FAQ: 用語集

Lokadのサプライチェーン最適化のアプローチは、サプライチェーン自体だけでなく、さまざまな分野の視点とツールを活用しています。これには、機械学習(ML)、人工知能(AI)、確率的予測、哲学、経済学などが含まれます。そのため、私たちの用語は多くの学問分野の影響を受けています。このページでは、サプライチェーン最適化の文脈でLokadがこれらの用語を使用する方法(およびなぜ使用するのか)についての説明を提供することを目的としています。また、これらの用語を使用する際に私たちが伝えたい具体的なニュアンスについても説明します。

対象読者:サプライチェーンおよび/または計画部門。
最終更新日:2024年5月

男性が工場のドアに印刷されたリストを取り付ける様子を、専門家が背後で観察しています。このシーンはマーティン・ルターを思わせます。

「サプライチェーン」とは何ですか?

Lokadにとって、サプライチェーンは次のように定義できる実践と研究の両方です:

サプライチェーンとは、物理的な商品の流れを管理する際に、変動性の存在下で選択肢の使いこなしをマスターすることです。

選択肢とは、多くの競合する代替案の中から適切な「選択肢」を選ぶ能力を指します。この選択された「選択肢」が「意思決定」となります。物理的な商品の流れを形成するすべての意思決定が考慮されます。例えば、補充注文、生産注文、価格変更などです。さらに、選択肢を最初に利用可能にすることも選択肢の一部です。たとえば、代替サプライヤを特定するためにリソースを投資することは、会社のためのさらなる選択肢を作成する意図があります。

変動性とは、市場の将来の状態に関連する信じられないほどの不確実性を指します。つまり、状況は瞬時に大きく変化する可能性があります。これは、サプライチェーンが会社によって完全に制御できない力にさらされているためです。これらの力には、顧客の需要、商品価格、サプライヤのリードタイムなどが含まれます。したがって、サプライチェーンの目的に使用される方法や手段は、サプライチェーンに固有の不完全な知識とリスクの問題に直面する必要があります。

最後に、物理的な商品の流れは重要であり、サプライチェーンのマスタリーを金融取引などと区別します。サプライチェーンは自然に物理的な性質に制約されています。利害関係者(顧客、サプライヤ、卸売業者、輸送業者、製造業者など)は地理的に分散しています。これらの利害関係者を接続するために使用される方法や手段は、通常、通常の制約に直接的に(適切に)対処する必要があります。これらの制約の例には、最小注文数量(MOQ)、最小注文価値(MOV)、フルトラックロード、限られた倉庫スペース、会社の総合的な入出庫処理能力などがあります。

「主流のサプライチェーンの視点」とは何ですか?

主流のサプライチェーンの視点(MSCP)またはクラシックなサプライチェーンの視点は、次のようないくつかの誤った仮定と慣行を指します:

  • MSCPは将来が完全に知られると仮定しています。クラシックな時系列予測などの手法は、将来を単一の値(需要、返品、廃棄率、リードタイムなど)として表現しようとします。これは、将来は自然には知り得ないため(つまり、予測では将来の不確実性を完全に排除することはできません)、リスク管理の観点からは最適ではありません。したがって、1つの将来の値のみを特定することは、確率の次元が欠落しているため、サブオプティマルです。

  • MSCPはサプライチェーン自体が敵対的な行動の対象ではないと仮定しています。MSCPは、利害関係者(従業員、顧客、サプライヤ、パートナー、競合他社など)が独自のアジェンダを持ち、それらのアジェンダがサプライチェーンに悪影響を及ぼす可能性があることさえ考慮しません。

  • MSCPは観測可能性を仮定しています。現実のところ、すべての大企業は、イライラするほど不透明なアプリケーションの景色(ソフトウェアアプリケーション)を通じて運営されています。そのため、サプライチェーンを直接観察することは非常に困難です。

  • MSCPは検証可能性を欠いています。それは現実に対して免疫を持っています。主流の教科書やベンダーのプレゼンテーションにリストアップされた技術が実践でどれほど不十分であっても、それらの技術は現実世界のフィードバックによって無効化されることはありません。

2024年現在、ほとんどの大企業は1980年代以来、いくつか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ますが、それらの企業の多く(もしくはほとんど)はスプレッドシート上で動作しています。これはMSCPのもう一つの重要な側面です。ソフトウェアベンダーは、責任転嫁の達人になり、必ずサプライチェーン実践者を「プロセスに従えない」または「適切なパラメータを使用しない」と非難します。

しかし、現実はもっと単純です。MSCP理論自体が機能しないため、サプライチェーン実践者はスプレッドシートに戻ります。彼らが持っているどんな粗雑なヒューリスティックスでも(完璧ではないですが)、MSCPの教科書にある「洗練された方法」よりも優れたパフォーマンスを発揮します。

これがLokadが2011年にサプライチェーンを研究と実践の両方の分野で再構築した理由です。私たちはこれを数量的サプライチェーンと呼んでいます。

MSCPは、以下の一連の古典的な教科書で完璧に捉えられています:

  • Production and Operations Analysis, Seventh Edition, by Steven Nahmias and Tava Lennon Olsen, 2015
  • Inventory and Production Management in Supply Chains, Fourth Edition, by Edward A. Silver, David F. Pyke, and Douglas J. Thomas, 2016
  • Fundamentals of Supply Chain Theory, Second Edition, Lawrence V. Snyder, Zuo-Jun Max Shen, 2019

「需要予測」とは何ですか?

