サプライチェーンにおける確率的予測: Lokad対その他のエンタープライズソフトウェアベンダー, 2025年7月

レオン・ルヴィナ＝メナール著

最終更新: 2025年7月23日

エグゼクティブサマリー

Lokadの独自の確率的アプローチ： Lokadはサプライチェーン最適化において確率的予測の利用を先駆け、一点推定を超えて需要と供給の不確実性の分布全体をモデル化しました。2012年以降、Lokadはこの概念を核としてプラットフォームを構築し、単一の予測やいくつかの分位点に留まらず全体の確率分布を推定、その分布を用いて意思決定を最適化しています ¹ ². これにより、すべての不確実性の要因（例：需要およびリードタイムの変動）を予測し、それらを踏まえた在庫または生産計画の最適化が可能となります ². 結果として、不確実性下で予測を最適な行動に変換する、意思決定中心のアプローチが実現されています。

競合他社の「確率的」な主張と実際： Lokadの先行を追い、多くの大手サプライチェーンソフトウェアベンダーが確率的予測という言葉を採用していますが、実質は乏しいのが現状です。ToolsGroup、Blue Yonder、o9 Solutions、SAP IBP、RELEX、Kinaxisなどは、マーケティング上「確率的」または「確率論的」といった用語を用いています。しかし、詳しく見ると重要な差異が見受けられます：

ToolsGroup (SO99+): 伝統的な「確率論的」先駆者ではあるものの、現代における確率的な活用は部分的です。彼らは在庫管理のために需要分布（分位点予測）を生成しますが、リードタイムを確率変数として予測せず、固定のリードタイム入力に依存しています ³. 特に、2018年以降、ToolsGroupは「確率的予測」を謳いながらもMAPE精度の向上を訴えており、これは矛盾です。なぜなら、MAPEは確率的予測には適用されないからです ⁴. これは、彼らの確率的アプローチが実体的な変革ではなく、単なる流行語の押し売りであったことを示唆しています。
Kinaxis (RapidResponse/Maestro): これまで決定論的でインメモリ計画に注力してきましたが、つい最近（2022–2023年）、KinaxisはWahupaとの提携（確率的在庫最適化のため）およびAI予測企業の買収により確率的手法を取り入れました。KinaxisはMLベースの分位点予測に関する2023年の特許を出願しており ⁵ ⁶、確率的技術へのシフトを示しています。しかし、これらの機能は新規で実績がなく、本質的にはLokadが行う完全な分布モデリングではなく、**分位点予測（予測区間）**に留まっています。Wahupaの取り組み（確率的多階層エンジン）は、現時点では目立った効果が限定的であり、既存プラットフォームに確率論的論理を組み込む際の課題を浮き彫りにしています。
Blue Yonder (旧JDA): 決定論的なレガシー計画エンジンを持つサプライチェーンソフトウェアの大手です。Blue Yonderの最近のLuminateプラットフォームでは「自律的」および「確率的」予測が謳われていますが、その中核エンジンが実際に完全な確率分布を出力しているという証拠は乏しいです ⁷. 実際には、BYは伝統的な一点予測（ARIMAなどの時系列手法）と安全在庫計算式に依存し、場合によってはMLによる調整を加えているに過ぎません。Blue Yonderがリードタイムの不確実性をモデル化している、またはLokadのようなエンドツーエンドの確率的最適化を実施している兆候はありません ⁸ ⁹. したがって、「確率的」という用語は、基本的に決定論的アプローチへのささやかな改善を示すブランディングに過ぎないのです。
SAP IBP (統合型ビジネスプランニング): SAPのプランニングスイートは、2013年のSmartOps買収により、需要変動モデルを用いた多階層在庫最適化を行う確率的エンジンを継承しました。理論上、IBP for Inventoryは需要変動、さらには一部の供給変動にも対応可能です ¹⁰. 実際には、SAPは統合とプロセスに重きを置いており、確率的予測は強調されていません ¹¹. 大半のSAP IBPの導入事例では、依然として一点予測とユーザー設定の安全在庫が用いられ、リードタイムは通常、システムが予測する不確実性ではなく固定入力（オプションのバッファ付き）となっています ¹¹. そのため、機能自体はソフトウェアの奥深くに存在するものの、SAPは確率的手法を主要な差別化要因として運用しておらず、多くのユーザーがこれらの高度な機能を活用していない状況です。
o9 Solutions: サプライチェーンプランニングのための「デジタルブレイン」を提唱する新興プラットフォームです。o9はシナリオ分析やビッグデータ統合を伴うリアルタイム統合プランニング（需要、供給、財務）に注力しています。その強みはデータと計画のサイロを統合することにありますが、Lokadが専門とする確率的予測には特化していません ¹². o9のAI/ML機能は主に予測分析やwhat-ifシミュレーションを支援するものであり、各変数の明示的な確率分布を生成するわけではありません。要するに、o9はグラフベースのデータモデルや高速なwhat-if再計算を備えた幅広いプランニングツールキットを提供する一方、Lokadはより深い不確実性モデリングと最適化を提供しています。完全な確率論的厳密性を求める企業にとって、o9のアプローチは、Lokadの包括的な確率的最適化と比べると、より漸進的（強化された一点予測）に過ぎないかもしれません ¹².
RELEX Solutions: 小売に特化し急成長しているベンダーで、高頻度予測と自動補充（食品やファッションで人気）で知られています。RELEXは「AI主導」の需要予測とリアルタイム解析を謳っていますが、Lokadのように需要に対して完全な確率分布を出力することはありません ¹³. 予測は機械学習（および短期的な需要感知）により改善されるものの、本質的には強化された一点予測に留まっています。重要な点として、RELEXはリードタイムを確率的に扱っておらず ¹⁴、ユーザーがリードタイムや手動の変動要因を入力する形となっています。したがって、最新のクラウドアーキテクチャとAIの主張にもかかわらず、RELEXは従来の手法（多少のMLを含む）に依拠しているのです ¹⁵. 彼らの「確率的」という用語の使用は最小限であり、全ての不確実性を数学的にモデル化するのではなく、短期的な対応性に重点が置かれています。

結論： Lokadの確率的アプローチは依然として非常に差別化されており、不確実性を初めから終わりまで真に取り入れる点で際立っています ― すべての関連分布を予測し、それに基づき意思決定を最適化します。他のベンダーは、程度の差はあれ、流行語を借用したり、確率的技術の一部（しばしば分位点予測やリスクバッファのみ）を追加することで、最新性をアピールしようとしています。しかし、本報告で詳述したように、実際のところ、どのベンダーもLokadのアプローチの深さには及んでいません。ほとんどが、表面的な不確実性への配慮（例：いくつかの分位点や「安全在庫」ロジックの利用）に留まり、決定論的なプランニングパラダイムに依存しています。Kinaxisの特許やパートナーシップ、Blue YonderのAIリブランディングなどの近年の動向は、確率的手法が将来を担うことを業界が認識していることを示しています。しかし、これら大手では実質がマーケティングに後れを取っているのが現状です。したがって、「確率的」なサプライチェーンソリューションを評価する経営者は、ベンダーの提案が単に用語を用いているだけなのか、あるいはLokadが先駆けた確率論的パラダイムを真に採用しているのかを厳しく吟味すべきです。

はじめに

過去10年間で、確率的予測はサプライチェーンプランニングにおける画期的な革新として登場しました。従来の決定論的予測が単一の期待値を示すのに対し、確率的予測は関連する確率を伴う複数の可能な結果の範囲を提供します ¹⁶. これは、在庫量の決定や生産スケジュールの策定といった意思決定が、需要の変動、供給者のリードタイム、輸送遅延、その他の不確実性を考慮する必要があるサプライチェーン最適化にとって極めて重要だからです。2012年までに、Lokadは従来の予測（「最善推定」や中央値の予測）では、高値や低値のリスクを無視しているため、これらの意思決定には不十分であると認識しました。そこでLokadは2012年に分位点予測の作成を開始し、本質的には特定のサービスレベルやコストトレードオフに合わせたバイアスのある予測を行い、2015年には「分位点グリッド」を通じて全体の分布予測へと進化しました ¹⁷ ¹⁸. 2016年、Lokadは確率的予測を全面的に採用し、単一の値ではなく需要全体の分布を明示的に推定するようになりました ¹⁹ ²⁰. その後、これらの分布を入力として最適な意思決定を導く確率的最適化技術の開発が続けられました ²⁰ ²¹.

