ニュース

Jul 12, 2023

データ サイエンスを使用した次世代ウェアハウスの構築と運用の変革

Tutti gli scenari sopra descritti si ripetono in molte catene di approvvigionamento.

すぐに使えるテクノロジーソリューションがあるにもかかわらず、上記のすべてのシナリオは多くのサプライチェーンにわたって繰り返されます。 人工知能と機械学習には、データ分析によって倉庫業務を変革する力があります。 データの高度な分析はすでに世界中の NextGen 倉庫で使用されており、倉庫活動に革命をもたらしています。 いくつかの解決策は次のとおりです。

スマートな予約スケジュール

機械学習は、倉庫での注文、予約、スケジュールの履歴データをレビューします。 トラックの予定時刻と到着時刻を精査した結果、慢性的な遅刻運送業者や天候による遅延などのパターンが検出されます。 パターンから導き出されたアルゴリズムは、注文の複雑さ、処理に必要な労力、倉庫の負荷などのさまざまなパラメーターを含む、データの分析から得られるより深い洞察に基づいて洗練されます。 ML モデルは、インテリジェントな予約スケジュール AI ソリューションが策定される前に、「もしも」シナリオのさまざまなシミュレーションを使用して、最適なスケジュールを予測するようにトレーニングされています。

予定を立てる必要がある倉庫スタッフは、利用可能な選択肢を切り替えて推奨事項を選択できます。 「スマート」スケジューラーは、予定を予約するだけでなく、その日の全体のスケジュールやアクティビティの方向 (インバウンド/アウトバウンド) も調整します。 同じカレンダー スロットに入れることができる予定の数を表示し、ピッキング ステータスを反映し、遅延の理由を示し、注意が必要な矛盾にフラグを立て、アクティブな時間と非アクティブな時間を監視し、遅刻者に対応する最適な機会を特定します。 これらすべては、他の通信事業者のターンタイムを損なうことなく行われます。

利点：ターンタイムの短縮、スケジューリングの正確さ、遅延の削減、スケジューリングの自動化、滞留料金の回避による節約、1日を通しての倉庫負荷の最適化、労働力の配分、ドライバー/運送業者への予約済みの予約メールまたは電話メッセージ、ドライバーの健康、安全そしてスピーディーな発送対応

予測在庫管理

顧客の需要、現場からの原材料の需要、小売業者からの注文、製品の賞味期限が在庫管理に影響を与えます。 サプライチェーン全体で表面化するリスク、ソーシャルメディアを通じて追跡される消費者感情、メーカー、サプライヤー、その他の関係者に対する一般の認識さえも、在庫管理に悪影響を与える可能性があります。 したがって、多様なデータセットを監視し、それを積極的に理解することが予測分析です。

予測在庫管理を実装するには、過去および現在のデータからなる非常に大規模なデータセットが集約、フィルタリング、分析、モデル化されます。 極端な気象条件や販売時点データに見られるスパイクなどの制約は、機械学習アルゴリズムがより最近の履歴に基づいて予測することを「学習」するように促すために導入されています。 データの可視性の高さが重視されるため、購入の意思決定を行うマーチャンダイジング マネージャーと倉庫マネージャーとの間のギャップを埋めることができます。

倉庫管理システム、ベンダー在庫管理、マーケット バスケット分析、流通注文管理、サプライ チェーン計画などの多くのアプリケーションからのデータは、結果のシミュレーションと予測、コラボレーションを強化する洞察の発見、機敏な在庫管理戦略の開発に役立ちます。

需要パターン、今後の不足、無駄、在庫の総所有コスト、サードパーティサプライヤーからのデータを含めたスケーリング、SKU 数、スロット調整などのパラメーターも、予測在庫構築を促進するために使用されます。

利点：効果的なコスト削減、洞察力に富んだ意思決定、プロセスと関係者間のより良いコラボレーション、戦略的調達、過剰在庫の防止、成長に向けた拡張性、需要の創出、顧客満足度とエクスペリエンスの向上。

