数量的供給チェーンの要点（講義 1.2 概要）

数量的供給チェーン（quantitative supply chain、QSC）と一般的なイニシアティブは、最良のビジネス判断（および財務上のリターン）を生み出すことを目指す点では共通していますが、前者は後者と比べていくつかの重要な点で逸脱しています。Lokadのサプライチェーン・マニフェストに記されたこれらの特徴は、Lokadのsupply chain optimizationへのアプローチを導く基本原則を要約するものです。ソフトウェアの介入を超えて、QSCは、実際にサプライチェーンに最も大きな影響を及ぼす、目に見えにくいが重要な力に再び注目するという全体的なマインドセットの再調整を提唱します。

講義を見る

すべての可能な未来

定義上、サプライチェーンの取り組みとは、将来の需要を特定し、それに応じる試みです。問題は、将来（あらゆる文脈において）が本質的かつ不可分に不確実であり、それぞれが固有の発生確率を持つ非常に幅広い結果を内包している点にあります。肝心なのは、すべての結果が同じ確率で生じるわけではないということです。サプライチェーンにおいても同様ですが、従来の需要に関するuncertainty、例えばtime series予測などの解決策は、単に不確実性をdismiss uncertaintyしてしまいます。代わりに、従来の手法は、1つの将来需要値を算出し、それをあらかじめ定義されたsafety stockの式で補強することに注力します。

このアプローチは、ありとあらゆる将来の需要値の多数性を根本的に無視するため、需要が予想に沿わなかった場合、事業は完全に無防備な状態となります。しかしQSCは、不確実性を受け入れ、（ゼロでない確率を伴いながら）すべての将来需要値を特定します。この洞察は、QSCの基盤であるprobabilistic demand forecastingの成果であり、従来の時系列予測よりもはるかに詳細な将来需要の見通しを提供します。

すべての実行可能な意思決定

根本的に、ビジネスとは、数多くの意思決定と制約の集合体です。意思決定に関しては、企業はマクロレベルとミクロレベルの双方で選択に直面します。例えば、工場のニアショアリングは重要なマクロレベルの決定であり、一方、購入数量を1単位増減するという選択は日常的なミクロレベルの決定にあたります。それぞれの意思決定は、同じお金を二度使うことはできないという機会費用と、事業に直接・間接にもたらす影響という結果を伴います。

一般的に、サプライチェーンの実務者は、マクロレベルの意思決定よりも遥かに多くのミクロレベルの意思決定に直面します。これらのミクロレベルの意思決定はしばしば最も平凡なものですが、企業が自社だけでなく、取引先や顧客の制約も考慮に入れると、より一層複雑な問題層を形成します。これには、最小発注数量（MOQs）、経済発注量（EOQs）、ロットサイズ、利用可能な棚スペース、有効期限などが含まれます。これら無数のパラメータと将来の不確実性の影がある中で、完璧なサプライチェーンの意思決定という概念は、せいぜい幻想的なものに過ぎません。

むしろ、QSCはすべての実行可能な意思決定を特定することを目指します。この文脈において、「実行可能な」とは、即座に行動に移せる、つまり企業の制約を完全に遵守していることを意味します。これらの実行可能な意思決定を（最適なものを求めて）ランク付けするには、企業の制約を高度に把握するだけでなく、その経済的原動力を非常に詳細に理解する必要があります。

経済的原動力

全体として、QSCは予測精度の向上よりも誤差の削減を優先します。一見すると直感に反するかもしれませんが、よりより正確な予測が、自動的に高い利益や事業パフォーマンスに結びつくとは限りません。例えば、実際に販売可能な量をはるかに超える在庫を発注することで99.99%のサービスレベルを保証することはできても、顧客満足という面では成功と言えるかもしれません。しかし、その方針は莫大な廃棄損失を招き、企業の最終利益に悪影響を及ぼすでしょう。

このように、サービスレベルの向上と経済的リターンとの間には、どうしようもないトレードオフが存在します。QSCは誤差の削減に注力するだけでなく、一次原動力と二次原動力の双方を織り交ぜた、さらに精緻な経済分析を行います。一次原動力とは、会計帳簿や一般的なERPで見受けられる、材料費、粗利益、在庫保持コストなどの、即座に明白で通常な要素を指します。二次原動力は、より微妙で直ちには現れず、従来のエンタープライズ・ソフトウェアには全く見られない要素です。これらの原動力は、各意思決定の二次的な影響を表しており、より抽象的な関心事項となります。

