ファッションのための予測最適化
ファッションは新しさによって牽引されます。ファッションブランドは、市場の需要をちょうど満たす在庫数量で、適切な時期、適切な価格で、適切な製品を設計し提供する必要があります。そして、プロモーションはまず需要を増幅し、次に余剰在庫を一掃するために用いられます。Lokadは、製品ライフサイクルの初期から在庫処分に至るまで、各段階で予測最適化を実現する統計ソフトウェアソリューションを提供します。私たちの技術は、至るところに見られる内部競合や代替、突発的なトレンドや季節性、絶え間なく登場する新製品、高度に変動する価格など、ファッションを非常に困難にする要因をそのまま取り入れています。
注：以下の内容は、全く異なるルールと制約に従うハードラグジュアリーには適用されません。詳細については、ハードラグジュアリーのための予測最適化をご参照ください。
Vizions by Zalando: ヨーロッパ初のプラットフォームカンファレンス 2017年4月20日 ベルリン
まず無垢な疑問から始めましょう。なぜセールが存在すると思いますか？現代では、特にファッション業界で、冬のセール、夏のセール、そしてその他の小規模なイベントが恒例となっています。（...）しかし、そもそもなぜそれらは存在するのでしょうか？それは、小売業者が在庫過剰を解消するためです。そもそも、セールは予測の失敗の表れです。今日ではそれ以上の意味を持つとも言えます。確かにそうですが、最初の目的は依然として変わりません。
Joannes Vermorel, Lokad創設者
LOKAD TV
Lokad TVでのインタビューをご覧いただき、サプライチェーンやファッションについてさらに学んでください。
製品ライフサイクル全体にわたるエンドツーエンドの最適化
フェーズ 1 - 事前コレクション
多くのファッションブランドは、サイズ、色、販売地点などを考慮して、コレクションごとに数千の新しいリファレンスを投入しています。
過去10年間で、最も成功しているブランドは最新のトレンドにより一層迅速に対応し、年間のコレクション数を増やし、リードタイムを短縮する能力を示してきました。
Lokadの予測最適化技術は、ブランドのあらゆる製品のライフサイクル全体にわたるすべての意思決定に取り組みます。私たちの技術は、データからパターンや予測を抽出するために使用される機械学習と、最適な意思決定を生成するための数理最適化の組み合わせです.
新コレクションの準備は、アソートメント最適化（レンジプランとも呼ばれる）の提供から始まります。Lokadの技術により、初期デザインに基づいて、適切なサイズ、色、形状のレンジを構築できます。このレンジプランは、顧客層の希望と期待にできるだけ近づけることを目的としています。Lokadは、レンジプランを裏付けるビジネスケースの作成を支援し、プランナーが個々の製品バリアントを細かく管理するのではなく、高水準の洞察を活用してプランを洗練する可能性を提供します.
レンジプランが確定すると、各製品バリアントごとに、正確に何ユニットを生産または購入すべきか、さらにいつ注文すべきかを提案する購買最適化を提供します。当然ながら、ほとんどの製品は初めて販売されるものです。このタスクは、複数のMOQ（最小発注数量）制約、価格の変動、さらにはリードタイムのばらつき（例：旧正月によるアジアでの生産遅延）によって通常複雑になります。Lokadは、輸送ミックス（例：海上輸送 vs 空輸）や調達先ミックス（例：海外サプライヤー vs 地元サプライヤー）の最適化も行えます.
例えば、当社のMOQソルバーは、重複する複数のMOQ制約にも対処できます。製品レベルでのMOQ（例：各発注ごとに各製品最低100ユニット）、生地レベルでのMOQ（例：各色につき最低3000メートルの生地）、およびサプライヤーレベルでのMOQ（例：各注文で最低50,000ドル相当の商品購入）が存在することがあります。これらすべてのMOQに対処しながら在庫レベルを管理することは、手作業で処理する場合非常に煩雑です。Lokadは、与えられたすべての制約を満たす最も利益率の高い発注「エンベロープ」を特定できる数理ソルバーを用いて、プロセス全体を効率化します.
