ファッション＆アパレル サプライチェーン最適化ソフトウェア、2025年7月

ベンダーランキングと主要な調査結果

1. Lokad – 定量的サプライチェーン最適化ツール. Lokadは、ファッション業界特有の変動性に合わせたエンドツーエンドの自動化と確率論的モデリングで際立っています。它は在庫、価格、品揃えを個別のモジュールではなく、一体となって最適化する点が独自です。Lokadのクラウドネイティブエンジンは、膨大な SKU/店舗/サイズのシナリオを効率よく計算し、メモリ負荷を抑えています。プラットフォームはマルチチャネルの小売データや競合の価格情報さえも取り込み、プランナーの介入を最小限に抑えた真の自律型「ロボット化」意思決定を可能にします^{1 2}. Lokadの信頼性は実績によって裏付けられており、M5予測コンペティションでチームが上位にランクされ、大規模な予測精度を示しました³. 汎用AIを謳う他のベンダーとは異なり、Lokadは流行語よりも測定可能なROI（例：品切れ防止や利益率向上）を重視しています。懐疑的な見解: Lokadの常識にとらわれない「プログラマティック」なアプローチ（ソリューションが専用のドメイン固有言語でコード化される）は専門知識を要し、プラグアンドプレイの約束とは対照的です。しかし、最大限の自動化と技術的厳密性を求めるファッション小売業者にとって、Lokadはこの分野で高い基準を打ち立てています。

2. Blue Yonder (JDA) – AI搭載の小売計画老舗. Blue Yonderは、需要計画、在庫最適化、および小売価格設定（値下げ最適化を含む）のための包括的なスイートを提供します。その強みは業界での経験にあり、多くの大手アパレルブランドが数十年にわたりその計画および補充ツールを使用してきました。Blue Yonderの最新クラウドプラットフォーム（「Luminate」）は、2018年に買収したAI企業 Blue Yonder のAIを取り入れ、予測と価格決定を強化しています⁴. 同社は、価格最適化において*「消費者行動や競合他社の価格設定などの複雑な要因」を考慮していると主張しており⁵、品揃えやサイズ単位の計画モジュールも備えています。しかし、懐疑的な見解も必要であり、これらの機能は真の統合最適化ではなく、個別のモジュールのままであることが多いです。統合最適化には、単一の包括的な計算ではなく、異なるエンジン（例：在庫用と価格用）の出力を統合する必要があるかもしれません。プラットフォームの歴史が示すように、需要予測や価格設定といった中核部分は異なる起源を持っており、そのデータモデルを整合させることは容易ではありません。Blue Yonderが最近取り組んでいる「ナレッジグラフ」や一律の計画は、本質的には過去の統合や速度の課題への対応です⁶. プランナーは、Blue Yonderのシステムで例外に対処するためにアラートと手動上書きの設定に依存していると報告しています。要するに、Blue Yonderは強力ですが、その機能は各分野では優れているものの、宣伝が示すほどシームレスな統合最適化が実現されていない、まるで寄せ集め*のように感じられます。

3. o9 Solutions – AI搭載の統合型プラットフォーム. 新興企業である o9 は、マーチャンダイジング、需要予測、サプライチェーン、そして収益管理までを網羅する統合型プランニングプラットフォームで支持を得ました。ファッション分野において、o9はAI駆動の品揃え計画、価格最適化、プロモーションを全て一つのシステムで実現すると宣伝しています^{7 8}. 大きな差別化要因は、外部データ統合への注力であり、o9の「デジタルブレイン」は市場指標、競合価格、オンラインのシグナルを取り込み、予測を強化します。技術的には、o9は最新のグラフベースのクラウドアーキテクチャ上に構築されており、従来のインメモリシステムが必要とする大規模なシングルサーバーのRAM負荷を回避しています。（注目すべきは、o9がSAPのインメモリIBPには次元のスケーラビリティにおいて「重大な制限」があると指摘している点です⁹.）これは、o9がファッションの多くの SKU と店舗の組み合わせや長いサイズバリエーションに対して、より優れたスケーラビリティを発揮することを意味します。o9はほぼリアルタイムの再計画を目指しており、完全実現すれば無人の意思決定を可能にするでしょう。懐疑的な見解: o9は本当にロボット化された意思決定を実現しているのか、それとも単に人間向けの迅速な分析を提供しているだけなのでしょうか？ 初期の報告によると、o9のプラットフォームは柔軟性があるものの、完全な自動化を実現するには依然として小売業者による大規模な設定および検証が必要とされています。その AI や「迅速なモデリング」の約束には精査が必要であり、公表されたベンチマークがなければ、例えばX%の予測改善という曖昧な主張には疑問を呈すべきです（特に、単純な機械学習が時に複雑なモデルに勝ることがあるためです¹⁰). o9のファッション品揃え最適化における JD Sports などとのパートナーシップは有望ですが、ROIの実証はプレスリリース以上の根拠が求められます¹¹.

