率直に言います。倉庫でAIが何か役に立つことをする前に、まずデータ準備をしなければなりません。私は高価なソフトウェアを買い、見事なデモを見て、初日に崩壊するプロジェクトを何度も見てきました——そして根本原因はいつもデータでした。食い違うマスターデータ、穴だらけの取引記録、誰も書き留めようとしなかった例外。そんなデータをAIに与えれば、倉庫に足を踏み入れたこともないシステムが、ピッカーにどこを歩けと指示することになります。賢ければ賢いほど、間違いは速くなります。この記事はモデルやアルゴリズムの話ではありません。AIを稼働させる前に整えるべき3種類のデータ、その順序、そしてそれぞれが完了したことをどう判断するか、という話です。
2023年の秋、ロサンゼルスの東にある3PL倉庫——120,000平方フィート、1日約4,000件の注文——のレビューを頼まれました。そこはちょうど、ピッカーが1日に歩く距離を短くするために、AIピッキング経路システムに$180,000を投じたところでした。稼働開始後の最初の1週間、ピッカーは歩く距離が減るどころか、1日あたり約2キロメートル増えていました。3日かけて問題を追いかけました。アルゴリズムではありませんでした。データでした。同じ商品が3つの異なる品番でシステムに存在し、ビンのロケーションは5年前に手入力されたもので、400以上のビンのうち60以上が間違ったレベルを持っていました。AIは言われたとおりに正確に動きました——間違ったデータの上で。システムは2か月間止まったまま、チームは戻ってデータをきれいにしました。その$180,000が買った教訓はこうです。データ準備が終わっていなければ、AIプロジェクトはまだ始まっていない、ということです。
データ準備はマスターデータから:基本を正しく
マスターデータは3つのテーブルです。商品、ロケーション、仕入先。倉庫の戸籍だと思ってください。戸籍が間違っていれば、その下流のすべての書類とすべての計算も間違います。汚れたバージョンはどこに行っても同じです。1つの商品に3つの品番——購買が作ったもの、マーケットプレイスから同期されたもの、倉庫自身が作り出したもの。ビンコードは大文字と小文字と余分なスペースが混ざり、システムは1つのビンを2つとして扱います。同じ列に1つの仕入先が5通りの書き方で並んでいます。
これをきれいにするのは地味な作業です。それが要点です。商品ごとに1つの品番に決め、残りは紐づける——新しい番号は作らず、例外もなし。次に、印刷したリストを持ってすべてのビンを歩き、誤りをその場で直し、倉庫のスーパーバイザーが通路ごとにサインします。それから仕入先と商品の属性の欠落を埋め、不足フィールドのリストと、購買とオペレーションがそれを閉じる期限を作ります。これには2つの面があります。技術のかけらもない手作業に見えること、そしてそれこそがAIが基本的な計算を正しくできるかどうかを決める唯一のものだということです。私の合格基準は率直です。マスターデータのフィールドが少なくとも98%完成、品番の重複はゼロ、すべてのビンを現地で確認。その基準に達するまで、あと1ドルも使ってはいけません。
トランザクションデータのデータ準備:モデルにゴミを与えない
2024年の春、シカゴのEC倉庫から、AI補充予測を見てほしいと頼まれました。システムは「回転が速い」という理由で、小型家電を$30,000分発注しようとしていました。取引を掘り下げると、話が見えてきました。そのいわゆる回転の半分は、返品が棚に戻されたもので、もう半分は棚卸調整の際に二重計上された出庫記録でした。実際の売上は、システムが信じていたものの約60%でした。もしその$30,000の発注が通っていたら、少なくとも半分は6か月間倉庫に眠ることになっていたでしょう。
