AIで仕入れ・発注の最適量を予測する基礎

結論：仕入れの「勘」をデータに置き換えると食材ロスが3割減る

旅館の仕入れ担当者が毎朝行っている作業——明日の泊数を頭の中で計算し、天気や連休を加味して「なんとなく多め」に発注する——この判断をAIに肩代わりさせると、食材ロスが30〜40%削減できる。複数の旅館・ホテルで報告されている数字だ。

発注量の最適化とは「余らせない」と「欠かさない」の両立だ。人間の経験則は好調な時期には機能するが、繁閑の差が激しい旅館では判断ミスが積み重なる。AIはこの問題を、過去データの統計処理によって解決する。

この記事では、AI発注予測の仕組みを基礎から説明し、今日から実践に近づけるための具体的なステップを示す。

なぜ旅館の仕入れは難しいのか

需要の変動幅が大きい

一般的な飲食店と比べて、旅館の1日あたり食材消費量の変動幅は極端に広い。客室20室の旅館であれば、平日閑散期の稼働率20%（8名）から、連休ピーク時の100%（40名）まで5倍の差が生じる。しかも夕食のコース料理では、食材の組み合わせ数十種を同時に管理しなければならない。

一品ごとに鮮度と賞味期限が異なる

魚介類は翌日持ち越せないが、根菜は3〜5日持つ。この違いを頭の中で管理しながら「今日は何をどれだけ頼むか」を決めるのは、経験豊富な料理長でも判断が揺れる作業だ。特に主担当者が休んだ日に発注ミスが集中するという現場の証言は珍しくない。

OTA価格変動と直前予約が読みにくい

旅行予約は直前に集中する傾向が強まっている。3日前の予約データを見ても、当日に追加で10名入る日と入らない日が混在する。この不確実性が「多めに頼む」バッファを膨らませ、ロスの温床になる。

AIによる需要予測の仕組み

予測モデルが使うデータの種類

AI発注予測は「過去に似た条件の日は何人来たか」を統計的に計算する仕組みだ。入力データとして使うのは主に次の4種類になる。

データ種別	具体例	取得方法
宿泊実績	日別客数・プラン別人数・キャンセル率	予約管理システム（PMS）からエクスポート
カレンダー	曜日・祝日・連休・地域イベント	手入力またはAPI取得
気象データ	気温・降水量・台風情報	気象庁オープンデータ・民間API
予約先行データ	当日3日前・7日前の予約埋まり具合	PMSのリアルタイムデータ

このうち最も効くのは「予約先行データ」だ。7日前時点で予約が例年より15%多い日は、追加予約が入る確率が高い。この情報をモデルに組み込むだけで予測精度が大きく改善する。

予測の精度を左右する学習期間

最低でも過去1年分のデータがあれば季節変動を学習できる。2年分あれば、昨年と今年の連休パターンの違いまで吸収できる。逆に半年未満のデータから始めると、夏繁忙期を未経験のまま冬の予測をするモデルになり、精度は期待できない。

データが少ない旅館では、まず1年間しっかりデータを記録することから始めるのが現実的だ。記録する形式はExcelで十分で、「日付・客数・天気・曜日区分（平日/土日/祝前日）・プランコード」の5列があれば予測モデルの素材になる。

実践ステップ：AI発注予測の導入手順

Step 1：現状のロス率を計測する（1〜2週間）

AI導入の効果を測るために、まず今のロス率を数字で把握する。食材ごとに「仕入れ量」と「廃棄量」を1〜2週間記録すれば、ロスが多い品目が特定できる。旅館の場合、ロスの50〜70%は使用頻度が高い5〜10品目に集中することが多い。

廃棄記録がない場合は、仕入れ伝票と調理使用量の差分を概算で計算する方法でもよい。正確な数字より「どの食材が問題か」を把握することが優先だ。

Step 2：宿泊実績データを整備する（1週間）

PMSから過去2年分の日別宿泊実績をCSV形式でエクスポートし、日付・客数・プラン・曜日・祝日フラグを列として整える。多くのPMSは標準でCSV出力機能を持っているが、形式がバラバラなためExcelでの整形作業が必要になる場合が多い。

この整形作業自体にAIを活用できる。ChatGPTやClaude.aiに「このCSVの日付列を統一形式に直して、曜日列を追加するPythonコードを書いて」と依頼すると、30分の作業が10分に縮まる。

Step 3：シンプルな予測モデルを作る（1〜2日）

本格的なAIシステムを導入する前に、Excelの関数または簡単なPythonスクリプトで「過去の同条件の平均値」を計算するだけのモデルを作ることを勧める。

たとえば「土曜日×夏季×稼働率70%以上」という条件でフィルタをかけ、過去の平均客数を計算するだけでも、勘に頼った発注より精度が上がることが多い。この段階ではAIツールは不要で、Excelのアベレージイフ関数で実装できる。

Step 4：AIツールまたは外部サービスを本格活用する

Step 3で手応えを感じたら、専用ツールへの移行を検討する。現時点（2026年）で旅館向けに使われている選択肢は大きく3つに分かれる。最新の機能・価格は各社公式で確認してほしい。

