需要予測と在庫最適化

業界の現状

多くの企業では、過去のデータや外部要因などのすべての情報から統一した予測をたてるのではなく、会議室での合議で需要計画を決めたり、それとは独立に営業が需要目標を決めていたりするため、過剰在庫と販売機会の喪失が同時に発生しています。過剰在庫はキャッシュフローを圧迫しますが、会計上は資産とみなされるために、在庫を持つことに抵抗がなく、品切れを防ぐために在庫の保管場所を増設しています。顧客ニーズの多様化による製品数の増加、キャンペーンや頻繁な新製品導入などにより、在庫は増加の一途をたどっています。さらに、製品はすべて同一の在庫戦略で処理され、製品の特徴を考慮した在庫配置や在庫方策の適正化はされていません。そのため、ある製品は品切れをしている状態なのに、別の製品は過剰在庫のまま消費期限がきて廃棄せざるをえなくなっています。

ソリューションの現状

需要予測や在庫管理に対しては、古典的な手法を取り入れたシステムが多く販売されていますが、最近では、予測には機械学習を取り入れたものが、在庫管理に対してはシミュレーションに基づくものが出てきています。機械(深層)学習を用いた需要予測では、商品数が多い場合には週次や月次で行うものがほとんどで、日単位や時間単位での木目の細かい予測に対応していません。多段階の在庫システムに対しては、1段階の問題を個別に解いているだけのものや、可視化とシミュレーションを行うデジタルツインがほとんどですが、外資系の大規模システムには、全体最適化を目指したものが一部含まれています。

MOAIソリューション

私たちは、中期レベルの多段階安全在庫配置に対して大規模問題用の解法を開発しています。これを用いると、1万地点を超える大規模ネットワークの最適安全在庫配置を計算することができます。そのため、サプライチェーンの各拠点の安全在庫だけでなく、工場内の仕掛在庫の配置も同時に最適化することができます。

一方、短期レベルの在庫方策最適化に対しては、単にデジタルツインのようにシミュレーションを行うのではなく、シミュレーションに深層学習を組み込むことによって、最適な動的在庫方策を求める方法を開発しています。

需要予測に対しては、自動機械学習(AutoML)と自動最適化(AutoOpt)を融合したシステムを提案しています。これによって、大規模な需要予測を高速に行うことができ、社内全体で統一した精度の高い予測値を使うことが可能になります。

提供方法

最適化課題解決フロー

関連するMOAIプラットフォームモジュール