アクセンチュアのアプライドインテリジェンスHSAチームは、COVID-19関連のサプライチェーンの混乱の影響を受けた米国を拠点とする運動器具ブランドの配達注文（OTD）予測システムを提供しました。サプライチェーンのデジタルツインに基づく予測システムにより、OTDの予測精度が57％向上し、コストが20％削減されました。
OTD予測システムとその結果、その他の改善、および開発計画は、このサプライチェーンデジタルツインのケーススタディで詳しく説明されています。このプロジェクトは、チームリーダーのPablo Rodriguez Varela、マネージャーのPatricio Ivan Pipp、およびアクセンチュアアルゼンチンのアプライドインテリジェンスHSAチームによって実施されました。
Applied Intelligenceアプローチは、人工知能とデータ、分析、自動化等を組み合わせて、すべての機能とすべてのプロセスにわたって大規模にビジネスを変革する大胆な戦略的ビジョンを提供します。
問題：注文から納期までの長い時間を避ける
クライアントは、サプライチェーンの振る舞いを予測し、アメリカ合衆国での自転車サプライチェーンのインテリジェントな実行を可能にしたいと考えていました。
COVID-19のパンデミックの間、自転車の需要が大幅に増加し、配達注文（OTD）時間が5日から60日に増加しました。課題は、OTD時間を短縮し、計画を改善することでした。
5つの主要な質問に答える必要があり、それらは2つのカテゴリに分類されました：
- 計画
- 計画期間内の特定の新しい注文の予想OTD時間はどれくらいか？
- 12か月の計画期間内に、特定の場所でどのようなスループットを期待する必要があるのか？
- 各地の予想される在庫はどれくらいか？
- 実行
- 各地の在庫レベルをどこから満たす必要があるのか？
- 最新の遅延ステータスを考慮して、港に到着する在庫を別のDCに再ルーティングする必要があるのか？
解決策：動的シミュレーションに基づくデジタルツイン
アプライドインテリジェンスチームは、サプライチェーンのデジタルツインを作成するという型破りなアプローチを採用しました。このアプローチを取ることは、追加の課題を生み出すことがあり、賛同を確保するためにクライアントと緊密に作業することを意味しました。
サプライチェーンソリューションは、OTD時間を予測し、それらを削減し、計画を改善するためのスマートな在庫割り当てソリューションの基盤を提供することに重点を置いていました。ソリューションとしてデジタルツインを作成することで、何が起こっているのかを理解し、what-ifの質問をすることができます。デジタルツインは、実世界のデータに基づくシステムの動的モデルであり、運用中に検査および観察でき、その結果と動作の理由を確認および説明できます。
チームは、柔軟性と機械学習の統合のために、デジタルツインの構築にAnyLogicシミュレーションモデリングソフトウェアを使用することを選択しました。AnyLogicでは、ベンダーから流通センター（DC）を経由して、離散イベントモデリングを使用してファイナルマイルサイトまでのサプライチェーン全体を複製しました。
ベンダーはアジアから毎週40,000の製品を米国に輸出し、米国に拠点を置く工場は週に4,000ユニットを生産していました。ネットワークには、顧客の注文が処理された150のファイナルマイルサイトがありました。
モデルの主な要素は、注文、ノード、およびトラックであり、それぞれに関連するデータがありました：
- 注文: 注文作成日、製品、ノード、注文納期。
- ノード: 場所、タイプ（ベンダー、DC、ファイナルマイル）、在庫、処理時間。
- トラック: 容量、リードタイム。
サプライチェーンのデジタルツインの予測範囲は1日から1年でした。デジタルツインのモデルでモンテカルロシミュレーションを実行すると、OTD時間の予測範囲が提供されました。シミュレーションの実行セットごとに、モデルに必要なキー入力と提供されたキー出力があります。
主な入力: ロケーションマスター、インバウンド/アウトバウンドロケーション容量、在庫ポジションとバックログ、目標供給日数、ノード間のリードタイム、需要予測、生産予測
主な出力:予測OTD、最終マイルの注文バックログ、ネットワークノードごとの在庫位置、リソース使用率（トラック）
ソリューションが単なるシミュレーションモデルではなくデジタルツインであるためには、ライブデータ接続が必要でした。この場合、データはすべてAmazon S3を介して接続されたさまざまなAmazonサービスとスプレッドシートから取得されました。さらに、Tableauは、モデル出力のビジネス分析に接続されていました。システムの概略図は、情報フロー図で見ることができます。
デジタルツインは、サプライチェーンの現在の状態で構成され、検証されました。期待される動作を示し、どこで改善できるかを特定しました。
サプライチェーンの元の状態をテストおよび分析した後、チームはサプライチェーンモデルを使用して、サプライチェーンの運用をヒューリスティックに最適化しました。必要な在庫や安全在庫などの変数は、ネットワーク全体のルールによって修正されなくなりました。また、ファイナルマイルサイトのニーズに応じて、上位の補充DCを再割り当てすることもできます。
結果：サプライチェーンデジタルツインのメリット
OTD予測とスマート在庫割り当ての重点分野では、サプライチェーンのデジタルツインイニシアチブの期待されるメリットは重要でした。それぞれ、注文から納品までの予測の精度が57％向上し、在庫割り当てロジスティクスコストのコストが20％削減されます。
さらに、到着予定時刻の予想精度が40％から76％に増加しました。
これらの結果は、週に1回だけ実行する必要がある30分のシミュレーションから得られました。
プロジェクトには課題がありました。クライアントのチームが、デジタルツインを使用することに抵抗がありました。この抵抗を克服するためには、関係者と緊密に協力する必要がありました。サプライチェーンの運用の動的な動作の可視性と、デジタルツインによって可能になる追加の可能性は、このアプローチの使用を決定するのに役立ちました。
他の課題は、欠測データと未定義のロジックに関連するものでした。デジタルツインアプローチを使用することで、これらの課題を推定で克服することができました。
これで、デジタルツインがサプライチェーンの中核を形成し、その結果、意思決定が全体論的でより多くの情報に基づいたものになります。次のステップには、強化学習の統合が含まれ、ブラックスワンイベントの最適化と計画をさらに支援します。また、デジタルツインはその上に構築されているため、その機能は、戦略、戦術、実行など、すべての組織レベルで適用可能になると想定されています。
ケーススタディは、AnyLogic Conference 2021でアクセンチュアアプライドインテリジェンスHASのPatricio Ivan PippとPablo Rodriguez Varelaによって発表されました。
