まず結論から始めましょう。AI向けデータ準備は、倉庫AIプロジェクトの成否を決める場所であり、モデル選びとはほとんど関係がありません。私が主導した30件を超えるWMS稼働では、同じパターンが繰り返されます。チームは予算をアルゴリズムのデモに使い、次に本番データを接続して、ロケーションコードの半分が一致せず、在庫数が帳簿と合わず、過去の注文の10件中2件に主要項目が欠けていることに気づきます。モデルが間違っているのではありません。ただ、頼れる確かなものが何もないのです。
2024年の秋、私は中国東部の3PL倉庫の現場にいました。クライアントはAIによる補充提案を望んでおり、デモは素晴らしく見えました。本物のデータを接続した瞬間、すべてが崩れました。同じ商品が3つのシステムで3つの異なるコードを持ち、ピッキング記録の半分にロケーション情報がなく、過去6か月の出庫注文の5分の1に重量データが欠けていました。データ修正のためだけにプロジェクトを6週間止めました。このまったく同じ失敗をこれまでに3回見てきましたが、筋書きはいつも同じです。ビジネス側は早く成果を見たがり、技術側は早くデモをしたがり、データ準備は片手間の仕事として扱われます。片手間の仕事は必ず後で倍になって返ってきます。
AI向けデータ準備とは3種類の異なるデータのこと
AI向けデータ準備は3種類のデータを対象とし、それらを混同することこそ、チームが何週間も無駄にする原因です。1つ目はマスタデータです。商品、ロケーション、仕入先、顧客です。マスタデータは一意性の問題です。1つの商品には1つのコードと1つの名称。1つのロケーションには1つの座標と1つのステータス。マスタデータが汚れていれば、AIの判断はすべて間違った土台の上に築かれます。チェックは簡単です。商品テーブルをエクスポートし、名称、仕様、バーコードのそれぞれで重複を除去します。ほかのことをする前に、重複を統合してください。
2つ目はトランザクションデータです。入庫注文、出庫注文、移動注文、棚卸シートです。これは、倉庫が実際にどう動いているかをAIが学ぶための唯一の教科書です。トランザクションデータは完全性の問題です。タイムスタンプのない注文は存在しなかったことになります。ロケーションのないピッキング記録には経路がありません。私の方法は月次サンプリングです。毎月ランダムに100件の注文を抽出し、1件ずつ最初から最後まで追跡します。欠落項目率が10件に1件を超えれば、その月のデータは学習セットから外します。
3つ目はステータスデータです。在庫スナップショット、ロケーション占有率、設備ステータスです。ステータスデータは鮮度の問題です。AIに必要なのは先月の倉庫ではなく、今この瞬間の倉庫です。多くの倉庫は在庫スナップショットを夜に1回バッチ処理で更新するため、日中の変更は翌日まで反映されません。そのようなデータで作られた提案は、商品がすでに動いた後に届きます。
データは種類ごとに異なる形で汚れます。マスタデータは乱れ、トランザクションデータは欠け、ステータスデータは古くなります。それらを1つのプロセスでまとめてきれいにしようとするのは、まったくきれいにしないのと同じです。
順番が重要であり、逆にするのが典型的な間違い
正しい順番は、まずマスタデータ、次にトランザクションデータ、最後にステータスデータです。マスタデータは辞書です。辞書が間違っていれば、その後の翻訳はすべて間違います。あるプロジェクトでは、過去の注文のクリーニングに3週間を費やした末、商品コード体系が2回変わっており、それらの注文のコードの半分はすでに廃止されていたことが判明しました。3週間の無駄です。
マスタデータの「完了」とは何でしょうか。私の稼働チェックリストには3つの厳しい関門があります。商品コードが100パーセント一意であること、ロケーションコードが物理ロケーションと1対1で対応すること、仕入先名と顧客名の重複が除去されていることです。これらの関門を満たさなければ、先に進んではいけません。先に進めば、手戻りの利息が膨らむだけです。
トランザクションデータには近道があります。すべての履歴をきれいにしようとしないことです。直近の連続した良質なデータ、たとえば直近3か月分を取り、それが完全で一貫していることを求めます。AIが学ぶのはパターンであり、考古学ではありません。きれいな3か月分のデータは、半分汚れた2年分の履歴よりも価値があります。
ステータスデータが最も難しいのは、テストが一度きりのクリーニングではなく、持続する能力だからです。稼働前に1つ質問してください。在庫の変化は、発生から1時間以内にシステムに反映されますか。できなければ、AIの提案は常に一歩遅れます。AIの導入でこのギャップが埋まることはありません。遅れを装飾するだけです。
計算してみましょう。AI向けデータ準備が節約するもの
中規模の倉庫を例に取りましょう。1日500件の注文、1注文あたり平均3ラインです。月に45,000件のトランザクションラインになります。欠落項目率が10件に1件なら、毎月4,500件の壊れたレコード、1年で50,000件を超えます。AIが稼働して奇妙な提案を出し始めた後に、その50,000件を修正するコストは、稼働前に修正するコストの数倍になります。なぜなら、ビジネスはすでに汚れたデータの上で動いており、止まることができないからです。
ですから、データ準備には専用の予算枠と専用のスケジュールが必要です。私の経験では、AIプロジェクト全体のスケジュールの少なくとも3分の1を占めるべきです。それ以下では、稼働から2か月以内に手戻りで戻ってくる可能性が高いです。管理者はこの比率に眉をひそめることがよくあります。データ準備は何も目に見えるものを生まないからです。それは事実であり、同時に、その後のすべてが本物かどうかを決めるものでもあります。
ここで直感に反する判断があります。データは多ければ多いほど良いわけではありません。多くの倉庫は「5年分の履歴があります」と言い出します。豊富に聞こえます。開いてみると、2回のシステム変更、3回のコーディングルール改訂、そしてその間に6か月分の手書き台帳があります。そのような5年分は、一貫した3か月分のデータよりも価値が低いのです。AIは少量のデータを恐れません。AIが恐れるのは、互いに矛盾するデータです。
無視されがちな所有権の問題もあります。ビジネス側はデータは技術の仕事だと思い、技術側はビジネスの仕事だと思い、結局誰も所有しません。私はプロジェクトのキックオフのたびに書き留めます。マスタデータはビジネスが所有し、トランザクションの完全性はオペレーションが所有し、ステータスの鮮度はシステムチームが所有します。3人の所有者、週1回の件数チェックです。所有権が不明確だと、必ず乱れた台帳で終わります。
私が繰り返し目にする失敗要因があと2つあります。1つは、誰も告知しないコーディングルールの変更です。商品コードに1桁増え、バーコード体系が変わり、AIは古いルールで商品を認識し続けます。すべてのルール変更は当日中に変更ログへ入れ、すべての関係者に伝えなければなりません。小さなチャットグループへのメッセージだけでは不十分です。もう1つは、テストデータと本番データの混在です。テスト注文、研修注文、訓練注文がトランザクションに混ざると、AIは実際には起きなかったパターンを学びます。稼働前にそれらを除去し、テスト環境は別に保ってください。手間を省くために環境を共有するのは、見せかけの節約です。
私の稼働チェックリストは、いつも同じ一文で締めくくります。現場のピッカーを1人見つけ、AIの提案を1つ見せて、こう尋ねます。「これ、私たちの倉庫に見えますか。」うなずけば、データ準備は完了です。首を横に振れば、戻ってクリーニングを続けてください。モデルがデータの汚れを教えてくれることは決してありません。現場の人にしかできません。
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。







