FAQ: 需要予測

Lokadは、現実世界の複雑さを乗り越えながら、優れた将来のイベント評価に焦点を当てた、供給チェーンの予測最適化リーダーへと進化してきました。

対象読者：サプライチェーンの専門家、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

予測の原則

ケインズが指摘したように、正確でなくてもおおよその正解を得る方が良いとされています。この原則は、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非常に有効です。予測に関しては、Lokadは単に正確でないだけでなく、競合他社だけでなく研究チーム¹に比べても圧倒的に優れたパフォーマンスを発揮しています。ただし、過去10年間で、従来の予測の視点の最大の制約要因は正確さではなく、表現力であることに気付きました。

クラシックな予測、つまりポイント時系列予測は、将来についての情報が「不十分」であることを多くの実践者が忘れてしまっているほど一般的になっています。時系列予測は、ビジネスの将来を天体の動きのような現象として扱います。つまり、観察者は観察対象とは何の関係もないということです。しかし、サプライチェーンは天文学のようなものではありませんし、企業（惑星とは異なり）は自らのサプライチェーンの方向に積極的に影響を与えます。基本的に、未来は予め定められたものではなく、自分次第です。

奇妙なことに、従来のサプライチェーン理論全体は、時系列予測の上に構築されており、さまざまな奇妙な結果をもたらしています。需要を誘導する明らかな方法である価格は、通常、計画とは別個の問題として扱われていますが、これは明らかに間違っています。

従来の時系列の視点から完全に欠落しているもう一つの次元は「不確実性」です。この不確実性は、従来派が単独でより高い正確さを追求することで取り組めると信じているものですが、サプライチェーンの問題は、孤立した微調整以上を必要とすることを示しています。将来のイベントに関連する不確実性は不可避であり、グローバル市場は古い方法（戦争、津波など）と新しい方法（ロックダウン、創造的な規制など）の両方で課題を投げかける能力が非常に高いことがわかっています。

確率的予測

Lokadが従来の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」であり、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、すべての可能な将来（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ものです。そのため、確率的予測は将来のイベントの不可避な不確実性を完全に受け入れるものであり、むやみに無視するのではなく、そのケースを考慮に入れます。2012年以来、確率的予測は、小規模な地域の決定（SKUの適切な数量の選択など）から、長期的な数百万ドルのサービス契約の終了など、サプライチェーンのリスク管理においてはるか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、Lokadは確率的予測を需要に限定することはありませんでした（そして今でもありません）。Lokadプラットフォームによって、他のすべての不確実性要素も定量化されるようになりました。これらの不確実性要素には、異なるリードタイム、異なるスクレイプ率、異なる顧客返品率などが含まれます。より広く言えば、すべての不確実な将来のイベントは、理想的には確率的予測を通じて予測される必要があります。したがって、現在では、Lokadは通常、12種類以上の異なる種類の将来のイベントを予測しています。重要なことは、これらの代替予測が**時間系列の予測ではない**ということです。時間系列を使用して複数の異なる値/単位（需要、リードタイムなど）を表現しようとしているわけではありません。実際、ほとんどの場合、予測している問題は、時間系列によって課される狭い枠組みにさえ合致しないのです。

プログラムによる予測

Lokadが従来の予測の視点から大きく逸脱した2番目のポイントは、2018年のディープラーニング、そして2019年の微分可能プログラミングによる「プログラムによる予測」のシフトです。主流の見解は、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。Lokadも、ほとんどの競合他社と同様に、「予測エンジン」と呼ばれるモノリシックなソフトウェアコンポーネントに言及していました。しかし、この視点には2つの主要な欠点があります。

まず第一に、「予測エンジン」の視点では、エンジンに供給される入力データを組織化するための標準的な方法があると仮定していますが、実際にはそうではありません。入力データの構造自体は、会社のビジネスシステムの具体的な要件に非常に依存します。ビジネスシステムで見つかるような歴史データを、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することは、さまざまな問題を引き起こします。Lokadは、競合他社が提供す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よって（ますます洗練された手法を通じて）、この問題を解決しましたが、このアプローチは技術的な行き詰まりであることも認識しました。予測エンジンは十分に柔軟ではなく、ビジネスの重要なが微妙な側面を無視する結果になります。

一方、プログラムによるアプローチは、はるかに優れた解決策であることが証明されました。これは、予測モデリングの課題を、剛性のあるモノリシックな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することです。Lokadは2018年にディープラーニングフレームワークを使用して開始しましたが、2019年には微分可能プログラミングの進歩を踏まえて、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、関係データを第一級の市民にすることであり、ディープラーニングフレームワークでは第二級の市民として扱われていました（そして今でも扱われています）。サプライチェーンでは関係データが主流ですが、これは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ありません（画像、自然言語、音声などが主流です）。

第二に、「予測エンジン」の視点では、会社が独自の未来を形作る余地がありません。エンジンの洗練度に関係なく、このパラダイムでは予測/計画フェーズと最適化/実行フェーズの2つの段階のプロセスが行われるという前提があります。このパラダイムでは、計画と実行の間で行き来する余地がほとんどないか全くありません。理論的には、予測エンジンを繰り返し適用して、前回のイテレーション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適用することは可能です。しかし、実際には、そのプロセスは非常に手間がかかるため、ほとんどの人は本当にそれを行いません（少なくとも長期間は行いません）。

要点: プログラム的なアプローチはゲームチェンジャーです。なぜなら、企業が見逃す可能性のある微妙で利益を生むオプションを計画と実行の間で反映させるためのカスタムフィードバックループを操作することが可能になるからです。例えば、クライアントが航空機のMRO会社である場合、未使用の部品の販売によって必要な部品の調達を資金化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、これらを発見するにはビジネスの細部を注意深く考慮する必要があります。非プログラム的なアプローチでは、この細部を捉えることができず、供給チェーンの実践者をスプレッドシートに戻してしまいます²。異なる可能性のプログラミングは、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、Lokadが予測最適化のために設計したドメイン固有のプログラミング言語であるEnvisionの微分可能なプログラミング能力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」ではなく、最先端の予測モデルを作成するために簡単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があります。

Lokadの予測モデルは、ウォルマートのデータセットを基にした国際的な予測競争で、SKUレベルで約1000人の競技者の中で第1位を獲得するなど、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説明されています。Lokadのプラットフォームのプログラム性は、従来の「予測エンジン」では再現できない柔軟な機能を提供します。実際、この制約のために、Lokadの最後の「予測エンジン」は2018年に廃止され、プログラム的なアプローチに置き換えられました。

さらに、私たちは通常、「予測」というよりも「予測モデリング」という用語を使用しています。なぜなら、将来の需要だけでなく、**すべて**の不確実性のソースを数量化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、異なる可能性のプログラミングを通じて、従来の予測エンジンからは期待されていない予測を提供します。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実現するために重要です。

最後に、Lokadは「確率的な予測モデル」を提供します。確率的予測（または「確率的モデリング」）は、リスク調整された最適化された意思決定を行うために重要です。確率的予測がないと、サプライチェーンの意思決定は変動に対して脆弱であり、わずかに慎重な意思決定によって大部分が軽減される可能性のある状況に対して安定したオーバーヘッドを生成します。

Envisionにおける異なる可能性のプログラミングでは、この重要なツールの詳細について、および予測エンジンの歴史を確認するために、私たちの予測の進化をご覧ください。

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てベースライン需要予測を生成することができます。これは、LokadのDSL（ドメイン固有のプログラミング言語）であるEnvisionを使用して行います。Envisionの異なる可能性の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を学習することも簡単です。

Lokadによって提供される新しい技術によって置き換えられた従来の予測の視点には、2つの主要な制限があります。まず、ポイント時系列予測（いわゆる「クラシックな予測」）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）ではなく値の確率分布として表現することにより、不確実性を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、クライアントはリスク調整された意思決定（例：X個またはX+1個の注文、またはまったく注文しないなど）を生成することはできません。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、POや割り当てなどの財務的な意思決定（例：POや割り当てなど）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ます。

次に、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、その他の将来の不確実性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ます。

1.3 ソリューションは正確な需要予測を生成するためにどのようなデータ分析とアルゴリズムを使用していますか？

Lokadは、詳細な過去のデータと（該当する場合は）選択的な外部データを活用しながら、異なる可能性のプログラミングを使用して需要予測を生成し、他のサプライチェーンの複雑さ（在庫切れやプロモーションなど）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異なる可能性のプログラミングは、正確な需要予測を生成するための主要な技術です。Lokadは、ウォルマートの小売データに基づくM5予測競争で、このアプローチを使用してSKUレベルでnumber oneになりました（世界中の約1000のチームと競合）。この成果により、このアプローチは最先端のものとして認められています。

ただし、M5は需要予測に関しては表面しか触れていません。Lokadのアプローチは、在庫切れ、プロモーション、返品、商品の鮮度など、無数の「複雑さ」に対応することができます。サプライチェーンのための構造化された予測モデリングでは、Lokadがこれらの複雑さに取り組む具体的な方法について説明しています。

データに関しては、Lokadは関連するすべての過去の販売データを活用しています。個々の取引まで遡ることもあります（このデータが利用可能な場合）。また、需要信号を補完するための他の過去のデータも活用しています。例えば、過去の在庫レベル、過去の価格、過去の競合価格、過去の表示順位（ECサイト）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するように設計されており、残念ながら利用できないデータの影響を軽減することも可能です。

