Chronos-2でECの需要予測と発注精度を上げる|販促・祝日を加味する時系列基盤モデルの導入5手順

Amazonの時系列基盤モデルChronos-2は、追加学習なしで販促や祝日を加味した需要予測ができます。EC事業者が需要予測と発注精度を上げる導入5手順、欠品データの扱い方、プロンプト3本を解説します。

投稿日: カテゴリー EC×AI活用

Chronos-2とは、追加学習なしで需要を予測するAIモデルのことです。

楽天スーパーSALEの前に、いつもの何倍の在庫を積めばよいか。この判断を、担当者の経験と前年の数字だけで決めている店舗は少なくありません。Amazonの研究部門が2025年10月に公開したChronos-2は、過去の販売数に加えて、予定している販促や祝日といった「将来分かっている情報」を入れて予測できる時系列基盤モデルです。パラメータ数は1.2億と軽量で、自社データで追加の学習をしなくても使えます。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル(うるチカラ運営)が、Chronos-2をEC事業者の需要予測と発注に組み込む5つの手順を、プロンプト3本つきで解説します。

Chronos-2で需要予測の何が変わったのか

Chronos-2の新しさは、1つの商品の販売推移だけを見る予測から、価格や販促、祝日、関連商品の動きまで同時に扱える予測へ広げた点です。時系列基盤モデルとは、大量の時系列データで事前に学習しておき、新しいデータに対してはそのまま予測できるようにしたAIモデルのことです。前の世代のChronosやChronos-Boltは、1本の時系列だけを扱う単変量の予測が中心でした。

Amazon Scienceのブログによると、Chronos-2は3つの使い方に対応しています。1つ目は単変量の予測で、関連する複数の時系列から学び合う仕組み(クロスラーニング)により、新しい物流拠点のように履歴が短い対象でも予測できます。2つ目は、互いに影響し合う複数の時系列を同時に予測する多変量の予測です。3つ目が、共変量(予測したい数字に影響する別の情報)を入れた予測で、過去の情報だけが分かる共変量、将来の値が分かっている共変量、祝日や販促の種類のようなカテゴリの共変量を扱えます。どの使い方も、追加の学習をせずに入力データの文脈から学ぶ形で動きます。

ブログは小売の例として、計画している販促キャンペーンや祝日のスケジュールを加味して需要を予測し、在庫を最適化するケースを挙げています。EC事業者に置き換えれば、楽天スーパーSALEやお買い物マラソンの開催期間、クーポンの配布予定、祝日や連休を「将来分かっている共変量」として入れる使い方になります。

性能面では、事前学習済みモデルを比べるGIFT-Evalという評価で、公開されている事前学習済みモデルの中で1位とされ、前の世代のChronos-Boltとの1対1の比較では勝率が90%を超えたとしています。fev-benchという評価でも既存の時系列基盤モデルを大きく上回り、特に共変量を使う課題で差が大きかったと説明されています。ただし、これらは公開データでの評価で、自社の商品データで同じ精度が出るとは限りません。

Hugging Faceのモデルカードによると、構造はT5のエンコーダーを参考にしたエンコーダーのみの構成で、入力として使える過去の長さは最大8,192時点、1回で予測できる長さは最大1,024時点です。単一のA10G GPUで1秒間に300本以上の時系列を予測できるとされ、GPUとCPUのどちらでも動きます。ライセンスはApache-2.0です。うるチカラでは、Googleの時系列基盤モデルについてもTimesFM-3が販促日程まで学習するという解説で取り上げています。複数のモデルが「販促や祝日を入れて予測する」方向に進んでいることが分かります。

