サプライチェーン最適化戦略に向けたアプローチ

PSI（生販在）計画の仕組みと在庫削減の実践手法

需要予測 ・ 安全在庫最適化 ・ 多段階在庫最適化（MEIO） ・ S&OP/IBP

2026年7月

本資料は、勘と経験に依存してきたサプライチェーン管理（SCM）を「データ駆動」へ転換するための戦略アプローチを体系的に解説する。特に、需給を統合的に調整するPSI（生産・販売・在庫）計画の仕組みと、過剰在庫と欠品を同時に抑える在庫削減の具体的手法（安全在庫の理論・MEIO・ABC/XYZ分析など）に踏み込む。製造業・卸売業のSCM／生産管理／経営企画の実務者を主な読者として想定している。

目次

・第一章　なぜ今「データ駆動SCM」なのか

・第二章　SCM最適化の全体像とフレームワーク

・第三章　PSI（生産・販売・在庫）計画の仕組み

・第四章　需要予測の高度化 ― PSIの起点

・第五章　在庫最適化と在庫削減の具体手法

・第六章　SCMのKPIとモニタリング

・第七章　データ駆動SCM 実装ロードマップ

・第八章　グローバルPSIの産業別要件

・第九章　購買コスト最適化の手法

・第十章　SCM最適化の技術スタックと技術別比較

・第十一章　データ駆動SCMの実装事例と投資評価

・第十二章　推奨アーキテクチャ・ガバナンス・実装チェックリスト

・第十三章　結論 ― 在庫は「減らす」のではなく「最適化する」

第一章　なぜ今「データ駆動SCM」なのか

1-1　SCMが直面する構造的課題

サプライチェーンは、需要変動の拡大・地政学リスク・短納期化・SKU（品目）の多様化により、かつてない不確実性（VUCA）に晒されている。この環境下で企業は「欠品による機会損失」と「過剰在庫によるキャッシュ・廃棄ロス」という二律背反に常に直面する。両者を同時に抑え込むには、担当者の勘と経験だけでは限界があり、データに基づく需給の可視化と最適化が不可欠となっている。

1-2　在庫がもつ二面性 ― 資産か、悪か

在庫は「需要変動を吸収する調整弁」として不可欠である一方、過剰になれば運転資本を圧迫し、保管費・陳腐化・廃棄コストを生む「隠れた負債」となる。重要なのは在庫を一律に減らすことではなく、「必要な場所に、必要な量だけ」持つ最適配置である。

・在庫の効用：需要と供給のタイミング差・変動を吸収し、欠品を防ぎ、生産を平準化する

・在庫の弊害：運転資本の固定化、保管・保険費、陳腐化・廃棄、品質劣化、問題の隠蔽（在庫が課題を覆い隠す）

1-3　ブルウィップ効果 ― 需要変動が増幅される仕組み

小売の実需のわずかな変動が、卸→メーカー→部品→素材とサプライチェーンを遡るほど増幅されて伝わる現象を「ブルウィップ（鞭）効果」と呼ぶ。各段階が実需ではなく「発注情報」を基に予測し、安全策として多めに発注することで、上流ほど需要のブレが拡大し、過剰在庫と欠品を交互に引き起こす。

・主因：実需情報の分断、需要予測の各段階での独立実施、まとめ発注（ロット化）、価格変動・販促による思惑買い

・抑制策：実需（POS・出荷）データの川上への共有、VMI/CPFRによる協調補充、発注ロットの見直し、リードタイム短縮

? ブルウィップ効果の本質は「情報の分断」である。データ駆動SCMの第一歩は、各段階が同じ実需データを見る「単一の真実（Single Source of Truth）」を作ることにある。

第二章　SCM最適化の全体像とフレームワーク

2-1　SCORモデル ― SCMを5つのプロセスで捉える

SCM改革の共通言語として広く使われるのがSCOR（Supply Chain Operations Reference）モデルである。サプライチェーンを5つの基本プロセスに分解し、標準KPIで評価する。データ駆動SCMは、この各プロセスからデータを収集・統合し、Plan（計画）の精度を高めることに主眼を置く。

プロセス	内容	主なデータ	代表KPI
Plan（計画）	需要予測・需給計画・在庫計画	需要履歴・予測・能力	予測精度・計画遵守率
Source（調達）	部材の調達・仕入先管理	発注・入荷・LT実績	調達LT・入荷遵守率
Make（製造）	生産・組立	生産指図・実績・能力	生産遵守率・稼働率
Deliver（配送）	出荷・輸配送・納品	受注・出荷・輸送	納期遵守率・充足率
Return（返品）	返品・リコール・回収	返品・不良	返品率・回収LT

2-2　S&OP／IBP ― 計画を経営と結ぶ

PSIや在庫最適化を「現場の計画」で終わらせず、経営の意思決定と結びつけるプロセスがS&OP（販売・生産計画）、およびその発展形のIBP（統合事業計画）である。需要・供給・財務を単一の計画に統合し、月次でトップも参加して需給ギャップと在庫方針を合意する。データ駆動SCMは、このS&OPの土台となる予測と在庫計画を高度化する。

2-3　データ駆動SCMの成熟度モデル

段階	状態	計画手法	在庫の決め方
Lv1 属人	Excel・勘と経験	担当者が個別に判断	経験則の固定日数
Lv2 可視化	データ集約・BI	実績の見える化	過去平均＋バッファ
Lv3 統合計画	PSI/S&OP運用	需給を統合調整	統計的安全在庫
Lv4 最適化	MEIO・最適化エンジン	制約下で最適解	ネットワーク最適配置
Lv5 自律	AI・デジタルツイン	需要センシング・自動補充	リアルタイム動的最適

