総合情報サイト / AI活用事例・AI導入事例 / サプライチェーン領域におけるAI活用例9選

サプライチェーン領域におけるAI活用例9選

サプライチェーンとは、商品がユーザーに届くまでの一連の流れのことをいいます。 具体的には、材料の調達から製造、配送、販売といった工程のことです。 サプライチェーンを管理する方法は、サプライチェーンマネジメント(SCM)と呼ばれます。 近年、サプライチェーンマネジメントにAIを導入することで、売上を最大化する動きが加速しています。 マッキンゼーの2018年のAI調査においても、約8割の会社がサプライチェーンへのAI導入にポジティブな効果を認めています。 サプライチェーンマネジメントでAIはどのように活用できるのか、導入事例を9つご紹介します。

  • サプライチェーンマネジメントにおけるAI活用事例

    製造から販売まで、サプライチェーンの様々な工程でAIは活用できます。
    業種・業界や抱えている悩みによって活用方法が異なるため、代表的な9つの事例をご紹介します。
    気になる箇所をクリックすると、事例を解説した箇所にとべます。

    在庫管理の最適化
    商品配置の最適化
    高精度の需要予測
    物流スケジュールの最適化
    生産計画の最適化
    製造業での異常・故障検知
    倉庫内作業の効率化
    混雑回避
    経営判断の精度向上

    在庫管理の導入事例

    何を目安に在庫量や在庫回転率を適切とするのかは、発注担当者にとって永遠の疑問です。
    ですが、AIを活用すれば、適切な在庫量を元に在庫管理を効率化できます。
    自動車会社の製造部門で、サプライチェーンマネジメントにAIを導入した事例をご紹介しましょう。
    同社がAIを導入したのは、店舗数が4倍になるなど事業規模が急速に拡大している時期でした。
    店舗数が増えたことで、より効率的な在庫管理をする必要があったのです。
    そこで2016年よりAIの導入を開始し、店舗在庫の削減や顧客への配送スピード向上を目指しました。
    AI導入後は、オペレーション、経理、在庫など様々な部署のデータをAIプラットフォームに統合し、アルゴリズムを構築。
    結論からお話しすると、在庫管理においてAIは大きな成果をあげることに成功しました。
    商品を入荷してから売り切るまでの期間である「在庫日数」を、なんと35%も削減できたのです。
    商品入荷から販売までのリードタイムが短縮されたことで、現在では効率的な在庫管理と売上予測もできるようになっています。
    AIを活用した在庫管理については、こちらをご覧ください。

    商品配置最適化の導入事例

    小売業において、限られた倉庫内のスペースで商品を無駄なく効率的に配置するのは、至難の業です。
    商品の売れ行きによって置き場が変わることも珍しくないため、商品配置を管理するのは骨が折れます。
    ですがAIを活用すれば、工場や倉庫内の商品配置も最適化できるのです。
    具体的な事例として、食品の冷蔵保管サービスを行っている企業での導入事例をご紹介しましょう。
    同社はAIを導入することで、販売リードタイムの短縮とレイアウトの最適化に成功しました。
    AIが受注した商品の到着日や倉庫からの出庫日を予測し、最適な商品配置を提案してくれたからです。
    さらに、AIが商品ごとの販売リードタイムを把握することで、保管期間が長い商品は奥、短い商品は手前といったように出庫もスムーズになりました。
    結果的に同社は、サプライチェーンで20%の効率化に成功したとのことです。
    年間約1トンもの食品を配送している企業であることを考えると、かなり大きな効果であるとわかります。

    需要予測の導入事例

    大手製薬会社での、サプライチェーンマネジメント自動化の事例をご紹介します。
    同社ではこれまで、担当者の経験と勘を頼りに製品の需要予測を行うのが主流でした。
    ですが、人はより戦略的な役割を担うべきという考えの元、AI導入を決定しました。
    AI導入により、製品の需要予測から生産計画立案までを完全自動化することが目標です。
    結果として、AI導入以前と比べて80%以上も高い精度での需要予測に成功しました。
    求める結果が得られたことで、社員はより上流の戦略立案を担えるようになったのです。
    現在は、自然災害や季節要因といった需要変動にも素早く、自動で対応できるサプライチェーン確立を目指しているとのことです。
    AIで高い精度の需要予測を行う方法については、詳しく解説している記事をご覧ください。

    物流スケジュール最適化の導入事例

    米国のとあるメーカーでは、粗利率が低下したことをきっかけにAIを導入しました。
    AIを導入することで、粗利率を確保しながら売上を伸ばすことが狙いです。
    同社はまず、製造スケジュールや過去の配送情報、気象データをAIに機械学習させました。
    そこから、対象製品が納品されるまでの正確なスケジュールを算出。製品の正確な配送日や在庫数を算出できるようになったのです。
    これにより、顧客と販売員は購入できる製品や納期をリアルタイムに把握できるようになりました。
    顧客にとっては欲しい製品がいつ届くのかがわかる上、納期によって購入する製品を変えるなどの調整も可能になりました。
    結果として、粗利率の改善だけでなく顧客の満足度も向上しています。

