1SKUあたりの在庫量を約30％削減、取引先への安定供給と業務負担軽減を両立

大きくは、SKUの増加に対して、Excel中心とした発注業務の運用では限界が見えていたことです。事業が成長するにつれてSKUのバリエーションが増え、人の手で管理し続けるのは難しくなると感じていました。 特に課題として強く感じていたのが、いわゆる"発注点"の考え方です。固定の発注点の運用では、うまくいかないだろうという感覚がありました。実際、当時は発注点を単純に固定していたわけではなく、標準偏差や直近の出荷履歴などを見ながらExcelの関数で計算していましたが、それでもトレンドの変化を追いきれませんでした。 結果として、欠品も過剰在庫も発生していましたし、最終的に人の手で調整する工程が残るため、担当者ごとに判断が変わって品質がばらつきやすい状況でした。 また業務量が多く、残業が長くなるなど、業務過多も課題でした。

物流・経営の観点で言えば、在庫はなるべく少なくしていきたいというのが基本方針です。現場オペレーションとしても、物量が少ないほうがやりやすい。だからこそ物量をコントロールする必要がありました。 実際に物流拠点を増やしたのも、キャパシティが限界に近づいていたことが背景にあります。SKUが増えるほど、庫内の物量も増えやすくなるので、購買と物流をセットで最適化する必要性が高まっていました。

そうした中で「α-発注」は、実務者の経験や勘をベースにした仕組みではなく、統計学の研究に基づいて設計されている点に大きな安心感がありました。 また、事前のシミュレーションで、在庫量や欠品率がどう変化するのかを具体的に確認できたことも決め手の一つです。実際の運用イメージを持った上で導入を判断できたため、大きな不安はありませんでした。 加えて、UIがシンプルで直感的に使いやすく、現場にもなじみやすいと感じた点も評価ポイントでした。 これらの要素を総合的に見て、機能・考え方・使いやすさに対してコストが見合っていると判断し、導入を決めました。

最初の一か月は、仕入れ先を1社に絞って「α-発注」を試しました。私自身が推奨値や結果を見ながら調整して、問題点を洗い出してチューニングしました。その1か月を経たことで、その後は比較的スムーズに展開できました。 担当者に伝えるうえで大事にしていたのは、あくまで全体最適で判断するということです。個別にSKUを細かく見ていくと、違和感があるように感じるケースも出るかもしれない。ただ全体最適で見るとそういうものだ、という前提は伝えていました。 実際に推奨値が思ったより低いと感じたものでも、よく見てみると直近トレンドが下がっていて納得できる、といったことがありました。そうした納得できる根拠を現場に説明することで、受け入れやすくなったと思います。

最も大きな成果は、1SKUあたりの在庫量を約30％削減できたことです。在庫量を減らしながらも、欠品は導入前とほぼ同じ水準を維持できており、在庫効率の改善に加えて、取引先サロンへの安定供給を維持しながら、事業成長に対応できる運用体制を構築できたと感じています。 導入後は取り扱いSKU数自体は増えていますが、物流倉庫内で扱う物量は抑制できています。その結果、倉庫オペレーションの負担軽減や在庫回転率の向上、管理コストの削減につながっています。 また、発注担当者の業務負荷や残業時間も大きく削減されています。SKU数が増加する中でも、業務を安定して回し続けられているのは、「α-発注」が支えになっているからだと感じています。

まずは、一度使ってみることをおすすめします。 いろいろな考え方や理想像はあると思いますが、「α-発注」の推奨値をベースに運用し、数字を見ながら調整していくことで、自社にとっての最適な形が見えてくると思います。 中長期で在庫や業務の健全性を高めていくのであれば、まずはAIを軸に運用を始めてみることが、有効なスタートになると思います。