FAQ: 需要予測

ロカドは、2000年代後半の需要予測の起源から進化し、供給チェーンの予測最適化リーダーとして、将来のイベント評価に焦点を当てながら、現実世界の複雑さを乗り越えています。

対象読者：サプライチェーンの実務者、需要・供給プランナー、ビジネスアナリスト。

最終更新日：2024年3月7日

予測原則

ケインズが指摘したように、正確であることよりもおおよそ正しい方が良いという原則は、ほとんどのサプライチェーンの状況（および非サプライチェーンのシナリオ）に適用されますが、特に予測に関しては特に有効です。予測に関しては、ロカドは単に正確でないことを避けるだけでなく、競合他社だけでなく研究チーム¹を大幅に上回ることが日常的にあり、時には最先端の状態を再定義しています。しかし、過去10年間で、私たちは伝統的な予測の視点の最大の制約要因が正確さではなく、表現力であることに気づきました。

古典的な予測、つまりポイント時系列予測は、将来について十分な情報を提供していません。それでも、時系列予測は非常に一般的になっており、多くの実務者が、未来について不完全であるだけでなく、不正確であることを忘れてしまっています。時系列予測は、ビジネスの未来を惑星の動きのような現象として扱います。観察者が観察される対象に何の関与も持たない現象です。しかし、サプライチェーンは天文学のようではなく、企業（惑星とは異なり）は積極的にサプライチェーンの方向を影響します。基本的に、未来は予め定められたものではなく、あなたが作り出すものです。

驚くべきことに、主流のサプライチェーン理論全体が時系列予測の上に構築されており、さまざまな奇妙な方向に進んでいます。需要を誘導する明らかな方法である価格設定は、通常、計画とは全く別の問題として取り扱われ、これは明らかに明らかな相互関係があるにもかかわらず、不正確です。

伝統的な時系列の視点から完全に欠落しているもう1つの次元は不確実性です。この不確実性は、伝統主義者が単独でより高い正確さを追求することで対処できると信じているものですが、サプライチェーンは、将来の出来事に関連する不確実性が削減できないことを示し、サプライチェーンの問題には単なる局所的な調整以上が必要です。将来の不確実性は削減できないだけでなく、グローバル市場は、古い方法（例：戦争、津波）や新しい方法（例：ロックダウン、革新的な規制）で挑戦を投げかけるのにかなり熟練しているようです。

確率的予測

ロカドが古典的な時系列予測の視点から最初に大きく逸脱したのは、2012年に導入された_確率的予測_でした。これは、不完全な確率的予測と見なすことができる分位数予測を通じて開始されました。確率的予測は、すべての可能な未来（需要、リードタイムなど）を考慮し、すべての結果に確率を割り当てます。そのため、確率的予測は、将来の出来事の不可避な不確実性を受け入れる代わりに、それを完全に無視することになります。2012年以来、確率的予測は、サプライチェーンのリスク管理において、小さな地元の決定（たとえば、SKUの適切な数量を選択すること）から、長期的で数百万ドル規模のサービス契約を結ぶような大きな決定まで、常に優れたアプローチであることが何度も証明されています。

さらに、ロカドは確率的予測に限定されなかった（そして今でも限定されていません）需要の。他のすべての不確実性要因も、現在はロカドプラットフォームによって数量化されています。これらの不確実性要因には、変動するリードタイム、変動するスクレイプ率、変動する顧客リターンなどが含まれます。より広く、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なければなりません。したがって、現在では、ロカドは通常、1年以上先の未来の出来事を予測しています。重要なことは、これらの代替予測が**時系列予測ではない**ということです。私たちは時系列を使用して複数の異なる値/単位（たとえば、需要、リードタイムなど）を表現しようとしていません。実際、ほとんどの場合、予測している問題は、時系列によって課せられた狭い枠組みにさえ適合していません。

プログラム予測

ロカドが古典的な予測の視点から大きく逸脱した2番目の点は、2018年に深層学習を用いたプログラム的なシフトを最初に行い、2019年には異なるプログラミングを行いました。支配的な見解は、予測は「パッケージ化された」技術製品としてアプローチされるべきだというものでした。ロカドは、ほとんどの競合他社と同様に、自社の「予測エンジン」と呼ばれるものを参照していました。このエンジンは、この特定のタスクに専用のモノリシックなソフトウェアコンポーネントでした。しかし、この視点には2つの主要な欠点があります。

第一に、「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標準的な方法があると仮定しています。しかし、実際にはそうではありません。入力データの構造自体は、企業内のビジネスシステムの具体的な状況に非常に依存しています。ビジネスシステムで見つかる歴史データを、予測エンジンが必要とする事前に構築されたデータモデルに強制的に適合させることは、さまざまな問題を引き起こします。ロカドは（ますます洗練された技術を通じて）競合他社が提供しているものよりもはるかに柔軟な予測エンジンを開発することに成功しましたが、このアプローチは技術的な行き詰まりであることを認識しました。予測エンジンは決して十分に柔軟ではなく、必ずしもビジネスの重要なが微妙な側面を無視することになります。

プログラム的アプローチは、これに比べてはるかに優れた解決策であることが証明されました。ここでは、予測モデリングの課題は、剛直なモノリシックソフトウェアではなく、_プログラム的なパラダイム_を通じてアプローチされます。ロカドは2018年に深層学習フレームワークを使用して始めましたが、2019年には異なるプログラミングの進歩を受けて技術を完全に刷新しました。この完全な技術的刷新の目的は、リレーショナルデータを第一級の市民に変えることであり、深層学習フレームワークがそれを2級市民として扱っていた（そして今でも扱っている）のとは異なります。リレーショナルデータがサプライチェーンで支配的である一方、これは画像、自然言語、音声などが主導する広範な機械学習コミュニティの関心を引くデータではありません。

第二に、「予測エンジン」の視点は、企業が独自の未来を形作る余地を残しません。エンジンの洗練度に関係なく、このパラダイムは、予測/計画段階に続く最適化/実行段階が行われているという前提を含んでいます。このパラダイムは、計画と実行の間を行き来する余地をほとんど残しません。理論的には、以前のイテレーションを通じて得られた予測に基づいて調整されたシナリオに予測エンジンを繰り返し適用することが可能です。しかし、実際には、そのプロセスは非常に煩雑で、誰もそれを本当に行いません（少なくとも長期間）。

結論: プログラムによるアプローチはゲームチェンジャーです。これは、企業がおそらく見逃すであろう微妙だが利益をもたらすオプションを反映した、計画と実行の間の特注フィードバックループを操作することが可能になるためです。たとえば、クライアントが航空機のMRO企業である場合、未使用の部品の販売によって今必要とされる部品の取得を資金調達することが可能になります。このような相互作用は必ずしも複雑である必要はなく、挑戦的である必要もありませんが、それらを発見するにはビジネスの細部が慎重に考慮される必要があります。プログラムによるアプローチは、この点でもゲームチェンジャーとなります。

よくある質問（FAQ）

1. 予測アルゴリズムとモデル

1.1 使用している予測エンジンの概要を提供できますか？

Lokadの予測能力は、予測最適化のためにLokadによって設計されたDSL（特定ドメイン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に基づいて構築されています。したがって、Lokadには「エンジン」の代わりに、最先端の予測モデルを簡単に組み立てることができるプログラムビルディングブロックがあります。

当社の予測モデルには、（時系列需要予測の提供に加えて）ウォルマートのデータセットに基づく国際的な予測コンペティションで、SKUレベルで約1000人の競合他社の中で第1位を獲得したことによって示されているように、最先端の時系列需要予測を提供しています。手法の詳細は公開論文で提供されています。 Lokadのプラットフォームのプログラム可能性は、従来の「予測エンジン」を通じては再現できない柔軟な機能を提供します。実際、当社の最後の「予測エンジン」は、この制限のために2018年に段階的に廃止されました。

さらに、私たちは通常、「予測」という言葉よりも「予測モデリング」という言葉を使用しています。なぜなら、将来の需要だけでなく、**すべて**の不確実性源を数量的に推定する必要があるからです。これらのクラスには、将来のリードタイム、将来の返品、将来の廃棄率、将来の原価、将来の競合他社の価格などが含まれます。Lokadは、微分可能プログラミングを通じて、従来の予測エンジンから期待されるものをはるかに超える予測を提供しています。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す。

最後に、Lokadは「確率的予測モデル」を提供しています。確率的予測（または「確率モデリング」）は、リスク調整された最適化された意思決定を提供するために重要です。確率的予測がないと、サプライチェーンの意思決定は、どんな変動にも弱く、わずかに慎重な意思決定を通じて大部分が緩和された状況に対して着実なオーバーヘッドを生み出します。

この重要なツールの詳細については、Envisionでの微分可能プログラミングを参照してください。また、当社の予測エンジンの歴史を確認するには、Lokadの予測エンジンの歴史をご覧ください。

1.2 統計モデルに基づいた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、つまり統計モデルに基づいたベースライン需要予測を生成できます。これは、LokadのDSL（特定ドメインプログラミング言語）であるEnvisionを使用して行います。これは、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ものです。Envisionの微分可能プログラミング機能を使用すると、歴史的な需要データを活用してパラメータを学習することも簡単です。

Lokadが提供する新しいテクノロジーによって置き換えられた従来の予測視点には2つの主要な制限があります。第一に、ポイント時系列予測（通称「クラシック予測」）は、将来の不可避な不確実性を捉えることができません。 実際、将来の不確実性を単一の値（例：需要）で表現することによって、将来の不確実性を値の確率分布ではなく完全に無視しています。

その結果、従来の時系列予測を通じてクライアントがリスク調整された意思決定を生成することは不可能です。たとえば、X単位またはX+1単位の発注の財務影響を反映する意思決定、あるいはまったく発注しない意思決定などです。このリスク意識の欠如（数量的な意味で）は、クライアントにとって非常に高価であり、購買注文（PO）、割り当てなどの財務意思決定（など）につながります。Lokadは、将来の不確実性を無視するのではなく、確率的予測を通じてこの問題に対処しています。

第二に、需要予測はおそらく最も重要な予測のタイプであるにもかかわらず、_唯一の_予測のタイプではありません。リードタイム、返品、廃棄率、および将来の不確実性の他のすべての領域も予測する必要があります。Lokadは、プログラムによる予測モデリングを通じてこの問題に対処しています。

1.3 ソリューションが正確な需要予測を生成するために使用するデータ分析とアルゴリズムは何ですか？

Lokadは、詳細な歴史データと（該当する場合は）選択的な外部データを活用して需要予測を生成し、在庫切れやプロモーションなどの他のサプライチェーンの複雑さを管理しています。

パラメトリックモデルを学習するために使用さ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主要な技術です。ウォルマートの小売データに基づくM5予測競技会では、Lokadはこのアプローチを活用し、SKUレベルで1位に輝きました（世界中の約1000チームと競合）。この業績は、このアプローチを最先端のものと位置付けています。

ただし、M5は需要予測に関しては表面をかいただけであり、Lokadのアプローチは在庫切れ、プロモーション、返品、腐敗などの数え切れない「複雑さ」と相まっています。サプライチェーン向けの構造化予測モデリングでは、Lokadがこれらの複雑さにどのように対処しているかの詳細が提供されています。

データ的には、Lokadは個々の取引まで含め、すべての関連する歴史的な販売データを活用しています（このデータが利用可能な場合）。また、需要シグナルを補完する他の歴史データも活用しています。例えば、歴史的な在庫レベル、歴史的な価格、歴史的な競合価格、歴史的な表示順位（eコマース）などです。Lokadのテクノロジーは、利用可能なデータを最大限に活用し、残念ながら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、需要予測を洗練させるために適切であると判断された場合に使用されるかもしれません。しかし、私たちの経験では、競合情報を超えるデータは、そのデータセットの準備に関連する実質的なエンジニアリングの努力に見合う精度向上をほとんどもたらさないことがよくあります（例：ソーシャルデータ、気象データなど）。そのようなデータセットを活用することは、予測の精度を向上させるためのより簡単な手段をすでに尽くしている成熟した企業にとって予約されるべきです。

1.4 機械学習技術を使用し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。時折、ランダムフォレストや勾配ブースティングツリーなどの代替技術を使用します。また、機械学習（ML）技術を使用して、「古典的な」統計的手法（例：自己回帰モデル）を再検討していますが、その手法の関連パラメータを学習する際には、はるかに改善された手法を使用しています。

LokadはMLを使用していますが、それは均質な作業体ではなく、データにアプローチする方法についての共有された視点であることに注意すべきです。研究分野としての機械学習は実際には30年以上前から存在しており、その用語は幅広い技術をカバーしています。いくつかは「最先端」と見なされる技術もあり、かなり「時代遅れ」のものもあります。

私たちの視点から見ると、特にサプライチェーンの目的において、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。単純に言えば、機械学習技術自体がプログラム可能になっています。ディープラーニングと微分可能プログラミングは、この新しい視点を反映しており、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しているため、Lokadはこのアプローチを採用しています。