今日、Lokadのアプローチ（時に「Forecasting & Optimization」や「Quantitative Supply Chain」としてブランド化される）は、予測と意思決定最適化を緊密に統合しています ²² ²³. 専用ドメイン言語Envisionを用いて、Lokadは不確実性（例：需要変動、供給者の信頼性、リードタイム分布等）とビジネス制約（在庫コスト、サービス目標、キャパシティ制限）をモデル化し、不確実性を考慮した上でパフォーマンスを最大化する最適な計画（発注数量、生産スケジュール等）を作成します ²⁴ ². 重要なのは、不確実性は後付けではなく、計算過程に組み込まれていることです。これは、伝統的なツールがしばしば単一の予測を生成し、その後にヒューリスティックな方法でバッファ（安全在庫、安全時間）を追加するのとは対照的です。2020年のM5予測コンペティションで、世界中のSKUレベルで1位の精度を達成したLokadの成功は、予測モデリングにおけるリーダーシップをさらに証明しました ²⁵. さらに、Lokadは精度のみでは不十分であり、これらの確率的予測から最適な意思決定を導く必要があると主張しています ²⁶ ²³.

この確率的アプローチが浸透するにつれ、他のサプライチェーンソフトウェアベンダーも注目し始めました。2010年代半ばには、「stochastic（確率論的）」、「probabilistic forecasting（確率的予測）」、「AI-driven planning（AI主導の計画）」といった用語が競合他社の資料に現れ、2010年代後半には、多くのベンダーが名目上は何らかの確率的機能を提供し始めました。サプライチェーンの経営者にとっての課題は、こうしたマーケティング情報を見極めること、すなわち*これらのベンダーは「確率的」をどのように定義し、Lokadのものとどのように異なるのか？*を問うことにあります。本報告では、Lokadのアプローチと、主要ベンダーであるToolsGroup、Kinaxis、Blue Yonder (BY)、SAP IBP、o9 Solutions、RELEX Solutionsの手法を比較検討し、各社が予測と計画における不確実性にどのように対応しているかを明らかにします。

完全な確率分布を生成しているのか、それとも単なる一点予測 / 単一数値の予測に留まっているのか？
分布が言及されている場合、需要だけに限定されるのか、それともリードタイムやその他の要因にも及ぶのか？
予測の実力（例：コンペティションでの実績や公表された指標）を示しているのか、それとも主に流行語に終始しているのか？
どのように不確実性を意思決定に組み込んでいるのか（例：真の確率的最適化 vs. 単純な安全在庫計算式）？
彼らの「AI/ML」に関する主張は技術的な具体性に裏打ちされているのか、それとも既存の手法に新たな用語を付加しているに過ぎないのか？

これらの疑問を探ることで、確率的サプライチェーン最適化において、Lokadとその競合他社とのギャップを理解する手がかりとなります。以下では、各ベンダーの姿勢と機能について詳述し、「確率的」が実際にどのように解釈されているのか、そしてそれがLokadが体現する約束に見合っているのかを浮き彫りにします。

Lokadの確率的アプローチ：完全な分布と意思決定最適化

Lokadの哲学は、不確実性をより深く理解することでより良い意思決定がもたらされるというものです。具体的には、将来の需要（およびその他の不確実性）の完全な確率分布を予測し、その分布を入力として、サービスレベル、コスト、または利益などの指標を最適化する意思決定を直接計算することを意味します。いくつかの要素が、Lokadのアプローチを独自のものにしています：

早期採用とイノベーション： Lokadは確率的予測を推進するにあたり、市場をほぼ10年先取りしていました。2012年には、平均を超えた予測を公に提唱し、ビジネス目標に合わせた分位点予測を導入しました ²⁷ ¹. 2015年～2016年にかけて、Lokadは完全な確率的予測に移行し、各アイテムに対してリードタイム（または関心のある任意の期間）における需要の全確率分布を生成するようになりました ¹⁹ ²⁰. これは、アイテムごとに一つの数値を生成するという業界の常識からの根本的な転換でした。Lokadがこの分野に投資した結果、実際に「確率的予測（需要と供給）と真の確率的最適化」を実装した数少ないベンダーのひとつとなりました ².
すべての不確実性の要因をモデル化： 多くのツールが需要の不確実性のみをモデル化し、供給のリードタイムやその他の要因を固定値として扱うのに対し、Lokadはすべての重要な確率的要因を明示的にモデル化します。例えば、供給者のリードタイムが変動する場合、Lokadはリードタイム分布（例：平均6週間ではなく8週間に延びる可能性が10%）を予測します。製造歩留まりの不確実性や輸送遅延リスクが存在する場合も、それらを確率的入力としてモデル化できます。Lokadのドキュメントは、需要と供給の不確実性の両方を予測し、それらを最適化に組み込むことを強調しています ². この包括的なアプローチにより、得られる意思決定（例えば、保持すべき在庫量）は、需要変動だけでなくすべての主要な変動要因に対して備えることができます。対照的に、リードタイムの変動を無視するベンダーは、納入の遅延を予見できずに在庫不足（または実際のリスク分布を知らずに「念のため」過剰在庫）となる可能性があります。
確率的インプットによる最適化（単なる予測ではない）： 重要なのは、Lokadが分布の予測にとどまらず、数学的最適化モデルにそれらを活用して意思決定を導出する点です。LokadのEnvisionプラットフォームでは、（例えば期待利益の最大化や総コストの最小化などの）目的関数を作成でき、これが確率的結果の全範囲で評価されます ²⁶ ²³. Techniques like Stochastic Discrete-Event Simulation and Stochastic Optimization (Lokad introduced methods like Stochastic Discrete Descent in 2021 to solve these problems ²⁰) compute the best decision by weighing thousands of possible future scenarios (drawn from the forecast distribution). This yields recommendations like order X units now (or set reorder point to Y), with known probabilities of stockout or overstock based on the forecast. It’s a holistic forecast-to-decision pipeline: data → probabilistic forecast → optimized decision. Many vendors, by contrast, either provide forecasts and leave the rest to planners, or use simplistic rules (like “safety stock = Z * σ of demand”) that are not true optimizations.
透明性とカスタマイズ性： Lokadはそのアプローチをホワイトボックス化する取り組みを行っています。Envisionは、企業が実情に合わせてモデルを調整できる完全にプログラム可能なエンジンです。例えば、陳腐化が懸念される場合、一定日以降に需要がゼロに落ち込む確率をモデル化することができ、供給業者の失敗の可能性がある場合にはそのシナリオも組み込むことができます。この柔軟性により、「確率モデル」がブラックボックスではなく、理解可能で調整可能なものとなり、いくつかのベンダーの画一的なブラックボックスAIとは対照的です。さらに、Lokadの結果と手法は、ウェブサイトやYouTube講義（サプライチェーン「Lokad TV」）で詳細にドキュメント化されており、企業ソフトウェアでは一般的でない技術的透明性のレベルを反映しています ²⁸ ²⁶.
実績による信頼性： Lokadの確率的予測の信頼性は、外部のベンチマークによって裏付けられています。よく引用される点のひとつは、グローバルな予測コンテストであるM5コンペティションにおいてSKU/アイテムレベルで最高精度を達成したことです ²⁵. これは、Lokadの予測技術が最先端であるという客観的な証拠となります。さらに、クラウドネイティブで完全自動化されているため、これらの先進技術が手動介入なしで大規模に実行可能であり、日次または週次の再最適化が「ハンズオフ」で行われる点は実用性にとって必須です。要するに、Lokadは最先端の科学と自動化を組み合わせ、洗練されたモデルと使いやすさとの従来のトレードオフを解消しようとしています。

要するに、Lokadの確率的アプローチは、真のエンドツーエンドの確率的プランニング、すなわち細かな不確実性が予測され、それがそのまま不確実性下で結果を最適化する意思決定に直結する仕組みを意味します。これは単なるモジュールや機能ではなく、Lokadプラットフォームの核となっています。本レポートの残りでは、Lokadの標準を尺度として、他のベンダーが確率的予測をどのように取り入れているか（あるいは取り入れていないか）を検証していきます.