EC事業者の需要予測で何が解決するのか

結論として、Chronos-2のようなモデルが効くのは、「販促のある週」と「新商品」という、これまで予測が外れやすかった2つの場面です。

販促のある週の予測が外れやすいのは、通常の予測方法が過去の販売推移の延長で数字を出すからです。前年のスーパーSALEと今年のスーパーSALEで開催日も割引率も違えば、前年の数字をそのまま使うことはできません。Chronos-2では、販促の有無や割引率、ポイント倍率の予定を将来の共変量として入れることで、「販促があるときにどれだけ伸びるか」を過去のデータから読み取らせることができます。

新商品の予測が外れやすいのは、履歴がほとんどないからです。Chronos-2は、関連する時系列から学び合うクロスラーニングに対応しているので、同じカテゴリの既存商品の販売推移を一緒に入力すれば、短い履歴しかない新商品の予測にも手がかりが生まれます。アパレルなら、色違い・サイズ違いを同じグループとして一緒に入力し、既存色の売れ方を新色の手がかりにする設計が考えられます。

もう1つの利点は、予測を幅で出せることです。Chronos-2は、10%・50%・90%といった分位点(ある確率でその値を下回るライン)で予測を返せます。中央の50%の値だけでなく、90%の値(ここまで売れる可能性も十分にあるという上側のライン)を見れば、欠品を避けたい商品では多めに、賞味期限が短い商品では控えめに、という発注の使い分けを数字で決められます。発注点の考え方は、発注点と安全在庫を計算するスキルの解説とあわせて読むと整理しやすくなります。

予測の時間軸にも触れておきます。入力に使える過去の長さが最大8,192時点なので、日次データなら20年以上分を一度に入れられる計算です。実際には2〜3年分あれば、年に1回のイベントの効果を少なくとも2回分は含められます。1回で予測できる長さは最大1,024時点で、日次なら約2年8か月先まで出せますが、遠い先ほど予測の幅は広がります。発注の判断に使うのは、仕入れのリードタイムに少し余裕を足した期間、たとえば海外から仕入れる商品なら8〜12週先、国内の問屋から仕入れる商品なら2〜4週先、といった範囲に絞るのが実務的です。

ただし、限界もはっきりしています。Chronos-2は数字の並びから将来を予測するモデルで、「なぜ売れたのか」を説明するものではありません。テレビで紹介された、競合が欠品した、といった予定外の出来事は、共変量として入れない限り予測に反映されません。予測はあくまで判断材料の1つで、最終的な発注量は人が決めるという線は残すべきです。

Chronos-2を需要予測と発注に組み込む5手順とプロンプト3本

ここからは、楽天市場とAmazonで販売している店舗を例に、5つの手順で進めます。データの整形や結果の読み解きに使うプロンプトは、ChatGPT、Claude、Geminiのどれでも使えるように書いてあります。Chronos-2そのものはPythonで動かすので、実行は社内のエンジニアか、データ分析に慣れた担当者が担う前提です。

手順1は、予測の対象と粒度を決めることです。全商品を一度に予測する必要はありません。売上の上位商品、欠品で機会損失が大きい商品、在庫の回転が遅い商品など、予測の改善が利益に直結する商品から選びます。粒度は、発注のサイクルに合わせて日次か週次にします。仕入れが週1回なら週次で十分です。

手順2は、販売データを整えることです。楽天市場ならRMSのデータ、AmazonならセラーセントラルのビジネスレポートからSKU別の日次販売数を取り出し、商品ID・日付・販売数の3列にそろえます。ここで最も大事なのが欠品期間の扱いです。在庫がなくて売れなかった日の販売数0は、需要が0だったわけではありません。そのまま入れると、モデルは「この時期は売れない」と学んでしまいます。

プロンプト1:需要予測用の販売データと販促カレンダーの整形

あなたはECのデータ分析担当です。
需要予測モデルに入力するため、以下のデータを整形する手順と注意点を整理してください。

手元のデータ:
- 販売実績:{例:楽天RMSとAmazonビジネスレポートから出したSKU別の日次販売数、期間は2年分}
- 在庫推移:{例:日次の在庫数、欠品した日が分かる}
- 販促の記録:{例:楽天スーパーSALE、お買い物マラソン、クーポン配布、ポイント倍率、広告費}
- 今後の予定:{例:次回のスーパーSALEの開催予定日、クーポン配布予定、年末年始の休業日}

