毎年ピークシーズンの前に、倉庫管理者はAI動的スロッティングについて同じ疑問を抱きます。倉庫ロケーション最適化のためのピーク前再配置を一度実施する価値はあるのか、ということです。公開されている業界レポートによれば、ピーク時の注文構成は通常の月よりもはるかに急激に変化するため、閑散期にスムーズに回っているレイアウトが、数量が急増したときにも同じように回るとは限らず、この疑問は一度で片付くことなく毎年繰り返されます。

中国東部のサードパーティ・ロジスティクス倉庫は、昨年のピーク前にまさにこの状況に直面しました。通常の月には数十のブランドに対応し、注文はかなり均等に分散し、ロケーションはカテゴリーと過去の販売実績で配置されていたため、ピッカーはルートを暗記していました。ピークが到来すると、数社のリーディングブランドの注文がほぼ倍増し、同じ商品が注文ごとに繰り返し現れ、ピッカーは同じ商品を取りに行くために長い迂回を歩くことに一日の大半を費やし、梱包台には行列ができました。問題は人手不足ではありませんでした。レイアウトは依然として閑散期の論理を反映しており、最も売れる商品は倉庫の奥深くに埋もれ、移動距離は今の注文プロファイルが正当化する範囲をはるかに超えていました。

公開されている業界レポートによれば、ピーク時の注文集中度の上昇は繰り返し見られるパターンです。販促期間中、トップ商品が占める全注文に占める割合は顕著に上昇する一方、ロングテール商品はおおむね通常通りのペースで売れ続けます。この形状が重要なのは、倉庫ロケーション最適化の効果は建物全体をひっくり返すことからではなく、少数の高頻度商品を動かすことから主に生まれるからです。これが理解できれば、ピーク前実施の範囲、それに値する労力、そして効果があったかどうかをどう判断するかが決めやすくなります。

AI動的スロッティングが実際に動かすもの

AI動的スロッティングは新しく聞こえますが、その裏側の作業は決して神秘的なものではなく、いくつかのステップに分解できます。まず需要データから始まります。直近の期間に各商品がどれだけの頻度で出荷されたか、注文にどれだけの頻度で現れたか、同じ波の中でどの商品が一緒に現れる傾向があったかを調べ、ピーク時にどの商品が一緒に注文されそうかを判断します。次にABC層別を行い、カテゴリーの直感ではなく実際の出荷記録に基づいて、頻繁かつ安定的に出荷される商品を一つのグループに、まれに不規則に出荷される商品を別のグループに分けます。次のステップはロケーションのヒートマップです。各ロケーションのピッキング頻度、歩行距離、混雑を重ね合わせ、どの場所が何度も横切られ、どの場所が何週間も使われていないかを見ます。その後初めてピッキング経路を作り直し、高頻度商品をピッキング開始点と梱包エリアに近づけ、一緒に注文されることの多い商品同士を近くに配置することで、ピッカーのUターンを減らし、混雑した通路を横切る回数を減らします。

この一連の流れの中でAIが実際に何をするのかは、はっきり述べておく必要があります。最適なロケーションマップを印刷する魔法の箱ではありません。ルールとモデルです。ルールは、重い商品は下段に、潰れやすい商品は決して積み重ねの最下段に置かない、危険物は別に保管する、冷蔵品は冷蔵エリアに限定するといったハードな制約を守り、モデルはその制約の中で、需要予測と過去の注文組み合わせを使って移動を提案し、期待される効果で順位付けします。モデルは提案をするもので、命令をするものではありません。最終判断は現場管理者が下し、ラックの荷重制限、通路幅、シフト編成を勘案します。AIを人の代わりに決めるシステムとして扱うよりも、より速いアドバイザーとして扱う方が、倉庫におけるその実際の位置に近いのです。

倉庫ロケーション最適化のピーク前の計算

ピーク前実施のコストは目に見えて即座に発生します。在庫の移動には労働力とフォークリフトが必要で、通常の出荷作業の合間に押し込まなければならず、移動中のロケーションは一部ロックされ、ピッカーは物の場所を覚え直す時間が必要なため、移動直後の数日は誤ピッキングや追加チェックが増えがちです。これらのコストは数日以内に発生する一方、効果はピークの毎日に分散するため、計算では効果を移動当日で判断するのではなく、シーズンの長さにわたって分散させる必要があります。ピークが長く、数量が多ければ多いほど、移動コストを吸収できる日数が増えます。ピークが数日しか続かない場合、ラッシュが終わった時点で移動コストがまだ回収されていないこともあります。