4. Oracle Retail (Oracle SCM) – レガシーの重荷を抱える包括的なスイート. Oracleは、RetekやDemantraの系列から派生した、商品財務計画、品揃え計画、需要予測（Oracle Retail Demand Forecasting Cloud Service）、および価格最適化（ProfitLogicの買収による）を含む、小売計画ツールの幅広いラインアップを提供しています。理論上、Oracleのファッション向けソリューションは、企業全体で「商品、品揃え、キャンペーン、価格、プロモーションの分析、計画、最適化」を実現できます¹². 季節ごとの配分やサイズプロファイルなど、ファッション特有の要件にも対応しており、多くのグローバルファッション小売業者がそのモジュールの一つ以上を導入しています。現実のチェック: Oracleのスイートは単一の統合されたシステムではなく、バッチ統合を必要とする複数のモジュールから成っています。実際、データ統合のギャップが指摘されており、例えば Oracle の統合ガイドでは、同社の予測システムが返品を除く総売上データと（倉庫出荷を除く）店舗売上のみを取り込んでいたことが記されています¹³. 返品率の高い業界において、需要データから返品を除外することは重大な欠陥であり、手動で修正されなければ歪んだ予測につながります。これは、Oracleのサイロ化されたアーキテクチャ（マーチャンダイジングとプランニングシステムの分離）が一貫性の欠如を招く例です。Oracleのインメモリデータベース（Oracle Exadata/HANA相当）に大きく依存することは、大規模なファッションデータセットに対して高額な計算コストを伴い、メモリ上で数百万の SKU-カラー-サイズの組み合わせに対して詳細な確率論的予測を試みる者にとって実質的なペナルティとなります。Oracleのソリューションは強力ですが、軽量ではありません。利用者は長期にわたる導入プロセスに直面し、価格、品揃え、在庫ツール間の連携を細かく管理する必要があります。要するに、Oracleは幅広い機能を提供するものの、真の統合最適化にはカスタム統合作業が必要であり、シームレスな即時統合の主張には懐疑的な視点が求められます。

5. RELEX Solutions – 小売業に特化した、拡大する最適化ツール. 食品小売の予測にルーツを持つ RELEX は、需要予測、自動補充、配分、そして最近では価格設定のための統合プラットフォームで、ファッションや専門小売へと進出しました^{14 15}. その強みは店舗自動補充の自動化にあり、多くのユーザーが、リアルタイムの売上に合わせた自動再注文と店舗間転送を賞賛しており、これはトレンドが毎週変わるファストファッションにおいて大きな利点となります。RELEXは最近、AI駆動の価格最適化モジュールを導入し、小売業者が利益率目標や競合他社との価格合わせといったルールに従った自動価格推奨を受けられるようにしました¹⁶. これは、在庫状況や競合の動きに基づき値下げタイミングの最適化など、在庫と価格の統合アクションを行う意図を示しています。システムは、店舗と e コマースを含むマルチチャネルデータをネイティブに扱い、確率論的予測を実施して信頼区間をプランナーに通知します。懐疑的な視点: RELEXが食品小売で培った実績（高頻度で比較的安定した SKU ）は、ファッションの短いライフサイクルやデータ不足といった難題に適応する必要をもたらしました。ユーザーは、RELEXが新商品やスタイルのトレンドをどのように予測しているか（属性ベースのモデルを使用しているのか？ ソーシャルメディアのシグナルを利用しているのか？）を調査すべきです。その価格最適化は有望ではあるものの新しく、実績のある完全な価格弾力性最適化ではなく、ルールベースでAI予測に依拠している可能性が高いです。また、多くの企業と同様にRELEXも「カスタマイズ可能なAI」やワンクリック統合を謳っていますが、賢明な買い手はこれらを疑うべきです。詳細なベンチマークがなければ、魔法のように在庫切れと廃棄を最小限に抑えたという主張はマーケティングに過ぎません。それでも、RELEXは複数の小売事例で在庫管理において信頼できるROIを示しており、品揃え、在庫、価格決定を統合するワンストップ最適化への取り組みは、これらの要素が連携して動作するならば、ファッションのニーズに非常に適合しています。

