配送ルート最適化×AIで効率化。新しい物流の姿を実現するには

Laboro.AIコラム

配送ルート最適化×AIで効率化。新しい物流の姿を実現するには

2024.12.23
株式会社Laboro.AI　リードマーケター　熊谷勇一
執行役員　マーケティング部長　和田崇

概　要

物流業界では、「2024年問題」の到来やそれに伴うサービスの在り方によって配送ルートの最適化の重要性が増し続けています。配送ルートを低コストで策定できることが、業務の効率化や業界内での競争力強化が進み、ひいては新しい価値の創出にもつながる可能性があります。本コラムでは、配送ルート最適化の基本や求められる背景、そこでのAI活用の可能性を解説します。

Laboro.AIの「最適化領域のカスタムAI開発」はこちら

目　次

配送ルート最適化とは

配送ルート最適化とは、その名の通り配送車の配送ルートを見直し、より効率良く配送ができるようにするための荷物を運べるようにするためのタスクのことです。

ECの進展などに伴い、物流業界は急激な荷物量の増加に対応し続けています。従来と比べて、ドライバーの数に対して荷物量が増えているため、繰り返される運賃の値上げ、配送所要日数の増加、お届け可能時間帯の短縮、業界他社同士での共同配送といった対応が続けられています。

そこで重要性が増しているのが、配送ルート最適化です。道路の混雑状況や配送する荷物の住所などの条件に合わせ、最適化された配送ルート立案最適化のためのシステムを構築あるいは導入し、走行距離・時間などを考慮した最適なルートを出力してドライバーに共有します。

配送ルート最適化は、走行距離・時間だけでなく刻々と変わる道路状況など複雑な要因も考慮しないと、ビジネスを好転させるほどの成果結果は出せない得られないため、人間のが計算では追いつけません。そこで、コンピュータだけでなくAIを活用したシステムを用いることによる手が打たれ始めてが当たり前となっています。

配送ルート最適化が必要な理由

配送ルート最適化が必要とされている背景を、もう少し詳しく見ていきましょう。

労働人口の減少見込み

配送ルート最適化は、人海戦術に頼ることなく多くの荷物をさばけるようにするためのソリューションともいえます。

従来であれば、荷物の量が増えたら新たにトラックやドライバーを確保し、量に対して量で対処するという方法をとるしかほとんどありませんでした。しかし近年は少子高齢化に伴う、深刻な労働人口の不足が進行しつつあります。

また、働き手の不足は物流業界だけにとどまりません。あらゆる業界で人材不足が深刻化しつつあるため、人手の確保・育成に伴うコストは年々高まっているのが現状です。
物流業界は他の業界に比べ、肉体労働や長時間労働が慢性的に発生しているイメージから、人手の確保に特有の難しさがあるという問題も抱えています。そこで、配送ルート最適化が有用となり得るのです。
人海戦術に頼らず、既存のリソースを効率良く配置できるようになる配送ルート最適化の手法を採用することで、人手不足という問題の低減またはカバーを狙えます。

働き方改革の推進

働き方改革は、物流業界でも強く求められてきました。従来はドライバーの長時間労働によって配送能力が支えられてきたという背景があります。

しかし、2024年にドライバーの長時間労働が大幅に制限されたことで、従来の働き方では配送ノルマを達成することが難しくなったことなどの問題が現実のものになりました。これがいわゆる物流業界の「2024年問題」です。

働くことのできる人が減っているだけでなく、働くことのできる時間も少なくなっている以上、配送ルート最適化による効率的な配送ルートの開拓は、欠かせない取り組みになったといえるでしょう。

また、労働人口の減少や働き方改革による労働時間そのものの減少は、今後も増える見込みのない不可逆な変化であると考えられます。遅かれ早かれこれらの問題に対処することが必要であるため、業界各社は対応を始めています。

