FAQ: 需要予測

Lokadは2000年代後半の初期の需要予測の起源から進化し、サプライチェーン向けの予測最適化のリーダーとなりました。実際の状況の複雑さを乗り越えつつ、将来のイベントを優れた精度で評価することに注力しています.

対象読者：サプライチェーンの実務者、需要・供給計画担当者、ビジネスアナリスト。

最終更新: 2024年3月7日

予測の原則

ケインズが指摘したように、大まかに正しい方が、正確に間違っているよりも優れている。この原則は、多くのサプライチェーンの状況（およびサプライチェーン以外のシナリオ）に適用できるが、特に予測に関しては非常に妥当である。需要予測において、Lokadは単に「正確に間違っていない」だけでなく、競合他社だけでなく研究チーム¹をも大幅に上回る成果を定期的に上げ、時には最先端技術の水準を再定義している。しかし、ここ10年で私たちは従来の予測の視点において最大の制約要因が精度ではなく、むしろ表現力の不足であることに気付いた.

従来の予測、つまりポイントの時系列予測は、将来について_十分な_情報を提供しない。しかし、時系列予測があまりにも普及しているため、多くの実務者はそれが不完全である（単に不正確というだけではなく）ことを忘れがちである。時系列予測は、ビジネスの未来を、観測者が被観測対象に何の影響も与えない惑星の動きのような現象として扱う。しかし、サプライチェーンは天文学のようなものではなく、企業（惑星とは異なり）は自らのサプライチェーンの方向性に積極的に影響を与える。根本的に、未来は既定されているのではなく、自ら作り上げるものである.

奇妙なことに、主流のサプライチェーン理論全体が時系列予測に基づいて構築されており、それが様々な奇怪な展開を招いている。需要を誘導する明らかな手段である価格設定は、通常、計画から切り離され、全く別の問題扱いとなる。しかし、これらは明らかに相互に関連しているため、これは明らかに誤っている.

従来の時系列の視点には全く欠如しているもう一つの次元は、不確実性である。伝統主義者は、この不確実性は単独でより高い精度を追求することによって対処できると考え、しばしば莫大なリソースを投入する。しかし、サプライチェーンは将来のイベントに伴う不確実性が還元不可能であること、そしてサプライチェーンの問題は単独の調整以上のものを必要とすることを示し続けている—つまり、局所最適化が求められるのだ。将来の不確実性が還元不可能であるだけでなく、グローバル市場は、従来の（例：戦争、津波）もあれば新たな方法（例：ロックダウン、創造的な規制）による課題を投げかける技術に長けている.

確率的予測

Lokadの従来の時系列予測の視点からの最初の大きな逸脱は、2012年に分位点予測を通じて開始された_確率的予測_であった―これは不完全な確率的予測とみなすこともできる。確率的予測は、可能なすべての未来（例：需要、リードタイムなど）を考慮し、各結果に確率を割り当てる。そのため、確率的予測は将来の出来事に伴う還元不可能な不確実性を完全に否定するのではなく受け入れる。2012年以降、確率的予測はサプライチェーンのリスク管理において、局所的なSKUの適正な数量の選定から、長期にわたる数百万ドル規模のサービス契約の締結といった大きな決定に至るまで、繰り返し非常に優れたアプローチであることが証明されている.

さらに、Lokadは需要に対する確率的予測に限定することなく、他のすべての不確実性の要素もLokadプラットフォームによって定量化されるようになった。これらの不確実性には、変動するリードタイム、変動するスクレープ率、変動する顧客の返品などが含まれる。より広く言えば、すべての不確実な将来の出来事は、理想的には確率的予測を通じて予測されるべきである。そのため、今日では、Lokadは日常的に12種類以上の異なる将来の出来事を予測している。重要なのは、これらの代替予測は**時系列予測ではない**ということである。私たちは、時系列を用いて需要、リードタイムなどの複数の異なる値や単位を表現しようとしているのではない。実際、ほとんどの場合、予測している問題自体が時系列が課す狭い枠組みにさえ適合しないのだ.

プログラムによる予測

Lokadの従来の予測の視点からの2番目の重要な逸脱は、2018年にディープラーニングを用い、続いて2019年に微分可能プログラミングへと移行した_プログラム的_シフトであった。支配的な見解では、予測は‘パッケージ化された’技術製品として取り組むべきだとされていた。Lokadは、ほとんどの仲間と同様に、この業務専用のモノリシックなソフトウェアコンポーネントである‘予測エンジン’と呼ばれていた。しかしながら、この視点には二つの主要な欠点がある.

まず、‘予測エンジン’の視点は、エンジンに供給される入力データを整理するための標準的な方法が存在すると仮定している。しかし、現実はそうではない。入力データの構造—リレーショナルな意味合い（例：SQL）での—は、企業内で用いられているビジネスシステムの具体的な状況に大きく依存する。ビジネスシステムに見られる履歴データを、予測エンジンが要求する事前に定められたデータモデルに無理に適合させることは、様々な問題を引き起こす。Lokadは、競合他社が提供するものよりはるかに柔軟な予測エンジンを次々と作り上げることでこれを克服したが、このアプローチが技術的に行き詰まっていることにも気づいた。予測エンジンは決して十分に柔軟ではなく、必然的にビジネスの重要だが微妙な側面を見落とす結果となる.

一方、プログラム的なアプローチは、はるかに優れた解決策であることが証明された。これは、予測モデリングの課題に対して、硬直したモノリシックなソフトウェアではなく、_プログラム的パラダイム_を通じて取り組むものである。Lokadは2018年に、広くコミュニティで使用されているディープラーニングフレームワークからスタートしたが、2019年の微分可能プログラミングの進展を受けて、技術を完全に刷新する結果となった。この完全な技術刷新の意図は、ディープラーニングフレームワークが二流の市民として扱った関係データを、一流のものに変えることであった。サプライチェーンでは関係データが支配的であるが、これは画像、自然言語、音声などが主流である広範な機械学習コミュニティの関心を引くようなデータではない.

次に、‘予測エンジン’の視点は、企業が自らの未来を形作る余地を残さない。エンジンの洗練度に関わらず、このパラダイムは、予測・計画の段階に続いて最適化・実行の段階という二段階のプロセスが存在することを前提としている。このパラダイムは、計画と実行の間を往復する余地をほとんど、または全く残さない。理論上は、前回の反復で得られた予測に基づいて調整されたシナリオに対して予測エンジンを再三適用することは可能である。しかし実際には、そのプロセスは極めて手間がかかるため、誰もそれを行わない（少なくとも長期間は）.

要点：プログラム的アプローチはゲームチェンジャーである。これは、計画と実行の間でカスタムのフィードバックループを運用できるようになり、企業が通常見逃してしまいがちな微妙でありながらも利益を生み出す選択肢を反映できるためである。例えば、クライアントが航空MRO企業であれば、同時にロータブル部品の売買を検討することが可能になり、未使用部品の販売が現在非常に必要とされる部品の取得資金となる。このような相互作用は必ずしも複雑または困難であるとは限らないが、それらを発見するには、ビジネスの細かな規定を慎重に検討する必要がある。非プログラム的なアプローチは常にこの細部を捉えることに失敗し、サプライチェーン実務者を再びスプレッドシートに追いやる²結果となる。微分可能プログラミングもこの面でゲームチェンジャーであることが証明されている.

よくある質問 (FAQ)

1. 予測アルゴリズムとモデル

1.1 ご利用の予測エンジンの概要を教えていただけますか？

Lokadの予測能力は、サプライチェーンの予測最適化のためにLokadが開発したDSL（ドメイン固有プログラミング言語）であるEnvisionの微分可能プログラミング機能上に構築されている。そのため、Lokadは『エンジン』を持つのではなく、最先端の予測モデルを容易に組み立てることができるプログラム的なビルディングブロックを備えている.

我々の予測モデルは、最先端の時系列需要予測の提供に留まらず、それを超えるものであり、Walmartのデータセットに基づいた国際的な予測競争において約1000の競合の中でSKUレベルで1位を達成したことで実証されている。この手法の詳細は公開論文に記されている。Lokadのプラットフォームが持つプログラム可能性は、従来の『予測エンジン』では再現不可能な柔軟な能力を提供する。実際、我々の最後の『予測エンジン』は、この限界のために、2018年にプログラム的アプローチに切り替えられた.

さらに、我々は通常『予測』ではなく『予測モデリング』と呼んでいる。なぜなら、定量的に推定すべきは将来の需要だけでなく、**すべて**の不確実性の要因だからである。これらには将来のリードタイム、将来の返品、将来のスクラップ率、将来の仕入れ価格、将来の競合他社の価格などが含まれる。微分可能プログラミングを通じて、Lokadは従来の予測エンジンから期待される範囲を遥かに超える予測を実現している。これらの拡張予測は、孤立した需要計画ではなく、エンドツーエンドのサプライチェーン最適化を提供するために重要である.

最後に、Lokadは『確率的予測モデル』を提供する。確率的予測（または『確率的モデリング』）は、リスクを考慮した最適な意思決定をもたらすために不可欠である。確率的予測がなければ、サプライチェーンの意思決定はあらゆる変動に対して脆弱となり、少し慎重な決断を行うことで大幅に軽減できたはずの状況に対して継続的なオーバーヘッドを生み出す.

この重要なツールの詳細については、Envisionにおける微分可能プログラミングを、またLokadの予測進化を振り返るためにLokadの予測エンジンの歴史を参照してほしい.

1.2 統計モデルに基づくベースライン予測を生成できますか？

はい。Lokadは、低次元のパラメトリックモデル、すなわち統計モデルに基づくベースラインの需要予測を生成することができる。これを、サプライチェーンの予測最適化のために特別に設計されたLokadのDSL（ドメイン固有プログラミング言語）であるEnvisionを用いて行っている。Envisionの微分可能プログラミング機能を通じて、過去の需要データを活用してパラメーターの学習も容易に行える.

従来の予測の視点には、Lokadが提供する新技術によって取って代えられた二つの主要な制約がある。まず、ポイントの時系列予測（いわゆる「古典的予測」）は、将来の還元不可能な不確実性を捉えられていない. 実際、これらは将来の不確実性を、確率分布ではなく単一の値（例：需要）として表すことで、完全に不確実性を無視している.

その結果、従来の時系列予測では、クライアントがリスク調整された意思決定、たとえば、X単位もしくはX+1単位を注文する場合や、あるいは全く注文しない場合の財務的影響を反映する決定を下すことは不可能になる。このリスク認識の欠如（つまり定量的な意味で）は、常にクライアントにとって非常に高コストとなり、結果として不十分な財務判断（例：発注、配分など）につながる。Lokadは、将来の不確実性を否定するのではなく受け入れることで、この問題に確率的予測で対処している.

次に、需要予測は恐らく最も重要な予測であるとされるが、_唯一の_予測ではない。リードタイム、返品、スクラップ率、その他将来の不確実性に関わるあらゆる要素も予測される必要がある。Lokadは、プログラム的予測モデリングを通じてこの問題に対処している.

1.3 正確な需要予測を生成するために、このソリューションはどのようなデータ分析やアルゴリズムを用いているのですか？

Lokadは、詳細な過去データと、適用可能な場合は選択的な外部データを活用し、微分可能プログラミングを用いて需要予測を生成し、在庫切れやプロモーションなどのその他のサプライチェーンの複雑性を管理する.

パラメトリックモデルの学習に用いられる微分可能プログラミングは、正確な需要予測を生成するための最先端技術である。Walmartの小売データに基づくM5予測競争で示されたように、Lokadはこのアプローチを用いて、世界中の約1000チームと競い合い、SKUレベルで1位に輝いた。この成果は、このアプローチが最先端であると認めるものである.

しかし、M5は需要予測における氷山の一角に過ぎず、Lokadのアプローチは、在庫切れ、プロモーション、返品、劣化など、無数の『複雑さ』に対応することができる。供給チェーンのための構造化予測モデリングが、Lokadがこれらの複雑さにどのように取り組むかの詳細を提供している.