6. ToolsGroup – 在庫最適化のスペシャリストが小売分野に多角化. ToolsGroupは、サービスレベルに基づく在庫最適化と予測（SO99+ソフトウェア）で名を馳せ、動きの遅い商品のために確率論的モデルなどの技術を長年使用してきました。ファッションの需要計画にも応用され、ToolsGroup のソリューションは、イタリアのブランド Miroglio Fashion が在庫配分と販売促進の改善により、16%の収益成長と€1Mの利益向上を達成するのに貢献しました¹⁷. 近年、ToolsGroupは小売計画ベンダーの JustEnough を買収し、ポートフォリオに品揃え、配分、プロモーション、および価格（Markdown）のモジュールを追加しました¹⁸. その結果、ToolsGroupは、“Price.io” や “Markdown.io” のような価格設定用コンポーネント、さらには短期予測調整のための “Demand Sensing” モジュールを含むエンドツーエンドの小売計画スイートを提供するようになりました^{19 20}. 理論上、これは初期の購入計画からシーズン中の価格調整まで、ファッションに求められる全ての要件を満たしています。なぜ懐疑的か? それは、ToolsGroupによるこれらの要素の統合がまだ進行中であるためです。買収したモジュール（例：価格設定）は、ブランドの下で統合された別個のプロダクトであり、実際に同じエンジンとデータをリアルタイムで共有しているのか、それとも一方から他方へバッチ処理で出力が渡されているのかという疑問を呼びます。見かけ上の「統合最適化」が実際には（予測→在庫計画→別個の価格最適化ツール）という順次的な流れであれば、重要なフィードバックループを見逃す可能性があります。さらに、ToolsGroupが歴史的に多用してきたインメモリ計算は、巨大な SKU-店舗の組み合わせにスケールする際に高コストとなる可能性があることを意味します—しかし、クラウド導入やより効率的なアルゴリズムの進化が進んでいます。“Demand Sensing” のようなバズワードの言及にも注意が必要です。多くのベンダーがこの用語を使って最新データで予測を調整する自社の機械学習を示唆しますが、エラー削減の明確な証拠がなければ、ただ洗練された指数平滑法に過ぎない可能性があります。要するに、ToolsGroupは幅広いソリューションを提供し、在庫最適化においてROIを実証していますが、徹底的な評価により、その新しい小売モジュールが実際にどれほど連携して動作しているか、そしてその「AI」が少数のケーススタディを超える結果で裏付けられているかを調査する必要があります。

7. SAP (SAP IBP for Retail) – ファッション計画におけるギャップを抱えるERP大手. SAPはファッション向けのバックエンドシステムを支配しており（多くの企業が ERP として SAP S/4HANA または AFS を使用しています）、クラウド型の計画アドオンとして Integrated Business Planning (IBP)を提供しています。SAPは顧客の洞察に基づいて、「商品、品揃え、キャンペーン、価格、プロモーションの計画および最適化」を実現できるファッション向け業界ソリューションとして販売しています¹². 実際には、これらの機能は異なるSAPツールに分散しており、商品および品揃えの計画は SAP Merchandise Planning または CAR (Customer Activity Repository) 分析に存在し、「Demand Sensing」は短期シグナルを用いて予測を調整する IBP の機能であり、価格最適化は別のモジュールまたはパートナーソリューションから提供される場合があります。SAP IBP の強みは、強力な統計的予測ライブラリと SAP のトランザクションデータとの堅牢な統合にあり、すでに SAP を利用しているファッション企業にとって一貫したデータフローは有用です。しかし、技術的観点から見ると、SAP IBP は既知のデータサイズと次元性のスケーリング制限を持つインメモリシステム（HANA上に構築）であるため、懸念が生じます⁹. スタイル、カラー、サイズ、店舗という細分化されたレベルでの計画は迅速にこれらの制限に達するか、クラウドコストを押し上げ、ユーザーに集約を強いるため、詳細が失われる（例：スタイルや地域単位での計画になる）可能性があります。さらに、SAPの哲学は依然としてプランナー主導のプロセスに傾いており、計画を生成した後、人間が調整または承認する（しばしば Excel のようなインターフェースを介して、多くのアラートや例外とともに）という方法です。これは「自動操縦」的な最適化の理想には及びません。実際、ファッション向けに SAP を使用している企業は、しばしばカスタム分析や限定的なツール（例：新製品予測のためのオープンソース ML、またはサードパーティ製の価格最適化ソフトウェア）で補完しており、これは単に SAP を起動するだけで最先端の最適化が得られるわけではないことを示しています。懐疑論者は、SAP のバズワード（例：「demand sensing AI」）について、実際にどれだけ予測誤差を削減したのか、そしてそれはどの期間においてなのかを疑問視すべきです。透明なベンチマークがなければ、これらの主張は現実よりもむしろ販売戦略のレトリックに過ぎないかもしれません²⁰. SAP の今後の統合計画は改善していますが、価格、在庫、品揃えの決定を一つのアルゴリズムフローで真に統合するまでは、堅実ではあるものの断片的なソリューションに留まり、大きなユーザー専門知識が必要とされるでしょう。

