AI需要予測で来月の売上を先読みする方法｜中小企業がAI×DXで仕組み化する経営の作り方

｢来月、いくら売れますか？」

この問いに、根拠ある数字で答えられる経営者は、意外と少ないのではないでしょうか。

多くの中小企業では、来月の売上は「だいたい先月くらい」という感覚で見積もられています。

ただ、原材料費・人件費・広告単価が上がり続けるいま、売上が同じでも利益は減りやすくなっています。

限られたリソースで利益を残すには、「売れる時に売り、売れない時に守る」判断を数字で行う必要が出てきました。

その最初の一歩として現実的なのが、AI需要予測です。

この記事では、特別なシステムを入れる前に今日からできる「外れる月」の掴み方から、来月の売上を先読みする5ステップ、そしてAI×DXで仕組み化するところまでを解説します。

なぜAI需要予測が中小企業の現実的な選択肢になったのか？

AI需要予測が注目されている背景には、経営環境の変化とAIの普及が同時に進んだことがあります。

まず、経営環境の変化です。

原材料費・人件費・広告単価の上昇が続き、同じ売上でも手元に残る利益は細りやすくなっています。

東京商工リサーチの調査によると、2025年の「人手不足」倒産は397件で、過去最多を更新しました。

(出典：東京商工リサーチ「『人手不足』倒産動向調査（2025年）」)

人が足りないからこそ、忙しい日と暇な日を事前に読み、限られた人員をどこに配置するかの精度が、そのまま利益を左右するようになっています。

一方で、AI側の環境も変わりました。

中小企業基盤整備機構の調査によると、DX（デジタルトランスフォーメーション）に取り組む中小企業のうち、AIの活用に取り組む割合は28.4%まで伸び、前回調査から14.1ポイント増加しました。

(出典：中小企業基盤整備機構「中小企業のDX推進に関する調査（2025年）」)

生成AIの登場で、専用システムを組まなくても、手元のデータから需要予測を試せる環境が整ってきました。

「DXを理解する段階」から「AIで成果を出す段階」へ、中小企業はいまその入り口に立っていると感じています。

感覚経営に潜む3つのムダとは？

私（生井）の経験上、感覚経営の本当の弱点は、予測が当たらないことではなく、外れたときの損が大きいことだと感じています。

具体的には、次の3つのムダとして表れます。

• 広告費のムダ：
  需要が落ちる月に広告を打ち続け、CPA（コンバージョン単価）だけが上がる
• 在庫・原価のムダ：
  売れる量を読めず、廃棄ロスや欠品が常態化する
• 人員配置のムダ：
  忙しい日に人が足りず、暇な日に人が余る

仮に、広告費・仕入れ・人件費の合計が月300万円の店舗を想定します。

このうちAI需要予測で5%のムダを減らせれば、月15万円、年間180万円のコスト改善になります。

(※あくまで概算の例示です。削減余地は業種・現状の運用によって変わります)

需要予測は「予測を当てるための道具」ではなく、広告・在庫・人員の判断を変えて利益を残すための道具だと考えています。

AI需要予測とは？Excel予測と何が違うのか？

AI需要予測とは、売上・客数・在庫などの将来値を、AIが過去データと外部要因（天候・イベント・広告投下など）から推定する仕組みです。

前年同月比や移動平均といった従来のExcel予測との一番の違いは、複数の変数を同時に扱える点にあります。

過去平均だけの予測に、なぜ限界があるのか？

これまで中小企業が使ってきた「予測」は、過去3ヶ月の平均や前年同月比が中心でした。

このやり方には、はっきりした弱点があります。

• 季節要因の急変（猛暑・暖冬）に弱い
• イベント・キャンペーンの影響を反映できない
• 競合の動きや市場の変化を織り込めない

過去の延長線上にしか未来を描けない状態と言えます。

AIは何を見て予測しているのか？

AI需要予測は、次のような変数を組み合わせて未来を推定します。

• 時系列の周期性：
  曜日・月次・季節
• トレンド：
  長期的な右肩上がり・右肩下がり
• 外部要因：
  天候・気温・祝日・地域イベント
• マーケティング要因：
  広告出稿・SNS投稿・キャンペーン
• 競合・市場環境：
  検索ボリュームの変動

これだけの変数を人間がExcelで同時に処理するのは、現実的ではありません。

ただし、AIに任せれば全自動で当たる、という話ではありません。

どのデータを、どんな形で渡すか、この準備の質が予測の質をほぼ決めます。

AI需要予測を始める前に、まず何をすればいいのか？

AI需要予測を始める前に、いちばん簡単で効果が大きいのは、過去3年分の月別売上を1枚の表に並べることです。

材料は、実はもう手元にあります。

多くの経営者が毎月見ている、前年同月比の数字です。

ただ、この数字は多くの場合「見て終わり」になっています。

やることは3つだけです。

1. 36ヶ月分の月別売上を縦に並べる
2. 前年同月と大きくズレた月に印をつける（目安は±10〜20%）
3. 印のついた月に何があったか、思い出せる範囲でメモする