データの観点から、Lokadは利用可能なすべての関連する過去の売上データ、個々の取引まで活用します（もしこのデータが利用可能な場合）。さらに、需要のシグナルを補完するために、過去の在庫水準、過去の価格、過去の競合他社の価格、過去の表示順位（eコマース）など、その他の過去データも活用します。Lokadの技術は、利用可能なすべてのデータを最大限に活用するとともに、不幸にも利用できないデータの影響を軽減するように設計されています。

外部データは、需要予測を洗練するために関連性があると判断された場合に使用されることがあります。しかし、我々の経験では、競合情報以外のデータは、そのデータセットの準備に伴う大規模なエンジニアリング努力に見合う精度向上をもたらすことはほとんどありません（例：ソーシャルデータ、天気データ、など）。このようなデータセットの活用は、予測精度向上のためのより容易な手段を既に使い尽くした成熟企業に限定すべきです。

1.4 機械学習技術を用いて予測誤差を削減していますか？

はい。Lokadは予測誤差を削減するために、微分可能プログラミングとディープラーニングを使用しています。場合によっては、ランダムフォレストや勾配ブースティングツリーといった代替技術も利用します。また、機械学習（ML）技術を用いて、従来の統計手法（例：自己回帰モデル）を見直し、該当パラメータの学習において大幅に改良した方法を採用しています。

LokadはMLを使用していますが、これは一様な技術体系ではなく、データにアプローチするための共通の視点であることに留意すべきです。研究分野としての機械学習は30年以上の歴史があり、実際、最先端とされる技術もあれば、かなり時代遅れとされる技法も含まれています。

我々の視点では、特にサプライチェーンの場合、MLにおける最も重要なパラダイムシフトは、特徴量エンジニアリングからアーキテクチャエンジニアリングへの移行です。つまり、機械学習技術自体がプログラム可能になったということです。ディープラーニングと微分可能プログラミングは、特徴量エンジニアリングよりもアーキテクチャエンジニアリングを重視するこの新しい視点を反映しており、これがLokadがこのアプローチを採用する理由です。

サプライチェーン目的において、予測モデル内で対象となる問題の構造そのものを反映させるためには、アーキテクチャエンジニアリングが鍵となります。これが抽象的な考えに思えるかもしれませんが、ERPデータと体系的に一致しない予測と、実際の状況をしっかりと捉えた予測との差となります。

1.5 品切れおよび在庫過多を防ぐために、どのように需要パターンを特定し予測しますか？

Lokadは、将来需要の大幅な偏差の確率を提供する確率的予測を通じて、品切れと在庫過多を削減します。このアプローチにより、リスク調整済みの意思決定をクライアントに提供でき、より良い選択（例：発注）が可能になり、品切れと在庫過多を減少させます。この手法は、財務リスクを無視し、予測誤差を個別に削減することに依存する従来の一点時系列予測とは対照的です。

他の原因、例えばリードタイムの変動などはさておき、品切れと在庫過多は通常、予期しない（将来の）需要を反映しています。Lokadは確率的予測を通じてこの問題に直接対処します。将来の還元不可能な不確実性を無視する主流のサプライチェーン手法とは異なり、Lokadは厳密な定量的観点から不確実性を取り入れています。確率的予測は、大幅な需要偏差が観測される確率を提供し、リスク調整済みの意思決定を算出するために不可欠です。

リスク調整済みの意思決定は、非常に低いまたは非常に高い需要といった、異常事態が発生する確率だけでなく、それらの結果に伴う財務リスクも考慮します。一般的に、単位数が少なすぎる場合と多すぎる場合には、大きく非対称なコストが発生します。リスク調整済みの意思決定は、最も「慎重」または「有利な」方向へクライアントを導くことで、期待損失を最小化します。

対照的に、その人気にもかかわらず、定期的な一点時系列予測（いわゆる「クラシック予測」）は、これらのリスクを全く無視します。このアプローチは、誤差が無視できる程度にまで予測誤差を個別に低減しようとするものですが、将来の不確実性は還元不可能であるため、これは望み的観測に過ぎません。こうした理由から、一点予測は品切れや在庫過多を十分に防ぐことができないのです。

要するに、基本的な前提や手法（例：一点時系列予測）が根本的に欠陥を有している場合、粗いモデルを使用しても洗練されたモデルを使用しても意味がありません。

このコンセプトの詳細については、確率的予測を参照してください。

1.6 需要における季節性はどのように扱いますか？

エグゼクティブサマリー: Lokadは、微分可能プログラミングを通じて需要の季節性に対処し、年間、週間、イベント特有のパターンなど、様々な周期性の構造をハードコードした低次元パラメトリックモデルを使用しています。この自動化されたアプローチにより、手動介入を必要とせず、需要に影響を与えるすべてのパターンを同時に考慮することで、需要予測の精度と安定性が保証されます。

季節性、別名年間周期性は、Lokadが扱う多くの周期性の一つです。さらに、曜日効果といった週間周期性、給料日の影響を示す月間周期性、イースター、ラマダン、旧正月、ブラックフライデーなどのほぼ年間周期性にも対応できます。

周期性に対処するための当社の手法は、微分可能プログラミングです。ターゲットとなる周期性を構造的に反映する低次元のパラメトリックモデルを活用します。言い換えれば、Lokadのサプライチェーン専門家がハードコードした、周期性の構造が既定のモデルを選定するのです。これは、周期性の存在を単に識別・発見するのではなく、それに伴う変動の大きさを定量化するために設計されています。

数値モデルがLokadのサプライチェーン専門家によって設計されると、全体の最適化プロセスは完全に自動化されます。特に、Lokadのサプライチェーン最適化は、季節性プロファイルのマイクロマネジメントなど、いかなる手動介入も必要とせず、最新製品やこれから発売される製品に対する例外にも依存しません。 Lokadのアプローチは一見斬新に見えるかもしれませんが、サプライチェーンにおいて極めて重要です。

第一に、機械学習プロセスは周期性を発見しようとはせず、周期性が既定のもの（すでにサプライチェーン実務者によって広く認識されている）として扱われるため、より正確な結果をもたらします。これは、データ量が限られている状況では特に重要です。

第二に、学習すべき需要関数の形状に制約をかけることで、より安定した結果をもたらします。このアプローチは、入力データが大きく変動しなくとも、推定される将来需要が大きくばらつくという数値的なアーティファクトを大幅に軽減するものです。

最後に、クライアントのデータから（機械学習）モデルを構築するためにLokadが用いる微分可能プログラミングは、全ての周期性だけでなく、品切れやプロモーションといった観測される需要パターンを形作るその他のパターンにも共同で対処することを可能にします。周期性は、需要に影響を与える他のパターンから切り離して、または順次推定することはできません。これらすべてのパターンとそれぞれのパラメータは、共同で推定される必要があります。

微分可能プログラミングと、それがサプライチェーン最適化に果たす役割の詳細については、供給チェーンのための構造化予測モデリングを参照してください。

1.7 将来の需要を予測し、それに応じた調整提案をするための、長期（3年以上先）の予測能力はありますか？生成可能な予測の最大期間はどれくらいですか？

はい。Lokadは無期限に将来の予測を行うことができるため、最大期間は存在しません。

将来の不確実性の性質上、予測期間が長くなるにつれて予測の不正確さは着実に増加します。技術的には長期予測を行うのは容易ですが、それがサプライチェーン用に信頼できる予測であることを意味するわけではありません。どんなに洗練された基礎モデルを用いても、予測は結局のところ、バックミラーを見ながら道の先を推測する試みなのです。

さらに、自動化された予測に手動で調整を加える能力は、状況をさらに悪化させる傾向があります。一度「専門家」によって予測が手動修正されると、組織はそれに過剰な信頼を置いてしまいます。Lokadが実施した多数のベンチマークでは、長期予測において専門家が粗い平均法を上回ることはほとんどないと示されています。そのため、手動で調整された予測は、通常、過大な専門知識のオーラを帯び、組織がそれに過度に依存してしまう原因となります。この手動での微調整の慣行は、結局のところ予測値が不正確であったことが明らかになった後も続くのです。

長期予測についての全体的な見解として、我々はIKEA創業者インゲヴァル・カンプラッドが『家具商の遺言』で述べた「過剰な計画は企業死の最も一般的原因である」という見解に同意します。一般的に、クライアント企業が非常に安定した市場環境（例：公共事業）にある場合を除いて、長期予測に基づいてサプライチェーンを運営することは推奨できません。Lokadのサプライチェーン専門家チームは、各クライアント企業の特定のニーズに応じた、より適切で健全なアプローチについてのガイダンスを提供しています。

1.8 最低28日間のローリング単位/店舗ごとの予測を提供できますか？

はい、Lokadは将来無期限の予測を行うことができ、大規模な小売チェーンにおけるSKUレベルでの予測にも対応可能です。

当社の小売クライアント向けには、通常、SKUレベルで200日（またはそれ以上）の予測期間があります。これらの中期予測は、動きの遅い商品のデッドインベントリに伴うリスクを適切に評価するのに役立ちます。さらに、Lokadのプラットフォームは非常にスケーラブルであるため、何千万ものSKUを数年分の日次履歴データと共に処理することも容易です。実際、事前のキャパシティプランニングを必要とせず、大規模な小売ネットワークにも容易に拡張できるのです。

このFAQのForecasting Algorithms and Models 1.7も参照してください。

1.9 需要予測の精度を向上させるために、外部データソースや指標を活用できますか？

はい。例えば、Lokadは日常的に競合情報（つまり、競合他社が公開している価格）を利用しています。特定の業界では、航空MRO向けの予測飛行機艦隊サイズなどの公的指標が非常に有用である場合もあります。Lokadのプログラム的なプラットフォームは、業務システムから取得される過去データを超えた多様なデータソースを活用するのに非常に適しています。

外部データに関しては、直感に反してエンジニアリングの労力に見合わないものがほぼ必ず存在します。それは、天気データセットとソーシャルネットワークのデータセットの2種類です。 天気データセットは非常に扱いにくい（つまり、非常に大規模で複雑）上、現実的には2週間以上先の予測では季節平均程度の精度しか期待できません。ソーシャルネットワークのデータセットもまた非常に扱いにくく（非常に大規模で複雑、さらにゴミデータが大量に含まれている上）、また短期的な効果、通常は数日間に依存します。

天気データやソーシャルネットワークデータから価値を抽出できないというわけではありません。実際、一部のクライアントでは既に成功を収めています。しかし、すべての予測精度向上が、そのためのエンジニアリング努力に見合うわけではありません。クライアントは限られたリソースで運営されており、通常はそのリソースをエンドツーエンドのサプライチェーン最適化の他の側面の洗練へ投資する方が賢明です。これは、クライアント自身の過去データセットよりも2～3桁大きい外部データセットを用いて、たった1%（実際はそれ以下）の追加精度を追求するよりも、より慎重なアプローチと言えます。

1.10 週間に1件未満から1日あたり数千件に及ぶような、異なる販売速度にどのように対処しますか？

Lokadは、まばらな需要に対して確率的予測を活用し、Ranvarのような特殊なデータ構造を用いることで、あらゆる販売量で効率的な処理を実現し、サプライチェーン上の課題を簡素化します。

販売速度の大きさが異なる場合、主要な課題は大きな数値よりも小さな数値にあります。大きな数値は比較的処理が容易であるのに対し、まばらな需要に対処するためにLokadは確率的予測を活用します。確率的予測は、0ユニット、1ユニット、2ユニットなど、各離散事象に対して確率を割り当てます。これにより、従来の主流サプライチェーン手法でしばしば問題となる分数需要の問題を完全に解消します。

内部的には、短い一連の離散的な可能性に対する確率は、ヒストグラム（またはそれに類似したデータ構造）で表現されます。これらのデータ構造は非常にコンパクトであり、計算負荷が低いのが特徴です。しかし、まばらな需要を扱う際、例えば需要単位ごとに1バケットを保持するという単純な実装では、1期間あたり数千ユニットを含む非まばらな需要分布に対しては劇的に非効率になってしまいます。

そのため、LokadはRanvar（下記参照）のような特殊なデータ構造を設計しました。これにより、確率分布に関する代数演算で定数時間および定数メモリのオーバーヘッドが保証されます。Ranvar は、数値が大きくなった場合にも元の確率分布を上手に近似し、サプライチェーンの観点から精度低下を無視できるレベルに保ちます。Ranvar のようなデータ構造は、まばらな需要を個別に対処する必要性を大幅に軽減し、一方でまばらな需要処理時に望まれる小さな整数パターンを保持します。

この点の詳細については、当社の公開ビデオ講義供給チェーンのための確率的予測および公開ドキュメントRanvars and Zedfuncsを参照してください。

1.11 異なる単位（単位、価格、ケース、重量など）で予測しますか？

はい、Lokadのプラットフォームはプログラム的です。私たちは、予測を任意の単位で再表現できます。さらに、複数の単位が関与する状況にも対応できます。例えば、コンテナは重量と容積の両面で制限されています。そのため、将来的なコンテナ使用量の予測では、これら両方の制約を考慮して、必要となるコンテナの数を正しく評価する必要があるかもしれません.

1.12 複数の予測アルゴリズム（例：線形回帰、指数平滑、移動平均、ARIMAなど）をサポートしていますか？

はい。Lokadのプラットフォームはプログラム的であるため、ご質問に挙げられたようなクラシックな予測モデルはすべてサポートできます.

重要なのは、ほとんどの「クラシックな」予測モデル（例：線形回帰、指数平滑、移動平均、ARIMAなど）はもはや最先端とみなされず、公開予測コンペティションにおいてトップパフォーマーとして現れない点です。特に、これらのモデルの多くは、在庫切れ、カニバリゼーション、中国の旧正月のような準季節的イベントなど、サプライチェーンにおける通常の複雑性に対処する際に不十分な結果を示します.

通常、Lokadのサプライチェーン・サイエンティストは、クライアント企業の予測ニーズに応じたオーダーメイドの数値計算レシピを作成します。当社のサイエンティストは、必要な需要予測とともに、リードタイム、返品、スクラップ率、競合他社の価格など、その他の不確実なサプライチェーン要因も予測します。さらに、予測アルゴリズムは、利用可能なデータを最大限に活用しつつ、サプライチェーン運用に固有のデータ歪み（例：在庫切れの終了時に需要が反発するなど）を軽減するよう調整されなければなりません.

Lokadの予測の信頼性に関する詳細は、公開ビデオ講義 SKUレベルでのM5予測コンペティションでNo1 をご覧ください.

1.13 予測に返される粒度のレベルはどの程度ですか？

Lokadは、予測においてあらゆる粒度に対応できます。つまり、SKU単位、場合によってはクライアントごとやSKUごとの需要予測といった非常に詳細な粒度から、企業全体の予測に至るまで、幅広く対応可能です.

予測は最適化されたサプライチェーン意思決定を支える数値的成果物であるため、Lokadのサプライチェーン・サイエンティストは、予測がサポートする意思決定に正確に対応できるよう、予測の粒度を調整します。特に、複数のサプライチェーン意思決定を支える場合、通常、予測の粒度も複数存在します.

しかし、Lokadは単に予測の粒度を調整するだけではありません. 私たちは、課題に即した予測の全体的な視点そのものを調整します。例えば、B2B小売業者の場合、クライアントの離反予測を行うことが理にかなうかもしれません。なぜなら、あるSKUに対して一定の需要を支えるクライアントの在庫が、一夜にして死蔵在庫に変わる可能性があるからです。これは、需要の大部分が突然離反した大口クライアントに依存している場合に起こり得ます。Lokadは、特定のSKUの需要と並行して離反の確率も予測でき、その後、必要に応じて両者の予測を組み合わせ、適切な在庫意思決定を最適化します.