主流のサプライチェーンの視点から見ると、需要予測とは、企業が将来の需要を数量化するために使用するプロセスの集合です。需要予測を支える暗黙の洞察は、将来の需要が正確に評価された後、適切なサプライチェン管理は主にリソースの正しいタイミングでの割り当てによって実現されるということです。

需要予測プロセスには、過去の販売の統計分析やそれに関連する時系列の予測など、過去を振り返る手法が含まれます。また、企業自体が設定した目標に基づいて、営業やマーケティングと協力して数値を洗練させるなど、将来を見据えた手法も含まれます。

しかし、Lokadの数量的サプライチェーン(QSC)の視点からは、需要予測は現代のサプライチェーンには古くなった概念であり、その場所はありません。代わりに、QSCでは、サプライチェーンの実行はロボット化され、通常は予測モデリングフェーズを特徴とし、それに続く確率的最適化フェーズによって駆動されるべきだと述べています。

予測モデリングフェーズは、「需要予測」だけでなく、将来のリードタイム、将来の商品価格、将来の顧客返品など、すべての他の不確実性の要素についても包括しています。確率的最適化フェーズは、「意思決定」の部分を包括しており(例:再注文する数量の選択、在庫を販売ネットワークを通じて割り当てる、価格設定など)、これは通常、需要予測からは別に保持されるものです。

需要予測はいくつかの理由で時代遅れです。

まず第一に、需要予測は「将来の数量評価の定量的評価」に人々が関与すべきだと仮定しています。これは完全な時間とエネルギーの浪費です。人々は予測モデルをサポートする数値レシピの作成に関与するべきです(これはLokadのサプライチェーン科学者の役割です)。しかし、予測モデルは完全に無人で動作するべきであり、通常は毎日数千、もしくは数百万の数値を生成するプロセスに人々が手動で干渉することにはまったく価値はありません。

第二に、「マニュアル需要予測」は既に遅くて高コストなため、企業は通常、リードタイム、返品、品質などの他のすべての不確実性の要素に対処するための余裕リソースを持っていません。将来の需要を評価することは重要ですが、それだけが不確実性の要素ではありません。将来のリードタイム、将来の商品価格、将来の競合他社価格、将来の顧客返品なども、定量的に評価する必要がある他の重要な不確実性の要素です。

結論として、需要予測はサプライチェーンを組織するための時代遅れの視点です。この視点はコンピュータの登場前に現れ、本来よりも何十年も長く生き残ってきました。この時点で、LokadのQSCのようなより適したアプローチに置き換えるべきです。

「品質のサービス」とは何ですか?

サプライチェーンの最適化の文脈において、「品質のサービス」(QoS)とは、企業が顧客に適切にサービスを提供する能力を指します。QoSはメトリックでも具体的なものでもありません。それは企業が顧客に適切にサービスを提供する意図を反映しています。したがって、QoSは方向性があるが曖昧です。

顧客の暗黙の期待を明らかにすることは、広範で多面的な問題です。顧客への調査は問題が多いです。顧客は礼儀正しくサービスに完全に満足していると言うかもしれませんが、競合他社を訪れ続けるかもしれません。逆に、顧客は大声で不満を言いながらも熱心に忠誠心を持ち続けるかもしれません。

また、QoSは一次元の問題ではありません。カニバリゼーションや代替、価格の違いによって、顧客にとって「入手可能性」が実際に何を意味するのかが通常は曖昧になります。領域固有の懸念も考慮する必要があります。たとえば、棚にはたくさんのヨーグルトが残っているが、すべてが3日後に期限切れになる場合、顧客はそれらを受け入れられないと感じるかもしれません。

実際には、QoSに合理的に近いメトリックは、ビジネスの注意深いかつ賢明な検討によってのみ明らかにされることができます。それには深い思考と顧客との共感が必要です。特定の方法論は、高品質な近似メトリックを特定するために大いに役立ちます。例えば、Lokadが先駆けとなった実験的最適化というアプローチです。

主流のサプライチェーンの視点の最大の誤りの一つは、サービスレベル(在庫切れの確率)をQoSの合理的な代理として提示することです。これはほとんど常に正しくありません。サービスレベルは、ほとんどの業界で普遍的に存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、クライアントが満足するために複数のアイテムを同時に利用できる必要がある場合(例:教授が学生のクラスのために本を購入する、家の改装プロジェクトのために複数の同じライトスイッチが必要)、サービスレベルはクライアントがより早くサービスを受けるためにもっと支払いたいか、逆にサービスが遅れる場合にはより少なく支払いたいかという意思を完全に無視しています。

結論として、QoSは志向性のある視点です。これは企業が最適化したいものを反映しており、最適化基準は企業が難問に直面しているために曖昧です。QoSは、この志向性の原則であり、この志向性の代理となる信頼性のあるメトリックを探索するための指針です。サービスレベルや他の単純なメトリックは、QoSの合理的な代理と混同されるべきではありません。

“AIパイロット"とは何ですか?

これはAIを使用して供給チェーンのオーケストレーションを自動化することを指します。AIパイロットには、意思決定プロセス(例:どれだけ生産すべきか?)や日常的なサポートプロセス(例:特定のサプライヤの最新のMOQを取得する)が含まれます。Lokadは2024年初頭にこの用語を作り出しました。AIパイロットはソフトウェアの一部であり、Lokadのサプライチェーン科学者によって作成されます。私たちはお客様の会社ごとに1つのパイロットを作成していますが、実装間には多くの共通点があります。AIパイロットは、ビッグデータと機械学習の機能を備えたLokadのプラットフォーム上で実行されます。AIパイロットはLokadによって提供されるサービスであり、通常は月額で請求されます。

AIパイロットの詳細については、トピックに関する長編ポッドキャストをご覧ください。

“量的なサプライチェーン"とは何ですか?

“量的なサプライチェーン”(QSC)は、Lokadが2010年代に先駆けて開発した一連の手法と技術です。これには、確率的予測、確率的最適化、差分可能プログラミングなどの手法が含まれており、主流のサプライチェーンの視点には存在しません。また、実験的最適化サプライチェーンペルソナ対抗市場調査などの手法も含まれていますが、これらも主流のサプライチェーンの視点には存在しません。

“量的なサプライチェーン"という用語は、Lokadの創設者であるJoannes Vermorelの書籍「The Quantitative Supply Chain」(https://www.blurb.com/b/8517792-the-quantitative-supply-chain)で2017年に作られました。QSCの宣言は次のように要約されます:

  1. すべての可能な未来を考慮すること;各可能性に対する確率
  2. すべての実行可能な意思決定を考慮すること;可能性 vs 確率
  3. 経済的なドライバを使用して実行可能な意思決定を優先すること
  4. 制御するためには、あらゆる日常的なタスクを自動化することが必要です
  5. サプライチェーン科学者は数値結果の所有権を持つ必要があります

量的なサプライチェーンは、特定のサプライチェーンに対するAIパイロットの実用的な実装に必要なすべての資料を集めるための研究分野と見なすことができます。

“サプライチェーンとしてのサービス"とは何ですか?