すると、｢外れる月」には、だいたい共通の理由が浮かび上がってきます。

• 土日祝の数が前年と違う
• 連休の並び
• 天候
• 近隣の工事や競合の出店
• 値上げ
• スタッフの退職

多くの経営者は、こうした理由を感覚では知っています。

その感覚を数字で裏付けられるのが、この1枚の価値です。

そしてもう1つ、この表には大事な役割があります。

外れる月の理由こそが、この後AIに渡すべきデータ（変数）の候補になる、という点です。

天候でズレるなら気温データが要る、連休の並びでズレるならカレンダー情報が要る、と判断できるようになります。

来月の売上をどう先読みすればいい？5つのステップ

過去36ヶ月の表で「外れる月」が見えてきたら、次はそれを予測に変える段階です。

必要なのは、月別の表を日別に細かくして、売上以外の情報（客数・広告費・天候など）を足していくことです。

データ収集 → 整形 → AI指示 → 施策への翻訳 → 振り返り、の5ステップで進めます。

ステップ1：集めるデータは「内部3種＋外部2種」

AI需要予測に必要なのは、次のデータです。

• 内部データ（最低12ヶ月分が目安）：
  売上・予約数、WEB流入数（GA4：Google Analytics 4）、広告出稿データ
• 外部データ：
  天候・気温（気象庁）、地域イベント・祝日カレンダー

集める外部データは、全部ではなく、36ヶ月表で見つけた「外れる理由」に対応するものからで十分です。

｢全部揃ってから」と考えると始まらないので、まずは売上データだけでも価値があります。

ステップ2：スプレッドシートを整える

CSVでもGoogleスプレッドシートでも構いません。

｢日付・売上・客数・広告費・天候・備考」の6列に整えます。

ここで1つ、大事な注意があります。

生データをいきなりAIに渡して「予測して」と頼んでも、返ってくるのは平均に近い無難な数字だけで終わりがちです。

日付の形式がバラバラ、欠測だらけ、単位が不統一のままでは、AIは規則性を見つけられないからです。

ただ、この整形作業自体は、AIに任せられます。

レジや予約システムの売上データ、広告管理画面の出稿データ、気象庁の過去の天候データ（無料でダウンロードできます）をそのまま渡し、｢日別の1枚の表に整形してください」とまず指示します。

予測はその次です。

｢整形」と「予測」を2段階に分けることが、質を大きく左右すると感じています。

ステップ3：AIに指示する

ChatGPT・Gemini・Claudeなど、生成AIに整形済みのデータを渡して指示します。

このとき、過去データに加えて「来月の材料」も一緒に渡すのがポイントです。

以下は当店の過去12ヶ月分の日別データです（日付・売上・客数・広告費・天候・備考）。

あわせて、来月のカレンダー（祝日・連休の並び）と広告の出稿予定も貼ります。

これらを踏まえて、来月の日別売上を予測してください。

予測の根拠（季節性・曜日傾向・トレンド・外部要因）も合わせて提示してください。

過去の傾向だけで引き延ばすのではなく、来月の条件（連休の並び・広告予定）を織り込ませることで、予測が「自社の来月」に寄っていきます。

ステップ4：予測を施策に落とし込む

予測を「眺めるだけ」では、利益は1円も変わりません。

3つのアクションに翻訳することが大切だと考えています。

• 広告予算の再配分：
  需要が高い週に予算を寄せる
• 在庫・仕入れ計画：
  予測をやや保守的に見た水準で発注し、不足が見えたときだけ追加する（※適切な水準は業種・商材で変わります）
• シフト・人員配置：
  忙しい日に主力の人材を配置する

ステップ5：翌月実績で振り返り、精度を上げる

5つのステップのうち、いちばん大事なのは、実はこのステップ5だと考えています。

1回の予測は、外れます。

ただ、予測と実績のズレを記録し、｢なぜズレたのか」をAIに聞くことを毎月積み重ねると、予測は自社専用に育っていきます。

ズレの理由がまた新しい変数になり、翌月の予測が少しずつ賢くなっていくためです。

ここまでが、AI需要予測の基本のやり方です。

ただ、自社のデータで実際に回すとなると、つまずく場所は会社ごとに違ってきます。

需要予測を「点」で終わらせず仕組み化するには？

ここまでの5ステップは、需要予測の「やり方」の話でした。

ただ、本当に利益に効いてくるのは、この先の仕組み化だと考えています。

｢ChatGPTで売上予測をしてみました」で終わる会社は、来月にはまた感覚経営に戻りがちです。

担当者の頭の中にしかないやり方は、組織には残りません。

需要予測を起点に、AI×DXはどう広がっていくのか？

需要予測は、AI×DXの出発点になります。

1. AI需要予測：
   出発点。売れる時・売れない時を数字で読む
2. AI広告運用：
   需要に合わせて予算を配分する
3. AI経営ダッシュボード：
   数字を毎日経営者へ届ける
4. AI経営判断：
   攻め時・守り時を数字で判断する
5. AI仕組み化：
   担当者依存を解消する