在庫切れ事象の下流効果を考えてみてください。B2Bの文脈では、企業はこうした状況に対して契約上のペナルティを受ける場合があり、これがサービスレベル目標を達成するための明確な財務的インセンティブとなります。一方、B2Cの文脈では、これらのインセンティブははるかに不明瞭です。例えば、スーパーマーケットとその顧客との間には明確なサービスレベル契約が存在しないため、在庫切れ事象の影響を測定する従来の仕組みがありません。このため、一部の実務者は棚に十分な牛乳がないことの負の影響を過小評価、あるいは完全に無視してしまうかもしれません。

しかし、QSCは、一部のSKUsにおける在庫切れ事象が、その直接的な利益貢献に対して著しく大きい財務的影響を伴うと主張します。すなわち、冷蔵庫のように単体で購入される商品もあれば、牛乳やパンのように他の商品とまとめ買いされるものもあります。したがって、特定のSKUの在庫がないことは、顧客の全体的な購買判断に影響を与える可能性があります。

例えば、ある人は好みの冷蔵庫モデルが入荷するまで喜んで待つかもしれませんが、店舗に牛乳が不足していると、その人は店を離れ、別の場所で食料品の買い物を済ませる可能性があります。後者のSKUは、直接的な意味ではそれほど大きな利益を生み出さなくとも、その間接的な価値、すなわち他商品の販売を促進するという側面において、重要な在庫価値を持ちます。したがって、この例では、牛乳の在庫切れに対するペナルティは牛乳自体に留まらず、バスケット内の他すべての商品の損失を含むのです。

QSCでは、この一見分かりにくい価値を在庫切れカバー（報酬の原動力）として表現し、優先順位を付けた在庫方針に組み込んでいます¹.

管理には自動化が必要

企業がすべての可能な将来需要値を特定し、実行可能な意思決定を検討し、それらを経済的原動力の観点からランク付けした後、QSCの次のステップは、サプライチェーンの意思決定プロセスを完全に自動化すること（あるいは、最低限、推奨される意思決定を自動生成すること）です。この自動化は、スプレッドシートを用いる事務部門といった従来の運用方法に真っ向から対抗するものです。

実際、サプライチェーンは、卸売業者、供給業者、顧客などのアクターのシステム、リードタイム、予算、サービスレベルなどの制約、さらに季節性、自然が引き起こす災害、競合他社の価格といった外部要因が密接に絡み合うシステムです。たった1つのSKUについて、これらすべての変数に対処することは、人間の頭脳（あるいは複数の頭脳によるチーム）にとっても到底不可能であり、さらに複数店舗にまたがる何千ものSKUとなればなおさらです。

さらに、このような枠組み内で革新を試みれば、官僚主義や高額な再教育費につながり、結果として遅延や非効率を引き起こすことは避けられません。一方で、QSCは、運用管理のための些細で日常的なサプライチェーンの意思決定をすべて自動生成するエンドツーエンドの数値的レシピの実装を目指しています。これらの意思決定は、あまりにも多くの注意のための資金を消費し、より喫緊な問題から帯域幅の誤用を引き起こします。

このように、QSCはサプライチェーンを費用ではなく資産と捉え、その最大の価値を引き出すために最適化（および自動化）されるべきプロセスと位置付けています².

サプライチェーン・サイエンティスト

どんなに優れたサプライチェーン・ソフトウェアであっても、自律的に運用を管理したり、その結果に責任を持ったりすることはできません。数値的レシピの有効性は、実装および監視を担当するデータサイエンティストの専門知識に依存します。Lokadでは、この役割はサプライチェーン・サイエンティスト（SCS）が担っています。

SCSは、QSCイニシアティブのためのデータの処理や、数値レシピの成功裏での実装に責任を持つことなど、さまざまな任務を担います。有効なデータの意味（データが実際に意味するところ）を確立するには相当な技量が必要であり、QSCの成功は単にデータを処理するだけでなく、そもそもそのデータの意味を解釈することにかかっています。AIのいかなる進歩があろうとも、これは依然として人間主導のプロセスです。

例えば、単純な過去の売上データの分析は一見すると容易に思えるかもしれませんが、このデータセットは、数多くの複雑かつ見落とされがちな要因によって誤解を招く恐れがあります。データには意図せずにプロモーションが含まれている場合があり、そのため定価商品の真の需要が反映されないことがあります。あるいは、返品が含まれている場合もあり、これがまた需要の誤認を生むことになります。また、quantity per dayという用語も多様な解釈が可能で、販売が行われた日、予約注文が受理された時刻、または顧客の支払いが確認された時刻を示し得ます。なお、これに加えて企業のERPがプロセスに導入する複雑性については触れていません。

以上のことから、データの意味を的確に読み解くのは困難であり、プロセスの指揮を取るとともに、日々の数値レシピの運用を監督するためには、高度な訓練を受けたサプライチェーン・サイエンティストの存在が不可欠なのです³.

注釈