競合ベンダーとその「確率的」アプローチ

確率的手法が注目を集める中で、他のサプライチェーンソフトウェアベンダーは様々な方法で対応しています。中には確率技術に端を発しているが最近はあまり進化していない企業もあれば、既存ツールの要素に確率論的用語を再ブランド化することで新たな機能を付加した企業もあります。以下では、各主要ベンダーのアプローチについて検証します:

ToolsGroup – 初期の確率モデル革新者、しかし分位点に注力し需要のみを対象

背景： ToolsGroupはサプライチェーンプランニングのベテラン企業（1993年創業）で、特に予備部品の需要予測において初期の確率モデルの活用で知られています。1990年代、ToolsGroupは間欠的需要に対してポアソン分布などを用い、需要変動を統計的にモデル化する手法を導入し、純粋な決定論的プランニングに挑戦しました ²⁹. この伝統により、ToolsGroupは長らく確率的予測について言及しており、彼らのフラッグシップ製品である*Service Optimizer 99+ (SO99+)*システムは、需要変動に基づいた「統計的安全在庫」を長年にわたり計算してきました。現代のマーケティングにおいても、ToolsGroupは「確率的需要予測（すなわち確率的予測）が効果的なプランニングの礎である」と主張し続けています ³⁰.

実践における確率論： その伝統にもかかわらず、ToolsGroupの現在のアプローチは、Lokadの包括的な確率論フレームワークと比較すると範囲が限定的に見えます。特に：

需要分布はあるが、供給パラメータは静的： ToolsGroupは単一点の予測ではなく、需要分布を生成します。例えば、SO99+は「在庫対サービス」曲線を生成でき、これは補充リードタイム中の需要確率分布と、特定の在庫水準で達成されるサービスレベルを本質的に示しています ³¹. これは、ToolsGroupのエンジンが補充リードタイム中の需要分布をシミュレーションまたは解析的に導出する、有用な確率的出力を意味します。しかし、ToolsGroupは完全な確率モデルには踏み込まず、リードタイムを予測される不確実性ではなく入力として扱っています。ToolsGroupのドキュメントでは、リードタイムはユーザーがモデルに提供する「供給パラメータ」の一部として記載されています ³². SO99+が過去の供給業者の実績を分析し、リードタイムの確率分布を出力するという兆候はなく、ユーザーがリードタイムの平均と標準偏差を入力することで、その値が決定論的に安全在庫計算に組み込まれるにとどまります ³³. これは、もし供給業者のリードタイムが一時的に乱れで倍増する場合、ToolsGroupの最適化がそのリスクを十分に考慮しない可能性がある、すなわち重大な不確実性の要因を無視していることを意味します ³⁴. 対して、Lokadあるいは「完全な」確率アプローチでは、例えばリードタイムが10%の確率で倍増する可能性を明示的にモデル化し、それに応じて在庫推奨を調整するでしょう。このリードタイムの確率予測の欠如について、ある分析は次のように結論づけています：「ToolsGroupは完全な確率テストに合格していない ― リードタイムは静的な入力としてのみ扱われ、予測される不確実性としては考慮されていない」 ³².
2018年の「確率的」プッシュとMAPEの混乱： ToolsGroupは2018年頃から「確率的予測」を大々的に宣伝し、市場の動向に反応しました。しかし、このマーケティング推進は、確率的予測パフォーマンスの測定方法に関する理解不足（または透明性の欠如）によって弱体化しました。具体的には、当時のToolsGroupの資料は、確率的予測の主張とともに、MAPE（平均絶対百分率誤差）の改善を謳っていました ⁴. MAPEは一点予測の精度を測る指標であり、単一予測値と実際の需要との差を評価するものです。確率的予測（分布または複数の分位点を生成する予測）に対しては、MAPEは適用できません ³⁵. 予測分布をまず一点推定に還元せずに「分布予測のMAPE」を計算することは不可能です（そうすると確率的出力の意味が失われます）。従って、ToolsGroupが確率的予測と並行してより良いMAPEを誇示していたということは、実際には中央値などの点予測を用いて誤差評価を行っていたか、もしくは単なるマーケティング上の見落としであったことを示唆しています。いずれにせよ、これは次のような懐疑を呼び起こしました：「この明らかな混同は、ToolsGroupの確率的イニシアティブが実態というよりも、単なる流行語の寄せ集めに過ぎない可能性を示している」 ⁴. 言い換えれば、ToolsGroupは分布の範囲やいくつかの分位点といった確率的出力の特徴を追加したものの、内部的には依然として決定論的な視点で評価・思考している可能性があるのです.
分位点（サービスレベル）への注力： 入手可能な情報から、ToolsGroupの確率データの利用は主に目標サービスレベルの実現に資するものです。ToolsGroupを利用するプランナーは通常、例えば95%や99%といった望ましいサービスレベルを設定し、システムは需要の変動性を考慮してそのサービスレベルを達成するための必要在庫量を計算します。これは、需要分布の上位分位点を用いて行われます。例えば、95%のサービスを目標とする場合、ToolsGroupはリードタイムにおける需要の95パーセンタイルをカバーする在庫を確保します。これは実質的に分位点予測、すなわち95パーセンタイル需要の計算を意味します。有用である一方、これは確率的予測の限定的な形態であり、システムはコスト最適な意思決定のために分布全体の形状を活用するのではなく、1つまたは2つの分位点（例：P50およびP95）を算出して安全在庫を設定するに留まります。対して、Lokadは過剰在庫対欠品のコストを踏まえ、例えば期待利益を最大化する87パーセンタイルのように、動的に最適な分位点を選択する可能性があります。
広範なAI/MLのブレイクスルーはなし： ToolsGroupは予測に機械学習を統合していますが、レビューではこれらは比較的標準的な手法（回帰、時系列モデル、場合によってはMLによる調整）にすぎないとされています。ToolsGroupの「AI」に関する主張は懐疑の目で見られており ³⁶ ³⁷、専門家はToolsGroupの公開情報が「2000年以前の予測モデル」を用いていることを示唆している ³⁸（例えば、間欠的需要に対するCroston法など）。同社は新たな確率アルゴリズムを実証しておらず（例えば、ディープラーニングを用いた確率予測やコンテストへの参加の証拠はない）、したがってその確率的予測は新たなパラダイムというよりは、従来の統計モデル（より多くの出力を付加する形）の拡張と捉えられます.

ToolsGroupに関する評価： ToolsGroupは、長い実績を持つ在庫最適化の信頼あるソリューションであり続けています。数十年前に確率的概念を取り入れたものの、その取り入れの幅は今日では限定的なようです。需要の不確実性をモデル化し、それに応じた安全在庫を算出する点は評価に値します。しかしながら、明示的なリードタイム予測を無視し、確率的出力と決定論的思考（例：MAPE）を混用しているため、ToolsGroupの「確率的」アプローチはLokadの示す完全性と厳密性に欠けています ³². ある批評はこう述べています：ToolsGroupの最新の流行語の使用は、常に根底にある現実と一致しているわけではなく、*「最新のバズワードと旧来の手法の混合」*であると指摘しています ³⁸. 企業は、ToolsGroupが需要の不確実性下で所望のサービスレベルに対する在庫目標の決定を支援してくれる一方で、全てのリスクを定量化したり、すべての確率的シナリオ下で意思決定を再最適化する、完全な確率最適化のような機能が備わっているとは限らないことを理解するべきです.

