在庫は企業の血流だ。だが、過剰在庫は資金をしめつけ、欠品は顧客信頼を失う。安全在庫、発注点、回転率──これらを設計して実行することが、損益と顧客体験の両方を改善する最短ルートだ。本稿では、理論だけで終わらせず、現場で使える設計手順、具体的な計算式、ツール活用、落とし穴まで網羅的に解説する。明日から一歩動ける実務的なチェックリストと行動指針を手に入れてほしい。
在庫最適化とは何か：目的と評価軸を明確にする
在庫最適化は単に「在庫を減らす」ことではない。目的は、顧客サービスレベルを確保しつつ、資金効率と運用効率を最大化することだ。ここで重要なのは三つの評価軸だ。
1) サービスレベル（顧客視点）
顧客が求める商品を必要なときに届ける能力。注文が入ったときに在庫で対応できる確率を示す「品切れ確率」や、顧客が必要とする割合を満たす「フィルレート」で評価する。Eコマースでは高いサービスレベルが直接LTVに繋がる。
2) キャッシュと運転資本（財務視点）
棚に眠る資金の最適化。過剰在庫は資金コストと陳腐化リスクを生む。財務指標では、在庫回転率や在庫日数、在庫比率（総資産に対する在庫の比率）で管理する。
3) オペレーション効率（現場視点）
入出庫の頻度やロットサイズ、倉庫スペース利用率、人的負荷などの効率性。発注頻度が高すぎるとピッキング負荷が増え、低すぎると在庫が積み上がる。
これら三つはしばしばトレードオフの関係だ。サービスレベルを上げれば在庫は増える。まずは経営目標に沿った優先順位を定めよう。たとえば、利益率の低い商品はサービスレベルを下げ、戦略商品は高く維持する。これが戦略的在庫配分だ。
主要指標の理解と設計（安全在庫・発注点・回転率）
ここからは、設計の核となる指標を具体的に扱う。数式とともに、現場で使う際の注意点、簡単な例題を示す。
安全在庫（Safety Stock）の定義と計算
安全在庫は、需要の変動やリードタイム遅延に備えた「余裕在庫」だ。一般によく使われる計算式は以下。
| 概念 | 式（代表例） |
|---|---|
| 安全在庫（需要のみが変動） | SS = z × σd × √L |
| 安全在庫（需要とリードタイムが変動） | SS = z × √(L × σd² + d² × σL²) |
| 発注点（Reorder Point） | ROP = d × L + SS |
用語の説明：d は平均需要（期間あたり）、σd は需要の標準偏差、L は平均リードタイム、σL はリードタイムの標準偏差、z は所望のサービスレベルに対応する標準正規分布のz値（例：90%→1.28、95%→1.65）。
例：週次販売平均d = 100、σd = 30、L = 2週、σL = 0.5週、目標サービスレベル95%（z=1.65）
SS = 1.65 × √(2×30² + 100²×0.5²) = 1.65 × √(1800 + 2500) = 1.65 × √4300 ≈ 1.65 × 65.57 ≈ 108
ROP = d×L + SS = 100×2 + 108 = 308（単位：個）
この計算が示すのは、単純だが強力な原理だ。重要なのは、σ（ばらつき）をどう推定するか。過去の販売実績が短期的にトレンド変化している場合、単純な標準偏差では過小評価・過大評価する。移動窓を使った推定や季節調整を必ず行うこと。
発注点（Reorder Point）と発注ロット
ROPは「いつ発注するか」を決める指標。実務では、発注ロット（発注量）と組み合わせる。代表的な発注量はEOQ（経済発注量）だ。
| 指標 | 式 | 意味 |
|---|---|---|
| EOQ | Q* = √(2DS/H) | D：年間需要、S：1回当たり発注費用、H：1単位当たり年間保管費用 |
| 回転率 | 回転率 = 売上原価 / 平均在庫 | 在庫効率を見る基本指標 |
EOQは在庫保管費と発注費のトレードオフを数理で示す。だが、実務ではロットサイズに関する制約（箱単位、メーカーの最小ロット、輸送単位）を反映させることが重要だ。EOQを理想値としつつ、制約に合わせて四捨五入して運用する。
