FAQ: 用語集

Lokadのサプライチェーン意思決定の最適化への取り組みは、サプライチェーンそのものに留まらず、機械学習（ML）、人工知能（AI）、確率的予測、哲学、経済学など、様々な分野からの視点とツールを活用しています。そのため、当社の用語は多くの学問領域の影響を受けています。このページは、サプライチェーン最適化の文脈でLokadがこれらの用語をどのように（またなぜ）用いているのか、そして使用時に伝えようとする特有のニュアンスについて説明することを目的としています。

想定される対象: サプライチェーンおよび／またはプランニング部門。
最終更新日: 2024年5月

「サプライチェーン」とは何か？

Lokadにとって、サプライチェーンとは実践であり学問分野でもあり、次のように定義できます：

サプライチェーンとは、物理的商品の流れを管理する際に、変動の中で選択肢を自在に活用する能力を指します。

オプション性とは、多くの競合する選択肢の中から最適な「オプション」を選ぶ能力を意味します。選ばれたその一つの「オプション」が「意思決定」となります。物理的商品の流れを形作るための、補充注文、生産指示、価格変更などすべての意思決定がこれに該当します。さらに、オプション性とは、初めから選択肢を用意することも含まれます。例えば、代替供給業者を特定するためにリソースを投資することは、企業にさらなる選択肢を生み出す意図があるのです。

変動性とは、市場の将来の状態に伴う削減不可能な不確実性、すなわち状況が刻々と大きく変化し得る性質を意味します。これはサプライチェーンが、本来、企業が完全に制御できない要因に晒されているためです。こうした要因には、顧客需要、商品価格、供給者のリードタイムなどが含まれます。したがって、サプライチェーンに用いられるいかなる手法やツールも、不完全な知識とリスクという本質的な問題に真正面から対処しなければなりません。

最後に、物理的商品の流れは極めて重要であり、これがサプライチェーンの熟練度を、例えば金融取引と区別する要因となります。サプライチェーンは、その物理的性質上、顧客、供給業者、小売業者、運送業者、生産者などの利害関係者が地理的に分散しているため、多くの制約を受けます。これらの利害関係者を繋ぐために用いられる手法やツールは、通常発生する数多くの制約に直接（かつ十分に）対処しなければなりません。例えば、最小発注数量（MOQ）、最小発注額（MOV）、フルトラック積載、限られた倉庫スペース、さらに企業の入出荷注文処理能力などが挙げられます。

「主流のサプライチェーンの視点」とは何か？

主流のサプライチェーンの視点（MSCP）、または古典的サプライチェーンの視点とは、一般的に見受けられるいくつかの誤った仮定や慣行を指し、以下の点が含まれます：

• MSCPは未来が完全に予測可能であると仮定している。古典的時系列予測などの手法は、未来を一つの値（例：需要、返品、スクラップ率、リードタイムなど）で表そうと試みます。しかし、未来は本質的に予測不可能であるため、この仮定は欠陥があります。したがって、将来の値を一つだけ特定することは、リスク管理の観点から最適とは言えません（確率の次元が欠落しているため）。

• MSCPはサプライチェーン自体が敵対的行動の影響を受けないと仮定している。MSCPでは、従業員、顧客、供給業者、パートナー、競合他社などの利害関係者が独自のアジェンダを持ち、それがサプライチェーンに悪影響を及ぼす可能性があるという点を一切考慮しません。

• MSCPは観測可能性を仮定している。実際、大企業は非常に不透明なソフトウェアアプリケーション群を用いて運営されているため、サプライチェーンを直接観察することは極めて困難です。

• MSCPは反証可能性を欠いている。それは現実に対して無反応です。主流の教科書やベンダーの提案で示される手法がいかに不十分であっても、実際のフィードバックによってそれらの手法が否定されることはありません。

2024年現在、1980年代以降に多くの大企業が複数のサプライチェーン最適化ソリューションを導入しているにもかかわらず、その多く（あるいは大半）は依然としてスプレッドシートに依存しています。これもMSCPの重要な側面の一つです。ソフトウェアベンダーは責任回避の達人となり、常にsupply chain practitionersを「プロセスに従っていない」または「適切なパラメータを使用していない」と非難します。

しかし、実際のところ、MSCP理論自体は機能せず、サプライチェーン担当者がスプレッドシートに戻るのは、たとえ粗いヒューリスティクスであっても、それがMSCPの教科書に記される「洗練された手法」を上回るためです。

まさにこのために、Lokadは2011年にサプライチェーンの再定義、すなわち学問および実践の両面における刷新に着手しました。これをQuantitative Supply Chainと呼んでいます。

MSCPは、一連の古典的な教科書によって完全に表現されています：

• Production and Operations Analysis, 第7版、Steven Nahmias と Tava Lennon Olsen 著、2015年
• Inventory and Production Management in Supply Chains, 第4版、Edward A. Silver、David F. Pyke、Douglas J. Thomas 著、2016年
• Fundamentals of Supply Chain Theory, 第2版、Lawrence V. Snyder、Zuo-Jun Max Shen 著、2019年

「需要計画」とは何か？

mainstream supply chain perspectiveに基づけば、需要計画とは、企業が将来の需要を定量化するために用いる一連のプロセスです。需要計画を支える暗黙の洞察は、一度将来の需要が正確に評価されれば、適切なサプライチェーン管理は必要なリソースを正確かつタイムリーに配分すること、すなわち市場に「ちょうど十分な量」を供給することに尽きる、という点にあります。

需要計画プロセスには、過去の販売実績の統計分析やそれに基づく時系列予測といった後方視的手法が含まれるとともに、企業自身が設定した目標に基づき数字を精緻化するため、営業やマーケティングとの連携などの先行的手法も含まれます。

しかし、LokadのQuantitative Supply Chain (QSC)の視点からは、需要計画は現代のサプライチェーンにはそぐわない時代遅れの概念です。代わりに、QSCではサプライチェーンの実行はrobotizedされ、通常は予測モデリングフェーズを特徴とするnumerical recipesによって駆動され、その後に確率的最適化フェーズが続くとされます。