Kinaxis – 決定論的な起源と新たな分位点予測および確率的在庫追加機能

背景： Kinaxisは、そのRapidResponse（最近は「Kinaxis Maestro」とリブランディング）のプラットフォームで知られており、長年にわたりサプライチェーンプランニング、特にセールス＆オペレーションズプランニング（S&OP）やシナリオ分析のリーダーでした。Kinaxisの特長は、高速なインメモリ計算エンジンにあり、プランナーがリアルタイムシミュレーション（例：「もし需要が10%増加したら」）を実行し、サプライチェーン全体に与える影響を即座に把握できる点にあります。歴史的にKinaxisは、自社が予測エンジンであることに重点を置かず、代わりに他所からの予測を取り込むか、単純な手法を用い、供給・キャパシティ・在庫の再プランニングにおいて統合と迅速性を強調してきました。そのプランニングは主に決定論的であり、シナリオは唯一の真実のバージョンとして扱われ、安全在庫やバッファはプランナーや基本ルールによって設定されていました.

確率的手法へのシフト： ここ数年、Kinaxisは、より先進的な予測と不確実性管理に対する業界の潮流（および顧客の要求）を明確に認識し始めました。いくつかの動きがこのシフトを示しています:

Wahupaとのパートナーシップ（2022年）： 2022年5月、Kinaxisは、確率的多層在庫最適化（MEIO）を専門とする小規模なソフトウェア企業Wahupaとのパートナーシップを発表しました ³⁹. Wahupaのエンジンは、需要と供給の不確実性を定量化し、確率的モデルを用いて複雑なネットワーク全体で在庫バッファを最適化するよう設計されています。アイデアは、Wahupaの確率的MEIOをKinaxisのプラットフォーム内に組み込む（「ソリューション拡張」として）ことでした ⁴⁰ ⁴¹. これにより、従来の決定論的またはルールベースの手法ではなく、確率論的ロジックを用いて在庫目標を算出する方法がKinaxisの顧客に提供されることとなります。Kinaxisは、WahupaのCEOと共著で、確率的プランニングと決定論的プランニングの違いについて論じるブログ記事も発表し、このアプローチの普及に努めたことを示しています ⁴² ⁴³. しかし、Wahupaの統合は困難に直面したようです。2023年後半～2024年前半にかけて、業界の観測者はこの提携が目に見える進展をほとんど示しておらず、確率的MEIOの機能がKinaxisのケーススタディやユーザーストーリーで広く言及されていないと指摘しました。未確認の報告やLokadの調査の調子からは、Wahupaの統合はなかなか浸透せず、静かに優先順位が下げられるか棚上げされた可能性が示唆され、実質的に「小さな失敗」に終わったと見なされています。Kinaxis 2024年の年次報告書には依然としてパートナーとしてWahupaが記載されていますが、成功の証拠は乏しいです。この事実は、既存のプランニングプラットフォームにとって、元々そのデータモデルに組み込まれていない新たな確率的最適化エンジンを後付けすることがいかに困難であるかを浮き彫りにしています ⁴⁴ ⁴⁵.
Rubikloudの買収（2020年）： Kinaxisは、リテール需要予測とAIに焦点を当てた機械学習企業Rubikloudを2020年に買収しました。Rubikloudの技術には、単なる一点予測ではなく、予測区間（基本的な確率的出力）も生成可能な最新のML予測が含まれていたと考えられます。この買収は、KinaxisがAIを活用して需要予測能力を強化しようとしている初期の兆候でした。2023年までに、Kinaxisは「Planning.AI」と呼ばれる一連の製品を市場に投入し、先進的なML予測をプランニングプラットフォームに統合しました ⁴⁶. 詳細は限られていますが、これによりKinaxisは需要に対して関連する信頼区間（分位数）を伴った予測を生成し、それをシナリオに反映することが可能になったと考えられます.
MLベースの分位点予測に関する特許 (2023): 2023年、Kinaxisは機械学習モデルを用いた予測手法と、未知の需要サンプルに対して一連の分位点を決定する方法について、米国特許出願を行った ⁵ ⁴⁷. この特許は、過去のデータに基づいてツリーベースのモデルを訓練し、その後合成値を生成して出力予測として一連の分位点を算出する手法を記述している ⁴⁸ ⁴⁹. 目的は明示的に「分位点に基づく在庫最適化」を行うことにあり ⁵⁰. 本質的には、これはMLを用いた分位点予測の形式化であり、結果として、ある製品に対してモデルがP50、P75、P90の需要予測（または指定された任意の分位点）を出力し、それらを在庫レベルの決定に活用できるということになる。Kinaxisがこの分野で特許を追求したことは、確率的需要予測のための社内IPを開発していることを示している（なお、分位点予測は依然として完全な分布予測のサブセットであり、比較的「弱い」形態の確率的モデリングであることに注意される）。
慎重なメッセージングと進化: Kinaxisは、AIおよび確率的予測に関するマーケティングにおいていくぶん慎重であった。一部の競合他社とは異なり、「AIマジック」といった主張でブランド全体を覆うことはなかった。代わりに、人間と機械の知性の組み合わせや「同時計画」（リアルタイムのワットイフ）という用語を強調している。しかし、これらの新機能を追加するにつれて、Kinaxisは不確実性についてより率直に議論するようになった。Kinaxisのブログが確率論の概念に踏み込んでいる事実は前向きな兆候である ⁴². それでもKinaxisは、自社が歩んでいる道を認めており、*「決定論的なレガシーから、不確実性下でのより多くの意思決定自動化へと移行している」*と述べている ⁵¹. 2025年初頭時点では、確率的機能はまだ萌芽段階である。例えば、Kinaxisはオープンな予測コンペティションに参加したり、新しい確率的エンジンの有効性を示す技術白書を発表したりしておらず、成熟度の証明は限定的である ⁵².

現在Kinaxisが提供している内容: これらの変化により、Kinaxisは現在、（または近いうちに）2つの主要な確率的要素を提供する:

確率的MEIO（Wahupa経由）: 複数のエシェロン間の需要変動性を考慮して最適なバッファーを算出できる在庫最適化手法。これがうまく実装されれば、ToolsGroupやSmartOpsの機能に類似するものとなるが、モンテカルロシミュレーションなどを用いることでさらに進んだものとなる可能性がある。たとえば「各ノードにおける需要の分布と供給の不確実性を踏まえ、各拠点でXのサービスレベルを達成またはコストを最小化するために、どれだけの安全在庫を保持すべきか？」という問いに答える。
MLベースの需要予測と分位点: Rubikloud/Planning.AIからのAI予測モジュールで、単一の予測値だけでなく、幅（例：ハイ-ローの帯）も生成する。これにより、例えば需要がP90予測を上回る確率が10%であるといったリスク感を与え、計画の改善が期待できる。プランナーやアルゴリズムはそれに応じて計画を調整できる（例：リスクが許容範囲であれば、生産量を増やしてテールリスクに備える）。

しかし、これらの機能は現在は別々に存在している可能性があり、プラットフォーム内で深く統合されていない点に注意する必要がある。Kinaxisの強みは、新たな入力に対して計画を迅速に再計算できることである。しかし、もしその入力（予測や安全在庫パラメータ）が確率的なものであるなら、KinaxisはUIやプロセスがそれに対応できるようにする必要がある（例えば、プランナーに一つの計画ではなく分布的な結果を提示するなど）。これは容易なことではない。

Kinaxisに対する評価: Kinaxisは確率的トレンドに追いつきつつある。不確実性モデリングを取り入れるために、パートナーシップ、買収、研究開発といった具体的な動きを見せている。しかし、現時点ではKinaxisのアプローチは、基本的にはシナリオベースの計画ツールに分位点予測と確率的アドオンを追加したものと評価できる。内部で全ての計算が分布形式で行われるパラダイムには（まだ）至っていない。同社自体も移行を認めており、プランナーがシナリオ評価にツールを使用し、自動化が制御された方法で適用されていると強調している ⁵³ ⁵⁴（例：閾値内であれば自動的に特定の計画決定を実行するが、完全にハンズフリーというわけではない）。要するに、Kinaxisの確率的機能は根本的な再発明というよりは段階的な改善であり、以前より不確実性に関する洞察は得られるようになったものの、コアとなる計画ロジックがLokadのアプローチ並みの洗練度を持つことはまだ証明されていない。今後、Wahupa MEIOがどれほど深く統合されるのか、またKinaxisがその分位点予測によってより良いサプライチェーン成果をもたらすことを示せるのかを注視する必要がある。2025年時点では、Kinaxisは理論上は確率的であり、特許やパートナーシップを保有するが、実体はまだ構築中である。

