マーケティング予測：スプレッドシートで3つのシナリオを組み立てる

まず最も単純な予測から始める

以下の数字は、手順を示すための仮の例です。あるネットショップの月別受注件数が次のとおりだったとします。時点は2026年7月初めで、下半期を予測します。

2025年下半期の受注は、7月360、8月340、9月460、10月500、11月640、12月720で、合計3,020件でした。基準となる2つの手法は、それぞれ数式1つで計算できます。

• ナイーブ予測：最後に観測した値を、以降すべての月の予測にします。ここでは毎月440件、半期で6 × 440 = 2,640件です。
• 季節性ナイーブ予測：各月に前年の同じ月の値を使います。ここでは半期で3,020件です。

2つの差は380件で、季節性ナイーブ予測の約12.6%にあたります。差を生むのは、ナイーブ予測が無視している年末のパターンです。2026年6月の440件に対して、2025年11月の640件と12月の720件は、それぞれおよそ45%と64%高い水準です。HyndmanとAthanasopoulosは、これらの手法を比較の基準線として紹介しています。もっと手の込んだモデルがテストデータでこれらを上回れないなら、その複雑さは正当化できない、という考え方です※1。

手法を信頼する前に誤差を測る

比較には平均絶対誤差（MAE）を使います。予測と実績の差の絶対値の平均です。2026年の2月から6月について、「前月の値」を使うナイーブ予測の誤差は30、55、15、0、30件で、MAEは130 ÷ 5 = 26です。季節性ナイーブ予測の誤差は20、25、30、20、20件で、MAEは115 ÷ 5 = 23です。差はわずかですが、ここに学びがあります。2月から6月は曲線がほとんど平坦（380〜450件）なので、季節性を無視しても損失が小さいのです。この比較が決定的になるのは曲線が動く月、つまりまだ来ていない9月から12月です。

実務上の教訓が2つあります。第一に、穏やかな期間での評価は、重要な月での強さを何も語りません。第二に、履歴が1年分しかないと、季節性ナイーブ予測は前年の偶発事象（8月の欠品、11月の特別施策）まで季節性として写し取ってしまいます。繰り返すパターンと単発の出来事を見分けるには、最低でも2年分が必要です。1年分しかないなら、疑わしい月に注記をつけて別扱いにします。

予測区間：幅のない数字は不完全である

「3,020件」という予測だけでは、どれだけ信頼してよいのかが分かりません。HyndmanとAthanasopoulosは、こうした単純な手法の予測区間の作り方を説明しています。1ステップ先の誤差の標準偏差（σ）を推定し、誤差がほぼ正規分布で相関がないと仮定して、95%区間のために1.96を掛けます。ナイーブ予測では、h ステップ先の標準偏差は σ × √h となり、先を見るほど幅が広がります。季節性ナイーブ予測では σ × √(k + 1) です。k は (h − 1) ÷ m の整数部分で、月次データなら m = 12 です。

仮の例として、1ステップ先の誤差の標準偏差を25件とします。先ほど計算したMAEと同程度の大きさです。95%の幅は、1ステップ先で1.96 × 25 = 49件になります。

入門記事が省きがちな点が2つあります。1つめは、季節性ナイーブ予測の公式な区間が、最初の1年のあいだは広がらないことです（h が1から12の間は k が0）。実際の不確実性は先に行くほど当然大きくなります。区間はモデルを前提にした条件つきの値なので、背景にある成長のしかたが変われば、それを捉えられません。シナリオを加えるのは、この理由もあってのことです。2つめは、月ごとの幅を足し合わせても半期の幅にはならないことです。隣り合う月の誤差は、独立であることがまれだからです。合計の区間を知りたいなら、合計に対して区間を計算し直すか、シミュレーションを使います。

最後の注意です。95%区間は、実績が20回のうち19回その中に収まるという保証ではありません。実際のカバー率は、過去のデータで実績が公表した幅に収まった頻度を数えて確かめます。表計算ソフトには別の手法もあります（Excelには指数平滑法の関数 FORECAST.ETS があります※4）。ただ、これは同じ月で上の基準線と比べるためのもので、初期設定として採用するものではありません。

明示した仮定から3つのシナリオを作る

区間が測るのは手法が知らないことで、シナリオが描くのは、あえて置いてみる仮定です。シナリオは、数字になる前に1つの文として書かれます。「2026年の成長が止まったら、結果はこうなる」という文です。動因は2つか3つに絞ります。このショップでは、受注件数の年間成長率と、平均注文額です。

計算は1行ずつ検算できます。3,020 × 1.05 = 3,171、3,020 × 1.10 = 3,322。売上は、3,020 × 5,800 = 17,516,000、3,171 × 6,000 = 19,026,000、3,322 × 6,200 = 20,596,400です。悲観と楽観の差は3,080,400円で、中央シナリオの約16%にあたります。資金繰りの計画には役立つ幅ですが、個人の目標を決めるには広すぎます。

