在庫向け SAP IBP の主な差別化要因の理解
Objective
SAP Integrated Business Planning for Inventory の主な差別化要因は何ですか。
キーイネーブラー # 1：エンドツーエンドのサプライチェーン計画を 1 つのツールで実現
主要なイネーブラー # 1 の一部として、エンドツーエンドサプライチェーン計画を 1 つのツールで提供します。SAP IBP for inventory では、複数のアプローチが提供されます。以下の 3 つの異なる可能性があります。
SAP IBP でサポートされている以前のプロセスを統合します。以下に例を示します。
- 製品ポートフォリオ分類には ABC-XYZ セグメンテーションを使用します。
- 需要計画プロセスを使用して、グローバル需要計画を確立します。
- デマンドセンシングを接続して、今後 0 ～ 8 週間の値を更新する需要予測を日数で予測します。
さらに、サプライチェーン計画の SAP ベストプラクティスに従って、在庫最適化プロセスの推奨ステップを通じて在庫向け SAP IBP の機能を活用します。
- データ入力のチェック: 機能を使用して、需要予測、変動係数、ロットサイズ、リードタイムなどの在庫最適化の入力をチェックします。
- 在庫計画の実行およびレビュー: 在庫計画演算子 (多段階階層や単段階階層最適化など) をバッチモードまたは対話式で有効化および計画し、在庫目標構成品目を計算します。さらに、アプリケーションジョブアプリを使用して、ビジネス要件に従って在庫最適化をスケジュールします。
- 在庫計画公開の前に what-if シナリオ分析を実行します。他の機能領域に関連する結果を承認する前に、シミュレーションによって可能性のある将来の状況をアドホックで再作成します。すべてのキー数値を再計算し、シナリオを使用して値を保存するか、バージョンを使用して計画モデルの構造特性を再定義します。
- マーケティング、販売、業務、調達など、他の機能領域に接続する在庫計画を完成させます。SAP IBP add-in for Microsoft Excel 内の計画ビューの拡張によって、または分析およびダッシュボードを使用して、すべての機能領域に沿って結果をローカル、地域、またはグローバルに伝達します。
次に何が起こりますか。
- 供給レビュー - ヒューリスティックおよびオプティマイザ: 在庫最適化からの出力を使用して、ヒューリスティックおよびオプティマイザ実行を介して制約条件付加需要計画を計算および改訂します。
- または、業務計画や実行プロセスなどの外部プロセスを統合します。
キーイネーブラ # 2: 多段階在庫最適化
ロケーション中心の在庫計画によって、以下の状況につながる状況が大幅に簡素化されることを覚えておく必要があります。
- 在庫のバッファが過剰です。
- ブルウィップ効果。
- 延期方針を決定するための制限です。
- BOM、ロットサイズ、その他のサプライチェーンの複雑さに対処できない。
在庫向け SAP IBP では、以下のようにエンドツーエンドサプライチェーン全体で在庫が同時に最適化されます。
- 計画の調整により、サービスレベル目標を達成しながら、在庫の過剰バッファリングが不要になります。
- 内部サービスレベルの最適化により、大幅な在庫削減が実現します。
- アップストリームステージへの需要変動伝播により、ブルウィップ効果が回避されます。
- 一元化された在庫計画を合理化します。
主要なイネーブラー # 3：さまざまなタイプの在庫とその推進要因に対する包括的なインサイト
在庫については、在庫場所および在庫フォームについても以下のように説明していることを理解する必要があります。
- 原材料在庫
- 工程内在庫
- 延期在庫
- 流通在庫
- これらすべての在庫価額の合計
一方、在庫について話しているときは、保有しているもの（安全、サイクル、パイプライン、事前構築、最低限必要、合計在庫など）の目的にも触れている。これらすべての在庫タイプは、以下のようにドライバの影響を受けます。
- 安全在庫：需要、需要の不確実性、リードタイム、リードタイムの不確実性、レビュー頻度、サービスレベル目標、およびサービス時間。
- サイクル在庫：需要、レビュー頻度、バッチサイズ、および生産ルール。
- パイプライン在庫: オーダー処理リードタイム、配送時間、および需要。
- 事前構築済在庫 (応答および供給向け SAP IBP モジュールによって有効化されます。このトレーニングでは詳しく説明しないモジュール。。):
- 時間変動能力
- 時間変動需要
- ソーシング率
- 安全在庫の変更
- 最小必要在庫: ビジネスドライバ。
- これらすべての値の合計: すべてのドライバの合計。
キーイネーブラー 4：リアルタイムの What-If シミュレーションと比較
SAP IBP では、ECC などの統合データソースから変更を実行するための 3 つのレイヤアプローチが提供されます。
- バージョン
- シミュレーション
- シナリオ
以下の表は、バージョン、シミュレーション、およびシナリオの特性を簡略化したものです。
| バージョン計画 | シミュレーション | シナリオ |
|---|---|---|
| マルチユーザ | シングルユーザ | 共有によるマルチユーザ |
| 長期間 | 計画ビューが開いている間 | 長期間 |
| 管理者が設定で登録します。 | SAP IBP, add-in for Microsoft Excel の計画担当者 | SAP IBP, add-in for Microsoft Excel の計画担当者 |
| データセット全体 | データセット全体 | データセット全体 |
| バージョン対応キー数値用 | すべてのキー数値、随時 | すべてのキー数値 |