サプライチェーンの目的において、アーキテクチャエンジニアリングは、対象となる問題の構造を予測モデル内に反映するための鍵です。これは抽象的な考慮事項のように思えるかもしれませんが、これはERPのデータとシステム的に一致しない予測と、実際に状況を把握する予測との違いです。

1.5 需要パターンを特定し、在庫切れや在庫過剰を防ぐためにどのように予測しますか？

Lokadは確率的予測を通じて在庫切れや在庫過剰を削減し、将来の需要の不確実性を受け入れ、大きな需要の逸脱の確率を提供することで対処しています。このアプローチにより、Lokadはクライアントにリスク調整された意思決定を提供し、POなどのより良い選択肢を可能にし、在庫切れや在庫過剰を削減しています。このアプローチは、伝統的なポイント時系列予測とは対照的であり、財務リスクを無視し、予測誤差を「単独で」削減することに依存しています。

他の可能な原因を置いておいて（例：リードタイムの変動など）、在庫切れや在庫過剰は通常、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ています。将来の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は厳密な数量的意味で不確実性を受け入れています。確率的予測は、大きな需要の逸脱が観測される確率を提供し、リスク調整された意思決定を計算するためには不可欠です。

リスク調整された意思決定は、異常なイベント（例：非常に低いまたは非常に高い需要）に直面する確率だけでなく、それらの結果に関連する財務リスクも考慮します。一般的な経験則として、単位が少なすぎるか多すぎる場合には非常に非対称なコストがかかります。リスク調整された意思決定は、クライアントを最も「慎重な」または「報われる」方向に導くことで、期待損失を最小限に抑えます。

一方、人気があるにも関わらず、定期的な時系列予測（通称「クラシック予測」）は、これらのリスクに完全に無関心です。この視点は、誤差を予測エラーが無視できる程度に低下させることを目的としています。しかし、これは未来の不確実性が削減できないため、甘い考えです。このため、点予測は在庫切れや在庫過剰を満足できる方法で防ぐことに失敗します。

要するに、基本的な仮定/ツール（例：点時系列予測）が根本的に誤っている場合、どのような粗朴または洗練されたモデルが使用されているかは重要ではありません。

この概念の詳細については、確率的予測を参照してください。

1.6 需要の季節変動をどのように扱いますか？

エグゼクティブサマリー: Lokadは、異なる可能性プログラミングを使用して需要の季節変動を処理し、年次、週次、イベント固有のパターンなど、さまざまな周期性の構造をハードコードした低次元のパラメトリックモデルを使用します。この自動化されたアプローチにより、手動介入なしで需要予測の精度と安定性を確保し、需要に影響を与えるすべてのパターンを同時に考慮します。

季節変動は、年次の周期性とも呼ばれ、Lokadが取り扱う多くの周期性の1つです。週次の周期性（つまり、週の曜日効果）、月次の周期性（つまり、給与日効果）、準年次の周期性（例：イースター、ラマダン、旧正月、ブラックフライデーなど）も扱うことができます。

周期性を扱うための当社の主要な手法は、異なる可能性プログラミングです。当社は、対象の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ています。つまり、サイクリシティの構造がLokadのサプライチェーンの科学者によって与えられ、ハードコードされたモデルを選択しています。これは、対象の周期性に関連する変動の大きさを定量化するのに役立ちます。周期性の存在を単に特定/発見するのではなく、その大きさを把握することが目的です。

Lokadのサプライチェーンの科学者によって数値レシピが作成されると、全体的な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には、手動介入（つまり、季節性プロファイルのマイクロ管理）は必要ありませんし、最近の製品やまだ発売されていない製品に対する例外も必要ありません。 Lokadのアプローチは、いくぶん新しいように見えるかもしれませんが、サプライチェーンの目的にとって極めて重要です。

第一に、機械学習プロセスがサイクリシティを発見しようとするのではなく、サイクリシティが与えられる（そして既にサプライの実務家によって広く認識されている）ため、より正確な結果を提供します。これは、データ量が限られている状況でさらに重要です。

第二に、需要関数の形状を学習することを制約することで、より安定した結果を提供します。このアプローチは、推定された将来の需要が大幅に変動する一方で、入力データが変動しない数値的なアーティファクトを緩和するのに役立ちます。

最後に、Lokadが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使用する異なる可能性プログラミングにより、すべての周期性だけでなく、観察された需要パターンを形成するすべての他のパターン（在庫切れやプロモーションなど）に取り組むことができます。周期性は単独で、または他の需要に影響を与えるパターンから順次推定することはできません。これらのパターンとそれぞれのパラメータは、共同で推定する必要があります。

異なる可能性プログラミングおよびサプライチェーン最適化におけるその位置についての詳細については、サプライチェーン向け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、適切に調整するための長期（3年以上先）の予測能力はありますか？生成できる予測の最大ホライズンは何ですか？

はい。Lokadは将来まで予測することができるため、最大のホライズンはありません。

将来の不確実性の性質から、予測の不正確さは予測ホライズンが拡大するにつれて着実に増加します。長期予測を作成することは技術的には簡単ですが、これは供給チェーン目的のために信頼できるという意味ではありません。基になるモデルがどれほど洗練されているかに関わらず、予測は最終的には後ろを振り返りながら道がどのように見えるかを推測しようとしています。

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悪化させる傾向があります。一度「専門家」によって手動で変更された予測は、組織がそれに過度の信頼を置くことを避けることができません。Lokadが実施した多数のベンチマークによると、専門家は長期予測に関して粗い平均化手法を上回ることはほとんどありません。そのため、手動で調整された予測は通常、組織が過度に依存する専門知識の雰囲気を享受することになります。これらの手動調整の実践は、数字が必然的に悪い推測であったことが明らかになった後でも生き残ります。

長期予測に関する総合的なコメントとして、私たちはIKEAの創業者であるIngvar Kampradの見解に同意します。彼は「過度の計画は企業の死の最も一般的な原因である」と述べています。一般的に言って、クライアント企業が非常に安定した市場状況（例：公共事業）に対処していない限り、長期予測を通じて自社のサプライチェーンを導くことをお勧めしません。Lokadのサプライチェーン科学者チームは、各クライアント企業の特定の要件を反映したより良い（そしてより健全な）アプローチに関するガイダンスを提供するために利用可能です。

1.8 商品/店舗の予測を28日間ローリングで提供できますか？

はい、LokadはSKUレベルでさえ将来まで予測することができます。

弊社の小売りクライアントには、SKUレベルで200日（以上）の予測ホライズンがあり、スロームーバーの在庫に関連する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高度にスケーラブルであり、数千万のSKUを処理しながら数年間の日次履歴データを処理することは困難ではありません。実際、Lokadのプラットフォームは、事前の容量計画を必要とせずに、大規模な小売ネットワークにも簡単に対応できます。

このFAQの予測アルゴリズムとモデル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/または指標を活用できますか？

はい。たとえば、Lokadは競合情報（つまり、競合他社の公表価格）を定期的に使用しています。特定の産業では、公開指標が大いに役立つ場合があります（例：航空機MRO向けの予測される機体フリートサイズ）。Lokadのプログラマティックプラットフォームは、ビジネスシステムから得られた歴史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、気象データセットとソーシャルネットワークデータセットの2つのソースが、工学的な取り組みのほとんど価値がないというのは逆説的です。気象データセットは非常に取り扱いにくく（つまり、非常に大きく、非常に複雑）、実際には2週間先までの季節平均よりも優れていないことがほとんどです。ソーシャルネットワークデータセットも非常に取り扱いにくく（つまり、非常に大きく、非常に複雑で、ゴミデータが大量に存在）、また短期効果に大きく依存しています。通常、数日間にわたります。

我々は、気象データやソーシャルネットワークデータから何の価値も抽出できないとは主張していません。実際、すでに一部の顧客に成功しています。ただし、すべての予測精度の向上がその工学的取り組みに値するわけではありません。当社の顧客は限られたリソースで運営する必要があり、通常、これらのリソースは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を洗練することに投資する方が賢明です。これは、クライアント自身の歴史的データセットよりも2〜3桁大きい外部データセットを介して最後の1％（通常はそれほどでもない）の追加精度を求めるよりも賢明なアプローチです。

1.10 週に1つ未満から1日に数千までの販売率の異なるレベルにどのように対処しますか？

販売率の異なる管理には、Lokadは疎な需要に対して確率的予測を使用し、Ranvarのような専門のデータ構造を使用してすべての販売量で効率を図り、サプライチェーンの課題を簡素化しています。

販売率の異なる大きさに関しては、主な課題は大きな数値ではなく小さな数値にあります。大きな数値は比較的処理が簡単です。疎な需要に対処するために、Lokadは確率的予測を活用しています。確率的予測は、0ユニット、1ユニット、2ユニットなどの各離散イベントに確率を割り当てます。確率は、従来の主要なサプライチェーン手法で得られる従来の分数需要値に関連する問題のクラス全体を排除します。

その背後には、短い一連の離散的な可能性にわたる確率がヒストグラム（または類似のデータ構造）として表現されています。これらのデータ構造は非常にコンパクトであり、したがって計算オーバーヘッドが低くなります。ただし、疎な需要を扱う際には、このようなデータ構造の素朴な実装（たとえば、需要単位ごとに1つのバケットを保持する）は、期間ごとに数千の需要単位を含む非疎な需要分布が提示された場合に劇的に効率が低下します。

したがって、Lokadは、確率分布を特徴とする代数演算に対する定数時間および定数メモリオーバーヘッドを保証するRanvar（以下参照）などの特別なデータ構造を開発しました。_Ranvar_は、数値が大きくなると元の確率分布を優雅に近似し、供給チェーンの観点からは精度の損失が無視できるようにしています。_Ranvar_のようなデータ構造は、疎な需要を分離してターゲットにする必要性を大幅に排除し、疎な需要を扱う際に望ましい小さな整数パターンをすべて保持します。

このポイントに関する詳細については、当社の公開ビデオ講義サプライチェーンのための確率的予測と当社の公開ドキュメントRanvars and Zedfuncsをご覧ください。

1.11 異なる単位（単位、価格、ケース、重量など）で予測していますか？

はい、Lokadのプラットフォームはプログラム可能です。私たちは予測を任意の単位で再表現することができます。さらに、複数の単位が関与する状況にも対応できます。たとえば、コンテナは重量と容積の両方で制限されています。そのため、将来のコンテナ使用の予測では、これらの制約の両方を考慮して適切に必要なコンテナの数を評価する必要があります。

1.12 複数の予測アルゴリズム（線形回帰、指数平滑化、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可能なので、質問にリストされているようなすべての古典的な予測モデルをサポートできます。

「古典的な」予測モデルのほとんど（例：線形回帰、指数平滑化、移動平均、ARIMAなど）は、現在では最先端とは見なされておらず、公開されている予測競技会でトップのパフォーマンスを発揮することはありません。特に、これらのモデルのほとんどは、サプライチェーンの状況（在庫切れ、カニバリゼーション、中国の旧正月などの準季節的なイベントなど）に見られる通常の複雑さに対応する際にはあまりうまくいかないことが多いです。

通常、Lokadのサプライチェーンの科学者は、クライアント企業の予測ニーズをカバーするための独自の数値レシピを作成します。当社のサプライチェーンの科学者は、必要な需要だけでなく、リードタイム、返品、スクラップ率、競合他社の価格など、他の不確実なサプライチェーン要因すべてを予測します。さらに、予測アルゴリズムは、サプライチェーンの運用に固有のデータの歪みを緩和しながら、利用可能なデータを活用するために適応する必要があります（例：在庫切れイベントの最後に需要が急増することがよくあります）。

Lokadの予測の信頼性の詳細については、当社の公開ビデオ講義SKUレベルでのM5予測競技会でのNo1をご覧ください。

1.13 予測の粒度はどの程度ですか？

Lokadは予測の粒度をどんなレベルでも適応できます。これは、SKUまでの最も詳細な粒度で予測したり、クライアントごとのSKUごとの需要を予測したり（それが意味がある場合）、企業全体の予測まで予測したりできることを意味します。

予測は最適化されたサプライチェーンの意思決定のために意図された数値的なアーティファクトであるため、Lokadのサプライチェーンの科学者は、予測の粒度を、予測がサポートするべき決定とまさに一致するように調整します。特に、複数のサプライチェーンの意思決定をサポートする必要がある場合、通常、複数の予測の粒度もあります。

ただし、Lokadは予測の粒度を単に適応するだけではありません（つまり、特定の階層内の特定のレベルを選択すること）。 私たちは、課題をよりよく反映するために予測の全体的な視点を調整します。たとえば、B2B小売業者の場合、クライアントの在庫（特定のSKUの一定の需要を満たす）が一夜にして不良在庫に変わる可能性があるため、クライアントの離反を予測することが意味をなすかもしれません。これは、ほとんどの（またはほとんどすべての）需要が突然離反した大口クライアントから来た場合に起こる可能性があります。Lokadは、特定のSKUの需要とともに離反の確率を予測することができます。その後、必要に応じて両方の予測を組み合わせて適切な在庫の決定を最適化することができます。

