店舗経営において、「来週はどの商品が売れるのか」「来月の売上はどのくらいになるのか」「何個仕入れればよいのか」といった売上予測・需要予測は重要なテーマです。

従来は、過去の売上実績や店長の経験、勘などをもとに予測するケースが多くありました。しかし現在では、機械学習を利用して店舗の売上や商品の需要を予測する方法が注目されています。

機械学習を活用すれば、過去の売上データだけでなく、曜日、天候、季節、価格、キャンペーンなど、さまざまな要因を組み合わせて需要を予測できます。

本記事では、店舗売上予測・需要予測に機械学習を活用する方法について、初心者にも分かりやすく解説します。

---

店舗の売上予測・需要予測とは？

まず、「売上予測」と「需要予測」は似ていますが、厳密には少し意味が異なります。

売上予測とは

売上予測とは、将来の店舗や商品の売上金額を予測することです。

例えば、

• 明日の売上はいくらになるか

• 来週の売上はいくらになるか

• 来月の売上はいくらになるか

• 来年の売上はどの程度になるか

といった予測を行います。

例えば、過去3年間のデータから、

「来週の土曜日は約80万円の売上が見込まれる」

といった予測を行います。

---

需要予測とは？

一方、需要予測は、顧客が将来どの程度の商品・サービスを必要とするのかを予測することです。

例えばコンビニであれば、

「明日はおにぎりが500個売れる」

「雨の日は傘の販売数が通常の2倍になる」

といった予測です。

需要予測は、特に在庫管理や発注業務と相性が良いのが特徴です。

売上予測と需要予測の違い

項目	売上予測	需要予測
予測対象	売上金額など	商品・サービスの需要量
例	明日の売上100万円	おにぎり500個
主な用途	経営計画・予算	発注・在庫管理
対象	店舗・事業全体	商品・カテゴリーなど