予測モデリングフェーズは、未来の需要のみならず、将来のリードタイム、商品価格、顧客の返品など、その他のあらゆる不確実性の要因に関する「予測」の全側面を包含します。一方、確率的最適化フェーズは、再発注量の選択、在庫の販売ネットワークを通じた配分、価格の再設定など、従来は需要計画と分離されていた「意思決定」のすべての部分を包含します。

需要計画が時代遅れである理由はいくつかあります。

第一に、それは人が「未来の定量的評価」の実行に関与すべきだと仮定しています。これは時間と労力の完全な浪費です。もちろん、人は予測モデルを支えるためのnumerical recipesの策定に関与すべきですが（これがLokadのSupply Chain Scientistsの役割です）、予測モデル自体は完全に自動運転で動作すべきです。なぜなら、通常は1日に何千、場合によっては何百万もの数字が生成されるプロセスに人が手動で介入しても、付加価値は全くないからです。

第二に、「手作業による需要計画」はすでに遅く高コストであるため、企業は通常、リードタイム、返品、品質など、その他の不確実性の要因に対応するリソースを割く余裕がありません。将来の需要評価は極めて重要ですが、それだけが不確実性の要因ではありません。将来のリードタイム、商品価格、競合他社の価格、顧客の返品なども、定量的に評価されるべき重要な不確実性の要因です。

結論として、需要計画はサプライチェーンを統制する方法としては時代遅れの視点です。この考え方はコンピュータが登場する以前に生まれ、本来あるべき期間よりも長く存続してしまいました。現時点では、LokadのQSCの視点など、より適切なアプローチに置き換えるべきです。

「Quality of Service（QoS）」とは何か？

サプライチェーン最適化の文脈において、「Quality of Service」（QoS）とは、企業が顧客の暗黙の期待を満たしながらサービスを提供する能力を指します。QoSは単なる指標や有形のものではなく、企業が顧客に十分なサービスを提供しようとする意図を反映しています。そのため、QoSは方向性を示すものの、非常に曖昧な概念です。

顧客の暗黙の期待を明らかにしようとすることは、広範かつ多面的な問題です。顧客調査には多くの困難が伴います。顧客は、丁寧にサービスに完全満足していると回答しながらも、実際には競合他社を利用することがあります。逆に、大声で不満を述べながらも、熱心に忠誠を示す場合もあります。

さらに、QoSは決して一面的な問題ではありません。カニバリゼーションや代替、さらには価格差が、「在庫の利用可能性」が顧客にとって本来何を意味するのかを曖昧にしてしまいます。しばしば、業界特有の懸念事項も考慮されなければなりません。例えば、棚にヨーグルトが豊富に残っていたとしても、全てが今後3日以内に賞味期限を迎えるのであれば、顧客はそれを受け入れがたいと感じるでしょう。

実際、QoSを合理的に近似する指標は、ビジネスの綿密かつ知的な検討を通じてのみ明らかにされます。これは、深い思索と顧客への共感を必要とします。Lokadが先駆けたexperimental optimizationのような、質の高い近似指標を特定するための特定の方法論も存在します。

mainstream supply chain perspectiveの最大の誤りの一つは、サービスレベル（品切れにならない確率）を、あたかもこれがQoSの合理的な代理指標であるかのように提示することです。これはほぼ例外なく誤りです。サービスレベルは、ほとんどの業界に遍在するカニバリゼーションや代替を完全に無視しています。また、顧客が満足するために、多くの商品が同時に利用可能でなければならない「lumpy demand」も完全に考慮に入れていません。さらに、サービスレベルは、サービスが迅速に提供されるために多く支払いたい、あるいは逆にサービスの遅延時に安価で済ませたいという顧客の意思も完全に排除しています。

結論として、QoSは志向的な視点です。それは、企業が最適化したいと望むものを反映していますが、最適化基準が捉え難い状況（wicked problemに直面している場合でも同様です。QoSは、この志向を信頼できる代理指標を探求するための方向性の原則となります。サービスレベルや他の単純な指標を、QoSの合理的な代理指標と混同してはなりません。

「AI Pilot」とは何か？

これは、AIを用いてサプライチェーンの統制を自動化することを指します。AI Pilotには、どれだけ生産すべきかといった意思決定プロセスと、特定の供給業者に対する最新MOQの取得などの平凡な補助プロセスの両方が含まれます。Lokadはこの用語を2024年初頭に造語しました。ソフトウェアとしてのAI Pilotは、LokadのSupply Chain Scientistsによって作り上げられ、各クライアント企業ごとに一つ作成されますが、実装には多くの共通点があります。AI Pilotは、ビッグデータと機械学習機能を備えたLokadのプラットフォーム上で稼働し、Lokadによって提供され、通常は月額で請求されます。

AI Pilotの仕組みの詳細については、このトピックに関するlong-form podcastを参照してください。

「Quantitative Supply Chain」とは何か？

「Quantitative Supply Chain」（QSC）とは、2010年代にLokadが先駆けた一連の方法論と技術の集合体です。これには、probabilistic forecasting、確率的最適化、そして差分可能-プログラミングといった一連の手法が含まれ、これらはmainstream supply chain perspectiveには存在しません。また、experimental optimization、supply chain personae、adversarial market researchといった方法論も含まれており、これらも主流のサプライチェーンの視点には見られません。

「Quantitative Supply Chain」という用語は、2017年にLokad創設者Joannes Vermorelの著書The Quantitative Supply Chainで造られました。QSCの宣言は以下のように要約されます：

1. あらゆる可能な未来を考慮すること；各可能性に対して確率を求めること
2. すべての実行可能な意思決定を考慮すること；可能性と確率の比較
3. 経済的要因を用いて実行可能な意思決定の優先順位をつけること
4. 制御を維持するためには、あらゆる平凡な作業の自動化が必要であること
5. supply chain scientistが数値結果の責任を持つこと

The Quantitative Supply Chainは、特定のサプライチェーンにおけるAI Pilotの実用的実装に必要なすべての要素を集約した学問分野と見なすことができます。

「Supply Chain as a Service」とは何か？

遠くから見ると、Lokad はエンタープライズソフトウェア会社と呼ばれる。しかし、間近に見ると、Lokad は一般的なソフトウェアベンダーから期待されるものとは大きく異なる。Lokad は ロボット化されたサプライチェーンの意思決定 を提供するだけでなく、それらの意思決定から生じるサプライチェーンのパフォーマンス全体の責任を負う。私たちのサプライチェーン・サイエンティストは、すべてのクライアントに導入した自動化を継続的に監視し、改善を加えるために存在する。したがって、Lokad へのサブスクリプションは、クライアントにとってより収益性の高いサプライチェーンの実行をもたらす。

