サプライチェーンをサービスとして

Joannes Vermorel

予測最適化に関しては、ほとんどのサプライチェーンが1990年代初頭で停滞しています¹。大企業はすでに過去20年間にわたってさまざまな「予測」の取り組みを行ってきました。しかし、それらのアップグレードのほとんどはサプライチェーンにほとんど影響を与えませんでした[^successFactors]。

10年前、Lokadでは、これらの失敗の根本原因に取り組み始めた時、サプライチェーンをサービスとして（SCaaS）が私たちのビジネスモデルとして浮上し、ソフトウェアをサービスとして（SaaS）モデルを置き換えました。私たちは「ソフトウェア+専門家」のサブスクリプションを販売し始めました。専門家であるサプライチェーンサイエンティストが意思決定を生成するための数値レシピを実装し、ソフトウェアであるLokadプラットフォームが専門家が迅速かつ信頼性を持って運営するために必要なインフラストラクチャを提供します。

この10年間、私たちのSCaaSの実践は、サプライチェーンの取り組みの成功率を増加させる上で、もっとも重要な要素であり、もしくは最も重要な要素でした。しかし、SCaaSのアイデア自体には頻繁に反対意見が出されます。

私たちはサプライチェーンの能力を外部化しません。 この反対意見は、保持すべき戦略的な社内サプライチェーンの能力があることを意味します。これは事実かもしれませんが、ほとんどの場合、この能力は「戦略的」とは言えません。多くの企業、大企業を含めて、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10点を獲得することさえできません。さらに、S&OPのような大規模な取り組みは、意思決定プロセスをさらに分断し、実際のサプライチェーンの能力を徐々に低下させる傾向があります。

それに対して、SCaaSは会社内で真の戦略的なサプライチェーンの能力の出現の道を開きます。それは意思決定プロセスをロボット化することから始まります。実際、自動化がなければ、サプライチェーンチームは戦略的に考える余裕がありません。チーム全体のエネルギーは、サプライチェーンのエッジケースの消火に注がれます。それに対して、SCaaSが導入されると、いくつかのクライアントから、彼らの歴史の中で初めて、カニバリゼーションやMOQの最適化などの難しい問題に取り組む時間を持てたとの報告がありました。

簡単なツールを使ってやります。 この反対意見は、サプライチェーンチームのプログラミングスキルの不足を前提とし、その結果、特定のツールの使用を排除します。サプライチェーンに関しては、3つの主要なタイプの「簡単な」ツールがあります：バニラアプリ、ローコードアプリ、およびスプレッドシートです。

バニラアプリは、サプライチェーンで見つかるすべてのバリエーションに対応するための多くのオプションと機能を備えています。最初はアプリは簡単に感じます：アプリの使用は単に設定の問題であり、ワークフローが引き継ぎます。プログラミングは必要ありません。しかし、実際には、サプライチェーンの状況は常にアプリの機能を超えています。アプリに直面した実践者は、仕事を完了するためにスプレッドシートに戻ることがあります。

ローコードアプリは、プログラミング言語を扱わずにプログラミングの力を約束します。ローコードアプリには通常、ビジュアルエディタが備わっています。残念ながら、ローコードアプローチは、ありふれたサプライチェーンでも直面する複雑さにうまく対応できません。2つのテーブルと10のフィールドを備えたおもちゃの例では、ローコードは素晴らしいです。しかし、20のテーブルと500のフィールドを備えた実世界の例では、ローコードはひどいです。ローコードアプリにアクセスできる場合、実践者は仕事を完了するためにスプレッドシートに戻ることもあります。

スプレッドシートは、サプライチェーンの実践者によって使用されるツールです。仕事をこなしますが、スプレッドシートの範囲には単純には適合しないニュアンスのクラスがあります。Microsoft ExcelやWebベースの代替手段であっても、確率的予測や確率的最適化はスプレッドシートの領域には属しません。スプレッドシートが関与している限り、SCMの実践は1990年代の時代にとどまります。

SCaaSは、サプライチェーンのアップグレードを実現するために必要なスパークです。過去20年から30年間にわたって行われてきた慣行に挑戦することはすでに困難な戦いです。SCaaSは、すでに他の企業で経験を積んだベテランとともにこの戦いを戦う機会です。

独自のデータサイエンスチームでやります。 2000年代初頭には、反対意見は「独自のデータマイニングチームでやります」という言葉で表現されました。データマイニングは死んでしまいましたが、データサイエンスは生きています。しかし、ほとんどの企業は20年前の失敗したデータマイニングの取り組みの教訓を忘れています：技術はほとんど常に失敗の根本原因ではありませんでした。問題は象牙の塔でした。

サプライチェーンに関しては、データサイエンティストを雇うことはほぼ間違いなく遅くて高価な失敗のためのイニシアチブを設定することです。データサイエンティストは、オープンソースのフレームワークや言語のリストでいくらかのトレーニングを受けた若いエンジニアです。その結果、典型的なデータサイエンティストは、データマイナーの前任者と同様に、技術的な視点で世界を見ています。データサイエンスチームは「問題を解決しようとする解決策」の継続的なストリームを生成します。話がされ、デモが行われます。サプライチェーンの実践者はデータサイエンスチームを丁重に祝福し、その「解決策」が実際の生産に近づくことはありません。この点において、実践者は正しい判断を下しています。

SCaaSプロバイダは装飾的であってはなりません。多くの企業は、データサイエンティストなどの才能を解雇することに苦労していますが、それらの人々が会社に貢献しない場合でもです。しかし、多くの企業は、十分な成果を上げないサードパーティのサービスプロバイダを解雇することにためらいはありません。SCaaSプロバイダは、繰り返し価値を証明し続ける生き残りです。

SCaaSプロバイダであるLokadは、その「サプライチェーンサイエンティスト」の役割にはほとんど純粋なデータサイエンティストのプロフィールを採用しません。代わりに、私たちはまず第一にサプライチェーンの専門家になることを望むエンジニアを重視しています。統計モデルは手段であり、目的ではありません。データサイエンティストは頻繁に数値モデルを限界まで押し付けます。サプライチェーンサイエンティストは論文を発表しようとしているのではなく、最小限の手間で仕事を完了させたいのです。実践的には、これは製品レベルのソリューションと、製品にならない素晴らしいプロトタイプの違いを生み出します。