小売店の在庫担当者向け：棚卸差異データを自動チェック・発注優先度を整理するAIエージェントの作り方【2026年版】

対象読者： 小売店・中規模チェーンの在庫管理担当者・店長
難易度： 中級（プロンプトのコピペで次回棚卸から試せます）
所要時間： 初回セットアップ20分、棚卸後の分析作業1〜2時間程度（従来比）

※本記事にはアフィリエイト広告（PR）が含まれている場合があります。

小売店の在庫担当者が棚卸後に直面するデータ突合の課題

小売店や中規模チェーンの在庫担当者にとって、定期棚卸は避けて通れない業務です。棚卸そのものの作業も負担ですが、それ以上に時間を取られるのが**「棚卸後のデータ突合と差異分析」**の工程です。

棚卸後に発生する典型的な作業手順：

1. ハンディターミナルや紙の記録から、実在庫データをExcelに転記する
2. 基幹システムやPOSレジから理論在庫（帳簿在庫）データをCSVで出力する
3. 商品コード（SKU）をキーにしてVLOOKUP関数やIF関数で差異を算出する
4. 差異が一定以上の商品を目視で探し、リストアップする
5. 差異の原因を1件ずつ推測して分類する（入力ミス、盗難・紛失、破損、誤出荷、検品漏れなど）
6. 在庫が不足している商品を見極め、発注優先度リストを手作業で作成する
7. 上長やエリアマネージャー向けの報告書をまとめる

この一連の流れを1人の担当者が担っているケースは少なくありません。SKU数が数百から数千に及ぶ店舗では、差異の突合だけでも相当な時間がかかります。一般的な中規模小売店を想定した場合、棚卸後のデータ突合と差異分析に3〜5時間程度を要することも珍しくありません（実際の時間は店舗規模や運用方法で大きく異なります）。

さらに問題なのは、差異原因の分類が属人的になりやすい点です。「この商品カテゴリは万引きが多い」「この仕入先は検品漏れが起きやすい」といった判断はベテラン担当者の経験に依存しがちで、担当者が異動・退職すると引き継ぎが困難になります。

AIエージェントで棚卸差異分析を効率化する全体像

このエージェントが担う3つの役割

本記事で紹介するAIエージェントは、棚卸差異データを入力として受け取り、以下の3つの処理を行います。

1. 差異の大きい商品の抽出： 設定した閾値（例：数量差5個以上、差異率10%以上）をもとに、注意が必要な商品を自動でリストアップする
2. 差異原因の仮分類： 差異のパターン（プラス差異・マイナス差異、差異の大きさ、商品カテゴリの傾向）から、原因カテゴリを仮分類する
3. 発注優先度リストの生成： 実在庫の水準と差異の状況を踏まえて、発注の優先度を高・中・低の3段階で整理する

重要な前提： このエージェントが出す「原因分類」はあくまで「仮分類」です。最終的な原因の特定と判断は、現場を知る人間が行う必要があります。AIが担うのは、大量のデータの中から注目すべきポイントを絞り込む「下ごしらえ」の部分です。

エージェントの処理フロー全体像

【入力】棚卸差異データ（CSV/テキスト形式）
  商品コード、商品名、理論在庫数、実在庫数
    ↓
Step 1：差異算出と異常値の抽出
  差異数・差異率を計算し、閾値超えの商品をリストアップ
    ↓
Step 2：差異原因の仮分類
  差異パターンと商品カテゴリから原因カテゴリを推定
    ↓
Step 3：発注優先度の判定
  実在庫水準と差異傾向から優先度を3段階で評価
    ↓
【出力】差異サマリー・要注意商品リスト・原因別分類・発注優先度リスト

