ロジスティクスの手引き注文情報分析でコストを下げる[特集]：ロジスティクス・ビジネス[LOGI-BIZ]バックナンバー

2004年6号

*下記はPDFよりテキストを抽出したデータです。閲覧はPDFをご覧下さい。

JUNE 2004 24 物流には「流」と「留」があるご承知の通り、物流コストの削減と在庫削減は物流管理の大きな課題である。
そこで、物流コストを正確に把握すれば、改善の手がかりになるだろうという発想から「ＡＢＣ：Activity Based Costing （活動基準原価計算）」に関心が集まっている。
また材料の調達からエンドユーザーまでのサプライチェーンの情報を一元管理するＳＣＭ（Supply Chain Management ）を導入したら良いとか、さらには３ＰＬ（Third Party Logistics ）と称する物流専門業者にアウトソーシングしたら良いなどと言われている。
関連セミナーも花盛りだ。
しかし、これらは物流コストを下げ、在庫を減らすための手段を挙げているだけに過ぎない。
実際にＡＢＣやＳＣＭ、３ＰＬを導入しても、物流コストが下がり、在庫が減るという保証はない。
本質的な問題は具体的な課題を見出し、改善策を練り、それを実施することである。
そのようなことを言うと、他に改善の方法などあるのかというご批判が出るかも知れない。
結論から言えば、方法はある。
物流には意外ともいえる本質的かつシンプルな改善方法がある。
物流とは実際には「物留流」である。
モノは単に流れているわけではない。
水道の蛇口を開けて連続して流れ出る水と違い、実際のモノの動きは「流」と「留」の繰り返しだ。
しかも、「留」が大きく、また「流」も「留」も大きく変動しながら全体の流れを形作っている。
このうち、「留」をなくすことを考えることで、物流の無駄を省きコストを削減することができる。
ＳＣＭの本質も企業間の「留」をどう省くかにある。
ところが情報システムの高度化や物流業務の自動化には関心が高くても、「留」をなくすという本質に気がついていない人が多い。
「留」を減らすのにシステムや物流機器などへの投資は必ずしも必要ではない。
必要なのは何より知恵だ。
自動化、機械化に対する、知的自動化（ＡＩ）、頭を使った自動化が必要なのだ。
私はコンサルタントとして現場に出向き、担当者から注文情報の内容を聞いて、その場で簡単なアドバイスをすることが多い。
詳細にデータを分析したわけではない。
もちろん全く投資もしていない。
それでも、ちょっとしたヒントだけで大きな改善効果の生まれることが珍しくない。
その時点ではコンサルティング契約を結んでいないため、私としては商売にならないのだが‥‥。
いくつか具体的な事例を紹介しよう。
事例１　ピッキング作業の効率化一般に物流現場では顧客から受けた注文のうち大口の客先の注文から処理していることが多い。
大口の客先の注文は種類も量も多い。
それだけピッキングにも時間がかかる。
そのため現場のスタッフとしては大口を先に片づけないと落ち着かないのである。
これを小口の注文からピッキングするように変えるだけで、作業の生産性は一〇％以上も上がる。
注文伝票を小口の客から大口の客へと並べ替えて（ソート）して、ピッキングリストを作り、ピッキングさせるだけで能率が上がるのである。
いずれにせよ同じ数量だけピッキングするのだから、大口と小口のどちらから手を付けても同じだろうと考えるのは間違いだ。
まさしく「留」に気付いていない。
例えば棚に「アイテム（Ｉ）１」から「Ｉ 10 」までの一〇種類の商品が横に並んでいるとする。
ある大口客はそのうちの「Ｉ１」と「Ｉ５」、「Ｉ６」、「Ｉ７」をそれぞれ一〇個ずつという注文であった。
そのピッキングは現場スタッフのＡが受け持った。
一方、別の注文情報分析でコストを下げる物流改善の基本は注文情報の分析だ。
ただしアイテム別の注文数を分析しただけでは、充分ではない。
誰（Ｅ： Order Entry）が、何の種類（Ｉ：Item）を、何個（Ｑ： Quantity）注文したかという三つのキーファクターを使った「EIQ分析」で、データを料理する必要がある。
鈴木震　物流システム・コンサルタントロジスティクスの手引き特集 25 JUNE 2004 小口客の注文は「Ｉ１」と「Ｉ５」をそれぞれ二個ずつだった。