? 多くの日本企業はLv1〜2に留まる。まずPSIによる需給統合（Lv3）を確立し、そのうえでMEIO・AI（Lv4-5）へ段階的に進むのが現実的な最適化の道筋である。

第三章　PSI（生産・販売・在庫）計画の仕組み

3-1　PSIとは何か ― 生販在をつなぐ

PSIとは Production（生産・入庫）・Sales（販売・出庫）・Inventory（在庫）の3要素を、時間軸に沿って一体で管理する需給調整の考え方である。「販売でどれだけ出て」「生産でどれだけ入り」「結果として在庫がどうなるか」を1枚の計画表で連動させ、過剰・欠品を未然に防ぐ。日本の製造業では「生販在（せいはんざい）計画」とも呼ばれる。

・P（Production/入庫）：生産・仕入・入荷など、在庫を増やす動き

・S（Sales/出庫）：販売・出荷・消費など、在庫を減らす動き

・I（Inventory/在庫）：PとSの差の累積。需給のタイミング差を吸収する調整レバー

3-2　PSIテーブルの構造 ― 在庫は「引き算」で決まる

PSIの中核は、期間（週・月）ごとに在庫残高を積み上げる単純な恒等式である。この式が全期間・全SKU・全拠点で成立するように計画を組むことが、PSI計画の実務そのものである。

■ PSIの基本恒等式

期末在庫 ＝ 期首在庫 ＋ 入庫(P) － 出庫(S)

例）期首100 ＋ 生産入庫80 － 販売出庫120 ＝ 期末在庫60

　→ 翌期はこの期末60が期首に繰り越される（ローリング）

この表を横（時間軸）に展開すると、将来のどの週に在庫が過剰になり、どの週に欠品（マイナス在庫）が発生するかが一目で分かる。欠品が見えた時点で「前倒し生産」「代替調達」などの手を早期に打てる点がPSIの価値である。

項目	第1週	第2週	第3週	第4週
期首在庫	100	60	40	70
入庫 P（生産）	80	100	130	90
出庫 S（販売）	120	120	100	110
期末在庫 I	60	40	70	50
安全在庫ライン	50	50	50	50

上表では第2週に在庫が安全在庫ライン（50）へ接近している。PSIはこうした「先行き危険水域」を事前に可視化し、第1〜2週に生産を前倒しするなどの調整判断を促す。

3-3　販売起点の「逆算式」計画

PSIは販売計画（需要予測）を起点に、必要な在庫を保ちながら生産・補充量を逆算するトップダウンで組むのが基本である。「売れる分＋持つべき在庫－今ある在庫」から必要な入庫量を導く。

■ 必要生産・補充量の逆算

必要入庫量(P) ＝ 期間販売(S) ＋ 目標期末在庫 － 期首在庫

　　目標期末在庫 ＝ 安全在庫 ＋ サイクル在庫（次期販売への備え）

ただし現場には生産能力・最小ロット（MOQ）・調達リードタイムといった制約がある。そこで逆算した「あるべき計画」と、供給側の「作れる・運べる計画」をボトムアップで突き合わせ、需給ギャップを調整する。この需給突合こそがPSI運用の勘所である。

3-4　PSIの多次元性と運用サイクル

・多次元：PSIは「SKU × 拠点（工場・倉庫・チャネル） × 期間」の3次元で管理する。拠点間の在庫移動も入出庫として表現する

・バケット：短サイクル（週次・日次）と中長期（月次）を併用。直近は精緻に、遠期は大枠で計画する

・ローリング：期末在庫を翌期の期首に繰り越し、毎週/毎月計画を更新し続ける「ローリング計画」で運用する

・役割分担：需要計画（営業・マーケ）、供給計画（生産・調達）、在庫方針（SCM/経営）が同じPSI上で合意する

【事例】 季節変動の大きい消費財メーカー：月次販売計画を起点にPSIで生産・在庫を逆算する「逆算式管理」を導入。需要ピーク前の平準化生産と安全在庫の動的見直しにより、過剰在庫の発生リスクを30%以上低減した。

第四章　需要予測の高度化 ― PSIの起点

PSIの精度は、起点となる需要予測（販売計画）の精度で決まる。予測が外れれば、その誤差はそのまま過剰在庫か欠品に直結する。データ駆動SCMでは、統計とAIを組み合わせて予測精度を高め、さらに「予測の外れ」を前提とした安全在庫設計とセットで運用する。

4-1　予測手法 ― 統計からAI・デマンドセンシングへ

手法	概要	向くケース
移動平均・指数平滑	過去実績の平滑化	安定・定番品
季節・トレンド分解	季節性と傾向を分離	季節商品
機械学習（回帰・勾配ブースティング）	多変数（価格・天候・販促）を学習	変動要因が多い品
デマンドセンシング	POS・天候・SNS等で短期需要を即応検知	需要変動の激しい品

近年はAIが、天候・気温・販促カレンダー・SNSセンチメントなど多様な外部データを取り込み、局所的・短期的な需要変動を高精度に捉える「デマンドセンシング」が実用化している。

