配車計画の属人化をAI需要予測で標準化、全国46センターへ広げた食品チェーン

注目したいのは、AIの出力を各店舗の配送金額とセンターの取扱い金額という金額の形に揃えた設計です。需要予測というと商品ごとの個数を当てにいく発想になりがちですが、配車計画に必要なのは「その日そのルートにどれだけの荷が乗るか」という規模感であり、金額はその規模を一本の物差しで表せます。担当者の頭の中にあった「この曜日のあの店はこのくらい」という感覚を、そのまま計画づくりに使える数字へ翻訳したところに、この設計の狙いが読み取れます。過去の販売実績にカレンダー情報や配送曜日を組み合わせているのも、食品の発注が暦と週のリズムに強く縛られるからでしょう。

二つ目の要因は、2023年5月に関東・北海道の物流センターだけで走らせ、実運用で出てきた課題をつぶしながら対象を広げた進め方にあります。予測が現場に根づくかどうかは、精度の高さ以上に、外れたときの扱いが決まっているかで左右されます。限られたエリアで運用と改善を回した期間は、予測の精度を鍛える時間であると同時に、担当者が予測値との付き合い方を身につける時間にもなっていたと考えられます。

予測AIとデータプラットフォームを組み合わせ、専用システムとして仕立てた点も見逃せません。DATAFLUCTが予測とデータの基盤を提供し、全日本食品側が自社の販売実績と配送の実務を持ち込む——この役割分担があったからこそ、汎用の予測ツールの数字を眺めるだけで終わらず、日々の配車と人員配置に直結する出力まで踏み込めたと見ています。