配送ルート最適化がもたらすメリット

配送ルート最適化によって、物流事業者はどのようなメリットを得ることができるのでしょうか。
実際のところ、配送ルート最適化は現場に多くの利点をもたらしてくれる、魅力的な取り組みです。メリットに対しての理解を深め、積極的に推進すべきでしょう。

配送効率の向上（燃料費削減、走行距離・時間短縮）

配送ルート最適化によって、配送効率が高まることはさまざまなメリットをもたらします。例えば、トラックの燃料費の低減です。

物流ビジネスを営む上で、燃料費は当然にかかるコストです。ガソリン価格は高い水準で安定しており、産油国ではない我が国は常に、国際情勢による原油価格高騰のリスクにさらされていて、いつ起きてもおかしくなく、いつまで続くかも分からないリスクとして捉えておく必要があります。このリスクを低減させる方法の一つとして、走行距離・燃料費をなるべく減らすことが挙げられます。

配送ルート最適化は、配送ルートから無駄を排除することにより、燃料消費の無駄を排除する上で役に立ちます。長期的に見れば、配送ルート最適化のためのソリューションの導入コストを、燃料費削減によって埋め合わせることもできるかもしれません。

ドライバーの負担軽減（労働時間の適正化）

配送ルート最適化によるルート策定時間と移動時間の削減は、ドライバーの負担を低減する上で効果的です。ドライバーの拘束時間をできる限り少なくすることは、ドライバーの身体的な負担を減らす上でも重要です。拘束時間や肉体労働の負担が大きいという業界のイメージを刷新できるかもしれません。

長時間労働を減らすだけでなく、「人間の計算では手に負えない最適なルート探索をシステムが短時間で出してくれる」と実感できれば、効率の良い仕事をこなせているという満足感も得られ、心身ともに充実した労働ができることにもつながるかもしれません。ひいては、難しくなりつつある人手の確保も進めやすくなるでしょう。

CO2排出削減による環境配慮

物流業界が近年強く求められている取り組みの一つに、温室効果ガスの排出抑制が挙げられます。化石燃料を使用するトラックがなければ業務が成立しない以上、ある程度の排出は仕方がありませんが、それでも過剰な排出を抑制する手段はいくらか見られるようになってきました。

配送ルート最適化により、移動時間を最小限に抑えられるようになれば、それだけガソリンの使用を抑え、CO2の排出量が少なくなります。

事業上CO2排出をする企業が、その抑制に取り組むのは、SDGsなどを持ち出すまでもなく、もはや当たり前のこととなりました。取り組むことで評価が高まるを受けることよりも、取り組まないと評判が下がるというリスクの方が大きくなってきたかもしれません。

配送ルート最適化は、業務効率化だけでなく、ブランディングにも影響を与える取り組みなのです。

顧客満足度向上（納期遵守率アップ、サービス品質向上）

顧客満足度の向上においても、配送ルートの最適化は有効です。荷物が届くまでの時間がより短くなり、配達遅延のリスクも小さくなるでしょう。

また、効率的な配送ルートの開拓により、慌てて荷物を配送することで生じるリスクを回避することにもつながります。荷物の扱いが雑になり、荷物の破損・汚損が発生する問題や、交通事故、配送時の接客トラブルが少なくなることも期待できるでしょう。

配送ルート最適化の基本具体的な方法と手順

以上のように、配送ルート最適化は物流業界にとって魅力的なメリットを多くもたらしてくれます。その基本具体的な方法や手順は以下の通りです。

「スケジューリング最適化」のためのAI活用

そもそも配送ルート最適化は「スケジューリング最適化」の一つとして位置付けられます。スケジューリングとは、一言で言えば、「定められた期限までにより高い成果を得るため、その計画を構成する人員や機械、予算などの資源をそれぞれの制約条件を踏まえて最適な配分を考えること」です。スケジューリングを含む、こうした複雑な条件の組合せを考えるタスクは「最適化問題」と呼ばれ、世の中の多くの領域で存在しています。

