プロジェクトの成果物

量的サプライチェーンの目的は、実行可能な意思決定、たとえば購入注文に対する推奨数量の提示という原型的な例を提供することにあります。Quantitative Supply Chain の以下の記述では、それらの意思決定の具体的な形態と提供メカニズムについてさらに明確に述べています。成果物に対して明確な期待値を設定することは、量的サプライチェーンが目指す道の重要な一歩です。また、最適化された数値結果だけが望ましいアウトプットではなく、データの健全性監視や管理KPIといった他の複数の出力も成果物に含める必要があります。実際、量的サプライチェーン・イニシアティブの成果物は、そもそもそのイニシアティブを支えるソフトウェアソリューションの柔軟性に依存します。それにもかかわらず、これらは主に使用技術に依存しないその意図によって定義されます。

成果物としてのスクリプト

量的サプライチェーンは、完全自動化されたデータパイプラインを強調します。これは、ソフトウェアの設定が自律的に動作することを意味するものではありません。大規模なサプライチェーンを考慮する際には、綿密な監督が当然望ましいですが、それにもかかわらず、データパイプラインは実際に手動操作に依存する工程が一切ないという意味で完全自動化されていることが求められます。実際、マニフェストに記されているように、サプライチェーンのデータ処理を支援するために手動操作が関与すれば、そのソリューションは実運用上スケールしなくなります。

この洞察の直接的な結果として、量的サプライチェーン・イニシアティブの成果物は常にひとつのソフトウェアとして具現化されます。これは、担当チームがすべてを再実装することが求められるという意味ではありません。量的サプライチェーンに特化したソフトウェアソリューションは、供給チェーンの課題の本質的な側面に専念する可能性を提供します。たとえば、クラウドコンピューティングプラットフォーム内で自動的に割り当てられる分散コンピューティングリソースの活用といった低レベルの技術的事項はすべて抽象化されることが期待されます。チームはそのような事項に深入りする必要はなく、これらの側面はツール自体によって適切に管理されるとみなされます。

成果物は、通常、サプライチェーンの要求を満たしつつ高い生産性を持つプログラミング言語で記述されたスクリプトとして具現化されます。ここでは「ソースコード」ではなく「スクリプト」という用語が用いられていますが、両者は密接に関連しています。「スクリプト」は高い抽象度とタスクそのものへの焦点を強調するのに対し、「ソースコード」はより低レベルの視点、すなわち計算機ハードウェア自体の正確な反映を意図しています。量的サプライチェーンにおいて重要なのは、技術的に副次的な計算機ハードウェアではなく、サプライチェーンの視点であるのは明らかです。

過去10年間、エンドカスタマー向けアプリのWYSIWYG（見たままが得られる）ユーザーインターフェースの成功により、多くのサプライチェーンソフトウェアベンダーが、サプライチェーン計画および最適化のためのWYSIWYGソリューションを模倣しようと試みてきました。しかし、これらのインターフェースがほぼ体系的に失敗した教訓は、サプライチェーンがいかに複雑であり、プログラム的なツールの必要性を回避できないかを示しています。我々の経験から、たとえば重複するMOQ（最小発注数量）に関与する複雑な非線形性を、ドラッグアンドドロップツールで適切に反映できると期待するのは、幻想に過ぎません。プログラム的な表現力が要求されるのは、そうでなければサプライチェーンの課題自体をツール内で表現することすらできないからです。

当然ながら、エンドユーザーの視点では、スクリプトは量的サプライチェーン・イニシアティブの具体的な成果物としてサプライチェーン実務者が求めるものではありません。利用者は、統合されたKPIや推奨された意思決定を集約するdashboardsとやり取りすることになります。しかし、これらのダッシュボードは一過性かつ使い捨てのものであり、関連するサプライチェーンデータ上でスクリプトを再実行することで得られる結果にすぎません。微妙な違いではありますが、実際の成果物であるスクリプトと、通常エンドユーザーが目にする数値的表現とを混同してはなりません。