このアプローチは、例えば SaaS（サービスとしてのソフトウェア）の提供形態とは全く異なる。SaaS では、クライアント企業が最終的に全ての重要事項に責任を負う。一方、SaaS により IT 部門はさらに別のアプリを管理する手間から解放されるが、それだけである。需要の不規則性、供給の混乱、不完全なデータなど、何か問題が発生した場合、その対処はすべてサプライチェーンチームに委ねられる。しかし、SCaaS では、その解決は Lokad の仕事である。当然ながら、実際には Lokad とクライアントとの協働による取り組みである。しかし、Lokad は単にサーバーを稼働させ続けることではなく、結果を出すことにコミットしている。

「数値レシピ」とは何か？

Lokad はサプライチェーンの意思決定プロセスを自動化しており、その自動化を実現するソフトウェアの部品を通常「数値レシピ」と呼んでいる。これらの数値レシピは、サプライチェーン自体が持つ本質的な複雑性を反映するため、通常非常に複雑である。つまり、これらのレシピは、無数の日常的なデータ前処理ステップと、洗練された分析ステップ（典型的には機械学習や数学的最適化アルゴリズム）が組み合わされたものである。

私たちは「アルゴリズム」ではなく「レシピ」という用語を用いている。なぜなら、これらのレシピは多くのソフトウェアエンジニアがアルゴリズムに求めるような「純粋さ」には程遠いからである。さらに、アルゴリズムは明確に定義された問題に対処することが期待されるが、私たちのレシピは通常そのような性質を持たない。結局のところ、サプライチェーン全体のパフォーマンスが懸かっており、これは非常に曖昧な問題である。そのため、レシピの評価は、レシピ自体の作成以上に複雑になる場合がある。

「（日常的な）サプライチェーンの意思決定」とは何か？

サプライチェーンの意思決定とは、商品の流れに実際の影響を及ぼす重要な決定のことである。例えば、在庫の補充、製造指示、価格変更などは、商品の流れに大きな影響を与える意思決定である。

現代のサプライチェーンでは、通常、毎日何万もの、場合によっては数百万の意思決定がなされる。一般的に、各 SKU（在庫管理単位）には、何もしない選択（これもまた意思決定であるが、些細なものである）を含め、約半ダースの意思決定が伴う。

これらの日常的な意思決定は、完全自動化が可能であるため「日常的」と呼ばれる。この意味で「日常的」というのは、「重要でない」ということではない。

意思決定は、「数値的アーティファクト」― 重要に見えても実際にはサプライチェーンに実質的な影響を及ぼさないもの ― とは対極にある。実際、アナリティクスが普及するにつれて、両者の区別が非常に曖昧になることが多い。例えば、需要予測、ABC 分類、安全在庫、サービスレベルなどは数値的アーティファクトと見なされる。これらの要素は実際の意思決定を計算する際に役立つことはあっても、それ自体では全く意味をなさない。補充が適切である限り、予測が外れていても問題はないが、その逆は明らかに成立しない。

Lokad は「数値的アーティファクト」ではなく「意思決定」に注目する。なぜなら、多くの企業は木を見て森が見えなくなっているからである。むしろ、あまりにも多くのパフォーマンス指標（アーティファクト）を抱えすぎて、実際にどのような意思決定が行われているのかが見えなくなっている。私たちが「意思決定」に集中することが、Lokad がクライアントにとって本当に重要なもの（より良いサプライチェーンパフォーマンス）を追求し、恣意的な指標（数値的アーティファクト）を追いかけないことを保証するのである。

「数値的アーティファクト」とは何か？

数値的アーティファクトとは、企業のサプライチェーンに直接的・具体的な影響を及ぼさないにもかかわらず、重要だと認識される数字を指す。例えば、サービスレベルは数値的アーティファクトである。数値的アーティファクトは実在するものではなく、抽象化された概念であり、しばしば実務者によって恣意的に選ばれる。

例えば、98% のサービスレベルは、過去に低かった サービスの品質 に起因し、多くの顧客がすでに全く注文を停止している事実を隠しているかもしれない。さらに、数値的アーティファクトは直接的に制御することができない。企業はより多くの補充注文を出すことができるが、サービスレベルを一方的に 98% に設定することはできない。最終的には、顧客がどれだけの商品を消費するかを決定するからである。

数値的アーティファクトは、企業に実際の影響を及ぼす「意思決定」と本質的に対立する。意思決定は企業の裁量によって完全に決定される。典型的な サプライチェーンの意思決定 には、補充注文、製造指示、価格変更などが含まれる。数値的アーティファクトとは異なり、どんなに些細な悪い意思決定も企業にとって取り返しのつかない損失となる。例えば、商品の ABC クラス（数値的アーティファクト）が全く正しくなくても、在庫過剰や品切れがなければ問題はない。一方、途方もなく大きな購入注文（意思決定）は、十分に在庫のある商品を莫大な損失に変えてしまう可能性がある。

長年にわたり、Lokad は数値指標がほとんど幻想的で誤ったものであることを痛感してきた。多くの場合、予測精度やサービスレベルは、本来の課題である、企業が収益的に需要を予測し満たすという問題を完全に誤解させる。私たちは、数値的アーティファクトの「誤差のパーセンテージ」ではなく、特定の意思決定における「誤差のドル」に着目すべきである。

「ロボット化」とは何か？

Lokad は繰り返し行われる サプライチェーンの意思決定 をロボット化（自動化）することで、これらを日常的なものにしている。つまり、Lokad に委ねられたすべての日々の意思決定（例：製造指示、価格変更、在庫配分など）は、完全に無人で生成される。一般的に、ほとんどのクライアントは市場状況が大きく変わらない限り、数週間にわたって Lokad の直接介入なしで運用可能である。私たちのサプライチェーン・サイエンティストは、導入した数値レシピを継続的に改善しているが、特定の日のサプライチェーンの意思決定を生成するためにサイエンティストが必要とされるわけではない ― 私たちの 数値レシピ は無人運用するよう設計されている。

