予測ETAはワークフローに組み込まれて初めて効果を発揮する

マルチキャリアの貨物プログラムを管理するほぼあらゆる業務センターに入ると、同じような不満の声を聞くことができる。データが信頼できない。予測が業務チームの見ている状況と一致しない。在庫レポートが実際のポジションから何時間・何日も遅れている。キャリアの更新が、意思決定に影響を与える前に手動解釈を必要とするフォーマットで届く。遅延が最終的に納期遅れや計画外の緊急調達コストを引き起こす時、その失敗はキャリアのパフォーマンスやサプライチェーンの複雑さに帰される。イベントの数週間前に発生していた根底にあるデータ問題は言及されない。

予測ETA（到着予定日）を理解するコンテキストはこれだ。スタンドアロンの分析機能としてではなく、それを供給するデータインフラと同程度にしか有用でなく、アクションが取られる場所へのアウトプットを届けるワークフロー統合と同程度にしか価値を持たないプロダクトとして。

予測モデルの内側に潜むデータ品質問題

予測到着推定は入力から生成される。船舶位置データ、港湾混雑メトリクス、気象予測、キャリアパフォーマンス履歴、リアルタイムのマイルストーンイベント。これらの入力ストリームはそれぞれ独自の品質・レイテンシ・カバレッジ特性を持つ。キャリアのマイルストーンイベントが12時間の遅延を伴うバッチEDIで届く場合、船舶のAIS位置が実際の動きから何時間も遅れる場合、港湾の滞在時間推定がリアルタイムの接岸待ちデータではなく過去の平均値に依存する場合——モデルのアウトプットはそれらの劣化した入力を反映する。

リスクは、精度が高く見えながら正確ではない予測だ。特定の日時のETAを表示するモデルは、それを使用するプランナーや顧客サービスチームに認知的なアンカーを作り出す。そのアンカーが入力データが古いために間違っている場合、チームは現実を反映していない数値に基づいて実際の意思決定——労働スケジューリング、顧客コミットメント、在庫再配分——を行っている。害は下流で現れ、データ品質問題ではなくイベント自体に帰されることが多い。

サプライチェーンデータは設計上サイロに存在する

ほとんどのサプライチェーンデータ品質問題の根底にある問題は、技術的というよりも構造的だ。データを保持するシステムが各自の機能のために構築され、機能の境界を越えてリアルタイムで調整されるように設計されなかったという事実から生じる。

調達はサプライヤーのリードタイムと発注データを保有する。物流はキャリアのマイルストーンとルーティングデータを保有する。業務は在庫ポジションと生産スケジュールデータを保有する。顧客サービスは注文ステータスとコミットメントデータを保有する。財務はコストとマージンデータを保有する。各データセットは内部的に一貫している。部門横断的な意思決定が必要な場合——出荷を緊急調達するか、遅延を顧客に通知するか、生産スケジュールを調整するか——誰かがそれらのデータセットを、各引き渡し点で避けがたいレイテンシを伴いながら、時間的プレッシャー下で手動で調整しなければならない。

予測が注文と一致しない。注文が出荷と一致しない。出荷が受取と一致しない。各不一致は、データがそれを共有する必要があるシステム間でクリーンに流れていないシグナルだ。組織はしばしば別の分析ツールを追加するか別のダッシュボードを構築することで対応する。断片化した信頼性の低い入力の上に分析機能をレイヤー化しても、断片化の問題は解決されない——同じ不安定な基盤の上に構築されたより速くより自信に満ちた答えを生み出すことで、しばしばそれを増幅させる。

AIの複雑化

人工知能はサプライチェーンテクノロジー投資の支配的な物語となり、その物語の多くは予測・処方的機能に焦点を当てている。需要予測、ネットワーク最適化、予測ETA、インテリジェントな例外ランキング。これらの機能は実在し、適切な条件下では測定可能な価値を提供する。

適切な条件はデータ品質によって定義される。欠陥のある過去データでトレーニングされたAIモデルは、より単純な手法よりも高い確信度で欠陥のある予測を生み出す。不完全な入力で動作する最適化エンジンは、提供された入力では良好なパフォーマンスを示し、それらの入力が捉えられなかった現実に直面すると不良なパフォーマンスを示す計画を生成する。サプライチェーン業務においてAIから継続的な価値を引き出す組織は、ほぼ例外なく、モデル展開の前上流でデータ統合とデータ品質に取り組んだ組織だ。

これはAI投資に反対する主張ではない。シーケンシングの主張だ。分析レイヤーが宣伝通りに機能するためには、データ基盤が分析レイヤーに先行しなければならない。

ワークフロー統合問題

予測ETAが正確であっても、その業務上の価値は、更新された到着推定が、アクションを取れるシステムと人々に——自動的に、かつ変化をもたらすのに十分な時間内に——届くかどうかにかかっている。

更新されたETAを生成し、プランナーが次の予定確認時に見るかもしれないし見ないかもしれない分析データベースにそれを書き込むモデルは、組織の対応時間を実質的な方法では改善していない。ギャップを閉じるには、ETAシグナルが定義されたパスウェイに沿って自動的に伝播することが必要だ。入荷労働計画のためのWMS、顧客配送約束レビューのためのOMS、修正推定値が定義された閾値を外れた場合の優先アラートとしての例外管理キュー、対応アクションをトリガーすべき自動ルールエンジン。

これらの伝播パスウェイの設計はワークフローアーキテクチャの作業であり、データサイエンスの作業ではない。どの下流システムがETAシグナルを必要とするか、どのレイテンシで、どのフォーマットで、どのトリガー条件で必要かを理解することが求められる。多くの組織は分析モデルに多大な投資をし、モデルのアウトプットを実行可能にする統合には軽微な投資しかしない。その結果、技術的には印象的だが業務的には限定的な機能となる。

事後対応から予測的な業務へ：基盤が実現するもの

問題の両側——クリーンな最新の入力データと統合されたアウトプットパスウェイ——に取り組んだ組織は、業務チームの働き方における質的な変化を述べる。プランナーは複数のシステムからの矛盾するデータを調整することに時間を費やすのをやめ、データがすでに準備した意思決定に費やし始める。顧客サービスチームは、顧客が電話で問い合わせる前に、迫りつつある配送リスクについての事前アラートを受け取る。例外キューには、検知された時点ではなく実際のビジネスインパクトによってランク付けされたイベントが含まれる。

その業務モード——事後対応的ではなく予測的——が、サプライチェーン可視化プラットフォームが長年約束してきたプロダクトだ。正確でタイムリーなキャリアのマイルストーンデータ、プログラムの全キャリアにわたる正規化されたイベントストリーム、組織固有のビジネスルールに合わせた例外ロジック、適切なシグナルを適切なシステムに適切なタイミングで届けるアウトプット統合が必要だ。

MGSのプラットフォームはその4つの要件すべてを業務上の中核として対処している。データ基盤としてのリアルタイムのマルチキャリアマイルストーン正規化、バッチではなく最新の入力で計算される予測ETA、そして更新された到着シグナルを意思決定が行われる下流システムに届ける設定可能な例外ルーティング。

出典: Logistics Viewpoints