Generated by All in One SEO v5.0.0.1, this is an llms.txt file, used by LLMs to index the site.

# ロジギーク

物流２０２４年問題を数学で解決するためのヒント

## Sitemaps

- [XML Sitemap](https://rikei-logistics.com/sitemap.xml): Contains all public & indexable URLs for this website.

## 投稿

- [バイヤーズコンソリデーションの成否は積み地での輸出通関コストがカギ](https://rikei-logistics.com/buyers-consolidation) - 物流会社の立場ではその国の通関制度の違いによりバイヤーズコンソリデーションがやり易い国（稼ぎやすい国）とやりにくい国があります。新興国でバイコンは大きな収入源ですので、物流会社にとってこれは大きな問題です。利益にならないのであれば物流会社はやる気にならないので、荷主にとっても大きな問題です。その仕組みを解説します。
- [3期制保管料の損得を分析して料金交渉ポイントを荷主／物流会社別に解説します](https://rikei-logistics.com/storage-cost-negotiation) - 倉庫保管料を3期制にするのは物流会社にはメリットがありますが、荷主会社にとっては日割りで請求してもらう方が得です。それでも3期制にせざるを得ない場合には、自社の出荷特性を把握した上で少しでも有利になる交渉をすべきです。3期制の計算方法の仕組みと、物流会社との交渉ポイントを解説します。
- [Excel VBAで場合分けしたデータ数をカウントする方法をわかりやすく解説](https://rikei-logistics.com/how-to-excel-macro1) - マクロ（VBA）には色々な機能がありますが、物流のシミュレーションで使う機能は僅かです。折角時間をかけて膨大な量のマクロの解説本やマニュアルを読んでも、そのほとんどは物流シミュレーションには必要のない機能です。最短距離で物流シミュレーションができるようになるために、よく使う処理機能だけに絞って解説する後半編です。
- [Excelでヒストグラムを作る方法｜正規分布グラフの重ね方も図解で解説【テンプレ付き】](https://rikei-logistics.com/histogram-excel) - Excelでヒストグラムを描く方法は2通りあります。統計グラフで描く方法と棒グラフで描く方法です。後者は自分で階級を設定してやる必要があります。更に本記事では正規分布の近似曲線も一緒に表示する方法も解説します。ヒストグラムを描く時は正規分布みたいになっていることを示したいことが多いのでこれができると説得力が高まります。
- [【2023年最新版】物流業界ランキング！大手から中堅まで上場企業77社](https://rikei-logistics.com/ranking-2023) - 物流業界ランキングは2年間に渡って続けてきましたが各企業のHPから財務データを手作業で収集してきました。今年はInvesting.comからinvestpyで自動取得しました。世界中の上場企業の財務情報サマリーが取得できるので「Japan」と「Freight & Logistics Services」で絞り込みました。
- [マスターB/L、ハウスB/L、ダイレクトB/Lの違いと見分け方について解説](https://rikei-logistics.com/bl) - フォワーダーの仕事は外から見ると同じ物流業者でもよく分からないものです。それは物流業界広しといえども関わっている人は一握りだからです。今回はまずマスターB/LとハウスB/Lの違いと見分け方について解説します。簡単にいうとフォワーダーは仕入れに使う契約書兼送り状がマスターB/Lで顧客への販売に使うのがハウスB/Lです。
- [Excelで微分を計算する方法｜数式ゼロで関数の傾きを求める近似手法を解説](https://rikei-logistics.com/differential) - Excelでどんな関数でも簡単に数値計算できる方法を解説します。微分の求め方には解析的解法と数値的解法があります。解析解は厳密解を求められますがすべて解析的に求められるとは限りません。その点数値的解法は近似解になりますがすべて求められます。数値的解法は微分の定義式に代入することによりいつも同じやり方で求められます。
- [図面でも地図でも！画像から実寸の面積をExcelで計算する２つの方法](https://rikei-logistics.com/freehand) - 式が分かっている図形の面積は、どんなにいびつな形であっても積分の数値的解法でExcelで計算することができます。しかし地図をなぞったようなフリーハンドの図形の面積はどうやって計算すればよいのでしょうか。フリーハンドの図形は頂点が無数にある多角形と考えることができます。そしてその面積は２通りの方法で求めることができます。
- [フレイトプリペイドとコレクトとは？マスタB/LとハウスB/Lそれぞれについて解説](https://rikei-logistics.com/prepaid) - B/LにはマスターB/LとハウスB/Lがありそれぞれプリペイドとコレクトがあります。海上運賃の支払い方のことで宅配便の元払いに相当するのがプリペイド、着払いに相当するのがコレクトです。それぞれの支払い方法は誰がどのように決めているのでしょうか？ハウスB/Lはインコタームズで、マスターB/Lはフォワーダーの都合次第です。
- [フォワーダーの各国法人間でのプロフィットシェアはどうやっているのか？](https://rikei-logistics.com/profit-share) - フォワーディング業務は多国間の法人による共同作業のため利益配分方法を予め決めておく必要があります。これを業界ではプロフィットシェアと呼んでいます。公平に配分するには業務負荷を適切に反映する必要がありますし営業努力もきちんと反映させないと誰も頑張って営業しなくなってしまいますので、これは結構重要な経営判断になってきます。
- [フォワーダーの各国法人間での国際輸送費の請求フローはどうなっているのか？](https://rikei-logistics.com/billing-flow) - フォワーディングでは各国現地法人間でプロフィットシェアをしていますが、その請求フローは意外と複雑です。船社への支払いと荷主への請求が同一国でされる場合には簡単ですが、マスタープリペイド／ハウスコレクト等のようにそうではない場合、一旦どちらかの国に損益をまとめるのが普通です。その国際請求フローを一つずつ見ていきます。
- [【3/2ベット法の嘘をあばく】ルーレットをPythonで百万回してみた結果を公開](https://rikei-logistics.com/ploppy) - 3/2ベット法とは日本ではあまり知られていませんが海外では3/2 Roulette StrategyまたはPloppy 3-2 Roulette Strategyと呼ばれているルーレットの有名な必勝法です。これはルーレットのテーブル配置の偏りを利用して利益を得るというものですが、これがイカサマであることを証明します。
- [【物流担当者必見！】三期制の保管料はこんなに損!?アプリで簡単シミュレーション](https://rikei-logistics.com/app-storage1) - 「日本の保管料は三期制で一期（十日間）当たり280円／CBM、タイでは一日当たり30円／CBM。一日当たりで比較するとタイの方が高いじゃないか！」「物流会社から一日当たり30円／CBMの保管料を、一週間当たり180円／CBMに変更したいと提案された。安くなった、ラッキー！」それが一目で損得がわかるアプリを作りました。
- [【リトルの法則とは？】物流の待ち時間や滞留時間を削減するための使い方](https://rikei-logistics.com/little) - リトルの法則はあまり知られていませんがロジスティクス改善においてとても有用な法則です。わかりやすいところでは物流センター内での作業改善に使えます。物流センターでは作業者が皆忙しそうに働いていますが、本当に付加価値のある作業をやっている割合はごく僅かなケースがほとんどです。リトルの法則を使うと、それを数値化できます。
- [完全試合やノーヒットノーランを達成する確率を計算してみたらこうなった。](https://rikei-logistics.com/perfect-game) - 千葉ロッテの佐々木郎希が２８年ぶりの完全試合を達成しました。ノーヒットノーランはよくお目にかかりますが完全試合は滅多に目撃できるものではありません。どのくらい凄いことなのかを確率論で検証してみました。更に佐々木郎希は次の試合でも８回まで完全に抑えています。１７イニング完全試合がどのくらいの確率で起こるかも検証しました。
- [需要だけでなくリードタイムも変動する場合の安全在庫はどうやって計算するの？](https://rikei-logistics.com/lt-variability) - よく知られている安全在庫を求める公式では需要の変動のみを考慮していて、リードタイムの変動は考慮していません。ところがリードタイムは調べてみると驚くほど変動しているものです。そこでリードタイムの変動も考慮した安全在庫の計算式を紹介します。安全在庫理論が使えないという場合には、リードタイムの変動を疑ってみましょう。
- [【２通りの方法】最小二乗法を行列を使って解く方法をわかりやすく解説](https://rikei-logistics.com/lsm) - 最小二乗法を行列を使って解くやり方には２種類あります。一つは回帰式の係数を偏微分する方法もう一つは変数を微分する方法です。両方法とも簡単に微分できるようになっているので難しくありません。また４次、５次などの高次関数で近似したい場合にも全く同じやり方でできます。行列の基本が分かっている人にとっては大変便利な方法です。
- [【最短経路検索】ダイクストラ法を理解してExcelに実装してみた。](https://rikei-logistics.com/dijkstra) - 最短経路問題はGoogleやYahoo!の経路検索やカーナビ等でも使われている応用範囲の広い数理問題です。これは線形計画法でも解くことができますがもっと単純なアルゴリズムでも解くことができます。中でも有名なのがダイクストラ法で始点から隣接するノードに沿って最小累積コストをノードごとに確定させていくアルゴリズムです。
- [【ディシジョンツリー分析】テスト販売にかけるコストはいくらが妥当か？](https://rikei-logistics.com/dca) - ディシジョンツリー分析とは条件分岐によって問題を解く機械学習の手法の一種で、決定木とも呼ばれます。何か大きなイベントやを実施するにテストイベントを行って、どのくらいの反応があるか見極めたい時がありますね。でも、それにどのくらいのコストをかけて良いのかは難しい問題です。そんな時にディシジョンツリー分析は適しています。
- [【勾配消失と勾配爆発はなぜ起こるのか？】その原因と対策をExcelで調べてみた](https://rikei-logistics.com/explosion) - Excelでニューラルネットワークの実装を行うとPythonにあるようなライブラリーがないためとても手間がかかるのですが、収束しない時の原因究明をし易いという利点もあります。収束しない理由に勾配消失や勾配爆発があります。Excelで追っていくと原因がはっきりと理解できます。入力と初期値が重要であることがわかります。
- [【燃料サーチャージ】誤った計算式で契約してしまったトラック会社の窮状](https://rikei-logistics.com/surcharge2) - 昨今の燃料価格上昇は異常なほどですが、それでも日本の荷主はトラック運賃の値上げを認めてくれません。全日本トラック協会は国土交通省と連名でお願いパンフレットを配ったくらいです。近い将来日本でも燃料サーチャージを導入する機運になってくると思いますが、その計算式には十分に注意する必要があります。アジアでの失敗例を報告します
- [安全在庫式のリードタイムに平方根が付くのはなぜ？【誰もが一度は疑問に思う】](https://rikei-logistics.com/safety-stock-root) - 安全在庫の計算式によると、安全在庫量はリードタイムに比例するのではなく、リードタイムの平方根に比例して増えます。なぜ平方根が付くのだろうと疑問に感じたことはありませんか？平方根が付くと安全在庫は少なくなりますので、担当者としては「これで本当に足りるのかなあ」と不安になりますよね。その不安を取り除いてしまいましょう。
- [【ここまでできる！】Webアプリを使って物流ネットワークを最適化する方法](https://rikei-logistics.com/network-by-app) - 前回の記事 【これは便利！】適正発注を行った場合のトータル調達物流コストを計算するアプリ で、適正発注を行う前提でトータル調達物流コストをシミュレーションできる Web アプリを公開しました。このアプリは簡単なカスタマイズによって、様々なパターンの物流ネットワーク最適化に適用可能であることを紹介したいと思います。
- [【98.48%法の嘘をあばく】Pythonで百万回シミュレーションしてみた結果を公開](https://rikei-logistics.com/9848-method) - 「3回連続で1～12が出た。次も1～12が出る確率は1.52%しかない。だから13～36に賭ければ98.48%の確率で当たる！」というのが94.48%法の考え方です。この手法はルーレットの必勝法として有名で、ネットで検索すれば沢山の記事がヒットします。でもこの理論はデタラメです。それをシミュレーションして確かめます。
- [【最短経路検索】Excelのソルバー機能を使って線形計画法で解いてみた](https://rikei-logistics.com/solver) - 最短経路検索問題はダイクストラ法が代表的な解法ですが線形計画法でも解くことができます。線形計画法は色々な問題に適用できる汎用的な解法でExcelのソルバー機能も使えるためExcelで解く場合には大変便利です。定式化のポイントは各ノードにおける入出力がバランスすることを制約式で表現する点です。計算は一瞬です。
- [走行経路とスピードをExcelの3Dマップ機能を使って地図上に表示してみた。](https://rikei-logistics.com/3d-maps) - 最近はトラックの運行管理や動態管理をGPSを使ったシステムで行う会社が増えてきました。でも輸送経路やスピードの運転履歴を残したいだけならスマホアプリでできてしまいます。更にパソコン上でそれをビジュアルに見たいのであれば、スマホアプリで取得したデータをExcelの3Dマップ機能で読み込めば、これも無料でできてしまいます
- [ルートごとの輸送業者の配車を集合被覆問題と整数計画法で最適化する](https://rikei-logistics.com/lorry) - 多数のルートの輸送を複数の輸送業者に割り当てる時、すべてのルートを網羅しながら最小コストにしたいというニーズは日々の配車や中長期の輸送計画でよくあります。これはオペレーションズリサーチの一分野である集合被覆問題になります。この問題には重複を許すケースと許さないケースがあります。実務では重複を許すケースが多いです。
- [デジタコとドラレコと動態管理システムは何が違うのかをまとめてみた。](https://rikei-logistics.com/ai-contact) - トラックの運行管理に使われるテレマティクスはいろいろありますが、有名なのはデジタコ、ドラレコ、動態管理システムの３つではないでしょうか。最近はこれらの複合機が多く発売されていて境目が分かりにくくなっています。しかし、これら３つのシステムの本来の目的は全く違います。そこで、それぞれのシステムの本質を整理してみました。
- [【SCM分析7】需要予測による在庫削減効果を適正在庫シミュレーション](https://rikei-logistics.com/simulation-with-prediction) - 需要予測を使えば適正在庫コントロールの精度があがります。需要予測を行わない場合と比べて確実に在庫削減できます。出荷量の平均×（リードタイム＋発注サイクル）で計算していた需要予測在庫が需要予測結果に置き換えられるためです。安全在庫も減ります。これをPythonで実装した適正在庫シミュレーションで検証してみました。
- [【定期発注方式】PythonのInventorizeライブラリで適正在庫シミュレーションしてみた](https://rikei-logistics.com/ro-inventorize) - 定期発注方式とは一定間隔で在庫数をチェックして目標在庫数との差を発注する方式です。まとめて発注できるので仕入先が遠くて輸送コストがかかるような場合に向いている発注方式です。この在庫シミュレーションはExcelやPythonで自作できますが、Pythonのinventorizeライブラリを使えばもっと簡単にできます。
- [容積勝ち貨物と重量勝ち貨物、混載して物流コスト削減になる条件を一次不等式で解く](https://rikei-logistics.com/truck-mix) - 綿のように容積が嵩張る貨物はトラックに積むといっぱいになりますが、トラックの積載重量制限には遠く届かず勿体ないことになります。逆に水のように重たい貨物をトラックに積もうとすると、重量制限に引っかかるため半分くらいしか積めません。このような貨物は一緒に混載すれば良さそうです。混載してコストダウンになる条件は何でしょうか？
- [【安全在庫の計算式】標準偏差と安全係数から計算する式をわかりやすく](https://rikei-logistics.com/what-is-safety-stock) - 安全在庫という言葉は物流業界だけでなく広く使われているため色々な使われ方をします。でも物流業界の中では正しい定義で使いたいものです。安全在庫の正しい定義は需要のばらつきを吸収するための在庫です。なので需要量が多いからといって安全在庫が多いとは限りません。需要量が多くても安定した需要であれば安全在庫は少なくなります。
- [適正在庫を維持するための発注数の決め方をわかりやすく【定期発注方式の場合】](https://rikei-logistics.com/proper-stock-control) - 適正在庫理論の考え方はとてもシンプルです。次の発注までの需要予測量に予測が外れるリスクをカバーするための安全在庫を足した値と、現在庫量との差を発注しましょうということです。需要予測量は1日の平均需要にリードタイムと発注間隔を足したものです。安全在庫は少し統計の知識が必要になりますが標準偏差の意味が分かればOKです。
- [【無料サンプル付き】適正在庫シミュレーションをExcelで簡単に作る方法](https://rikei-logistics.com/excel-stock-simulation) - 適正在庫の公式はよく知られています。でも本当にこれで欠品を起こさずに在庫管理ができるのか？心配ですよね。何の証拠もなければ現場を納得させることもできないでしょう。 そこでエクセルで簡単にできる適正在庫シミュレーションの方法を解説します。意外と簡単にできることが分かりますよ。数字で見せることができれば皆が納得です。
- [【Excel VBA初心者向け】エクセルシートに入力してコピペするまでを自動化する](https://rikei-logistics.com/excel-macro-for-starter) - 適正在庫のシミュレーションや輸配送のシミュレーションは、専用のソフトウェアがなくてもエクセルでかなりのことまでできます。但し、精緻なシミュレーションをするには膨大なデータを必要としますので、人手では時間がかかりすぎて追いつかないこともあります。そのような時に、マクロ（ＶＢＡ）を使って自動化できる人は最強です。
- [【VBAサンプル付き】適正在庫シミュレーションをエクセルマクロで自動化（前編）](https://rikei-logistics.com/excel-macro-auto-simulation) - 前回はエクセルで適正在庫シミュレーションが簡単にできる方法を紹介しました。でも、このシミュレーションを何百アイテムも繰り返すのは、さすがに骨が折れます。今回は、それをマクロ（VBA）を使って解決します。マクロやVBAというと難しそうですが、要点だけ抑えればそれほどでもありません。サンプルファイルも無料でダウンロード！
- [【VBAサンプル付き】適正在庫シミュレーションをエクセルマクロで自動化（後編）](https://rikei-logistics.com/excel-macro-user-friendly) - 適正在庫のシミュレーションはエクセルでもある程度はできますが、本格的なものを作るためにはマクロ（VBA）を使う必要があります。発注間隔やリードタイムの条件を自由に変えて、誰にでも使えるように汎用化させるための方法を解説します。ここでも必要なのはFor～Next、If～Then～Else、算術計算式の3つです。
- [トラックの燃料サーチャージがないのは日本だけ。導入時の注意点を海外から学ぶ](https://rikei-logistics.com/truck-surcharge) - 日本では燃料価格が高騰しても荷主に価格転嫁できないトラック業者が沢山います。しかし海外ではトラック運送でも燃料調整条項を契約時に取り決めておくのが一般的です。合理的でいいのですが残念なことに調整式に疑問を持つことが少なくありません。今回はアジアの某国で実際にあった事例を基に燃料調整式について数学で考察してみましょう。
- [物流拠点集約で安全在庫はどれくらい減るのか？は一概には言えない理由](https://rikei-logistics.com/stock-control-integrate-warehouse) - 「複数の倉庫を1つに集約して在庫削減と物流コスト削減を同時達成しましょう！」物流会社や物流コンサルタントがよく使う営業トークです。しかし倉庫集約によって本当に安全在庫は削減できるのでしょうか？またどのくらい削減できるのでしょうか？実はこれ「平均」だけ見ていても判断できません。「分散」を考慮する必要があるのです。
- [累乗と累乗根と対数の密接な関係を具体例を使ってわかりやすく解説](https://rikei-logistics.com/root-log) - 累乗根や対数と聞いても何のことやら分からない人も多いと思いますが、物流の世界ではシミュレーションや予算を作成する時に知っていると便利です。無駄な説明は省いて必要なことだけわかり易く説明しますので、この際、全部整理して自由に使えるようにしておきましょう。
- [平均成長率を求める幾何平均の使い方を具体例を使ってわかりやすく解説](https://rikei-logistics.com/geometric-mean) - 平均の取り方には何種類かありますが、物流で良く使う平均は算術平均、加重平均、幾何平均の3種類です。毎年同じ成長率で10年後に売上が2倍になるには年率何％で成長すべきか？というような問いに役立つのが累乗根でした。これに対して、毎年違う年率で成長する場合に、その平均値を求めるのに役立つのが幾何平均です。
- [標準偏差がばらつきを表すのに丁度いい理由をわかりやすく解説します。](https://rikei-logistics.com/standard-deviation-reason) - 物流では統計をよく使いますので、標準偏差の理解は避けて通れません。特に安全在庫理論は、標準偏差抜きに理解することは不可能です。標準偏差はデータのばらつきを測定するための指標ですが、なぜこれでばらつきを表すことができるのでしょうか。それには標準偏差の計算方法をじっくり見れば分かります。さあ、一緒に見ていきましょう。
- [【標準偏差を使えば確率が分かる】標準正規分布表の使い方をわかりやすく解説](https://rikei-logistics.com/standard-deviation-table) - 前回の記事で、なぜ標準偏差でデータのばらつきを表すことができるのかを解説しました。標準偏差は単にばらつきを定量化するだけでなく、物流の世界でいろいろな応用が利くのですが、それを紹介する前に、標準偏差が持つとても重要な性質について今回は解説します。これさえ理解すれば、いろいろな場面で標準偏差を使いたくなるでしょう。
- [リードタイムを短くしても在庫削減はできない！｜シミュレーションで証明します](https://rikei-logistics.com/stock-reduction-leadtime) - 一般的にはリードタイムが長くなれば在庫が増えると言われています。ではリードタイムが1日延びるとどのくらい在庫量は増えてしまうのでしょうか？実はリードタイムと在庫量は関係しません！それを今回シミュレーションで明らかにします。海外から安い船便で送っても高い航空便で送っても在庫量は変わらないのです。ただし条件もあります。
- [在庫削減にはリードタイム削減よりも発注間隔の短縮化が重要な理由](https://rikei-logistics.com/stock-reduction-ordercycle) - 昨今納品頻度を減らす試みが増えてきています。地球環境に優しいという理由もあります。しかし荷主会社としてはコストアップにつながります。このように発注間隔を長くすることによる在庫量への影響は一体どれくらいなのでしょうか？リードタイム短縮よりも発注頻度を減らす方が在庫削減効果は大きいことをシミュレーションで証明します。
- [ASEANでクロスボーダートラックを使ってメリットがあるケースはこれだ！](https://rikei-logistics.com/cross-border-truck) - 2015年末にASEAN経済共同体が発足する前後は、ベトナム－タイ－ミャンマーを結ぶ東西経済回廊や、ベトナム－カンボジア－タイを結ぶ南部経済回廊がもてはやされました。そしてこの2つの回廊を使ったクロスボーダートラックサービスが多くの物流会社から提案され、テレビや雑誌などのマスコミで盛んに取り上げられました。
- [物流企業に「こいつはよく研究してる」と思わせる志望動機の書き方｜文例集付き](https://rikei-logistics.com/logistics-motivation-career) - 一度作ったとって置きの志望動機をコピペして使いまわししていませんか？応募する会社によって志望動機を変えることは当たり前です。面倒でも毎回変えましょう。なぜか？その求人が出てくる背景はいつも違うからです。今までフォワーディング8割、倉庫2割の経験があり、大手フォワーディング会社の倉庫業務の求人に応募するとしましょう。
- [【季節変動を移動平均で補正する】適正在庫シミュレーション by Excel VBA](https://rikei-logistics.com/excel-macro-season) - 在庫補充目標量を固定してると、年間を通して需要傾向が安定していて変わらない商品だといいのですが、季節変動のある商品だと欠品や過剰在庫になるリスクがあります。これを避けるためには、在庫補充目標量の計算に使う平均と標準偏差を逐次更新してやる必要があります。今回はこの機能を在庫シミュレーションソフトに付加していきます。
- [正規分布を使ってタイヤ残量とコストとの関係を近似的に求める方法](https://rikei-logistics.com/tire-statistics) - トラックを走らせていればタイヤがすり減ります。新品のタイヤは溝の深さが16mmありますが、日本の基準では3.2mm以上残っていないといけません。タイヤ交換基準を厳しくすると、安全ですがコストがかかります。タイヤの交換基準とコストとの間には密接な関係があります。タイヤの溝の深さを統計的に推測する方法を解説します。
- [【標準偏差はnで割るの？n-1で割るの？】物流における適用例も紹介](https://rikei-logistics.com/standard-deviation-n) - 以前の記事で、標準偏差は平均と各データとの平方和をnで割ったものの平方根と解説しました。しかし本によってはnではなく、n-1で割るべしと書いてある本もあります。一体どちらが正しいのでしょうか？曖昧なままな人も多いと思います。実はどちらも正しいのですが、標準偏差には2種類あって目的によって使い分ける必要があります。
- [「ベイズの定理」の導出とその適用例をわかりやすく解説【初心者向け】](https://rikei-logistics.com/bayes-statistics) - ベイズの定理は色々なところで適用されています。よく知られるところではスパムメールの判定への適用が知られていますが、その他にも様々な分野の機械学習に使われています。一方、色々な側面を持つため理解が難しく、物流への適用は進んでいません。しかし、ベイズ統計のある側面に注目すればその活用は飛躍的に進んでいくと思っています。
- [床荷重の単位はkg/m2？N/m2？間違えやすくなった経緯と単位換算方法](https://rikei-logistics.com/warehouse-unit) - 床荷重の単位がkg/m2だったりN/m2だったりして混乱したことはないでしょうか？実はこれ1993年の法改正が原因で混乱して使っている人がとても多いのです。単位換算の方法をわかりやすく解説します。荷重というのは重さのことですがkgは重さの単位ではありません。質量の単位です。 でも重さと質量は間違える人が多いですね。
- [摩擦力／仕事／エネルギーの関係をわかりやすく解説【エネルギー保存則の導出】](https://rikei-logistics.com/transportation-physical) - トラックの制動距離を求める式は前回の記事で紹介しましたが、そもそもなぜこのような式が成り立つのでしょうか？それを理解するためには「仕事」と「エネルギー」という言葉を理解する必要があります。「そんなの知っているよ」というくらい日常で良く使う言葉ですが、物理の世界では意味が異なります。仕事＝エネルギーなのです。
- [容積重量の換算方法が違うのはなぜ？トラック／航空／海上貨物別に解説](https://rikei-logistics.com/volume-weight) - 輸送料金は実重量だけでは決まりません。綿のように軽い貨物でスペースを取られてしまっては物流会社が損してしまうからです。そのため1m3（立法メートル）を何kgと見なすかを物流会社で決めています。これを容積重量と言います。しかし容積重量の決め方はトラック／飛行機／船で異なります。面倒臭いですね。なぜなのでしょうか？
- [【3期制保管料をExcelで計算する方法】ｎ期制に一般化してその特徴を調べてみた](https://rikei-logistics.com/storage-cost-reduction) - 日本では3期制で保管料を請求されるのが一般的です。初めての人には分かりづらく、なぜこんな請求の仕方をするのだろうと思ってしまうのですが、昔から延々と続いている慣習です。荷主会社にとっては日割り計算の方が得なのですが、物流会社がどうしても3期制にしたいという場合に、上手に保管コストを削減するためのポイントを解説します。
- [倉庫レイアウトの違いによる保管効率をシミュレーションする方法【サンプル付き】](https://rikei-logistics.com/simulation-by-warehouse-layout) - 倉庫では先入れ先出しが基本です。特に食品など賞味期限のある商品では必須です。そのために、パレットラックで保管してあると便利です。すべてのパレットにフォークリフトでアクセスできるからです。しかし、パレットを床に置いて保管してある場合、すべてのパレットにアクセスできる通路を設けるのは、場所の制約上難しいことがあります。