Lokadは遠くから見るとエンタープライズソフトウェア企業として説明されるかもしれません。しかし、近くで見ると、Lokadはソフトウェアベンダーからは予想されないようなものです。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、それらの意思決定によるサプライチェーンのパフォーマンスの所有権も持っています。私たちのサプライチェーン科学者は、私たちのすべてのクライアントのために実装した自動化を継続的に監視し、改善するために存在しています。したがって、Lokadへのサブスクリプションは、お客様のサプライチェーンのより収益性の高い実行を購入するものです。

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)の提供とは非常に異なります。SaaSでは、クライアント企業が最終的に重要なすべてのことに責任を持つことになります。SaaSでは、IT部門は別のアプリを管理する必要がなくなりますが、それだけです。需要の乱れ、混沌とした供給、不完全なデータなど、何か問題が発生した場合は、サプライチェーンチームが解決する必要があります。一方、SCaaSでは、それを解決するのはLokadの仕事です。もちろん、実際には、これはLokadとクライアントの協力の結果です。ただし、Lokadは結果を出すことに専念しており、単にサーバーを稼働させることには専念していません。

“数値レシピ"とは何ですか?

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、実際に自動化を行うソフトウェアのことを通常「数値レシピ」と呼んでいます。これらの数値レシピは通常非常に複雑であり、サプライチェーン自体の固有の複雑さを反映しています。レシピは、多くの日常的なデータの準備ステップと洗練された分析ステップ(通常は機械学習または数理最適化アルゴリズム)の組み合わせです。

私たちは、アルゴリズムという言葉ではなく「レシピ」という用語を使用しています。なぜなら、これらのレシピは、ソフトウェアエンジニアがアルゴリズムについて話すときに期待するほど「純粋」ではないからです。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ていますが、私たちのレシピには通常そのようなことはありません。最終的には、サプライチェーンのエンドツーエンドのパフォーマンスが問題になりますが、これは開放的で定義されていない問題です。したがって、レシピの評価は、レシピ自体の作成以上に複雑です。

“(日常的な)サプライチェーンの意思決定"とは何ですか?

サプライチェーンの意思決定とは、商品の流れに対して実際の影響を与えるものです。例えば、在庫の補充、生産オーダー、価格変更などは、商品の流れに深い影響を与えます。

現代のサプライチェーンでは、通常、1日に数万、場合によっては数百万の意思決定が行われます。一般的な目安として、各SKU(ストレージキーピングユニット)には、何もしないことを含めておおよそ6つの意思決定が含まれます(ただし、それは些細なものです)。

これら(日常的な)意思決定は、完全に自動化できるため、「日常的」と呼ばれることがあります。この意味では、「日常的」とは「重要でない」という意味ではありません。

意思決定は、「数値アーティファクト」と対立するものです(特定のサプライチェーンに対して重要性があるように見えるが、実際には何の実質的な影響もないもの)。実際、より多くの分析があると、通常、2つの間で混乱が生じます。例えば、需要予測、ABCクラス、安全在庫、サービスレベルは数値アーティファクトと見なされることがあります。これらの要素は、実際の意思決定を計算するためには重要ですが、それ自体ではまったく重要ではありません。予測が間違っていても、在庫の補充が適切であれば問題ありませんが、逆は明らかに真ではありません。

Lokadは「数値アーティファクト」ではなく「意思決定」に焦点を当てています。なぜなら、多くの企業が木を見て森を見ていないからです。それどころか、彼らはパフォーマンス指標(アーティファクト)が多すぎて、実際に何が起こっているのかさえわかりません。私たちが「意思決定」に焦点を当てることで、Lokadはお客様のために本当に重要なこと(より良いサプライチェーンのパフォーマンス)を追求し、恣意的な指標(数値アーティファクト)を追いかけることはありません。

“数値アーティファクト"とは何ですか?

数値アーティファクトとは、会社のサプライチェーンに直接的な影響を与えないにもかかわらず、重要とされる数値のことを指します。例えば、サービスレベルは数値アーティファクトです。数値アーティファクトは「実際のもの」ではなく、実践者によって任意に選択される抽象的な概念です。

例えば、98%のサービスレベルは、過去のサービスの質の低下により多くの顧客が注文を止めているという事実を隠しているかもしれません(詳細はサービスの品質とは何ですかを参照)。さらに、数値アーティファクトは直接的に制御することができません。企業は補充注文を増やすことはできますが、顧客が最終的にどれだけの製品を消費するかは企業が一方的に98%のサービスレベルを決めることはできません。

数値アーティファクトは、「意思決定」とは対極に位置するものであり、企業にとって実際の影響を持つものです。意思決定は企業の裁量に完全に委ねられています。典型的なサプライチェーンの意思決定には、補充注文、生産注文、価格変更などがあります。数値アーティファクトとは異なり、悪い意思決定は企業にとって取り返しのつかない損失です。例えば、アイテムのABCクラス(数値アーティファクト)が完全に間違っているかもしれませんが、在庫過剰や在庫切れがなければ問題ありません。一方、一つの非常に大きな発注(意思決定)は、在庫が豊富なアイテムを大量の廃棄物に変えることができます。

Lokadは長年にわたり、数値指標はほとんど幻想的で誤ったものであることを学んできました。予測の正確さやサービスレベルは、興味の対象である需要の予測と満たすことを利益に結びつけるという問題を完全に誤解しています。私たちは、数値アーティファクトの「誤差の割合」ではなく、特定の意思決定における「誤差の金額」に焦点を当てる必要があります。

“ロボット化"とは何ですか?

