分位格子を使用した予測（2015年）

分位格子は、在庫が関係する場合、古典的な予測方法に対する根本的な改善を表します。将来についてはるかに多くの情報を提供するため、分位予測にも優れています。特に商業において、伝統的な予測方法はうまく機能しません。この問題の根本原因は単純です：未来は不確実です。古典的な予測は将来の需要の正しい値を予測しようとしますが、それに失敗します。将来の需要が「正しい」値が予測されることを期待して古典的な予測を修正しようとすることは幻想です。分位格子は、この問題に対して完全に異なる立場を取ります。

分位格子を使用すると、Lokadは特定の製品の将来の需要値を1つ予測するのではなく、需要の確率分布全体を予測します。つまり、ゼロユニットの需要、1ユニットの需要、2ユニットの需要などの確率です。この情報は非常に豊富であり、古典的な予測よりもはるかに利益を上げる方法で活用できます。

統計学者向けの紹介

これらの行を読んでいる間、統計学者でない場合、あなたのビジネスがこれらのいわゆる「分位格子」を使って何か賢明なことをする可能性があるかどうか疑問に思うかもしれません。これは、実際の予測手段よりもむしろ現代統計学の博士論文の良いタイトルのように聞こえます。この用語が威圧的だと思うなら、単に分位格子を実際に機能する予測と置き換えればよいです。Lokadを使用している企業の大多数は統計学のスキルを持っていません。あなたの受信トレイに関連付けられたスパムフィルターも高度な統計を使用していますが、それを使用するためには博士号が必要です。

Lokadは商業に対してほぼ同じことをしています。私たちは高度な機械学習を活用して、あなたの会社をより利益を上げるものにし、その背後にある技術は今や非常に高度化しており、それについてあまり心配する必要はなくなりました。

以下では、Lokadの裏側で何が起こっているかを説明しますが、私たちの予測エンジンに何が必要かを完全に理解していなくてもLokadを使用できることを保証します。ベイジアン確率推論に精通していなくてもスパムフィルターを使用できるように、Lokadも使用できます。

商業のための予測の再考

多くのベンダーは、ARIMA、Box-Jenkins、Holt-Wintersなどの「高度な」予測手法を使用していると誇っていますが、これらは実際には半世紀前に考案されたものであり、最も強力な企業用コンピューターでも、ほとんどの冷蔵庫よりも処理能力が低かった時代に考案されました。これらの手法を考案した人々は非常に賢かったが、当時の計算リソースに頼るしかなかったため、非常に少ない計算で計算できるモデルを優先しました。現在では、非常に少ないコストで予測の課題に大量の計算リソースを使用できます。

1000時間の計算リソースのコストは、クラウドコンピューティングプラットフォームを使用すると50ドル未満です。明らかに、これは予測に対して根本的に新しい展望を開くものであり、これらの展望こそがLokadが徹底的に探求してきたものです。Quantile Gridsは、Lokadの予測技術の第3バージョンを表していますが、全体像を把握するために数年前にさかのぼりましょう。2008年に、私たちは予測技術の最初のバージョンとしてクラシックな予測を開始しましたが、Lokadチームが3年間の研究開発努力を行ったにもかかわらず、クラシックなアプローチは行き詰まりであることがわかりました。クラシックな予測に深く満足しているクライアントはほとんどいませんでした。他の予測ベンダーとの経験についてより詳しく知るにつれ、予測技術を取得したいくつかの企業が満足しているとは言えないことが明らかになりました。この問題はLokadに特有のものではなく、予測業界全体が機能不全であることに気づき、何かをすることに決めました。

2012年、Lokadは、Quantile Forecastsというコードネームで予測技術の第2バージョンをリリースしました。単純に言えば、クォンタイル予測は、クラシックな予測に悩まされる最大の問題に対処しています：クラシックな予測は単に正しい問題を見ていません。

実際、企業にとっての課題は、在庫切れを引き起こす予期せぬ需要の高さと、在庫の滞留を引き起こす予期せぬ需要の低さを避けることです。将来の需要が「予想どおり」である場合、ビジネスの観点からはほとんど重要ではありません。

しかし、クラシックな予測、平均または中央値の予測は、これらの「極端な」状況を完全に無視し、完全に平均ケースに焦点を当てています。驚くべきことに、クラシックな予測は在庫切れと在庫の滞留の両方を防ぐことに失敗します。クォンタイル予測は、この課題に直接取り組み、在庫切れを回避するなどの関心のあるシナリオを直接見て、この問題に正確な答えを提供しようとします。2012年に、私たちはますます満足しているクライアントが増え始めました。Lokadの歴史の中で初めて、会社の立ち上げから3年以上が経過した後、うまくいくものを手に入れました。

