ファッションのための予測最適化
ファッションは新奇性によって動かされます。ファッションブランドは、適切なタイミングで、適切な価格で、市場を十分に満たすに足る在庫量を確保した製品をデザインし、提供する必要があります。その後、プロモーションはまず需要を増幅し、次に余剰在庫を処分するために用いられます。Lokadは、製品ライフサイクルの発案から最終処分に至るすべての段階で予測最適化を実現する統計ソフトウェアソリューションを提供します。私たちの技術は、ファッションを極めて挑戦的なものにしている普遍的なカニバリゼーションや代替、予測困難なトレンドと季節性、途切れることのない新製品の流入、非常に動的な価格設定などをそのまま受け入れるものです。
注: 以下の内容は、全く異なるルールと制約が適用されるハードラグジュアリーには当てはまりません。詳細は Predictive Optimization for Hard Luxury をご参照ください。
Vizions by Zalando: ヨーロッパ初のプラットフォームカンファレンス 2017年4月20日 ベルリン
まず無邪気な疑問から始めましょう。なぜセールが存在すると思いますか？今日では、特にファッション業界において、ウィンターセールやサマーセール、そしてその他の小規模なイベントが制度として存在します。（...）しかし、そもそもなぜそれらは存在するのでしょうか？それは、小売業者が過剰在庫を処分するためです。根本的には、セールは予測の失敗の現れなのです。確かに、現代ではそれ以上の側面もありますが、当初の目的は依然として残っています。
Joannes Vermorel, Founder of Lokad
LOKAD TV
Lokad TVでのインタビューをご覧いただき、サプライチェーンやファッションについてさらに学んでください。
製品ライフサイクル全体におけるエンドツーエンド最適化
フェーズ 1 - プレコレクション
多くのファッションブランドは、サイズ、色、販売点などを考慮しながら、各コレクションで数千もの新たな品目を投入しています。
過去10年間で、最も成功したブランドは最新のトレンドに即応し、年間のコレクション数を増加させ、リードタイムを短縮する能力を示してきました。
Lokadの予測最適化技術は、ブランドのすべての製品におけるライフサイクル全体のあらゆる意思決定に対応します。私たちの技術は、データからパターンや予測を抽出するための機械学習と、最適化された意思決定を導出するための数値最適化の融合です.
新コレクションの準備は、アソートメント最適化、別名レンジプランの提供から始まります。Lokadの技術を用いることで、初期デザインに基づいた適切なサイズ、色、形状のレンジを構成できます。このレンジプランは、顧客層の希望と期待にできる限り沿うことを目的としています。Lokadは、レンジプランを支えるビジネスケースの生成を支援し、プランナーがミクロな製品バリアントの管理にとらわれることなく、高次の洞察を基にプランを洗練させる可能性を提供します.
レンジプランが確定すると、各製品バリアントごとに生産または購入すべき正確なユニット数と注文時期を提案する購買最適化を実施します。当然ながら、ほとんどの製品はこれまで販売実績がありません。このタスクは、複数のMOQ（最小発注数量）制約、価格割引、さらには異なるリードタイム（例: アジアにおける生産を遅らせる旧正月など）によって複雑化します。さらに、Lokadは輸送手段のミックス（例: 海上輸送対航空輸送）や調達元のミックス（例: 海外サプライヤ対地元サプライヤ）の最適化も可能にします.
一例として、当社のMOQソルバーは複数の重複するMOQ制約に対処できます。例えば、製品レベルでのMOQ（各発注ごとに最低100ユニット）、生地レベルでのMOQ（色ごとに最低3000メートルの生地）、そしてサプライヤレベルでのMOQ（1回の発注につき最低50,000ドル相当の商品購入）などが存在する場合です。これらのMOQすべてに対応しながら在庫レベルを管理するのは、手作業で行うと大きな手間となります。Lokadは、数値ソルバーを通じて、与えられたすべての制約を満たす最も利益を生む発注「エンベロープ」を特定することで、このプロセスを完全に合理化します.