回転率の読み方と目標設定
回転率は在庫の効率性を示す。業界や製品特性で適正値は大きく変わる。高価で差別化商品が中心なら回転率は低くとも利益率でカバーする。日用品や低マージン商品は高回転が求められる。
目標設定の例：
- Aクラス（上位20%売上）：回転率目標 8〜12回/年、サービスレベル95%+
- Bクラス（中間30%）：回転率目標 4〜8回/年、サービスレベル90%前後
- Cクラス（下位50%）：回転率目標 1〜4回/年、サービスレベル80%程度
ここで重要なのは、回転率だけを追い求めないことだ。回転率改善のために安易な発注削減をすると欠品が増え、顧客離れに繋がる。目的は「資本効率×顧客価値」の最大化だと心得る。
実務で使える手順とケーススタディ
理論を現場に落とし込むには、段階的なアプローチが有効だ。以下は私がコンサルティング実務で用いる実践的ステップだ。中小〜大企業まで適用できるロードマップになっている。
ステップ1：現状把握とKPI定義（1〜2週間）
まずは現状データを揃える。最低限必要な項目は以下だ。
- SKUごとの過去12〜24か月の販売実績（数量、金額）
- リードタイム実測データ（発注日→入荷日）
- 在庫評価（期首・期末・日次在庫）
- 欠品履歴、キャンセル、返品
KPI例：品切れ率、フィルレート、在庫回転率、在庫日数、滞留在庫金額。初期段階で目標値を経営と合意することが鍵だ。
ステップ2：データクレンジングとセグメンテーション（2〜4週間）
データは必ず汚れている。SKUコードの重複、販売チャネルの切り分け、プロモーション時の異常値などを洗い出し補正する。次にABC/XYZ分析でSKUを分類する。
| 分析 | 目的 | 適用例 |
|---|---|---|
| ABC（売上ベース） | 優先度付け（資源配分） | A：上位20%（重点管理） |
| XYZ（需要変動） | 予測しやすさの評価 | X：安定、Y：季節性、Z：不安定 |
ABCとXYZを掛け合わせると、管理方針が明確になる。例えば、A-Xは高サービスレベル、A-Zは部材確保や代替製品の検討が必要だ。
ステップ3：パラメータ設計とシミュレーション（2〜4週間）
安全在庫、発注点、発注量を計算し、シミュレーションで欠品率や在庫推移を確認する。ExcelやR、Pythonでモンテカルロシミュレーションを行うと有効だ。
簡単なExcelワークフロー：
- 過去の需要分布を抽出、平均・標準偏差を算出
- リードタイム分布を抽出
- 所望のサービスレベルに対応するz値を設定
- SS、ROPを算出し、在庫推移を日次シミュレーション
- 欠品発生率、平均在庫金額、発注回数を評価
ケーススタディ（小売チェーン）：
ある小売チェーンで、A商品群の安全在庫を見直した結果、95%のサービスレベルを維持しつつ在庫金額を15%削減できた。成功要因は、販売データの正規化とプロモーション効果の分離だ。プロモーション時の需給スパイクを別扱いにしたことで、通常時のσを正確に見積もれた。
ステップ4：パイロット導入とKPIモニタリング（1〜3か月）
全SKU一斉適用はリスクが高い。まずは代表的な店舗・カテゴリでパイロットを実施する。重要なのは観察指標の設計だ。日次で追うべきは欠品数と発注遅延率、週次で見るのは在庫金額と回転率、月次で利益への影響を評価する。
ステップ5：スケールと継続改善
パイロットが成功したら、フェーズごとに横展開する。重要なのは改善ループを回すことだ。計画→実行→評価→改善を定常化する。PDCAを仕組みとして回すことで、季節変動や事業変化にも追随できる。
ツールとデータ活用の実践例
適切なツール選定とデータ活用は在庫最適化を加速する。ここでは現場で使える具体案を紹介する。
Excelは未だに最速のプロトタイピングツール
初期段階ではExcelが最短だ。ピボット、移動平均、標準偏差の計算、在庫シミュレーションまで手早くできる。欠点はスケールしにくいこと。SKU数が数千を超えたら専用ツールへ移行を検討する。
専用SaaSとWMSの使い分け