1.14 週次売上データを使用して数量予測を生成できますか？

はい。当社の予測能力は非常に柔軟です。たとえば、生のトランザクションデータの代わりに週次売上データを適応することができます（私たちの好み）。

トランザクションデータを週次時系列に平準化することは、情報が失われるプロセスであることに注意する価値があります。一度失われた情報は、どれだけ洗練された予測モデルであっても回復することはできません。

たとえば、DIY小売業者がスイッチを販売しているとします。この小売業者は、1つのSKUにつき1日に1単位の需要（平均）を観察し、週のすべての日に補充される店舗であるとします。需要の大部分が1回に1単位を購入する顧客から来る場合、在庫が4単位あればまずまずのサービスレベルを提供できるでしょう。しかし、需要の大部分が通常半ダースの単位を一度に購入する顧客から来る場合（平均して週に1人の顧客が現れる）、在庫が4単位あればひどいサービスレベルになります。

これは任意の集計の問題を示しています。たとえば、売上データが週次で集計されると、上記の2つの状況の違いが失われます。これが、Lokadが可能な限り生のトランザクションデータを処理する理由です。

1.15 日次（またはインターデイ）予測を日次履歴から生成しますか、それとも日次パターンを週次統計予測に適用しますか？

日次の履歴データが利用可能な場合（または、さらに良い場合はトランザクションレベルのデータがある場合）、私たちは通常、予測精度を向上させるために、週の中の曜日、月の中の週、年の中の週など、すべての関連する周期性を共同で学習します。Lokadのプラットフォームを通じて、任意の周期性や準周期性（例：イースター、旧正月、ラマダンなど）を含める（または除外する）ことは非常に簡単です。

曜日の周期性と年の週の周期性を分離する階層的分解は、Lokadで使用されるかどうかは異なるかもしれません。ただし、当社のプラットフォームは、両方のオプションをサポートできます。この懸念（分解するかどうか）は周期性に限らず、他のすべてのパターンについても同様の懸念が扱われなければなりません。

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任されています。彼らの選択は、対象のサプライチェーンで観察される特定のパターンを注意深く検討した結果です。

1.16 実際の売上と予想売上との比較に基づいて、予測を昼間（または週間）中に自動調整しますか？

Lokadは、予測モデルを毎日更新して、不正確なデータエントリからのエラーを修正し、予測が正確で最新であることを保証します。このアプローチは、古い技術の数値的不安定性に対抗し、安定して正確なモデルを使用して、予測の変動を防ぎ、サプライチェーンの意思決定を改善します。

ルールとして、Lokadは、新しい履歴データのバッチを受け取るたびに、すべての予測モデルを更新（再トレーニング）します。当社のほとんどのクライアントにとって、これは1日に1回行われます。これには最も重要な理由があります。すでに修正された不正確なデータエントリが、過去に生成された「壊れた」予測（これらの不正確なエントリに基づいて）の持続によって残存しないようにするためです。Lokadの機能により、予測モデルの毎日の更新は問題ではありません。非常に大規模なサプライチェーンを考慮してもです。

一方、一部の古い予測技術は数値的不安定性に苦しんでいます。その結果、サプライチェーンの実務家は、予測が不安定になるという理由で、更新頻度が高すぎるシステムを恐れるかもしれません。Lokadの視点からは、日々のデータの増分の到着によって予測モデルが不規則に「飛び回る」モデルは、実際には修正が必要な欠陥のあるモデルです。問題を緩和するために更新を遅らせることは合理的な修正とは見なされません。最新の出来事を考慮しないことで、予測の精度が不必要に低下します。

Lokadは、数値的安定性に関して設計上正確な特性を持つ予測モデルのクラスを採用することで、この問題を解決します。微分可能プログラミングは、非常に安定して正確なモデルを設計するのに特に効果的です。

このポイントについては、毎日すべてを更新を参照してください。

1.17 実際の販売レベルが将来に継続する信頼レベルをどのように確立しますか？

私たちは確率予測と確率最適化を使用して、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の意思決定を可能にします。各潜在的な結果には信頼区間があり、信頼レベルを表現するために使用できます。

Lokadが推奨するように確率予測が使用されると、すべての可能な未来に推定された確率が付与されます。その結果、確信区間は確率予測から簡単に取得できます。確信区間は、特定のリスク度合いに応じて「信頼レベル」を確立するために使用できます（例：最悪の5％シナリオ対最悪の1％シナリオ）。

ただし、「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するということです。確率予測の視点は、予測（不）正確さの問題全体にアプローチする方法を完全に変えます。確率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）は、突然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。言い換えれば、意思決定はすべての可能な未来とそれぞれの確率に最適化され、各意思決定はそれらの財務影響に関してランク付けされます。

この「不確実性の下での最適化」という技術用語は、確率最適化です。Lokadは確率予測と確率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、約10年前にこの実践を推奨しなくなりましたが、複数の予測アルゴリズムを組み合わせること（メタモデルとも呼ばれる）は、通常、サプライチェーンの意思決定を最適化しない結果をもたらします。そのため、このアプローチを推奨していません。

複数の予測モデルを組み合わせることは、バックテストを通じて通常得られる合成結果を改善する最も簡単なオプションの1つです。ただし、この「メタモデル」（複数の基礎となる予測モデルを組み合わせたもの）は通常不安定であり、モデル間を「ジャンプ」し続けます。その結果、サプライチェーンの実務者は、メタモデルによる突然の逸脱や「考え方の変化」によって定期的に混乱します。さらに悪いことに、メタモデルは、複数のモデルの組み合わせであるため、基本的に不透明です。基礎となるモデルが単純であっても、それらの混合から生じるメタモデルはそうではありません。

したがって、合成結果を向上させるためにメタモデルを使用することで得られる「追加の正確さ」は、ベンチマーク（つまり「合成結果」）で見られるものであり、実務（つまり現実のサプライチェーンシナリオ）では、不安定性の増加や予測の不透明性の増加などの2次効果によって必ず失われます。

1.19 予測のために最適な適合モデルを自動選択しますか？

はい、Lokadはサプライチェーンの予測のために単一で効果的な予測モデルを提供します。実世界でのパフォーマンスの低下と不透明性のため、「メタモデル」を避けています。

Lokadのサプライチェーンサイエンティストは、クライアントそれぞれに、選択のために競合するさまざまなアルゴリズムの組み合わせではなく、単一の予測モデルを提供します。このメタモデルアプローチは、Lokadが約10年前に運用を停止したものです。

技術的なレベルでは、Lokadは予測モデルの「内部競争」、つまり、必要に応じて最適なモデルが自動的に選択されるモデルプールを操作することに問題はありません。このアプローチは技術的に簡単です。Lokadがこの実践を避ける理由は、メタモデルに関連する利点が合成的（つまりベンチマークで見える）であり、実世界のサプライチェーンシナリオには翻訳されないためです。私たちの経験から、メタモデルは常に非合成の対応モデルよりも悪いパフォーマンスを発揮します。

メタモデルは、主に時代遅れの予測技術を反映しており、欠陥のあるモデルの集合が組み立てられています。最初のモデルは季節性に関して悪く、2番目のモデルは短い時系列に関して悪く、3番目のモデルは不規則な時系列に関して悪い、などといった具合です。メタモデルを構築することで、モデルがその構成欠陥を緩和したという錯覚が生まれますが、各モデルの欠陥は定期的に再発し、モデルセレクターロジック自体にも限界があるため、実際には欠陥が表面化します。さらに、メタモデルは通常、サプライチェーンの実務者の信頼を損ないます。なぜなら、この設計は「設計上不透明」であることが証明されるからです。

このため、Lokadのアプローチは、予測モデルをできるだけシンプルにすることですが、それ以上にはしません。異なるプログラミングなどの適切なサポート技術で設計された場合、この単一のモデルは、クライアント企業の全体的なサプライチェーン範囲に対処し、複数のモデルに頼る必要はありません。

このFAQの予測アルゴリズムとモデル1.18も参照してください。

1.20 予測トーナメントを実施し、最適なモデルと最適なパラメータ設定を自動的に選択できますか？機械学習を使用していますか？

はい。Lokadはこれを行うことができますが、このアプローチはお勧めしません。機械学習を使用してモデルを組み合わせる（「メタモデル」を作成する）ことは、本番環境では利益をもたらしません。代わりに、単一モデル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。メタモデルは、他のモデルの組み合わせを表すモデル、および/または他のモデルの選択であるモデルを表します。基礎となるモデルの混合および/または選択も、通常はランダムフォレストや勾配ブースティングツリーなどの機械学習技術を用いて行われました。

しかし、合成結果を改善しても（通常はバックテストで実施される）、メタモデルアプローチは常にクライアントの実世界の結果を悪化させます。モデルの自動選択により、メタモデルが1つのモデルから別のモデルに移行するときに予測が不安定になります。モデル選択に機械学習技術を使用することも、この振る舞いをより不安定にします。

したがって、Lokad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ますが、本番用途にはこのようなアプローチをお勧めしません。特に、最近の予測競技会では、Lokadがウォルマートのデータセットを使用した世界的な競争でSKUレベルで1位にランクインしたことが示すように、単一統一モデルがより複雑なメタモデルを上回ることがあります。

このFAQの予測アルゴリズムとモデル1.18も参照してください。

1.21 各アイテム/店舗のより詳細な情報を使用しつつ、モデルのノイズや過学習を避ける方法は？

Lokadは、異なるプログラミングを活用して予測精度を向上させ、特定のデータ構造にモデルを適合させ、モデルの表現力を制御することで過学習を管理します。このアプローチは、データ効率を最適化するために最小限の（しかし重要な）専門家のガイダンスを取り入れることで、「少数の法則」に効果的に対処します。

ノイズと過学習の問題は、Lokadが予測に異なるプログラミングを使用する主な動機となっています。異なるプログラミングを通じて、Lokadのサプライチェーンの科学者はモデルの構造を完全に制御できます。異なるプログラミングにより、入力データ（その関係構造を含む）に適合するモデルを作成できます。さらに、異なるプログラミングにより、モデルの表現力を制限して過学習を抑制することができます。

異なるプログラミングは、サプライチェーンの決定に関連するレベル/粒度で常に予測を行う必要がある供給チェーンを支配する「少数の法則」に対処するために、Lokadにとって画期的なものでした。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数えられる状況に直面します。

異なるプログラミングの画期的な点は、サプライチェーンの科学者（通常はLokadに雇われていますが、クライアント企業に雇われている可能性もあります）が予測モデルにいくつかの高レベルの事前知識（例：関連する周期性の選択）を注入して、利用可能な非常に少数のデータポイントを最大限に活用できるようにすることです。1980年代の「専門家システム」とは異なり、異なるプログラミングは人間の専門家から非常に限られたガイダンスしか必要とせず、しかし、この限られたガイダンスがデータ効率に関わる場合にはすべての違いを生むことができます。

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？異なるレベル（例：倉庫、店舗、ショップ）で予測を集約できますか？

エグゼクティブサマリー: はい、Lokadのプラットフォームは、任意のレベルでの予測の検査と集約のための堅牢なデータ可視化（定数時間で）を提供しています。

Lokadのプラットフォームは、時系列予測を検査するために使用できる包括的なデータ可視化機能を提供しています。特に、任意の階層（場所、地域、製品カテゴリなど）に従って予測を集約することは簡単であり、任意の粒度（日、週、月など）に従って予測を集約することも可能です。さらに、Lokadのプラットフォームは、これらのレポートの定数時間表示を保証し、エンドユーザーがこの時間枠内にレポートを読み込むための帯域幅を持っていると仮定すれば、500ミリ秒未満でレンダリングされます。

ただし、この質問は、ポイント時系列予測（通常の需要予測とも呼ばれる）について話していると暗黙的に想定しています。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、これらの予測は現在、2つの点で時代遅れです。

第一に、ポイント予測は将来の値を過去の対称として扱うように1つの未来の値を提示します。しかし、未来の不確実性は削減できず、サプライチェーンの観点から見ると、未来は過去の対称ではありません。そのため、確率的予測が代わりに好まれるべきです。これは、_すべての_可能な将来の結果（例：需要値）を考慮し、それぞれに確率を割り当てるアプローチであり、リスク管理の観点から、これは将来の不可避な不確実性に対するより堅牢な防御を提供します。

ただし、確率的予測は任意のレベル（倉庫、店舗、製品など）で表現できますが、通常の意味で加算されるわけではありません。したがって、Lokadのプラットフォームは予測に関するすべての関連するデータ可視化機能を提供していますが、これらの機能は通常、確率的予測の事前経験がないサプライチェーンの実務家が期待するものではありません。

第二に、時系列予測モデルは、時系列の視点自体が単純化されており、ビジネスの本質を捉えることができないことがよくあります。たとえば、B2B小売業者は、顧客が小売業者の在庫からすぐにサービスを受けられると期待する小口の注文と、数か月前に行われた大口の注文の両方のミックスを持つことがあります。顧客は、最初から余裕を持って注文が与えられたため、時間通りにサービスを受けられることを期待しています。このパターンは、基本的であっても、時系列予測では対処できません。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あります。