- [モンテカルロ法で保管効率を確率的にシミュレーション【サンプル付き】](https://rikei-logistics.com/simulation-by-order-lot) - 通常商品を仕入れる場合、最小発注数量が決められています。1個単位でチマチマと発注されたのでは仕入れ先の作業が煩雑になるためです。販売数量があまり大きくない場合にはこの最小発注数量によって倉庫の保管効率が影響を受けます。しかしこれを解析的に求めることは困難です。そんな時役に立つのがモンテカルロシミュレーションです。
- [【z検定の使い方】カイゼン効果を正規分布と標準偏差の関係を使って定量化する](https://rikei-logistics.com/z-test) - 何かやり方を変えた時には、その効果を測定したいものです。例えば、作業台の高さを作業し易いように変えたとしましょう。変える前の処理数の平均は1時間当たり100個、標準偏差は35個でした。変えた後、30時間分のデータを採ったら、1時間当たり110個に増えました。これは効果があったと言えるかz検定してみましょう。
- [対応のある２郡のt検定で新型ハンディターミナルの導入効果を測定する方法](https://rikei-logistics.com/t-test) - 前回の記事ではz検定を紹介しました。実は、改善後のサンプルの統計量が母集団の正規分布から外れているかどうかを判定するため、母集団の分散が不明だったり、サンプルサイズが小さすぎるとz検定は使えません。しかし実際には、これらの前提条件が満たせないことの方が多いと言えます。その場合に使えるのがt検定です。
- [消費の合計である需要は正規分布になることを中心極限定理で説明する方法](https://rikei-logistics.com/stock-control-demand) - 安全在庫理論では需要（売上）が正規分布に従うと仮定しています。平均付近の日数が一番多く、離れるに従って少なくなっていく分布です。でもいつもこんなきれいな正規分布になる訳がない、そんなの机上の空論だ！と思いませんか？しかしどんな商品でも買ってくれる人がそれなりにいれば必ず正規分布になると統計学で証明されているのです。
- [Welchのt検定で新型ハンディターミナルの導入効果を測定する方法](https://rikei-logistics.com/welch-test) - 改善効果を測定するのに、2グループに分けてテストを行うケースもあります。その場合は、一人ひとりの生産性の差のデータがありませんので、前回のやり方は使えません。このような2グループのデータを、対応のない2郡と言います。今回は、対応のない2郡のt検定のやり方を紹介します。これはWelchのt検定とも呼ばれます。
- [間欠需要を正規分布になるようにして在庫理論を使えるようにするための工夫](https://rikei-logistics.com/stock-control-rare) - 安全在庫理論では、需要が正規分布に従うことを仮定しています。多くの場合は中心極限定理により正規分布になるのですが、中にはならない商品もあります。購入する消費者が少なくて各人の購入確率も低ければ正規分布にはなりません。このような場合にはポアソン分布を仮定すれば良いという考え方もありますが果たしてどうなのでしょうか？
- [【倉庫レイアウトの設計】Visioを使ってパレットラックをレイアウトする方法](https://rikei-logistics.com/warehouse-design-rack) - 今回から数回に渡って、物流センターのレイアウト設計のやり方を解説していきます。物流センターのレイアウト設計は、工場のそれと比較すると遥かに簡単です。どちらかというと、オフィスのレイアウト設計に近いかもしれません。必要面積の見積り方と、図面の描き方さえマスターすれば、難しい専門知識はほとんど必要ありません。
- [平置きで保管効率が最大になるような倉庫レイアウトをVisioで設計する方法](https://rikei-logistics.com/warehouse-design-floor) - 一般的には平置きよりもパレットラックの方が、多くの貨物を収容することができます。そうでないと、わざわざコストをかけてまでパレットラックを使う意味がありませんので。しかし条件によっては平置きの方が多く置ける可能性もあります。パレットに載せた貨物を2段積みや3段積みできる場合と、奥行き方向に複数のパレットを置ける場合です。
- [95%の確率で保管可能なパレット数をモンテカルロシミュレーションで求める](https://rikei-logistics.com/warehouse-capacity-simulation) - 倉庫の中の保管パレットロケーション数がいくつあるかにより倉庫キャパシティは決まってきます。しかし入出庫のパターンにより空きロケーションができてしまうことは避けられません。つまり保管効率は変動します。しかしこれを解析的に求めることは困難です。そこで役に立つのがモンテカルロシミュレーションで確率的に予測するやり方です。
- [【分散の加法性とは？】足し算だけでなく平均値にも応用する方法を解説](https://rikei-logistics.com/kahohsei) - 分散の加法性の適用例としては製造業における品質管理が有名です。 筒のような形をした部品を2つ作ると2つ併せれば分散は2つの部品の分散の合計になります。これに対して、2つの液を混ぜた時の分散は単に2つの分散を合計するだけでは求まりません。平均値の分散を求める必要があるからです。混ぜる比率が2乗で効いてくるのです。
- [【物流業界を目指す若手必見！】採用担当者の気を引く光る志望動機の書き方](https://rikei-logistics.com/logistics-motivation-for-fresh) - 「なぜ物流業界で働きたいと思うのですか？」採用プロセスで一度は聞かれる質問です。物流業界は人気がない（なかった）ため、ここで気の利いた動機を言えれば採用担当者の印象はグッと良くなるでしょう。モノを運ぶだけという風に捉えるのではなく、需要に応じ過不足なくモノを供給するためのロジスティクスサービスと捉えることが重要です。
- [Microsoft Visioを使ったオフィスレイアウトの作図手順【縮尺の設定から】](https://rikei-logistics.com/visio-office-layout) - オフィスの引っ越しをする。オフィスの改装をする。物流センターのオフィスの設計をする。そんな時、業者にレイアウト図を作ってもらっていませんか？それでも良いのですが自分で試行錯誤できません。業者が提案してくるいくつかの案から選ぶのではなく、自分で試行錯誤すれば、もっとオリジナリティーのある良い案が作れるかもしれません。
- [「順列」と「組み合わせ」の具体例と計算方法をわかりやすく解説](https://rikei-logistics.com/permutation-combination) - 順列と組み合わせは、高校生の頃大嫌いだったと思いますが、ベイズ推定の物流への応用例を紹介するのに必要ですので、なるべくわかりやすく解説してみます。順列は順位がある賞をもらう人の顔ぶれの数、組み合わせは順位がない賞をもらう人の顔ぶれの数と考えるとわかりやすいです。階乗の記号「！」を使って表すとスッキリした公式になります。
- [二項分布の公式の意味とExcelでグラフを描く２通りの方法を実演](https://rikei-logistics.com/binominal-distribution) - コインを10回投げて、表は何回出るでしょうか？5回出る確率が一番高そうですが、4回かもしれませんし、3回しか出ないかもしれません。この時、表が0回、1回、2回、、、10回出る確率をまとめた確率分布のことを二項分布と言います。二項分布の確率分布の式の意味とグラフの描き方を解説します。Excelで簡単にできます。
- [MAP推定と最尤推定の違いをプロ野球の勝率予測でわかりやすく解説](https://rikei-logistics.com/map-estimation) - 2030年のペナントレース、前年勝率5割で3位の千葉ロッテマリーンズは開幕後9勝1敗でした。2030年シーズン終了時の勝率はいくつになるでしょうか？この問題を、最尤（さいゆう）推定とMAP推定で考えてみます。最尤推定では直近に得られたデータしか考慮しません。それに対してMAP推定では過去の経験知も事前確率で考慮します。
- [ベイズ推定とMAP推定の違いを高校野球の勝率予測でわかりやすく解説](https://rikei-logistics.com/bayes-estimation) - 2030年夏の甲子園、PL学園が圧倒的な強さで春夏連覇しました。しかし優勝メンバーは3年生オンリーだったため秋からの新チームではレギュラー陣ががらりと入れ替わりました。新チームになってからの成績は練習試合と公式戦を含めて4勝1敗です。次の試合のPL学園の勝率はいくつと予想できるでしょうか？これをベイズ推定で予測します。
- [【正規分布を掛け算したら標準偏差は？】Excelで計算してグラフ表示する](https://rikei-logistics.com/product-normal-distribution) - ベイズの定理では、新しく得られたデータ（尤度）で古い確率（事前確率）を更新することによって、新しい確率（事後確率）を計算します。事後確率＝事前確率×尤度。尤度が二項分布の場合については前回の記事で解説しましたが、正規分布の場合はどのようにやるのでしょうか。正規分布同士の掛け算ができれば、事前分布を更新できそうです。
- [【正規分布のベイズ推定】予想打率を逐次更新する例でわかりやすく解説](https://rikei-logistics.com/bayes-normal-distribution) - ベイズ推定で正規分布が更新される様子をExcelで実演します。MAP推定では最適値しか推定しない点推定ですが、ベイズ推定では確率分布を推定するので確信度まで分かります。また直近の少ないデータだけで推定するとすると極端なデータに引きずられて良い推定値にならないことがあります。ベイズ推定では過去のデータも反映できます。
- [【PLC入門】電気配線を簡単にしてシーケンス制御をソフトで実現する](https://rikei-logistics.com/plc-introduction) - 物流センターでは電動コンベア、自動仕分け機、昇降機などの自動機器が使われることがあります。これらの制御には大抵、PLC（プログラマブルロジックコントローラ）が用いられています。シーケンサとも呼ばれます。WMSとのやり取りをするだけでなく、今後はロボットとの無線通信やIoTによるデータ収集でも使われる重要な制御機器です。
- [物流センターにおけるPLCの活用事例｜シーケンス制御から無線LAN通信まで](https://rikei-logistics.com/plc-in-lc) - PLC（プログラマブルロジックコントローラ）は電気配線を簡単にし、仕様変更にもソフトの変更で簡単に対応できます。また各所に散らばったPLC同士を通信させることにより、異なる機器間で信号をやり取りしたり、データの一元管理も可能になります。そのようなPLCが、物流センターのどういう所で活躍しているのか見ていきましょう。
- [幾何分布の計算式と使い方を具体例を使ってわかりやすく解説します。](https://rikei-logistics.com/geometry-distribution) - 物流センターの出勤記録によると、契約社員のAさんは5日に1回の割合で遅刻します。Aさんが6日連続で遅刻しない確率は何％でしょうか？2つに1つのことしか起きない事象で、最初にどちらか1つのことが起こるまでの回数の確率分布は幾何分布で表せます。と言っても分かりにくいので、遅刻魔Aさんの例で説明します。
- [指数分布を使ってロングテール商品の欠品による機会損失を推定する](https://rikei-logistics.com/exponential-distribution) - ネット通販会社Aではニッチなマニア向け商品をあえて品揃えする、ロングテール戦略に会社の方針を切り替えました。ところが、週に1冊しか売れないだろうと思っていた本Bが早速欠品しました。急いで仕入れ先に発注しましたが、納品は1週間後です。この間に、注文が来て売り逃す確率は何％でしょうか？これは指数分布を使うと便利です。
- [【ガンマ分布の使い方】ヒヤリハットへの適用方法を具体例で解説します。](https://rikei-logistics.com/gamma-distribution) - 仕事中にヒヤッとしたりハッとしたことはありませんか？他の人も同じ場所でヒヤリハットしている可能性は高く、そんなヒヤリハットが日々いろんな所で起こっています。そしてその中で運の悪い誰かが重大事故に逢ってしまいます。ハインリッヒの法則で、1 件の重大事故の裏に29 件の軽傷事故、300 件の無傷事故があると言われています。
- [【ポアソン分布の使い方】在庫管理への適用方法を具体例で解説します。](https://rikei-logistics.com/poisson-distribution) - ポアソン分布は滅多に起こらない現象を数式でモデル化する時に使います。通常の在庫管理では出荷量を正規分布でモデル化しますが、売れ行きの悪い商品についてはポアソン分布を使う方が上手くモデル化できます。本記事ではポアソン分布による出荷量の近似に加えて、発注間隔を考慮することも同じくらい重要であることも解説します。
- [10%の確率で獲得できる営業案件が30件ある時、3件取れる確率は何％？](https://rikei-logistics.com/negativebinominal-distribution) - 物流会社Aは東南アジアに現地法人を開設しようとしています。年商5億円の案件を3件獲得することが条件です。既に年商5億円を見込める案件を30件リストアップしており、10%の確率で獲得できると見込んでいます。この稟議は通るでしょうか？同じことを繰り返し行うときk 回成功するまでの回数が従う分布を負の二項分布と言います。
- [【分散の重要性がわかる具体例！】スーパーの一列待ちの効果を検証する](https://rikei-logistics.com/variance) - スーパーのレジ待ちは時に客をイライラさせます。それぞれのレジに1列ずつ並ぶのがいいのでしょうか？それともまとめて1列に並んで空いたレジから順に進んでいく方がいいのでしょうか？その答えは「平均」で考えるといつまで経っても分かりません。「分散」で考える必要があります。一列待ちにはギャンブル敗者を出さない効果があります。
- [多項分布の計算式と使い方を具体例を使ってわかりやすく解説します。](https://rikei-logistics.com/multinominal-distribution) - ある工場では、毎日時間指定で部品の納入があります。これまでの実績によると、サプライヤーA社は±30分以内に到着する確率が50%、30分以上前に到着する確率が30%、30分以上遅れて到着する確率が20%です。明日からの3日間で、±30分以内の到着が2日以上、30分以上の遅れが1日以内になる確率は何%でしょうか？
- [【カイ二乗検定はいつ使うの？】具体的な例を使ってExcelでわかりやすく](https://rikei-logistics.com/chi-square-test) - 食品メーカーXは2つの物流センターから全国へ出荷しています。商品カテゴリーごとの出荷傾向は次の通りです。2つの物流センターで違いがあると言えるでしょうか？カイ二乗検定とは条件の関連性を調べる検定です。条件とはこの例ですと物流センターの違いです。物流センターの違いによって出荷傾向に差が出てくるのかということを検定します。
- [多項分布を使って人手を確保できる確率を計算する方法をExcelで実演](https://rikei-logistics.com/multinominal-distrubution-application) - ある物流センターでは毎日アルバイトを雇っています。本当は毎日50人必要なのですが、そこまで集められず慢性的な人手不足です。過去1か月間の出勤記録を調べたところ確保できた人数は次の通りでした。今後1週間で毎日35人以上集められる確率は何％でしょうか？また95%以上の確信度を持って確保できる毎日の平均人数は何人でしょうか？
- [非線形の最適化問題をExcel VBAを使って解く方法を具体例で実演！](https://rikei-logistics.com/combination-optimization) - 順列や組み合わせの数を求めるのは公式で簡単にできても、それらをすべて列挙するのはｎが大きくなると困難です。しかしこれができると組み合わせ最適化問題が解けるようになります。物流では多くの順列や組み合わせがあることが分かっていても気づかないふりをしてエイヤの近似解で済ませることがほとんどです。マクロで解いてみましょう。
- [SGホールディングスの売上高／事業内容／強みをわかりやすく解説します](https://rikei-logistics.com/sghd) - SGホールディングスは中核事業会社である佐川急便の強固な宅配便ネットワークを最大限に活用して、もう一つの成長分野であるロジスティクス事業を伸ばそうとしています。今後益々深刻化すると思われる人手不足にも、2020年にオープンした次世代施設であるXフロンティアに世界中から一流の自動化設備をかき集めるなど先手を打っています。
- [ロジスティード（元日立物流）の売上高／事業内容／強みをわかりやすく解説します](https://rikei-logistics.com/hitachi) - 日立物流は3PLの国内最大手で豊富な請負実績をバックに、アパレル、医薬、家電などで共同物流を推進しています。また多数のロジスティクスエンジニアを抱え、ロボットやIoT、AIを活用した自動化のR&Dも強力に推進しています。またスマートロジスティクスのコンセプトの下、SCMコンサルティングでも差別化しようとしています。
- [近鉄エクスプレスの売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/kwe) - 近鉄エクスプレスは日本通運、郵船ロジスティクスと共に、日系フォワーダーTOP3です。TOP3の中でも特に航空フォワーディングの比重が高く、エレクトロニクス、自動車、メディカルに強みを持っています。海外では中国が稼ぎ頭で、世界のフォワーダーが鎬を削る同国においても、航空フォワーディングではTOP10入りしています。
- [安全在庫の計算に必要な安全係数の二通りの求め方をわかりやすく解説！](https://rikei-logistics.com/safety-factor) - 安全在庫の計算式に出てくる安全係数は許容欠品率によって決まります。許容欠品率5%では安全係数1.65ですが、なぜそうなるのでしょうか？それ以外の許容欠品率ではどうやって安全係数を求めれればよいのでしょうか？について解説します。求め方には標準正規分布表から求める方法とエクセル関数から求める方法の2通りあります。
- [【対数の使い方】パレートの法則が成り立つ時は対数でデータ分析がお薦め](https://rikei-logistics.com/logarithm) - 消費財メーカーA社は200品目を製造しています。上位20%の品目で全体の80%の売上を占めるというパレートの法則が知られていますがA社の場合は上位17.5%の品目で全体の80%を占めています。しかしこれをグラフにすると下位半分くらいは違いがほとんど分かりません。もっと違いがはっきり分かるグラフは作れないでしょうか。
- [変動係数（CV）で何がわかるの？標準偏差との違いは何？単位はないの？](https://rikei-logistics.com/cv) - 標準偏差はばらつきを表しますが２つのグループのばらつきを調べたい場合にそのまま標準偏差を比べてもあまり意味がありません。片方のグループの平均が大きければ例えそのばらつきが小さくても標準偏差がもう片方の値より大きくなる可能性があるからです。そのような場合に標準偏差を平均で割って求める変動係数で比較すると便利です。
- [【F検定の使い方】需要の変動係数を検定してカテゴリー分けする方法をExcelで](https://rikei-logistics.com/f-test) - F検定は２つのグループの分散が同じと見なせるかどうかを検定しますが、２つのグループの平均が異なっていると分散を比べてもあまり意味がありません。そのような場合には分散の代わりに変動係数を使うと便利です。変動係数とは標準偏差／平均ですので、２つのグループの平均を１に正規化した後に分散をF検定するのと同じことです。
- [3PL（サードパーティロジステイクス）とは？｜1PLから5PLまでの定義をまとめてみた](https://rikei-logistics.com/3pl) - 3PL（サードパーティロジスティクス）とは何でしょうか？1PLは？2PLは？いつ誰が3PLという言葉を使うようになったの？4PLって何？最近5PLという言葉まで聞くようになったんだけど。。。人により色々な解釈がありますが、ネットで最大公約数の解釈を探ってみました。これらの言葉の起源は米国ですので、そちらも見てみました。
- [日本通運の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/nippon-express) - 日本通運は日本の物流業界の最大手ですが、米アームストロング&アソシエイツ社の調査では世界でもベスト4にランクインしています。日本の物流会社はトラック輸送、倉庫、フォワーディングなどのうち、どれか一つか二つの分野に強くて後はおまけという場合が多いのですが、日本通運はいずれにも強いという総合商社ならぬ総合物流業者です。
- [べき乗分布に従う売上高ランキングを対数にすると直線グラフになるわけ](https://rikei-logistics.com/power-distribution) - 世の中の多くの現象は正規分布に従うと言われていますが、べき乗分布に従う分布もあります。例えば、世の中で売られている商品は、皆一様に売れているのではなくて、上位のほんの20%ほどの商品で販売量全体の80%以上を占めると言われています。これをパレートの法則と言います。パレートの法則に従う現象は、べき乗分布に従います。
- [上場物流企業39社について41歳時の年収に調整してランキングしてみた。](https://rikei-logistics.com/salary-ranking) - 給料より仕事のやりがいの方が大事とはいっても、転職で給料がポンとアップすれば嬉しいものです。そこで、平均年収の公開義務がある上場企業について、物流会社の年収ランキングを作ってみました。でも同じ年齢で比べないと比較になりませんよね。そこですべて41歳の年収に換算してみました。栄えある物流業界No.1の高給取りは。。。
- [上場物流会社の一人当たり営業利益＋売上高を偏差値でランキングしてみた。](https://rikei-logistics.com/profit-ranking) - 同じ1億円の営業利益でも従業員100人の中小企業と10,000人の大企業とでは意味合いが全く異なります。そこでまずは一人当たり営業利益のランキングを作成してみましょう。【収穫逓減の法則】が分かります。次に売上高も加味したランキングを作成してみます。このように複数の指標でランキングする時には偏差値を使うと便利です。
- [ベイズ推定で事後確率の確信度を求め、安全在庫の設定に生かす具体例](https://rikei-logistics.com/bayes-vessel) - コインを5回投げて4回表が出ても、そのコインが表が出易いように加工された「いかさまコイン」とは言えませんね。でも50回投げて40回表が出れば、いかさまコインかもと疑うでしょう。同じように船便が5回中4回遅れなかったのと50回中40遅れなかったのとでは、同じ80%の確率でも確信度が違います。これをベイズで定量化します。
- [多変量正規分布のグラフを描いて未来の状態を予測する方法をExcelで実演！](https://rikei-logistics.com/multi-normal) - 世の中の多くの現象は正規分布に従いますが、時には正規分布同士に相関があるケースもあります。例えば物流センターに荷物を載せて帰ってくるトラックの帰庫時間です。複数のトラックがある場合、あるトラックが遅れれば、他のトラックも遅れる可能性が高いケースがあります。連休前で貨物が多かったり、道路が混んでいたりするためです。
- [【行列を使って計算！】多変量正規分布のグラフをエクセルで作成する方法｜サンプルファイル付き](https://rikei-logistics.com/matrix) - 2次元正規分布まではスカラー値で計算できますが3次元以上では行列を使うことが不可欠です。多次元正規分布を行列を使って行う計算をエクセルでどうやるかを、2次元正規分布で解説します。3D等高線の作り方を例に解説します。また繰り返し計算を人手で行うのは手間ですのでマクロ（VBA）も使います。ファイル無料プレゼント付き。
- [山九の売上／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/sankyu) - 阪神甲子園球場のバックスクリーン下の目立つ位置に黄色で看板が出ている山九。一体何の会社だろうという社名ですが物流業界の中でも異色のビジネスモデルを持つ会社です。プラントエンジニアリング事業で利益の大部分を占めているのです。これにより重厚長大メーカーの工場建設から関わることができ工場内作業も絡めながら物流を請け負います。
- [相関係数を共分散と標準偏差から計算する式をわかりやすく解説｜回帰との関係も](https://rikei-logistics.com/soukan) - 分散や標準偏差はよく聞きますが、共分散はあまり耳にしませんね。一方、相関係数はよく聞く言葉で、Excelを使ってゴリゴリ計算した方も多いのではないでしょうか。実は相関係数は共分散と標準偏差からも計算することができます。また回帰とも密接な関係があります。本記事ではこれらのキーワードをまとめて図を使いながら解説します。
- [【エクセル回帰分析結果の見方】出力される４つの表をすべて検証してみた。](https://rikei-logistics.com/excel-regression) - 回帰分析はエクセルで一瞬にして計算され素晴らしい結果表が出力されますが、理解が難しい項目も含まれていますね。残差の変動とか分散って何だろう？傾きの標準誤差って何だろう？項目の名前を英語から日本語に翻訳する段階で分かりにくくなっているのです。こんな時はすべての項目を自分で計算してみることが意味を理解する一番の近道です。
- [回帰直線の傾きの精度を確率分布グラフで表示する方法をエクセルで実演！](https://rikei-logistics.com/regression-graph) - エクセルを使った回帰分析では傾きの標準誤差を計算してくれてそれを元に傾きが0でないといえるかをt検定してくれます。でも傾きの確率分布を知ることができれば応用範囲が広がります。確率分布のグラフが描ければ傾きが0になる可能性がないことを視覚的に見ることもできます。確率分布グラフを描くための材料は結果表に含まれています。
- [ポアソン分布のパラメータλをExcelソルバーを使って最尤法で求めてみた。](https://rikei-logistics.com/maxlikelihood) - 確率分布のパラメータを推定する最尤法。わかりにくいですね。パラメータは確率分布の形を決定する重要な定数ですが、最尤法ではこれを変数として扱います。といってもよく分からないので、具体例を使って説明します。扱う確率分布はポアソン分布です。メジャーな正規分布ほど知られていなくてマイナーですが、実は身の回りに沢山出てきます。
- [ベイズ推定でポアソン分布のパラメータを更新する方法をExcelで実演！](https://rikei-logistics.com/bayes-poisson) - ベイズ推定というとPythonを知らないと使えないようなイメージがありますが考え方さえ分かればExcelでもできます。ポアソン分布がデータによって更新されていく様子をExcelで可視化します。ポアソン分布の事前分布はガンマ分布を使います。ガンマ分布の期待値と分散は知られているので、それを使って事前分布を表現します。
- [ドライブインラックの保管効率をExcelシミュレーションする方法を実演！](https://rikei-logistics.com/drive-in-rack) - ドライブインラックは狭いスペースを有効活用できますが先入れ先出しには向いていないと言われています。しかし入庫ロットや出庫ロットが大きければ問題は小さいはずです。実際に入出庫ロットの大きさでどのくらい保管効率が変わってくるのかをエクセルVBAを使って数値シミュレーションしてみました。意外と先入れ先出しでも使えます。
- [ドライブインラックの保管効率をモンテカルロシミュレーションで確認してみる](https://rikei-logistics.com/rack-monte-carlo) - ドライブインラックは積めて保管できるためスペース効率は高いのですが同じ列には同じロットの商品を保管しないと先入れ先出しができなくなってしまいます。そのため入庫ロットや出庫ロットが大きくないと空スペースができてしまい保管効率が悪くなります。どのくらい悪くなるのでしょうか。モンテカルロシミュレーションで確認してみます。
- [【サンプルファイル付き】ポアソン分布の乱数をエクセルで生成する2通りの方法](https://rikei-logistics.com/random-posisson) - ポアソン分布の乱数を作るのは少々面倒です。逆関数は解析的に求めるのが困難ですし、正規分布のようにエクセル関数に逆関数がないからです。そこで2通りのやり方を紹介します。1つは累積分布関数からIf文で逆関数を求める方法です。離散分布なので簡単です。もう一つはポアソン分布の姉妹分布である指数分布乱数を変換する方法です。
- [棄却サンプリング法とは？アルゴリズムをExcelに実装して試してみた。](https://rikei-logistics.com/rejection-sampling) - なかなか分かりづらいサンプリングですがExcelを使ってやってみるとイメージが掴めます。入門編として棄却サンプリングを具体例を使って計算してみました。提案分布としては分かりやすいように一様分布を使いました。簡単な関数だけで実行できます。1,000回から50,000回まで試行すると精度が上がっていくことが分かります。
- [積分区間が１でないモンテカルロ積分の計算方法をわかりやすく解説](https://rikei-logistics.com/why-b-a) - モンテカルロ積分は難しい積分の計算ができなくてもExcelで簡単に近似解を得られる便利な方法ですが積分区間が1でない場合は少し注意が必要です。一様乱数を代入してできたf(x)の平均をそのまま計算するのではなく積分区間幅を掛けてから平均を取る必要があります。なぜそうなるのかをなるべく式は使わずに直観的に説明します。
- [無限区間のモンテカルロ積分は被積分関数の選び方が重要である理由](https://rikei-logistics.com/infinite-integral) - モンテカルロ法で無限区間の積分をするには、被積分関数からxをサンプリングして一様分布関数に代入して平均を取るという少し分かりにくいやり方をします。普通は被積分関数がf(x)で確率密度関数がp(x)ですが無限区間の積分では被積分関数をp(x)にして確率密度関数をf(x)というように逆に考えます。なぜこうなるのでしょうか？