需要予測の精度を高めるために、関連性のある外部データを使用することもあります。ただし、私たちの経験では、競合情報以外のデータは、そのデータセットの準備に関連する大幅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しません（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既にすべて使い果たした成熟した企業にとって予約されるべきです。

1.4 機械学習技術によって予測誤差を減らしていますか？

はい。Lokadは、予測誤差を減らすために、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木などの代替技術も使用します。また、機械学習（ML）の技術を使用して、「クラシックな」統計的手法（例：自己回帰モデル）を再評価しますが、関連するパラメータの学習方法は大幅に改善されています。

LokadはMLを使用していますが、それは均質な作業の集まりではなく、データにアプローチするための共有の視点です。研究分野としての機械学習は30年以上の歴史があり、実際には幅広い技術をカバーしています。一部は「最先端」と見なされるものであり、一部はかなり「時代遅れ」です。

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、機械学習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、機械学習の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の両方が、このより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使用しています。

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、解決すべき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、これがERPのデータと一貫してマッチしない予測と、実際の状況を把握する予測の違いです。

1.5 在庫切れと在庫過剰を防ぐために需要パターンをどのように特定し予測していますか？

Lokadは確率的予測を通じて在庫切れと在庫過剰を減らしています。これにより、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します。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、より良い選択（例：PO）を可能にし、在庫切れと在庫過剰を減らすことができます。このアプローチは、財務リスクを無視し、予測誤差を「単独で」減らす従来の時系列予測とは対照的です。

他の可能な原因（例：リードタイムの変動など）を置いておいても、在庫切れと在庫過剰は通常、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は厳密な定量的な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ます。これは、リスク調整された意思決定を計算するためには必須の要素です。

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に入れます。一般的なルールとして、単位数が多すぎるか少なすぎる場合には非常に非対称なコストが発生します。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「報酬のある」方向に導くことで、期待損失を最小限に抑えます。

一方、人気があるにもかかわらず、定期的な時系列予測（別名「クラシックな予測」）は、これらのリスクに関して完全に無視しています。この視点は、予測誤差を「単独で」低減することを目的としており、誤差が無視できる程度になるという考えに基づいています。しかし、これは将来の不確実性が不可避であるため、望ましい方法で在庫切れと在庫過剰を防ぐことには失敗します。

要するに、基礎となる仮定やツール（例：時系列予測）が根本的に誤っている場合、どのような粗雑なモデルや洗練されたモデルを使用しても問題ありません。

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 需要の季節性をどのように扱いますか？

エグゼクティブサマリー: Lokadは、異なる可能性のあるプログラミングを使用して需要の季節性を処理し、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正確性と安定性を確保し、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。

季節性は、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）、および準年次の周期性（イースター、ラマダン、中国の新年、ブラックフライデーなど）も取り扱うことができます。

私たちが周期性を扱うための主な手法は、異なる可能性のあるプログラミングです。私たちは、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。言い換えれば、周期性の構造が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ます。これにより、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/発見するだけでなく、その存在に影響を与える他のパターンも同時に考慮します。

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たら、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の最適化には、いかなる種類の手動介入（つまり、季節性プロファイルのマイクロ管理）も必要ありませんし、まだ発売されていない最近の製品や製品にも例外を依存しません。 Lokadのアプローチは、供給チェーンの目的にとって非常に重要です。

第一に、機械学習プロセスが周期性を発見しようとしないため、より正確な結果が得られます。周期性は既に供給の専門家によって広く認識されているものとして扱われます。これはデータの量が限られている状況ではさらに重要です。

第二に、需要関数の形状を学習するために制約を設けることで、より安定した結果が得られます。このアプローチにより、推定される将来の需要が広く変動する一方で、入力データは変動しない数値的なアーティファクトが軽減されます。

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のあるプログラミングにより、すべての周期性だけでなく、観測される需要パターンを形成する他のすべてのパターンに対処することができます（在庫切れやプロモーションなど）。周期性は単独で、または順番に推定することはできません。これらのすべてのパターンとそれぞれのパラメータを同時に推定する必要があります。

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、異なる可能性のあるプログラミングと供給チェーンの最適化におけるその位置づけの詳細をご覧ください。

1.7 将来の需要を予測し、それに応じた調整の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？生成できる予測の最大範囲は何ですか？

はい。Lokadは将来の予測を無期限に行うことができるため、最大の範囲はありません。

将来の不確実性の性質上、予測の不正確さは予測の範囲が広がるにつれて徐々に増加します。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の目的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。どれだけ洗練されたモデルであっても、予測は最終的には後ろを向いて道路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対して手動で調整を行う能力は状況を悪化させる傾向があります。予測が「専門家」によって手動で変更された後、組織はそれらに過度の信頼を置くことが不可避です。Lokadによって実施された多くのベンチマークでは、長期予測に関しては専門家が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ような不当な専門知識のオーラを持っています。この手動調整の慣行は、数値が必然的に不正確であることが判明した後でも生き残ります。

長期予測に関する全体的なコメントとして、私たちはIngvar Kamprad（IKEAの創業者）の見解に同意しています。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『家具販売者の遺言』で述べています。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、長期予測を使用してサプライチェーンを調整することはお勧めしません。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 28日間のローリングアイテム/店舗の予測を提供できますか？

はい、Lokadは将来の予測を無期限に行うことができます。大規模小売チェーンのSKUレベルでも予測できます。

小売業のクライアントに対して、SKUレベルで200日以上（またはそれ以上）の予測範囲を持っています。これらの中期予測範囲は、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ために役立ちます。さらに、Lokadのプラットフォームは高いスケーラビリティを持っているため、数千万のSKUを処理し、数年間の日次の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指標を利用できますか？

はい。たとえば、Lokadは競合情報（つまり、競合他社の公開価格）を定期的に使用しています。特定の業界では、公開指標が非常に役立つ場合もあります（例：航空機MROの予測される機体の規模）。Lokadのプログラム可能なプラットフォームは、ビジネスシステムから得られる歴史的データを超えた多様なデータソースを活用するのに適しています。

外部データに関しては、天候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つのソースは、逆説的にほとんど工学的な努力に値しないことがほとんどです。天候データセットは非常に扱いにくい（つまり、非常に大きく、非常に複雑）であり、実際には2週間先（おおよそ）の季節平均を超えるものではありません。ソーシャルネットワークデータセットも非常に扱いにくい（つまり、非常に大きく、非常に複雑で、ゴミデータで重くなっています）し、通常は数日間にわたる短期効果に大きく依存しています。

天候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得られないとは言いません。実際、私たちはすでに一部のクライアントでそれを成功させています。ただし、予測の精度を向上させるためのすべての工学的な努力が価値があるわけではありません。私たちのクライアントは限られたリソースで運営する必要があり、通常、そ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改善するためにより良く投資されるべきです。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％（通常それほどでもない）の追加精度を追求するよりも賢明なアプローチです。 私たちは、天候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得られないとは言いません。実際、私たちはすでに一部のクライアントでそれを成功させています。ただし、予測の精度を向上させるためのすべての工学的な努力が価値があるわけではありません。私たちのクライアントは限られたリソースで運営する必要があり、通常、そ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改善するためにより良く投資されるべきです。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％（通常それほどでもない）の追加精度を追求す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？

販売率の異なる商品に対応するために、Lokadはまばらな需要に対して確率的な予測を使用し、Ranvarのような特殊なデータ構造を使用して、すべての販売量に効率的に対応し、サプライチェーンの課題を簡素化しています。

販売率の異なる商品に関しては、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容易です。まばらな需要に対応するために、Lokadは確率的な予測を活用しています。確率的な予測は、0個、1個、2個などのすべての離散的なイベントの確率（例：0個の販売する確率、1個の販売する確率、2個の販売する確率など）を割り当てます。確率により、従来の主流のサプライチェーン手法で得られる分数の需要値に関連する問題のクラス全体が排除されます。

内部では、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（または類似のデータ構造）として表現されます。これらのデータ構造は非常にコンパクトであり、計算オーバーヘッドが低くなります。ただし、まばらな需要に対処する場合、（需要の1単位ごとに1つのバケットを保持するなどの）このようなデータ構造の単純な実装は、クライアントの自己の歴史的データセットよりもはるかに大きな数単位の需要を含むまばら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。

そのため、Lokadは特殊なデータ構造（以下を参照）であるRanvarなどを開発しました。これにより、確率分布を代数的な操作で特徴づける際の定数時間と定数メモリのオーバーヘッドが保証されます。_Ranvar_は、数値が大きくなると元の確率分布を優雅に近似し、サプライ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ます。_Ranvar_のようなデータ構造は、まばらな需要を分離して対象とする必要性をほぼ完全に排除し、まばらな需要に対処する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、公開ビデオ講義供給チェーンのための確率的予測と公開ドキュメント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。予測結果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の制約があります。そのため、将来のコンテナの使用量の予測では、これらの制約の両方を考慮して、必要なコンテナの数を適切に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、指数平滑法、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することができます。

重要なことは、ほとんどの「古典的な」予測モデル（線形回帰、指数平滑法、移動平均、ARIMAなど）はもはや最先端の技術とは見なされておらず、公開の予測競技会でもトップの成績を収めていません。特に、これらのモデルのほとんどは、在庫切れ、カニバリゼーション、中国の新年などの通常のサプライチェーンの複雑さに対応する際には不十分です。

