豆腐・いなり揚げ・がんも・厚揚げなどの大豆加工食品は、製造翌日が品質の限界となる「日配品」の代表格だ。毎日製造し、毎日出荷し、売れ残りは廃棄——この繰り返しの中で、製造数の読み違えは直接的なコスト損失につながる。
作りすぎれば廃棄コスト、作らなさすぎればチャンスロス（機会損失）。この二律背反に悩む日配品製造業において、AI需要予測は「毎朝の製造数の根拠」を与える現実的な解決策として注目されている。
本記事では、大豆加工・日配品製造業がAI需要予測と生産計画の自動化に取り組み、廃棄ロスと機会損失の両方を削減した取り組みと、その実装手法を解説する。
日配品製造が抱える構造的な難しさ
需要変動の要因が多すぎる
豆腐・大豆加工食品の需要は、曜日・天気・気温・季節・近隣スーパーのチラシ・競合店のセール・地域イベントなど、複数の要因が複雑に絡み合う。「今日は雨だから豆腐の需要が上がる」「気温が上がると冷ややっこが動く」——こうした傾向は、経験豊富な職人の体感として持っていても、数値で管理できていないケースがほとんどだ。
小売バイヤーとの関係が製造数を不安定にする
スーパー向けの日配品では、バイヤーから突発的な増量依頼（「今週は○○フェアで倍量欲しい」）が入ることがある。断れば取引関係に影響するため、急遽製造ラインを回す判断をする。その結果、製造計画が崩れ、材料在庫が乱れる。
廃棄ロスの実態が見えていない
「毎日少し廃棄が出る」という事実を当たり前として受け入れていると、年間の廃棄ロス総額が見えにくくなる。豆腐1丁あたりの製造原価・廃棄率・廃棄処理コストを積み上げると、年商の数%が廃棄コストになっているケースも珍しくない。
AI活用で解決した4つの課題
01. 需要予測モデルの構築
過去の出荷データ・POS販売データと、曜日・天気・気温・カレンダー情報を変数として組み込んだ需要予測モデルを構築する。単純な平均ではなく、「火曜日の雨の日は豆腐の需要が平均より8%高い」のような複合パターンをAIが学習する。
特に重要なのは「例外パターン」の学習だ。お盆・お彼岸・年末年始・地域の祭りは通常の予測とは異なる需要パターンを示す。これらをカレンダー情報として組み込むことで、繁忙期の欠品と閑散期の廃棄を同時に削減できる。
02. 製造計画の自動提案
需要予測に基づき、翌日〜1週間の製造数を品目ごとに自動提案する。「今日の豆腐（木綿）製造推奨数：X丁」というかたちで現場に提示し、最終的な決定は職人が行う。AIの提案値と職人の判断の差異を記録し続けることで、モデルがさらに精度を上げていく仕組みだ。
03. 小売バイヤーとの連携強化
AIの予測データを活用することで、バイヤーとの商談が「勘」から「数値」ベースに変わる。「このフェアでは過去データから○%増が見込まれます。在庫を事前に用意しています」という提案ができると、バイヤーからの信頼が高まる。突発の増量依頼も「予測の範囲内かどうか」をシステムで即判断できるようになる。
04. 廃棄ロスの可視化・改善トラッキング
毎日の廃棄数量・廃棄原価をシステムに記録し、「廃棄率トレンド」「廃棄が多い品目・曜日」を可視化する。改善策を実施した前後での廃棄量の変化を数値で追えるため、「試したが効果があったかどうか」を定量的に検証できる。
廃棄ロス削減の効果試算（参考）
以下は業界統計と一般的なプロセス改善率をもとにした試算。個別企業の実態により異なる。
- 廃棄ロス率の削減：日配品製造業の廃棄率は業界平均で製造量の2〜5%程度とされる。AI需要予測を活用して廃棄率を1%削減できた場合、年商3億円規模の製造業で年間300万円のコスト削減試算。
- 機会損失の削減：需要があるのに製品がない「欠品」状態の削減。欠品が解消された場合の売上上乗せ効果は、廃棄削減効果と同規模かそれ以上になるケースがある。
- 残業コストの削減：製造計画の最適化により、繁忙日の急な増産・閑散日の余剰生産が減少。従業員の残業時間が削減される。
地方の食文化を守る「データの力」
豆腐・大豆加工食品は、地域に根ざした食文化の担い手だ。全国チェーンの低価格商品に対抗するためには、「地域に密着した品質と供給安定性」が差別化になる。AI需要予測は、その差別化を支える基盤技術として機能する。
日配品の製造現場でAIを活用することは、「製造の効率化」だけでなく「地域の食文化の持続的な提供」を可能にする取り組みでもある。
大豆加工・日配品製造業の経営者の方へ
「毎日の製造数の決定に自信が持てない」「廃棄ロスが経営を圧迫している」「バイヤーからの急な要求に振り回されている」——この課題を持つ日配品製造業の方に、FURUSATOでは無料の業務棚卸しとAI活用可能性の試算から始める支援を提供している。
