売上予測ツール・需要予測システムを選ぶ前に|自社の過去データで予測と実績を比べる

予測ツールが当たるかは機能表と料金では決まりません。架空の通販データで7〜9月を予測すると、3か月の合計で ARIMA_PLUS は14.1%小さく、前年同月×伸び率は20.6%大きく外れました。選ぶ前に確かめる3つと各社の料金です。

この記事をシェア:
目次 クリックで開く

この記事の要点

  1. 予測ツールが当たるかは、機能表と料金では決まりません。選ぶ前に、自社の過去データで実績と比べられるか、予測を幅で出すか、何の周期を拾うかを確かめます。
  2. 当社の検証用 BigQuery で、架空の通販の日次売上を6月末までで学習し、7〜9月を予測しました。3か月の合計で、BigQuery ML の ARIMA_PLUS は実績より14.1%小さく、前年同月×伸び率は20.6%大きく外れました。
  3. ARIMA_PLUS の80%の予測区間の上端(日ごとの上端を月で足した値)を、3か月とも実績が超えました。架空データ1つの結果なので、方法の優劣は言えません。外れ方は自社のデータで比べるまで分かりません。

架空の通販の7〜9月の売上:実績と2つの予測(3か月の合計、税抜)

2026年6月30日までで学習し、7月1日〜9月30日を予測。区間の上端は日ごとの上端の合計

実績4,734万円
ARIMA_PLUS(−14.1%)4,066万円
ARIMA_PLUS の80%区間の上端4,434万円
前年同月×伸び率(+20.6%)5,709万円

当社の検証用 Google Cloud プロジェクトで実行(2026年10月14日、架空の通販データ、BigQuery ML の ARIMA_PLUS)

売上予測や需要予測のツールは、どれが当たるかを機能の一覧と料金では決められません。当社の架空データでの検証では、同じデータでも方法によって外れ方の向きが逆になりました。選ぶ前に確かめたいことは3つあります。1つ目は、自社の過去データで予測を出し、その期間の実績と比べられるか(バックテスト)です。2つ目は、予測を幅(予測区間)で出し、実績がその幅に入るかです。3つ目は、曜日・年・祝日のどの周期を拾っているかを見られるかです。

当社は BigQuery を中心にしたデータ基盤の設計・構築を支援しており、売上などの分析もその仕事に含まれます。この3つを挙げるのは、当社の検証環境で架空の通販の売上を2つの方法で予測して、次のことが起きたからです。片方は小さく、片方は大きく外れ、予測区間にも実績が入りませんでした。各社のツールは試していないので、順位は付けません。

売上予測と需要予測は、予測するものとデータの出どころが違う

売上予測と需要予測の違い
売上予測需要予測
主な目的資金繰り、営業の予算と着地の見通し在庫の適正化、生産・仕入れ・発注の計画
予測するもの受注金額、商談の件数と確度出荷数・販売数(商品・店舗ごと)
主なデータSFA・CRM の商談(パイプライン)基幹システム・POS・通販の過去の実績
主な時間の単位月・四半期・年度日・週

SFA の売上予測は、商談の金額と段階を積み上げて着地を読む仕組みです。当社が試した、日次売上の並び(時系列)からの予測とは作りが違います。ただ、過去に出した予測をその後の実績と比べる確かめ方は、どちらにも使えます。

架空の通販の売上で、7〜9月を2つの方法で予測した

当社の検証用プロジェクトに、SQL で架空の通販の会員と注文を作りました(2026年10月14日)。お客様のデータではなく、傾向は作り手が決めたものです。

検証に使った架空のデータ
項目中身
会員と注文会員3万人。注文 55,792 件(2024年1月7日〜2026年9月30日)
作り手が決めた傾向後の月ほど会員が増える(伸びている店)。11月は1.1倍、12月は1.35倍の金額。平日の注文の一部を土曜に移した
予測に使った数字日ごとの売上(税抜)。返品の印が付いた 1,633 件は除いた

