生産する衣類の数を決定することは、衣料品ブランドが行う最も重要な決定の 1 つです。
注文が少ないと、人気商品は次回の入荷前に完売してしまう場合がございます。注文が多すぎると、ブランドには過剰な在庫、値下がり、売れ残った製品にお金が拘束される可能性があります。
このため、生産数量は昨年以上の売上や購入者の勘に基づいて決定する必要があります。
実用的なアパレル予測プロセスでは、 実際の需要、在庫状況、季節性、プロモーション、リードタイム、安全在庫、サイズ分布、利用可能な予算を検討します。.
目標は、新しい在庫が入手可能になる期間中に顧客がどれだけ購入する可能性があるかを推定し、その需要をサポートするためにブランドが必要な在庫量を決定することです。
OEM 衣料品メーカーの場合、この予測は最終的に、スタイル、色、サイズ別に分類された製造オーダーになります。
最初は、予測は簡単なことのように思えます。
ブランドが昨年、あるスタイルを 1,000 個販売した場合、今年はさらに 1,000 個を注文する可能性があります。
問題は、過去の売上が必ずしも実際の顧客の需要を表しているわけではないことです。
T シャツが 1 週間に 100 枚売れたと想像してください。 4週間後、Mサイズは完売します。顧客は引き続き Medium を探していますが、ブランドは、なくなったものを販売することはできません。
販売記録を見ると、第 4 週以降に需要が減少したことが示されている可能性があります。
実際、その商品は入手不可能になってしまいました。
提供された調査では、これをと説明しています 需要打ち切り。製品の在庫がなくなると、たとえ顧客がまだその製品を購入したいと思っていたとしても、観測された売上がゼロになる可能性があります。これらの生の数値を直接使用すると、将来の生産量を過小評価する可能性があります。
これは危険なサイクルを生み出します。
人気商品 → 売り切れ → 販売データが弱いようだ → 次の注文が少なすぎる → 商品が再び売り切れ
一方、動きの遅い製品は在庫を維持し、販売データを生成し続けることができます。
したがって、優れた予測は次の質問から始まります。
製品が発売されたとき、顧客は実際に何を買いたかったのでしょうか?
最初のステップは、予測対象のスタイル、色、サイズに関する過去の販売データを収集することです。
役立つ情報には次のものが含まれます。
販売台数
販売日
在庫あり
在庫切れ期間
価格変更
プロモーション
製品の発売
季節限定
サイズ別売上高
チャネル別売上高
データが詳細であればあるほど、予測はより有用になります。
数年間の販売履歴があるブランドは、データが数か月しかないブランドよりも、繰り返し発生するパターンを簡単に特定できます。
ただし、データが増えれば自動的に予測が改善されるわけではありません。
データは正しく解釈される必要があります。
あるブランドの販売期間が 30 日間だったとします。
この製品は 20 日間販売され、400 個が販売されました。
ブランドが単純に計算すると、次のようになります。
400 ÷ 30 = 13.3 個/日
全期間を通じて製品がその割合で売れた可能性があると想定しています。
ただし、製品が 10 日間利用できなかった場合、利用可能な期間中に観察された販売率は次のようになります。
400 ÷ 20 = 1 日あたり 20 個
2 番目の図は、需要を見積もるためのより良い出発点となる可能性があります。
この調査では、在庫切れ期間を需要ゼロとして扱うのではなく、SKU が実際に入手可能だった期間を使用して真の販売率を計算することを推奨しています。
このプロセスは、 需要の非制約化と呼ばれることがよくあります。.