8. その他注目企業 (Kinaxis, Anaplan, Nextail など) – ニッチなソリューションと新興プレイヤー. ファッションサプライチェーンにおいて、他にも注目すべきベンダーがあるが、規模や成熟度の点でリーダーより下位に位置づけられている。Kinaxis は、複雑な製造サプライチェーンで人気の高い高速計画エンジンを提供しており、並行処理やシナリオシミュレーションに優れているが、ファッションのマーチャンダイジングや価格設定のニーズに合わせた最適化（ネイティブな品揃えや価格最適化機能）が不足している。Anaplan は、一部のファッション小売業者が品揃えや財務計画に利用する柔軟なクラウドモデリングプラットフォームを提供しているが、本質的には優れたスプレッドシートとして機能し、いかなる「最適化」や予測の知見もユーザー自身が構築しなければならず、そのインメモリ「Hyperblock」は詳細なファッションデータのスケールにおいては苦戦する可能性がある。新興企業の中では、Nextail がファッション小売最適化に特化したスタートアップとして際立っており、割り当て、再配置、値下げに関してAI駆動の提案を行っている。Nextailの手法は有望であり（創業者はファストファッション出身）、中規模のファッションチェーンでの成功を主張しているが、グローバルなエンタープライズ展開に対する実証済みのスケーラビリティは欠いている。同様に、AIスタートアップ のAutoneやSinguliのように新鮮なアイディアを提供する企業もある。例えばAutoneは、完璧な予測よりも実行可能なタスクの提案を重視している ^{21 22} が、これらのツールは大規模運用では実証されておらず、しばしば問題の一部分（例：需要計画のみ、または配分のみ）にしか取り組んでいない。これら小規模な企業の場合、購入者はしばしば*「生成AI搭載」や「手間いらずの統合」*といった大胆な主張に対して特に懐疑的になり、実際にどのようにフルシーズンの売上向上や品切れ削減に寄与したのか、その上でグローバル運営の複雑性に対応可能かどうか、証拠を求めるべきである。

業界の課題は統合されたソリューションを要求する

ファッションおよびアパレル業界は、在庫、価格、品揃えの連動最適化がいかに重要であるかを如実に示す並外れたサプライチェーンの課題に直面している。ファッションはシーズンごとのコレクションで運営され、ライフサイクルが短く、極度のトレンド変動や複雑なサイズ・カラーのバリエーションに晒される。近年、業界の予測ミスが痛切となっており、毎年何十億ドルにも上る売れ残り在庫が積み上がり、利益を圧迫する値下げを招いている ²³。消費者はこれまで以上に迅速でトレンドに基づく製品サイクルを求め、意思決定のリードタイムが短縮され、ブランドにはほとんど余裕がなくなっている ²⁴。従来の需要パターンは信頼性を欠いており、パンデミック、突然のインフルエンサー主導の流行、または天候異常などの外部ショックによって、昨年のデータはほぼ無意味になりかねない ²⁵。このような環境では、サプライチェーンソフトウェアに新たな機敏さと知性が求められている。

従来の計画手法はファッション業界では失敗する： 多くの小売業者は、品揃えをデザインし、在庫を購入し、その後必要に応じて値下げや再配分を行うという逐次的な計画プロセスを依然として採用している。このウォーターフォール方式は、意思決定が連動していないため、不人気なスタイルの在庫過剰やヒット商品の品切れを招くことが多い。Lokadの創業者が指摘するように、ファッション企業は従来、レンジプランで始まり反応的なクリアランスで終わるサイロ化したプロセスに苦しんできた^{26 27}。必要なのは、どの商品を購入するか、どのように流通させるか、いつ／どのように価格設定または値下げするかを同時に考慮できるシステムである。