インテリジェントなタスク割り当て

倉庫はさまざまな作業が行われる蜂の巣であり、大小を問わずすべての作業が安全に、効率的に、そしてタイムリーに実行されなければ、事態が非常に悪い方向に進む可能性があります。 手動でタスクを割り当てる方法は、監督者の経験、裁量、ビジネス ルールに大きく依存します。 リアルタイムのタスク割り当て AI システムをトレーニングして、適切な担当者にタスクを割り当て、労働効率を向上させることができます。 ML は、さまざまな基準に基づいてタスクを分類するために使用されます。

倉庫では、これらの基準は通常、製品、距離、場所、労働スキル、過去の実績などのパラメーターに関連付けられます。 ML モデルをトレーニングして、履歴データを実行し、さまざまなタスクと担当者の組み合わせをシミュレーションして、最適なものを決定することができます。 アルゴリズムをさらに微調整することで、スタッフの生産性と時間の両方を効果的に活用できます。 たとえば、同様のタスクが待機している倉庫のゾーンで作業者にタスクが割り当てられていることを ML アルゴリズムが検出すると、インテリジェントなタスク インターリーブの推奨事項が表示されます。 作業者は、同じゾーン内で複数の「同様の」タスクを実行できます。 同様に、近くにある場合は、ピッキングと配送を同時に実行できます。

従業員とタスクのすべての順列と組み合わせを直感的なダッシュボードで表示できるため、スーパーバイザーは需要とスタッフの空き状況に基づいて 1 日全体のタスクの割り当てを計画できます。 ロボットにタスクを割り当てることもできます。

利点：スタッフの能力を最適化し、タスクのパフォーマンスを向上させ、業務のボトルネックを軽減し、シフトごとの効率を高め、安全で損傷のない取り扱いをし、無駄な時間外コストを回避し、人員不足と人員過剰の問題を防ぎ、コストを削減し、生産性を向上させます。

有効需要計画

データの収集と分析は、需要の予測と計画の中心となります。 倉庫では、SKU ごとに保管する製品の数、保管に必要なスペース、必要な労働力、および必要な作業シフト数を正確に予測することが重要です。 納品を実行しながら、外部サプライヤーを生産プロセスのタイムラインに合わせることはさらに重要です。 将来のすべての出来事を予測することは不可能ですが、需要計画ではさまざまなパラメーターを使用してすべての不測の事態をカバーします。 たとえば、短期、中期、長期の需要です。 過去の売上データは前月、四半期、年に分類されます。 クリスマス、感謝祭、イースターなどの季節的な需要。

経済、政治、社会、環境、技術、法律など、需要に影響を与える要因は数多くあるため、利益を得る、または損失を被るという点で製品やサービスの将来のパフォーマンスを予測することは不可能です。

ML は、複雑な数学的アルゴリズムをビッグ データに適用して、需要パターンを検出し、データ セット間の関係を確立し、需要信号を検知します。

十分に訓練されたアルゴリズム (過去のデータと what-if クエリが入力されたもの) は、不測の事態に対処するために適切なレベルの安全在庫を推奨します。 イベントやプロモーションの範囲は、消費者の好み、価格への敏感さ、購入を促すその他の「動機」要素に関する洞察を共有する ML アルゴリズムによって決定できます。

利点：効率的なサプライチェーン、最適な在庫レベル、スムーズで組織的な生産、顧客とサプライヤーの健全な関係、在庫切れや陳腐化の防止、保管スペースの最適化、倉庫コストの最小化。

最適な容量使用率

物理的なストレージ容量は、必ずしも倉庫の容量使用率に反映されるわけではありません。 容量利用の最適化とは、製品の高さと寸法、必要な在庫、作業員が自由かつ安全に移動しながら、商品を迅速に見つけて注文を効率的に実行するために必要なスペースに基づいて保管場所を使用できることです。 WMS データに加えて、倉庫機能の定期的な検査は、異常の検出に役立ちます。 高度なコンピューター ビジョン技術が検査に使用され、深い洞察が得られます。

異常を修正し、救済策を提案するために開発された ML アルゴリズムは、最適な容量使用率をモデル化するために使用できる洞察を提供します。 在庫、受け取り、ピッキング、安全性、収納、安全性、パフォーマンスの KPI を追跡することで、スペースだけでなく、保管、フルフィルメント、補充などの作業も含めた倉庫容量の総合的な改善に光が当てられます。

