棚割AIとは?3つの活用方法と導入事例・開発の進め方

同じチェーンの店でも、商品の棚の幅や段数は違います。商品本部が100店舗分の棚割図を作るなら、店ごとの売場に合わせて何度も調整することになります。さらに、よく売れる商品は店によって異なり、本部の指示どおりに棚替えされたかの確認も欠かせません。
こうした仕事を支えるのが「棚割AI」です。棚割図を自動で作る、売れ行きに合わせて棚の配分を考える、売場の写真から陳列を確認するという3つの用途があります。
たとえば、店別の図面作成に時間がかかるなら自動作成、売場の収益性が課題なら最適化が候補になります。4社の取り組みを参考に、自社では何をAI化し、どのデータを使い、どう効果を確かめるかを整理します。
棚割AIでできること|自動作成・最適化・画像認識
「棚割」とはどの商品を棚のどこに、何個分並べるかを決めることです。例えば、ドラッグストアのシャンプー売場なら、ブランドごとの並び順や、目線の高さに置く商品、商品が正面を向いて並ぶ数まで考えます。この正面から見える商品数を「フェイス数」と呼びます。
棚割AIは解決したい仕事によって次の3つに分かれます。

店舗別の棚割図を自動作成する
本部で作った標準的な棚割図を、店舗ごとの棚の大きさに合わせて作り直す方法です。
例えば、幅の広い棚を基準に作った図を、狭い店舗向けに縮めるとします。単純に商品を削るだけでは、同じシリーズが離れてしまったり、売れ筋商品の位置が変わったりします。AIが過去の配置パターンを参考にしながら、調整案を作る仕組みが使われています。
この方式では、扱う商品を担当者が決め、店舗ごとに図を作り替える作業をAIに任せます。 品揃えの判断を残したまま、作図の手間を減らせるのが特徴です。
POSデータを使って売場の配分を最適化する
こちらは棚割図を描く前の「何を、どれだけ置くか」を考える仕事です。POS(レジの販売記録)などを基に、店舗ごとに売場の配分を見直します。
同じチェーンでも、掃除用品がよく売れる店と、ペット用品がよく売れる店では棚の配分を変えたいところです。ここではカテゴリに棚を何本割り当てるかと、商品を正面から何個見せるか(フェイス数)を分けて考えます。前者は売場全体の配分、後者は商品単位の配置です。
開発する場合は、過去の販売データから需要を予測し、棚の面積や陳列ルールの条件を満たす組み合わせを計算する方法があります。この計算を「数理最適化」といいます。例えば「棚は合計10本まで」「このカテゴリは最低2本確保」といった条件を設定し、売上や粗利につながる配分案を探します。売れ行きの予測と、条件を満たす配置の計算を組み合わせるのが基本的な設計例です。
棚画像を読み取り、陳列状況を確認する
本部が棚割図を作っても、実際に商品がそのとおり並んでいるとは限りません。そこで店頭の棚を撮影し、画像認識AIで商品の種類や位置を読み取って、計画と照らし合わせます。
例えば「指定した商品が見当たらない」「値札の位置が違う」といった確認を支援できます。認識できなかった商品や似たパッケージの商品については、人が認識結果を修正する運用が必要です。
棚が空いていても、バックヤードには在庫が残っている場合があります。棚の空き状況の検出と、在庫切れの判定は別の仕事です。在庫切れまで判断するなら、在庫記録との照合も組み込みます。
棚割AIの活用事例|4社の取り組みと公表された効果
棚割AIの事例を比較すると、図の作成時間を減らす企業、棚の配分を考える企業、写真から売場を記録する企業に分かれます。まずは「何の仕事を変えたか」を見ていきます。メーカーの取引先向け棚割提案と、小売本部の店舗運営も区別します。
| 企業・取り組み | AIが変える仕事 | 公表された結果・段階 |
|---|---|---|
| アサヒ飲料 | 店舗別の棚割図生成 | 関連業務時間を約65%削減する計画(2021年発表) |
