新製品の需要予測はどう行う？

新製品は過去のデータが乏しく需要予測が困難と言われていますが、製品タイプに応じた手法を用いることで精度を高められる可能性があります。本記事では、新製品の需要予測が難しい理由から、具体的な予測モデル、運用時のポイントまで解説します。

新製品の需要予測が難しい理由

基準となる過去の販売実績データが存在しない

需要予測を行う際、通常であれば過去の販売実績データを参考にしながら将来の売上を推測していくことになります。しかし、新製品の場合は基準となる過去データが存在しないか、あっても極めて少ないという課題があります。これまで市場に出回っていなかった製品であるため、季節的な変動や消費者の購買パターンをデータから読み解くことが困難になります。過去の数字という客観的な指標に頼れないことが、新製品の需要予測を複雑にしている要因と言えるでしょう。

競合や市場環境など不確実な要素が多い

市場環境は常に変化しており、新製品が消費者にどのように受け入れられるかを事前に正確に把握することは容易ではありません。競合他社がどのようなタイミングで類似の戦略を打ち出してくるか、あるいは経済状況や流行の移り変わりがどう影響するかなど、不確実な要素が数多く存在しています。消費者が実際に製品を手に取って価値を感じるまでは、購買行動を予測しきれない部分が残ります。外部要因による影響を受けやすいため、見通しを立てることが一層難しくなるわけです。

新製品の3つのタイプと需要予測のアプローチ

既存製品のリニューアル品の場合

既存製品の機能やデザインを改良したリニューアル品であれば、ベースとなる旧バージョンの販売データを予測の足がかりとして活用することが可能です。過去の売上推移や顧客層の反応を分析しつつ、今回の改良点が消費者にどの程度の付加価値をもたらすかを加味して推測を立てていきます。旧モデルとの比較がしやすいため、比較的データに基づいた客観的なアプローチが行いやすいタイプと言えます。とはいえ、市場の変化も考慮し、消費者調査との併用を取り入れるのが一般的です。

既存ラインナップへの追加（ライン拡張）の場合

すでに認知されているブランドや製品ラインに対して、新しい味やカラー展開、サイズなどを追加するアプローチがあります。この場合、同じブランド内にある他のバリエーション製品の販売データが有力な参考情報となります。ターゲット層が共通していることが多いため、既存の顧客がどれくらい新製品に関心を示すかをアンケート等で調査するのも有効な手段です。ただし、自社の既存製品と競合して売上を奪い合うカニバリゼーションのリスクも考慮して数値を調整する必要があります。

前例のないまったく新しい製品の場合

市場にこれまで存在しなかった画期的な新製品を投入する場合、比較対象となるデータが存在しないため、予測の難易度はさらに跳ね上がります。このようなケースでは、ターゲットとなる市場の課題や消費者の潜在的なニーズを深掘りする徹底した市場調査が欠かせません。製品のコンセプトに対する評価をインタビューで集めたり、プロトタイプを用いて実際の反応を確かめたりしながら、少しずつ予測の精度を高めていくプロセスを踏むことになります。複数の調査手法を組み合わせる視点が大切です。

新製品に適用できる具体的な需要予測の手法

同シリーズの過去データを結合する「グループ予測」

新製品であっても、過去のシリーズ展開がある場合は「グループ予測」という手法を用いることが有効とされています。これは、同じ系列の旧モデルの販売実績データを一つのまとまりとして扱い、その延長線上で新製品の需要を推測するやり方です。たとえば、定期的にモデルチェンジを行う製品などの場合、数世代前のデータまで遡って結合させることで、季節ごとの売上の波や特有の変動パターンを把握しやすくなります。過去の文脈を引き継ぎながら予測を立てたい場面で重宝されるアプローチと言えるでしょう。

過去の類似パターンを適用する「類似モデル」

直接的なシリーズの後継機ではないものの、属性が似ている製品のデータを利用するのが「類似モデル」という予測手法です。これは、アパレル製品の春夏ものと秋冬もののように、過去の販売データから典型的な需要パターンをあらかじめ抽出し、新製品に当てはめて数値を算出します。ターゲット層や利用シーンが共通している製品の動きをテンプレートとして活用するため、ある程度のデータ蓄積がある企業において導入しやすい手段と考えられています。ゼロベースからの予測を避けるための工夫の一つです。