Blue Yonder – 従来型計画の巨大企業が深い変更なしで確率的用語を採用

背景: Blue Yonder（BY、旧JDA Software）は、需要予測、供給計画、マーチャンダイジングなど、サプライチェーンソフトウェアの分野で重量級の企業である。JDAは2000年代初頭の大手企業であるManugisticsとi2 Technologiesを買収し、その技術を受け継いできた長い歴史を持つ。2020年にJDAはBlue Yonderにブランド変更し、その後Panasonicに買収された。Blue Yonderの最新プラットフォームはLuminateと呼ばれ、これらのレガシーモジュールの上にAIとクラウドアーキテクチャを取り入れることを目指している。

マーケティングにおける「確率的」とAIの活用: Blue Yonderの近年のマーケティングは、「自律的計画」、「認知型サプライチェーン」、およびAI/MLといった流行語に大きく依拠している。一部の文脈では、「確率的予測」を明示的に言及しており、例えばBlue Yonderの需要予測のAzure Marketplaceの説明には**「自律的かつ確率的な予測」**と記されている ⁵⁵. また、Blue Yonderは確率的予測の評価（キャリブレーション、シャープネス）に関するブログ記事も発表しており ⁵⁶、彼らのデータサイエンスチームがこれらの概念を理解していることを示している。しかし、重要な点は、これらが理論的議論に留まっているのか、それとも実際に製品へ実装されているのかということである。

製品における現実: 証拠は、Blue Yonderの主要な予測および計画のアプローチが大部分で決定論的なままであり、いくつかの改善が加えられていることを示唆している:

予測エンジン: Blue Yonderの需要計画（現在はLuminate Planningの一部）は、伝統的に時系列アルゴリズム（指数平滑法、ARIMAなど）を使用し、需要センシングのために機械学習で補強される可能性がある。Blue Yonderは、時系列データの特徴抽出用の「tsfresh」や、ARIMAおよび最適化に関連する「PyDSE」、「VikOS」などのツールをオープンソース化または参照している ⁵⁷. Blue Yonderのオープンソースへの貢献の分析では、AIマーケティングにもかかわらず、何十年も前の手法（ARIMA、回帰）に依存していることが指摘されている ⁵⁸ ⁵⁷. これは、Blue Yonderが内部的には最先端の確率的アルゴリズム（ディープラーニングによる分位点回帰や確率的グラフィカルモデルなど）を使用しているのではなく、実績のある予測手法を用い、場合によってはMLを重ね合わせてモデルの調整や選択を行っている可能性が高いことを示している。
確率的出力: Blue Yonderが実際に確率的な予測（分布）を出力しているかというと、デフォルトで完全な分布を出力しているという公開された証拠はほとんどない。彼らは「動的安全在庫」について言及しており、これは予測の変動性に基づいて安全在庫レベルを再計算することを意味するが、これが確率的予測と誤解される可能性もある。考えられる一例として、Blue Yonderは基準となる予測と誤差分布（例：予測誤差の分散を算出）を生成し、例えばリードタイム中のP90需要を算出して安全在庫を設定する（ToolsGroupのアプローチに類似）可能性がある。これは分位点を示すものであるが、完全な分布報告ではない。Blue Yonder自身の「認知型在庫」に関する文献は、確率的在庫最適化（確率に基づく在庫レベル）の再定義を試みたが、どのように異なるのかについて*「技術的な裏付けがない」*と述べている ⁵⁹. 要するに、Blue Yonderは適切な用語を理解しており、静的な安全在庫の代わりに需要変動を動的（確率的）に考慮すべきだと認識している。しかし、実際の実装は従来の安全在庫計算式（需要変動が正規分布していると仮定する、または予測平均と分散に基づく正規/ポアソン分布から単純にパーセンタイルを参照する）に依拠している可能性が高い。
リードタイムの不確実性: Blue Yonderが計画ソリューションにおいてリードタイムの予測や、リードタイムを確率変数として扱っているといった言及は見当たらなかった。ほとんどの企業と同様に、BYはリードタイムを固定パラメータとして扱っている（プランナーがクッションを加える場合もある）。したがって、Blue Yonderは、供給側の不確実性を明示的に無視することで完全な確率的基準を満たしていない ⁹。また、同社は需要予測に注力しており、そこでさえも主に一点予測に留まっている。
統合と革新: Blue Yonderは本質的に多数のモジュールの集合体である。例えば、ESP（Enterprise Supply Planning）やIO（Inventory Optimization）といった一部のモジュールは、Manugisticsやi2のアルゴリズムにまで遡るものである。これらには、2000年代初頭に最先端であった複数エシェロンの在庫最適化（需要分散を解析的に考慮していたもの）が含まれている可能性がある。しかし、Blue Yonderの課題は、統一されたエンジンではなく、「寄せ集めの旧態依然とした製品群」である点にある ⁶⁰. 同社はAI層（Luminate）を追加して近代化を試みたが、それはしばしばダッシュボードや小規模なML駆動の改善に留まり、コアエンジンの再構築には至っていない。したがって、確率的な主張はこの寄せ集め的な状況を踏まえて評価されるべきであり、BYの一部は予測信頼区間を出力し、また別の部分（在庫最適化）は古典的な計算式を使用し、さらに別の部分は単に決定論的な供給計画を実施している可能性がある。その一貫性には疑問が残り、真にエンドツーエンドな確率的ワークフローを統合するには、かなりのリファクタリングが必要となるが、それはまだ明らかになっていない。
曖昧なAI主張: アナリストは、Blue YonderのAIに関する主張が曖昧で実質的な根拠に乏しいと指摘している。例えば、BYは確率モデルを補強するためにMLを使用していると述べた ⁵⁷が、具体的にどのアルゴリズムがどれほど効果を発揮しているのかという詳細は示していない。Blue Yonderは、Blue Yonder GmbH（皮肉なことに、JDAが2018年に買収したドイツのAI企業）などのAIスタートアップを買収しており、またいくつかの大学研究とも提携している。しかし、これらの取り組みはいずれもサプライチェーンの確率的予測における明確な、公開されたブレークスルーに結びついていない。マーケティングは技術的現実よりも一段階上のレベルに留まっている。

Blue Yonderに対する評価: Blue Yonderはまさに**「現実を超えたバズワードの例」である。確率的、認知的、自律的といった用語を多用するが、実際に問われるとそのソリューションはかなり標準的な予測および計画手法を実装しているように見える ⁵⁷ ⁶¹. 公平を期すならば、Blue Yonderは豊富な業界経験と幅広い機能群を誇り、需要予測からフルフィルメントまで業界固有の機能（例：専門化された小売計画機能など）を提供する強みを持っている。しかし、確率的予測という狭い文脈では、Blue Yonderはその概念を認識しており、おそらく分位点に基づく安全在庫ロジックやMLによる予測強化を追加しているにすぎない。Lokadのように、すべての決定がシミュレーションシナリオから導かれる確率的最適化は実現されていない。内部の批評も、「Blue Yonderの『確率的』の使用は実質的にリブランディングであり、*『派手な用語で再加工されただけ』*で新しいアルゴリズムはない」とまとめている ⁵⁹. Blue Yonderの導入を検討する企業は、最先端の確率的予測エンジンが得られると期待すべきではなく、むしろ、現代的なUIを備えた、やや旧態依然とした予測ツールセット**を手に入れることになり、確率的な利点は根本的な確率的最適化ではなく、より頻繁な予測更新や自動例外管理といった段階的な改善からもたらされるだろう.

