需要予測AIと数理最適化で飲料の発注量をならす、キリンビバレッジの物流平準化

ゼロから作らず、すでにあるベースをカスタマイズするという入り方が、この取り組みの推進力になったと考えられます。今回は前例のない仕組みであり、実現可能性が見えないとビジネスの構想が定まらず、構想が固まらないと開発にも入れないという鶏と卵の関係がありました。既存の需要予測基盤を土台に置く選び方は、構想に柔軟性が残る段階から手を動かし始められるため、この行き詰まりをほどく方向に働きます。初期段階で提供できる付加価値を仮定し、卸や小売を何社巻き込めるかのパターンごとに収支を試算する検討を並走させたことで、技術の見通しとビジネスの見通しを同じ場で詰められました。

対象を卸から自社のVMI（納入側が取引先の在庫を管理し補充する仕組み）拠点へ大きく切り替えた判断も、実装を前に進めるうえで大きかったはずです。障壁の高い相手を押し切るのではなく、自社が需要予測と在庫補充を直接担っている場所に的を絞り直したことで、使い手と作り手が同じ社内にそろいました。この切り替えが効いたのは開発のしやすさだけではありません。自分たちが使っているという事実は、経営陣への説明でも、のちに他社を誘う場面でも、机上の構想とは違う重みを持ちます。

初期版を早い段階で現場に触らせるユーザー検証の組み立ても、この規模の仕組みでは効きます。日次の発注内容の確認といったシンプルな機能から設計し、実際の業務担当者が日常業務と並行して実データで使う形にすれば、運用効率の悪さや足りない機能がその場で浮かび上がります。設計・開発側が発注画面や在庫の実務について直接質問を受けられる状態は、業務理解を早める近道でもありました。担当者が持つ実績ベースの感覚とPoCの結果にずれが出たときも、早くから現物を挟んでいたことで、互いのイメージをすり合わせて埋めることができています。