Company K.
A 22% late-delivery rate. No visibility into the causes. A dispatch team buried under manual coordination. We surfaced the patterns, automated the routine, and halved the problem.
遅延率22%。原因への可視性ゼロ。手作業の調整業務に埋もれる配車チーム。私たちはパターンを可視化し、ルーティンを自動化し、問題を半減させました。
Company K. is a regional freight operator handling last-mile and inter-city cargo logistics. When we engaged them, their late-delivery rate was 22% — more than double the industry benchmark of 8–10%. Dispatch staff spent 4+ hours per shift on coordination tasks that followed predictable rules but required constant human attention.
The deeper problem: 18 months of delivery data existed across three separate systems — none of them connected. No one had ever analysed the data at scale. Delay patterns existed; they were just invisible. And the institutional knowledge needed to prevent delays lived entirely in the heads of two senior dispatchers — making the operation fragile in ways leadership had not fully recognised.
Company K.は最終配送・都市間貨物輸送を手がける地域物流事業者です。関与開始時、遅延率は22%——業界ベンチマーク8〜10%の倍以上でした。配車スタッフは1シフト4時間以上を、予測可能なルールに従うものの絶えず人間の注意を要する調整業務に費やしていました。
より深刻な問題：18ヶ月分の配送データが互いに連携しない3つの別々のシステムに分散していました。データは存在した；ただ不可視だったのです。そして遅延防止に必要な組織的知識は、2名のシニア配車担当者の頭の中にのみ存在し、経営陣が十分に認識していない脆弱性を生み出していました。
We extracted, cleaned, and unified 18 months of delivery records across three systems — 47,000+ trips — correlating outcomes with route, driver, time-of-day, day-of-week, season, and weather.
3つのシステムから18ヶ月分の配送記録を抽出・クリーニング・統合しました——47,000件以上の配送。結果をルート・ドライバー・時間帯・曜日・季節・天候と相関させました。
40 hours across day and night shifts. We timed every task, documented every decision, and extracted the informal "rules of thumb" experienced dispatchers used to prevent delays — rules that existed nowhere in writing.
昼夜のシフトにわたる40時間の業務観察。すべてのタスクを計測し、すべての判断を記録し、経験豊富な配車担当者が遅延防止に使う非公式な「経験則」を抽出しました——どこにも文書化されていなかったルールです。
12 structured interviews with drivers across experience levels. Drivers held detailed knowledge of delay causes — construction cycles, dock scheduling quirks, building access windows — that never made it back to dispatch.
様々な経験年数のドライバー12名への構造化インタビュー。ドライバーは遅延原因の詳細な知識を持っていました——工事サイクル・積み下ろしドックのスケジューリングの癖・建物へのアクセス時間帯——しかしそれらは配車チームに還流されていませんでした。
Component 1 — Delay Prediction Engine: A model trained on 18 months of historical data scoring each planned route on a delay probability scale (1–10) before dispatch. The model incorporated time-of-day, day-of-week, weather forecast, route history, and driver experience level. Dispatchers were not replaced — they were given a tool that surfaced pattern intelligence previously only available in the minds of senior staff.
コンポーネント1——遅延予測エンジン：18ヶ月の過去データで訓練したモデルが、配車前に各計画ルートに遅延確率スコア（1〜10）を付与します。モデルは時間帯・曜日・天気予報・ルート履歴・ドライバー経験年数を組み込みます。配車担当者を置き換えるのではなく——これまでシニアスタッフの頭の中にしかなかったパターン知識を表示するツールを与えました。
Component 2 — Dispatch Automation + Knowledge Capture: Seven categories of routine communications (status check-ins, ETD confirmations, weather alerts, dock reminders) were automated via Make.com, freeing dispatchers from 4+ hours of daily routine. A mobile-first "post-trip report" form prompted drivers to capture route conditions after each delivery — feeding learning back into the prediction model continuously.
コンポーネント2——配車自動化＋知識キャプチャ：7カテゴリーのルーティン通信（ステータス確認・出発予定時刻確認・気象警報・ドック事前通知）をMake.comで自動化し、配車担当者を4時間以上の日常業務から解放しました。モバイルファーストの「配送後レポート」フォームがドライバーに各配送後のルート状況を記録するよう促し——予測モデルへの継続的な学習フィードバックを実現しました。
Early version listed routes by time. Dispatchers immediately requested sorting by risk score — a simple but critical UX change that shaped the entire workflow.
初期バージョンはルートを時間順に表示していました。配車担当者はすぐにリスクスコア順のソートを求めました——シンプルながら、ワークフロー全体を形成した重要なUX変更です。
Intentionally minimal — 3 questions maximum, voice-to-text enabled. Completion rate rose from 34% to 81% after we stripped unnecessary fields and embedded it in the existing driver app.