4-2　予測精度の測り方

予測を改善するには、まず精度を定量的に測る必要がある。代表指標は次のとおり。

・MAPE（平均絶対誤差率）：|実績−予測|/実績 の平均。低いほど高精度。品目特性で目標値を設定する

・バイアス（偏り）：予測が恒常的に過大/過小になっていないか。プラス偏り＝在庫過剰の温床

・Forecast Value Added（FVA）：人手の介入が単純予測より精度を上げているかを検証。無駄な手修正を排除する

? 「予測精度100%」は不可能である。重要なのは精度を上げる努力と、残る誤差を安全在庫で吸収する設計を両輪で回すこと。予測改善と在庫最適化は分離できない。

第五章　在庫最適化と在庫削減の具体手法

本章はPSIと並ぶ本資料の核心である。在庫を「なぜ持つのか」を分解し、欠品を悪化させずに在庫を減らす具体的なレバーを、理論（数式）と実務手法の両面から解説する。

5-1　在庫の分解 ― どの在庫を減らせるのか

在庫削減の第一歩は、在庫を目的別に分解し、「減らせる在庫」と「必要な在庫」を切り分けることである。

在庫の種類	役割	削減アプローチ
サイクル在庫	発注ロット単位で持つ通常在庫	発注ロット/頻度の最適化（EOQ）
安全在庫	需要・LT変動に備える緩衝	予測精度向上・LT短縮・サービスレベル適正化
仕掛在庫（WIP）	工程間の中間在庫	LT短縮・工程平準化・ボトルネック解消
輸送中在庫	移動中の在庫	輸送LT短縮・拠点配置見直し
戦略/先行在庫	需要期・リスクへの備え	需給計画精度向上・平準化生産
滞留・デッド在庫	売れ残り・陳腐化	早期可視化・処分・発注停止

5-2　安全在庫の理論 ― 削減の急所

在庫削減で最も効くのが安全在庫の最適化である。安全在庫は「需要とリードタイムのばらつき」に対して、目標のサービスレベル（欠品を許さない確率）を満たすために持つ緩衝在庫であり、次式で表される。

■ 安全在庫の基本式

SS ＝ Z × σ_d × √LT （リードタイムが安定の場合）

より正確には（需要とLTの両方が変動する場合）：

SS ＝ Z × √( LT × σ_d² ＋ d² × σ_LT² )

　Z ＝ サービスレベル係数（例 95%→1.65、99%→2.33）

　σ_d ＝ 需要のばらつき（標準偏差）

　σ_LT＝ リードタイムのばらつき（標準偏差）

　d ＝ 平均需要　／　LT ＝ 平均リードタイム

この式は、在庫削減の「効くレバー」を明確に示している。安全在庫は各要素に比例するため、以下を改善すれば安全在庫は直接減る。

・Zを下げる：全品一律に高サービスレベルを課さず、ABC分析で重要品のみ高水準にする（メリハリ）

・σ_d を下げる：需要予測精度を上げ、需要変動そのものを平準化する（販促の平準化・情報共有）

・LT を短縮する：安全在庫はLTの平方根に比例。リードタイム短縮は極めて効果が大きい

・σ_LT を下げる：リードタイムの「ばらつき」を抑える。安定調達・信頼できるサプライヤーが在庫を減らす

? 「安全在庫はLTの平方根に比例」が最重要ポイント。例えばリードタイムを4分の1に短縮すると、安全在庫は半分（√1/4=1/2）になる。LT短縮は在庫削減の最強レバーである。

5-3　在庫削減の12レバー（総覧）

#	レバー	仕組み・効果
1	需要予測精度の向上	σ_d を下げ安全在庫を削減。AI/デマンドセンシング活用
2	リードタイム短縮	√LTで効く最強レバー。近距離調達・内製化・工程短縮
3	LTばらつきの低減	安定調達・複社購買・サプライヤー評価で σ_LT を圧縮
4	サービスレベルの適正化	ABC分析でZにメリハリ。全品一律の過剰保証をやめる
5	ABC/XYZ分析	重要度×変動性で在庫方針を差別化
6	MEIO（多段階最適化）	ネットワーク全体でリスクプーリングし総在庫を圧縮
7	発注ロット最適化（EOQ）	発注費と保管費のバランスでサイクル在庫を最小化
8	リスクプーリング（拠点集約）	在庫を集約し変動を相殺、総安全在庫を削減
9	ポストポーンメント（延期化）	共通半製品で保持し、確定後に最終化して在庫種類を圧縮
10	部品共通化・モジュール化	品目数を減らし需要を集約、予測しやすく
11	VMI/CPFR	実需連動の協調補充でブルウィップと在庫を抑制
12	滞留在庫の可視化・処分	デッドストックを早期発見し発注停止・処分・転用

5-4　ABC/XYZ分析 ― メリハリのある在庫方針

全品目に同じ在庫方針を適用するのは非効率である。ABC分析（金額・出荷量の重要度）とXYZ分析（需要変動の大きさ）を掛け合わせ、品目を9象限に分けて方針を差別化する。

区分	特性	推奨在庫方針
AX（重要・安定）	売れ筋で予測しやすい	在庫を絞り高回転。自動補充・JIT
AZ（重要・変動大）	売れ筋だが読みにくい	安全在庫を厚めに。デマンドセンシング重点
CX（低重要・安定）	少額で安定	発注を簡素化・まとめ発注
CZ（低重要・変動大）	少額で読みにくい	受注生産/都度手配。定番在庫は最小化