フェーズ 2 - コレクション開始後
コレクションの開始が迫ると、各流通センターや各店舗に正確に何ユニットを配分するかを決定する在庫配分最適化を提供します。店舗内では、在庫は需要対応だけでなく、顧客を店舗に引き寄せる役割も担います。在庫配分最適化は、このマーチャンダイジングの視点を適切に考慮し、各店舗を最大限に活用します。また、棚のスペースなどの保管容量の制限や、大量の新製品の入荷に対応するための地上チームの限られた能力も考慮に入れています。さらに、取り扱いコストを下げるために有効なバンドルやロットにも対応します.
最新のトレンドに対応するために、私たちはベストセラーと低速回転商品の識別を行います。ベストセラーの識別は、早期の補充を促すことを目的としており、限られた在庫量で、限られた店舗または場合によってはeコマースプラットフォームのみで市場を試すことで行われます。逆に、低速回転商品の早期識別も、より良い製品を犠牲にして棚を占有している商品をできるだけ早く撤去するために重要です.
また、複数の製品に一律に適用されるロイヤルティプログラムに起因する割引も考慮しており、これが製品レベルでの割引の代替または補完となる場合もあります。
アソートメント最適化、購買最適化、在庫配分最適化、ベストセラーおよび低速回転商品の識別、価格最適化：これらすべての意思決定を、製品のライフサイクル全体にわたる一貫したエンドツーエンドの視点で最適化するために、Lokadを活用できます。しかし、より狭い範囲から始めることも可能です。お問い合わせは、contact@lokad.comまでメールをお送りください。
ファッションには従来型ではない需要予測が求められる
在庫と価格に関わる意思決定の最適化には、将来に関する正確な洞察が必要です。しかし、ファッションに関しては従来の需要予測手法はほとんど機能しません。そこでLokadは、ファッション企業が直面する課題を核に据えた独自の予測機能を開発しました.
私たちは確率的予測を用いて、すべての可能な未来を考慮し、それぞれの確率を算出します。実際、ファッションにおける需要の不確実性は排除できません。「完璧な」予測をする希望はなく、従来の手法は「唯一の」予測に基づいて意思決定を行うため、予測誤差に対して脆弱です.
不確実性を否定するのではなく、受け入れます。確率的予測を通じて、リスクと機会のバランスを取ります.
予測は、内部競合および代替効果を考慮するためにアソートメントレベルで行われます。ある製品の需要を単独で予測することは意味がなく、その需要は同じ顧客を争う類似製品の存在（または不在）によって大きく左右されます。時系列予測に重点を置いた従来の手法はこの点を全く捉えておらず、安全在庫やサービスレベルが導入されると状況はさらに悪化します.
需要は価格に依存しており、これは私たちの予測の重要な要素です。将来の需要は確率の問題であるだけでなく、その確率は企業が活用できるアクショナブルなレバーである製品の価格によっても影響を受けます.
重ねて言えば、アソートメントは重要であり、需要の増加は全体のプロモーション強度に依存します。店舗内でその製品だけがプロモーションされる場合と、店舗全体でプロモーションが行われる場合では、同じ需要の増加は得られません。予測は需要だけにとどまらず、返品やリードタイムも予測する必要があります。
あらゆる不確実性の要因には適切な統計的予測が必要です。将来の需要が中心である一方で、需要予測以外にも必要な事項があり、私たちはそれに合わせた技術設計を行っています。これらの予測も通常は確率的であり、例えばリードタイム中の需要予測のように、需要予測と組み合わせられる傾向にあります。最新世代の予測技術は微分可能プログラミングに依拠しており、ファッション業界で一般的な希薄かつ断続的な需要に対処するのに特に適しています。
天気やソーシャルメディアはどうでしょう？
私たちの経験では、多くの企業が自社の「基本的な」履歴データを劇的に活用できていません。ほとんどの需要予測は顧客ロイヤルティデータさえ活用せず、多くの発注が正式なリードタイム予測なしに行われています。したがって、ソーシャルメディアや天気などの外部データから手がかりを得ることも否定しませんが、企業はまず既存のデータを最大限に活用すべきだと考えています。
課題に対応するためのスケーリングアップ
大規模なファッションでは数百の店舗と数万のバリアントが関与するため、予測エンジンは数百万のSKUポジションにまでスケールアップできる必要があります。当社の予測エンジンは、クラウドコンピューティング用に最初から設計されており、従来のソリューションとは異なり、クラウドはLokadにとって後付けではありません：毎日テラバイト単位のデータを処理できます。
さらに、従来の手法とは異なり、当社の予測機能は、新製品の予測において旧製品と新製品を手動でリンクし、どの旧製品が最も関連性が高いかをシステムに指示する方法に依存していません。
Instead, our forecasting engine relies exclusively on advanced machine learning algorithms to automatically detect the similarities that may exist between products, and to identify, by itself, which specific products are relevant for forecasting a new product in the collection.