フェーズ 2 - コレクション発売後
コレクション発売が迫ると、在庫配分最適化を実施し、各流通センターや店舗に正確に何ユニットを割り当てるかを決定します。店舗内では、在庫は需要に対応するだけでなく、集客効果も狙います。この配分最適化は、各店舗を最大限に活用するために、マーチャンダイジングの視点を適切に反映します。また、棚スペースなどの保管能力の限界や、大量入荷に対処する地上チームの作業能力の制限も考慮されます。加えて、取り扱いコスト削減に有用なバンドルやロットの管理も行います.
最新のトレンドに合わせるため、ベストセラーとスロームーバーの識別を行います。早期補充を促すためのベストセラーの特定は、限られた在庫数量で、少数の店舗、またはeコマースプラットフォームのみで市場調査を行うことで可能です。一方、スロームーバーの早期識別も、より優れた製品に取って代わられている商品を棚からできるだけ早く除去するために重要です.
ほとんどのファストファッションブランドにとって、割引やその他のプロモーション戦略はブランドのDNAの一部です。Lokadは、コレクション終了時に余剰が残らないようにしつつ、全体の粗利益を最大化するため、いつ価格を下げるべきかを提案する価格最適化機能を提供します.
また、製品レベルでの割引の代替または補完として、複数の製品に一律に適用されるロイヤルティプログラム由来の割引も考慮に入れます。
アソートメント最適化、購買最適化、在庫配分最適化、ベストセラーおよびスロームーバーの識別、価格最適化：これらすべての意思決定を、製品ライフサイクル全体にわたる一貫した視点で最適化することがLokadでは可能です。しかし、より狭い範囲から小規模に開始することも選択できます。お問い合わせは contact@lokad.com までご連絡ください。
ファッションには従来型ではない需要予測が求められる
在庫と価格に関する意思決定の最適化には、将来に関する正確な洞察が必要です。しかし、ファッションにおいては、従来の需要予測の視点はほとんど機能しません。そこでLokadは、ファッション企業が直面する課題に根ざした独自の予測能力を開発しました.
私たちは確率的予測を採用しています。あらゆる可能な未来を考慮し、それぞれの確率を算出します。実際、ファッションにおける需要の不確実性は不可避であり、「完璧な」予測を生み出すことは望めません。従来の手法は「唯一の」予測に基づいて意思決定を行うため、その決定は予測誤差に対して脆弱です.
不確実性を否定するのではなく、受け入れます。確率的予測を通じて、リスクと機会のバランスを取ります.
予測はアソートメントレベルで行われ、カニバリゼーションおよび代替効果を考慮します。単一製品の需要を孤立して予測しても意味がなく、その需要は同じ顧客を競合する類似製品の存在（または不在）によって大きく左右されるのです。時系列予測に依拠する従来の手法はこの点を完全に捉えられず、安全在庫やサービスレベルが加味されると状況はさらに悪化します.
需要は価格設定によって条件付けられており、これは私たちの予測の不可欠な要素です。将来需要は確率の問題であるだけでなく、その確率は企業が操作可能な価格によって影響を受けます.
改めて言えば、アソートメントは重要であり、需要の伸びは全体のプロモーション強度に依存します。店舗内でその製品だけがプロモーションされる場合と、店舗全体でプロモーションが行われる場合では、同じ伸びは期待できません。予測は需要に留まらず、返品やリードタイムについても行う必要があります.
あらゆる不確実性の要因には適切な統計的予測が必要です。将来需要が中心である一方で、需要予測以外にもさまざまなニーズが存在するため、私たちはそれに応じた技術を構築しました。これらの予測も通常は確率的であり、例えばリードタイム中の需要予測など、需要予測と組み合わせて用いられる傾向があります。私たちの最新世代の予測技術は、微分可能プログラミングに依拠しており、これはファッション業界でよく見られるまばらで断続的な需要に対応するのに特に適しています.