データ健全性ダッシュボード

サプライチェーン向けに最適化された意思決定を提供する前に、量的サプライチェーン・イニシアティブを支えるシステムが処理するデータが、数値的にも意味論的にも正確であることを確認しなければなりません。データ健全性監視ダッシュボード、または単にデータ健全性ダッシュボードの目的は、ソリューションが返すすべての数値結果の予測精度にとって不可欠な、データの正確性に対する高い信頼性を確保することにあります。同時に、これらのダッシュボードは既存データの品質向上においてサプライチェーンチームを支援します。

数値エラーは単純明快です。たとえば、ERPからエクスポートされたCSVファイルでは、製品ABCの在庫が42単位と示されているのに対し、ERPのウェブコンソールでは13単位と報告されています。これは、本来同一であるべき数値が一致していないことを明示しています。データ健全性ダッシュボードは、データの集計値が期待される数値範囲内にあるかどうかを確認することで、これらの比較的明白な問題に対処します。

意味論的エラーはより微妙で、実際には特定が困難です。データ準備段階での作業の大部分は、実際には全ての意味論的エラーの特定と対処に費やされます。たとえば、ERP内のフィールドstockinvが「手元在庫」として文書化されている場合、サプライチェーンチームはこの数量が決して負になることはないと仮定します。なぜなら、棚の手の届く範囲に実際に存在する単位であれば、正の数量でなければならないからです。しかし、ERPの文書がやや誤解を招く可能性もあり、この数量は実際には「在庫利用可能量」と呼ばれるべきであるかもしれません。なぜなら、ストックアウトが発生して顧客がバックオーダー-定義を行った場合、既に顧客に割り当てられるべき一定数量を反映するため、その数量が負になることがあり得るからです。この例は意味論的エラーを示しており、数値自体は間違っていなくても、その数値の解釈があいまいであることを意味しています。実際、意味論的な近似は多数の一貫性のない挙動を引き起こし、その結果、サプライチェーン全体で継続的な摩擦コストを生む可能性があります。

データ健全性ダッシュボードは、データが十分に信頼できるか否かを、その場で判断できる数値を統合します。実際、このソリューションは日々の生産目的で使用されるため、重大なデータ問題がほぼ即座に検出されることが必須です。そうでなければ、欠陥データ上でサプライチェーンが数日、あるいは数週間にわたって運用される危険性があります。この点で、データ健全性ダッシュボードは、信号機に似ており、緑なら進み、赤なら停止という仕組みになっています。

さらに、大規模なサプライチェーンを考える場合、通常、どうしても避けられない量の破損または不正確なデータが存在します。これらのデータは、誤った手動入力や、企業システム自体における稀なエッジケースから生じます。実際、大規模なサプライチェーンにおいて、サプライチェーンデータが100％正確であると期待するのは非現実的です。むしろ、これらのエラーによって発生する摩擦コストをほぼ無視できる程度に、データの正確性を確保する必要があります。

したがって、データ健全性ダッシュボードは、特定されたデータエラーに関する統計も収集することが求められます。これらの統計は、データが信頼できるものであると確証するために不可欠です。そのために、サプライチェーン-サイエンティストが、通常はソリューションの即時停止と関連付けられる適切なアラート閾値を設定するために呼ばれることが多いです。閾値の設定には細心の注意が必要です。なぜなら、閾値が低すぎれば「特定されたデータ問題」によってソリューションが頻繁に停止し、使用不可能となる一方、閾値が高すぎるとデータエラーによる摩擦コストが重大となり、イニシアティブ自体がもたらすメリットを損なう可能性があるからです。

赤と緑の信号表示を超えて、データ健全性ダッシュボードはデータ改善努力に関する優先順位付きの洞察も提供することを意図しています。実際、多くのデータポイントは不正確であっても、影響が些細な場合もあります。たとえば、ある製品の仕入れ価格が誤っていても、その製品の市場需要が数年前に消滅していれば、今後その製品の購入注文が発生することはないのです。

