20万品番の在庫を2週間で可視化、パナソニックEW社のAI需要予測

うまく運んだ最初の分岐点は、既存の業務システムに手を入れずにデータを統合する方式を選んだところにあります。国内外3,000社以上という拠点の広がりを前提にすると、システム側をひとつずつ作り替える道は、着手前の調整だけで長い時間を吸い取りかねません。統合の負荷を各拠点ではなく基盤側に引き受けさせた設計は、現場に「まず自社のシステムを直してほしい」と求めずに済む点で、合意形成の速さにも効いたと考えられます。

データを集める工程と、それを業務で使う工程を切り離さなかった構成も見逃せません。統合・蓄積・可視化・業務システムまでをひとつの基盤の上に載せる進め方は、基盤はできあがったのに現場の画面には届かない、という分断を起こしにくくします。災害時に受注案件ごとの影響や事業全体の損益への響き方まで追える形になっているのは、可視化の出口を業務判断の単位に寄せて設計したからではないでしょうか。

需要予測の側では、部品カテゴリーごとにモデルを分けた設計が効いています。全社をひとつのモデルで賄おうとせず、Fujitsu Kozuchi AutoMLで300種に及ぶ予測モデルを短時間で生成する進め方は、動き方の異なる部品群それぞれに合った予測を持たせる狙いだったと読めます。学習の材料に選ばれたのが新たに集め直したデータではなく、統合済みの過去5年分の販売実績である点も実務的で、データ基盤の構築とAI活用が別々の投資に分かれずに接続されています。