小売チェーンのAI需要予測PoCが本番化しない構造要因
Q社（小売チェーン、店舗300、EC売上比率30%）は、顧客データ活用による需要予測とパーソナライズを目的に、AI需要予測のPoCを1年間実施した。PoCの予測精度はMAPE 15%で、経験値発注より優れる結果が出たが、店長が発注に使わず、本番化の判断ができていない。原因として、ECと店舗POSの顧客IDが統合されておらず名寄せ率が40%にとどまること、データ品質の責任者が不在で欠品率の定義が部門ごとに異なること、PoCのKPIが精度のみで事業KPI（欠品率、廃棄率、EC転換率）と結びついていないことが指摘されている。経営は1年・予算1.5億円で全社展開を求めており、CDOを新設する予定だが、データガバナンスの設計はこれからである。現場の店長は「予測が当たっても、棚割りと発注ロットの制約で動かせない」と話している。さらに、商品マスタは店舗ごとに表記揺れがあり、同一商品が最大3つのコードで管理されている。
1. PoCが本番化しない構造的要因を、技術・組織・KPIの3層で説明せよ。
Read the worked answer
技術層では、顧客IDの名寄せ率40%と商品マスタの表記揺れにより、予測に使えるデータが不完全である。予測精度が高くても、発注単位や棚割り制約を反映できなければ現場は動かせない。組織層では、データ品質の責任者が不在で、CDOも未設置、店長に予測を使う権限とインセンティブがない。部門横断の意思決定の場がないことが本番化を止めている。KPI層では、PoCの評価がMAPEに偏り、欠品率・廃棄率・EC転換率といった事業KPIと接続していない。そのため、経営は投資対効果を判断できず、現場は自分たちの評価が良くなる理由を見いだせない。結論として、精度の改善だけでは本番化しない。データの責任分担、現場の権限、事業KPIへの接続を同時に設計する必要がある。
2. データガバナンスの責任分担とデータ品質KPIの設計案を示せ。
Read the worked answer
責任分担は三層で設計する。経営層はCDOを責任者としてデータ活用の方針と投資を決める。業務部門はデータオーナーとして、顧客ID、商品マスタ、欠品率の定義に責任を持つ。現場はデータスチュワードとして、日次の入力品質と例外処理を担う。データ品質KPIは、①名寄せ率（目標90%以上）、②商品マスタのコード一致率、③欠品率の定義統一と測定頻度、④データ更新のリードタイム、⑤例外処理の未解決件数とする。運用は月次のデータ品質会議でレビューし、未達時はオーナーが改善計画を出す。KPIはIT部門の自己満足にならないよう、事業KPIと因果関係のあるものを選ぶ。
3. 最初の90日で優先すべき施策を2つ、理由とともに述べよ。
Read the worked answer
第一に、商品マスタの統一と名寄せ率の改善である。同一商品が最大3コードに分かれている状態では、需要予測の粒度が定まらず、店長も予測を信頼しない。90日でコード統合のルールと責任者を決め、名寄せ率を60%まで引き上げる。第二に、店長参加のKPI再設計である。欠品率と廃棄率、棚割り制約を踏まえた実行可能な発注ルールを現場と一緒に作り、PoCの精度を事業KPIに翻訳する。理由は、本番化のボトルネックが精度ではなく「現場が動けるか」にあるためである。90日後の判断基準は、予測を使った発注の試行店舗数と、欠品率の改善幅に置く。