天気やソーシャルメディアはどうでしょう？
私たちの経験から、多くの企業は自社の「基本的な」過去データを劇的に活用できていないことが明らかです。多くの需要予測は顧客ロイヤルティデータすら利用しておらず、多くの発注は正式なリードタイム予測なしに行われています。したがって、ソーシャルメディアや天気などの外部データから手がかりを得ることを完全に否定するわけではありませんが、まずは企業が既に保有しているデータを最大限に活用すべきだと強く信じています。
課題にスケールアップする
大規模なファッションは、数百の店舗と数万のバリアントを含みます。したがって、予測エンジンは数百万のSKUポジションにまでスケールできる必要があります。私たちの予測エンジンはクラウドコンピューティングを前提に設計されており、従来のソリューションとは異なり、クラウドは後付けではなく、毎日テラバイト級のデータ処理が可能です。
さらに、従来の手法とは異なり、当社の予測能力は、システムに対してどの既存製品が新製品の予測に最も適しているかを手動で関連付けることに依存していません。
Instead, our forecasting engine relies exclusively on advanced machine learning algorithms to automatically detect the similarities that may exist between products, and to identify, by itself, which specific products are relevant for forecasting a new product in the collection.
このような類似性の自動検出は、通常ファッションに存在する多数の製品属性（製品の種類、製品ファミリー、サイズ、色、生地、スタイル、価格帯、ブランドなど）に依存しています。多くのデータが必要なことが懸念されるかもしれませんが、Lokadでの経験によれば、たとえばeコマースのフロントエンド運営に使用されるカタログデータは、良好な結果を得るのに通常十分であることが多いです。
手作業による製品ペアリングに基づく従来の予測ソリューションは、考慮すべき組み合わせが多すぎるために効果的ではありません ― 予測の主要な要素となるのはまさにその組み合わせだからです。
この方法が効果を発揮しないため、企業は必要な価値を提供できない手動ペアリング予測ソリューションから、スプレッドシートに戻る傾向があります。Lokadはユーザーに負担を転嫁するのではなく、課題の核心に直接取り組むことで、このチャレンジに果敢に挑戦しています。
しかし、Lokadでは、この予測プロセスを製品ペアリングと呼ぶことはできるものの、旧コレクションと新コレクションの製品間に1対1の対応関係があると仮定しているわけではありません。例えば、1つの製品が複数のバリアントに分割され、カニバリゼーションを引き起こす可能性があります。また、全く「新しい」製品で、過去に類似する製品が存在しない場合もあります。その場合、予測エンジンは製品カテゴリー、ファミリー、ブランド、価格帯など、より広範な視点に基づいて判断を下します。
経済的要因とホワイトボックス化
意思決定は、パーセンテージではなくドルまたはユーロで表現された期待収益に対して最適化されなければなりません。
意思決定のコストとリターンに影響を与えるすべての要因は、総称して経済的要因と呼ばれます。これには、粗利益、在庫保有コスト、輸送コスト、棚スペースの機会費用、顧客の信頼などが含まれます。Lokadはファッション市場の特性を考慮に入れ、これらの経済的要因を明示的にモデル化しています。
例えば、製品が割引価格で販売されると、顧客に将来的にも同様の割引を期待させることになります。
これらの経済的要因の第一の目的は、発注数量や製品割引などの意思決定を創出する数値最適化プロセスを支援することにあります。計測なしには最適化はありえません。まさに経済的要因こそが、最適化プロセスを機能させる原動力なのです。
Lokadは、深い戦略的洞察（それは御社のチームの専門知識から生まれるもの）の代替ではなく、当社の技術は、経済的要因を通じて反映されるこれらの戦略的洞察を、企業のあらゆる意思決定に大規模に展開できるように設計されているにすぎません。
これらの要因の第二の目的は「ホワイトボックス化」プロセスにあります。このプロセスの目的は、Lokadが生成する各意思決定に対し、御社のチームへ高い透明性を提供することです。なぜLokadがその意思決定を提案するのか、チームが理解する必要があります。そのため、Lokadが生成する各意思決定には、ビジネス上の意図を説明するための一連の指標（ユーロまたはドルで計測される）が付随しており、これらの指標は経済的要因のさまざまな側面を反映しています。我々の経験では、このアプローチは、計算のアルゴリズム詳細に光を当てようとする方法（非常に手間がかかるだけでなく、機械学習や数値最適化の専門家以外にはほとんど意味をなさないもの）よりも優れていることが示されています。
経営の観点から見ると、経済的要因は企業を正しい方向へ導くための強力なメカニズムです。これらの要因は「不変」とは見なされず、むしろ市場の進化を反映するために常に変化する可能性があります。Lokadの技術は高い機敏性を提供するよう設計されており、少ない労力で様々な代替戦略を描く複雑なワットイフシナリオを展開することが可能です。