一般的に、時系列予測は視覚化の目的には適しています。ただし、Lokadでは、最終的なデータが便宜上時系列として視覚化されていても、基礎となる予測モデルは通常時系列ではありません。

2.2 専門家とシステム/機械が取り扱うべき予測洞察のタイプは何ですか？

専門家は、予測モデルの高レベル構造（たとえば、入力データの関係構造、このデータについて行うことができる主要な構造的仮定など）に焦点を当てるべきです。専門家が予測自体をマイクロ管理（たとえば、手動でオーバーライド）する必要はありません。

Lokadは、現代の予測技術である差分可能プログラミングを活用しているため、サプライチェーンの科学者は予測モデルの「高レベル構造」にほぼ専念しています。これは、古い技術（今や時代遅れ）とは対照的であり、通常、それらを使用する専門家が予測をマイクロ管理し、モデルが提示するすべてのエッジケースに対して修正的な洞察を提供することを期待していました。残念ながら、そのような時代遅れのアプローチは専門家が時間を経て維持するのがあまりにも面倒であることが常に証明されました。その結果、それらを利用していた企業は通常、専門家を失い、スプレッドシートに戻る必要がありました。

一方、予測モデルの高レベル構造は、通常、100行を超えない程度で簡潔に表現できます。この簡潔さは、非常に複雑なサプライチェーンを考慮しても当てはまります。高レベル構造は、予測の課題に対する人間の理解の核心を表しています。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います。これは、入力データ（通常は過去のデータ）とその他のデータソース（たとえば、今後のマーケティングキャンペーン）を活用して行われます。

2.3 予測を手動で調整/上書きできますか？

エグゼクティブサマリー: はい。ただし、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、これは通常、リスクと不確実性を考慮に入れた確率的予測が設計されているため、基本的には不要です。これは、手動でオーバーライドすることが最初に行われる原則です。

Lokadのプラットフォームは、広範なプログラム機能を提供しているため、任意の予測プロセスの編集機能をサポートするのは簡単です。ただし、予測の手動調整の必要性は、主に時代遅れの予測技術の制約を反映しています。Lokadの先進的な確率的予測の使用により、予測のマイクロ管理の必要性はほぼなくなりました。実際、Lokadでは、そのようなマイクロ管理の必要性は10年前に効果的に消えました。

予測の手動修正は、通常、リスクを緩和するための間接的な方法として意図されています。サプライチェーンの実務家は、統計的意味で予測をより正確にすることを期待していません。むしろ、調整された予測から生じる決定が企業にとってよりリスクの少ないものになることを期待しています。ただし、確率的予測を使用すると、（Lokadによって生成された）サプライチェーンの決定は既にリスク調整されています。したがって、確率的予測をリスクを軽減するために誘導しようとする意味はありません。なぜなら、決定は元々リスク調整されるように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緩和することを意図していることがよくあります。ただし、確率的予測は不確実性を受け入れ、数量化するように設計されています。したがって、確率的予測は既に高い不確実性の領域を反映しており、リスク調整された決定が適切に行われています。

基本的に、「間違った」予測を手動で修正しようとする意味はありません。予測が期待されるよりも正確でないことが証明されれば、予測を生成する数値レシピを修正する必要があります。予測が精度に関係ない理由で修正された場合、調整する必要があるのは下流の計算です。いずれにせよ、予測を手動で調整することは、現代のサプライチェーンには場所がない時代遅れの慣行です。

2.4 ユーザーが構築した予測アルゴリズムを統合できますか？

はい。Lokadは、Envisionというドメイン固有のプログラミング言語（DSL）を介してユーザーが構築した予測アルゴリズムを統合することができます。この柔軟でカスタマイズ可能、スケーラブルなDSLは、必要に応じて主流および高度な予測アルゴリズムと技術をサポートできます。

Lokadのプラットフォームはプログラム可能であり、これはEnvisionを通じて提供されるものです。これは、サプライチェーンの予測最適化のためにLokadによって設計されたDSL（ドメイン固有のプログラミング言語）です。Envisionを通じて、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できます。さらに、Envisionは、異なる可能性プログラミングと確率的予測に基づく、まだ主流ではないいくつかの予測アルゴリズムもサポートしています（以下参照）。

Lokadにおいてこれらのユーザーが構築したアルゴリズムを統合することは、Lokad製品の「カスタマイズ」とは混同してはいけません。Lokadの視点からは、特注のアルゴリズムに頼ることが当たり前の方法です。Lokad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の高いスケーラブルな実行環境を提供します。アルゴリズムの実装（通常は「数値レシピ」と呼ばれる）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。ただし、クライアント企業にデータサイエンスの専門家がいる場合、これらの従業員もこの目的でLokadのプラットフォームを使用することができます。

さらに、Lokadのプラットフォームは、このようなユーザーが構築したアルゴリズムを作成するための完全なIDE（統合開発環境）を提供しています。この機能は、アルゴリズムが入力データとランタイム機能の両方に厳密に一致する環境内で開発されることを確実にするために重要です。Lokadでは、修正された予測アルゴリズムが満足のいくものと判断された場合（通常は以前のイテレーションよりも優れている）、数分以内に本番環境に昇格させることができます。関連する点として、Lokadのプラットフォームは、プロトタイプから本番状態にアルゴリズムを昇格させる際に問題のクラスを完全に排除するための包括的な「設計上の」保証を提供しています。

Lokadの予測手法については、M5予測競技におけるSKUレベルでのNo1を参照してください。

2.5 予測や発注に至るソリューションが何をしているのかを説明し、ユーザーが理解し、尋ね、ビジネスの他の関係者に説明できるようにする方法は？

Lokadのプラットフォームは、柔軟なドメイン固有のプログラミング言語（Envision）を活用して、クライアントにとって重要なメトリクスと意思決定をデモンストレーションする直感的なダッシュボードを作成できます。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に構築されており、クライアントが迅速かつ便利に理解できるようになっています。より複雑なポイントについては、Lokadのサプライチェーンサイエンティストが、アルゴリズム（予測とサプライチェーンの意思決定を生成するものである「数値レシピ」）とその結果を設計および説明することを担当しています。これらの専門家は、クライアントが「裏側で何が起こっているか」を理解するのに役立つ、関連するビジネス、経済、データサイエンスの洞察を提供するために訓練されています。

Lokadが雇用す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）をサポートする数値レシピ（アルゴリズム）を作成する人物です。サプライチェーンサイエンティストは、予測の適切性および数値レシピによって生成されるすべての意思決定を擁護し、説明する責任があります。

したがって、状況は顧客企業ごとに異なりますが、各状況には人間の共同パイロット（サプライチェーンサイエンティスト）がいます。予測や意思決定に責任があるのは、無名のサプライチェーンサイエンティストの直接の管理下にある数値レシピのセットであり、無人の「システム」ではありません。この責任には、数値レシピの「ホワイトボクシング」も含まれます。つまり、その結果を株主がアクセスして理解できるようにすることです。

このプロセスをサポートするために、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て分析をサポートし、デモンストレーションします。しかし、さらに重要なのは、数値レシピに組み込まれる仮定（適切な制約やドライバーなど）についての判断を行い、情報を提供します。最終的に、数値レシピの「適切性」は、ビジネスの意図を反映しているかどうかにかかっており、これはサプライチェーンサイエンティストが顧客のサプライチェーン状況を慎重に検査し（および顧客との協議を行うことで）確立します。

Lokadがデータの準備と結果の視覚化を顧客のために行う概要については、公開デモアカウントビデオをご覧ください。

2.6 予測をセットアイテムとBOM（材料明細書）に分割できますか？

はい、Lokadは任意のレベルで予測を提供できます。これは、確率モデリングの幅広いプログラム能力によるものです。予測をセットアイテムとBOMに分割し、また、アイテムがBOMの一部として消費されるか、独立して販売されるかどうかの状況に対処できます。

さらに、BOM（材料明細書）が存在する場合、内部アイテムの需要を予測するだけでなく、異なるアセンブリが同じ内部部品を競合する独自の供給チェーン決定を最適化します。つまり、対応するBOMが重なる状況です。この最適化により、「単独」の部品を販売しないことがあります。この部品がより大きく、より重要なBOMの可用性を危険にさらす可能性がある場合です。

2.7 予測アルゴリズムのメタパラメータを自動推奨しますか？

はい。Lokadの標準的な実践は、予測モデルが完全に無人で動作する必要があるということです。Lokadのサプライチェーンサイエンティストは、適切なメタパラメータを設定する責任があります。メタパラメータは十分に安定してハードコードされるか、数値レシピに適切なメタパラメータ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ます。いずれの場合も、アルゴリズム（別名「数値レシピ」）は無人で実行できます。

Lokadは、他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ています。これは、この点でLokadの好みである微分可能プログラミングが一般的なパラメータ適合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、従来のものだけでなく、さまざまなパラメータを学習する際に非常に強力です（例：季節性係数など）。

その結果、Lokadの視点からは、同僚が「メタパラメータ」と考えるほとんどの値は、特別な注意を必要としない「通常のパラメータ」であると見なされます。一般的な指針として、Lokadが本番で運用するほとんどの予測モデルには、ほとんどのメタパラメータ（10未満）があります。ただし、これらの数値を微調整することは、通常、当社のサプライチェーンサイエンティストの責任であるため、クライアントには期待されません。

2.8 製品は因果変数を介し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中核的な強みの1つです。 微分可能プログラミングはプログラムパラダイムであり、したがって説明変数を含めることが前提です。さらに、因果関係メカニズムはモデルに具体化され、独自の「名前付き」パラメータが付属しています。したがって、予測は因果変数を活用していますが、サプライチェーンの実務家によって監査および調査される方法で行われています。

たとえば、小売価格タグが因果変数として使用される場合、価格の変動に関連する正確な需要応答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非常に興味深いものになる可能性があります。企業が小売店ネットワークである場合、これは割引に最も強く反応する店舗での清算イベントを誘導するために使用できます。これにより、古くなった在庫を完全に清算するために必要な割引の総量が最小限に抑えられます。

2.9 製品は予測実験と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。当社のサプライチェーンサイエンティストは、予測モデルの実験を定期的に行い、新しいアルゴリズムを開発し、古いアルゴリズムをさらに適応させることができます。これは、Lokadのプラットフォームがプログラム可能であり、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DSL（特定ドメインプログラミング言語）であるEnvisionを備えているため可能です。

Lokadの視点では、予測モデルの実験とカスタマイズは、予測技術の制限に対処するための回避策ではありません。むしろ、最初からLokadのソリューションを使用するための意図された方法です。このアプローチは、予測の精度に関して優れた結果をもたらすだけでなく、代替の「パッケージ化」アプローチよりもはるかに「本番向け」の結果を提供します。

「悪いデータ」について文句を言いません。データはただのデータです。当社のサプライチェーンサイエンティストは、利用可能なものを最大限に活用します。また、データの改善によって企業が最大のリターンを生み出すデータの改善を特定できるように、その利点をユーロまたはドル（または希望する通貨）で数量化します。データの改善は手段であり、目的ではありません。当社のサプライチェーンサイエンティストは、追加投資が期待されるサプライチェーンの利点に見合わない場合にはガイダンスを提供します。

2.10 予測の基礎となる特徴エンジニアリングを反復して洗練することは可能ですか？

はい。

Lokadのサプライチェーンサイエンティストは、予測モデルに組み込まれる特徴を定期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可能であり、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DSL（特定ドメインプログラミング言語）であるEnvisionを備えているため可能です。

ただし、過去10年間、特徴エンジニアリング（モデリング技術として）は下降傾向にあります。実際、モデルアーキテクチャエンジニアリングに徐々に置き換えられつつあります。要するに、モデルを特徴により適合させるのではなく、特徴により適合するようにモデルを変更します。予測モデリングにおいてLokadが好むアプローチである微分可能プログラミングは、特徴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ています。ただし、後者は通常、ほとんどの状況でより適しています。

このFAQの予測管理と調整2.9も参照してください。

3. 予測の精度とパフォーマンスの測定

3.1 予測のパフォーマンスに関する貴社の見解と、予測のパフォーマンスをどのように測定すべきですか？

予測の精度は、予測に基づいて行われた意思決定のリターンオンインベストメント（ROI）でユーロまたはドル（またはクライアントの希望通貨）で測定する必要があります。誤差のパーセントポイントを測定するだけでは十分ではありません。予測の精度は、将来の需要だけでなく、リードタイム、返品、商品価格など、すべての不確実性の領域を網羅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する必要があります。

従来の指標であるMAPE（平均絶対パーセント誤差）、MAE（平均絶対誤差）、MSE（平均二乗誤差）などは、サプライチェーンの観点からは、サプライチェーン科学者にとって興味深いかもしれませんが、基本的には盲目的で誤解を招くものです。この議論の詳細は、Lokadの公開講義で「実験的最適化」に関するものがあります。

