最大で年間2000万円程度の配送費を削減

　実証実験では、同社の機械学習サービス「Perswell」とデータプラットフォーム「AirLake」を組み合わせ、オルビスの商品データ・出荷データ・梱包材の価格データをもとに、機械学習で最適な梱包材のサイズを算出する。商品が破損しない範囲で梱包を最小サイズにし、配送コストの削減をめざす取り組みだ。

　開始前の効果検証では、1か月分のデータをもとにシミュレーションを行い、導入すると最大で年間2000万円程度の配送費削減の可能性があるとの結果を得た。今後は、物流現場で分析結果を活用する実地検証を始め、2023年中の本番導入をめざす。

機械学習モデルで最適な梱包サイズを判定

　オルビスは通販向け出荷ラインにAGV（無人搬送ロボット）、直営店舗・BtoB向け出荷ラインに重量計を搭載した最新のAMR（自律走行搬送ロボット）を導入するなど、テクノロジーの積極活用で物流システムの自動化、省人化を促進し、環境負荷と物流現場の負担を軽減するとともに、物流基盤を持続可能な形で強化してきた。

　さらなる効率化をめざす中で、実現可能性があるとして着目したのが「梱包のダウンサイジング」。同社では、商品サイズから梱包サイズを決定するシステムを使用しており、必要なサイズよりも大きな梱包材を使い余分な配送費が発生するケースがあったという。

　今回の取り組みでは、注文情報をもとに、商品の詰め方を考慮した機械学習モデルで最適な梱包サイズを判定し、物流現場と連携する。自動で効率的な梱包ができ、配送コストの削減が可能で、将来的には、新たな配送方法への対応や、グループ共通の新たな梱包規格や梱包資材を作ることも検討し、より効率的な配送をめざしたいとしている。