出力してほしい項目:
1. 予測に使う表の列構成(商品ID、日付、販売数、共変量の列名と値の入れ方)
2. 欠品していた日の販売数の扱い方(除外する、印を付ける、など選択肢と判断基準)
3. 過去だけ分かる共変量と、将来の値も分かっている共変量の仕分け
4. 楽天とAmazonの販売数を合算するか、別々に予測するかの判断基準
5. データの不備(重複、日付の抜け、返品の扱い)のチェック項目

条件:データから判断できない点は「確認が必要」と書くこと。

手順3は、将来の共変量を作ることです。予測したい期間について、販促の開催予定、クーポンの割引率、祝日・連休、広告費の予算などを日付ごとの表にします。楽天スーパーSALEのように開催日が事前に告知されるイベントは、決まった時点で表に反映します。開催予定が未定の期間に推測の値を入れると、予測がその推測に引っぱられるので、未定のまま扱うか、複数の前提で予測を出し分けます。

手順4は、今の予測方法と比べる検証(バックテスト)です。過去のある時点までのデータだけで予測を出し、その後の実績と比べます。比べる相手は、今使っている方法(前年同週の実績、直近4週の平均、担当者の見込みなど)です。モデルカードが示す最小限の使い方は次のとおりで、quantile_levelsで10%・50%・90%の分位点を指定しています。

from chronos import Chronos2Pipeline

pipeline = Chronos2Pipeline.from_pretrained("amazon/chronos-2", device_map="cuda")
pred_df = pipeline.predict_df(
    context_df,
    future_df=future_df,
    prediction_length=24,
    quantile_levels=[0.1, 0.5, 0.9],
    id_column="id",
    timestamp_column="timestamp",
    target="target",
)

ローカルで動かす場合はchronos-forecasting(2.0以降)をインストールします。AWSを使っている事業者なら、モデルカードが推奨するAutoGluon-Cloud経由での利用や、Amazon SageMaker JumpStartでの展開も選べます。検証の結果は、商品ごとの誤差と、販促週・通常週での誤差の違いに分けて読むと、どこで効いているかが分かります。

プロンプト2:需要予測のバックテスト結果の読み解き

あなたはECの在庫管理の責任者です。
以下は、需要予測モデルと現在の予測方法を過去データで比べた結果です。

結果:
{商品ID/期間/実績/モデルの予測(50%)/モデルの予測(10%〜90%の幅)/現在の方法の予測/販促週かどうか}

次の4点を出してください。
1. モデルと現在の方法で、どちらの誤差が小さかったか(商品別、販促週と通常週に分けて)
2. 実績が予測の幅(10%〜90%)の外に出た週と、考えられる理由
3. モデルを使うべき商品と、現在の方法を続けるべき商品の判断
4. 予測を改善するために追加すべき共変量の候補

条件:結果にない数字は作らず、理由が推測の場合は「推測」と書くこと。

手順5は、予測を発注ルールに落とすことです。予測の幅をどう使うかは、商品の性格で決めます。欠品の損失が大きい定番品は上側の値に寄せ、賞味期限が短い食品や流行の早いアパレルは中央の値に寄せる、といった使い分けです。Amazonで販売している商品は、FBAの保管期間が長くなると保管手数料の負担が増えるので、上側の値に寄せすぎない注意も必要です。

プロンプト3:予測の幅から発注量を決めるルールづくり

あなたはEC店舗の仕入れ担当です。
需要予測の結果(10%・50%・90%の分位点)を使って、商品ごとの発注量を決めるルールを作ってください。

商品の情報:
{商品ID/カテゴリ/粗利率/賞味期限や流行の早さ/仕入れのリードタイム(日数)/最小発注単位/保管場所(自社倉庫・FBA・楽天スーパーロジスティクスなど)}

