	原因	損害の内容	影響額の目安
欠品（在庫不足）	需要を過小に見積もった	販売機会の損失、顧客離れ、緊急発注のコスト増	売上の3〜10%が機会損失（業種による）
過剰在庫	需要を過大に見積もった	保管コスト増、廃棄ロス、値引き販売、キャッシュフロー悪化	在庫金額の15〜25%/年が維持コスト
属人化	ベテランの勘に依存	退職・異動で精度が激減、引き継ぎ不可能	定量化困難だが、最も深刻な構造的リスク

3つのキーワードを押さえる

AIを使った在庫管理を理解するために、以下の3つの概念を押さえておきましょう。

用語	意味	例え
安全在庫	需要の変動や納品遅延に備えて最低限持っておくべき在庫量	「万が一に備える貯金」
適正在庫	需要に迅速に対応しつつ、過剰にならない最適な在庫量	「家計のバランスが取れた預金額」
発注点	在庫がこの水準まで減ったら発注を行う基準値	「冷蔵庫の牛乳が残り1本になったら買いに行く」ルール

AIは、この「安全在庫」「適正在庫」「発注点」を商品ごと・日ごとに最適化することで威力を発揮します。

---

【ステップ1】データの棚卸し——AIに食べさせる「燃料」を準備する

AI需要予測の精度は、投入するデータの質と量に比例します。まず、手元にどんなデータがあるかを棚卸ししましょう。

必要なデータの全体像

データ種別	具体例	入手方法	重要度
販売実績データ	商品別・日別の販売数量、売上金額	POSレジ、ECプラットフォーム、売上管理Excel	★★★★★（必須）
在庫データ	商品別の在庫数量、入出庫履歴	在庫管理システム、棚卸しデータ	★★★★☆
カレンダー情報	曜日、祝日、イベント日	カレンダーAPI、自社イベントカレンダー	★★★★☆
天候データ	気温、降水量、天気	気象庁オープンデータ	★★★☆☆（飲食・小売は★4）
価格・販促データ	値引き、キャンペーン、広告実施日	自社の販促カレンダー	★★★☆☆
外部トレンド	SNSトレンド、競合動向、為替	SNS分析ツール、ニュースAPI	★★☆☆☆（あれば精度向上）

「うちにはExcelの売上データしかない」——それで十分です

中小企業の多くは、POSデータや売上管理Excelしか手元にないケースが大半です。それで十分にスタートできます。

最低限必要なのは、「日付」「商品名（またはSKU）」「販売数量」の3列があるExcelデータです。これだけあれば、AIチャットツールに読み込ませて需要予測の第一歩を踏み出せます。

📋 プロンプト例：データ品質チェック

添付したExcelファイルは、過去12か月の日別販売データです。以下の観点でデータの品質をチェックし、需要予測に使うための改善点を指摘してください。

【チェック観点】
・欠損値（データが抜けている日付や商品）の有無と対処法
・異常値（通常の販売パターンから大きく外れるデータ）の検出
・データの粒度（日別/週別/月別）は需要予測に適切か
・商品分類やカテゴリの情報は含まれているか
・季節性やトレンドの有無（グラフで可視化してください）

データクレンジングの具体的な手順も提案してください。

---

【ステップ2】AIで需要予測を行う——「来週いくつ売れるか」を数字で出す

データの準備ができたら、いよいよAIに需要予測をさせましょう。ここでは、専用システムを導入せずに、AIチャットツール（Claude、ChatGPT等）で実践できる方法を紹介します。

方法A：AIチャットに売上データを読み込ませて予測する

📋 プロンプト例：基本の需要予測

添付したExcelデータは、当店（○○業種）の過去12か月の日別販売データです。
このデータを分析し、来週（月曜〜日曜）の日別販売数を商品カテゴリごとに予測してください。

【分析に含めてほしい要素】
・曜日別の販売パターン（平日 vs 週末）
・月次の季節性トレンド
・直近3か月のトレンド（増加/減少/横ばい）
・前年同時期との比較

【出力フォーマット】
・商品カテゴリ別 × 日別の予測数量（表形式）
・予測の信頼区間（上振れ/下振れの幅）
・予測の根拠と注意事項
・予測精度を高めるために追加で必要なデータがあれば提案してください