過去のデータで予測を確かめる流れ(バックテスト)

学習に使う2026年6月30日までの日次売上
伏せて予測する7月1日〜9月30日の92日
比べる同じ期間の実績と、月ごと・日ごとに

当社の検証用 Google Cloud プロジェクトで実行(2026年10月14日、架空の通販データ、BigQuery ML の ARIMA_PLUS)

1つ目の方法は BigQuery ML の ARIMA_PLUS です。SQL でモデルを作ると、周期・急な山と谷・段差などを自動で調べ、トレンドを ARIMA で表すモデルを選びます(Google Cloud「時系列モデルの CREATE MODEL ステートメント」)。祝日の効果を調べるのは、HOLIDAY_REGION で地域を指定したときだけです。祝日は日本(JP)を指定し、予測は ML.FORECAST で80%の予測区間と一緒に取りました。

CREATE OR REPLACE MODEL blog_demo.fc_arima
OPTIONS(model_type = 'ARIMA_PLUS', time_series_timestamp_col = 'd',
        time_series_data_col = 'sales', horizon = 92, holiday_region = 'JP') AS
SELECT d, sales FROM blog_demo.ec_daily_sales WHERE d <= DATE '2026-06-30';

モデルの作成は約13秒でした。ジョブの情報では、処理は 189,120 バイト、課金は 10 MiB で、料金ページにあるクエリあたりの最小の処理容量(10 MB)に切り上がった値とみられます。これに、東京リージョンのオンデマンドで時系列モデルを作るときの単価を掛けると、約0.0036米ドルです(当社の計算)。単価は1 TiB あたり 375 米ドルで、料金ページで地域を東京にしたときの値です。ただし料金ページは、CREATE MODEL の課金対象のバイト数を監査ログで確かめるよう案内しています。また、自動で候補を選ぶとき(今回は候補12個)は、処理量に候補の数を掛けるとしています(Google Cloud「BigQuery の料金」)。今回は監査ログを見ていないので、この金額は目安です。

2つ目は表計算でもできる方法です。2026年1〜6月の売上が前年同期の何倍か(2.058倍)を求め、2025年の7〜9月の各月にそのまま掛けました。

片方は小さく、片方は大きく外れた

月ごとの予測と実績(税抜で、区間は日ごとの区間の上下を月で足したもの)
月実績ARIMA_PLUS(ずれ)ARIMA_PLUS の80%区間前年同月×伸び率(ずれ)
2026年7月15,136,040円13,189,822円(−12.9%)11,955,362〜14,424,283円17,931,798円(+18.5%)
2026年8月16,679,180円13,759,471円(−17.5%)12,519,320〜14,999,623円19,521,988円(+17.0%)
2026年9月15,523,610円13,709,739円(−11.7%)12,505,089〜14,914,390円19,635,008円(+26.5%)

ARIMA_PLUS は3か月とも実績より小さく、SQL で日ごとに計算した平均絶対誤差率(MAPE)は、92日分で 17.3% でした。前年同月×伸び率は3か月とも大きく外れました。1〜6月は前年の2.058倍でしたが、7〜9月の実績は前年同期の約1.71倍で、伸びが小さくなっていたためです(当社の計算)。ARIMA_PLUS が小さく見積もった理由は、この結果からは確かめていません。

どちらの方法が優れているかは、架空データ1つ・期間1つでは言えません。傾向も作り手が決めたものです。言えるのは、同じデータでも外れ方の向きが方法で変わり、それは実績と比べるまで分からなかった、ということです。

試していないのは、説明変数を入れる ARIMA_PLUS_XREG、店舗や商品ごとの多くの系列、学習済みモデルの TimesFM、学習の期間を変えた比較、Excel、各社のツールです。

