2017/3/7 配送計画 収益管理 需要予測 東京海洋大学 久保 幹雄
配送計画とは？ サプライ・チェインの最下流における最適化 タクティカル（中期）からオペレーショナル（短期）の意思決定 配送センターから複数の顧客（小売店，港など）への輸送手段（トラック，船など）による巡回輸送の最適化 我が国で最も普及しているサプライ・チェイン最適化システム
配送計画の目的と制約 総費用最小化 ルート内の顧客需要量がトラックの積載重量（容量）の上限以下 一日の稼働時間の上限を超えない 時間枠を満たす 入庫可能トラックの制限 デポ 顧客(需要点) ルート
配送計画の歴史１ 1950年以前（経済からロジスティクスへ) 1950-60 (黎明期) 2017/3/7 配送計画の歴史１ 1950年以前（経済からロジスティクスへ) Kantrovitch, Koopmansの輸送モデル Dantzigの線形計画 1950-60 (黎明期) Dantzig & Ramserのタンカースケジュール Dantzig, Fulkerson & Johnsonの巡回セールスマン問題
配送計画の歴史２ 1960-80（初期の近似解法) 1980-90 (近似解法の洗練と事例期) 1990-2000 (メタ解法の発展) 2017/3/7 配送計画の歴史２ 1960-80（初期の近似解法) Clarke & Wrightのセービング法 Gillet & Millerのスイープ法 1980-90 (近似解法の洗練と事例期) Fisher & Jaikumarの一般化割当法 航空機（人員）スケジューリングへの応用 多くの事例研究 (地理的データーベースの普及) 1990-2000 (メタ解法の発展) タブー（禁断）探索，遺伝的アルゴリズムなど 2000-現在（普及と他のサプライ・チェイン最適化システムとの融合） ベンダー管理在庫
顧客（点）データ 点ID:：顧客やデポを区別するためのID 点名称： 顧客やデポの名前 郵便番号：顧客やデポの郵便番号 住所： 顧客やデポの住所 経度・緯度： 顧客の地球上での位置（自動計算） 重量：顧客の需要量の合計重量 容量：顧客の需要量の合計容量 時間：顧客上での作業時間 最大入庫：顧客に乗り入れ可能な輸送手段の積載重量 最早時刻：顧客上で作業を開始することができる最も早い時刻 最遅時刻：顧客上で作業を開始することができる最も遅い時刻
輸送手段データ 輸送手段ID：輸送手段を区別するためのID 輸送手段名称： 輸送手段を区別するための名称 最大重量： 輸送手段に積載可能な総重量 最大容量：輸送手段に積載可能な総容量 稼働時間：稼働可能な時間の上限 1kmあたり費用： 1kmあたりの輸送を行うときに要する費用 発時刻： 輸送手段が配送センターを出発する時刻
パラメータデータ 最大ルート数：生成されるルートの最大値 平均速度：輸送手段の平均速度 迂回係数：直線距離から道路距離を算出するときに乗じる係数
例題 顧客データ
輸送手段データ
パラメータデータと結果（ルート概要）
出力（ルート詳細：一部） 10トントラックの配送順序
収益管理（Revenue Management）とは？ 陳腐化資産（ある時刻になると価値が０） 航空機の座席，ホテルの部屋，ゴルフのプレー権，レンタカー，スポーツの観戦券 価格の変更による需要の適切な管理(収益最大化) 価格帯の異なる予約の販売をいつ停止するかを決定する． 最近では，インターネット直販における動的な価格の変更戦略にも利用されている．
ホテルの部屋に対する収益管理 宿泊 在庫 正規価格10000円 価格 正規価格の 0.6倍の価格 割引価格6000円 停止 在庫 正規価格10000円 価格 正規価格の 0.6倍の価格 割引価格6000円 在庫切れ（満室）の確率＝0.6 期 割引価格6000=正規価格×0.6（期待収益）
簡単な適用例 3/5から3/9までの予約の予測から，割引予約の受け入れの可否を決定 予約：１泊と２泊の２種類，割引と正規料金の２種類を想定． 日 3/5 3/6 3/7 3/8 3/9 残り部屋 38 49 26 50 １泊 ２泊 割引 12000 22000 正規 15000 28000 収益
データベース仕様 予約データ 部屋数データ（部屋・期データ） 予約ID：予約を区別するための番号 到着日：宿泊の開始日 出発日：宿泊の終了日（チェックアウトの日） 需要量：予約数の推定値 収益：予約の種類（割引，正規料金，連泊割引など）によって異なる宿泊料金 受入数上限： 最適化によって計算された予約の分類ごとの受け入れ可能数の上限（出力） 部屋数データ（部屋・期データ） 残り部屋数：日ごとの残り部屋数 入札価格：日ごとの部屋の価値（出力）
予約データ入力
部屋・期データ入力
結果(入札価格コントロール） 日 3/5 3/6 3/7 3/8 3/9 入札価格（部屋の価値） 入札価格 3/5,6,8,9 12000 16000 3/5,6,8,9 １泊の割引予約は受ける （12000=12000） 連泊の割引予約はClose （22000<12000+12000) 3/7 １泊の割引，正規料金はClose 連泊の正規料金の予約のみ受ける
結果(入れ子上限コントロール） 宿泊開始日 3/5 3/6 3/7 3/8 3/9 １泊（割引） ２泊（割引） 受入数上限（需要量は割引45, 正規15） 宿泊開始日 3/5 3/6 3/7 3/8 3/9 １泊（割引） 8 19 20 ２泊（割引） - １泊（正規） 23 34 35 ２泊（正規） 38 15 11 50 残室 49 26 各予約クラスが上限を超えるまでは受け入れる．
需要予測とは？ 在庫計画，ロジスティクス・ネットワーク設計，生産計画など，サプライ・チェインにおける諸計画の基本データを与える重要な意思決定項目 指数平滑法（季節変動を考慮したWinter法，二重指数平滑の概念を用いたHolt法などのバリエーション），Box-Jenkins法，移動平均法，回帰分析など様々な方法が提案されている． 実際には．．． （クリスマス，お中元やお歳暮，近所での運動会やバーゲンなどの）イベント情報の利用が不可欠 週次，月次，年次の周期による影響の考慮が必要 （生産）容量によるlost salesの考慮が必要 などの要因で，単純な予測手法では正確な予測が不可能．
需要予測に必要なデータ 需要の過去の履歴（需要データ） 需要に影響を与える要因（イベントデータ） 日本国内の流通業では，曜日が与える影響が大． バーゲンや割引セールなどのイベント情報 クリスマスや正月，ゴールデンウィークなどの特殊日の情報 月末や５，１０日などの月次の特殊日の情報 新製品やライバル商品のキャンペーン期間などの情報 WebForecastでは，すべてイベント情報として登録
簡単な適用例 2/1から2/10までの需要の履歴から2/11の需要を予測 イベント情報:2/1と2/8は休日で，平日とはことなる需要量になることを入力． 日 1 2 3 4 5 6 7 8 9 10 11 需要 120 80 70 90 110 100 140 ？
需要データ入力
イベント情報入力
予測（最適化）実行 2/11の需要予測は125個；休日の影響は30個増し．
まとめ 研究者 実務家 配送計画，収益管理，需要予測 サプライ・チェインの研究ははじまったばかり！ 多くの課題 例：ロジスティクス・ネットワーク設計＋収益管理 在庫管理＋配送計画=ベンダー管理在庫 研究者 実務家