連動最適化こそが究極の目標である。価格を考慮せずに在庫を最適化すれば、値下げが需要を喚起する仕組みを見誤るし、価格だけを最適化すれば、品切れや利益損失を招く恐れがある ²⁸。例えば、価格エンジンが売上促進のために大幅な値下げを推奨した場合、店舗間での僅かな在庫再配分で定価で需要を満たせる可能性があることに気付かないかもしれない。同様に、品揃えプランナーは定価を前提として在庫を配分するが、動的な価格設定が在庫過多や不足を緩和できる場合がある。学術的なサプライチェーン理論は、品揃え、在庫、価格設定は相互に依存していることを長らく強調しており、いずれか一つだけに取り組むソフトウェアは、利益を逸する（あるいは問題を転嫁する）ことになる。特筆すべきは、Lokadなど数社が需要予測を価格の関数として明示的に組み込み、価格と在庫レベルを同時に最適化するアルゴリズムを採用している点である ²⁸。これは、通常は別のチームが異なるソフトウェアで価格設定を行い、在庫目標と大まかに連携している従来の手法と対照的である。

しかし、ベンダーは「連動最適化」との主張が魅力的であることを理解しているため、その主張を丹念に精査する必要がある。要注意点として、買収により機能を拡充したソリューションが挙げられる。もし、ベンダーが他社買収により価格ツールを追加した場合、真の統合は表面的なものに留まる可能性がある。技術的にはすべての機能を提供しているかもしれないが、それがひとつのモデルやデータプラットフォームとして統合されているとは限らない。ToolsGroupによるJustEnoughの買収では、品揃えおよび値下げ最適化を謳うことができるが、実際には独自のインターフェースと仮定を持つ別モジュールである可能性がある。同様に、Oracleのスイートには、2005年のProfitLogic買収により得た値下げ最適化機能が計画モジュールと並んで存在するが、実際には両者が予測データのファイルを交換するだけで、リアルタイムで連動最適化を行っていない。そのような追加機能はしばしば技術的負債をもたらす：異なるデータスキーマ、重複するアイテムマスター、または夜間のバッチジョブでのデータ同期などである。決定的な兆候は、単一実行の最適化が欠如していることである。もし、ベンダーが在庫状況、予測分布、価格弾性などすべての関連データをひとつのソルバーに投入し、SKUごとの店舗配分と価格推奨を同時に出力できないのであれば、その「連動」最適化は数学的手法ではなく人的プロセスに頼っていると言える。購入者は、価格変更がどのように即座に在庫の決定に波及し、逆に在庫の変動が価格にどのように影響するのかを実証させるべきであり、そうでなければそのソリューションは本質的に反復的な推測に過ぎない。

主要な技術的能力：懐疑的評価

ファッション業界で成功するために、サプライチェーンソフトウェアは特定のエンジニアリング特性に卓越していなければならない。その中でも特に重要なのは確率的予測である。従来の一点予測（例：来月の需要が100ユニットと予測する）は、ファッションの不確実な環境では到底不十分である。代わりに、確率的予測は可能な結果の全分布を提供し ²⁹、プランナーがリスク（例：需要が150ユニットを超える可能性が20%ある等）を理解し、適切な在庫管理を行えるようにする。主要なベンダーは現在、何らかの形で確率的あるいは「AI」予測を謳っているが、やはり注意が必要である。本物の確率的システムは、新製品、長いリードタイム、さらには返品に対する予測の不確実性を定量化する。例えば、ファッションEコマースは高い返品率（しばしば売上の20～40%）を持つため、洗練されたツールは売上だけでなく、返品フローも予測し、補充の正味需要に反映させるべきである。現実として、返品予測をうまく処理できるベンダーはごくわずかであり、多くは返品を一定の割合として決定論的に差し引いているため、急激なトレンド変動時に返品率が変動すると誤差を招く。既にOracleの計画システムがデータフィード内で返品を差し引いていない（¹³）ことが見受けられる。より高度な手法（Lokadやある程度RELEXなど）は、予測モデルに返品分布を組み込んでいる。

スケーラビリティと計算効率もまた極めて重要な特性である。ファッション小売業者は、10,000 SKUが数百の店舗やオンラインチャネルに加え、色やサイズのバリエーションで数百万にもなるSKUと店舗の組み合わせを容易に抱える。巨大なインメモリキューブや手作業のスプレッドシートに依存するソリューションは、この規模では対応しきれない。例えばSAP IBPはインメモリであるため、パフォーマンスが低下する前に扱える主要指標や次元の数に既知の制限がある ⁹。そのため、一部のSAP利用ブランドは集約レベルを上げることで詳細度を犠牲にしている。一方、Lokadはクラウドコンピューティングを活用し、大規模な確率モデルを一度に全てメモリに乗せることなく処理し、o9も同様のクラウドネイティブなアプローチを主張している。コスト効率も重要であり、各計画実行に高価なサーバークラスターと数時間のランタイムを要するソリューションは、頻繁な運用には不向きである。GPUアクセラレーションや分散コンピューティングなど、最新の計算技術を活用して日次あるいは日中の再最適化を可能にするツールには評価を与える。一方、単にハードウェアを投入するだけのアプローチには批判的な見方がある。ある大手ベンダーのソリューションは、計画エンジンに256GBのRAMを搭載するようクライアントに要求し、ITコストを押し上げる無骨な手法である。スケーラビリティは単にビッグデータの処理だけでなく、速度、すなわち状況が変化した際にどれだけ迅速に再計画できるかも問われる。ファストファッションでは、トレンド商品がソーシャルメディアで急上昇した場合、ソフトウェアはPOSデータや外部のトレンドデータを通じて需要急増を検知し、在庫の再配分または数日、いや数時間以内の再購入の提案を行うべきである。週次のバッチ計画システムではこれに対応できず、結果として売上損失や過剰な手動対応を招く。

