ROI事件ファイル No.584『立地を丸ごと見て、部品に分けていなかった』
立地を丸ごと見て、部品に分けていなかった
第一章：予測が当たらない、だが理由が特定できない
「新規出店の売上予測を、AIで精度よくやりたいんです」
TechNova社のマーケティング部、組田積氏は、そう言いながら状況を語った。「今は過去の知見と、地図の統計データで予測しています。人口、年代構成、そのあたりを見て、担当者が手で組み立てる。ただ、当たらない」
「どう外れますか」とClaudeが尋ねた。
「人口も年代構成も同じくらいの二つの立地で、実際の売上が倍近く違うことがあります」と組田氏が答えた。「なぜ違うのか、説明できない。担当者も少なく、日程もきついので、データの加工が雑になる。そのまま出店の判断に使うので、怖くて」
「外れたとき、どこが外れたのかは、分かりますか」と私が確認した。
「……分かりません」と組田氏が答えた。「立地全体を、良い悪いで丸ごと見ていました。売上がどんな要素からできていて、そのどれを読み違えたのか。部品に分けたことがない」
「丸ごと見ていると、外れた場所が特定できませんね」と私が応じた。「BOMで分解しましょう」
第二章：BOMが問う、売上を部品に分けて積み上げる
「この案件には、BOMが必要です」
Claudeがホワイトボードに「分解・尺度・積上」と書いた。
「BOM——部品表とは、完成品を構成部品にまで割り、部品ごとに数量と仕様を持たせて積み上げるフレームワークです」と私が説明した。「肝は、結果を丸ごと扱わないこと。売上も同じで、通行量、入店率、客単価、来店頻度という部品に割れる。曖昧な言葉には目盛りをつける。部品ごとに数字を持てば、積み上げて予測でき、外れたときはどの部品が違ったかまで辿れます」
「まず現状のコストを測りましょう」とGeminiがROI Polygraphを開いた。組田氏から提供されたデータを入力する。
「月間のコストが出ました」とGeminiが読み上げた。「手作業でのデータ加工と予測作成の工数が月平均百五十五時間、時給四千円で月六十二万円。予測精度不足による出店判断の誤りリスクが月平均四十六万円。少人数とタイトな日程によるクオリティ低下が月平均三十二万円。人口と年代以外の要因を見落とす分析漏れが月平均三十四万円。判断の遅れによる出店機会の逸失が月平均三十四万円。合計で月二百八万円。年間換算で約二千四百九十六万円」
組田氏が数字を見つめた。「予測を作る手間だけ見ていました。判断を誤るリスクや、遅れて逃した物件まで足すと、これほどとは」
「では、BOMで設計します」と私が続けた。
[分解——売上を構成する部品に割る]
「最初に、分解です」とClaudeが言った。「売上を、通行量、入店率、客単価、来店頻度に割る。さらに通行量は、時間帯別、平日休日別に割る。人口と年代は、この部品を推定するための材料であって、売上そのものではありません」
[尺度——曖昧な言葉に、目盛りをつける]
「次に、尺度です」とGeminiが続けた。「賑わい、入りやすさ、視認性。担当者が使ってきた言葉には、数字がない。歩行者数、間口の幅、看板までの距離、信号の位置。目盛りをつければ、二つの立地の違いが数字で並びます」
[積上——部品を組んで、売上を出す]
「尺度の次に、積上です」と私が続けた。「部品の数値を掛け合わせ、積み上げて売上を出す。既存店の実績で部品ごとの係数を学習させる。丸ごとの予測ではなく、部品の積み上げだから、根拠を示して説明できます」
[差分——外れた部品を、名指しで直す]
「最後に、差分です」とClaudeが続けた。「開店後の実績と予測を、部品単位で突き合わせる。入店率だけが低かったのか、客単価が読み違いだったのか。外れた部品が分かるから、次の予測が確実に良くなります」
[投資回収を試算する]
「ROI Proposal Generatorで試算しましょう」とGeminiが提案した。
- 初期費用：売上の部品分解設計・指標のスケール化・既存店データ整備・予測AIモデル構築・実績突合の仕組み構築費用合計四百九十万円
- 月次費用：AI基盤利用料・モデル保守継続費合算月二十二万円
- 月次削減効果：予測作成の自動化＝月四十八万円（七割削減想定）、精度向上による出店判断の誤り回避＝月三十六万円、分析漏れの解消＝月二十八万円、日程逼迫によるクオリティ低下の解消＝月二十六万円、合計月百三十八万円
