アスクルは、物流センターと補充倉庫間の拠点間で商品輸送を行う横持ち計画に、AIを活用した需要予測モデルを導入し、同社の全国物流拠点に展開を開始した。
同AI需要予測モデルは、同社の「物流センター」とその近郊に位置する「補充倉庫」間の商品横持ち指示に活用し、「いつ・どこからどこへ・何を・いくつ運ぶべきか」をAIが指示するもの。従来は、物流センターや補充倉庫の担当者がこれまでの経験や知見を活かして手作業で計画を立てていたところ、AI需要予測モデルを活用することによりAIで予測した結果に基づいた商品横持ち指示が可能となった。これにより、需要予測の精度が向上しただけでなく、作業工数の削減につながったという。
同モデルの導入により、ALP横浜センターにおいて商品横持ち指示の作成工数約75％減／日、入出荷作業約30％減／日、フォークリフト作業約15％減／日の実績を得て、全国の同社物流拠点に展開を拡大していくとしている。
商品横持ち計画におけるAI需要予測モデルの効果
AI需要予測モデルを導入したことにより、属人的で担当者の経験と知見で成り立っていた商品横持ち計画作成がAIによってデータドリブンなプロセスに置き換わり、需要予測精度の向上、および、作業効率の向上に貢献。また、需要予測の精度向上とシステム化により、これまでは管理が難しくセンター内で保管していた賞味期限や使用期限のある「期限管理品」を補充倉庫で保管することが可能となり、センター内での商品の移動が削減された。
次の定量・定性実績を踏まえ、これまで東日本の一部物流センターにて導入していた同モデルをほかの物流拠点に展開し、モデルのアップデートも含めさらなる進化を遂げていく予定とのこと。
定量効果
商品横持ち指示作成の工数：約75％／日 削減
物流センターや補充倉庫の担当者が手運用で行っていた作業が、AI需要予測モデルに置き換えられ、工数削減。
入出荷作業の工数：約30％／日 削減
需要予測の精度向上により、臨時便の横持ち回数が減少。それに伴う入出荷作業の工数が減少。
フォークリフト作業：約15％／日 削減
賞味期限や使用期限のある「期限管理品」と呼ばれる商品が、以前は物流センター2階のスペースを占領し、スペース不足から一時的に上の階に移動させる作業が日常的に発生していた。しかし、今回のAI需要予測モデルの活用によって期限管理品を期限ごとに日次で細かく管理できるようになったことで、戦略的に補充倉庫での保管が可能となり、上の階に移動する頻度が減少。結果、作業時間の大幅な削減に。
定性効果
- 商品の追加や在庫の積み増しを行う場合にも、商品横持ち指示作成工数が増加することがなくなった
- 補充倉庫の追加や変更などの環境変化にも柔軟に対応できるようになった
- 担当者変更による引継ぎ作業の削減、および、サービスレベルの維持が可能となった