そのうちAIを活用した「スケジューリング最適化AI」には、考えられる諸条件の組合せをどう探索させるかのアプローチがさまざま存在し、それぞれのビジネス環境や課題の特性に応じた最適な方法を選ぶことが鍵になります。ここではAIを活用した代表的な四つのアプローチを取り上げます。

1）ルールベース

人間が事前に定めたロジックに基づいて計画を出力させる手法であり、比較的シンプルな問題で、かつ説明性（提案するスケジューリングに至った論理が説明できること）が求められるような場合での利用が向いています。

2）数理最適化

より良い計画をその都度、しらみ潰し的に探索して出力させる手法で、ルールベースよりも複雑性への対応力がやや高い手法です。一方、用いるデータ量に応じて計算処理時間と負荷がかかる特徴があるため、制約条件がある程度ありながらもロジックが組めるという、中程度の複雑性を持つ問題への利用が向いています。

3）メタヒューリスティクス

メタヒューリスティクスは、特定の問題に依拠せず、幅広い分野に適用できる最適化・AI手法です。都度計画を探索するものの、現実的な時間内で質の良い計画を探索・出力させることができることに特徴があります。

4）強化学習

「うまい計画策定の方法」を自律的に身に付けたAIに、AIが考える最適な計画を出力させるアプローチです。複雑な問題への対応力が非常に高く、計算処理時間も短く済む点にメリットがあります。ただし、シミュレータなどを含めた開発期間に時間がかかる上、説明性が低い特徴があります。そのため、中長期的な期間で解決が必要な複雑性の高い問題、かつ説明性がそれほど求められないケースでの利用が向いています。

なおスケジューリング最適化については、こちらのコラムで詳しく解説しています。
スケジューリング最適化AI、高度化の鍵は「戦略」にあり。導入事例も解説

配送ルート最適化の手順

1) データ活用による効率化

手順として最初にしなければならないのが、従来の業務からデータを収集・分析することです。荷物の特徴、届け先の住所や受け取り可能時間、配送車の特徴、ドライバーの労働可能時間などを収集・整理し、システムへの入力ができるようにします。

2) リアルタイム最適化

リアルタイム最適化は、配送中の状況に応じた、最適なルートの探索を行うものです。例えば交通事故などにより道路の混雑が確認できた場合、渋滞に巻き込まれることなく配送を遂行するためのルート探索をその場で実行します。

常に配送ルートが最新の状態にアップデートされ、予期せぬアクシデントに伴う悪影響を最小限に抑えられる仕組みです。

3) 配送エリアの分割と負荷分散

各配送車・ドライバーが担当する配送エリアも、配送効率を最も高められるように、配送ルート最適化で定義します。住所に基づいた従来の画一的なエリア分割ではなく、より柔軟な配送効率重視の分割も視野に入れています。エリア分割という作業の効率化ではなく、あくまでドライバーの負荷を最適に分散することを目的にすべきです。

4) 配車計画の改善

配送ルート最適化というと、ルートの最適化が中心となるように思えますが、目的は配送に関わる諸コストを低減させることであるため、配車計画も対象になります。ごく簡単な例を挙げると、単に積載可能量が多めの配送車を使えば、1回で多くの配送ができて効率的に見えるかもしれませんが（あまり考えなくてよいという面では思考のコストはかからないともいえますが）、さまざまなデータで学習させた配送ルート最適化システムならば、小さな配送車で複数回にわたって配送した方が実は全体の配送コストが安いことを見いだせるかもしれません。

配送ルート最適化を実現するサービス

手軽に利用でき得るSaaS型の配送ルート最適化のサービスには、現在以下のような例があります。前述の通り、AIを活用したシステムが珍しくありません。

LYNACLOUD

配送計画をAIによって自動で策定できる配送ルート最適化ツールです。クラウドサービスのため導入に伴うコストやセットアップ負担が小さく、気軽に利用を開始できます。知識・経験の浅い社員でもより良い配車計画を策定でき、業務の効率化が期待できるでしょう。