項目 ピーク前実施のコスト ピークがもたらす見返り
労働力と設備 移動作業の労働力、フォークリフトの時間、移動中にロックされるロケーション ピッカーの移動距離の短縮、注文あたりのピッキング時間の削減
学習コスト ピッカーのロケーション再学習、初期の誤ピッキング増加 ルートが定着した後の誤ピッキングと手直しの削減
機会コスト 移動中の出荷リズムの中断 混雑した移動ルートによる梱包での行列の解消

中国北部の化粧品倉庫がこのトレードオフを示しています。二年前のピーク前、同倉庫は一度の取り組みで全ロケーションのほぼ半分を移動し、一度の作業でレイアウトを正しく整えようとしましたが、移動そのものに計画をはるかに上回る時間がかかり、ピッカーはピーク初日にもまだ新しいロケーションを覚えている最中で、誤りと手直しは減るどころか増えました。翌年、同じ倉庫は高頻度商品を含む少数のエリアだけを移動し、残りはそのままにして、二日で移動を終え、ピーク中のピッキングリズムはより安定しました。直感に反する教訓は、移動が多いほど良い移動になるわけではない、ということです。範囲が広がるにつれて、在庫移動と再学習のコストは追加の効果よりも速く増加し、限界的な利益はすぐに薄れていくため、最も経済的なピーク前実施は、多くの場合、品揃えの最もホットな部分だけに触れるものなのです。

実施に価値があったかどうかは、印象ではなく、実施前後の指標で判断すべきです。追跡すべき指標は、注文あたりのピッキング時間、ピッカーあたりの歩行距離、誤ピッキングと手直し、移動そのものに費やした労働時間、ピーク中の残業時間です。移動前に各指標のベースラインを記録し、ピークが終わるまで週ごとに比較します。初日だけで判断すると、学習期間の混乱を失敗した移動と誤解したり、注文量の自然な減少を成功した移動と誤解したりしやすくなります。

スロッティングを実施すべき倉庫 — そして実施しない方がよい倉庫

ピーク前実施から最も恩恵を受ける倉庫にはいくつかの共通点があります。品揃えが幅広いこと、注文構成がピーク時に明確に変化すること、少数の売れ筋商品への集中度が高いこと、ピッキングが主に手作業か人と機械の協働であること、そして移動コストを回収できるだけの十分な長さのピークシーズンがあることです。そのような倉庫では、少数の商品を動かすことが注文の大きな割合に影響するため、効果が何倍にもなる余地があります。対照的に、商品数が非常に少なく、注文構成が年間を通じて安定している倉庫には、並べ替えるものがほとんどありません。高度に自動化された倉庫では、ロケーションを動かすために設備ロジックとスケジューリングルールを変更しなければならず、手作業の移動よりもコストもリスクも高くなります。また、ピークが短く、数量の変動を臨時スタッフの追加で吸収できる倉庫では、移動と再学習のコストを回収するのがそもそも困難です。

公開されている業界レポートによれば、動的スロッティングは、少数の大規模倉庫が実施する特別なプロジェクトから、より多くの中規模拠点にとって日常的なピーク前検討へと移行しつつあります。その背景には、倉庫管理システムにすでに蓄積されている需要データの増加、計算コストの低下、ピーク時の注文集中度の高まりがあります。今後二〜三年で最も可能性が高いパターンは、一律の採用ではなく分岐です。高頻度の倉庫でピークが長いところはピーク前実施を毎年固定のルーチンにし、低頻度の倉庫でピークが短いところは固定ロケーションを維持し、臨時の補充在庫で対応し、AIは完全な再配置計画の提案から、年間を通じた小さな継続的提案へと徐々に移行し、ピーク前により大きな見直しを集中させるようになるでしょう。

では、ピーク前の再配置を一度実施する価値はあるのでしょうか。すべての倉庫に当てはまる答えはありません。注文構成がどれだけ変わるか、ピークがどれだけ続くか、どれだけの在庫を動かさなければならないか、そして管理者が移動後に数週間かけて指標をきちんと比較するかどうかによります。在庫に一切触れる前にこれらの問いに答えられるなら、慎重に実施する価値があります。答えられないなら、最も有用な最初のステップは在庫を動かすことではなく、需要データとピッキング指標を十分に明確に記録し、次回は証拠に基づいて判断できるようにすることかもしれません。

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。