方法B：天候・イベント情報を加味した予測

📋 プロンプト例：外部要因を加味した需要予測

以下の情報を組み合わせて、来週の需要予測を行ってください。

【販売データ】（添付のExcelファイル）
【来週の天気予報】月:晴れ28℃ / 火:曇り25℃ / 水:雨22℃ / 木:晴れ30℃ / 金:晴れ29℃ / 土:曇り26℃ / 日:雨23℃
【イベント情報】土曜日に近隣で花火大会あり（来場予想2万人）
【販促情報】水曜日からビール全品10%オフセール開始

【指示】
・過去データから天候と販売数の相関を分析してください
・花火大会の影響を過去の類似イベント時のデータから推定してください
・セールによる需要増加率を過去の販促データから算出してください
・これらを統合した最終予測と、各要因の影響度合いを示してください

方法C：ABC分析＋需要予測の組み合わせ

商品数が多い場合、すべての商品を同じ精度で予測する必要はありません。まずABC分析で商品を分類し、重点管理する商品を絞り込みましょう。

📋 プロンプト例：ABC分析＋重点管理

添付の販売データをもとに、ABC分析を行ってください。

【分析条件】
・A群：売上上位70%を占める商品（重点管理対象）
・B群：売上70〜90%を占める商品（標準管理）
・C群：売上下位10%の商品（簡易管理）

【出力】
・各群の商品リストと売上構成比
・A群商品については、個別に来月の週別需要予測を実施
・B群商品については、カテゴリ単位で月次需要予測を実施
・C群商品については、発注を減らすべき候補リストと廃番の検討提案
・在庫回転率の低い「死に筋商品」のリストも作成してください

---

【ステップ3】発注の最適化——「いつ、いくつ発注するか」をAIで算出する

需要予測ができたら、次は「いつ、いくつ発注するか」の最適化です。

発注点と発注量の計算

📋 プロンプト例：発注点・発注量の最適化

以下の条件で、各商品の最適な発注点（ROP: Reorder Point）と発注量（EOQ: Economic Order Quantity）を計算してください。

【データ】
・商品別の需要予測結果（ステップ2の出力を貼り付け）
・リードタイム（発注から納品までの日数）：○日
・発注コスト（1回の発注にかかる事務コスト）：○円
・在庫保管コスト（1個あたり年間保管費）：○円
・目標サービス率（欠品を許容しない確率）：95%

【出力フォーマット】
・商品ごとの安全在庫数量
・発注点（この在庫数になったら発注する基準）
・1回あたりの最適発注量
・年間の発注回数と在庫回転率の推定値
・計算の根拠（使用した数式）も明記してください

発注サイクルの業種別ガイドライン

業種	典型的な発注サイクル	AI最適化のポイント
飲食店	生鮮食品は毎日〜隔日、乾物は週次	天候×曜日×イベントの組み合わせで日次予測。廃棄ロス削減が最重要
小売店（食品）	日配品は毎日、加工食品は週2〜3回	棚割と連動した発注最適化。消費期限管理と連携
小売店（非食品）	週次〜月次	季節商品の入替タイミング最適化。死に筋の早期発見
EC・ネットショップ	倉庫在庫に応じて随時	セール・広告施策との連動予測。配送リードタイムの考慮
製造業（部品・資材）	生産計画に連動、月次〜四半期	サプライチェーン上流のリードタイムを加味。BOM（部品表）との連携

EC・ネットショップの在庫管理は「AI×EC・ネットショップガイド」で、物流・倉庫の最適化は「AI×物流・倉庫業ガイド」でさらに詳しく解説しています。

---

【業種別】AI在庫管理の実践プロンプト集

飲食業：「食品ロスを半減させる」プロンプト

📋 飲食店向け：日次仕入れ最適化

あなたは飲食店の仕入れ最適化コンサルタントです。以下のデータから、明日の各メニュー食材の仕入れ量を提案してください。

【データ】
・過去3か月の日別メニュー別販売数（添付Excel）
・明日の天気予報：○○、最高気温○℃
・明日の曜日：○曜日
・近隣イベント：なし / あり（内容：○○）
・現在の食材在庫：（リストを記載）
・各食材の消費期限までの日数

