Message
創業して29年目になります。
創業前よりの40年間、卸売業の物流改善の取り纏め，小売業店頭の作業生産性向上，在庫適正化などに携わってきました。
卸売業の物流センターの設計支援,在庫適正化などに携わっていて、常々感じていたことは、起点である小売業の店頭を最適化しないと、卸売業の物流の生産性向上にも限界があるということです。
同様に、小売業店頭の作業生産性も、卸売業のしくみと密接に影響しあっていて、まだ可視化されていないゆえにお互いが認知しきれてておらず、最適化されていない部分がたくさんあると思っています。川上～川下までの部分最適の和ではなく、サプライチェーン全体最適を俯瞰した物流デザイン設計と、在庫コントロールがキーになると私は思っています。
消費材物流ではチェーン・ドラッグストアの店頭から、後方の小売業DC/TC物流センター、さらにその後方の卸売業のRDC/FDC、さらにその後方のメーカー物流と、サプライチェーン全般に亘って在庫適正化と作業生産性向上に携わってきました。
医薬品物流でも、大病院の元倉庫、あるいは調剤薬局店頭、各々の後方にある卸売業のALC/FLCの在庫適正化と生産性向上に、長年携わってきました。
サプライチェーン全般の現場に携わり続けてきたドメイン知識が弊社の強みです。
一方で全産業に共通する大きく速い潮流・環境変化に流通業も直面しています。
各産業に浸透しつつある機械学習は、個別の問題に合わせてモデルを開発する時代から、巨大な事前学習モデルを利用する時代に現在移行しています。
既にLLM利用は事前学習済みの既存モデルを、手許でファインチューニングなどをしてして自社用に重み調整～利用するのがデフォルトに近い状況になり、昨今ではLLMだけでなく、テーブルデータについても事前学習モデルを利用してモデル選択とハイパーパラメータ調整なしに利用するコンセプトのサービスが出始めています。
数年前には「機械学習ではまだ無理」と言われていたことが、一部限定的な状況では利用可能となり、その後に性能の汎用性が向上することで従来の手法に取って変わって標準手法になる流れが、言語処理、バイオサイエンス、画像処理、数値計算などの各分野で同時に発生しています。
流通業の現状の手法のいくつかもこのような流れによって置き換えられるでしょう。
そのような機械学習が高度化する時代に求められる力は何か？
「AI・機械学習を利用すれば誰でも簡単に予測精度を向上できます。」みたいな楽観論を私は支持しません。「できるはず」と「できた」との間には大きな隔たりがあるというのは、各社機械学習導入検証でも証明されています。
求められるのは、データを見切る力です。提供されるデータはクリーンで正解ラベルが正しく付与されているデータばかりではありません。過去の経験や比較可能なデータから、データの性質や分布などを推定し、問題構造の整合性を確認、調整後に活用する必要があります。
もう一つは、データから何が問題なのか？改善可能なのか？そもそも問題があり、改善する必要があるのか？を見極めた上で、適切な学習方法や検証方法や学習最適化指標を考える。データを定義する力です。
これから大きく変化する環境の中で流通業の現場リーダーを、データを使って触発しつつ、ご支援がしたいと思っています。
創業時より、データに基づいて個々のお客様毎に独自のご提案をすること、お客様と取り決めた業績評価指標の数値を継続して変えることにこだわってきました。
流通業を改革する意欲あるお客様達と、より高精度でローコストなサプライチェーン・モデルを作りたいと思っています。
そして最終的には、ローコストと利便性向上の成果を消費者に還元できるようになりたいと思っています。
令和8年11月
代表取締役 鈴木裕一