基本的な考え方は簡単です。
顧客が製品を購入できなかったとしても、その日が顧客がその製品を望まなかった日として自動的に解釈されるべきではありません。
過去の売上を整理したら、ブランドはベースラインの予測を必要とします。
ベースラインは、大規模なプロモーションや異常なスパイクなどの特別なイベントが追加される前の通常の需要の推定値です。
製品が異なれば、必要な予測方法も異なる場合があります。
需要が比較的安定している基本的な製品の場合、移動平均は有用な開始点となります。
たとえば、年間を通して一貫して売れるベーシックな黒の T シャツには、複雑な予測システムは必要ないかもしれません。
ブランドは最近の売上を調査し、代表的な平均を確立できます。
売上が一貫して増加または減少している場合、予測はその傾向を考慮する必要があります。
たとえば、主要な下着スタイルが数シーズンにわたって着実に成長してきた場合、単純に古い平均を使用すると、将来の需要が過小評価される可能性があります。
線形トレンド モデルは、この種の状況に役立ちます。
一部の製品は、予測可能な季節パターンに従います。
水着、冬用下着、防寒衣料、その他の季節商品は、年間を通して販売パターンが大きく異なる場合があります。
したがって、予測では以下を区別する必要があります。
正常な成長または衰退
そして
定期的な季節需要
この研究では、誤差、傾向、季節性を考慮できるため、指数平滑法と ETS モデルが有用な予測アプローチであると特定しています。
ほとんどの小規模ブランドでは、複雑な予測アルゴリズムを選択するよりも、原理を理解することが重要です。
大規模なセールでは、製品が通常よりもはるかに人気があるように見えることがあります。
ブランドが通常、1 週間に 100 個のスタイルを販売すると想像してください。
30％割引キャンペーン中で250個販売する。
新しい標準として 250 を使用すると、非常に積極的な生産予測が生成されます。
以下の場合にも同じ問題が発生する可能性があります。
フラッシュセール
インフルエンサーキャンペーン
主な広告キャンペーン
ホリデープロモーション
新製品の発売
一時的な値下げ
この調査では、プロモーション効果を基礎となるベースライン需要から分離し、必要に応じて計画されたプロモーション効果を将来の予測に追加することを推奨しています。
例えば：
通常の需要: 100 ユニット/週
予想されるプロモーション増加率: +40%
プロモーション中の予測: 約 140 ユニット/週
正確な上昇率は、可能な限りブランド自身の過去のデータから得られるべきです。
衣料品の需要は季節と強く関係しています。
顧客の需要は次の理由で変化する可能性があります。
温度
気候
休日
新学期期間
旅行シーズン
プロモーションカレンダー
ファッションシーズン
したがって、ブランドは予測を作成する際に、同様の期間を比較する必要があります。
たとえば、12 月の売上高を使用して季節製品の 7 月の需要を予測すると、非常に誤解を招く結果が生じる可能性があります。
ブランドは次のことを尋ねるべきです。
この商品、または類似の商品は、前年の同じシーズンに何が売れましたか?
生産リードタイムが長い場合、季節性が特に重要になります。
工場がカスタムオーダーの製造と出荷に数か月かかる場合、ブランドは実際の販売シーズンが始まるかなり前に需要を予測する必要があります。
新しいスタイルでは、直接の販売履歴がないため、予測の問題が発生します。
ブランドは、昨年存在しなかった製品の昨年の売上を計算することはできません。
この調査では、 属性ベースのクラスタリングと類似品目のマッピングを使用することが推奨されています。 新製品にはプランナーは、何もないところから数値を推測するのではなく、新製品と重要な特性を共有する既存の製品を比較できます。
関連する属性には次のものが含まれます。
製品カテゴリー
シルエット
生地の構造
生地重量
価格
目標マージン
色
パターンの複雑さ
たとえば、ブランドが新しい 280 GSM フレンチ テリー パーカーを発売するとします。
同様の以前のパーカーを確認できます。
生地重量
工事
価格
対象顧客
フィット
色の配置
これらの製品は、単に任意の数量を選択するよりも便利な出発点となります。
新しい製品には確立された製品よりも多くの不確実性が含まれています。
したがって、ブランドは次のことを考慮できます。
初期生産量が少ない
予約注文
初期の顧客の関心
類似製品の過去のパフォーマンス
柔軟な補充
可能な場合は生産サイクルを短縮
これにより、実際の需要が明らかになる前に過剰な在庫を確保してしまうリスクを軽減できます。
需要の予測は問題の半分にすぎません。
ブランドは、 在庫の入れ替えにどれくらいの時間がかかるかを知る必要もあります。.
