毎週、多くの企業がLokadに連絡を取り、今後数四半期先のローリング形式の週次または月次予測を担当できるかどうかを問い合わせます。実際、10年前にLokadは、_サービスとしての予測_アプリというアイデアを軸に設立されました。しかし、このアイデアは大部分で機能不全に陥ったため、より良いアプローチへと移行しました。予測が抱える問題のいくつかは、一見単純ですが、実は根本的なものであり、技術がどれほど優れていても、ビジネスの前提が誤っていれば何の役にも立ちません。

はっきり言いましょう:Lokadは需要予測を行っており、予測的最適化は私たちの中核的能力の一つですが、そこには方法論が存在します。そしてその方法論は、予測が概ね自己実現予言であること、そして多数のフィードバックループが関与していることを認めることから始まります.

この観点をもう少し詳しく説明しましょう。ファッションブランドの売上を予測しようとする場合、最初に購入された数量を見るだけで十分です。なぜなら、シーズン中に販売される数量は、必ず仕入先から最初に注文された数量(ロスを差し引いた数)と等しくなるからです。しかし、実際には、在庫が定価で売れなかったり、逆にシーズンの途中で在庫切れになったりすることがよくあります。いわゆる「完璧な」予測は蜃気楼に過ぎず、企業の財務実績の現実を反映していません.

未来の需要は、本質的に将来の サプライチェーンの決定に結びついています。しかし、多くの企業は、まず予測(つまり週次需要)を行い、その後に意思決定(つまり発注数量を決める)することが可能であるかのように振る舞っています。このアプローチは賢明とは言えません。なぜなら、後者が前者に大きな影響を与えるからです.

partners watching crystal ball

逸話的な証拠として、未来の需要と未来の決定との連結が、多くの「先進的な」予測プロジェクトが失敗する理由を説明しています。なぜなら、バックテストの適用性のベンチマークは、新しい予測が古い予測よりも優れていると「証明」していたにもかかわらず、実運用に入ると何の前触れもなく物事が崩壊し始めたからです。現実には、十分な配慮を欠いた「愚かな」予測は、予測自体によって引き起こされる意図しない二次的な悪影響、つまり逆効果を生み出しにくいということです.

実際、予測と決定の間の逆フィードバックループは様々な形を取ります:

  • アソートメントにさらに別の参考商品を加えると、他の商品の売上が奪われます。したがって、ある商品の需要予測を大きくすることは、(何らかの方法で)競合商品全体の予測を減少させるはずです.
  • 特定の商品に対するプロモーションによる需要の増加は、広い文脈に大きく依存します。もしその商品だけが店舗でプロモーションされれば、需要の増加は大きくなるかもしれません。しかし、店舗内のすべての商品がプロモーションされるなら、需要増加はかなり控えめになるでしょう.
  • リードタイムは予測されるべきですが、貨物を船便か空輸で出荷するかを決定できるなら、企業はリードタイムにある程度のコントロールを持つことができます。両方の方法にはそれぞれのリードタイム予測が必要ですが、在庫に対して考慮される需要はリードタイムに依存します.
  • 大量購入は通常、規模の経済をもたらし、通常は価格割引という形で実現されます。より低い仕入れ価格は、低い販売価格に転換され、初めに取得または生産された大量と需要が一致するように需要を押し上げることができます.
  • 顧客に割引を提供すると売上は上がりますが、同時に顧客の将来の期待も変化させます。顧客は次第に割引を期待するようになり、割引が提供されるまで購買の決定を先延ばしにするでしょう.

これらすべてのフィードバックループが、Lokadにおいて「生の」予測を提供することに非常に抵抗を感じる主要な理由の一つです。私たちは、初期の頃の失敗を決して繰り返さないという強い意思を持ち、ヒポクラテスの誓いの精神に基づき、誤ったアプローチによってクライアントのサプライチェーンに混乱をもたらさないことから価値を提供するのです.

もし私たちの 量的供給チェーンマニフェスト意思決定 に大きく依存しているなら、これは偶然ではありません。正確に予測されるべきは、抽象的な需要ではなく、しばしば広範囲に及ぶ意思決定の結果なのです。この点で、私たちのアプローチは、ジャン・バティスト・セイが1830年代に 発見した 「供給が自らの需要を生み出す」という洞察と一致しています.

機械学習とソフトウェアの最先端の進歩を考慮すると、フィードバックループをソフトウェアで解決する「パッケージ化された」方法は存在しません。Lokadの予測能力をクライアントにとって有益に活用するためには、ビジネス上の課題を鋭く理解し、経験豊富な実務家との十分な議論を経て、少なくともおおよそ正しいヒューリスティックスとモデルを見出すことのできる サプライチェーン・サイエンティスト が必要です.