ツールを選ぶ前に確かめる3つ

1

自社の過去データで、予測と実績を比べられるか

  • ある時点までで学習させ、その後を予測させる
  • 区切りをずらして何回か比べる

2

予測を幅で出すか、実績がその幅に入るか

  • 幅の水準(80%・95%)を変えられるか
  • 実績が幅に入った割合を見られるか

3

何の周期を拾っているかを見られるか

  • トレンド・周期・祝日に分けて見せるか
  • 周期や出来事の日を指定できるか

当社の検証の結果と、各社の公式の機能から当社がまとめたもの(本文の3つの節)

確かめること1:自社の過去データで、予測と実績を比べられるか

製品の紹介に精度の数字があっても、それは自社のデータで出た値ではありません。上の流れを、検討しているツールで自社のデータに対してできるかを確かめます。機能として持っている製品もあります。BigQuery ML は ML.EVALUATE に実績のデータを渡すと、平均絶対誤差(MAE)や MAPE などを返します(Google Cloud「ML.EVALUATE 関数」)。Excel の予測シートは、[予測開始]を履歴の最後より前にすると、その日より前のデータだけで予測し、実績と比べられます(Microsoft「Windows 版 Excel で予測を作成する」)。オープンソースの Prophet は、過去に区切りの日を何回か決めて実績と比べる機能(cross_validation)を持っています(Prophet「Diagnostics」)。

今回は区切りが1回だけです。日や週の数字の並びから予測するツールに、自社のデータを入れられる試用期間があるなら、その間に去年の数か月を伏せて予測させることをお勧めします。外れ方は、方法と自社のデータの組み合わせで試すまで分からないからです。試用で自社のデータを使えるかは製品で違います。たとえば Prediction One の無料体験版(14日)は、個人利用プランの表の注に「無料体験版ではサンプルデータのみ」とあります(Prediction One 個人利用プラン)。自社データで確かめられるかは、見積もりの段階で聞いてください。商談を積み上げる SFA は作りが違うので、下の図の「聞くこと」(過去の四半期の着地の予測と実際を並べられるか)で確かめます。

確かめること2:予測を幅で出すか、実績がその幅に入るか

ARIMA_PLUS は予測の値と一緒に予測区間を出し、水準は ML.FORECAST の confidence_level で決めます。既定は 0.95(95%)です(Google Cloud「ML.FORECAST 関数」)。今回は 0.8 にしましたが、実績は区間の上端を7月に約4.9%、8月に約11.2%、9月に約4.1%上回りました(当社の計算)。幅を出す仕組みがあっても、実績がその幅に入るとは限りません。

Excel の予測シートは、既定で95%の信頼区間を出します(Microsoft のヘルプ)。Tableau も95%の予測間隔を網掛けで示し、水準を変えられます(Tableau「予測の作成」)。Prophet は、過去の区切りで比べたときに実績が予測の上下に入った割合(coverage)を出せます(Prophet「Diagnostics」)。選ぶときは、幅を出すかに加えて、その割合を自社の過去データで見られるかを確かめます。予算や発注に中央の値と幅の端のどちらを使うかも、ツールを選ぶ前に決めておきます。

確かめること3:何の周期を拾っているかを見られるか

ARIMA_PLUS は候補のモデルから AIC(当てはまりの良さの指標)が最も小さいものを選びます。ML.ARIMA_EVALUATE で見ると、候補は12個でした。AIC が最も小さかったのは ARIMA(1,1,1) にドリフト(一定の伸び)を足したもので、周期は週(WEEKLY)でした。祝日の効果・急な山と谷・段差は、どれも「あり」と出ました(Google Cloud「ML.ARIMA_EVALUATE 関数」)。年の周期は選ばれていません。架空データには11月と12月の山を作りました。学習に使った約2年半分(2024年1月〜2026年6月)には、11月・12月が2回ずつ入っています。それでも年の周期が選ばれなかった理由は、この結果からは確かめていません。周期は SEASONALITIES で指定もできますが(同じページ)、試していません。

2026年6月27日(土)の実績と、ARIMA_PLUS の分解

ML.EXPLAIN_FORECAST の出力の一部(トレンドと週の周期)

