ゴム成形工場の需要予測をAIで生産計画に連携する設計術

月末になると生産管理担当者がExcelの受注実績とにらめっこしながら、「来月はこの型番を多めに作っておこう」と経験と勘で生産計画を組む——ゴム成形工場ではよく見かける光景です。

受注変動の大きいゴム成形品は「勘」に頼りがちな構造

ゴム成形品は自動車部品、産業機械のシール材、建築用パッキンなど用途が幅広く、顧客ごとの発注サイクルもバラバラです。さらに同じ型番でも季節要因や取引先の在庫調整によって受注量が大きく上下するため、需要予測は属人化しやすい領域といわれています。ものづくり白書など各種調査でも、中小製造業におけるAI・データ活用の遅れが繰り返し指摘されており、需要予測の精度向上は共通の経営課題です。

AIが受注実績と型番別出荷データを学習し、生産計画表に自動反映する設計

需要予測を仕組み化する第一歩は、過去の受注実績・型番別出荷データ・金型台帳を1つの業務アプリに集約することです。業務アプリ側で以下のような構成にすると、担当者の作業負担を増やさずにAI予測を組み込めます。

型締め時間と金型段取り時間を考慮した生産順序自動算出でExcel脱却

需要予測だけでは生産計画は完結しません。ゴム成形特有の制約条件として「型締め時間（金型を閉じて加硫させる工程時間）」と「金型段取り時間（金型を交換・調整する時間）」を考慮しなければ、現実的な生産順序にはなりません。

Excelで生産計画を組んでいる場合、この段取り時間の最適化は担当者の暗算に頼りがちです。業務アプリ側に「型締め時間マスタ」「段取り時間マスタ」をあらかじめ登録しておけば、需要予測結果と組み合わせて生産順序を自動算出できます。

確定した生産計画は「生産計画表_YYYYMMDD.csv」として出力され、現場の工程管理ボードや基幹システムに連携できる形にしておくと、紙の指示書への転記という工程も不要になります。

1型番からの試験導入で精度を検証し、全型番へ段階展開する

いきなり全型番でAI需要予測を導入すると、予測結果への不信感から現場が使わなくなるリスクがあります。まずは受注変動の大きい主力型番1〜2点に絞って試験導入し、AI予測値と実際の受注数量を見比べる期間を設けることが重要です。