あるブランドが月に 500 個の販売を期待しているとします。
補充に 2 週間かかる場合、ブランドには在庫の問題が 1 つ発生します。
補充に 4 か月かかる場合、ブランドはまったく異なる問題を抱えています。
この調査では、工場の生産時間をサプライチェーン全体のリードタイムとして扱うべきではないことが強調されています。総リードタイムには、材料調達、サンプリングと承認、大量生産、輸送、通関、および入荷処理が含まれる場合があります。
簡略化されたアパレル サプライ チェーンは次のようになります。
資材調達
↓
サンプリングと承認
↓
大量生産
↓
交通機関
↓
税関および輸入処理
↓
倉庫の空き状況
ブランドは、この期間全体にわたる在庫ニーズを予測する必要があります。
これは、材料の準備に大幅な時間がかかる可能性があるカスタム生地やカスタムカラーの場合に特に重要です。
予測はまだ推定です。
実際の需要は予想よりも高くなる可能性があります。
また、生産には予定よりも時間がかかる場合があります。
安全在庫は、これらの不確実性に対する緩衝材となります。
この調査では、次の 2 つの主要なリスク源が特定されています。
需要の変動性
リードタイムのばらつき
たとえば、ブランドが在庫の補充にかかる期間中に 1,000 個の販売を予想しているとします。
需要が急に増えたり、生産が遅れたりした場合、1,000個では足りない場合があります。
安全在庫は追加の保護を提供します。
「常に 10% 余分に生産する」などの単純なルールは便利に思えるかもしれません。
ただし、製品が異なればリスクのレベルも異なります。
年間を通して需要が予測できる安定した黒の T シャツには、売上が非常に予測できない季節のファッション スタイルとは異なるバッファーが必要になる場合があります。
この調査ではの両方に応じて、さまざまな予測および安全在庫戦略を使用することを推奨しています。 収益の重要性と需要の予測可能性、ABC-XYZ 分類を使用して、
基本的な概念は、完全な統計分析を実行しなくても役に立ちます。
高価値 + 予測可能な製品: 可用性を慎重に保護します。
高価値 + 予測不可能な製品: 需要を注意深く監視し、迅速に調整します。
低価値 + 予測不可能な製品: 過剰な在庫を抱え込まないようにしてください。
これにより、ブランドは在庫投資を最も重要な場所に費やすことができます。
ブランドは、予想される需要と安全在庫を把握すると、次の製造オーダーをいつ発注すべきかを決定できます。
これは リオーダーポイント (ROP)です。.
概念的には:
再注文ポイント = リードタイム中の予想需要 + 安全在庫
たとえば、ブランドが補充リードタイム中に 1,500 ユニットの販売を予定しており、安全バッファとしてさらに 300 ユニットが必要な場合:
ROP = 1,800 ユニット
利用可能な在庫位置がそのレベルに達したら、ブランドは次の補充注文の開始を検討する必要があります。
この調査では、再注文ポイントは、総リードタイムと安全在庫を通じて予想される需要に基づいて、新しい発注書をトリガーする在庫のしきい値であると説明されています。
重要な点はタイミングです。
メーカーが製品の補充に数週間または数か月を要する場合、ブランドは在庫がゼロになるまで待ってからメーカーに連絡するべきではありません。
ブランドが 5,000 個のピースを必要とすることがわかっていても、工場に各サイズのピースを何個生産するかは指示されません。
製造オーダーは次のようにする必要がある場合があります。
XS: 350
S: 900
M: 1,900
L: 1,300
XL: 550
正確な比率は、ブランドの顧客ベースと過去の売上高によって異なります。
これを サイズカーブといいます.