【条件】
・食品廃棄率を現状の○%から半減させることが目標
・欠品（品切れ）は営業中に1メニューまでを許容
・仕入れ先への発注締め切り：本日○時

【出力】
・食材別の仕入れ量（推奨値と最小値・最大値の範囲）
・消費期限が近い食材の優先使用メニュー提案
・予測の根拠と不確実性の高い要素

飲食業のAI活用全般については「AI×飲食・小売業ガイド」をご参照ください。

小売業：「棚割り×在庫」最適化プロンプト

📋 小売店向け：週次発注最適化

あなたは小売店の在庫管理アドバイザーです。以下のデータから、来週の発注計画を作成してください。

【データ】
・過去6か月のPOSデータ（商品別・日別売上数量、添付Excel）
・現在の在庫数一覧
・各商品の棚割り（陳列可能な最大数量）
・仕入れ先のリードタイム：○日
・来週の販促計画：○○商品が20%オフセール

【分析内容】
・商品別の来週の予測販売数
・セール対象商品の需要増加率の推定
・発注数量の推奨値（棚割り上限を考慮）
・在庫回転率が低い商品のリストと対策案（値引き/返品/陳列場所変更）
・「このまま発注しないと欠品するリスクがある商品」の警告リスト

製造業：「部品在庫と生産計画」連動プロンプト

📋 製造業向け：部品在庫最適化

あなたは製造業の生産管理コンサルタントです。以下のデータから、来月の部品発注計画を作成してください。

【データ】
・来月の生産計画（製品別の生産予定数量）
・BOM（部品表）：各製品に必要な部品のリスト
・現在の部品在庫数
・各部品の発注リードタイム
・サプライヤーの最小ロット数
・過去6か月の生産実績と歩留まり率

【出力】
・部品別の所要量計算（MRP: Material Requirements Planning）
・発注タイミングのスケジュール（リードタイムを逆算）
・安全在庫の推奨値（歩留まり変動を考慮）
・調達リスクの高い部品の特定と代替案
・在庫金額の推定と前月比較

製造業のAI活用全般については「AI×製造業ガイド」をご参照ください。

---

AIチャット vs. 専用需要予測システム——どちらを選ぶべきか

比較項目	AIチャット（Claude / ChatGPT等）	専用需要予測システム
コスト	月額数千円（有料プラン）	月額数万円〜数百万円
導入期間	即日（データさえあれば）	1〜6か月（カスタマイズ含む）
予測精度	中程度（データ量と使い方次第）	高（専用アルゴリズム、自動再学習）
自動化	手動（毎回プロンプト入力が必要）	自動（定期的に予測を更新、自動発注連携も可）
SKU数の上限	1回に分析できる量に制限あり	数万〜数十万SKUに対応
外部連携	手動でデータ入力	POS、ERP、気象APIなどと自動連携
おすすめ企業	SKU数が少ない（〜数百点）、まずは試したい企業	SKU数が多い（数千点以上）、日次で自動化が必要な企業

結論：まずはAIチャットで「需要予測の勘所」を掴み、効果を実感してから専用システムの導入を検討する——この段階的アプローチが中小企業にとって最もリスクが低い戦略です。

---

在庫管理AIの導入でよくある失敗と対策

失敗パターン	原因	対策
「AIの予測が当たらない」	投入データの質が低い（欠損、異常値、期間が短い）	最低12か月分のクリーンなデータを準備。データ品質チェックを最初に行う
「結局ベテランの勘のほうが正確」	AI予測の根拠を理解していない。ベテランの暗黙知をAIに反映していない	ベテランの判断基準（天候の影響、地域イベント等）をプロンプトに明示的に組み込む
「導入したのに使われない」	現場のワークフローに統合されていない	既存の発注業務フローの中にAI予測結果を組み込む。一気に置き換えず、併用から始める
「予測は良いが発注に反映されない」	予測と発注が別プロセスで断絶している	予測結果から発注数量を自動算出し、担当者は確認・承認するだけのフローに変更
「外れ値のときに大損した」	AIの予測を盲信し、人間のチェックを省略した	AI予測には必ず信頼区間を付け、異常な予測値にはアラートを出す仕組みにする

---

Excel＋AIで作る「在庫ダッシュボード」

データが揃い、需要予測の精度がある程度安定してきたら、日常的に在庫状況を把握するための「在庫ダッシュボード」を作りましょう。

📋 プロンプト例：在庫ダッシュボード生成

添付のExcelデータ（販売実績＋現在庫数＋発注情報）をもとに、以下の指標を一覧にした在庫管理ダッシュボードを作成してください。

【含めるべき指標】
・商品別の在庫回転率（直近30日）
・在庫日数（現在庫÷日平均販売数）
・欠品リスクスコア（在庫日数が安全在庫日数を下回る商品を赤表示）
・過剰在庫スコア（在庫日数が適正値の2倍を超える商品を黄表示）
・死に筋商品リスト（直近30日の販売数がゼロまたは極少の商品）
・在庫金額の総額と前月比較
・ABC分析の分布（A群/B群/C群の商品数と売上構成比）