クロスドッキング（商品を受け取りから出荷まで直接移動する）、倉庫のスロッティング（SKU または製品の特性に基づいて在庫を保管および整理する）、アルゴリズムによって行われたレイアウトの変更などの提案は、倉庫管理者によって評価され、受け入れられます。 AI モデルは、需要予測と設備稼働率を相互に関連付けることができるため、労働時間数、ピッキングに費やされる時間、スタッフの可用性などの機能を最適化してギャップを埋めるための推奨事項を作成できます。

利点：作業プロセスフローの改善、時間とお金の節約、人と製品の安全、スムーズな販売、組織の改善、ベンダーの信頼、営業経費の削減、在庫の可視化、自動化、サプライチェーンの最適化

継続的なプロセスの最適化

倉庫の場合、総運営費の 55% を占めるピッキング プロセスを最適化する余地があります。 機械学習を活用してピッキング作業を最適化しました。 製品の寸法、ピッキングカートとピッキングルート、保管場所、歩行距離などのさまざまなパラメータをさまざまな組み合わせで「テスト」し、最適なソリューションを導き出します。 WMS データを活用して、同様の注文をグループ化し、自動ピッキング リストを提案します。 倉庫のラック、パレットのスタッキング、注文を仕分けするためのコンベヤー システムには多くの革新的な技術が導入されており、プロセスの最適化は継続的に行われています。

プロセスの推奨事項には、ゾーン ピッキング、クラスター ピッキング、バッチ ピッキング、個別注文ピッキング、およびこれらのピッキング方法の組み合わせなどの生産性向上技術が含まれる場合があります。 食品業界では、ピッキングをさらに適応させて、シングルサーブまたはメガパックに対応する注文プロファイルを満たすことができます。

マスターデータ、注文明細、レイアウト座標も分析されます。 バーコーディング、RFID、音声ピッキング、ピック・トゥ・ライト、ウェアラブル、ロボット アームなどの新しいテクノロジーをデータ分析と連携させて、業務効率を向上させることができます。

特に食品業界では、接触や汚染を防ぐために自動保管および取り出しソリューションが推奨されています。 ロボットによるパレタイジングとデパレタイゼーション、および自動搬送車両の組み合わせが使用されます。

さまざまな製品を保管する非常に大規模な倉庫では、仮想的な新しいフロアプラン、新しいワークフロー、および倉庫機能のあらゆる側面のバリエーションによるプロセス全体のデジタルツイン化を最初にシミュレートできます。 プロセスデータと資産データの両方が、デジタルツインを通じてプロセスの最適化に貢献します。 仮想シミュレーションから得られた洞察はアクションに変換されます。 この演習に基づくモデル アルゴリズムは、物理世界のプロセス ツインに導入されます。

利点：ミスの削減、コスト効率の向上、データ主導の意思決定、パフォーマンスの向上、運用の合理化、ROI の向上、ダウンタイムの削減。

組織的な物流計画

物流には、倉庫内の組織、移動、管理が含まれます。 政策や物の流れ、抽象的な時間や情報などが含まれるため、スムーズに整理するのは非常に困難です。 これは、トラック、パレット、製品を追跡することを意味します。 幸いなことに、データはさまざまなソースからも入手できます。

ML は、ERP、ルート管理、資材管理、注文管理システム、IoT センサーからのデータを使用して、車両とカートのルートを改善するための新しいアルゴリズムを計算します。 車両診断、運転パターン、位置情報からのデータがリアルタイムで追跡されます。 納期厳守、納品時の商品状態、返品に関する顧客データなどのサプライヤーデータの分析が行われます。

コストや使用率などの輸送および倉庫の KPI とともに、物流の品質が評価され、パフォーマンスを向上させるために物流をさらに組織化および計画するための推奨事項が作成されます。

データは倉庫内の協働ロボット、ロボット、無人搬送車からも収集され、その洞察はいくつかのタスクをさらに自動化するのに役立ちます。

利点：安全でコスト効率の高い輸送、ルートの最適化、正確な在庫配置、リアルタイムの在庫数、返品の削減、自動補充、倉庫スペースの最大化、在庫の追跡可能性。

Sunil Kardam は物流およびサプライ チェーンの責任者であり、Gramener のクライアント パートナーです。