サプライチェーン最適化モジュール群

サプライチェーン関連の各種個別課題の最適化が可能

戦略的な意思決定からオペレーショナルな意思決定、調達から販売までのすべての段階をカバーした統合最適化が可能

なぜ統合最適化が必要か

サプライチェーン全体の効率化は、単なるコスト削減のためではなく、顧客満足度向上、企業全体の競争力向上、人や環境に配慮した持続的な成長を支える鍵です。

しかし、顧客が何を求めているのか、どのようなサービスレベルで商品を届けたいか、従業員への負担や資源の最適な利用、環境への影響、リスクも考慮しなければなりません。これらの要素をすべて考慮に入れた計画を立てるためには、大規模なデータをもとにしたアプローチが必要で、最適化技術の活用が不可欠です。

特徴

最大の特徴は、① 高速で大規模問題が解けること、APIレベルでは統一のモデリング言語SCML（Supply Chain Modeling Language）で記述可能で、② モデリングの自由度が非常に高く、高速開発が可能なことです。

そのため、モジュールを融合することで通常のシステム組合せでは難しい最適化ベースのS&OPの構築、短期～中長期の生産最適化計画作成、サプライチェーン統合最適化なども可能です。

他にも、汎用性が高い、各種制約が考慮可能、カスタマイズが容易、短期で導入可能などの特徴もあります。

適用可能問題

1．需要予測と在庫最適化

従来の需要予測システムでは、速度と精度のトレードオフを克服できませんでした。例えば、多くの商品もしくは在庫保管単位(SKU)に対して日ベースでの予測の精度を上げようとすると、膨大な計算時間が必要になり計算が間に合わなくなります。そこで、週次や月次の粗い予測で我慢するか、指数平滑法やARIMAなどの簡易計算で予測を行っているのが現状です。

私たちが提供する自動機械学習(AutoML)と自動最適化(AutoOpt)を融合したシステムを使うと、さまざまな機械（深層）学習を試して精度の良いものを選択するAutoMLと、過去の需要予測の計算時間と精度のデータから、適切な手法を選択するAutoOptの組合せにより、短時間に高精度の予測が可能になります。さらに、予測のばらつきや不安定さの尺度をモニタリングすることによって、手法選択の確率を自動的に調整することができます。

2. 安全在庫配置最適化

私たちが提供する在庫最適化ソリューションは、サプライチェーン全体の多段階在庫を対象としたものです。1段階の在庫モデルは在庫公式によって簡単に解くことができますが、多段階のネットワーク型の在庫モデルの求解には、最先端の技術が必要になります。

しかし、段階別に古典的な在庫公式を適用するのと較べて大幅な費用削減とサービス率の向上が期待できます。意思決定レベルが中期のモデルである安全在庫配置に対しては、従来の手法より大規模な問題が解ける高速解法を開発しています。短期の在庫方策最適化に対しては、シミュレーションと深層学習を融合した新しい手法を開発し、最適な動的在庫方策を算出することができます。

3. ロジスティックスネットワーク最適化

私たちが提供するロジスティクス・ネットワーク設計 (LND) ソリューションは、MOAI(機械学習と数理最適化の融合）技術を駆使したもので、従来の数理最適化ソルバーだけのアプローチに比べて、高速に良い解を算出することができます。通常、大規模なLND問題に対しては、最先端の数理最適化ソルバーを使っても、誤差10%程度の解を得るためには数時間の計算が必要になる場合があります。そのため、意思決定に必要な「もしこうなったら分析」(what if analysis) やシナリオ分析が十分にできないことが多々あります。

また、近年ではデータの不確実性を考慮した確率的最適化やロバスト最適化をLND問題に適用するケースも増えてきています。これらのモダンな不確実性を考慮した最適化は、通常の確定的最適化と比べて難しいことが知られており、MOAI技術なしでは、大規模問題例を解くことができなくなります。MOAI技術を確率的（分布的ロバスト）最適化に組み込むことによって、大規模問題例に対して高精度な解を短時間で算出することができます。

4. 生産計画／生産スケジューリング最適化

製品の納期とリードタイムのトレードオフ、多段階での段取り費用と在庫費用のトレードオフ、機械の稼働可能時間、人の休みや移動などの作業負担制約、生産順序制約など実務のさまざまな制約を考慮した生産スケジューリング最適化は、現場のルールをプログラム化した簡単なルールベースのヒューリスティックスでは解くことができません。

私たちが提供する生産スケジューリング最適化ソリューションは、単なるスケジューリングだけではなく、幾つかの最適化モデルを融合したもので、工場内の生産全体を最適化することが可能です。

5. 輸送・配送計画最適化

私たちが提供する配送最適化ソリューションは、最先端の最適化手法を組み合わせたもので、数百顧客の中規模問題例に対しては最適解を、数万顧客の大規模問題例に対しては誤差数％の近似解を算出しすることができます。また、多くの実企業との30年以上の共同研究の成果として、実用に必要なさまざまな制約を（解の性能や速度を損なうことなく）付加できるように設計されています。

面白い事例として、自動販売機への補充の多期間で製品在庫を考慮した問題（数千顧客で30日分）があります。この大規模問題例に対して30%以上の費用削減に成功しました。さらに、過去のデータと解の組を保管することによって、機械学習を用いて高速に高精度の解を算出するMOAI（機械学習と最適化の融合）技術も開発しています。

6. サプライチェーン・リスク分析（最適化）

災害などによるサプライチェーンの途絶を事前に対処するための分析ツールで、よりリスクに強いサプライチェーン構築のための意思決定をサポートします。

MOAI Supply Chain Risk Analttics では、部品展開表、生産情報（どの工場でどの部品を製造しているか）と輸送情報（どの工場からどの工場へ輸送を行っているか）を統合し、最適化をベースとした分析を行うことによって、途絶の影響が大きい部品とその生産工場を特定します。

7. 収益最適化

航空機の座席、列車や船の座席、ホテルや旅館の部屋、 レンタカー、野球の観戦券、テレビのコマーシャルの時間帯、 コインパーキングの駐車場、食品、家電やファッションなど一定の期間をすぎると価値が減る商品に対する需給バランスと企業収益を考慮したダイナミックプライシングソリューションも提供します。

AI予測と最適化を組み合せた最先端アルゴリズムを用いて予測やルールに基づく需給バランス調整だけでなく収益最大化も同時に自動で行います。また、価格変動に対して顧客の心理の考慮（実験経済学のプロスペクト理論）、ホテルの連泊、航空機チケットの乗り継ぎや連番座席の考慮など、様々な実際問題に対応可能です。

アルゴリズムの性能

最適化アルゴリズムについては、できる限り多くのベンチマーク問題例で実験的解析を行い、SOTA(state of the art)のアルゴリズムと同等以上の性能を出すことを確認済みです。また、弊社独自の機械学習と最適化アルゴリズムの融合（MOAI）技術、複数の最適化アルゴリズムからの自動選択などの先端技術を使うことによって、SOTAアルゴリズムの数倍から数百倍の速度向上を実現しております。


1万ジョブのスケジューリング最適化問題求解イメージ

導入方法

最適化課題解決フロー