私たちの倉庫は小さい。約3,000平方メートル、私を含めて六人だ。その経験は、どんなベンダーのデモよりも、AI需要予測におけるデータ品質について多くを教えてくれた。昨年、ついに予測ツールを買い、在庫をどれだけ持つべきか推測するのをやめたいと思った。最初の月で、すぐに思い知らされた。人気の水筒が翌週に400個以上売れるとシステムが言うので、仕入れた。実際は100個も売れなかった。余った在庫は何週間も棚に残り、そこに縛られた資金は、ほかの何にも使えない資金だった。最初の直感はモデルを責めてベンダーと議論することだった。すると、データを扱う仕事をしている友人が、私たちの入出庫記録を半時間ほど見て、真実を教えてくれた。主な問題はモデルではなかった。私たちのデータがめちゃくちゃだったのだ。

大企業のようにお金を燃やす余裕は私たちにはない。大規模な現場はデータチームを雇い、数か月かけて整理する。私たちは六人で、記録の修正に費やす一時間は、ピッキングや梱包、出荷に使えない一時間だ。だから最終的に使うようになった方法は、恥ずかしいほど単純だ。表計算を絞り込み、運送会社の請求書と記録を手作業で照合し、繰り返し起きるミスを一つずつ防ぐルールを書く。だが単純で十分なのは、予測は与えたもの次第でしか良くならないからだ。ゴミを与えれば、高価なゴミが返ってくる。

AI需要予測のデータ品質を壊す第一の要因:重複コードと欠落記録

重複コードが最初に私たちを襲った。同じ商品に二つか三つのコードが付き、システムは各コードを別々の商品として扱う。昨年9月、私たちの断熱ボトルの一つが包装を変更し、購買担当が古いコードを廃止せずに新しいコードを作った。オンライン注文は新しいコードで、オフライン注文は古いコードで処理され、各コード単独では売れ行きの鈍い商品に見えた。予測は低いままだったが、大きなプロモーションが来たとき、合計在庫がすでに安全在庫を大きく上回っていることが突然判明した。数千ドル分のボトルを過剰に抱え、それを処分するのに何週間もかかった。

欠落記録は逆の失敗で、同じくらい痛い。しばらく出荷記録を手入力していたが、忙しい日には入力が抜けた。システムが見た売上曲線は隙間だらけで、欠けた一日は売上がゼロの一日とまったく同じに見えた。予測は下がり、売れ筋商品が品切れになった。退屈だが効果的な対策があった。毎週金曜の午後、約一時間をかけてその週の出荷記録を運送会社の請求書と照合し、欠けているものは補う。さらに、当日分の注文は当日中に締める、一晩残ったものは翌朝一番に照合するという社内ルールを作った。二か月この習慣を続けた結果、隙間は許容できる水準まで減った。

AI需要予測のデータ品質を壊す要因:プロモーション、チャネル混合、誤った時間単位

ほかの三つの要因はもっと厄介で、コストも大きい。異常なプロモーションは予測を空想の世界へ引きずり込む。昨年、三日間の「一つ買えば一つ無料」キャンペーンで、ある靴下の売上が通常の一日分の五倍以上に跳ね上がった。システムはその三日間を通常需要として扱い、その後一か月間にわたって大量の補充を推奨し続けた。今ではすべてのプロモーション、処分セール、ライブ配信イベントを別々にタグ付けし、それらの日を日常の予測から除外するか、独自のカテゴリとしてモデル化している。プロモーションはプロモーション、日常の需要は日常の需要だ。混ぜれば、どんなモデルも救ってはくれない。

チャネル混合も、形は違えど同じ混乱を招く。オンラインとオフラインのリズムは、ほとんど共通点がない。オンライン売上はキャンペーンで急増する一方、オフライン売上は近所の数軒の店からの安定した注文によるものだ。両方の流れを一つの合計にまとめたとき、予測数値は誰にも合わなかった。今では別々に記録し、別々に予測し、合算ビューが必要なときだけ合計する。少し規律は要るが、すべての数値を実際の人物や注文まで遡ることができる。