1.14 週間の販売データを使って定量的な予測を生成できますか？

はい。弊社の予測機能は非常に柔軟であり、例えば、生の取引データの代わりに週間の販売データを使用することも可能です（ただし、当社は生の取引データを基本としています）.

取引データを週間の時系列データに変換するのは情報を損失するプロセスであり、つまり、極めて有用な情報がその過程で失われる可能性があることに注意が必要です。一度失われた情報は、予測モデルがどんなに高度であっても回復できません.

例えば、あるDIY小売業者が電気スイッチを販売していると仮定しましょう。この小売業者は、毎日補充される店舗で、特定のSKUに対して平均して1単位の需要を観測しています。もし需要の大部分が1単位ずつ購入する顧客から生じているなら、在庫が4単位あれば十分なサービスレベルを提供できる可能性が高いです。しかし、もし需要の大部分が、一度に6単位前後を購入する顧客からのもので（平均して週に1人の顧客が来店する場合）、在庫が4単位では非常に低いサービスレベルとなります.

この例は、任意の集約がもたらす問題を示しています。販売データが例えば週間単位に集約されると、上述の2つの状況の違いは失われてしまいます。これこそが、Lokadが可能な限り生の取引データを使用することを好む理由です.

1.15 毎日の履歴から日次（または日内）の予測を生成しますか、それとも週間の統計予測に日々のパターンを適用しますか？

日次の履歴データ（または、さらに良いことに取引レベルのデータ）が利用可能な場合、通常、曜日、月の週、年の週といったすべての関連する周期性を同時に学習し、予測精度を向上させます。Lokadのプラットフォームでは、任意の周期性や準周期性（例：イースター、中国の旧正月、ラマダンなど）の包含または除外が非常に容易です.

曜日の周期性と年の週の周期性を分解する階層的手法は、必ずしもLokadが用いるわけではありません。しかしながら、当社のプラットフォームはどちらの選択肢もサポート可能です。この「分解するか否か」の問題は周期性だけでなく、他のすべてのパターンに対しても考慮されます.

最適なモデルの選択は、Lokadのサプライチェーン・サイエンティストに委ねられており、彼らは対象となるサプライチェーンで観測された具体的なパターンを慎重に検討した上で選択を行います.

1.16 実際の販売と予想販売の差に基づいて、日中または週の途中で予測を自動調整しますか？

Lokadは、不正確なデータ入力による誤差を修正するために毎日予測モデルを更新し、予測が正確かつ最新の状態になるよう努めています。このアプローチは、古い技術で見られる数値的不安定性に対抗するため、安定かつ正確なモデルを用いて予測の不規則な変動を防ぎ、サプライチェーンの意思決定を改善します.

経験則として、Lokadは新たな履歴データのバッチを受け取るたびに全予測モデルを再トレーニングします。大半のクライアントの場合、これは毎日行われます。最も重要な理由は、既に修正済みの不正なデータ入力が、過去に生成された「壊れた」予測により残存しないようにするためです。Lokadの機能により、大規模なサプライチェーンにおいても、予測モデルの毎日の更新は問題なく実施できます.

一方で、旧来の予測技術の中には数値的不安定性に悩むものもあり、その結果、あまりにも頻繁に更新されるシステムに対して、実務家は予測が不規則に動くことを懸念する場合もあります。しかし、Lokadの観点からは、日々のデータ増分によって予測モデルが不規則に「ジャンプ」する場合、そのモデル自体が欠陥モデルであり、修正が必要であると判断します。更新の遅延によって問題を回避することは、最新の事象を反映しないため、予測精度を不必要に損なう結果となるため、合理的な解決策とは言えません.

Lokadは、数値安定性において設計上正しい特性を持つ予測モデルのクラスを採用することでこの問題を解決しています。微分可能プログラミングは、非常に安定かつ高精度なモデル設計に特に効果的です.

詳細については、毎日すべてを更新する をご参照ください.

1.17 実際の販売水準が今後も継続するという信頼区間は、どのようにして確立していますか？

私たちは、確率的予測と確率的最適化を活用して、すべての潜在的な結果とその確率を評価し、リスク調整されたサプライチェーン意思決定を実現しています。各潜在的な結果には信頼区間が設定され、これを用いて信頼レベルを表現することが可能です.

確率的予測を用いる場合（Lokadの推奨する方法）、すべての可能な未来に対して推定確率が付与されます。その結果、確率的予測からは容易に信頼区間を導出できます。これらの信頼区間は、特定のリスク度合い（例：最悪の5%シナリオ対最悪の1%シナリオ）に基づいた「信頼レベル」を確立するために使用されます.

しかし、「信頼レベル」の背後にある暗黙の前提は、サプライチェーンの意思決定が元の予測に依存しているというものです。確率的予測の視点は、予測の（不）正確性に関するアプローチ全体を根本から変革します。確率的予測が利用可能な場合、サプライチェーンの意思決定（例：特定の発注など）は、すべての可能な未来とその確率に基づいてリスク調整された最適化の恩恵を受けることができます.

この「不確実性下での最適化」という技術的概念は、確率的最適化と呼ばれ、Lokadは確率的予測と確率的最適化の両方を提供しています.

1.18 複数の予測アルゴリズムを組み合わせることはできますか？

はい、可能です。ただし、私たちはこの手法を約10年前に推奨するのを停止しました。生産環境において複数の予測アルゴリズム（別名「メタモデル」）を組み合わせると、通常、最適ではないサプライチェーン意思決定が生じるため、このアプローチは推奨していません.

複数の予測モデルを組み合わせることは、通常、バックテストで得られる合成結果を改善する最も簡単な方法の一つです。しかし、この「メタモデル」（複数の基礎予測モデルの組み合わせにより生じるもの）は通常、不安定であり、あるモデルから別のモデルへと絶えず「ジャンプ」してしまいます。その結果、サプライチェーン実務家は、メタモデルが突然逸脱したり「考えを変えたり」することに混乱を来すのです。さらに、メタモデルは設計上、複数のモデルを混合しているため非常に不透明であり、基礎となるモデルが単純であっても、その混合結果としてのメタモデルは複雑になります.

そのため、バックテストなどで見られる「合成的な精度向上」は、予測の不安定性の増加や予測の不透明性の増大といった二次的効果により、実際の運用環境では失われがちです.

1.19 予測に対して自動的に最適なモデルを選択しますか？

はい、Lokadはサプライチェーン予測のために、単一かつ効果的な予測モデルを提供します。私たちは現実世界でのパフォーマンス低下と不透明性のため、「メタモデル」は採用していません.

Lokadのサプライチェーン・サイエンティストは、各クライアントに対して、複数のアルゴリズムが競合するのではなく、単一の予測モデルを提供しています。このメタモデル手法は約10年前に廃止されました.

技術的なレベルでは、Lokadは予測モデルの内部競争、すなわち、必要に応じて自動的に最適なモデルが選ばれるモデルプールを運用することに問題はありません。しかし、私たちがこの手法を避けるのは、メタモデルがもたらす利益が合成的（ベンチマーク上では見られるが）であり、実際のサプライチェーン環境に反映されないためです。私たちの経験では、メタモデルは常に単体モデルよりもパフォーマンスが劣ります.

メタモデルは、主に欠陥のあるモデルの集合を表しており、例えば、第一のモデルは季節性に弱く、第二のモデルは短い時系列に弱く、第三のモデルは不規則な時系列に弱い、などが組み合わされています。メタモデルを構築すると、これらの欠陥が相殺されたかのように見えますが、実際には各モデルの欠陥はモデル選択ロジックの限界により再び表面化します。さらに、メタモデルは設計上不透明であるため、サプライチェーン実務家の信頼を損なうことになります.

これが、Lokadが必要最低限のシンプルな予測モデルを構築するアプローチを採用する理由です。適切な補助技術、例えば微分可能プログラミングを用いることで、この単一モデルがクライアント企業の全サプライチェーンの範囲をカバーし、複数のモデルを組み合わせる必要をなくします.

本FAQの予測アルゴリズムとモデル 1.18も参照ください.

1.20 最適なパラメータ設定を持つ最適なモデルを自動選択する予測トーナメントを実施できますか？また、機械学習を用いていますか？

はい。Lokadはこれを実施可能ですが、このアプローチは推奨していません。機械学習を用いてモデルを組み合わせる（いわゆる「メタモデル」を作成する）手法は、実運用環境においてメリットをもたらさないため、私たちは単一モデルのアプローチを提唱しています.

約10年前、私たちは予測のためにメタモデルを活用していました。メタモデルとは、複数のモデルの組み合わせや、他モデルの選択によって構成されるモデルのことです。基礎となるモデルの混合や選択も、通常、ランダムフォレストや勾配ブーストツリーといった機械学習技術によって行われていました.

しかし、バックテストによる合成結果を改善したとしても、メタモデル手法は常にクライアントの実運用結果を悪化させます。モデルの自動選択は、メタモデルがあるモデルから別のモデルへと移行する際に、不規則な予測の「ジャンプ」を引き起こします。さらに、モデル選択に機械学習技術を用いることで、これらの移行がさらに不規則になる傾向があります.

したがって、Lokadのプラットフォームは予測トーナメントをサポートしているものの、実運用目的でそのような手法を使用することは推奨していません。特に、最近の予測コンペティションでは、より複雑なメタモデルよりも単一の統一モデルの方が優れた成果を出しており、例えば、LokadがWalmartのデータセットを用いた世界的コンペティションでSKUレベルでNo1に輝いた事例が示されています.

本FAQの予測アルゴリズムとモデル 1.18も参照ください.

1.21 各商品や店舗ごとにより詳細な情報を活用しつつ、ノイズやモデルの過学習を避けるためには、どのような対策を講じていますか?

Lokadは、差分可能プログラミングを利用して予測精度を向上させています。このアプローチにより、特定のデータ構造に合わせたモデルのカスタマイズや、モデルの表現力の制御による過学習の管理が可能となります。この方法は、最小限（しかし重要な）な専門家の指導を取り入れることで、データ効率性を最適化し、『小数の法則』に効果的に対処します.

ノイズや過学習の問題が、Lokadが予測に差分可能プログラミングを採用する主な動機となっています。差分可能プログラミングを用いることで、Lokadのサプライチェーンサイエンティストはモデルの構造全体を完全にコントロールできます。この手法により、入力データ（そのリレーショナル構造を含む）を反映したモデルを構築でき、さらにモデルの表現力を制限して過学習を抑制することが可能となります.

差分可能プログラミングは、サプライチェーンを支配する『小数の法則』に対処するための画期的な手法となりました。すなわち、予測は常に、例えば「SKUごと、日単位」のように、対象となるサプライチェーンの意思決定を反映するレベルや粒度で実施されなければなりません。しかし、その結果、予測モデルは関連データポイントの数が一桁であるという状況に直面します.

差分可能プログラミングの革新は、Lokadにおいてサプライチェーンサイエンティスト（通常はLokadに雇用されますが、クライアント企業に所属する場合もあります）が、極めて限られたデータポイントを最大限に活用するため、予測モデルに高次の事前知識（例：関連する周期性の選択など）を注入できる点にあります。1980年代の「エキスパートシステム」とは異なり、差分可能プログラミングは人間の専門家からのわずかな指導で済みます—しかしこのごく限られた指導が、データ効率性において決定的な違いを生み出すのです.

2. 予測管理と調整

2.1 ユーザーは予測を視覚化できますか？また、予測を倉庫、店舗、ショップなど、異なるレベルで集約することは可能ですか？

エグゼクティブサマリー: はい。Lokadのプラットフォームは、任意のレベルで予測を検査および集約するための、堅牢な（定常時間での）データ視覚化機能を提供します.

Lokadのプラットフォームは、時系列予測を検査するための幅広いデータ視覚化機能を提供します。特に、任意の階層（例：場所、地域、製品カテゴリーなど）や、任意の粒度（例：日、週、月など）に基づいて予測を簡単に集約することが可能です。さらに、レポートは定常時間表示、すなわち500ミリ秒以内にレンダリングされるため（エンドユーザーに十分な帯域幅があれば）、迅速に表示されます.

しかし、この質問は、暗黙の了解としてポイント時系列予測（すなわち、従来の需要予測）について言及している前提に立っています。Lokadのプラットフォームはポイント時系列予測をサポートしていますが、これらの予測は二点において既に時代遅れとなっています.

第一に、ポイント予測は未来のある一点の値を、あたかもそれが_そのものの_未来であるかのように提示します（すなわち、実際に何が起こるかを完全に示します）。この点で、未来を過去の鏡像として扱っています。しかし、未来の不確実性は解消不可能であり、サプライチェーンの観点から見た未来は、物理学者の視点とは異なり、過去の単なる対称ではありません。したがって、あらゆる可能な未来の結果（例：需要の値）を考慮し、それぞれに確率を割り当てる確率予測が推奨されるべきです。リスク管理の面から見ても、これは未来の解消不可能な不確実性に対して、はるかに堅牢な防御策となります.

しかし、確率予測は倉庫、店舗、製品など、あらゆるレベルで表現可能である一方で、通常の意味で加算可能ではありません。そのため、Lokadのプラットフォームが予測に関して関連するすべてのデータ視覚化機能を提供していたとしても、これらの機能は（特に、確率予測の経験がない）サプライチェーン実務者が期待するものとは異なる場合が多いのです.

第二に、時系列予測モデルは、時系列の視点自体が単純であり、ビジネスの本質を捉えていないため、しばしば不適切です。例えば、B2B小売業者では、顧客が在庫から迅速にサービスされることを期待する小口注文と、数ヶ月前に出され時間通りのサービスを期待する大口注文という、二種類の注文が混在していることがあります。これは、最初に余裕を持って注文が出されたためです。この基本的なパターンすら、時系列予測では対応できません。さらに、時系列予測に適合しないパターンには、賞味期限切れ、カニバリゼーション、代替、競合他社の価格変更などが含まれます.