このアプローチは、私たちの競合他社（他のエンタープライズソフトウェアベンダー）が offer するものとは根本的に異なる。彼らの場合、サプライチェーン実務者 はシステムの「人的コプロセッサー」として扱われる。実務者がソフトウェアの使用を停止するや否や、彼らの時間はサプライチェーンの意思決定を生み出すために消費されるため、会社内で何も起こらなくなる。

それに対して、Lokad はサプライチェーン実務者の一分一秒を、意思決定のロボット化を可能にする数値レシピの改善への投資に変える。もしサプライチェーン実務者が作業を中断しても、数値レシピのロボット化された実行には影響しない。数値レシピは、単に改善を停止するだけであり、これがしばらく続けば、市場状況の変化により数値レシピの妥当性が失われ、意思決定の質が必然的に低下することになる。

しかし、Lokad はこのような品質低下を早期に検出するための一連の自己注視メカニズムを実装しており、その結果、数値レシピの人間による検査を（まずサプライチェーン・サイエンティストが、その後クライアント企業の実務者が）促すことができる。

「サプライチェーン・イニシアティブ」とは何か？

これは、特に Lokad の「定量的サプライチェーン」(QSC) の視点から推進されるサプライチェーンプロジェクトを指す。このイニシアティブの目的は、特定の種類の ロボット化 された サプライチェーンの意思決定 を実現し、通常を超えるパフォーマンスを達成することである。この取り組みは、クライアントのサプライチェーン内の特定の問題を改善するだけでなく、企業全体にわたる体系的な改善をもたらすことを目指している。

Lokad のサプライチェーン・イニシアティブは、通常、購入注文、製造指示、在庫配分、価格変更、細分化された生産スケジュールなどに取り組む。本質的に、我々はクライアントのサプライチェーンが機能し続けるために必要な、すべての日常的かつ反復的な意思決定に対応している。

このサプライチェーン・イニシアティブは、Lokad の サプライチェーン・サイエンティスト（SCS）によって主導されることを意図している。SCS は、対象となるサプライチェーンの意思決定を自動化するために必要なすべての数値レシピを作成する役割を担う。さらに、SCS は、レポートやダッシュボードなどを通じて数値レシピを可視化し、クライアント（特に上層部）が自動化がどのように、そしてなぜ通常を超えるパフォーマンスを発揮するのかを理解できるようにする責任を負う。

Lokad のサプライチェーン・イニシアティブの成果物は、SCS がクライアントのために作成した 数値レシピ を実運用に投入することである。この成果物は意思決定を自動化し、サプライチェーンを実質的にクライアントの生産的資産へと転換する（物理的商品の生産を自動化する機器と同様に）。

「実験的最適化」とは何か？

実験的最適化とは、最適化プロセスの初期段階で「改善」という概念自体が不明瞭な問題に取り組むために、Lokad が採用している方法論である。この不明瞭さは、最適化基準（指標）やその望ましいレベルが知られていなかったり、仮に設定されていたとしても、収益性、ROI などの財務的観点で直ちに正当化できないために生じる。「実験的最適化」の狙いは、サプライチェーンにおいて「改善」が財務的に何を意味するのかを定量化する厳密な（いわば「科学的な」）方法を確立することである。

例えば、あるファッションストアが サービスの品質 の向上を目指すとする。主要な問題の一つは、男性と女性の買い物習慣の違いや代替品の影響により、一般顧客にとって「サービスの品質」が実際に何を意味するのかを特定するのが困難な点である。代替品の性質上、顧客が購入したにもかかわらず、どのように提供内容を認識しているかを把握するのは難しい。例えば、在庫切れの無地の白いTシャツの代わりに無地の黒いTシャツが購入された場合、書面上は販売が成立しているが、無地の白いTシャツが存在しないことが、常習的であれば顧客の忠誠心の終焉を示す可能性がある。さらに、男性は女性に比べて複数の商品をじっくり見比べることが少ないため、希望の商品や適切な代替品が得られないことが購買決定に決定的な影響を与えることがある。

このため、実験的最適化は、最適化基準そのもの―つまり、サプライチェーンがより良いか悪いかを定量化するための指標―に挑戦する一連の実験の実施を伴う。その方法の本質は、ある基準を選定し、その基準に対して数学的（あるいはより具体的には確率的）最適化を実行し、得られたサプライチェーンの意思決定を評価することにある。この評価は全体的なものではなく、明らかに正しくありえない極端な意思決定と比較することで行われる。そして、その極端な意思決定がなくなるまで、基準を漸進的に修正していく必要がある。

こうして得られた基準は、一連の実験を通じて確立されたものである。あらかじめ基準が既知であり現実世界によって挑戦されることのないという従来の最適化の観点とは異なり、実験的最適化は現実の状況に基準を繰り返し突きつけることで、基準を明らかにするのである。

前述のファッションの例に戻ると、実験的最適化は、既存在庫を店舗間で再配分することが最適な解決策であると示すか、あるいは各店舗のディスプレイを単に並び替えるだけで十分に来客数や認識されるサービスの品質を向上させると示すかもしれない。これらの結論は、最適化の推奨事項を生み出す 数値レシピ を繰り返し実験（「調整」）することでのみ明らかになる。

サプライチェーンは、他のどのシステムと同様に、その部分の和以上のものである。実際、サプライチェーンの難点は、多くの改善が問題を解決するどころか、単に問題を先送りにするだけである点にある。なぜなら、問題を局所的なものとして扱い、システム全体の表れとして捉えないからである。例えば、サービスレベルの向上は通常、在庫の廃棄量の増加を伴う。そのため、システム内の孤立した要素を微調整しても、システム全体に影響を与えずに済むことはない。その結果、何かがシステム（サプライチェーン）を良くしているのか悪くしているのかを定量化するのは常に困難である。

さらに、サプライチェーンという特定のケースでは、事象の展開に通常多大な時間を要するため、この困難さは一層増す。前述のファッションストアの場合、男性は希望する商品が常に揃っている店に非常に忠誠心を示すことがあり、これは買い物に時間をかけなくても済むという利便性によるものである。その結果、品切れが発生すると、顧客の忠誠心に壊滅的な影響を及ぼし、その影響が現れるまで長い時間がかかる可能性がある（男性は年に数回しか買い物をしない一方で、一回の訪問で多くの商品を購入し、各訪問の価値を最大化しようとするため）。こうした考慮事項と不確実性が、サプライチェーンパフォーマンスを定量化しようとするあらゆる単純な試みを混乱させるため、Lokad は実験的最適化に基づく解決策を提唱する。

