予測価値追加

予測価値追加（FVA）は、需要予測プロセスの各ステップ（および寄与者）のパフォーマンスを評価するためのシンプルなツールです。その究極の目標は、予測精度を向上させない人間のタッチポイント（オーバーライド）を除去することによって、予測プロセスの無駄を排除することです。FVAは、より高い予測精度を追求する価値があるという考えに基づいており、それを高めるオーバーライドを特定し、それを高めないものを排除することが望ましいとされています。しかし、FVAは一度限りの有用性に限定されており、継続的に展開される場合には、誤った数学的な仮定、予測精度の本質的な価値に関する誤解、堅牢な財務的視点の欠如など、多くの欠点が存在します。

予測価値追加の概要

予測価値追加は、複数の部門（営業、マーケティング、ファイナンス、オペレーションなどの需要計画以外のチームを含む）からの入力を奨励し、評価することで、無駄を排除し需要予測の精度を向上させることを目指しています。FVAは、予測プロセスの各人間のタッチポイントの価値を評価することにより、予測を悪化させるオーバーライドを特定し、それによって予測精度の向上に貢献しない取り組みやリソースを特定する機会を提供します。

マイケル・ギリランドは、彼の「The Business Forecasting Deal」でこの実践を一般的に注目させた人物であり、次のように主張しています¹。

“FVAは、予測プロセスに投資されるリソース（コンピュータハードウェアやソフトウェア、アナリストや管理職の時間とエネルギーなど）が予測を改善していることを確認するのに役立ちます。これらのリソースが予測に役立っていない場合、より価値のある活動に安全にリダイレクトできます”。

会社の既存の予測ソフトウェアを使用して統計的な予測が生成され、選択された各部門によって手動で変更（オーバーライド）されます。この調整された予測は、変更なしのナイーブなベンチマーク予測（_プラセボ_として機能）と実際の観測需要と比較されます。

部門が行った変更が統計的な予測をより正確にした場合（変更なしの統計的な予測と比較して）、それらは正の価値を提供しました。それらがより正確でない場合、負の価値を提供しました。同様に、統計的な予測がプラセボよりも正確であれば、正の価値を追加しました（逆も同様です）。

したがって、FVAは「予測プロセスの特定のステップまたは参加者に帰属できる予測パフォーマンス指標の変化」と定義されます¹。

予測価値追加の支持者は、これが現代のサプライチェーン管理における重要なツールであると主張しています。予測プロセスのどの部分が有益であり、どの部分がそうでないかを特定することで、組織は予測精度を最適化することができます。全体的な理論は、改善された予測がより良い在庫管理、スムーズな生産計画、より効率的なリソース配分につながるというものです。

したがって、これによりコストを削減し、ストックアウトを最小限に抑え、在庫過剰を減らすことができます。さらに、顧客満足度を向上させ、包括的な予測と企業のエシックスを生み出すことができます。FVAは、インテル、横浜タイヤ、ネスレなど、非常に競争力のある業界のいくつかの注目すべき企業で適用されているため、非常に人気があります²。

予測価値追加分析の実施

予測価値追加分析の実施には、通常以下の手順が含まれます。

• 定義：個々のステップまたはコンポーネントを特定することにより、プロセスを定義します。つまり、参照される部門のリスト、参照の順序、および各貢献者が初期予測を修正するために使用する特定のパラメータを特定します。

• ベンチマーク予測の生成：このベンチマークは通常、素朴な予測の形を取ります。同じデータセットを使用して、通常の予測プロセス内で会社内で生成される統計的な予測も生成されます。この統計的な予測は、すべての後続の調整の基礎となります。

• 指定された貢献者からの洞察の収集：最初のステップで定義された正確なパラメータに従って、市場のトレンドの洞察、プロモーション計画、運用上の制約などを含む情報を収集します。

• 各貢献者のFVAの計算：各貢献者の統計的な予測の正確さを、その貢献者の入力前後で比較してFVAを計算します。次に、統計的な予測の正確さを単純なベンチマーク予測の正確さと対比します。予測の正確さを向上させる貢献は「正のFVA」を受け取り、正確さを低下させる貢献は「負のFVA」を受け取ります。

