UmiosがAI予測で4,200時間の工数削減へ　基盤構築時に痛感したデータ整備・運用設計の重要性

Umiosが経験した2つの失敗　マスタデータ整備の重要性を痛感

　浦本氏は、失敗談も2つ紹介してくれた。1つは、商品コードの改廃に関するものである。商品のサイズや内容量などの規格が変わるとJANコードも変わり、同一商品であっても販売履歴がリセットされてしまう。実際、ある冷凍食品では2010年から2025年の間に5回のJANコード変更があった。人間であれば同一商品と判断できるが、AIは別商品として認識してしまう。新旧コードの紐付けは手作業で対応可能ではあるものの、予測精度の前提としてマスタデータ整備の重要性を痛感することになった。対象にした業務用カテゴリーでは該当品目がなく、問題として顕在化したわけではないが、他カテゴリーへ展開する際には避けて通れない。

　もう1つは、入力の仕組み化に関するものだ。当初、販売計画策定準備でのデータ入力方法を全国共通と想定していたが、実際には販売計画システムへの入力、Excelでの管理、さらには入力自体が行われていない拠点まで存在し、需要予測以前の状況にあった。そこで浦本氏らは、簡易入力アプリケーションを自分たちで構築し、全国共通フォーマットでの入力と月次の定時同期を実現。データ入力の均質化につなげた。

　業務用カテゴリーのみになるが、毎月の販売計画の入力はAIが担当するようになるため、マニュアル入力の時間、欠品対応や在庫滞留対応時間の削減を合わせ、本番稼働後は年間約4,200時間の削減効果を見込んでいる。役割分担としては、AIが作った予測はあくまでも提案であり、担当者がレビュー、修正の上、責任を持って確定させる体制とし、人がコア業務に集中できる土台を構築した。大木氏も浦本氏も、「今回の取り組みにおける成功要因は、予測の精度向上ではなく、データと運用の設計にあった」と口を揃えた。

　この取り組みから浦本氏は「データ品質の重要性」「運用設計に時間をかける重要性」「現場が回る運用事例をつくる重要性」という3つの学びを得たと総括した。今後に向けては、このプロジェクトの実施内容を拡張する計画も構想している。現在は予測である程度の目処がついた状況だが、続くステップ2では予測根拠の説明、ステップ3ではAIによる次の打ち手の提案へと、段階的にAIの適用領域を拡大していく。