SAP IBP – 強力だが複雑なスイートで、確率的ルーツ（SmartOps）の活用は大部分が十分でない

背景: SAPのIntegrated Business Planning (IBP)は、SAPのAPO (Advanced Planning & Optimization)の後継であり、需要予測、供給計画、在庫最適化の各種モジュールを統合している。ERP大手であるSAPは、財務や販売からサプライチェーン実行に至るまで、エンドツーエンドで統合されたプラットフォームという約束をもって競争している。歴史的に、SAPの計画ツールは主に決定論的であり、APO需要計画は一点予測を提供し、APO在庫計画は単純な計算式またはせいぜい一段階の計算で安全在庫を算出していた。ギャップを認識したSAPは、2013年のSmartOps（確率モデルで知られる先進の多エシェロン在庫最適化企業）や、2009年の需要予測企業SAF AGなどの戦略的買収を通じて対策を講じた。特にSmartOpsは、複数のエシェロン（拠点）にまたがる在庫を、最小コストでサービスレベルを満たすように最適化する確率的エンジンをもたらした ¹⁰. 本質的には、SmartOpsは需要の不確実性（およびある程度、仮定に基づくリードタイムの変動性）を数学的にモデル化し、安全在庫を推奨する仕組みを提供した。これがSAPのIBP for Inventoryモジュールとなった. SAPにおける確率的機能の現状:

需要予測: SAP IBPには需要モジュールがあり、高度な統計手法や機械学習（SAPには予測に利用できるAnalytics Cloudがあり、勾配ブースティングなどの技法を含む）を活用できる。しかし、SAPは通常、これらを予測精度（MAPE等）の向上として提示しており、完全な確率分布を提供するものではない。一般的な出力は、合意形成プロセスを経る場合もある単一の予測値であり、確率的需要予測という概念は前面に押し出されていない。したがって、SAP IBPの需要計画は誤差指標を生成する可能性はあっても、システムの他部分で利用される分布をネイティブに出力するものではない.
在庫最適化（SmartOps）： 原則として、IBP 内の SmartOps は確率論的モデルを使用します。SmartOps は 在庫ポジションの確率分布 を計算し、最適な在庫水準を求めることで知られていました。これは、需要の変動性と供給の変動性（後者は限定的に、しばしば「安全時間」やリードタイムの変動係数を用いる）を考慮しています。もし IBP for Inventory が実装されれば、企業は予測誤差の分布とリードタイムの変動性を入力することで、各ロケーションでの所定のサービスレベルを最小在庫で達成するための推奨安全在庫を得ることができます。これは 確率論的最適化 の一形態ですが（ToolsGroup のアプローチに似ていますが、多段階）、実際にこれを完全に展開している SAP の顧客はほとんどいません。理由の一つは複雑性であり、IBP はモジュール式のため、すべての実装に在庫最適化の要素が含まれるわけではなく（単に S&O&P や需要計画だけの場合もあります）。また、SmartOps のアルゴリズムはブラックボックスである可能性があり、多くの企業が提供または維持するのが難しい大量の統計データを必要とします（例：各アイテムごとの予測誤差分布を正確に把握する必要があるなど）。
確率論への強調（またはその欠如）： ご指摘の通り、SAP はメッセージングにおいて確率論的予測を強調していません。彼らは、最高の予測アルゴリズムを持っていると主張するのではなく、統合（一貫した真実のバージョン）、シナリオプランニング、クラウドベースなどを売りにしています。実際、SAP の評価は深さよりも幅広さに重点があり、「機能は豊富だがアルゴリズム的には先進的ではない」⁶²とされています。これは、SAP が SmartOps の数学的要素などのパーツを持っているにも関わらず、それをさらに発展させていないという認識の表れです。批評によれば、KXEN（2013年に SAP が買収した予測分析企業）のような買収があったにもかかわらず、SAP の予測は必ずしも従来の手法を使用した場合より優れているわけではないと指摘されています⁶³。また、ある調査ノートでは、この分野において現代の ML 手法が古い統計モデルを明確に上回っていないことが示され、SAP がそれらの買収を統合した結果、劇的な改善が得られなかったことが示唆されています⁶³。
リードタイムおよびその他の不確実性： SAP の標準計画は固定のリードタイムを前提としています。在庫最適化ツールを使用すれば、リードタイムの変動性を入力する（または単にリードタイムをより高いパーセンタイルに引き上げる）ことが可能です。しかし、SAP はデータから自動的にリードタイムの分布を学習しません。必要に応じて、ユーザーにはパラメータとして「サービス時間」（例：パーセンタイルリードタイム）を提供することが求められます。つまり、他のシステム同様に、SAP は供給に対して内部的に確率論的予測を生成せず、設定に依存しています。
複雑性と断片化： 大きな欠点の一つは、SAP のソリューションが複数の買収により断片化している点です。需要予測はあるモジュール（特定の仮定のセットを用いる）から得られ、在庫最適化は別のモジュールから得られることがあります。これらが完全に連携していない場合、IBP Demand の一点予測を IBP Inventory に供給してしまい、内部的に一定の標準偏差を持つ正規分布の需要を仮定してしまいます。もし予測誤差がその仮定に従わなければ、在庫の出力が最適でなくなる可能性があります。レビューからは、「エンタープライズソフトウェアは M&A によって混合されにくい」 という指摘があり、SAP の各パーツはシームレスに組み合わさっていなかったと言われています⁶⁴。したがって、実装が慎重に調整されなければ、確率論的側面が失われたり、一貫性のない結果となる可能性があります。多くの場合、SAP を利用する企業は簡素化に走り、例えば IBP を使って概算の統計モデルにより安全在庫を計算し SmartOps を完全には活用せず、最適化ツールを信頼または調整するのが困難なためにオフにし、より単純なルールで安全在庫を設定する結果となります。

SAP IBP の評価： 理論上、SAP IBP は SmartOps を通じて 確率論的最適化機能 を備えており、他のシステムに比べて Lokad のアプローチに近い位置にあります。しかし、実際には SAP はこれらの機能を積極的に推進・進化させておらず、多くの顧客がその存在に気付き、活用しているとは言い難いです¹¹。確率論的要素は、機能チェックリストを満たすための付加的な要素（多段階在庫最適化を必要とする場合用）にすぎません。SAP の主要な売りは、それが包括的な SAP エコシステムの一部であるという点にあり、最先端の分析エンジンであるという主張ではありません。したがって、Lokad と比較すると、SAP IBP における確率論的手法の利用は 偶発的でやや停滞していると言えます。SAP IBP を確率論的予測のために検討する企業は、在庫最適化モジュールを具体的に実装し、これを調整するための十分な 専門サービス（またはコンサルタント）を確保する必要があります。実際、SAP の先進的な計画機能を成功させるには「最高の統合業者と数年」が必要だと言われています⁶⁵。これは、SAP の確率論的技術が存在しているものの、複雑性の下に埋もれており、すぐに価値を提供する状態ではないことを示しています。

o9 Solutions – 確率分布への強調が限定された統合型「デジタルブレイン」プラットフォーム

背景： o9 Solutions は、元 i2 幹部によって 2009 年に設立された比較的新しいベンダーであり、すぐに「次世代」の計画プラットフォームとしての評判を確立しました。o9 の焦点は、ビジネスの統一モデル（Enterprise Knowledge Graph） を構築し、需要、供給、財務の各領域においてリアルタイムの計画を実施することにあります。非常に バズワードフレンドリー であり、組織のデジタルツイン、リアルタイムシナリオプランニング、さらには生成 AI 機能などの概念を売りにしています。その起源から、o9 は分断されたツールよりも 統合計画 を強調する、いわば i2 Technologies の精神的後継者のような役割を果たしています。

予測と不確実性へのアプローチ： o9 は確かに先進的な分析を予測に活用していますが、独自の売りとして 確率論的予測 を推し進めているようには見えません。注目すべき点は以下の通りです：