担当するピッカーはＢだ。
この時、大口客担当のＡから先にピッキングするとどうなるか。
ピッキングする種類も数量も少ないピッカーＢは、後から作業を開始しても、すぐＡに追いついてしまう。
その結果、Ａがピッキングを終えるのを待つ、「留」が生じる。
逆にＢから先にピッキングすれば、Ｂはすぐピッキングを終えて先に進むため、Ａは少しも待つことなくピッキングできる。
「留」がなくなるのである。
（解説１）トラックと乗用車が混在している道路では、乗用車はスピードを上げたくても前のトラックが邪魔してスピードが出せない。
乗用車を先に出してトラックをあとから走らせば全体の流れがスムースになる。
航空機に搭乗するときに、来た順序に搭乗させるのと後部座席の客から搭乗させるとの差を考えればすぐわかることである。
このように、注文伝票の情報を料理して食べやすくして作業員に与える方法を私は「データ・クッキング」と名づけている。
この他にも素材に応じた様々な物流データの料理方法がある。
事例２　アイテム数の削減ある精密機械メーカーの営業所では約三〇〇〇アイテムの在庫を抱えていた。
いかにも多いように感じたので、まず一日に出荷する平均的なアイテム数を訊ねると、一〇〇アイテム程度だという。
次に一カ月間に出荷するアイテム数を訊ねると、五〇〇アイテム程度だということだった。
・一日の注文アイテム数＝約一〇〇・月間注文アイテム数＝約五〇〇・在庫アイテム数＝約三〇〇〇この数字から以下のことが分かる。
すなわち在庫アイテム数三〇〇〇から月間注文アイテム数の五〇〇を引いた二五〇〇アイテムは一カ月間全く注文がない。
次に、毎日同じアイテムの注文が来るのなら月間でも一〇〇アイテムであるはずだが、実際には五〇〇アイテムが出荷されている。
ということは、月間の五〇〇から一日の一〇〇を引いた四〇〇は、一月間のうち一回か二回かしか注文のないアイテムだ。
・三〇〇〇 ―五〇〇＝二五〇〇一カ月間全く注文がない=Ｃランク・五〇〇 ―一〇〇＝四〇〇一カ月のうち一回〜二回しか注文がない=Ｂランク・一〇〇アイテムほぼ毎日注文がある=Ａランク一〇〇アイテムをＡランクとすれば、四〇〇アイテムがＢランクであり、残りの二五〇〇アイテムはＣランクと言える。
そこで、Ｃランクの二五〇〇アイテムは中央の物流センターで在庫することにする。
その分、配送のリードタイムは長くなるが、宅配便や航空便を用いればカバーできる。
配送費は高くなるが全国の営業所の在庫が集約できれば大変なメリットである。
一方、四〇〇アイテムのＢランク品には、Ａランク扱いすべきものやＣランクに含むべきものがあるはずだ。
これは一日のデータだけでは分からないので、さらに調査をすればよい。
結果として、このメーカーの営業所では三〇〇〇アイテムの在庫を三〇〇アイテム以下に削減することができた。
簡単なデータ分析だけで在庫が一〇分の一以下になったのである。
事例３　トラック積載率の向上事例２で紹介したメーカーの改善の続きである。
このメーカーでは中央の物流センターから営業所への配シングル・ピッキング VS バッチ・ピッキング　ピッキングの方法は大きく二つに分かれる。
客先ごとに注文を処理する「シングル・ピッキング」と、複数の客先の注文をアイテムごとにまとめてピッキングする「バッチ・ピッキング」の二つだ。
このうち本文中の話は、シングル・ピッキング方式の場合を例にとっているが、バッチ・ピッキングの場合でも注文数量の少ないアイテムからピッキングすれば、上記と同じ理由で「留」が発生しないため、能率よくピッキングできる。
　バッチ・ピッキング方式は、一軒ずつピッキングするシングル・ピッキング方式より能率が良いと決めつけるのは間違いだ。
実際、両者を比較すると、むしろバッチ方式のほうが能率の悪いことが多い。
もちろんピッキング作業の効率自体はバッチのほうが上だ。
しかしバッチ方式では、ピッキングした商品を後から再び客先ごとに仕分ける必要が生じる。
したがって、ピッキングだけでなく仕分けまで含めた作業効率を比較する必要がある。
この点が、あまり理解をされていない。
■■■解説１ JUNE 2004 26 送に、ジャスト・イン・タイムの考え方を適用していた。
つまり営業所では余分な在庫を自分で抱えないために毎日、必要なものだけを営業所に出荷するよう物流センターに指示していた。