クラウド型需要予測サービス：月額2〜8万円程度。予約データを連携するだけで自動予測してくれる。初期設定の手間が少ないが、カスタマイズ幅が限られる。

汎用BIツール＋予測機能：TableauやLookerStudioに機械学習のアドオンを追加する方法。既存のデータ基盤がある旅館向け。

Python自作モデル：ProphetやXGBoostなどのOSSライブラリを使って自社で構築。コストは最小だが、分析担当者か外部エンジニアが必要。

Step 5：発注ルールに組み込んで運用する

予測モデルが出した「明日の推定客数」を発注担当者が毎朝確認し、そこから食材量を計算するルールを作る。重要なのは、モデルの出力を「決定」でなく「参考情報」として扱い、担当者が上書きできる余地を残すことだ。

予測値と実績の差分を週次で記録し、月1回モデルのパラメータを調整する習慣をつければ、3〜6ヶ月後には精度が安定してくる。

よくある失敗と対処法

失敗1：データが汚くてモデルが作れない

PMSに入力された客数データが実際の来館数と一致しない、キャンセルが反映されていないなど、データ品質の問題は導入初期に最も多いつまずきだ。まず1ヶ月間、データ入力のルールを統一してから再挑戦するのが近道になる。

失敗2：精度が低いまま現場に押しつける

予測が大きく外れた場合、現場スタッフはモデルへの信頼を失い、結果として以前の勘発注に戻る。初期段階は「AIが出した数字」と「担当者が出した数字」を並べて記録し、3ヶ月後に比較して精度を検証するプロセスを設けると現場の納得感が高まる。

失敗3：ツール選定を急ぎすぎる

「まずツールを買おう」という判断が先行し、Step 1〜3をスキップして本格導入する旅館は、費用対効果が出にくい。どのデータがどのくらいの精度で予測できるかを小さな実験で確かめてから本格投資に進む順序が重要だ。

食材以外への応用：アメニティ・消耗品・リネン

同じ需要予測のロジックは食材以外にも使える。アメニティ（シャンプー・タオル・歯ブラシ）の補充量、清掃用洗剤の使用量、そして客室数×稼働率から計算できるリネンの回転量は、いずれも客数予測から算出できる。

リネンについては発注点の自動管理まで踏み込んだ仕組みを構築している旅館もあり、在庫が一定水準を下回ったら自動発注指示が出る運用が実用化されている（AIでリネン在庫を自動で発注点管理する方法）。

消耗品の在庫管理をAIで自動化したい場合は、まず客数と消費量の相関を1品目だけ3ヶ月記録してみることから始めると、作業の現実感が掴みやすい。

他の業務との連携で効果が倍になる

発注予測の精度は、他のバック業務のデータが整うにつれて上がっていく。

食材のロスを定量的に管理している旅館では、廃棄量の記録が予測モデルの改善に直結する。食材ロスをAI需要予測で減らす実践ステップでは、廃棄記録の取り方から予測モデルへの組み込みまでを詳しく説明している。

仕入れコストの管理が月次決算に繋がるという観点では、発注最適化の成果を財務指標として可視化する仕組みも重要だ。旅館の経理をAIで月次決算を1週間早める方法では、仕入れデータを経理に反映する自動化フローを扱っている。

さらに、シフトと仕入れ量の連動——繁忙日の仕込み担当を増やし、閑散日は早上がりにするという調整——は、AIで勤怠データから残業の偏りを見つけるで触れた残業削減の取り組みとも接続できる。

FAQ

Q. 旅館でAI発注予測を始めるのに必要なデータは何ですか？ 最低でも過去1〜2年分の宿泊実績（日別客数・プラン別人数）と仕入れ履歴があれば基本的な予測モデルを構築できます。気象データやイベントカレンダーを加えると精度が上がります。

Q. AI発注予測の導入コストはどのくらいかかりますか？ クラウド型のサービスであれば月額2〜5万円程度から始められます。自社開発はコストが高く、まずはExcelやGoogleスプレッドシートとPythonを組み合わせた簡易モデルから試す方法も現実的です。

Q. 食材以外にもAI予測は使えますか？ アメニティ・リネン・消耗品の発注にも同じ考え方が使えます。リネンについてはAIによる自動発注点管理を活用している旅館が増えています。

Q. AI予測の精度が外れた場合どう対処すればよいですか？ 予測と実績の差分を週次で記録し、モデルの再学習データに加えていくことで精度は徐々に改善します。初期段階は担当者が予測値を上書きできる仕組みを残しておくことが重要です。

まとめ

旅館のAI発注最適化は、高度なシステムを買うことではなく、現状のロス率把握→データ整備→小さな予測モデル→現場運用→精度改善という順序で積み上げていく作業だ。

最初の1ヶ月は「何をどれだけロスしているか」を記録することだけに集中するだけでも、発注担当者の意識が変わり、廃棄が減り始めることがある。AIの導入はその次のステップだ。

まず計測できる状態を作る。それが仕入れ最適化の出発点になる。