お金を見せてください：ISF 2024に関する考察

アレクセイ・ティホノフとコナー・ドハティ

「ゲームを向上させるためには、まずエンドゲームを学ぶ必要があります。エンドゲームはそれ自体で学び、マスターすることができますが、ミドルゲームとオープニングはエンドゲームと関連して学ばなければなりません。」 出典: Capablanca’s Last Chess lectures (1966), p. 23

数週間前、私はフランスのディジョンで開催された第44回国際予測シンポジウムのパネルで話をしました。パネルのトピックは「需要予測とAI/MLの新しい世界における判断の役割」でした。

Lokadのアンバサダーとして、私の視点は想像できるでしょう：

• 予測と意思決定は完全に自動化されるべきです。

• 予測の品質は「より良い意思決定」の観点から評価されるべきです。

• 人間の判断は自動化を改善するために使用されるべきです（予測や意思決定を微調整するためではありません）。

不思議なことに、自動化に関する私の立場は思っているほど異論を呼びませんでした。議長（Lokadのコミュニケーション責任者であるコナー・ドハティ）と他のパネリスト（iqastのスヴェン・クローネとSupChainsのニコラ・ヴァンデプット）は、これが予測の未来であるとほぼ一致していました。唯一の意見の相違点は、この状態にどれだけ早く到達するかです（注: 私は既に到達していると考えています）。

しかし、予測の正確さよりも「より良い意思決定をすること」の方が重要であるという私の主張は、かなりの異論や混乱を引き起こしました。この異論は他のパネリストだけでなく、聴衆のメンバーにも広がりました。これには2つの主な理由があると思います：

1. 私がステージで話す際、このポイントをサポートするためのビジュアルがありませんでした。説明にはいくつかの要素がありますので、ビジュアルがあれば理解するのに役立ったでしょう。

2. 予測の正確さが意思決定よりも重要であるという考えは、ほとんどの専門家の教育、訓練、経験と矛盾しています。

このエッセイの最後までに、上記の2つのポイントについて取り組んだことを願っています。第1のポイントに関しては、短いが体系的な説明と直感的なビジュアルを含めました。第2のポイントに関しては、読者に対して5〜10分間、過去の供給チェーン予測のトレーニングがないかのように、オープンマインドで接していただくことしかできません。

ガイドとなる質問

私の意見では、私の立場を明確にするために答える必要がある5つの基本的な質問があります。このセクションでは、それぞれの質問に対して短い（多少長めの）回答を提供します。詳細な技術的な説明については、エッセイの最後にリンクを掲載しますので、安心してください。

Q1: 予測が「価値を追加する」とはどういう意味ですか？

まず、例を挙げて説明します。会社にはデフォルトのメカニズムがあります（例：自動化された統計的予測 + 自動化された在庫ポリシー）。

予測が価値を追加するためには、デフォルトの意思決定（会社のデフォルトプロセスを使用して生成された意思決定）を変更し、会社の財務リターン（つまり、ドル、ポンド、またはユーロのリターン）に直接かつ肯定的に影響を与える必要があります。

予測がより正確であっても（実際の需要を予測する点で）、異なるかつより良い意思決定をもたらさない場合、それは_価値を追加していない_と言えます。

多くの企業はまだ時系列予測モデルを使用していますが、Lokadはリスク調整された意思決定を生成するために確率的予測を好んで使用しています。ただし、どちらの予測パラダイムにおいても、価値を追加するためには、デフォルトの意思決定を直接かつ肯定的に会社の財務リターンに影響を与える必要があります。

たとえば、新しい（「変更された」）意思決定は、デフォルトの意思決定が提示したであろう将来の在庫切れを直接に排除するかもしれません。

**「直接」という言葉がここで重要です。非常に単純に言えば、予測は、追加の財務リターンを影響し、または財務損失を防いだという点で、追加の意思決定変更を指し示すことができる場合にのみ価値を追加します。

因果関係を考えてください。相関関係ではなく。

Q2: より正確な予測は常に価値を追加しますか？

厳密に言えば、いいえ。より正確な予測自体が必ずしも「価値を追加する」とは限りません。これは、前述のように、何か（この場合は予測）が価値を追加するためには、より良い意思決定を通じて会社の財務リターンに直接かつ肯定的に影響を与える必要があるためです。

予測とは異なり、供給チェーンの意思決定には実現可能性の制約（例：MOQ、ロットの倍数、バッチサイズなど）と財務的なインセンティブ（例：価格優遇、支払条件など）があります。実現可能な意思決定よりも予測が多い場合があります。

これは、時系列予測と確率的予測の両方に当てはまります。供給チェーンの意思決定は、予測の正確性の変化に対して時折（そして非常に頻繁に）_無感覚_である可能性があります。

この無感覚の理由は、意思決定の制約（例：MOQ）によるものです。より正確な予測（例：10％より正確な予測）が、より正確でない予測とまったく同じ意思決定につながる可能性が完全にあります。以下のチャートは、このポイントを示しています。

上記の例では、コンセンサス予測が55ユニットであり、自動予測が50ユニットよりも正確であったとしましょう。財務的な観点からは、増加した正確性は異なる意思決定をもたらしませんでした（MOQの存在のため）。したがって、より正確な予測は価値を追加しませんでした。

