在庫回転率をAIエージェントで資料化する。非エンジニア総務のデータ分析入門

社内から『在庫の状況を見たい』『在庫圧縮の資料がほしい』と言われたとき、総務や経理がデータ作成に関わることがあります。基幹ソフトからデータは出せても、どの切り口で見ればよいか迷う場面です。

こうした資料作成では、AIエージェントが役に立ちます。計算式を細かく命令するより、何を判断したいのか、どんな行動につなげたいのかを伝えると、資料の切り口を整理しやすくなります。

最初に決めるのは、何を判断したいか

在庫回転率の資料を作るとき、最初に考えるのは計算式ではありません。会社として見たいのは、在庫が多すぎる商品なのか、動いていない商品なのか、発注量を見直すべき商品なのかです。目的が曖昧だと、AIに渡してもきれいな表ができるだけで終わります。

AIエージェントには、データ処理の方法より先に、資料を使って何を決めたいかを伝えます。これができると、AI側から分析の切り口が返ってきやすくなります。

基幹ソフトから出すデータをそろえる

在庫分析では、売上、仕入、在庫数、商品コード、商品名、期間などのデータが必要になります。基幹ソフトから一度にすべて出せるとは限らないため、複数のCSVやExcelを組み合わせることもあります。

データ	見る目的	注意点
商品コード	同じ商品を識別する	商品名だけに頼らない
商品名	社内で内容を確認する	表記揺れが起きる
期間売上数	どれだけ動いたか見る	対象期間をそろえる
期首・期末在庫	平均在庫を考える	棚卸時点に注意する
仕入単価・金額	在庫金額を見る	税抜税込を混ぜない

AIには目的、データ、出力イメージを渡す

AIエージェントに頼むときは、『在庫回転率を出して』だけでは不足します。どのデータを使うのか、何を判断したいのか、どんな表にしたいのかを伝えます。

たとえば『在庫圧縮のため、動きが遅い商品を見つけたい。基幹ソフトから出した商品別売上数、在庫数、在庫金額を使い、優先順位を付けた一覧にしてほしい』という頼み方です。

細かく指示しすぎると、よい切り口を逃す

非エンジニア総務がAIエージェントを使うとき、すべての計算手順を細かく指定しようとすると、かえって難しくなります。こちらが思いついていない分析軸をAIが提案してくれることもあります。

重要なのは、目的と制約を示すことです。『在庫圧縮に使いたい』『経営層に見せたい』『現場が見ても分かる表にしたい』『商品名の表記揺れに注意してほしい』などを伝えると、資料の形が実務に近づきます。

AIが作った資料は、意味を人が読む

AIが在庫回転率やランキングを作っても、その結果をそのまま採用してよいわけではありません。季節商品、キャンペーン商品、取引先都合の商品、欠品を避けるために多めに持つ商品など、数字だけでは判断できない事情があります。

ここで一人総務の横断的な視点が役に立ちます。経理の数字だけでなく、営業や現場の事情、仕入先との関係、会社の方針を合わせて見ることで、資料が単なる表ではなく判断材料になります。

数字が悪い商品ほど、理由の確認が必要

回転率が低い商品を見つけると、すぐに削減候補に見えます。しかし実務では、欠品すると困る定番商品、特定顧客向けに持っている商品、季節前に積んでいる商品などがあります。数字だけを見て判断すると、現場から反発が出ることもあります。

AIには、回転率が低い商品を出してもらうだけでなく、『理由確認が必要な商品』として分類させると使いやすくなります。たとえば、金額が大きい、長期間動きがない、直近で仕入だけ増えている、といった条件で分けると、現場ヒアリングの優先順位が見えます。

見せ方は、経営層と現場で変える

同じ在庫データでも、社長や管理職が見たい情報と、現場担当者が見たい情報は違います。経営層には金額影響や優先順位、現場には対象商品と具体的な次の対応が必要です。

相手	見せる内容	避けたいこと
社長・管理職	在庫金額、優先順位、改善余地	細かすぎる商品一覧だけを出す
営業	動きが遅い商品、販売提案候補	経理用語だけで説明する
仕入担当	発注量見直し候補	理由なしに削減だけ求める
総務経理	データの根拠と更新手順	一回限りの資料にする

