クォンタイルグリッドによる予測（2015）

クォンタイルグリッドは、在庫管理が関与する場合において、従来の予測手法に比べ根本的な改善をもたらします。また、未来に関するはるかに多くの情報を提供するため、クォンタイル予測よりも優れています。従来の予測手法は、特に商取引においてはうまく機能しません。この問題の根本原因は単純で、未来が不確実であることにあります。古典的予測は未来需要の唯一の正しい値を予測しようと試みますが、結局失敗します。正しい未来需要が予測されるという幻想の下、古典的予測を無理に修正しようとするのは錯覚です。クォンタイルグリッドはこの問題に対して全く異なる立場を取ります。

クォンタイルグリッドを用いることで、Lokadは特定の製品に対して単一の未来需要値を予測するのではなく、需要全体の確率分布、すなわち0単位、1単位、2単位…といった各需要の確率を予測します。この情報は非常に豊富で、従来の予測よりもはるかに収益性の高い方法で活用することができます.

統計学者でない方向けの入門

これらの文章を読んでいるあなたが統計学者でない場合、いわゆる「クォンタイルグリッド」を使って実際に有用な成果が得られるのか、あなたのビジネスが成功する見込みがあるのか疑問に思うかもしれません。これは実用的な予測手段ではなく、現代統計学における博士論文の良い題材のようにも聞こえます。しかし、この用語が威圧的に感じられるなら、心の中で_クォンタイルグリッド_を_実際に機能する予測_に置き換えれば十分です。Lokadを利用する企業の大多数は統計のスキルを一切持っていません。あなたの受信箱にかかるスパムフィルターも高度な統計を使用しており、受信箱を利用するのに博士号が必要というわけではありません.

Lokadは商取引においてほぼ同様のことを行っています。私たちは高度な機械学習を活用して御社の収益性を向上させており、その背後にある技術は非常に進化しているため、実際にはそれについて深く気にする必要はもうありません.

以下では、Lokadの裏側で何が行われているのかを説明しますが、Lokadの予測エンジンの仕組みを完全に理解していなくても安心してください。ちょうど、ベイズ確率推論に詳しくなくともスパムフィルターを使えるのと同じです.

商取引のための予測の再考

多くのベンダーは、実際には半世紀近い歴史を持つARIMA、Box-Jenkins、Holt-Wintersといった「先進的な」予測手法を使用していると自慢します。これらは、当時の最も強力な企業用コンピュータの処理能力が、現在の一般的な冷蔵庫の処理能力よりも低かった時代に考案されました。これらの手法を発明した人々は非常に優秀でしたが、当時の計算資源に頼るしかなく、計算量の少ないモデルを選択せざるを得ませんでした。今日では、極めて低コストで膨大な計算能力を予測課題に活用できるようになっています.

クラウドコンピューティングプラットフォームを利用すれば、1000時間分の計算能力が50ドル未満で済むことを念頭に置いてください。これは明らかに予測に対する全く新しい視点を開くものであり、まさにLokadが広範に探求してきた視点です。クォンタイルグリッドはLokadの予測技術の第三世代を表しますが、全体像を理解するために数年前に遡ってみましょう。2008年に古典的予測を第一世代として開始し、Lokadチームによる3年間の並外れた研究開発の努力にもかかわらず、古典的アプローチは行き詰まりであると分かりました。我々は、古典的予測で顧客を深く満足させることに成功したことはありませんでした。他の予測ベンダーとの顧客体験を学ぶ中で、獲得した予測技術に満足している企業は一社もなかったことが明らかとなりました。この問題はLokad固有ではなく、予測業界全体が機能不全に陥っていると気づき、何とかしなければならないと決意しました.

2012年に、Lokadはコードネームクォンタイル予測テクノロジーとして予測技術の第二世代をリリースしました。簡単に言えば、クォンタイル予測は古典的予測を悩ませる最大の問題、すなわち古典的予測が本質的な問題に目を向けていない点に取り組みます.

実際、企業にとっての課題は、在庫切れを引き起こす予想外の高需要と、死蔵在庫を生む予想外の低需要という二極端な状況を避けることにあります。未来需要が概ね「予想通り」である中間の状況は、ビジネス上ほとんど重要ではありません.

しかし、古典的予測、すなわち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、平均的なケースにのみ焦点を当てています。予想通り、古典的予測は在庫切れも死蔵在庫も防ぐことができません。クォンタイル予測は、この課題に正面から取り組み、例えば在庫切れ回避といった具体的シナリオに直接着目し、この問題に対する正確な答えを提供しようと試みます。突然、2012年には以前にも増して多くの顧客が満足するようになりました。Lokadの歴史上、会社設立から3年以上経過して初めて、効果のある予測手法を手に入れたのです.