特定のプログラミング言語やAPIの構築は不要です。後述する実装プロンプトをコピーして、ChatGPTなどのLLMサービスに貼り付けるだけで試すことができます。

Before/After：手作業Excelフロー vs AI活用後のフロー比較

重要な注記： 上記の比較はSKU数500〜2,000程度の中規模小売店を想定した参考値です。実際の効果は商品数、データ品質、担当者のスキル、使用するLLMサービスによって大きく異なります。効果を保証するものではありません。

Afterフローのポイント： 担当者の役割が「作業者」から「確認者・判断者」に変わることです。データの転記や関数設定といった機械的な作業をAIに任せ、担当者は原因分類の妥当性確認や最終的な発注判断に集中できるようになります。

棚卸差異チェックAIエージェントの処理フロー詳細（3ステップ構成）

Step 1：差異データの読み込みと異常値抽出

入力された棚卸差異データをもとに、以下の計算を行います：

$$\text{差異数} = \text{理論在庫数} – \text{実在庫数}$$

$$\text{差異率}(%) = \frac{\text{差異数}}{\text{理論在庫数}} \times 100$$

差異数がプラスの場合は「不足（実在庫が帳簿より少ない）」、マイナスの場合は「過多（実在庫が帳簿より多い）」として扱います。

計算後、設定された閾値（例：数量差5個以上、差異率10%以上）を超える商品を抽出し、差異の絶対値が大きい順にソートして「要注意商品リスト」として出力します。

Step 2：差異原因の仮分類

抽出された要注意商品に対して、差異のパターンから原因カテゴリを仮分類します。

注意： この分類はパターンに基づく「仮説」です。AIは現場の状況を知らないため、実際の原因は担当者が確認する必要があります。

Step 3：発注優先度の判定とリスト生成

差異が「不足」方向の商品に対して、以下の基準で優先度を3段階で判定します：

• 高（urgent）： 実在庫がゼロまたは極端に少なく、欠品リスクが高い商品
• 中（normal）： 実在庫が一定数あるが、差異が大きく在庫水準に不安がある商品
• 低（watch）： 差異はあるが実在庫に余裕があり、次回発注時に調整すれば対応可能な商品

