Excerpt: 倉庫AIの失敗の多くは、アルゴリズムの失敗ではありません。倉庫AIのデータ品質の失敗です。重複した商品コード、現実と合わなくなったロケーション記録、誰も標準化しなかった単位です。本記事では、自動化の前にマスタデータを整備する方法と、なぜその順序が重要なのかを説明します。

過去2年間、私が訪れたほぼすべての倉庫には語るべきAIの話があり、失敗した事例のパターンは驚くほど一貫しています。プロジェクトがうまくいかないと、人々はアルゴリズムを責めます。予測が外れた、推奨が意味不明だった、使えば使うほどシステムが乱れた、と。しかし長く聞くほど、責任の大部分はまったく別の場所にあるのではないかと思うようになります。モデルはあなたの倉庫を知りません。モデルが知っているのは、あなたが与えたデータだけです。だからこそ、モデル選択ではなく倉庫AIのデータ品質こそが、導入失敗の裏にある本当の話であることが多いのです。データが汚れていれば、モデルが出す結論はすべてその汚れの形を帯びます。そして計算が速く、ダッシュボードがきれいに見えるほど、自信満々に間違うのです。

倉庫AIのデータ品質は、モデルではなくマスタデータから始まる

通常の直感に反する判断をここに示します。データが汚れていればいるほど、賢いアルゴリズムへ急ぐべきではありません。多くの管理者は、十分に賢いモデルなら悪いデータを自力で修正してくれると考えます。実際には逆のことが起こります。有能なモデルはデータからパターンを見つけるのが得意で、汚れたデータの中のパターンも同じように熱心に学び、それを高い信頼度スコアとともに提示します。かつて人間のプランナーが直感で気づけたかもしれない問題が、今では機械生成の数字の権威に包まれて届き、誰もそれに疑問を呈しようとしません。マスタデータの問題は、AIが到来しても消えません。時折のミスから体系的なミスへと格上げされ、体系的なミスはどれも同じように見えるため、見つけるのが難しくなるのではなく、むしろ難しくなるのです。

私が追ってきたプロジェクトでは、汚れたマスタデータは常に同じ数種類に分類されます。一意でないコード、現場と合わなくなったロケーション記録、そして標準化されたことのない単位とバーコードです。単独では小さな欠陥に見えます。しかしモデルにまとめて投入すると、災害へと積み上がります。

3つの倉庫、3種類の汚れたマスタデータ

2023年の秋、浙江省で小型家電を扱うサードパーティ倉庫が補充予測モデルを稼働させました。システムは毎日、ある電気ケトルをせっせと補充するよう推奨し、補充発注は完璧にプロフェッショナルに見えました。しかし現場では、誰も在庫を見つけることができませんでした。原因の究明に2週間かかりました。1つの商品が、システム内に3つの異なるコードで存在していたのです。調達部門が1つを作り、Eコマースチームが販売プラットフォームとの接続のためにもう1つを作り、倉庫自体が、整合しなかった棚卸しの際に3つ目を追加していました。各コードが独自の在庫記録を持っていました。モデルは3つを合計し、在庫は潤沢だと結論づけましたが、実際には販売可能な商品を持っていたのは1つのコードだけでした。倉庫は繁忙期に3日間欠品し、クライアントは契約に基づきペナルティを課し、プロジェクトチームは最終的にモデルを停止しました。モデルは決して問題ではありませんでした。

2024年の春、広東省の倉庫が波動ピッキング最適化を導入し、モデルはロケーション寸法に基づく積載計画を推奨しました。トラックには40カートン積めると計算しました。しかし運転手はドックで2時間以上待つことになり、その間にチームは、実際には28カートンしか入らないことを発見しました。ロケーションのマスタデータにある長さ、幅、高さは3年前に手作業で測定されたもので、包装やパレットが変わった後、誰も更新していませんでした。モデルは期限切れの寸法に対してぎりぎりまで詰めた計画を立て、現実は最初の積載で溢れました。その日から現場スタッフはシステムの積載アドバイスを信じなくなり、最適化プロジェクトは名ばかりのものとなりました。