2015年、Lokadは予測技術の第3バージョンであるクォンタイルグリッドをリリースしました。クォンタイル予測は、クラシックな予測に比べて既に根本的な改善を遂げていましたが、それでも弱点がありました。私たちは、クォンタイル予測技術の数十の展開でさらに多くの経験を積むにつれ、たった「1つ」のビジネスシナリオの予測を作成するという考え方は妥当であるが、完全ではないことに気づきました。なぜこの1つのシナリオだけを予測するのでしょうか？なぜ2つ目や3つ目のシナリオを予測しないのでしょうか？複数のシナリオを手動で管理することは煩わしいと感じ、すべてのシナリオを一度に予測すべきだと気づきました。計算の観点からは、これはかなりコストがかかります：製品ごとに、ほぼすべての需要レベルの確率を計算します。しかし、関与する計算量は驚異的に見えるかもしれませんが、計算リソースの価格も年々急落しています。5年前に高すぎると考えていたものが、今では非常に手頃な価格になっています。2015年、Lokadは予測技術の第3バージョンであるクォンタイルグリッドをリリースしました。非常に計算負荷が高いにもかかわらず、クォンタイルグリッドは、クラウドコンピューティングリソースの急落により手頃な価格で提供されています。

需要の全確率分布を取得する

将来の需要は不確実です。将来の需要を単一の値で表現しようとする試みは、どれだけその値が優れていても、全体像を伝えることはできません。将来の需要の正確なレベルを予測できる「魔法」のシステムがあれば良いのですが、これはかなり幻想的です。予測が間違っている場合、この予測を「修正」しようとするのは非常に魅力的です。残念ながら、統計的な予測は主に直感に反するものであり、現実は修正すべきものが頻繁にないことです：予測された値は将来の需要の完全に有効で可能性のある結果の1つです。

システムは、将来の需要にわずかに確からしい値を生成するために少し微調整される可能性がありますが、それだけです。会社は、将来の需要にわずかに確からしい値しか得られず、最初に期待されていたビジネス活動の活性化にはつながりません。

分位数グリッドは非常に異なるアプローチを取ります：Lokadは、各製品について将来の需要の各レベルの確率を計算します。将来の需要が既知であるという幻想を維持しようとする代わりに、分位数グリッドは多くの可能な未来に関連する確率を直接表現します。

たとえば、2週間のリードタイムを持つ販売頻度の低い製品を考えると、この製品の次の2週間の需要分布（通常、予測期間はリードタイムと一致する必要があります）は次のように表現できます：

完全に確率的な視点から将来を考えることは複雑に思えるかもしれませんが、実際には、あらゆるビジネス幹部が既に行っていることを表しています。つまり、特定の結果の可能性を考慮し、最も関連性のあるシナリオに対処する際にビジネスを保護するために賭けをかけています。予測エンジンの観点からは、事前に「最も関連性のある」シナリオが何であるかを事前に知らないため、論理的な解決策は、いくつかの可能なシナリオをすべて処理することです。ただし、ビジネスが予測する製品が1000個あると仮定し（私たちのクライアントの中には何百万ものSKUを扱うものもいます）、Lokadが各製品に対して100のシナリオに関連する確率を計算するとすると、分位数グリッドは処理が実用的でない100,000エントリの巨大なリストを生成します。以下のセクションでこのポイントに到達します。

サプライチェーンの決定を優先する

各購入決定について、将来の需要と現在の購入決定に依存する「結果」式という簡単な手帳計算を記述できます。その後、各決定は、将来の需要の各レベルの確率に基づいてスコア付けされます。

需要予測は、商業用の購買注文を作成したり、産業設定での生産バッチをトリガーしたりするなど、サプライチェーンの決定を推進するために最も一般的に使用されます。将来の結果に関連付けられたすべての確率を持っていると、すべての購入決定の完全な優先順位リストを作成することが可能です。実際、各購入決定について、需要がD単位であると仮定し、P単位を購入すると仮定した場合、財務結果はXになります。言うまでもなく、Lokadは、ほとんどの企業にとって粗利益から在庫コストと欠品コストを差し引いたものに帰結するこの短い式を書くのを手伝うためにここにいます。したがって、この式を持っていると、例えば「製品Zの1単位を購入する」といったすべてのサプライチェーンの決定について、結果をすべての可能な未来の確率と比較することができます。これにより、すべての可能な決定の「スコア」を計算します。