• 最適化：負のFVAを持つ貢献を改善または削除し、正のFVAを保持または向上させることにより最適化します。

これらの手順は、より高い予測精度を追求して反復的に改善される継続的なプロセスを形成します。FVAプロセスと従来の予測プロセスの違いは、以下の図に示されています。

図2は、Gilliland^{1 2}とChybalski³によって説明されたプロセスに基づいています。図1とは異なり、人間のオーバーライドの複数のステージ（EO1、EO2、CF）があります。FVAプロセスには、最終的な執行管理のオーバーライドのフェーズを含む、さらに多くの人間の介入のステージが存在する場合もあります¹。

表1⁴では、評価指標はMAPE（平均絶対パーセント誤差）です。この例では、_統計的予測_が予測の精度を向上させました（予測誤差を5％減らすことで付加価値を提供）。さらに、人間のオーバーライドは_エキスパートオーバーライド2_の段階で予測誤差を大幅に増加させるのに役立ちませんでした。

りんごの販売業者を考えてみましょう。ポール（需要計画）は、過去3か月間に会社がそれぞれ8個のりんごを販売したことを経営陣に伝えます。単純な予測では、来月も8個売れると予測されますが、ポールは高度な統計ソフトウェアを持っており、10個のりんごが売れると予測しています（統計的予測）。ジョン（マーケティング）は、今月新しいスローガンを発表するつもりであり、その洒落たウィットの力で売上が上がる可能性があると述べます⁵。ジョージ（営業）は、りんごをまとめて少し値下げし、売上を刺激し需要をさらに増やすつもりです。リチャード（オペレーション）は最初は困惑していますが、会社の需要に悪影響を及ぼすと考えられる重要なりんごの分別機械のダウンタイムを反映した予測需要を修正します。統計的予測は、このように手動で3回調整されました。次に、各部署は合意形成のために集まります。

1か月後、会社はこの予測リレーの各段階でデルタ⁶がどれほど大きかったかを確認するためにバックテストを実施します。つまり、各部署の貢献がどれだけ「外れていたか」を、前月の実際の販売データを持っているため、ポールはジョン、ジョージ、リチャードそれぞれがどれだけの誤差を導入したかを1つずつ分離して確認できます。また、合意形成の段階⁷も同様に確認できます。

予測価値追加の数学的視点

予測価値追加は、非常に簡単でわかりやすいプロセスです。数学や統計的な推論の高度な知識を要する予測プロセスとは異なり、FVAは「何もしなかった場合と何かをした結果を表現する、常識的なアプローチ」²です。

何かをした結果と何もしなかった結果を表現するには、数学的な介入が必要です。これは通常、単純な時系列として表されます。時系列分析の主な目標は、将来の需要を単一の実行可能な値として便利かつ直感的に表現することです。FVAの文脈では、ベースラインの時系列は、アナリストが行ったすべてのオーバーライド（前のセクションで詳細に説明）と比較するためのプラセボまたはコントロールとして機能します。ベースラインの時系列は、さまざまな方法で生成することができますが、一般的にはさまざまな形式のナイーブな予測を含みます。これらは、MAPE、MAD、およびMFEなどの指標を使用して評価されることが一般的です。

ベンチマーク予測の選択

ベースライン予測の選択は、対象となる会社の目標や制約によって異なります。

• ナイーブ予測と季節性のあるナイーブ予測は、その単純さからよく選ばれます。前のデータが将来に繰り返されるという仮定に基づいているため、計算や理解が容易です。データが比較的安定しているか、明確なパターン（トレンド、季節性など）が見られる場合には、多くの文脈で合理的なベースラインを提供します。

• ランダムウォークと季節性のあるランダムウォークは、データが大きなランダム性や変動性を示す場合や、ランダムな変動にも影響を受ける強い季節パターンがある場合に使用されます。これらのモデルは、予測の不確実性を反映するために、ナイーブ予測の概念に予測不能性の要素を加えます。

予測価値追加の結果の評価

• **MFE（平均予測誤差）**は、予測が実際の結果を過大評価するか過小評価する傾向があるかどうかを評価するために使用できます。これは、過予測よりも過少予測の方がコストが高い場合、またはその逆の場合に有用なメトリックとなる可能性があります。

• **MAD（平均絶対偏差）およびMAPE（平均絶対パーセント誤差）**は、過予測と過少予測の需要を考慮した予測の正確さの尺度を提供します。予測エラーの全体のサイズを最小化することが重要である場合、これらは正確さのゲージとして使用される場合があります。

