Google TimesFM 2.5とは？Googleスプレッドシートから売上予測ができるAI

「来月の売上、どれくらいになりそう？」「在庫、何個くらい仕入れればいい？」

こういう予測って、
普通は過去のデータをExcelに並べて、
感覚で「たぶんこれくらい」って出しますよね。
それをAIが自動でやってくれるようになりました。
しかもGoogleスプレッドシートから直接使えます。

この記事は、
こういう人に向けて書いています。
「売上予測をExcelの勘でやってる」人。
「在庫管理で毎月数字と格闘してる」人。
「AIで予測したいけど、
プログラミングは無理」という人。

TimesFM 2.5で何が変わる？「勘」と「AI予測」の違い

今までの予測と、TimesFMを使った予測の違いを表にしました。

一番の違いは「信頼区間」が出ることです。
勘で予測すると「来月は100万くらいかな」で終わりますよね。

TimesFMは「来月は80万〜120万の間に入る確率が90%」みたいな形で出してくれます。
「最悪でもこのくらい」「最高でこのくらい」がわかるので、
仕入れの判断がしやすくなります。

しかも、
地域別や商品カテゴリ別に分けた予測も一括で出せます。
「関東の売上」「関西の売上」を別々に予測する手間がゼロになるわけです。

TimesFM 2.5はどんな場面で使える？

「来月の売上、いくらになる？」を数字で答えたい時

飲食店、
ECサイト、
小売店。
「先月が○万円だったから、
来月もそのくらいだろう」って予測していませんか。

TimesFMに過去の月次売上データを渡すと、
季節変動やトレンドを自動で読み取って予測を出します。
実際に小売データで検証したところ、
従来の統計手法（ARIMA）と比べて予測誤差が15〜25%減ったというベンチマーク結果が出ています。

「勘」よりも「AIの予測」のほうが当たる可能性が高いなら、
試してみる価値はあります。

在庫を「多すぎず少なすぎず」仕入れたい時

在庫管理って、
多く仕入れすぎると廃棄になるし、
少なすぎると機会損失になる。
このバランスがしんどいんです。

TimesFMは信頼区間付きの予測を出すので、
「最悪でもこのくらいは売れる」「最高でこのくらい」がわかります。
「最悪ケースの数量＋少し余裕」で仕入れれば、
廃棄リスクを減らしつつ欠品も防げます。

感覚ではなく、数字で仕入れ量を決められるようになるのは大きいです。

上司に「根拠は？」と聞かれた時に答えたい

予算会議で「来期の見込みは？」って聞かれて、
「まあ、
前年並みかなと…」って答えた経験、
ありませんか。

TimesFMの予測結果を見せれば、
「過去36ヶ月のデータをAIに分析させた結果です」と言えます。
グラフも自動で生成されるので、
そのままプレゼン資料にも使えます。

「勘です」と「AIの分析結果です」では、説得力が全然違います。

TimesFM 2.5を使うのに必要なものは？

ポイントは「Connected Sheets」という機能です。
Googleスプレッドシートの中からBigQuery（Googleのデータ分析基盤）に接続して、
スプレッドシートのUIだけで予測ができます。

2026年2月16日から、
全Google Workspaceユーザーと個人Googleアカウントに提供されています。

ただし、
BigQueryの利用には注意点があります。
BigQueryには無料枠（毎月1TBまでのクエリ処理）がありますが、
大量のデータを扱うと課金が発生する可能性があります。
小規模なデータ（月次売上数年分とか）なら、
ほぼ無料枠に収まります。

TimesFM 2.5の使い方は？スプレッドシートで予測するステップ

Connected Sheetsを使った方法を説明します。
プログラミングは一切不要です。

ステップ1：予測したいデータを用意する

まず、
予測に使う時系列データを準備します。
必要なのは「日付」と「数値」の2列だけ。
たとえば「2023年1月: 売上100万円」「2023年2月: 売上120万円」みたいなデータです。

データが多いほど予測の精度は上がります。
最低でも1年分、
できれば2〜3年分あると良いです。

ステップ2：BigQueryにデータを入れる

BigQuery（ビッグクエリ）は、
Googleが提供するデータ分析の基盤です。
大量のデータを高速に処理できるサービスで、
Google Cloudの一部です。