重点管理商品（売れ筋商品や季節商品など）をあらかじめ指定しておくと、それらの商品の優先度を自動的に1段階引き上げる処理を行います。

実装プロンプト完全公開：差異抽出・原因分類・発注優先度判定エージェント

以下のプロンプトをそのままコピーして、ChatGPTなどのLLMに貼り付けて試すことができます。[変数名]の部分を自店の情報に置き換えてからご利用ください。

# 役割定義（Role）
あなたは小売店の在庫管理業務に特化した「棚卸差異分析エージェント」です。
棚卸後の理論在庫と実在庫の差異データを受け取り、
差異の大きい商品の抽出、原因カテゴリの仮分類、発注優先度リストの生成を担当します。
あなたの出力は「仮分類」「参考情報」であり、最終判断は人間の担当者が行います。
# 入力仕様（Input）
以下の情報を受け取ります：
- 棚卸差異データ（CSV形式またはテキスト表形式）※必須
  各行に以下のカラムを含む：
  - 商品コード（SKU）
  - 商品名
  - 理論在庫数（帳簿在庫数）
  - 実在庫数（棚卸カウント数）
  - 商品カテゴリ（任意。ない場合は「未分類」として処理）
  - 単価（任意。ない場合は優先度判定で価格要素を除外）
- 店舗名：[店舗名]（レポートのヘッダーに使用）
- 差異閾値（数量）：[差異閾値_数量]個以上（デフォルト：5個）
- 差異閾値（率）：[差異閾値_率]%以上（デフォルト：10%）
- 重点管理商品リスト：[重点管理商品リスト]
  （カンマ区切りで商品コードを指定。なければ「なし」）
- 発注リードタイム：[発注リードタイム]
  （例：「3営業日」。なければ「不明」として処理）
- 発注ロット単位：[発注ロット単位]
  （例：「ケース単位（12個入り）」。なければ「個単位」として処理）
# 処理手順（Process）
以下のステップで処理を行ってください：
Step 1：データの読み込みと差異算出
- 入力データの各行について以下を計算する
  - 差異数 = 理論在庫数 - 実在庫数
  - 差異率(%) = (差異数 ÷ 理論在庫数) × 100
    （理論在庫数が0の場合は「計算不可（理論在庫ゼロ）」と表記）
  - 差異の方向 = 差異数がプラスなら「不足」、
    マイナスなら「過多」、ゼロなら「一致」
- データ全体の統計を集計する
  - 総SKU数、差異ありSKU数、差異なしSKU数
  - 最大差異商品（差異数の絶対値が最大の商品）、平均差異率
Step 2：閾値に基づく要注意商品の抽出
- 差異数の絶対値が[差異閾値_数量]以上、
  または差異率の絶対値が[差異閾値_率]%以上の商品を抽出する
- 抽出した商品を差異数の絶対値が大きい順にソートする
- 重点管理商品リストに含まれる商品には「★重点管理」マークを付ける
Step 3：差異原因の仮分類
- 抽出した各商品に対して、以下のルールで原因カテゴリを仮分類する
  - マイナス差異（不足）かつ差異率20%以上
    → 「盗難・紛失の可能性」
  - マイナス差異（不足）かつ差異率20%未満
    → 「入力ミス・計上漏れの可能性」
  - マイナス差異かつ同一カテゴリに3件以上集中
    → 「検品漏れ・誤出荷の可能性（カテゴリ集中）」
  - プラス差異（過多）
    → 「返品未計上・入荷二重計上の可能性」
  - 理論在庫ゼロかつ実在庫あり
    → 「未登録商品・マスタ不整合の可能性」
- 仮分類の横に「確認ステータス」欄を「未確認」として付与する
Step 4：発注優先度の判定
- 差異が「不足」方向の商品に対して、以下のルールで優先度を判定する
  - 実在庫が0または1以下 → 優先度「高（urgent）」
  - 実在庫が理論在庫の30%以下 → 優先度「高（urgent）」
  - 重点管理商品かつ差異が不足方向 → 優先度を1段階引き上げ
  - 実在庫が理論在庫の30〜60% → 優先度「中（normal）」
  - 実在庫が理論在庫の60%以上 → 優先度「低（watch）」
- 差異が「過多」方向の商品は発注優先度リストから除外する
  （ただし要注意商品リストには残す）
- 発注ロット単位が指定されている場合、
  推奨発注数をロット単位に切り上げて記載する
Step 5：レポートの生成
- 以下の出力形式に従ってレポートを生成する
# 出力形式（Output）
以下の構成で出力してください：
---
## 棚卸差異分析レポート
**店舗名**：[店舗名]
**分析日**：[本日の日付]
**対象SKU数**：[総数]
### 1. 差異サマリー
| 項目 | 値 |
|---|---|
| 総SKU数 | xxx |
| 差異ありSKU数 | xxx |
| 差異なしSKU数 | xxx |
| 最大差異商品（絶対値） | [商品名]（差異数：xx） |
| 平均差異率（差異あり商品） | xx.x% |
### 2. 要注意商品リスト（差異の絶対値が大きい順）
| # | 商品コード | 商品名 | 理論在庫 | 実在庫 | 差異数 | 差異率 | 方向 | 備考 |
|---|---|---|---|---|---|---|---|---|
| 1 | xxx | xxx | xx | xx | xx | xx% | 不足/過多 | ★重点管理 等 |
### 3. 原因カテゴリ別分類
| 原因カテゴリ | 該当商品数 | 代表的な商品 | 確認ステータス |
|---|---|---|---|
| 盗難・紛失の可能性 | x件 | [商品名] 他 | 未確認 |
| 入力ミス・計上漏れの可能性 | x件 | [商品名] 他 | 未確認 |
### 4. 発注優先度リスト
| 優先度 | 商品コード | 商品名 | 実在庫 | 不足数 | 推奨発注数 | リードタイム |
|---|---|---|---|---|---|---|
| 高 | xxx | xxx | x | xx | xx | [発注リードタイム] |
### 5. 確認推奨事項
- [原因仮分類で確認が必要とされた項目のリスト]
- [データに不整合があった場合の指摘]
**本レポートはAIによる仮分析です。最終判断は担当者が行ってください。**
---
# 品質基準（Quality）
出力前に以下を自己チェックしてください：
□ 全SKUの差異計算が正しく行われているか
  （差異数 = 理論在庫 - 実在庫、不足方向がプラス）
□ 閾値超えの商品が漏れなく抽出されているか
□ 理論在庫ゼロの場合に「計算不可」と適切に処理されているか
□ 原因分類のルールが一貫して適用されているか
□ 発注優先度の判定基準が一貫しているか
□ 重点管理商品が正しく反映されているか
□ 出力形式が指定どおりの表形式になっているか
# 制約事項（Constraints）
- 原因分類はあくまで「仮分類」であり、「確定」「断定」の表現は使わないこと
- 「盗難」と断定せず「盗難・紛失の可能性」と表現すること
- 入力データに含まれていない情報（売上データ、季節性、過去の差異傾向等）は
  推測で補わず、「確認が必要です：[項目名]」と記載すること
- 発注数量の最終判断は必ず人間の担当者が行うことを前提とする
- 最終出力は必ず人間が確認・承認してから使用すること
# カスタマイズ変数
[店舗名]：自店の店舗名に置き換えてください（例：渋谷南口店）
[差異閾値_数量]：差異として注目する最低数量差（例：5）
[差異閾値_率]：差異として注目する最低差異率（例：10）
[発注リードタイム]：仕入先の標準納期（例：3営業日）
[発注ロット単位]：発注の最小単位（例：ケース単位（12個入り））
[重点管理商品リスト]：欠品を特に避けたい商品の商品コードを
  カンマ区切りで指定（なければ「なし」）