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に特別な数値レシピを作成します。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、廃棄率、競合他社の価格など、すべての不確実なサプライチェーン要素の予測も行います。さらに、予測アルゴリズムは、サプライチェーンの操作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必要があります（たとえば、在庫切れイベントの終わりに需要が急増することがよくあります）。

Lokadの予測の信頼性についての詳細は、当社の公開ビデオ講義「M5予測コンテストでSKUレベルでのNo.1」をご覧ください。

1.13 予測の粒度はどのように返されますか？

Lokadは予測の粒度を柔軟に対応することができます。つまり、SKUまでの最も細かい粒度で予測することができますし、必要であればクライアントごとのSKUごとの需要の予測まで行うこともできます。また、企業全体の予測まで行うこともできます。

予測は最適化されたサプライチェーンの意思決定の生成を支援するための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意思決定に正確に合わせて調整します。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、複数の予測の粒度があります。

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、課題により適した予測の視点を調整します。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の一定の需要を提供する）が一晩で不良在庫に変わる可能性があるため、クライアントの離脱の予測が意味を持つかもしれません。これは、ほとんど（またはほとんど）の需要が突然離脱した1つの大きな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の需要とともに離脱の確率を予測することができます。その後、2つの予測を必要に応じて組み合わせて適切な在庫の意思決定を最適化することができます。

1.14 週次の売上データを使用して数量的な予測を生成できますか？

はい。私たち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の売上データを適用することができます（私たちの好みです）。

週次の時系列データに変換することは、情報の損失が生じるプロセスであることに注意する価値があります。つまり、重要な情報がプロセスで失われる可能性があります。一度失われた情報は、予測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。

たとえば、DIY小売業者がライト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について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販売しています。需要の大部分が1単位ずつ購入する顧客から来る場合、在庫4単位はまずまずのサービスレベルを提供するでしょう。しかし、需要の大部分が通常は1週間に1回のペースで半ダースの単位を購入する顧客から来る場合（平均して1人の顧客が現れる）、在庫4単位は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、売上データが週次に集計された場合、上記の2つの状況の違いが失われます。これがLokadができる限り生のトランザクションデータを処理することを好む理由です。

1.15 日次（または時間内）の予測は、日次の履歴から生成されるのか、週次の統計的な予測に日次のパターンを適用するのか？

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）、私たちは通常、予測の精度を向上させるために、すべての関連する周期性（曜日、月の週、年の週）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、中国の新年、ラマダンなど）を簡単に含める（または除外する）ことができます。

曜日の周期性と年の週の周期性を分離する階層的な分解は、Lokadで使用される場合も使用されない場合もあります。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することができます。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対しても対処する必要があります。

最適なモデルの選択は、Lokadのサプライチェーン科学者に委ねられています。彼らの選択は、対象のサプライチェーンで観察される具体的なパターンの注意深い検討に基づいています。

1.16 実際の売上と予測売上に基づいて、予測を自動調整しますか（日中または週中）？

Lokadは、予測モデルを毎日更新して、不正確なデータ入力からのエラーを修正し、予測を正確かつ最新の状態に保ちます。このアプローチは、古い技術の数値的な不安定性に対抗するために、安定かつ正確なモデルを使用して、予測の乱れを防ぎ、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、新しい一連の履歴データが入手できるたびに、すべての予測モデルを再トレーニングします。ほとんどのクライアントにとって、これは毎日行われます。これには、すでに修正された不正確なデータ入力が過去に生成された「壊れた」予測の持続性によって残らないようにするという最も重要な理由があります。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も考慮に入れています。

一方、一部の古い予測技術は数値的な不安定性に悩んでいます。そのため、サプライチェーンの専門家は、予測が乱れることを意味するため、頻繁に更新されるシステムを恐れる場合があります。Lokadの視点からは、日次データの増分の到着によって予測モデルが乱れることは、実際には修正が必要な不良モデルです。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言えません。なぜなら、最新のイベントを考慮に入れないことで予測の精度が不必要に低下するからです。

Lokadは、数値的な安定性に関し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、この問題を解決します。微分可能プログラミングは、非常に安定性と精度の高い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、毎日すべてを更新するを参照してください。

1.17 実際の売上レベルが将来も続くことをどのように確信度レベルとして確立しますか？

私たちは確率的予測と確率的最適化を使用して、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ています。各潜在的な結果には信頼区間があり、信頼度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的予測が使用される場合、すべての可能な将来には推定された確率が与えられます。それに応じて、確率的予測から信頼区間を簡単に取得することができます。信頼区間は、ある程度のリスク（例：最悪の5％シナリオ対最悪の1％シナリオ）に応じて「信頼度レベル」を確立するために使用できます。

ただし、「信頼度レベル」の背後にある暗黙の仮定は、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。確率的予測の視点では、予測の（不）正確さについての質問全体へのアプローチが完全に変わります。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）は、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、各意思決定をすべての可能な将来とそれぞれの確率に最適化し、それらの財務への影響をランク付けすることができます。

この「不確実性の下での最適化」の技術用語は、確率的最適化と呼ばれます。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、10年ほど前からこの方法を推奨していませんが、複数の予測アルゴリズム（別名「メタモデル」）を組み合わせることは可能です。ただし、実際の供給チェーンの意思決定においては、通常、最適でない結果をもたらすことがあります。そのため、このアプローチは推奨しません。

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得られる合成結果を改善するための最も簡単なオプションの一つです。しかし、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、供給チェーンの実践者はメタモデルによる急な逸脱や「考え方の変化」によって頻繁に混乱します。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、非常に不透明です。基礎となるモデルが単純であっても、それらを組み合わせたメタモデルはそうではありません。

したがって、メタモデルを使用することで得られる「追加の精度」は、ベンチマーク（つまり「合成結果」）では確認できますが、実際の生産（つまり現実の供給チェーンシナリオ）では、増加した不安定性や予測の不透明性などの二次効果により、必ず失われます。

1.19 予測のために最適なモデルを自動選択しますか？

はい、Lokadは供給チェーンの予測において、単一で効果的な予測モデルを提供しています。メタモデルは実際の世界での性能と不透明性のため、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、競争する異なるアルゴリズムの組み合わせではなく、各クライアントに単一の予測モデルを提供しています。このメタモデルアプローチは、Lokadが10年ほど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、必要に応じて自動的に最適なモデルを選択するモデルのプール）を運用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は簡単です。Lokadがこのような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、実際の供給チェーンシナリオには適用されないことです。私たちの経験からは、メタモデルは常に非合成の対応モデルよりも性能が悪いことが示されています。

メタモデルは、通常、不完全なモデルの集合が組み立てられる古い予測技術を反映しています。最初のモデルは季節性に対して悪く、2番目のモデルは短い時系列に対して悪く、3番目のモデルは不規則な時系列に対して悪い、などといった具合です。メタモデルを構築することで、モデルが構成要素の欠陥を軽減したように見えますが、各モデルの欠陥はモデル選択ロジック自体の制約によって定期的に再発します。さらに悪いことに、メタモデルは通常、供給チェーンの実践者の信頼を損ないます。なぜなら、この設計は「意図的に不透明」であることが証明されているからです。

これがLokadのアプローチが、できるだけシンプルな予測モデルを作り上げることです。異なるプログラミング言語などの適切なサポート技術とともに設計されたこの単一のモデルは、複数のモデルの混合物に頼る必要なく、クライアント企業の全体的な供給チェーンの範囲に対応します。

また、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を自動的に選択することはできますか？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、このアプローチは推奨しません。機械学習を介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、実際の生産環境では利益をもたらしません。私たちは代わりに単一モデルのアプローチを提唱しています。

10年ほど前までは、予測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であり、または他のモデルの選択であるモデルです。基礎となるモデルの混合と/または選択は、通常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、ベンチマークテスト（通常はバックテストで実施）による合成結果の改善にもかかわらず、メタモデルアプローチはクライアントの実世界の結果を必ず低下させます。モデルの自動選択により、メタモデルが別のモデルに移行する際に予測が不安定になる「ジャンプ」が発生します。モデル選択に機械学習技術を使用することも、この振る舞いをさらに不安定にする傾向があります。

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、このようなアプローチを生産目的で使用することはお勧めしません。特に、最近の予測競技では、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技でSKUレベルで1位になったことからもわかるように、単一の統一モデルがより複雑なメタモデルよりも優れていることが示されています（以下参照）。

また、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/店舗ごとのより詳細な情報を使用しながら、モデルのノイズと過学習を避けるにはどうすればよいですか？

Lokadは、異なる可能性プログラミングを利用して予測の精度を向上させています。このアプローチにより、モデルの表現力を制御することで、特定のデータ構造にモデルを合わせ、過学習を管理することができます。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組み込むことで、「小数の法則」に対処する効果的な手段です。

ノイズと過学習の問題は、Lokadが予測に異なる可能性プログラミングを使用する主な動機です。異なる可能性プログラミングを使用することで、Lokadのサプライチェーン科学者はモデルの構造そのものを完全に制御することができます。異なる可能性プログラミングにより、彼らは入力データ（関係構造を含む）に適合するモデルを作成することができます。さらに、異なる可能性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えることもできます。

異なる可能性プログラミングは、サプライチェーンに支配される「小数の法則」に対処するためのLokadの大きな進歩です。つまり、予測は常に、興味のあるサプライチェーンの意思決定を反映したレベル/粒度で行われる必要があります（たとえば、「SKUごとに日ごとに」）。しかし、それを行うことで、予測モデルは関連するデータポイントの数が一桁の数としてカウントされる状況に直面します。