- 月次純削減：百三十八万円－二十二万円＝月百十六万円
- 投資回収期間：四百九十万円÷百十六万円＝約四・二ヶ月
「四ヶ月強の回収です」とGeminiが整理した。「効くのは、立地を丸ごと点数化せず、部品に割って積み上げる点です。丸ごとだと、外れた理由が分からず、精度が上がらないまま毎回作り直す。部品なら、外れた箇所だけ直せる。投資が空振りしません」
組田氏が数字を確認しながら言った。「良いAIを入れれば当たると思っていました。何を予測するかを部品に割らないと、AIも学びようがない」
「BOMは、結果を部品に分けて積み上げる道具です」と私が応じた。
第三章：部品に分ける導入計画
「進め方を整理します」と私がホワイトボードの前に立った。
「第一ヶ月——売上の部品分解と、既存店データの棚卸し。第二ヶ月——曖昧な指標のスケール化と、測定方法の統一。第三・四ヶ月——予測AIモデルの構築と既存店での検証。第五ヶ月——出店候補地での試験予測と担当者の運用移行。第六ヶ月——開店実績との突き合わせと係数の調整。第七ヶ月以降——部品と係数の継続的な見直し、対象業態の拡大」
「AIに過去の売上を全部学習させれば、精度は出ますよね」と組田氏が確認した。
「丸ごと学習させると、当たっても理由が分かりません」とClaudeが応じた。「理由が分からない予測は、出店の判断には使えない。部品に割って積み上げれば、なぜその数字かを説明でき、外れた部品だけを直せる。学習させることより、何を部品にするかを決めることが先です」
組田氏がメモを取りながら言った。「予測モデルを作る前に、売上を部品に割る。順序が見えました」
第四章：部品に分けて、予測が当たった日
十ヶ月後、組田氏から報告が届いた。
予測の精度は、部品分解の後、大きく上がった。「人口も年代も同じなのに売上が違う、という現象が説明できるようになった。通行量の時間帯分布と入店率が、まるで違っていた」と組田氏は記していた。
作成の手間も減った。部品の数値を入れれば積み上がる仕組みが、手作業を消した。「担当者が夜中に表計算と格闘する光景がなくなった。日程に追われて雑になることもない」と報告書にあった。
最も大きな変化は、外れ方の扱いに表れた。丸ごと良し悪しを見る状態から、部品単位で差分を見る状態に変わった。「外れたら、勘が足りなかった、で終わっていた。どの部品が何割ずれたか、が出るようになって、次で直せるようになった」と組田氏は記していた。
出店判断も速くなった。根拠が部品で示せるため、稟議が滞らなくなった。「なぜこの数字か、を説明できる。判断が早まって、良い物件を逃さなくなった」と報告書にあった。
副次効果として、言葉の扱いが変わった。曖昧な形容に目盛りをつける発想が根づいた。「賑わいがある、で報告するのをやめた。何が何人、何メートル、で書くようになった」と組田氏は記していた。
組田氏の報告書の最後にはこう書かれていた。「出店予測の悩みは、予測手法が古いことだと思っていた。だが本当の問題は、立地を丸ごと見て、部品に分けていなかったことだ。BOMで売上を部品に割った瞬間に、当たる理由も外れる理由も見えた。モデルを作る前に、部品に分けることが先だった」
立地を丸ごと見て部品に分けていなかった会社が、部品に割って積み上げられる会社に変わった日、新規出店の売上予測は担当者の勘と統計の当てはめから、売上を部品に分解して積み上げる設計に変わっていた、と記されていた。
「売上予測の相談は、たいてい『精度の高いAIが欲しい』という形で来る。だがモデルを作る前に問うべきことがある。その売上は、何と何でできているのか。BOMが問うのは、部品への分解と、目盛りと、積み上げだ。部品に割れば、当たる根拠も外れた箇所も名指しできる。立地を丸ごと見ていた会社が、部品に分けられた日、変わったのは予測手法の新しさではなく、結果を部品に分けて積み上げる視点そのものだった」
関連ファイル
使用ツール
- ROI Polygraph — 予測作成工数・判断誤りリスク・分析漏れによる機会逸失の可視化
- ROI Proposal Generator — 売上の部品分解と積み上げを起点にした新規出店売上予測AI導入の投資回収シミュレーション