出力してほしい項目:
1. 商品ごとに、どの分位点を基準に発注するか(50%か、その間か、90%か)とその理由
2. 発注量の計算式(予測、現在の在庫、入荷予定、リードタイムを使う)
3. 販促週の前に追加で積む量の決め方
4. 人が最終確認すべき条件(予測の幅が大きすぎる、新商品、過去に例のない販促など)

条件:保管手数料や賞味期限のように、在庫を持ちすぎることの損失も必ず考慮すること。

失敗例と回避策

需要予測の導入でつまずく原因の多くは、モデルではなくデータと運用にあります。

1つ目の失敗は、欠品期間の販売数0をそのまま入れることです。直近の支援案件で観測したのは、欠品が多かった人気商品ほど予測が低く出て、さらに欠品を招くという悪循環です。回避策は、欠品していた日を除外するか印を付け、プロンプト1で整理したルールに沿ってデータを作ることです。

2つ目の失敗は、楽天とAmazonと自社ECの販売数を、何も考えずに合算することです。販促のタイミングがチャネルごとに違うと、合算した数字では「なぜ伸びたのか」をモデルが読み取れません。チャネル別の販促の予定を共変量として持つか、チャネル別に予測してから合算するかを、商品ごとに決めておきます。

3つ目の失敗は、予測の数字をそのまま発注に使うことです。予測は判断材料であって、発注の指示ではありません。新商品、過去に例のない大型販促、仕入れ先の供給不安など、データに表れない事情がある場合は人が判断を上書きできる運用にしておきます。予測と実際の発注量がずれたときは、その理由を記録しておくと、次の改善材料になります。

KPI設計と費用・工数の目安

KPIは、予測の誤差、欠品率、在庫の回転日数の3つを、導入前後で比べるのが基本です。予測の誤差は、商品ごとに実績と予測の差の割合を出し、販促週と通常週に分けて見ます。欠品率は、販売可能な日のうち在庫切れだった日の割合です。在庫の回転日数は、平均在庫を1日あたりの販売数で割った値です。予測が良くなっても、発注ルールが変わらなければ欠品率と回転日数は動かないので、3つをセットで追うのがポイントです。

費用は、モデル自体がApache-2.0のオープンソースなので、ライセンス料はかかりません。かかるのは、動かす環境の費用と、データを整える人の工数です。数百SKU程度の週次予測なら、手元のパソコンのCPUでも試せる規模です(処理時間はデータ量とマシンの性能によるので要確認)。AWSのSageMakerで動かす場合は、モデルカードの例にあるml.g5.2xlargeのようなGPUインスタンスの時間単位の料金がかかるので、2026年11月時点の公式料金を確認してください。

工数の目安は、手順1〜3のデータ整備に1〜2週間、手順4の検証に1週間ほどです。最初は売上上位の30商品程度に絞って検証し、現在の方法より誤差が小さい商品が多ければ対象を広げる、という進め方が現実的です。Amazonの在庫管理全体の考え方は、Amazonの在庫管理をAIで最適化する方法も参考になります。

今後の展望と独自考察

需要予測の世界は、「自社で予測モデルを作る」から「公開された基盤モデルに自社のデータと予定を入れる」へと移りつつあります。Chronos-2のように、追加の学習なしで、販促や祝日の予定を入れて予測できるモデルが公開されたことで、データサイエンティストを抱えていない中小のEC事業者にも、本格的な需要予測が手の届く範囲に入ってきました。

それでも、差がつくのはデータの側です。販促の予定、欠品の記録、価格の変更履歴をきちんと残している店舗ほど、モデルの力を引き出せます。逆に言えば、今からでも販促カレンダーと在庫の記録を日付ごとに残し始めることが、半年後の予測精度を決めます。モデルは無料で手に入っても、自社の過去の記録は買えません。