大手ではWMS（倉庫管理システム）とAPS（Advanced Planning System）やERP連携が一般的だ。選定のポイント：
- データ連携の柔軟性（API）
- 需要予測アルゴリズムの性能（季節性・プロモ効果対応）
- 発注自動化の可否
- ユーザーインターフェースの運用負荷
おすすめの導入パターンは、まずSaaSで需要予測と発注提案を試し、WMSと段階的に連携する方法だ。これにより初期投資を抑えつつ、効果を検証できる。
データ活用のテクニック（SQL例・集計ロジック）
実務でよく使うSQLテンプレートを示す。これは日次販売と在庫を突合し、週次の平均需要とσを算出する簡単な例だ。
<!-- SQLサンプル -->
SELECT
sku,
DATE_TRUNC('week', sold_date) AS week,
SUM(quantity) AS weekly_qty
FROM sales
WHERE sold_date BETWEEN CURRENT_DATE - INTERVAL '52 weeks' AND CURRENT_DATE
GROUP BY sku, week;
-- 次にskuごとの平均と標準偏差を計算
SELECT
sku,
AVG(weekly_qty) AS avg_weekly,
STDDEV_POP(weekly_qty) AS sd_weekly
FROM weekly_sales
GROUP BY sku;
この集計から、週次平均と標準偏差を得て前節の式へ投入する。自動化することで人手ミスを減らし、定期的なパラメータ更新が可能だ。
予測モデルの使いどころ
ARIMA、Prophet、機械学習モデルなどがある。ポイントは「過学習の回避」と「解釈性」だ。SKU数が多い場合はツリーベースのモデルで特徴量（曜日、祝日、プロモーションフラグ）を入れて学習させるのが現実的だ。モデルの精度だけでなく、ビジネスで説明できることが重要になる。
落とし穴と改善のための診断チェックリスト
現場でよくある失敗とその対処法をチェックリストで示す。導入後に必ず見直すポイントだ。
| 問題 | 原因 | 対処法 |
|---|---|---|
| 欠品が減らない | 需要予測のバイアス、リードタイム未計測 | プロモーション分離、リードタイム計測の自動化 |
| 在庫が思ったより減らない | 過剰安全在庫、ロット制約 | ABC/XYZで見直し、発注バッチ見直し |
| 在庫コストが増加 | 在庫評価の遅延、廃棄率の見落とし | 滞留在庫の早期アラート、値下げ戦略 |
| 運用が複雑で従業員の抵抗がある | 業務負荷増、ツールの使い勝手 | パイロットを短くし、現場の声を取り入れる |
具体的な診断チェック（10項目）
- データ期間は十分か（最低12か月）
- 季節性とプロモーションが分離されているか
- リードタイムの実績データがあるか
- SKUがABC/XYZで分類されているか
- サービスレベル目標がSKUごとに設定されているか
- EOQと実際ロットが乖離していないか
- 在庫回転率と業界ベンチマークを比較しているか
- 改善サイクル（PDCA）が運用化されているか
- 現場が発注提案を受け入れやすいUIになっているか
- 滞留在庫に対する処分ルールが明確か
上記を一つずつチェックしていくと、問題の構造が見えてくる。多くの場合、原因はデータ品質と現場ルールの不一致だ。ここを解消することが最速で改善する道だ。
まとめ
在庫最適化は数式を当てはめるだけの作業ではない。目的を明確にし、データをきれいにし、段階的に導入するプロセスが成功を左右する。安全在庫、発注点、回転率は互いに関連しており、業績への影響を見ながら調整する必要がある。実務ではABC/XYZでのセグメンテーション、パイロット運用、KPIによるモニタリング、そして継続的な改善が鍵だ。最初の一歩は、現状データの収集と簡単なシミュレーションだ。小さく動かし、早く学ぶことが結果を生む。
一言アドバイス
まずは「30日分のデータで安全在庫と発注点を計算してみる」。簡単なシミュレーションでも改善点が見える。完璧を待つより、測定して改良する習慣をつけよう。