5-5　MEIO ― ネットワーク全体で在庫を最適化

従来の在庫管理は拠点ごと・単一段階（シングルエシェロン）で安全在庫を計算するため、サプライチェーン全体では在庫が重複し過剰になりがちである。MEIO（多段階在庫最適化）は、工場→中央倉庫→地域倉庫→店舗といった多段階ネットワーク全体を一体で捉え、「どの段階に、どれだけ在庫を置けば、全体のサービスを最小在庫で満たせるか」を数理最適化で解く。

・リスクプーリング：上流に在庫を集約すると個々の変動が相殺され、必要な総安全在庫が減る

・最適配置：需要に近い下流には応答性のための在庫を、上流には汎用の緩衝在庫を配置し全体最適を図る

・前提データ：品目マスタ・BOM・拠点階層・LTとばらつき・現在庫/輸送中・実需履歴・発注制約（MOQ等）

【効果イメージ】 多段階ネットワークを持つメーカー：拠点別に個別最適化していた安全在庫をMEIOでネットワーク最適化し、同一のサービスレベルを維持しながら総在庫を10〜30%削減。リスクプーリングにより上流在庫を集約したことが効いた。

5-6　発注方式とEOQ ― サイクル在庫の最小化

サイクル在庫は「まとめ発注」によって生じる。発注1回あたりのコスト（段取り・輸送）と保管コストはトレードオフの関係にあり、両者の合計を最小化する発注量が経済的発注量（EOQ）である。

■ 経済的発注量（EOQ）

EOQ ＝ √( 2 × D × S ／ H )

　D＝年間需要量　S＝1回あたり発注費　H＝1個あたり年間保管費

発注方式：定量発注（発注点方式）／ 定期発注（サイクル発注）を品目特性で使い分ける

5-7　滞留・デッドストック対策

・可視化：滞留日数・最終出荷日でデッドストックを自動抽出し、在庫金額と占有スペースを見える化する

・発注停止ルール：一定期間動かない品目は自動で発注保留・アラートを出す

・出口設計：値引き販売・他拠点転用・用途転換・計画的廃棄を「損切りルール」として事前に決めておく

⚠ 滞留在庫の放置は二重の損失。保管費を払い続けながら、いずれ廃棄損として計上される。「もったいない」で塩漬けにせず、早期の損切り判断が結果的にキャッシュとスペースを守る。

第六章　SCMのKPIとモニタリング

6-1　在庫と需給を測る主要KPI

KPI	定義	意味
在庫回転率	売上原価 ÷ 平均在庫	在庫が年何回入れ替わるか。高いほど効率的
在庫日数（DOS/DII）	平均在庫 ÷ 1日あたり出荷	何日分の在庫を持つか。短いほど身軽
充足率（Fill Rate）	即納できた量 ÷ 要求量	欠品させずに応えられた割合
欠品率	欠品発生 ÷ 需要	サービスレベルの裏返し
予測精度（MAPE）	予測誤差率	PSI・在庫計画の土台の質
CCC（現金化速度）	在庫日数＋売掛日数−買掛日数	在庫が現金に戻る速さ。運転資本効率
GMROI	粗利 ÷ 平均在庫原価	在庫投資が生む粗利効率

6-2　コントロールタワーによる可視化

KPIを月次の事後報告で終わらせず、需給・在庫・輸送をリアルタイムに統合監視する「コントロールタワー」で運用する。異常（欠品リスク・過剰・遅延）を検知したら即座にアラートし、PSIの再計画へつなぐ。これによりSCMは「事後対応」から「先読み対応」へ進化する。

? KPIは「トレードオフのセット」で見る。在庫だけ減らせば欠品が増える。回転率・充足率・予測精度を同時にダッシュボードで監視し、バランス点を探ることが最適化の本質である。

第七章　データ駆動SCM 実装ロードマップ

7-1　段階的アプローチ

フェーズ	取り組み	前提データ	得られる成果
第1: 可視化	在庫・需給データの一元化とBI	品目/拠点/LT/実需の整備	現状の定量把握
第2: PSI統合	生販在をPSIで統合・需給突合	販売計画・生産能力	過剰/欠品の事前検知
第3: 在庫最適化	安全在庫の統計化・ABC/XYZ	需要・LTのばらつき	適正在庫の実現
第4: 高度最適化	MEIO・S&OP/IBP運用	ネットワーク全体データ	総在庫の構造的削減
第5: 自律化	AI予測・デマンドセンシング・自動補充	リアルタイムデータ	動的な需給自律調整

7-2　成功要因と落とし穴

・データ品質が全て：予測も最適化も、品目マスタ・LT実績・実需履歴の質に比例する（Garbage In, Garbage Out）

・プロセスと組織：ツール導入より、営業・生産・SCMが同じPSIで合意するS&OPの「運用の型」づくりが本丸

・段階導入：いきなりMEIO/AIを狙わず、PSIによる需給統合を土台として固めてから高度化する

・KPIの同時監視：在庫削減だけを目標にすると欠品を招く。充足率・回転率をセットで管理する

⚠ ツールは魔法ではない。高度な最適化エンジンを入れても、需要計画の合意プロセスとデータ整備がなければ機能しない。「仕組み（PSI/S&OP）」→「データ」→「ツール」の順で土台を固めることが、遠回りに見えて最短である。

第八章　グローバルPSIの産業別要件

これまで述べたPSIを、複数国・複数拠点・複数通貨にまたがるグローバル・サプライチェーンで運用するのがグローバルPSIである。国内PSIに比べ、輸送リードタイムが長く、関税・貿易規制・地政学リスクが絡み、需要地と供給地が地理的に乖離する。さらに、産業ごとに製品特性・規制・需要パターンが大きく異なるため、PSIに求められる機能も産業別に作り分ける必要がある。

