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、規模を問わず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（Amazonなどの）一部の企業を除いて、まだ遠い目標です。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々を考えると、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。

しかし、Lokadの顧客基盤からの過去の経験¹に基づく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ということがわかります。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ですが、現時点では、私たちの控えめな5分間のテストで成功率の合理的な上限を提供することが十分です。

実際の成功率については具体的な数値を示すのは難しいですが、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。しかし、宝くじと同様に、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あまりにも頻繁です。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 - 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壮大な⁴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⁵です - 供給チェーン最適化 - で、私の広範な観察⁶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。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」とは、それがどのように機能するかについてまったくわからない限り、「AI」と呼ばれると言いました。実際のパス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、実際には、これらのAIベンダーは、供給チェーンの観点からは製品レベルとして資格を持つものを提供する方法について、最も小さな手がかりも持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。最近の世界的なウォルマートの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、推進しているかの間には驚くほどの差があります。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、十分にうまく機能し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、単に非効率な方法に固執した企業が徐々に衰退し、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。

第二の注目すべき例外は、Lokad⁷です。過去2年間、私たちの成功率は一貫して4分の3以上でした。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）に上記の成功基準とまったく同じで、私たちは正確に「ゼロ」の成功を達成しました。私たちはほぼ10年という長い時間をかけて、成功の各パーセンテージを苦労して獲得しました。数十の段階的な改善を通じてです。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に対して、不満がある場合はいつでも解約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、それは不良なテクノロジーか、能力の不足（またはその両方）に帰結します。それを甘く見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⁸。

• 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。私たちは何年もかけて、クラシックな裸の予測は害悪であることを認識しました。私たちは確率的予測と、意思決定に対する金融スコアを割り当てるための専門の代数学を通じてこの問題を解決しました。

• 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、理解が不十分です。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、悪化に対する計画を立てることが神経と勇気を必要とするため、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。例えば、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です。私たちは今後もこれを続けます。私たちの取り組みは、現在の解決策の具体性ではなく、問題の解決に対するものです。