この研究では、ここで重要な問題が浮き彫りになっています。人気のサイズが早期に売り切れると、生の販売比率が歪む可能性があるということです。
Medium が売り切れを繰り返したとします。
その過去の売上は、実際には、顧客が望んでいた数ではなく、ブランドが販売できたミディアムユニットの数を表している可能性があります。
したがって、ブランドは、各サイズが実際に入手可能だった期間におけるサイズごとの需要を分析する必要があります。
サイズはフィット感、快適さ、顧客満足度に密接に関係しているため、これは下着にとって特に重要です。
したがって、生産予測では、次の 2 つの別々の質問に答える必要があります。
合計何個作ればいいでしょうか？
そして
それらのピースをサイズ間でどのように分配すべきでしょうか?
需要予測により、非常に大きな生産要件が生成される場合があります。
ブランドは、その在庫を製造して保持する余裕があるかどうかを判断する必要があります。
ここで財務計画がプロセスに入ります。
この調査では、 Open-to-Buy (OTB)は 、ボトムアップの SKU 予測と企業がサポートできる在庫支出額を調整するのに役立つ財務上の制約であると説明されています。
小規模な衣料品ブランドの場合、コンセプトは次のように単純化できます。
必要な在庫を予測し、利用可能な現金と在庫予算がそれをサポートできるかどうかを確認します。
予測では 20,000 個の注文が示唆されているにもかかわらず、企業が安全に資金調達できるのは 12,000 個のみである場合、ブランドは優先順位を付ける必要があります。
次のことを選択できます。
コア製品を保護する
動きの遅いスタイルを減らす
色の濃さを減らす
発売するSKUの数を減らす
初回注文は少額で行う
優先順位の低い商品を遅らせる
後で別の本番稼働を計画する
この場合、予測は純粋に数学的な作業ではなく、ビジネス上の意思決定となります。
需要、季節性、リードタイム、安全在庫、サイズ曲線、予算を検討した後、ブランドは生産要件を決定できます。
簡略化されたワークフローは次のとおりです。
過去の売上高
↓
欠品歪みを取り除く
↓
ベースライン需要を構築する
↓
季節性や計画されたプロモーションに合わせて調整する
↓
生産と出荷のリードタイムを考慮する
↓
適切な安全在庫を追加する
↓
再注文ポイントの決定
↓
サイズカーブを適用する
↓
在庫予算を確認する
↓
製造指図を発行する
この研究では、制約のない過去の需要から始まり、メーカーに発行されるロックされた発注書で終わる、同様の 7 段階の計画プロトコルを要約しています。
メーカーの観点から見ると、適切な生産予測は、最終的には明確な発注書となる必要があります。
工場は以下のものを受け取る可能性があります。
スタイル
色
合計数量
サイズの内訳
材質仕様
梱包要件
配送日
配送要件
品質要件
この情報の質は生産計画に影響を与えます。
たとえば、メーカーは 1 つのスタイルを 10,000 個生産できる場合がありますが、生産スケジュールは特定のサイズと色の内訳、生地の入手可能性、トリミング、納期、その他の要件によって異なります。
このため、予測と製造は密接に関係しています。
ブランドの需要計画は、 いつ、どれくらいの量を販売したいかを決定します。.
メーカーの生産計画は、 その要件を物理的な衣類にどのように反映するかを決定します。.
完璧な予測はありません。
予測の目的は、不確実性の下でより適切な意思決定を行うことです。
実際の需要が予想よりも高い場合、ブランドは次のような影響を受ける可能性があります。
在庫切れ
売上の損失
緊急生産
お急ぎ配送
顧客の不満
需要が予想よりも低い場合、ブランドは次のような問題に直面する可能性があります。
過剰在庫
割引
値下げ損失
倉庫費用
売れ残った商品に現金が滞留している
したがって、最良の予測システムは実際の売上を継続的に監視します。
新しい情報が入手可能になると、予測は変わるはずです。
例えば：
当初予測 → 販売実績 → 需要予測更新 → 生産計画修正
これは、ライフサイクルが短いファッション製品に特に役立ちます。
下着ブランドが、一年中販売するコアなスタイルを持っていると想像してください。
過去のデータによると、在庫切れを考慮すると、通常、この製品は 月に約 800 個売れます。.
