AI時代に倉庫が持つ最も価値ある資産はデータである：WMSデータ資産の監査

率直に言おう。AI時代、倉庫の中で最も価値があるのはAMRでも高いラックでもない。WMSに眠る10年分のデータだ――あなたがそれを資産として扱っていようがいまいが、データ資産なのだ。

「老米、AIに投資すべきか」とよく聞かれる。私の最初の返しはいつも同じだ。入荷のタイムスタンプは正確か？　10回中9回、沈黙が返ってくる。

話は両面ある。一方で、倉庫におけるAIは本当に機能する。需要予測、波動最適化、要員計画、例外アラート――見渡す限りユースケースだ。もう一方で、それらのユースケースはすべてデータで動く。ゴミを入れれば、高いゴミが出る。データは多ければいいというものではない。汚いデータは、データがないよりコストが高い。データがなければ少なくとも、自分が手探りだと分かっている。汚いデータは、自信満々に間違わせる。

こうした破局を何度も見てきた。一番覚えているのは、カリフォルニアの3PLだ。そこそこ規模のある事業者で、顧客はほぼEコマースだった。2023年、彼らは過去のボリュームから自動でシフト表を作るAI要員予測システムに大金を投じた。理にかなっているように聞こえた。3ヶ月後、シフトは良くなるどころか悪化した。ピークシーズン前の週に完全に崩壊し――緊急要員の派遣を臨時人材会社に頼まざるを得ず、痛いプレミアムを払った。

事後検証は恥ずかしいものだった。アルゴリズムは正常だった。データがゴミだったのだ。彼らの入荷チームは、退勤直前に受け入れを一括入力する習慣があり、システム上の入荷タイムスタンプはすべて午後5時～6時に集中していた。AIは教えられた通りに学習した。毎日午後5時にボリュームの急増が来る、だから人員を増やせ、と。実際には貨物は午前中に届いていた。午後5時は誰かが入力した時刻に過ぎなかった。モデルは、間違った教訓を完全な自信で学習したのだ。

さらに悪いことに、波動リリース時刻やピッキング完了時刻も、同じような遡及タイムスタンプばかりだった。WMSの時間軸全体がフィクションだった。AIプロジェクトは死に、資金は消え、経営陣は「AIは詐欺だ」と確信して去っていった。率直に言おう。死んだのはAIではない。データだ。

これは孤立した事例ではない。知り合いのアパレル倉庫は、長年にわたり返品理由コードを「その他」1つで回してきた。後にAIで返品を予測し品質検査を効率化しようとデータを引っ張ったら、ほとんどの行が「その他」だった。アルゴリズムが学ぶものは何もなかった。利便性のために理由コードを設計した人間を責めろ――そしてデータを資産として扱わなかった全員を責めろ。

データ資産は実際にいくらの価値があるのか

下の表を見ていこう。左列：データ。中列：それが供給するAIユースケース。右列：おそらく欠けているもの。1回やってみれば、資産の上に座っているのか負債の上に座っているのか分かる。

多くの倉庫は、この演習を気まずい発見とともに終える。データはたくさんあるが、使えるものはあまりない。それがデータ資産監査の本当の意味だ。テーブルが何個あるかを数えることではなく、アルゴリズムの尋問に耐えられるデータがどれだけあるかを確かめることなのだ。

データ資産を直す前に、計算をしよう

これも両面ある。データを直すには実際のコストがかかる。入荷時のリアルタイムスキャン確認は、すべての受領に数秒を加える。波動リリースとピッキング完了にはタイムスタンプの厳格な規律が必要だ。ABCクラスは定期的な再計算が必要だ。労働時間はタスクに紐づけなければならない。これらはすべて現場チームの工程を増やし、短期的にはスループットが落ちる。シフトのスーパーバイザーが真っ先に文句を言うだろう。「ボリュームで手一杯なのに、さらにスキャンを増やすのか」と。

しかし直さない方がもっと高い。遡及されたタイムスタンプは1つ1つ、将来のAIプロジェクトに仕掛ける地雷だ――そしてシステムに本気の金を投じる日に爆発する。あのカリフォルニア3PLの教訓を平易に訳せば、データ負債の利子は思っているより高い。死んだプロジェクト、緊急の臨時人材、経営チームのAIへの信頼喪失――その合計は、「1回余計なスキャン」のコストをはるかに上回った。

ROIの計算は帳簿全体でやること。AIプロジェクトの予算では、アルゴリズムとソフトウェアライセンスは通常小さな部分だ。実装、統合、手戻りが大きな部分だ。データ品質の悪さと手戻りは、予算の半分以上を食いつぶすことがある。後で消防隊に払うより、今データの基礎を注ぐ方が安い。どの経営者もこの計算は分かる――ただ、目に見えないものに金をかけたくないだけだ。そしてそれが最も高い節約なのだ。

私の助言は3ステップだ。一気に全部やろうとするな。

第一に、時刻と理由を守れ。すべてのタスクのタイムスタンプはリアルタイムで取得する――終業時の一括補填はなしだ。すべての在庫調整には理由コードが必要だ。最もコストが低く、リターンが最も高い。まず基礎を正せ。

第二に、人をタスクに紐づけろ。特定のタスクに紐づかない労働データはゴミだ。入場と退場をスキャンし、タスクを個人に割り当てろ――「誰がどれだけやったか」が追跡できる状態に持っていく。そうなって初めて、UPH基準とシフト最適化には語る価値のあるデータが生まれる。

第三に、それからAIの話をしろ。数サイクルのビジネスサイクル――少なくとも1回分の完全なピークシーズン――を蓄積してから、予測と最適化の話をしろ。3ヶ月分のデータで来年のピークを予測するのはAIではない。賭博だ。

基礎を注ぐ前にアルゴリズムを買うな

AIベンダーの営業が自社のアルゴリズムの素晴らしさを語ったら、1つ質問してみろ。「あなたのモデルは汚いデータにどれだけ耐えられるのか」と。どう答えるか見てみよう。

率直バージョンはこうだ。AI時代、倉庫の競争には2つの層がある。上の層――アルゴリズムとアプリケーション――はいずれ誰もが買えるようになる。下の層――データ資産――は買えない。自分で蓄積するしかない。クリーンで、継続的で、ビジネス上有意味なデータを持つ者がAIで勝つ。逆もまた真だ。データがゴミの倉庫は、最も高いAIに金を燃やすことになる。

だから「AIに投資すべきか」と聞くのはやめろ。代わりに3つの質問をしろ。タイムスタンプは正確か。調整には理由が付いているか。複数のピークシーズンにわたるデータを蓄積してきたか。1つも答えられないなら、答えは明確だ。まずデータ資産を監査し、それからAIの話をしろ。

倉庫のデータは資産か負債かだ。あなたは監査したか？

Lao Mi（サプライチェーンのベテラン（20年））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。