去年の十月、あるAIベンダーの営業担当者がノートパソコンを持って私たちの倉庫にデモに来ました。三十分ほど経ち、エラーメッセージだらけの画面を見つめながら、彼はようやく一言だけ言いました。「御社のSKUデータは…個性的ですね」。私は思わず声を出して笑いそうになりました。個性的?私たちの倉庫は3,000平方メートル、従業員は四人、SKUは600を少し超える程度で、データには本当に個性があります。ティッシュペーパー一箱がシステムの中で三つの異なる名前で呼ばれ、ロケーションA-12-03には40箱あるはずなのに、実際には返品の山が置いてあるのです。
その日、私は倉庫AIのデータ準備が大企業の贅沢ではないことを学びました。小さな倉庫にとって、それは生き残りの問題です。Gartnerは、AI対応データのないAIプロジェクトの60%が2026年までに放棄されると予測しています。MITのNANDAプロジェクトは2025年、生成AIパイロットの95%が測定可能なリターンを生まなかったことを発見しました。どちらの数字の背後にも一つの文があります。モデルが悪いのではなく、データが先に失敗するのです。
私たちのデータはどれほど汚れていたか
まずマスターデータから始めましょう。SKU、ロケーション、顧客のテーブルです。これはAIが立つ土台です。土台が曲がっていれば、その上に建てたものはすべて崩れます。
私たちの典型的な混乱は、私が「一つの商品、多くのコード」と呼ぶものです。あるブランドのティッシュペーパーについて、購買部門が「Tissue-3ply」というSKUを作り、現場は名前が長すぎると考えて「Tissue 3-ply」を作り、さらに仕入先がパックを100枚から120枚に変えたとき、誰かが三つ目を作りました。システムの中に三つのSKU、物理的な商品は一つ、在庫は三つのコードに分かれています。AIが補充を計算すると、三つの商品があると思います。提案が正しいはずがありません。600を超えるSKUを抜き取りで確認したところ、このような重複が40件以上見つかり、十に一つ近い割合でした。
ロケーションはさらにひどかったです。専任のロケーション管理者はおらず、貨物は空いている場所ならどこにでも置かれ、システム上のロケーションはとっくに現実からかけ離れていました。去年の棚卸しでは、在庫記録の精度は91%でした。つまり百のロケーションのうち九つが帳簿と一致しなかったのです。精度91%のデータをAIに渡してピッキング経路を計画させれば、作業員はロケーションまで歩いて行き、何も見つからずに引き返します。それは効率ではありません。自社の人間を困らせるためにお金を払っているようなものです。これらは業界のベンチマークではなく、私たち自身の棚卸しの数字です。
顧客マスターデータもきれいではありませんでした。同じ顧客が二つの会社として現れます。一つのレコードには「XX Trading, Dongguan」とあり、もう一つには「Dongguan XX Trading」とあり、住所も二通りの書き方になっているからです。AIのクラスタリングは喜んで二人の顧客として数えるでしょう。誰のせいでしょうか。私たちのせいです。データを管理する人が誰もいない小さな倉庫で、経営者である私自身もかつては「だいたいでいい」と考えていました。AIは「だいたい」を受け入れません。
倉庫AIのデータ準備:三種類のデータ、正しい順番で
倉庫AIのデータ準備は、私たちの倉庫が苦い経験から学んだ順番で進めます。まずマスターデータ、次に運用データ、最後に設備データです。順番を間違えると、作業は無駄になります。
| データの種類 | 対象 | 汚れたデータの姿 | パイロットに十分な水準 |
|---|---|---|---|
| マスターデータ | SKU、ロケーション、顧客テーブル | 重複したSKU、帳簿と一致しないロケーション、重複した顧客 | 主要SKUに重複コードがゼロ、ロケーション精度が95%超 |
| 運用データ | 受注、ピッキング、循環棚卸の記録 | スキャンの省略、手作業で修正された棚卸差異、三日遅れで入力された返品 | 当日の書類処理、受注番号と一致するピッキング記録 |
| 設備データ | スキャナー、センサー、プリンターのログ | 同期していないタイムスタンプ、欠落したログ、誰も読まないエラー | ログが受注と一致し、タイムスタンプがシステム時計と合っていること |
なぜマスターデータが先なのでしょうか。運用データは進行中の物語であり、マスターデータは辞書です。辞書が間違っていれば、物語も間違います。私たちの方法は、まず販売速度の高い上位200のSKUを整理することです。リストの上位が、出荷の約八割をカバーします。ロケーションについては、まず一つの鉄則を決めます。一つのロケーションには一つのSKUです。顧客の重複解消は、そのほとんどが一つの午後の作業でした。
