花王株式会社は2026年8月17日、需要予測モデルに販促や価格などの施策情報を掛け合わせて需要計画案とその算出根拠を提示するAIエージェント「Kao-MIKOMIL（みこみる）」を開発し、化粧品ブランド「KATE」にて先行導入を開始したと発表しました。全社データ基盤「Kao i-Lake」と連動させた戦略的S＆OP（Sales ＆ Operations Planning）を高度化させることで、2027年までに化粧品事業の製品在庫を2024年比で約25％削減し、投下資本利益率（ROIC）の向上とサプライチェーン全体の効率化を図る先進的な取り組みとして注目を集めています。
花王が推進する需要計画革新：AIエージェント「Kao-MIKOMIL」の全貌
消費財大手である花王は、中期経営計画「K27」において事業構造改革とサプライチェーンの高度化を掲げています。その中核施策の一つとして開発されたのが、需要計画立案を支援するAIエージェント「Kao-MIKOMIL」です。
5W1Hで読み解く「Kao-MIKOMIL」導入の概要
本施策の全体像を整理すると、以下の通りです。
- Who（発表主体）: 花王株式会社
- What（施策内容）: 需要計画支援AIエージェント「Kao-MIKOMIL」の開発および現場配備
- When（時期・スケジュール）: 2026年7月より化粧品ブランド「KATE」で先行導入を開始。2026年8月17日に公式発表。今後他の化粧品ブランドへ順次拡大し、2027年までに製品在庫削減目標を達成予定
- Where（対象領域）: 国内外の化粧品事業における需給計画プロセス（グローバルS＆OPプラットフォーム）
- Why（目的・背景）: 計画立案リードタイムの短縮、属人的な分析作業の標準化、欠品および過剰在庫の極小化によるROIC（投下資本利益率）の向上
- How（実現手法）: 自社開発の需要予測モデルに販促・チャネル・価格情報を統合し、AIが「計画案」と「算出根拠」を自動提示。事業部門がその妥当性を判断・承認する意思決定フローへの移行
従来手法と「Kao-MIKOMIL」導入後の業務プロセス比較
これまで多くの製造業において、需要計画の立案はデータサイエンティストによる複雑な統計分析と、事業部門担当者による経験や勘のすり合わせという、多大な工数を要する手作業に依存していました。「Kao-MIKOMIL」の導入により、この業務フローは劇的な進化を遂げています。
| 比較項目 | 従来の立案体制 | Kao-MIKOMIL 導入後の新体制 |
|---|---|---|
| 計画の立案主体 | データサイエンティスト ＋ 事業部門担当者 | AIエージェント ＋ 事業部門担当者 |
| 分析アプローチ | 過去の実績や類似品データを人手で集計・分析 | AIが販促・価格・流通チャネルを考慮し自動算出 |
| アウトプット | 単一の予測数値データのみ | 需要計画案に加えて「算出根拠・要因」を提示 |
| 事業部門の役割 | データの共同分析・調整会議への出席 | AI提示案の確認・経営判断と最終承認 |
| 対象品目の網羅性 | 工数制約により主力品・特定商品に限定 | 新商品・既存品を問わず全品目を迅速に網羅 |
| 業務上の成果 | 分析リードタイムの長期化と属人化 | 立案期間の大幅短縮、業務標準化、知見の蓄積 |
従来のAI需要予測システムは、予測結果となる「数値」のみを出力するブラックボックス型が多く、なぜその数値になったのかが事業部門に伝わらないため、最終的な意思決定で人間による修正が乱発されるという課題がありました。
「Kao-MIKOMIL」は、「過去の類似キャンペーンでの売上増分」や「特定流通チャネルにおける価格弾力性」といった算出根拠を明示します。これにより、事業部門の担当者は納得感を持ってAIの提案を受け入れ、迅速な判断を下すことが可能になりました。
参考記事: AI需要予測とは？SCMを変革する仕組み・導入メリット・成功の5ステップを徹底解説
全社データ基盤「Kao i-Lake」と戦略的S＆OPの連動構造
花王の強みは、単発のAIツール導入にとどまらず、全社のデータ基盤とサプライチェーン実行計画が強固に統合されている点にあります。
同社は、調達、生産、物流、販売に至る全社データを一元管理するデータ活用基盤「Kao i-Lake」を構築しています。この「Kao i-Lake」に蓄積された膨大な商品情報や需給動向を土台とし、戦略的S＆OP（Sales ＆ Operations Planning）をグローバルで標準化しています。