一般的に、時系列予測は視覚化の目的には有用です。しかしながら、実際には、Lokadにおける基礎的な予測モデルは、便宜上時系列として視覚化される場合であっても、必ずしも時系列モデルではありません.

2.2 予測の洞察は、専門家とシステム／機械のうちどちらが担当すべきか？

専門家は、予測モデルの高次構造（例：入力データのリレーショナル構造、このデータに関して可能な主要な構造的仮定など）に注力すべきです。専門家が予測自体を細かく管理（例：手動で上書きする）することは期待されていません.

Lokadは先進的な予測技術、すなわちdifferentiable programmingを活用しているため、当社のサプライチェーンサイエンティストは予測モデルの『高次構造』にほぼ専念しています。これは、かつての古い技術（現在は時代遅れ）とは対照的であり、従来は専門家が予測を細かく管理し、モデルの提示するあらゆるエッジケースに対して修正の洞察を提供することが求められていました。残念ながら、そのような時代遅れのアプローチは、時間の経過とともに専門家にとって非常に煩雑なものとなり、その結果、これらの技術を採用していた企業は専門家を失い、スプレッドシートに頼らざるを得なくなりました.

対照的に、予測モデルの高次構造は、通常100行以内のコードで簡潔に表現できるものです。この簡潔さは、非常に複雑なサプライチェーンの場合でも当てはまります。高次構造は、予測課題に対する人間の理解の核心を示しています。一方、モデルのパラメータを「学習」するプロセスは完全に自動化されており、これは入力データ（通常は履歴データ）およびその他のデータソース（例：今後のマーケティングキャンペーン）を活用して実現されています.

2.3 予測は手動で調整／上書きできますか？

エグゼクティブサマリー: はい。Lokadのプラットフォームは予測の手動調整をサポートしていますが、確率予測自体がリスクと不確実性を考慮するよう設計されているため、本来手動上書きが必要となる状況は発生しません.

Lokadのプラットフォームは幅広いプログラム機能を提供しているため、あらゆる予測プロセスに対して編集機能のサポートは容易です。しかし、予測の手動調整の必要性は、主に時代遅れの予測技術の限界を反映しているにすぎません。Lokadの先進的な確率予測の活用により、予測の細かい管理の必要性は大幅に排除されており、実際、当社ではこのような細かい管理の必要性は約10年前に実質的に消失しました.

予測の手動修正は、通常、リスク軽減のための間接的な手段として行われます。サプライチェーン実務者は、統計的な意味で予測の精度が向上することを期待するのではなく、調整された予測から得られる意思決定がよりリスクの少ないもの、すなわち企業にとってコストが低いものとなることを期待しています。しかし、確率予測においては、Lokadが生成するサプライチェーンの意思決定はすでにリスク調整されています。そのため、確率予測を操作してリスクを低減する試みには意味がありません—意思決定自体が本質的にリスク調整されるよう設計されているからです.

さらに、予測の手動修正は、高い不確実性の状況を軽減するために行われることが多いですが、確率予測は不確実性を取り入れ、その程度を定量化するよう設計されています。したがって、確率予測はすでに高い不確実性の領域を反映しており、それに応じたリスク調整された意思決定がなされています.

基本的に、「誤った」予測を手動で修正しようとしても意味がありません。もし予測が期待される精度に達していないことが証明されれば、その予測を生成する数値レシピを修正すべきです。精度に直接関係しない理由で予測が変更されるのであれば、下流の計算を調整する必要があります。いずれにしても、予測を手動で調整するのは、現代のサプライチェーンには不要な時代遅れの手法です.

2.4 ユーザー作成の予測アルゴリズムを統合できますか？

はい。Lokadは、Envision—当社のドメイン固有プログラミング言語（DSL）—を通じて、ユーザー作成の予測アルゴリズムの統合を可能にします。この柔軟でカスタマイズ可能、かつスケーラブルなDSLは、必要に応じて主流および先進的な予測アルゴリズムや技法をサポートします.

Lokadのプラットフォームはプログラム的であり、これは当社技術の重要な要素で、サプライチェーンの予測最適化のためにLokadが設計したDSLであるEnvisionを通じて提供されています。Envisionを活用すれば、すべての主流の予測アルゴリズム（およびそのバリアント）を再実装することが可能です。さらに、Envisionは、差分可能プログラミングや確率予測に基づくコンペティション勝者の技法など、まだ主流に至っていない予測アルゴリズムも多数サポートしています（以下参照）.

これらのユーザー作成アルゴリズムをLokadに統合することは、Lokad製品の「カスタマイズ」とは異なります。Lokadの観点では、オーダーメイドのアルゴリズムに依存することこそが当社サービスの通常の利用方法です。Lokadのプラットフォームは、そのようなアルゴリズムをサポートするための、安全で信頼性が高くスケーラブルな実行環境を提供します。これらのアルゴリズムの実装（通常「数値レシピ」と呼ばれるもの）は、通常、Lokadのサプライチェーンサイエンティストによって行われます。しかし、クライアント企業にデータサイエンスの社内人材がいる場合、その従業員もこの目的でLokadのプラットフォームを利用することが可能です.

さらに、Lokadのプラットフォームは、そのようなユーザー作成アルゴリズムを構築するためのIDE（統合開発環境）一式を提供します。この機能は、アルゴリズムが入力データや実行時機能の両面において、本番環境を厳格に反映した環境内で開発されることを保証するために重要です。Lokadでは、改訂された予測アルゴリズムが満足のいく（通常は前の版より優れている）と判断されると、数分で本番環境に昇格させることが可能です。関連して、Lokadのプラットフォームは、プロトタイプから本番環境へアルゴリズムを移行する際に発生しうる問題群を完全に排除する「設計上の保証」を幅広く提供しています.

Lokadの予測技術の詳細については、M5予測競争におけるSKUレベルでのNo1をご覧ください.

2.5 ユーザーが理解し、検証し、他の事業関係者に説明できるように、予測または発注に至るソリューションの仕組みをどのように説明しますか？

Lokadのプラットフォームは、柔軟なドメイン固有プログラミング言語（Envision）を活用し、クライアント向けの主要指標や意思決定を示す直感的なダッシュボードを作成します。これらのダッシュボードは、クライアントとの協力のもと、迅速かつ分かりやすく理解できるように構築されています。より複雑な点については、Lokadのサプライチェーンサイエンティストが、予測やサプライチェーンの意思決定を生み出す「数値レシピ」とその結果の設計および説明を担当し、クライアントに対してビジネス、経済、データサイエンスに関する適切な洞察を提供し、舞台裏で何が起こっているのかを理解できるよう努めています.

Lokadに雇用されているサプライチェーンサイエンティストは、予測モデル（およびその意思決定プロセス）を支える数値レシピ（アルゴリズム）を作成する担当者です。サプライチェーンサイエンティストは、数値レシピによって生成される予測とすべての意思決定の適切性を擁護し、説明する責任を個人的に負っています.

したがって、クライアント企業ごとに状況は異なるものの、各状況には必ず人間のコパイロット（サプライチェーンサイエンティスト）が存在します。予測や意思決定の責任が非人格的な「システム」に委ねられているのではなく、名前の付いたサプライチェーンサイエンティストが直接管理する数値レシピの集合体なのです。この責任には、数値レシピの「ホワイトボックス化」、すなわちその結果を株主がアクセス可能かつ理解できるようにすることも含まれます.

このプロセスを支援するため、当社のサプライチェーンサイエンティストはバックテストなどのツールを使用し、自身の分析を支え実証するとともに、数値レシピに組み込まれる仮定（例：適切な制約やドライバー）について十分な判断を下します。最終的に、数値レシピの「適切性」は、それがビジネスの意図を反映しているかどうかに依存し、サプライチェーンサイエンティストはクライアントのサプライチェーン状況を綿密に調査（並びにクライアントとの協議）することでこれを確立します.

Lokadがクライアント向けにデータを準備し、結果を視覚化する方法の全体像については、パブリックデモアカウントビデオをご覧ください.

2.6 予測をセット品目とBOM（部品表）に分割できますか？

はい。Lokadは任意のレベルでの予測提供が可能です。これは、当社の確率モデリングの広範なプログラム機能によるものです。予測をセット品目とBOMに分割することができ、さらに品目がBOMの一部として消費される場合と、独立して販売される場合の両方に対応できます.

さらに、BOM（部品表）が存在する場合、内部品目の需要予測だけではなく、異なるアセンブリが同じ内部部品を巡って内部で競合する状況を反映し、サプライチェーンの意思決定を最適化します。すなわち、各BOMが重複する状況です。この最適化により、もし単独の部品の販売が、より大きく重要なBOMの可用性を危険にさらす場合、その「孤立した」部品の販売を断る判断が下されることがあります.

2.7 予測アルゴリズムのメタパラメータを自動推薦しますか？

はい。Lokadにおける標準的な慣行は、予測モデルが完全に無人で動作しなければならないということです。Lokadのサプライチェーン科学者が、適切なメタパラメータの設定を担当しています。メタパラメータが十分安定してハードコードできるか、または数値的レシピに適切なメタパラメータの値を特定するためのチューニングステップが含まれているかのいずれかです。いずれの場合でも、そのアルゴリズム（いわゆる「数値的レシピ」）は無人で実行することができます。

Lokadは、他の多くの競合ソリューションと比較してはるかに少ないメタパラメータを使用します。これは、Lokadが好む微分可能プログラミングが、一般的なパラメータフィッティングのパラダイムであるためです。したがって、微分可能プログラミングが利用可能な場合、ほとんどのパラメータは学習されます。この技術は、「伝統的な」パラメータ（例：季節性係数）だけでなく、あらゆる種類のパラメータを学習する点で非常に強力です。

その結果、Lokadの観点からは、他者が「メタパラメータ」とみなすほとんどの値は、特定の注意を必要としない「通常のパラメータ」に過ぎません。経験則として、Lokadが本番環境で運用する多くの予測モデルは、非常に少ないメタパラメータ（10未満）しか持たないことが多いです。しかし、これらの数値を微調整するのは、我々のサプライチェーン科学者の責任であり、クライアントが行うことは通常期待されていません。

2.8 製品は因果変数を通じて予測を調整できますか？

はい。

これは、予測モデリングにおいてLokadが好む技術的アプローチである微分可能プログラミングの主要な強みの一つです。 微分可能プログラミングはプログラム的パラダイムであるため、説明変数を含めることは当然です。さらに、因果メカニズムがモデル内で具体化され、自身の「名前付き」パラメータを伴う点も優れています。したがって、予測は因果変数を活用するだけでなく、サプライチェーンの実務家によって監査や調査が可能な方法で実施されます。

例えば、小売価格が因果変数として使用される場合、価格変動に伴う正確な需要反応をプロットして調査することができます。この結果自体が企業にとって極めて興味深いものとなり得ます。もし企業が小売店ネットワークであれば、最も割引に強く反応する店舗で清算イベントを誘導するために利用することができます。これにより、陳腐化した在庫を完全に清算するために必要な割引総量を最小限に抑えることができます。

2.9 製品は予測の実験やアルゴリズムの開発および/またはカスタマイズが可能ですか？

はい。私たちのサプライチェーン科学者は、予測モデルの実験を日常的に行っており、新しいアルゴリズムの開発や既存のアルゴリズムのさらなる適応を可能にしています。これは、Lokadのプラットフォームがプログラム的であり、サプライチェーンの予測最適化のために明示的に設計された柔軟なドメイン固有プログラミング言語（DSL）であるEnvisionを備えているためです。

Lokadの見解では、予測モデルの実験やカスタマイズは、予測技術の限界に対処するための回避策ではなく、そもそもLokadのソリューションを使用する本来の方法です。このアプローチは、予測精度において優れた結果をもたらすだけでなく、他の「パッケージ化」されたアプローチよりもはるかに「プロダクショングレード」の結果を提供します。

「悪いデータ」について不平を言うことはありません。データはそのままであり、私たちのサプライチェーン科学者は利用可能なものを最大限に活用します。また、彼らはデータ改善による利益をユーロやドル（または希望する通貨）で定量化し、企業が最も高いリターンをもたらすデータ改善を特定できるようにします。データの改善は目的ではなく手段であり、追加投資が期待されるサプライチェーンの利益に見合わない場合は、科学者が適切な指針を提供します。

2.10 予測の根底にある特徴量エンジニアリングを反復・洗練することは可能ですか？

はい。

Lokadのサプライチェーン科学者は、予測モデルに組み込まれる特徴量を日常的に調整しています。これは、Lokadのプラットフォームがプログラム的であり、サプライチェーンの予測最適化のために明示的に設計された柔軟なドメイン固有プログラミング言語（DSL）であるEnvisionを備えているため可能です。

ただし、過去10年間で特徴量エンジニアリング（モデリング手法として）は減少傾向にあり、徐々にモデルアーキテクチャエンジニアリングに置き換えられています。要するに、モデルに合わせて特徴量を変更するのではなく、特徴量に合わせてモデルを変更するのです。Lokadが採用する微分可能プログラミングは、特徴量エンジニアリングとアーキテクチャエンジニアリングの両方をサポートしますが、後者の方が多くの場合に適しています。

このFAQの予測管理と調整 2.9も参照してください。

3. 予測精度とパフォーマンス測定

3.1 貴社の予測パフォーマンスに関する見解は何ですか、また予測パフォーマンスはどのように測定されるべきですか？

予測精度は、影響の大きさをドルまたはユーロ（またはクライアントの希望する通貨）で測定する必要があります。これは、予測に基づいて下された意思決定の投資収益率（ROI）を指します。誤差のパーセントポイントを測定するだけでは不十分であり、予測精度は将来の需要だけでなく、リードタイム、返品、商品価格などのあらゆる不確実性の要素も包含する必要があります。これらはすべて変動する要因であり、将来の需要と同様に予測されるべきです。