参考：LYNACLOUD「LYNA 自動配車クラウド」

GuRutto

GuRuttoは地図上の拠点を一筆書きで巡回して効率的なルートを策定できるツールです。行き先と各種条件を設定すれば、あとは自動でルートが設定されます。独自の「効率化エンジン」を活用し、効率的な配送計画を短時間で実現できるサービスです。

参考：GuRutto「GuRutto」

輸配送管理システム（TMS）ULTRAFIX

配送最適化に向けた運輸管理や輸配送進捗管理などの機能がそろっているサービスです。独自のアルゴリズムによる配送ルート最適化や、ドライバーの現在地をリアルタイムで可視化し、質の高い管理を実現できます。積載率の向上や配送車数・走行距離の最小化を図るAI機能の追加もしている事例も出てきています。

参考：NECソリューションイノベータ「輸配送管理システム（TMS）ULTRAFIX」

配送ルート最適化における課題

配送ルートの最適化は、積極的に推進すべき施策である一方、実施に際しては課題も残ります。

仕事の分配に公平性を持たせる

配送ルート最適化が全体としてはうまくいっているように見えても、ドライバーごとの仕事の配分に偏りがある場合、多くの配分を担っているドライバーのエンゲージメントが下がることがあります。優れた配送ルート最適化を実践できたとしても、それを担う人が不満に思っていたら、最悪離職にもつながる原因となり、元も子も無くなってしまいます。効率化は大事ですが、それによってやりがいを持って働けているかどうかも注視しましょう。

再配達の問題を考慮しなければならない

配送ルートを最適化して、最短ルートで荷物を届けられるプランを組み立てた場合でも、特に宅配では再配達の問題がなくなるわけではありません。再配達が発生すると、事前に組み立てた配送計画通りに荷物の受け渡しが進まず、将来の配送リソースを逼迫することがあります。

再配達の問題を解消するために既に、宅配ボックスを含めた置き配や、宅配便ロッカーなどのサービスが導入されていますが、持ち去りや、宅配ボックスが埋まっているために再配達の必要が出てくることもあり、問題を完璧に解決できているわけではなく、多かれ少なかれリスクがあることは折り込んでおくべきです。

配送ルート最適化を成功させるためのポイント

配送ルート最適化を成功に導くためには、以下の点を踏まえて実施しましょう。

より大規模な物流DXにも注目する

配送ルートの最適化だけでは、単なる業務効率化に終始してしまい、本来的に目指すべきビジネス満足のいく業務効率化成果に至らないが実現できないこともあります。場合によっては配送業務以外の領域で、問題を抱えている会社もあるでしょう。

その場合、視野を広げて配送ルート最適化以外のDXも合わせて検討することが大切です。そのすべてをうまく連携させれば、全社的なビジネスの進化やイノベーションも視野に入れることができ、将来にわたっての成長につなげることもできます。

積載率を改善する

少し先述もしましたが、配送車の積載率も配送ルート最適化の一部と捉えるべきでしょう。より効率的に荷物を積載、単純には可能な限り多くの荷物を積載すれば、荷物を積み直す回数が減り、走行距離・時間の短縮が見込めます。それにより、ドライバーだけでなく他の従業員の残業時間を減らせることも狙えます。

「配送ルート最適化の実現」にこだわらない

課題を設定する上では、たとえ配送ルート最適化ありきで議論をが始めたとしても、それをいったん脇に置いておいて、本当の問題を見極めて、それを解決する方法を検討することが重要です。例えば、ある特殊な製品を配送する場合、自社よりも得意な事業者に外注したり、その製品をデジタル化してそもそも運ばないようにしたりすることも、最適解となり得ます。そうした気づきや発想は自社ではなかなか見いだせないことがあるので、外部の識者に相談するのも有効です。

配送ルート最適化を始めるためのステップ

配送ルート最適化は、以下のステップを踏んで進められます。

ステップ1: 現状の問題の把握、課題設定

まず必要なのは、現状どのような課題を抱えているかの把握です。配送ルートが効率良く組めない理由はどこにあるのかを調べた上で、解決すべき課題を設定します。ここをうまくしないと、最終的に開発・運用するシステムが現場で役立たなくなる可能性が高まり、膨大なコストの無駄遣いになってしまいます。入念に行いましょう。