AI資料を社内会議に出す前に確認すること

AIが作った資料を社内会議に出すときは、見た目のきれいさよりも、説明できるかを確認します。どのデータを使ったのか、対象期間はいつか、除外した商品はあるか、計算の前提は何か。ここを答えられないと、資料への信頼が下がります。

特に在庫は、営業、仕入、倉庫、経理で見方が変わります。会議では『この数字が正しいか』だけでなく、『この数字をもとに誰が何をするか』まで決める必要があります。AI資料は、その話し合いを始めるための地図として使うと実務に合います。

会議前の確認	見る理由
対象期間	季節性や一時要因を見落とさない
除外条件	特殊商品を混ぜない
金額基準	影響の大きい順に見る
次の担当	資料を行動につなげる

表記揺れと例外を残す

商品名や取引先名は、基幹ソフトと外部資料で完全一致しないことがあります。AIがうまく合わせたとしても、次回も同じように処理できるよう、揺れの対応を残しておくことが大切です。

在庫分析は一回だけで終わるより、毎月、四半期、決算前などに繰り返して意味が出ます。処理したルールや迷った点を残すことで、次回の資料作成が速くなります。

次回のために、AIへの依頼文も残す

在庫資料がうまく作れたら、AIへの依頼文も残しておきます。どのCSVを使ったか、どの列を見たか、どの条件でランキングしたか、どの表を出したかを残すと、次回はゼロから考えなくて済みます。

少人数総務では、作業の属人化を完全になくすのは難しいですが、依頼文と確認手順を残すだけでも再現性が上がります。AIを使った作業ほど、うまくいった指示を会社の資産として残す意識が大切です。

毎月同じ形で出すと、変化が見える

在庫回転率の資料は、一度作って終わりにするより、同じ形で繰り返す方が効果が出ます。毎月同じ項目、同じ集計期間、同じ並びで出せば、前月から何が変わったかを見られます。

一回限りの分析では、『今そう見える』だけで終わります。継続して見ると、改善した商品、悪化した商品、発注方法を変えた影響、季節要因が見えてきます。AIエージェントには、前回の資料と今回の資料を比較させ、変化が大きい商品を出させることもできます。

継続して見る項目	分かること	次の行動
回転率の悪化	動きが鈍くなった商品	発注量や販売提案を確認
在庫金額の増加	資金が寝ている商品	仕入予定を見直す
急な売上増	欠品リスク	発注タイミングを確認
長期滞留	処分や販促の候補	現場に理由を確認

ここでも重要なのは、AIに判断を丸投げしないことです。変化が大きい商品を見つけるところまではAIが得意ですが、その理由は現場に聞かないと分からないことがあります。資料は、現場と話すための入口として使います。

元データをきれいにしすぎる前に、現実の癖を見る

データ分析をしようとすると、最初にデータを完璧に整えたくなります。しかし中小企業の基幹ソフトデータには、商品名の省略、古いコード、担当者ごとの入力癖、例外的な取引が残っていることがあります。そこを見ずにきれいな表だけ作ると、現場感から離れます。

AIエージェントには、整っていない部分も含めて見せる価値があります。表記揺れ、空欄、極端な数値、分類しづらい商品を一覧化させれば、分析前に直すべきデータの癖が分かります。データをきれいにすること自体も、業務改善の一部です。

データの癖	起きる問題	AIに頼めること
商品名の省略	同じ商品を別物として見る	似ている商品名の候補出し
古いコード	現在の商品とつながらない	使われていないコードの抽出
空欄	集計から漏れる	空欄行の一覧化
極端な数値	ランキングが歪む	外れ値の確認候補出し

現場に聞くための資料として作る

在庫資料は、総務経理だけで完結するものではありません。数字を見て疑問が出たら、営業、仕入、倉庫などに確認します。そのとき、AIが作った表をそのまま見せるより、『確認したい商品』『聞きたい理由』『想定される対応』まで整理した方が話が早くなります。