実際の店舗ビジネスでは、売上予測と需要予測を組み合わせて活用することが重要です。

---

なぜ店舗の売上予測に機械学習を使うのか？

店舗の売上には、さまざまな要因が影響します。

例えば、

• 曜日

• 時間帯

• 季節

• 天候

• 気温

• 商品価格

• セール

• キャンペーン

• 祝日

• 給料日前後

• 店舗の立地

• 周辺イベント

• 過去の販売実績

などです。

人間がこれらの要因をすべて考慮して売上を予測するのは簡単ではありません。

そこで機械学習を利用します。

機械学習では、過去のデータから「どのような条件のときに売上が増えるのか」を学習し、将来の売上や需要を予測できます。

---

店舗売上予測で使われるデータ

機械学習による売上予測では、できるだけ多くの関連データを用意することが重要です。

代表的なのが以下のデータです。

1．過去の売上データ

最も基本となるデータです。

例えば、

• 日付

• 店舗ID

• 商品ID

• 売上金額

• 販売数量

などを記録します。

---

2．曜日データ

店舗によっては曜日によって売上が大きく変化します。

例えば、

• 月曜日：低い

• 火曜日：低い

• 水曜日：普通

• 木曜日：普通

• 金曜日：高い

• 土曜日：非常に高い

• 日曜日：高い

といった傾向です。

そのため、曜日を機械学習の特徴量として利用します。

---

3．天候データ

店舗によっては天候が売上に大きな影響を与えます。

例えば、

雨の日

• 傘

• レインウェア

• 宅配サービス

などの需要が増える可能性があります。

一方で、

晴れの日

• アイス

• 飲料

• レジャー用品

などの売上が伸びる可能性があります。

---

4．気温

気温も重要なデータです。

例えば、

気温が30℃を超えると飲料の売上が急増する

という店舗があるかもしれません。

こうした関係を機械学習モデルに学習させることができます。

---

5．価格・キャンペーン情報

商品の価格やキャンペーンも需要に影響します。

例えば、

通常価格500円の商品を400円にすると販売数が増える

という傾向があれば、その関係をモデルに学習させます。

---

店舗売上予測に使える機械学習モデル

店舗の売上予測では、さまざまな機械学習アルゴリズムを利用できます。

代表的なものを紹介します。

線形回帰

最も基本的な予測モデルの一つです。

例えば、

「気温が1℃上がると飲料の売上がどの程度増えるのか」

といった関係を分析できます。

機械学習の入門としても分かりやすいモデルです。

---

Random Forest

Random Forestは、複数の決定木を組み合わせて予測する機械学習アルゴリズムです。

売上予測では、

• 曜日

• 気温

• 天候

• 価格

• キャンペーン

• 過去売上

など複数の変数を利用できます。

比較的扱いやすいため、機械学習による売上予測の入門にも適しています。

---

XGBoost

XGBoostは、勾配ブースティングを利用した機械学習ライブラリです。

表形式のデータに強く、売上予測や需要予測でもよく利用される手法の一つです。

店舗データのように、

日付・曜日・気温・価格・販売数量

などのデータが表形式で蓄積されているケースと相性が良いでしょう。

---

LightGBM

LightGBMも、売上予測・需要予測で利用される代表的な機械学習手法です。

大量のデータを扱いやすいことが特徴で、店舗数や商品数が多いケースでも活用できます。

---

時系列モデル

店舗売上予測では、通常の機械学習だけではなく時系列予測も重要です。

時系列データとは、

2026年1月1日 → 100万円
2026年1月2日 → 105万円
2026年1月3日 → 130万円

のように、時間の順番に並んだデータです。

売上には「前日の売上」「前年同日の売上」「季節性」などが影響するため、時系列予測モデルが適しています。

---

機械学習による店舗売上予測の流れ

実際に機械学習で店舗売上を予測する場合、次のような流れになります。

STEP1：売上データを収集する

まずPOSなどから過去の売上データを取得します。

例えば、

日付	店舗	商品	販売数量	売上
9/1	東京店	A商品	100	50,000円
9/2	東京店	A商品	120	60,000円
9/3	東京店	A商品	90	45,000円

といったデータです。

---

STEP2：関連データを追加する

売上データだけでなく、

• 曜日

• 天候

• 気温

• 祝日

• セール

• 商品価格

• 店舗情報

などを追加します。

これらを特徴量として利用します。

---

STEP3：データを前処理する

実際の店舗データには、

• 欠損値

• 異常値

• 入力ミス

• データ形式の違い

などが含まれていることがあります。

そのため、機械学習に投入する前にデータを整理します。

---

STEP4：特徴量を作る

機械学習では、元データから予測に役立つ特徴量を作ることが重要です。

例えば、

• 曜日

• 月

• 季節

• 前日の売上

• 7日前の売上

• 30日前の売上

• 前年同日の売上

• 移動平均

などです。

特に売上予測では、過去の売上を特徴量として利用する方法が非常に重要です。

---

STEP5：機械学習モデルを学習させる

準備したデータを使って機械学習モデルを学習させます。

例えばPythonなら、

from sklearn.ensemble import RandomForestRegressor

model = RandomForestRegressor(
    n_estimators=100,
    random_state=42
)

model.fit(X_train, y_train)