異なる可能性プログラミングの進歩は、サプライチェーン科学者（通常はLokadに雇われているが、クライアント企業に雇われている場合もある）が予測モデルにいくつかの高レベルの事前知識（例：関連する周期の選択）を注入することを可能にします。これにより、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することができます。1980年代の「専門家システム」とは異なり、異なる可能性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しませんが、この限られたガイダンスがデータ効率においてすべての違いを生み出すことができます。

2. 予測管理と調整

2.1 ユーザーは予測を可視化できますか？異なるレベル（倉庫、店舗、ショップなど）で予測を集計できますか？

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視覚化と集計を行うための堅牢なデータ可視化を提供しています（定数時間で）。

Lokadのプラットフォームは、時系列の予測を検査および集計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、場所、地域、製品カテゴリなどの階層に従って予測を集計することは容易です。また、日、週、月などの任意の粒度に従って予測を集計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表示に定数時間を保証しており、エンドユーザーがこの時間枠でレポートを読み込むのに十分な帯域幅を持っている場合、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（いわゆるクラシックな需要予測）について言及しているという前提に基づいています。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2つの理由で既に時代遅れです。

まず、ポイント予測は将来の値を1つの値として提示し、それがまさに起こることとして扱います。この点では、将来を過去の対称として扱います。しかし、将来の不確実性は削減できず、供給チェーンの観点から見た将来は過去の対称ではありません（物理学者の観点ではありません）。そのため、確率的予測が代わりに選択されるべきです。確率的予測では、_すべての_可能な将来の結果（需要値など）を考慮し、それぞれに確率を割り当てます。リスク管理の観点からは、将来の不確実性に対するより堅牢な防御策を提供します。

ただし、確率的予測は任意のレベル（倉庫、店舗、製品など）で表現することができますが、通常の意味で加算することはできません。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、確率的予測の事前の経験がない供給チェーンの専門家が期待するものではありません。

次に、時系列予測モデルは頻繁に適切ではありません。時系列の観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ません。たとえば、B2B小売業者は2種類の注文の組み合わせを持つ場合があります。顧客が小売業者の在庫からすぐにサービスを受けることを期待する小規模な注文と、最初から十分な余裕を持って注文が行われたために時間内にサービスを受けることを顧客が期待する数ヶ月前に行われた大規模な注文です。このような基本的なパターンは、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、商品の賞味期限切れ、カニバリゼーション、代替品、競合他社の価格変更などがあります。

より一般的には、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、予測モデルの基盤となるものは通常、時系列ではないものになります。便宜上、最終的なデータは時系列として視覚化されますが、予測モデル自体は時系列ではありません。

2.2 専門家とシステム/マシンが処理すべき予測の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の構造（入力データの関係構造、このデータについて行われる可能性のあ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（手動でオーバーライド）する必要はありません。

Lokadは最新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専門家は予測モデルの「高レベルの構造」にほぼ専念しています。これは、古い技術（現在は時代遅れ）では、モデルが提示するすべてのエッジケースに対して修正の洞察を提供するために、それらを使用する専門家が予測をマイクロ管理することを期待していたのとは対照的です。残念ながら、このような時代遅れのアプローチは専門家にとって負担が大きすぎるため、専門家を失い、スプレッドシートに戻る必要があることが通常でした。

これに対して、予測モデルの高レベルの構造は、通常100行以上のコードを使用せずに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。高レベルの構造は、予測の課題に対する人間の理解の核を表しています。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（例：今後のマーケティングキャンペーンなど）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。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、確率的な予測自体がリスクと不確実性を考慮して設計されているため、最初から手動で上書きする必要はありません。

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、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の高度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実質的に10年前に消えました。

予測の手動修正は、リスクを軽減するための間接的な方法として通常使用されます。サプライチェーンの専門家は、統計的な意味で予測がより正確になることを期待していません。代わりに、調整された予測から生じる意思決定がよりリスクの少ないものになることを期待しています（つまり、企業にとってコストが少ないもの）。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意思決定は既にリスクに適応されています。したがって、リスクを軽減するために確率的予測を調整しようとする意味はありません。なぜなら、意思決定は元々リスクに適応す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ために頻繁に使用されます。しかし、確率的予測は不確実性を受け入れて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、リスクに適応した意思決定が行われます。

基本的には、「間違った」予測を手動で修正しようとすることには意味がありません。予測が期待されるよりも明らかに正確性が低い場合は、予測を生成する数値レシピを修正する必要があります。予測が正確性とは関係のない理由で修正される場合は、下流の計算を調整する必要があります。いずれにしても、予測の手動調整は、現代のサプライチェーンには存在しない時代遅れの慣行です。

2.4 ユーザーが作成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、ユーザーが作成した予測アルゴリズムを統合することを可能にします。この柔軟でカスタマイズ可能なスケーラブルなDSLは、必要に応じて主流の予測アルゴリズムやテクニック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Lokadがサプライチェーンの予測最適化のために設計したドメイン固有のプログラミング言語であるEnvisionを通じて提供されます。Envisionを介して、すべての主流の予測アルゴリズム（およびそのバリエーション）を再実装することができます。さらに、Envisionは、差分可能プログラミングや確率的予測に基づく競争力のあるテクニックを含む、まだ主流ではない予測アルゴリズムもサポートしています（以下参照）。

Lokadにおけるこれらのユーザーが作成したアルゴリズムの統合は、Lokad製品の「カスタマイズ」とは混同されるべきではありません。Lokadの視点からは、特注のアルゴリズムに頼ることがサービスの通常の使用方法です。Lokadプラットフォームは、こ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の専門家によって行われます。ただし、クライアント企業にはデータサイエンスの専門知識を持つ社員がいる場合、それらの社員もこの目的で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作成したアルゴリズムを作成するための完全な統合開発環境（IDE）も提供しています。この機能は、アルゴリズムが入力データとランタイムの機能の両方で厳密に本番環境と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、改訂された予測アルゴリズムが満足のいくものと見なされた場合（通常は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。関連する注記として、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」保証を提供します。

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

2.5 ソリューションが予測や発注に至るまでのプロセスをどのように説明し、ユーザーがビジネスの他の関係者に理解し、尋ねることができるようにするのか？

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、クライアントに対して主要なメトリックや意思決定を示す直感的なダッシュボードを作成することができます。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作成され、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の専門家がアルゴリズム（予測や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」）の設計と説明を担当します。これらの専門家は、株主が理解できるように関連するビジネス、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。これにより、何が「裏側で起こっているか」を理解するのに役立ちます。

Lokadの雇用するサプライチェーンの専門家であるサプライチェーンの科学者は、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。サプライチェーンの科学者は、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、クライアント企業によって状況は異なりますが、各状況には人間の共同パイロット（サプライチェーンの科学者）がいます。予測や意思決定に責任を持つのは無人の「システム」ではなく、名前のあるサプライチェーンの科学者が直接制御する数値レシピのセットです。この責任には、数値レシピの「ホワイトボックス化」も含まれます。つまり、その結果を株主がアクセスできるようにし、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、私たちのサプライチェーンの科学者は、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、データサイエンスの専門家が数値レシピに組み込む前提条件やドライバーについての判断を行います。最終的に、数値レシピの「適切さ」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ます。これは、サプライチェーンの科学者がクライアントのサプライチェーンの状況を注意深く検査し（およびクライアントとの協議を行うことで）確立します。

Lokadがクライアントのデータを準備し、結果を視覚化する方法の概要については、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（材料費）に分割することはできますか？

はい、Lokadは任意のレベルで予測を提供することができます。これは、確率モデリングの豊富なプログラム機能によるものです。予測をセットアイテムとBOMに分割することができるだけでなく、アイテムがBOMの一部として消費される場合や独立して販売される場合などの状況にも対応することができます。

さらに、BOM（材料費）が存在する場合、内部のアイテムの需要だけでなく、異なるアセンブリが内部の部品を競合するという事実を反映して供給チェーンの意思決定を最適化します。つまり、それぞれのBOMが重なる状況です。この最適化により、より大きくて重要なBOMの可用性を危険にさらす可能性がある場合、単独の部品の販売を拒否することがあります。

2.7 予測アルゴリズムのメタパラメータは自動的に推奨されますか？

はい。Lokadの標準的なプラクティスでは、予測モデルは完全に自動で動作する必要があります。Lokadのサプライチェーン科学者は適切なメタパラメータを設定する責任があります。メタパラメータが十分に安定している場合はハードコードされるか、数値レシピには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。いずれの場合でも、アルゴリズム（または「数値レシピ」）は自動で実行できます。

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ています。これは、Lokadがこの点での優先順位を付ける差分プログラミングが一般的なパラメータフィッティングパラダイムであるためです。したがって、差分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、季節性係数などの「伝統的な」パラメータだけでなく、さまざまなパラメータを学習する際に非常に強力です。

その結果、Lokadの観点からは、他の人々が「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」です。一般的な指標として、Lokadが本番で運用するほとんどの予測モデルには非常に少数のメタパラメータ（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科学者の責任であるため、クライアントには期待されません。

2.8 製品は因果関係の変数を介して予測を調整できますか？

はい。

これは、Lokadが予測モデリングにおいて好まれる技術的アプローチである差分プログラミングの中核的な強みの1つです。 差分プログラミングはプログラム的なパラダイムであり、したがって説明変数を含めることが前提です。さらに、因果関係のメカニズムはモデル内で具現化され、独自の「名前付き」パラメータを持っています。したがって、予測は因果関係の変数を活用するだけでなく、サプライチェーンの専門家によって監査や調査が可能な方法で行われます。