より詳細な視点については、サプライチェーンのための実験的最適化に関する長編講義があります。

「確率的予測」とは何か？

確率的予測とは、すべての可能な将来の値／結果／シナリオ（例：特定のSKUに対する需要）を特定し、それぞれの値に確率を割り当てるプロセスです。その確率は、その値が「実現」する可能性の高さを示しています（例：4ユニット販売の確率が3％、5ユニット販売が4％、6ユニット販売が2％など）。数値的には、これらの確率分布（別名「確率的予測」）は合計すると100%の潜在的な値（例：需要）をカバーします。

予測値が単一の値ではなく確率分布である場合、その予測は「確率的」と呼ばれます。確率的予測は、主流のサプライチェーン理論を支配する従来のポイント予測とは正反対です。確率的予測の主な利点は、わずかに精度の高いモデルが見つかれば「完璧な」予測が目前にあると装うのではなく、将来の不可避的な不確実性を受け入れる点にあります。確率的予測は不確実性を定量化し、この定量化が後にリスク調整済みサプライチェーンの意思決定を生み出すための基礎となります。確率的予測がなければ、通常の市場環境下で予想される平凡な変動（例：需要、リードタイム）を完全に無視するため、意思決定は脆弱なものとなります。

任意のポイントタイムシリーズ予測は数学的に確率分布へと変換できるという点に留意すべきです。これは、安全在庫に対して行われていることとまさに同じで、需要とリードタイムは正規分布（ガウス分布）と組み合わせることができます。しかし、そのような手法は形式上は確率分布を生成しますが、核心を捉えていません。確率的予測で解決すべき核心の問題は、ポイント予測よりもはるかに豊かな情報を含む予測を生成することにあります。この確率的予測が必ずしもより正確であるとは限らず、ちょうどカラー写真が白黒写真よりも必ずしも解像度が高いわけではないのと同様です。しかし、そもそもポイント予測はこの追加の次元を欠いています。数学的なトリックで確率を付加できたとしても、それらの確率はほとんど作り話になってしまうでしょう。

要するに、確率的予測はサプライチェーンの予測最適化に必要な主要なデータ処理段階のひとつを表しています。

「一般的な予測」とは何か？

予測手法が「一般的」と呼ばれるのは、そのデータがタイムシリーズとして提示されない場合にも対応できる場合です。確かに、タイムシリーズ予測は視覚化の目的には非常に有用ですが、最終的には現実のサプライチェーンで展開する事象を反映できない、一面的で単純なモデルに過ぎません。

複数のタイムシリーズを考慮しても、この問題は解決されません。

例えば：

• 同一顧客からのリピート購入は、需要タイムシリーズが購入された各ユニットの起源を完全に平坦化してしまうため、タイムシリーズではモデル化できません。
• カニバリゼーションまたは代替は、アイテム間の依存関係が失われるため、タイムシリーズとして表現できません。
• 価格、大量割引、サービスレベルなどで競合する競合他社の競争は、因果関係を反映できないため、タイムシリーズでは捉えることができません。

主流のサプライチェーン理論では、タイムシリーズ予測は始まりであり終わりです。しかし、現実の状況を慎重に検証すれば、タイムシリーズ予測が状況を非常に誤解した単純化に過ぎないことが明らかになるはずです（上記の例を参照）。Lokadの定量的サプライチェーン（QSC）理論では、完全に間違っているよりは大まかに正しい方が良いとされています。現実の問題（例：代替）が存在しないと装っても、その問題は解決しません。

このため、2010年代初頭からLokadは、基本的なタイムシリーズ予測を超えた、より一般的な形態の予測を提供する一連の優れた予測技術を開発・先駆けてきました。私たちのQSCによれば、不確実性のあらゆる要素はそれぞれ独自の確率的予測を必要とします。これらの「一般的な予測」は「予測モデル」によってではなく、差分可能プログラミングなどのプログラムによる機械学習パラダイムを通じて提供されます。

「古典的な予測」とは何か？

「古典的な予測」とは、ポイントタイムシリーズ予測を意味します。ポイントタイムシリーズ予測は主流のサプライチェーン理論においてあまりにも普及しているため、多くの人々、さらには多くのサプライチェーン関係者でさえ、ポイントタイムシリーズ予測が統計的予測の一つの形態に過ぎないことに気づいていません。実際、統計的予測にはさまざまな代替形態が存在し、ポイントタイムシリーズはその中でも最も単純なものの一つです。

注意：単純な予測が必ずしも悪いわけではありません。実際、Lokadは予測ソフトウェアはその役割を果たすために必要以上に複雑であるべきではないと考えています。とはいえ、「一般的な予測」とは何か？で示されたように、ポイントタイムシリーズ予測は耐えがたいほど単純すぎます。

ポイントタイムシリーズ予測は、20世紀の初め、企業用コンピューターが登場する半世紀前に人気を博しました。強力なコンピューターが広く手頃な価格で普及するまで、ポイントタイムシリーズ予測は生成可能な統計的予測の唯一の形態でした。その極端な単純さにもかかわらず、タイムシリーズ予測を作成するのは、企業用コンピューターの計算能力なしでは、投資に見合うほどの価値があるほどには簡単な作業ではありませんでした。その結果、ほとんどの企業は、統計的予測の必要性を根本的に排除するためにあらゆる手法を用いていました。

古典的な予測を超えるためには、明確に異なるかつ補完的な二つの方法があります。第一の方法は、「ポイント予測」の視点を「確率的予測」の視点に置き換えることです。

確率的予測は、その「ポイント」予測とは異なり、完全な確率密度を提供します。確率的予測は将来の不可避的な不確実性を受け入れ、それを正面から定量化します。サプライチェーンの観点では、確率的予測はリスク調整済みサプライチェーンの意思決定の後続の計算に役立つため、ポイント予測よりもはるかに優れています。逆に、ポイント予測はすべての不確実性を無視し、その予測に基づいた意思決定は設計上脆弱です。

