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

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。