欠品率を32%削減、滞留在庫を18%削減、バイヤー1人あたりの担当カテゴリーを2倍に

2万を超えるSKUの補充発注はバイヤーの経験と単純な計算式に頼っており、販促、天候、祝日といった要因を織り込めず、頻繁な欠品とシーズン末の滞留在庫が同時に発生していました。新商品の導入と廃番にもデータの裏付けがなく、店舗と本部の意見が食い違うことが珍しくありませんでした。

同グループは購買担当者を増やさずにバイヤー1人がより多くのカテゴリーを担当できるようにし、判断の根拠を記録として残すことを望んでいました。

補充発注と品揃えを「経験による判断」から「エージェントの提案と人の確認」へ切り替え、カテゴリーごとに段階的に本番稼働させました。

• 補充発注の提案：販売量、在庫、販促計画、天候、祝日を総合して店舗単位の発注案を生成し、理由を添付
• 品揃えの審査：新商品の導入と廃番について、売上、粗利、併売の観点からスコアと根拠を提示
• バイヤーは既存のシステム上で提案を確認し、修正する場合は理由を記録して判断ログを形成
• 毎週、提案と実績の差異を振り返り、モデルとルールを継続的に調整

予測モデルと大規模言語モデルで役割を分けています。時系列予測が数値を出し、大規模言語モデルが解釈を担い、販促や外部要因を統合して提案を生成します。バイヤーの修正記録はフィードバックデータとして還流させます。