もう一つの重要な能力は、競合情報やその他の外部シグナルを取り込むことである。ファッションは競争が激しく、トレンド主導の市場であり、ライバルが類似商品を値下げしたり、特定のスタイルがTikTokで流行したりすれば、需要に影響を与える。そのため、最高水準のソリューションはそのようなデータの組み込みを始めている。例えば、Lokadのプラットフォームはウェブスクレイピングフィードを通じて競合他社の価格情報を統合し、価格決定を文脈に沿って行えるようにしている ^{30 31}。また、RELEXの価格モジュールは、自動戦略の一環として*「競合他社の価格に合わせる」ルールをサポートしている ¹⁶。懐疑的見解として、多くのベンダーが外部データ統合を形だけにしている点が挙げられる。中には、ソーシャルメディアや天候データを用いた「需要感知」を謳う者もあるが、実際に実証された改善があるのか、あるいは単なるチェックボックス機能に過ぎないのか疑問である。具体例、例えば「先月の競合20%オフセールに対して予測がどのように反応したか。自動で調整され、その調整は正確であったかを示してください」*と尋ねることを推奨する。もしベンダーが「設定すれば可能です」としか答えないのであれば、その機能はアルゴリズムの論理に本質的に組み込まれていない可能性が高い。特に競合価格の統合は、需要予測と価格最適化の両面に影響を及ぼすべきであるが、これをうまく実現しているシステムは少ない。多くの場合、価格チームが別々に対応しており、これがサプライチェーン最適化における需要変動予測の機会損失となっている。結論：現代のファッションサプライチェーンツールは、外部データを付属的なものではなく、主要な入力として扱うべきである。これが欠けていると、ツールは時代遅れと言わざるを得ない。

自動化の度合いは、従来型と次世代ソリューションの間で最も明確な差別化要因である。究極の目標は、無人自動のロボットによる意思決定、すなわち注文、配分、価格設定のアクションを自動生成し、極めて信頼性が高く最小限の人手調整で実行できるシステムである。これは決してSFではなく、Amazonが多くの商品で内部的に実践していることである。しかし、ほとんどのベンダーは完全自動化には至らず、人が介在する意思決定支援に留まっている。多くの計画システムは、ユーザーに対して警告や例外（例：「これらの500 SKUは異常な売上を示しているので予測を再確認せよ」または「これらの商品は品切れが予測されるため迅速な対応を検討せよ」）を次々と提示する。例外対応があるのは何もないよりはましだが、それに依存するということは、システム自体が問題を解決できていないことを示している。あるサプライチェーン専門家は皮肉を込めてこう述べた。「例外で管理していると考える企業のほとんどは、実際には警告で管理している… 警告で管理するのは多少の助けにはなるが、大きな効果はない」 ³²。これでは、管理対象が1,000 SKU程度から10,000 SKU程度にしか拡大できない。真に例外駆動（ほぼ完全自動）の計画であれば、一人のプランナーが何十万SKUも監督できるはずだ ³²。我々は、ユーザー定義のルールや果てしないパラメータ調整に過度に依存するソリューションを強く評価を下げる。例えば、ソフトウェアが各商品のサービスレベル目標を手動で設定させたり、SKUごとに20種類の予測モデルから選ばせたりするなら、それは本来機械が行うべき作業をユーザーに委ねているに過ぎない。これは旧来のツールでよく見られた現象であり、プランナーが判断に基づいて「model Type=Winter’s seasonal」をSKUに選んでいた。現代のAIベースシステムは自動でチューニングし学習すべきであり、ユーザーに細かい調整を求めるものではない。同様に、「我々のツールは注目すべき事項を自動で示す」と主張するベンダーには注意が必要で、なぜそのツールが定型的な問題を自動で処理できないのか疑問である。システムがより真に自律的であればあるほど、労働コストを膨らませることなくROIを提供できる。例えば、Lokadは意思決定の自動化の理念を公表し、日々の意思決定における人的ボトルネックを除去することが真の価値であると主張している ¹。しかし、機械を信頼するには、その精度と透明性によって信頼を勝ち取る必要がある。だからこそ、M5予測コンペティションのような証拠に重きを置くのだ。自動予測が他を凌駕することを証明できるベンダーは、意思決定を委ねるに値するといえる ^{3 20}。対照的に、証拠を示さず「AIマジック」を謳うベンダーには、十分な懐疑心を持って接すべきである。