MAPE（平均絶対パーセンテージ誤差）、MAE（平均絶対誤差）、MSE（平均二乗誤差）などの従来の指標は、サプライチェーン科学者にとっては多少の関心がある技術的な指標ですが、サプライチェーンの観点からは根本的に盲目的で誤解を招くものです。この議論の詳細は、Lokadの公開講座における_実験的最適化_で確認できます。

したがって、これらの指標は組織全体に伝えるべきではなく、混乱とフラストレーションを引き起こすだけです。逆に、統計的な意味で予測をより正確にすることは容易である一方で、クライアントが感じるサービス品質を低下させ、サプライヤーの運用コストを引き上げる（サプライヤーが価格を上げる）結果となる場合があります。

予測指標は、より良いサプライチェーンの意思決定を支える場合にのみ意味を持ちます。Lokadにとっては、最も経済的に合理的な再注文数量、生産数量、出荷数量、価格などを生成することに注力すべきであり、予測誤差のみを個別に取り上げることは、投資収益率の最大化という主要なビジネス上の関心事からは逸れています。

また、リードタイム予測も参照してください。

3.2 予測と実際の販売実績のパフォーマンスはどのように測定されますか？

もしモデルが「販売」を予測しているのであれば、「販売予測」の精度を測定するのは単純であり、MAE（平均絶対誤差）などの通常の指標が有効です。しかし、多くの企業は販売ではなく「需要」を予測したいと考えています。しかし、過去の販売データは本来の需要の不完全な代理にすぎません。品切れやプロモーション（場合によっては競合他社の動き）により、過去の販売実績は歪められます。

したがって、課題は、過去のデータがあくまで過去の販売実績を反映している中で、本来の「需要」を確立することにあります。このために、Lokadはさまざまな手法を用いています。実際、観測された販売と隠れた需要との間の歪みの性質は、対象となるビジネスの種類によって大きく異なり、内部消費や代替品の存在が状況をさらに複雑にします。

Lokadの多くの手法は、そもそも必要な情報を把握できない時系列モデルを排除します。実際、ほとんどの場合、販売データは品切れイベントなどの追加情報によって「豊富化」され、隠れた需要のより良いモデルを得るために活用されます。しかし、この追加情報は単純な時系列パラダイムにはほとんど適合しません。必要なデータがその運用パラダイムの外に存在する場合、時系列モデルのいわゆる洗練さは意味を持たなくなります。

詳細については、供給チェーンのための構造化予測モデリングを参照してください。

3.3 予測精度に関するレポートは提供していますか？また、予測誤差の見通しを示していますか？

エグゼクティブサマリー：はい。シンプルにするため、Lokadのプラットフォームはその確率的予測（およびそれに伴う誤差）を直感的なグラフ形式で表現できます。これは、予測誤差（「不確実性」）が予測期間とともに増大する伝統的な時系列グラフの形をとります。このショットガン効果グラフは、将来に向けて潜在的な値（例：需要）の範囲がどのように広がるかを視覚化するのに役立ちます。これらのレポートは、クライアントがいつでもLokadのアカウント内で利用可能です。

予測モデルの精度を向上させる際の課題の半分は、十分なレポート手段を作り上げることにあります。この作業はLokadのサプライチェーン科学者によって行われています。Lokadが確率的予測を使用しているため、予測誤差は一般に、予測期間とともに着実に増大する「ショットガン効果」を示します。これらのレポートはクライアント企業がLokadのプラットフォーム内でアクセス可能です。

しかし、確率的予測という枠組みでは「予測精度」は実質的に二次的な技術事項に退けられています。このアプローチでは、主要な目的は、クライアントの経済的要因や制約を全体的に考慮し、将来の値（例：需要やリードタイム）の高い不確実性を反映したリスク調整済みの財務決定を下すことにあります。例えば、不確実性が特に高い場合、対応する決定は通常より保守的になります。したがって、確率的予測の精度を単独で測定するのは賢明ではなく、代わりに確率的予測を用いて生成されたリスク調整済みの決定に関連するROIを評価すべきです。

従来の予測（決定論的予測とも呼ばれる）では、予測の不正確さのほぼすべての事例が、クライアントにとって高コストかつ悪い決定につながります。これが、企業が自社の予測を「修正」することに固執する理由です。しかし、現代の時系列統計予測技術が登場してから五十年が経過しても、企業は「正確な」予測には程遠い状況にあります。Lokadでは、「超正確な」予測技術が目前にあるとは考えていません。未来の不確実性は大部分が還元不可能であると考えており、確率的予測とリスク調整済みの決定を組み合わせることで、高い不確実性の負の影響は大幅に緩和されます。

その結果、予測精度は予測モデル自体を扱う技術専門家以外の誰の関心も引かなくなります。その他の組織メンバーにとっては、もはやそれほど重要な問題ではなくなっています。

3.4 自動化され、かつ正確な予測の期待される割合はどの程度ですか？

「正確」とは、適切なサプライチェーンの意思決定を導くのに十分であると定義すれば100%です。しかし、これはすべての予測が精密であることを意味しません。むしろ、確率的予測を通じて、Lokadは未来の還元不可能な不確実性を受け入れています。不確実性が大きい場合、確率的予測は非常に散らばった結果となり、その結果、これらの予測に基づいて生成されるリスク調整済みの決定は非常に慎重なものとなります。

多くの時代遅れの技術ソリューションとは異なり、Lokadは生産目的に使用できないすべての（確率的）予測を、修正すべきソフトウェアの欠陥と見なします。私たちのサプライチェーン科学者は、本番投入のはるか前にこれらの欠陥を修正することを保証します。この種の問題の解決タイムラインは、通常、オンボーディングフェーズの途中で完了します。

一方、従来の予測（決定論的予測とも呼ばれる）は、不正確な場合、下流で極端な供給の意思決定がなされ混乱を招きます。対照的に、確率的予測は期待される不確実性の定量化を自身に組み込んでいます。需要量が低くばらつきが大きい場合、確率的予測は状況の本質的な高不確実性を反映します。Lokadのリスク調整済みの決定の計算は、そもそもリスクを評価する能力に大きく依存しており、これこそが確率的予測が設計された目的です。

3.5 時間の経過によるMAPE（平均絶対パーセンテージ誤差）、MPE（平均パーセンテージ誤差）、MAE（平均絶対誤差）などの指標を追跡できますか？

はい。

Lokadのプラットフォームはプログラム的であり、MAPE、MPE、MAEなどの通常の指標を追跡することは簡単です。また、クライアント企業が好むカスタマイズされた指標のバリエーション、例えば特定のビジネスルールに基づいた重み付けを反映する「加重」版MAPEや加重MAEなど、やや一般的でない指標も追跡できます。

Lokadは、新たな予測が生成されるにつれて、関連あるいは好まれる指標を時間経過とともに収集・統合することができます。また、クライアント企業が改訂された予測モデルの統計的パフォーマンスを評価したい場合、履歴データを「再生」（すなわちバックテスト）することで指標を再生成することも可能です。

ただし、上述の指標はすべて従来の予測（決定論的予測とも呼ばれる）に関連しています。決定論的予測は、将来の値（需要やリードタイムなど）に伴う不確実性に対処するように設計されておらず、単一の未来の値を特定することを目的としているため、サプライチェーンにおいては陳腐化していると考えられます。これに対し、確率的予測は、時系列予測が無視する不確実性を定量化するアプローチです。

3.6 ユーザー定義の指標（例：売上高、利益、コスト、リスク等）を用いて、複数のシナリオを比較することはできますか？

はい。

Lokadのプラットフォームはプログラム的であるため、多くのビジネスルール（例：ユーザー定義指標）に基づいた複雑な指標を導入することができます。また、需要やリードタイムの単なる増減調整を超えて、サプライチェーンネットワークの構造や容量が変更される複雑な代替シナリオを導入することも可能です。これにより、Lokadは多様な潜在的サプライチェーンの状況や結果に備え、リスク管理、戦略的計画、意思決定を強化できます。

注目すべきは、一般的な「シナリオ」管理機能は、Lokadの視点では時代遅れであるという点です。Lokadは確率論的予測モデルを運用しているため、ある意味、生成されるすべてのサプライチェーンの意思決定はすでにリスク調整済みです。すなわち、各可能な将来の値（例：需要）のそれぞれの確率を考慮して最適化されているということです。

したがって、Lokadにおける「シナリオ」は、将来の変動を評価するために使用されるものではなく、これらの変動はすでにLokadの基本運用モードに完全に統合されています。シナリオは、通常、実務者が「サプライチェーンデザイン」と呼ぶ、ネットワークのトポロジー、容量、供給者の所在地など、大幅な変更に対応するために使用されます。

3.7 異なるラグを定義した上で、予測精度や予測誤差（場合によっては他の需要指標も）を追跡・監視していますか？

はい。Lokadはホライズン／ラグの次元を含むさまざまな指標で予測誤差を追跡しています。また、需要、リードタイム、返品など、すべての予測にわたって予測精度を追跡しています。

すべての予測モデルの品質はホライズンに依存します。通常、予測期間が長くなるほど不確実性は大きくなります。Lokadのプラットフォームは、該当するホライズン／ラグを考慮して、幅広い指標を容易に追跡できるよう設計されています。この原則は、需要予測だけでなく、リードタイム予測、返品予測などすべての予測に適用されます。

また、確率論的予測は、ホライズンとともに増大する不確実性を直接的に定量評価することに留意すべきです。したがって、ホライズンに依存して増加する誤差は測定されるだけでなく予測されます。Lokadによって最適化されたサプライチェーンの意思決定はリスク調整されているため、長期予測に依存する意思決定（短期予測と比較して）に伴う追加リスクが自動的に反映されます。

3.8 統計的予測を検証するために、製品／支店レベルでデータを集約することは可能ですか？

はい。Lokadは、階層構造が存在する場合、製品別、支店別、カテゴリ別、地域別、ブランド別など、さまざまな階層レベルで予測誤差や偏りを追跡しています。さらに、Lokadの微分可能なプログラミング技術により、ある粒度で発生する誤差や偏りを最小限に抑えるために、予測を特定の粒度で洗練させることが可能です。

より一般的に、検証の面では、Lokadのプラットフォームはプログラム的であるため、過去の予測をクライアント企業が適切と判断する任意の方法で再集約することができます。同様に、集約予測の検証に使用される指標は、別の指標による検証が望ましいとクライアント企業が判断した場合、分解予測の検証に使用される指標と異なる場合があります。

4. データ管理とクレンジング

4.1 データエラーを自動で識別しますか？

はい。Lokadのサプライチェーンサイエンティストは、クライアントごとのプロジェクトに対して丹念に「データの健康状態」ダッシュボードを作成します。これらのダッシュボードは、データの問題を自動で識別するよう設計されています。さらに、問題の重大性と担当者も明らかにします。

問題の重大性は、その問題が存在するデータに基づいてサプライチェーンの意思決定を行うことが許容されるかどうかを決定します。場合によっては、問題が「安全」とみなされるクライアント企業内のサブスコープに意思決定を限定することを意味します。実際、大企業において100％問題のないデータセットを期待するのは現実的ではありません。したがって、サプライチェーン最適化は、データの不完全性が意思決定の健全性を脅かさない限り、ある程度不完全なデータでも対応可能でなければなりません。

問題の担当者は、その問題の解決に責任を持つ者を定義します。問題の種類によって、クライアント企業内の全く異なる部門から問題が発生する場合があります。例えば、切り詰められた歴史的データはIT部門の問題である可能性が高いのに対し、粗利益がマイナス（つまり、売価が仕入価を下回る場合）は調達部門または営業部門に属します。

単純ではないデータエラーを識別することは、対象となるサプライチェーンの深い理解を必要とする一般的な知能の問題です。したがって、このプロセスは（まだ）自動化できず、現時点でソフトウェア技術が提供できる範囲を超えています。しかし、一度特定の問題が識別されれば、サプライチェーンサイエンティストは今後の検出を自動化することができます。実際、我々のサプライチェーンサイエンティストは、最も頻繁に発生する問題を「データの健康状態」ダッシュボードの初期ドラフトの一部として積極的に実装しています。

詳細なデータの健康状態については、The Data Extraction Pipeline 内の Data Health を参照してください。

4.2 歴史的データを自動的にクレンジングしますか？

エグゼクティブサマリー: はい。Lokadは、クライアントにビジネスデータを提供する前に手動で前処理を行うことを期待していないという意味で、歴史的データのクレンジングを自動的に行います。さらに、Lokadと各クライアント間で構築された全データパイプラインは、すべてのプロセスが完全自動化された状態で無人運用されています。

Lokadは通常の意味で歴史的データを「クレンジング」することはほとんどありません。運用するために、歴史的データの大規模な前処理（「クレンジング」）を必要とする時代遅れの技術がいくつか存在します。例えば、古い時系列システムでは、需要の急落（品切れ）や需要の急増（プロモーション）を修正して予測を妥当な状態に保つことが通常期待されていました。

これは時系列アプローチの限界を反映しています。その結果、欠陥のあるシステム（時系列）に対して歴史的データをより扱いやすくするためには、大規模な準備が必要となります。このプロセスを「データクレンジング」と呼ぶと、問題が歴史的データ自体にあるかのような誤解を招くため、実際の根本原因は歴史的データを処理するシステムの設計上の欠陥にあります。

対照的に、Lokadの予測モデリング技術は時系列アプローチをはるかに超えています。微分可能なプログラミングを通じて、我々は「時系列」に縛られることなく、あらゆる種類の関係データを処理することができます。これは、需要やリードタイムの根底にあるすべての因果要因（例：価格、在庫、イベントなど）がモデルに明示的に組み込まれていることを意味します。因果統合は、クレンジングされたデータが非現実的である（品切れがなかった場合の需要値は誰にも正確には分からない）ため、データクレンジングよりもはるかに優れています。

