「3日後は雨で気温も下がる。だから何を・何ケース動かすか」――数日先の気象予報と売上データをAIが結びつけ、欠品（機会損失）と廃棄ロスを同時に減らす短期仕入れ提案を、店長が30秒で読める形で届けます。
小売の現場では「天気で売れ方が変わる」のは経験知。それを誰でも再現できる定量的な仕入れ判断に変えるのが、このAIの役割です。
急な天候変化で飲料・アイスが欠品（売り逃し）、一方で気温が変わりおでんが売れ残り廃棄。気象の影響が読めず、発注は前年・勘ベース。
気象庁の予報（気温・降水確率・前日差）と商品別の気象弾力性を掛け合わせ、カテゴリ別の需要倍率を算出。SKU単位の発注増減に落とし込む。
増やす／減らす品目とケース数、その根拠、粗利インパクトの試算までを自動生成。属人化していた判断を標準化し、機会損失と廃棄を同時に削減。
気象条件を選ぶと、AIがその日の需要倍率と推奨発注をその場で計算します。「3日後の予報例」は気象庁の実データ（新潟・3日後）を使用しています。
「なぜその提案か」を、気温と需要の関係（弾力性）で示します。グラフは飾りではなく、発注を動かす根拠そのものです。
※降水確率20%・前日差0℃・平日・客足標準の条件で、最高気温だけを動かしたときの倍率。
需要倍率 = 1 + 気温係数×(最高気温−基準) + 降水係数×降水確率 + 前日差係数×前日差 + 週末係数 + 快晴係数 を上下限で丸め、最後に客足係数を掛けます。係数はデモ用の仮定値ですが、一般的な小売の気象感応度（高温で冷涼系が伸び、降雨で雨具が伸びる等）の範囲に基づいて設定し、バックテストで妥当性を確認しています。さらに感度分析により、係数を±20%動かしても推奨の方向が大きく変わらない（頑健である）ことを確かめています。実運用では店舗の実売上から機械学習で継続的に推定・補正します。
データ量と推定精度のイメージ（概念図）
本ページで使う専門用語を、現場目線でかんたんに説明します。
気象 × データ活用のAI実装について、もっと知りたい方へ。
DD AI Studio を見る →