たとえば、小売価格が因果関係の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。この結果は、会社にとって非常に興味深いものになる場合があります。会社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の誘導に使用することができます。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を最小限に抑えることができます。

2.9 製品は予測実験とアルゴリズムの開発および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科学者は定期的に予測モデルの実験を行い、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、予測最適化のために明示的に設計された柔軟なDSL（ドメイン固有の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、予測技術の制約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、予測の精度において優れた結果だけでなく、他の「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」について文句を言うことはありません。データはただのデータです。当社のサプライチェーン科学者は、利用可能なものを最大限に活用します。また、改善されたデータの利点をユーロやドル（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の改善を特定することができます。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科学者は、予想されるサプライチェンの利益に見合わない場合、追加の投資が単に価値が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量エンジニアリングを反復して改善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、予測最適化のために明示的に設計された柔軟なDSL（ドメイン固有の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、特徴量エンジニアリング（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置き換えられつつあります。要するに、モデルに適合するために特徴量を変更する代わりに、モデル自体を変更するということです。Lokadの優先する予測モデリング手法であ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ています。ただし、後者は通常、ほとんどの状況においてより適しています。

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は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る意思決定の投資効果（ROI）でドルまたはユーロ（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。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、商品価格などの不確実性のすべて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素であり、将来の需要と同様に予測する必要があります。

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）などの従来のメトリックは、サプライチェーン科学者にとって一部興味深い技術的なメトリックかもしれませんが、サプライチェーンの観点からは基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の公開講義で見ることができます。

したがって、これらのメトリックは広範な組織に伝えるべきではありません。なぜなら、統計的な意味で予測をより正確にすることは比較的簡単ですが、クライアントのサービスの品質を低下させ、サプライヤーの運営コストを上げる結果となるからです（サプライヤーは価格を引き上げて報復します）。

予測メトリックは、サプライチェーンの意思決定の改善をサポートする場合にのみ重要です。Lokadにとって重要なのは、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です。予測誤差などの他のすべては、投資効果を最大化するというコアビジネスの関心事からは外れたものです。

このFAQの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、予測の正確さを測定するのは簡単です。MAE（平均絶対誤差）などの通常の指標が使用できます。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。ただし、過去の販売データは過去の需要の不完全な代理です。在庫切れやプロモーション（および競合他社の動き）によって、過去の販売データが歪められます。

したがって、課題は、過去の販売データのみが反映されている中で、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、（観測された）販売と（隠れた）需要の間の歪みの性質は、考慮されるビジネスの種類によって大きく異なります。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（在庫切れイベントなどの）追加情報とともに「豊かに」なり、隠れた需要のより良いモデルを作成するために活用できます。ただし、この追加情報は、（単純化された）時系列のパラダイムにはほとんど適合しません。必要なデータが彼らの動作パラダイムの外部に存在する場合（つまり、それらによってキャプチャまたは表現できない場合）、時系列モデルの推定される洗練さは無関係です。

このポイントについては、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 予測の正確さについてのレポートを提供しますか？予測誤差の予測についての見通しを提供しますか？

エグゼクティブサマリー: はい。簡単にするために、Lokadのプラットフォームは確率的な予測（およびその誤差）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」）が時間の経過とともに拡大する従来の時系列グラフの形式を取ります。このショットガン効果グラフは、将来を見越すにつれて（需要など）の潜在的な値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、クライアントのLokadアカウントでいつでも利用できます。

予測モデルの正確さを向上させるための課題の半分は、適切な報告手段を作成することです。このタスクは、Lokadのサプライチェーン科学者によって実施されます。Lokadは確率的な予測を使用しているため、予測誤差は通常、予測の時間軸に沿って着実に増加する「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、確率的予測の枠組みでは、「予測の正確さ」は主に二流の技術的な問題になります。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条件の総体を考慮し、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的な意思決定を行うことです。たとえば、不確実性が特に高い場合、対応する意思決定は通常、より保守的になります。そのため、確率的予測の正確さを単独で測定することは賢明ではありません。代わりに、確率的予測を使用して生成されたリスク調整された意思決定に関連する投資収益率を確認する必要があります。

古典的な予測（確率的予測と対照的に決定論的予測とも呼ばれる）では、予測の不正確さはほとんどの場合、クライアントにとって高価で悪い意思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」予測には程遠い状況です。Lokadでは、将来の不確実性は大部分において削減できないと考えています。しかし、確率的予測とリスク調整された意思決定を組み合わせることで、高い不確実性のネガティブな影響は大部分で軽減されます。

その結果、予測の正確さは、予測モデル自体に関わる技術専門家以外には興味を持たれなくなります。組織全体にとってのリスクが単に十分に高くないためです。

3.4 自動化された正確な予測の期待割合は何ですか？

サプライチェーンの意思決定に十分な精度であると定義する場合、100%です。これは、すべての予測が正確であることを意味しません。むしろ、Lokadは確率的予測を通じて将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、確率的予測は非常に分散しています。したがって、それらの予測に基づいて生成されるリスク調整された意思決定は非常に慎重です。

多くの旧式の技術的な解決策とは異なり、Lokadは製品化の目的に使用できない（確率的な）予測をソフトウェアの欠陥として扱います。私たちのサプライチェーン科学者は、これらの欠陥が製品化される前に修正されるようにします。このクラス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中間地点です。

一方、古典的な予測（決定論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気じみたサプライチェーンの意思決定が行われるからです。対照的に、確率的予測は期待される不確実性を自己の数量化に組み込んでいます。需要量が低く不規則な場合、確率的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意思決定の計算は、まずリスクを評価する能力に大いに依存しています。これが確率的予測が完全に設計された目的です。

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）などのメトリック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ックを追跡することは簡単です。また、特定のビジネスルールに依存するウェイト付きMAPE、ウェイト付きMAEなどのわずかに異なるメトリックも追跡できます。

Lokadは、新しい予測が生成されるたびに関連する/好ましいメトリックを収集し、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なパフォーマンスを評価したい場合、過去のデータを「再生」してメトリックを再生成することもできます（バックテスト）。

ただし、上記のメトリックはすべて古典的な予測（決定論的予測とも呼ばれる）に関連しています。サプライチェーンの目的には、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（または能力がない）ため、決定論的予測は時代遅れと考えるべきです。それらは単一の可能な将来の値を特定することを目指しており、_すべての確率的な_将来の値とその確率を特定することはありません。このため、Lokadは確率的予測を利用して、時系列予測が無視する不確実性を数量化するアプローチを採用しています。

3.6 ユーザー定義のメトリック（売上、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なため、多くのビジネスルール（例：ユーザー定義のメトリック）によってガイドされた複雑なメトリックを導入することができます。また、需要とリードタイムの膨張/収縮にとどまらず、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、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と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の視点からは、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、ある意味では、私たちが生成するすべてのサプライチェーンの意思決定は既にリスク調整されています。つまり、それぞれの確率を考慮して、すべての可能な将来の値（例：需要）に対して最適化されています。

したがって、Lokadでは、「シナリオ」は「将来の変動」を評価するために使用されません。なぜなら、これらの変動は既に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。これは通常、実務家が「サプライチェーンデザイン」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の変更、ネットワークの容量、サプライヤーの位置などが含まれます。

3.7 予測の正確さと予測誤差（およびその他の需要メトリック）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、ホリゾン/ラグの次元を含む多くのメトリックで予測誤差を追跡します。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正確さを追跡します。

すべての予測モデルの品質はホリゾンに依存します。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、適用可能なホリゾン/ラグを考慮したさまざまなメトリックを追跡することを容易にするように設計されています。この原則は需要予測にのみ適用されるのではなく、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、確率的予測はホリゾンとともに増大する不確実性を直接的に評価します。したがって、ホリゾンに依存する増大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）に関連する追加のリスクを自動的に反映します。

3.8 製品/支店レベルでデータを集計して統計的予測を検証できますか？

はい、Lokadは、階層が存在する場合には、製品、支店、カテゴリ、地域、ブランドなどの関連する階層レベルで予測誤差とバイアスを追跡します。Lokadの異なるプログラミング技術を使用することで、別の粒度で発生するエラーやバイアスを最小限に抑えるために、特定の粒度で予測を微調整することも可能です。

より一般的には、Lokadプラットフォームはプログラム可能であるため、クライアント企業が適切と判断する方法で、過去の予測を再集計することができます。同様に、集計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を望む場合には、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は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特定しますか？

はい。Lokadのサプライチェーン科学者は、各クライアントのプロジェクトに対して「データの健康状態」ダッシュボードを入念に作成しています。これらのデータの健康状態ダッシュボードは、任意のデータの問題を自動的に特定するように設計されています。さらに、これらのダッシュボードは、問題の重要度と問題の所有権を特定します。

問題の重要度によって、問題が存在するデータを基にサプライチェーンの意思決定を生成することが許容されるかどうかが決まります。時には、問題/課題から「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対してのみ、許容できる意思決定を制限することを意味します。実際には、大企業において100%問題のないデータセットを期待すること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、問題がサプライチェーンの意思決定の正常性を危険にさらさない限り、不完全なデータであってもある程度動作できる必要があります。

問題の所有権は、問題の解決に責任を持つ人物を定義します。問題のタイプによっては、問題はクライアント企業内のまったく異なる場所から発生する可能性があります。たとえば、切り詰められた過去のデータは、おそらくIT部門の問題ですが、マイナスの粗利益（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の問題です。