量的サプライチェーンでは、相当な手作業を伴う可能性のあるデータエラーの細かい解決を、エラー自体の推定経済的影響と修正に要する労働コストとを比較して優先すべきであると強調しています。実際、状況に応じて、単一の誤ったデータポイントの修正にかかる費用は大きく変動し、提案される優先順位付けにおいて考慮される必要があります。最後に、修正コストがこれらのエラーによって生じるサプライチェーンコストを上回ると判断された場合、データ改善プロセスはそこで停止されることになります。

優先順位付き意思決定ダッシュボード

ご覧の通り、定量的な観点から評価できるのはsupply chain decisionsだけです。したがって、量的サプライチェーン・イニシアティブの主要な運用成果物の一つが、全データパイプラインの最終的な数値結果として得られた意思決定を統合するダッシュボードであることは驚くべきことではありません。そうしたダッシュボードは、各製品ごとに即時再発注すべき正確な単位数を一覧表示する単純なテーブルである場合があります。もしMOQ（最小注文数量）やその他の注文制約が存在する場合、適切な閾値が満たされるまで、推奨数量はほとんどの場合ゼロとなる可能性があります。

単純化のため、ここではそれらの数値結果が特定の形態のユーザーインターフェースであるダッシュボードにまとめられていると仮定します。しかし、ダッシュボード自体は一つの選択肢に過ぎず、必ずしも常に適用されるものではありません。実際には、量的サプライチェーン・イニシアティブを支えるソフトウェアは、極めて柔軟、すなわちプログラム的に柔軟であり、さまざまなデータ形式でそれらの結果をパッケージ化する多様な方法を提供することが期待されます。たとえば、数値結果は、企業の資産管理に使用される主要なERPへ自動的にインポートされることを意図したフラットなテキストファイルに統合されることがあります。

意思決定のフォーマットは対象となるサプライチェーンタスクに大きく依存しますが、ほとんどのタスクではそれらの意思決定に優先順位を付ける必要があります。たとえば、購入注文のための推奨数量の算出は、取得すべき単位数の優先順位-在庫-補充-excel-確率-予測というリストに分解することができます。最も利益率の高い単位が最初にランク付けされます。在庫は逓減するリターンをもたらすため、同じ製品で2番目に取得される単位は、市場需要の徐々に減少した割合を補います。したがって、この製品の2番目の単位が全体リストの2番目の項目であるとは限りません。代わりに、2番目に利益率の高い単位が別の製品と関連付けられる場合もあります。取得すべき単位の優先順位付きリストは概念上無限であり、常にもう1単位を購入する可能性が存在します。しかし、市場需要には限りがあるため、ある時点以降、すべての購入単位は滞留在庫となります。この優先順位付きリストを最終的な購入数量に変換するには、停止基準を導入し、製品ごとに数量を合計するだけで済みます。実際には、非線形の注文制約がこのタスクをさらに複雑にしますが、単純化のため、ここではこれらの制約は脇に置くことにします。

量的サプライチェーンの観点からすると、意思決定に優先順位を付けることは非常に自然な操作です。すべての意思決定がドルで表現される財務的結果に関連付けられているため、最も利益率の高いものから最も利益率の低いものまで順位付けするのは簡単です。したがって、提案されたサプライチェーンの意思決定をまとめたダッシュボードの多く、あるいはほとんどは、実際には優先順位付きの意思決定リストと見なすことができます。これらのダッシュボードは、上位に非常に利益率の高い意思決定、下位に非常に利益率の低い意思決定のリストを含みます。また、サプライチェーンの実務者は、不採算の意思決定が現れた場合、リストを途中で切り詰めることを決定するかもしれません。しかし、利益率の閾値直下にある意思決定を検証することで得られる洞察も多く、たとえ企業がそれら不採算な項目に対して即座に行動することを求めていなくても重要です。