時折、ビジネスデータ（歴史的なものでもそうでないものでも）には修正が必要となることがあります。Lokadは可能な限りこれらの修正を自動的に行い、シナリオに応じて機械学習を活用する場合もあります。例えば、自動車と部品との間の機械的適合性マトリックスは、半教師あり学習法により自動的に改善することができます（自動車アフターマーケットの価格最適化を参照）。

4.3 ユーザーが手動で歴史的データをクレンジングすることを許可しますか？

はい。クライアントがこの機能を望む場合、Lokadはそのためのワークフローを提供できます。しかしながら、通常、エンドユーザーによる手動でのデータクレンジングは推奨していません。

他のソフトウェアやソリューションは、エンドユーザーに多数の手作業を課します。対照的に、Lokadのサプライチェーンサイエンティストは、現状のデータを活かすエンドツーエンドのアルゴリズム（「数値レシピ」）を作成します。我々にとって、クライアントによる手動のデータクレンジングは例外であり、通常の運用方法ではありません。

このFAQ内の Data Management and Cleansing 4.2 も参照してください。

4.4 不要なモデルエラーを避けるために、データはどのようにクレンジング、管理、維持されるのでしょうか？

Lokadのサプライチェーンサイエンティストがデータパイプラインの設置を担当します。データは準備される必要がありますが、何よりも重要なのは、現状のデータに合わせて予測モデルを設計することです。サプライチェーンサイエンティストは、生データおよび準備済みデータを監視するためのツール（例：専用ダッシュボード）を導入し、Lokadが生成するサプライチェーンの意思決定が確実なものであることを確認します。

多くの代替ソリューションは、入力を調整することで不正確な出力を修正するという、データ準備の観点から問題を捉えます。そのようなソリューションはプログラム的ではないため、コアモデルは変更できず、入力のみが変更可能です。しかし、Lokadは異なる技術アプローチを採用しています。我々は、微分可能なプログラミングを通じたプログラム的な予測技術をサポートしているため、不適切な出力（すなわち、誤ったサプライチェーンの意思決定）に直面した際、入力またはモデル（あるいはその両方）を修正することが可能です。

ほぼ常に、より良いデータ準備とより良いデータ処理という二つの調整の組み合わせが満足のいく結果をもたらし、どちらか一方を省略すると結果が不十分になってしまいます。

このFAQ内の Data Management and Cleansing 4.2 も参照してください。

クライアントとLokad間のデータ自動転送に関する詳細は、The Data Extraction Pipeline も参照してください。

4.5 予測を支援するためのマスターデータを管理・維持していますか？

はい、クライアント企業から要求があれば対応します。

しかしながら、この目的でLokadのプラットフォームを使用することは強く推奨していません。我々の見解では、Lokadのような分析ツールは、マスターデータ管理システムのようなデータ入力ツールとは完全に切り離すべきです。

一般的な経験則として、ベンダーロックインを避けるために、万能なエンタープライズソフトウェアツールの使用は控えることを推奨します。マスターデータ管理の設計要件は予測分析とは全く異なります。Lokadのプラットフォームは悪くないマスターデータマネージャーかもしれませんが、優れたものにはならないでしょう（我々の設計が予測分析に偏っているため）、逆に多くのマスターデータマネージャーは分析には非常に不向きです。

4.6 ユーザーは、将来の計画や洞察を含む、営業およびマーケティングの入力データをアップロードできますか？

はい。

Lokadのプラットフォームは、Excelスプレッドシートを含む多種多様なデータ形式の複数のデータソースを受信・処理することが可能です。また、営業やマーケティング部門で管理されている、任意の粒度のデータも処理できます。

営業およびマーケティングチームは、SKUレベルや、我々が望む粒度であるSKU×ロケーションで整理されたデータを提供することはほとんどありません。この制約を踏まえ、Lokadのプラットフォームは、意図された出力予測（例：SKU×ロケーション）とは異なる粒度の入力データ（例：営業やマーケティングからのデータ）を活用するよう設計されています。

4.7 ウォーターフォール予測を分析するために、歴史的な需要および予測をアーカイブしますか？

はい、通常、需要、リードタイム、返品などを含むすべての過去の予測をアーカイブしています。

大規模なアーカイブ戦略に伴うデータ保存のオーバーヘッドを制限するために、先進的な圧縮技術を工夫しました。また、アーカイブされたデータが大量に存在しても、計算やダッシュボード表示など、プラットフォームの日常的なパフォーマンスに影響を与えないよう全体設計も採用しています。

Lokadプラットフォームのエンジニアリングは、広範なアーカイブ戦略を実施した際にコストやパフォーマンス（またはその両方）で厳しく罰せられる代替ソリューションとは大きく異なります。代替ソリューションは名目上は広範なアーカイブ機能を提供しますが、実際にはシステムの稼働維持のためにそのようなアーカイブは大幅に短縮される傾向にあります。Lokadではそのような問題はなく、大規模クライアント企業においても、何年にも及ぶアーカイブを保持することは通常問題になりません。

4.8 調整が需要指標に与える影響を分析するために、手動入力／オーバーライドをアーカイブしますか？

はい。Lokadは、Excelスプレッドシートの手動ファイルアップロードを含む、すべての手動入力をアーカイブしています。手動入力が予測モデルを変更するために使用される場合（通常、モデルや予測の改善を意図した「オーバーライド」）、それらのアーカイブを用いて、導入された予測精度の向上（または低下）を定量化します。この作業は通常、Lokadのサプライチェーンサイエンティストによって行われます。

Lokadのプラットフォームは、データおよびコード／スクリプトの両方に対して完全なバージョン管理機能を備えています。これは、バックテスト時に手動入力とともに使用される「通常の」ビジネスデータ（通常はビジネスシステムから取得された歴史的データ）が、手動入力が最初に提供された時と全く同じであることを保証するために重要です。

ビジネスデータは通常自動的に更新されます。しかし、最新のビジネスデータを使用することは、手動で修正または入力が行われた当時の状況を正確に反映するものではありません。同様に、Lokadで使用される予測コードも、手動入力が行われた時点から進化している可能性があります。実際、手動入力は、その後解決された予測コードの欠陥に対処するために提供された可能性もあります。

Lokadのプラットフォームはこれらの状況にも対応しており、一連の誤った結論を防ぎます。手動入力が後に「不正確」と評価された場合でも、実際には、当時の正確な条件を考慮するとそれらは適切であった可能性があります。

5. 製品の分類とクラスタリング

5.1 スロームーバーおよび断続的な需要パターンを識別しますか？

エグゼクティブサマリー: はい、Lokadの予測技術は、対象となるすべてのSKUに対して非常に詳細な定量的特性評価を提供します。

特に、Lokadの確率的予測アプローチは、断続的で不規則な需要パターンに対応するのに非常に適しています。希少な事象の確率を評価することで、Lokadは需要の「塊状性」を特定できます。これは通常、個々の消費者が一度に多数の単位を購入することを反映しています。例えば、ある顧客が金物店で（同一の）電気スイッチの全在庫を購入することで、SKUレベルの欠品が発生することがあります。

微分可能プログラミングであるLokadの機械学習パラダイムは、ほとんどのサプライチェーン状況に特徴的な「少数の法則」に対処するのに最適です。動きの遅い商品の場合、設計上、データポイントが非常に限られており、同様に塊状需要に見られる急上昇も設計上は稀です。したがって、予測モデルのデータ効率が極めて重要となります。この点において、微分可能プログラミングは、モデル自体の構造を通じて提供される高次の洞察を反映する能力において、他の代替手法よりも優れています。

代替のソリューションは、動きの遅い商品や塊状の需要パターンが存在する場合、通常は失敗に終わります。古典的な予測（すなわち確率論に基づかない予測）では、実際には存在しない小数点以下の需要に頼らずに動きの遅い商品に対応することはできません。この小数の需要（例：0.5単位）は「数学的」には正しいものの、サプライチェーンの合理的な意思決定を行う上では実用的ではありません。なぜなら、通常は単位を整数で注文しなければならないからです。

同様に、古典的な予測では需要の「塊状性」を数学的に反映することはできません。

For example, 確率的予測では、書店が1日に（平均して）1冊を販売しているという事実を反映できます。これは、1人の教授が月に平均20冊購入することと、1人の学生が平均して2日に1冊購入することが混在している結果です。

この情報は、モデルの需要に関する確率分布に反映されます。しかし、古典的な時系列予測では、散発的なまとめ買いなど、需要の微妙な現実を伝えることは不可能です。単に1日あたり平均1冊の需要を予測するだけでは、実際の需要パターンを捉えられず、販売の本質を誤って表現してしまいます。これにより、経済的に合理的な在庫意思決定が大幅に制限されてしまいます。

5.2 動きの遅いまたは陳腐化した在庫を特定し、「保持または販売」についての推奨を行っていますか？

はい。Lokadは確率的予測を用いて動きの遅い在庫を特定し、過剰在庫やデッドストックのリスクを早期に、かつリスク調整済みで軽減するための意思決定を可能にします。その推奨は「保持または販売」に留まらず、割引、移動、さらには内部での食い合いを避けるための調整なども含まれます。

動きの遅い、あるいは陳腐化したSKU（需要面での）の特定は、確率的需要予測によって行われます。確率的予測は、在庫過剰やデッドストックのリスクを含むリスクの特定および評価に非常に優れており、確率的最適化能力と組み合わせることでリスク調整済みの意思決定を支援します。結果として、SKUのライフサイクルのすべての段階で在庫リスクが定量化されます。この設計は、問題が顕在化する前にほぼすべての在庫状況を早期に特定し、対処できることから非常に重要です。

最後に、Lokadは単なる「保持または販売」の推奨にとどまりません。利用可能なオプション全体を反映した推奨をクライアントに提供できます。例えば、在庫を一掃するために割引やプロモーションを推奨することが可能です。また、他のチャネルで高い需要が見られる場合、在庫を別の場所に移すことを提案することもできます。さらに、誤って別のSKUの需要を食い合う製品に対して、一時的な停止または順位の降下を提案することも可能です。

要するに、Lokadのサプライチェーンサイエンティストは、どの在庫が「死んでいる」と宣言する前に、あらゆる可能性を徹底的に検証するために存在します。

このFAQ内のプロダクト分類とクラスタリング 5.1も参照してください。

5.3 ユーザーが階層化された製品データのワークフロー（トップダウン、ミドルアウト、ボトムアップ）を管理できるようにしていますか？

はい。Lokadプラットフォームはプログラム的であるため、クライアントの既存の製品階層に沿った、合理的に明確なワークフローであれば、どれにも対応可能です。

私たちの意見では、従業員がそのようなワークフローを操作することによるクライアントのROI（投資収益率）は非常に不明確です。こうしたワークフローが必要とされるという事実自体が、内部から抜本的に解決すべきサプライチェーンソフトウェアの深刻な欠陥を示しており、できるだけ多くの自動化を活用すべきであることを意味します。

Lokadのプラットフォームは、製品階層、地域、時間的視野/ラグ、サプライヤー、顧客タイプなど、すべての関連次元に沿ってデータを可視化するための広範な機能を提供します。これらの機能は、欠陥およびさらなる改善ポイントの特定に不可欠です。しかし、こうした機能を「ワークフロー」のために活用するのは一般的に誤ったアプローチです（もちろんLokadにとっては容易ですが）。むしろ、サプライチェーン担当者がワークフローを管理する必要をなくすために、Lokadが運用する基盤となる数値レシピ（コード）そのものを直接修正することを推奨します。

多くの代替ソリューションはプログラム的な能力を持たないため、欠陥が見つかった際には、次のソフトウェアバージョン（数年先である可能性もある）を待つか、カスタマイズに頼るしかなくなります。これらの方法は通常、問題を孕んでおり、最終的にはクライアント企業がメンテナンスされないソフトウェア製品を抱え込む結果となります。

5.4 ユーザーが階層的に関連するアイテムを整理し、さまざまな要因に基づいてまとめることを許可していますか？

はい。

Lokadのプラットフォームは、SKU、製品、クライアント、サプライヤー、ロケーションなどのアイテムを、手動入力を含む幅広い要因に基づいてまとめるための広範な機能を提供します。

Lokadのプラットフォームがプログラム的である以上、グルーピングや近接性の基準を数値で表現できる限り、クライアントのアイテムをそれに応じてグループ化することは容易です。この作業はLokadのサプライチェーンサイエンティストによって実施されます。

関連して、Lokadのプラットフォームは、階層的に関連するアイテム間の関係性を、予測または最適化の目的で活用することも可能です。特に、

Lokadのプラットフォームは、全ての数値ツールにおいてリレーショナルな視点を採用しています。このリレーショナルな視点は、リレーショナルデータと階層データの両方を融合することで、時系列やグラフの枠を超えた解析を可能にします。この視点は、機械学習ツールを含む当社のツール一式に浸透しており、単なる表示目的を超えて利用可能な関係性を活用する上で極めて重要です。

5.5 既存の販売データに基づいて、どのような製品分類（ABC /XYZなど）を提供しますか？

エグゼクティブサマリー: クライアントの要望に応じて、Lokadは柔軟なABCおよびABC XYZの製品分類を、変動や除外に対応しながら提供することが可能です。しかし、私たちはこれらの分類（および同種のもの）を時代遅れと見なしています。Lokadの立場としては、現代のサプライチェーンマネジメントは、単純なカテゴリ分類ツールに依存するのではなく、リスク調整済みの意思決定へと導く実行可能な洞察に焦点を当てるべきです。

Lokadのプラットフォームは、ABCやABC XYZ Analysisなど、主流の全ての分類スキームをサポートしています。プログラム的なプラットフォームであるため、これらのクラスを慎重に定義する際に存在する微妙なバリエーション（例：微妙な除外ルール）にも容易に対応できます。しかし、上記のような製品分類は、サプライチェーンの問題や最適化に対して技術的に時代遅れのアプローチです。