非自明なデータエラーの特定は、関心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）自動化することはできません。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、サプライチェーン科学者は将来の検出を自動化することができます。実際には、当社のサプライチェーン科学者は、「データの健康状態」ダッシュボードの初期版の一部として、最も頻繁な問題の種類を積極的に実装しています。

データ抽出パイプライン のデータの健康状態を参照して、データの健康状態について詳しく説明します。

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はクライアントがビジネスデータを手動で前処理することを期待していません。さらに、Lokadと各クライアント間に構築されたデータパイプライン全体は、すべてのプロセスが完全に自動化された状態で自動的に実行されます。

Lokadは、過去のデータを「クレンジング」することはほとんどありません。少なくとも、通常の意味でのクレンジングではありません。古い時系列システムでは、需要の低下（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ために、過去のデータを広範に準備する必要がありました。

これは時系列アプローチの制約の反映です。その結果、時系列を処理するシステムの欠陥が原因で、過去のデータをより扱いやすくするために広範に準備する必要があります。このプロセスを「データのクレンジング」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です。

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、時間の経過に伴う需要またはリードタイムのいずれかに関連するすべての因子（価格、在庫、イベントなど）がモデルに明示的に組み込まれます。因果関係の統合は、データのクレンジングよりも優れています（適用可能な場合）​​​​​​​。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ことはありません）、誰もが確実に知ることはできません。

時折、ビジネスデータ（過去のものであってもそうでないものであっても）には修正が必要な場合があります。Lokadは、可能な限り自動的にこれらの修正を提供しようと試みます。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な互換性行列は、半教師あり学習法を用いて自動的に改善することができます（詳細はPricing Optimization for the Automotive Aftermarketを参照）。

4.3 ユーザーには過去のデータを手動で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、通常はエンドユーザーにデータの手動クレンジングをお勧めしません。

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動タスクを課しています。対照的に、Loakdのサプライチェーンサイエンティストは、データが存在するままの状態で処理できる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、通常ではありません。

また、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 データのクレンジング、管理、およびメンテナンスをどのように行い、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ます。データは準備される必要がありますが、最も重要なのは、現在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（専用のダッシュボードなど）を導入し、Lokadによって生成され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します。

多くの代替ソリューションは、データの準備の観点から問題を見るだけであり、不正確な出力は入力を調整することで修正する必要があります。このようなソリューションはプログラム的ではないため、コアモデルを変更することはできません。入力のみを変更することができます。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可能な予測技術（微分可能なプログラミングを介して）をサポートしています。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）に直面した場合、入力またはモデル（または両方）を修正することができます。

ほとんどの場合、データの準備とデータの処理の両方の調整が満足のいく結果につながり、そのいずれかを省略すると期待以下の結果になります。

また、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。

データ抽出パイプラインも参照してください。クライアントとLokadの間でデータの自動転送についての詳細情報が記載されています。

4.5 マスターデータ（予測の支援）の管理とメンテナンスを行いますか？

はい、クライアント企業の要求があれば行います。

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）は厳密に分離することを強くお勧めします。

ベンダーロックインを避けるための一般的なルールとして、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提案します。マスターデータ管理の設計要件は、予測分析の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かもしれませんが、素晴らしいものにはなりません（私たち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全く向いていません。

4.6 ユーザーは販売およびマーケティングのインプット（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多くのデータ形式で複数のデータソースを受け取り、処理することができます。また、販売およびマーケティング部門で見つかるデータ（つまり、それらが保存されている粒度）をそのまま処理することもできます。

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（私たちの推奨する粒度）さえも提供されません。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のデータなど）を活用するように設計されています。

4.7 需要予測のウォーターフォール分析のために過去の需要と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、すべての過去の予測をアーカイブしています。

私たちは、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（計算やダッシュボードの表示など）に影響を与えないようにするための全体的な設計も採用しています。

Lokadのプラットフォームのエンジニアリングは、大規模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の稼働を維持するためにアーカイブが大幅に切り詰められています。Lokadではこのようなことはありません。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 手動の入力/オーバーライドをアーカイブして需要メトリックへの調整の影響を分析しますか？

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/予測の改善を目的として）、それらのアーカイブを使用して、予測精度の改善（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には、データとコード/スクリプトの両方に完全なバージョン管理機能が備わっています。これは、バックテスト時に、手動入力が最初に提供された時とまったく同じ「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した履歴データ）が使用されていることを確認する必要があるため、重要です。

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、手動の修正や入力が提供された時点の状況を適切に反映することはありません。同様に、Lokadが使用する予測コードも、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、解決済みの予測コードの欠陥に対処するために提供された場合があります。

Lokadのプラットフォームは、これらの状況もカバーしており、誤った結論のクラス全体を防止します。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、手動入力が最初に提供された時点の正確な条件を考慮すると、それらは関連していました。

5. 製品の分類とクラスタリング

5.1 スロームーバーと需要の不規則なパターンを特定しますか？

エグゼクティブサマリー: はい、Lokadの予測技術は、対象のすべてのSKUの非常に詳細な数量的特性を提供します。

特に、Lokadの確率的予測手法は、断続的で不規則な需要パターンに対応するのに適しています。レアなイベントの確率を評価することで、Lokadは需要の「不規則さ」を特定することができます。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。例えば、ある顧客がハードウェアストアの在庫全体を（同一の）ライトスイッチで購入し、SKUレベルの在庫切れを引き起こすことがあります。

Lokadの機械学習パラダイムである差分プログラミングは、ほとんどのサプライチェーンの状況を特徴付ける「小数の法則」に対処するのに理想的です。スロームーバーは、設計上、非常に限られたデータポイントで提供されます。同様に、需要の不規則さに見られるスパイクも、設計上、レアです。したがって、予測モデルのデータ効率性は非常に重要です。この点で、差分プログラミングは、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、他の代替手法よりも優れています。

代替手法では、スロームーバーや需要の不規則なパターンが存在する場合に通常失敗します。クラシックな予測（つまり、確率的でない予測）は、実際には「実在しない」需要に対処することができません。このような分数の需要（例：0.5ユニット）は「数学的に」は正しいですが、供給チェーンの意思決定を合理的に行うための実行可能な方法ではありません。なぜなら、自然にはユニットの整数個を注文する必要があるからです。

同様に、クラシックな予測は需要の「不規則さ」を数学的に反映することはできません。

例えば、確率的な予測は、書店が1日に1ユニット（平均）を販売することを反映することができます。これは、平均して1人の教授が月に20冊の本を購入し、平均して1人の学生が2日ごとに1冊の本を購入するという組み合わせです。

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、クラシックな時系列予測では、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できません。それは平均的な需要が1冊/日であると予測するだけであり、需要の実際のパターンを捉えず、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の意思決定の範囲が大幅に制限されます。

5.2 スロームービングまたは陳腐化した在庫を特定し、「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は確率的予測を使用してスロームービングの在庫を特定し、在庫過剰と死蔵在庫のリスクを軽減するための早期のリスク調整の意思決定を可能にします。推奨事項は、「保持するか売却するか」にとどまらず、割引、移動、およびカニバリゼーションを回避するための調整など、利用可能なオプションの全スペクトラムを反映することができます。

スロームービングまたは陳腐化したSKU（需要に基づく）の特定は、確率的需要予測を使用して行われます。確率的予測は、在庫過剰や死蔵在庫のリスクなど、さまざまなリスクを特定および評価するのに優れています。これにより、確率的最適化機能と組み合わせることで、リスク調整された意思決定が可能となります。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特定することができるためです。

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ません。利用可能なオプションの全スペクトラムを反映する推奨事項をクライアントに提供することができます。例えば、在庫を処分するための割引やプロモーションを推奨することができます。他のチャネルで需要が高い場合は、在庫を別の場所に移動することを推奨することもできます。あるSKUの需要を誤ってカニバリゼーションしてしまう他の製品を一時停止または低下させることを推奨することもできます。

要するに、Lokadのサプライチェーン科学者は、在庫が「死んだ」と宣言される前に、見逃されていないかを確認するために存在しています。

このFAQの製品の分類とクラスタリング5.1も参照してください。

5.3 ユーザーには、階層的な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）を管理させますか？

はい。Lokadプラットフォームがプログラム可能であるため、クライアントの既存の製品階層に沿って動作する任意のよく定義されたワークフローに対応することができます。例として、クライアントの既存の製品階層に沿って動作する任意のワークフローがあります。

私たちの意見では、従業員がこのようなワークフローをナビゲートすることのクライアントの投資対効果（ROI）は非常に不明瞭です。このようなワークフローの必要性自体が、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おり、可能な限り多くの自動化を活用して修正する必要があります。

Lokadのプラットフォームは、製品の階層、地域、時間の範囲/遅延、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広範な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領域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法です（ただし、Lokadにとっては簡単です）。代わりに、サプライチェーンの専門家がワークフローを管理する必要性をなくすために、Lokadが操作する基になる数値レシピ（コード）を直接変更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。そのため、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（将来の数年にわた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。しかし、カスタマイズは通常トラブルを引き起こすパスであり、クライアント企業は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ります。

5.4 ユーザーには、階層的に関連するアイテムを組織化し、さまざまな要素に基づいてまとめることができますか？

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素に基づいてアイテム（SKU、製品、クライアント、サプライヤー、場所など）をまとめることができる広範な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、グループ化または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。このタスクは、Lokadのサプライチェーン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、Lokadのプラットフォームは可能です。特に、