第二の方法は、「タイムシリーズ」という視点をより高次元のアプローチに置き換えることです。タイムシリーズはその設計上、一方向のものです。この固有の制限により、タイムシリーズ予測はサプライチェーンの商品の流れに見られる基本的な相互依存性すら捉えることができません。

例えば、タイムシリーズ予測ではカニバリゼーションや代替を把握することはできません。また、単一の大口顧客（例：B2Bの状況）に完全に依存している安定した売上量のリスクも捉えられません。そして、ハイパーマーケットで買い物をする顧客がレシピを完成させるために_すべて_の必要な材料を必要とするというバスケットの視点も捉えることはできません（つまり、どれか一つでも欠けていると何も購入されないということです）。Lokadは、差分可能プログラミングを用いて、タイムシリーズの一方向的な視点を超え、真に重要な情報を捉える予測モデルを作成しています。

結論として、古典的な予測は現代のサプライチェーンには適さない、時代遅れの統計的視点です。古典的予測、すなわちポイントタイムシリーズ予測に依存することは、最悪の場合、脆弱な意思決定につながり、成功のレシピとは言えません。代わりに、一般的な確率的予測、すなわち差分可能プログラミングのようなプログラムによる機械学習パラダイムを活用することを推奨します。

「バスケットの視点」とは何か？

_バスケットの視点_とは、顧客が一度に多くのアイテムを（一つの取引として）購入することが期待されるすべての業界において最も重要な懸念事項です。これは、購入が個別に行われるのではなく、組み合わせて行われることの認識される価値を指します。言い換えれば、すべてのアイテムが_全体として_利用可能である場合、その価値は_個々に_取得されたアイテムの合計以上である可能性があります。この視点は、例えば一般的な小売業のような多くの業界にとって重要です。需要におけるこの相互依存性を認識することは、各SKUの購入を個別の事象として扱う従来の手法と比べ、優れたサプライチェーンの意思決定につながります。

例えば、顧客がスーパーに入り複数のアイテムを購入する状況を考えてみましょう。これらのアイテムは、必需品（例：牛乳、パン、卵）と嗜好品（例：アイスクリーム、チョコレート）が混在しています。もしスーパーで嗜好品（例：チョコレート）の在庫切れが発生した場合、顧客はおそらく他のアイテム（牛乳、パン、卵、アイスクリーム）を購入するでしょう。しかし、必需品（例：牛乳）の在庫が切れている場合、顧客は何も購入せず、競合他社に行って購入手続きを完了する可能性があります。このように、必需品の在庫切れによる財務的ペナルティは、そのアイテム自体に留まらず、全体の販売バスケットに影響を及ぼします。

本質的に、製品間には関係があり、ある製品が欠けることは他の製品の購入確率に影響を与えます。Lokadは、この微妙でありながら重要な現象をサプライチェーンの意思決定推奨に取り入れ、在庫の最適化や在庫切れの削減（影響の大きい順にランク付け）を行うことで、全体の売上、取引先の利益、顧客満足度を向上させます。

「サプライチェーンサイエンティスト」とは何か？

サプライチェーンサイエンティスト（SCS）とは、Lokadの定量的サプライチェーン（QSC）の取り組みをクライアントと共に主導する人物であり、例えばリスク調整済みの発注、在庫割り当てリスト、価格などを提供します。「サプライチェーンサイエンティスト」という用語は、2017年にLokadのCEOで創設者であるJoannes Vermorelによって造られました。SCSの主な責務は、特定のサプライチェーンの取り組みにおける意思決定を担う数値レシピの生成、維持、および所有にあります。

データサイエンティストが意思決定プロセスを支えるためのモデルの作成を主たる責務としているのとは異なり、SCSは数値レシピによって生成される意思決定推奨の品質に対して個人的な責任を負います。さらに、SCSは生成された意思決定の論理と適合性を説明するための全ての計測ツール（例：ダッシュボード、レポート）の作成にも直接的な責任を負います。一見すると矛盾しているように思えるかもしれませんが、Lokadが単調な意思決定プロセスのロボット化を強調する一方で、私たちは個人の責任も最前面に置いているのです。QSCはサプライチェーンのパフォーマンスに対して責任を負う「システム」ではなく、QSCを推進する個人なのです。

しかし、SCSが個人的な責任を負っている一方で、その使命は一人で果たすものではありません。LokadはすべてのSCSができる限りのサポートを受けられるよう全力を尽くしています。これは、SCSに必要なソフトウェアツール、数学的手法、方法論、研修、そして上級SCSからのモニタリングを提供することを意味します。

SCSの業務内容についてのより詳細な説明は、当社の専用ナレッジベース記事 The Supply Chain Scientistに記載されています。

「サプライチェーンプラクティショナー」とは何か？

「サプライチェーンプラクティショナー」という用語は、通常、企業が運営上必要とするサプライチェーンの意思決定に伝統的に関わり、または責任を負っているすべての人々を指します。統一された用語が存在しないため、この肩書きは業界や企業によって異なります。一般的な「サプライチェーンプラクティショナー」の変種としては、需給プランナー、在庫アナリスト、需要予測者、カテゴリーマネージャー、在庫マネージャー、生産マネージャー、購買マネージャー、_価格マネージャー_などが含まれます。

定量的サプライチェーン（QSC）は、サプライチェーンプラクティショナーの役割に対する現代的なビジョンを提供します。従来のサプライチェーンプラクティショナーが意思決定プロセスを手動で支える責任を直接負っているのに対し、QSCはすべての反復作業を完全に自動化することを推奨しています。このロボット化により、サプライチェーンプラクティショナーは企業にとってより付加価値をもたらす業務に専念できるようになります。特に、サプライチェーンプラクティショナーは、顧客やサプライヤーからのフィードバックや高次の情報を収集することによって、サプライチェーンのロボット化を支える数値レシピに挑戦する最前線に位置しています。

「サプライチェーンエグゼクティブ」とは何か？

Lokadにとって、この用語は、サプライチェーンを統括するロボット化された意思決定プロセスに関して、社内の対立する提案を仲裁する立場にある人物を特に指します。

この役割は、ソフトウェアロジックによる明示的な財務評価を通じてサプライチェーンの意思決定プロセスを統一する定量的サプライチェーン（QSC）の取り組みにおいて非常に重要です。QSCは、通常企業内に存在する矛盾や曖昧さをすべて明らかにします。結果として、サプライチェーンの取り組みが単なる優柔不断によって行き詰まらないようにするために、戦略的観点から対立する提案を仲裁する権限を持つサプライチェーンエグゼクティブが任命されなければなりません。

