物流の現場は、日々膨大なデータと格闘しています。
データは持っているものの、バラバラに保管されており、そのデータ情報を活かしきれていないという倉庫が多数あるのが現状です。
データは単に作業効率を上げるだけでなく、現場の負担を軽くするためのヒントが詰まっています。
それらのデータを活用できれば、作業効率やコストの改善はもちろん、倉庫の働きやすさにも良い変化をもたらしてくれるかもしれません。
物流の現場にAIがどう貢献していけるのかを、一緒に考えていきましょう。
物流×AIをデータ集約に活用すると
物流業界でAIを導入する目的はさまざまありますが、まず理解しておきたいのがデータ集約についてです。
AIで何ができるのか、データ集約についてご紹介していきます。
- データを一本化して無駄な仕事を減らせる
- 人間の仕事ミスをAIでカバーできる
データを一本化して無駄な仕事を減らす
WMS・TMS・ERPなどのデータを統合し、まとめて管理をすると倉庫の流れがスムーズになります。
それぞれが優秀なシステムではありますが、連携ができるとさらに力を発揮します。
例えば、ERP上とWMS上で更新タイミングが違うだけで、在庫が合わなくなってしまってはいませんか。
別々のデータを統合すると、ひとつの画面を確認するだけで在庫・出荷予定・配送の状況がわかるようになります。
突然発注が増えたとしても振り回されずに仕事ができますし、ミスのリスクを減らせるようになります。
データが一本化されるため、何が最新情報なのかが現場のスタッフでもわかりやすく、仕事のストレスを軽減してくれるものとなるでしょう。
人間の仕事ミスをAIでカバーできる
“在庫数が未入力である””納品完了のチェックがされていない”というようなデータ欠損はありませんか？
在庫数のケタが間違っていたり、明らかにおかしな数字が入力されていることはありませんか？
人が入力をしていると、ミスが起こるのは仕方がありません。
このような欠損や異常値があれば、AIが「おかしいよ」と気付いてくれるようになります。
ミスをゼロにするのはもちろん目指すべき所ではありますが、ミスがあっても早く気付けるようになれば問題が大きくなる前に処理できるようになります。
需要予測をAIで分析する
物流倉庫でAIを活用するシーンのひとつとして、需要予測についてお伝えします。
従来は過去のデータやベテランスタッフの経験によって予測されていた部分を、AIが補えるようになってきています。
- イベントや季節に変動する出荷量の予測
- 地域別・顧客別の出荷予測
- 補充タイミングを予測して在庫最適化
イベントや季節に変動する出荷量の予測
物流業界では、イベントや季節商戦への備えが欠かせません。
商品によって必ず需要が高まる時期はだいたい予測がついているはずなので、適切に出荷量を予測して人員を配置していきます。
何年も倉庫で勤務しているベテランスタッフであれば、経験からある程度の需要予測ができるでしょう。
そこにAIが加わると、過去数年分のデータだけでなく、曜日や天候などの細かな条件を加味して需要予測をたてていきます。
“勘”というふんわりとした根拠ではなく、多様なデータから需要予測を行います。
ベテランの経験や勘が不要という意味ではなく、さらにAIの力で予測をサポートできれば的確な需要予測ができるようになるのです。
AIは、ベテランスタッフの経験や勘を裏付ける存在として活用していきましょう。
人員配置や在庫補充などを無駄なく行うことで、スムーズな業務をサポートできるようになります。
地域別・顧客別の出荷予測
出荷量や需要を予測していくには、地域性や顧客層についても理解しなければいけません。
例えば、都市部と地方では回転率や発注の規模が異なるでしょうし、特定の大口顧客がいれば、「この時期に発注があるだろう」という予測をたてていくのが重要です。
AIは単純に前年同月を見るだけではなく、過去数年分の出荷実績や曜日・連休の影響、天候データなどをかけ合わせて予測をたてていきます。
