通販会社（アパレル）のデータ分析・在庫最適化

相談のきっかけ

在庫と販売のデータが複数システムに散らばり、売れ筋の把握が遅れて仕入れが感覚頼みだった。

この案件の中身

運用状況

実運用中（2026年9月時点）。このページの最終更新：2026年10月12日

対象業務

在庫と販売データの統合、売れ筋の把握と異常値の検知

導入前の手間

在庫と販売のデータが複数のシステムに分かれており、突き合わせるのに担当者が毎週半日かけていた。売れ筋に気づくのが数日遅れ、仕入れの判断が感覚に頼っていた。

実装した範囲

• —複数システムの在庫と販売データを取り込み、商品コードで突き合わせ
• —売れ筋・滞留在庫を期間とカテゴリで一覧化
• —販売数が普段より大きく動いた商品を自動で検知して通知
• —在庫が一定を下回った商品の抽出

確認できている成果

• —仕入れ精度が向上
• —在庫ロスを削減

開発期間・体制

まずデータの統合と可視化までを作り、異常検知は運用が回りはじめてから追加した。分析の設計も当社で行っている

費用目安

今の料金体系で同じ範囲を作る場合：初期費用0円・月額2万〜6万円（税別）

対応できない条件

• —商品コードがシステム間で揃っていない場合、突き合わせのルールを決める作業が先に必要になる
• —異常検知の基準は過去データの蓄積量に左右されるため、季節商材は1年分たまるまで精度が上がらない
• —仕入れそのものの自動化（発注書の送信など）は、この範囲には含んでいない

今つくる場合の構成

Python 3.12、PostgreSQL、pandas（複数システムの突き合わせ）、移動平均と標準偏差による異常検知、Slack / メール通知、スケジューラ（時間ごとの再集計）

通信の暗号化（TLS 1.2以上）、パスワードのハッシュ化（bcrypt）、認証情報の暗号化、サーバーの公開鍵認証、国内データセンター、バックアップと復旧手順は、すべての案件でセキュリティポリシーのとおりに行っています。安全性と使いやすさを両立させる考え方は安全にAIを入れる当社のやり方にまとめています。