まず結論から：3D箱詰めソフトは出荷で本当にお金を節約する。だが、私が関わったプロジェクトの10件中8件は、アルゴリズムで死んだのではない。次元データがまったく間違っていたために死んだのだ。まずマスタデータをきれいにすること。アルゴリズムが賢いほど、ゴミデータの上に作る混乱は大きくなる。
なぜ取り組むのか。出荷こそ、倉庫が静かにお金を垂れ流す場所だ。カートンは1個ずつ買い、運賃はパレット単位・容積単位で買う。注文あたり1箱の余分も、半分空のパレットも、現金がドアから出ていくことだ。箱詰め最適化はその両方に直接切り込む。
まずお金の話をしよう。2023年の実プロジェクトだ。ロサンゼルス郊外の3PL、自動車部品を出荷：1日60パレット、パレット利用率72%。箱詰め最適化の後、利用率は84%に達した。計算はこうだ：実効容積 = 60 × 0.72 = 43.2「満載パレット換算」。その後の1日あたりの実際の出荷パレット数 = 43.2 ÷ 0.84 ≈ 51.4。1日あたり8.6パレット減 × 250稼働日 = 年間2,150パレット。近距離配送で1パレットあたり約$95とすると、年間約$204,000の運賃節約になる。カートンサイズも12から7に減らし、包装費でさらに年間$60,000-plusを節約した。初年度のプロジェクト総コスト——ソフトのサブスクリプション、連携、データクレンジング——は$150,000未満だった。ROIの計算はご自分でどうぞ。
3D箱詰めが実際に計算するもの
一文で言えば：3D箱詰めはNP困難だ。SKU数が増えれば、総当たりでは宇宙の熱的死までかかる。市場で使える製品はすべてヒューリスティクスで動く：箱を容積と重量で並べ替え、最も大きな空きスペースから貪欲に詰めていく。いわゆるAI版が加えるのは正確に2つだけだ。過去の注文から一緒に出荷される傾向のあるSKUを学習して事前に組み合わせることと、事業上の制約——壊れやすいものは荷重をかけない、重いものは下に、コールドチェーンの分離——を取り込むことだ。理論はそれだけだ。あとはすべてエンジニアリングである。
何かに署名する前に、入力データを正しくしておくこと。これらが1つでも欠けた状態でプロジェクトを始めないこと：SKUごとに実測した長さ、幅、高さ、重量（実測であって、購買が何年も前に打ち込んだものではない）、壊れやすい、圧縮禁止、反転禁止などの制約フラグ、そして注文プロファイル（フルケース中心か、ピースピック中心か）。この3つがなければ、アルゴリズムはゴミを彫刻しているにすぎない。
三者択一：暗黙知 vs ルールエンジン vs AI
| 観点 | 暗黙知 | ルールエンジン | AI最適化 |
|---|---|---|---|
| 充填率 | ベテランの気分次第、60–75% | 75–82%、安定 | 82–90%、データとともに改善 |
| 導入コスト | ゼロ | 中程度、ルール設定に2–4週間 | 高い、データクレンジングに最低2–3か月 |
| 保守 | 人とともにドアから出ていく | ルール同士が衝突し始める | モデルは継続的な給餌が必要 |
| 最適な対象 | 1日200件未満の注文 | 規則的なSKUを持つ中規模DC | 1日1,000件以上、10,000 SKU以上 |
| 致命的な欠点 | 変動が大きく再現できない | 不規則な品目で詰まる | ゴミを入れればゴミが出る |
この表の使い方：1日200件未満なら、ベテランの梱包担当者と数個の厳格なルールでいくこと。AIを買わないこと。ROIは合わない。聞きたくない人も多いだろう。それでも真実だ。
箱詰め本番前夜チェックリスト：5つのステップ
- まず次元マスタデータを直すこと。上位500 SKUを実測する——長さ、幅、高さ、重量——し、システム内の不一致をすべて修正する。少なくとも10%はサンプリングすること。このステップを飛ばせば、その後のすべては芝居だ。
- 事業上の制約を石に刻むこと。壊れやすいものは荷重をかけない、液体は決して反転させない、重いものは軽いものの下に——アルゴリズムはこれを「学習」できない。人間がまずエンジン設定で厳格なルールとして宣言しなければならない。
- 連携ポイントを選ぶこと。標準的な流れ：WMSが波をリリースする → 注文明細（SKU + 数量）を梱包エンジンに送る → エンジンが計画を返す（箱数、各箱の中身、梱包順序、パレット組み立て） → 梱包ステーションの画面に3D図が表示され、梱包リストが印刷される。APIレイテンシは2秒未満に抑えること。3秒を超えると、梱包担当者は画面を見なくなる。
- 1つの製品カテゴリでパイロットすること。初日から倉庫全体にいかないこと。最も次元的に退屈な製品ラインを選び、4週間回し、3つの数字を見ること：充填率、破損率、注文あたりの梱包時間。3つすべてが健全なときだけ拡大すること。
- 人によるレビューでループを閉じること。最初の2週間は注文を抜き取り検査する——実際の梱包をアルゴリズムの計画と写真で突き合わせ、不一致を制約にフィードバックすること。このループがなければ、モデルは3か月以内に劣化する。
3つの失敗パターン——この失敗を私は3回見た
失敗その1：その日に購買にいた誰かが入力した寸法。アルゴリズムは30×20×15 cmを想定して計画するが、実物は32×22×18だ。現場では合わない。梱包担当者は3日間呪い、4日目には勘で梱包に戻り、システムは完全に迂回された。修正方法は上記のステップ1だ。それ以外の修正方法はない。
失敗その2：不規則な品目。2024年のシカゴの家庭用品e-tailer——ランプとタワーファンが容積の30%を占めていた。アルゴリズムはすべてを最小外接ボックスとして扱うため、紙の上で「節約」されたスペースはまったくの虚構だった。このような倉庫は、まず不規則品を専用の梱包ラインに分けるべきだ。本番後にではなく、選定時に受け入れること。
失敗その3：梱包担当者が画面を信用しない。3D図は美しくても、ベテランはそれをちらりと見て「私は10年間こうやって梱包してきた」と言う。これに技術的な修正方法はない。パイロット中に直接対決させること：注文の半分はアルゴリズム、半分は経験で、破損率と箱数をテーブルに載せる。ベテランは自ら黙る。
ここからが直観に反する部分：満杯であるほど良いわけではない。充填率95%のカートンは長距離輸送で破損率が高くなる——緩衝材が残らず、急ブレーキ1回ですべてがつぶれる。アルゴリズムはスペースを最適化するのであって、「誰が誰の上に座るか」を最適化するのではない。だから壊れやすさの制約は手で設定し、充填率85–90%を狙うこと。最後の5%は現実のものだ。
もう1つのトレードオフをはっきり言おう：コストは本物だ——マスタデータのクレンジングに最低2か月、連携開発に4–6週間、再教育と習慣の変更に1か月で、効果が通常見えてくるのは6か月目あたりだ。上司が来月に結果を期待しているなら、プロジェクトを始めないこと。だが、ベテランの目測で1日1,000件以上の注文を出荷しているなら、待つ1か月ごとに数万が指の間から漏れていく。
締めの一言：アルゴリズムの話をする前に、メジャーを正しく当てること。そうでなければ、美しい間違いを最適化しているだけだ。
Lin Xiao（WMS導入コンサルタント）著
英語版からの翻訳。内容に相違がある場合は英語版を優先します。