MAPEはFVA関連のソースで一般的に取り上げられていますが、どの予測メトリック構成をFVA分析に利用するかについては、意見が分かれています^{1 3 8}。

FVAの制約事項

予測価値追加は包括的なアプローチ、高貴な目標、参入の低いバリアを持っているにもかかわらず、広範な制約事項と誤った前提にさらされていると言えます。これらの不足点は、数学、現代の予測理論、経済学など、さまざまな分野にわたります。

予測は協力的ではない

予測価値追加は、複数の（場合によっては合意形成の）人間のオーバーライドが「価値を追加できる」という考えに基づいています。FVAはさらに、この価値が会社全体に分散すると信じており、異なる部門の従業員が将来の市場需要について貴重な洞察を持っていると考えています。

したがって、FVAが問題と見なしているのは、この協力的なアプローチにはいくつかの効率の悪い要素があるということです。したがって、FVAは良い予測協力者を見つけるために、無駄な予測協力者を取り除こうとします。

残念ながら、予測が協力的で多部門的なプロセスとしてより良いという考えは、現代の統計的予測が示すものとは逆です - 小売業の状況を含めてです。

第5回マクリダキス予測コンペティションの詳細なレビュー⁹によれば、「上位50のパフォーマンスが優れた方法はすべてML（機械学習）に基づいていました。したがって、M5は他のすべての統計的ベンチマークとその組み合わせよりも優れたML方法でした」（Makridakis et al.、2022年）¹⁰。 M5の精度コンペティションは、売上を予測するために世界最大の売上高を誇る小売業の企業（ウォルマート）の過去のデータを使用して行われました。

実際、マクリダキスら（2022年）によれば、「M5の勝者モデルは、予測知識がほとんどなく、販売予測モデルの構築経験もほとんどない学生によって開発されました」¹⁰、したがって、異なる部門の市場洞察が予測の文脈で本当に重要であるかどうかに疑問を投げかけています。

これは、より複雑な予測モデルが必ずしも望ましいと主張しているわけではありません。むしろ、洗練されたモデルはしばしば単純なモデルを上回り、FVAの協力的な予測は複雑な問題に対する単純なアプローチです。

将来の不確実性を無視する

FVAは、予測を取り巻く多くのツールや技術と同様に、将来の知識（この場合は需要）を時系列の形で表現できると仮定しています。それは単純な予測をベンチマークとして使用し（通常は前回の売上のコピー）、協力者が統計的な予測の値を手動で切り上げまたは切り下げることを前提としています。これには2つの理由があります。

まず第一に、将来は不確実です。したがって、将来を単一の値で表現することは本質的に誤ったアプローチです（安全在庫の計算を補完する場合でも）。将来の不確実性を考慮すると、最も合理的なアプローチは、各値の潜在的な財務リターンに関して評価される、将来の値の範囲を決定することです。これは、従来の時系列に基づいて単一の値を特定しようとすることを完全に無視する、リスク管理の観点から優れたアプローチです。

第二に、協力者の洞察（どれだけ有用に見えるかに関係なく）は、通常は時系列の予測に翻訳しにくいものです。例えば、ある会社がライバルが市場に参入することを事前に知っている状況を考えてみてください。また、競争力のある知識が、最も厳しい競合他社が素晴らしい新しい夏の衣料品ラインを発売する計画を立てていることを示している世界を想像してみてください。このような洞察を非専門家が時系列で表現することができるという提案は、空想的です。

実際のところ、実際の将来の売上との類似性（価値の追加）は完全に偶然です。つまり、人間のオーバーライド（需要を切り上げるか切り下げるか）は、同じ誤った入力の等価な表現です。負の価値を提供する人物は、論理的な観点からは、正の価値を提供する人物と同じくらい「正しい」または「間違っている」とは言えません。

FVAの本質は、三次元の特性（人間の洞察）を二次元の表面（時系列）に押し付けようとするものです。ある特定の角度からは「正しい」ように見えるかもしれませんが、それが「正しい」ということを意味するわけではありません。これにより、FVAは統計的な厳密さを持つように見えるが、実際には誤解を招くものとなります。

もし会社が図1のような最小限の人間の介入を伴う従来の予測プロセスを使用している場合でも、FVAによって分析される基礎となる統計的予測が時系列である場合、分析自体が無駄な活動となります。