Google Cloudのアカウントを持っていない場合は、
無料トライアル（$300分のクレジット付き）から始められます。
データのアップロードは、
CSVファイルをBigQueryにドラッグ＆ドロップするだけです。

やり方がわからなければ、
Claude Codeに「BigQueryにCSVファイルをアップロードする手順を教えて」と聞いてみてください。

ステップ3：Connected Sheetsで接続する

Googleスプレッドシートを開きます。
メニューの「データ」→「データコネクタ」→「BigQueryに接続」を選びます。
プロジェクトとデータセットを選択して、
テーブルを選びます。
これでスプレッドシートとBigQueryがつながります。

ステップ4：予測を実行する

Connected Sheetsのプレビュー画面で、
「Advanced Analytics」（高度な分析）をクリックします。
「Create a Forecast」（予測を作成）を選ぶと、
設定画面が出てくるようです。

公式の説明によると、以下の項目を調整できます。

予測期間: どのくらい先まで予測するか（1ヶ月、3ヶ月、1年など）。

信頼区間: 予測の確実さをどのくらいの幅で表示するか。

分割軸: 地域別、商品別など、どの軸で分けて予測するか。

設定が終わったら、実行ボタンを押すだけです。

ステップ5：結果を確認する

数分で予測結果が表示されるようです。
過去のデータと予測値が1つのグラフにまとまって出てくる仕組みです。
信頼区間も帯状に表示されるので、
「最悪〜最高」の範囲がひと目でわかります。

そのままスプレッドシート上で使えるので、
別のシートにコピーしたり、
グラフを資料に貼ったりできます。

TimesFM 2.5の仕組みは？なぜ学習なしで予測できるのか

「このAI、うちのデータで学習してないのに、なんで予測できるの？」

これがTimesFMの一番すごいところです。
TimesFMは「ゼロショット予測」ができます。
ゼロショットっていうのは、
「初めて見るデータでも、
いきなり予測を出せる」ということです。

なぜこれができるかというと、
TimesFMは1,000億件以上の実データで事前に学習しているからです。
売上データ、
天気データ、
株価データ、
エネルギー需要データ。
あらゆる種類の「時間の経過で数字が変わるデータ」を大量に学んでいます。

だから「あ、
このデータの動き方は、
○○と似てるな。
たぶん次はこう動くだろう」という予測ができる。
人間でいうと、
料理を何千品も作ったベテランシェフが、
初めてのレシピでも「たぶんこのくらいの火加減でいけるな」ってわかるのと同じです。

パラメータ数は200M（2億個）。
前のバージョン（2.0）の500Mから60%小さくなっているのに、
精度は上がっています。
コンテキスト長（一度に読めるデータの長さ）は16,384。
つまり、
16,384日分（約45年分）の日次データを一度に読んで予測できます。

TimesFM 2.5は他の予測ツールと何が違う？

TimesFMの最大の特徴は「ゼロショット」、
つまり「追加学習なしでいきなり予測できる」ことです。
ProphetやARIMAは、
まずデータで学習させる必要があります。
TimesFMはそれが要らない。
データを渡したら、
すぐに予測が出る。
これはGoogleが1,000億件のデータで事前学習させているからこそできることです。

ExcelのトレンドラインとTimesFMの違いは、
もっとわかりやすいです。
Excelは「過去がこう動いたから、
このまま続くだろう」と直線を引くだけ。
TimesFMは「この動きのパターンは、
過去に学んだ○○と似ている。
だから次はこう動くだろう」と推測する。
単純な延長線と、
パターン認識の違いです。

この技術が広がると何が変わるか。
「需要予測」が、
データサイエンティストの仕事から、
スプレッドシートのボタン1つになります。
今まで予測を外部に依頼していた中小企業が、
自力で予測できるようになる。
「データはあるけど、
分析する人がいない」という問題が、
ツール側で解決される時代が来ています。