マーケティングの主張と現実：実質の要求

この市場調査では明確なパターンが浮かび上がる： ベンダーはマーケティングには非常に優れている一方で、実行力にはばらつきがある。エンジニアリングの視点を持つプロフェッショナルとして、データや同業他社との比較で裏付けられていない主張に対しては、極めて懐疑的な姿勢を保っている。たとえば、あるベンダーが自社のソフトウェア使用後に「欠品が50%削減」や「売上が20%増加」と宣伝する場合、「どの基準と比較して？どの期間にわたって、統制実験は行われたのか？」 と尋ねるべきである。こうした数値は、新規出店や市場全体の回復などの交絡要因が管理されていない、一度限りのケーススタディから出てくることが多い。M5予測チャレンジのような公開コンペティションは、稀な客観的ベンチマークを提供するが、注目すべきは、大手ベンダーのほとんどが自社技術をこれらの試験に晒していない点である。一つの例外はLokadで、彼らは参加するのみならず優れた成績を残した ³。他社が同様の実績を示していないからといって、それ自体が劣っているわけではないが、外部で検証されていない*「先進のAI予測」*といった甘い主張に対しては、買い手は疑問を持つべきである。M5では、比較的 シンプルな機械学習手法のアンサンブルが、より複雑なディープラーニング手法を上回る ¹⁰ という結果が示され、これがハイプに惑わされるなという教訓となっている。もしもベンダーが「ディープラーニング」予測モジュールを推進しているなら、それが十分に調整されたシンプルなモデルより真に優れているのか―エラー指標やコンペティション結果が公開されない限り、その答えは明らかではない。

バズワードは特筆すべきである。 「デマンドセンシング」、「AI搭載」、「機械学習」、「プラグアンドプレイ統合」 といった用語や、最近では「生成AI」などが、ベンダーのパンフレットに散見される。私たちの調査手法では、これらは裏付けがなければ警戒すべきサインとして扱っている。たとえば、デマンドセンシング は通常、最新の販売データや、場合によっては天候やSNSの情報を利用して短期予測を調整することを指す。響きは良い―誰しも需要を感じ取りたいと思うだろうが、実際にはその効果は増分的であり（もし基準予測が不十分であれば、10%の短期的な調整では救いにならない）、その効果を実際に示す予測誤差の低減値を公開するベンダーは稀であるため、まさに必要最低限の装備をAIの派手なパッケージに詰め替えただけなのではないかと疑わざるを得ない。 「プラグアンドプレイ統合」 もまた同様である。小売業の経験豊かなITアーキテクトなら、計画ソフトをERP、eコマースプラットフォーム、複数のPOSシステム、さらには製品データ用のPLMに統合することがプラグアンドプレイで可能だという考えに、笑いを禁じ得ない。データ統合は困難で、煩雑な作業であり、特にファッションデータのクレンジングにおいては、例えばある色がシステム間で5種類もの異なる名称を持っているかもしれない。統合作業が手間いらずだと主張するベンダーは、複雑な環境で実施した経験がないか、基本的なフィールドをカバーするコネクタを使用しているに過ぎず、なお大幅なカスタマイズが必要である可能性が高い。したがって、私たちはこうした主張に対して懐疑の目を向け、実際の作業量を過小評価している可能性があるとみなすべきである。統合作業の労力やスケジュールについて、クライアントの参照事例を必ず確認すべきである。