| カインズ+ブレインパッド | 店舗別・カテゴリ別の棚本数配分 | 10%前後の売上向上を試算。机上検証段階(2025年発表) |
| Preferred Networks | 写真から棚の状態をデータ化 | 実証実験で120分から60分に短縮(2025年発表) |
| 花王グループ | 基本棚割から店舗別パターンを生成 | 作業総量約60%削減を見込む。選定商品の一致率は平均約96% |
数値の対象と段階は事例ごとに異なります。約65%・約60%は作業量に関する削減見込み、約10%は売上向上の机上試算、120分→60分は棚データ化作業の実証結果です。
アサヒ飲料|店舗別の棚割図を自動生成
アサヒグループは2021年10月、アサヒ飲料で店舗ごとの棚割生成を自動化する取り組みを発表しました。メーカー側が小売店に提案する棚割を作る業務が対象です。
同社の発表では、100店舗それぞれの売場面積に合わせて100通りの棚割図を作る例が紹介されています。自動化したのは、まさにこの「店舗別の図を作る工程」です。売上分析と品揃えの決定は、当時の設計では人が担っていました。
同社が2020年の棚割業務に費やした時間は年間約2,400時間でした。2021年の発表ではシステムによって業務時間を約65%削減する計画を示しました。(アサヒグループの発表)
メーカーの商品部で試すなら、まず「品揃えを決める時間」と「取引先店舗に合わせて図を作り直す時間」を別々に記録します。AIで短縮できるのは主に後者です。
カインズ|AIで棚本数の最適化を検証
ホームセンターのカインズとブレインパッドは、店舗ごとに商品カテゴリへ何本の棚を割り当てるかをAIで考える取り組みを、2025年11月に公表しました。
例えば、工具がよく売れる地域では工具の棚を増やし、園芸用品の需要が高い地域では別の配分にするといった判断を、データに基づいて支援する取り組みです。過去数年分の棚本数・売上・店舗属性を用い、店舗とカテゴリごとの棚の本数を予測・最適化しました。
対象は約200店舗、1,000種類を超える商品カテゴリです。机上検証で、10%前後の売上向上効果が見込まれると発表しています。 2025年11月の発表時点ではその後のPoCと実地検証を予定していました。(ブレインパッドの発表)
例えば工具に棚を何本、園芸用品に何本使うか。カインズの検証が扱ったのは、こうしたカテゴリ単位の売場配分です。商品1点ごとのフェイス数を最適化したという発表ではありません。自社で検討するなら、まず現在の棚本数とカテゴリ売上を店舗ごとに結び付けます。
Preferred Networks|棚写真を自動でデータ化
Preferred Networksは、棚の写真から商品を認識して、陳列状況をデータにする「MiseMise 店舗調査」を2025年10月に発表しました。
店舗で撮った画像を基に棚の状況を記録し、担当者が認識結果を確認・修正できる仕組みです。本部の棚割と比べることも想定されています。大手流通企業との実証実験では、商品棚をデータ化する作業時間が120分から60分に短縮されたと公表しています。(Preferred Networksの発表)
短縮したのは「棚を調べて記録する仕事」です。自社で試すときは、写真を撮る時間だけでなく、認識ミスの修正と記録保存まで含めて測ると、店員の仕事が実際に減ったか判断できます。
花王|基本棚割を店舗別に自動調整
花王グループの担当者は、基本となる棚割を人が作り、AIが店舗に合わせた拡大・縮小パターンを生成する取り組みを説明しています。
取材では、店舗数が多いチェーンで作業総量を約60%削減できると見込んでいると述べています。また、人が選んだ商品とAIが選んだ商品が平均約96%一致したと説明しました。(花王担当者へのインタビュー)