よくある疑問

Q. 無料で使える？

Connected Sheets経由なら、
Google Workspaceユーザーは追加費用なしで使えます。
個人のGoogleアカウントでも利用可能です。
ただし、
BigQueryの利用にはデータ処理量に応じた課金があります。
毎月1TBまでのクエリは無料。
小規模なデータなら、
ほぼ無料枠で収まります。
Google Cloudの無料トライアル（$300クレジット付き）もあるので、
まずはそこから始めるのが安全です。

Q. どのくらい先まで予測できる？

TimesFM 2.5は最大1,000ステップ先まで予測できます。
日次データなら約2年9ヶ月先、
月次データなら約83年先。
ただし、
予測は先に行くほど不確実になります。
実用的には、
データの頻度の2〜3倍くらいが目安です。
月次データなら半年〜1年先くらいが現実的です。

Q. プログラミングが全くできなくても使える？

Connected Sheets経由なら、
プログラミングは完全に不要です。
Googleスプレッドシートの画面上で、
ボタンを押すだけです。
ただし、
BigQueryにデータをアップロードする部分で少し手間がかかります。
わからなければ、
Claude Codeに「BigQueryにこのCSVデータを入れたい」と聞けば、
手順を教えてくれます。

Q. 日本語のデータでも使える？

使えます。
TimesFMが扱うのは「日付」と「数値」だけなので、
言語は関係ありません。
列名が日本語でも問題なく動きます。

Q. オープンソース版（GitHub）との違いは？

GitHubで公開されているオープンソース版は、
Python環境で動かす開発者向けのバージョンです。
Connected Sheets版は、
同じTimesFMモデルをGoogleスプレッドシートのUIで使えるようにしたものです。
中身のAIは同じ。
使い方の入口が違うだけです。
オープンソース版を使う場合は、
GitHubリポジトリの最終更新日とIssueを確認してからインストールしてください。
インストール前に、
Claude Codeにリポジトリのコードを読ませて「セキュリティ的に問題ないか確認して」と頼むのがおすすめです。

TimesFM 2.5の注意点と限界は？

便利ですが、万能ではないです。

「予測」は「当たる」ではない。
AIの予測はあくまで「過去のパターンから推測した結果」です。
コロナのような想定外のイベントは予測できません。
参考値として使って、
最終判断は人間がしてください。

データが少なすぎると精度が下がる。
最低でも1年分、
できれば2〜3年分のデータが必要です。
データが3ヶ月分しかない状態で1年先を予測しても、
あまり信頼できません。

BigQueryの初期設定がちょっと面倒。
Connected Sheetsを使うには、
BigQueryにデータをアップロードする必要があります。
Google Cloudのアカウント作成→プロジェクト作成→データアップロードという手順があります。
ここだけは少し手間がかかりますが、
Claude Codeに「Google CloudでBigQueryのプロジェクトを作る手順を教えて」と聞けば一歩ずつ教えてくれます。

UIは英語。
Connected Sheetsの予測機能のUIは英語です。
「Advanced Analytics」「Create a Forecast」など、
英語のメニューを操作します。
ただし、
操作自体はボタンを押すだけなので、
英語が苦手でも問題なく使えます。

まとめ

TimesFM 2.5は「売上や在庫の予測を、
勘じゃなくてAIでやりたい人」に最適です。
特にGoogleスプレッドシートで数字を管理している人なら、
Connected Sheetsとの相性が抜群です。

まずは過去1年分の月次売上データをCSVで用意して、
BigQueryにアップロードするところから始めてみてください。
「Create a Forecast」ボタンを1回押してグラフが出てきたら、
Excelで計算していた時間が何だったのかと思うはずです。

参考リンク

GitHub — google-research/timesfm（Apache 2.0ライセンス）: https://github.com/google-research/timesfm

Hugging Face — TimesFM 2.5モデル: https://huggingface.co/google/timesfm-2.5-200m-pytorch

Google Cloud — BigQuery ML TimesFMモデル: https://docs.google.com/bigquery/docs/timesfm-model

Google Workspace Updates — Connected Sheets予測機能: https://workspaceupdates.googleblog.com/2026/02/forecast-data-in-connected-sheets-BigQueryML-TimesFM.html

Google Research — TimesFM論文ブログ: https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/

※この記事の内容は執筆時点のものです。AIは進化が速い分野のため、最新の仕様は公式サイトでご確認ください。