Claude Code × 飲食店在庫：POSデータをBigQueryに取り込み、発注予測を自動化する実装パターン
目次 クリックで開く
飲食店の食材ロスは売上の3〜8%に達し、利益率を直接圧迫します。本記事では、Square・Airレジ・Dinii などのPOSデータを BigQuery に取り込み、Claude Code が販売実績・天候・近隣イベント情報を踏まえて翌週の発注量を自動予測、LINE通知で店長に確認を取る実装パターンを解説します。
最短診断：原因の見極めチェックリスト
| 原因カテゴリ | 確認ポイント |
|---|---|
| 食材ロス3〜8% | 感覚発注で過剰在庫。 |
| 欠品ロス | 人気メニューが品切れ。客単価ダウン＋顧客離脱。 |
| 発注作業の属人化 | 店長が頭の中で計算。引継ぎ困難。 |
解決手順（推奨実行順）
- Square / Airレジ / Dinii の Webhook or API で日次売上を BigQuery に取り込み（Cloud Functions経由）。
- 気象庁API・Yahoo!ローカル経由でイベント情報を取得し補助テーブル化。
- Claude Code に MCP で BigQuery 接続させ、過去2年の販売×天候×イベントから翌週需要予測SQLを生成・実行。
- 予測結果を発注書フォーマットに整形 → LINE Bot で店長に提示。
- 店長の調整を反映 → 仕入先（八面六臂、ハイファイ等）にFAX/メールで自動送信。
- 実績データで予測精度を週次評価し、誤差5%以下を目標に改善。
「翌週需要予測SQL」を一括で書くと、葉物野菜と米を同じ手法で予測することになりがちですが、現場ではそれは破綻します。食材ごとに鮮度寿命・発注頻度・需要変動の主要因が大きく違うため、Claude にも食材カテゴリごとに別プロンプト（あるいは別SQL）を組ませるのが実用解です。下表は、飲食店で扱う代表的な食材カテゴリと、それぞれに合った発注頻度・予測手法・注目すべき変動要因を整理したものです。実装初期はカテゴリを3〜4種に絞り、効果を確認しながら範囲を広げていく進め方をおすすめします。
| 食材カテゴリ | 代表品目 | 鮮度寿命の目安 | 推奨発注頻度 | 主要な需要変動要因 | Claudeに使わせる予測手法 |
|---|---|---|---|---|---|
| 葉物・果菜 | レタス、トマト、キャベツ | 3〜5日 | 週3〜5回（中2〜3日） | 来店客数・サラダ系メニュー比率・気温 | 直近3〜7日移動平均＋天候係数。Claudeに「気温±5℃でサラダ需要が±15%変動」のような感応度を補正させる |
| 鮮魚・甲殻類 | 刺身用ネタ、ホタテ、エビ | 当日〜2日 | 毎日〜週5回 | 客単価・コース予約数・市場相場 | 翌日の予約データと曜日効果から確定発注。Claudeには「予約コース数×ネタ消費量＋当日売の安全在庫」の式を持たせる |
| 精肉（生） | 牛/豚/鶏のブロック、挽肉 | 3〜7日（部位による） | 週2〜3回 | 主力メニューの売上比率・前年同週比 | 直近4週同曜日の平均×季節係数。Claudeに「梅雨で焼肉系−10%、初夏のBBQ需要で＋20%」など補正 |
| 加工肉・ハム | ベーコン、ソーセージ、サラミ | 2週間〜1ヶ月 | 週1〜2回 | 朝食/ランチ営業日数・前菜メニュー | 月次平均ベースで余裕在庫設計。Claudeには急な変動より「在庫切れ確率を5%以下に抑える」最小発注量を計算させる |
| 米・乾物 | 米、パスタ、乾麺、豆類 | 1〜6ヶ月 | 月1〜2回 | 大口宴会予約・季節メニュー | 月次トレンド＋宴会予約数。Claudeに「過去同月の使用量±宴会予約kg数」の単純加算で十分 |
| 調味料・油 | 醤油、味噌、サラダ油、酢 | 3〜12ヶ月（未開封） | 月1回 | 新メニュー導入時のみ大変動 | 月次定期発注をベースに、新メニュー投入時のみClaudeに増量推奨させる |
| 酒類（樽生・瓶） | 生ビール樽、ワイン、日本酒 | 樽生1週間（開栓後）、瓶は数ヶ月 | 週1〜2回 | 気温・近隣イベント（試合・花火）・客層 | 気温＋近隣イベント情報（Yahoo!ローカル経由）に強く重み付け。Claudeに「気温30℃超で生ビール＋40%」等を学習させる |
| 冷凍食材 | 冷凍野菜、フライ用素材、業務用ストック | 3〜6ヶ月 | 月1〜2回（バッファ大） | 欠品ロス回避が主目的 | 需要予測の精度より「欠品時のバックアップ在庫」として固定発注量で運用 |
表の右列にある通り、Claude に渡すプロンプトは食材カテゴリで使い分けます。鮮魚のように「予約データに張り付くべき」食材と、米のように「月次でざっくり読めば足りる」食材を同じ精度で扱おうとすると、過剰開発か精度不足かのどちらかに振れます。MAPE（平均絶対パーセント誤差）の目標値も、葉物・鮮魚は12〜20%でも実用、米・調味料は5%以下を狙う、というようにカテゴリ別にKPIを置くと運用が落ち着きます。
飲食店の POS データを BigQuery に取り込み Claude Code で発注予測を動かす構成では、POS システムへの書き込み権限の制限と、発注実行を人が承認するステップの確保が運用上の安全弁になります。データ取り込みから予測・自動化まで、実装パターンの具体化は Claude Code 導入支援 で PoCの進め方を整理できます。
よくある質問
Square / Airレジ どちらがAPIが充実？
Square が API ファースト設計で開発容易。Airレジは公式APIなしでウェブスクレイピング/CSV取込が必要なケース多。
予測の精度はどのくらい出ますか？
実装3ヶ月後で MAPE（平均絶対パーセント誤差）8〜12%が現場の典型値。継続学習で5%以下を狙えます。
導入コストはいくら？
初期200〜400万円、月額5〜10万円（BigQueryコスト含む）。月商800万円以上の店舗で投資回収できる目安。
複数店舗展開で使える？
店舗別モデル + チェーン共通モデルの2階建てが効果的。Dinii などのチェーン対応POSと組み合わせ可能。
Claude Code 以外（ChatGPT / Gemini）でも実装可能？
技術的には可能。MCP 標準対応で実装最短は Claude Code、OpenAI Function Calling 経由も可能ですが追加実装が必要です。
参考：Aurant Technologies 実プロジェクトのLooker Studio実装
本記事のテーマを実装段階まで進める際の参考として、Aurant Technologies が支援した複数の実案件で構築した Looker Studio ダッシュボードの一例をご紹介します。数値・社名・部門名はマスキングしていますが、実際に運用されている可視化です。
生成AIの法人導入・セキュリティ設計のご相談
ChatGPTやClaudeなど生成AIのプラン選定・セキュアな全社導入・権限／ログ設計を、貴社の体制に合わせて整理します。すでに導入済みの環境について『この設計で問題ないか』を確認したい、という導入前後のセカンドオピニオンにも対応しています。
AI・業務自動化
ChatGPT・Claude APIを活用したAIエージェント開発、n8n・Difyによるワークフロー自動化で繰り返し業務を削減します。まずはどの業務をAI化できるか診断します。