無駄な在庫を減らすのはもちろん、欠品をなくしていけば売上の取りこぼしを防げます。
補充タイミングを予測して在庫最適化
適切な補充タイミングを見極めるのは、どんなに経験があっても難しいものです。
「やばい！在庫がないから発注しなきゃ！」「これは念のために発注しておこう」と焦りを感じた経験があるのではないでしょうか。
適切な補充タイミングが見極められないと、倉庫がパンパンになってしまったり、逆に急に欠品が出てしまったりという悩みがでてきます。
このような焦りを生み出さないように”備え”ができるのがAIの需要予測です。
在庫がいつ、どのくらい減るのかを予測する需要予測AIや、「〇日後に発注すればよい」というように補充タイミングを教えてくれる在庫最適化AIを上手く活用すると、在庫最適化につながります。
AI×コスト削減で現場に還元できること
どんな事業を行うにもコストシミュレーションは欠かせませんが、人がやっていると時間がかかる上に適切な答えが導き出せない可能性があります。
コストシュミレーションは経営陣にしか関係ない悩みだと思われがちですが、現場のスタッフ1人1人にとっても無関係ではありません。
物流業界においてAIができるコスト削減について考え、さらに現場へどう循環されていくのかをシュミレーションしてみましょう。
- 在庫量調整ができると
- 無駄のないシフトが組めると
- 誤出荷・再作業が減ると
- ピークの予測ができると
在庫量調整ができると
倉庫の在庫が多ければ保管コストがかかりますし、少なければ欠品により機会損失を招いてしまいます。
特に季節物やイベント商品、賞味期限のある食品などは売れなけば価値が低下していく一方です。
必要な在庫を過不足なく保管するのは、経営陣のコスト的な問題だけではありません。
在庫量が適切であれば、在庫を探しやすい状態となり、事故なくスムーズに仕事ができるようになります。
無駄のないシフトが組めると
AIは過去のデータから、適切な人員配置でシフトを組んでくれます。
過去の出荷量や天候データから無駄のないシフトを提案してくれるので、人が余ったり、足りなくなるといった現場の混乱を避けられるようになります。
シフトが安定すると、仕事が回っていきますので急な残業を頼まれて困惑するという日がなくなっていくでしょう。
逆に暇すぎて持て余してしまうという悩みもなくなっていきます。
焦らずに仕事ができる環境が整うと、イライラする人が減り、人間関係までも良くなっていくかもしれません。
誤出荷・再作業が減ると
誤出荷や再作業が増えると、手間や人件費、信頼など多くの損失となってしまいます。
一件一件の対応は難しいものではないかもしれませんが、積み重なれば大きな無駄となります。
まずはなぜ誤出荷が起きてしまうのかを、AIが分析します。
繁忙時間帯なのか、SKUの組み合わせなのか、可視化されたデータで解決策を見出していきます。
誤出荷や再作業が減ると、緊急対応が減り、突発残業がなくなりますので、焦りのない職場に変わっていきます。
ピークの予測ができると
物流倉庫でスタッフが最も負担を感じるのが、急に忙しくなる時です。
忙しい状態が負担というよりも、その忙しさが予測できていなかったという点がストレスになるのです。
ピークの予測ができれば、人員配置や梱包資材の前倒しなど多くの準備ができるようになります。
ピークが予測できていれば突発的な残業は不要となり、精神的に落ち着いた仕事ができるようになるのでスタッフのミスを減らせるかもしれません。
物理的な作業やコストを改善するのはもちろん、働きやすさの改善にも一役買っているのです。
AIでパターン抽出して先手を打つ
いつも起きている事柄をデータとして学習していくのがAIです。
日々の業務の中で、人間が気付いていないような些細な事柄でも、AIは見逃しません。
以下のようにパターンを抽出し、トラブルを未然に防げるようにしていきましょう。
- 出荷量の変動パターンを抽出する
- 商品回転率のパターンを知る
- 誤出荷やミスのパターンを把握する