運用データは二番目です。受注、ピッキング記録、棚卸記録は、AIが「私たちの倉庫が実際にどう動いているか」を学ぶ教科書です。教科書に欠けた章があってはなりません。時間を節約するためにスキャンを省略する作業員、こっそり編集される棚卸差異、三日遅れて入力される返品注文。そのすべてがAIに間違った教訓を教えます。私たちの自家製のルールはシンプルです。当日の書類は当日に片付け、夜まで残ったものは翌朝の会議の最初の議題にします。
設備データは最後です。スキャナーのログ、センサーの読み取り値、プリンターのエラー。量は最大ですが、初期のパイロットでの使い道は最小です。スキャナーのログを受注番号と突き合わせることができ、センサーのタイムスタンプがシステム時計より30分遅れていないことを確認するだけで十分です。私たちはかつてまさにその問題を経験しました。あるセンサーがWMSより25分遅れており、AIの温度分析は完全にずれてしまいました。
倉庫AIのデータ準備を安く済ませる:予算は不要
大企業はデータガバナンスのためにコンサルタントを雇い、一件あたり数万ドルをかけます。私たちにはそんなお金を燃やす余裕はありません。私たちの修正方法は自家製ですが、効果があります。
修正その一:Excelはガバナンスの道具です。SKUテーブルを書き出し、名前で並べ替えると、重複が並んで目に入ります。次にバーコードで並べ替えると、欠落や重複したバーコードが目立ちます。毎週金曜日の午後、倉庫のスーパーバイザーと私は一時間をかけて50のSKUを確認します。一か月で上位200を終えます。コストは二人の時間です。結果は、重複率が十に一つ近くからほぼゼロまで下がったことです。
修正その二:スキャナーを審判にすることです。作業員は以前、記憶を頼りに在庫を取っていました。今ではルールは、ロケーションとSKUの両方をスキャンで確認することです。間違っていればスキャナーが鳴ります。二週間ほど文句が出ました。三週目にはピッキングエラーが減り、帳簿と一致しないロケーションが一つずつ表面化しました。
修正その三:抜き打ち棚卸をやめ、ローリング棚卸にすることです。毎朝、作業開始前に二十のロケーションを数え、一か月で倉庫全体をカバーします。不一致があればその場で修正し、その場で理由を尋ねます。ロケーションが間違っているのか、入力が間違っているのか。三か月で在庫精度は91%から97%超へと上がりました。繰り返しますが、これも私たち自身の数字です。小さな倉庫でも自家製の方法で数字を上げられる証拠です。
ここで計算してみましょう(例示です)。四人で、一人一日30分のデータ整理をすると、月に60時間の労働になります。時給30元なら1,800元です。これを、汚れたデータでAIパイロットを始める場合と比べてみてください。ベンダーの導入費用は数万元から始まり、パイロットは一か月動き、データが間違っていたことが分かり、やり直しになり、費用は消え、ピークシーズンには人間が救済に回らなければなりません。その1,800元が、失敗しないパイロットへの切符を買うのです。
ここが直感に反する部分です。倉庫が小さいほど、この作業は早く行わなければなりません。大きな倉庫にはITチームと予算があり、失敗を吸収できます。小さな倉庫が一度失敗すれば、半年分の利益が消えます。「私たちは小さいし、データも少ないから簡単だ」と思わないでください。データが少ないということは、一つ一つの誤りが大きな割合を占めるということです。600のSKU、40件の重複。AIの目には、この倉庫にはきれいなデータがまったくないのです。
私たちのような倉庫への助言:まず整理し、AIの話は後で
あなたも小さな倉庫を運営しているなら、次にベンダーが「つなぐだけですぐ動きます」と言ったとき、まず三つの質問をしてください。私たちのような重複したSKUを、あなたのモデルはどう扱いますか。ロケーションが帳簿と一致せず、ピッキング経路が間違っていた場合、誰が責任を持ちますか。パイロットがうまくいかなかった場合、導入費用は返金されますか。この三つの質問の後、そのお金を使う価値があるかどうかがだいたい分かるでしょう。
私たちはまだAIを導入していません。データはきれいになり、パイロットは今年の下半期に予定されています。ベンダーのスライド資料に有効期限はありませんが、ピークシーズンはあなたを待ってくれません。まず三つのテーブルを洗い、次に運用記録をつなぎ、最後に設備ログです。倉庫AIのデータ準備ができれば、AIは助け手としてやって来ます。それがなければ、AIは仕えなければならない上司としてやって来ます。
小さな倉庫には小さな倉庫なりの生き残り方があります。大企業は予算で押し切ります。私たちは自分の両手で少しずつきれいにしていきます。きれいにすれば、小さな倉庫でもAIを使えます。ただ、営業担当者のスケジュールではなく、私たち自身のスケジュールで。
Xiao Ma(小規模倉庫のオーナー)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。