皮肉なことに無駄

FVAは、自信過剰でバイアスのある意思決定の一例としては有用です。ノーベル賞は、人間の意思決定における認知バイアスの深さ、広がり、持続性に基づいて授与されてきました^{11 12}。しかし、一部のチームは、自分たちがいかに誤った人間のオーバーライドであるかを明確に示されるまで、その典型的な不具合を受け入れることができないということは十分に理解していない可能性があります。

しかし、継続的な管理ツールとしてのFVAは、本質的に欠陥があり、矛盾していると言えます。もし統計的な予測が素朴な予測と協力的な手直しによって上回られる場合、以下の質問を真剣に考えるべきです。

なぜ統計モデルが失敗しているのか？

残念ながら、FVAにはこれに対する答えがありません。なぜなら、FVAは統計モデルがどのようにして性能を下げるのかという点ではなく、単に性能が下がるという点についての洞察を提供しないからです。したがって、FVAは診断ツールというよりも拡大鏡と言えます。

拡大鏡は役に立つかもしれませんが、統計的予測ソフトウェアの根本的な問題について具体的な洞察を提供しません。なぜ自分の統計的予測が性能を下げるのかを理解することは、より直接的かつ間接的な価値がありますが、FVAはそれをより鮮明にすることはありません。

FVAソフトウェアは、この重要な洞察を提供するだけでなく、他の方法でも無駄を形式化します。Gilliland（2010）は、合意予測が13週間中11回（85％の失敗率）で上回られ、平均13.8パーセントの誤差があるという理論的な状況を示しています。ただちに中止する必要があるというわけではありませんが、アドバイスは次のようになります。

“_これらの結果を経営陣に報告し、合意プロセスがこのような影響を与えている理由を理解しようとすることができます。合意会議のダイナミクスや参加者の政治的な意図を調査し始めることができます。最終的に、経営陣は合意プロセスを修正して予測の精度を向上させるか、それを廃止するかを決定しなければなりません。”¹

このシナリオでは、FVAソフトウェアは統計的予測のパフォーマンスの根本的な問題を診断することができず、FVAのレイヤーは明らかに価値を提供しない活動を分析することで、官僚主義とリソースの割り当てを増加させるだけです。

そのため、FVAソフトウェアの導入は、継続的な問題の類似した低解像度のイメージを得ることを保証し、最初から無視できた誤った入力を理解するための貴重なリソースを指向します。

これは、代替の利用方法がある会社のリソースの最も賢明な割り当てではないと言えるでしょう。

精度の価値を過大評価

FVAの本質は、予測の精度を「単独で」追求する価値があると前提し、これに基づいて進めるというものです。予測の精度を向上させることが望ましいという考えは理解できるものですが、ビジネスの観点からは、精度が高ければ利益も高くなるという前提に基づいています。これは明らかに事実ではありません。

これは、正確な予測が価値がないと主張しているわけではありません。むしろ、正確な予測は純粋に財務の観点に密接に結び付けられるべきです。予測が40％よりも正確であるかもしれませんが、関連するコストにより、会社全体の利益が75％減少します。予測は確かにより正確になっていますが（価値の追加）、誤差のドルを減らしていません。これはビジネスの基本的な原則である「より多くのお金を稼ぐか、少なくとも無駄にしない」というものに反しています。

FVAに関しては、ある部門による_価値の追加_が会社にとって純損失である一方、別の部門による_価値の減少_はほとんど気づかれません。Gillilandは、アナリストが予測の正確性を1ポイント増やす例を挙げています：

“プロセス活動が正のFVAを持っているという事実は、必ずしもその活動をプロセスに残すべきであることを意味しません。改善の全体的な利益をその活動のコストと比較する必要があります。その追加の正確性は収益を増やし、コストを削減し、顧客を満足させていますか？この例では、アナリストのオーバーライドにより誤差が1ポイント減少しました。しかし、予測ごとにアナリストを雇う必要があり、改善がわずか1ポイントの場合、本当にそれだけの価値があるのでしょうか？”¹

言い換えると、1％の増加は追求する価値がないかもしれませんが、_予測の正確性のより大きな増加は_価値があるかもしれません。これは、財務価値が予測の正確性と結び付けられているという前提に基づいていますが、これは必ずしも真実ではありません。

したがって、FVAには予測における財務的な側面があり、FVAでは（最善の場合には）過小評価されており、（最悪の場合には）ほとんど気づかれていません。この純粋に財務の観点は、廃棄物削減を目指したツールの基盤となるべきです。