のようにモデルを学習できます。

---

STEP6：将来の売上を予測する

学習したモデルに将来の条件を入力します。

例えば、

土曜日
晴れ
気温30℃
セールあり

という条件を入力し、

「明日の売上予測：82万円」

のように予測します。

---

店舗売上予測で重要な「特徴量」

機械学習では、どのデータをモデルに与えるかが非常に重要です。

例えば、単純に過去の売上だけを使うよりも、

曜日
＋
気温
＋
天候
＋
祝日
＋
価格
＋
キャンペーン
＋
過去7日間の売上
＋
前年同日の売上

というように複数の情報を組み合わせたほうが、予測精度を高められる可能性があります。

---

店舗の需要予測で機械学習を活用するメリット

1．発注量を最適化できる

需要予測によって、

「明日はこの商品が300個売れそう」

と予測できれば、発注量を調整できます。

過剰発注による廃棄や、発注不足による機会損失を減らせる可能性があります。

---

2．食品ロスを削減できる

スーパーやコンビニなどでは、商品の需要予測が特に重要です。

例えば、

「明日は雨なので来店客が減りそう」

「週末なので弁当の需要が増えそう」

などを予測できれば、商品の発注量を調整できます。

食品ロス削減にもつながります。

---

3．人員配置を最適化できる

売上予測は商品の発注だけではありません。

例えば、

「土曜日の17～19時は来店客が多い」

と予測できれば、その時間帯にスタッフを増やすことができます。

つまり、

売上予測 → 来店客予測 → スタッフ配置

という活用も可能です。

---

4．キャンペーンの効果を予測できる

機械学習を使えば、

「20％値引きすると販売数量がどの程度増えるか」

といった分析にも活用できます。

過去のキャンペーンデータを学習させることで、価格変更や販促施策の効果を予測できる可能性があります。

---

店舗売上予測の精度を高めるポイント

機械学習では、「高性能なモデルを使えば必ず精度が上がる」というわけではありません。

特に重要なのがデータの品質です。

ポイント1：十分な過去データを用意する

できれば、

• 1年分

• 2年分

• 3年分

など、十分な期間のデータを用意します。

季節性を考慮するためにも、複数年のデータが役立ちます。

---

ポイント2：曜日・祝日を考慮する

店舗ビジネスでは曜日による売上変動が大きいため、曜日や祝日を特徴量に含めることが重要です。

---

ポイント3：天候を考慮する

小売店、飲食店、レジャー施設などでは天候が売上に大きく影響する場合があります。

天気予報と売上予測を組み合わせることで、より実用的な需要予測につながります。

---

ポイント4：前年同日の売上を見る

店舗によっては「前年同日」が非常に強い予測材料になります。

例えば、

2025年9月5日 → 80万円
2026年9月5日 → ？

という予測です。

ただし、店舗の営業時間や価格、商圏などが変化している場合には注意が必要です。

---

Pythonで店舗売上予測を始める

店舗売上予測の機械学習を学ぶなら、Pythonが有力な選択肢です。

Pythonには、

• pandas

• NumPy

• scikit-learn

• XGBoost

• LightGBM

• matplotlib

など、データ分析や機械学習に利用できるライブラリが豊富にあります。

例えば、売上データをCSVで用意すれば、

import pandas as pd

df = pd.read_csv("sales.csv")

print(df.head())
print(df.describe())

のようにデータを読み込んで分析できます。

その後、

データ収集
↓
データクリーニング
↓
特徴量作成
↓
機械学習
↓
予測
↓
予測精度の評価
↓
実際の店舗業務へ導入

という流れでシステムを構築できます。

---

機械学習による需要予測は「予測して終わり」ではない

店舗の需要予測で重要なのは、予測結果を実際の業務につなげることです。

例えば、

機械学習
↓
明日の需要を予測
↓
発注数を自動計算
↓
発注担当者に通知
↓
POSデータで実績を取得
↓
予測と実績を比較
↓
モデルを改善

という仕組みにすると、継続的に精度を改善できます。

つまり、単純な「AIによる売上予測」ではなく、

予測 → 意思決定 → 実行 → 検証 → 改善

という仕組みを作ることが重要です。

---

まとめ：店舗売上予測・需要予測は機械学習と相性が良い

店舗の売上や需要は、

• 過去の販売実績

• 曜日

• 季節

• 天候

• 気温

• 価格

• キャンペーン

• 祝日

など、さまざまな要因によって変化します。

そのため、複数のデータを組み合わせて分析できる機械学習は店舗売上予測・需要予測と非常に相性の良い技術です。

特に、

「売上を予測する」だけでなく「予測結果を発注、人員配置、販促、在庫管理に活用する」

ことが重要です。

これから店舗のDXやAI活用を進める企業にとって、店舗売上予測・需要予測は機械学習の代表的な実務活用分野の一つといえるでしょう。