「データ品質に問題あり」から「予測精度95％」へ　Umiosは販売計画をどう自動化した？

解説

売上計画や需要予測にAIを導入する際、技術的な選択肢だけでなく「データ品質」と「業務プロセス設計」の重要性が浮き彫りになります。本記事は、食品メーカーの大手が抱えていた属人的な販売計画策定の課題に対し、AWSの時系列基盤モデル『Chronos-2』を活用して自動化を実現した事例を紹介しています。

ポイント

• Umiosは従来の属人的な販売計画策定（年間約4,200時間）の課題に対し、AWSの時系列基盤モデル「Chronos-2」を活用したAI自動化プロジェクトを推進しました。
• データ品質の確保が最大のボトルネックであったため、Excel管理を廃止し「簡易入力アプリ」を開発するなど、運用ルールの徹底的な設計改善を行いました。
• 予測精度95%を達成し、販売計画作成業務の効率化を実現しましたが、成功の鍵は技術導入以上に「データ統制とプロセスの再定義」にあることが示されています。

情シスへの影響

AIによる自動予測システムの構築・運用（AWSベース）:

• システム統合: 既存のデータベースやBIツールを維持しつつ、外側にAI予測エンジン（Chronos-2/AWS Step Functions/Lambdaなど）として組み込むアーキテクチャが採用されています。

• データパイプライン設計: 過去の実績データ取得→AIモデルへの投入→結果の取り出し・可視化という一連の流れ（データフロー）をサーバーレスで構築する必要があります。

• インターフェース開発: 手動でのExcel管理やバラバラな入力運用からの脱却を目指し、業務特有の「簡易入力アプリ」といった現場向けのUI/UX設計と開発が必要です。特にデータバリデーションや強制入力ルールの組み込みが重要になります。

影響範囲

クラウド環境: AWS（AWS Step Functions, AWS Lambdaなどのサーバーレスサービス）

対象モデル: Amazon Scienceによる時系列基盤モデル「Chronos-2」

影響範囲: 販売計画システム全般、データ収集・処理パイプライン、BIツール連携機能。旧Excel管理を含む入力フロー全体。

要確認：貴社で利用している販売実績データの種類（季節性、商品コードの変更頻度など）と、現在の業務プロセスからの乖離点。

重要度

★★★☆☆

対象者

• M365管理者
• Entra管理者
• AD管理者
• Linux管理者
• ネットワーク管理者
• セキュリティ担当者
• データエンジニア

優先度

計画的に対応

優先度の理由

本事例は特定のAIモデル導入やクラウドインフラ構成の参考例であり、緊急で脆弱性をパッチ適用するような状況ではありません。しかし、業務プロセスの見直しとデータ品質向上は大規模な施策となるため、PoC（概念実証）として計画的に検討・実行することが推奨されます。

確認手順

• AI導入を検討しているコア業務プロセスを特定し、現行のワークフロー図を作成する。
• 業務プロセスのボトルネックとなっている「手作業によるデータ入力」や「属人化された判断要素」を洗い出す。
• 利用可能なデータを棚卸しし、「データの欠損」「不統一な形式（ルール）」「経年的なバイアス」といった課題点を特定する。
• スモールスタートとして、影響範囲が限定的でデータ取得が比較的容易な商材・部署からAI予測のPoCを実施する計画を立てる。