Lokadは、サプライチェーンの意思決定を繰り返し自動化し、日常的なものにします。これは、Lokadに信頼されたすべての日常的な意思決定(例:生産注文、価格変更、在庫割り当てなど)が完全に監視されない状態で生成されることを意味します。一般的に、ほとんどのお客様はLokadの直接的な介入なしで数週間運営することができます(市場の状況が劇的に変化しない限り)。私たちのサプライチェーン科学者は、設定した数値レシピを継続的に改善していますが、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プライチェーン科学者が必要とされることはありません。私たちの数値レシピは監視なしで実行されるように設計されています。

このアプローチは、私たちの同業他社(他のエンタープライズソフトウェアベンダー)が提供しているものとは根本的に異なります。彼らの場合、サプライチェーンの実践者は彼らのシステムの「人間の共同処理装置」として扱われます。実践者がソフトウェアを使うのをやめると、会社では何も起こらなくなり、彼らの時間はサプライチェーンの意思決定を生産するために消費されます。

対照的に、Lokadはサプライチェーンの実践者のすべての一分一秒を、意思決定のロボット化を可能にする数値レシピの改善のための投資に変えます。サプライチェーンの実践者が作業を停止しても、数値レシピのロボット化された実行には影響がありません。数値レシピの改善はただ停止します。これがしばらく続くと、市場の状況の変化により数値レシピの関連性が失われ、意思決定の品質の必然的な低下につながります。

しかし、Lokadは品質の低下を早期に検出するための自己注意メカニズムを実装しており、数値レシピの人間による検査をトリガーすることができます(最初はサプライチェーン科学者によって、次にクライアント企業の実践者によって)。

“サプライチェーンのイニシアチブ"とは何ですか?

これは、Lokadの“Quantitative Supply Chain”(QSC)の視点によって推進されるサプライチェーンプロジェクトを指します。このイニシアチブの目標は、特定のサプライチェーンの意思決定ロボット化し、人間を超えるパフォーマンスを実現することです。このイニシアチブの目標は、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、システム的かつ企業全体の改善を実現することです。

Lokadのサプライチェーンのイニシアチブでは、通常、発注、生産指示、在庫割り当て、価格変更、細かい生産スケジュールなどに取り組んでいます。基本的に、クライアントのサプライチェーンの運営に必要なすべての平凡で繰り返しの意思決定に対処しています。

サプライチェーンのイニシアチブは、Lokadのサプライチェーン科学者(SCS)によって主導されることを意図しています。SCSは、興味のあ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ために存在しています。さらに、SCSは数値レシピを可視化する責任があります(レポートやダッシュボードを通じて)、自動化が人間を超えるパフォーマンスを提供する方法と理由をクライアント(特に上級管理職)が理解できるようにします。

Lokadのサプライチェーンのイニシアチブの成果物は、SCSがクライアントのために作成した数値レシピを本番環境に導入することです。この成果物により、意思決定が自動化され、サプライチェーンがクライアントの生産的な資産に変換されます(装置が物理的な商品の生産を自動化するのと同じ方法で)。

“実験的最適化"とは何ですか?

実験的最適化は、Lokadが採用している方法論であり、最適化プロセスの初めに「改善」という概念が明確ではない問題に取り組むためのものです。この明確さの欠如は、最適化基準(メトリック)とその好ましいレベルが不明であるか、あるいは以前に特定のレベルで設定されていたとしても、即座に財務的な用語(利益、投資対効果など)を用いて正当化することができないためです。 “実験的最適化"のポイントは、サプライチェーンにとって「改善」とは何を意味するのかを財務的な観点から厳密な(ある人々は「科学的」と言うかもしれません)方法で定量化することです。

たとえば、サービスの品質を改善したいと考えるファッションストアを考えてみましょう。主要な問題の1つは、男性と女性の買い物習慣の異なる性質や代替品の影響などから、平均的な顧客にとって「サービスの品質」とは実際に何を意味するのかを特定することが難しいということです。代替品は、在庫切れの白いプレーンTシャツの代わりに黒いプレーンTシャツを購入するなど、顧客がオファリングをどのように認識しているかを特定するのを困難にします。紙上では、販売が行われたとされていますが、白いプレーンTシャツの不在は、定期的に発生する場合、顧客のロイヤリティの終わりを示すかもしれません。さらに、男性は女性よりも複数のアイテムをブラウズする時間を費やすことが少ないため、欲しいアイテム(または適切な代替品)を持っていないことは購入において決定的な要素となる場合があります。そのため、経営陣が自社のビジネス(および顧客)について思っていることは非常に誤解を招く可能性があり、それが在庫戦略を誤った方向に導く可能性があります。

このため、実験的最適化は、最適化基準自体である供給チェーンがより良くなるか悪くなるかを定量化する手段である一連の実験を実施することで構成されます(例:「サービスの品質」)。この手法の要点は、基準を選択し、この基準に対して数学的最適化(具体的には確率的最適化)を実行し、結果となる供給チェーンの意思決定を評価することです。この評価は集計ではなく、単に正しくないと言える最も狂気じみた意思決定と比較して行われます。その後、その狂気じみた意思決定を徐々に排除するために基準を修正する必要があります。

したがって、得られた基準は一連の実験によって得られました。実験的最適化は、事前に既知の基準として仮定され、現実世界によって挑戦されることのない古典的な最適化の視点とは異なり、基準を現実世界の設定に繰り返し対峙させることによって基準を明らかにします。

前述のファッションの例に戻ると、実験的最適化により、既存の在庫を店舗間で再配分することが最適な解決策であることが示される場合もあります。また、各店舗のディスプレイを単に再配置するだけで、トラフィックを増やし、サービスの品質を向上させるのに十分であることも示されるかもしれません。これらの結論は、最適化の推奨を生成する「数値レシピ」を繰り返し実験することによってのみ発見できます。

供給チェーンは、他のシステムと同様に、その部分の合計以上のものです。実際、供給チェーンの呪いは、ほとんどの改善が問題を解決するのではなく、問題を単なる局所的な問題として扱うため、問題を単に移動させることです。たとえば、サービスレベルを向上させると、在庫の廃棄も増加することを意味します。そのため、システム内の孤立した要素を微調整することなく、システム全体に影響を与えることなく何かがシステム(供給チェーン)をより良くするか悪くするかを定量化することは常に困難です。

さらに、供給チェーンの特定の場合では、イベントが展開するのに多くの時間がかかることが通常です。前述のファッションストアの場合、男性は常に欲しい商品を取り揃えている店舗に非常に忠実であり、長時間買い物をする必要がないという利便性によって駆動されています。そのため、在庫切れのイベントは顧客のロイヤリティに壊滅的な影響を与え、現れるまでに長い時間がかかる場合があります(男性は年に数回しか買い物をせず、訪問ごとに多くの商品を購入して各訪問の価値を最大化します)。これらの考慮事項と条件は、供給チェーンのパフォーマンスを定量化するためのすべての単純なアプローチを混乱させます。したがって、Lokadは実験的最適化に基づく解決策を提唱しています。

より詳細な視点については、供給チェーンのための実験的最適化に関する完全な講義があります。

「確率的予測」とは何ですか?