誤った時間単位は最も見落としやすい。しばらくツールは週次予測を出すのに、私たちは毎日補充していたため、月曜には良く見えた週が木曜には枯渇することもあった。逆も同じくらい悪い。購買契約を月単位で交渉する場合、日次予測は役に立たない。今の私のルールは、まず補充リズムを決め、それに合う予測単位を選ぶことだ。毎日補充するなら日次予測、月単位で買うなら月次集計だ。単位が判断に合わなければ、良いモデルでも無意味だ。

汚いデータが予測を壊す五つの方法と、それぞれの修正コスト

汚いデータの問題 現場で見えること 確認方法 修正コスト
重複コード 一つの商品の売上が複数のコードに分散する 商品名とバーコードで重複を検索する 低い:一度の整理と新規コード用のルール
欠落記録 売上曲線の説明のつかない隙間 出荷記録を運送会社の請求書と照合する 低い:週に約一時間の照合
異常なプロモーション セール終了後も長く予測が膨らんだままになる プロモーション日をタグ付けし、基準需要から除外する 低い:ツールではなく計算方法を変える
チャネル混合 どのチャネルにも合わない一つの予測数値 オンライン売上とオフライン売上を別々に記録する 中程度:日常の習慣の変更が必要
誤った時間単位 日次補充の指針にならない週次予測 まず補充リズムを決め、次に予測単位を決める 低い:出力形式を変える

ここが直感に反する部分であり、ほかの小規模事業者に何より伝えたい点だ。データをきれいにすることは、モデルをアップグレードするよりはるかに安く、多くの場合それ以上に役立つ。モデルのアップグレードについて尋ねたとき、追加の年間コストは数千ドルに達し、結果が良くなる保証はなかった。上記の五つの問題の整理にかかった費用は、ほとんどゼロで、週に数時間のスタッフの時間だけだった。さらに鋭いひねりもある。モデルが高価なほど、汚いデータに対して自信満々に間違う。安いモデルにきれいなデータを与えれば、使える数値が得られる。高価なモデルに汚いデータを与えれば、精度を装った間違った数値が得られる。小規模倉庫にとって、この投資対効果の計算は、アップグレードの判断の後ではなく、前に行わなければならない。

約二か月の整理の後、変化は壁に飾れるような劇的な精度チャートではなかった。もっと実用的なものだった。推奨を十分に信頼できるようになり、実際にそれに基づいて発注するようになったのだ。売れ筋商品の品切れは目に見えて減り、動きの鈍い在庫が静かに棚スペースを食うこともなくなった。正確な精度改善率を引用するつもりはない。整理前の記録はそれを裏付けるには信頼性が低すぎたし、数値をでっち上げれば、この記事が警告するまさにそのミスを繰り返すことになるからだ。正直な尺度は、予測が使えるかどうかであり、私たちの予測はついに使えるものになった。

私たちと同じ規模の倉庫を運営しているなら、私が真似する習慣はこうだ。新しいコードを作る前に、その商品をすでにカバーする古いコードがないか検索し、廃止する前に確認ステップを必須にする。出荷は当日中に締め、毎週決まった日に運送会社の請求書と照合する。プロモーション日は、プロモーションが始まってからではなく、始まる前にタグ付けする。オンライン記録とオフライン記録は分けておき、補充リズムに予測単位を合わせる。一度の英雄的な週末ですべてを直そうともしないこと。最初の本格的な整理には二週間近くかかり、それ以来は小さな週次メンテナンスだけだ。汚いデータは毎日たまるのだから、掃除は年一回のイベントではなく、毎日の習慣でなければならない。在庫数や補充と同じ重要度で、勤務表に載せることだ。

小規模倉庫には独自の生き残り方がある。大企業より多く支出したり、人員で上回ったりはしない。私たちは、ささやかなツールが誠実な仕事をできるほどデータをきれいに保つことで勝つ。まずデータを正しくし、それからモデルが十分に良いかどうかを議論するのだ。

Xiao Ma(小規模倉庫経営者)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。