機械学習を用いた予測分析： o9 は統計的予測と機械学習を活用した需要感知を提供しています。彼らのケーススタディでは、販売時点、天候、ウェブ検索など、さまざまなデータを用いて短期予測を改善していることが言及されています⁶⁶。これは、o9 が予測の精度の向上、すなわちより多くのシグナルを取り入れてより良い一点予測を得ようとしていることを意味します。また、シナリオシミュレーションにも触れており、o9 の「Supply Sensing」は外部要因を監視し、それがサプライチェーンに与える影響をシミュレーションすることができます⁶⁶。とはいえ、これは不確実性を認識するものの、各シナリオが「もし〜なら」という決定論的なものであり、多数の可能性に対する確率分布を自動で示すものではありません。
Enterprise Knowledge Graph： o9 が採用しているグラフベースのモデルは、製品、ロケーション、顧客などの関係性を捉え、シナリオ分析において強力なツールとなります。例えば、ある部品の納期が遅れた場合、グラフは影響を受ける全ての製品を素早く示し、プランナーが計画を再計算するのに役立ちます。しかし、これも本質的に確率論的なものではなく、あくまで速度と洞察を促進するための構造化データモデルに過ぎません。
確率論的な出力の証拠がない： 現時点で、o9 が予測に対して完全な確率分布を出力しているという証拠は見受けられません。彼らの公開資料（および Lokad に懐疑的なレビュー）からは、o9 は一点予測と決定論的最適化に固執していることが示唆されており、非常に迅速かつ統合された形で提供されています¹²。彼らは what-if 分析を強調しており、これは入力値を手動で変動させて異なる結果を確認することができる、すなわちシステムが自動的に不確実性を定量化するわけではないことを意味します。要するに、o9 はユーザーにさまざまな可能性を探る手段を提供するに留まっており、各シナリオの発生確率や最適な期待結果を自動的に示すものではありません。「Digital Twin」や「リアルタイムシナリオプランニング」という用語の多用は、プランナーがシナリオを生成し、システムが迅速に結果を計算するというインタラクティブな計画の考え方を指しています（例：需要が 10% 増加した場合、在庫はどうなるか）。これは、システム自体がバックグラウンドで何千ものシナリオを処理して最適な計画を選択する Lokad のアプローチとはやや異なります。
Lokadとの比較： 直接的な比較では、o9 は幅広い統合を強調している（多くの計画機能の統合、IoT データの取り込みなど）のに対して、Lokad は定量的最適化における深さを重視していると指摘されています¹²。o9 の強みは、大企業に対して需要、供給、財務などすべてのデータと計画を一元的に結びつけ、部門横断的な協力を可能にするワンストップのプラットフォームを提供する点にあります。一方、Lokad の強みは、在庫や生産最適化といった特定の数値問題を、可能な限り数学的厳密性（確率論的モデリング、カスタムアルゴリズム）をもって解決する点にあります。つまり、o9 は 広い視野 の計画を提供する一方で、内部では従来型の予測手法を使用している可能性があり、Lokad は 狭いながらもより先進的な分析の視点 を提供しているのです。Lokad のレビューが示すように、o9 は「様々な計画機能を統一フレームワークに統合する一方で、Lokad は深い分析自動化を通じて精密で実行可能な提言を生成する」という立場をとっています¹²。
最近の開発動向： o9 は確かに AI 要素を追加しており（システムへのクエリに生成 AI を使用するなどと述べています）が、確率論的予測が追加されているかどうかは不明です。最終的には、o9 が何らかの確率論的予測ライブラリを組み込むか、少なくとも Python/R との連携を可能にする可能性はあります。しかし現時点では、o9 の差別化は新しい予測アルゴリズムの発明ではなく、ソフトウェアの提供方法（クラウドベース、リアルタイム、ユーザーフレンドリーな分析）にあります。

o9 の評価： o9 Solutions は、多くの業務を迅速かつ協力的に実行するための 単一プラットフォーム を求める組織にとって強力な計画ツールです。しかし、特に確率論的予測に関しては、o9 はその分野でリードしたり革新したりしているようには見えません。おそらく、機械学習を用いて「十分な精度」の予測を提供し、その結果を計画シナリオで即座に利用可能にすることに重点を置いているのでしょう。公開資料において確率論的予測の言及はほとんどなく、もし o9 を実装して確率論的予測を望む場合は、システム外部もしくはカスタムコードによってそれらを生成する必要があるかもしれません。要するに、o9 の価値提案は 機敏性と統合性 にあり、先進的な確率論的最適化には重点を置いていません。厳格な確率論的アプローチを重視する企業は、o9 を外部のデータサイエンスの取り組みで補完するか、または特定のニーズに対して専門ツール（例えば Lokad）がより適しているかを検討すべきです。

RELEX Solutions – 決定論的予測と迅速な再計画を用いる、AIを謳う小売専門家

背景： RELEX Solutions はフィンランドの企業で（2005年創業）、特に小売および食料品分野において急速に成長しています。RELEX のプラットフォームは、需要予測、補充、アロケーション、プラノグラム最適化を網羅しており、生鮮食品（劣化しやすい品目）、プロモーション、店舗レベルの計画に特に注力しています。RELEX は、非常に細分化された高頻度の計画（店舗/SKU の日次予測、日内予測など）および在庫レベルのリアルタイムダッシュボードといったユーザーフレンドリーな分析機能により、小売業者から支持を得ています。彼らは自社を高度に自動化され「AI駆動」としてマーケティングしています。

確率論的側面（またはその欠如）： RELEX の需要予測および在庫管理のアプローチは、本質的に 明示的な確率論的モデリングではなく、速度と頻度に重点を置いている という点にあります：

頻繁な再予測（需要感知）： RELEX は需要変動を感知し、迅速に予測を更新する能力を強調しています。例えば、昨日の売上、天候変化、ソーシャルメディアのトレンドなどを取り込み、短期予測を調整します（これはしばしば 需要感知 と呼ばれ、バズワードでもあります）。これにより短期的な予測誤差を減少させ、急激な売上の落ち込みや急増により良く対応できるようになります。しかし、これは依然として単一の更新予測を生成しているだけであり、予測の分布を出力しているわけではありません。RELEX が「AI駆動の予測」と称するのは、通常、精度向上のために機械学習モデル（例えばグラデーションブースティング、ニューラルネット等）を最近のデータに適用していることを意味します¹³。各SKUの需要に対して完全な確率分布を出力しているとはどこにも主張しておらず、RELEX の成功の検証は依然として伝統的な精度指標（予測が実績にどれだけ近いか）によるものであり、これは決定論的な考え方を反映しています。
在庫最適化メソッド： RELEX は多段階の補充およびアロケーション（特にプロモーション等に対するプッシュアロケーション）を行いますが、不確実性に対してどのように緩衝策を講じるのでしょうか？おそらく、裏では 従来の安全在庫計算 を利用していると考えられます。システムは、リードタイムや需要の変動性（例：予測誤差の移動平均又はサービスレベルの設定を通じて）を認識し、多くのシステムと同様に、各アイテム・ロケーションごとに安全在庫を算出します。RELEX における リードタイムは入力値であり、システムが予測するランダム変数ではありません¹⁴。もしユーザーが特定のサプライヤーの一貫性が乏しいことを認識していれば、リードタイムやその安全マージンを手動で調整するでしょう。RELEX のドキュメントでは、確率論的最適化やモンテカルロシミュレーションは強調されておらず、従来のツールが行っていたように、各SKUごとに予測誤差に基づく想定分布（おそらく正規分布かポアソン分布）を用いて安全在庫を決定し、所定のサービスレベルを達成する手法が採用されていると推測されます。これは 決定論的・定型的なアプローチ であり、複数の結果をシミュレーションするものではありません。実際、RELEX の OLAP スタイルのインメモリ処理への強い志向は、深い計算よりも高速なクエリ処理を重視していることを示唆しています⁶⁷⁶⁸。あるコメントによれば、彼らのアーキテクチャが OLAP キューブのようであることは、代替品や複雑な確率論的課題に対するネットワーク全体の最適化と「一致しない」と指摘されています⁶⁹。超高速なダッシュボードを実現する設計は、不確実性に対する大規模なモンテカルロシミュレーションの実行に理想的とは言えず、むしろメモリ内に収まる解析的（より単純な）手法に依存している可能性があります。
主張と証拠： RELEX のマーケティングは、「自律型サプライチェーン、AI駆動、機械学習、デジタルツイン」などのバズワードを用いています⁷⁰。しかし、どのアルゴリズムを使用しているのか具体的に示したり、逸話を超えて AI の影響を定量化するケーススタディを提供することはほとんどありません。第三者の分析も疑問を呈しており、例えば RELEX の予測技術が「2000年以前のモデルのように見える」（すなわち、根本的に新しいアプローチではなく、従来の手法に一部の ML ラッパーを付加したものである可能性が高い）¹⁵と指摘されています。また、内部で予測品質を測定するために MAPE やバイアス といった概念を依然として用いている可能性があり、これは決定論的思考の兆候といえます。
特定のシナリオにおける不確実性の取り扱い: RELEXは不確実性を伴ういくつかの領域で優れているが、多くの場合、ビジネスルールまたはヒューリスティックなアプローチによって対処しており、確率論的な数学よりもそちらを用いている。例えば:
- 生鮮食品と賞味期限: RELEXには、商品の消費期限管理機能があり、先に消費期限が切れるものを優先する管理や、廃棄を避けるための補充提案などが含まれている ⁷¹。これは、劣化前の需要の不確実性に対処するものの、その解決策は賞味期限リスクの確率論的予測ではなく、むしろヒューリスティック（供給日数と賞味期限の監視）である。
- プロモーション効果とカニバリゼーション: RELEXはプロモーションによる売上向上や、ある商品が別の商品から売上を奪う（カニバリゼーション）現象のモデリングも可能だが、分析によればRELEXのOLAPベースではこれらの相互作用の高度なモデリングは困難である ⁶⁹。プランナーが手動で調整するか、単純な回帰分析でプロモーション効果を評価する可能性が示唆されている。
- “インテリジェントな”オーダーバッチ処理: トラック積載の最適化や割引を得るための先行購入などについて言及している ⁷²。これらは制約条件下でコストを最適化する価値ある機能であるが、やはり明示的に不確実性をヘッジするのではなく、既知の需要（または少なくとも平均需要）を前提としていると思われる。
完全な確率論的最適化はなし: 重要なのは、RELEXがLokadの確率論的最適化に類するものを提唱していない点である。不確実性下での期待コスト最小化問題の解決については触れず、むしろ高い在庫充足率（クライアントが約98～99%の在庫充足率を達成していると強調している）を実現することに注力している。実際、彼らが主張する結果（99%以上の在庫充足率）は、一般的に棚上在庫率がこれより低いことから業界内で懐疑的に捉えられている ⁷³。これは、管理されたパイロットプロジェクトや楽観的なシナリオの成果であり、必ずしも広く再現可能なものではないことを示唆している。この点は、彼らのアプローチが不確実性における根本的な革新ではなく、単に実行と監視を改善して欠品を減らすものにとどまっていることを物語っている。

