Power BI のサプライ チェーン分析: 可視性、リスク、最適化

近年のサプライ チェーンの混乱は、残酷な真実を明らかにしました。ほとんどの企業は、ティア 1 サプライヤー以外のサプライ チェーンを把握できていませんでした。ある国の工場が閉鎖されたとき、企業は自社のどの部品がその工場から生産されたのかを知りませんでした。そして、それがわかったときには、対応するには遅すぎました。

Power BI はその方程式を変えます。 ERP システム、サプライヤー ポータル、物流プラットフォーム、外部リスク データ ソースに接続された Power BI は、サプライ チェーン チームに危機が発生する前に問題の発生を確認する可視性と、コスト、在庫、サプライヤーとの関係を体系的に最適化するための分析ツールを提供します。このガイドでは、基本的な KPI 追跡から高度なリスク検出まで、Power BI でのサプライ チェーン分析の全範囲をカバーしています。

重要なポイント

• エンドツーエンドのサプライ チェーンを可視化するには、ERP、WMS、TMS、サプライヤー データを Power BI に統合する必要があります
• サプライヤーのパフォーマンス スコアカードにより説明責任が促進され、単一ソース依存のリスクが特定されます
• 完全納期遵守 (OTIF) 測定は、サプライ チェーンの主要な配送パフォーマンス KPI です
• 在庫最適化分析により、サービス レベルを維持しながら保管コストを削減
• AI で強化された Power BI による需要予測により、予測エラーと在庫の無駄が削減されます
• 輸送分析により、レーンコストの外れ値と運送業者のパフォーマンスの問題を特定
• サプライ チェーン リスク ダッシュボードは、外部データ (ニュース、天気、地政学) と内部暴露を統合します。
• 完全注文率は、単一の複合指標でエンドツーエンドのサプライチェーンのパフォーマンスを測定します

---

サプライ チェーン分析データ アーキテクチャ

Power BI でのサプライ チェーン分析では、通常、6 ～ 10 のデータ ソースを統合する必要があります。

最もスケーラブルなアーキテクチャでは、データ ウェアハウスを統合ハブとして使用します。ソース システムは (Fivetran、Azure Data Factory、またはカスタム パイプラインを介して) データをウェアハウスに配置し、データ エンジニアは変換を適用してサプライ チェーンのディメンションとファクトを作成し、Power BI はすべてのダッシュボードとレポートについてウェアハウスにクエリを実行します。

---

コアサプライチェーン KPI

完璧な注文率 は、サプライ チェーンのパフォーマンスを総合的に把握するため、特別な注目に値します。注文は、「完璧」とみなされるためには、時間どおりに配達され、完全で、損傷がなく、正しい文書が添付されている必要があります。 95% の納期遵守率 × 98% の完了 × 99% の無破損 × 99% の正確な文書 = 91% の完璧な注文率。複合メトリクスは、個々のコンポーネントよりも要求が厳しく、顧客エクスペリエンスをよりよく反映します。

---

サプライヤーのパフォーマンス管理

サプライヤーのパフォーマンス管理は、サプライチェーン分析がビジネスに最も直接的な影響を与える場所です。サプライヤーのパフォーマンスの低下（納期の遅れ、品質上の問題、注文の不完全さ）は、生産停止、顧客サービスの失敗、および分析プラットフォームのコストを矮小化するほどの迅速化コストに連鎖させます。

サプライヤー スコアカード は、次の 4 つの側面から各サプライヤーを測定します。

配達実績: 当初の希望配達日 (修正日ではない) に対して測定された期日どおりの配達率。常に納期が遅れているサプライヤーが、日付を修正することで期待を管理しても、サプライ チェーンの信頼性は向上しません。問題の可視化が遅れるだけです。

品質実績: ロット別、部品番号別、検査結果別の入荷品質不良率。慢性的な品質問題を抱えるサプライヤーは、受入検査リソースを消費し、不良部品がラインに到達すると生産遅延を引き起こし、最終的には供給リスクを引き起こします。

応答性: サプライヤーは注文をどれくらい早く承認しますか?品質に関する通知や是正措置の要求にどれくらい早く対応しますか?平時の対応の遅さは、危機時の対応の遅さを予測します。

商業コンプライアンス: 請求書は注文書と一致していますか?運送条件は遵​​守されていますか?認証 (ISO、REACH、RoHS) は最新のものであり、ファイルに登録されていますか?