この自動的な類似性検出は、ファッションに通常見られる数多くの製品属性―製品タイプ、製品ファミリー、サイズ、色、生地、スタイル、価格帯、ブランドなど―に依存しています。必要なデータ量を心配するかもしれませんが、Lokadでの経験では、例えばeコマースのフロントエンドの各ファセットの運用に用いられるカタログデータであっても、十分な結果が得られることが分かっています。
手動による製品ペアリングに基づく従来の予測ソリューションは、考慮すべきペアの数があまりにも多いため、効果的に機能するには時間がかかりすぎます ─ まさにそのペアリング自体が予測の主な要素となっているのです。
この手法が効果を発揮しないため、企業は必要な価値が提供されない手動ペアリングの予測ソリューションから、スプレッドシートに頼る傾向があります。Lokadは、ユーザーに負荷を転嫁するのではなく、課題の核心に直接取り組むことでこの挑戦を克服します。
しかし、Lokadでは、この予測プロセスを製品ペアリングと呼ぶことはできても、旧コレクションと新コレクションの製品間に1対1の対応関係があるとは仮定していません。たとえば、一つの製品が複数のバリエーションに分かれ、カニバリゼーションが発生する場合もあります。また、過去に近い製品が全くない真に「新規」の製品も存在します。そのような場合、予測エンジンは製品カテゴリ、ファミリー、ブランド、または価格帯など、より幅広い視点に基づいて判断を下します。
経済的ドライバーとホワイトボクシング
意思決定はパーセンテージではなく、ドルまたはユーロで表現される期待収益に基づいて最適化される必要があります。
意思決定のコストとリターンを形作るすべての要因は、総称して経済的ドライバーと呼ばれます。これには粗利益、在庫保有コスト、輸送コスト、棚スペースの機会費用、顧客の信頼などが含まれ、Lokadはファッション市場の特性を考慮してこれら経済的ドライバーを明示的にモデル化しています。
例えば、製品が割引価格で販売されると、顧客は将来も同様の割引を受けられるという期待を抱くようになります。
The first purpose of those economic drivers is to support the numerical optimization process that generates the decisions (e.g. purchase order quantities or product discounts). There is no optimization without measurement: the economic drivers are literally what makes the optimization process work.
Lokad is not a substitute for deep strategic insights (those come from your team’s expertise), our technology is merely designed to make it possible to deploy at scale those strategic insights - as reflected through the economic drivers - in every single decision taken by the company.
The second purpose of those drivers is the “whiteboxing” process. The purpose of the whiteboxing process is to deliver to your teams a high degree of transparency for every single decision generated by Lokad. Your team needs to understand why this decision is suggested by Lokad. In order to achieve that, every decision generated by Lokad comes with its own set of metrics - measured in euros or dollars - which explain the business intent of the decision. Those metrics are the different reflections of the economic drivers. Our experience indicates that this approach is superior to trying to shed light on the algorithmic fine-print of the calculation, that is not only incredibly tedious, but also largely nonsensical except to machine learning experts or numerical optimization experts.
経営の観点から、経済的ドライバーは企業を正しい方向に導くための強力なメカニズムです。これらのドライバーは「不変」なものではなく、市場の進化を反映するために常に変化する可能性があると捉えられています。Lokadの技術は高い機敏性を実現するよう設計されており、限られた努力で多様な代替戦略を描いた複雑な「もしも」シナリオを展開することが可能です。