この種の意思決定駆動型ダッシュボードを提供するためには、量的サプライチェーンを支えるソフトウェアソリューションが、膨大な数の可能な意思決定を数値的に探索できる必要があります。たとえば、ソリューションは、あらゆるロケーションにおけるすべての製品について、各単位ごとに購入時の財務的影響を考慮できなければなりません。当然、この操作には相当な計算資源が必要とされる場合があります。幸い、近年の計算機ハードウェアは、世界最大規模のグローバルサプライチェーンにも対処できる能力を備えています。基盤となるソフトウェアソリューションが量的サプライチェーン向けに適切に設計されていると仮定すれば、サプライチェーンチームにとって、データ処理のスケーラビリティは問題にならないはずです。

数値結果のホワイトボックス化

サプライチェーンや他分野で「ブラックボックス」と軽視されるシステムとは、利用者がその出力を説明できないシステムのことを指します。自動化されたデータパイプラインに特化する量的サプライチェーンも、サプライチェーンチームが「ブラックボックス」と評価する成果物を提供してしまうリスクに直面しています。実際、サプライチェーンの意思決定が持つ財務的影響は企業にとって極めて重要であり、新しいシステムが状況を改善する可能性がある一方、災害を引き起こす潜在的リスクも孕んでいます。自動化が非常に望ましいとはいえ、それはサプライチェーンチームが、量的サプライチェーン・イニシアティブを支えるデータパイプラインから何が提供されるのかを十分に理解している必要がないという意味にはなりません。

「ホワイトボクシング」という用語は、サプライチェーンチームの利益のためにソリューションを完全に透明にするために必要な努力を指す。このアプローチは、どんな技術も設計段階から透明ではないことを強調している。透明性は、イニシアチブ自体の一部である特定の努力の結果として得られるものである。たとえ単純な線形回帰であっても、実際には不可解な結果を生み出すことがある。例外的なごく僅かな個人を除けば、大部分の人々は、4次元以上が関与するときの線形モデルの「期待される」出力が何であるかを直感的に理解できない。しかし、サプライチェーンの問題は、数十、場合によっては数百もの変数を含む。そのため、単純な統計モデルであっても、事実上、サプライチェーンの実務者にとってはブラックボックスとなっている。当然ながら、Quantitative Supply Chainで推奨されるように機械学習アルゴリズムが使用されると、実務者はさらに闇の中に置かれることになる。

ブラックボックス効果は実際の問題であるが、現実的な解決策は、人間の直感で即座に理解できる計算へとデータ処理を単純化することにはない。このアプローチは、現代のサプライチェーンの生の複雑さに取り組むために利用可能な最先端の計算資源のすべての利点を完全に無にする、極度の非効率性への道である。プロセスを単純化することは答えではなく、ホワイトボクシングこそが答えである。

最も複雑なサプライチェーンの推奨事項であっても、内部計算を、推奨そのものを支える経済的原動力を表す適切な財務インジケーターで分解することにより、実務者に対して大部分を透明にすることが可能である。たとえば、製品と数量の2列のみを表示した裸のテーブルで推奨購入注文を示すのではなく、意思決定を支援するいくつかの追加列を含めるべきである。これらの追加列には、現在の在庫、過去1か月の総需要、予想されるリードタイム、（発注が行われなかった場合の）在庫切れの予想される財務コスト、推奨注文に伴うリスクとしての過剰在庫の予想される財務コストなどが含まれる。これらの列は、サプライチェーンチームが推奨数量の健全性を迅速に確認できるよう工夫されている。これらの列を通じて、チームは数値出力に対する信頼をすぐに確立し、さらに改善が必要なソリューションの弱点を特定することができる。

ホワイトボクシング目的でダッシュボードを拡張することは、部分的には芸術である。スマートフォンで利用可能な計算資源程度でも何百万という数値を生成することは容易であるが、日々注目に値する10個の数値を生成することは非常に困難である。したがって、核心となる課題は、推奨されるサプライチェーンの意思決定に光を当てるに十分な、せいぜい12個以内のKPIを特定することである。よいKPIは通常多大な労力を要し、単純な定義にとどまってはならない。たとえば「単位購入価格」という単純な列であっても、仕入先がボリュームディスカウントを提供する場合、購入量に依存して価格が変わるため、非常に誤解を招く可能性がある。

