サプライチェーンのための予測最適化
"より良い方法がある - それを見つける。"
トーマス・エジソン

2008年以来、私たちは技術が生み出す最も正確な予測を提供するために最善を尽くしています。私たちの技術は、数学とコンピュータサイエンスの最新の発見を反映するように常に進化しています。

予測の6世代
過去10年間、データ関連技術は狂ったように進化してきました。18世紀以来あまり変わっていなかった数学に基づく技術から、機械学習とディープラーニングによって駆動されるビッグデータ志向の技術に移行しました。Lokadは、最新の科学をサプライチェーン最適化に提供することに注力しています。
過去の私たちの予測技術の異なる世代を発見してください。
- 差分可能プログラミング(2019): 機械学習と数値最適化の収束
- ディープラーニング(2018): 人工知能(AI)とGPUグリッドによるロボット化による確率的予測 確率的予測(2016):機械学習と高次元統計による不確実性の受け入れ
- 確率グリッド(2015): 需要の全確率分布を見て、サプライチェーンの制約を注入する
- クォンタイル予測(2012): ビジネス固有の非対称性を反映したバイアス予測から平均予測に移行する
- クラシック予測(2008): 手動で微調整された1つの数学モデルから、全ライブラリのモデルの完全自動ベンチマークに切り替える
適切な材料の混合
成功のレシピ
Lokadの技術は、1つ(または複数)の魔法の統計モデルを活用することではありません。それは適切な錬金術を作成するために一緒に働く材料の組み合わせです。私たちの初期の年に、純粋な数学モデリングとサプライチェーンの現実との間のギャップがどれだけ大きいかをすぐに理解しました。
理論的には素晴らしい結果をもたらしたものが、実際のビジネスに適用すると完全に非効率でした。データが不正確で、十分に深くなく、あまりにもまばらで、販売履歴の参照またはエントリの数が多すぎるため、一部のビジネスではモデルのクラス全体を使用することが非常に困難になり、サプライチェーン自体の制約が、予測の古典的な精度メトリックを改善することが実際にビジネスのパフォーマンスを低下させるようになりました。
Lokadは、これらすべての問題に適切な技術的な回答を考え出し、予測とサプライチェーン最適化に対する見方を大幅に変えなければなりませんでした。
相関
ディープラーニングによる

1つの製品を見ると、正確な統計的予測を作成するためのデータが単に不十分です。実際、ほとんどの消費者市場では、製品のライフサイクルは4年未満であり、平均して、ほとんどの製品には2年未満の履歴しかありません。つまり、単一の時系列を見る場合に信頼できる季節性分析を実行するための最小の深さです。私たちは、統計的相関を介して問題に対処します。1つの製品から得られた情報は、別の製品の予測を洗練させるのに役立ちます。たとえば、Lokadは、製品が販売されてからわずか3か月しか経っていなくても、製品に適用可能な季節性を自動的に検出します。 3か月のデータでは季節性は観察できませんが、より古い、長寿命の製品が履歴にある場合、そこから季節性を抽出して新しい製品に適用できます。
コンピューティングパワー
クラウドコンピューティングとGPUを介して

歴史的データ内の相関を活用することは、精度を大幅に向上させる一方で、実行する計算量も増加します。たとえば、1,000の製品を相関させるには、すべての可能なペアを見る必要があり、約1,000,000の組み合わせがあります。さらに、多くの企業は1,000以上の製品を持っています。クラウドコンピューティングとグラフィックスプロセッシングユニット(GPU)を活用することで、クライアントがデータを送信するときにマシンを割り当て、必要なときにマシンを割り当てます。そして、60分以内に結果を返し、マシンを適切に割り当て解除します。使用するクラウド(Microsoft Azure)は、分単位で請求されるため、実際に必要な容量しか消費しません。1日に1回以上予測する必要がないため、この戦略は従来のアプローチに比べて24倍以上のハードウェアコストを削減します。
確率
ビジネス制約を受け入れるために

伝統的な予測は中央値予測であり、つまり、将来の需要が50%以上または50%以下である値です。残念ながら、この古典的なビジョンは、サプライチェーンの核心的な懸念、つまり在庫切れを回避し、在庫を減らすことに対処していません。2016年、Lokadは、将来の需要の各レベルの対応する確率が推定されるサプライチェーンの確率的予測の概念を導入しました。Lokadは、製品ごとに1つの値を予測する代わりに、全体の確率分布を予測します。確率的予測は、スロームーバー、不規則な販売、スパイキーな需要に対して、古典的な予測よりもはるかに優れています。在庫最適化に真剣に取り組むすべての企業が、10年後には確率的になり、おそらくこの技術の子孫を活用するでしょう。
数学的ライブラリからエンドツーエンドソリューションへ
私たちは、統計モデルの大規模なライブラリを持っています。これには、Box-Jenkins、指数平滑化、自己回帰などのよく知られたクラシックが含まれます。さらに、クラシックモデルは相関をうまく活用できないため、私たちは、利用可能なすべてのデータを活用するより良いモデルを開発しました。最初から、私たちは、提供する予測の品質を継続的に監視し、シミュレーションを実行して、技術の残りの弱点を慎重に評価しています。私たちは、モデルを改善し、新しいものや新しいパラダイムをライブラリに追加し続けています。したがって、私たちのクライアントは、常に改善され続ける技術の恩恵を受けています。
しかし、私たちはずっと前から、これだけでは十分ではなく、サプライチェーンの現実とビジネスの制約と特異性に深く入り込む必要があると気づきました。したがって、私たちは、クライアントから統計的なスキルを必要とせず、完全に使用可能なソリューションを提供するために、プロセス全体を管理しています。正確な発注書、ディスパッチまたは価格提案、および主要なパフォーマンス指標のダッシュボードを備えた完全なソリューションを提供します。
私たちのサプライチェーンサイエンティストは、あなたのビジネスのすべての洞察をカスタマイズされた実装に含めるのを手助けします。これは、サプライチェーン指向のプログラミング言語であるEnvisionの使用により可能になります。その柔軟性により、ビジネスの特異性を反映する完全に調整されたスクリプトを微調整できるため、私たちの予測技術に完璧な補完を提供することができます。