予測サプライチェーンの成功要因

Joannes Vermorel

予測技術を通じてサプライチェーンを自動化し、規模において人間を上回るパフォーマンスを達成することは、通常の企業ではほとんど実現されていません（Amazonなどの一部の企業を除く）。この状況は、在庫や欠品などを劇的に削減することを約束するソフトウェアベンダーの数の多さを考えると、さらに驚くべきものです。Lokadでは、競合他社の主張に対抗する唯一の方法は、「私たちもがんを治す」と言い始めることだというジョークが長い間続いています[/ja/blog/2014/6/5/予測-ベンダーの-トップ-10-嘘/]。

しかし、Lokadの顧客基盤からの過去の経験¹における私の一般的な観察では、予測サプライチェーンの取り組みの大多数が失敗していることが示されています。失敗とは、これらのソリューションが私たちの5分間のサプライチェーンパフォーマンステストでさえ12点満点のうち10点を獲得できないということを具体的に指します。成功のより厳格な基準としては、サプライチェーンの全体的な財務パフォーマンスの持続的な向上がありますが、現時点では、私たちの控えめな5分間のテストは成功率の合理的な上限を提供するのに十分です。

実際の成功率を数値化するのは難しいですが、成功例は非常に少ないため、全体的な市場の成功率²は10分の1未満だと考えています。ただし、宝くじのように、勝者（単数形）はニュースになり、敗者（多数）は無視されます。この問題は、クライアントとベンダーの両方がプロジェクトの実際の結果に関係なく成功したとマーケティングすることに強くインセンティブを持っているため、さらに悪化します。ベンダーにとって、成功は明らかに素晴らしいPR素材です。クライアントの従業員にとって、成功はより良い仕事の見込み³を意味します。さらに悪いことに、数百万ドルの投資が無駄になったことを会社の他の人々に知られることは、解雇されたりキャリアが進まなくなったりするレシピとなることが頻繁にあります。幸いなことに、サプライチェーンのパフォーマンスを定量的に測定することは非常に難しい目標です。これは主にネットワーク効果のためです。したがって、数値を少し操作するだけで、混乱を隠すことができないほどの大失敗が本当に必要です。

最初の注目すべき例外は、「AI」ソリューション⁴です - 供給チェーン最適化 - で、私の広範な観察に基づいて、劇的な成功率ゼロパーセントを達成しています⁵。私の元々のコンピュータサイエンスの教授であるPatrick Cousotは、2002年に、コンピュータサイエンスでは、「解決策」と呼ばれるものは、それがどのように機能するか全くわからない限り、「AI」としてのみ言及されると私に言いました。実際に実用的な方法が見つかるとすぐに、解決策は別の名前を取ります：凸最適化、静的解析、強化学習など。四年後、当時の私の研究指導教官であるMehryar Mohriも同じことを私に繰り返しました。二十年後、これらの洞察は先見の明があり、実際に、これらのAIベンダーは、供給チェーンの観点から製品レベルとして資格のあるものを提供する方法について最も少しもわかっていないようです。

もしリソースの無駄遣いではなかったら、この状況は笑いものとして捉えられるでしょう。最近の世界的なWalmart需要予測コンテストを例に挙げましょう：Gartnerなどがリストアップする「注目すべき」供給チェーンベンダーの中で、900以上のチームの中でトップ100に入るものはありません。客観的には何がうまくいっているかと、市場が買っているか宣伝しているかの間の不一致は驚くべきものです。それにもかかわらず、自由市場は信じられないほどのフィルターです：時間の経過とともに、十分にうまくいかないものは排除されます。人々が正気を取り戻して考えを変えるわけではなく、単に効率の悪い方法に固執した会社が徐々に衰退し、競合他社に取って代わられるためです - シュンペーターが特定した創造的破壊です。

Lokad⁶は、2年間にわたり、成功率が4分の3以上で一貫しています。リスクはまだ存在しますが、競合他社よりも1桁少ないリスクです。歴史的には、最初の3年間（2008年から2011年まで）において、上記の成功基準に完全に合致する成功はゼロでした。私たちは成功の各パーセンテージを獲得するために、数十の段階的な改善を通じて、ほぼ10年間苦労して得ました。全体の事柄をカタログ化しようとすると疲れるでしょうが、いくつかの注目すべき洞察を見直してみましょう。

• 私たちは、クライアントが不満を持った場合はいつでも終了することを奨励しています。2008年以来、Lokadは月額サブスクリプションを推進しており、競合他社はまだ年間または複数年の契約を推進しています。これは偶然ではありません。クライアントが辞めると、それはうまくいっていないことを明確に示すサインです。通常、それは不良のテクノロジー、または能力の不足（またはその両方）に帰結します。それを甘くすることはありません。厳しいですが、私たちはそれから学ぶことができます。対照的に、一年後にでっち上げられた丁寧な痛みのポイントは、実際の出来事よりも良く見せるために作られたもので、学ぶべきことは通常ありません⁷。

• 単なる「正確な」予測よりも、適切な 予測技術の方が重要です。私たちは、古典的な裸の予測が害となることを数年かけて理解しました。私たちは、確率的予測と専門の代数学を通じて、この問題を解決し、意思決定に対して金融スコアを割り当てることができました。

• 単なる「正確な」データ解析プラットフォームよりも、適切な データ解析プラットフォームの方が重要です。サプライチェーンのデータは複雑で異種であり、理解されていません。ゴミを入れればゴミが出るという落とし穴を避けるためには、かなり平凡な問題がたくさん解決される必要があります。データの現地ドキュメンテーションを容易にすることは良いスタートであり、オートコンプリートによる愚かなタイプミスの回避は必須となります。

• 最大限の正確さは設計によって達成されるべきです。サプライチェーンにおいては、「早く失敗し、物事を壊す」という選択肢はありません。購買や生産の失敗は非常に高価です。既に混沌とした世界でサプライチェーンを運営することは十分に困難であり、予測技術が独自のエントロピーを追加することで状況を悪化させるべきではありません。

• ほぼ正確であることは、まったく間違っているよりも良いです。リードタイムの変動性、競合他社の価格変動、アソートメント内でのカニバリゼーション、自己予言効果などのような難しい問題は、無視するのではなく受け入れるべきです。さらに、天気を要因とすることがクールだからといって、テイルリスクを無視することは、計画を立てるためには神経と勇気が必要なため、間違った課題に焦点を当てることでイニシアチブを狂わせることが容易です。

予測的なサプライチェーンのイニシアチブの成功率を向上させる上で、最も重要な要素の多くは、基本的な概念であることが判明しました。予測がどのようなものであるべきかという概念を再考し、新たな理解に基づいて技術とプロセスをゼロから再設計することは、非常に重要です。私たちは将来もこれを続けます。私たちの取り組みは、現在の解決策の具体的な内容ではなく、問題の解決に対するものです。