予測精度を約10%改善、国分グループ200倉庫の需要予測AIによる自動発注

予測モデルを細かい粒度で分け、高い頻度で自動的に再学習させる設計が、この取り組みの中核にあります。学習済みモデルをしばらく使い続け、一定期間が過ぎたら学習し直すという一般的な進め方では、一日ごとに状況が動く酒類・食品の卸売には追いつきません。需要動向に影響を与える外部データを取り込みながら、直近の変動を都度モデルへ反映させる運用にした点が、日々表情の変わる商材の予測を成り立たせた要因と考えられます。

予測と発注判断を切り分け、AIの出力をそのまま発注数にしなかった点も見逃せません。Perswellが担うのはお得意先からの未来の受注を予測するところまでで、その先は基幹システム側で現在の在庫数や欠品防止のための調整を重ねて発注数が決まります。予測は外れうるものと割り切り、業務ルールで受け止める余地を残した切り分けであり、これが多数の拠点へ広げても運用に耐えられた条件ではないでしょうか。

データを集めて統合する土台を併せて整えたことも、要因の一つに数えられます。社内データだけでは日々の変動要因を捉えきれないため、様々な種類のデータを収集・統合して外部システムへ連携できるデータプラットフォーム「AirLake」が活用されました。モデル構築はDATAFLUCT側のデータサイエンティストが担う分担になっており、自社にデータ分析の専門人材を抱えていなくても機械学習による予測を業務に組み込める形が取られています。