予測型サプライチェーンにおける成功の要因

Joannes Vermorel

予測技術によってサプライチェーンを自動運転化し、人間を超える_performance_を_scale_で達成することは、通常の例外（例えばAmazon）を除いてほとんどの企業にとってまだ遠い目標です。この状況は、在庫やソフトウェアベンダーが約束する在庫の根本的削減やストックアウトなどを考えると、なおさら驚くべきものです。Lokadでの長年の冗談として、競合他社の主張に対抗する唯一の方法は、がんも治していると主張し始めることだ、というものでした。

それでも、Lokadの顧客基盤における過去の経験¹からの私の漠然とした観察によると、予測型サプライチェーンの取り組みの大多数は失敗に終わっています。具体的には、これらのソリューションは私たちの5分間サプライチェーンパフォーマンステストで12点中10点を取ることすらできないのです。成功のより厳格な基準は、サプライチェーン全体の財務パフォーマンスの持続的な向上でしょうが、現状では控えめな5分テストで合理的な成功率の上限を示すにとどまります。

実際の成功率を数字で示すのは難しく、成功事例が稀すぎるため、全体としての市場成功率²は10分の1未満だと考えています。しかし、宝くじのように、唯一の当選者がニュースになり、大勢の外れは無視されるのです。問題は、クライアントもベンダーもプロジェクトの結果にかかわらず自社を成功と宣伝する強いインセンティブがあることでさらに拡大します。ベンダーにとって成功は優れたPR材料となりますし、クライアントの_従業員_³にとっては、成功がより良い就職機会⁴を意味します。さらに、数百万の投資が無駄になったと会社内に認識されると、解雇やキャリアの脱線といったリスクが高まります。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化することは、主にネットワーク効果のために非常に難解な目標なのです。したがって、数字を少し操作するだけでは隠しきれない大失敗⁵が必要となるのです。

最初の注目すべき例外は、“AI”ソリューション⁶です。これらはサプライチェーン最適化において、私の広範な観察⁷に基づくと、驚くべきことに_success率がゼロ_です。かつてのコンピューターサイエンスの教授の一人であるPatrick Cousotは2002年、コンピューターサイエンスにおいては動作させる方法が全く分からない限り「AI」と呼ぶと教えてくれました。実際に動作する実用的な方法が見つかれば、そのソリューションは凸最適化、静的解析、強化学習などと呼ばれるのです。4年後、当時の私の研究指導教官Mehryar Mohriも同様のことを語りました。20年後、これらの洞察は先見の明⁸を証明し、実際、これらのAIベンダーはサプライチェーンの観点から本番対応と呼べるものを提供する方法が全く分かっていないようです。

もしこれが資源の無駄遣いでなければ、この状況は滑稽なものとして受け取られるでしょう。例えば、最近の世界規模のWalmart需要予測コンペティションを見てみると、Gartnerが挙げる24社程度の「注目すべき」サプライチェーンベンダーの中で、900以上のチームのトップ100に入る企業は一社もありません。客観的に機能するものと、市場が購入または推進しているものとの間の乖離は驚愕すべきものです。それでも自由市場は驚くべきフィルターとして働き、十分機能しないものは時間とともに淘汰されます。これは、人々が急に正気に戻って考えを改めるのではなく、非効率な方法に固執する企業が徐々に衰退し、競合他社に取って代わられるからにほかなりません ― シュンペーターが指摘した「創造的破壊」です。

二つ目の注目すべき例外はLokad⁹です。過去2年間、当社の成功率は常に4分の3以上を記録しています。リスクは依然として存在しますが、競合他社に比べて一桁低いリスクで済んでいます。歴史的には、2008年から2011年までの最初の3年間、上述の成功基準において_successはゼロ_でした。それぞれの成功率を徐々に一パーセントずつ苦労して獲得するのに、ほぼ恐ろしいほどの10年を要しました。この全体を網羅するのは骨の折れる作業ですが、ここで厳選した注目すべき洞察のリストを振り返ってみましょう。

• 当社は、顧客が不満を抱いた場合、どこであっても解約することを推奨しています。事実、2008年以降、Lokadは月額サブスクリプションを推進しており、競合他社は依然として年間または複数年の契約を強いています。これは偶然ではありません。顧客が解約すれば、明確にうまく機能していないというサインとなるのです。通常、その原因は技術の不具合か、能力不足（あるいはその両方）に帰着します。ごまかしはできません。厳しい現実ですが、そこから学ぶことができます。対照的に、出来事の1年後に作り上げられるお世辞めいた痛点からは、通常、何も学べないのです¹⁰。

• 単に_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全く有害であることに気づくまでに何年も要しました。この問題は、確率的予測と、意思決定に財務スコアを割り当てるための特殊な代数を用いることで解決しました。

• 適切な データ処理プラットフォームは、単なる生の能力以上に重要です。サプライチェーンデータは複雑で多様、かつ十分に理解されていません。「ガーベッジ・イン・ガーベッジ・アウト」の落とし穴を避けるため、多くの平凡な問題に対処する必要があります。データの現場でのドキュメント化を促進し、オートコンプリートによる単純なタイプミスの回避は、良い出発点となり急速に必須機能となります。

• 可能な限り、正確性は設計によって達成されるべき。サプライチェーンにおいては、_早期失敗と破壊_は許されません。購買や生産の失策は非常に高コストです。既に混沌とした世界でサプライチェーンを運用するの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して状況を悪化させるべきではありません。

• おおよそ正しい方が、全く間違っているより良いです。リードタイムの変動性、競合他社の価格変動、品揃え内のカニバリゼーションや自己予言的効果などの難題は、無視するのではなく受け入れるべきです。さらに、天候要因を考慮する、といった間違った課題に焦点を当てるとイニシアチブが脱線しやすく、一方で最悪を想定した計画が要求する神経と覚悟が必要なため、テイルリスクを軽視することになります.

予測型サプライチェーンの取り組みの成功率を向上させる上で決定的な役割を果たした要素のほとんどは、根本的な概念、つまり_予測_が何であるべきかという考え方の再検討や、新たな理解に基づいて技術とプロセスをゼロから再構築する、といった基本的なものでした。今後もその取り組みを続けていきます。当社のコミットメントは、現行のソリューションの具体的な内容ではなく、問題解決にあります.