- [モンテカルロ法で需要が正規分布になることを示すやり方をExcelで実演](https://rikei-logistics.com/central-limit-monte-carlo) - せっかく安全在庫を減らせる提案をしても「そもそも正規分布の前提が間違ってるんじゃないの？！」と言われては元も子もありません。中心極限定理を持ち出して説明しても「。。。」となる可能性があります。そんな時のために簡単な方法を紹介します。中心極限定理という言葉を出さずに簡単なシミュレーションで視覚的に示すことができます。
- [分散の加法性で安全在庫が削減されることをモンテカルロシミュレーション](https://rikei-logistics.com/variance-simulation) - 「在庫集約すれば在庫を削減できる」と物流コンサルタントは言います。その根拠は分散の加法性です。でも平均が足されることは分かっても分散が足されることはなかなかイメージができません。イメージし易い標準偏差ではルートn倍になるからです。これをイメージできるように、簡単な事例でモンテカルロ法でシミュレーションしてみました。
- [拠点集約したのに在庫が減らない原因は共分散。その対策は平準化](https://rikei-logistics.com/covariant) - 在庫拠点を集約する理由の一つが在庫削減です。ところが大金をはたいて倉庫集約プロジェクトを実施したのに、期待通りの在庫削減が達成できないケースが少なくありません。マスコミや経営者には在庫削減できた！とはいっても実際は期待倒れだったケースは多々あります。何が原因だったのでしょうか？その原因は共分散にあったのです。
- [拠点集約で在庫削減するために一番重要なのは調達リードタイムである理由](https://rikei-logistics.com/unsuccessful-centralize) - せっかく大金をはたいて倉庫集約したのに思ったように在庫が減らないという悲劇が繰り返されています。理由は2つです。集約前の倉庫で出荷傾向が似ている場合は安全在庫がほとんど減りません。また集約倉庫の場所を顧客リードタイムを基準に決めて、調達リードタイムを犠牲にすると需要予測在庫が増えます。需要予測在庫を重視しましょう。
- [重点サンプリングによるモンテカルロ積分をExcelで試して効果を見てみた。](https://rikei-logistics.com/focus-sampling) - モンテカルロ積分を重点サンプリング法で解く方法をExcelで実演します。重点サンプリングは極めてまれにしか起こらないような低い確率分布を積分するのに使います。使わなくてもできますがムダなサンプリングが大量にできてしまい効率が良くありません。理解しにくい重点サンプリングですがExcel関数で簡単に計算できてしまいます。
- [ナイーブベイズのテキスト分類を具体例を挙げながら図でわかりやすく解説](https://rikei-logistics.com/naive-bayes) - ナイーブベイズ分類器の仕組みはベイズの定理を理解していれば簡単です。そこでまずは、ベイズの定理を公式を見なくても感覚で分かるくらいにまで理解しましょう。そして、分母の正規化定数はナイーブベイズ分類器では関係ないことを理解します。そうすれば、後は事前確率と尤度を掛けてカテゴリーごとに比較すれば良いということが分かります。
- [最小二乗法は残差が正規分布に従うと仮定した場合の最尤法と同じだった。](https://rikei-logistics.com/least-square1) - 最小二乗法は機械学習におけるパラメータ推定で盛んに用いられています。その考え方は直線からのズレ（残差）の二乗和を最小化するというもので、安全在庫理論で出てくる分散も平均からのズレ（偏差）の二乗和でばらつきを表しているという点で大変良く似ています。実は最小二乗法は、残差が正規分布と仮定した場合の最尤法と同じなのです。
- [勾配降下法で最小値が見つかる理由を数式と視覚でわかりやすく解説](https://rikei-logistics.com/gdm) - 勾配降下法は数式モデルを最適化するための最も基本的なアルゴリズムです。その考え方はとても簡単です。偏微分など難しい言葉は出てきますが、誰でも理解できるような言葉を使って解説します。また皆が使い慣れているExcelでアルゴリズムが表現できる他、3Dグラフ機能を使えばグラフの底に辿り着く様子が視覚的にもよくわかります。
- [【最急降下法とは？】Excelを使って具体例を計算する過程をお見せします](https://rikei-logistics.com/gradient-descent2) - 「よし最急降下法は理解したぞ。次は確率的勾配降下法を試してみよう。でも実装してみようとしたらうまく行かないぞ。」そんなことはありませんか？最急降下法は解説する人によって変数が(x,y)だったり(a,b)だったりして少し混乱してしまいます。そこで、単回帰の最小二乗法の問題をExcelでアルゴリズムを作って試してみました。
- [確率的勾配降下法のアルゴリズムをExcelに実装して具体例を解いてみた。](https://rikei-logistics.com/sgd) - 確率的勾配降下法をExcelに実装して最小二乗法の問題を解いてみました。前回の記事で最急降下法でも同様のことをしましたが、確率的勾配降下法の方が遥かに簡単にシートを作成できました。一方で収束するまでの更新回数も同じくらいで有効性を確認できました。収束するまでの様子をみると、ランダムに振動していることも分かります。
- [モーメンタム法のアルゴリズムをExcelに実装して具体例を解いてみた。](https://rikei-logistics.com/momentum) - 確率的勾配降下法ではパラメータが収束する過程で振幅が大きくなり過ぎて収束時間が遅くなる可能性があります。これを改良するのがモーメンタム法です。ランダムに選ばれるデータで勾配を計算するため振幅は避けられませんが、その勾配だけでなく前回の勾配との加重平均を使うことで振幅を抑えようという考え方です。Excelで実装します。
- [RMSProp法のアルゴリズムをExcelに実装して具体例を解いてみた。](https://rikei-logistics.com/rmsprop) - モーメンタム法では勾配を移動平均で調整してパラメータが収束する時の振幅を抑えました。RMSProp法では学習率を調整して振幅を抑えます。振幅が大きくなるということは勾配が振動するということなので、学習率を勾配の大きさで割ることによって、勾配が大きくなり過ぎた時には学習率を小さくすることで振幅を抑えようという考え方です。
- [最終兵器AdamのアルゴリズムをExcelに実装して具体例を解いてみた。](https://rikei-logistics.com/adam) - 勾配法を使った最適化アルゴリズムの最終回としてAdamを紹介します。Excelへの実装の仕方まで説明しますので、Adamの細かい点が不明な方は是非実際のExcel関数をみて確認してみて下さい。モーメンタム法とRMSPropを理解していればAdamはとても簡単です。何も考えずに2つのアルゴリズムの式を合体させるだけです。
- [澁澤倉庫の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/shibusawa) - 澁澤倉庫は「日本資本主義の父」といわれる渋沢栄一が渋沢家別邸の倉庫を利用して発足させた「澁澤倉庫部」が前身です。ヨーロッパ留学から戻ってから近代倉庫業の必要性を痛感し、政府や経済界に熱心に働きかけると同時に自らも倉庫会社を創設しました。渋沢栄一が作った500社以上の会社の中で、自らの苗字を冠した会社は澁澤倉庫だけです。
- [遺伝的アルゴリズムをExcelに実装して最小値問題を解いてみた。](https://rikei-logistics.com/ga) - 機械学習で使われるアルゴリズムにはいろいろなものがあり数学の知識が必要な難しいものと簡単なものがあります。遺伝的アルゴリズムは簡単な部類に入ります。遺伝的というと難しく感じますが少しでもマシな解に近づくためにコンピュータに試行錯誤させる仕組みです。そのやり方が交配や突然変異に似ているため遺伝的という言葉を使っています。
- [Excelを使って遺伝的アルゴリズムで組み合わせ最適化問題を解いてみる。](https://rikei-logistics.com/ga2) - 遺伝的アルゴリズムは機械学習で使われるアルゴリズムの一つです。遺伝的というと難しく感じますが少しでもマシな解に近づくためにコンピュータに試行錯誤させる仕組みです。そのやり方が交配や突然変異に似ているため遺伝的という言葉を使っています。このやり方で組み合わせ最適化問題をどう解くかをExcelでわかりやすく解説します。
- [【初心者向け】ニューラルネットワークの仕組みをわかりやすく解説](https://rikei-logistics.com/what-is-nnw) - ニューラルネットワークとかディープラーニングという言葉を盛んに耳にするようになりました。AIの一種だと分かっていてもどのような仕組みなのか？とか何ができるのか？ということくらいは知っていたいものです。ニューラルネットワークとは脳の仕組みを真似したアルゴリズムで難しくはないのですが計算が難しく実用化が遅れていました。
- [単純パーセプトロンをExcelに実装して２値分類問題を解いてみた。](https://rikei-logistics.com/simple-perceptron) - ニューラルネットワークの中で最も初級編の単純パーセプトロンの使い方をExcelでスーパーわかりやすく解説します。中間層がある場合と比べて勾配降下法で必要な偏微分が簡単なためExcelでも簡単に実装できます。またExcelで実装することでパラメータが更新されるステップがすべて違う行に記録されるため理解の助けにもなります。
- [誤差伝播法のアルゴリズムを表記方法からわかりやすく解説します。](https://rikei-logistics.com/backpropagation) - ニューラルネットワークの計算の肝となる誤差伝播法。世の中にある解説はなぜこんなにも複雑に説明するのだろう。もっと易しく解説してくれる本はないかなと思っている人は多いでしょう。実はこれ全然難しくありません。普通に偏微分していけば解けます。誤差伝播法という仰々しい名前に惑わされることはありません。懇切丁寧に解説します。
- [ニューラルネットワークをExcelに実装して画像処理させてみた。](https://rikei-logistics.com/imageprocessing) - ニューラルネットワークの誤差伝播法が理解できればExcelで画像処理ができてしまいます。〇✕式のマークシートを読み取る作業をExcelでやらせてしまいましょう。９画素で読み取る場合でも38個のパラメータ調整が必要ですが、テキトーに設定した38個の初期値が44枚の教師データで徐々に調整されていく様子がよくわかります。
- [畳み込みニューラルネットワークのアルゴリズムをわかりやすく解説](https://rikei-logistics.com/cnn) - ニューラルネットワークで画像処理する場合に絶対に必要な技「畳み込み」。これまでいろいろなアルゴリズムをExcelで実装してきましたが、この畳み込みはExcelでやる方が断然理解しやすいと思います。入力値を１列に並べるのではなく行列のまま使うため、Excelの方が視覚的に理解しやすいのです。中学数学で理解できます。
- [畳み込み後のMNIST画像をExcelに実装したニューラルネットワークで判別してみる。](https://rikei-logistics.com/excel-cnn) - Excelでニューラルネットワークの誤差伝播法を実装しようとするとパラメータの数が多くなると作成に非常に手間がかかります。特に画像処理をする場合にこの問題は深刻です。それを解決してくれるのが畳み込み＆プーリングです。今回はMNISTの手書き数字を見分けるアルゴリズムをExcelに実装してその有効性を確認してみます。
- [再帰型ニューラルネットワーク（RNN）のBPTTをExcelに実装してみた。](https://rikei-logistics.com/rnn) - 時系列のデータから何かを予測したい場合にはニューラルネットワークに記憶を持たせることが必要です。再帰型ニューラルネットワーク（RNN）と呼ばれる仕組みでは前の入力データの中間処理情報を使うことによってこれを実現します。誤差伝播法でパラメータの勾配を求めることも同じですが時空を超えて伝播するためBPTTと呼ばれます。
- [活性化関数でよく使われるシグモイド関数の歴史や定義について調べてみた。](https://rikei-logistics.com/sigmoid) - シグモイド関数とは何でしょうか？英語では単なるS字関数のことです。S字関数にはロジスティック関数やtanh関数などいくつかあります。シグモイド関数の起源は19世紀初頭に発表されたロジスティック関数です。元は人口の増殖を表す数理モデルでしたが後は生物一般の増殖モデルとして使われるようになりニューロンに応用されました。
- [ラグランジュの未定乗数法は２つの関数の勾配の向きが同じになる点を求めること](https://rikei-logistics.com/lagrange) - サポートベクターマシンを理解するためにはラグランジュの未定乗数法の理解が欠かせません。ところがこの公式を見るだけでは中々イメージが湧きません。そこで簡単な例題を2問解きながら式の意味を考えます。ポイントは関数を立体的に捉えることです。2変数の場合は目的関数の値を3次元目と考えることによって立体的に捉えることができます。
- [サポートベクターマシンをExcelに実装して２クラス分類問題を解いてみた。](https://rikei-logistics.com/svm-excel) - サポートベクターマシンのアルゴリズムを理解するためにExcelに実装して具体例を解いてみます。結果的に物凄く簡単に解けました。サポートベクターマシンの難しさは、ラグランジュの未定乗数法や双対問題の原理を使いながら最適化問題を数値計算に適した問題に変換していくところにあります。そこを過去３回に渡って解説してきました。
- [【カーネルトリック】非線形のサポートベクターマシンをExcelに実装してみた。](https://rikei-logistics.com/kernel-trick) - 「カーネルトリックを使えば非線形のサポートベクターマシンのアルゴリズムが線形の場合とほとんど同じように使える。」解説書を読むとなるほどと思うのですが、実際にExcelに実装してみようとすると理解していないことに気づきました。カーネル関数はなんでもいいわけではないということが１点と最適化した後の関数の戻し方で躓きました。
- [ガウスカーネルを使ったサポートベクターマシンで配送可能エリアを区分けする](https://rikei-logistics.com/gauss-kernel) - ガウスカーネルを使ったカーネルトリックをExcelでやってみました。結果、多項式カーネルではできなかったような分類がきちんとできました。Excelの計算式も線形の場合とほとんど変わらず簡単です。ただ教師データだけにきちんとフィットし過ぎてしまいました。いわゆる過学習です。しかしβで感度調整することで解消できました。
- [【強化学習】Q学習のアルゴリズムをExcelに実装して迷路問題を解いてみた。](https://rikei-logistics.com/q-learning) - 強化学習の中でも最も基本的なQ学習をExcelに実装して迷路問題を解いてみました。Q学習の考え方はとても単純です。秘宝のありかを示す秘宝マップをアップデートしていく作業に似ています。それも海の物とも山の物とも分からないような代物です。Q学習では初期値をテキトーに決めますのでこのようなデタラメな地図でも大丈夫です。
- [【強化学習】モンテカルロ法をExcelに実装して迷路問題を解いてみた。](https://rikei-logistics.com/montecarlo-rl) - 強化学習でQ値を更新するアルゴリズムとしてはQ学習とモンテカルロ法がありますが式を見てすぐに理解できる人はなかなかいないと思います。とても簡単に書かれた式のため管理人は分かった気になっていたのですが実際にExcelに実装しようとすると分かっていないことに気づきました。意外と難しかったのは期待報酬Gを求める式です。
- [Excelを使った強化学習でブラックジャックの単純戦略をシミュレーション！](https://rikei-logistics.com/blackjack1) - カジノゲームの中で最も人気のあるブラックジャックの方策評価をQ値を使ったシミュレーションで行います。この場合の方策とは自分の手持ちカードの合計値がいくつでディーラーの１枚目のカードの数がいくつの時にヒットするかステイするかを決める戦略のことです。今回は合計がｎになるまでヒットし続ける単純戦略について評価を行います。
- [ブラックジャックの必勝法をExcelモンテカルロ法で強化学習したらこうなった。](https://rikei-logistics.com/bj2) - ブラックジャックは方策が決まっていても環境の変化により結果が異なります。このような場合には何万回も乱数によるシミュレーションを繰り返して平均を採るというモンテカルロ法が機能します。前回の記事との違いは状態＋行動の価値を見積もることです。（前回は状態の価値だけを見積もった）この強化学習をExcelに実装していきます。
- [【スーパーわかりやすく！】不偏標準偏差を求めるにはn-1で割ることを証明する](https://rikei-logistics.com/n-1) - 不偏標準偏差はなぜn-1で割るのでしょうか？nでもn-2でもなくなぜn-1なのでしょうか？「それは数学的に少し難しいから」と言って省略されがちです。でも実はそれほど難しくないのです。これをなるべく平易な言葉で解説します。よく誤解されがちなのが標本の標準偏差は常に母集団の標準偏差より小さいと思われていることです。
- [確率と尤度の違いは何？具体例を挙げてわかりやすく解説します。](https://rikei-logistics.com/likelihood) - 尤度、、、そもそも読めませんね。普段耳にしない言葉です。確率との違いもはっきりしませんね。そこで確率と比較して何が違うのかをはっきりさせることによって、尤度とは何かに迫っていきます。確率質量関数や確率密度関数には２種類の変数が含まれています。どちらに焦点を当てるかによって確率というか尤度というかが決まってきます。
- [【学習率を調整する】AdaGradとRMSPropをExcelに実装して比較してみた。](https://rikei-logistics.com/adagrad) - 勾配降下法の学習率を自動調整するアルゴリズムとして有名なAdaGradとRMSPropの効果を比較してみました。更新式を見ると大変良く似ていて、単にRMSPropを簡単にしたものがAdaGradではないかと思ってしまいますが、RMSPropは大きすぎる勾配を抑えることが目的ですが、AdaGradは全く逆の目的です。
- [【Visioの使い方】縮尺に応じた寸法を入れる設定方法からわかりやすく解説](https://rikei-logistics.com/visio-0) - Microsoft Visioを使って図面をゼロから作ろうとする時にハードルとなるのが縮尺の設定です。縮尺を設定する画面で設定しても、思うような大きさにならないことがあります。そんな時は紙のサイズをチェックしてみて下さい。A1に設定してあると図形が小さくなりすぎてしまいます。図面をゼロから作る方法を実演します。
- [【需要が半分でも安全在庫はもっと必要】在庫設定で考慮すべき３要素](https://rikei-logistics.com/old-fashioned) - 在庫管理は数学的なアートです。安全在庫は需要の標準偏差から決まりますが、需要予測在庫は需要の平均とリードタイムから決まります。これら３つの要素を中心に営業情報等を加味しながら在庫管理を行うということは、数理的に極めて面白い業務です。ところが、それを放棄してしまい経験と勘で決めてしまっている会社も少なくないのが現状です。
- [ソフトプラス関数とソフトサイン関数の逆伝播関数を計算グラフで求める](https://rikei-logistics.com/circuit) - 「ゼロから作るDL」を理解するのは計算グラフの理解は欠かせないと思います。ところがいま一つ釈然としなかったため自分で応用問題を解いて試してみました。シグモイド関数やソフトマックス関数の微分については本に載っていましたので同じ活性化関数の仲間であるソフトプラス関数とソフトサイン関数の微分を計算グラフで求めてみました。
- [【勾配消失しない重みの初期値】Excelでモンテカルロシミュレーションしてみた](https://rikei-logistics.com/initial-value) - ニューラルネットワークの学習において重みパラメータの初期値の設定は重要です。「ゼロから作るDL」では標準正規分布乱数で設定する方法を中心に、Xavierの初期値やHeの初期値を使った場合の実験結果を紹介しています。この実験はPythonで行っていますのでExcelで同じ実験を行って理解を深めながら確認してみました。
- [誤差逆伝播法を行列演算でExcelに実装してXavierの初期値の有効性を実験してみた](https://rikei-logistics.com/backpropagation-matrix) - 誤差逆伝播法はExcelに実装できますが、行列演算を使うとサイズの拡張性が向上し計算も高速になります。どのように実装したかをまとめました。その後そのExcelファイルを使ってXavierの初期値が有効かどうかを実験してみました。結果的にはあまり有効でなかったのですが初期値だけでなく学習率も一緒に検討すべきでした。
- [Batch normalizationの逆伝播の算出式を計算グラフを辿って求める](https://rikei-logistics.com/batch-normalization1) - Batch normalizationの逆伝播の計算式を計算グラフを使って求めます。Batch normalizationは各層における出力分布（アクティベーション分布）を任意の形の正規分布に調整することによって次の層のアクティベーション分布を適正に広げるというアイデアです。計算グラフを逆に追って丁寧に解説します。
- [三国間貿易のメリットをわかりやすく解説。L/C／インボイス／BLの注意点も](https://rikei-logistics.com/triangle-shipment1) - 三国間貿易または仲介貿易ではリインボイスやらスイッチB/Lやら聞きなれない言葉が出てきて初めて行う人にとっては不安だと思います。特にL/C決済を行う場合にはもっと不安だと思います。二国間貿易と比べてどんなオペレーションフローになるのでしょうか？また注意すべき点は何でしょうか？仲介貿易では２種類のL/Cが必要になります。
- [三国間貿易での決済の仕組みをわかりやすく解説｜L/C決済とT/T決済別に](https://rikei-logistics.com/triangle-shipment2) - 三国間貿易（仲介貿易では色々な決済方法があります。始めはL/C決済でも信頼関係が築けてくるとD/A(Documents against Acceptance)やD/P(Documents against Payment)に移行します。そして遂にはT/T決済に移行します。その場合はどのような点に注意すべきでしょうか？
- [【とても大事な裏面約款！】国際貿易における売買契約のチェックポイント](https://rikei-logistics.com/contract) - 国際貿易では契約がすべてです。それも表面約款よりも裏面約款です。海外企業は口頭で話しがまとまりそうになると競って契約書のドラフトを出してきます。そこには過去のトラブル経験から得た教訓を元に、自社を守るためのノウハウが詰まっています。日本で携帯電話を契約する時に裏面約款を見ない人も国際貿易ではきちんとチェックしましょう。
- [【Back to Back CO】中継貿易に特恵関税を適用して関税を合法的に減らす方法](https://rikei-logistics.com/b2bco) - 仲介貿易と違って中継貿易ではモノも第三国を経由させます。その場合、EPA／FTAを活用して特恵関税を享受できるのでしょうか？自由貿易協定では通常「積送基準」という条項があり、途中で第三国を経由しない直送が基本です。しかし中継国でBack to Back COを発給してもらえれば第三国に在庫して再輸出することが可能です。
- [ベルヌーイ分布／二項分布／カテゴリ分布／多項分布の関係をまとめてみた。](https://rikei-logistics.com/4-distributions) - 離散確率分布の中でも代表的な二項分布や多項分布は確率モデルを作ってパラメータを決めることによって色々な確率が計算できて便利です。一方でベルヌーイ分布やカテゴリ分布も良く聞く言葉です。これら４つはどのような関係にあるのでしょうか？実は多項分布の関数式を理解してしまえば後の３つはその特殊形なので簡単に理解できてしまいます。
- [【Form Dとは？】申請方法や三国間貿易／中継貿易に使う際の注意点をまとめてみた](https://rikei-logistics.com/form-d) - Form DやForm Aって何？どうやって申請するの？発給まで何日かかるの？三国間貿易にはどうやって使うの？Back to Back Form Dはどうやって申請するの？バイヤーズコンソリデーションでも使えるの？等についてまとめてみました。実際のところ現地税関の判断で変わるところはありますが、最大公約数で解説します。
- [「負の二項分布」の４通りの定義を具体例を使ってまとめて解説する決定版](https://rikei-logistics.com/nbd) - 負の二項分布、名前からして何のことだか分かりにくいですね。本によっても成功するまでの試行回数の確率分布と書いてあったり、失敗回数の確率分布と買いてあったりします。実はこの他にも失敗するまでの試行回数であったり、成功回数の確率分布も負の二項分布です。つまり全部で４種類あるということです。これらをすべてまとめて解説します。
- [【４通りの負の二項分布の使い方】具体例でわかりやすく解説します。](https://rikei-logistics.com/nbd-example) - 負の二項分布には４種類の公式がありますが、それぞれにつき具体例を挙げてどのように使うのかをExcelで実演します。いずれも試行回数x、成功回数k、失敗回数rが何に相当するかを考えれば難しくありません。しかも、二項分布よりも応用範囲が広いので役に立つ場面も多いと思います。身近な事例から物流での事例まで幅広く紹介します。
- [【千葉ロッテ荻野で学ぶ】二項分布で打率から安打数を予測できるか試してみた](https://rikei-logistics.com/binominal-baseball) - 二項分布は成功か失敗かの二者択一の結果を持つ事象にしか適用できない確率分布です。一見、応用範囲が狭いように思えますが正規分布となる事象も要素分解していけば二項分布に帰着します。プロ野球の打率も同じです。１打席ごとにヒットを打てば成功、凡打になれば失敗です。今シーズンの千葉ロッテ荻野選手を例に二項分布になるか検証します。
- [【バックスクリーン３連発】ポアソン分布で伝説が生まれた確率を計算してみた](https://rikei-logistics.com/poisson-backscreen) - ポアソン分布は滅多に起こらない出来事の確率分布を求めることができます。滅多に起こらない出来事であれば交通事故数でもコールセンターのコール数でも同じ分布に従うのでホームラン数で試してみました。題材は伝説の「バックスクリーン３連発」です。まずは１９８５年の阪神のクリーンアップのホームラン数がポアソン分布に従うか検証します。
- [【同じ打率でも確実性は違う】ベータ分布を使って成功確率を確率分布で比較](https://rikei-logistics.com/beta-distribution) - ベータ分布は共役事前分布としてよく使われますが、本来は成功回数と失敗回数のデータを得た時に成功確率が従う確率分布を求めるものです。今回はこれをプロ野球に応用してみました。たまにピッチャーなのに妙に打率の良い選手がいます。今シーズンのDeNAのエース今永が良い例です。果たしてどれくらい確からしいと言えるのでしょうか？
- [【多項分布の使い方】サイクルヒットを打つ確率が高い選手の特徴を検証する](https://rikei-logistics.com/cycle-hit) - 多項分布は二項分布を拡張した確率分布でいろいろな使い道があります。野球ではバッターの結果が大きく分けて単打、二塁打、三塁打、本塁打、そして凡打と５通りあるのでそれぞれの結果になる確率分布を多項分布で表すことができます。サイクルヒットは４通りの安打を最低すべて１回ずつ成功させることなので多項分布の公式が使えます。
- [【指数分布の使い方】大谷翔平のホームラン間隔が指数分布に従うか計算してみた](https://rikei-logistics.com/sho-time) - 指数分布はランダムに起こる出来事の発生間隔の確率分布です。２０２１年のエンジェルス大谷は４６本のホームランを放ちましたが、このホームランもランダム現象と見なすことができます。オールスター前はほぼ毎日ホームランを打っていましたが、後半戦はペースが落ちました。このような場合にもホームラン間隔は指数分布になるのでしょうか？
- [イチローの安打数がポアソン分布にならず正規分布になる理由を考察してみた](https://rikei-logistics.com/ichiro) - プロ野球選手が毎試合打つヒットの本数の分布はポアソン分布で近似できます。今年セ・リーグ首位打者の広島鈴木誠也の安打数はきれいなポアソン分布になります。しかし次元が違うイチローの安打数はポアソン分布になりません。正規分布になってしまうのです。なぜでしょうか？ポアソン分布は平均も分散も同じλになりますがこれが原因です。
- [【二項分布が正規分布で近似できるのはなぜ？】簡単な証明方法と応用事例](https://rikei-logistics.com/bino-normal) - 二項分布は試行回数nが大きくなれば正規分布で近似できます。この証明方法にはいくつかありますが一番簡単な方法を紹介します。中心極限定理で「どんな分布でもそこから十分に大きなサンプルサイズでサンプリングすれば、その合計や平均は正規分布になる」と主張していますので、この定理を認めさえすれば簡単に証明できてしまうのです。
- [【DBシェンカー】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/db) - DB Schenkerは航空、海上フォワーディング共に世界でトップ３に入っています。日本では西濃運輸との合弁で２００２年から西濃シェンカーという現地法人で運営しています。日本への進出は早く１９６４年にまず日本通運本社内に駐在員事務所を、１９７９年には現商船三井ロジスティクスとの合弁でジャパンシェンカーを設立しています。
- [【ｷｭｰﾈ･ｱﾝﾄﾞ･ﾅｰｹﾞﾙ】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/kn) - キューネ・アンド・ナーゲルは海上フォワーディングでは世界一でしたが、航空フォワーディングではDHLに次ぐ２位でした。それが２０２１年、香港に本拠を置くフォワーダーApexの買収手続きが完了したことにより、航空フォワーディング分野でも世界トップになる見込みです。このように大きな物量を背景とした仕入れ力の高さが強みです。