注意: QSCはサプライチェーン担当者が常に自ら「正しい」と判断できる生得的な能力を持っていると仮定していません。何が機能し、何が機能しないかを見極めるのは、サプライチェーン担当者ではなく、Lokadが採用している実験的最適化手法の役割です。

「リスク調整済みの意思決定」とは？

サプライチェーン最適化の文脈において、意思決定がリスク調整済みであるとは、市場やサプライチェーン自体の不確実な将来状態に関連する経済的コストを慎重にバランスさせた決定のことを指します。リスク調整済みの意思決定は、あらゆる可能な未来とそれらに付随する確率を考慮することにより、この意思決定に関連する平均的な財務成果が他の選択肢よりも大きくなるという意味で「より優れた」ものとなります。

また、リスク調整済みの意思決定は、脆弱な意思決定とは対照的に、反脆弱（アンチフラジャイル）な意思決定となる傾向があります。すなわち、将来の多様な変動に対して期待される経済的利益がある程度良好（または許容範囲内）に保たれることを意味します。この特性は、全ての非線形制約やコスト（例：劣化性）を考慮に入れることによって実現されます。

リスク調整済みの意思決定という考え方の根底にある暗黙の前提は、深刻な経済的コストが極端な状況に存在するということです。すなわち、_予想外に高い需要_が欠品を引き起こし、_予想外に低い需要_が過剰在庫を招くのです。その中間では、ほぼ計画通りに進行し、「計画通り」のケースにおける改善効果は企業にとってはほとんど無視できるものとなります。

対照的に、主流のサプライチェーン理論で推奨される多くの意思決定プロセスは、リスク調整済みの意思決定を生み出しません。実際、これらの意思決定は典型的に脆弱です。なぜなら、リスク調整済みの意思決定を生み出すための重要な要素である確率的予測が欠如しているからです。もし利用可能な予測が一点の時系列予測のみであれば、意思決定プロセスは、あたかも1つの将来の値（例：需要）が完全に既知であるかのように「オールイン」しているのと同じになってしまいます。このアプローチは、例外や予期しないリスクが発生した瞬間に直ちに不十分となるため（サプライチェーンでは非常に一般的であり、確率的予測を用いれば容易に予見できます）、必然的に脆弱な意思決定へと導かれるのです。

現場においてリスク調整済みの意思決定がどのように導出されるかを、より技術的かつ詳細に示した例は、当社のチュートリアル Prioritized inventory replenishment in Excel with probabilistic forecasts とQSC講義 Retail stock allocation with probabilistic forecasts に見ることができます。

脆弱な意思決定とは？

サプライチェーン最適化の文脈では、僅かな市場状況やサプライチェーン自体の状態の変動が、当初期待された経済的利益を損ねる場合、その意思決定は脆弱であるといえます。主流のサプライチェーン理論が推奨する意思決定プロセスは、何も特筆すべき変化がない穏やかな市場環境であっても脆弱な意思決定を生み出すのです。

私たちの考えでは、意思決定はrisk-adjustedでなければなりません。これは、LokadのQuantitative Supply Chain (QSC)フィロソフィーが推奨するアプローチです。実際、リスク調整済みの意思決定を生み出すには、第一に確率的予測、そして第二に確率的最適化という二つの重要な要素が必要です。

確率的予測は、確率分布という形で将来の不確実性を定量化します。確率的最適化は、あらゆる可能な未来とそれぞれの確率を考慮に入れた上で、平均的に「最良」となる意思決定を算出します。これは、経済的要因、制約条件、そして確率的予測を組み合わせることによって実現されます。

認識論的腐敗とは？

認識論的腐敗とは、知識体系がその完全性を失い、その知識に依存して活動の向上を図る個人や組織にとって価値がなくなってしまう状態を指します。

サプライチェーンという研究分野は、残念ながら第二次世界大戦以降、深刻な認識論的腐敗を経験しています。この現状には主に二つの根本原因があります：

第一に、学術界は多くの場合、意図せずして何十年も前に失敗してしまいました。毎年何万もの論文が発表されるものの、実際にはそれらの論文のほとんどが再現可能でも反証可能でもありません（ポパー的反証可能性の意味で*）。アルゴリズムの研究など、広範な認識論的腐敗に悩まされていない他の分野と異なり、サプライチェーンに関する論文は現実の現場でほとんど利用されず、利用されたとしても長期間は活用されません。

第二に、マーケットアナリスト、ソフトウェアベンダー、コンサルタントは、何十年にもわたって対立関係にありました。実際、問題に対処するのではなく、問題を先延ばしにすることで利益を得ることができるのです。既に淘汰されているはずの時代遅れな手法も、現状維持に固執する関係者によって生命維持装置のように維持されています。奇妙なことに、その現状は非常に長い間続いており、多くの関係者が、自分たちの視点からはこれらの手法は「常に」存在していたと率直に主張できるほどです ― 技術的には、これらの問題が彼らよりも前から存在していたためです。

広範な認識論的腐敗に対しては、企業が本質を迅速かつより確実に見極めるための、より効果的な方法論や手法が解決策となります。そのため、Lokadは2011年からサプライチェーンの再構築に取り組んでいます。この新たなアプローチは「Quantitative Supply Chain」 (QSC)と呼ばれ、確率的予測や実験的最適化といった代替技術・方法論を特徴としています。

*ここでの「ポパー的反証可能性」とは、カール・ポパーが提唱した科学哲学を指します。ポパーによれば、理論が科学的とみなされるためには反証可能でなければならず、すなわち、その理論が誤りであることを示す観察または実験が考えられる必要があります。言い換えれば、科学的理論は検証され、潜在的に反証され得る予測を行うべきです。この概念は、科学的理論と非科学的理論を区別する上で極めて重要です。サプライチェーン研究は（通常）反証可能性を欠いており、理論が検証・反証され得ないため、その科学的価値が損なわれ、認識論的腐敗の原因となっています。