- 返品・滞留在庫の発生パターンを知る
- 顧客別発注傾向のパターンを把握する
出荷量の変動パターンを抽出する
「なんか忙しい」「月末になるといつも残業してる気がする」となんとなく感じている違和感があれば、AIでパターンを探ってみるといいかもしれません。
- 毎月第1水曜日に出荷が集中
- 雨天翌日は出荷が集中
- 月初めは毎月稼働に余裕がある
このようなパターンが抽出できれば、この内容に合わせた人員配置ができるようになります。
例えば”なぜ毎月第一水曜日に出荷が集中するのか”といった理由まで突き止められますので、似たようなケースの際には事前に備えられるようになるでしょう。
商品回転率のパターンを知る
倉庫にある多くの商品の中には、回転率が高いものから低いものまであり、これらは慣れたスタッフであれば当然場所を把握をしているでしょう。
しかし”SKUが多くなる””イベント商品が増える”など変化があると人だけでは対応できなくなる可能性があります。
AIで商品回転率を把握しておけば、だんだん売上が落ちてきている商品や、逆に急に売れてきている商品を把握できるようになります。
「〇〇さんがいるから回っている」という状態だと、その人がいなくなった時に全く対応できなくなってしまいます。
属人化を防ぐという意味でも、AIで商品回転率のパターン抽出をしていくといいでしょう。
誤出荷やミスのパターンを把握する
倉庫内でミスが起きる原因は何でしょうか？
うっかりしていたから？新人だから？
ミスは誰にでもあるものなので、仕方がないかもしれません。
しかしAIを導入すれば、そのミスのパターンに気付けるようになるかもしれません。
- SKUが似ている商品同士でピックミスが起きやすい
- なぜか金曜16時以降に誤出荷が集中
- 繁忙日に検品ミスが増加
などパターンが見えてくると、対策がわかってきます。
さらに詳しく見てみると、”夕方×新人”とか、”作業時間延長 × 集中力低下”というようなパターンが抽出されるかもしれません。
ここまで見えてくると、どんな対策をとっていけばいいのか一目瞭然ですね。
返品・滞留在庫の発生パターンを知る
「最近返品が多い気がする」「同じ商品が奥で山積みになっている」というような、ちょっとした違和感は放置されがちです。
返品や滞留在庫は偶発的に発生しているわけではなく、予兆を見過ごされているために起こっているという点に気付きましょう。
特定の顧客や季節など、返品が増えるタイミングに規則性はありませんか？
滞留在庫が発生するのは、需要予測の読み間違いによる過剰発注が原因かもしれません。
従来では”残ってから対応”という体制だったかもしれませんが、AIを導入すれば先手を打てるようになるかもしれません。
ロケーション縮小や発注ロットの見直しなど、パターンに合わせて手を打っていきましょう。
顧客別発注傾向のパターンを把握する
3PL倉庫は、荷主ごとに発注傾向のパターンを知る必要があります。
“同じ出荷業務”というわけにはいかず、荷主ごとに動きが全く異なるためです。
毎週決まった曜日に発注が集中する荷主があれば、季節商品で変動が激しいという荷主もいるでしょう。
“だいたい”で把握せず、過去のデータで適切にパターンを把握できるのがAIです。
荷主ごとの傾向がわかれば、忙しくなる前に人員配置など適切な対策ができるようになります。
荷主に先回りできる3PL倉庫になれば、倉庫の安定運営に繋がります。
AI×データ活用が物流の潤滑油に
AIは魔法ではありませんので、導入した直後に突発的な変化を起こすものではないかもしれません。
しかしデータを集めて活用していけば、今まで見えなかった課題が見えるようになり、トラブルが起きる前に解決策を考えられるようになるでしょう。
倉庫業務を動かすのは、あくまでも人です。
その人と人との動きをスムーズにしてくれる潤滑油のような存在が、AIなのかもしれません。
AIは大企業だけのツールではありません。
これからの物流をさらに効率良く循環させていくために、AIを味方につけてみませんか。