したがって、これらの指標は広範な組織に伝えるべきではなく、混乱と不満を引き起こすだけです。それどころか、予測をより正確にすることは通常、予測の品質を統計的に向上させる一方で、クライアントのサービス品質を低下させ、サプライヤーの運営コストを引き上げることが比較的簡単です（サプライヤーは価格を引き上げて対抗します）。

予測の指標は、サプライチェーンの意思決定を改善するのに役立つ場合にのみ重要です。Lokadにとっては、最も財務的に合理的な再発注数量、生産数量、出荷数量、価格などを生成することが重要です。予測誤差だけを単独で考えることを含め、他のすべては、投資収益を最大化するための中心的なビジネス懸念から外れています。

こちらも参照してください：リードタイム予測。

3.2 予測と実際の販売とのパフォーマンスをどのように測定しますか？

モデルが「販売」を予測している場合、予測の「販売予測」の精度を測定するのは簡単です：MAE（平均絶対誤差）などの通常の指標のいずれかが機能します。ただし、ほとんどの企業は「需要」を予測したいと考えていますが、歴史的な販売データは歴史的な需要の不完全な代理となります。在庫切れやプロモーション（および競合他社の動き）が歴史的な販売を歪めます。

したがって、課題は、歴史的なデータが歴史的な販売を反映している中で、元の「需要」を確立することです。この目的のために、Lokadはさまざまな技術を使用しています。実際、（観察された）販売と（隠された）需要の間の歪みの性質は、考慮されるビジネスの種類に大きく依存します。カニバリゼーションや代替品は状況をさらに複雑にします。

Lokadのほとんどの技術は、必要な情報を把握することができない設計上の理由で、時系列モデルを放棄しています。実際、ほとんどの場合、販売データは、隠された需要のより良いモデルを得るために（在庫切れイベントなどの）追加情報で「豊かに」なります。ただし、この追加情報は、（単純化された）時系列パラダイムにはほとんど適合しません。時系列モデルの見せかけの洗練さは、必要なデータがそれらの操作パラダイムの外側に存在する場合（つまり、それらによって捉えられたり表現されたりできない場合）は無関係です。

このポイントについては、サプライチェーン向けの構造化予測モデリングを参照してください。

3.3 予測の精度に関するレポートを提供しますか？予測誤差の予測を提供しますか？

エグゼクティブサマリー: はい。簡単に言うと、Lokadのプラットフォームは確率予測（および誤差）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」）が時間軸に沿って成長する従来の時系列グラフの形を取ります。このショットガン効果グラフは、将来を見据えるにつれて潜在的な値（例：需要）の範囲がどのように拡大す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自分のLokadアカウントで利用できます。

予測モデルの精度を向上させる上での課題の半分は、適切なレポートツールを作成することです。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。Lokadは確率予測を使用しているため、予測誤差は通常、予測ホライズンとともに着実に成長する「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プラットフォーム内でアクセスできます。

ただし、確率予測の枠組みでは、「予測の精度」は主に二級の技術的細部に追いやられます。このアプローチでは、主な目標は、クライアントの経済ドライバーや制約の総体を考慮し、将来の値（需要やリードタイムなど）の高い不確実性を反映したリスク調整された財務決定を行うことです。たとえば、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です。そのため、確率予測の精度を単独で測定することは賢明ではありません。むしろ、確率予測を使用して生成されたリスク調整された決定に関連するROIを検討すべきです。

古典的な予測（確率予測と対照的に確定的予測とも呼ばれる）では、ほとんどすべての予測の不正確さがクライアントにとってコストのかかる悪い決定につながります。これが企業が予測を「修正」しようとする理由です。しかし、現代の時系列統計的予測技術の創始から50年が経過しても、企業はまだ「正確な」予測を持っていません。Lokadでは、近い将来に「超正確な」予測技術が登場するとは考えていません。将来の不確実性は大部分が削減できないと考えています。ただし、確率予測とリスク調整された決定を組み合わせると、高い不確実性の否定的な影響は大部分が軽減されます。

その結果、予測の精度は、予測モデル自体に取り組む技術専門家以外の誰も興味を持たなくなります。組織全体が気にかけるほどのリスクは単純にもはや存在しません。

3.4 自動化された正確な予測の期待される割合は何ですか？

「正確」と定義すると、健全なサプライチェーンの意思決定に十分なものとして、100％です。これは、すべての予測が正確であることを意味するわけではありません。それどころか、Lokadは将来の不可避な不確実性を受け入れる確率予測を通じて、未来の不確実性を受け入れています。頻繁に、不確実性は大きく、その結果、確率予測は非常に分散しています。そのため、それらの予測に基づいて生成されるリスク調整された決定は非常に慎重です。

多くの時代遅れの技術的な解決策とは異なり、Lokadは、製造目的に使用できないすべての（確率的な）予測をソフトウェアの欠陥と見なし、修正する必要があると考えています。当社のサプライチェーンサイエンティストは、これらの欠陥が本番環境に移行する前に修正されるようにします。この問題の解決のタイムラインは、通常、オンボーディングフェーズの途中です。

一方、古典的な予測（「確定的」予測とも呼ばれる）は、不正確な場合には必ず混乱を引き起こします。なぜなら、それらの予測に基づいて狂った下流サプライの決定が行われるからです。それに対して、確率予測は期待される不確実性を自らに組み込んでいます。需要量が少なく不規則な場合、確率予測は状況の高い固有の不確実性を反映します。Lokadのリスク調整された決定の計算は、まずリスクを評価する能力に大きく依存しています。これが確率予測が完全に設計されたものです。

3.5 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）などのメトリクスを時間の経過とともに追跡できますか？

はい。

Lokadのプラットフォームはプログラム可能であり、MAPE、MEP、MAEなどの通常のメトリクスを追跡するのは簡単です。顧客企業が好むこれらのメトリクスのカスタマイズされたバリエーションなど、やや一般的でないメトリクスも追跡できます。たとえば、重み付けされたMAPE、重み付けされたMAEなど、重み付けスキームが特定のビジネスルールに依存するバリエーションです。

新しい予測が生成されるたびに、Lokadは関連する/好ましいメトリクスを収集し統合することができます。クライアント企業が修正された予測モデルの期待される統計的パフォーマンスを評価したい場合、過去のデータを「再生」してメトリクスを再生成することもできます（つまり、バックテスト）。

ただし、上記で言及されたメトリクスはすべて、古典的な予測（「確定的」予測とも呼ばれる）に関連しています。確定的予測は、将来の値（需要やリードタイムなど）に関連する不確実性に対処するために設計されていない（またはできない）ため、サプライチェーンの目的には適していません。確定的予測は、_すべての可能性のある_将来の値とそれらの確率を特定しようとします。このため、Lokadは確率予測を利用しており、これ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 ユーザー定義のメトリクス（売上高、利益、コスト、リスクなど）を使用して複数のシナリオを比較できますか？

はい。

Lokadのプラットフォームはプログラム可能であり、多くのビジネスルールによって導かれる複雑なメトリクス（ユーザー定義のメトリクスなど）を導入できます。サプライチェーンネットワークの構造や容量を変更するなど、単に需要やリードタイムを膨らませたり縮小させたりするだけでなく、複雑な代替シナリオを導入することもできます。これにより、Lokadは多様な潜在的なサプライチェーンの状況や結果に備えることで、リスク管理、戦略的計画、意思決定を向上させるのに役立ちます。

Lokadの観点からは、典型的な「シナリオ」管理機能は時代遅れです。Lokadは確率的予測モデルを運用しているため、ある意味で、私たちが生成するすべてのサプライチェーンの決定はすでにリスク調整されています。つまり、需要などのすべての可能な将来の値を考慮して、それらの確率を考慮して最適化されています。

したがって、Lokadの「シナリオ」は、「将来の変動」を評価するために使用されるわけではありません。なぜなら、これらの変動はすでにLokadの基本的な運用モードに完全に統合されているからです。シナリオは、変動を超えた急激な変化に対処するために使用されます。通常、実務家が「サプライチェーン設計」と呼ぶものにより一致しており、ネットワークのトポロジー、ネットワークの容量、サプライヤーの場所などを変更するようなものです。

3.7 予測の精度と予測誤差（および最終的に他の需要メトリクス）を異なる定義されたラグで追跡および監視できますか？

はい。Lokadは、ホライズン/ラグの次元を含む多くのメトリクスで予測エラーを追跡します。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の精度を追跡します。

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、予測が先に進むほど、不確実性が大きくなります。Lokadのプラットフォームは、適用可能なホライズン/ラグを考慮してさまざまなメトリクスを追跡するのが簡単にな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、確率的予測は、ホライズンとともに増加する不確実性の直接的な定量的評価を提供します。したがって、ホライズンに依存する増加する誤差は単に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決定はリスク調整されているため、長期予測に依存する決定に関連する追加リスクが自動的に反映されます（短期予測と比較して）。

3.8 製品/支店レベルでデータを集約して統計的予測を検証できますか？

はい、Lokadは、予測エラーとバイアスを多くのレベルで追跡します。階層が存在する場合（製品、支店、カテゴリ、地域、ブランドなど）、関連する階層レベルで（例：製品、支店、カテゴリ、地域、ブランドなど）追跡します。Lokadの差分可能プログラミング技術により、特定の粒度で予測を微調整して、他の粒度で発生するエラーやバイアスを最小限に抑えることができます。

一般的に、検証の面では、Lokadプラットフォームがプログラム可能であるため、履歴的な予測は、クライアント企業が適切と判断する方法で再集約できます。同様に、集約された予測を検証するために使用されるメトリックは、クライアント企業が代替メトリックを使用することが望ましいと判断した場合、分解された予測を検証するために使用されるメトリック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的に識別しますか？

はい。Lokadのサプライチェーンサイエンティストは、各クライアントのプロジェクトごとに「データヘルス」ダッシュボードを入念に作成します。これらのデータヘルスダッシュボードは、自動的にデータの問題を特定します。さらに、これらのダッシュボードは、問題の重要性と問題の所有権を特定します。

問題の重要性は、問題が存在するデータを基にサプライチェーンの決定を生成することが許容されるかどうかを決定します。時には、問題/問題から「安全」と見なされるクライアント企業内のサブスコープに許容される決定を制限することを意味します。実際、大企業に関わる場合、100％の問題のないデータセットを期待するのは通常現実的ではありません。したがって、サプライチェーンの最適化は、サプライチェーンの決定の正気を危険にさらすことなく、不完全なデータである程度操作できる必要があります。

問題の所有権は、問題の解決に責任がある人物を定義します。問題のタイプによっては、問題はクライアント企業内の完全に異なる場所から発生する可能性があります。たとえば、切り捨てられた履歴データは、IT部門にとって問題である可能性が非常に高く、負の粗利益（つまり、販売価格が仕入価格を下回る）は調達または販売のいずれかに属します。

非自明なデータエラーを特定することは、興味のあ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）自動化できません。現在のソフトウェア技術が提供できる範囲を超えています。ただし、特定の問題が特定されると、サプライチェーンサイエンティストは将来の検出を自動化できます。実際、当社のサプライチェーンサイエンティストは、「データヘルス」ダッシュボードの初期ドラフトの一部として、最も頻繁に発生する問題を積極的に実装します。

**データ抽出パイプラインのデータヘルス**を参照して、データヘルスに関する詳細情報をご覧ください。

4.2 過去の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、ビジネスデータを手動で前処理することなく、クライアントが提供する前にデータパイプライン全体（Lokadと各クライアント間に構築された）が監視され、すべてのプロセスが完全に自動化されて実行されるという意味で、自動的にクレンジングします。

Lokadは過去のデータをほとんど「クレンジング」しません。少なくとも通常の意味ではそうではありません。古い時系列システムでは、需要のドロップ（在庫切れ）や需要の急増（プロモーション）を修正して予測を正常に保つ必要があるため、過去のデータを広範囲に準備する必要があります。

これは時系列アプローチの制限の反映です。その結果、過去のデータは、欠陥のあるシステム（時系列）に適合するように、より多くの準備が必要です。このプロセスを「データクレンジング」と呼ぶことは誤解を招くものであり、問題が過去のデータにあるかのような印象を与えますが、根本的な原因は過去のデータを処理するシステムの欠陥設計にあります。

一方、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。微分可能プログラミングを通じて、時系列に囚われることなく、任意の関連データを処理できます。これは、需要やリードタイムのいずれかに影響を与えるすべての因果関係要因（価格、在庫、イベントなど）がモデルに明示的に組み込まれることを意味します。因果統合は、適用可能な場合にはデータのクレンジングよりも優れています。なぜなら、クレンジングされたデータは非現実的であり（在庫切れが発生しなかった場合の需要値が確実にわかる人はいません）、クレンジングされたデータは非現実的であるためです。

時折、ビジネスデータ（過去のものまたはそうでないもの）には修正が必要です。Lokadは可能な限り自動的にこれらの修正を提供しようとします。シナリオに応じて機械学習を活用することもあります。たとえば、自動車と部品の間の機械的互換性行列は、半教師あり学習法を使用して自動的に改善できます（自動車アフターマーケットの価格最適化を参照）。