この場合の横持ち用配送トラックの積載効率は六五％だった。
在庫について、もっとよく考えるべきである。
営業所に余分な在庫を置かないという考え方は一見、正しいように感じる。
しかし実際は正しくない。
いったん工場で作ってしまった商品は販売しない限り、どこへ置いてもその会社の在庫である。
中央の物流センターに在庫しようが、営業所に在庫しようが、会社全体で見たときは同じだ。
在庫が減るわけではない。
営業所の在庫を減らすために明日にも売れると分かっている商品を運ばないことに意味はない。
それによって配送トラックの積載率が下がるのであれば、むしろコストアップだ。
そこで数日以内に売れる見込みの高い商品であれば、前もって配送してもいいことにすることで、トラックの積載効率を六五％から九八％まで向上することができるようになった。
つまり満載にして運べるようになったのである。
ジャスト・イン・タイムや無在庫経営などの一般論を鵜呑みにすると往々にしてこういうことになる。
現実を見ていないのだ。
物流は会社によって、商品によって、特性がみな違う。
理論をそのまま適用するのではなく、自分の頭でよく考えることだ。
それによって意外な改善案が見えてくるものである。
事例４　繁閑差への対応次に紹介するのは家電関係の配送センターの事例である。
このセンターでは繁忙期となる十二月を前にした一〇月の段階で、既に毎晩七時頃までの現場スタッフの残業が発生していた。
年末の十二月には通常の三倍もの物量が集中する。
とても対応できないので、マテハン設備を増強したいという話だった。
このセンターで扱っているアイテム数は約五〇〇。
そのピースピッキングを処理するために、デジタル表示器付きのフローラックを利用していた。
これに追加してフローラックをもう一セット導入することで対応できないかというアイデアだ。
設備投資の前に、私はデータ・クッキングの必要を感じた。
調べてみると全注文件数の八〇％は五〇〇アイテムのうちの上位三〇アイテムに集中していることが分かった。
つまり三〇アイテムで全注文の八〇％の注文を処理できるわけである。
それならばと、その三〇アイテムをパレット積みのまま床に並べることにした。
フローラックではなく、パレット積みされたケースから直接、ピースピッキングさせようという発想である。
作業はベテランのピッカーと新人の二人一組のチームで行う。
ピッキング作業自体はケースを見ただけでアイテムを判別できるベテランに任せる。
そして箱入れと検品を新人が処理する。
ピック・アンド・チェック方式だ。
これが大きな効果を発揮した。
実際、このセンターでは全くマテハン設備を導入しないで、年末の三倍の注文量を処理することができた。
フローラックの導入を見送った理由は二つある。
繁忙期以外には使わない設備に投資をするのはもったいないというのが一つ。
そして、もう一つがスピードである。
三〇アイテム程度のフローラックは、基本的に一人でしか作業できない。
これに対して、パレット積みしたケースを床に並べるやり方は、同時並行で複数のピッカーが作業できる。
フローラックに並べた三〇アイテムは注文量が多いので、補充も頻繁に発生する。
しかしフローラックの背面からの補充は面倒で、しかもラックに「補管」さ「補管」とは何か？　配送センターでは在庫の「保管」を、備蓄用のReserve Storage／Inactive storageと、ピッキング用のActive Storageに分けて考えることが重要だ。
ピッキングエリアに保管する在庫量を制限すれば、ピッキング作業の動線を短縮できる。
そのため筆者は「保管」を、「補管」と「動管」という造語によって使い分けている。
■■■解説2 27 JUNE 2004 れた状態なので残りの在庫量にも目が向かない。
これに対してパレット積みから直接ピッキングする方法は、補充作業が自動化されたも同じだ。
（解説２）ＥＩＱ分析とＥＩＱ法アイテム別の注文頻度ではなく、顧客別の注文件数に着目した改善方法もある。
一般に一日に注文を受ける客先の数が一〇〇〇件以上になる場合には、全体の三〇〜四〇％の客先が一〜二アイテムの注文しかしていないということが多い。