意図的に最小限——最大3問、音声入力対応。不要なフィールドを削除し既存のドライバーアプリに統合後、回答率は34%から81%に上昇しました。
First model trained on raw historical data without data quality weighting. Older records were less reliable, inflating risk scores. Dispatchers saw "always showing red" and began ignoring scores entirely within a week. Alert fatigue is as dangerous as no alerts at all.
最初のモデルはデータ品質の重み付けなしに過去データで訓練されました。古い記録の信頼性が低く、リスクスコアが過大評価されました。「常に赤信号」を見た配車担当者たちは1週間以内にスコアを完全に無視し始めました。アラート疲労は、アラートがないことと同じくらい危険です。
A senior dispatcher put it directly: "The system told me Route 7 was high risk, but I knew from experience it was fine. If I override it and something goes wrong, it looks like I ignored a warning." Framing AI scores as "warnings" created a defensive dynamic. We had built the right tool with the wrong mental model.
シニア配車担当者が直截に述べました：「システムはルート7を高リスクと言ったが、経験上問題ないとわかっていた。オーバーライドして何かが起きたら、警告を無視したように見える。」AIスコアを「警告」としてフレーミングしたことが防御的な動態を生み出しました。正しいツールを間違ったメンタルモデルで構築したのです。
Initial form completion rate was 34%. Drivers reported it took too long and felt like paperwork. We stripped to three questions maximum, added voice-to-text, and embedded it in the existing driver app rather than launching a separate tool. Completion climbed to 81%.
初期のフォーム回答率は34%でした。ドライバーから「時間がかかりすぎる」「書類仕事に感じる」との声。最大3問に絞り、音声入力を追加し、別ツールを立ち上げるのではなく既存のドライバーアプリに統合しました。回答率は81%に上昇しました。
"The scores were most useful when they flagged something I hadn't considered — the weather-delivery interaction on the coastal route. I never would have found that pattern myself."
「スコアが最も役立ったのは、私が考慮していなかったことをフラグしたとき——沿岸ルートでの天候と配送の相互作用。そのパターンは自分では見つけられなかったでしょう。」
"The automated check-ins used to take most of my morning. Now I focus on the problems that actually need judgment. That's the difference this made."
「自動チェックインが午前中の大半を占めていました。今は本当に判断が必要な問題に集中しています。これが生み出した違いです。」
"The knowledge capture forms changed something cultural. Drivers are now thinking about what they know that others don't — and sharing it. That's valuable beyond any AI system."
「知識収集フォームが何か文化的なものを変えました。ドライバーたちは今、自分だけが知っていることを考え——共有しています。それはどんなAIシステムをも超えた価値です。」
"I thought it would mean more monitoring and more accountability for every decision. What it actually did was give me better information to make the right calls. That's the opposite of what I feared."
「より多くの監視と、すべての判断への説明責任を意味すると思っていました。実際は、正しい判断をするためのより良い情報を与えてくれました。恐れていたこととは正反対でした。」
18 months of records existed but the first year was unreliable. Time-weighted data quality assessment before model training is not optional — it's the foundation everything else rests on.
18ヶ月分の記録が存在しましたが、最初の1年間は信頼性が低かった。モデル訓練前の時間加重データ品質評価は任意ではありません——それが他のすべての基盤です。
"Warning" versus "context" — a framing choice — determined whether experienced operators trusted the tool or resisted it. How AI outputs are described shapes whether they empower or threaten. Language matters as much as technology.
「警告」か「文脈」か——フレーミングの選択が、経験豊富なオペレーターがツールを信頼するか抵抗するかを決定しました。AIアウトプットをどう説明するかが、それが力を与えるか脅かすかを左右します。言葉はテクノロジーと同じくらい重要です。
The most valuable data in the operation was in the heads of two senior dispatchers and dozens of experienced drivers. Organisations dependent on undocumented human knowledge are one departure away from a performance crisis.
業務における最も価値あるデータは、2名のシニア配車担当者と数十名の経験豊富なドライバーの頭の中にありました。文書化されていない人間の知識に依存する組織は、一人の退職でパフォーマンス危機に陥ります。
The prediction model at launch was good. At 12 weeks — with 140 driver-submitted conditions — it was significantly better. AI systems that learn from the people using them improve continuously in ways static implementations never can. Design for feedback loops from day one.
予測モデルは導入時に良好でした。第12週——140件のドライバー投稿状況を経て——著しく改善していました。使う人から学ぶAIシステムは、静的な実装では決して到達できない形で継続的に改善します。初日からフィードバックループを設計してください。