「Correctness by design」とは何か？

Correctness by designとは、システムの設計自体が特定のエラーや障害を根本的に防ぐことを保証するという重要性を強調する原則です。このアプローチは、問題発生後に広範なテストや品質管理で問題を検出・修正するという一般的な手法とは対照的です。Correctness by designの目的は、継続的な保守の必要性を最小限に抑え、複雑なシステムから生じる大規模な障害のリスクを軽減することにあります。サプライチェーン最適化の文脈では、意思決定プロセスを担う分析層が、すでに混沌としているサプライチェーンの混乱をさらに増幅してはならないため、特に重要です。

サプライチェーンの意思決定プロセスを支援するために設計された数値的レシピは、多くの場合、Correctness by designのない汎用ツールで実装されるため、千差万別の小さな失敗により崩壊してしまいます。具体的には、インデックス範囲外エラー、メモリ不足エラー、レースコンディション、数値的オーバーフローやアンダーフローなどにより、プロダクションが失敗します。「Move fast and break things」というのはライフスタイルアプリには許容されるエンジニアリング哲学ですが、ミッションクリティカルなビジネスシステムには相応しくありません。

この目的のために、LokadはCorrectness by designを念頭に置いたサプライチェーンの予測最適化専用DSL（ドメイン固有プログラミング言語）であるEnvisionを開発しました。Lokadは2008年の創業当初からEnvisionを使用していたわけではなく、長年にわたりPythonのような汎用言語に依存していましたが、その試みが失敗する主な原因がPythonにあることに気付くまでに多くの年月を要しました。

さらに不可解なことに、状況は我々のクライアントのデータサイエンスチームにおいても全く同様でした。ほとんどの場合、3週間以内にデータサイエンスチームは非常に有望と思われるプロトタイプを作成しました。しかし、現実のプロダクション環境で動作させるために1年にわたる激務を経たにもかかわらず、そのプロジェクトは必要な「プロダクショングレード」に達しなかったとして廃棄されました。

このように、長年の苦悩を経た末、2012年に私たちはプログラミング言語そのものが解決すべき根本的な問題であると結論付けました。つまり、Pythonは解決策ではなく、問題そのものだったのです。より良い代替手段がなかったため、Lokadのエンジニアリングチームは、サプライチェーン専用のDSLを開発するために10年以上にわたるエンジニアリング努力を開始し、これらの問題に「設計上」最大限対処できるようにしました。こうしてEnvisionは誕生したのです。

10年以上経った今、私たちはEnvisionで記述された膨大な数値的レシピによって、数十億（USDおよびEUR相当）の在庫を直接管理しています。Envisionは、Lokadのサプライチェーンサイエンティストの生産性を飛躍的に向上させただけでなく、「愚かで」非常に高コストなミスの発生頻度も大幅に削減しました。

結論として、Correctness by designは現実のサプライチェーンを制御するためのプログラミング言語にとって不可欠な要件です。多くのソフトウェアベンダーは、単なる怠慢や無能さからこの問題に真正面から取り組まず、その結果、クライアントに甚大な被害をもたらしています。

メンテナビリティとは？

サプライチェーンソフトウェアの文脈におけるメンテナビリティとは、企業およびそれを支えるソフトウェアベンダーが、アプリケーション環境を正常に稼働させ続ける能力を指します。

サプライチェーンの「管理」に関しては、メンテナビリティは比較的単純な問題です。変化する条件（例：オペレーティングシステム、ブラウザ、データベースバージョンの変更など）に対応するためのセキュリティや互換性パッチが日常的に提供されるため、企業が「管理」アプリに機能変更を望まない限り、ベンダーが多少有能であればメンテナビリティは概ね保証されます。

しかし、サプライチェーン最適化は全く異なる問題です。意思決定プロセスを自動化する数値的レシピは、時間とともにその有効性を失っていきます。劣化の原因は、市場の拡大縮小そのものではなく、そのような変動を静的な数値的レシピ内で数値的に対応することが比較的容易である点にあります（例：移動平均法はそれを行いますが、あくまで粗い方法です）。

むしろ、劣化の原因は解決すべき問題自体の進化にあります。進化する市場環境では、単に数量的に異なる回答だけでなく、全く異なる種類の回答が求められます。例えば、通信販売会社は過剰在庫の一掃を支援するためにSEM（検索エンジンマーケティング）への投資を調整する問題に直面することはなく、これは日常的にeコマース企業が直面する状況です。

_サプライチェーン最適化_ソフトウェアは_サプライチェーン管理_ソフトウェアよりも進化する市場条件の影響を受けやすいです。2024年現在、1990年代に導入された在庫管理システムを未だに運用している企業に出会うことは珍しくなく（見た目は問題なく動作しているように思われるかもしれません）が、3年以上有効なサプライチェーン最適化ロジックは極めて稀です。

ほとんどのサプライチェーン最適化ベンダーは、この根本的な問題を認識していません。その結果、投資はクライアント企業がベンダーによる導入支援を受ける最初の段階に大きく偏りがちです。最初の数ヶ月間、ベンダーが進化し続ける環境に深く関与しているため、ソリューションは一見満足のいくものに見えます。しかし、ベンダーによるオンボーディングフェーズ終了から18ヶ月が経過すると、数値的レシピはその有用性を失い、サプライチェーン実務者は、たとえ粗削りであっても維持管理可能なスプレッドシートに頼り直すのです。

メンテナビリティの問題は、2012年にLokadがサプライチェーンの予測最適化専用DSLであるEnvisionを開発する根本的な理由の一つです。実際、2008年に創業した初期のLokadでは、どんなに優れた初期実装であっても、作成した数値的レシピはほぼ18ヶ月ごとに大幅な書き換えが必要であることに気付いたのです。これは、クライアントの変化し続ける戦略や優先事項に厳密に沿って自動化を維持するための代償でした。そのため、Envisionは常に書き換えの必要性に対応し、無用な陳腐化を避けるために特別に設計されました。

結論として、サプライチェーン最適化におけるメンテナビリティは、企業が自社のサプライチェーンの運用を支配する数値的レシピを定期的に書き換える能力によって大きく左右されます。この能力は、割り当て可能なサプライチェーンサイエンティストチームの規模に依存するだけでなく、最初に数値的レシピの実装に用いられるプログラミング言語の品質にも大きく依存しているのです。