2015年に、Lokadは予測技術の第三世代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既に古典的予測に比べ急進的な改善をもたらしていたものの、依然として弱点がありました。数十件に及ぶクォンタイル予測技術の展開を通じて経験を積む中で、たった一つのビジネスシナリオに対してのみ予測を行うという考え方は一理あるものの、完全ではないことが分かりました。なぜこの一つのシナリオだけなのでしょうか？なぜ第二や第三のシナリオは用意しないのでしょうか？複数のシナリオを手動で管理するのは面倒であり、すべてのシナリオを一挙に予測すべきだと気づいたのです。計算面では、各製品ごとにほぼすべての需要レベルの確率を計算しなければならず、かなりのコストがかかります。しかし、必要な計算量は莫大に見えても、計算資源の価格は年々急落しており、5年前には高すぎると考えたものが、今では非常に手頃になっています。2015年に、Lokadは予測技術の第三世代、すなわちクォンタイルグリッドを再びリリースしました。非常に計算集約的であるにもかかわらず、クラウドコンピューティング資源の急落により、クォンタイルグリッドは今や手頃なものとなっています.

需要の全確率分布を考慮する

未来需要は不確実です。未来需要をたった一つの値で表現しようとする試みは、たとえその値がどれほど優れていたとしても全貌を示すことはできないため、いささか単純な考えといえます。未来需要の正確な水準を予測できる「魔法の」システムがあれば理想的ですが、それもまた幻想に過ぎません。不正確な予測に対処しようとすると、その予測を「修正」しようとする誘惑に駆られます。しかし、統計的予測は直感に反するものであり、実際には修正すべき点がそもそも存在しない場合が多いのです。予測された値は、未来需要の完全に妥当な可能性の一つに過ぎません.

システムは未来需要に対して、わずかにもっと高い確率の値を出すよう微調整される可能性はありますが、それ以上のことはありません。結果として、御社が得る未来需要の確率は僅かに上がるだけで、当初期待されたようなビジネス活動の活性化にはつながりません.

クォンタイルグリッドは全く異なるアプローチを取ります。各製品ごとに、Lokadは未来需要の各水準に対する確率を計算します。未来需要が既知であるという幻想を維持するのではなく、多くの可能な未来に対する確率を直接表現します.

例えば、リードタイムが2週間の販売頻度が低い製品の場合、この製品に対する次の2週間（予測ホライゾンは通常リードタイムに合わせる必要があります）の需要の分布は、以下のように表すことができます:

未来を完全に確率論的な視点で考えることは複雑に思えるかもしれませんが、実際には全ての経営者が、形式ばらない方法で、特定の結果の確率を比較検討し、最も重要なシナリオに備えているのと同じことを行っています。予測エンジンの観点からは、事前に「最も重要な」シナリオが何かを知ることはできないため、論理的な解決策は、多少無骨ではあるものの、あらゆる可能なシナリオを処理することにあります。しかし、ある企業が1000製品の予測を行い（また、当社の一部クライアントは何百万ものSKUを扱っています）、各製品について100のシナリオに対する確率をLokadが計算すると、クォンタイルグリッドは実用的とは言えない10万件の項目を生成することになってしまいます。この点については、以下のセクションで述べます.

サプライチェーン意思決定の優先順位付け

すべての購買決定に対して、未来需要と現在の購買決定に基づくシンプルな概算、すなわち「結果」式を記述することができます。そして、各決定は未来需要の各水準に対応する確率によりスコア付けされます.

需要予測は、商取引での購買注文の発注や、工業的環境での生産バッチの起動など、サプライチェーンの意思決定を促すために最も一般的に利用されます。未来のあらゆる結果に対する確率が揃えば、すべての購買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、各購買決定に対して、シンプルな概算、すなわち「結果」式を記述することができます。例えば、需要がD単位で、我々がP単位を購買した場合、財務上の結果はXとなります。言うまでもなく、Lokadはこの短い式の作成を支援します。この式はほとんどの企業において、粗利益から在庫コストおよび在庫切れコストを差し引く形に集約されます。従って、この式が得られれば、「製品Zを1単位購買する」といった各サプライチェーンの意思決定について、あらゆる可能な未来の確率に照らして結果を評価し、その「スコア」を計算することができます.