8-1　グローバルPSIが国内PSIと異なる点

・多拠点・多国・多通貨：工場・地域倉庫・販売拠点が国をまたぐ。通貨・単位・カレンダーの換算が必要

・長い輸送リードタイム：海上輸送など数週間規模のLT。輸送中在庫が大きく、先読み計画の重要性が増す

・貿易・関税・規制：原産地・関税・輸出入規制（GTS領域）が調達・配分の判断に影響する

・拠点間配分（DRP）：どの拠点で作り、どの拠点へ配るかの配分計画（Distribution Requirements Planning）が加わる

・リスク分散：単一供給・単一拠点集中のリスクに対し、複線化とリスクプーリングの設計が要る

8-2　産業別に見るPSIの要件

同じPSIでも、消費財と医薬品と自動車と設備装置では「重視すべき機能」がまったく異なる。代表的な4産業について、需要特性と持つべきPSI機能を整理する。

産業	製品・需要の特性	PSIで重視する機能	在庫の勘所
消費財（CPG）	多SKU・多チャネル・販促と季節で急変・短ライフサイクル	販促加味の需要センシング／チャネル別PSI／賞味期限(FEFO)管理	高サービスレベル。売れ筋は薄く速く、死に筋は最小化
医療・医薬	厳格な規制・トレーサビリティ・温度管理・欠品=患者影響	ロット/有効期限管理・FEFO／シリアライゼーション／供給責任重視	安全在庫は厚め。規制と品質を最優先、欠品を厳に回避
自動車	JIT/JIS・内示と確定の二層・多階層サプライヤー	内示(フォーキャスト)と確定オーダーの二層計画／かんばん逐次補充／平準化	工程間在庫を極小化。平準化生産で変動を吸収
設備装置・産業機械	受注生産(ETO/MTO)・長納期部品・プロジェクト型	多年度の需要予測／長納期部品の先行手配／プロジェクト別PSと保守部品計画	完成品在庫は最小、長納期部品と保守部品を戦略在庫化

8-3　消費財（CPG）― スピードと鮮度の勝負

消費財は多数のSKUを多チャネルで扱い、販促・季節・トレンドで需要が急変する。PSIには販促効果や天候を織り込む需要センシング、チャネル別の需給計画、そして食品では賞味期限（FEFO）に基づく在庫回転が求められる。サービスレベル（棚欠品の回避）がブランド価値に直結するため、売れ筋は薄く速く回し、死に筋は素早く絞る「メリハリ」が要諦となる。

8-4　医療・医薬 ― 規制と供給責任

医薬・医療機器は、厳格な規制・完全なトレーサビリティ・コールドチェーン（温度管理）を前提とする。ロットと有効期限の厳密な管理、FEFO（先失効先出し）、シリアライゼーション（個体識別）が必須である。欠品が患者の生命に直結しうるため、安全在庫は他産業より厚めに設定し、サービスレベルとコンプライアンスをコスト効率より優先する設計が基本となる。

8-5　自動車 ― 内示と確定の二層計画

自動車は完成車メーカーの生産計画に同期したJIT/JIS供給が基本で、中長期の「内示（フォーキャスト）」と短期の「確定オーダー」を二層で扱うPSIが求められる。多階層サプライヤー網の全体で需要を平準化し、かんばんによる逐次補充で工程間在庫を極小化する。バッチトレーサビリティやEDI連携など、川上との緊密な情報共有がブルウィップ抑制の鍵となる。

8-6　設備装置・産業機械 ― 長納期とプロジェクト型

設備装置・産業機械は受注生産（ETO/MTO）が中心で、案件パイプラインを多年度の需要予測へ変換し、長納期部品を先行手配してリスクを抑える。プロジェクト単位のPSI（プロジェクト別の部材計画）と、納入後の長期にわたる保守部品（サービスパーツ）計画の二本立てが必要となる。What-ifシナリオで長納期部品の供給リスクを事前評価することが競争力を左右する。

? グローバルPSIに「唯一の正解」はない。産業の製品特性・規制・需要変動に合わせて「どの機能を厚くするか」を設計することが、グローバル在庫最適化の出発点である。

8-7　グローバルPSI基盤に共通して必要な機能

・多拠点在庫の可視化：全世界の在庫・輸送中在庫を単一の真実として一元可視化する

・拠点間配分（DRP）：需要地への最適配分と補充を計画する

・制約考慮：生産能力・輸送・関税・通貨をシナリオに織り込む

・サービスレベル別在庫方針：ABC/XYZと産業特性に応じた差別化

・コラボレーション：拠点間・サプライヤーとの計画共有でブルウィップを抑える

第九章　購買コスト最適化の手法

SCMのコストの過半は、部材・外注などの購買費（調達支出）が占める。したがって購買コストの最適化はSCM全体の収益に直結する。単なる「値引き交渉」ではなく、支出の可視化から戦略ソーシング、仕様の見直しまで多層の手法を体系的に組み合わせることが重要である。戦略的な購買改革は一般に10〜20%のコスト削減をもたらすとされる。

9-1　スペンド分析 ― 可視化が出発点

購買改革は「何に、いくら、誰から買っているか」を正確に把握することから始まる。スペンド分析は、全社の支出をカテゴリ・サプライヤー・部門別に分類・可視化し、削減余地を特定する。