確率的予測とは、将来のすべての可能な値/結果/シナリオ(例:特定のSKUの需要)を特定し、各値に確率を割り当てるプロセスです。確率は、その値が「現実的」になる可能性を表します(例:4個を販売する確率が3%、5個を販売する確率が4%、6個を販売する確率が2%など)。数値的には、これらの確率分布(または「確率的予測」とも呼ばれる)を合計すると、潜在的な値(例:需要)の100%をカバーします。

予測値が単一の点ではなく確率分布である場合、予測は「確率的」と言われます。確率的予測は、主流の供給チェーン理論を支配する従来の点予測の反対です。確率的予測の主な利点は、将来の不確実性を受け入れることであり、少しでも正確なモデルが見つかれば「完璧な」予測がすぐそこにあるというふりをするのではなく、不確実性を定量化します。確率的予測は不確実性を定量化し、この定量化は後でリスク調整された供給チェーンの意思決定を行うために基本的です。確率的予測がないと、意思決定は脆弱であり、通常の市場条件を考慮しても予想される変動(例:需要、リードタイム)を完全に無視しています。

確率分布に基づく予測は、任意の時系列予測を「数学的に」確率分布に変換することができることに注意する価値があります。これは、安全在庫でも行われていることであり、需要とリードタイムの両方が正規(ガウス)分布とペアになるように行われます。しかし、このような技術は名目上確率分布を生成しますが、これらの技術はポイント予測とはまったく異なる点に取り組む必要があります。確率的予測に対処するための核心的な問題は、より「豊かな」予測を生成することです-つまり、ポイント予測よりも「より多くの情報」を持つ予測です。この確率的予測は必ずしもより正確ではないことに注意してください。カラー写真が白黒写真よりも解像度が高いわけではないのと同様です。ただし、ポイント予測にはこの追加の次元がありません。確率を追加するための数学的なトリックを使用できるとしても、これらの確率はほとんどでっち上げであり、写真の着色が事実に反している場合でも非常に信憑性が高い場合があります。

簡単に言えば、確率的予測は供給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1つを表します。

「一般的な予測」とは何ですか?

予測技術は、「時系列」として自己を提示しないデータをサポートする場合、「一般的」と言われます。実際、時系列予測は視覚化の目的に非常に役立ちますが、実際の供給チェーンでの展開とは異なり、単純化された1次元モデルです。

複数の時系列を考慮しても、問題は解決されません。

例えば:

  • 同じ顧客からの繰り返し購入は、需要時系列が購入される各単位の起源を完全に平坦化するため、時系列としてモデル化することはできません。
  • 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、時系列として表現することはできません。
  • 競合他社が価格、大量割引、サービスレベルなどで競合する場合、時系列ではこれらの因果関係を反映することはできません。

主流の供給チェーン理論では、時系列予測が全てです。しかし、現実の状況を注意深く検討すれば、時系列予測は常に状況の誤った単純化であることがわかるはずです-上記の例を参照してください。Lokadの量的供給チェーン(QSC)理論では、正確に間違っているよりもおおよその正確さが重要です。現実の問題(例:代替品)が存在しないと思い込んでも、問題は解決しません。

このため、2010年代初頭以来、Lokadは基本的な時系列予測を超えるより一般的な予測形式を提供する一連の優れた予測技術を開発し、先駆けてきました。QSCによれば、不確実性のあらゆる要素に対して独自の確率的予測が必要です。これらの「一般的な予測」は「予測モデル」ではなく、差分可能プログラミングなどのプログラム化された機械学習パラダイムを通じて提供されます。

「クラシックな予測」とは何ですか?

「クラシックな予測」とは、ポイント時系列予測を指します。ポイント時系列予測は、主流の供給チェーン理論で非常に一般的であり、多くの人々、特にサプライチェーンの実践者を含む多くの人々が、ポイント時系列予測が統計的予測の1つの形態に過ぎないことに気付いていません。実際、ポイント時系列予測は最も単純な予測の形態の1つですが、代替の統計的予測の多くが存在します。

: 単純な予測が必ずしも悪いものではありません。実際、Lokadは、予測ソフトウェアはそのタスクを達成するために必要なだけの複雑さであるべきだと考えています。ただし、ポイント時系列予測は非常に単純すぎるため、「一般的な予測とは何ですか?」で示されているように、サポートすることはできません。

ポイント時系列予測は、20世紀初頭、法人向けコンピュータの登場の半世紀前に人気を博しました。強力なコンピュータが広く手頃な価格になるまで、ポイント時系列予測は唯一の統計的予測の形態でした。その非常に単純さにもかかわらず、時系列予測を作成することは、法人向けコンピュータの処理能力なしで行われたため、投資する価値があるほどの作業ではありませんでした。その結果、ほとんどの企業は、最初から統計的に予測する必要性を完全に排除するためにあらゆる種類のトリックを使用しました。

クラシックな予測を超えるための2つの異なるかつ補完的な方法があります。最初の方法は、「ポイント予測」の視点を「確率予測」の視点に置き換えることです。

確率予測は、その「ポイント」の対応物とは異なり、完全な確率密度を提供します。確率予測は未来の不可避な不確実性を受け入れ、この不確実性を正面から定量化します。サプライチェーンの観点からは、確率予測はポイント予測よりもはるかに優れています。なぜなら、確率予測は後でリスク調整されたサプライチェンの意思決定の計算に適しているからです。一方、ポイント予測は不確実性のすべての要素を無視し、これらの予測に基づく意思決定は設計上脆弱です。