需要予測のデータが、広告・在庫・シフト・経営判断のすべてに波及していきます。

これが「点を線に、線を面に」変えていく考え方だと捉えています。

広がり方の全体像は、以下の記事でも詳しく解説しています。

【関連記事】中小企業のAI×DXの進め方｜何から始めるかを6ステップで解説

AI需要予測で失敗する企業と成功する企業の違いは？

AI需要予測で失敗する企業と成功する企業を分けるのは、AIの精度やツール選びではなく、運用の習慣だと感じています。

よくある3つの失敗パターンとは？

• NG1 データの質が低い：
  手入力ミス・記録漏れ・単位の不統一があると、予測精度は一気に落ちます
• NG2 AIの予測を鵜呑みにする：
  予測はあくまで参考値で、最終判断は人間が行う前提が要ります
• NG3 予測だけして施策につなげない：
  いちばん多い失敗です。予測→アクション→振り返りが回らなければ、ただのレポートで終わります

成功企業に共通する3つの習慣とは？

• 毎月30分の振り返り会議を続けている
• 予測と実績の誤差を記録し、見える形にしている
• ｢予測×施策×実績」を1枚のダッシュボードで管理している

外部に丸投げする形は、私（生井）の経験上うまくいきにくいと感じています。

現場の肌感覚と数字を統合できるのは、社内の人だからです。

目安として、最初の3ヶ月は外部と伴走して型をつくり、6ヶ月で社内運用に移す流れが現実的だと考えています。

【実施イメージ】（業種：ペット葬儀）

年間約350万円の広告費を使っていたペット葬儀の会社で、広告の増減を数字で判断できる状態をつくりました。

この状況を整理すると、次のように見えてきました。

数字の集約 → 見る型づくり → 判断への接続、の順で無理なく進めました。

具体的には、次の3つです。

これらの取り組みを続けた結果、次のような変化が出ました。

改善できたのは、判断に使う数字を1枚に集約したことにあります。

それまで媒体ごとにバラバラだった数字が同じ画面で突き合わせられるようになり、｢どこに、いくら使うか」の判断が感覚から数字に置き換わりました。

需要予測で得た数字をこうした運用の型に落とし込むことが、AI需要予測をAI×DXの一歩に変えていくと考えています。

他社の実例は、以下の記事でも紹介しています。

【関連記事】AI需要予測の事例5社｜成果が出る会社と出ない会社を分けた「3つの違い」

ここまで読んだあなたへ

AI需要予測もダッシュボードも、道具そのものより、数字で判断する習慣が社内に残るかが本当の分かれ目だと感じています。

• 過去データはあるが、何から手をつけるか迷っている方：
  まずは36ヶ月表を1枚つくるところから
• 予測はしてみたが、施策につながっていない方：
  予測→施策→振り返りのサイクル設計から
• 数字を見る習慣ごと社内に残したい方：
  ダッシュボードと運用の型づくりから

もし「うちの場合はどこから始めるべきか」と感じていたら、まずは公式LINEにご登録ください。

業種と今の状況を教えていただくだけで、「まずはここから」を無料で診断します。

いま手元にあるデータの状態から、需要予測を始められるかどうかもお答えします。

｢いきなり相談はまだ早いかな」という方には、サービスの内容がわかる資料もお配りしています。

みちしるべコンサルティング株式会社では、集客改善と業務改善の両方を、提案から仕組み化までAIで一気通貫に支援する「経営オペ」を提供しています。

よくある質問

Q1. データが12ヶ月分も揃っていません。始められますか？

3〜6ヶ月分のデータでも、曜日傾向・天候影響などの予測は行えます。

蓄積しながら精度を月単位で改善していくアプローチをおすすめしています。

Q2. 36ヶ月表をつくるだけでも意味がありますか？

あります。

外れる月とその理由が見えるだけで、広告や仕入れの判断材料になります。

AIに渡すべきデータの見当もつくため、需要予測の準備としても有効です。

Q3. AI需要予測の精度は、どのくらいを目指せばいいですか？

私（生井）の経験上、誤差率±10%以内に収まれば実務で使える水準だと感じています。

最初から高精度を狙うより、ズレの理由を毎月積み重ねて自社専用に育てていく方が健全だと考えています。

Q4. 需要予測の次に取り組むべきAI領域は何ですか？

広告運用と経営ダッシュボードをおすすめしています。

需要予測のデータを広告予算の配分やKPI（重要業績評価指標）の可視化につなげると、AI×DXの仕組み化が進みます。

Q5. 内製化と外注、どちらがいいですか？

中長期では、内製化に分があると考えています。

外注は型づくりの最初の3〜6ヶ月にとどめ、その後は社内に運用を残す形が、自走できる経営につながりやすいと感じています。

まとめ

AI需要予測は、感覚経営から数字経営へ移るための現実的な一歩です。

最初にやるのは、過去36ヶ月の売上表で「外れる月」とその理由を掴むことです。

予測は施策への翻訳と毎月の振り返りまでセットで、はじめて利益に変わります。

PVではなくCV／広告費ではなくROAS／売上ではなく利益を残す判断のために、まずは今月のデータを1枚の表に整理するところから始めてみてください。