ステップ2: 目標設定

課題の設定ができたら、目標の設定に進みます。目標設定は、いわゆるKGIとして数値で示してできるだけ具体的にするのはもちろん、簡単すぎでも難しすぎでもないちょうどよい値にすべきです。その後、その目標に関係のある部署・担当者ごとの目標、つまりKPIを設定し、それぞれが具体的な目標を意識して業務に取り組めるようにします。また最適化のためのAIを導入した際のROIを見るためにも、正確な目標設定が重要です。

ステップ3: システム導入形態の検討

配送ルート最適化システムは、パッケージ型とオーダーメイド型に大別できます。パッケージ型は導入コストが比較的低いことが大きな利点ですが、自社特有の事情に対応できるとは限らず、導入効果がある程度にとどまることがあります。また、中長期的に利用したいと考えていても、ビジネス環境の変化に対応してくれる保証はありません。一言で言えば「安いが融通がききづらい」となります。

一方オーダーメイド型は、PoCなどを経た導入のコストが比較的安くありませんが、自社の事情に合わせた開発ができるので、導入効果が期待を下回るリスクが低いといえます。さらに、AIを活用したシステムであれば、導入後の業務で得られるデータでAIのを学習やチューニングを続けられ、精度の向上やビジネス環境の変化への対応もしやすいのです。

ステップ4: PDCAサイクルの実践と全社活用の検討

現場への導入を始めると同時に、PDCAサイクルを実践しましょう。継続的・連鎖的な改善を図っていくということですが、この面でも有利なのがAIを活用したオーダーメイド型のシステムです。ステップ3の通り、AIは継続的な学習による精度向上がしやすく、オーダーメイド型はパッケージ型と比べてカスタマイズによる改善がしやすいからです。

そうして現場での運用がうまくいったら、全社的に活用できるよう、システムの拡大や連携を検討しましょう。この面でも、カスタマイズができるオーダーメイド型の方が有利です。

まとめ

以上、配送ルート最適化の基本、導入に際して知っておきたい点を解説しました。
繰り返しになりますが、配送ルート最適化では現在、AI活用が有効です。さらにその中でも、自社のビジネス事情に合わせてカスタマイズした開発ができるオーダーメイド型であれば、継続的な精度向上やビジネス環境の変化への対応がしやすいだけでなく、配送ルート最適化を超えて全社的にビジネスを変革するシステムへの発展も見込めます。

オーダーメイド型AIを開発・導入するには、本当の問題を見つけて課題を設定する面から、自社だけではなかなか難しく、外部のAIベンダーに相談するのが有効です。配送ルート最適化はAIのタスクでいえば「組合せ最適化」であり、弊社Laboro.AIが得意としています。ぜひ一度ご相談ください。

Laboro.AIの「最適化領域のカスタムAI開発」はこちら

執筆者

マーケティング部　リードマーケター　熊谷勇一

中央大学文学部卒業、北陸先端科学技術大学院大学情報科学研究科博士前期課程修了。日本経済新聞社など日経ブランド企業で16年、雑誌、書籍、ウェブサイト、動画などの編集・執筆を手掛けた後、2022年からLaboro.AIに参画。

執行役員マーケティング部長　和田崇

立教大学大学院経営学修士（マーケティング論・消費者行動論）。立教大学大学院ビジネスデザイン研究科博士後期課程中退。KDDI株式会社に入社、コンシューマ向け商品・サービスのクロスメディアによるプロモーション施策の立案・企画運営に携わったのち、全国漁業協同組合連合会を経て、2019年にLaboro.AIに参画。マーケティング／ブランディング業務に従事する傍ら、NewsPicksプロピッカーとして活動するほか、日経クロストレンドなどメディア寄稿多数。