総合スコア (カテゴリの重要度で重み付け) により、A から D までのサプライヤー ランクが生成されます。D 評価のサプライヤーは、パフォーマンスが向上しない場合の撤退計画を含む改善計画に取り組んでいます。ダッシュボードには傾向が表示されます。6 か月かけて C から B に移動するサプライヤーは認識されるはずです。 B から D に移動するとエスカレーションがトリガーされるはずです。

唯一のソース依存関係マッピング は、重要なリスク分析機能です。 Power BI は、重要なパーツまたはコンポーネントごとに、認定されたソースが 1 つであるか複数であるかを識別します。サプライヤーのパフォーマンス スコアも低い単一ソースへの依存関係は、最も優先度の高いサプライ チェーン リスクを表しており、生産を停止する可能性がある状況です。

Single Source Risk Score =
IF(
    COUNTROWS(
        FILTER(SupplierParts, SupplierParts[PartNumber] = EARLIER(SupplierParts[PartNumber]))
    ) = 1,
    DIVIDE(Parts[CriticalityScore], SupplierScorecard[PerformanceScore], 0),
    0
)

---

在庫最適化分析

在庫は、資本、保管コスト、陳腐化のリスクを表します。在庫が少なすぎると、在庫切れや生産の中断が発生します。多すぎると無駄が生じ、キャッシュフローに負担がかかります。 Power BI の在庫分析は、最適な在庫、つまりすべての SKU と場所の組み合わせにわたってサービス レベルの目標を満たす最小限の在庫を見つけるのに役立ちます。

ABC-XYZ 分析 は、次の 2 つの次元で在庫を分類します。

• ABC (金額別): A = 年間支出額の上位 20%、B = 次の 30%、C = 下位 50%
• XYZ (需要変動による): X = 一貫した需要、Y = 中程度の変動、Z = 非常に不安定な需要

結果として得られる 9 カテゴリーのマトリックス (AX、AY、AZ、BX...CZ) が在庫ポリシーの指針となります。 AX 品目 (高価値、一貫した需要) には、正確な再注文ポイント、頻繁な計数、サプライヤーの協力など、厳密な在庫管理が必要です。 CZ 品目 (価値が低く、需要が不安定) は、在庫ではなく受注生産またはベンダー管理の在庫の候補となる場合があります。

安全在庫の最適化 は、需要の変動性と供給リードタイムの​​変動性を考慮して、目標サービス レベルを維持するために必要なバッファ在庫を計算します。式:

Safety Stock =
Z_Score × SQRT(
    (Lead_Time_Avg × Demand_StdDev^2) +
    (Demand_Avg^2 × Lead_Time_StdDev^2)
)

ここで、Z_Score = 95% のサービス レベルは 1.65、98% は 2.05、99% は 2.33 となります。 Power BI は、SKU と場所の組み合わせごとにこれを計算し、現在の安全在庫と比較し、在庫不足 (サービス リスク) または在庫過剰 (過剰資本) のいずれかの品目を明らかにします。

低速移動および陳腐化 (SLOB) 在庫 分析では、90 日、180 日、または 365 日間移動していない品目を特定します。メーカーにとって、設計変更によって置き換えられる旧式のコンポーネントは償却リスクを意味します。流通業者にとって、在庫の動きが遅いと棚のスペースと資本が圧迫されてしまいます。 Power BI は、推奨される処理 (サプライヤーに返品、割引販売、または償却) を使用して SLOB 在庫にフラグを立てます。

---

需要の予測と計画

サプライ チェーンのパフォーマンスは需要予測から始まります。予測が適切であるほど、必要な安全在庫が減り、サプライ チェーンをより効率的に計画できます。 Power BI は需要計画システムと統合し、組み込みの分析エンジンを通じて AI を活用した予測機能を追加します。

Power BI の 統計予測 では、時系列分解を使用して、需要を傾向、季節性、およびノイズの要素に分離します。 AI を活用した予測ビジュアルは、指数平滑法または回帰モデルを履歴データに適合させ、信頼区間を使用した予測を生成します。

