LeeapLabs inc. の『レベルプランナー・プラットフォーム』の在庫最適化

開発の背景

従来の在庫管理ソフトウェアは、生産性や効率の最大化に重点を置いていますが、在庫最適化は潜在的な損失と利益のバランスを調整する複雑なプロセスです。最適化が難しい理由の一つに、需要のランダム性から100％の精度で予測することが困難である点があります。また、供給側の不確実性も大きく、経験や勘に頼った直感的な判断が効果を発揮しにくいことも課題です。2つの異なる時間粒度で最適化を行うことで、業務の属人化を防ぎつつ、キャッシュフローの改善、顧客満足度の向上、そして利益増加をサポートします。2つの異なる時間粒度で最適化を行うことで、業務の属人化を防ぎつつ、キャッシュフローの改善、顧客満足度の向上、そして利益増加をサポートします。

プロダクトの内容

”数ヶ月〜半年”粒度の戦略的中期：安全在庫配置の最適化

在庫管理の研究には、長い歴史があります。2000年代前後に確立された理論は、2010年代に欧米の先進企業、特に大手消費財や食品・飲料メーカーの一部で実務的な有用性が証明され、採用する会社が出てきました。

現在では、この「マルチエシェロン（多階層）在庫最適化」は業界の標準となりつつあり、これらメーカーの成功事例ケーススタディはネットでも広く公開され、実務課題を反映し理論自体も実用に合わせて現在でも拡張・改善し続けています。

昨今はまだ一部の企業に限られますが、幅広い産業界での検討や採用が進み、今後は日本でも同様の動きが見られると期待されています。

本プロダクトは様々な在庫種類がある中で、最もコストのインパクトが大きい安全在庫を複雑なサプライチェーンネットワークのどこに配置するべきかを最適化することで、在庫切れによる機会損失や過剰在庫による廃棄ロス損失、キャッシュフロー悪化の最小化、需要の不確実性とのトレードオフ実現を目指します。

プッシュ型の需要予測の見込みに基づきあらかじめ在庫を貯めて準備しておく地点と、プル型のランダム性のある需要が発生した時点で消費される在庫地点の境界線となる通称デカップリングポイントの最適ロケーションを決定します。

最適なロケーションと在庫量は以下の主に3つの要素を考慮し、ネットワーク全体で同時に在庫量を自動調整します。

1. 需要予測とその誤差
2. 供給リードタイム内の施設内でのサービス時間（製造時間や倉庫の出入庫時間）
3. 供給リードタイム内の輸送時間

需要側ではSNSの影響や異常気象によって急な需要変動が日常よく発生し、供給側では設備の故障や外部環境の影響で遅延が発生します。またサプライヤーがいる地域での自然災害、商品準備は整っているにも関わらずストライキにより港や輸送路線が閉鎖される場合、地政学的なリスクで輸送ルート自体が通行止めになるケースもあります。

サプライチェーン計画における意思決定の時間軸が長ければ長いほど最適化の余地が大きく、”四半期〜年”粒度での中〜長期のサプライチェーンネットワーク構造最適化と、この安全在庫配置の2つを合わせ、サプライチェーンのコストの80%が決まるとされています。

＊安全在庫の最適配置はネットワーク構造に大きく依存するので、ネットワーク構造に変化が生じた場合は必ず再計算が必要です。

”数週間〜数ヶ月”粒度の戦術的短期：いつ、どれくらい量を発注するかの在庫ポリシーとポリシー変数の最適化

本プロダクトは、各商品や在庫拠点ごとに、以前は経験やエクセルを使って行っていた発注タイミングと発注量の計算を在庫コストと発注コスト（製造業ではセットアップコスト）のトレードオフを常に最適化させるように自動化します。

具体的には販売実績や需要変動、予測誤差などのデータを元に基準在庫レベルを計算し、AI＆デジタルツインによるシミュレーションで最適な在庫ポリシーやポリシー変数のシナリオ分析が可能となります。

またマルチエシェロン（多階層）在庫最適化の安全在庫量と合わせて、各拠点の在庫状況をリアルタイムで監視し、補充計画や在庫計画のパフォーマンスを評価することができます。

本プロダクトでできること

需要予測/需要センシング

需要センシングとは、天候、交通情報、経済状況、イベントなどの外部データと、企業の過去の実績データを組み合わせることで、短期間での高精度な需要予測を実現します。

商品特性に基づくサービスレベル設定

各商品の特性に合わせて、適切なサービスレベルを設定するための分析を行います。

サービスレベルの最適化

設定されたサービスレベルを最適化します。

動的補充在庫の推奨

在庫補充のタイミングと量を動的に調整し、最適な在庫数を推奨します。

異なる時間軸での最適化シナリオ分析とシミュレーション

短期（数週間〜数ヶ月）と中期（数ヶ月〜半年）の2つの時間軸で、最適化シナリオの分析とシミュレーションを行います。