- [【ＤＨＬ】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/dhl) - 米国発祥の国際宅配便会社であるDHLは、１９９８年にドイツポスト傘下に入ってから総合物流企業への道を歩み始めました。Express、Forwarding、Contract Logisticsのいずれの分野でも世界１位もしくは２位です。更に凄いのはその利益率です。ほぼ寡占状態にある郵便やExpressの利益率は強烈です。
- [【ＤＳＶ】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/dsv) - DSVは１９７６年創業の若い会社ですが買収に買収を重ねて瞬く間にフォワーディング業界では世界３ー４位、３ＰＬ業界では世界５位になりました。特に２０１９年に買収したPanalpinaと、２０２１年に買収したAgilityによるシェア拡大効果は大きく、２０２２年には航空・海上フォワーディングでDHLと肩を並べる勢いです。
- [【アジリティ】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/agility) - Agilityはクウェートの物流大手で２００５年の大型買収により１年間で売上高を３倍まで増やし一気に国際物流大手にのし上がりました。その後の売上は成長していませんが、利益率（EBITマージン）では物流企業としては高い７％程度を維持しています。ところがAgilityの中枢であるロジスティクス事業はDSVに売却されました。
- [【ＵＰＳ】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/ups) - UPSはFedExやDHLと並ぶ国際宅配便の大手ですが、DHLと同様にロジスティクス部門があり、その売上は日本通運のそれに匹敵します。また国際宅配便とロジスティクスを加えた売上ではドイツポストDHLを上回ります。その売上構成は米国内外を加えた宅配便事業が８割以上を占め、利益率も物流企業としては極めて高くなっています。
- [【ｴｸｽﾍﾟﾀﾞｲﾀｰｽﾞ】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/expeditors) - エクスペダイターズは米国の大手フォワーダーですが、極めて日本的な経営姿勢を持った企業です。欧州のメガフォワーダーはどこも積極的な買収を重ねて規模を拡大しましたが、エクスペダイターズはほとんど買収をせずにオーガニックグロースだけで急速に規模を拡大させました。また２００８年のリーマンショックでもリストラをしませんでした。
- [【ｼｰﾊﾞﾛｼﾞｽﾃｨｸｽ】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/ceva) - シーバロジスティクスは国際インテグレータだったTNTのロジスティクス部門が前身で２０１９年からは世界４位の海運会社であるCMA CGM傘下のロジスティクス事業会社になっています。従ってルーツを辿れば１９４６年のTNTの前身の会社設立まで遡りますがCEVA Logisticsという会社が生まれたのは２００７年と最近です。
- [【マースク】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/maersk) - マースクロジスティクスは世界最大の海運会社マースクラインのロジスティクス部門です。元々はP&O Nedlloydから引き継いだダムコがロジスティクス事業を担当していましたが、マースクラインが自社でEnd-to-Endのサービスの提供を志向し始めたため、２０２０年末にはすべてマースクロジスティクスに引き継がれました。
- [【ケリー】応募する前に知っておきたい会社の歴史と収益性と事業内容](https://rikei-logistics.com/kerry) - ケリーロジスティクスはシャングリラホテルを運営する香港のケリー集団から２０１３年にスピンアウトする形で香港市場に上場しています。タイではチャオプラヤー川沿いのシャングリラホテルに現地法人の本社があり同じグループであることを彷彿させてくれます。会社が大きく成長し始めたのは２０００年からですがそこからの成長速度は圧巻です。
- [掃き出し法を使って連立方程式が解けて、逆行列も計算できる理由をわかりやすく](https://rikei-logistics.com/simultaneous-equations) - 連立一次方程式の解き方では係数拡大行列を作って掃き出し法で解く方法が知られていますが、なぜこのやり方で答えが求められるのでしょうか？掃き出し法では係数拡大行列の左側が単位行列になるまで行基本変形を繰り返しますが、これはある行列を左から掛けていることと同じです。この観点からなぜ連立一次方程式が解けるのかを解説します。
- [線形計画法を拡大係数行列を使って解く方法をコンテナ積載率を例に解説](https://rikei-logistics.com/lp1) - 線形計画法はオペレーションズリサーチの１分野でビジネスの色々な場面での最適化に使えます。これを効率良く解くための解法としてシンプレックス法がよく知られていますが、これをきちんと理解するのは中々骨が折れます。そこで今回は簡単なコンテナ混載最適化問題を例題として、線形計画法及びシンプレックス法のエッセンスを紹介します。
- [【線形計画法②】シンプレックス法でトラックの積載率が最大になる条件を求めてみた](https://rikei-logistics.com/lp2) - 日本の物流界では未だに経験と勘に頼ることが多いのですが、欧米では数理的に最適化問題として意思決定するのが一般的です。例えばトラックは重量勝ちと容積勝ちの貨物を上手く積載することによって積載効率が変わってきます。そして積載率はそのまま輸送コストに比例します。ORの線形計画法はこのような最適化問題を解くのに最適です。
- [２段階シンプレックス法で貨物積載率が最大になる条件を求めてみた。](https://rikei-logistics.com/lp3) - 線形計画法の標準形では制約条件式の不等号はすべて同じ方向です。違う方向の不等号を持った制約式があると、初期の基底解が負の数になってしまい実行可能な解でなくなってしまうからです。そこでダミー変数を追加して実行可能な初期解を見つけます。ここで重要なことは、この時のダミー変数はゼロにならないといけないということです。
- [【待ち行列理論の使い方】トラック予約受付システムを導入すると何が変わるのか？](https://rikei-logistics.com/mm1) - トラック不足による物流危機が叫ばれる中、物流センター等でトラックが長時間待たされることへの批判が強くなっています。これは長年問題視されてきたのですが、古い慣習が残る物流業界ではずっと放置されてきました。それがようやくトラック予約受付システムによって軽減されてきました。何が変わったのかを待ち行列理論で読み解きます。
- [【輸送計画問題】DC経由にするか工場直送にするかを整数計画法で解いてみる](https://rikei-logistics.com/lp-transportation) - ある商品を物流センターから出荷するか？それともショートカットして工場から直送するか？これは日常のオペレーションでもよく遭遇します。これは整数計画法問題に定式化できExcelのソルバー機能で解くことができます。但しこの問題は中長期的な意思決定には良くても日々意思決定には向きません。在庫管理が難しくなるからです。
- [【ナップザック問題】粗利益を最大化するような商品発注を整数計画法で最適化](https://rikei-logistics.com/knapsack) - 容量が限られたナップザックの中に入れる品物の価値を最大化させる最適化問題はナップザック問題と呼ばれオペレーションズリサーチの中でも有名な問題の一つです。容量とは重量でも容積でも良いのですが物流の世界では同時に考慮する必要があります。そのような場合にもナップザック問題は使えますので非常に適用範囲は広いといえます。
- [【分散分析とは？】その原理を図解で理解してExcelの分析ツールで計算してみる](https://rikei-logistics.com/anova) - 分散分析はExcelの分析ツールを使えば一発で計算できますが、これをあえて手計算でやってみます。まずはデータのばらつきをグループ間の差異によるものと、同一グループでの誤差に分解します。両方のばらつきとも不偏分散で表せば、あとはF検定で検定できます。計算自体は簡単で自由度の設定を間違わないようにすることが肝です。
- [【k-means法とは？】アルゴリズムをExcelに実装して在庫管理状態をクラスタリング](https://rikei-logistics.com/clustering) - 得られたデータセットを特徴によっていくつかのグループにグループ分けしたい場合があります。これをクラスタリングといい機械的に自動計算させるアルゴリズムがいくつか知られています。その中でビッグデータにも適用できて簡単に理解できるk-means法について紹介します。このアルゴリズムは簡単なのでExcelに実装できます。
- [【二要因の分散分析】ばらつきを分解してF検定！Excelの分析ツールを使えばもっと簡単！](https://rikei-logistics.com/anova2) - ２つのグループの平均値に違いがあると言えるか調べたい時はｚ検定やｔ検定を使いますが、平均値に影響を与える要因が２つある場合には使えません。２つの要因が互いに影響を及ぼし合う交互作用も考慮する必要があり二要因の分散分析を使います。考え方は一要因の分散分析と同じで誤差に対して意味のあるばらつきの大きさをＦ検定します。
- [最恵国待遇って何？取り消すってどういうこと？についてわかりやすく解説](https://rikei-logistics.com/mfn) - 「最恵国待遇」ってVIP待遇のこと？いえいえ違います。むしろ皆と同じように扱うということです。実は最恵国待遇の意味を知ることは、国際物流に欠かせない関税の種類を理解することにつながります。これを機会に整理しておきましょう。国際貿易で一番よく使う関税はMFN税率です。ここに出てくるMFNこそが正に最恵国待遇のことです。
- [ターミナルハンドリングチャージとは？THCのことだけをわかりやすく！](https://rikei-logistics.com/thc) - 国際物流業界のベテランが徹底解説！フォワーダーからの請求書には分かりにくい項目がいくつか載っていますが、その中の一つにターミナルハンドリングチャージ（THC）があります。名前からするとコンテナターミナルで行われる荷役作業の料金に思えますが、なぜか船社から海上運賃と一緒に請求されます。また港によっても請求金額が違います。
- [【消費税】フォワーダーからの請求項目を課税／不課税／非課税／免税に分類](https://rikei-logistics.com/ct) - フォワーダーからの請求項目には難解なものが含まれていますが、消費税がかかったりかからなかったりする項目があり、どんな区分けになっているのか疑問に思ったことはないでしょうか？更に消費税がかからない項目でも不課税／非課税／免税の３種類があり、この区分けを知っておくことは重要です。なぜなら消費税還付の可否が決まるからです。
- [ベイズ推定の適用例を公式を使わずに解いてみて、直感的に理解する](https://rikei-logistics.com/easy-bayes) - ベイズ推定の公式は決して難しくないのですが、実際に適用しようとしてみると何を観測事象にして何を推定したい事柄にするのがよいのか迷うことがあります。それはベイズ推定の公式を完全に理解していないからです。そこで考え方を変えて、まずは公式を使わずにベイズ推定してみて、その考え方を一般化することで公式を導出してみました。
- [Excelソルバーで最小二乗法と最小絶対値法を解いて違いを比較してみた](https://rikei-logistics.com/lam) - 回帰式を求めたりディープラーニング等では最小二乗法が盛んに用いられ、AIは最小二乗法だと言われるくらいです。しかし複数の誤差を合計するのにわざわざ二乗しなくても絶対値を合計してもいいはずですよね。実際にこのように誤差の絶対値を足し合わせることにより合計誤差の大きさを評価する方法は、最小絶対値法として知られています。
- [緯度経度のデータからランニングした距離をExcelで計算してみた。](https://rikei-logistics.com/runapp) - ランニングをする人にとって走行距離を表示してくれるランニングアプリは便利ですね。一体どんな原理で測定しているのでしょうか？GPSで得られる緯度経度データを元に計算しているのです。３秒間隔で緯度経度を記録していれば３秒間隔の位置データが緯度経度で得られます。あとは２点間の距離を三平方の定理で計算することの繰り返しです。
- [【指数分布の応用】確率１％の賭けを１００回繰り返して勝つ確率は？](https://rikei-logistics.com/exp-dist2) - 当選確率一千万分の一の宝くじを一千万枚買って当たる確率は？１００％のような気もしますが、絶対に当たるとも言い切れませんね。単純に見えてこの問題は結構難しいのです。答えは６３％なのですが、なぜこうなるのかは指数分布を理解すれば分かります。１日にλ回起こる事象がｘ日目で最初に起こる確率を計算してくれるのが指数分布です。
- [【ディリクレ分布の使い方】日ハム清宮の長打力をExcelで視覚化してみる](https://rikei-logistics.com/dirichlet) - ディリクレ分布はあまり聞かない確率分布ですが、多項分布の共役事前分布としてベイズ推定で用いられる重要な分布です。なかなか捉えどころのないこの分布を身近な事例に使ってみました。今年の日ハム清宮は安打の半分以上が長打というプロ野球史上でも稀な成績を残しています。どれくらい稀かということをディリクレ分布で視覚化してみます。
- [【カイ二乗分布をわかりやすく】使い方とExcelでのグラフの描き方](https://rikei-logistics.com/x2-dist) - 正規分布や二項分布は重要でよく耳にする確率分布ですが、カイ二乗分布はマニアックな人しか知らないというイメージです。でもウィキペディアによれば「推計統計学で最も広く用いられている」ほど重要な確率分布です。本記事ではExcelを使ったグラフの描き方や、乱数シミュレーションでカイ二乗分布を再現する方法を解説します
- [【適合度のカイ二乗検定】出荷数は正規分布やポアソン分布になるの？](https://rikei-logistics.com/x2-2) - カイ二乗検定は確率分布への適合度を調べることができます。安全在庫理論では出荷数が正規分布に従うことを仮定していますが、「本当にその仮定は正しいのか」と疑う人に「正しいよ」というための道具として使えます。更にカイ二乗検定はポアソン分布や二項分布などの他の確率分布への適合度も調べることができる汎用性の高い検定方法です。
- [関税や消費税を節税しながらお得に個人輸入できる条件をまとめてみた。](https://rikei-logistics.com/tax-exemption) - 最近は気軽に海外通販で海外の商品が買えるようになってきました。一方で海外商品を輸入販売している業者も沢山存在します。大規模な業者は卸売価格で大ロット仕入れができ、輸送費用でも規模の経済を働かせることができます。しかし小規模にやっている業者も沢山います。個人輸入はそのような業者からよりお得に購入できる可能性があります。
- [【携帯品／別送品の簡易税率】海外旅行で買うとお得な商品はこれだ！](https://rikei-logistics.com/baggage) - 簡易税率には２種類あります。日本にいながら海外の商品を航空便などで輸入する場合に適用される簡易税率と、海外旅行のついでに購入した商品を携帯品／別送品として持ち込む場合に適用される簡易税率です。前者より後者の方が格段に大きなメリットがあります。免税枠が１０倍以上あるのです。またうまく使えば更に免税枠を大きくできます。
- [【商業貨物とは？】ハンドキャリーで旅具通関する方法をわかりやすく解説](https://rikei-logistics.com/hand-carry) - 海外旅行のついでに買い物した商品を日本国内で販売する場合には商業貨物と見なされます。個人使用目的の商品を日本に持ち込む時には２０万円の免税枠がありますが、商業貨物の場合は免税枠が大幅に制限されます。また免税枠を超えた場合の関税は簡易税率により一律１５％になりますが、課税価格には運賃や保険料を加える必要があります。
- [大きな航空貨物を自分で通関して個人輸入する方法をわかりやすく解説](https://rikei-logistics.com/air-cargo) - 個人輸入というとEMSや国際宅配便で商品を送るイメージですが、これだと小さい貨物しか輸入できません。大きい貨物は一般の航空貨物として輸送しますが、自分で通関を手配する必要があります。航空貨物の通関はフォワーダーなどのプロでないとできないイメージがありますが、商品のHSコードさえ分かればば自分ですることも可能です。
- [【比重と運賃負担力】海外通販で買うとお得な商品は何か考察してみた](https://rikei-logistics.com/specific-weight) - 海外通販ではDHLやFedEx等の国際宅配便が主な運送手段になりますが、輸入販売業者が船便や航空便で輸入するのに比べると高いイメージがあります。実際、物流は規模の経済がモノをいう世界なので正しいのですが、やり方によってはその差を縮めることができます。そのためには容積重量と物流負担力の考え方を理解する必要があります
- [実際の欠品率が安全在庫の理論通りにならないのはなぜ？（その１）](https://rikei-logistics.com/service-level1) - 安全在庫理論の式に従って欠品率が５％になるように設定したのに、実際の欠品率は１％以下になったとか、１０％以上になってしまったということがよく起こります。その原因はさまざま考えられますが、そもそもの欠品率の定義が違うことが原因であることが往々にしてあります。よく使われる欠品率を計算する式は、欠品した日／総日数です。
- [日本発着の航空券の燃油サーチャージはどうして特別に高いのか？](https://rikei-logistics.com/kerosene-surcharge) - コロナが明けてやっと海外旅行に行けるようになったと思ったら航空券が高すぎて二の足を踏んでしまう、そんな話しを最近よく耳にします。それもそのはず、運賃以上に燃油サーチャージが高くなるという異常事態になっているからです。ところが海外ではそれほど大きく騒がれていません。日本発着ほど大きくサーチャージが高騰していないからです
- [標準正規分布表（片側／両側）の見方とエクセルで作る方法をわかりやすく](https://rikei-logistics.com/st-norm-dist) - 標準正規分布表は安全在庫理論に基づいて安全係数を求める時やｚ検定で使われますが、ネットに載っている表はすぐにリンクが切れてしまうものが多いため、自分で作って自己リンクすることにしました。実際、標準正規分布表の作り方は簡単で、エクセルのNORM.DIST関数を使えば簡単に作れます。まずはこの関数の意味から理解しましょう。
- [【少額貨物の免税制度】Vivobarefootをアジアで個人輸入したら無税だった](https://rikei-logistics.com/courier-asia) - 日本では課税価格１万円以内の輸入貨物は、関税／消費税ともに免税、個人使用目的の場合は更に約１.６倍に免税枠が増えますが、海外ではどうなっているのでしょうか？アジア各国では少しずつ免税範囲が異なります。また実際の運用は規定通りでないことが往々にしてあります。カンボジアで少額免税外の貨物を個人輸入して試してみました。
- [【待ち行列｜M/M/1モデル】５つの公式をわかりやすい言葉で解説します](https://rikei-logistics.com/m-m-1) - 待ち行列理論の中でも一番基本になるのはM/M/1モデルです。簡単にいうと窓口が一つしかない行列の挙動を表すモデルです。このモデルには行列の待ち時間や待ち人数などの平均を計算するための５つの公式があります。これらの公式を難しい微分積分を使わずに、わかりやすい言葉で丁寧に解説します
- [待ち行列理論を使ってフォークリフトが正常稼働する台数を推定してみる](https://rikei-logistics.com/forklift) - 待ち行列理論は人の行列だけに用いられるのではありません。モノの滞留台数を推定する場合にも適用できます。また到着率や離脱率も一定である必要はありません。その事例として、物流センターにおいてフォークリフトが故障せずに稼働する台数を推定してみましょう。この場合、物流センターを「系」と考えフォークリフトの滞留台数を推定します。
- [【Excelで解く待ち行列M/M/Cモデル】物流現場で応用する方法を具体的に解説](https://rikei-logistics.com/mmc) - 窓口が複数ある待ち行列はM/M/Cモデルで表します。このモデルでもM/M/1モデルと同様に行列の待ち人数や待ち時間を求める公式が知られています。M/M/!モデルの公式と比べて格段に複雑な式ですが、一旦Excelで計算テンプレートを作ってしまえば使いまわしができて便利です。本記事では物流現場に応用する方法も解説します。
- [待ち行列理論を応用して高速コピー機の費用対効果を定量化する方法](https://rikei-logistics.com/mm1-roi) - 「高性能の設備に変えたらもっと作業効率が上がるのに。でも高い費用を払ってまで購入してペイさせる自信がない。」こんなことはありませんか？誰でも経験ありますね。この問題が難しいのは、作業量が確率的に変動するためです。そのような場合に待ち行列理論は効果を発揮します。変動する作業量による「滞留時間」を定量化できるためです。
- [待ち行列理論を応用して１０分カットが儲かる仕組みを解明してみた。](https://rikei-logistics.com/barber) - 待ち行列のM/M/1モデルは簡略化されているので大変使いやすいのですが、行列の長さが無限に長くなれることを前提としています。しかし、床屋に行ってあまりにも沢山のお客さんが待っていたら出直してこようと思いますね。このように現実的には行列の長さには限りがあると考える方が良いでしょう。10分カットを例にとって解説します。
- [【有限ソースの待ち行列】フォークリフトが正常稼働する台数を求める別解](https://rikei-logistics.com/finite-queue) - 待ち行列というのは無限に伸び続けるわけではありません。長い行列であれば並ぶのをやめるでしょう。このように行列の長さは有限と考えるのが現実的です。また行列に並ぼうとする人も有限であることが多いでしょう。例えば社員食堂であれば、社員以外には行列に並ぼうとする人はいません。このような行列は有限ソースの待ち行列と呼ばれます。
- [【直列型待ち行列モデル】センター出荷作業のサイクルタイムを求めてみる](https://rikei-logistics.com/serial-queue) - 今まで見てきたM/M/1モデルやM/M/Cモデルは、いずれも工程が１つしかない待ち行列です。しかし実際には複数の工程が連なるいわゆるベルトコンベア式の作業が多いのではないでしょうか。直列型待ち行列モデルはそのような作業を分析するためのモデルです。ここではある条件が満たせる場合には各工程が独立になるという定理を使います。
- [【開放型待ち行列モデル】宅配便集荷作業のサイクルタイムを求めてみる](https://rikei-logistics.com/open-queue) - 直列型待ち行列理論では複数の工程が直列につながった業務フローを解析できますが、工程は１から順に最後まで順番通りに進む必要があります。しかし世の中には途中の工程をスキップしたり、途中の工程からスタートするような業務フローもたくさん存在します。そのような業務フローを扱える開放型待ち行列理論の考え方や適用方法を解説します
- [【倉庫保管料のよくある勘違い】なぜ保管料の計算に出庫量は関係しないのか？](https://rikei-logistics.com/storage-fee) - 倉庫保管料の課金対象となる在庫量は期首在庫量＋期中の入庫量で計算します。期中にどれだけ出庫があったかは関係ありません。なぜでしょうか？在庫量は期首在庫量＋入庫量－出庫量で計算されるので、この在庫量を基に保管料を計算するのが筋だと思いませんか？そうではない理由をテーマ―パークの１日フリーパス券の例えを使って説明します。
- [ベイズ推定で未知の確率を推定しながらディシジョンツリー分析する方法](https://rikei-logistics.com/bayes-dca) - ディシジョンツリー分析は期待金額価値を比較することによって合理的な決定をサポートしますが、可能性ノードの分岐確率がすべて分かっていることが前提です。しかし中には確率が分からない場合もあります。そのような時に逆確率を求めることができるベイズ推定が使える場合があります。トラック輸送と鉄道輸送の選択問題を例に解説します。
- [【マルコフ連鎖と遷移確率行列】５年後に太ってしまう確率は何％？](https://rikei-logistics.com/what-is-markov) - 過去の経歴は一切関係なし、今の状態だけから未来が決まる。そのような関係性をマルコフ連鎖と言います。スゴロクなんかがそうですね。今どこにあるかで次の行先が確率的に決まります。それまでどのような経路を通ってきたかというのは全く関係ありません。この時、次の行先へどのような確率で行くかをまとめて表したものが遷移確率行列です。
- [【マルコフ連鎖】翌日配送が翌々日配送になると在庫は何台必要か？](https://rikei-logistics.com/markov-stock) - マルコフ連鎖は在庫管理にも応用できます。但し遷移確率を求めるのに少し注意が必要です。前回の肥満度の例では、各状態から各状態へ遷移する確率はデータから簡単に得られるので簡単ですが、モノの数量の変化を遷移確率で表現するには定量的な分析が必要になるからです。しかし確率の基本定理が分かっていれば、それを応用すればよいだけです
- [マルコフ連鎖が不変分布に収束するための条件を図でわかりやすく解説](https://rikei-logistics.com/invariant-distribution) - マルコフ連鎖は長い時間が経てばいつも定常状態に収束するとは限りません。定常状態のことを不変分布ともいいますが、不変分布に収束するには３つの条件があります。それが連結、再帰的、非周期的です。これがすべて満たされる場合をエルゴ―ド的といいます。何のことだかよく分かりませんね。本記事では図を使いながら分かり易く解説します。
- [【マルコフ連鎖】宅配便の販促キャンペーンにかけるコストはいくらか妥当か？](https://rikei-logistics.com/markov-adv) - 広告宣伝の費用対効果を測定するのは大変難しいことです。第一、広告によって顧客の離脱率を数ポイント減少させられたからといって、それが市場シェアにどのくらい効くのかなんて分からないように思えます。ところがマルコフ連鎖を使えばそれが定量化できるのです。但し、それば不変分布が存在する場合に限ります。その分析方法を解説します。
- [【マルコフ連鎖】標準体重の人が太りすぎになるまで平均何年かかる？](https://rikei-logistics.com/markov-fat) - マルコフ過程が長時間続いて定常状態になった時、どのような状態に落ち着くかは不変分布の公式で求めることができます。しかし私たちはある状態からある状態に移行するのにどのくらいの時間かかるのかを知りたい場合があります。それが分かれば対策を打つ猶予時間が分かるからです。これは平均初回通過時間（MFPT）として知られています。
- [【吸収マルコフ連鎖】２か月遅延の売掛金が回収不能になる確率は？](https://rikei-logistics.com/absorbing-markov) - 吸収マルコフ連鎖（absorbing markov chain）とは一旦その状態になったら、その状態から抜け出せなくなる状態を含むマルコフ連鎖のことです。このようなマルコフ連鎖は結構あり、勝つか破産するかのギャンブルもこれで表せます。ここでは延納されている売掛金が回収できる確率を求めることに応用する例を紹介します。
- [【ルーレットの赤黒ベットで勝てる確率は？】理論値をマルコフ連鎖で計算](https://rikei-logistics.com/markov-roulette) - ルーレットの赤黒ベットで100ドルを200ドルまで増やせる確率は何％でしょうか？なかなか難しい問題ですが、毎回20ドルを賭けるとすると37%です。それでは100ドルを400ドルまで増やせる確率は何％でしょうか？ギャンブルの天才でない限り答えられないでしょう。これはマルコフ連鎖を使えば求められます。その方法を紹介します
- [【Excelで簡単！】KS検定で出荷数が正規分布に従うかどうかを検定する](https://rikei-logistics.com/kstest) - KS検定とは何でしょうか？カイ二乗検定と何が違うのでしょうか？これらの疑問をExcelで解きながら解説していきます。経験分布という聞きなれない言葉が出てくるため分かりづらいのですが、実際にExcelで計算してみると意外に簡単であることが分かります。観測データと想定する確率分布のパーセンタイルを比べているだけです。
- [【PythonのkstestでKS検定】出荷数が少なくても正規分布になることを検証する](https://rikei-logistics.com/kstest-python) - 安全在庫理論は出荷数が正規分布に従うことを前提としています。この正規分布への適合性を調べるのにKS検定は有効です。KS検定は他の検定と比べて簡単なためExcelでも自力で行うこともできますがPythonを使えばもっと簡単にできます。SKU数が何千、何万とあるような会社ではPyhtonを使ってデータ分析が楽になります。
- [Pythonを使って経験分布と正規分布をグラフで視覚化してKS検定をしてみた](https://rikei-logistics.com/manual-kstest) - KS検定はPythonのライブラリーを使えば簡単にできてしまいますが、それでは原理がわかりません。そこで、自分でPython関数を自作してKS検定を行ってみました。KS検定では観測データから作る経験分布の作成が始めの一歩なため、まずはそこから始めました。そして確率分布との最大差をKS分布に当てはめてp値を求めました。
- [【SCM分析2】PythonのマルチレベルABC分析で出荷傾向を分類する](https://rikei-logistics.com/abc-python) - 在庫管理はアイテムごとに行うべしとはいっても、すべてのアイテムに同じくらいの手間をかける必要はありません。 ABC分析によって分類されたカテゴリーに応じて在庫管理手法を分けるのが普通です。このABC分類はExcelでもできますがPythonだともっと簡単です。更にマルチレベルのABC分類も簡単にできてしまいます。
- [【SCM分析4】需要データの階差数列が定常過程になることをADF検定する](https://rikei-logistics.com/adf) - 時系列データはそれが定常過程だと分析が容易になります。しかし生のデータがそうであることは稀です。物流で重要な需要データも例外ではありません。非定常なデータは定常データに変換する必要があります。そのための１つの方法が階差数列を取ることです。需要データにトレンドがあっても隣のデータ同士であればその影響はほとんどありません。