すべての決定がスコア付けされたら、これらすべての決定をランク付けし、最も利益の高いオプションをリストのトップに配置することが可能です。このリストをマスター購入優先リストと呼びます。このリストでは、すべての製品が複数の行に表示されます。実際、製品Zの1単位を購入することが最も優先される購入決定（別名、最も緊急の購入）であるかもしれませんが、次の製品Zの1単位を購入することは、他の多くの製品の単位を購入する必要があるため、20番目に緊急の購入決定であるかもしれません。

マスターリストは非常に単純な質問に答えます：企業が在庫に使う余分な1ドルがある場合、このドルを最初にどこに使うべきですか？ このドルは、企業に最大のリターンをもたらすアイテムに行くべきです。そして、この特定のアイテムが取得された後、同じ質問を繰り返すことができます。ただし、今回は、この1単位が取得された後、次に最も利益の高いアイテムは異なる可能性が高いです。なぜなら、同じアイテムを大量にストックすると、収益が急激に減少するからです。実際、在庫が多いほど、在庫の回転が少なくなり、死んだ在庫に取り残される可能性が高くなります。これらの問題は、「結果」式やリストの優先順位に自然に反映されます。

サービスレベルを微調整するよりも優れている

在庫切れを回避するための「最適な」サービスレベルを見つけることは非常に難しい演習です。これは、サービスレベルが企業の財務パフォーマンスと間接的に関連しているため、複雑な問題です。実際、一部の製品では、サービスレベルを1％追加することが非常に高価になる場合があります。したがって、リソースがすぐに利用可能であれば、同じ投資額で1％ではなくサービスレベルを追加することができる他の製品に割り当てるべきです。

マスター購入優先リストとして使用される分位数グリッドを使用すると、サービスレベルについて心配する必要はありません。なぜなら、これらは優先順位付け自体に固有に反映されているからです。

サービスレベルを安価に向上させることができる高利益製品の場合、この製品は自然にリストのトップに上昇します。逆に、売上が乱高下している製品があり、サービスレベルを向上させる試みが非常に高額になる場合、この製品は在庫が危険なほど低くなり、企業が非常に乱れた需要パターンにもかかわらず死んだ在庫を抱えることはほとんどないと保証されたときにのみリストのトップに上昇します。優先リストは資金制約の問題も解決します。企業がどのような現金状況にあるかに関係なく、優先リストは取り組みやすいオプションを提供します。現金が非常に少ない場合、企業はリストのトップにあるものだけを購入し、補充が必要な製品の在庫レベルを維持します。余分な現金がある場合、企業は成長を最も促進するアイテムに焦点を当てながら在庫リスクをコントロールしつつ在庫を増やすオプションがあります。

サプライチェーンの制約を注入する

企業は、SKUレベルまたは注文レベルでの最小注文数量などの供給制約に頻繁に対処する必要があります。時には、コンテナなどの大量の単位が集められる必要があります。このような制約は、上記のマスター購入優先リストを通じて自然にワークフロープロセスに統合することができます。これは優先順位付けされた購入提案を提供するだけでなく、注文制約と互換性のある推奨事項も提供します。

実際の制約の種類によって、従うべき正確なプロセスが異なります。たとえば、コンテナ出荷を考えてみましょう。Lokadは、購入ラインがリストの順序で処理され、各サプライヤーが他のサプライヤーと独立して出荷していると仮定して、サプライヤーごとの累積容積を計算できます。これらの累積容積に基づいて、目標のコンテナ容量に達するまでリストを下に進むプロセスは非常に簡単です。同様に、特定のSKUに最小注文数量の制約が存在する場合、この場合、制約が満たされるまでリストの制約が満たされるまでの行をすべて削除し、制約が満たされた後は数量を最初の行に直接報告することも簡単です。

購入をN単位に設定することで、SKUの競争力が低下し、つまり、SKUは最初にリストの下位に表示されるため、在庫リスクが最小注文数量とともに増加します。特に、このアプローチは、従来の予測と分位数予測の両方に否定的な影響を与えた長年の課題を完全に解決します。提案された再注文数量が注文制約を上回る場合や下回る場合、どうすればよいのか？いくつかの単位を削除する必要がある場合、最初に削除すべき製品は何ですか？単位を追加する必要がある場合、どの製品をより多く購入すべきですか？古い予測方法はこれらの質問に満足のいく回答を提供していませんでした。優先購入リストがあれば、リストの順序に従うだけで済みます。