使い方：

1. 上記プロンプトをすべてコピー
2. [変数名]の部分を自店の値に書き換え（6箇所）
3. ChatGPTなどのLLMに貼り付けて送信
4. 続けて、棚卸差異データ（CSVまたはテキスト形式）を貼り付ける
5. 出力されたレポートを確認・修正する

初回は過去の棚卸データで動作確認をしてみることをおすすめします。

カスタマイズガイド：自店の商品カテゴリ・発注ルールに合わせる方法

閾値の調整

差異閾値は店舗の規模や商品特性に合わせて調整してください：

• 少量多品種の店舗（雑貨店、文具店など）：数量差3個以上、差異率15%以上が目安
• 大量在庫の店舗（ドラッグストア、ホームセンターなど）：数量差10個以上、差異率5%以上が目安
• 高単価商品を扱う店舗：数量差1個以上（高額商品は1個の差異でも注目すべき）

原因分類ルールの追加

プロンプトのStep 3にある分類ルールを、自店の実態に合わせて追加・変更できます。

例：生鮮食品を扱う店舗の場合：

- マイナス差異かつカテゴリが「生鮮」
  → 「廃棄処理漏れの可能性」

重点管理商品の指定

売れ筋商品・季節商品・利益率の高い商品など、欠品を特に避けたい商品の商品コードを指定してください。該当商品の発注優先度が自動的に1段階引き上げられます。

発展的な使い方：定期棚卸データの時系列比較と傾向把握

継続的に活用することで、より深い分析が可能になります。

複数月分のデータを比較する

毎月の棚卸後にレポートを保存しておき、数か月分が蓄積されたら：

過去3か月分のレポートを比較して、
差異が繰り返し発生している商品を抽出してください。

という指示を追加することで、慢性的な差異が発生している商品を特定できます。

季節変動との突合

特定の商品が特定の時期に差異が増える傾向がないかを確認することで、棚卸頻度の見直しや管理方法の改善につなげられます。

店舗間の比較（複数店舗管理の場合）

各店舗の差異分析レポートを比較することで、特定店舗に差異が集中していないかを確認できます。その場合は、「店舗名」列を追加し、店舗ごとに集計するようプロンプトを拡張します。