予測の結果を誰が見るかも、運用の成否を分けます。需要予測の数字が分析担当の手元にとどまり、仕入れ担当や店長に届かなければ、発注は今までどおり経験で決まります。店舗運営の現場感覚では、予測の表をそのまま渡すより、「来週は通常より多めに積む商品」「今月は発注を控える商品」のように、行動の単位で要約して届けるほうが使われます。プロンプト2やプロンプト3の出力を、毎週の仕入れ会議の資料にそのまま使うのが1つの形です。

もう1つの論点は、モールの販促カレンダーとの付き合い方です。楽天市場のスーパーSALEやお買い物マラソン、Amazonのプライムデーやブラックフライデーのように、モール側のイベントが売上を大きく動かす日本のEC事業者にとって、「将来分かっている共変量」を扱えることの意味は大きいと判断します。イベントが決まった時点で予測を更新し、仕入れと在庫の配置に反映する運用ができれば、在庫を持ちすぎるリスクと欠品のリスクを同時に下げられます。

よくある質問

Chronos-2は無料で使えますか

はい、モデル自体は無料で使えます。Chronos-2はApache-2.0ライセンスのオープンソースとして公開されており、Hugging Faceからダウンロードできます。ただし、動かすパソコンやクラウドの費用、データを整える工数は別途かかります。

プログラミングの知識がなくても使えますか

いいえ、そのままでは難しいです。Chronos-2はPythonのライブラリとして提供されているため、データの整形と実行には最低限のプログラミングの知識が必要です。社内にいなければ、データ分析に強い外部の担当者と組み、データの準備と結果の読み解きを店舗側で担う分担が現実的です。

自社のデータで学習させる必要はありますか

いいえ、追加の学習は必要ありません。Chronos-2は、入力した過去のデータと共変量の文脈から学ぶ形で、そのまま予測を出せます。ただし、自社の商品で精度が出るかは、過去データでの検証で必ず確かめてください。

楽天スーパーSALEのような販促の効果も予測に入れられますか

はい、入れられます。販促の開催予定やクーポンの割引率など、将来の値が分かっている情報を「将来の共変量」として入力できます。Amazon Scienceのブログも、計画中の販促キャンペーンや祝日を加味した小売の需要予測を例に挙げています。

新商品の需要も予測できますか

はい、ある程度は予測できます。Chronos-2は関連する複数の時系列から学び合う仕組みに対応しているため、同じカテゴリの既存商品のデータを一緒に入れると、履歴の短い新商品にも手がかりが生まれます。ただし、まったく新しいジャンルの商品は精度が下がるので、人の判断を優先してください。

GoogleのTimesFMとはどちらを選ぶべきですか

どちらが良いかは、自社のデータで比べて決めるのが確実です。両方とも販促などの情報を加味した予測に対応する方向で開発されており、公開評価の順位は更新されていきます。同じ過去データで両方のバックテストを行い、自社の商品で誤差が小さいほうを選んでください。

まとめ

Chronos-2は、Amazonが公開した1.2億パラメータの時系列基盤モデルで、追加の学習なしに、販促や祝日といった将来分かっている情報を加味した需要予測ができます。EC事業者にとっては、予測が外れやすかった販促週と新商品の発注判断を、数字で支える道具になります。導入の鍵は、欠品期間の扱いと販促カレンダーの整備、そして今の方法との比較検証です。最初の一歩は、売上上位の商品の販売データと販促の記録をプロンプト1で整理し、予測に使える形にそろえることです。

参考文献


著者:齋藤竹紘(株式会社オルセル 編集長/5,000社以上のEC支援実績/書籍3冊)


※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談(30分)も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/


【監修】齋藤竹紘(株式会社オルセル代表 / 19年・5,000社のEC支援実績)


投稿者: 齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。

お問い合わせ