実績962,870円
トレンド426,695円
週の周期の効果+9,565円

当社の検証用 Google Cloud プロジェクトで実行(2026年10月14日、架空の通販データ、BigQuery ML の ARIMA_PLUS)

ML.EXPLAIN_FORECAST で、学習の最後の週を分解しました(Google Cloud「ML.EXPLAIN_FORECAST 関数」)。土曜の6月27日は、実績とトレンドの差が 536,175 円あるのに対し、週の周期の効果は +9,565 円で、差の2%に満たない値でした(当社の計算)。平日の注文の一部を土曜に移して作った山を、週の周期では説明しきれていません。ARIMA_PLUS は、急な山と谷を前後をつないだ値に置き換えます。この処理(CLEAN_SPIKES_AND_DIPS)は既定でオンなので、この土曜がそう扱われた可能性はあります。同じ関数の出力の spikes_and_dips の列で確かめられますが、今回はその列を取っていません。

キャンペーンのような数字の外の出来事も、記録が無ければツールにはただの山や谷です。周期に要るデータの長さも製品ごとに違います。ARIMA_PLUS の祝日の効果は、地域を指定したうえで、日次か週次で1年より長いデータのときだけ使われます(HOLIDAY_REGION)。Excel は、季節性を手で設定するとき、履歴が2サイクル未満だと季節性を特定できません(Microsoft のヘルプ)。Tableau は、日ごとの集計では週の周期を調べ、12か月の季節性には少なくとも24個のデータが要ります(Tableau「予測の仕組み」)。選ぶときは、予測をトレンド・周期・祝日に分けて見せるか、周期や出来事の日を指定できるかを確かめます。

主な予測の手法と、使える場所

3つを確かめるとき、ツールの中で動いている方法の名前が分かると、何を聞けばよいかを絞れます。下の表は、各社の公式の説明に出てくる主な方法です。

予測の手法(今回試したのは ARIMA だけ)
手法何をするか公式に書かれている特徴使える主な場所
移動平均直近の何期間かの平均を次の値とする—表計算
指数平滑法過去の値の加重平均。新しい値ほど重いTableau は最大8つのモデルから選ぶ。Excel は AAA 版Excel の予測シート、Tableau
ARIMA過去の値の関係(自己回帰・差分・移動平均)でトレンドを表すARIMA_PLUS は周期を分解し、候補から AIC で選ぶBigQuery ML
Prophet年・週・日の周期と祝日の効果を足し合わせる季節の影響が強く、何シーズン分かの履歴があるデータで最もよく動くR・Python(オープンソース)
説明変数を入れる予測価格・キャンペーン・天気など売上以外の数字も入れるARIMA_PLUS_XREG は予測のときにも説明変数の表を渡すBigQuery ML、需要予測の専用サービス

出典:Tableau「予測の仕組み」、Microsoft、Google Cloud「CREATE MODEL」・「ML.FORECAST」、Prophet(Facebook、現 Meta の Core Data Science チームが公開)。

方法が違っても、確かめる3つは変わりません。表の方法で見ると、Excel と Tableau の指数平滑法は、幅を既定の95%で出します(確かめること2)。ARIMA_PLUS は、ML.EXPLAIN_FORECAST でトレンド・周期・祝日に分けて見せます(確かめること3)。Prophet は、cross_validation で区切りをずらして比べられます(確かめること1)。説明変数を入れる予測は、予測する期間の説明変数も渡す作りです。伏せた期間で比べるときは、その期間の価格やキャンペーンの値を用意できるかも確かめます。

主なツールを、公式の機能と料金で並べる

予測ツールの種類と、選ぶときに聞くこと

商談から積み上げる

SFA・CRM

  • 商談の金額と段階から着地を読む

聞くこと:過去の四半期の着地の予測と実際を並べられるか

過去の数字の並びから読む

表計算・BI・データ基盤

  • 日・週・月の実績から先を読む

聞くこと:伏せた期間で比べられるか、幅と周期を見せるか

業種に合わせたサービス

需要予測の専用サービス

  • 店舗・商品ごとの需要や発注まで

聞くこと:自社の過去データで、伏せた期間の予測と実績を見せてもらえるか

各社の公式ページの説明をもとに当社が分けたもの(下の表)