予測精度測定 は、実際の需要が予測とどのように比較されるかを追跡します。平均絶対パーセント誤差 (MAPE) が標準的な指標です。MAPE が 20% 未満であれば、ほとんどの業界で良好であるとみなされます。 MAPE を製品ファミリー別および計画期間別 (第 1 週対第 8 週) に追跡することで、予測改善が最も影響を与える箇所を特定します。

デマンド センシング は、POS データ、注文パターン、Web トラフィック、ソーシャル リスニングなどの短期シグナルを使用して、先行指標を使用して統計予測を調整します。 Power BI は、適切なソースに接続するとこれらの信号を組み込むことができ、統計ベースラインのみよりも正確な複合予測を生成できます。

コンセンサス予測 は、マーケティングのプロモーション カレンダー、販売のパイプライン ベースの調整、および統計ベースラインを 1 つのコンセンサス数値にまとめます。 Power BI のコンセンサス予測のワークフローでは、各関係者の入力が統計ベースラインとともに表示され、議論が必要な大きな逸脱にフラグが立てられます。

---

物流および輸送の分析

通常、輸送は製造業者や流通業者の収益の 5 ～ 10% を占めており、分析によって大幅な節約が確認できる重要なコストセンターです。 Power BI の交通分析ダッシュボードは TMS データに接続し、レーン レベル、運送業者レベル、モード レベルのコストとパフォーマンスの可視性を提供します。

レーン (出発地と目的地のペア) ごとの 単位当たりの貨物コスト により、コストがベンチマークを大幅に上回っている外れ値のレーンが特定されます。これらの外れ値は、モードの選択 (海上の場合は航空)、運送業者の選択 (地域の運送業者で十分な場合はプレミアム運送業者)、または混載の機会 (毎週混載した方がコストが安くなる多くの小規模な発送) を反映している可能性があります。

運送業者とレーンによる時間通りの配達は、運送業者の信頼性を評価します。ベンチマークが 96% であるレーンで 88% の定時パフォーマンスを達成している航空会社は、そのレーンのキャパシティに苦労しているか、体系的な運用上の問題が発生しているかのどちらかです。分析により、通信事業者と生産的な会話を行うため、またはボリュームを再割り当てするための証拠が得られます。

運賃請求書監査分析 は、請求された運賃を契約料金および予想料金と比較します。運送業者による過剰請求（間違った重量クラス、間違ったゾーン、許可されていない付属品料金）はよくあることであり、多くの大手荷主が貨物監査会社を利用しています。 Power BI では、請求額が許容しきい値を超えて予想を超えた請求書にフラグを付けることで、この監査プロセスの多くを自動化できます。

モードの最適化 は、出荷履歴を分析して、モード選択を改善できる箇所を特定します。地上配送であれば顧客の希望日に間に合う航空便での輸送、または LTL として安価であった FTL 輸送は、回収可能なコストとなります。

---

サプライチェーンのリスク分析

サプライ チェーン リスク分析は、最も戦略的な価値を提供する機能ですが、最近の世界的な混乱が起こる前にはほとんどの組織がほとんど認識していませんでした。 Power BI は、内部暴露データと外部リスク シグナルを統合して、調達チームや幹部に早期警告システムを提供するサプライ チェーン リスク ダッシュボードを作成できます。

地理的集中リスク は、サプライヤーの所在地をマップし、地理ごとにエクスポージャーを定量化します。重要なコンポーネント カテゴリの 60% を単一の国から調達している企業には、重大な集中リスクがあります。 Power BI は、これを国または地域ごとの露出スコアを含む塗りつぶしマップとして視覚化します。

財務健全性モニタリング は、主要サプライヤーの信用格付け、財務書類、ニュースでの言及を追跡します。財務健全性の悪化を示しているサプライヤーは、生産能力の削減、品質上の問題、または破産のリスクにさらされています。早期に警告を発することで、調達チームは危機に陥る前に代替品を検討する時間が得られます。

リードタイム変動追跡は、サプライヤーおよび部品ごとの実際のリードタイムの​​標準偏差を測定します。リードタイムの​​変動性が大きいことは、供給中断の主な指標です。リードタイムが増加している、またはより不安定になっているサプライヤーは、緊張を示しています。このシグナルは、より深刻な供給問題が発生する 60 ～ 90 日前に発生することがよくあります。

外部リスク統合 は、リスク データ プロバイダー (Resilinc、Everstream、Dun & Bradstreet) またはパブリック データ ソース (気象 API、ニュース フィード) に接続して、内部サプライ チェーン データに外部コンテキストを追加します。主要な調達地域のサプライヤークラスターに接近するハリケーンや、重要な物流拠点近くの政情不安をダッシュ​​ボードに自動的に表示できます。

---

よくある質問

Power BI はサプライ チェーン分析のために SAP にどのように接続しますか?