2番目の方法は、「時系列」の視点をより高次元の代替手段に置き換えることです。時系列は設計上1次元です。この固有の制限により、時系列予測はサプライチェーンの商品の流れで観察される最も基本的な相互依存関係さえも捉えることができません。

たとえば、時系列予測では、商品のカニバリゼーションや代替を理解することはできません。単一の大口顧客に完全に依存する安定した販売量のリスクを理解することはできません(例:B2Bの状況)。ハイパーマーケットで買い物をする顧客のバスケットの視点を理解することはできません。顧客はレシピを完成させるために_すべて_の必要な材料が必要であり、1つのアイテムがないと何も購入されないためです。Lokadは、時系列の1次元の視点を超えて、予測モデルを作成するために微分可能プログラミングを使用して、真の興味の情報を捉えます。

結論として、クラシックな予測は現代のサプライチェーンには適さない古い統計的な視点です。クラシックな予測(つまり、ポイント時系列予測)に頼ることは、最善の場合でも脆弱な意思決定につながり、最悪の場合はまったく正しくない意思決定につながります。代わりに、一般的な確率予測を使用し、通常は異なるプログラミングの機械学習パラダイムを活用することをお勧めします。

「バスケットの視点」とは何ですか?

「バスケットの視点」とは、顧客が1回の取引で多くのアイテムを購入することが期待されるすべての業界において、非常に重要な関心事です。これは、アイテムを「単独」でではなく、「組み合わせて」購入することの価値を指します。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ことの価値は、アイテムを「個別に」購入する場合の分離された価値の合計よりも大きい場合があります。この視点は、一般的な商品小売業など、多くの業界にとって重要です。需要のこの相互依存性を認識することは、各SKUの購入を単独のイベントとして扱う従来の手法と比較して、優れたサプライチェーンの意思決定につながります。

たとえば、顧客が複数のアイテムを購入するためにスーパーマーケットに入店する場合を考えてみましょう。これらのアイテムは、必需品(牛乳、パン、卵など)と任意の購入品(アイスクリームやチョコレートなど)の組み合わせです。もしスーパーマーケットで任意のアイテム(チョコレートなど)が在庫切れになった場合、顧客は他のアイテム(牛乳、パン、卵、アイスクリーム)をまだ購入する可能性があります。しかし、必需品(牛乳など)が在庫切れの場合、顧客は何も買わずに競合他社に行って購入を完了するかもしれません。したがって、必需品の在庫切れの財務ペナルティは、アイテム自体だけでなく、販売のバスケット全体に影響を与えます。

基本的には、製品間には関係があり、一部の製品が欠けていると、顧客が他の製品を購入する可能性に影響を与えます。Lokadは、この微妙で重要な現象をサプライチェーンの意思決定に取り入れ、在庫を最適化し、在庫切れを減らすための推奨事項を提供しています(最も影響を受けるものから最も少ないものまで順位付けされています)。これにより、総売上高、顧客の利益、および顧客満足度が向上します。

「サプライチェーンサイエンティスト」とは何ですか?

サプライチェーンサイエンティスト(SCS)は、Lokadの量的サプライチェーン(QSC)イニシアチブの一環として、リスク調整された発注書、在庫割り当てリスト、価格などを提供するクライアントを指導する人物です。 「サプライチェーンサイエンティスト」という用語は、LokadのCEO兼創設者であるJoannes Vermorelによって2017年に作られました。SCSの主な責任は、特定のサプライチェーンイニシアチブにおける意思決定に責任を持つ数値レシピの生成、維持、所有です。

データサイエンティストとは異なり、意思決定プロセスをサポートするモデルを作成することが主な責任であるデータサイエンティストとは異なり、SCSは数値レシピによって生成される意思決定の推奨事項の品質に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ロジックと適切性を説明するためのすべての計測機器(ダッシュボード、レポートなど)の作成にも直接的な責任を負います。少し矛盾しているように思えるかもしれませんが、Lokadは日常的な意思決定プロセスのロボット化を強調している一方で、個人の責任を最重要視しています。QSCは、サプライチェーンのパフォーマンスに責任を持つ「システム」ではなく、QSCを推進する人物です。

ただし、SCSには個人の責任がありますが、その使命において彼らは一人ではありません。Lokadは、すべてのSCSが可能な限り多くのサポートを受けることを確実にするために全力を尽くしています。これには、必要なソフトウェアツール、数学的な機器、方法論、トレーニング、シニアSCSからのモニタリングを提供することが含まれます。

SCSの詳細な説明については、当社の専用のナレッジベース記事サプライチェーンサイエンティストをご覧ください。

「サプライチェーン実践者」とは何ですか?

「サプライチェーン実践者」という用語は、通常、会社が運営に必要なサプライチェーンの意思決定を行うために従事する人々全般を指します。統一された用語は存在しないため、タイトルは異なる業界や企業によって異なります。「サプライチェーン実践者」の一般的なバリエーションには、サプライと需要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_などがあります。

量的サプライチェーン(QSC)は、サプライチェーン実践者の役割についての近代化されたビジョンを提供します。従来のサプライチェーン実践者は、意思決定プロセスを手動でサポートする責任を直接担当していましたが、QSCでは、繰り返しのタスクを完全に機械化することを推奨しています。このロボット化により、サプライチェーン実践者は、企業にとってより多くの付加価値をもたらすタスクに集中することができます。特に、サプライチェーン実践者は、顧客やサプライヤーからのフィードバックや高レベルの知識を収集することにより、サプライチェーンのロボット化をサポートするソフトウェアの数値レシピに挑戦しています。

「サプライチェーンエグゼクティブ」とは何ですか?

