裸の予測（サプライチェーンのアンチパターン）
誰もが何も見えないと思われることを許さないだろう。なぜなら、それは彼が自分の仕事に適していないこと、または非常に愚かであることを示すことになるからだ。皇帝の服には、これほどまでに成功したものはなかった。（ハンス・クリスチャン・アンデルセンの「裸の王様」、1909年）
別名: ゴスプラン（ソビエトの計画）
カテゴリ: 組織
問題: 会社は頻繁な在庫切れと過剰在庫に直面しています。これらの問題は非常にコストがかかります。在庫切れのために顧客が競合他社に流れていきますが、過剰在庫は必ずしもコストをかけて処分することになります。ネットワークレベルや製品カテゴリごとのマクロ予測は比較的正確で偏りがありませんが、SKUレベルでは、予測があまりにも多すぎるかあまりにも少なすぎるかの間違いが多くあります。会社はすでにいくつかのイテレーションを経てソフトウェアベンダーと協力してきましたが、各ベンダーは前のシステムと比較して予測の精度を向上させたと主張していますが、過剰在庫と在庫切れは以前よりも一般的です。
事例証拠: 予測は常に間違っていると誰もが知っていますが、計画担当者たちは状況に対処するための絶え間ない言い訳を持っているようです。
背景: 会社はサプライチェーンを組織するためにいくつかのチームを持っています。特に、企画チーム、調達チーム、生産チーム、補充チーム、価格設定チームなどがあります。企画チームは、会社が立ち上げて販売するすべての製品の主要な需要予測を作成します。予測は製品のライフサイクルのかなりの部分をカバーする必要があるため、予測の範囲は長く、少なくとも3ヶ月以上、頻繁に1年以上です。主要な需要予測、つまり「計画」は、まず購入数量に変換され、次に生産数量に変換され、さらに在庫割り当てなどに変換されます。最後に、在庫レベルが計画で設定されたレベルよりも上または下に変動するかどうかに応じて、価格が調整されます。時には上がることもありますが、ほとんど下がります。
想定される解決策: 企画チームが作成する「計画」、つまり予測には精度の問題があります。製品が元の予測よりも速くまたは遅く売れるためです。しかし、会社が使用している予測手法は、スプレッドシートを使って部分的に行われるなど、ある意味で粗雑であり、より正確な予測を作成する方法があるはずです。経営陣は、これらの予測について何か対策を講じる必要があると判断し、予測の精度を向上させるための取り組みを開始します。この時点で、第三者のベンダーが通常関与します。なぜなら、高度な統計は会社の主要な能力ではないためです。ベンダーはソフトウェアを提供するか、または企画スタッフにトレーニングを提供するために関与します。
結果の文脈: 予測の改善には多くの努力が投入されています。いくつかの指標によると、予測は改善しています。一方で、計画以外のすべてのチームは、古い予測方法の欠点に慣れており、既にそれに対処するための独自の方法を開発していました。計画チームがレシピを変更すると、他のすべてのチームは新しい予測レシピの新たな欠点に対処する方法を学ばなければなりません。これにより、しばらくの間摩擦が生じます。その後、予測によって駆動されるサプライチェーンプロセスをすべて見直すと、予測そのものとはまったく関係のないいくつかの低い果実が得られますが、経営陣はイニシアチブからの計測可能な成果を見ていません。在庫過剰はまだ問題であり、在庫切れは以前と同じくらい頻繁です。派手な数学的指標は置いておいても、会社内の緩い認識は予測が以前と同じくらい悪いというままです。予測イニシアチブに関与したいくつかの重要な従業員は、しばしば他の会社でより良い状況に移っています。廃止された予測イニシアチブの結果を本当に所有している人は誰もいませんが、その名残は会社が使用しているプロセスとソフトウェアツールの両方に残っています。
魅力的な力: より正確な予測は銀の弾丸のように見えます。調達チームから店舗マーチャンダイジングチームまで、ほとんどすべての会社の痛みを和らげると誰もが同意します。市場にはトップセラーのみを押し出し、需要をサポートするだけの十分な容量を保持し、割引を提供しないようにする… それはまた、1次元の問題です。予測誤差を減らすことです。イニシアチブの意図をすべての利害関係者に伝えるのは簡単であり、会社を改善するための合理的な方法、さらには科学的な方法のように感じます。また、それは本質的には現状に何らかの意味のある変更を加えません。より正確な予測の可能性の到来によって誰もが自分の立場を脅かされることはありませんし、会社での目的を再考することもありません。デジタルトランスフォーメーションとしては、1つのコンピュータ画面からもう1つの大きな画面に移るのと同じくらい簡単なものと期待されています。
問題に対処するためのポジティブなパターン: “裸の予測"の問題を修正する唯一の方法は、それらにいくつかの服を着せることです。具体的には、予測に関連するサプライチェーンの意思決定は、それらの基礎となる予測と本質的に絡み合っていると見なすべきです。予測の正確さは、モデリングの問題を特定するのに役立つ「デバッグ」のアーティファクトとして扱われるべきですが、最適化すべきKPIではありません。重要なのは、ドルやユーロで測定される指標だけであり、“いくつ買うか？"、“店舗にどれだけ押し込むか？"、“いくら割引するか？“などの日常的な意思決定に関連しています。