・テールスペンドの把握：少額・多数の分散購買（ロングテール）が管理外コストの温床になる

・マーベリック支出：契約外の野良発注を検出し、契約集約による価格改善につなげる

・サプライヤー集約余地：同一品目を複数サプライヤーからバラバラに買っていないかを可視化する

9-2　カテゴリマネジメントとクラルジックマトリクス

支出をカテゴリ（品目群）に分け、カテゴリごとに市場環境に応じた戦略を立てるのがカテゴリマネジメントである。その戦略立案の古典的フレームが、供給リスクと利益インパクトの2軸で品目を4象限に分けるクラルジック・マトリクスである。

象限	特性（供給リスク×利益影響）	推奨する購買戦略
戦略品目	高リスク × 高影響	長期パートナーシップ・共同開発・複線化
ボトルネック品目	高リスク × 低影響	供給確保優先・在庫確保・代替品開発
レバレッジ品目	低リスク × 高影響	競争入札・集約購買で価格を最大限引き下げ
非重要品目	低リスク × 低影響	購買プロセスの自動化・簡素化

9-3　コスト最適化の主要手法

#	手法	仕組み・効果
1	集約購買（ボリューム集約）	拠点・部門横断で購買量を束ね、規模で単価を引き下げる
2	競争入札・複社購買（e-sourcing）	RFQ/逆オークションで競争環境を作り価格を最適化
3	TCO（総保有コスト）分析	購入価格でなく、保守・在庫・不良・廃棄まで含めた総コストで判断
4	ショルドコスト分析	原材料費・加工費・利益を積み上げ「あるべき原価」で交渉
5	VA/VE（価値分析・価値工学）	機能を落とさずコストを下げる設計・仕様の見直し
6	仕様の標準化・共通化	過剰仕様の是正と部品共通化で品目数と単価を削減
7	デマンドマネジメント	そもそも買う量・頻度を見直し、需要側から支出を抑える
8	支払条件の最適化	早期支払割引・支払サイト調整でキャッシュとコストを最適化
9	グローバル/ニアショア調達	調達地の見直しで単価・関税・リードタイムのバランスを取る
10	契約・SLAの最適化	価格改定条項・数量コミット・SLAを契約で有利に設計

9-4　戦略ソーシングのプロセス

これらの手法は、単発ではなく「戦略ソーシング」という継続的サイクルとして回すことで効果が持続する。

1. 支出分析：カテゴリ・サプライヤー別に支出を可視化し優先領域を選定

2. 市場分析：供給市場の構造・サプライヤー能力・コスト構造を調査

3. 戦略策定：クラルジックに基づき集約・複線化・パートナー化などの方針を決定

4. ソーシング実行：RFI/RFQ/逆オークションで候補を評価・選定

5. 交渉・契約：TCO/ショルドコストを根拠に交渉し、契約・SLAを締結

6. 履行・評価：納入品質・コスト削減効果を測定し、次サイクルへ（継続的改善）

9-5　デジタル・AIの活用

・スペンド分析AI：支出データを自動分類・名寄せし、削減機会を提示

・e-ソーシング：RFQ・逆オークション・入札評価をデジタル化（AIによる提案比較）

・ショルドコストAI：図面・仕様から「あるべき原価」を自動推定し交渉を支援

・契約インテリジェンス：契約条項をAIが分析し、リスク条項・更新期限を検知

【効果イメージ】 戦略ソーシングとTCOの徹底：支出可視化・サプライヤー集約・競争入札・仕様最適化を組み合わせることで、調達コストは一般に10〜20%削減されるとされ、TCOベースの調達では3年で最大30%のコスト削減に至る例もある。

? 購買コスト最適化の要諦は「価格の叩き合い」ではなく「総コスト（TCO）と価値（VA/VE）」で考えること。短期の値引きは関係悪化や品質低下を招きうる。可視化→戦略→継続改善の型を回すことが持続的な削減につながる。

第十章　SCM最適化の技術スタックと技術別比較

データ駆動SCMの成果は「AI/ML単体」では生まれにくい。近年のレビュー研究が示すのは、需要予測の機械学習に、制約付き意思決定の数理最適化、不確実性評価のシミュレーション、全体可視化のデジタルツインを共通データ基盤の上に重ね、ERP・WMS・TMS・S&OPへ実行反映する「閉ループ」を作る構成が、最も再現性が高いという点である。本章では各技術の適用条件・強み・限界を俯瞰する。

10-1　技術別の比較

技術領域	代表方式	向く条件	主な強み	主な限界
統計予測	ETS・ARIMA・季節調整	履歴が安定・説明変数が少ない	解釈性が高く実装が軽い	新商品・間欠需要・外部ショックに弱い
勾配ブースティングML	XGBoost・LightGBM	気象・販促・価格など外部特徴量あり	外的要因を扱いやすく精度/速度が良い	長期依存は追加設計が必要
深層学習予測	LSTM・TCN・Transformer	高粒度・多系列・大量データ	非線形・長期依存を学習しやすい	学習コスト・説明性・MLOps負荷
制約最適化	LP・MILP・MINLP	制約が明確で監査可能性が要る	制約順守・費用最小化・説明責任	モデル化工数・動的追随の設計
不確実性最適化	確率計画・ロバスト最適化	需給・供給・リスクの不確実性大	ばらつき・最悪ケースに備える	シナリオ設計と計算量
強化学習	DQN・A2C・MARL	頻繁な逐次意思決定・動的制御	方策を逐次改善、動的制御に強い	大規模action・説明性・安全制約
シミュレーション	離散事象・モンテカルロ・ABM	数式化しにくい現場・what-if	現場再現性・感度分析に強い	最適化でなく前提に依存
デジタルツイン	同期＋シミュ＋最適化	上流〜下流の可視化とシナリオ比較	E2E可視化・予測/処方的分析	pilot止まり・統合/投資負担大
データパイプライン	CDC・API/EDI・イベント・Lake	複数システム/企業/層の統合	単一の真実・リアルタイム・監査	価値が出るまで整備期間が必要