Lokadのプラットフォームは、すべての数値ツールにおい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、表示目的以上の利用可能な関係を活用するために、ツール全体に浸透しています。

5.5 過去の販売データに基づいて、どのような製品分類を提供していますか（ABC / XYZなど）？

エグゼクティブサマリー：Lokadは、クライアントの要望に応じて柔軟なABCおよびABC XYZの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）は時代遅れです。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、リスク調整された意思決定につながる実行可能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が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バリエーションも簡単に対応することができます。ただし、製品の分類（上記のようなもの）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、特に時代遅れの技術を特徴とするものは、ABC分析やABC XYZ分析を誇らしげに掲げています。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多くの欠陥を軽減するために利用されており、問題の原因ではなく症状に対処しています。これらのツールは、単純な注意優先メカニズムとして使用されています。これは、間欠的または変動する需要などの興味の対象である問題に適切なアプローチではありません。

まず、基本的な欠陥を解消する必要があります。これにより、サプライチェーンの専門家はこのような煩雑なレビューから解放されます。第二に、ボリュームに基づく分類は実用的な価値を持たず、サプライチェーンの専門家の時間を非常に効果的に活用することができません。

これが、Lokadのサプライチェーン科学者が、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した意思決定をクライアントに導く理由です。アイテムや意思決定が収益性（投資対効果）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」の試みは根本的に無意味です。

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

5.6 製品や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/層別化の機能を提供しています。これは、リレーショナルデータの処理能力によるものです。これにより、固定されたプロパティのシリーズに「平坦化」できない複雑なアイテムに対応することができます。また、微分可能なプログラミングを通じて、Lokadはグループ化に使用される類似性メトリックを学習/調整することができます。これは、予測などの特定のタスクに特に有用です。

Lokadのクラスタリング機能については、Illustration: Clusteringを参照してください。わずか数行のEnvisionコードで実現できます。

5.7 製品/場所の階層と/またはクラスタリングで予測を改善しますか？

はい。

Lokadは、入力データの関係構造を最大限に活用しています。私たちの微分可能なプログラミングアプローチは、関係データの処理に特に適しています。これにより、Lokadは階層、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することができます。たとえば、typicalな周期性（曜日、月の週、年の週など）や準周期性（イースター、中国の新年、ラマダン、ブラックフライデーなど）は、このような技術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をサポートしています。

このポイントについては、Illustration: Cluster-based cyclicitiesを参照してください。

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から特定しますか？

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を過去のデータに追加し、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を扱い、直接的な記録が利用できない場合には失われたイベントを再構築するための回避策として機能します。

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くのイベントがあります。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通じて、これらのイベントをベースラインの履歴に追加することができます。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「特定されない」のではなく、既に知られています。重要なイベントが失われた場合、Lokadは予測モデルを使用してそのようなイベントを再構築することが可能です。

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応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する必要がありました。そうしないと、予測は大幅に劣化/バイアスがかかったものになります。残念ながら、このアプローチは設計上の欠陥があります。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、同じ問題に悩むことはありません。過去のイベント（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というふりをする代わりに、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、在庫切れが発生した場合には、その日の終わりに単位の記録的な販売後に遭遇した在庫切れなどの不完全なデータを活用することができます。この情報は、不完全な形式でも依然として非常に関連性が高いです。

もし重要なイベント（在庫切れなど）が失われたり、単に記録されなかった場合、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を直接記録すること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適切にアーカイブされていない場合には、それらの指標を過去化する理由です。

6.2 例外的なイベントや（移動する）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の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、予測モデルの構造自体をそれらに反映させます。ただし、準周期的なパターン（イースター、中国の新年、ラマダン、ブラックフライデーなど）については、特定は既にされているということです。イベントが存在し、影響を与えることは既知です。残された質問は、そのイベントの影響の「量的評価」です。

サプライチェーン科学者がよく知られたイベントの影響について高レベルの評価を行うことで、データ効率の高い予測モデルを作成することができます。データ効率の高さは、サプライチェーンの状況ではデータが少ない場合に予測モデルの精度を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セマンティックファクターを備えたホワイトボックスの予測モデルを利用することができます。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ファクターとともに提供されます。サプライチェーンの専門家は、このファクターを使用して、ブラックフライデーに特に敏感な製品がどれであるかを理解することができます。年間の周期性など、他のすべてのパターンとは独立しています。

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。

6.3 在庫切れの状況を説明変数として管理していますか？

はい。Lokadは在庫切れの状況を直接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」需要を再構築する必要なく、完全な在庫切れと部分的な在庫切れの両方に対応しています。むしろ、一般的に「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を考慮に入れることができます（在庫切れが営業日中に発生した場合）し、それに関連する情報を活用することができます。

より一般的には、Lokadは在庫切れから生じるすべての誘発アーティファクトに対処することもできます。クライアント企業の具体的な状況によって、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ができる場合、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。購入を遅らせることを拒否するこのような消費者による部分的な減少もあります。など。

Lokadの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適切に反映するようにモデル化されることを確認するために存在しています。

Lokadがこれらの状況をどのように処理するかの詳細については、供給チェーンのための構造化予測モデリングの「損失マスキング」の議論や、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、プロモーションのメカニズムによって影響を受ける需要の変動を予測することができます。プロモーションのメカニズムには、価格の変動、ディスプレイの順位の変更（eコマース）、アソートメントの変更、可視性の変化（小売業のゴンドラなど）などが含まれます。要するに、Lokadは、需要、リードタイム、返品などのすべての供給チェーンの不確実性の源泉と同様に、プロモーションのための確率的な予測を提供します。

Lokadの在庫補充などのサプライチェンの意思決定は、将来の計画されたプロモーション活動だけでなく、その**可能性**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、その顧客が（通常）プロモーションによく反応する場合、クライアント企業は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ための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、在庫過剰に注意を払う必要があります。これは、在庫を緩和するためのメカニズムがないためです。

Lokadは、確率的な予測を活用してリスク調整された（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、まずリスクを評価するために不可欠です。その後、私たちは確率的最適化（単純に言えば数学的な操作）を使用して、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に基づいて、クライアントのROI（投資対効果）を最大化する意思決定を作成します。

6.5 新製品の立ち上げと置き換えを特定し予測しますか？

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、製品がまだ立ち上げられていない場合、利用可能な過去のデータの量はおそらくゼロになるでしょう。

これらの条件で統計的な予測を行うために、Lokadは通常、(a) クライアント企業内のすべての立ち上げの履歴、(b) 製品の属性を活用してオファリングに位置付ける、(c) ベースラインとなる代替製品と食い違いの可能性を提供する製品、および (d) この特定の立ち上げをサポート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オファリングにおいて古い製品の明示的な置き換えとして位置付けられている場合、予測のタスクははるかに簡単になります。ただし、古い製品と新しい製品が消費者にとって本当に同等であると供給チェーンの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。実際には、製品の立ち上げは新製品と旧製品の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は新製品の疑似的な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_の過去のデータを活用するために優れたテクノロジーを使用します。

さらに、Lokadは製品の立ち上げに対して確率的な予測を生成します。これは特に重要です、なぜなら古典的な（つまり確率的でない）予測は、新製品の立ち上げ時に一般的に存在する当たり外れのパターンを完全に無視するからです。一方、確率的な予測はこの不確実性を数量化し、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ます。

ほとんどのビジネスシステムでは、製品の立ち上げ日が適切に識別されているため、識別の必要はありません。ただし、立ち上げ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は、Lokadはこの情報の実際の再構築を行うことができます。当然ながら、早期の販売記録は立ち上げのベースラインを表します。

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は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を持っています。

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 売上履歴のない新商品や新しい場所の需要をどのように予測しますか？

Lokadは、新商品/場所の需要を予測するために、以前の立ち上げ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います。

アイテムが「新しい」場合でも、通常はクライアント企業によって立ち上げられた最初の「新しい」アイテムではありません。Lokadの予測技術は、新しいアイテムの需要を予測するために、以前のアイテムの立ち上げと現在の販売数量を活用します。特に、形式的な属性（色、サイズ、形状、価格帯など）とテキスト属性（ラベル、短い説明、コメントなど）の利用可能性は、アイテムを企業の広範なオファリングに数学的に配置するために非常に重要です。

新しい場所の場合も同様ですが、データは通常ははるかに限られています。ファッションなどの垂直市場では、1年に何千もの新製品を立ち上げることが一般的ですが、100以上の新しい場所を立ち上げることができる企業はほとんどありません。しかし、Lokadは属性と新しい場所の特性を活用することで、この特定の場所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 前身のアイテム、フラグ付きまたは同等/類似のアイテムを考慮しますか？

はい、立ち上げられたアイテムに「前身」または「類似」のアイテムがある場合、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。

提供された情報の信頼性のスペクトラム全体に対応することができます。これは、「この新製品はこの他の製品とほぼ完全に同等である」というものから、「これら2つの製品はあいまいに似ている」というものまでです。もし最も類似したアイテムが明確でない場合は、複数の前身アイテムを提供することもできます。

古い（今は使われていない）予測技術では、サプライチェーンの専門家が古い製品と新しい製品を手動でペアリングする必要がありましたが、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ると仮定すると、当社の技術は他の製品の過去のデータを活用して新しいアイテムの予測を行うことができます。関連する基本情報には、製品のラベルと価格が含まれます。

