ROI事件ファイル No.597『個店主義を掲げていたが、店をどう分けるかが決まっていなかった』
個店主義を掲げていたが、店をどう分けるかが決まっていなかった
第一章：発注を自動化したい、だが精度が上がらない
「AIの需要予測と、自動発注の仕組みを入れたいんです」
Globex Corporation社の営業本部長、区分結氏は、そう言いながら事情を語った。食品小売のチェーンだ。「うちは個店主義を掲げています。店ごとに売場を作る。ただ、人手が足りず、発注が手作業とハンディ入力に追われて、接客の時間が取れていません」
「自動発注は、既に入っていませんか」とClaudeが尋ねた。
「入っています。ただ、発注点を割ったら補充する、という単純な仕組みです」と区分氏が答えた。「季節や天候、販促に合わせた調整ができない。細かいメンテナンスも回らないので、精度が上がらない。店ごとの在庫の偏りも見えていません。AIで、全店の需要を高い精度で読ませたい」
「その予測は、全店を同じ扱いで読ませる想定ですか」と私が確認した。
「……そうなります」と区分氏が答えた。「個店主義と言いながら、予測は一律で考えていました。どの店とどの店が似ていて、どこから当てるべきか。分けて考えたことがない」
「分けずに一律で読ませると、どの店にも当たらない予測になりますね」と私が応じた。「STPで分解しましょう」
第二章：STPが問う、分けて絞って狙いを定める
「この案件には、STPが必要です」
Claudeがホワイトボードに「分ける・絞る・狙いを定める」と書いた。
「STP——セグメンテーション・ターゲティング・ポジショニングとは、対象を似た性質ごとに分け、どこを狙うかを絞り、そこで何を提供するかを定めるフレームワークです」と私が説明した。「肝は、全店を平均で扱わないこと。住宅地の店と駅前の店では、売れる時間も品目も違う。混ぜて学習させれば、平均に寄った予測しか出ない。分けて初めて、個店主義が数字の側で成立します」
「まず現状のコストを測りましょう」とGeminiがROI Polygraphを開いた。区分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。「手作業とハンディによる発注業務の工数が月平均二百時間、時給三千五百円で月七十万円。予測精度の低さによる欠品の機会損失が月平均四十四万円。過剰在庫と値下げ・廃棄の損失が月平均三十八万円。店舗間の在庫偏在による横持ちと売り逃しが月平均三十二万円。発注業務に圧迫された接客時間の縮小による売上機会の逸失が月平均三十万円。合計で月二百十四万円。年間換算で約二千五百六十八万円」
区分氏が数字を見つめた。「発注の手間だけ見ていました。欠品の売り逃しや、値下げして捌いた分まで足すと、これほどとは」
「では、STPで設計します」と私が続けた。
[分ける——店を、似た売れ方でまとめる]
「最初に、分けることです」とClaudeが言った。「立地、客層、売場面積、曜日ごとの山の形。売上の推移が似ている店を束にする。住宅地型、駅前型、幹線道路型。全店を個別に読ませるのでも、一律に読ませるのでもなく、束で読ませます。束にすれば、一店あたりのデータが少なくても精度が出ます」
[絞る——最も効く束から、当てる]
「次に、絞ることです」とGeminiが続けた。「束ごとに、欠品と廃棄の金額を出す。最も損が大きい束から着手します。生鮮の回転が速く、天候の影響が大きい束は、予測が当たったときの戻りが最も大きい。全店一斉ではなく、効く束から入ります」
[狙いを定める——束ごとに、何を読ませるかを変える]
「絞ることの次に、狙いを定めることです」と私が続けた。「駅前型は時間帯と天候が効き、住宅地型は曜日と販促が効く。同じ項目を全店に読ませない。束ごとに効く材料を変えるから、個店主義が予測の側でも通ります」
[戻す——予測を、発注と在庫の融通につなぐ]
「最後に、戻すことです」とClaudeが続けた。「予測が出ても、発注に自動でつながらなければ工数は減りません。基幹と接続し、束の中で在庫の偏りが出たら融通を提案する。読むだけで終わらせないことが、接客時間を生みます」
[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：店舗分類の設計・売上データ整備・AI需要予測モデル構築・基幹システム連携・自動発注ロジック実装・店舗教育費用合計五百三十万円
- 月次費用：AI基盤利用料・システム運用保守継続費合算月二十四万円
- 月次削減効果：発注業務の自動化＝月四十九万円（七割削減想定）、予測精度向上による欠品機会損失の削減＝月三十六万円、過剰在庫と廃棄の削減＝月三十万円、在庫偏在の解消と接客時間の確保＝月三十三万円、合計月百四十八万円
- 月次純削減：百四十八万円－二十四万円＝月百二十四万円
- 投資回収期間：五百三十万円÷百二十四万円＝約四・三ヶ月
「四ヶ月強の回収です」とGeminiが整理した。「効くのは、全店を一律で読ませず、束に分けた点です。混ぜて学習させると、どの店にも中途半端に外れる予測が出て、現場が信用しなくなる。束ごとに効く材料を変えるから、最初の束で目に見えて当たる。投資が空振りしません」
区分氏が数字を確認しながら言った。「高性能なAIを入れれば済むと思っていました。分けないと、個店主義は数字の側で成り立たない」
「STPは、分けて絞って狙いを定める道具です」と私が応じた。
第三章：分けて絞る導入計画
「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——売上データの整備と、売れ方による店舗の分類。第二ヶ月——束ごとの欠品・廃棄額の算出と、着手する束の確定。第三・四ヶ月——最初の束での予測モデル構築と精度検証。第五ヶ月——基幹システム連携と自動発注への接続。第六ヶ月——効果検証と次の束への展開準備。第七ヶ月以降——全束への拡大、分類の見直しと在庫融通の実装」
「個店主義なのだから、店ごとに個別に読ませるべきではないですか」と区分氏が確認した。
「一店ずつでは、データが足りません」とClaudeが応じた。「一店の一品目の販売数は、日によってばらつきが大きく、そのまま学習させても偶然を覚えてしまう。似た店を束ねれば、傾向がはっきりし、その上で店ごとの差を補正できる。個別に読ませることより、まず似たものを束ねることが先です」
区分氏がメモを取りながら言った。「予測させる前に、店をどう分けるかを決める。順序が見えました」
第四章：束に分けて、予測が当たった日
十ヶ月後、区分氏から報告が届いた。
最初の束では、稼働から二ヶ月で数字が動いた。「生鮮の欠品が減り、同時に値下げの札が減った。両方が同時に良くなるとは思っていなかった」と区分氏は記していた。
発注の作業も軽くなった。ハンディを持って売場を回る時間が短縮された。「一日二時間を発注に取られていた店長が、売場に立てるようになった。接客の時間が実際に戻った」と報告書にあった。
最も大きな変化は、個店主義の扱い方に表れた。理念として掲げる状態から、分類として設計する状態に変わった。「店ごとに違う、と言うだけで、どう違うかを整理していなかった。束に分けたら、違いが数字で説明できるようになった」と区分氏は記していた。
在庫の偏りも解消に向かった。束の中での融通が、売り逃しを減らした。「隣の店に余っているものが、こちらで欠品していた。見えるようになっただけで、動くようになった」と報告書にあった。
副次効果として、販促の打ち方が変わった。束ごとに効く施策が違うと分かった。「全店同じチラシを配っていた。束で分けたら、効く店と効かない店がはっきりして、費用の配り方が変わった」と区分氏は記していた。
区分氏の報告書の最後にはこう書かれていた。「発注の悩みは、予測の精度だと思っていた。だが本当の問題は、個店主義を掲げていながら、店をどう分けるかが決まっていなかったことだ。STPで束に分けた瞬間に、読ませる材料も、当てる順番も決まった。予測させる前に、分けることが先だった」
個店主義を掲げていたが店をどう分けるかが決まっていなかった会社が、束に分けて狙いを定められる会社に変わった日、需要予測は全店一律の学習から、似た売れ方でまとめて効く材料を変える設計に変わっていた、と記されていた。
「需要予測の相談は、たいてい『精度の高いAIが欲しい』という形で来る。だが読ませる前に問うべきことがある。対象を、どう分けるかは決まっているか。STPが問うのは、分けることと絞ること、そして狙いを定めることだ。束に分ければ、少ないデータでも傾向が立ち、効く材料が店ごとに変わる。全店を一律に扱っていた会社が、分け方を決められた日、変わったのはAIの性能ではなく、対象を似た性質でまとめる視点そのものだった」
関連ファイル
使用ツール
- ROI Polygraph — 発注業務工数・欠品による機会損失・過剰在庫と廃棄・在庫偏在コストの可視化
- ROI Proposal Generator — 店舗の分類と着手順の設計を起点にしたAI需要予測・自動発注システム導入の投資回収シミュレーション