【フォーマット】
・Excelで色分け付きの見やすい表形式で出力してください
・経営者が1分で全体状況を把握できるサマリーセクションを冒頭に配置

---

よくある質問（Q&A）

Q1. どのくらいの期間の販売データがあれば需要予測ができる？

最低でも12か月分の日別データがあれば、季節性を含めた基本的な予測が可能です。理想は24〜36か月分です。データが6か月未満の場合は、予測の精度が低くなるため、まずはデータの蓄積を優先しましょう。新規開店・新商品のように過去データがない場合は、類似商品・類似店舗のデータで代用する方法もあります。

Q2. ExcelデータをAIに読み込ませるとき、データが漏れる心配は？

主要なAIチャットツールのビジネス向けプランでは、入力データが学習に使用されない旨が明示されています。ただし、無料プランでは入力データが学習に使われる可能性があるツールもあります。売上データを含む業務データを扱う場合は、有料のビジネスプランの利用を推奨します。

Q3. 需要予測AIの精度はどのくらい？

精度はデータの質・量・業種によって大きく異なりますが、AIチャットツールでの簡易予測でも、ベテランの勘に比べて予測誤差を10〜30%改善できるケースが報告されています。専用の需要予測システムでは、さらに高い精度が期待できます。ただし、突発的なイベント（パンデミック、災害、バイラルヒットなど）に対しては、AIも人間も予測は困難です。

Q4. 小さなお店（個人経営レベル）でも使える？

使えます。むしろ、商品数が少ない（50点以下など）お店のほうが、AIチャットでの分析がしやすく、効果も実感しやすいです。「毎週月曜にExcelをAIに読み込ませて、今週の発注量を相談する」くらいのライトな使い方から始めてみてください。

Q5. AIの予測と実績にズレがあった場合、どう改善する？

ズレは必ず発生します。重要なのは「予測 vs 実績」の差を記録し、AIにフィードバックすることです。「先週の予測結果と実績を比較して、ズレの原因を分析してください。天候の影響を過大評価していた場合は、次回の予測でウェイトを調整してください」とプロンプトに追加するだけで、予測精度は徐々に向上します。

---

まとめ——「勘」から「データ」へ、在庫管理の主語を変える

本記事で紹介した3ステップを振り返りましょう。

ステップ	内容	すぐに始めるための最低条件
①データの棚卸し	手元のデータを確認し、AIに投入できる形に整理	日別×商品別の販売データ（Excel）が12か月分
②AI需要予測	販売データをAIに分析させ、来週・来月の予測を得る	AIチャットツール（Claude/ChatGPT等）の有料プラン
③発注最適化	予測結果をもとに発注点・発注量を算出し、発注業務に組み込む	リードタイムと保管コストの情報

在庫管理は、売上に直結するコア業務でありながら、多くの中小企業で「属人的・感覚的」なまま放置されている領域です。AIの活用は、この領域を「データドリブンな意思決定」に変革する最もコスパの良い投資です。

明日からできるアクションは明快です。今日のExcelの売上データをAIに読み込ませて、「来週の販売数を予測して」と聞いてみてください。その回答の精度に驚くか、改善点が見えるか——いずれにしても、「勘と経験だけの発注」から脱却する第一歩になります。

「欠品ゼロ・過剰在庫ゼロ」は、完璧には達成できないかもしれません。しかし、「欠品も過剰在庫も、昨日より少しだけ減らす」——その積み重ねが、年間で数百万円のコスト削減と利益改善につながります。

---

参考リンク

• AI×飲食・小売業ガイド（本サイト関連記事）
• AI×製造業ガイド（本サイト関連記事）
• AI×EC・ネットショップガイド（本サイト関連記事）
• AI×物流・倉庫業ガイド（本サイト関連記事）

免責事項： 本記事は2026年3月時点の公開情報に基づく情報提供であり、在庫管理や経営に関する専門的なアドバイスではありません。AIによる需要予測は確率的な推定であり、100%の精度を保証するものではありません。具体的な在庫戦略の策定については、自社の業種・規模に適した専門家にご相談ください。