Lokadにとって、この用語は、サプライチェーンを組織するロボット化された意思決定プロセスに関して、会社内で相反する提案を調停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って実施される明示的な財務評価を通じて、量的サプライチェーン(QSC)イニシアチブにおいて重要な役割を果たします。QSCは、通常会社内に存在するすべての矛盾と曖昧さを明らかにします。その結果、サプライチェーンイニシアチブが決定の迷いによって行き詰まることがないようにするために、戦略的な観点から相反する提案を調停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る必要があります(例:予算の制約内で最適な意思決定のセットを見つけることと、任意のコストで期待されるサービスレベルを達成することの対立)。

: QSCは、サプライチェーンエグゼクティブが常に「正しい」という能力を持っているとは仮定していません。何がうまくいくか、何がうまくいかないかを整理するのは、サプライチェーンエグゼクティブではなく、Lokadが採用している実験的最適化方法論の役割です。

「リスク調整された意思決定」とは何ですか?

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されているとは、その意思決定が市場やサプライチェーン自体の不確実な将来の状態に関連する経済的なコストを慎重にバランスさせていることを意味します。リスク調整された意思決定は、「より良い」意思決定であり、すべての可能な将来とそれに関連する確率を考慮することで、この意思決定に関連する平均的な財務結果が他の選択肢よりも大きくなることが期待されます。

リスク調整された意思決定は、脆弱な意思決定とは対照的に、抗フラジャイルな意思決定になる傾向があります。つまり、将来の変動の幅広い範囲に対して、期待される経済的な利益がある程度良好(または単に受け入れ可能)であるということです。この特性は、非線形の制約やコスト(例:腐敗性)をすべて考慮に入れることによって実現されます。

リスク調整された意思決定の非常に基本的な仮定は、深刻な経済的コストは極端な状況にあるということです。つまり、在庫切れの原因は「予想外に高い需要」であり、在庫過剰の原因は「予想外に低い需要」です。その間は、ほとんど計画通りに進み、会社にとって「計画通り」のケースにもたらされる改善はほとんど無視できるものです。

それに対して、主流のサプライチェーン理論で推奨されるほとんどの意思決定プロセスはリスク調整された意思決定を生成しません。実際、意思決定は通常、脆弱です。それらは(以下の完全な説明を参照)リスク調整された意思決定を生成するための最初の重要な要素である確率的予測を欠いているために脆弱です。実際、利用可能な予測がポイント時系列予測の場合、意思決定プロセスは、完全に知られていると仮定される単一の将来の値(例:需要)に「すべてを賭ける」ことを暗黙的に意味します。このアプローチは、例外や予期しないリスクが提示された瞬間にすぐに不適切になるため、脆弱な意思決定に必ずしもつながります。これはサプライチェーンで非常に一般的であり、確率的予測で容易に予測できます。

実践でリスク調整された意思決定がどのように導かれるかについて、より詳細な(ただし技術的な)説明は、当社のチュートリアル「確率的予測を使用したExcelでの優先順位付け在庫補充」および当社のQSC講義「確率的予測を使用した小売在庫割り当て」で見つけることができます。

脆弱な意思決定とは何ですか?

サプライチェーン最適化の文脈では、市場状況やサプライチェーン自体の状態の微小な変動が、元々この意思決定から期待されていた経済的利益を損なう場合、その意思決定は脆弱です。主流のサプライチェーン理論によって推進される意思決定プロセスは、何も特筆すべきことが起こっていない穏やかな市場状況でも、脆弱な意思決定を生み出します。

当社の意見では、意思決定はリスク調整されるべきです。これは、LokadのQuantitative Supply Chain(QSC)の哲学が推奨するアプローチです。実際、リスク調整された意思決定を行うためには、2つの重要な要素が必要です。まず第一に、確率的予測、そして第二に、確率的最適化です。

確率的予測は、将来の不確実性を確率分布の形で定量化します。確率的最適化は、経済的なドライバー、制約、および確率的予測を組み合わせて、すべての可能な将来とそれぞれの確率を考慮した場合に「最良の」意思決定を計算します。

エピステモロジカル・コラプションとは何ですか?

エピステモロジカル・コラプションとは、ある知識体系がその完全性を失い、その知識を活用して活動の改善を図る人々や組織にとって価値がなくなることです。

サプライチェーンは、研究分野として、第二次世界大戦終結以来、残念ながら深刻なエピステモロジカル・コラプションに見舞われています。現在の状況の主な根本的原因は2つあります。

第一に、学界は数十年前にほとんど意図せずにミスを犯しました。毎年何万もの論文が発表されていますが、それらの論文のほとんどは再現可能でも偽証可能でもありません(ポッパーの偽証性の意味で)。他の分野とは異なり、広範なエピステモロジカル・コラプションに苦しむことのない分野(例:アルゴリズムの研究)とは異なり、サプライチェーンの論文はほとんど実世界の設定で使用されず、使用された場合でも長くは使用されません。

第二に、市場アナリスト、ソフトウェアベンダー、コンサルタントは、数十年にわたって敵対者として行動してきました。実際、問題を解決するのではなく、問題を長引かせることで利益を得ることができます。長い間存続している古い方法は、現状維持を望んでいた行為者によって生命維持装置に接続されています。奇妙なことに、現状は長い間存在しているため、ほとんどの人々は、彼らの視点からは、その方法が「常に」存在していると正直に主張することができます - なぜなら、技術的には、問題は彼らより前から存在していました。

エピステモロジカル・コラプションの広範な事例への解決策は、企業がより速く(かつより良く)良いものを選別できるようにする効果的な方法論と手法です。このため、Lokadは2011年以来、サプライチェーンの再構築を行ってきました。この新しいアプローチは“Quantitative Supply Chain”(QSC)と呼ばれています。これには、確率的予測実験的最適化などの代替技術と方法論が含まれています。

*ここでの「ポッパーの偽証性の意味」は、カール・ポッパーによって開発された科学の哲学を指します。ポッパーによれば、理論が科学的と見なされるためには、その理論が偽証可能でなければなりません - つまり、理論が間違っていることを証明できる観察または実験を考えることができなければなりません。言い換えれば、科学的理論は、テストおよび潜在的に反証可能な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重要です。サプライチェーンの研究(一般的に)は、理論がテストおよび潜在的に反証できないため、その科学的価値を損ない、分野のエピステモロジカル・コラプションに寄与しています。

「デザインによる正確さ」とは何ですか?

