3つの倉庫（ニュージャージー、テキサス、ネバダ）を持つ家庭用フィットネス機器の小売業者は、注文の38%を「間違った」倉庫から出荷していました。間違ったというのは、顧客に最も近い倉庫ではないという意味です。カリフォルニアからの注文が、たまたま在庫があったニュージャージーから出荷されていたのです。このような国内横断出荷の平均送料は14.80ドルで、最寄りの倉庫から出荷した場合の6.20ドルと比較して大幅に高くなっていました。
予測される地域需要に基づいて在庫を配置するAIベースの在庫配分システムを導入した結果、最寄り倉庫からの出荷率は62%から84%に改善しました。年間送料は約2,800万ドルの売上に対して約120万ドル削減されました。この改善は倉庫の容量を増やしたのではなく、既存の在庫をどこに配置するかについてよりスマートな判断を行ったことで実現しました。
根本的な問題：需要は均等に分布していない
複数の倉庫から全国に販売し、在庫を各拠点に均等に配分している場合、ほぼ確実に配分を誤っています。特定の商品の需要は地域によって大きく異なります。アウトドアアパレルを販売する小売業者は、レインジャケットの需要が太平洋岸北西部でアリゾナの4倍になる一方、日焼け防止製品は逆のパターンを示すかもしれません。
単純なアプローチは、各倉庫の過去の総需要シェアに基づいて配分することです。東海岸の倉庫が前四半期の注文の45%を処理した場合、新しい在庫の45%をそこに配置します。しかし、これは商品レベルの地域的な変動を無視しています。全体の注文分布は3つの倉庫で45/30/25かもしれませんが、特定のSKUの需要は地域の嗜好、地元の天候パターン、または人口統計の違いにより20/50/30に分かれる可能性があります。
AI配分モデルが最適化するもの
配分モデルは制約付き最適化問題を解きます。すべての地域で適切なサービスレベル（在庫率と配送速度）を維持し、倉庫の容量制約を尊重し、輸送中および発注中の在庫を考慮しながら、総フルフィルメントコスト（送料＋ハンドリングコスト）を最小化することを目指します。
重要なインプットは、SKUと地域別に分解された需要予測です。総需要を予測してから倉庫間で分割するのではなく、各倉庫のサービスエリアでの需要を独立して予測します。デンバーの顧客は、商品、現在の在庫レベル、配送業者の料金に応じて、テキサスまたはネバダの倉庫のいずれかからサービスを受ける可能性があるため、モデルは重複するサービスエリアを考慮します。
送料マトリックスは、各倉庫から各配送ゾーンへの各商品（重量と寸法に基づく）の実際の出荷コストをマッピングします。これは単純な距離計算ではありません。配送業者の料金には、ゾーンベースの料金体系、容積重量課金、倉庫ごとに異なるボリュームディスカウントが含まれます。モデルは正確なコスト最適化のために、実際の交渉済み料金を使用します。
出力は、各入荷補充出荷に対する配分推奨です。1,000個の発注書を3つの倉庫に均等に分割する代わりに、現在の需要予測、各拠点の既存在庫、コスト最小化の配送シナリオに基づいて、ニュージャージーに250、テキサスに450、ネバダに300を推奨する場合があります。
転送ロジック：倉庫間で在庫を移動すべきタイミング
初期配分が間違っていたり、シーズン途中で需要パターンが変化したりすることがあります。モデルは転送推奨も生成し、ある倉庫から別の倉庫に在庫を移動することがコスト効率的なタイミングを提案します。この計算では、倉庫間転送のコスト（運賃＋両端でのハンドリング）と、より近い拠点から将来の注文を出荷することで期待される節約額を比較します。
転送が合理的なのは、受入倉庫が新しい補充注文のリードタイム内に在庫切れになると予測される場合、送出倉庫が今後30日間の予測需要を超える余剰在庫を持っている場合、そして転送コストが、そうでなければより遠い拠点から出荷される注文の累積送料節約額よりも低い場合です。
転送の計算は、軽量で回転率の高い商品でうまくいくことが多いです。スキンケア製品のパレットをニュージャージーからネバダに移動するのに180ドルのLTL運賃がかかるかもしれませんが、200件の注文が1件あたり8.60ドルの追加コストで国内横断出荷されるのを防げれば、節約額は1,720ドルから転送コスト180ドルを引いた額になります。重くてかさばる商品の場合、転送コストが高くなり、計算が合わないことが多くなります。
分割出荷の処理
複数商品の注文は二次的な最適化問題を生み出します。顧客が3つの商品を注文し、1つは東海岸の倉庫にしかなく、残りの2つは西海岸の倉庫にある場合、3つの選択肢があります：すべてを東海岸から出荷する（2つの商品が必要以上に遠くまで移動する）、出荷を2つの荷物に分割する（総送料は高くなるが西海岸の2商品はより早く届く）、またはすべての商品が1つの拠点で揃うまで待つ（全体的な配送が遅くなる）。
AIモデルは、実際のコスト差、顧客の配送期待（通常配送vs.速達）、および顧客が過去に分割出荷に対して敏感さを示したかどうか（複数の荷物を受け取ることに不満を持つ顧客もいます）に基づいて、各複数商品注文についてこれらの選択肢を評価します。最適な選択は注文ごとに異なり、単一の最善ポリシーは存在しません。
分割出荷の削減は、単品配分の最適化よりも大きな節約機会になることが多いです。ある家庭用品小売業者は、複数商品注文の22%が分割出荷されており、1注文あたり平均7.40ドルの追加コストが発生していることを発見しました。よく一緒に購入される商品が同じ倉庫に在庫されるように在庫配分を調整することで、分割出荷を13%に削減し、年間34万ドルを節約しました。
データ要件と実装
効果的な配分モデルを構築するには、いくつかのデータセットが必要です：顧客の所在地（郵便番号レベル）を含む過去の注文データ、倉庫フルフィルメントデータ（どの倉庫が各注文を出荷したか）、すべてのアクティブな配送業者とサービスレベルの配送料金表、少なくとも毎日更新される各倉庫の現在の在庫状況、および入荷補充の発注データです。
モデル自体は、配分最適化のための線形計画法ソルバーと、地域需要予測のための需要予測モデル（勾配ブースティングまたはニューラルネットワーク）の組み合わせで構成できます。Google OR-ToolsやPuLPなどのオープンソースソルバーが最適化をうまく処理し、需要予測には標準的なMLフレームワークを使用できます。
WMS（倉庫管理システム）とOMS（注文管理システム）との統合が不可欠です。配分推奨は入荷プロセスに反映され、入荷在庫が適切な倉庫に振り向けられる必要があります。OMSの注文ルーティングロジックは、新しい注文にフルフィルメント拠点を割り当てる際に、配分モデルの倉庫優先順位を考慮する必要があります。
複数のフルフィルメントセンターを運営するEC小売業者にとって、在庫配分は計算してみるまでは管理可能に感じられる問題の一つです。単純な均等分割配分と最適化された配分の差は、通常、総送料で15〜25%の節約になります。送料に売上の8%を費やしている2,000万ドル規模のビジネスでは、年間24万〜40万ドルに相当し、配分システムへの投資を何倍も回収してなお、他の改善に充てる資金が残ります。