アサヒ・花王は店舗別の作図、カインズはカテゴリごとの棚配分、Preferred Networksは実際の売場の記録を対象にしました。自社の負担が「作成・配分・確認」のどこにあるかを決めると、参考にすべき事例が選べます。
棚割AIの開発に必要なデータとシステム連携
棚割AIを開発する際、最初に調べるのは必要なデータが、どのシステムに、どんな形式で保存されているかです。商品マスタは本部、POSは販売管理システム、棚割図は別ソフトにある、といった状況なら、データのつなぎ方が開発の要点になります。
| 改善する仕事 | 主に必要なデータ | AIなどの出力 | 最後に確認する人 |
|---|---|---|---|
| 棚割図の自動作成 | 基本棚割図、商品サイズ、店舗の棚サイズ、配置ルール | 店舗別の棚割図 | 棚割・商品部担当 |
| 売場の最適化 | 店舗別POS、売価・粗利、棚容量、商品・店舗属性 | 棚本数や配置の提案 | 商品部・MD担当 |
| 写真による陳列確認 | 棚写真、商品画像、棚ID、指示した棚割 | 陳列状況と計画との差 | 店舗・SV担当 |
自動作成には商品と棚の寸法データが必要
例えば同じ洗剤でも、ボトルの幅や高さが違います。商品コードだけが分かっても、棚に何本並べられるかは計算できません。商品ごとの寸法と、店舗側の棚板の幅・高さ・段数が必要です。
加えて、「同じブランドはまとめる」「この商品は最下段に置かない」など、担当者が普段守っているルールも整理します。単純な棚割の反転やサイズ変更なら、既存ソフトの機能で済むケースもあります。
売場の最適化にはPOSと棚の配分情報が必要
POSの売上だけをAIに渡しても、適切な棚の配分は決まりません。どの店舗のどのカテゴリが何本の棚を使っているのかを結び付ける必要があります。利益を重視するなら粗利、補充の手間を考えるなら在庫や納品頻度も確認対象です。
売上データを見るときは、売れなかった理由も考えます。品切れで棚が空いていた商品は、需要があっても販売数が増えません。特売で一時的に売れた分も、通常時の需要と分けて扱います。この区別をせず予測すると、売れるはずの商品を棚から減らす判断につながります。
POSデータの基本的な読み方は関連記事「AIとPOSデータの活用方法」でも紹介しています。
棚画像認識には商品マスタと撮影ルールが必要
棚の写真はどの店舗のどの棚を撮影したものか分からなければ、計画と照合できません。撮影する位置やタイミングをそろえ、商品の見た目と商品コードを対応付けます。
パッケージがよく似た商品や、値札で一部が隠れた商品は、AIが取り違えることがあります。認識できなかった場合に誰が直し、その修正をどこに記録するかまで決めておきます。店舗での撮影ルールや、人物が写り込む場合の対応も必要です。
作成した棚割図を既存システムに連携する
開発ではデータをAIへ「入れる」話に目が向きがちです。しかし、完成した棚割図を今使っている棚割システムに戻せなければ、担当者が手作業で転記することになります。
商品コード(JANなど)、店舗・棚の識別番号、棚割データのファイル形式、承認後に店舗へ配信する方法を、情報システム担当と確認しましょう。棚割データにはPTSなどの形式が使われます。開発前には使っているソフトで読み込める項目と、出力した棚割を戻す手順まで試します。
どの棚割業務からAI化する?導入対象の選び方
開発対象を決めるときは、作業の負担、使えるデータ、改善後の効果をセットで見ます。棚割図を何枚も手で作っているのか、売場配分の判断に時間がかかるのか、棚替えの実施確認が滞っているのか。最初は一つの課題に絞ります。
作業時間がかかる工程を特定する
商品部には「棚割図を1本完成させるまで何分かかるか」、店舗運営部には「棚替えの実施確認にどれだけ時間を使っているか」を聞きます。売場の収益性を改善したいなら、「カテゴリ別の棚本数をどう決めているか」を確認します。
担当部署と作業時間を併せて記録すると、「どの工程から手を付けると効果が大きいか」を比較できます。