10-2　最も再現性の高い「勝ち筋」

レビュー群を総合すると、勝ち筋は需要予測MLを単体導入することではなく、「予測誤差が安全在庫・補充・輸配送にどう効くか」を、最適化とシミュレーションまでつなげることにある。需要予測精度の改善は安全在庫の低減に直結し（第五章の安全在庫式のσ低減）、さらに感度分析シミュレーションで頑健性を検証する、という一連の数理接続が成果を生む。

10-3　データパイプライン ― 単一の真実を作る

・共通データクラウド：需要・在庫・輸送・サプライヤー情報を統合し、局所最適の寄せ集めを防ぐ

・連携方式：CDC・API/EDI・イベントストリーミング・Lakehouseでリアルタイム反映と監査性を確保

・イベント標準（GS1 EPCIS）：トレーサビリティや鮮度・証明書情報の企業間連携を容易にする（IBM Food Trustが参照例）

? SCM最適化の失敗は「AIが弱い」からではなく、運用対象がまだAIで扱えるほど整流化されていないことに起因する場合が多い。データ統合と業務プロセス統合を、モデル高度化より先に整えることが鉄則である。

第十一章　データ駆動SCMの実装事例と投資評価

11-1　公開実運用事例（実名・定量）

公開情報が比較的具体的な事例を、成功／難航の観点で整理する。成功事例は例外なく、予測モデルそのものよりもデータ統合と業務プロセス統合を先に整えている。

事例	業界・規模	主な効果	示唆
SLB	エネルギー・超大規模	一部事業で予測精度〜90%、4年で$1B超の在庫削減、3年でDIO▲37%	E2Eプロセス・変更管理・データ統合が成功要因（SAP IBP）
Super Retail Group	小売・年商$2B超	10か月で統合予測・補充を稼働、保有在庫と安全在庫▲約20%	クラウドでpilot→拡張しやすさが鍵（Blue Yonder）
ODP Corporation	小売・B2B・3PL	予測精度 小売+16%/B2B・EC+5%、$30M在庫削減	手組みロジックからの脱却（Blue Yonder）
Amazon Pharmacy	ヘルスケア小売	日次MAPE 5%（業界目標10%以下より良好）、手作業 週約5時間削減	粒度を「日次」まで下げたことが奏功（AWS Supply Chain）
Starbucks	外食・グローバル	（難航例）AI在庫計数の誤認識・自動発注の巻き戻し	分断サプライヤー・旧式基幹・急ぎすぎた現場自動化が原因

? 難航事例に共通するのは、サプライヤー標準化不足・現場在庫データの不整合・旧式基幹・急ぎすぎた自動化である。「分断データのまま自動化を急ぐと、精度より先に不信感が広がる」ことを、失敗事例は示している。

11-2　リスク調整済みROIモデル

デジタルツイン等の効果は単一KPIの最大改善でなく、多数の小〜中規模効果の合算として現れる。そのため投資評価は、費用・実現確率・業務効果を分離して扱うリスク調整ROIモデルが妥当である。

■ リスク調整ROIモデル

総便益 ＝ 在庫圧縮 ＋ 保有コスト削減 ＋ 欠品/売逃し改善 ＋ 緊急輸送削減

　　　　＋ 廃棄/陳腐化削減 ＋ 計画業務生産性向上

リスク調整便益 ＝ 総便益 × DQ × AD × PX × CX

　DQ＝データ品質係数 AD＝現場採用係数

　PX＝パートナー接続係数 CX＝コンプラ/セキュリティ係数

5年ROI ＝（5年累計リスク調整便益 − 5年累計コスト）／ 5年累計コスト

11-3　ベースケース試算と感度分析

売上$1B・COGS$0.7B・在庫60日の中堅〜大手企業を想定した試算では、基準シナリオで5年ROI約73%・回収約20か月となる。重要なのは、技術そのものより「実現係数（DQ/AD/PX）」がROIを大きく左右する点である。

シナリオ	年間便益	5年ROI	回収期間	代表的前提
悲観	$2.6M	約8%	約36〜40か月	マスタ整備遅延・採用率低・外部接続限定
基準	$3.8M	約73%	約20か月	需要・在庫・補充に限定した段階導入
強気	$5.2M	約130%	約12〜14か月	予測・在庫・輸送まで統合、現場利用率が高い

11-4　主要リスクの定量化フレーム

リスク	測定指標	閾値例	ROIへの反映
データ品質	欠損率・マスタ整合率・LT履歴信頼度	重要項目整合率95%未満で警戒	DQ 0.6〜0.9で調整
組織採用	planner override率・例外処理時間	override高止まりで便益棄損	AD 0.5〜0.95で調整
外部接続	Tier1/3PL接続率・ASN/EDI/APIカバー	Tier1カバー率60%未満で限定効果	PX 0.4〜0.95で調整
規制・セキュリティ	DPIA・越境移転管理・アクセス権	未整備なら稼働制限・追加費用	CX 0.6〜1.0で調整

