流通業界

雇用体制による勤務時間制限や熟練作業者の有無、作業スタッフの対応可能セクションなど、さまざまな制約条件に当てはめた業務采配を適切におこなうためのソリューションを開発。

まずは作業項目を洗い出し、必要となる人員を予測する予測アルゴリズムを開発。次に、その予測モデルから得たデータを元に、最適な人員シフトと配置を算出する最適化機能を開発。株式会社ブレインパッドの最適化エンジンをベースに、予測機能と最適化機能を組み合わせて、業務采配をオートメーション化しました。

人員配置や勤務シフト支援ソフトはありますが、顧客の業務体制に合わせた開発をおこなうことで、業務要件を満たし、スクラッチ開発よりも安価な費用で高精度なシステム開発が可能になりました。

新規顧客と既存顧客それぞれを優良顧客に育て、製品DMやカタログ掲載商品の購入までいけるようにするため、データドリブンマーケティングを実施しました。

最新購買日・購買頻度・購買金額から分析・特定したロイヤルカスタマーと、それ以外の顧客の購買行動を比較してターゲットを選定。施策を評価。さらに、ブランド間共起分析で顧客の購買商品に合わせたおすすめ商品の特定、顧客クラスター分析でコンテンツ内容を決めたりと、多種多様なデータを元にマーケティング分析をおこないました。

コロナ禍でネットでの買い物が増え、従来のやり方では配達に無理が生じてきました。対応できる施策を講じるため、機械学習（Machine Learning）技術を活用した現場オペレーションの改革に着手。全国に配送センターなど約4000の拠点における、業務量の予測精度向上と経営リソースの最適配置に取り組みました。

業務量予測では、各営業所の3ヵ月先の業務量を1日ごとに予測し、スタッフ・車両・経営リソースの最適配置とコスト化を。EC発送の荷物量予測では、リアルタイムで可視化できる体制を構築。

機械学習モデルを継続的に改善する手法「MLOps（Machine Learning Operations）」を導入することで、機械学習モデルの安定した開発や実装、運用の高速化を実現しました。

当日に出荷量が分かる仕事が多いため、車両手配だけでなく倉庫業務のための人員調整も難しい状態でした。そこで、AIを活用して過去のデータやその他のデータなどから予測する「AI-Buffalo-」を導入。 導入後は、予測データから数日先の車両手配や倉庫スタッフの調整が可能になり、人手が不足もしくは多すぎたりすることがなくなりました。

また、これまで長年の勘で予測していたのが、しっかりとしたデータに基づいた数値で考えられるようにも。 予測精度の向上次第では、混載便の配車計画も物流予測から読み取ることができるようになるのではと期待されています。車両一台当たりの積載率が上がれば、必要となる車両台数も少なくてすみ、物流会社だけでなく依頼主にもメリットとなります。

流通・小売企業において、毎月の棚卸作業は手作業でおこなっていました。時間がかかるだけでなく労力もかかり、ヒューマンエラーが起こりやすいことからも、これらの問題を解消するためのオートメーション化が課題になっていました。そこで、株式会社エーエヌラボが開発したソリューション「PicMatch」を導入。

あらかじめデータベースに各商品の背表紙画像を登録しておき、棚卸で撮影した商品棚の写真をPicMatchのライブラリで解析・検索。商品の型番を特定し、棚卸作業を自動で実施できるようにしました。