具体的には、タイムホライズン（計画期間）を2層に分けた精緻な需給管理体制を敷いています。
- 中長期計画（月次予測）: 約18か月先までの月次需要予測を算出。中長期の原材料調達枠の確保や、国内外工場の生産ラインキャパシティ計画と連動。
- 短期実行計画（日次予測）: 約6か月先までの日次需要予測を算出。日々の工場稼働スケジュール、在庫配置、物流拠点間の横持ち輸送計画へ直結。
一部の限定品を除くほぼすべての製品において、この2層構造の予測に基づき「必要な商品を、必要な量だけ、最適なタイミングで生産・供給する」体制を確立しています。
【全社データ基盤「Kao i-Lake」】
（調達・生産・物流・POS販売データ・施策情報を統合）
│
▼
【需要計画支援AI「Kao-MIKOMIL」】
（販促・価格・チャネル施策を加味し「計画案＋根拠」を出力）
│
▼
┌──────────────────┴──────────────────┐
│ │
▼ ▼
【中長期 S&OP（約18か月先・月次）】 【短期実行計画（約6か月先・日次）】
・原料/資材の先行手配 ・工場の日次生産スケジュール確定
・グローバル生産能力の最適配分 ・物流拠点への在庫適正配置/出荷計画
この高度な需給連動モデルにより、花王は2027年までに化粧品事業の製品在庫を2024年比で約25％削減するという明確なターゲットを設定しています。
参考記事: 生産主導の脱却へ！花王が国内31拠点を新体制で統括しSCM改革が加速
サプライチェーン関係者に与える3つの業界インパクト
花王の「Kao-MIKOMIL」導入と戦略的S＆OPの推進は、消費財メーカーのみならず、ITベンダーや物流現場に対して構造的な変革を促します。
製造業者・メーカー：「合意形成のパートナー」としてのAI実装と組織サイロの破壊
多くの製造業において、需要予測は「当たるか外れるか」の議論に終始し、営業部門と生産・物流部門の間で責任の押し付け合いが発生しがちでした。営業部門は欠品を恐れて高めの予測を出し、生産部門は工場の稼働率を維持するために作り続け、結果として物流倉庫に過剰在庫が滞留するという「製配販のサイロ化」です。
花王のアプローチは、AIを単なる予測計算機ではなく「部門間の合意形成を支援するエージェント」として位置づけています。AIが客観的なデータと施策要因を紐付けた「根拠」を示すことで、部門間の感情論を排した合理的なディスカッションが可能になります。
また、データサイエンティストという高度専門人材がボトルネックになることなく、現場の事業担当者が自律的に精度の高い計画を策定できる体制を整えた点は、人手不足に悩む日本の製造メーカーにとって模範的な組織モデルと言えます。
参考記事: 花王株式会社が2026年4月に挑む製配販の壁打破で物流効率化が加速
SaaS・テクノロジーベンダー：データレイク基盤とアプリの「二段構え」設計の必須化
サプライチェーンDXを支援するテクノロジーベンダーやSaaS事業者にとっても、本事例は重要な示唆を与えています。
どれほど高度なLLM（大規模言語モデル）や予測アルゴリズムを開発しても、その土台となる社内データが分断されていては真の価値を発揮できません。花王が成功している要因は、「Kao i-Lake」という強固な全社データレイクを長年かけて整備し、その上で動くアプリケーションとして「Kao-MIKOMIL」を開発した点にあります。
今後のSCMソリューション提案においては、AIアルゴリズム単体の精度を競うのではなく、企業の基幹システム（ERP）や倉庫管理システム（WMS）、POSデータなどを統合するデータパイプラインとセットで提供するアーキテクチャが標準要件となります。
参考記事: 脱「過去の予測」。AIで実現する新時代のサプライチェーン計画と海外物流DX事例
物流・流通現場：サプライチェーンの波動抑制と「選ばれる荷主」への進化
物流オペレーションの視点において、需要予測の精度向上と日次生産計画への直結は、物流現場の負荷平準化に直結します。
需要予測のブレは、サプライチェーンの川上に行くほど増幅される「ブルウィップ効果」を引き起こし、物流センターでの急激な入出荷波動やトラックの手配難、突発的な残業を発生させる主因となっていました。