戦略的ダッシュボード

小規模な意思決定に焦点を当てることは必要である―それは、定量的パフォーマンス評価に適した数少ないアプローチの一つであるから―が、サプライチェーンはパフォーマンスを次のレベルに引き上げるために、より大規模で破壊的な方法で調整される必要がある場合もある。たとえば、厳選された在庫ユニットをさらに購入することでサービスレベルはわずかに向上する。しかし、ある時点で倉庫が満杯になり、追加のユニットを購入できなくなる。このような状況では、より大きな倉庫の導入を検討すべきである。この制約を解除した場合の影響を評価するために、計算から倉庫容量の制約を除外し、任意の大規模な倉庫で運用した場合の全体的な財務上のメリットを評価することができる。サプライチェーン管理者は、倉庫容量自体が課す摩擦コストに関連する財務指標を注視し、倉庫容量の増強を検討するタイミングを判断することができる。

通常、サプライチェーンは、日々見直すことのできない多数の制約の下で運用される。これらの制約には、運転資本、倉庫容量、輸送遅延、生産スループットなどが含まれる。それぞれの制約はサプライチェーンに対し暗黙の機会費用を伴い、通常は在庫の増加、遅延の増大、または品切れに転じる。機会費用は、制約自体を除去または緩和することで得られるパフォーマンス改善によって評価できる。これらのシミュレーションの一部は実施が難しい場合もあるが、通常、日常の意思決定（つまり発注数量の設定）を最適化することとそれほど難しくはない。

Quantitative Supply Chainは、これらの制約に伴う機会費用が生産データパイプラインの一部であるべきであり、通常は専用ダッシュボードとして具現化されるべきだと強調している。これらのダッシュボードは、サプライチェーン管理者がサプライチェーンに大きな変革をもたらすタイミングを判断するのに役立つために特化している。この種のダッシュボードは戦略的ダッシュボードと呼ばれる。このアプローチは、サプライチェーンが運用上の限界に達しそうなときにその場しのぎのイニシアチブを強調する従来のサプライチェーン実務とは異なる。実際、戦略的ダッシュボードが提供するKPIは、データパイプラインの他の部分と同様に、毎日、または必要に応じてより頻繁に更新される。最新の状態を維持しているため、ぎりぎりの一念発起で対応する必要はないのだ。

戦略的ダッシュボードは、サプライチェーン管理の意思決定プロセスを支援する。これらはデータパイプラインの一部であるため、市場が通常よりも速いペースで変化し始めた場合でも、KPIは常に企業の現状に即して最新の状態を保つ。このアプローチは、その場しのぎの調査に伴う伝統的な落とし穴―すでに遅延している問題にさらに遅れを加える―を回避する。また、突発的な戦略的決定が不採算に終わるという、最初から予見可能であった残念な状況という問題も大幅に軽減する。

インスペクターダッシュボード

サプライチェーンは複雑かつ不規則である。これらの性質が、データパイプラインのデバッグを極めて困難な作業にしている。しかし、このデータパイプラインこそがQuantitative Supply Chainイニシアチブの中枢である。データ処理のミスやバグはパイプラインのどこででも発生し得る。さらに、最も頻繁に発生する問題は誤った数式ではなく、曖昧な意味論である。例えば、パイプラインの初めにおいて変数stockinvが利用可能な在庫（負の値もありうる）を指すのに対し、その後では同じ変数が手持ち在庫（正の値が期待される）として使用される場合がある。このstockinv変数の曖昧な解釈は、システムクラッシュ―明白であるために中程度の損害に留まる―から、サプライチェーンの意思決定に対する静かで広範な破壊に至るまで、さまざまな不具合を引き起こす可能性がある。

サプライチェーンは、長年にわたって構築されたユニークなソフトウェアソリューションの組み合わせによってほぼ常に構築されるため、バグのない「実績ある」ソフトウェアソリューションにアクセスできる望みはない。実際、ほとんどの問題は、異なるシステムから起こるデータを照合する際や、同一システム内の異なるモジュールから起こるデータを照合する際に、システムの境界で生じる。そのため、どんなに実績のあるソリューションであっても、こうした問題は必ず発生するので、ツールはデバッグプロセスを容易にサポートできなければならない。