また、買収と技術的負債の問題にも着目する。今日の多くの「エンタープライズレベル」ベンダーは、かつての企業群の合同体である。これは、Blue Yonder（JDA + i2 + Blue Yonder AI など）、Oracle（Retek + ProfitLogic + Demantra など）、Infor、Aptosなどに見られる現象で、他にも多数存在する。買収は新たな能力をもたらす一方で、ベンダーには複数のコードベースを継ぎ合わせた状態が残ることが多い。これにより、買い手はユーザー体験の不整合や、ばらばらな部分を維持するためにR&Dが時間を費やす結果、イノベーションのスピードが鈍化するリスクに晒される。たとえば、JDAがBlue YonderのAIエンジンを買収した後、これらのアルゴリズムをJDAの製品へと組み込むまでに時間がかかり、一部の顧客はツールの重複に混乱を来した。最悪の場合、ベンダーは**「統合」というバズワードを用いつつ、事実上は自らが統合すべき二つ以上の別個の製品を提供している**ことがある。このような兆候に特に注意すべきである。たとえば、価格設定モジュールと在庫管理モジュールでUIや技術スタックが異なるならば、それは明らかなサインである。さらに、予測サポートチームと価格最適化チームが別々である場合、それぞれが元々一体ではなかったことを示唆している。懐疑的な市場調査の手法とは、ベンダーが提供する「統一プラットフォーム」という主張をそのまま受け入れるのではなく、詳細な技術的質問を投げかけることである。たとえば、「全てのモジュールで共通のデータモデルとデータベースが存在するのか、あるいはモジュール間で定期的にデータを同期させる必要があるのか？」 や 「価格設定と在庫の制約を一度のソルバー実行で同時に考慮できるのか、それとも順次最適化を行うのか？」 といった問いである。ここで曖昧な回答が返ってくるのは、緩く統合されたソリューションであるサインである。

最後に、ROI―ハイプを打ち砕く究極の指標―に触れる。長期的に成功するファッションサプライチェーンソフトウェアは、実際に利益を生み出すか、またはコストを削減できるものでなければならない。具体的には、定価での売上が増加する（値引きが減る）、在庫保持や陳腐化コストが低減する、顧客サービスレベルが向上する（人気商品の欠品が減る）、またはトレンドに迅速に対応できる（話題商品で収益を取り込む）といった形が考えられる。私たちが最高評価を与えたベンダーは、技術的優位性に基づいて、これらの成果を達成する可能性が最も高いと評価したものである。しかし、それらに対してさえも、結果が実証されるまでは一定の疑念を抱き続ける。たとえば、Lokadの確率論的アプローチは概念上、より良い在庫ROIをもたらすはずであり、彼らはそれを裏付けるケースやコンペティションでの勝利を引用しているが、それでも見込み客は自社の状況でROIを検証するためにパイロットテストを実施すべきである。Blue Yonderが、マークダウンを最適化して利益率を向上させたクライアントを引用したとしても、それがソフトウェアの力なのか、あるいはチームの戦略によるものなのかは明確ではない。懐疑主義とは、常に信頼できる基準線を探し、以前はどのように行われ、統計的に見てソフトウェアがどのように改善をもたらしたのかを問い直すことである。また、ROIには総所有コストも含めるべきである。指標を改善しても、システムの操作にプランナーが長時間費やす、またはIT部門が統合に何ヶ月も要するといった莫大な人的コストがかかれば、ROIはそれらの追加の労働コストによって侵食される可能性がある。真の次世代ソリューションは、オートメーションを通じて低コストで高 ROIを実現することを目指す。たとえば、完全自動化されたシステムなら、企業はプランナーをより付加価値の高い業務（製品開発など）へ再配置できるだろう。それが労働効率の面での隠れたROIとなる。

結論として、ファッションおよびアパレルのサプライチェーン最適化ソフトウェア市場は、より包括的で知的、かつ自動化されたソリューションへと進化しているものの、誇大な主張に溢れている。懐疑的でエンジニアリングに基づく評価は、現時点で共同最適化の理想に技術的卓越性をもって近づいているのは、特にLokad、o9、そして一部の小売専門のベンダーのみであることを示している。他の大手レガシー企業は、統合の度合いが様々なパズルのピースを提供するに留まり、価値を引き出すためには慎重な対応が必要となる。ファッション小売の意思決定者にとっては、明白な命題がある―ベンダーには見た目ではなく実質を求めるべきだ。つまり、主張されるあらゆる利益に対して証拠を求め、各ソリューションの技術的基盤（およびその限界）を理解し、最終的には業界の速く変動するリズムに合致するプラットフォーム―すなわち数千ものSKUと店舗における在庫、価格、品揃えの決定をアルゴリズムで最小限の人的介入で扱えるもの―を選ぶことである。トレンドの不確実性と狭い利幅が特徴のこの分野では、先進的であるだけでなく、信頼でき、実際にその役割を果たせる技術を活用した者が勝者となる。データが示すように、サプライチェーンソフトウェア選定において適度な懐疑心を持つことは、単に慎重なだけでなく、雑音を払拭し、真に成果をもたらすソリューションに投資するために必要不可欠である ²⁰。

脚注