導入時の注意点・限界：データ品質が結果を左右する

⚠️ 大量データの入力制限について

ChatGPTなどのAIには、一度に処理できる文字数（トークン数）に限界があります。数千〜数万SKUのデータをそのままチャット欄に貼り付けると、途中で処理が途切れたりエラーになったりします。

対処法： 実務で使用する場合は、事前にExcelで「差異が0ではない商品」だけをフィルタリングしてからAIに入力することを強く推奨します。

向いているケース：

• SKU数が100〜1,000程度で、手作業での差異チェックに時間がかかっている
• 棚卸差異データがCSVやテキスト形式で出力できる環境がある
• 差異分析の属人化を解消し、手順を標準化したい
• 差異の「当たり付け」を素早く行い、確認・対応に時間を集中したい

向いていないケース：

• SKU数が極端に少ない場合（数十件以下）： 手作業で十分対応でき、AIを介するメリットが薄い可能性があります
• データの電子化ができていない場合： 手書きの棚卸表のみで運用している場合、まずデータの電子化が先決です
• 差異原因の確定を自動化したい場合： 本エージェントの原因分類は「仮分類」です。防犯カメラの映像確認、取引先との照合など、AIでは取得できない情報が原因確定には不可欠です

よくある失敗パターンと対処法

データ品質に関する重要な注意

AIエージェントの分析精度は入力データの品質に直接依存します：

• 棚卸時のカウントミスがそのまま差異として検出されます。AIはカウントミスと実際の差異（ロス）を区別できません
• 理論在庫データが最新でない場合（棚卸直前の売上・入荷が未反映）、見かけ上の差異が大きくなります
• 商品コードの表記ゆれ（全角・半角の混在、ハイフンの有無など）があると、正しく突合できない場合があります

まとめ：次回棚卸から始める差異分析の効率化ステップ

本記事では、小売店の在庫担当者が棚卸後に行う差異分析業務を、AIエージェントで効率化する方法を紹介しました。

この記事のポイント：

• 棚卸差異データをAIに入力すると、差異の大きい商品の抽出・原因の仮分類・発注優先度リストの生成を自動で行える
• AIの出力はあくまで「仮分類」「参考情報」であり、最終判断は担当者が行う前提で設計されている
• 閾値・原因分類ルール・重点管理商品リストを自店に合わせてカスタマイズすることで分析精度を高められる
• データ量が多い場合は、事前に差異のある商品だけに絞り込んでから入力することが重要

次回の棚卸から試せるアクション：

1. 今回の棚卸データをCSV形式で出力し、差異のある行だけを抽出してテキスト化する
2. 本記事の実装プロンプトをコピーし、[変数名]を自店の情報に書き換える
3. ChatGPTなどのLLMにプロンプト＋データを入力し、結果を確認する
4. 出力結果と手作業での分析結果を比較し、AIの精度を検証する

最初から完全に業務を置き換えるのではなく、**「手作業の分析結果と照らし合わせて検証する」**ところから始めることをおすすめします。数回の棚卸サイクルを経て、信頼できる精度が確認できた段階で、段階的に業務に組み込んでいくのが現実的な進め方です。

免責事項： 本記事で紹介したプロンプトは参考情報です。実際の業務適用前に、自環境での動作確認と内容の適切性確認を必ず行ってください。在庫管理は事業運営に直接影響するため、AIの出力をそのまま最終判断として使用せず、担当者による確認・承認を経てからご活用ください。AIの出力には誤りが含まれる可能性があります。本記事の情報に基づく損害（欠品・過剰在庫・発注ミス等）について、当サイトは責任を負いかねます。