3つ目の倉庫は、最も示唆に富むバーコードの混乱を抱えていました。サプライヤーのバーコード、社内コード、プラットフォームコードが互換的に使われていたため、10回のスキャンのうちおよそ3回は手作業の介入が必要でした。AI画像検査を追加しても、誤警報率は頑固に高いままで、2か月間のパラメータ調整の後、エンジニアは真実を認めました。カメラもアルゴリズムも問題ありませんでしたが、マスタデータには同じ商品に対して2つの異なる参照画像があり、機械は決してきれいな一致を得られなかったのです。

何も整備する前に、まず数字を計算する

多くの経営者は「データガバナンス」という言葉を聞くと身構えます。底なしの金の穴のように聞こえるからです。私の提案は、まず数字を計算すること、そして帳簿の両面を計算することです。

| 作業 | 整備するコスト | 整備しないコスト | | 商品コードを一意にする | チェックと統合に約2週間、2〜3名 | 体系的な予測誤差と繁忙期の欠品ペナルティ | | ロケーションを現場と照合する | 1回の全面棚卸しに加え、日常的な抜き打ちチェック | スタッフがシステムを信じなくなるまで間違い続ける積載・ピッキングアドバイス | | 単位とバーコードを標準化する | ルールの合意と過去文書の整備 | スキャン介入と検査の誤警報、手作業の回避策の蓄積 |

これらの倉庫の事後検証によれば、整備のコストは通常、失敗したモデルの作り直しにかかるコストのごく一部にすぎません。整備しないコストは毎月複利で増えます。間違った判断をするたびに、現場のシステムへの信頼が削られていくからです。その信頼が失われれば、AIプロジェクトは技術的に失敗したのではありません。組織的に失敗したのです。言い換えれば、倉庫AIのデータ品質の取り組みは、それ自体で元が取れる予算項目であり、それを省くことは毎月利息を取られることなのです。

順序は、作業そのものと同じくらい重要です。これらの事例に基づく私の判断は、マスタデータが最初、トランザクションデータが2番目、モデル選択が最後です。マスタデータは倉庫の戸籍です。戸籍が間違っていれば、その上に構築されるすべての文書が誤りを引き継ぎます。

きれいさの基準は、3つのテストに集約できます。同一性については、1つの商品には正確に1つのコードが与えられ、余分なコードは統合・凍結し、すべてのシステムで一貫して認識されなければなりません。ロケーションについては、記録は現場と一致しなければならず、寸法、積載容量、利用可能性は推定ではなく測定されたものでなければならず、ましてや一度測定して3年間信じ続けるようなものであってはなりません。単位とバーコードについては、受入単位、保管単位、出荷単位の間の換算がシステムに書き込まれ、バーコードのルールは倉庫全体で統一され、ラベルが間違ったサプライヤー出荷は、後で手作業で認識されるのではなく、受入時に止められなければなりません。

3つのテストすべてに合格すれば、アルゴリズム選択について話しましょう。いずれか1つでも不合格なら、予算はまず整備に使う方がよいのです。これは慎重さのための慎重さではありません。算術が指し示すことです。

注目すべきトレンド:新たな門番としてのデータ品質

2〜3年先を見据えると、証拠に裏づけられた判断を下します。マスタデータの品質は、倉庫AIプロジェクトの入場券になりつつあります。アルゴリズムと計算能力はますます安くなる一方、クリーンで信頼でき、一貫して定義されたデータはますます希少になり、したがって価値が高まっています。倉庫を監査するクライアント、セラーをオンボーディングするプラットフォーム、拠点を評価する自動化ベンダーは、ますます最初に1つの質問をするようになります。あなたのマスタデータは検査に耐えられますか?要するに、倉庫AIのデータ品質は、バックオフィスの雑務からセールスポイントへと変わりつつあるのです。

ですから、現在AIを検討しているあらゆる倉庫に残したい質問はシンプルです。あなたのマスタデータの健康診断を公開する気はありますか?正直な答えが「いいえ」なら、より大きな質問への答えはすでに明らかです。AIは待てます。データの整備は待てません。

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。