花王が18か月先・6か月先の日次計画を高精度に運用し、在庫を25％削減することは、倉庫内の保管スペース逼迫を解消し、突発的な出荷要請を大幅に抑制することを意味します。トラックドライバー不足や時間外労働規制が厳格化する中、運行計画の予見性を高めて運送会社や倉庫作業員に無理をさせない体制を整えることは、持続可能な輸送力を確保し「選ばれる荷主」であり続けるための必須条件です。
参考記事: ブルウィップ効果とは？需要変動のメカニズムと現場でできる4つの抑制対策
LogiShiftの視点：需要計画の「根拠提示型AI」が切り拓く財務直結型ロジスティクス
今回の「Kao-MIKOMIL」発表は、単なる社内業務のDXツールの域を超え、サプライチェーンマネジメントが企業の最高財務指標（ROIC）を直接牽引するフェーズに入ったことを象徴しています。
「予測を当てる」から「根拠に基づいて経営判断を下す」への転換
従来のサプライチェーン計画における最大の誤謬は、「需要予測は100％的中させなければならない」という思い込みでした。しかし、消費者の購買行動が多様化し、トレンドの移り変わりが極めて激しい現代の化粧品市場において、完全な未来予測は不可能です。
花王の取り組みが画期的なのは、予測の「絶対的な的中」を目指すのではなく、AIが導き出した「シナリオとその根拠」を人間が素早く吟味し、ビジネスリスクをコントロールしながら合意形成を図るプロセスへとパラダイムシフトさせた点です。
「この販促を打てば需要がこれだけ伸びるが、物流キャパシティと照らし合わせて実行可能か」という判断を、事業部門とロジスティクス部門が同じデータを見て即座に判断できるようになります。
参考記事: 2026年7月発表の日経ビジネスCLOオブザイヤーで花王が大賞！物流経営が加速
在庫25％削減がもたらすキャッシュフローとROICへの直接貢献
化粧品事業において製品在庫を約25％削減するという目標は、単に倉庫の保管料を下げるだけの話ではありません。
化粧品は流行や季節性による陳腐化リスクが高く、過剰在庫は将来的な廃棄ロスや評価損に直結します。在庫回転率を高めて棚卸資産を圧縮することは、ワーキングキャピタル（運転資本）を解放し、営業キャッシュフローを大幅に改善させます。
投下資本（分母）を減らしながら欠品による機会損失（分子の利益）を防ぐこのアプローチこそ、経営陣が求めるROIC経営の具体像です。ロジスティクスと需給管理が、コスト削減の下請け機能から、企業価値を高めるプロフィットドライバーへと完全に脱皮した好例と言えます。
参考記事: CPFRとは？VMI・ECRとの違いや導入の4フェーズ・主要KPIを解説
まとめ：経営層と現場リーダーが明日から取り組むべきアクション
花王が示した「データ基盤 × 根拠提示型AI × 戦略的S＆OP」の統合モデルは、事業規模の大小を問わず、サプライチェーンの近代化を目指すすべての企業にとって重要なロードマップとなります。
明日から各企業の経営層およびSCM・現場リーダーが着手すべき実務アクションは以下の通りです。
-
自社の需要予測業務における「属人化度」と「立案リードタイム」を棚卸しする
データサイエンティストや一部のベテラン担当者の頭の中にしか存在しない予測ロジックがないかを検証します。予測に必要なデータ（過去売上、販促計画、価格設定、競合情報など）をリストアップし、業務プロセスとして標準化できる領域を特定します。 -
社内に散在する需給関連データを一元化するパイプラインを構想する
営業の商談データ、工場の生産進捗、倉庫の在庫数、物流の出荷実績が別々のシステムやExcelで管理されていないかを確認します。まずは小規模な範囲でも、共通のダッシュボードにデータを集約し、全社で「同じデータ」を見て意思決定できる環境を整備します。 -
AI需要予測の導入において「説明可能性（XAI）」を評価軸に組み込む
これから需要予測ツールやSCMパッケージを検討・刷新する場合、単に出力される予測精度のパーセンテージだけでなく、「なぜその予測値になったのかの根拠が現場に分かりやすく提示されるか」を選定基準に設定します。現場の担当者が納得して使えるツールでなければ、形骸化を防ぐことはできません。
適正在庫の維持と迅速な意思決定を両立するサプライチェーンの構築は、不確実性の高い市場環境を勝ち抜くための最強の事業基盤となります。花王の先進事例をベンチマークとし、自社のS＆OP改革を今すぐ加速させましょう。
出典: 物流（ロジスティクス）ニュース ＬＮＥＷＳ
出典: 花王株式会社 ニュースリリース
出典: 花王株式会社 企業情報（中期経営計画）