既存の棚割システムで対応できるか確認する
棚の幅に合わせた縮小や反転なら、既存の棚割ソフトの機能を確認します。店舗への指示漏れが課題なら、まず配信と実施報告の仕組みを調べます。課題が作図なのか、連絡なのかで必要な改修が変わります。
現行機能で解決するなら設定・運用を改善し、できない部分だけを開発対象にします。
データがそろう業務から小さく試す
商品部が棚図作成の手間を減らしたいなら、まず一つの商品カテゴリや店型で試します。画像認識であれば、撮影条件をそろえやすい売場から始める方が、認識の間違いを検証しやすくなります。
例えば、毎月200枚の棚割図を作る部署なら、まず「一枚あたりの作成・修正時間」を測ります。売場の利益が課題の部署なら、図面の作成時間よりも「棚本数を変えた後のカテゴリ別粗利」を追います。課題が違えば、PoCの合格条件も変わります。

導入前のチェックリスト|5つの確認項目
商品部・店舗運営・情報システムの担当者が、次の5項目を持ち寄れば、最初に試す範囲を決めやすくなります。下の表は初回打ち合わせ用の確認メモです。
| 確認項目 | 準備する情報 | 主な担当 |
|---|---|---|
| ① 対象業務 | 作図・棚配分・陳列確認のうち、改善したい仕事とカテゴリ | 商品部・店舗運営 |
| ② 現状の負担 | 図面の作成・修正時間、棚替え確認時間など | 商品部・店舗 |
| ③ データ | 商品寸法、棚寸法、POS、棚写真の有無と管理場所 | 商品部・情報システム |
| ④ 既存システム | 棚割ソフトの機能、データの出力・読み込み方法、配信方法 | 情報システム |
| ⑤ 効果の測り方 | 作業時間・案の採用率・売場粗利・実施率など、対象業務に合う指標 | 商品部・DX・財務 |
すべてが揃っていなくても、どの項目が不足しているか分かれば次の作業を決められます。たとえば商品寸法が欠けているなら、図面生成の開発より先にマスタの整備を進めます。
PoCで確認する指標と進め方
PoC(概念実証)は本格導入の前に、限られた店舗や商品カテゴリで効果を確かめる試験です。棚割AIではAIの出力、人の修正、店舗での実施までを一つの業務として評価します。
導入前の作業時間と売場の状態を記録する
棚割図を自動作成するなら、従来の作成時間だけでなく、確認・修正・承認にかかる時間も測ります。画像認識なら、撮影・アップロード・誤認識の訂正を含めた時間が対象です。
仮に、従来は棚割図の作成と確認に合計60分かかっていたとします。AIで図の生成が5分になっても、その後の手直しが55分なら、仕事全体はほとんど短縮されていません。「AIの処理時間」と「担当者の総作業時間」は分けて測る必要があります。
AI案の採用率と店舗での実施率を測る
棚割図ができても、商品部の担当者が採用しなければ現場へは届きません。採用された案の割合、修正理由、店舗で棚替えが完了したかを記録します。
画像認識なら、見逃した商品と誤って検出した商品の両方を調べます。モデルの認識率が高くても、店員が何度も撮り直すようでは、現場の負担は増えてしまいます。
比較方法と中止条件を決める
工数削減なら、同じ業務範囲でAI導入前後の総作業時間を比較します。売上や粗利への効果を調べる場合は、条件が近い店舗を比較対象にし、価格変更・特売・季節・在庫状況も記録します。
棚替えを実施できたかどうかも必ず記録します。AI案が店舗に届かなかったケースと、実際に陳列を変えたケースを区別することで、成果が出なかった原因を調べられます。
例えば「修正に時間がかかり、総作業時間が減らない」「必要な商品寸法データが継続して集められない」といった中止・見直しの条件を先に決めておくと、PoCの結果を次の投資判断に使えます。成功とする数値の基準は現状の業務と投資額を見て個別に設定します。

棚割AIを個別開発するのはどんな場合?