⚠ 実現係数が要：データ品質・現場採用・パートナー接続のいずれかが0.7を切ると、モデル便益が大きくても実現ROIは大きく目減りする。AI実装の成否は「データとシステム要件」「導入プロセス」「組織間統合」で説明される。

第十二章　推奨アーキテクチャ・ガバナンス・実装チェックリスト

12-1　推奨アーキテクチャ ― 分析層と実行系を閉ループでつなぐ

推奨アーキテクチャは、共通データクラウドの上に分析層（予測・最適化・シミュレーション・デジタルツイン）を置き、ERP・WMS・TMS・IBPの実行系と、KPI・イベントで常時フィードバックさせる構成である。

・共通データクラウド：需要・在庫・輸送・サプライヤー情報を統一し、局所最適の寄せ集めを防ぐ

・デジタルツイン＝innovation layer：既存を全置換せず、TMS/WMS/IBPの入力ポリシーを最適化する上位層として載せる

・閉ループ：実行系への反映とKPIフィードバックを同一ループに入れ、モデル精度だけでなく運用品質を学習可能にする

・イベント駆動連携：API/EDIに加えGS1 EPCIS等の標準イベント形式でトレーサビリティ・鮮度・証明書を連携

12-2　ガバナンスと規制対応 ― 収益実現の制約条件として

今後5年は、EU AI Act・EU Data Act・GDPR・NIS2などにより、データ共有・越境移転・AI管理・サイバー統制の要求水準が上がる。推奨戦略は「予測精度だけを競う」ものではなく、統治設計と一体で進めるべきである。

・データ契約・アクセス制御：データ共有ルール（Data Act）と権限・暗号化・監査ログ

・モデル監査：AI Actの適用に備えたリスク分類・モデル審査・ドリフト監視

・例外時の人間承認：AIの自動決定範囲は段階的に広げ、人間承認を残しログを保全

・プライバシー：GDPRの技術的・組織的措置、DPIA、越境移転（SCC/BCR）

12-3　実行ロードマップの原則 ― big-bangを避ける

実行はMETIの三段階（社内可視化 → 企業間可視化 → デジタルツインによる予測分析と計画反映）に沿い、短期は社内可視化と基礎整備、中期は企業内最適化、長期は企業間連携とデジタルツイン化の順で進める。

・big-bang回避：分断データのまま現場自動化を広く展開すると、精度より先に不信感が広がる

・pilotのKPI基準：短期は「全社導入率」でなく「pilotでKPIを何%変えたか」を意思決定基準にする

12-4　実装チェックリスト

領域	最低限そろえるもの	望ましい状態
データガバナンス	SKU・拠点・取引先・LT・UoMの共通マスタ	data contract・lineage・品質SLA
セキュリティ	権限管理・暗号化・監査ログ・バックアップ	DPIA・越境移転評価・ゼロトラスト
モデル運用	ベースライン・精度監視・override記録	drift検知・champion/challenger
業務設計	S&OP/S&OEの責任分解・手動介入ルール	例外中心運用・reason code分析
組織・スキル	SCMとITのjoint team	OR/ML/MLOps/業務設計の複合チーム
企業間連携	Tier1と3PLの優先接続・EDI/API	multi-tier可視化・イベント標準
規制対応	GDPR/NIS2/AI Act/Data Act該当整理	地域別data residency・AIリスク分類

12-5　ベストプラクティス4点

・予測で終わらせない：在庫・補充・輸送まで一連の数理に接続する

・pilotは1ドメインに絞る：現場のoverride理由を収集してモデル改善に戻す

・パートナー接続は選別：全方位でなく、OTIFと在庫への寄与が高いTier1/Tier2から順に

・自動決定は段階拡大：人間承認を残しログを保全したうえで、AIの自動決定範囲を徐々に広げる

? 投資判断の要点は「AIを入れるか」ではなく、どの階層までデータを接続し、どの意思決定を定量化し、どのKPIで現場運用に閉じるか。データ契約・監査・例外承認まで含む統治設計と一体で進めることが、持続的成果の条件である。

第十三章　結論 ― 在庫は「減らす」のではなく「最適化する」

データ駆動SCMの目的は、在庫を闇雲に削ることではない。需要の不確実性という前提のもとで、「必要な場所に、必要な量だけ」在庫を配置し、欠品と過剰を同時に抑えることにある。

その実現の中核が、生販在を1枚で連動させ需給ギャップを先読みするPSIであり、それを支える需要予測の高度化と、安全在庫・MEIO・ABC/XYZに代表される在庫最適化手法である。安全在庫の式が示すとおり、在庫削減の最も効くレバーは「予測精度の向上」と「リードタイムの短縮・安定化」にある。これらはツール以前に、データ整備と部門横断の合意プロセスによって初めて機能する。

? 最終メッセージ：在庫は敵でも味方でもなく「需給の不確実性を映す鏡」である。データでその不確実性を小さくし、残る変動を最適配置で受け止める ―― これがデータ駆動SCMが目指すサプライチェーン最適化の本質である。

（本資料は生産管理・SCMの一般的方法論（PSI/生販在、安全在庫理論、MEIO、S&OP/IBP、SCOR、ABC/XYZ分析等）および2025〜2026年の実務文献に基づき作成。数値は代表的な目安であり、実際の効果は業種・製品特性により異なる。）