ライフサイクルの短い製品向けの「バスモデル（普及モデル）」

デジタル家電やスマートフォンの周辺機器など、製品のライフサイクルが短く、市場への普及スピードが早い製品に向いているのが「バスモデル（普及モデル）」です。このモデルでは、消費者を新しもの好きで自発的に購入する層と、口コミや評判を見てから追随する層の二つに分けて考えます。発売直後の数週間といった初期의販売データから数値を算出し、その後の普及の波がどのように広がっていくかを数理的にシミュレーションしていく仕組みとなっています。短期間での需要の立ち上がりを捉えるのに適した方法と言えるでしょう。

ターゲット層の反応をみる「テストマーケティング」

全面的に製品を発売する前に、一部の限定された地域や小規模な市場で先行販売を行い、実際の消費者の反応を確かめる方法が「テストマーケティング」です。机上の計算だけでなく、実際の購買行動や価格への納得感などをリアルなデータとして収集できる点が大きな利点となります。ここで得られた結果をベースにして全国展開時の全体的な需要を推計していくため、予測のブレを未然に防ぐ手立てになり得るでしょう。本格的な量産前にリスクを軽減する意味でも、非常に実践的な手法と考えられています。

データサイエンス技術の活用（機械学習・市場バスケット分析）

近年では、高度なデータサイエンス技術を用いて需要予測の精度向上を図るケースも増えてきました。たとえば、どのような製品が一緒に購入されやすいかを紐解く市場バスケット分析を活用すれば、関連製品の動きから新製品の売上を推し量ることができます。また、機械学習のアルゴリズムに大量の市場データや競合情報を学習させることで、人間では気づきにくい複雑なパターンを見つけ出すことも可能です。口コミなどから消費者の感情を自然言語処理で読み解き、予測に反映させる試みも広がりを見せています。

需要予測を運用・改善するためのポイント

予測値と実際の販売実績の乖離を定期的に監視する

新製品の需要予測は、どのような精緻な手法を用いたとしても不確実性を完全に排除することは難しく、実態とのズレが生じる可能性をはらんでいます。そのため、予測値を算出して終わりにするのではなく、製品発売後も予測と実際の販売実績との間にどの程度の乖離があるのかを継続的にモニタリングする姿勢が求められます。ダッシュボードなどを活用して日々の数字を可視化し、関係者全員が状況を素早く把握できる環境を整えておくことが大切です。定期的な確認作業が、次のアクションへの重要な判断材料となります。

状況に応じて生産計画や販売戦略を柔軟に見直す

販売実績のモニタリングを通じて予測とのズレを把握した後は、その結果に応じたスピーディーな軌道修正が必要になってきます。もし実績が予測を下回っているようであれば、追加のキャンペーンや広告を展開して認知度を高めるか、あるいは生産量を絞って過剰在庫を防ぐといった判断を下さなければなりません。反対に、予測を上回る勢いで売れている場合は、品切れによる機会損失を防ぐために生産体制や発注ペースを早急に引き上げる対応が求められます。状況に合わせて計画を柔軟に調整していくことが成功の鍵と言えるでしょう。

まとめ

新製品の需要予測は、参考となる過去データが少ないことから非常に難しい取り組みであると認識されています。しかし、製品が「リニューアル品」なのか「全く新しい製品」なのかといったタイプを見極め、グループ予測やテストマーケティングなどの適切な手法を選択することで、見通しの精度を高めることは十分可能です。予測システムやデータサイエンスの力も借りながら、論理的な根拠に基づいた数値を導き出していくことが重要になります。そして何より、発売後は予測値と実績のズレを冷静に監視し、柔軟に計画をアップデートしていく運用体制を築くことが、ビジネスを後押しする大きな推進力となるでしょう。

当メディアでは、要件定義の最適化や、最適なメーカーの「目利き」など、モノづくりの各プロセスで量産の壁を越える支援を行う製品開発コンサル会社を比較・紹介しています。自社の製品開発を成功へと導くために、ぜひご活用ください。