すべての決定にスコアが付けられると、これらの決定を順位付けし、最も有益な選択肢をリストの上位に配置することが可能になります。このリストをマスタ購買優先順位リストと呼びます。このリストでは、全ての製品が複数行にわたって登場します。実際、製品Zを1単位購買するという決定が最優先（すなわち最も喫緊の購買）であったとしても、次の製品Zの1単位の購買は20番目の喫緊の購買に過ぎず、他の製品の購買がその間に多数入ることになります.

マスターリストは非常にシンプルな疑問に答えます。もし企業が在庫に追加で1ドルを投資できるとすれば、その1ドルは最初にどのアイテムに使われるべきでしょうか？それは、企業に最大のリターンをもたらすアイテムに充てるべきです。そして、このアイテムが取得された後、同じ疑問を再び考えることができます。しかし、今回、一単位の追加投資が行われた後、次に最も収益性の高い購買対象は、在庫に同じアイテムを大量に積み上げると生じる逓減効果により、おそらく別のアイテムになるでしょう。実際、在庫が多ければ多いほど在庫回転率は低下し、死蔵在庫に陥る確率は上昇します。これらの問題は「結果」式に自然に反映され、その結果、リストの優先順位付けにも表れます.

サービスレベルの微調整よりも優れている

在庫切れを防ぐために望まれる、いわゆる「最適な」サービスレベル、つまり必要な確率を算出するのは非常に困難な作業です。サービスレベルは企業の財務実績と間接的にしか関連していないため、これは複雑な問題です。実際、ある製品においてサービスレベルを1%向上させるためのコストが非常に高額になる場合もあり、そのため、資源に余裕があれば、同じ投資で1%ではなく追加の10%のサービスレベルが得られる他の製品に充てるべきです.

クォンタイルグリッドをマスタ購買優先順位リストとして使用すれば、サービスレベルについて煩わしく考える必要すらなく、それ自体が優先順位付けに自然に反映されます.

もし高利益率製品のサービスレベルを低コストで向上させることができれば、この製品は自然とリストのトップに上がります。逆に、極端な売上変動に苦しみ、サービスレベルを向上させる試みが非常に高コストになる製品は、在庫が危険なほど少なく、非常に不規則な需要パターンにもかかわらず死在庫を出す可能性がほぼない場合にのみ、リストの上位に上がります。優先順位リストはキャッシュ制約の問題も解決します。企業のキャッシュ状況に関係なく、この優先順位リストは実行可能な選択肢を提供します。もし利用可能なキャッシュがごくわずかであれば、企業はリストの最上位にあるものだけを購入し、切実に補充が必要な製品の在庫レベルだけを維持します。もし追加のキャッシュがあれば、企業は在庫リスクを抑えながら最も成長を促すアイテムに注力して在庫を増やす選択肢を持ちます。

サプライチェーン制約の組み込み

企業はSKUレベルまたは注文レベルでの最小発注数量など、供給制約に頻繁に対処しなければなりません。場合によっては、コンテナのように大量のバッチでユニットを集める必要があります。このような制約は、前述のマスターパーチェス優先リストを通じて業務プロセスに自然に組み込むことができ、優先順位付けされた購入提案を提供するだけでなく、注文制約に適合した推奨事項も示します。

従うべき正確なプロセスは、企業が抱える実際の制約の種類によって異なります。例として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に処理され、各サプライヤーがそれぞれ独立して出荷していると仮定することで、サプライヤーごとの累積ボリュームを計算できます。これらの累積ボリュームに基づけば、目標のコンテナ容量に達するまでリストを下っていくプロセスは非常に簡単です。同様に、特定のSKUに最小発注数量の制約がある場合も、制約が満たされる前の全てのラインをリストから除外し、制約が満たされた時点でその数量を最初のラインに直接報告することが容易です。

購入数量を最小Nユニットに強制することで、SKUの競争力は低下します。すなわち、そのSKUは最初にリスト上に現れる際、より低いランクとなり、これは最小発注数量が増加するにつれて在庫リスクが高まるという意図された動作です。特に、このアプローチは、クラシック予測と分位点予測の双方に悪影響を及ぼしていた長年の課題、すなわち、推奨される再発注数量が注文制約を上回るか下回る場合にどうすべきか、ユニットを削減する必要があるときにはどの製品を最初に除外すべきか、ユニットを追加する必要があるときにはどの製品をより多く購入すべきかという問題に完全に対処します。従来の予測手法ではこれらの疑問に満足のいく回答は得られなかったのですが、優先購買リストを用いれば、リストの順序に従うだけで済みます。