Power BI は、SAP HANA コネクタ、SAP BW/4HANA コネクタ、または SAP DataSphere または Syniti 経由でロードされた中間データ ウェアハウスを介して SAP ECC および S/4HANA に接続します。運用中のサプライ チェーン データ (発注書、入庫、在庫位置) の場合、ほとんどの実装では、データを毎日ステージング レイヤーに抽出し、Power BI がクエリを実行する前にデータ ウェアハウスに読み込みます。 SAP HANA が基盤となるデータベースの場合、SAP HANA コネクタを介して DirectQuery 経由でリアルタイム SAP データにアクセスできます。

On-Time In-Full (OTIF) とは何ですか?なぜ重要ですか?

OTIF は、期日通りに (要求された納期までに) 納品された注文と、完全に納品された (注文した数量が完全に揃った) 両方の注文の割合を測定します。これは、配信パフォーマンスの 2 つの重要な側面を 1 つの指標に結合します。予定通りに配達されたものの、注文数量の 5% に満たない出荷は、OTIF 準拠とはみなされません。違反したサプライヤーに罰金を課すウォルマートの OTIF プログラムによって OTIF は注目を集めましたが、顧客が実際に必要としているものを捉えているため、現在ではサプライチェーンの主要な配信 KPI として広く使用されています。

Power BI は需要予測に役立ちますか? それとも別のツールが必要ですか?

Power BI には、多くのサプライ チェーンのユース ケースに対して合理的な時系列予測を生成する AI 予測が組み込まれています。より高度な予測 (外部要因の組み込み、因果モデリング、数千の SKU にわたる階層型予測) には、専用の需要計画システム (Kinaxis、o9、Blue Yonder、SAP IBP) の方が適しています。次に、Power BI はこれらのシステムに接続して、実際の需要と合わせて予測を視覚化し、予測精度のメトリクスを計算します。

Power BI でサプライ チェーンのリスクをどのように測定しますか?

Power BI のサプライ チェーン リスクは、通常、内部エクスポージャー データ (何を、いくら、どこから購入するか) と、パフォーマンス シグナル (リード タイムの傾向、品質の傾向、納品の傾向) およびリスク インテリジェンス プロバイダーからの外部リスク データを組み合わせます。リスク スコアは、DAX で加重複合として計算できます。地理的な集中、唯一の供給元への依存、サプライヤーの財務健全性は、最も一般的に追跡される 3 つの側面です。結果として得られるリスク ヒートマップには、どのサプライヤーと部品の組み合わせが総合リスクが最も高いかが示されます。

Power BI を使用したサプライ チェーン分析の ROI はどれくらいですか?

サプライチェーン分析の ROI は複数のソースから得られます。在庫削減 (より適切な安全在庫計算により超過が 10 ～ 20% 削減されます)、輸送費削減 (モードの最適化と運送会社の分析により輸送費が 5 ～ 10% 節約されます)、品質コストの削減 (サプライヤー管理の改善により、入ってくる欠陥が減少します)、および中断コストの回避 (リスク分析により事前の分散が可能になります)。 COGS が 1 億ドルで在庫回転率が 20% の企業の場合、在庫が 10% 削減されると、運転資本から 200 万ドルが解放されます。

---

次のステップ

サプライ チェーン分析は、すべての適切なデータ ソースを接続し、倉庫管理者から CPO、CFO に至るまで、各関係者に一貫した役割に応じたビューを提示するときに最も効果的に機能します。データ アーキテクチャはダッシュボードと同じくらい重要です。ソースのデータ品質が低いと、あらゆる洞察が損なわれます。

ECOSIRE の Power BI サービス には、ERP プラットフォーム全体にわたる経験を備えたサプライ チェーン分析の実装、WMS と TMS の統合、サプライヤー パフォーマンス管理フレームワークが含まれています。サプライチェーンの可視化目標についてご相談になりたい場合は、お問い合わせください。