ビッグデータ×AI統合でビジネス価値を最大化する

企業がデータと分析能力からビジネス価値を生み出す未来を形作る、単一で最も重要な発展とは何か？

MITスローン・マネジメント・レビューによれば、それはビッグデータと人工知能の融合だ。しかし多くの企業は、その結果としてのビジネスメリットを提示されても、同じ躊躇を口にする。「うちにはそのデータがない。バラバラで無秩序だ。データがきれいじゃない」

この懸念は理解できる。散在し、サイロ化し、膨大なデータは、業種を問わず今日の企業に共通する課題だ。その結果、経営リーダーは「AIのような最先端技術を導入する準備ができていない」と考えがちだ。しかし現実には逆だ。AIこそがデータを洗浄・統合・合理化し、莫大なビジネス価値を生み出すのだ。

AIをビッグデータプロジェクトに活用する最大の機会は、サプライチェーン管理と業務運営における4つの主要ユースケースに見られる。

ユースケース1：需要ドライバーと先行指標を取り込み、予測を変革する

通常、企業は過去の売上・出荷データに基づいて統計的予測を行う。しかし今日のますます変動の激しい市場では、過去の出来事が必ずしも未来の最良の予測子とはならない。ビッグデータとAIベースのモデルは、将来対応可能な環境を創出し、出荷ベースの履歴データ主導の予測から、さまざまな需要ドライバーを取り込んだ予測への移行を可能にする。それらのドライバーには、競合価格、市場状況、競合アソートメントといった外部要因や、プロモーション、価格設定といった内部要因が含まれる。

機械学習とAIなしで需要ドライバーを統計予測に取り込もうとする企業は、外れ値に基づくデータ正規化に多大な労力を費やさなければならない。例えば、サプライチェーン制約による欠品が売上減を招いた場合、予測アルゴリズムはそれが「供給側の問題」なのか「需要側の問題」なのかを自動では判別できない。従来のアプローチでは、人間が「なぜ」を入力し、履歴を実質的に修正してから統計モデルに渡す必要があった。

AIベースの需要予測プラットフォームを導入すれば、すべてが変わる。機械学習アルゴリズムはデータのパターンからモデルを構築し、明示的な指示に依存しない。これにより、需要予測を駆動するデータ入力を、MLを用いて洗浄・相関付け・適切な成果帰属が可能になる。さらに、時間経過とともに見られるパターンに基づき、処方的な需要ベースの意思決定が生成される。

ユースケース2：部族知識ではなく学習システムで計画を推進する

今日、多くの組織でナレッジのモデル化は依然として「部族的」だ。計画立案の意思決定の多くは、個々のプランナーの頭の中と判断に委ねられている。例えば、プランナーが「サプライチェーン予算を緊急対応に振り向けるべきだ」という売上予測を受け取ったとき、彼らはその需要を信頼できるか？ 実費をかけてでも応じるか？ それとも躊躇するか？ 緊急対応するか否かの決断は、多くの場合、営業担当や顧客との個人的な付き合いに基づくプランナーの「勘」に過ぎない。

ここにAIを適用すれば、部族知識が組織知識へと昇華する。予測対実績の履歴データにより、AIシステムは「信頼できる需要とは何か」「誰の予測が正確（または不正確）か」を学習する。需要対応のための緊急対応や追加コスト投入の決断は、インテリジェントな推奨に基づくものとなる。「はい、このリクエストは極めて信頼できるため自動化します」「注意して進めてください。この顧客は過去に信頼性が低く、管理職の承認が必要です」といった具合だ。

この環境では、意思決定のトレードオフをより高速・高精度・コスト効率良く行える。人的バイアスが排除され、どのプランナーが担当しても意思決定の継続性が保証される。

ユースケース3：断絶したデータをつなぎ、統合計画・意思決定モデルを構築する

ほぼすべての企業が断絶したデータを抱えている。これは蔓延する課題だ。Vanson Bourneの調査によれば、米英の組織は断絶したデータにより年間合計1,400億ドルを失っている。データサイロが存在する理由は、技術的・構造的・文化的な企業ダイナミクスにまたがる。

断絶したエンタープライズデータに起因する古典的問題の一つは、多くの企業がM&Aで成長してきたことにある。統合後は対外的に一つの企業だが、裏側では部門間の壁が長年残り続ける。販売、サプライチェーン、製品管理などで複数のERPやサイロ化システムが共存し、同一製品が複数の異なるシステムで異なる名前で管理されている。

これは、計画に必要な意思決定を支える統合像の構築を著しく困難にする。従来の是正策には、単一ERP導入や全ソースシステムでのデータ修正があるが、これらは高コスト・長期間を要し、多くの企業が「壊れているのは分かっているが、今すぐ直せない」と結論づける。

断絶したデータに浸かった企業は、統合計画・意思決定イニシアチブに躊躇する。しかしAIと自然言語処理により、システムは多様なデータポイントが実は同一であると判別できる。ソースを変更せずにそれら製品を相関付けるモデルを構築できる。在庫可視化、計画、意思決定が連携可能になる。システムが「これらは同一製品だ」と認識するからだ。

ユースケース4：計画システムにおけるマスタデータ課題を解決する

AIが計画システムで発揮する力は、自動化されたインテリジェントな意思決定をより迅速に実現することにある。しかし経営リーダーからよく聞かれるのが、「計画意思決定に必要なデータの多くは、どのシステムオブレコードにも存在しないマスタデータだ」という悩みだ。

例えば、大手小売業者は数十万SKUを流通センターと店舗網で扱う。ストレージ、労働力、輸送中・DC内・店内での商品ハンドリングなど、多次元のキャパシティ要件をモデル化する必要がある。キャパシティ要件を算出するには、各SKUが利用可能な各リソースで何を消費するかを理解しなければならない。テレビ出荷の荷下ろしにかかる人手と時間は、比較的軽いイブプロフェン出荷とは大きく異なる。

適切な計画意思決定を導くデータは、DCを流れる特定製品の量と、それに対応するキャパシティ要件に基づくべきだ。だが、誰がそれら全データを維持しているのか？ 過去には集計レベルで行う必要があり、誰もデータを取得・維持していなかったため、モデル化は困難だった。

今やビッグデータとAIにより、小売業者はトランザクション・センサー・IoTデータをログ記録時に活用し、キャパシティ要件を算出できる。作業員がトラックから製品を降ろし、DCへ移動させる過程で、膨大なトランザクションデータが記録される。AIを用いれば、意思決定に必要なマスタデータを自動生成できる。「テレビ出荷が到着する」と分かれば、その製品移動に必要な労働力を具体的かつ自動的に把握できる。ここに示したすべてのユースケースで、AIは企業のデータを最も価値ある資産の一つへと変える。

Chakri Gottemukkala氏はo9 SolutionsのCEO。