スプレッドシートの中のモデル

原則は、どの仮定も数式の中に埋め込まないことです。シナリオごとに3つの入力セル（成長率、平均注文額、必要なら予算）を「仮定」と名づけたブロックに置き、各月のシナリオ値がそこに依存するようにします。C列に2025年の受注が入っていて、セル $H$2 にシナリオの成長率があるなら、月別の予測は =C8*(1+$H$2)、売上は =D8*$H$3 と書けます。仮定を変えればモデル全体が更新され、読み手も何を仮定したのかを確認できます。

楽観シナリオの仮定そのものにも、数字の裏づけが要ります。獲得予算を増やす意味があるのは、受注を1件増やすための限界コストが分かっているときだけです。CAC・LTV・ROIの計算が歯止めになるのはここで、粗利を上回る獲得コストが必要になる楽観シナリオは、シナリオではなく願望です。

このモデルでは、どのシナリオにも確率をつけません。これは意図的です。統計的な根拠なしに「20%の確率」と書くと、偽りの精密さが生まれます。代わりに、シナリオの切り替わりを示すシグナルを書き留めます。たとえば、コンバージョン率が2か月続けて一定の水準を下回る、といったものです。

予測と実績を追跡する

追跡のない予測は、保管されるだけの書類です。毎月の初めに「実績」列を足し、中央シナリオとの差を割合で計算します。数式は =(実績 − 中央) ÷ 中央 で、実績が幅のどこにあるかも書き留めます。仮の例として、8月初めに7月の受注が390件、9月初めに8月の受注が330件だったとします。

いちばん示唆に富むのは最終行です。累計では何事もないように見えます（−2%）が、8月は幅から外れています。7月の上振れが、8月の失速を覆い隠しているのです。だから、月ごとの見方と累計の見方の両方を追います。データを見る前に決めておく簡単なルールがあります。幅を外れた月が1回あれば調査を始め（計測、在庫、キャンペーン、カレンダーを確認する。異常検知のルーチンを参照）、2か月続けて外れたら、以降の月の仮定を見直します。

過去の予測は修正しません。各バージョンを残し（月ごとに日付入りのシートを1枚）、そうしないと、自分たちの仮定の質を測れなくなります。各月の誤差は1列にまとめておき、そこからMAEを求めます。尺度の異なる系列を比べたいときは、ナイーブ予測の誤差に対する比で表します。この考え方は、HyndmanとKoehlerが予測精度の指標に関する論文で展開しています※2。

ただし、3列のスプレッドシートは、実際以上に厳密な印象を与えることがあります。3つのシナリオがどれも同じ基準曲線の上に作られているなら、その幅は断絶を過小評価します。あるチャネルが崩れる、プラットフォームの方針が変わる、競合が価格を壊す、といった事態です。シナリオは可能な範囲に境界線を引くものではなく、議論を整理するためのものです。そのため、よいスプレッドシートには「モデルに入れていない出来事」という行を残しておき、見直しのたびに埋めます。

AIが入る場所と、入ってはいけない場所

対話型AIが役に立つのは3か所です。1つめは数式を書くことで、「前年の同じ月の値を取り、H2セルの成長率を掛ける数式を出して」と頼みます。2つめは仮定への反論役で、「下半期に+5%の成長が続かないかもしれない理由を、数字を作らずに挙げて」と頼みます。3つめは、検算済みの数字をもとに、経営層向けの要約を書くことです。

一方、履歴を貼り付けて「今後6か月を予測して」と頼み、予測の計算そのものを任せるのは避けるべきです。出てくるのは、手法の明示も区間もなく、算術が間違っていることもある数字を、自信たっぷりに示した答えです。より高度な統計手法を使いたいなら、コードや数式を出させ、自分で実行し、結果をナイーブな基準線と比べます。人の確認は、どんな数式でも同じです。2〜3個のセルを手で検算し、合計が基幹システムの元データと合っているかを確かめます。

最後の注意点です。月ごとに集計した受注履歴は個人情報ではありませんが、顧客ごとの詳細なエクスポートは個人情報です。外部のツールに貼り付けるのは、月別やチャネル別の合計だけにします。個人情報保護委員会が2023年に公表した「生成AIサービスの利用に関する注意喚起等について」は、生成AIサービスへ個人情報を入力する場合の確認事項を示しており、最小限のデータだけを使うという考え方はここにも当てはまります※3。データの収集から最適化までの流れ全体にAIを位置づけるには、AIに任せる、補助させる、人が持ち続けるものの整理をご覧ください。

3シナリオのモデルは神託ではありません。会社が置いている賭けを見える形にする道具です。予測の価値は、何を決められるようになったかと、現実からのずれにどれだけ早く気づけるかで決まります。