一部のサプライチェーンソフトウェアベンダー、特に時代遅れの技術を採用しているものは、ABC分析やABC XYZ分析を誇らしげに提供しています。しかし、これらのツールが提供する分類は、クライアントが既に使用しているソフトウェアソリューションの数多くの欠陥を緩和するために活用され、問題の根本原因ではなく症状のみを扱っています。これらのツールは、粗雑な注意優先順位付けのメカニズムとして使用されるに過ぎません。これは、断続的または変動する需要といった関心事に対処する適切な方法ではありません。

まず、基本的な欠陥に対処することで、サプライチェーン担当者が骨の折れるレビューから解放される必要があります。次に、取扱量に基づく分類は非常に粗雑であり、実務上ほとんど価値がなく、サプライチェーン担当者の時間を非常に無駄にします。

このため、Lokadのサプライチェーンサイエンティストは、潜在的なサプライチェーンの意思決定や実行要求（通常はドルまたはユーロで測定される）の財務上の影響を反映する意思決定へとクライアントを導きます。アイテムや意思決定が最終的なROI（投資収益率）に基づいて優先順位付けされない限り、「優先順位付け」や「最適化」の試みは本質的に無意味です。

これらの分類ツールの限界については、3分でわかるABC XYZやABC分析は機能しないも参照してください。

5.6 製品および/または店舗のクラスタリング・層別化を提供していますか？

はい。

Lokadのプラットフォームは、店舗、製品、クライアント、SKU、サプライヤーなど、あらゆる関心のあるアイテムに対してクラスタリングおよび層別化の機能を提供します。これは、リレーショナルデータに関連するプラットフォームの処理能力のおかげであり、固定された一連のプロパティに「平坦化」できない複雑なアイテムにも対応できるのです。また、微分可能プログラミングを通じて、予測など特定のタスクに特に有用な形でアイテムをグループ化するための類似性指標を学習・調整することも可能です。

数行のEnvisionコードで実現できるLokadのクラスタリング機能の詳細については、イラスト: クラスタリングを参照してください。

5.7 製品/ロケーションの階層やクラスタリングを用いて予測を精緻化していますか？

はい。

Lokadは、入力データのリレーショナルな構造を最大限に活用しています。微分可能プログラミングの手法は、リレーショナルデータの処理に特に優れており、これにより階層、リスト、オプション、グラフ、数値およびカテゴリ属性を予測モデルに組み込むことができます。また、当社の予測モデルは、需要、リードタイム、返品、歩留まり、商品価格など、サプライチェーンに関わるあらゆる不確実性の要素を予測しています。

クラスタリングは、対象とする予測における関連パターンを特定するために利用できます。例えば、曜日、月の週、年の週といった典型的な周期性や、イースター、旧正月、ラマダン、ブラックフライデーなどの準周期性は、この手法の恩恵を受けることができます。Lokadのプラットフォームは、予測目的のためのクラスタリング機能を包括的にサポートしています。

この点の詳細については、イラスト: クラスターベースの周期性を参照してください。

6. イベントと説明変数

6.1 過去のデータにおいて、例外的なイベント（例えば、在庫切れイベント）やプロモーションを特定していますか？

エグゼクティブサマリー: はい。Lokadは、予測プログラミングを用いて既知の例外イベントを過去データに付加し、従来の時系列予測よりも精度を向上させています。このアプローチは不完全なデータにも対応し、直接的な歴史的イベントの記録が得られない場合の代替手段として、失われたイベントの再構築を可能にします。

過去のデータには、需要やリードタイムなどの測定値を歪める多数のイベントが含まれています。Lokadは微分可能プログラミングなどの予測プログラミングパラダイムを用いることで、これらのイベントを基礎となる履歴に付加します。しかし、一般的にはこれらの例外イベントは「特定」されるのではなく、既に既知のものです。もし重要なイベントが失われた場合、Lokadは予測モデルを用いてそれらのイベントを再構築することが可能です。

かつての時代遅れの予測技術は、単なる生の時系列以外のデータに対処することができなかったため、需要に影響を与えるすべての歪みを事前に修正する必要がありました。さもなければ、予測は大幅に劣化・偏ってしまったのです。残念ながら、このアプローチは設計上欠陥があり、時系列予測が他の予測の上に構築されることで不正確さが積み重なる結果となります。

Lokadの予測技術は、追加の説明変数をサポートするため、同じ問題に悩まされることはありません。歴史的なイベント（例えば在庫切れ）がなかった場合にどうなったかを推測するのではなく、予測モデルはその出力、すなわち予測に説明変数を反映させます。この手法は段階的な予測アプローチを必要とせず、記録的な売上後に発生した在庫切れのような不完全なデータも活用できるため、不完全な形であっても依然として非常に価値のある情報を提供します。

もし、重要なイベント（例えば在庫切れ）が失われた、または単に記録されなかった場合でも、Lokadは過去データの分析を通じてそのイベントを再構築することが可能です。しかし、いかに統計的に正確な再構築であっても、実際にイベントが発生した際の直接的な記録よりも常に正確性は劣ります。このため、各ビジネスシステムで適切に保存されていない場合、Lokadは通常、在庫レベルなどの指標を歴史的に保存します。

6.2 例外的なイベントおよび（移動する）祝日を特定していますか？

はい。Lokadの予測モデルは例外的なイベントや祝日に適応します。サプライチェーンサイエンティストがその影響を評価し、クライアントに対して特定のイベントがサプライチェーンのダイナミクスに与える影響について、透明なモデルと洞察を提供します。

Lokadはすべての例外的なイベントを特定し、それらを反映するように予測モデルの構造自体を調整します。しかし、イースター、旧正月、ラマダン、ブラックフライデーなどのほぼ周期的なパターンについては、イベントが存在し影響力を持つことは既知であるため、残る唯一の課題はその影響の_定量化_です。

サプライチェーンサイエンティストに、よく知られたイベントの影響（またはその影響の欠如）について高レベルな評価を行わせることで、はるかに高いデータ効率を持つ予測モデルを実現しています。サプライチェーンではデータが少ない場合が多いため、高いデータ効率は予測モデルの精度維持に極めて重要です。

さらに、Lokad がパターンを明示的に識別し名前を付けることで、クライアントのサプライチェーン担当者は、セマンティックな要因を備えたホワイトボックス型予測モデルの恩恵を受けます。例えば、ブラックフライデーの影響（ある場合）は、過去のデータから評価された専用の要因とともに現れます。その結果、サプライチェーン担当者は、この要因を利用して、季節性（すなわち年間の周期性）など、他のすべてのパターンと切り離して、特にブラックフライデーに最も敏感な製品を理解することができます。

このFAQのEvents and Explanatory Events 6.1も参照してください。

6.3 欠品状況を説明変数として管理しますか？

はい。Lokad は欠品状況を直接その予測モデルに組み込み、データのギャップを埋めるために「偽」の需要を再構築することなく、完全な欠品と部分的な欠品の両方に対応します。むしろ、一般に 検閲された需要 として知られるものを直接モデル化します。さらに、Lokad は部分的な欠品（例えば作業日中に発生する場合）も考慮し、対応する情報を活用することが可能です。

より一般的に、Lokad は欠品から生じるあらゆる副作用にも対応可能です。クライアント企業の具体的な状況によって、それらの副作用は大きく異なる場合があります。例えば、消費者が待つ忠誠心を持っている場合、欠品期間の終盤に需要が急増することがあります。また、バックオーダーが発生し、一部の消費者が購入の延期を拒むことで部分的な需要減少が生じることもあります。など。

Lokad に雇用されているサプライチェーンサイエンティストは、欠品がクライアント企業のビジネスダイナミクスを真に反映する適切な方法でモデル化されることを保証するために存在します。

Lokad がこれらの状況にどのように対処しているかの詳細については、Structured predictive modeling for Supply Chain の「Loss masking」および Lead-time forecasting の「Incomplete lead-time model」に関する議論も参照してください。

6.4 プロモーションを予測しますか？

はい。Lokad の予測技術は、プロモーションメカニズムによって影響を受ける需要の変動を予測できます。プロモーションメカニズムには、価格表示の変動、ディスプレイ順位の変更（eコマース）、品揃えの変更、視認性の変化（例：小売店のゴンドラ）などが含まれます。要するに、Lokad は需要、リードタイム、返品などサプライチェーンのあらゆる不確実性の要因と同様に、プロモーションに対しても確率的な予測を提供します。

Lokad のサプライチェーンに関する意思決定—在庫補充など—は、将来計画されるプロモーション活動だけでなく、その 可能性 も考慮に入れています。例えば、クライアント企業がプロモーションを実施でき、かつ顧客が（通常）プロモーションに良好に反応する場合、クライアント企業は在庫管理においてやや積極的な姿勢を取ることができます。これは、プロモーションが過剰在庫を軽減する効果的な手段であるためです。逆に、プロモーションに対してほとんど反応が見られない顧客層を抱える場合、過剰在庫に対してより細心の注意を払う必要があります。なぜなら、その場合、過剰在庫を緩和するための仕組みが欠如しているからです。

Lokad は確率的予測を活用することで、リスク調整（およびオプション調整）された意思決定を生成します。これらの予測は、そもそもリスクを評価するために不可欠です。その上、私たちは確率最適化、簡単に言えば数学的な操作を用いて、需要、リードタイム、プロモーション、返品など複数の不確実性を考慮した上でクライアントのROI（投資利益率）を最大化する意思決定を策定します。

6.5 新製品の発売および代替品を特定して予測しますか？

Executive Summary: はい、Lokad は新製品を含むすべての製品の需要を予測します。製品に利用可能な過去のデータ量に関係なく（発売前の製品の場合はおそらくゼロです）、この予測を行います。

上記の条件下で統計的な予測を実施するために、Lokad は通常、(a) クライアント企業内での全発売履歴、(b) 製品を提供内での位置付けのための製品属性、(c) 基準値およびカニバリゼーションの可能性を提供する代替製品、(d) この特定の発売を支援するマーケティング活動、を活用します。

もし製品がクライアントの提供ラインナップにおいて旧製品の明確な代替品として位置付けられている場合、予測作業ははるかに単純になります。しかし、クライアントのサプライチェーン担当者が旧製品と新製品が消費者にとって真に等価であると確信していない限り、この手法の採用は推奨されません。実際、製品の発売は新旧製品が一対一で入れ替わることはめったにないため、Lokad は優れた技術を用いて、発売される新製品の疑似履歴を単一の製品で示すのではなく、_すべて_の過去データを活用します。

さらに、Lokad は製品発売に対して確率的予測を生成します。これは、従来の（すなわち非確率的な）予測が新製品発売時に見られる成功・失敗のパターンを全く無視してしまうのに対し、確率的予測はこの不確実性を定量化し、結果としてリスク調整済みのサプライチェーン意思決定を可能にするため、特に重要です。

ほとんどのビジネスシステムでは、製品の発売日が正確に特定されるため、識別そのものは不要です。しかし、発売データが記録されていない、または誤って記録されている場合、Lokad はその情報を実際に再構築することが可能です。当然、初期の販売記録は発売の基準となります。

しかし、場合によっては断続的な需要の場合、製品が最初のユニットを売るまでに長い時間がかかることもあります。Lokad のサプライチェーンサイエンティストは、これらの状況に対応するためのさまざまなヒューリスティック手法を備えています。

このFAQのEvents and Explanatory Events 6.1も参照してください。

6.6 販売履歴のない新製品または新しい拠点をどのように予測しますか？

Lokad は、以前の発売実績と現在の販売実績を活用し、形式的およびテキストによる属性の重要性を強調することで、新製品や新拠点の需要を予測します。

たとえ製品が「新しい」ものであっても、通常、クライアント企業が発売する最初の新製品ではありません。Lokad の予測技術は、過去の製品発売実績および現在の販売量を活用して新製品の需要を予測します。特に、形式的な属性（例：色、サイズ、形、価格帯など）およびテキスト属性（例：ラベル、短い説明、コメントなど）の存在は、当該製品を企業全体のラインナップ内で数学的に位置付ける上で極めて重要です。

新しい拠点の場合もプロセスは類似していますが、データは通常、はるかに限定的です。多くの企業が年間で数千の新製品を発売するのが一般的ですが（特にファッションなどの業界では）、年間に百以上の新しい拠点を立ち上げる企業はごくわずかです。しかし、新拠点の属性や特性を活用することで、その拠点に販売履歴がなくても予測を生成することが可能です。

このFAQのEvents and Explanatory Events 6.5も参照してください。

6.7 前任の製品、あるいはフラグ付きや同等/類似の製品を考慮しますか？

はい、発売された製品に『前任品』や『類似品』が付随している場合、Lokad の予測技術はこの情報を活用して予測を精緻化することが可能です。

提供された情報における信頼度の幅、つまり「この新製品は他の製品とほぼ完全に等価である」から「これら二つの製品は漠然と似ている」まで、に対応できます。また、最も類似している製品が明確でない場合は、複数の前任品を提供することも可能です。

従来の（現在では時代遅れの）予測技術では、サプライチェーン担当者が旧製品と新製品を手動で対応付けることを強いられていましたが、Lokad ではそのような必要はありません。基本的信息が利用可能であれば、当社の技術は他製品の過去データを活用して新製品の予測を行うことができます。関連する基本情報には、製品ラベルや価格帯などが含まれます。

一般的な指針として、より良い自動連携を促すためにマスターデータの充実を推奨します。これは、クライアントのサプライチェーン担当者に手動でのペアリングという面倒な作業を強いるよりも望ましい方法です。マスターデータの改善によるROI（投資利益率）は、ペアリングによるものと比べて通常はるかに優れており、マスターデータは発売後の多数のオペレーションにも直接影響を与えます。