操作に対する脆弱性

FVAは、予測の正確性が部門の業績評価の指標として使用される場合、ゲーミングや予測の操作の明白な機会を提供します。これは_Goodhartの法則_の精神であり、一度指標が成功の主要な尺度となると（偶然または意図的に）、その指標は役に立たなくなります。この現象はしばしば誤解や操作の扉を開くことがあります。

たとえば、営業チームには顧客とのやり取りに基づいて需要予測を短期的に調整するという課題が与えられています。営業部門は、これを自分たちの価値を示す機会と見なし、必要ない場合でも予測に変更を加え始めるかもしれません。これにより需要を過大評価し、価値を生み出しているように見せるか、需要を下方修正し、前の部門の過度に楽観的な予測を修正しているように見せるかもしれません。いずれにしても、営業部門は会社にとってより価値があるように見えるかもしれません。その結果、マーケティング部門も価値を生み出しているように見える必要があり、チームは同様に予測に任意の微調整を始めるかもしれません（以降同様）。

このシナリオでは、元々予測の正確性を向上させることを目的としていたFVAの尺度は、_価値を追加する_のではなく、部門が_価値を示す_ための政治的なメカニズムになってしまいます。これは、FVAの支持者自身が認める批判です⁸。これらの例は、FVAにおける_Goodhartの法則_の潜在的な危険性を示しています¹³。

FVAの支持者は、これらの心理的な批判が_FVAの全体的な目的_である、つまり_価値のあるものとジャンクの入力の識別_であると主張するかもしれません。しかし、予測における人間の介入に関連するバイアスが**現在では非常によく理解されている**ため、これらのバイアスのある入力を分析するために費やされるリソースは、できるだけそれらの入力を最初から避けるプロセスに割り当てられるべきです。

システム的な問題への地域的な解決策

需要予測の最適化を試みることは、需要予測の問題が他のサプライチェーンの問題と_分離されている_という前提に基づいています。実際には、需要予測は、さまざまなシステム的なサプライチェーンの原因の相互作用により複雑になっています。これには、さまざまなサプライヤのリードタイムの影響、予期しないサプライチェーンの混乱、在庫の割り当ての選択、価格戦略などが含まれます。

需要予測の最適化を地域的に試みること（つまり、地域最適化）は、真の根本原因が適切に理解されずに対処されているため、誤ったアプローチです。

需要予測は、人々がトランポリンに立っているようなものです：1人を動かすと、他の人に不均衡が生じます¹⁴。そのため、症状を単独で治療しようとするよりも、ホリスティックでエンドツーエンドの最適化が良い結果をもたらします。

Lokadの見解

付加価値予測は、悪いアイデア（協力的な予測）を洗練させ、不要なソフトウェアのレイヤーで包み込み、リソースを無駄にするものです。

より洗練された戦略は、予測の正確さという概念を超えて、リスク管理ポリシーを採用し、_誤差のドルを減らす_ことです。確率的な予測手法と組み合わせることで、この考え方は、予測の正確さを高めるというような任意のKPIから離れ、経済的なドライバーや制約、潜在的なサプライチェンのショックを在庫の意思決定に組み込みます。このようなリスク（およびロス）の要素は、予測価値付加のような協力的な時系列の視点を活用するツールでは効果的に定量化（および排除）することはできません。

さらに、需要予測を全体的なサプライチェーンの最適化から分離することにより、FVAは（おそらく意図せずに）需要予測プロセスの偶発的な複雑さを増大させます。偶発的な複雑さは、プロセスに不要なノイズ（通常は人為的なもの）が徐々に蓄積されることによって生じる合成的なものです。FVAのように予測プロセスに冗長なステージとソフトウェアを追加することは、偶発的な複雑さの典型的な例であり、問題を複雑化させる可能性があります。

需要予測は、_意図的に複雑な問題_です。つまり、それは本質的に難解でリソースを消費するタスクです。この複雑さは問題の不変の特性であり、偶発的な複雑さよりもはるかに深刻な課題のクラスを表しています。そのため、問題を過度に単純化し、本質的に誤解する解決策を避けることが最善です¹⁵。FVAの文献の医学的な修辞に倣えば、これは根本的な病気を治療することと、症状が現れるたびにそれらを治療することの違いです¹⁶。

要するに、FVAは最先端のサプライチェーン理論と一般の人々の認識の間に存在しています。需要不確実性の根本的な原因と、それが進化するサプライチェーンの学問に関するより深い教育が推奨されます。

ノート