個別開発が向くのは、既存の棚割ソフトでは扱えない店舗別のルールや、独自のデータ連携がある場合です。作図の単純な調整と、複数システムをつなぐ予測・最適化では、開発すべき範囲が大きく違います。
既存機能の活用は縮小・反転や棚割データの出し入れで目的を達成できる場合に向きます。担当者が機能を使えていないなら、設定や操作方法の整備が中心です。
個別開発・追加連携は店ごとに什器・陳列ルールが違う、POSと商品マスタが別システムにある、店舗の特性に合わせて棚の配分を計算したい、といった場合に検討します。棚写真の認識なら、扱う商品と撮影条件で必要な精度が出るかを先に試します。特に、複数の条件を既存の業務フローに合わせて組み込む必要がある場合は、個別開発の検討対象になります。
発注前には対象店舗・カテゴリ/現行ソフト/利用できるデータ/承認担当/測りたい効果を一枚にまとめます。開発会社との初回相談では、この5項目があれば、既存機能の活用、データ連携、AIモデル開発のどこから検討するかを整理できます。
棚割AIの開発でよくある質問
ChatGPTだけで棚割を最適化できる?
ChatGPTでも、商品の並べ方を考えたり、棚割の改善案を出したりすることはできます。
例えば、シャンプー売場について「売れ筋商品を目立つ場所に置きたい」と相談すれば、商品の配置案を提案してくれます。
ただし、実際の店舗では、商品の大きさや棚の幅、売上、在庫なども考える必要があります。どの商品を、どの棚に、何個並べるとよいかを正確に計算するには、これらのデータを使った仕組みが必要です。
そのため、ChatGPTは配置ルールの整理や改善案の検討に活用し、実際の棚割の最適化には、販売データの分析や数理最適化などに適したシステムを組み合わせる方法が適しています。
棚割AIの開発費用は何で決まる?
費用を左右するのは、開発する機能の範囲とデータ連携の難しさです。棚割図の生成だけなら商品・什器データが中心ですが、売場配分を最適化するならPOSや店舗属性も扱います。画像認識なら撮影画像の収集・確認作業が加わります。対象店舗・カテゴリ、接続するシステム、PoCで試す範囲を決めてから、開発費と運用費を分けて見積もります。
まとめ|棚割AI導入前に確認すること
棚割AIの検討では最初に「一番時間がかかる棚割業務」「その仕事に使うデータ」「改善を測る指標」の3つを整理してください。棚割図の量産なら作成・修正時間、売場配分なら棚本数と粗利、写真での確認なら撮影・訂正を含む作業時間が出発点です。
棚割図の自動作成、売場配分の最適化、棚画像認識などの個別開発をご検討の際は、AI活用の相談窓口からお気軽にご相談ください。現在の業務で困っていることや、導入したいAIの機能についてご相談いただけます。既存システムとの連携や、自社特有の配置ルールに対応する開発についても相談できます。
参考資料・出典
- アサヒグループホールディングス「AIを活用した棚割り自動生成システムの導入を開始」(2021年10月4日)
- ブレインパッド「カインズと共同で棚編成業務におけるAI活用検討をスタート」(2025年11月26日)
- Preferred Networks「MiseMise 店舗調査/売場ガイド提供開始」(2025年10月1日)
- AIsmiley「花王の担当者に聞いた棚割り業務を6割削減するAIアルゴリズム開発」(取材、最終更新2024年4月10日)
- 日本総合システム「StoreManager AI自動棚割サービス」(公式製品説明)
- 日本アクセス「独自開発のAIプラットフォーム」(2024年9月2日)


