アスクル、AI需要予測で倉庫間の在庫移動を自動計画し指示工数75%削減

横持ちの計画は長らく担当者の経験と知見に頼った手作業で、精度が人によってぶれ、緊急の輸送が繰り返し発生していました。中期経営計画で取扱商品を増やし、補充倉庫を使って出荷能力を引き出す方針を掲げていた以上、この手運用がいずれ立ち行かなくなるという見通しもあったはずです。

編集部の見立てでは、困りごとの本質は計画づくりの手間そのものではなく、判断の根拠が個人の頭の中にしか存在せず、外から検証も再現もできなかったことにあります。根拠が見えなければ、予測が外れた理由も突き止められず、ずれた分は臨時便で埋めるほかありません。扱う商品と倉庫が増えるほど、この構造は加速度的に重くなっていきます。

効いたのは、AIの出力を予測値で止めず、いつ・どこからどこへ・何を・いくつ運ぶかという、そのまま実行できる指示にまで落とし込んだ設計です。需要の見通しを提示するだけの仕組みであれば、それを移動計画へ翻訳する工程が結局は人の手に残り、そこに経験差が入り込みます。判断の最後の一段までをシステム側に引き受けさせたことが、属人性の抜け道を塞いだのではないでしょうか。

もう一つの軸は、期限管理品を日次で管理する仕組みを最初から組み込んだ点にあります。期限のある商品は運ぶ量だけでなく置く場所と順序まで気を配る必要があり、扱いが難しいぶん、標準の仕組みからは外して人が個別に見る対象になりがちです。この難所を例外扱いせず日単位で追えるようにしたからこそ、補充倉庫を戦略的な保管先として使う判断が成立した。自社開発という進め方も、こうした業務固有の条件を削ぎ落とさずに設計へ織り込むうえで働いたと考えられます。

補充倉庫に余剰在庫を置いて出荷能力を引き出すという在庫配置の方針と、それを日々回す仕組みを同時に組み立てた点も見逃せません。商品数や倉庫の拡張を前提に計画ロジックを設計しておけば、規模が変わっても同じ枠組みのまま扱えます。

横持ち指示の作成にかかる工数は、1日あたり約75%削減されました。予測精度が上がったことで緊急の臨時便が減り、それに付随する入出荷作業の工数も約30%減少。期限管理品を補充倉庫へ適切に保管できるようになった結果、センター内の不要な商品移動が減り、フォークリフト作業の工数も約15%削減されています。数値以外では、商品の追加や倉庫の拡張といった変化に柔軟に対応できる体制が整い、担当者が替わる際の引き継ぎ負担も大きく軽くなりました。