製造・商社・物流業界における、データ駆動型のサプライチェーンプランニングを支援します。
課題❶
見込販売数予測の精度が低いので、適正をはるかに超えた在庫を抱えてしまう
実際の企業の例
営業部からSCM部に連携される販売数見込は、去年同月の出荷実績データをほとんどそのまま引用し作成されるため精度が低い。
SCM部はこの精度の低いデータをもとにして適正在庫数の更新を行うため、無駄な余剰在庫の管理コストや消費期限がある商品の廃棄による損失が発生している。
見込の精度が向上のためには、様々な社内データの活用が有効だが、定量的でないまたは標準化されていないデータを扱うには時間がかかるため現実的でない。
課題❷
急な外部環境変化へ対応できず、在庫不足による損失が発生する
実際の企業の例
ある年に、例年と比べて花粉の量が異常に多くアレルギー系の医薬品の需要が急激に高まった。大量の追加発注に対し調達・製造が間に合わず、在庫不足による多大な遺失利益、小売店への保障費用が発生した。
このように、事前に予測することが困難である外部環境変化(異常気象・災害・流行り・認知度など)への対応が後手になることで損失が発生しているが改善方法が分からない。
課題❸
発注ロットの影響が大きいため、出荷データから正しい需要予測が出来ない
実際の企業の例
ある発注ロットの大きい商品が昨年の1・8月に出荷されており、この実績をもとに今年の在庫を1・8月に用意したが、実際には予定より3か月後の4・11月に出荷された。体積の大きい商品で倉庫の場所をとっていたため、予定より多くの在庫管理コストが発生した。
このように、発注ロットが大きい商品は、出荷先の需要変動を出荷実績から推測することが困難なため、正確な出荷数予測が出来ない。予測するには、需要の変動が反映されたデータを手に入れる、もしくは出荷データを変換する必要がある。
課題❹
AI・BIによる高精度な需要予測が出来たが、結果が外れたのケースを考えて導入を断念した
実際の企業の例
AI・BIツールなどを試しに導入して詳細な需要予測を行ったが、その予測結果がどのくらい外れるのか分からない。
調達計画を作成するための出荷数予測を例にすると、ある商品の対象月の出荷数が100個と予測されたが、欠品を回避するためには何個上乗せした在庫があればいいのかが分からないので、けっきょく感覚で多めに上乗せした過剰在庫を抱えることになりコストカットにつながらない。
このように、実際の業務へ適応したとき成果につながらず導入を断念した。
課題❺
複数条件を考慮した調達計画の作成には時間がかかるので、原料・商品×月ごとに分けて最適化する余裕がない
実際の企業の例
見込販売数・発注ロット・リードタイムなど複数条件を考慮し、さらに原料・商品×月ごとに細分化することで、無駄の少ない調達計画を作成することが理想。
しかし実際には時間の制限から原料や商品ごとに最適化した計画作成をすることは困難。 在庫月数を一律2か月に設定したり、過去の出荷実績から単純計算で品切れにならない在庫数を算出するまでの 計画作成が運用上の限界となっている。
その結果、余剰在庫や廃棄によるコストの削減ができない。
SCMの各構成要素に関連するソリューション