- [【Pythonで需要予測①】重回帰分析で時系列の出荷数予測をしてみた](https://rikei-logistics.com/linear-regression-python) - 需要予測手法としてはARIMAモデルや、それに季節性を考慮したSARIMAモデルなどの時系列分析が知られていますが、普通の重回帰分析でもできるはずです。そこで６ヶ月間に渡る日々の出荷データを使って、重回帰分析でどこまでの精度で需要予測できるかを試してみました。PythonのLinearRegressionを使います
- [Simpyの使い方｜M/M/1モデルの待ち行列シミュレーションをしてみた](https://rikei-logistics.com/mm1-simpy) - 物流はお客様からの貨物を待つ商売なので、待ち行列理論はとても役に立ちます。そして待ち時間や待っている人数の期待値を計算する公式も知られています。しかしそれはあくまでも期待値であって、何千回と繰り返した場合の平均値に過ぎません。実際の待ち時間や待ち人数は毎回大きく振れます。それを知るにはシミュレーションが有用です。
- [Simpyを使ってM/M/Cモデルの待ち行列をシミュレーションしてみた](https://rikei-logistics.com/mmc-simpy) - 待ち時間はサービス窓口を増やせば短くなりますが、その分コストは上がります。一般的に窓口を増やせば待ち時間は短くなりますが、段々とその効果は小さくなりいずれ頭打ちになります。つまり窓口を増やしすぎると費用対効果が少なくなるので、コストがベネフィットを上回るようになります。これをSimpyでシミュレーションしてみます。
- [【2023年版】世界の3PL大手｜グローバル売上高ランキング ＴＯＰ２８](https://rikei-logistics.com/3pl-2023) - 前回の3PLランキングを２年ぶりに更新しました。世界の3PL大手はM&Aを盛んに行っていること、コロナ禍でフォワーディングの売上高が嵩上げされたこと、円安が進んだことから順位が大きく変動しています。その結果、残念なことに日本の物流大手は軒並み順位を落としています。円安も大きいですがやはり草食系企業が多いためでしょう。
- [【2022年版】運輸・物流企業の売上高＆年成長率ランキング83社](https://rikei-logistics.com/edinet1) - 金融庁では各社の有価証券報告書をEDINETで公開しています。しかし数千社ある会社のデータを一括ダウンロードすることはできません。できたとしても自分が欲しいデータをダウンロードしたファイルから特定するのは時間がかかります。そんな時には2019年に公開されたEDINET APIを使うとPythonで自動収集できます。
- [ターミナルハンドリングチャージの相場はいくら？世界のTHCを徹底比較](https://rikei-logistics.com/thc-one) - 国際物流における請求項目の中でもわかりにくいターミナルハンドリングチャージですが、一体いくらなのでしょうか？国によってもキャリアによっても異なるのですが、国ごとの料金相場は存在します。それをONEのWebサイトにアクセスしてスクレイピングしてみました。概ね物価の高い国は高いのですが、その差は結構あることがわかります。
- [Doc Feeって何？世界各国の料金相場もOrigin／Destination別に一挙公開](https://rikei-logistics.com/doc-fee) - Doc Feeって何のための費用なのでしょうか？また海上輸送にはキャリアとフォワーダーが絡んでいる場合が多いですが、どちらが請求しているのでしょうか？その疑問にお答えするとともに世界各国での料金相場を公開します。ONEのHPにSurcharge Searchで検索できるのでPythonでWebスクレイピングしました。
- [【航空会社／出発地別の飛行機の遅延ランキング】Webデータを独自に集計](https://rikei-logistics.com/bkk-arrival) - 飛行機の定時運航率って実際のところどれくらいなのでしょうか？遅れるのが当たり前？それとも平均的にはゼロなの？そのあたりをバンコクのスワンナプーム空港の実績をWebスクレイピングして調べてみました。また平均的にはゼロでも航空会社や出発地によっても傾向がありそうなので、それも調べてみました。結果はやはりというべきか。。。
- [【2023年版】中国の物流企業ランキング！7つの財務指標でランキングしてみた](https://rikei-logistics.com/china-2023) - 中国の物流会社はどのくらいの売上規模なのでしょうか？ 国土が広くて経済規模も大きいので、日本と比べて多いのでしょうか？ また利益率はどうなのでしょうか？ やはり利益に貪欲なので、とんでもない利益を上げている会社もあるのでしょうか？ そんな疑問を解消するためにInvesting.comからデータを自動取得しました。
- [【アセアン6ヵ国！】物流企業ランキング117社！2023年版まとめて公開](https://rikei-logistics.com/asean-ranking-2023) - 高い経済成長率を誇り日系企業の進出も多いASEANではどんな物流会社が活躍しているのでしょうか？ 現地で働いている人であればいくつかの大手物流会社が思い浮かびますが、 実際のところどのくらいの売上規模なの？ と聞かれると答えられない人がほとんどだと思います。 Investing.comからデータを自動取得しました。
- [運輸・物流業界の企業一覧と業務概要をまとめてみた【中国編】](https://rikei-logistics.com/china-profile) - 中国の上場物流企業の簡単なプロフィール集です。日本の大手物流企業と比べても格段に大きな会社も何社かあります。リンクも貼りましたので是非当サイトの中国物流企業ランキングも一緒にアクセスしてみて下さい。英文会社名では知らなくても、中文会社名だとピンとくる会社もいくつかあると思いますので、中文名も一緒に掲載しています
- [運輸・物流業界の企業一覧と業務概要をまとめてみた【ASEAN編】](https://rikei-logistics.com/asean-profile) - ASEANで活躍する物流企業の売上高ランキングを作りましたが、正直聞いたこともない会社ばかりだと思います。売上高上位でも日本の物流会社と比べると売上規模が小さな会社が多いため、世界的にはあまり有名ではないのです。そこで売上高上位50社限定で会社概要をまとめました。これを読めばあなたもASEANの物流通になれます。
- [運輸・物流業界の企業一覧と業務概要をまとめてみた【日本編】](https://rikei-logistics.com/japan-profile) - 外からうかがい知ることの難しい物流業界。道を見ればいろいろな物流会社の名前が入ったトラックが走っていますが一体どんな仕事をしているのでしょうか？実は物流会社と一口に言ってもその業務内容は様々で、物流業界で働いている人でもわからないことだらけだと思います。そこで上場企業だけですが、事業内容を簡単にまとめてみました。
- [【香港＋台湾＋韓国】物流企業ランキング76社！2023年版まとめて公開](https://rikei-logistics.com/tiger-rankingu) - アジアの大手物流企業は巨大市場である中国にだけ集中しているわけではありません。香港／台湾／韓国は国の規模は小さいものの国として物流のハブになることに力を入れているため、日本の大手物流企業と比べても売上規模の大きな物流会社が多く存在します。そんな３か国の売上高／営業利益／当期利益の物流会社ランキングを作成しました。
- [運輸・物流業界の企業一覧と業務概要をまとめてみた【香港・台湾・韓国編】](https://rikei-logistics.com/tiger-profile) - 香港、台湾、韓国はいずれも国として物流振興に力を入れています。日本の大手物流会社と比較しても引けを取らないどころか売上高で上回る企業もいくつかあります。ところが日本語でそのような会社の情報を取ろうとしても情報ソースが限られています。そこでこれら３国に上場している物流会社のうち売上高上位５０社の会社概要をまとめました。
- [【営業利益率キーエンス超えも】世界の物流会社売上高上位100社～2023年版～](https://rikei-logistics.com/world-ranking-2023) - コロナ禍によるサプライチェーンの混乱で日本郵船などの海運会社は史上空前の利益を上げましたが、世界のメガキャリアやメガフォワーダーはどのくらいの利益を上げたのでしょうか？Investing .comで世界の物流会社の売上高上位100社を抽出しました。同時に営業利益と売上高営業利益率についてのランキングも作成しました。
- [運輸・物流業界の企業一覧と業務概要をまとめてみた【欧米編】](https://rikei-logistics.com/west-profile) - 日本の物流大手である NIPPON EXPRESS や 日本郵船 の売上高は 2 兆 5,000 億円ほどですが、世界には 10 兆円を優に超える物流会社が 6 社もあります。 また営業利益では日本郵船の 3,000 億円がトップですが、フランスの CMA CGM は 4 兆 4,000 億円と桁が１つ違います。
- [【ジニ指数をExcelとPythonで計算する】テスト結果を例にわかりやすく解説](https://rikei-logistics.com/gini-basic) - ジニ指数は格差を表す指標として有名ですが、計算方法を知っていますか？自分で計算できるようになっておくと便利だと思いますので、ExcelとPythonで簡単に計算する方法をご紹介します。積分の計算が必要ですがExcelで数値計算できるので大丈夫です。もちろんPythonでも可能でscipyライブラリを使うのが便利です。
- [【物流業界内の格差は大きいのか？】ジニ指数で他業界と比較してみた](https://rikei-logistics.com/gini2) - 物流業界には意外と大企業の割合が多いのですが、業界の寡占度はどのくらいなのでしょうか？例えば米国のIT業界ではGAFAMなどによる寡占がかなり進んでいますが、日本の外食業界は群雄割拠なので寡占度は低いことが予想できます。寡占度はジニ指数で表すことができるので、物流業界の売上高のジニ指数をPythonで求めてみました。
- [【発注点の求め方】日／アイテム／在庫拠点別の出荷データからPythonで求める方法を実演](https://rikei-logistics.com/rop) - 発注点は英語ではReorder PointまたはROPと呼ばれ、適正在庫管理における大変重要な設定点です。在庫が「ある数量」を下回ったら発注するという不定期発注方式では、「ある数量」のことです。また１週間とか１ヶ月おきに発注するという定期発注方式においては、目標在庫量のことです。これをPythonで一括計算してみます。
- [EOQ（経済的発注量）を発注実務に応用する方法～海上輸入による調達を例に～](https://rikei-logistics.com/eoq) - EOQ（経済的発注量）はよく知られた言葉ですが、「あんなもの使えないよ」と言って使っていない方が多いのではないでしょうか？発注コストを固定しているなど確かに現実離れした前提条件があるのですが、工夫すれば実務に十分に活用できます。本記事では船便で輸入する国際調達で使う方法を紹介します。「これ使えるかも」と思えるかも。
- [【定量発注方式】PythonのInventorizeライブラリで在庫シミュレーションしてみた](https://rikei-logistics.com/minq-inventorize) - 定量発注方式で発注を行った場合に毎日の在庫推移がどのようになるかシミュレーションしてみたいと思ったことはありませんか？これはPythonのinventorizeライブラリを使えば一瞬でできてしまいます。定量発注方式では発注点と発注量の決め方が肝になりますが、Pythonでシミュレーションする方法を解説します。
- [Min-Max発注方式のMaxはどうやって決めるのか？Pythonでシミュレーションしてみた](https://rikei-logistics.com/minmax-inventorize) - Min-Max発注方式でMinは発注点で（安全在庫＋リードタイム期間中の需要）で求めることができますが、Maxはどうやって決めるのでしょうか？発注点＋EOQでは定量発注方式より性能で劣ってしまいます。（発注点＋a日分の需要）で決める場合のaをどうやって決めるかを、Pythonの在庫シミュレーションで検討してみました。
- [【ハイブリッド発注方式】定期発注方式に対するメリットを在庫シミュレーション](https://rikei-logistics.com/hybrid) - ハイブリッド発注方式とは定期発注方式と発注点方式を併せていいとこ取りをした発注方式です。定期発注方式は海外調達のように発注コスト（輸送コスト）が高い場合に特に有効ですが、発注サイクル期間中に需要の急変動があって在庫が不足気味になっても発注がかからないという欠点があります。ハイブリッド発注方式はこの欠点を補います。
- [定期発注で輸送モードを変えると物流コストはどうなるか？アプリで簡単シミュレーション](https://rikei-logistics.com/app-periodic1) - 「隣の国なんだからクロスボーダートラックで送れば２、３日で着くけど輸送コストが高い。船便だと輸送コストは安いけどリードタイムが長いので在庫コストがかかる。トータル物流コストとしてはどちらが得なんだろう？」国際物流に携わっていれば多くの人が遭遇する悩みですね。この悩みを解消するWebアプリをPythonで作成しました。
- [物量が少ない時のFCLとLCLはどっちが安い？アプリでトータル物流コストをシミュレーション](https://rikei-logistics.com/app-periodic2) - 「二ヶ月にコンテナ一本分の物量しかないが、二ヶ月に一度FCLで輸入するのと毎月LCLで輸入するのとではどちらが安いのだろう？」国際物流に絡んだことのある人なら誰でも一度は悩むことですね。この場合発注量が物量になりますので、適正在庫シミュレーションと一緒にするのが効率的です。物流コストも一緒に計算するアプリを作りました。
- [定量発注法とMin-Max発注法を同じ需要データで比較できるシミュレーションアプリ](https://rikei-logistics.com/app-sq) - 定量発注方式もMin-Max発注方式も物量があまり多くない、いわゆるBC商品に使われることが多いのですが、「両方式の違いがよくわからない。うちの商品にはどちらが適しているのだろう？」と思ったことはありませんか？そのような方のために同じ需要データで両発注方式をシミュレーションして挙動を比較できるアプリを作成しました。
- [【これは便利！】適正発注を行った場合のトータル調達物流コストを計算するアプリ](https://rikei-logistics.com/app-multi-sku1) - 物流ネットワークの設計において戦略的に重要になるのはどこにどのくらいの広さのDCを設置するかで、戦術的に重要なのは各DCの適正在庫コントロールの方法です。これらを併せて数理的にやろうとすると奥が深く輸送コストや在庫コスト等の合計であるトータル物流コストを最小化する最適化問題になります。これを計算するアプリを作りました。
- [フレンチルーレットのアンプリゾン方式をPythonでシミュレーションしてみた](https://rikei-logistics.com/roulette1) - ルーレットには アメリカンルーレット 、 ヨーロピアンルーレット 、 フレンチルーレット の 3 種類があります。 更にフレンチルーレットの イーブンベット には アンプリゾン方式 と ラパルタージュ方式 という 2 種類のルールがあります。これらをすべてシミュレーションできるソフトをPythonで作ってみました。
- [ベット額の大小によりルーレットで勝ち逃げできる確率は変わってくるのか？](https://rikei-logistics.com/all-in) - 「俺はカジノでいつも勝っている」と豪語する人を管理人は信用しませんが、並の人より勝っていることは認めます。そのような人は大抵、並の人よりベット額が大きい傾向があります。並の人のようにせこせこ賭けるのと、大きな賭金で勝負する人とでは、勝率に差があるのでしょうか？これを知りたくてPythonでシミュレーションしてみました。
- [ルーレットは金持ちほど勝つ確率が高いのか？百万回シミュレーションしてみた](https://rikei-logistics.com/roulette-richman) - ルーレットで300ドルを儲けて帰りたいという時、100ドルしか軍資金がない人と1,000ドルの軍資金がある人ととでは勝率は異なるのでしょうか？Pythonで百万回疑似ゲームを行って調べてみました。その結果1,000ドルの軍資金がある人の方が約3倍も勝率が高いことがわかりました。ではこの勝率はどこまで上がるのでしょうか？
- [【マーチンゲール法】ExcelとPythonで勝てない確率をシミュレーション](https://rikei-logistics.com/martingale) - マーチンゲール法は「理論上負けない方法」と言われていますがこれを額面通りに受け取る人は少ないでしょう。実際にはカジノが損しないように設定するテーブルリミットが存在するため理論通りにはなりません。しかしマーチンゲール法で本当に勝率が上がるのか？とか勝率が上がるとはどんな場合か？と問われて答えられる人は少ないでしょう。
- [ルーレットをやるなら赤／黒ベットよりダズンベットを選ぶべき数学的理由](https://rikei-logistics.com/dozen-bet) - ルーレットと言えば赤／黒ベットなどのオッズが2倍の賭け方をする方が多いと思います。ほぼ50%の確率で当てられるので、利益は少ないけれども確実な勝負のように思われるからです。ところがオッズが3倍のダズンベットやカラムベットの方が利益が多くなりやすいということをご存知でしょうか？本記事ではそれを数学的に証明してみました。
- [モンテカルロ法はマーチンゲール法に劣る理由をExcelとPythonでシミュレーション](https://rikei-logistics.com/monte-carlo-roulette) - ルーレットの攻略法にモンテカルロ法があります。これは絶対的な必勝法と呼ばれているマーチンゲール法と比べると知名度は劣るものの、連敗が混んでもマーチンゲール法ほどベット額が膨らまないため試しやすい手法と言われています。この効果をExcelとPythonのシミュレーションにより検証してみました。さて結果はいかに。。。
- [【同じ送料でも送れる量はこんなに違う！】宅配便をお得に利用する方法](https://rikei-logistics.com/158size) - 宅配便の料金は三辺の合計を表す○○サイズで決まります。また飛行機の預け荷物も三辺合計の大きさで制限されます。このように運送業界では運賃を簡単に決めるために〇〇サイズという表現がよく使われます。でも同じ○○サイズでも形状によって容積が大きく異なることをご存知でしょうか？この仕組みを理解して賢く得する方法をお伝えします。
- [何でも免税で個人輸入できてしまう！？東南アジアの「マル秘」通関裏事情](https://rikei-logistics.com/asean-cc) - 東南アジアの通関は伏魔殿でアンタッチャブルだと感じている方も多いのではないでしょうか。現地の外資系物流会社はこの困難な状況にどのように対応しているのでしょうか？その一端をご紹介します。欧米系の大手メガフォワーダーはコンプライアンス重視で文字通りアンタッチャブルな対応をしています。ところが日系大手フォワーダーは
- [ZARAのサプライチェーンはなぜコストの割高な航空便を使いまくれるのか？](https://rikei-logistics.com/zara) - ZARAはほぼすべての商品をスペインにある４つの物流センターから全世界の店舗に向けて航空便で送っています。ロジスティクス業界の常識では航空便で送って割に合うのは半導体や医薬品など小さくて製品価格が高い貨物だけだと言われています。なぜZARAは価格の低いアパレル商品を扱っていながら航空便を使いまくれるのでしょうか？
- [モンティホール問題をベイズ推定で解いてExcelシミュレーションで検証する](https://rikei-logistics.com/montyhall) - モンティホール問題は人間の直観がいかにいい加減なものかということを気づかせてくれます。しかし理解するのが難しいのも事実です。そこでまずはすっきり納得できる解釈を紹介します。そしてこれもまた理解が難しいのですがベイズ推定による方法を丁寧に解説します。最後にモンテカルロ法によって解く方法をExcelを使って紹介します。
- [【Pythonで需要予測②】SARIMAモデルの自動構築で出荷数量を予測してみた](https://rikei-logistics.com/sarima) - 物流センターの出荷データからSARIMAモデルを使って需要予測を行ってみます。６か月分の出荷実績データが手元にあります。５か月分のデータを使って需要予測モデルを作り、残り１か月分のデータで検証します。SARIMAモデルには７つのパラメータがありますが、これを手動で決める方法と自動で決める方法とで予測精度を比較します。
- [PythonでPDFファイルを結合／分割【PyPDF2のサンプルコード コピペ自由】](https://rikei-logistics.com/pdf) - 誰かから送られてきたPDFファイルの一部を、違う誰かに送りたいということはありませんか？例えば、何十ページもある建設図面の一部だけを誰かに共有したいとか、社内資料から機密情報だけを削除して誰かに共有したいとかよくあることだと思います。これはPythonのPyPDF2ライブラリーを使えば簡単にコーディングできます
- [三菱ケミカル物流の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/mcl) - 三菱ケミカル物流は1956年に三菱化成の生産物流を担う物流子会社として発足しました。1996年に社名変更し三菱化学物流として知られていましたが、2017年に親会社の三菱化学が三菱樹脂と三菱レイヨンが合併して三菱ケミカルとなったと同時に三菱ケミカル物流に社名変更しました。直近の売上高は810億円で、物流業界39位です。
- [倉庫レイアウト図面を作成するならExcelより断然Visioがおすすめ！](https://rikei-logistics.com/visio-warehouse-layout) - 倉庫レイアウトは頭の中で考えていても埒があかず、自分で手を動かして描いてみないと良いものは作れません。すべてのものを同じ縮尺で描ける製図ソフトは、レイアウトをシミュレーションすることを可能にします。通常、製図ソフトは使いこなすのに専門性が必要ですが、Visioはその敷居を低くしています。製図ソフトの民主化です。
- [センコーグループHDの売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/senko) - 祖業は化学物流ですが、今ではチェーンストア向け物流やアパレル物流などを担う流通ロジスティクス事業が売上の半分弱を占めるまでになっています。その流通ロジスティクス事業を強化するために、低温輸送に強いランテックを買収したり、百貨店やアパレル会社の物流子会社を買収してアパレル物流を強化したりと、戦略の一貫性が見られます。
- [トランコムの売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/trancom) - トランコムが20年間に渡って築き上げた13,000社のトラック会社ネットワークを裏付けとする求貨求車サービスは、今後益々深刻化するトラック不足や環境問題を和らげるソリューションとして価値が上がっていくと思われます。その求貨求車サービスを優先的に活用できるトランコムの3PLサービスも今後選ばれる可能性が高くなるでしょう。
- [キユーソー流通システムの売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/krs) - 食品メーカーの物流戦略には最近2つの流れがあります。一つは物流子会社を売却して物流専業業者にアウトソースすること、もう一つは共同物流です。今年初めキユーピーはキユーソーの株式を一部売却し連結子会社から持分法適用関連会社にしました。キユーソーもその流れの上にあるのかもしれません。しかし親会社依存率は既に6.5%です。
- [大塚倉庫の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/otsuka) - 大塚倉庫は大塚グループの豊富なベースカーゴを武器に、食品、医薬品、日用品の業界で共同物流プラットフォームを構築しようとしています。やみくもに量を追うのではなく、綿密なマーケティング戦略に基づき、本当にメリットがある貨物だけを集中的に攻める戦略です。ID運輸やID倉庫というキャッチフレーズでIT化も積極的に進めています。
- [ハマキョウレックスの売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/hamakyo) - ハマキョウレックスの3PL事業は日計収支、アコーディオン方式、日替わり班長制度などに代表される独自のコスト管理方式により、高い競争力を維持しています。2004年に買収した近物レックスの再建も終わり、今後はEC物流におけるラストワンマイルを担うための様々な投資を行っていくことを中期経営計画で表明しています。
- [ヤマトホールディグスの売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/yamato) - ヤマト運輸は路線便や宅急便を日本で初めて事業化したイノベーティブな会社で、一時は宅配便市場の約半分の市場シェアを押さえていました。EC化の波に乗り最も恩恵を受ける企業の一つと思われていましたが、2017年の自らに端を発した宅配クライシスを機に、アマゾンが組織したデリバリープロバイダに市場の浸食を許してしまいました。
- [ニチレイロジグループ本社の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/nichirei) - ニチレイロジグループ本社はニチレイの中間持株会社で、2005年にニチレイの低温物流事業が分社する形で発足しました。2009年にはキューソー流通システムを抜き、日本における食品物流の最大手になっています。世界でも冷蔵倉庫の設備能力で第6位となっています。IT力とエンジニアリング力も高く、理系の活躍の場もあるでしょう。
- [横浜冷凍の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/yokorei) - 横浜冷凍（ヨコレイ）は食品販売事業と冷蔵倉庫事業を手掛ける東証一部上場企業です。このうち食品販売事業が75%を占めますが冷蔵倉庫ではニチレイロジに次ぐ国内2位です。直近2期の決算ではコロナの影響で大幅減収減益となっていますが、これは食品販売事業がコロナによる影響を受けたためで、冷蔵倉庫事業は増収増益をキープしています。
- [SBSホールディングスの売上高／事業内容／強みを物流業界経験者がわかりやすく解説](https://rikei-logistics.com/sbs) - SBSホールディングスは1987年に設立された関東即配が前身です。現社長の鎌田氏が佐川急便で8年間働いた資金を元に立ち上げました。その後物流会社としては急速に成長し2020年12月期の売上は2,572億円、今期は3,800億円を計画しています。これが実現すると物流会社ランキングが13位から10位に食い込むことになります
- [セイノーホールディングスの売上高／事業内容／強みを物流業界経験者がわかりやすく解説](https://rikei-logistics.com/seino) - セイノーホールディングスの中核会社である西濃運輸は太平戦争中の戦時統合により発足した西濃トラック運輸が前身です。日本で初めて全国規模の特別積合せ貨物運送を始めた会社として有名です。特積みからの転換を目指すセイノーのキーワードはO.P.P.（オープン・パブリック・プラットフォーム）、ロジ・トランス、LCC宅配の3つです。
- [鴻池運輸の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/konoike) - 鴻池運輸は1880年創業の老舗物流会社です。ユニークなのは、物流以外の請負サービス業務の割合が50%もあることです。物流会社が荷主であるメーカーとの関係性を強化するために生産工程にまで業務範囲を拡大していくことはよくあります。しかし鴻池運輸のそれはケタが違います。鉄鋼メーカーと食品メーカーが請負サービスの主な顧客です。
- [三井倉庫の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/mitsui) - 三井倉庫は2014年に持株会社制に移行して三井倉庫ホールディングスになりました。現在中心となる事業会社は5社あります。ごく大雑把にいえば元々売上1,000億円くらいだった三井倉庫が、これら4社を取り込むことで売上2,000億円くらいになり、その後5年間でシナジーを発揮して2,500億円まで成長してきたといえるでしょう。
- [ニッコンホールディングスの売上高／事業内容／強みを物流業界経験者がわかりやすく解説](https://rikei-logistics.com/nikkon) - ニッコンホールディングスの前身は日本梱包運輸倉庫で、2015年に持株会社に移行しました。社名から想像できる通り梱包請負から業務を開始し、その後、大型トラックによる輸送、倉庫の順に業務を拡大させてきました。その後も、輸送機器メーカーの物流業務を中心に業務を拡大し、2020年3月期まで11期連続で増収増益を達成しています。
- [住友倉庫の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/sumitomo) - 住友倉庫は大手財閥系倉庫会社の一角で1899年創業の老舗物流会社です。2006年の株式公開買付で上場会社である遠州トラックの株式60%を取得して連結子会社としています。2021年3月期の住友倉庫の売上が1,920億円で、遠州トラックのそれが395億円ですので約20%を占めます。アマゾンの業務を請け負うなど業績好調です。
- [三菱倉庫の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/mitsubishi) - 三菱倉庫は1887年創業で、大手財閥系倉庫会社の中でも最も歴史のある会社です。三菱倉庫の強みは何といっても医薬品物流です。医薬品物流の3PL事業を開始したのは1983年、日本におけるパイオニア的な位置づけで、現在でも高い競争力を維持しています。課題は不動産事業の比率が高いことと、国際フォワーディングの強化でしょう。
- [丸和運輸機関の売上高と事業内容｜アマゾンやスーパー向けの3PLに強み](https://rikei-logistics.com/maruwa) - 丸和運輸機関は1970年に現和佐見社長が創業し、2014年に東証二部上場、2015年には東証一部指定になっています。同社の経営戦略は非常に明快で、小売業向けの3PLに特化しています。スーパーやドラッグストア向けの3PLが中心でいたが、2017年からAmazonのラストワンマイルデリバリーを請け負っており業績絶好調です。
- [アルプス物流の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/alps) - アルプス物流は大手電子部品メーカー、アルプスアルパイングループの物流会社です。2004年には大手電子部品メーカーTDKの物流子会社であるTDK物流と合併し、今では電子部品物流分野におけるプラットフォームを提供しています。海外では中国が強く、その成功体験をどのようにアセアンでも実現していくかが今後の成長を占うでしょう。