インスペクターダッシュボードの目的は、サプライチェーンデータセットの細部に至るまでの検査を可能にする詳細なビューを提供することである。しかし、これらのダッシュボードは、入力データテーブルを単純にドリルダウンして調査するものではない。そのようなドリルダウンやスライス・アンド・ダイスのアプローチでは、本質を捉え損ねる。サプライチェーンは、物資の流れ、支払いの流れなど、フローに関するものである。最も深刻なデータの問題は、フローの連続性が「論理的に」失われたときに発生する。たとえば、倉庫Aから倉庫Bに商品を移動する際、倉庫Bのデータベースにいくつかの製品エントリーが欠けていると、倉庫Aから出たユニットが正しく製品に紐付けられずに倉庫Bで受領され、微妙なデータ破損が生じる。数値結果に違和感があるとき、インスペクターダッシュボードはサプライチェーンサイエンティストが迅速にサンプルデータを調査するための頼みの綱となる。

実際、インスペクターダッシュボードは、製品コードやSKUといった低レベルのエントリーポイントを提供し、そのエントリーポイントに関連するすべてのデータを単一のビューに統合する。たとえば、航空宇宙サプライチェーンのように多くのロケーションを経由して商品が流通している場合、インスペクターダッシュボードは通常、商品が複数の物理的な場所だけでなく、複数のシステムを経由して移動した軌跡を再構成しようと試みる。すべてのデータを一箇所で集約することにより、サプライチェーンサイエンティストはデータの整合性を評価できる―すなわち、出荷される商品の出所を特定できるか、在庫移動が公式なサプライチェーンポリシーと一致しているか、などである。インスペクターダッシュボードは、ITの観点ではなくサプライチェーンの観点から、密接に連携したデータをひとまとめにするための「デバッグ」ツールである。

Lokadがサプライチェーンデータセットの調査中に直面した最も奇妙な問題の一つは、「テレポーテッドパーツ」のケースであった。対象企業―この場合は航空会社―は、航空機部品をヨーロッパ本土と南アジアの両方に在庫していた。航空機の安全運航が絶対条件であるため、同社はすべての部品について完璧な在庫移動記録を保持していた。しかし、新たに考案されたインスペクターダッシュボードを用いたところ、Lokadチームは、ある部品がアジアからヨーロッパへ、またその逆に、たった2～3分で移動しているように見受けられることに気付いた。航空機部品は航空機で輸送されるため、輸送時間は少なくとも数時間、決して数分ではありえない。すぐにタイムゾーンやその他のコンピューター時間の問題が疑われたが、時間記録も完璧であった。さらにデータを詳しく調査すると、テレポーテッドされた部品は実際に着陸地点で使用され、航空機に取り付けられていることが判明し、これが一層不可解であった。サプライチェーンチームにインスペクターダッシュボードを実際に確認させることで、この謎はついに解明された。テレポーテッドされた部品とは、2つのハーフホイールとタイヤからなる航空機の車輪であった。車輪は、2つのハーフホイールとタイヤを分解することで取り外すことができ、最も極端な場合、もしそれらがすべて取り外されれば物理的な部品は何も残らなくなる。したがって、完全に分解された車輪は、元の位置に一切関係なく、どこにでも自由に再組み立てできるのだ。

インスペクターダッシュボードは、データヘルスダッシュボードの低レベル版に相当する。前者は完全に分解されたデータに焦点を当てるのに対し、データヘルスダッシュボードは通常、より大局的な視点からデータを評価する。また、インスペクターダッシュボードは通常、ホワイトボクシングの取り組みの不可欠な部分となっている。推奨が不可解に映る場合、サプライチェーンの実務者はSKUや製品を詳細に検証し、推奨された決定が合理的であるかどうかを判断する必要がある。インスペクターダッシュボードは、この目的のために、最終的な推奨の計算に寄与する多数の中間結果を含むように調整されている。