主な予測ツールの公式の機能と料金(順位ではない)
ツール予測の機能(公式の説明)公式に出ている料金
Salesforce Sales Cloud「高度な売上予測とパイプライン管理」は Core 以上。Pro Suite にも「営業の見積もりと売上予測」ユーザー月 Starter Suite 3,000円、Pro Suite 12,000円、Core 23,400円、Advanced 47,400円、Max 66,000円(Pro Suite 以上は年間契約)
Microsoft Dynamics 365 Sales予測を含む「高度な営業支援システム」は Enterprise と Premium。見通し予測は Premiumユーザー月相当・年払い・税抜で Professional 9,745円、Enterprise 15,742円、Premium 22,488円
HubSpot Sales Hubフォーキャストツールは Professional と Enterprise—
Tableau指数平滑法の予測と予測間隔(95%など)Tableau Cloud のユーザー月の最低価格で Standard 1,800円、Enterprise 4,200円(年間契約。導入ごとに Creator が1つ以上要る)
BigQuery ML(ARIMA_PLUS)予測区間、分解(トレンド・周期・祝日)、実績との評価東京のオンデマンドで作成 1 TiB 375 米ドル(候補のモデルの数を処理量に掛ける)、予測・評価 1 TiB 7.50 米ドル(毎月 1 TiB の無料枠の対象)
Prediction One(ソニーネットワークコミュニケーションズ)ノーコードの予測分析。時系列予測を含む個人利用プラン 217,800円から/年(税込)。法人は問い合わせ
サキミル(ソフトバンク)飲食・小売の店舗の来店客数か売上を14日先まで予測。気象・人流のデータも使う月 7,900円/店舗(Web)、初期 3,000円/店舗(税抜)。発注推奨値の予測は別料金
sinops-CLOUD(シノプス)流通業向けの需要予測型の自動発注—

出典:Salesforce 販売価格、Dynamics 365 Sales の価格、HubSpot「フォーキャストツールを設定する」、Tableau の価格、BigQuery の料金(地域を東京にしたときの値)、Prediction One 個人利用プラン、サキミル、sinops-CLOUD。「—」は、今回開いた公式ページで金額を確かめられなかったものです。Amazon Forecast は新しい顧客には提供されていません(AWS)。

どの種類でも、試用か見積もりの段階で上の3つを聞いてください。料金は単位(ユーザー・店舗・処理量)が違うので、自社の人数・店舗数・データ量に直して比べます。

まず、去年の3か月を伏せて予測してみる

ツールを選ぶ前に、自社の売上の表で、去年のある日までのデータだけからその後の3か月を予測してみてください。Excel の予測シートなら[予測開始]を前にずらすだけです。外れ方の向きと、幅に実績が入ったかが、比較表のどこを重く見るかの材料になります。比べるための日次の売上の表づくりは、当社のデータ分析・BI支援でご相談いただけます。BigQuery の料金の仕組みはBigQuery でデータ統合基盤を構築する費用に書いています。

料金と仕様は、2026年10月14日に各社の公式ページで確かめたものです。デモの数字は当社の検証用プロジェクトの、この架空データ・この条件での値です。

CRM・SFA導入・活用支援

Salesforce・HubSpot などのCRM/SFAを規模や運用体制に合わせて選定し、設計・構築、部門をまたぐデータ連携、社内で改修・運用できる内製化までを支援します。

AT
aurant technologies 編集

上場企業からスタートアップまで、数多くのデータ分析基盤構築・AI導入プロジェクトを主導。単なる技術提供にとどまらず、MA/CRM(Salesforce, Hubspot, kintone, LINE)導入によるマーケティング最適化やバックオフィス業務の自動化など、常に「事業数値(売上・利益)」に直結する改善実績多数。

この記事が役に立ったらシェア: