自動車部品業界向けの有効なAI導入型需要予測アプリケーション：トルコでの実例

部品需要の見積もりが重要な理由

車が故障したとき、ドライバーは適切な部品が棚にあることを期待します。メーカーや整備工場にとって、在庫を過剰に抱えずに十分な部品を確保することは常に綱渡りのような作業です。本研究は、人工知能を賢く活用することで、自動車部品業界の企業が非常に不規則な需要をより正確に予測でき、顧客を走らせ続けつつコストを節約できることを検証します。

止まったり急に動いたりする需要の課題

部品の売れ方は滑らかで一定ではありません。多くの品目は何か月も注文が入らず、突然需要が急増することがあります。著者らはこれらのパターンを断続的（intermittent）かつ凸凹（lumpy）な需要と呼んでいます。多くの期間で需要はゼロであり、注文が入ると数量が大きく変動します。日常品に有効な従来の予測ツールはこのような状況では苦戦し、棚切れを招いたり、使われない在庫が膨らんだりします。部品が設備の稼働に不可欠であるため、不適切な予測はサービス品質を損ないコストを増やします。

古いルールからデータ学習へ

この課題に対処するため、研究者らは長年の統計手法と新しいデータ駆動型アプローチの双方を検討しました。Croston 系の従来手法は多くのゼロを含む時系列向けに設計されていますが、需要が極めて不規則になる場合には限界があります。サポートベクターマシン、ランダムフォレスト、線形回帰などの機械学習手法や、多層パーセプトロン、リカレントニューラルネットワーク、長短期記憶（LSTM）ネットワークなどの深層学習手法は、データから複雑なパターンを自動的に学習できます。しかし、各手法には利点と欠点があり、すべての状況で単一のモデルが最良であるとは限りません。

実データ：部品メーカーからの事例

研究チームは、車両用電動駆動系部品を製造するトルコのメーカーと協力しました。特に計画が難しい高額部品2点に注目し、1点は断続的需要、もう1点は強い凸凹需要を示しました。51か月分の実際の月次販売データを用い、記録をクレンジングして正規化し、需要が発生する頻度と変動量を示す標準的な指標で需要パターンを分類しました。データは学習用と検証用に分割され、モデルは未見の期間で評価されるようにして実運用に近い検証を行いました。

多数のモデルに投票させる

単一の予測ツールに頼る代わりに、著者らはスタッキングアンサンブルを構築しました。これは複数のモデルがチームとして出力を生成し、簡単な二次レベルのモデルで統合される仕組みです。まず、いくつかの機械学習および深層学習モデルが独立に予測を出します。それらの予測を線形回帰モデルに入力し、それぞれをどの程度信頼するかを学習させました。このスタックモデルを、Croston 系手法および各単独の学習手法と比較し、典型的な誤りや誤差の大きさを平均需要に対する比率でとらえる指標で評価しました。さらに、パフォーマンス差が偶然によるものではないかを検証するために、図示と統計検定も用いました。

賢い予測がビジネスにもたらすもの

スタックモデルは断続的需要と凸凹需要の双方で一貫して最も精度が高く安定した予測を生み出しました。深層学習手法単独でも従来手法より優れることが多かったものの、複数手法の組み合わせが最良の結果をもたらしました。パートナー企業にとっては、安全在庫の削減、棚に残る陳腐化在庫の減少、顧客に期日通りに部品を供給できないリスクの軽減を意味します。簡潔に言えば、本研究は慎重に設計されたAIモデル群の組み合わせを用いることで、乱れた部品需要をより良い予測に変え、よりスリムな在庫と信頼できるサービスを支え得ることを示しています。

引用: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

キーワード: 部品需要, 断続的需要, アンサンブル学習, 自動車サプライチェーン, 需要予測