4.3 ユーザーに過去のデータを手動でクレンジングさせますか？

クライアントがこの機能を希望する場合、Lokadはその目的のためのワークフローを提供することができます。ただし、通常、エンドユーザーに手動でデータのクレンジングをお勧めしていません。

他のソフトウェア/ソリューションは、エンドユーザーに多くの手作業を課しています。一方、Loakdのサプライチェーンサイエンティストは、データが存在する状態で済む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。私たちにとって、クライアントによる手動データのクレンジングは例外であり、標準ではありません。

このFAQのデータ管理とクレンジング4.2も参照してください。

4.4 データはどのようにクレンジング、管理、および維持され、不必要なモデルエラーを回避しますか？

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定を担当しています。データは準備されなければなりませんが、さらに重要なのは、現在のデータに適合するように予測モデルを設計する必要があります。サプライチェーンサイエンティストは、Lokadが生成するサプライチェーンの意思決定が適切であることを確認するために、生の入力データと準備されたデータを監視するためのインストゥルメント（専用ダッシュボードなど）を導入します。

多くの代替ソリューションは、問題をデータの準備の観点から見ており、誤った出力を修正するために入力を調整する必要があります。そのようなソリューションはプログラム化されていないため、コアモデルを修正することはできず、入力のみを修正できます。しかし、Lokadは異なる技術的アプローチを採用しています。私たちはプログラム化された予測技術をサポートしています（微分可能プログラミングを介して）。したがって、不適切な出力（つまり、悪いサプライチェーンの意思決定）に直面するとき、入力またはモデル（または両方）を修正できます。

ほとんどの場合、より良いデータの準備とより良いデータ処理の組み合わせが満足のいく結果につながり、そのうちの1つを省略すると期待はずれの結果になります。

このFAQでは、データ管理とクレンジング 4.2も参照してください。

データ抽出パイプラインも参照して、クライアントとLokad間でデータの自動転送について詳細をご覧ください。

4.5 予測活動をサポートするためにマスターデータを管理および維持していますか？

クライアント企業からの要求があれば、はい。

ただし、マスターデータ管理システムなどのデータ入力ツールと分析ツール（Lokadなど）は厳密に分離されるべきだと強くお勧めします。

ベンダーロックインを避けるための一般的な原則として、包括的なエンタープライズソフトウェアツールは避けることをお勧めします。マスターデータ管理の設計要件は、予測分析の設計要件とはまったく異なります。Lokadのプラットフォームはまあまあのマスターデータマネージャーになるかもしれませんが、それは決して素晴らしいものにはなりません（当社の設計は予測分析に過度に依存しているため）、逆に、ほとんどのマスターデータマネージャーは分析にはまったく向いていません。

4.6 ユーザーは販売およびマーケティングの入力（将来の計画/洞察を含む）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さまざまなデータソースを受信および処理する能力を持っています。また、販売およびマーケティング部門で見られるデータの処理も可能です（つまり、それらが保存されている粒度で）。

販売およびマーケティングチームは、通常、SKUレベルでデータを提供することはほとんどありません。SKU x ロケーション、つまり私たちが好む粒度のデータですら提供されません。この制限を考慮して、Lokadのプラットフォームは、出力予測（SKU x ロケーションなど）とは異なる粒度の入力データ（販売およびマーケティングからなど）を活用するように設計されています。

4.7 過去の需要と予測をアーカイブして、ウォーターフォール予測を分析していますか？

はい、通常、需要、リードタイム、返品など、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関連するデータストレージのオーバーヘッドを制限するための高度な圧縮技術を開発しています。また、アーカイブされたデータが日常のプラットフォームのパフォーマンス（たとえば、データがアーカイブされているために計算やダッシュボード表示が遅くなることはありません）に干渉しないようにするための全体的な設計を採用しています。

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が実装された場合に、コストまたはパフォーマンス（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。これらの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ていますが、実際にはソリューションを維持するためにアーカイブが厳しく切り詰められています。Lokadではそうではありません。大規模なクライアント企業を考慮しても、数年分のアーカイブを保持することは通常問題ありません。

4.8 需要メトリクスへの調整の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ていますか？

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（通常はモデル/予測を改善する目的での「オーバーライド」）、これらのアーカイブを使用して、導入された予測精度の改善（または劣化）を数量化しています。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には、データとコード/スクリプトの完全なバージョニング機能が備わっています。これは、バックテスト時に、手動入力が元々提供された時とまったく同じであることを確認する必要があるため、重要です。通常、ビジネスデータは自動的に更新されます。ただし、ビジネスデータの最新バージョンを使用しても、手動修正や入力が提供された時点の状況を適切に反映していません。同様に、Lokadが使用する予測コードは、手動入力が提供された時点以降に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があります。

ビジネスデータは通常、自動的に更新されます。ただし、ビジネスデータの最新バージョンを使用しても、手動修正や入力が提供された時点の状況を適切に反映していません。同様に、Lokadが使用する予測コードは、手動入力が提供された時点以降に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があります。

Lokadのプラットフォームは、これらの状況もカバーし、不正確な結論のクラス全体を防ぎます。手動入力が後で「不正確」と評価される状況を考えてみてください。実際には、手動入力が元々提供された時点の正確な条件を考慮するときには、それらが関連していた可能性があります。

5. 製品分類とクラスタリング

5.1 遅動品と不規則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SKUの非常に徹底的な数量的特性を提供します。

特に、Lokadの確率予測アプローチは、断続的で不規則な需要パターンに対処するのに適しています。レアイベントの確率を評価することで、Lokadは需要の「不規則さ」を特定できます。これは、通常、個々の消費者が一度に多くのユニットを購入することを反映しています。たとえば、1人の顧客がハードウェアストアで利用可能な在庫全体の（同一の）ライトスイッチを購入し、SKUレベルの在庫切れを導入することがあります。

ディファレンシャブルプログラミング、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を特徴付ける「小数の法則」に対処するのに理想的です。設計上、遅動品には非常に限られたデータポイントが付属しています。同様に、不規則な需要に見られるスパイクも、設計上、まれです。したがって、予測モデルのデータ効率性が最重要視されます。この点で、ディファレンシャブルプログラミングは、モデル自体の構造を通じて提供される高レベルの洞察を反映する能力において、他の選択肢よりも優れています。

代替ソリューションは、遅動品と不規則な需要パターンの存在下で通常失敗します。古典的な予測（すなわち、非確率的な予測）は、小数の需要を「実際の」ものとして扱うことなく、遅動品に対処することができません。この小数の需要（例：0.5ユニット）は「数学的に」正しいですが、自然にはユニットの整数を注文する必要があるため、合理的なサプライチェーンの意思決定の方法としては適していません。

同様に、古典的な予測は、需要の「不規則さ」を数学的に反映することができません。

たとえば、確率予測は、書店が1日に1ユニットを販売することを反映し、平均して1人の教授が月に20冊の本を購入し、さらに1人の学生が平均して2日ごとに1冊の本を購入するという組み合わせで構成されています。

この情報は、モデルの需要の確率分布に反映されます。ただし、古典的な時系列予測では、断続的な大量購入などの需要の微妙な現実を伝えることは不可能です。それは1日に1冊の平均需要を予測するだけであり、需要の実際のパターンを捉えず、それによって販売の真の性質を誤って表現してしまいます。これにより、財務的に合理的な在庫決定ができる範囲が大幅に制限されます。

5.2 遅動品または陳腐化した在庫を識別し、「保持するか売却するか」についての推奨事項を提供しますか？

はい。Lokadは確率予測を使用して遅動在庫を識別し、在庫過剰と不良在庫のリスクを緩和するための早期のリスク調整された決定を可能にします。推奨事項は、「保持するか売却するか」を超えており、割引、移動、およびカニバリゼーションを避けるための調整も含まれます。

遅動品または陳腐化したSKU（需要面）の識別は、確率需要予測を使用して行われます。確率予測は、在庫過剰や不良在庫のリスクを含むリスクの識別と評価に優れています。これにより、確率予測と組み合わせることで、リスク調整された決定を行うことができます。したがって、在庫リスクは、ライフサイクルのすべての段階ですべてのSKUに対して数量化されます。この設計は重要であり、問題が発生する前にできるだけ早く（対処することができるように）ほとんどの在庫状況を識別できるようにします。

最後に、Lokadは単なる「保持するか売却するか」の推奨事項に制限されていません。私たちは、クライアントに利用可能なオプションの全スペクトラムを反映した推奨事項を提供することができます。例えば、Lokadは在庫を処分するのに割引やプロモーションをお勧めすることができます。他のチャネルで需要が高い場合は、在庫を他の場所に移動することをお勧めすることもできます。誤って他のSKUの需要をカニバライズする製品を一時停止したり、ランクを下げたりすることをお勧めすることもできます。

要するに、Lokadのサプライチェーンの科学者は、在庫が「不良」であると宣言する前に、どんな石もひっくり返さないようにします。

このFAQの製品分類とクラスタリング5.1も参照してください。

5.3 ユーザーが階層的な製品データワークフロー（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ますか？

はい。Lokadプラットフォームがプログラム可能であるため、クライアントのために合理的に明確にされたワークフローに対処できます。例には、既存の製品階層に沿って操作する任意のワークフローが含まれます。

私たちの意見では、従業員がそのようなワークフローをナビゲートすることを許可することに対するクライアントの投資対効果（ROI）は非常に不明瞭です。そのようなワークフローの必要性自体が、内部から修正する必要のあるサプライチェーンソフトウェアの深刻な欠陥を反映しています。可能な限り多くの自動化を活用することが重要です。

Lokadのプラットフォームは、製品階層、地域、時間軸/ラグ、サプライヤー、顧客タイプなど、すべての関連する次元に沿ってデータを視覚化するための幅広い機能を提供しています。これらの機能は、欠陥やさらなる改善の余地を特定するのに重要です。ただし、これらの機能を「ワークフロー」に活用することは通常誤った方向です（Lokadにとっては簡単ですが）。むしろ、サプライチェーンの実務者がワークフローを管理する必要性を完全に取り除くために、Lokadが操作する基礎となる数値レシピ（コード）を直接修正することをお勧めします。

多くの代替ソリューションにはプログラム可能な機能がありません。したがって、欠陥が特定された場合、ソフトウェアの次のバージョンを待つしかないか（将来数年かかる可能性があります）、カスタマイズを選択するしかありません。クライアント企業がメンテナンスされていないソフトウェア製品を手に入れることになるため、通常はトラブルを招く結果となります。

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ますか？

はい。

Lokadのプラットフォームは、手動入力を含むさまざまな要因に従ってアイテム（SKU、製品、クライアント、サプライヤー、場所など）をまとめることを可能にする幅広い機能を提供しています。

Lokadのプラットフォームがプログラム可能であるため、グループ化や近接基準が数値で表現できる限り、クライアントのアイテムを適切にグループ化することは簡単です。この作業は、Lokadのサプライチェーンの科学者によって実行されます。

関連するアイテム間の関係を予測または最適化の目的で活用することもできます。特に、Lokadのプラットフォームは、すべての数値ツールに対して関係の観点を採用しています。関係の観点は、時系列やグラフを超えて、関係性と階層データを組み合わせたものです。この関係の観点は、単なる表示目的を超えて利用可能な関係性を活用するために重要です。

5.5 過去の販売データに基づいて提供する製品分類の種類は何ですか（ABC / XYZ…）？

エグゼクティブサマリー: Lokadは、クライアントの希望に応じて、柔軟なABCおよびABC XYZ製品分類を提供することができます。ただし、これらの分類（およびそれらの同時代のもの）は時代遅れと見なしています。Lokadの立場は、現代のサプライチェーン管理は、単純な分類ツールに頼るのではなく、リスクを調整した意思決定につながる実用的な洞察に焦点を当てるべきだということです。

Lokadのプラットフォームは、ABCやABC XYZ分析など、すべての主要な分類スキームをサポートしています。Lokadのプラットフォームはプログラム可能であるため、こうしたクラスを慎重に定義する際に存在する微妙な変化をすべて収容するのも簡単です（たとえば、微妙な除外ルールなど）。ただし、製品分類（上記にリストされているものなど）は、サプライチェーンの問題や最適化に対する技術的に時代遅れのアプローチです。

いくつかのサプライチェーンソフトウェアベンダーは、時代遅れの技術を特徴とするものを含め、ABC分析やABC XYZ分析を誇らしげに紹介しています。しかし、これらのツールが提供する分類は、クライアントがすで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利用されており、問題の症状を扱っているだけです。これらのツールは、粗雑な注意優先メカニズムとして使用されています。これは、断続的または不安定な需要などの関心事に取り組む適切な方法ではありません。

まず、基本的な欠陥を解決してサプライチェーンの実務家をそのような煩わしいレビューから解放する必要があります。第二に、ボリューム駆動型の分類は実用的な価値を持つにはあまりにも粗雑すぎるため、サプライチェーンの実務家の時間を非常に悪く使っています。

