ラマソフト・サプライチェーン・ブログ

データの課題を克服:サプライチェーンデザインをシンプルにする分析テクニック

By LLamasoft  August 16, 2018

サプライチェーンのデザインをはじめ、ほぼあらゆる分野でデータの利用が増加しています。実際、データの収集と利用は、組織が直面する最大の課題の1つによく挙がります。かつては、モデル化の作業はスプレッドシートで対応できる程度のデータ容量でしたが、今ではテラサイズ容量のデータを活用することもあります。この進歩により、サプライチェーンデザインでより深く、より意味のあるモデルの作成が可能になりました。その一方で、大規模なデータをモデル化することは難しく、モデルの構築に長い時間がかかるようになっています。そこで企業の多くは、より短い時間でデータを分析して結果を出すため、高度な分析手法を活用しています。

こうした状況の変化により、顧客別やSKUレベルといったより細かいレベルで作業ができるようになり、ロバスト性の向上によるデザインモデルの成功が高まったことで、結果に対する関係者の信頼が向上しています。その一方で、課題も多く生じています。データの問題を突き止めることは困難で時間もかかります。プロジェクト後半に問題が明らかになると、スケジュールに大きく影響することもありえます。データの意味を把握するには、重要な要因を集約、要約し、理解することが必要ですが、サプライチェーンをデザインするうえで、重要な要素であるSKUや顧客のグループを正しく捉えているのか、どのようにして判断できるのでしょうか? 複数の要因と変数を区別し、どれが重要であるかをどう見極められるのでしょうか?

サプライチェーンデザインへの期待が高まるにつれ、意思決定者からの質問は当然より多く、より深いものになっていくでしょう。需要の増加に加え、大規模なデータセットがもたらす課題も多く、分析担当者やマネージャーはプロセスの改善や革新的な分析を素早く検討、適用して、スピーディーに答えを出すことが求められています。

データのワークフローに分析のテクニックを組み込むことにより、状況が変化するのに合わせてモデルやモデル構築プロセスを自動的に適応させることが可能になります。こうしたテクニックを活用すれば、以下のような主要なモデル化作業の改善、合理化が可能になります。これは、分析担当者やマネージャーが求めるプロセス改善の実現につながるでしょう。

 

  1. データクレンジング:統計的手法を使って、異常値を自動的に特定して除外したり、時間の経過による傾向やパターンを識別して、重要な入力パラメーター(リードタイム、歩留り、需要など)に見られる変動をモデル化できます。データクレンジングすることで、最適化やシナリオ検証モデルに対するインプットが確実に有効となるようにすることができます。
  1. データ集約:クラスタリング手法を使い、動きが類似する顧客や製品のグループを見い出し、データが集約されても重要な要因の可視性を維持できます。データが変更されるとグループ化も変更され、モデルは自動的に新たな状況に適応することができます。
  2. コストのモデル化:多変量解析を使用して、調達、想定される取扱量、業界の市場変化など、コストに影響を及ぼす様々な要因をモデル化できます。
  3.  需要予測:満たすべき需要はサプライチェーンモデルにおいて重要なインプットであるため、単純に過去のデータを使用するだけでは十分ではありません。予測のテクニックを使って、将来の需要値(その他、供給、コスト、歩留りなどの重要なインプット)を予測することができます。そのため、長期的な傾向や季節変動性だけでなく全体的な経済状況など他の要因も考慮することが可能になります。
  4. アウトプット分析:変数重要度分析は、例えばSKUを在庫するか否かの判断に役立つ重要な要因を理解するなど、意思決定につながる主要な要因の洗い出しに役立ちます。

 

今後、データのワークフローを構築してサプライチェーン最適化のプロセスを作成する際には、上記の手法の活用についてもご検討ください。サプライチェーンデザインを始めるには、まずはこちらのラマソフトサプライチェーンデザイン・ツールキットをご覧ください。