- [日新の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/nissin) - 日新は1938年創業で、港湾運送業を源流とする国際物流会社です。陸運、海運、空運を組み合わせた国際複合一貫輸送は、今やどこの国際物流会社でも提供していますが、日本では1968年に日新が行ったのが初と言われています。今では海外23ヶ国に159拠点のネットワークがあります。中でも強いのは中国で、日系物流御三家の一角です。
- [C&Fロジホールディングスの売上高／事業内容／強みを物流業界経験者がわかりやすく解説](https://rikei-logistics.com/cf-logi) - C&Fロジホールディグスは2015年に名糖運輸とヒューテックノオリンが経営統合して誕生した東証一部企業です。2021年の売上は業界33位の1,104億円です。低温物流業界に限るとニチレイロジグループ本社、キユーソー流通システムに次ぐ3位です。名糖運輸はチルド、ヒューテックノオリンはフローズンとうまく棲み分けています。
- [丸全昭和運輸の売上高／事業内容／強みを物流業界経験者がわかりやすく解説します](https://rikei-logistics.com/maruzen) - 丸全昭和運輸は1931年創業で、近年3PLに力を入れている総合物流企業です。1963年には東証一部に上場しています。2021年3月期の売上高は1,211億円で、物流業界では28位です。京浜工業地帯で創業したため、化学や鉄鋼など重厚長大メーカーの顧客が中心です。注目すべきは高い営業利益率で、8.2%は物流業界7位です。
- [大和物流とダイワロジテックの売上高／事業内容／強みをわかりやすく解説](https://rikei-logistics.com/daiwa) - 大和物流は1959年に住宅メーカー大手である大和ハウス工業から独立した物流子会社です。売上高は559億円で、物流業界45位です。大和物流の強みは何と言っても「住宅資材の共同物流」です。大和ハウス工業にはもう１社、ダイワロジテックという戦略物流子会社があります。こちらではピカピカの物流スタートアップと協業しています。
- [FuncAnimationを使って待ち行列の長さを人の表情でアニメーションしてみた](https://rikei-logistics.com/queue-animation2) - 日々忙しい物流の現場では、わざわざ数字をチェックしている暇はないので一目で状況を把握できるような画面が好まれます。そこで今回は数字の大小に応じて人の表情が変わるようなアニメーションをPythonで作成してみました。Matplotlibには図形を描画する機能も豊富に揃っているので形や色を変えながら表情を変えてみました。
- [FuncAnimationを使って待ち行列シミュレーションをアニメーションしてみた](https://rikei-logistics.com/queue-animation1) - Pythonは膨大な回数のシミュレーションができるので、結果をまともにグラフで表示させると見づらくなります。そんな時はアニメーションを使って流れるようにグラフを表示させるとカッコいいですね。そこで今回は１００００回シミュレーションしたトラックの待機台数のグラフをいろいろな方法でアニメーション表示させてみました。
- [トラックの制動距離が荷物が重いほど長くなる理由は「慣性モーメント」](https://rikei-logistics.com/truck-physical) - トラックがブレーキをかけてから停止するまでの距離は空走距離と制動距離に分けられます。制動距離はブレーキをかけてから停止するまでの距離でタイヤと路面との間の摩擦係数や速度が関係してきます。しかしトラックの自重や積載重量によっても変わってくるとする説もあります。実際のところはどうなのでしょうか？物理的に考察してみましょう。
- [【コルレス銀行とは？】SWIFTや決済銀行との関係についてわかりやすく解説](https://rikei-logistics.com/corres) - 「一刻も早く船積書類が欲しいのに海外送金が終わらないから受け取れない」とか「取引先から送金額が足りないと文句を言われた」等、海外送金にまつわるモヤモヤを抱えている方必読です。海外送金は中継銀行を介して行われることがほとんどです。どれだけの銀行を介するのかは送金する国によっても口座がある銀行によっても変わってきます。
- [Pythonですべてのアクションを網羅したブラックジャックを作ってみる（その１）](https://rikei-logistics.com/bj-1) - カジノの中でも還元率の高いゲームとして知られてブラックジャックはPythonプログラミングの練習にも適しているようで、ググれば沢山の事例が紹介されています。ところがこのブラックジャック、アクションの選択肢が多く複雑なためか、すべてのアクションを網羅したPythonコードはなかなか見つかりません。そこで自作してみました。
- [【ルーレットの還元率】理論値通りになるかPythonで百万回シミュレーションしてみた](https://rikei-logistics.com/roulette2) - ルーレットの還元率は確率の計算式で理論値が求められますが、本当に正しいのでしょうか？これを確かめるためにPythonを使って百万回シミュレーションしてみました。アメリカンルーレット、ヨーロピアンルーレット、フレンチルーレット（アンプリゾン方式）、フレンチルーレット（ラパルタージュ方式）すべてについて実験しました。
- [Pythonで単純パーセプトロンの２値分類問題を機械学習させて解いてみた](https://rikei-logistics.com/python-perceptron) - 以前Excelに実装して解いた単純パーセプトロンの２値分類問題をPythonに実装してみました。Udemyの「みんなのAI」で学んだことを試す目的です。この講座では隠れ層があるニューラルネットワークをPythonに実装する方法を勉強したのですが、これをもっと単純な単一ニューロンの問題に適用してみたことになります。
- [【区間推定の使い方】バイオディーゼルに変えた場合の燃費を区間推定する](https://rikei-logistics.com/interval-estimation-2) - 物流会社Aではトラックに使う燃料をB5からB20に変更することを検討しています。そこで150台の保有トラックの中からランダムに15台を選んでB20を使ってもらい燃費を1か月間テストしました。平均は2.98と出ましたがさすがにこれだけのデータで断定するのは無理があります。どの範囲にあると推定するのが適当でしょうか？
- [【区間推定の具体例】トラックに付いているタイヤの摩耗を区間推定する](https://rikei-logistics.com/interval-estimation) - サンプルデータから母集団の平均値を知ろうとすることを推定と言います。推定には点推定と区間推定の2種類があります。自社トラックに付いている1,000本のタイヤについて、1か月間のタイヤの擦り減り度合の平均を知りたいとします。そのために1,000本のタイヤを一度に測定するのは難しいためサンプリング測定してみましょう。
- [【需要を表すグラフはなぜ正規分布になるの？】ヒストグラムを理解しよう](https://rikei-logistics.com/safety-stock-graph) - 安全在庫の説明には必ず正規分布のグラフが出てきます。でも毎日の需要数をグラフにすると正規分布のグラフにはなりません。ヒストグラムになります。そしてこのヒストグラムを近似したものが正規分布のグラフになるのです。この背景を分かっていないと安全在庫は理解できません。どのように正規分布が生まれるのかを順を追って解説します。
- [Microsoft Visioを使った倉庫の建築平面図の作図手順【図面縮尺の設定から】](https://rikei-logistics.com/visio-warehouse-plotplan) - VisioはMicrosoft Officeシリーズの中でも、影が薄く知らない人も多いと思いますが、倉庫レイアウトを描くには最適です。製図ソフトではAutoCADが世界標準ですが建築業界や製造業界向けで、倉庫レイアウトにはVisioで十分です。AutoCADとの互換性もあり、物流業界での世界標準と言ってもいいでしょう。
- [【２年目のジンクスはあるのか？】母比率の区間推定の使い方を具体例で](https://rikei-logistics.com/interval-estimation-3) - 最優秀新人賞を獲ったルーキーが次の年はさっぱりというのは２年目のジンクスと呼ばれます。また選挙で開票速報で開票率が０％なのに当選確実が出ることがあります。これら２つは不思議なことですが、実は母比率の区間推定を勉強すればカラクリが分かります。母集団の大きさに依らず、サンプルの大きさだけで区間推定が決まる不思議な理論です。
- [分散既知の区間推定をベイズ推定でやって同じ結果になるか比較してみた](https://rikei-logistics.com/bayes-vs-traditional) - 古典統計学に出てくる区間推定は、母集団の分散が既知の場合には95%信頼区間で、標本平均±1.96×√(母分散／標本サイズ)で計算できました。一方ベイズ推定では事前確率×尤度で事後確率が更新されますが、その更新回数は標本サイズの数に相当します。どういうことなのか？よく分かりませんね。そこで具体例を使って解説します。
- [【物流業は儲かるのか？】売上高と営業利益率を他業界と比較してみた](https://rikei-logistics.com/logistics-company-abc) - 物流会社ランキング を見れば物流業界の中での売上高や営業利益のランキングはわかりますが、他の業界と比べて物流業界のレベルが低ければ井の中の蛙です。 そこで他業界と比べた物流業界のレベルを調べてみました。売上規模は大きな会社が多いものの、利益率は普通の会社が多く、高い利益率を誇るニッチ企業が少ないことがわかりました。
- [標本に負の数が含まれる場合のジニ指数をPythonで計算【標本合計が負でもOK！】](https://rikei-logistics.com/gini3) - 標本（サンプル）の格差を表すのにジニ指数は用いられますが、全標本が正の数であることを前提としています。例えば、標本が各社の売上高である場合、すべての標本は正の数なのでこの前提を満たします。ところが標本が各社の営業利益である場合、負の数が含まれる可能性があります。このような場合にも使えるような拡張ジニ指数を紹介します。
- [Pythonで適正在庫シミュレーションソフトを作ってみた【単一SKU用】](https://rikei-logistics.com/python-proper-stock1) - 適正在庫理論の正しさを証明するのに適正在庫シミュレーションは用いられます。これはExcelでも作成可能なのですが、Pythonでも作成してみました。Pythonにはいろいろと便利な構文が豊富に用意されているので、VBAと比較して割合簡単にコーディングすることができました。多SKUのシミュレーションへの拡張性もあります。
- [行列演算を使った適正在庫シミュレーションをPythonで実装する【複数SKU用】](https://rikei-logistics.com/python-proper-stock2) - 適正在庫はSKUごとに設定するため適正在庫シミュレーションもSKUごとに行うのが基本です。しかしSKU数が数万とかある会社ではそれは気の遠くなるような話しです。そこで複数SKUのシミュレーションを一気にできるシミュレーションソフトを作ってみましょう。これをExcel VBAでやるのは大変ですがPythonなら簡単です。
- [【SCM分析1】曜日／物流センター別の出荷傾向をグラフで可視化する](https://rikei-logistics.com/scm-analysis-1) - サプライチェーンに関わるデータは膨大でそれを有効活用することで物流を効率化できます。中でも物流センターからの出荷データは基本でそこから得られる洞察は数多いでしょう。このような分析はExcelでもできますが処理能力が足りなかったり分析に長い時間がかかったりします。Pythonを使って分析するとどうなるか試してみました。
- [Pythonで「ヒストグラム＋正規分布の近似曲線」を作成する４通りの方法](https://rikei-logistics.com/histogram2) - ヒストグラムは統計処理において重要なグラフですが、棒グラフや折れ線グラフ等の他のグラフと比べて作成するのに少しテクニックが必要です。また正規分布の近似曲線も併せて表示する場合には更にテクニックが必要です。本記事ではPythonを使った４つの方法を紹介します。Matplotlib、Panda、Seaborn、自作棒グラフ
- [【相関なし／あり】二変量正規分布の3Dグラフをエクセルで作成する方法を実演](https://rikei-logistics.com/3d-graph) - 釣鐘状の正規分布のグラフは有名ですがこれは一変量の正規分布です。これは多変量に拡張できます。でもイメージしにくいですね。そこで視覚的にイメージし易いように二変量の正規分布の3Dグラフをエクセルで作成してみました。二変量に相関がない場合とある場合で式が違ってきます。相関がある場合には相関係数を考慮しないといけません。
- [物流料金設定に必須の加重平均の使い方を具体例を使ってわかりやすく解説](https://rikei-logistics.com/weight-mean) - 平均の取り方には何種類かありますが、物流で良く使う平均は算術平均、加重平均、移動平均の3種類です。今回は加重平均の使い方について解説します。物流の世界ではパレートの法則と言って、上位20%のアイテムで約80%の物量を占めることが少なくありません。そのような場合には物量の重みを付けて平均を取る加重平均がよく用いられます。
- [加重平均と偏差値を使って複合指標のランキングを作る方法を実演！](https://rikei-logistics.com/recruit-ranking) - 人によって就職する会社を選ぶ基準は異なります。そこで偏差値を使って自分に適した会社のランキングを作る方法を紹介します。例として売上、年収、成長率の3つの指標を使った複合ランキングを作成してみます。注意する点は売上や年収はそのままでは正規分布にならないため対数を取って正規分布に換算してから偏差値を計算することです。
- [【数学グッズ】職場で使うにもプレゼントにもお薦め～マグカップ編](https://rikei-logistics.com/mathgoods1) - 最近は数学を学び直す社会人が増えてきています。確率・統計が必須スキルになってきたことや、機械学習を始めとする人工知能を業務に応用するための人材を自社育成し始めている動きが背景にあるようです。今や「数学」はクールで流行りの学問なのです。そんな数学をあしらった「数学グッズ」も増えてきています。今回は「マグカップ編」です。
- [【数学グッズ】職場で使うにもプレゼントにもお薦め～コースター編](https://rikei-logistics.com/mathgoods2) - 前回は数式や図形等をあしらったクールなマグカップを紹介しましたので、今回はその下に敷くコースターを紹介します。コースターはグラスが滑るのを防いだり、テーブルが傷つくのを防いだりしますが、自分のセンスを披露する役割もあります。会社の来客に飲み物を出す時にさりげなく使えば、会社イメージのブランディングにもなるでしょう。
- [重複のある順列／重複のない順列／組み合わせを列挙するアルゴリズムをExcelで](https://rikei-logistics.com/count-by-macro) - 順列や組み合わせのパターン数を求めるのは公式で簡単にできますが、それらのパターンをすべて列挙するのはnが大きくなると人手では困難です。これをExcel VBAでやる方法を紹介します。これらのパターンをすべて書き出すことによって、二項定理や多項定理を使って所望の確率を計算できるようになりますので実務面でも有用です。
- [「条件付き確率」の使い方を具体例を使ってわかりやすく解説【初心者向け】](https://rikei-logistics.com/condition-statistics) - 物流に「確率・統計」は必要か？で、物流ではベイズ統計の利用価値が高いことを紹介しました。このベイズ統計を理解するには、まず条件付き確率を理解する必要があります。条件付き確率を勉強すると、人間の直観を裏切る結果が導けることが分かって面白いと思いますよ。今回は条件付き確率の意味と、その使い方について解説していきます。
- [過放電と過充電はなぜいけないの？リチウムイオン電池が危ない理由は？](https://rikei-logistics.com/battery) - フォークリフトにはエンジン式とバッテリー式がありますが近年ではバッテリー式が主流になってきています。このバッテリーには寿命がありますが使い方が悪いと寿命を早めます。特に過放電と過充電がその主な原因と言われています。なぜ過放電と過充電がいけないのでしょうか？それにはバッテリーでの電子の流れ方を知る必要があります。
- [発電や送電の原理、三相電源のメリットとデメリットをわかりやすく解説します。](https://rikei-logistics.com/electricity) - 電気は磁石を回転させることによって生まれます。これは中学生の時に倣った電磁誘導という現象です。そしてこの時生まれる電気は交流と呼ばれるものです。乾電池から出る電気は直流なので直流が基本だと思いがちですが、電気の基本は交流です。更に工場や倉庫などの事業所ではよくヘンテコなコンセントを見かけますね。これは三相電源です。
- [【2021年版】外資系物流会社売上高ランキング 30社！事業セグメント別に独自調査](https://rikei-logistics.com/3pl-world-ranking) - 世界の３PL企業を対象にグローバル売上高ランキングを作成しました。郵便、宅配便、海運／空運／鉄道事業者を除いた純粋なる３PLだけを対象にしました。その結果、トップ３０社の中に日本の物流会社が７社も含まれているのには驚きました。かつて日本製造業が隆盛を誇っていた頃の遺産でしょうか。このまま衰退しないでもらいたいものです。
- [待ち行列のM/M/1モデルとM/G/1モデルをExcelでシミュレーション](https://rikei-logistics.com/mg1-excel) - 待ち行列モデルは物流の作業分析に大変有用です。最も基礎となるのはM/M/1モデルですが、作業スピードを一般分布で表すことのできるM/G/1モデルの方が実用的かもしれません。しかしM/G/1モデルを解析的に解くのは困難です。そんな時に役立つのが乱数を使った数値シミュレーションでExcelでも簡単に行うことができます
- [【作業分析2】M/M/1モデルとM/G/1モデルの待ち時間をPythonでシミュレーション](https://rikei-logistics.com/mg1-python) - M/M/1やM/G/1の待ち行列をPythonでシミュレーションしてみました。Simpyという離散イベントをシミュレーションするためのライブラリーがありますが、今回はあえて使わずNumpyだけでシミュレーションしました。前回はExcelで待ち行列のシミュレーションをしましたがアルゴリズムをPythonに実装しました。
- [帰り荷が見つかるまで待てる日数を一次方程式でシミュレーションする方法](https://rikei-logistics.com/2-way-transportation) - トラック輸送業者において、帰り荷の確保は利益率改善に大きく貢献します。しかし折角帰り荷が見つかっても、貨物をピックアップするために長い時間待つのでは片荷で帰った方がいいかもしれません。それでは、どのくらい待たされるのなら片荷で帰った方が得なのでしょうか？この問題を中学校で習った一次方程式で解いてみたいと思います。
- [トラック積載率と包装強度のトレードオフを一次不等式で解いてみた。](https://rikei-logistics.com/truck-loading-ratio) - 満載で走っているトラックは多くありません。満載にできない理由は様々ありますが、包装材の強度が足りないために積載できる段数が限られ、荷台の上部が半分くらい空になっているケースがあります。この場合は包装材の強度を上げて積載可能な段数を増やせば、容易に単位貨物当たりの輸送コストを削減できるはずですがコストが制約になります。
- [【6つの方法を実演！】Excelで最小二乗法を計算する方法をわかりやすく](https://rikei-logistics.com/least-square2) - Excelを使って単回帰分析を最小二乗法で解く解法には少なくとも6つはあります。回帰式の公式を使って共分散から計算する方法、ソルバーを使う方法、行列を使う方法、SLOPE関数を使う方法、LINEST関数を使う方法、散布図でトレンドラインを入れる方法の６つです。人それぞれ事情がありますので、必要に応じて使い分けて下さい。
- [【物流自動化の投資対効果】バイアスが取り除かれることによる大きなメリット](https://rikei-logistics.com/logistics-automation) - 物流の作業を自動化することによるメリットは人件費の削減だけではありません。売上増によるメリットの方がはるかに大きいケースもあります。人は易きに流れる生き物ですので、自分を守るためにできるだけリスクの小さいオプションを選ぶ傾向がります。そういう作業を自動化すると思いがけないほどの大きなメリットがあるかもしれません。
- [Excel VBAで「合計」を計算する２通りの方法をわかりやすく解説](https://rikei-logistics.com/how-to-excel-macro2) - Excel VBAで合計を計算する方法には、大きく分けて２通りあります。１つはFor文で繰り返し計算する方法、もう１つはExcel関数の中にあるSUM関数を使う方法です。一般的なプログラミング言語ではFor文を使うのが普通ですが、Excel VBAにはExcelシートの関数をそのまま使えるというメリットがあります。
- [【サンプル付き】最低発注ロットを考慮した在庫シミュレーションの作り方 by Excel VBA](https://rikei-logistics.com/excel-macro-orderlot) - 前回の記事で、適正量を発注したら在庫推移がどうなるかをシミュレーションするソフトを、エクセルマクロを使って作成する方法を解説しました。 このソフトでは商品1個単位で発注することを想定していましたが、実際にはまとまった単位でしか発注できないことがほとんどです。今回は最低発注ロットを考慮する機能を追加していきます。
- [【荷主／物流会社別】保管料の交渉方法｜請求体系の違いによる損得を理解する](https://rikei-logistics.com/warehouse-cost-negotiation) - 倉庫の保管料金にはいろいろな課金体系があります。倉庫がスカスカになって利益がなくなるリスクを抑えるために、物流会社はなるべく保管料を固定料金にしようと考えます。対して荷主会社はなるべく変動料金にしようと考えます。交渉相手が何を考えているかが分かれば、交渉で優位に立つことができます。両者の手の内を明かします。
- [エクセルを使って正規分布の乱数を生成する方法をわかりやすく解説](https://rikei-logistics.com/randam-by-excel) - モンテカルロシミュレーションでは大量の乱数を使ってシミュレーションを繰り返しますので乱数を高速に生成する必要があります。中でもよく使う正規分布乱数はExcelで簡単に生成することができます。ポイントは確率密度関数ではなく累積密度関数を使うことと、その分布のyからxを一意に求める逆関数を使うことです。
- [【モンテカルロ積分】難しい積分をExcelで簡単に計算する方法を実演！](https://rikei-logistics.com/monte-carlo-integral) - 数学が赤点だった人に朗報！そんな人でも、東大に合格するよう人でも解けない難しい積分が解ける方法を紹介します。それはモンテカルロ積分です。難しそうな名前ですが、やり方は極めて簡単！Excelを使える人であれば、数学の天才でも解けないような難しい積分でも簡単に解けてしまいます。積分の記号や式は一切使わずに解説します。
- [モンテカルロ法で円周率πと任意の図形の面積を求める方法をExcelで実演！](https://rikei-logistics.com/pi) - モンテカルロ法を使えば「変な図形」の面積の近似値も求めることができます。モンテカルロ法の入門事例としては円周率πの近似値を求める問題が有名ですが、これは円の面積の近似値を求めています。従って同じやり方でどんな図形の面積の近似値でも求められるのです。但し、図形の式は分かっている必要はあります。Excelで実演します。
- [サポートベクターマシンにラグランジュの未定乗数法を適用して制約条件付き最小化問題を解く](https://rikei-logistics.com/svm) - サポートベクターマシンは考え方はわかりやすいのですが、最適化問題への定式化やその解き方を理解することは意外と難しいですね。本記事ではどうやって制約条件付きの最小化問題に帰着するのか？と、それがどのようにラグランジュの未定乗数法と結びつくのかを簡単な例題を使いながら解説します。ポイントはパラメータを確認することです。
- [Excelで積分を近似計算する方法｜台形公式で超複雑な関数の面積を求める実用テクニック](https://rikei-logistics.com/integral-excel) - 微分と同じように積分もExcelによる数値計算で簡単に求めることができます。ポイントは短冊状に切り刻んで、それぞれの台形の面積を足し合わせることです。細かく切り刻むほど精度が上がりますが、Excelでやれば単にコピペするだけですのでいくらでも切り刻めます。モンテカルロ法もExcelで積分計算を行うのに適した方法です。
- [グーゴル問題をExcelで数値的にモンテカルロシミュレーションしてみた](https://rikei-logistics.com/googol) - 多数の選択肢の中から順番に見ていってベストを選びたい時、良さそうなものをキープしておけない条件下では結構難しい問題になります。この問題は任意の数を書いて伏せてある複数の紙を順番にめくっていき最大の数だと思うところでストップ、その数が最大値だったら勝ちというゲームと同じです。これはグーゴル問題として知られていています。
- [Pythonは使うけどライブラリは使わずに最小二乗法を３つの方法で解いてみた](https://rikei-logistics.com/udemy6) - 機械学習の基本中の基本といわれている単回帰分析をPythonに実装する４つの方法を試してみました。単回帰分析の公式をPythonにそのまま実装する方法を２つ、行列を使って解く方法、最後にscikit-learnを使って一遍に解く方法です。実際にはscikit-learnを使うのでしょうが理論の理解にはなると思います。
- [【SCM分析3】Pythonで出荷データから周期変動と長期トレンドを分離する](https://rikei-logistics.com/seasonal-python) - 適正在庫管理は需要予測ができれば簡単です。極端にいえば需要予測が１００％の精度でできれば安全在庫はゼロです。この需要予測の一番簡単な方法は直近データの平均を取ることですが、もっと精密に需要予測を行うためにはトレンド成分や周期変動を需要データから分離することが第一歩になります。Pythonでその分解をやってみました。
- [運輸・物流企業のPER＆配当性向＆株主総利回りランキング【2022年版】](https://rikei-logistics.com/edinet3) - 物流会社は投資魅力があるのでしょうか？最近は日本株が世界的に見直されていますが、代表的な投資指標であるPER（株価収益率）、配当性向、株主総利回りを調べてみました。データソースはEDINETです。一つひとつ調べるのは面倒なので、Pythonを使ってEDINET APIへアクセスして5年分のデータを自動収集しました。
- [【2022年版】運輸・物流企業の営業利益率＆ROEランキング83社](https://rikei-logistics.com/edinet2) - コロナ前後で物流企業の営業利益率と自己事本利益率はどのように変化したのでしょうか？打撃を受けた会社がある一方で、ありえないくらいに利益率を向上させた会社もあります。その代表格は海運会社です。ひとつひとつ調べるのではなく、前回と同様にPythonのプログラムを使ってEDINET APIからデータを自動収集しました。
- [【2021年版】日本の3PL企業ランキング63社！｜7つの財務指標で徹底比較](https://rikei-logistics.com/ranking) - 2021年度3月期の有価証券報告書のデータを元に、3PL物流会社についてのランキングを作成しました。上場企業だけでなく非上場企業も併せた主要63社のランキングです。売上高、営業利益、売上高成長率、増益率、ROA(総資産利益率)、自己資本比率についてのランキングですので、いろいろな角度から物流会社を比較してみて下さい。
- [【2022年最新版】物流業界ランキング60社～コロナ禍で伸びた会社はここだ！](https://rikei-logistics.com/ranking-2022) - 今年も各社の決算が出揃う時期がやってきました。そこで人気記事の物流企業ランキング2022年度版を作成しました。毎年ランキングを更新しても実はほとんど変わらないので面白くないですね。そこで売上高と営業利益について2年前の数字と比較してコロナ禍による影響を調査しました。その結果、非常にはっきりとした傾向が現れてきました。
- [【物流会社 or 荷主の物流部門】どちらで働く方がお得なのか？](https://rikei-logistics.com/which-is-better) - 物流の仕事に就きたい場合それは物流会社での仕事だけに限りません。荷主会社で働く選択肢もあります。ただし求められるスキルは異なります。ザックリ言うと荷主の物流部門はサプライチェーンの上流業務、物流会社は下流業務と言えます。それぞれ大事な業務なのですが日本では両者間の行き来が少ないため双方に通じた人材が少ないのが実情です。
- [製造業のカイゼン手法は物流業では使えない｜SCMが重要な理由](https://rikei-logistics.com/maker) - 物流業は、何かと製造業の真似をしたがります。製造業には工場があり、そこでの管理手法はここ100年ほどの間に確立されています。物流業にとり製造業は大事な顧客ですので、顧客から管理レベルをある程度揃えるように求められるという事情はあります。製造業と違い、物流業から独自の管理手法が出てきてないという事情もあります。
- [物流センターはなぜ必要なのか？その3つの役割についてわかりやすく解説](https://rikei-logistics.com/logistics-center) - 物流センターとは何でしょうか？ネットで検索すると物流センターには5種類あるとか、入庫・保管・ピッキング・流通加工・検品・包装の作業があるとかいろいろな情報が出ています。でも、これらの作業があると知ったところで「ふーん」と思うだけで「物流って面白そうだ！」と思う人は皆無でしょう。まずは目的から説明する必要があります。