このFAQのEvents and Explanatory Events 6.5も参照してください。

6.8 カニバリゼーションを検出しますか？また、カニバリゼーションする製品およびカニバリゼーションされる製品への影響を評価しますか？

はい、Lokad の予測技術は需要分析の一環としてカニバリゼーション（および代替）を考慮に入れています。

状況は様々ですが、モデルは通常対称的であり、カニバリゼーションを引き起こす製品とカニバリゼーションされる製品の双方を定量化します。我々のアプローチは、店舗や販売チャネルごとに異なることがある提供内容の構成も考慮に入れています。

もし顧客を識別できる場合（注：Lokad は個人データを必要とせず、また使用しないため匿名の識別子を用います）、Lokad は顧客と製品を結ぶ二部グラフを活用できます。この時間的なグラフ（取引を通じて製品と顧客を結ぶもの）は、カニバリゼーションの定量化において通常最良の情報源となります。もしこの情報が利用できない場合でも、Lokad は運用を続けることはできますが、カニバリゼーションそのものの詳細な部分に関しては精度が低下する可能性があります。

Lokad の予測技術は、古典的な時系列モデルとは大きく異なります。時系列モデルはカニバリゼーションに対処するには表現能力が不足しています。実際、履歴データが時系列データに変換されると、カニバリゼーションに関するほとんどの関連情報が失われ、その失われた情報はどれだけ時系列モデルが高度でも後から回復することはできません。それに対し、Lokad は予測モデルに微分可能プログラミングを採用しており、これは従来の（そして現在では陳腐化した）時系列モデルよりもはるかに表現力豊かなアプローチです。

6.9 説明変数の追加や更新を許可しますか？また、それらの変数は手動で更新できますか？

はい。Lokad のプラットフォームはプログラム的であり、説明変数の更新の取り込みに関しては、まるで Excel スプレッドシートのように柔軟です。必要に応じて、説明変数を実際のスプレッドシート経由で伝達することも可能です。

Lokad の予測モデリング手法である微分可能プログラミングにより、任意の説明変数を組み込んだモデルを容易に学習することができます。説明変数は「予測された単位」で表現される必要も、予測プロセスと一致している必要もありません。微分可能プログラミングを用いることで、多くの関係性を「定量化せず」に説明変数を統合でき、その学習プロセスを Lokad のプラットフォームに委ねることが可能です。また、その関係性の定量化結果はサプライチェーン担当者に提供されます。これにより、担当者は説明変数が予測モデル内で本当に効果を発揮しているかどうかについて洞察を得ることができます。

従来の（現在では時代遅れの）予測技術では、説明変数と望ましい予測との間に直接的な関係が強制されていました。例えば、説明変数は需要信号と線形に関連する必要があり、予測と同じ粒度で表現される必要があったり、または履歴データと均質である必要があったりしていました。しかし、Lokad の技術はこれらの制約に縛られることはありません。

さらに、Lokad のプラットフォームのプログラム的な機能により、クライアントのサプライチェーン担当者が説明変数の管理をできるだけ簡単に行えるよう整理することが可能です。たとえば、最初は Excel スプレッドシートを用いて説明変数を反映し、その後自動データ統合に移行することができます。この移行は、説明変数によって得られる追加精度がデータ転送の自動化に十分であると判断された時点で実施されます。

この点に関する詳細は、Structured Predictive Modeling for Supply Chain の「Covariable integration」に関する議論も参照してください。

6.10 過去の履歴データがない将来のイベントに対して、予測の手動調整を許可しますか？

はい。Lokad は、履歴データの有無にかかわらず予測を手動で調整することを常に可能にしています。手動調整の品質や精度の追跡も行えます。しかし、最新の予測技術を使用する場合、手動調整は通常不要であり、全体的に推奨されません。

サプライチェーン担当者が予測を手動で調整する 第一の理由 は、予測から導かれるサプライチェーンの意思決定（例：発注）を変更したいと考えるためです。その場合、ほとんどの場合、担当者は予測に適切に反映されていないリスクに直面しています。予測そのものを高くあるいは低くするのではなく、結果としての意思決定をリスクに合わせて上下に調整する必要があるのです。Lokad は確率的予測とリスク調整済みのサプライチェーン意思決定を通じてこの問題に対処します。予測はすでにあらゆる将来の値（例：需要）とその確率を反映しているため、我々の提案する意思決定はすでにリスク調整済みです。もし予測が正しいのに意思決定が誤っている場合、それは通常、予測そのものではなく、その意思決定に付随する経済的要因が調整される必要があることを意味します。

予測を手動で調整する 第二の理由 は、予測が明らかに誤っている場合です。しかしその際は、（根本的な）予測モデル自体が修正されなければなりません。修正しないということは、サプライチェーン担当者が問題の症状（不正確な予測）に対処し続け、本質的な問題（欠陥のある予測モデル）に対処できないことを意味します。モデルを修正しなければ、新たなデータ取得とともに予測が更新され、誤った予測が再び現れるか、あるいは元の修正が残った場合、その修正自体が予測の不正確さの原因となります。

簡単に言えば、予測モデルが十分な精度を欠いている場合（通常、情報不足が原因で）、モデルの入力を強化して関連する不足情報を考慮する必要があります。どちらにしても、不完全な予測モデルを運用し続けることは決して適切な対応ではありません。

6.11 マーケティングおよび特別キャンペーンで予測を改善していますか？

はい、Lokadは（利用可能な場合は）この情報を用いて予測を改善します。

可微分プログラミング ― Lokadの予測モデリング技術 ― は、元の過去需要データ（典型的なクライアントのビジネスシステムで見られる種類）と構造的に一致しなくても、追加のデータタイプやソースを巧みに処理することができます。

可微分プログラミングは、補助データが網羅的または完全に正確であると期待せずに、追加のデータソースを処理することを可能にします。もちろん、データが非常に不完全または不正確である場合、そのデータ処理によって得られる全体的な精度は制限されるでしょう。

さらに重要なことに、Lokadの予測技術はクライアントがマーケティングキャンペーンに取り組む方法を変革します。従来の予測の視点では、将来の需要は惑星の動きのように我々の手の届かないものとみなされます。しかし、マーケティングキャンペーンは空から降ってくるものではなく、むしろクライアント企業が明示的に意思決定した結果です。Lokadの知見と技術により、クライアント企業はサプライチェーンが支えられる範囲に合わせてマーケティングキャンペーンを再調整することができます。

例えば、すべての商品がすでに品切れに向かっている場合、新たなキャンペーンを開始して需要をさらに加速させても意味がありません。逆に、在庫過剰が増加している場合は、以前停止していたいくつかのキャンペーンを再開するタイミングかもしれません。

6.12 価格弾力性を用いて予測を改善していますか？計画された将来の価格変更を予測／予測モデルに積極的に反映させることは可能ですか？

はい。Lokadの予測モデリング能力は、価格弾力性を含む価格設定や将来の計画された価格変更をカバーしています。Lokadの可微分プログラミングアプローチにより、過去も将来も一つまたは複数の価格変数を含めることが容易になります。過去の事例は、需要の変動と価格の変動との因果関係を学習するために利用されます。

可微分プログラミングは、価格変動と、季節性などの複数の周期性を含む需要に影響を与えるその他のパターンを同時に学習することを可能にします。そして、その因果モデルを将来の価格に適用することで、クライアント企業の変化する価格戦略に合わせて価格を引き上げたり引き下げたりできます。

しかし、価格弾力性は価格変動の効果をモデル化するにはしばしば非常に粗いアプローチです。例えば、閾値効果は弾力性ではモデル化できません。これは、製品が他の同等に見える製品よりも**わずかに**安くなったときに、消費者が価格変動に対して強く反応するシナリオを含みます。特に、競合他社の価格が競合情報ツールを通じて収集される場合、価格弾力性では、競合他社の価格戦略によって最もよく説明される需要の変動を説明するには不十分です。

Lokadのプラットフォームは、単に価格弾力性をモデル化する以上の機能を持っています。Lokadは調達と価格設定の両方を同時に最適化することができ、かつ頻繁に実際にその最適化を行っています。主流のサプライチェーンの視点では、在庫最適化と価格最適化は別々の問題として扱われますが、たとえ価格の『弾力性』がその影響を正確に反映するには粗すぎる場合でも、価格が需要に影響を与えることは明らかです。したがって、サプライチェーンの収益性を最大化するためには、在庫および価格設定の方針を連携させることが非常に理にかなっています。

6.13 競合の動向（つまり、競合情報データ）を用いて予測を改善していますか？

エグゼクティブサマリー: はい、Lokadの予測技術は、競合情報データを活用してクライアントの需要予測（および依頼があれば価格も）を改善することが可能です。これは、競合情報データが提供された場合にのみ行われ、Lokad自体が競合情報データを収集しているわけではありません。我々の見解では、この作業はウェブデータスクレイピングの専門家に任せる方が適切です。

競合情報データの活用は通常、二段階のプロセスです。まず第一に、競合データポイントを何らかの方法でクライアント企業の提供する商品と関連付ける必要があります。もしクライアント企業とその競合が、GTINバーコードで識別される全く同じ商品を販売している場合、このプロセスは単純です。しかし、しばしば多くの複雑な問題が生じます。

例えば、企業間で配送条件（例えば、手数料や遅延）が異なる場合や、一時的なプロモーションがロイヤルティカード保有者のみ対象である場合があります。さらに、競合他社は通常、全く同じ商品（少なくともGTINの意味では）を販売しているわけではありませんが、全体としては互いに競合しています。このような状況では、各社の商品間の単純な一対一の対応はもはや意味を持ちません。それにもかかわらず、Lokadの予測技術（およびサプライチェーン科学者）は、これらの複雑な問題に対処できます。

第二に、関連付けが確立された後、予測モデルを競合が需要に与える影響を反映するように適応させる必要があります。ここで最大の課題は、その影響が大きな遅れを伴うことが多い点です。ほとんどの市場では、顧客が競合他社の価格を常に監視しているわけではありません。したがって、競合他社による大幅な値下げが、多くの顧客に長期間気付かれない可能性があります。実際、価格面で競争に敗れる主な影響は、クライアントの市場シェアが徐々に浸食されることにあります。よって、競合の影響を「一商品ずつ」狭く評価するのは誤りであり、企業全体に及ぶ影響も評価する必要があります。

改めて、Lokadのサプライチェーン科学者は、モデリング戦略がクライアント企業およびその市場における立ち位置に対する戦略的理解を反映していることを保証します。この戦略的理解には、市場シェアの獲得や喪失などの長期的な側面も含まれます。

この点については、Pricing Optimization for the Automotive Aftermarket の『Solving the alignment』の議論を参照してください。

また、このFAQのEvents and Explanatory Variables 6.12も参照してください。

6.14 天気予報データを用いて予測を改善していますか？

エグゼクティブサマリー: はい、Lokadは天気予報データを用いて予測モデルを改善することが可能です。私たちは2010年に、大手欧州電力会社との協力でこの分野で初めての成功を収めました。最新の予測技術（可微分プログラミング）により、従来の技術よりも天気予報の統合が容易になりました。

実際には、技術的には天気データを利用して予測を改善することは可能ですが、実運用環境でその改善策を効果的に活用しているクライアントは非常に少ないです。私たちの見解では、通常その労力に見合う成果は得られず、同等のエンジニアリングリソースでより高いROI（投資利益率）を提供する、ずっとシンプルな選択肢がほぼ常に存在します。

全体として、この文脈で天気予報データを活用しようとすると、二つの大きな問題があります。第一の問題は、これらの予報が短期的であることです。2～3週間先を超えると、天気予報は季節平均に戻ります。したがって、短期的な期間を超えると、天気予報は通常の季節性以上の追加的な洞察を提供しません。つまり、厳密な短期以外のすべてのサプライチェーンの意思決定は、天気予報データから利益を得られず、この手法の適用範囲が大幅に制限されます。

第二の問題は、この手法が伴う膨大な技術的複雑性です。天気は非常に局地的な現象ですが、大規模なサプライチェーンを考慮すると、実質的に何百、何千（場合によっては何万もの）関連する場所が、広大な地理的領域（複数大陸にまたがる可能性もある）に点在していることになります。そのため、各地点にはそれぞれ独自の「天気」（気象的には）が存在する可能性があります。

さらに、「天気」は単一の数値ではなく、温度、降水量、風など多くの要素の集合体です。取り扱う商品の種類によっては、需要予測を改善する上で温度が支配的な要因となる場合もあれば、そうでない場合もあります。

根本的に、天気予報データを用いて需要予測を改善しようとすることは、他の、あるいはより優れた改善策に充てることができるリソース（時間、費用、労力など）を割くことになります。我々は、この点において天気予報が『競争力のある』選択肢になることはほとんどないと観察しています。したがって、Lokadは天気予報を活用する能力を有しているものの、天気予報データに頼る前に、他のより容易な改善手段を使い果たすことを推奨します。

6.15 新店舗のオープン／既存店舗の閉店を反映して予測を改善していますか？

はい。

Lokadの予測技術は、新店舗オープンや既存店舗閉店の影響を正確にモデル化することが可能です。当社の技術は、改装作業などによる一時的な閉店のモデリングも対応できます。さらに、データが提供されれば、営業時間の変動も考慮することが可能です。Lokadの予測技術（可微分プログラミング）は、これらすべての需要信号の歪みへの対処に特に効果的です。

さらに、店舗が近接している場合（例：同じ都市内）には、以前利用していた店舗（現在は閉店）が別の店舗に顧客を代替させる効果も考慮できます。もし一部の取引が顧客識別子（注: Lokadは個人データを必要としないため、生の識別子のみ）を利用している場合、この情報を活用することで、店舗が移動しても特定ブランドに属する顧客の割合をより正確に評価することが可能です。

一方、時系列（予測）モデルでは、関連する入力情報を適切に表現することすらできません。この場合、クライアントがロイヤルティカードプログラムを運営していれば利用可能な、上記の生の取引データに依拠します。

注釈