RELEXの評価: RELEXは、特に日々の機敏さが求められる小売業界において、非常に迅速で対応力のあるサプライチェーンツールである。例えば店舗補充など多くの意思決定を自動化し、使いやすさを誇る。しかし、その確率論的予測の科学的深さは限られている。RELEXはより良い予測のために機械学習を活用しているが、Lokadスタイルのオプティマイザーに必要な確率分布を生成することはない ¹³。大部分は、他社と同様に安全在庫の論理と予測精度の向上に依存しているが、規模と頻度において非常に効率的に実行されている。小売業者にとっては、RELEXはより頻繁な再計画と最新データの活用という実用的アプローチにより棚在庫充足率を向上させるかもしれないが、Lokadは根本的に在庫水準の最適化、すなわち確率論的計算によってそれを実現する。これらは理念が異なり、一方は「現実の進展に合わせて計画を修正する」（RELEXのほぼリアルタイムな考え方）、もう一方は「起こりうる事象を踏まえて最初から最適な計画を立てる」（Lokadの事前最適化）というものである。どちらも共存可能だが、もし議論の焦点が確率論的予測そのものであれば、RELEXは先駆者とは言えない。RELEXはAIのバズワードを模倣し、暗黙的に安全在庫の分散などの確率論的概念を取り入れているかもしれないが、Lokadが提供するような明示的な確率論的解決策は提示していない。

結論

サプライチェーンソフトウェア市場では、「確率論的」は「AI」や「機械学習」と同様に一種の流行語となっている。 Lokadは、確率論的原則に基づいてソリューションを構築したベンダーとして際立っており、予測と最適化の両面で不確実性を第一級の要素として扱っている。2012～2015年にこのアプローチを先駆けたLokadは業界の物語に大きな影響を与えた。競合他社は程度の差はあれどこの用語を借用し、不確実性の重要性を認識しているが、そのソリューションは実装面で大きなギャップを露呈している。

対比をまとめると:

Lokadは、完全な確率論的予測（需要と供給の両面）を提供し、それをカスタム構築された最適化エンジンで活用している。明示的に不確実性を定量化し、期待結果に最適化された意思決定を生み出す ²。つまり、確率論的サプライチェーンマネジメントの理論を実践している。
**その他（ToolsGroup、Blue Yonder、SAP、RELEX、o9、Kinaxis）**は主に部分的または擬似的な確率論的機能を提供している:
- ToolsGroupとSAPは長年にわたり確率論的な在庫モデリングの要素を備えているが、需要変動に焦点を当て、主要な入力（リードタイムなど）を固定または単純と見なしているため、確率論的厳密性に限界がある ³ ¹¹.
- Blue YonderとRELEXは、新たなAIブランディングを掲げながらも、依然として従来の予測手法と決定論的な計画ロジックに頼っており、「確率論的」という用語は主にマーケティング上や小規模なツール（例えば安全在庫のより動的な再計算）でのみ現れる ⁸ ¹³.
- 最新プラットフォームであるKinaxisとo9は、確率論的な考え方の統合を始めている（Kinaxisはパートナーや特許を通じ、o9はシナリオの柔軟性を通じている）が、依然として決定論的な基盤から進化中である。Kinaxisの分位点予測は一歩前進であるが、これは全体分布ではなくいくつかのパーセンタイルでの予測にとどまり、完全な確率論的予測の代替としては弱い ⁵⁰ ⁴⁹.

表面的な採用の明らかな兆候は、ベンダーが「確率論的」または「確率論的（stochastic）」と主張しながら、依然として決定論的な指標やプロセスを用い続ける点にある。先のToolsGroupがMAPEを用いた確率論的予測の例は、その警告サインの一例である ⁴。同様に、リードタイムの不確実性を無視したり、確率論的精度の評価方法に言及しないベンダーは、本当にこのパラダイムを取り入れているとは言いがたい。Lokadがこれらの不整合を批判しているのは、業界全体の事例によって裏付けられており、「確率論的予測の主張はMAPE低減とともに広告されるが、これは矛盾している… ベンダーはパンフレットで『確率論的』という用語を散見するものの、依然として決定論的な世界に留まっている。」 ⁴ ⁷⁴。本質はしばしばスローガンに後れを取っている。

最近の動向から、Lokadの競合他社は形式的に確率論的方法を採用していることが明らかであり、これはLokadのアプローチを裏付ける一因といえる。しかし、実際の能力の程度はばらついている。ソリューションを評価する際には、次の点について検証する必要がある：ツールは分布全体を予測しているのか、あるいは数シナリオのみなのか？モンテカルロシミュレーションを用いて意思決定の最適化を行っているのか、固定された安全在庫の公式のみで済ませているのか？主要な不確実性すべてを考慮できるのか、それとも需要のみなのか？これらの答えは、多くのベンダーが本質的に従来通りの手法に、薄い確率論的な外皮を付け加えただけであることを示している。

結論として、確率論的サプライチェーン最適化におけるLokad対その他は、深さと広さ、初期の革新と後追いの物語である。Lokadは、不確実性を軸に据えた深く、定量的に厳密なソリューションを提供している。一方、その他の主要ベンダーは、確率論的機能を追加要素または進化中のコンポーネントとして組み込んだ広範なサプライチェーンプランニングスイートを提供しており、多くの場合、市場からの高度な分析要求に対する反応的な措置に留まっている。経営者は「確率論的」という言葉を流行語として鵜呑みにせず、ベンダーがどのように実装しているかの具体的な技術的証拠を求めるべきである。2025年現在、Lokadは真の確率論的予測と最適化を提供する点で際立っているが、ほとんどの競合他社は決定論的アプローチに固執するか、あるいはLokadの包括的な不確実性対応に及ばない限定的な確率論的能力しか持たない ³² ⁸.