一般的なガイドラインとして、マスターデータを豊かにすることを推奨しています。これにより、自動的な関連付けが向上します。これは、クライアントのサプライチェーンスタッフを手動のペアリング作業に追い込むよりも望ましいと考えています。マスターデータの改善による投資対効果（ROI）は、ペアリングよりもはるかに優れている場合が多く、マスターデータはローンチ後の多くのオペレーション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とカニバリゼーションされた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）を考慮しています。

状況によって異なりますが、モデルは通常対称的であり、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されている製品の両方を数量化します。当社のアプローチでは、提供の構成を考慮に入れることができます。提供の構成は、店舗ごと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ため、匿名の識別子を使用します）、Lokadは顧客と製品を接続する二部グラフを利用することができます。この時間的なグラフ（製品と顧客をトランザクションを介して接続するもの）は、カニバリゼーションを数量化するための情報源として通常最適です。この情報が利用できない場合でも、Lokadはカニバリゼーションの詳細に関しては精度が低下しますが、それでも動作することができます。

Lokadの予測技術は、古典的な時系列モデルとは大きく異なるアプローチを取っています。時系列モデルはカニバリゼーションに対処する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た後、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は既に失われています。この失われた情報は、時系列モデルがどれだけ洗練されていても後から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なプログラミングを使用しており、時系列モデルよりも表現力が高いアプローチです。

6.9 説明変数の追加や更新は可能ですか？こ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可能であり、実際のスプレッドシートを介して説明変数の更新を行うことができるほど柔軟です。また、必要に応じて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、任意の説明変数を埋め込んだモデルを学習することが容易になります。説明変数は「予測単位」で表現する必要はなく、予測プロセスとは別に整列す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ますが、多くの関係性は「数量化されていない」ままにしておくことができます。これにより、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、関係性の数量化はサプライチェーンの専門家に提供されます。これにより、サプライチェーンの専門家は、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の洞察を得ることができます。

一部の古い（現在は使われていない）予測技術では、説明変数と目的の予測値との間に直接的な関係を強制しました。例えば、説明変数は需要信号と線形関係にある必要がありました。説明変数は予測と同じ粒度で表現される必要がありました。また、説明変数は過去のデータと同質である必要がありました。Lokadの技術にはこれらの制約はありません。

さらに、Lokadのプラットフォームのプログラム機能により、説明変数をサプライチェーンの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整理することができます。例えば、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、説明変数によって得られる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判断された時に行われます。

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

6.10 過去の履歴データがない将来のイベントの予測を手動で調整することはできますか？

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常に可能です。また、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、通常は手動調整は必要ありませんし、むしろ推奨されません。

サプライチェーンの専門家が予測を手動で調整する必要を感じる最初の理由は、予測から派生す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。この場合、ほとんどの場合、サプライチェーンの専門家は、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。予測が高くなるべきか低くなるべきかということではなく、リスクを反映するために結果的な意思決定を上げたり下げたりする必要があります。Lokadは、確率的な予測とリスク調整されたサプライチェーンの意思決定によっ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（需要など）とそれらの確率を反映しています。したがって、私たちの提案された意思決定は既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間違っている場合、通常は意思決定に関連する経済的要因を調整する必要があります。予測自体を調整する必要はありません。

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。モデルを修正しないと、サプライチェーンのスタッフは問題（不正確な予測）の症状ではなく、病気自体（誤った予測モデル）を扱い続ける必要があります。モデルを修正しない場合、新しいデータが利用可能になるたびに予測が更新され、悪い予測が再び現れるか、元の修正（もしそれが残る場合）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場合（通常は情報の欠如によるもの）、モデルの入力を豊かにすることで関連する欠落した情報を考慮するべきです。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 マーケティングや特別キャンペーンを通じて予測を改善しますか？

はい、Lokadはこの情報を使って予測を改善します（利用可能な場合）。

微分可能プログラミング（Lokadの予測モデリング技術）は、典型的なクライアントのビジネスシステムにあるような元の履歴的需要データと構造的に一致しない追加のデータタイプ/ソースを処理するのに適しています。

微分可能プログラミングは、追加のデータソースを処理する際に、この補足データが網羅的であることや完全に正確/正確であることを期待する必要はありません。ただし、データが非常に不完全/不正確な場合、このデータの処理から得られる全体的な精度は制限されます。

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。従来の予測の視点では、将来の需要は惑星の動きのようなものであり、私たちの制御を超えたものとされています。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ありません。それらはクライアント企業が明示的に行った決定を反映しています。Lokadの洞察力と技術により、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調整することができます。

たとえば、すべての商品がすでに在庫切れに向かっている場合、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、在庫過剰が増えている場合、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 価格弾力性で予測を改善しますか？計画された将来の価格変更を予測/予測モデルに事前に組み込むことはできますか？

はい。Lokadの予測モデリング機能は、価格（価格弾力性を含む）および将来の計画された価格変更をカバーしています。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1つ（または複数）の価格変数を簡単に組み込むことができます。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ぶために使用されます。

微分可能プログラミングにより、価格の変動と季節性などの他のすべてのパターンが需要に与える影響を共同で学習することができます。因果関係モデルは将来の価格に適用することができ、これにより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、価格の変動の効果をモデル化するためのかなり単純なアプローチです。たとえば、価格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など、しきい値効果は弾力性でモデル化することはできません。特に、競合他社の価格動向を競争情報ツールを通じて収集する場合、価格弾力性だけでは需要の変動を説明するのに十分ではありません。

Lokadのプラットフォームは、価格弾力性をモデル化するだけでなく、さまざまな機能を備えています。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、価格は需要に影響を与えるため、価格の「弾力性」がこの影響を正確に反映するにはあまりにも単純すぎます。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、在庫と価格のポリシーを調整することは非常に重要です。

6.13 競合活動（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（および必要な場合は価格）を改善することができます。ただし、Lokad自体は競争情報データを収集しませんので、競争情報データが利用可能である場合にのみ行われます。私たちの意見では、このタスクはウェブデータスクレイピングの専門家に任せるべきです。

競争情報データを利用するには、通常2つのステップが必要です。まず、競争データポイントをクライアント企業の提供物と関連付ける必要があります。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まったく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、企業間で同じ配送条件（手数料や遅延など）を持っていない場合や、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にのみ適用される場合があります。さらに、競合他社は通常、まったく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、彼らの提供物は全体として競合関係にあるため、それぞれの企業の製品間での単純な一対一の関連付けはもはや関連性がありません。それでも、Lokadの予測技術（およびサプライチェーン科学者）は、これらすべての複雑さに対応することができます。

次に、関連付けが確立されたら、予測モデルを競争の影響を反映するように適応する必要があります。ここで、最大の課題は、その影響が遅れて現れることです。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、競合他社の大幅な価格下落は、長い間多くの顧客には気付かれません。実際、競争による価格競争力の主な影響は、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。

もう一度言いますが、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（および市場内での位置）の戦略的な理解を反映していることを保証します。この戦略的な理解には、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。

このポイントについては、自動車アフターマーケットの価格最適化の「アライメントの解決」の議論を参照してください。

また、このFAQ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改善しますか？

エグゼクティブサマリー：はい、Lokadは天気予報データを使用して予測モデルを改善することができます。2010年に大手ヨーロッパの電力会社との共同作業で、この領域で初めて成功を収めました。現在の予測技術（微分可能プログラミング）により、天気予報を統合するプロセスが以前の技術よりも簡単になりました。

実際には、天気データを使用して予測を改善することは技術的に可能ですが、非常に少数のクライアントが実際に製品設定でそのような改善を効果的に使用しています。私たちの意見では、それは通常、努力に見合う価値がないです。通常、同等のエンジニアリソースに対して優れたROI（投資対効果）を提供するより簡単なオプションがほとんどです。

天気予報データをこのような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、それらの予報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、短期の予測を超える場合、天気予報は通常の季節性を超える追加の洞察を提供しません。これは、厳密に短期では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の恩恵を受け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厳しく制限されます。

2番目の問題は、この技術に伴う膨大な技術的な複雑さです。天気は非常に地域的な現象ですが、大規模なサプライチェーンを考慮すると、数百または数千（場合によっては数万）の関連する場所を見ていることになります。これらの場所は、広大な地理的な領域に広がっている可能性があります（複数の大陸を含む場合もあります）。そのため、各場所はそれぞれ独自の「天気」を持つ可能性があります（気象学的な意味で）。

さらに、「天気」とは単一の数値ではなく、温度、降水量、風などのコレクションです。サービス対象の商品の種類によっては、需要予測を改善するために必要な主要な要素が温度であるかどうかは異なる場合があります。

需要予測を天気予報データで改善しようとすることは、他の場所に（時間、お金、労力などの）リソースを割くことを意味します。この点において、天気予報はほとんど競争力のある選択肢ではないことがわかります。したがって、Lokadは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、他のより簡単な改善方法をすべて試してみることをお勧めします。

6.15 新しい店舗のオープン/古い店舗のクローズを反映させるために需要予測を改善しますか？

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クローズの影響を正確にモデリングすることができます。また、Lokadは改装工事などの一時的な閉鎖もモデル化することができます。さらに、開店時間の変動も考慮することができます（データが提供されている場合）。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（例：同じ都市内にある場合）、閉店した店舗に行っていた顧客が別の店舗に行く代替効果を考慮することができます。いくつかのトランザクションが顧客識別子（注：個人データは必要ありません）を利用している場合、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表現することさえできません。この場合、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トランザクションデータを指します。

ノート