AI需要予測と倉庫補充は、あらゆるベンダーの資料やカンファレンスのパネルに登場する常套句の一つとなっている。約束は単純に聞こえる。需要をより正確に予測すれば、倉庫は自然に在庫を減らし、販売機会の損失も減る。ところが、予測ツールを導入した多くの倉庫が困惑する結果を報告している。予測は測定可能なほど改善したのに、倉庫は改善しなかった。棚は満杯のままで、動きの鈍い商品はほこりをかぶり続け、ピークシーズンには注文はどこにあるのかと問い合わせる顧客からの電話が今も鳴った。
これは悪いモデルの話ではない。モデルが数値を出した後に起こるすべてのことの話である。
中国東部の消費財ディストリビューターを考えてみよう。昨年のピークシーズンを前に、同社は需要予測ツールを導入し、予測と実際の販売の一致は本当に改善した。購買チームは問題が解決したと感じた。シーズンが終わり、在庫集計が出ると、売れ筋のいくつかは前年より多くの在庫を抱えており、誰も心配していなかったマイナーな2つの製品ラインは品切れになっていた。予測が大きく間違っていたわけではない。間違っていたのは、その後の手順だった。
2つ目の事例は南部の食品ディストリビューターである。その予測も同じくらい立派だったが、サプライヤーのリードタイムは予測不能に変動した。あるときは1週間以内に納品が届き、あるときは1か月の大半を要した。品切れを避けるため、倉庫は最も長いと想定されるリードタイムを前提に計画した。予測は来月およそどれだけ売れるかは示せても、商品がいつ届くべきか、どのロットサイズで届くべきかは示せなかった。在庫が届いた頃には販売ピークは過ぎていることが多く、残りは次のサイクルまで待つことになった。
予測が正しくても補充がうまくいかないとき
ギャップは翻訳の部分にある。予測は将来の期間に対する合計で語る。補充は3つの異なる問いに答えなければならない。いつ発注するか、どれだけ発注するか、どれだけバッファを確保するかである。そのいずれかを間違えれば、正確な合計も救いにはならない。この翻訳のギャップこそ、AI需要予測と倉庫補充が実務で最も頻繁に破綻する場所であり、モデルの内部ではなく、予測から実際の発注への受け渡しにある。
繰り返し現れるミスマッチは3種類ある。1つ目はロットのミスマッチである。予測は毎日作られるのに、購買はフルトラックやサプライヤーの最小数量で発注するため、数値は別の形に丸められてしまう。2つ目はリズムのミスマッチである。予測は滑らかな曲線だが、補充はパルス状に届き、在庫は一気に着荷する一方で販売は徐々にそれを減らしていくため、在庫は上下に振れる。3つ目は責任のミスマッチである。予測はアルゴリズムの所有物で、補充の判断はバイヤーの所有物であり、両者は異なる前提で動いている。システムの数値は実行レイヤーで手動調整され、結局、倉庫が実際にどのルールで動いているのか誰にも正確には言えなくなる。
さまざまな業界レポートによると、予測誤差が在庫に与える影響は、設定の悪い補充パラメータの影響よりもしばしば小さい。直感に反して聞こえるが、理屈は単純である。予測誤差は実際の需要の周りで上下に変動する。間違った補充ルールは、すべての変動を一方向にだけ増幅する。自己修正することは決してない。
安全在庫と補充のトレードオフ
安全在庫は、このパズルの中で最も誤解されているピースである。多くのチームはそれを保険とみなし、多ければ多いほど良いと考える。しかし、安全在庫が高く設定されすぎると、保険ではなく恒常的な在庫になる。さらに悪いことに、品切れが高くつく商品と過剰在庫が高くつく商品を区別せず、全カテゴリーに一律の包括ルールとして設定されることが多い。
有用な見方は、3つの量を並べてみることである。需要がどれだけ変動するか、補充に実際にどれだけかかるか、そして1回の品切れが実際にどれだけのコストになるかである。変動が大きくリードタイムが長ければ、より多くのバッファが正当化される。その部分は健全である。しかし、交渉や別のサプライヤー、分割納品によってリードタイム自体を短縮できるのであれば、安全在庫を積み増すことは、サプライチェーンの緩みを在庫で支払うことにすぎない。逆に、リードタイムが短く補充が柔軟な商品は、安全在庫を薄く運用でき、真にクッションを必要とする商品のために資本を解放できる。
下の表は、パラメータを変える前にチームで合意しておくことを私が提案するフレームワークである。それ自体が答えではない。4組の前提を同じページに載せることを強制するものであり、ほとんどの倉庫がこれまでそれをしていなかった場所である。
| 判断 | 一般的な慣行 | 何が問題か | より良い出発点 | | 発注量 | トラック単位や最小数量に切り上げる | 小さな需要が大きな在庫へと膨らむ | 需要のリズムに合わせて発注を分割し、より小さく頻繁な補充を受け入れる | | 発注タイミング | 固定された曜日に発注する | 需要の変化は誰かが反応するまで丸1サイクル待たされる | カレンダーの日付ではなく、在庫がしきい値に達したときにトリガーする | | 安全在庫 | 全商品に一律のパーセンテージ | 動きの速い商品が不足する一方で、動きの鈍い商品が積み上がる | 品切れコストと過剰在庫コストで商品を格付けする | | リードタイム | サプライヤーが約束した最短の時間を使う | どんな遅れも品切れを招き、後から在庫を増やして対処する | 約束ではなく、実際の到着の現実的な上限範囲で計画する |
多くの倉庫に不足しているのはデータではない。この4つの判断に関する共有の前提であり、それぞれの判断が密かに孤立してなされてきた。
予測精度から倉庫の健全性へ
成功の測り方には、より深いミスマッチがある。予測チームは精度で評価され、倉庫は在庫回転率と品切れ率で評価され、購買は購買コストで評価される。各指標は単独では良く見えても、組み合わせると失敗する。予測精度が数ポイント改善しても在庫回転率が動かないとき、最初に疑うべきはモデルではない。指標同士が競合していないかどうかである。
公表された業界の観察によると、予測から実際に恩恵を受ける倉庫は、最も高度なモデルを持つ倉庫である傾向はない。予測、補充、安全在庫を1つのルールセットの下で管理する倉庫である。彼らの地味な共通の習慣はこうである。予測の出力が補充パラメータに直接つながり、パラメータの変更は記録されレビューされ、手動の上書きは黙って行われるのではなく痕跡を残す。
今後、予測ツールはますます良くなり、安くなっていくだろう。それは倉庫の問題が自然に消えることを意味しない。ツールが答えるのは、計算が正確かどうかである。倉庫は依然として、計算の後に何が起こるかに答えなければならない。それはより煩雑で、標準化が難しく、最終的に在庫が健全かどうかを決めるものである。
だから、正しい問いはもはや、予測があとどれだけ正確になれるかではないのかもしれない。AI需要予測と倉庫補充は、予測が作られた後に在庫とサービス水準に何が起こるかで評価されるべきである。なぜなら、そこがお金が節約されるか浪費されるか決まる場所だからである。今や予測が十分に良くなったのだから、倉庫は補充ルールと安全在庫をゼロから作り直す気があるかどうかが問われている。正確な予測でも倉庫が過剰在庫に陥るとき、あふれ出ていたのはモデルの信頼性であることはめったにない。長い間誰も真剣に取り上げてこなかった実行レイヤーだった。そして、より高価なモデルを買うのではなく、この4つの判断をそろえるために立ち止まる現場がどれだけあるか、それ自体が注目に値する未解決の問いである。
Dr. Chen(サプライチェーン研究者)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。








