Umiosの事例、何が起きたのか
Umios(旧マルハニチロ)が、年間4200時間かかっていた販売計画作成業務を自動化し、予測精度95%を実現したと報じられています。
もともとは「データ品質に問題あり」という状態からのスタートだったそうで、そこから精度を上げていったプロセスが公開されているのが、この事例の面白いところですね。
派手なAIモデルの話というより、地道なデータ整備の積み重ねが結果につながったという、営業現場にとって参考になる内容だと私は感じています。
なぜこの事例が営業現場にとって重要なのか
会社員として売上予測や販売計画に関わっている方、副業で在庫管理や需要予測系の仕事をされている方にとって、この事例は『AIは魔法ではなく、データの土台づくりから始まる』という当たり前だけど忘れがちな真実を教えてくれます。
営業の現場では「勘と経験」で計画を立てることがまだまだ多いと思います。でも、Umiosのように4200時間もの工数がかかっていた業務が自動化・高精度化できたということは、同じような課題を抱える中堅・中小企業の営業企画部門にも十分に応用できる可能性があるということです。私自身、営業AIツールを内製してきた経験から言うと、精度95%という数字よりも「データ品質の問題をどう乗り越えたか」というプロセスの方が、実は再現性が高くて価値があると思っています。
つまり、大企業だけの特別な話ではなく、自分の会社の売上データや受注データを見直すきっかけとして捉えると、明日からの仕事に直結してきますよね。
実務への転用:まずは自社データの棚卸しから
いきなり高度な予測モデルを作ろうとする前に、Umiosの事例が示唆しているのは「データを整える段階」の重要性です。まずは手元にある販売データの品質チェックから始めてみるのがおすすめですね。
ステップ1: 過去1〜2年分の販売実績データをCSVでエクスポート ステップ2: 欠損値・重複・単位のばらつきがないか手動でざっと確認 ステップ3: ChatGPTなどの生成AIに以下のようなプロンプトで分析を依頼 プロンプト例: 「以下は当社の月次販売実績データです(貼り付け)。 このデータに含まれる可能性のある品質問題 (欠損、外れ値、表記ゆれなど)を指摘してください。 また、需要予測に使う前に整えておくべき項目があれば 優先順位をつけて教えてください」 ステップ4: 指摘された問題点を一つずつ修正し、整ったデータで 簡易的な予測(前年同月比・移動平均など)を試してみる ステップ5: 予測と実績のズレを記録し、次月の精度改善に活かす
この流れを1〜2サイクル回すだけでも、「うちのデータはどこが弱いか」が具体的に見えてきますよね。これがUmiosの事例で言う「データ品質の解決プロセス」の縮小版だと私は捉えています。
注意点:精度95%はゴールであってスタートではない
ここで一つ釘を刺しておきたいのですが、『予測精度95%』という数字だけを見て「うちもすぐに同じ結果が出せる」と期待しすぎるのは危険だと思います。Umiosの事例も、おそらく相当な期間をかけてデータ整備と検証を繰り返した結果の数字のはずです。自社に置き換えるときは、まず「精度80%を目指す」くらいの現実的な目線から始める方が、挫折せずに続けられると私は考えています。
明日の一歩:販売データを1つだけ抽出してみる
明日やることは、シンプルに一つだけで十分です。自分が関わっている商品・エリア・顧客のいずれか一つを選んで、過去半年分の販売データをExcelかCSVで手元に用意してみてください。それを眺めるだけでも、「あれ、このデータ抜けてるな」「表記がバラバラだな」といった気づきが必ず出てくるはずです。そこがすべての出発点になりますよね。
あわせて読みたい
無料特典と、私の発信について
🎁 LINE登録で『営業プロンプト10本ノート』を無料配布中です → LINEで受け取る(登録後、メッセージで「プロンプト」と送ってください)
社内で試して形になった仕組みを、業界も商材も分からない形に作り直した設計図は note(無料記事と有料記事があります)に、日々の実践は X で発信しています。
📘 私の有料note(設計図の完全版)
・営業がAIツールを現場で動かす『設計図』全部入り(2,980円)
・動画編集スキル0でもできる、ショート動画自動化の設計図(1,480円)