    生産計画最適化の導入事例

    大手食品メーカーは、製菓事業と洋菓子事業という2つの主力事業によって成り立っています。
    量販店に製品を販売する製菓事業に比べ、店頭で製品を販売する洋菓子事業では、10年以上も赤字が続いていました。
    そこで同社は事業の立て直しをはかるべく、洋菓子事業にAI導入を決断。2000種類にのぼる製品の過去の販売状況や、顧客属性をAIに機械学習させました。
    これにより、どのような店舗・条件下でどの商品が売れるのか、正確な製品需要を予測できるようになったのです。
    AIの需要予測を元にすれば、生産ラインの編成や人員配置の無駄を省いて生産を最適化できます。
    もちろん、売れづらい商品の製造を抑えることもできるため、生産コスト削減にもつながっています。
    フードロスも削減でき、社会的にも有意義なAI活用方法といえるでしょう。

    製造業での異常・故障検知の導入例

    AIやIoTセンサーを、製造現場に取り入れる動きが広がってきています。
    IoTセンサーとは、ネットワークに接続して情報収集・管理できるセンサーのことです。
    通常のセンサーと違って検知したデータを蓄積できる他、他の端末やサーバーにもデータが送信できます。
    データを蓄積することで、収集したデータの活用がしやすい点が、IoTセンサーのメリットです。
    具体的な活用方法としては、工場の生産性向上や故障の早期発見などがあげられます。
    例えば、IoTセンサーが機械の稼働データを収集・分析すれば、パフォーマンスの低い機械の特定が可能です。
    また、機械の故障や不具合を事前に察知することもできます。
    機械が故障する前に点検・整備できるため、生産ラインの停止を回避することもできます。
    これら故障や異常を早くに検知することは、工場の稼働率最大化にもつながっています。

    倉庫内作業効率化の導入事例

    大手物流会社で、倉庫内作業や不良品検知を効率化させた事例をご紹介します。
    同社では、倉庫内作業やサプライチェーン全体の効率化を目指し、AIを導入しました。
    使用したのは、名札型のウェアラブル端末。作業員全員に着用してもらい、倉庫内での行動データを収集しました。
    データを分析したところ、倉庫内で作業が混雑しやすい場所が発見されたのです。
    混雑を回避するには、混雑する棚周辺の作業時間を分散させる必要があります。
    そこで、作業員ごとに異なる作業時間を割り振ったところ、無事混雑緩和に成功。スムーズに倉庫内で作業できるようになり、倉庫内の作業効率は向上しました。
    同社ではこの他に、生産ラインでの不良品検知にもAIが活用されています。
    撮影した食品・動画データを機械学習させ、不良品判定のアルゴリズムを構築。
    AIが画像・動画データを元に自動で不良品を判別できるようになり、人手不足解消にも成功しています。

    混雑回避の導入事例


    あるリゾート会社では、AIの技術を利用したリストバンドを来園者に渡しています。
    リストバンドにはGPSとRFIDが内蔵されており、来園者の行動・購買データを収集しています。
    RFIDとは、タグデータを非接触で読み書きするシステムのことです。タグの読み取りといえば、バーコードで1枚づつスキャンするイメージでしょう。
    ですが、RFIDは電波でタグを読み取るため、一度に複数のタグをスキャンできます。
    さらに、距離が離れていたりタグが表に出ていなくても、電波でタグを読み取ることが可能です。
    GPSとRFIDを掛け合わせることで、来園者がいつ・どこで・どのアトラクションを利用しているかといったデータが集められます。
    同社はリストバンドに予約機能を追加し、人気アトラクションの混雑回避に成功しました。

    経営判断の精度向上

    AIによる需要予測や生産管理は、ここまでご紹介した通り、既に様々な企業で導入されています。
    近年はさらに上流工程である、経営判断にAIを活用する動きが増えていることをご存知でしょうか。
    経営判断というと、経営者や企業幹部によって意思決定を行うのが一般的です。
    ですが、市場動向の急速な変化や購買行動の多様化から、経営者の経験による意思決定は困難になりつつあります。
    AIであれば、過去の販売実績や顧客データ、市場規模の変化といった膨大なデータを学習して経営判断ができます。
    最初の予測精度が低かった場合も、学習を繰り返すことで予測精度を高めることが可能です。
    学習を積み重ねれば、経営者と同等かそれ以上の精度も期待できるかもしれません。

  • プログラミング不要でAIが構築できる「MatrixFlow」

    需要予測、製造、管理、発送、販売など、サプライチェーンの様々な工程で活用できるAI。
    AIにも様々な種類があり、自社で開発する方法や、既存のAIを導入する方法もあります。
    自社で開発する場合、潤沢な開発資金や開発できる人材の確保も必要なため、導入ハードルが高いです。
    本記事では、既存のAIシステムを導入する一例として「MatrixFlow」をご紹介します。
    「MatrixFlow」とは、AIを構築できるプラットフォームのことです。
    AIを構築・運用するためには通常、プログラミングが必須です。
    ですが、MatrixFlowはプログラミングせずにAIの構築から運用までできます。
    画面上でのドラッグ&ドロップがプログラミングの代わりになるため、技術・知識がなくてもAIが構築できるのです。
    さらに、AI構築に関する全ての工程・データは、プラットフォーム上で一元管理できます。
    開発ノウハウはテンプレートとして蓄積されるため、新たにAIを開発する場合は工数削減にもつながります。
    もちろん、過去の開発事例を元にしたテンプレートを使用することも可能です。
    サプライチェーンマネジメントに活用できるAIも構築できるため、詳しくはお問い合わせください。

関連した事例