例: 自社の小売ネットワークを運営する大手ファッションブランドであるContosoは、シーズン終了時に在庫過剰が発生し、セール期間中に顧客に割引を提供して在庫を処分する必要があります。さらに悪いことに、数年間にわたり、割引率の平均値が着実に上昇し、顧客の一部は購入をセール期間まで遅らせるようになっています。マクロ予測は満足のいくものですが、毎シーズン多くの製品で多くのミスが発生し、予測があまりにも多くまたはあまりにも少ない場合があります。Contosoはすでに予測の改善のためにいくつかの社内イテレーションを経験しています。これらのイニシアチブは数年前に行われたERPのカスタマイズイニシアチブの自然な継続のように感じられました。
新しいコレクションの展開は、確立されたプロセスに従います。まず、計画チームがコレクションの範囲と深さを定義し、各製品に対して目標数量を設定します。次に、調達チームがさらなる調整を行います：MOQs（最小発注数量）を満たす必要があり、元の予測は製品レベルで行われるため、サイズごとに数量を調整する必要があります。その後、マーチャンダイジングチームと店舗割り当てチームが、シーズンの初めに各店舗に押し込む初期数量を確定します。シーズンが進行するにつれて、補充チームは予測との整合性を維持しようとして補充を調整します。最後に、シーズン終了時、そして時にはそれよりも前に、価格設定チームが割引を調整し、在庫過剰が元の予測と完全に同期しなくなった場所で計画との整合性を再確立します。
コントソの役員たちは、内部イニシアチブによる予測精度の向上が意図した効果をもたらさなかったことに気付きました。計画チームはまだ季節性を正確に把握するのに苦労しています。コントソのCEOは、カリフォルニアのベンチャー企業であるジェニアリスのCEOから接触を受けます。ジェニアリスは次世代の予測技術を開発しており、コントソの販売データをリアルタイムで処理するだけでなく、リアルタイムの天気データやソーシャルメディアデータも統合しています。いくつかの参照コールによって、彼らが既にいくつかの大手企業でその技術を検証していることが示されています。すべて非常に印象的です。
そのため、CEOの直接の支援を受けて、ジェニアリスとの大きなイニシアチブが浮上し、予測精度の劇的な改善を目指しています。最初の数週間は順調ですが、2ヶ月後、コントソのITチームは関連するデータを抽出するのに本当に苦労していることがわかります。多くのささいな問題が複雑なものになっています。たとえば、ジェニアリスのチームは、コントソが定期的に実施している「1つ買うともう1つ無料」のプロモーションについてどうするかよくわかりません。双方の苦闘が続いた6ヶ月後、ジェニアリスは予測を提供し始めました。しかし、計画チームはそれらの数字をあまり信頼していません。ジェニアリスが生成した数字の単純な手動レビューは、数字が完全に外れていることがあることを示しています。ジェニアリスのチームは、それらの予測の問題を説明するようなデータの問題を指摘し続けていますが、全体的には状況は不明瞭です。
コントソのサプライチェーン管理は、ジェニアリスと「旧来の」予測システムの正確性を定量的に評価するためにKPIを導入することにしました。アイデアは非常にシンプルです。バックテストを行い、最も正確なのは誰かを明確にします。残念ながら、3ヶ月後、数十のミーティングと数百時間の努力の後でも、状況はまだ不明瞭です。コントソが使用している歴史的な予測プロセスはバックテストすることが不可能であることが判明しました。なぜなら、計画チームが予測の多くを手動で調整していたからです。したがって、彼らは実際には過去の予測を「再生」することができません。それはあまりにも手間がかかります。一方、ジェニアリスは多くのバックテストを実施していますが、それらの数字のうち実際のものはいくつあるのかは不明です。ジェニアリスの正確性指標は合計では問題なさそうですが、計画チームはジェニアリスが定期的に生成する数字におかしな点を発見し続けています。
18ヶ月後、ジェニアリスは安定した製品ライン（たとえば男性用下着）で本番環境で使用されていますが、最初から予測が難しいカテゴリー（女性用靴や男性用スーツなど）は計画チームによって手動で操作されています。天気やソーシャルデータを活用するという当初の野心は遠い過去のものとなりました。ジェニアリスのソリューションは、どのようなカテゴリーにもほとんど対応できません。カテゴリーの範囲を広げる計画は残っていますが、チームはかなり疲れています。すでにいくつかの人々が去っています。ビジネス的な結果は中庸です。男性用下着の入手可能性は2%増加し、値引きは1%減少しましたが、このカテゴリーで参照数が減少したため、追加の（測定されていない）予測精度がこの好ましい進化と何か関係があるのかは不明です。公式には、予測イニシアチブはまだ前進していますが、トップマネジメントはもはや何も期待していません。