| 分析ビューおよび計画ビュー | 計画ビューのみ | 分析ビューおよび計画ビュー |
| 比較 | 現在、比較なし | 比較 |
| バージョン固有のマスタデータ | マスタデータの変更なし | シナリオ固有ではなく、ベースラインのマスタデータのみを使用 |
従来型と商品在庫目標計算の状態
在庫目標を計算するための従来のアプローチを最先端と比較すると、以下の結論が得られます。
- 現実の世界は確率的、つまり可変で予測不能である。deterministic ではありません。
- 現実世界は多段で、孤立した単段階では通用しない。
- 現実世界では時間は様々で、時間が定常的であるとは考えられない。
- 現実の世界では、複数のデータモデルや限られたデータモデルから遠く離れた包括的なデータモデルが必要です。
- 現実世界はエンタープライズ規模を意味し、デスクトップスケールだけではありません。
- 現実の世界では、静的なオフライン分析ではなく、動的な統合が必要です。
在庫向け SAP Integrated Business Planning の人工知能
Artifical Inteligence (AI) は、ビジネスの構築方法を世界を変えつつあります。数年前には想像もつかない可能性が、ほぼすべての人に利用できるようになった。
SAP Integrated Business Planning は、数学的最適化および機械学習機能の環境で強力な機能を提供します。
将来的には、大規模言語モデル (LLM) を含めることで、さらに深い統合が計画されています。これにより、ユーザがシステム内の計画トピックにどのようにアプローチするかが変更されます。
SAP IBP 内の詳細な AI ベースの機能を見ると、これらのさまざまなオプションがクロスアプリケーションオプションであると同時に、追加のアプリケーション固有の AI 機能も利用可能であることがわかります。
監視の領域では、ジョブ異常検出およびアラートしきい値の自動検出に AI を適用することができます。マスタデータに関連して、マスタデータのパターンを認識し、パターンに適合しないとして検出されたエントリに関する推奨事項を提供する機能が用意されています。
計画における不確実性を処理するために、確率計画が適用されます。特に、在庫計画では、以下の 2 種類の不確実性を考慮する必要があります。
- 需要の不確実性: この不確実性は、将来の需要の不明な規模 (受注数量など) を反映しています。
- 供給の不確実性：供給側の不確実性は、リードタイムの変動などに関連します。
在庫向け IBP では、在庫計画の最適化時にこれらの不確実性が考慮されます (多段階在庫最適化)。さらに、履歴観測に基づく変動を含むリードタイムを推奨する AI 関連機能があります (需要向け IBP から需要の不確実性関連の分析結果を引き継ぐことができます)。
在庫計画計画担当者には、安全在庫値の調整がサービスレベルにどのように影響するかを確認するという課題があります。たとえば、会計期間の終了時に在庫レベルへの投資を制限する場合などです。サービスレベル予測演算子により、計画担当者は、事前定義された安全在庫計画に基づいて、製品ロケーション別に得意先サービスレベルを予測することができます。
在庫計画の登録後、計画担当者は計画の将来期間における予測得意先サービスレベルを分析することができます。その後、顧客サービスレベルを保護し、収益への影響を最小限に抑えるために、不十分なサービスのクリティカルな期間中の影響を最小限に抑えるための措置を講じることができます。
これらの種類の機能を使用できるその他の例として、リードタイムを増加させるか、能力を削減する計画外イベント、新しい市場需要の可能性、または予期しない需要変動があります。
SAP IBP for Inventory で直接提供される機能に加えて、SAP IBP のクロスアプリケーション部分のさまざまな機能も AI 対応であり、以下の例の一覧が示されています。
- セグメンテーション: セグメンテーション (分類とも呼ばれる) は、製品/ロケーションの組合せなどのオブジェクトを特性に従ってセグメント化/分類するのに役立ちます。同様の方法で計画で処理できる、類似する特性を持つ同種のセグメント/クラスを持つことが目的です。このようなアプローチの一般的な例は、ABC 分類 (重要度に基づく) と XYZ 分類 (変動に基づく) です。SAP IBP では、k-means と呼ばれる AI アルゴリズムを使用することができます。これにより、オブジェクトが可能な限り同質クラスに分割されます。
- マスタデータ整合性チェック: 計画のマスタデータ品質は、問題の特定と修正の推奨に基づく自己学習セマンティックルールによって改善することができます。この機能は、専用のジョブテンプレート (ML マスタデータ整合性) を使用してアプリケーションジョブとして実行することができます。
- アラートしきい値決定: セグメンテーションに使用される AI アプローチは、アラートしきい値の決定に同じ種類のアルゴリズムを使用することで、例外ベース計画で適用することができます。前述の機械学習アルゴリズム k 平均に加えて、DBSCAN も使用することができます。
- バッチジョブの異常検出: この AI ベースの機能では、ジョブ実行の異常が検出され、レポートされます。
- ハードウェアの再割り当て（クラウド運用）：クラウドベースのソリューションとして、SAP IBP は柔軟なハードウェアの再割り当てによるメリットを得ることができます。人工知能では、過去のジョブ実行が評価され、弾力性コンピュータノードの必要なサイズの考慮を含め、最適な環境に新しいジョブが自動的にディスパッチされます。このアプローチでは、必要な場合にのみハードウェア能力が増加するため、並列化およびコストの削減を伴う多色なハードウェアサイズにより、パフォーマンスが向上します。