AI売上予測、なぜ外れる？精度を分けるのは「モデル」ではなく「前処理」だった。
店舗開発やマーケティングに携わる皆さん、新規出店の「売上予測」でこんな悩みはありませんか？
「最新のAIを入れたのに、予測精度が上がらない…」
「予測結果の根拠を、社内にうまく説明できない」
「AIの数字が、現場の感覚とかけ離れている」
実は、予測がうまくいかない原因の多くは、AIのアルゴリズム（モデル）選びではなく、その手前の「データ処理（前処理）」にあります。
（分析の精度は、8割がた「データの前処理」にかかっているといっても過言ではありません！ただ、この前処理が、とってもとっても面倒で、厄介なのです、、）
今回は、売上予測の成功を握る「データの整え方」のポイントを凝縮してご紹介します。
▶ フル解説バージョンはこちら
1. 【手法の選択】統計学か、それとも機械学習（AI）か？
まず、実務者が悩むのが「どの分析手法を使うか」という点です。主に、下記の2つのトレンドがあります。
①統計解析（重回帰分析）
「なぜその売上になるのか」という理由（根拠）が明確です。社内説明や要因分析には非常に強いですが、複雑すぎるデータの組み合わせを捉えるのには限界があります。
②機械学習（AI）
「予測の的中率」を極限まで高めるのに適しています。人間では気づけない複雑なパターンの組み合わせを見つけ出しますが、一方で「なぜその数字になったのか」のプロセスが見えにくい（ブラックボックス化しやすい）という特徴があります。
結論として、「説明性なら重回帰、精度なら機械学習」というのが一つの基準ですが、実はどちらを選んでも、その精度を決める最大要因は「投入するデータの質」なのです。
2. 「Garbage In, Garbage Out」の法則
データサイエンスの世界には、「ゴミを入れれば、ゴミが出てくる（Garbage In, Garbage Out）」という言葉があります。
どんなに高性能なAI（勾配ブースティング決定木や重回帰分析など）を使っても、読み込ませるデータがバラバラのままだと、出てくる予測値は使い物になりません。
売上予測で重要なのは、以下の3つの要素を「AIが計算しやすい形」に翻訳してあげることです。
需要（商圏）： 人口、年収、昼夜間人口、交通量
供給（競合・自社）： 競合数、店舗面積、視認性、駐車場の入りやすさ
環境： 天候、季節性、経済状況
これらをそのまま流し込むのではなく、どう「料理（加工）」するかがマーケターの腕の見せ所です。
3. プロが実践する「翻訳（データ処理）」の技術
予測精度を劇的に変えるいくつかのテクニックを紹介します。
定性情報の数値化（カテゴリ変数）
「駅前」「住宅街」といった言葉を、ただの番号ではなく「One-Hot Encoding」などの手法で、AIが影響度を計算できる形へ整えます。
データの「縮尺」を揃える（スケーリング）
数万人の「人口」と、数個の「競合店数」。単位が全く違う数字をそのまま比較すると、AIは混乱します。これらを同じ基準で扱えるように「標準化」や「正規化」を施します。
「ビジネスの文脈」を埋め込む（交互作用項）
例えば「角地である」ことと「駐車場が広い」ことが組み合わさった時に、相乗効果で売上が伸びる……。こうした現場の肌感覚を「交互作用」としてデータに組み込むことで、予測は一気に「血の通った数字」になります。
4. 売上予測の「ブラックボックス」を壊す
「データ処理が大事なのはわかった。でも、そんな専門的なこと、現場ではできない」 そんな課題を解決するために生まれるのが、新サービス「THE NOVEL」です。
これまでデータサイエンティストが時間をかけて行っていた複雑な処理を自動化し、現場のマーケターが持つ「仮説」を即座に予測モデルに反映させる。そんな世界が始まろうとしています。
まとめ：モデルよりもデータを、データよりも「前処理」を。
売上予測の精度に悩んでいるなら、一度立ち止まって「AIに食べさせているデータの質」を疑ってみてください。
「なぜこの数字になるのか？」を論理的に説明でき、かつ現場の感覚とも矛盾しない。そんな精度の高い予測モデルを作るためのヒントが、こちらのフル解説には詳しく書かれています。
数式や難しい理論ではなく、「どうデータを整理すれば、勝てる予測ができるのか」。その本質を知りたい方は、ぜひ全文をチェックしてみてください。
▼詳細はこちら（技研商事インターナショナル 公式コラム）
売上予測とは？｜予測モデルより重要な『データ処理』の話
