
気象と販促情報を織り込んだ需要予測で、勘に依存していた生産数の決定を自動化しました。
従業員210名、コンビニ向け患菜を3工場で製造しています。日配7品目はいずれも消費期限が短く、作り置きができません。 生産数は、前年同日の出荷実績に直近の発注傾向と経験を加味して決めていました。毎朝5時に出社した生産管理者1名が、Excelで約50分かけて確定させます。 この方法でも大きく外すことは少なかったものの、廃棄ロス率は月商比2.1%で下止まりしていました。欠品を避けたい心理から多めに作る判断が働きやすいためです。加えて、判断のロジックが1名の頭の中にあり文書化されていないため、担当者が休んだ日はロスが跳ね上がっていました。
品目コードの改廃による同一商品の別コード記録や、設備トラブルによる臨時停止日の実績を除去しました。この前処理に全体の約3割の工数を充てています。
気温・降水量は前日16時時点で入手できる翌日予報を使用しました。実績値で評価すると精度は高く見えますが、運用時には使えない数字になるためです。
欠品はコンビニ本部の評価に直結するため、迷う場合はやや多めに作る方向へ損失関数を調整しました。
AI予測は上書き可能で、その際は理由の選択を必須としました。この記録がモデルの弱点を示す最良のデータになります。
年換算で約2,800万円相当の削減です。効果が最も大きかったのは気温変動の大きい春と秋で、前年実績のみに頼っていた際の外し方がなくなりました。
0.4%から0.5%への微増にとどめています。事前に合意した上限0.8%の範囲内です。
上書き理由を分析して変数を追加した結果です。残る9%は台風接近など事前情報のない事象に集中しています。朝5時出社も不要になりました。
毎日16時に前日までの出荷実績と翌日の気象予報を自動取得し、暦・販促情報と結合して特徴量を生成します。品目別・工場別のモデルで翌日需要を算出し、廃棄コストと欠品損失の重み付けを反映して生産推奨数量へ変換。生産管理者が確認・上書きした結果を各工場へ配信します。
6カ月
データ棚卸し6週、モデル構築8週、システム実装6週、従来方式との並行運用6週
1150万円
要件定義・データ整備350万円+モデル構築400万円+実装400万円(税抜)。運用は月2万円程度