## 固定ページ

- [物流２０２４年問題を数学で解決するためのヒント](https://rikei-logistics.com/) - 物流と数学。一見何の関係もなさそう、むしろ水と油のような関係に思えますが、実はこの２つ非常に相性が良いのです。自分のペースで生産できる製造業と違い、物流のようなサービス業は需要があればすぐに対応しなければなりません。将来の需要を読まないと効率化ができないのです。それには皆が嫌いだった確率と統計が有効です。
- [お問い合わせ](https://rikei-logistics.com/inquiry-business) - 氏名 会社名 メールアドレス 題名 メッセージ本文 Δ
- [お問い合わせフォーム](https://rikei-logistics.com/home) - 約20年前に「旅するような働き方」を目指して製造業界から物流業界に転職しました。現在6か国目に駐在中です。最初はメーカーの技術職からエンジニア軸で物流業界に入り、そこから専門分野を広げてきました。その間、一貫していたのは「物流を数学で解決する」ことです。物流業界には数学で解決できる問題が沢山転がっていました。
- [プライバシーポリシー](https://rikei-logistics.com/privacy-policy-2) - 基本方針 当サイトは、個人情報の重要性を認識し、個人情報を保護することが社会的責務であると考え、個人情報に関す
- [適正在庫理論を極める](https://rikei-logistics.com/stock-top) - 需給調整／業務改善の求人数が多いのはここだ！ まずは統計の基本から 【二項分布が正
- [ロジスティクスエンジニアリングを理解する](https://rikei-logistics.com/le-top) - ロジスティクスエンジニアリングの求人数が多いのはここだ！ Visioで図面を描く
- [【著作権放棄！】適正在庫シミュレーションソフトをすべて公開します。](https://rikei-logistics.com/free-download) - 本サイトで解説したシミュレーション方法については、すべてプログラムファイルを公開しています。私が自作したもので著作権フリーですので自由に改良して使っていただいて結構です。適正在庫シミュレーションについては有料ソフト並みの機能があると思います。エクセルやマクロ（VBA）でここまでできるのだということを実感してみて下さい。
- [数学を学び直す](https://rikei-logistics.com/math-top) - 微分・積分 図面でも地図でも！画像から実寸の面積をExcelで計算する２つの方法 2022年6月12日2025
- [Excelで学ぶAI](https://rikei-logistics.com/ai-top) - ベイズ推定 ベイズ推定の適用例を公式を使わずに解いてみて、直感的に理解する 2022年5月26日2024年5月
- [確率・統計を学び直す](https://rikei-logistics.com/stas-top) - まずは確率・統計理論の基礎から Pythonは使うけどライブラリは使わずに最小二乗法を３つの方法で解いてみた
- [三国間貿易の注意点](https://rikei-logistics.com/triangle-top) - 投稿は見つかりませんでした

## Downloads

- [ポアソン分布乱数を生成する2通りの方法](https://rikei-logistics.com/sdm_downloads/random-poisson)
- [多次元正規分布を行列を使ってエクセルで計算](https://rikei-logistics.com/sdm_downloads/multi-normal-distribution)
- [モンテカルロ法で先入れ先出しの保管効率を確率的にシミュレーション](https://rikei-logistics.com/sdm_downloads/montecarlo-simulation)
- [先入れ先出しの保管効率をシミュレーション](https://rikei-logistics.com/sdm_downloads/fifo-simulation)
- [季節変動を考慮した適正在庫シミュレーション](https://rikei-logistics.com/sdm_downloads/simulation-moving-average)
- [発注ロットを考慮した適正在庫シミュレーション](https://rikei-logistics.com/sdm_downloads/simulation-order-lot)
- [汎用的な適正在庫シミュレーション by Excel VBA](https://rikei-logistics.com/sdm_downloads/simulation-generic)
- [適正在庫シミュレーション（複数SKU用）by Excel VBA](https://rikei-logistics.com/sdm_downloads/simulation-multi-excelvba)
- [適正在庫シミュレーション（単一SKU） by エクセル](https://rikei-logistics.com/sdm_downloads/simulation-excel) - エクセルで適正在庫シミュレーションを行うサンプルファイルです。