トランザクションデータは、マスターデータとは違う形で汚れます。マスターデータは発生源で間違っています。トランザクションデータは途中で漏れます。当日中に記録されない返品。記録なしに処理される破損品。システムの数字を編集して痕跡を残さない棚卸差異。1日遅れで入力される紙の伝票。解決策は履歴を作り直すことではありません——漏れを塞ぐことです。返品、破損、棚卸調整は当日中にシステムに入力し、フィールドが欠けた記録は保存できません。紙の伝票は当日中に入力し、翌日に回ったものは例外として扱います。週に1回、注文、在庫、財務を照合し、差異があれば当日中に調査します。合格基準は、4つの主要な取引タイプ全体で欠落フィールドが2%未満、照合の差異は当日中に解消。履歴が汚れすぎて救えない場合は、最近の数週間のきれいな期間を切り取り、AIにそこから学ばせます。短いきれいな期間は、3年分の汚れたデータに勝ります。
例外とフィードバック:これがなければAIは決して学ばない
これは3つのうち最も無視されやすく、AIが時間とともに改善するかどうかを決めるものです。例外データとは、うまくいかなかったことすべてです。在庫切れ、誤出荷、破損、遅延注文、顧客からの苦情。フィードバックデータとは、AIの提案に対して人が何をしたかです。受け入れたか、却下したか、そしてその理由。ほとんどの倉庫にはどちらも存在しません。例外は口伝えで回ります。AIが正しかったか間違っていたか、誰も書き留めません。フィードバックループがなければ、AIは今日も明日も来月も同じ間違いをします——毎回、まったく同じように。
2024年の夏、ダラス近郊の自動車部品倉庫を訪れました。AIは毎朝補充リストを発行し、オペレーションは経験からその約3分の1を却下していました——理由を1つも記録することなく。3か月後、AIは同じ提案をし続け、オペレーションは却下し続けていました。3か月分の学習が無駄になりました。これを直すのに大きなプロジェクトは要りません。すべての例外に記録、原因、解決策をつける——1文で十分です。AIのすべての提案に受け入れか却下かの印をつけ、すべての却下に1行の理由をつけます。1か月続ければ、次のラウンドの良い訓練材料になります。ここが直感に反する部分です。例外データを多く残すほど、AIの間違いは安くなります。システムがそこから学べるからです。例外記録のない倉庫は、表面上はスムーズに見えながら、同じ間違いが気づかれずに繰り返されています。
どの順序で、いくらかかるのか
上で述べた順序で3つを進めます。マスターデータ、トランザクションデータ、それから例外とフィードバックです。順序は変えられません。合意されたマスターデータがなければ、照合は決して合いません。取引の漏れを塞がなければ、例外記録には紐づける対象がありません。以下の表は、中規模倉庫——1日3,000件の注文、2,000ビン——を想定した概算です。数字は仮の例であり、業界のベンチマークではありません。
| データ種別 | よくある姿 | 整理作業 | 合格基準 | 概算コスト |
|---|---|---|---|---|
| マスターデータ | 1商品に複数の品番、誤ったビンコード | 商品ごとに1つの品番、すべてのビンを歩いて確認 | フィールド98%以上完成、重複ゼロ | 2–3週間、約$10,000 |
| トランザクションデータ | 返品が未記録、痕跡なしの棚卸編集 | 当日入力、週次の三者照合 | 欠落フィールド2%未満、差異は当日解消 | 3–4週間、約$15,000 |
| 例外とフィードバック | 口伝え、理由のない却下 | すべての例外を記録、すべての提案に印 | 記録、原因、解決策を保管 | 1–2週間、約$5,000 |
合計すると、全体で約6〜9週間、$30,000です。AIプロジェクトへの追加料金に見えますが、代替案の価格を考えてみてください。2か月の手直しと、$180,000のシステムの遊休。データ準備はコスト項目ではありません。AIプロジェクトへの入場券です——払えなければ、まだ入ってはいけません。
ですから次にベンダーが、モデルが自分で学習するから汚れたデータでも大丈夫だと言ったら、1つ質問してください。間違ったことを学習したとき、誰がその代金を払うのですか?答えられなければ、取引を保留し、まずデータをきれいにして、それからAIの話をしましょう。
Lao Mi(サプライチェーンのベテラン、20年)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。







