カインズ、AIで需要予測誤差を19%改善
- •カインズ、AlphaEvolveで海外生産PB商品の長期需要予測を改善
- •従来モデル比で予測誤差19%改善、アルゴリズムを数百から数千回探索
- •予測精度が向上したカテゴリで欠品削減と在庫最適化の効果を測定へ
ホームセンター大手のカインズは、海外生産のプライベートブランド（PB）商品を対象とする長期需要予測にAIエージェント「AlphaEvolve」を導入し、人手で調整していた従来モデルに比べて予測誤差を19%改善しました。Google Cloud Japanが2026年10月30日にブログで事例を公開しました。AlphaEvolveは特徴量やパラメータの組み合わせを自動で試し、アルゴリズムを自律的に改善します。
カインズは埼玉県本庄市に本社を置き、全国に289店舗を展開しています。発注と在庫管理の最適化に向けた需要予測システムは、2022年6月に小規模運用を始め、2024年9月に約200店舗、2025年10月に全店舗へ広がりました。システムにはGoogle Cloudの時系列予測機能「Vertex AI Forecasting」を使っています。導入後は新任担当者でも一定の精度を保った発注が可能になり、店舗での欠品も減りました。
予測は長期と短期の2種類です。長期予測は海外生産のPB商品を発注するため、約1万SKUごとに39週先まで行います。短期予測は店舗在庫の自動発注に使い、店舗とSKUごとに6週先までを予測します。対象は通常時で約190万SKU、繁忙期には最大500万SKUです。
システム導入前、長期予測は担当者が手作業で行い、担当者のスキルによって発注精度にばらつきがありました。短期予測では表計算ソフトで前年や直近の実績を参考にしていたため、季節商品の販売開始時の需要を捉えきれず、欠品が発生していました。全店展開後も業務部門から精度向上の要望があり、特徴量とハイパーパラメータ（学習の挙動を調整する設定値）を手作業で調整しましたが、人が調整と検証を繰り返す方法では試行回数に限界がありました。
新商品が既存商品の売上を奪うカニバリゼーションも課題でした。モデルは月1回再学習していましたが、新商品の販売実績に表れるまで時間差があるため、事前予測は難しく、実績が出た後のトレンド変化やカテゴリ内の需要分散を捉える特徴量の設計も複雑でした。長期モデルは約3年間、段階的に人手で改善されましたが、改善が行き詰まっていました。
カインズはAlphaEvolveで長期予測モデルのアルゴリズムを数百から数千回探索し、特徴量などを自律的に改善しました。同機能はGoogle Cloudが2025年12月に限定公開プレビューを始め、2026年7月に一般提供したもので、カインズはプレビュー版を利用しました。カテゴリ内の需要変化を捉える特徴量を自律探索できるようになり、カニバリゼーションに伴う需要変動の改善可能性も見えてきたとしています。今後、予測精度が向上したカテゴリで、欠品削減や在庫水準の最適化が経営に与える効果を測定します。