デザインによる正確さは、システムの設計が特定のタイプのエラーや障害を防止することの重要性を強調する原則です。このアプローチは、問題が発生した後に広範なテストと品質管理に頼る一般的な実践とは対照的です。デザインによる正確さの目標は、継続的なメンテナンスの必要性を最小限に抑え、複雑なシステムから生じる壊滅的な障害のリスクを減らすことです。サプライチェーン最適化の文脈では、デザインによる正確さは特に重要です。なぜなら、分析レイヤー(意思決定プロセスを担当するレイヤー)がサプライチェーンに固有の混乱を増幅してはならないからです - 既に混沌とした環境ですが、認めるべきです。

サプライチェーンの意思決定プロセスをサポートするために作成された数値レシピは、一般的なツールで実装されることが多く、デザインによる正確さを提供しません。その結果、このような数値レシピは通常、数多くの問題により失敗します。インデックス範囲外エラー、メモリ不足エラー、競合状態、数値のオーバーフローまたはアンダーフローなどにより、生産が失敗します。 “早く進んで壊れる"というのは、ライフスタイルアプリのための受け入れられるエンジニアリングの哲学ですが、ミッションクリティカルなビジネスシステムには適していません。

このため、Lokadは、デザインによる正確さを念頭に置いたサプライチェーンの予測最適化に特化したDSL(ドメイン固有のプログラミング言語)であるEnvisionを開発しました。Lokadは、2008年に設立された当初、Envisionから始めませんでした。長年、Pythonなどの汎用言語に頼っていました。しかし、私たちの試みのほとんどは、実際にはPythonのせいで失敗しました。

さらに驚くべきことに、私たち自身のクライアントのデータサイエンスチームにおいても、状況はまったく同じでした。物語はほとんど常に同じように展開していました:データサイエンスチームはわずか3週間で非常に有望なプロトタイプを作成しました。しかし、1年にわたる激しい努力の結果、それが必要な「本番用の品質」に達しなかったため、プロジェクトは破棄されました。

このように、数年にわたる苦労の末、私たちは2012年にプログラミング言語そのものが解決すべき核心の問題であると結論づけました。言い換えれば、Pythonは解決策ではなく問題でした。したがって、より良い代替案がなかったため、Lokadのエンジニアリングチームは、すべての問題を最大限に対処するために「設計による」DSLを作成するための10年にわたるエンジニアリング努力を開始しました。これがEnvisionの誕生です。

10年以上後、私たちはEnvisionで書かれた多くの数値レシピによって直接制御される数十億ドル(USDおよびEUR)相当の在庫を持っています。Envisionは、Lokadのサプライチェーン科学者の生産性だけでなく、「愚かな」かつ非常に高価なミスの頻度も大幅に改善しました。

結論として、設計による正確さは、現実のサプライチェーンを制御するために意図されたプログラミング言語にとって、核心の要件です。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、この問題に正面から取り組まず、常に顧客に莫大な損害をもたらしています。

「保守性」とは何ですか?

サプライチェーンソフトウェアの文脈では、「保守性」とは、企業とそのサポートするソフトウェアベンダーが、適用領域の動作を維持する能力を指します。

「サプライチェーンの管理」に関しては、保守性は比較的簡単なものです。ソフトウェアが変化する状況下で動作し続けるために、セキュリティパッチや互換性パッチなどが必要です(例:オペレーティングシステム、ブラウザ、データベースのバージョンの変更など)。企業が「管理」アプリに機能の変更を望まない限り、ベンダーが適度に能力を持っていれば、保守性はほぼ確保されます。

しかし、サプライチェーンの最適化は非常に異なる問題です。意思決定プロセスを自動化する数値レシピは、時間の経過とともに必ずしも有効性を失います。その劣化の原因は、市場の成長や縮小ではなく、静的な数値レシピの一部としてこの種の変動を数値的に適応することは比較的簡単です(例:移動平均がそれを行いますが、粗雑な方法です)。

むしろ、劣化の原因は解決すべき問題の進化です。進化する市場状況は、単に数量的に異なる回答が必要なだけでなく、まったく異なる種類の回答が必要です。たとえば、通信販売会社は、余剰在庫の処分をサポートするためにSEM(検索エンジンマーケティング)投資を調整するという問題に直面する必要はありませんでしたが、電子商取引会社は日常的に直面しています。

「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市場の変化に対して非常に敏感です。2024年現在、1990年代に導入された在庫管理システムをまだ運用している企業に出くわすことは珍しくありません(まだ正常に動作しているように見えるかもしれません)。ただし、3年間でも関連性を保つことができるサプライチェーン最適化ロジックは非常に稀です。

ほとんどのサプライチェーン最適化ベンダーは、この基本的な問題を認識していません。その結果、投資はベンダーによるクライアント企業のオンボーディングの最初の数ヶ月に集中する傾向があります。ベンダーがまだ進化中のセットアップに深く関与している間、ソリューションは満足のいくものに見えます。しかし、ソフトウェアベンダーによるオンボーディングフェーズの終了後、18ヶ月後に数値レシピは無関係になるまで劣化します。必然的に、サプライチェーン実践者は、関連性を保つために粗雑ではあるがスプレッドシートに戻ります。

メンテナンス性の問題は、2012年にLokadがサプライチェーンの予測最適化のための専用のDSL(ドメイン固有のプログラミング言語)であるEnvisionを作成する一因となりました。実際、Lokadの初期の数年間(2008年に設立)でわかったことは、私たちが作成できる数値レシピは、どれほど優れた初期実装であっても、18ヶ月ごとに大幅に書き直す必要があることが非常に多いということでした。これは、自社のサプライチェーンの自動化を常に変化する戦略と優先事項に厳密に合わせるために支払われる価格でした。したがって、Envisionは、無関係になるのを避けるために、定期的な書き直しのニーズに対応するよう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ンス性は、企業が自社のサプライチェーンの実行を管理するための数値レシピを定期的に書き直す能力によって大きく定義されます。この能力は、タスクに割り当てることができるサプライチェーン科学者チームの規模に依存するだけでなく、最初に数値レシピを実装するために使用されるプログラミング言語の品質にも大きく依存しています。