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

電設資材は品目の数が多く、サプライヤーも工場も国内外に広がります。その一つひとつの情報が、事業部や部門、拠点という単位で別々の形式のまま抱えられていたことが、この取り組みの出発点でした。災害が起きたときに、どの拠点のどの部品が止まり、それがどの受注に響くのかを短い時間では把握できない。将来の労働力不足を見据えた供給網づくりにも着手しにくい。そうした行き詰まりが重なっていた状態です。

編集部の見立てでは、ここでの困りごとの本質はデータが足りないことではなく、同じ部品を指しているはずの情報が、拠点をまたいだ途端に同じものとして扱えなくなる点にあったのではないでしょうか。情報自体は手元にある。けれども突き合わせるための共通の鍵がないため、全社の絵を描こうとするたびに人手での照合が必要になります。把握の遅さは、その照合コストが姿を変えて表れたものだったと考えられます。

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。

既存システムの改修を伴わない進め方により、20万品番を超える在庫部品の品番紐付けと可視化が、2週間という短期間で実現しています。全拠点の在庫と発注の情報が一元的に見えるようになり、部品調達計画や拠点ごとの在庫状況を全社レベルで掌握できる状態になりました。災害時にも、受注案件ごとの影響と事業全体の損益への波及を素早くつかんで生産・供給体制の維持を判断でき、AIによる高精度な需要予測と組み合わせることで、供給停止リスクを避ける動的な供給網の構築につながっています。