これが、Lokadのサプライチェーンの科学者が、潜在的なサプライチェーンの意思決定/アクション（通常はドルまたはユーロで測定される）の財務的影響を反映する決定にクライアントを導く理由です。アイテムや意思決定が、それらの収益率（投資収益率）に関連して優先順位付けされない限り、「優先順位付け」や「最適化」の試みは基本的に無意味です。

これらの分類ツールの制限については、ABC XYZ in 3 MinutesおよびABC Analysis Does Not Workを参照してください。

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、興味のある任意のアイテムに対してクラスタリング/層別化機能を提供しています。これは、関係データに関するプラットフォームの処理能力のおかげです。これにより、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対処できます。また、微分可能プログラミングを通じて、Lokadは、予測などの特定のタスクに特に有用な方法でアイテムをグループ化するために使用される類似性メトリクスを学習/調整することができます。

Lokadのクラスタリング機能については、わずか数行のEnvisionコードで詳細をご覧ください。Illustration: Clustering

5.7 製品/場所の階層および/またはクラスタリングで予測を洗練しますか？

はい。

Lokadは、入力データの関係構造を十分に活用しています。私たちの微分可能プログラミングアプローチは、関係データの処理に特に優れています。これにより、Lokadは、予測モデルに階層、リスト、オプション、グラフ、数値およびカテゴリ属性を活用することができます。また、私たちの予測モデルは、需要、リードタイム、返品、収量、商品価格など、サプライチェーンの不確実性のすべての要因を予測します。

クラスタリングは、興味のある予測のための関連パターンを特定するために使用できます。たとえば、すべての典型的な周期性（曜日、月の週、年の週など）や準周期性（イースター、旧正月、ラマダン、ブラックフライデーなど）は、この種の技術から利益を得ることができます。Lokadのプラットフォームは、予測目的のためにクラスタリングを実施するための包括的なサポートを提供しています。

このポイントについて詳しくは、Illustration: Cluster-based cyclicities をご覧ください。

6. イベントと説明変数

6.1 例外的なイベント（在庫切れなど）やプロモーションを過去のデータで特定しますか？

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使用して既知の例外的なイベントで過去のデータを充実させ、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、不完全なデータを処理し、直接的な歴史的イベントの記録が利用できない場合の回避策として失われたイベントを再構築できます。

過去のデータには、（需要、リードタイムなど）を歪める多くのイベントが含まれています。Lokadは、異なる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介して、基本的な履歴にこれらのイベントを充実させることができます。ただし、一般的なルールとして、これらの例外的なイベントは「特定される」のではなく、すでに既知です。重要なイベントが失われた場合、Lokadはそのようなイベントを再構築するために予測モデルを操作できます。

古くて今は使われていない予測技術は、裸の時系列以外のものに対処することができませんでした。その結果、需要に適用されたすべての歪みは事前に修正されなければならず、そうでないと予測は深刻に劣化します。残念ながら、このアプローチは設計上欠陥があります。なぜなら、これらの時系列予測は他の予測の上に構築されるため、不正確さが積み重なるからです。

Lokadの予測技術は、追加の説明変数をサポートしているため、同じ問題に苦しむことはありません。歴史的イベント（在庫切れなど）がなかった場合に何が起こったかを確実に知っているかのように振る舞う代わりに、予測モデルはその出力（つまり、予測）に説明変数を反映させます。この方法論は、予測に段階的なアプローチを必要としません。さらに、売上記録後の日の終わりに在庫切れが発生した場合など、不完全な形式でも依然として非常に重要な情報を活用できます。

重要なイベント（在庫切れなど）が失われたか、単に記録されていない場合、Lokadは、過去のデータの分析を通じてそのようなイベントを再構築することができます。ただし、この再構築がどれだけ統計的に正確であっても、イベントが展開される過程での直接的な記録よりも常に正確性が低くなります。これが、Lokadが通常、在庫レベルなどの指標を歴史化する理由です。それらの指標がそれぞれのビジネスシステムで適切にアーカイブされていない場合でも。

6.2 例外的なイベントや（移動）祝日を特定しますか？

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。当社のサプライチェーン科学者は影響を評価し、クライアントに特定のイベントがクライアントのサプライチェーン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、その予測モデルの構造自体をそれらを反映するように調整します。ただし、ほぼ周期的なパターン（例：イースター、旧正月、ラマダン、ブラックフライデーなど）については、特定は与えられています。そのイベントが存在し、影響を与えることはすでにわかっています。残された唯一の問題は、そのイベントの影響の_量_を回答することです。

既知のイベントの影響についてサプライチェーン科学者が高レベルの評価を行うことで、データ効率が大幅に向上した予測モデルを得ることができます。データ効率の高さは、サプライチェーンの状況でデータが少ない場合に予測モデルを正確に保つために重要です。

さらに、Lokadがパターンを明示的に特定し、名前を付けると、クライアントのサプライチェーンスタッフは、意味論的要因を備えたホワイトボックス予測モデルを活用できます。たとえば、ブラックフライデーの影響（あれば）は、過去のデータから評価された専用の要因とともに提供されます。サプライチェーンの実務家は、この要因を使用して、ブラックフライデーに特に敏感な製品が他のすべてのパターン（年間の周期性など）とは独立してどれであるかを理解することができます。

このFAQのイベントと説明イベント6.1も参照してください。

6.3 在庫切れの状況を説明変数として管理しますか？

はい。Lokadは在庫切れの状況をその予測モデルに直接組み込み、データの欠落を埋めるために「偽の」需要を再構築する必要なく、完全なおよび部分的な在庫切れの両方に対処します。むしろ、一般的には_検閲された需要_として知られているものを直接モデル化しています。さらに、Lokadは部分的な在庫切れ（在庫切れが営業日中に発生した場合）を考慮に入れ、対応する情報を活用することができます。

より一般的に、Lokadは在庫切れから生じるすべての誘発されたアーティファクトに対処する能力も備えています。クライアント企業の具体的な状況に応じて、これらのアーティファクトは大きく異なる場合があります。たとえば、消費者が十分に忍耐強く待つことを選択する場合、在庫切れ期間の終わり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する場合もありますが、そのような消費者は購入を遅らせることを拒否する可能性があるため、部分的な減衰が発生することもあります。など。

Lokadの雇用するサプライチェーン科学者は、在庫切れがクライアント企業のビジネスの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ていることを確認するために存在しています。

これらの状況をLokadがどのように処理するかの詳細については、サプライチェーンのための構造化予測モデリングの「損失マスキング」およびリードタイム予測の「不完全なリードタイムモデル」の議論を参照してください。

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影響を受ける需要の変動を予測することができます。プロモーションメカニズムには、価格の変動、表示順位の変更（eコマース）、アソートメントの変更、可視性の変更（小売店のゴンドラなど）などが含まれます。要するに、Lokadは、需要、リードタイム、返品などのサプライチェーンの不確実性のすべての可能な源に対して行うように、プロモーションのための確率的予測を提供します。

Lokadのサプライチェーンの意思決定（たとえば在庫の補充）は、将来の計画されたプロモーション活動だけでなく、その**潜在的な**活動も考慮に入れています。たとえば、クライアント企業がプロモーションを行う可能性があり、その顧客（一般的には）がプロモーションによく反応する場合、在庫を少し積極的にすることができます。これは、プロモーションが在庫過剰を緩和する効果的なツールであるためです。逆に、クライアント企業の顧客がプロモーションにほとんど反応しない場合、在庫過剰にはより注意を払う必要があります。これは、それを緩和するメカニズムが欠如しているためです。

Lokadは、確率的予測を活用して生成されるリスク調整（およびオプション調整）の意思決定を生成します。これらの予測は、まずリスクを評価するために不可欠です。その後、我々は確率的最適化を使用し、つまり、数学的操作を使用して、クライアントのROI（投資利益率）を最大化する意思決定を作成します。これは、需要、リードタイム、プロモーション、返品などの複数の不確実性源を考慮に入れます。

6.5 新製品の発売と代替品の特定と予測を行いますか？

エグゼクティブサマリー: 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。これは、製品に利用可能な歴史データの量に関係なく行います。製品がまだ発売されていない場合、そのデータはおそらくゼロになるでしょう。

これらの条件下で統計的予測を行うために、Lokadは通常、（a）クライアント企業内でのすべての発売の履歴、（b）製品の属性を活用して製品を提供に位置付け、（c）ベースラインとカニバリゼーションの可能性を提供する代替製品、および（d）この特定の発売をサポートするマーケティング活動を活用します。

製品がクライアントの提供において古い製品の明示的な代替品として位置付けられている場合、予測タスクははるかに簡単です。ただし、古い製品と新しい製品が消費者にとって本当に等価であるとクライアントのサプライチェーンスタッフが納得していない限り、このアプローチを採用することはお勧めしません。実際、製品の発売は、新製品と旧製品の間で1対1の置き換えではないことがほとんどです。したがって、Lokadは、新しく発売される製品の疑似履歴を提供するために1つの製品を指定するのではなく、_すべて_の歴史データを活用するための優れた技術を使用します。

さらに、Lokadは製品の発売に対して確率的予測を生成します。これは特に重要です、なぜなら、古典的な（つまり、非確率的な）予測は、新製品を発売する際に一般的に見られる当たり外れのパターンを完全に無視します。一方、確率的予測は、この不確実性を数量化し、それによってリスク調整されたサプライチェーンの意思決定を生成することができるからです。

ほとんどのビジネスシステムでは、製品の発売日が適切に特定されており、そのため特定の必要はありません。ただし、発売データが記録されていないか、誤って記録されている場合、Lokadはこの情報の実際の再構築を進めることができます。当然、過去の販売記録は発売の基準となります。

ただし、断続的な需要の場合、製品が最初のユニットを販売するまでに時間がかかることがあります。Lokadのサプライチェーン科学者は、これらの状況に対応するためにさまざまなヒューリスティックスを利用できます。

このFAQのイベントと説明的イベント6.1も参照してください。

6.6 新商品や新規ロケーションの売上履歴がない場合、どのように予測しますか？

Lokadは、以前の発売と現在の販売を活用し、属性（形式的およびテキスト）の重要性を強調して、新商品/ロケーションの需要を予測します。

商品が「新しい」場合でも、通常はクライアント企業によって発売される最初の「新しい」商品ではありません。Lokadの予測技術は、以前の商品の発売と現在の販売量を活用して、新商品の需要を予測します。特に、形式的属性（色、サイズ、形状、価格帯など）やテキスト属性（ラベル、簡単な説明、コメントなど）の利用は、商品を企業の広範な提供物に数学的に配置するために非常に重要です。

新しいロケーションのプロセスは似ていますが、データは通常は制限されています。企業が年間数千の新商品を発売することが一般的ですが（特にファッションなどの垂直分野では）、年間100以上の新ロケーションを発売できる企業はほとんどありません。しかし、属性と新しいロケーションの特性を活用することで、Lokadは、この特定のロケーションに売上履歴がない場合でも予測を行うことができます。

このFAQのイベントと説明的イベント6.5も参照してください。

6.7 前身商品や、フラグ付きまたは同等/類似商品を考慮していますか？

はい、発売された商品に「前身」または「類似」商品がある場合、Lokadの予測技術はこの情報を活用して予測を洗練させることができます。

提供された情報に対する信頼の全スペクトルを受け入れることができ、新製品が他の製品とほぼ同等であるという「この新製品はほぼ同等である」という情報から、「これらの2つの製品は漠然と似ている」という情報まで対応できます。最も類似した商品が明確でない場合は、複数の前身商品を提供することもできます。

古い（今では使われていない）予測技術では、サプライチェーンの実務者に古い製品と新製品を手動でペアリングすることを強制していましたが、Lokadではそうではありません。基本的な情報が利用可能であれば、当社の技術は、新商品を予測するために他の商品からの歴史データを活用することができます。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、マスターデータを充実させて自動的な関連付けを促進することをお勧めします。これは、クライアントのサプライチェーンスタッフに手作業でのペアリング作業を強制するよりも望ましいと考えられます。マスターデータの改善のROI（投資収益率）は通常、ペアリングよりもはるかに優れており、マスターデータは発売後の多くの運用に直接影響を与えることもあります。

このFAQのイベントと説明的イベント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？ カニバリゼーション製品およびカニバリゼーション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。

状況は異なりますが、モデルは通常対称的であり、したがって、モデルはカニバリゼーションを行っている製品とカニバリゼーションを受けている製品の両方を数量化します。 私たちのアプローチは、提供内容の構成を考慮に入れます。これは、店舗ごとに異なる場合や、販売チャネルごとに異なる場合があります。

顧客を識別できる場合（注：Lokadは個人データを必要としない/使用しないため、匿名識別子を使用）、Lokadは顧客と製品を接続する二部グラフを利用できます。 この時間的グラフ（取引を通じて製品と顧客を接続する）は、通常、カニバリゼーションを数量化するための最良の情報源です。 この情報が利用できない場合、Lokadはカニバリゼーション自体の詳細に関しては精度が低下しますが、それでも操作できます。