同ブランドは季節ごとに約20％の増加を見込んでいる。
これにより、おおよそ次のような需要が予測されます。
800 × 1.20 = 960 個/月
メーカーおよび物流のプロセスにより、ご注文から在庫が確保されるまでに 3 か月かかります。
したがって、ブランドはおよそ次のことを計画する必要があります。
960×3＝2,880個
次に、需要と供給のリスクに基づいて適切な安全バッファーを追加します。
ブランドが、あと 320 個が適切な計画バッファーを提供すると判断したとします。
在庫要件はおよそ次のようになります。
2,880 + 320 = 3,200 個
最後のステップでは、予想されるサイズ曲線に従ってこれらの部分を分割します。
これは普遍的な公式ではなく、簡略化された例です。実際の予測では、価格、プロモーション、在庫状況、季節性、リードタイムの変動性、製品ライフサイクルの変化を考慮する必要があります。
重要な点は次の順序です。
需要→販売期間→リードタイム→リスクバッファ→サイズ分布→生産量
ブランドは、生産計画を改善するために高度な AI 予測システムを必要としません。
それは、より良いデータ規律から始めることができます。
各スタイルとサイズが利用できなくなったときを記録します。
そうしないと、売上が低いと需要が低いと誤解される可能性があります。
異常な売上の急増が自動的に新しいベースラインにならないように、大幅な割引やキャンペーンを記録します。
スタイルレベルの合計販売数では、サイズ間の重要な違いが隠れてしまう可能性があります。
実際の注文から発注書が届いてから倉庫に到着するまでにかかる時間を記録します。
各販売期間の後に、予測された需要と実際の結果を比較します。
新製品に履歴データがあるかのように振る舞うのではなく、類似の製品と属性を参考として使用します。
新しい情報によって予想される需要が変わると、予測も変わるはずです。
生産数量が決定したら、メーカーは明確な注文を必要とします。
カスタム衣料品プロジェクトの場合、次のような役立つ情報が含まれます。
スタイル番号
カラーウェイ
合計数量
サイズの内訳
生地仕様
トリム要件
梱包要件
品質基準
配達予定日
発送先
明確な製造順序により、ブランドと工場の間で誤解が生じる可能性が低くなります。
また、メーカーは生地、裁断、縫製能力、その他の生産リソースをより効率的に計画することができます。
長期的な OEM 関係の場合、過去の生産データも役立つ場合があります。
実際の生産リードタイム、材料消費量、品質問題、注文数量はすべて、将来の計画を改善するのに役立ちます。
正確な生産量を保証できる単一の数値はありません。
強力な予測は、いくつかの情報を組み合わせたものです。
過去の売上は ブランドに何が起こったかを物語ります。
在庫切れ分析は、 販売データが見逃している可能性のある需要を明らかにするのに役立ちます。
季節性とプロモーションは、 異常な変化を説明します。
リードタイムは、 どのくらい先の在庫を計画する必要があるかを決定します。
安全在庫は 不確実性から保護します。
サイズ曲線は、 総需要を実際の生産の内訳に変換します。
予算制限により、 在庫計画を財務的に現実的に保つことができます。
これらの要素を組み合わせることで、製造する衣類の数を決定するためのより強力な基礎が作成されます。
衣料品ブランドにとって、最も有益な移行は、多くの場合、以下から移行することです。
「前回これだけ売れたから、同じ量注文しましょう。」
に：
「顧客は実際にどれくらいの量を要求したのか、その需要はどのように変化するのか、補充できるまでの時間をカバーするにはどれくらいの在庫が必要なのか?」
この質問は、より良い生産上の意思決定につながります。
また、OEM メーカーにとっては、 顧客の需要と物理的な生産計画の間の関係がより明確になります。.
適切な生産計画は発注前から始まります。需要予測が適切であればあるほど、顧客が望むときに適切な製品、サイズ、数量を入手できる可能性が高くなります。