## カテゴリー

- [物流業界](https://rikei-logistics.com/category/tenshoku_knowhow)
- [国際物流](https://rikei-logistics.com/category/il) - 国際物流では「数学」を使う場面はあまり多くありませんが、長く関わってきた分野なので書くことにしました。一口に国際物流と言っても、物流会社の人がする業務と荷主会社の人がする業務は、かなり明確に分かれています。両者にとって興味深い内容とすべく、境目に近い業務を中心にトピックを選びました。
- [日本企業研究](https://rikei-logistics.com/category/tenshoku_knowhow/company-survey) - 物流企業はたくさんありますが、それぞれ業務内容は異なります。また得意分野も異なります。例えばフォワーディング会社は売上高が大きいため何でもできる物流会社だと思ってしまいがちですが、倉庫業を専業とする中堅企業に倉庫業務では叶いません。また得意とする業界もそれぞれ異なります。そのあたりを会社ごとに掘り下げてみました。
- [日本企業ランキング](https://rikei-logistics.com/category/tenshoku_knowhow/ranking) - 日本の物流企業を「売上高」、「営業利益」、「売上高営業利益率」、「当期利益」、「4年間の売上高増加率」、「4年間の営業利益増加率」、「4年間の当期利益増加率」などでランキングします。2021～2023年版まであります。2023年からはinvesting.comからデータを取得しているので、株式投資する人のための投資指標でもランキングしています。
- [コラム](https://rikei-logistics.com/category/tenshoku_knowhow/column) - 物流業は儲かるのでしょうか？物流会社と荷主会社の物流部門、どちらで働くのが得なのでしょうか？３PLや４PLって何？今さら聞けないけど物流センターの役割って何でしょう？製造業の工場業務と物流業の倉庫業務はどのような違いがあるのでしょうか？
- [確率](https://rikei-logistics.com/category/eb/prob-math) - マルコフ連鎖はどんな場面で応用できるの？正規分布、ポアソン分布、指数分布、二項分布、多項分布、負の二項分布などの確率分布はどんな場面で応用できるの？確率と尤度ってどんな違いがあるの？そもそも確率ってどうやって計算するの？プロ野球で完全試合を達成する確率は？ノーヒットノーランとどれくらい違うの？等
- [統計](https://rikei-logistics.com/category/eb/stat-math) - 標準偏差はnで割るの？n-1で割るの？回帰分析って何？Excelで回帰分析をやる方法は？最小二乗法と最小絶対値法の違いは？分散の加法性って何？物流とどう関係するの？共分散って何？相関係数との関係は？z検定やt検定って何？等
- [フォワーディング](https://rikei-logistics.com/category/il/forwarding) - 積み地国と揚げ地国の法人間でどうやって利益配分をしているの？マスターコレクト／ハウスプリペイドでは船社への支払いと顧客への請求を各国法人間でどのように決済しているの？案件を獲得した国が積み地国でも揚げ地国でもない場合はどうやって利益を配分するの？等
- [その他](https://rikei-logistics.com/category/il/other2) - 1,000ドル海外送金されてくるはずなのに900ドルしか着金確認できないのはなぜ？コルレス銀行やSWIFTって何？ノンデポコルレス銀行って何？海外ベンダーとの売買契約書の裏に書いてある裏面約款の重要チェックポイントは？等
- [数学グッズ](https://rikei-logistics.com/category/eb/math-goods) - 今や「数学」はクールで社会人に必須のスキルになりました。自分の身の回りのものや、誰かへの贈り物に「数学グッズ」はいかがでしょう。
- [輸送管理](https://rikei-logistics.com/category/tpt)
- [配車を効率化する](https://rikei-logistics.com/category/tpt/dp) - ある程度の物量がある場合、トラック輸送は複数の業者に委託します。その時、定常的に安定した輸送能力を確保するためには、自社都合だけでなく業者の都合も考えた配車組みを考える必要があり、整数計画法の集合被覆問題で定式化できます。また古典的な輸送計画問題も使えるシーンはありますが、在庫管理の観点から注意点もあります。
- [最短経路を求める](https://rikei-logistics.com/category/tpt/ro) - モノをA地点からB地点に運ぶのに最短距離で運べる経路、最短時間で運べる経路、最小コストで運べる経路を知りたい時、Google地図ルート検索やYahoo!路線情報やカーナビ等いろいろな方法がありますが、すべてダイクストラ法が基本になっています。また線形計画法でも解くことができます。これをExcelでわかりやすく解説します。
- [積載率を高める](https://rikei-logistics.com/category/tpt/lo) - トラックやコンテナの積載率を最大化する問題は、多くの場合、各種制約条件の元で最適解を求める線形計画法に定式化することができます。また品質とコストが多くの場合トレードオフの関係にあるように、これらのトレードオフを一次方程式や一次不等式の形で定式化することもできます。身近な具体例を紹介します。
- [燃料サーチャージの事例](https://rikei-logistics.com/category/tpt/fs) - 飛行機や船では当たり前の燃料サーチャージはトラック輸送ではなかなか受け入れてもらえませんが、最近はそうも言っていられなくなりました。一方、海外ではトラック輸送の燃料サーチャージは普通に導入されているので、その事例を紹介します。また導入する際の注意点についても解説します。
- [倉庫管理](https://rikei-logistics.com/category/wh)
- [保管効率をシミュレーションする](https://rikei-logistics.com/category/wh/so) - 倉庫の有効保管スペースをどのくらい活用しているかは、倉庫管理の中でも重要なKPIの一つです。しかし余程暇な倉庫でない限りは在庫は常に流動しているため、確定的に求めることは意外と困難です。そのような場合にはモンテカルロシミュレーションにより確率的に求めるやり方が有効です。
- [倉庫料金をうまく交渉する](https://rikei-logistics.com/category/wh/sn) - 「倉庫料金が高いのか安いのかよくわからない」「３期制って何？」「今まで日単位だった保管料金を週単位に変えたいと提案されたけど何か損しそうな気がする」このように保管料金はわかりにくく、うっかりしているとまんまと物流業者の言いなりになってしまいます。そうならないようなポイントを解説します。
- [倉庫レイアウトを設計する](https://rikei-logistics.com/category/wh/ld) - 貨物の保管数量の見込みがわかっていれば、保管スペースを決めることは難しくありませんが、入出庫作業スペースを決めるのは意外と困難です。時間単位での作業量が確率的に変動するためです。そのような場合には確率論を使って論理的に考えることができます。
- [Visioでレイアウト図面を描く](https://rikei-logistics.com/category/wh/vi) - 倉庫レイアウト図面をExcelで描いていませんか？これでは正確な図面を描くことはできません。かといってAutoCADを使うのはハードルが高い、そのような時に最適なのがVisioです。いろいろなステンシルが用意されていて簡単に本格的なレイアウト図面を描くことができます。縮尺の設定さえできれば後は簡単です。
- [在庫管理](https://rikei-logistics.com/category/im)
- [安全在庫を適正化する](https://rikei-logistics.com/category/im/it) - 安全在庫は納品リードタイムや需要の標準偏差などを使って計算することができますが、需要の少ないBC商品ではこの手法が使えないことがあります。その場合には需要収集期間を延ばして正規分布にしたり、ポアソン分布や指数分布の性質を利用して安全在庫を求めるやり方があります。
- [在庫集約の効果を数値化する](https://rikei-logistics.com/category/im/iv) - 在庫削減するために在庫拠点を集約することがよく行われます。しかしただ倉庫を集約するだけで在庫削減はできません。商品アイテムごとに需要傾向は異なりますが、それにより大きく在庫削減できるアイテムもあれば、そうならないアイテムもあります。そのカギは需要の分散です。分散の加法性や共分散を理解する必要があります。
- [在庫シミュレーションする](https://rikei-logistics.com/category/im/si) - いくら在庫理論に基づいて安全在庫を設定しても、現場からの理解を得られないと実行には移せません。そのような場合に「新しい安全在庫でこのように発注すれば在庫推移はこのようになりますよ」ということを示す在庫シミュレーションは大変有効です。Excelによる方法とPythonによる方法を解説します。
- [サプライチェーンを分析する](https://rikei-logistics.com/category/im/sa) - 単なる物流業者叩きによるコスト削減ではなく、サプライチェーン・マネジメントによるコスト削減を目指すのであれば、まずは自社の物流特性を知ることが初めの一歩です。商品アイテムごとの需要特性や輸送ルートごとの積載率など、サプライチェーン分析の具体的な方法を紹介します。
- [発注を効率化する](https://rikei-logistics.com/category/im/oo) - 適正在庫を実現するためのカギは発注の適正化です。簡単な方法では発注点と発注量の決め方がカギになります。また単に在庫水準を保つだけでなく、商品価格まで考慮して調達の粗利益を最大化したい場合には、整数計画法の一種であるナップザック問題が役に立ちます。その他、マルコフ連鎖の活用方法を紹介します。
- [数理基礎](https://rikei-logistics.com/category/eb)
- [微分](https://rikei-logistics.com/category/eb/di) - 微分なんて分からないし、見たくもないという人でもExcelを使えば簡単に微分が計算できます。学生の頃は難しい関数の微分を求める問題をやらされましたが、そんな知識は一切必要ありません。また簡単な関数の微分なら知っているという人なら、計算グラフを使えば複雑な関数も簡単な関数の微分の積み重ねで計算できます。
- [積分](https://rikei-logistics.com/category/eb/in) - 積分なんて分からないし、見たくもないという人でもExcelを使えば簡単に積分が計算できます。台形の面積の求め方を知って入ればどんな関数でも積分できます。またモンテカルロ法という乱数を使う方法もあります。こちらの簡単なExcelの関数さえ知っていれば計算できます。また関数の式が分からなくても積分できる（面積を求める）方法もあります。
- [行列](https://rikei-logistics.com/category/eb/mt) - 学生の頃、行列なんか勉強してなんの役に立つんだと思った人も多いのではないでしょうか？行列を使えば複数の方程式を一度に計算できてしまいます。例えば高次の回帰式の係数を求めたい場合には、行列を使えば非常に美しく解くことができます。
- [AI by Excel](https://rikei-logistics.com/category/eb/ai2) - ニューラルネットワーク、逆誤差伝播法、勾配降下法、強化学習、サポートベクターマシン、遺伝的アルゴリズム、ベイズ推定などの原理を理解し易いようにExcelで実装してみました。Pythonではライブラリを使えば簡単に実装できてしまいますが、簡単が故にブラックボックスになってしまいます。そこをExcelで解明します。
- [その他](https://rikei-logistics.com/category/eb/ot2)
- [待ち時間をシミュレーションする](https://rikei-logistics.com/category/wh/qs) - 製造業における工場のように自分で立てた計画通りに作業を進められるわけではない倉庫では、待ち時間をいかにうまくマネジメントできるかが作業効率を上げる肝です。この待ち時間は「待ち行列理論」を使うことでシミュレーションできます。そしてそれを倉庫レイアウト設計に利用したり、作業員のスケジューリングに使ったりすることができます。
- [需要予測を自動化する](https://rikei-logistics.com/category/im/fc) - 一昔前までは高価な需要予測パッケージソフトを導入しなければできなかったような需要予測が、最近ではほんの少し頑張れば自前でできるようになってきました。特にPythonには需要予測のための便利なライブラリがあり、これを使えば高度な需要予測アルゴリズムを簡単に無料で実装できます。
- [ローカルチャージ](https://rikei-logistics.com/category/il/doc-fee) - THCって誰が請求するの？コンテナターミナルは船社が運営しているの？DOC FEEって何をするための料金なの？D/O FEEって誰が請求するの？なぜ消費税がかかる項目とかからない項目があるの？消費税の不課税と非課税と免税の違いは？THCやDOC FEEの世界相場はどれくらいなの？ドル建てで比較した日本のTHCやDOC FEEはどうなの？等
- [B/L](https://rikei-logistics.com/category/il/bl) - ハウスB/LとマスターB/Lって何？プリペイドとコレクトって何？ハウスプリペイドとハウスコレクトはどうやって決まるの？マスタープリペイドとマスターコレクトってどうやって決まるの？等
- [少額免税](https://rikei-logistics.com/category/il/deminimis) - 少額輸入貨物に適用される簡易税率って何？少額免税って何？革靴に少額免税は適用されないの？なぜ16,667円までが免税になるの？個人使用目的と商業目的とでは関税が異なるの？別送品って何？他の国でも少額免税はあるの？アジアの少額免税の基準は？抜け道はあるの？等
- [ハンドキャリー](https://rikei-logistics.com/category/il/handcarry) - 商業貨物の旅具通関（ハンドキャリー）とは？個人輸入との違いは？一般通関との違いは？旅具通関の２通りの申告方法とは？家具のような大きな貨物を個人輸入できるの？航空貨物代理店や税関とやり取りしながら自分で航空貨物の輸入通関をする方法等
- [三国間貿易](https://rikei-logistics.com/category/il/triangle) - 三国間貿易（仲介貿易）って何？三国間貿易をするメリットは？三国間貿易で出てくる親L/Cと小L/Cって何？リインボイスやスイッチインボイスって何？D/A決済／D/P決済／T/T決済の違いは？三国間貿易でL/C決済とT/T決済が混在している場合の注意点は？等
- [原産地証明](https://rikei-logistics.com/category/il/co) - Form DやForm Eって何？特定原産地証明書と一般原産地証明書との違いは？どこが発給するの？第三国を経由しても原産地証明書は有効なの？Back to Back C/O（連続する原産地証明書）って何？Back to Back C/Oを取得できる条件とは？最恵国待遇って何？等
- [外資企業ランキング](https://rikei-logistics.com/category/tenshoku_knowhow/global-ranking) - 世界にはメガフォワーダーと呼ばれる売上高10兆円を超える巨大物流会社が何社かあり、営業利益率でも50%を超える会社も何社かあります。巨大物流企業は欧米や中国に多いのですが、他のアジアの物流会社の規模はどれくらいなのでしょうか？現地で働いている人しか知らないと思いますので、東／東南アジアのランキングも作成しました。
- [外資企業研究](https://rikei-logistics.com/category/tenshoku_knowhow/foreign-company) - 世界の巨大物流企業はどんな業務内容でどのような経緯で大きく成長したのでしょうか？欧米ではとにかく取り扱い物量を増やして規模の経済の恩恵を受けるために、時間を買うために買収することが活発に行われています。そのため会社名もたびたび変更になります。そのあたりの歴史を振り返ってみました。
- [工学](https://rikei-logistics.com/category/eb/eng) - 物流センターにも工場ほどではありませんが、電気／制御は使われています。三相電源と単相電源はどうやって使い分けるのだろう？電動フォークリフトのバッテリーを過放電するってどういうことだろう？自動制御のために使われるPLC（シーケンサ）ってどういう役割をしているのだろう？等を解説します。
- [順列](https://rikei-logistics.com/category/eb/permutation) - すべてのパターンをしらみつぶしに計算すれば、どれが一番いいのかが分かります。これを最適化計算と言いますが、そのためには順列と組み合わせを理解しておくことが必要です。また順列と組み合わせを求める公式では何通りあるということしか分かりませんが、Excel VBAを使えばすべての順列や組み合わせを列挙することが可能です。
- [サイクルタイムを求める](https://rikei-logistics.com/category/wh/cycle-time) - １つの貨物を処理するのにかかる時間＝サイクルタイムを求めることは意外と困難です。しかしこれを求めて短縮できるようにマネジメントすることは、倉庫の作業効率を上げる肝になります。なぜサイクルタイムを求めることは難しいのか？それは各工程間では絶対に貨物の滞留が起きるからです。これは待ち行列理論を使って定量化できます。
- [車両管理を科学する](https://rikei-logistics.com/category/tpt/why) - 運賃を計算する時に1m3を何キログラムと見なすかはトラック輸送／航空輸送／海上輸送で三者三様です。なぜこのようなことになるのでしょうか？倉庫の床荷重の単位はkg/m2で表すこともあればN/m2で表すこともあれば、ただ単にTで表す場合もあります。なぜこんなにバラバラなのか、その経緯を解説します。
- [作業品質を定量化する](https://rikei-logistics.com/category/wh/quality-science) - 作業のミスや事故は確率的に起こります。従ってこれを予測するには確率分布に当てはめるのが理にかなっています。多くの場合はポアソン分布や指数分布が使われます。またこれらの確率分布に当てはめるには分布の形を一意に決めるパラメータを推定することが必要です。この決め方をExcelを使って解説します。
- [投資判断を定量化する](https://rikei-logistics.com/category/tpt/decision-making) - 計画が成功するかどうかが確率でしか分からない時の投資判断は困難です。未来のことは誰にも分かりませんが、成功確率の前提をもとに投資判断をする場面は数多くあります。そのような場合にディシジョンツリーやマルコフ連鎖を使って合理的な投資判断をすることができます。
- [カイゼン効果を定量化する](https://rikei-logistics.com/category/wh/kaizen) - カイゼン効果があった！と主張しても「たまたまでしょ」と言われることがあります。少ないデータでも効果があったと主張するためには「検定」特に「t検定」が有効です。
- [Web App](https://rikei-logistics.com/category/web-app) - 一昔前までは高価なソフトウェアを購入しないとできなかったシュミレーションや解析が、今ではPythonで自作できるようになっています。その便利さを実感してもらうためにWebアプリを作りました。PythonのライブラリであるStreamlitを使っています。
- [CASINO](https://rikei-logistics.com/category/casino) - 管理人の住むカンボジアではカジノは合法です。確率論と親和性の高いカジノ。果たして確率論をうまく使ってカジノで勝てるようになるでしょうか？巷で盛んに喧伝されている「カジノの必勝法」は本当なのでしょうか？確率論とシミュレーションで明らかにします。
- [ルーレット](https://rikei-logistics.com/category/casino/roulette)
- [ブラックジャック](https://rikei-logistics.com/category/casino/black_jack)

## タグ

- [安全在庫](https://rikei-logistics.com/tag/safety-stock)
- [適正在庫](https://rikei-logistics.com/tag/proper-stock)
- [適正在庫シミュレーション](https://rikei-logistics.com/tag/proper-stock-simulation)
- [標準偏差](https://rikei-logistics.com/tag/stdev)
- [季節変動](https://rikei-logistics.com/tag/seasonality)
- [確率](https://rikei-logistics.com/tag/probability)
- [モンテカルロシミュレーション2](https://rikei-logistics.com/tag/monte-simulation)
- [倉庫](https://rikei-logistics.com/tag/warehouse)
- [正規分布](https://rikei-logistics.com/tag/normal-dist)
- [乱数](https://rikei-logistics.com/tag/random)
- [保管コスト](https://rikei-logistics.com/tag/storage-cost)
- [倉庫レイアウト作図](https://rikei-logistics.com/tag/visio)
- [二項分布](https://rikei-logistics.com/tag/bino-dist)
- [最尤推定](https://rikei-logistics.com/tag/most-likelihood-infer)
- [プロ野球](https://rikei-logistics.com/tag/pro-baseball)
- [ベイズ推定](https://rikei-logistics.com/tag/bayes-inference)
- [幾何分布](https://rikei-logistics.com/tag/geo-dist)
- [指数分布](https://rikei-logistics.com/tag/expo-dist)
- [ガンマ分布](https://rikei-logistics.com/tag/gamma-distribution)
- [ポアソン分布](https://rikei-logistics.com/tag/poisson)
- [負の二項分布](https://rikei-logistics.com/tag/neg-bino-dist)
- [多項分布](https://rikei-logistics.com/tag/multinomi-dist)
- [カイ二乗検定](https://rikei-logistics.com/tag/xisquare-test)
- [最適化](https://rikei-logistics.com/tag/optimization)
- [AI](https://rikei-logistics.com/tag/ai)
- [分散](https://rikei-logistics.com/tag/variance)
- [中心極限定理](https://rikei-logistics.com/tag/central-limit)
- [行列](https://rikei-logistics.com/tag/matrics)
- [ベイズ統計](https://rikei-logistics.com/tag/bayes-statistics)
- [回帰](https://rikei-logistics.com/tag/regression)
- [共分散](https://rikei-logistics.com/tag/co-variance)
- [確率分布](https://rikei-logistics.com/tag/prob-dist)
- [最尤法](https://rikei-logistics.com/tag/most-likelihood-methods)
- [モンテカルロ積分](https://rikei-logistics.com/tag/monte-integer)
- [モンテカルロシミュレーション](https://rikei-logistics.com/tag/monte-methods)
- [最小二乗法](https://rikei-logistics.com/tag/least-square)
- [勾配降下法](https://rikei-logistics.com/tag/gradient-descent)
- [遺伝的アルゴリズム](https://rikei-logistics.com/tag/genetic-algo)
- [サポートベクターマシン](https://rikei-logistics.com/tag/support-vector-machine)
- [カーネルトリック](https://rikei-logistics.com/tag/karnel-trick)
- [強化学習](https://rikei-logistics.com/tag/reinforced-learning)
- [尤度](https://rikei-logistics.com/tag/likelihood)
- [微分](https://rikei-logistics.com/tag/differential)
- [誤差逆伝播法](https://rikei-logistics.com/tag/backpropagation)
- [積分](https://rikei-logistics.com/tag/integer)
- [中継貿易](https://rikei-logistics.com/tag/inter-trade)
- [Form D](https://rikei-logistics.com/tag/form-d)
- [カテゴリ分布](https://rikei-logistics.com/tag/category-distribution)
- [ベルヌーイ分布](https://rikei-logistics.com/tag/bernoulli)
- [ベータ分布](https://rikei-logistics.com/tag/beta)
- [グローバル](https://rikei-logistics.com/tag/global)
- [確率理論](https://rikei-logistics.com/tag/prob-theorem)
- [ニューラルネットワーク基礎](https://rikei-logistics.com/tag/nn-basic)
- [在庫理論](https://rikei-logistics.com/tag/inventory-theorem)
- [輸配送](https://rikei-logistics.com/tag/transportation)
- [基礎演算](https://rikei-logistics.com/tag/basic-math)
- [順列組合せ](https://rikei-logistics.com/tag/combination)
- [カイ二乗分布](https://rikei-logistics.com/tag/xisquqre-distribution)
- [工学基礎](https://rikei-logistics.com/tag/eng-basics)
- [倉庫スペース](https://rikei-logistics.com/tag/warehouse-space)
- [輸送コスト](https://rikei-logistics.com/tag/delivery-cost)
- [オペレーションズリサーチ](https://rikei-logistics.com/tag/or)
- [推定検定](https://rikei-logistics.com/tag/estimationtest)
- [ディリクレ分布](https://rikei-logistics.com/tag/dirichlet)
- [待ち行列理論](https://rikei-logistics.com/tag/queue)
- [ディシジョンツリー](https://rikei-logistics.com/tag/dca) - ディシジョンツリーとは、条件分岐によって問題を解く機械学習の手法です。決定木とも呼ばれます。
- [ベイズ推計](https://rikei-logistics.com/tag/bayesian)
- [マルコフ連鎖](https://rikei-logistics.com/tag/markov) - わかりにくいマルコフ連鎖をわかりやすく説明してみます。
- [Python](https://rikei-logistics.com/tag/python)
- [作業シミュレーション](https://rikei-logistics.com/tag/operation-simulation) - 物流オペレーションのシミュレーションをPythonで。
- [区間推定](https://rikei-logistics.com/tag/interval-estimation)
- [EDINET](https://rikei-logistics.com/tag/edinet)
- [Excel積分](https://rikei-logistics.com/tag/excel-integral)
- [ヒストグラム](https://rikei-logistics.com/tag/histogram)
- [ターミナルハンドリングチャージ](https://rikei-logistics.com/tag/thc)
- [ジニ指数](https://rikei-logistics.com/tag/gini)
- [Pythonシミュレーション](https://rikei-logistics.com/tag/pysim)
- [Excelシミュレーション](https://rikei-logistics.com/tag/exsim)
- [需要予測](https://rikei-logistics.com/tag/forecast)
- [リーン生産方式](https://rikei-logistics.com/tag/lean)
- [倉庫レイアウト設計](https://rikei-logistics.com/tag/layout-design)
- [保管効率シミュレーション](https://rikei-logistics.com/tag/storage-simulation)
- [Excel在庫シミュレーション](https://rikei-logistics.com/tag/excel-inventory-simulation)
- [保管コストの仕組み](https://rikei-logistics.com/tag/storage-fee)
- [シーケンス制御](https://rikei-logistics.com/tag/sequence-control)
- [電気工学](https://rikei-logistics.com/tag/electric-engineering)
- [力学](https://rikei-logistics.com/tag/mechanics)
- [整数計画法](https://rikei-logistics.com/tag/integer-planning)
- [線形計画法](https://rikei-logistics.com/tag/linear-programming)
- [ナップザック問題](https://rikei-logistics.com/tag/napsack)
- [Excelソルバー](https://rikei-logistics.com/tag/excel-solver)
- [一次方程式](https://rikei-logistics.com/tag/1d-equation)
- [GPS](https://rikei-logistics.com/tag/gps)
- [費用対効果](https://rikei-logistics.com/tag/roi)
- [EOQ](https://rikei-logistics.com/tag/eoq-tag)
- [変動係数](https://rikei-logistics.com/tag/cov)
- [対数](https://rikei-logistics.com/tag/log)
- [分散分析](https://rikei-logistics.com/tag/aov)
- [少額免税](https://rikei-logistics.com/tag/deminimis)
- [ハンドキャリー](https://rikei-logistics.com/tag/handcarry)
- [容積重量](https://rikei-logistics.com/tag/volume-weight)
- [DOC FEE](https://rikei-logistics.com/tag/doc-fee)
- [KS検定](https://rikei-logistics.com/tag/ks-test)
- [偏差値](https://rikei-logistics.com/tag/ss)
- [z検定](https://rikei-logistics.com/tag/ztest)
- [t検定](https://rikei-logistics.com/tag/ttest)
- [F検定](https://rikei-logistics.com/tag/ftest)
- [クラスタリング](https://rikei-logistics.com/tag/clustering)
- [畳み込みニューラルネットワーク](https://rikei-logistics.com/tag/cnn)
- [再帰型ニューラルネットワーク](https://rikei-logistics.com/tag/rnn)
- [計算グラフ](https://rikei-logistics.com/tag/c-graph)
- [活性化関数](https://rikei-logistics.com/tag/activation)
- [加重平均](https://rikei-logistics.com/tag/w-avrg)
- [幾何平均](https://rikei-logistics.com/tag/g-mean)
- [MAP推定](https://rikei-logistics.com/tag/map)
- [多変量正規分布](https://rikei-logistics.com/tag/multi-normal)
- [安全在庫の特殊ケース](https://rikei-logistics.com/tag/special-ss)
- [在庫分析](https://rikei-logistics.com/tag/inv-analysis)
- [発注点](https://rikei-logistics.com/tag/rop)
- [在庫削減](https://rikei-logistics.com/tag/inv-reduction)
- [Python在庫シミュレーション](https://rikei-logistics.com/tag/python-inventory-simulation)
- [Excel VBA](https://rikei-logistics.com/tag/excel-vba)
- [SimPy](https://rikei-logistics.com/tag/simpy)
- [inventorize](https://rikei-logistics.com/tag/inventorize)
- [SARIMAX](https://rikei-logistics.com/tag/sarimax)
- [investpy](https://rikei-logistics.com/tag/investpy)
- [PyPDF2](https://rikei-logistics.com/tag/pypdf2)
- [いろいろな確率](https://rikei-logistics.com/tag/various-prob)
- [Visio入門](https://rikei-logistics.com/tag/visio-abc)
- [標準正規分布表](https://rikei-logistics.com/tag/std-table)
- [アプリ](https://rikei-logistics.com/tag/app)
- [カジノの確率](https://rikei-logistics.com/tag/casino_prob)
- [pick](https://rikei-logistics.com/tag/pick)

## Download Tags

- [適正在庫シミュレーション](https://rikei-logistics.com/sdm_tags/適正在庫シミュレーション)
- [エクセル](https://rikei-logistics.com/sdm_tags/エクセル)
- [フリーダウンロード](https://rikei-logistics.com/sdm_tags/フリーダウンロード)
- [VBA](https://rikei-logistics.com/sdm_tags/vba)
- [汎用的](https://rikei-logistics.com/sdm_tags/汎用的)
- [発注ロット](https://rikei-logistics.com/sdm_tags/発注ロット)
- [季節変動](https://rikei-logistics.com/sdm_tags/季節変動)
- [先入れ先出し](https://rikei-logistics.com/sdm_tags/先入れ先出し)
- [保管](https://rikei-logistics.com/sdm_tags/保管)
- [シミュレーション](https://rikei-logistics.com/sdm_tags/シミュレーション)
- [モンテカルロ](https://rikei-logistics.com/sdm_tags/モンテカルロ)
- [保管効率](https://rikei-logistics.com/sdm_tags/保管効率)
- [行列](https://rikei-logistics.com/sdm_tags/行列)
- [多次元正規分布](https://rikei-logistics.com/sdm_tags/多次元正規分布)
- [マクロ](https://rikei-logistics.com/sdm_tags/マクロ)
- [ポアソン分布](https://rikei-logistics.com/sdm_tags/ポアソン分布)
- [乱数](https://rikei-logistics.com/sdm_tags/乱数)