Lokadの予測技術は、古典的な時系列モデルとはかなり異なります。 時系列モデルは単純にカニバリゼーションを扱うのに十分な表現力を持っていません。 実際、過去の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対処するための関連情報のほとんどがすでに失われています。 この失われた情報は後で回復することはできず、時系列モデルがどれほど洗練されていても回復することはできません。 対照的に、Lokadは予測モデルに微分可能プログラミングを使用しており、これは時代遅れで陳腐な時系列モデルよりも表現力がはるかに優れています。

6.9 説明変数の追加や更新を許可していますか？ これらの変数を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可能であり、説明変数の更新を含める際には、Excelスプレッドシートと同じくらい柔軟です。 必要であれば、説明変数を実際のスプレッドシートを介して伝えることも可能です。

Lokadの予測モデリングへのアプローチである微分可能プログラミングを使用すると、任意の説明変数を埋め込んだモデルを学習することが簡単になります。 説明変数は「予測単位」で表現する必要はなく、予測プロセスと一致させる必要もありません。 微分可能プログラミングを通じて、説明変数を統合することができ、多くの関係を「数量化されていない」ままにして、学習プロセスをLokadのプラットフォームに任せることができます。 また、関係の数量化はサプライチェーンの実務家に提供されます。 このように、サプライチェーンの実務家は、説明変数が予測モデル内で本当に注目されているかどうかについて洞察を得ることができます。

一部の古い（現在は時代遅れの）予測技術は、説明変数と希望する予測との直接的な関係を強制しました。 たとえば、説明変数は需要信号と線形に関連していなければならず、説明変数は予測と同じ粒度で表現されなければならず、説明変数は過去データと同質でなければならない、などです。 Lokadのテクノロジーにはこれらの制限はありません。

さらに、Lokadのプラットフォームのプログラム可能な機能により、説明変数を整理して、クライアントのサプライチェーンスタッフができるだけ簡単にメンテナンスできるようにすることができます。 たとえば、説明変数を反映するためにExcelスプレッドシートから始め、後で自動データ統合に移行することが可能です。 この移行は、説明変数を介して得られた追加の精度がデータ転送を自動化するのに十分であると見なされた場合に行われます。

このポイントについては、供給チェーンの構造化予測モデリングの「共変量統合」の議論を参照してください。

6.10 未来のイベントの予測の手動調整を許可していますか？ 以前の履歴データがない未来のイベントに対して。

はい。Lokadでは、履歴データの有無に関係なく、予測を手動で調整することが可能です。手動調整の品質/精度も追跡することができます。ただし、現代の予測技術を使用する場合、通常は手動調整は不要であり、全体としては推奨されません。

サプライチェーンの実務家が予測を手動で調整する必要性を感じる最初の理由は、予測から導かれるサプライチェーンの意思決定（例：発注）を変更したいということです。 そのような場合、ほとんどの場合、サプライチェーンの実務家は、予測に適切に反映されていないリスクに直面します。 予測よりも高いか低いべきではなく、むしろリスクを反映するために意思決定を上下に調整する必要があります。 Lokadは、確率的予測とリスク調整されたサプライチェーンの意思決定を通じてこの問題に対処しています。 予測はすでにすべての可能な将来の値（例：需要）とそれぞれの確率を反映しています。 したがって、私たちの提案される意思決定はすでにリスク調整されています。 予測が正しいのに意思決定が誤っている場合、通常は予測自体を調整するのではなく、意思決定に関連する経済ドライバーを調整する必要があります。

予測を手動で調整する2番目の理由は、予測が明らかに間違っている場合です。 ただし、そのような状況では、（基礎となる）予測モデル自体を修正する必要があります。 それらを修正しないと、サプライチェーンスタッフは問題（不正確な予測）の症状を治療し続けなければなりません。病気自体（誤った予測モデル）ではなく。 モデルを修正しないと、新しいデータが利用可能になるたびに予測が更新され、悪い予測が再発するか、元の修正（そのままの場合）が予測の不正確さの原因となります。

要するに、予測モデルが十分な精度を持っていない（通常は情報の欠如による）場合、モデルの入力を豊かにして関連する欠落している情報を考慮する必要があります。 いずれにせよ、欠陥のある予測モデルを運用し続けることは適切な対応ではありません。

6.11 マーケティングキャンペーンや特別キャンペーンを通じて予測を改善していますか？

はい、Lokadはこの情報を使用して予測を改善しています（提供された場合）。

ディファレンシャブルプログラミング—Lokadの予測モデリング技術—は、追加のデータタイプ/ソースを処理するのに優れています。 たとえそれらが通常のクライアントのビジネスシステムに見られるような元の歴史的需要データと構造的に一致しない場合でも。

ディファレンシャブルプログラミングは、追加のデータソースを処理できますが、この補足データが完全であるか、または完全に正確/正確であることを期待しているわけではありません。 もちろん、データが非常に不完全/不正確である場合、このデータを処理して得られる全体的な精度が制限されます。

より重要なことに、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えます。 伝統的な予測の視点では、将来の需要を惑星の動きのように扱います：完全に私たちのコントロールを超えたもの。 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ありません。 それらは、クライアント企業が行った明確な意思決定を反映しています。 Lokadの洞察と技術を活用することで、クライアント企業は、サプライチェーンがサポートできるものに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。

たとえば、在庫切れに向かっているすべての製品がすでに進んでいる場合、需要をさらに加速させる（新しいキャンペーンを開始する）ことは無意味です。 逆に、在庫過剰が増加している場合、以前に一時停止していたいくつかのキャンペーンを再開する時期かもしれません。

6.12 価格弾力性を使用して予測を改善しますか？ 予定された将来の価格変更を予測/予測モデルに積極的に取り入れることは可能ですか？

はい。Lokadの予測モデリング機能には、価格を含む価格弾力性や将来の計画された価格変更も含まれています。 Lokadの微分可能プログラミングアプローチを使用すると、過去および将来の価格変数を含めることが簡単になります。 過去のインスタンスは、需要の変動と価格の変動の因果関係を学習するために使用されます。

微分可能プログラミングにより、価格の変動の影響を学習することができます。これには、季節性などの他のすべての需要に影響を与えるパターンも含まれます。 因果関係モデルは将来の価格に適用でき、クライアント企業の価格戦略の変化を反映するために価格を引き上げたり引き下げたりすることができます。

ただし、価格弾力性は、価格の変動の影響をモデル化するためのかなり粗いアプローチです。 たとえば、しきい値効果は弾力性でモデル化できません。 これには、製品が他の同等の製品よりも**ちょうど**安くなったときに消費者が価格の変動に強く反応するシナリオが含まれます。 特に、競合他社の価格動向によって最もよく説明される需要の変動を説明するのに価格弾力性が不十分である場合、競合他社の価格動向によって最もよく説明される需要の変動を説明するのに価格弾力性が不十分である場合、競合他社の価格動向によって最もよく説明される需要の変動を説明するのに価格弾力性が不十分である場合があります。

Lokadのプラットフォームには、価格弾力性を単にモデル化する以上の機能があります。 Lokadは、調達と価格の両方を共同で最適化することができ、頻繁に行います。 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を別々の懸念事項として扱いますが、価格が需要に影響を与えることは明らかです。価格の「弾力性」がこの影響を正確に反映するには粗すぎるということがわかった場合でも、在庫と価格のポリシーを調整してサプライチェーンの収益性を最大化することは非常に合理的です。

6.13 競争活動（つまり、競争情報データ）で予測を改善しますか？

エグゼクティブサマリー: はい、Lokadの予測技術は、競争情報データを活用して需要予測（および必要に応じて価格）を洗練することができます。 これは、競争情報データが私たちに提供された場合にのみ行われます。 Lokadは競争情報データを収集していないため、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良いと考えています。

競争情報データを活用することは、通常、2段階のプロセスです。 第一に、競争データポイントをクライアント企業の提供物とどう関連付けるかを（なんとかして）決定する必要があります。 クライアント企業とその競合他社がGTINバーコードによって識別される正確に同じ製品を販売している場合、このプロセスは簡単です。 ただし、頻繁に多くの複雑さがあります。

たとえば、企業間で出荷条件（送料や遅延など）が異なる場合や、一時的なプロモーションがロイヤリティカードの保持者のみが対象の場合があります。 さらに、競合他社は通常、正確に同じ製品を販売していません（少なくともGTINの意味では）、しかし、総合的にはお互いに競合しています。 これらの状況では、各企業の製品間の単純な一対一の関連付けはもはや関連がありません。 それでも、Lokadの予測技術（およびサプライチェーンサイエンティスト）はすべての複雑さに対処できます。

第二に、関連付けが確立されると、競争が需要に与える影響を反映するように予測モデルを適応させる必要があります。 ここで、最大の課題は、影響が深刻な遅れとともに現れることが頻繁であることです。 ほとんどの市場では、顧客は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価格下落が多くの顧客に長い間気づかれない可能性があります。 実際、価格競争で価格面で負ける主要な影響は、クライアントの市場シェアのゆっくりとした浸食です。 したがって、競争の影響を「1つの製品ずつ」狭く評価するのは間違いです。 企業全体の影響も評価する必要があります。

再び、Lokadのサプライチェーンサイエンティストは、モデリング戦略がクライアント企業（および市場内での位置）の戦略的理解を反映していることを確認します。 この戦略的理解には、市場シェアの獲得または喪失などの長期的な側面も含まれます。

Pricing Optimization for the Automotive Aftermarketでの「アライメントの解決」に関する議論を参照してください。

このFAQのElasticityの「イベントと説明変数6.12」も参照してください。

6.14 天気予報データで予測を修正しますか？

エグゼクティブサマリー: はい、Lokadは天気予報データで予測モデルを修正することができます。 2010年に大手ヨーロッパの電力生産業者と協力して初めてこの分野で成功を収めました。 当社の現在の予測技術（微分可能プログラミング）は、天気予報を以前の技術よりも簡単に統合するプロセスを可能にします。

実際には、技術的には天候データで予測を修正することが可能ですが、ほとんどのクライアントは実際にはそのような修正を製品設定で効果的に使用していません。 私たちの意見では、その努力に値するとは思われません。 同等のエンジニアリングリソースを使用してより優れたROI（投資対効果）を提供するよりも簡単なオプションがほとんど常にあります。

天気予報データをこの文脈で活用しようとする際には、2つの主要な問題があります。 最初の問題は、それらの予測が短期的であるということです。 2週間または3週間を超えると、天気予報は季節平均に戻ります。 したがって、短期の範囲を超えると、天気予報は通常の季節変動を超える追加の洞察を提供しません。 これは、厳密に短期でないすべてのサプライチェーンの意思決定が天気予報データから利益を得ないことを意味します。 これにより、この技術の適用範囲が著しく制限されます。

2番目の問題は、その技術がもたらす膨大な技術的複雑さです。 天気は非常に局所的な現象ですが、大規模なサプライチェーンを考慮すると、数百から数千（場合によっては数万）の関連する場所を見ており、膨大な地理的空間に広がっています（複数の大陸かもしれません）。 したがって、各場所は（気象学的に言えば）独自の「天気」を持ってい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、風などを含む複数の数値です。 サービス対象の商品の種類によって、温度が需要予測を修正するために必要な主要要因であるかどうかが異なります。

基本的に、天気予報データを使用して需要予測を修正しようとすることは、他の場所に（または少なくともより良い修正の取り組みに）向けられるリソース（時間、お金、努力など）を割り当てることを意味します。 私たちは、天気予報がこの点でほとんど決して「競争力のある」オプションではないことを観察しています。 したがって、Lokadが天気予報を活用できるとしても、天気予報データに頼る前に、他の可能性のあるより簡単な修正方法をすべて尽くすことをお勧めします。

6.15 新しい店舗のオープン/古い店舗の閉鎖を反映するために予測を修正しますか？

はい。

Lokadの予測技術は、新しい店舗のオープンや古い店舗の閉鎖の影響を正確にモデリングすることができます。 当社の技術は、改装工事のための一時的な閉鎖などの一時的な閉鎖もモデル化できます。 さらに、データが提供されている場合、Lokadは開店時間の変動も考慮に入れることができます。 Lokadの予測技術（微分可能プログラミング）は、これらの需要シグナルの歪みに対処するのに特に効果的です。

さらに、店舗が近くにある場合（たとえば、同じ都市内にある場合）、顧客が以前に行っていた店舗（現在は閉店）から別の店舗に移動する代替効果を考慮に入れることができます。 一部の取引が顧客識別子から利益を得る場合（注：Lokadは個人データを必要としないため、生の識別子のみ）、この情報を活用して、店舗が移動しても特定のブランドをフォローする顧客の正確な割合をより正確に評価することができます。

技術スペクトルの反対側では、時系列（予測）モデルは適切に関連する入力情報をさえ表現できません。 この場合、私たちは、クライアントがロイヤリティカードプログラムを運営している場合に見つかるような、上記で説明した生の取引データを参照します。

ノート