このとき、注文データをデータ・クッキングして一種類しか注文していない客先の注文伝票とその他の注文伝票を分けてピッキングさせるだけで効率が違ってくる。
一種類だけの注文のピッキングならミスも少ない。
このように注文伝票の分析とは、注文件数「Ｅ： Order Entry 」、アイテム数「Ｉ：Item 」、数量「Ｑ： Quantity 」の分析であることから、私はこれを「ＥＩＱ分析」と名付けている。
これまでのＡＢＣ分析やＰＯＳデータ分析は、アイテム数（Ｉ）と数量（Ｑ）の二つをキーファクターにしている。
これに対してＥＩＱ分析は、誰（Ｅ）が、何の種類（Ｉ）を、何個（Ｑ）注文したかという三つのキーファクターを用いる。
キーファクターが二つから三つに増えると分析する情報量は単純に三倍になる。
これによって分析結果も大きく変わってくることが少なくない。
例えば一般的なＰＯＳデータの分析では、一〇〇個売れたアイテムと一〇〇〇個売れたアイテムがあれば、一〇〇〇個売れたアイテムを売れ筋とする。
果たして事実であろうか。
一〇〇個売れた商品が、実は一〇〇軒からの注文であり、一〇〇〇個売れたアイテムが二〜三軒からのまとまった注文であった場合はどうか。
本当の売れ筋は注文件数（Ｅ）を加味して分析しないとわからない。
しかし顧客サービスが重視される物流管理においても、客先の注文軒数（Ｅ）を含めた分析の大切さに気付いていないことが珍しくない。
おかしな話である。
ＥＩＱ分析の具体的な活用方法はＡＢＣ分析、度数分析などの一般の分析手法と変わらない。
ただし、一つだけ活用のコツがある。
もともと物流のデータは、一〇％〜二〇％は誤差のうちとも言える変動をしているデータだ。
従って、過度にデータの正確さにこだわる必要はない。
それよりもマクロな数字をフレキシブルに読み、諸事勘案して最適と思われる判断を下すことが大事だ。
「よい加減」がコツなのだ。
（解説３）データの活用とは「見よう。
読もう。
考えよう」だ。
データは眺めているだけでは意味を持たない。
データを読んで、考えなければならない。
同じ分析結果でも読み方、考え方で答えは全く違ってくる。
従来の理論的常識では、こうした考え方は受け入れられないことも多い。
しかし最近話題となっている複雑系の思考は同じスタンスを採っている。
複雑な物流問題の検討には有効に機能する考え方なのだ。
このような考え方を私は「ＥＩＱ法の考え方」として位置付け、「ＥＩＱ分析」を含めて「ＥＩＱ法」と名付けた。
ＥＩＱ法は当初、配送センターシステムの計画手法として開発したものだが、ロジスティクス、物流問題のシステム・アプローチの手法として、また在庫削減、物流コスト、ベンチ・マーキング、販売予測、共同物流などの物流改善や物流諸問題の検討にも欠かせない手法である。
詳しくは私の主催する「ＥＩＱ研究会」のホームページ（http://www.eiq.jp ）を参照されたい。
同研究会では配送センターに関するメールによる質問も無料で受け付けているので活用して欲しい。
（eiq@estate.ocn.ne.jp ）ロジスティクスの手引き特集すずき・しん物流システム・コンサルタント。
1946年、東北大学機械工学科卒。
47年、物流機器メーカーに入社。
73年、同社取締役開発部長。
80年物流システム・コンサルタント業務開始。
1990年物流技術研究所所長。
2000年、EIQ研究会創立。
2001、工業標準化に貢献の功により通産大臣賞を受賞。
著書に「オーダーピッキングハンドブック」(流通研究社)、「配送センターシステム」（成山堂）などがある。
PROFILE ABC よりYBC（良い加減基準原価計算）　物流管理の場合、ABC（Activity Based Costing）を使ってアクティビティ（活動）ごとに細かくコストを算出しても、手間がかかる上にムダに終わる可能性が高い。
それよりも作業全体のコストを「良い加減」で包括的につかんだほうが、より効果的だという意味から、私はABCをもじって「YBC (Yoikagen Based Costing)」を提唱している。
　同様に「データ・クッキング」は、ITメーカーなどが喧伝している「データ・マイニング」を意識したものだ。
いくらデータをマイニング（採掘）しても、生で食わされたら腹を壊す。
料理して美味しいご馳走を食べさせなければ能率は上がらない。
■■■解説3