一人総務が資料を作る価値は、数字を出すことだけではありません。数字を社内の会話につなげ、次の行動に変えるところにあります。AIはその準備を助ける道具として使うのが自然です。

在庫の話は、経理だけで完結しません。数字をきっかけに、営業、仕入、倉庫が同じ画面を見て話せるようにすることが、資料作成の本当の価値です。

在庫分析は、作成時間より判断材料を増やせるかで見る

在庫回転率の資料化では、表をきれいに作ることだけが目的ではありません。基幹ソフトのデータをもとに、どの商品を見直すべきか、どこに在庫圧縮の余地があるかを早く見つけることが大切です。

確認する指標	AIに任せやすい部分	人が判断する部分
在庫回転率	商品ごとの回転状況を一覧化する	本当に減らしてよい在庫かを判断する
滞留期間	長く動いていない商品を抽出する	季節性や取引先事情を加味する
仕入・販売の推移	月別の増減をグラフ化する	値上げ、欠品、特売の影響を読む
改善候補	見直し対象のたたき台を出す	社内で実行する優先順位を決める

AIで短縮したいのは、表を作る時間だけではなく、見るべき論点にたどり着くまでの時間です。資料のたたき台を早く作れると、総務経理は数字の意味を読む方に時間を使えます。

改善提案にするなら、費用対効果まで添える

在庫分析は、数字を出すだけでは社内で動きにくいことがあります。提案にするなら、在庫金額がどのくらい減る可能性があるのか、保管スペースや資金繰りにどんな影響があるのか、発注方法を変えるとどんなリスクがあるのかまで整理します。

ここでもAIエージェントは使えます。回転率の悪い商品を出すだけでなく、『改善効果を説明する表にして』『社長向けに要点をまとめて』『現場へ確認すべき質問を作って』と頼むと、資料が社内提案に近づきます。

提案に足す視点	確認すること
金額影響	在庫金額がどれだけ大きいか
業務影響	発注や倉庫作業がどう変わるか
販売影響	欠品や顧客対応に問題が出ないか
実行方法	誰がいつ確認するか

Excelは、見る人の役割ごとにシートを分ける

在庫分析を社内へ渡すとき、全員に同じ一覧を見せると必要な情報を探しにくくなります。実務では、前期末と前々期末の比較を土台にしながら、入力、経営判断、確認、詳細のシートを分ける設計にしました。

シート	主な利用者	見せる内容
入力用	データ準備担当	基幹ソフトから出した元データ、対応表
経営用	社長・管理職	金額影響、優先順位、前年差
確認用	現場責任者	理由を確認したい商品、次の対応
詳細用	分析担当	商品別明細、計算根拠、例外

もう一つ大切なのは、資料だけを渡して終わらせないことです。現場が「この商品はなぜ対象か」「前年との差はどこから出たか」とAIへ聞けるよう、成果物と質問の入口をセットにします。資料を読む人が自分で理由をたどれると、総務へ問い合わせが集中しにくくなります。

実務チェックリスト

• 資料の目的を先に決めたか
• 対象期間をそろえたか
• 商品コードと商品名を両方使ったか
• AIが作った分類を人が確認したか
• 季節商品や例外を別扱いにしたか
• 次回も使えるルールを残したか

あわせて読みたい関連記事

このテーマに近い実務記事です。必要なところから読み進めてください。

• 一人総務とAIは相性がいい。横断業務を自分で改善できる時代になった
• Gemini Notebookを社内FAQに使う。年末調整の質問対応を軽くする一人総務のAI活用
• 請求書OCRから弥生会計・銀行振込データまでつなぐ。一人総務の買掛支払フロー
• AI勉強会・体験会を社内で開く。ITリテラシーが低い会社で一歩目を作る方法

よくある質問

まとめ

在庫回転率をAIエージェントで資料化するときは、計算だけを任せるのではなく、目的、データ、判断軸を渡します。AIは切り口を出すのが得意ですが、数字の意味を会社の実務に合わせて読むのは人の仕事です。

一人総務・少人数総務は、経理、システム、現場の情報を横断して見られます。その強みを使えば、AIが作った資料を会社の判断に使える形へ近づけられます。