AWSとDatabricks、AI需要予測から自動発注までを自律連携する小売向け補充ソリューションを公開

要点

• AWSが、Databricksと「Amazon Quick」を連携させて小売業の発注業務を自動化するソリューションを公式ブログで公開した。

• 時系列基盤モデル「Chronos-2」による7日間の需要予測と、需要急増（サージ）の自動検知をDatabricks上で実行する。

• 「Amazon S3 Tables」上のサプライヤー在庫データと照合し、最適な仕入れ先へ無人で自動発注を行う仕組みを構築した。

• 単一のサプライヤーで需要をカバーできない場合は、担当者へ確認を促す例外チケットを自動発行してエスカレーションする。

• アマゾン ウェブ サービス（AWS）は現地時間2026年9月14日、公式ブログ「AWS Machine Learning Blog」において、DatabricksとAWSのサービス群を連携させた小売業向けの自動発注ソリューションを公開した。

• このソリューションは、AIによる需要予測から需要急増の検知、仕入れ先サプライヤーの選定、実際の発注処理に至る一連のサイクルを自動化する技術的な構成を示したものである。

• 検証済みの構成に基づく実装手順やサンプルコードが提供されており、再現可能なシステム構成として解説されている。

需要予測と発注業務を隔てるシステム分断の解消

小売業界における在庫補充の自動化では需要予測が起点となるが、変化の激しい小売市場において予測データが有効な期間は極めて短い。
従来は、計画担当者が予測データを出力し、サプライヤーの在庫状況と照合しながら数万点に及ぶSKU（Stock Keeping Unit：在庫管理の最小単位）を個別に確認している間に、売れ筋商品の在庫切れが発生するという問題があった。

近年は、商品ごとの個別チューニングを必要とせずカタログ全体の需要を予測できる基盤モデルが登場したことで、予測精度の課題は解消されつつある。
その一方で、ボトルネックは「高精度な予測の作成」から「予測に基づいた迅速な発注実行」の間のタイムラグへと移行しているという。

このタイムラグが生じる背景には、システムの分断が存在する。需要予測データは統制されたデータプラットフォーム上に保管されているのに対し、サプライヤーの在庫状況は別の運用フィードで管理されており、さらに発注業務を担当する人員はそれらのシステムへのアクセス権限を持っていないことが多い。
今回公開されたソリューションは、このシステム間のギャップを埋め、需要急増の検知からサプライヤー選定、無人発注までを自律的に完結させる仕組みを提供するものだとしている。

4つのステージで構成される自律型補充サイクル

本ソリューションは、DatabricksとAmazon Quickを組み合わせた以下の4つのステージで構成されている。予測ステージをDatabricksが担い、続く3つのステージをAmazon Quickがスケジュールに基づいてループ実行する。

1. 予測（Forecast）: Databricksの「Many Model Forecasting（MMF）」上で時系列基盤モデル「Chronos-2」を実行し、全SKUを対象に今後7日間の需要を予測する。
2. 検知（Detect）: 「Databricks Genie Agent」を活用し、需要が急増しているSKUを自動抽出する。急増の判定条件は、過去14日間の需要平均が1以上（低ボリュームのノイズを排除するための下限値）であり、かつ今後7日間の予測平均が過去14日間の実績平均の1.5倍以上であることと定義されている。
3. 判断（Decide）: クラウドストレージ「Amazon S3」のテーブルストレージ機能である「Amazon S3 Tables」に格納されたリアルタイムのサプライヤー在庫データと、急増した需要をAmazon Quick上で照合し、需要を満たせる最も安価なサプライヤーを選定する。
4. 実行（Act）: ワークフロー自動化機能「Amazon Quick Flows」が「Supplier Order API」を呼び出し、通常の発注書を自動で発行する。単一のサプライヤーで需要を賄えない場合には、人間の担当者が確認するための例外対応チケットを発行してエスカレーションを行う。

データ連携のハブとなるAmazon Quickのアーキテクチャ

システム全体の構成において、Databricks環境とAWS環境の双方に接続する中核コンポーネントとしてAmazon Quickが機能している。
Amazon Quickは、Genie MCP（Model Context Protocol：外部モデルやエージェントと接続するための仕様）コネクタを介してDatabricks Genie Agentから予測結果を取得する。
同時に、「Amazon Quick Sight」がAmazon S3 Tables内のサプライヤーフィードを「Direct Query」データセットとしてライブで読み込む仕組みとなっている。

取得された需要データと供給データは、共通の識別子である「retailer_product_id」をキーとしてAmazon Quick Flows上で突き合わされ、自動発注または例外処理の判断が行われる。
ルールに適合しない例外的な状況が発生した場合のみ人手を介する設計とすることで、日常的な補充業務の無人化とリスク管理の両立を図っている。

公開リポジトリによる再現性の担保

AWSは、今回のソリューションを実際に検証した展開環境に基づくものとして紹介している。
GitHubのAWSサンプルリポジトリ「sample-isv-databricks」内において、関連リポジトリ（autonomous-retail-replenishment-genie-quick-mmf）および需要予測を生成するアクセラレータサンプル「fresh_retail_net」が公開されており、必要なリソースを用意することで一連の動作を再現できるとしている。