実際には、より正確なコンセンサス予測が負の価値を追加したという強力な主張があります。これは、標準的な予測価値追加プロセスに従った追加のレビューステップが会社にとってお金（追加の時間と労力）をかけたが、より良い意思決定にはつながらなかったからです。純粋に財務的な立場から見れば、これらの手動のレビューステップはマイナスの影響でした。

MOQ制約がない場合も考えてみましょう。

同じシナリオを想像してみてくださいが、MOQの代わりにロットの倍数があります。実現可能な意思決定は50ユニットの倍数（例：1つの箱またはパレットに50ユニット）。この状況では、50ユニットまたは100ユニット（1つまたは2つの箱またはパレット）を購入する必要があります。

実際には、100ユニット（コンセンサス予測の55ユニットの提案をカバー）を購入する方が、50ユニット（「より正確な」予測の提案よりもわずかに少ない）を購入するよりも利益が少ない場合があります。残りの需要をバックオーダーでカバーしようとすることもできますし、単に販売を失うこともあります（例：生鮮食品などの腐敗性商品の場合）。

経済学的な観点から見れば、「より正確な」予測に従うことが最善の財務的な決定であるとは限りません。このシナリオでは、自動化された（需要50ユニット）とコンセンサス予測（需要55ユニット）の両方が同じ意思決定（50ユニットの注文）に結びつきます。したがって、「より正確な」予測は財務的な価値の増加につながりませんでした。

確かに、すべての状況が制約条件において同じくらい厳格ではありませんが、サプライチェーンはそのようなシナリオで満ちています。もちろん、異なる予測は異なる意思決定を生み出すことになると認めますが、価値の問題は未解決のままです。常に、予測の正確さを向上させるために消費される追加のリソースよりも、追加のユニットを購入することによる予想される追加のリターンが大きいかどうかを考慮する必要があります。

いくつかの状況では、追加の正確さは価値があるかもしれません。しかし、予測者やサプライチェーンの専門家は、絶対的な意味でそれが価値があると自動的に想定しているようですが、明らかにそれが価値がないシナリオも存在します。

ここで説明されている例と完全に一致しないシナリオを思いついた場合は、問題ありません。今日の目標は、追加の予測の正確さを追求する価値がない状況が存在することを示すことです。すべての可能なサプライチェーンの意思決定シナリオを詳細に分析することではありません。

Q3: 判断介入のコストに見合った価値を確保するにはどうすればよいですか？

ディジョンでのパネルディスカッションの中心的な要素は、予測プロセスにおける判断介入（または「人間のオーバーライド」）の価値（またはない）でした。他の側面を言い換えると、「自動予測が何かを見逃した場合に修正するために人間が関与する必要がある」ということです。

これは私にとって非常に興味深い視点ですが、それは人間の介入が価値を追加すると仮定しています - さもなければ、誰もそれを行わないでしょう。

このセクションでは、人間が（精度の観点で）自動予測を（時折または頻繁に）上回ることができるかどうかについての議論は無視します。実際、私は、大規模なサプライチェーン¹において、毎日数百の店舗の数万のSKUについて予測する場合、自動予測は時間の制約のためにほとんどのSKUを手動でレビューすることができないため、非常に熟練した予測者や他の機能の専門家のチームをはるかに上回る性能を発揮します。

注: 数万のSKUを数百の店舗に対して予測する場合、人間の判断が自動予測と同等またはそれ以上の精度で行われるとは思いません。後者のシナリオでは、時間の制約のためにほとんどのSKUを手動でレビューすることができないため、自動予測の方がはるかに優れた性能を発揮します。

私は人間の判断が時折または自動予測を上回ることがあるという譲歩をする理由が2つあります：

1. 私の意見では、エッセイをより興味深くするためです。

2. 私の主張の強さは「正確さ」の議論に依存していないからです。

私の立場は、おそらくすでにお気づきかもしれませんが、人間のオーバーライドは「財務価値」を追加する場合にのみ「価値を追加する」ということです - つまり、単一の再注文サイクルよりも長く続く価値です。これは、正確さの利点とは完全に独立しています。

この価値は、「元々生成されたよりも優れた意思決定を直接的に生み出し、その優れた意思決定から得られる追加の利益を考慮し、オーバーライドのコストを差し引いたもの」と理解できます。

単純に言えば、判断的な介入（人間のオーバーライド）はコストがかかるため、企業は投資対効果の高い収益を見たいと考えるべきです。したがって、私の主張は、予測の正確さは意思決定から「孤立して」評価されるという任意の指標であり、企業は財務収益を増やす行動に焦点を当てるべきだということです。

人間のオーバーライドは予測の正確さを高めるかもしれません（再度、議論のためにこの譲歩をします）、しかし必ずしも財務収益を増やすわけではありません。これは本当に「革新的な提案ではないはず」であり、同じ人が一つの部屋で最も背の高い人であり、別の部屋で最も背の低い人であることができるのと同じです。

予測の正確さが利益の増加につながらないことを証明する具体的で直接的で議論の余地のない証拠を提供する責任は私にはありません。それは、増加した正確さが「それ自体で利益を生む」と主張する人々がこの主張のために何らかの具体的で直接的で議論の余地のない証拠を提供する責任であると定義されています。

また、これは革新的または反対意見ではないはずです。私の意見では、これは「ゲームに参加している人々」のデフォルトの立場であるべきです。

念頭に置いておいてください、人間のオーバーライドが利益を生むためには、「オーバーライドの総量を考慮に入れる」必要があります。つまり、「ヒット」によって生み出される財務価値を計算し、「ミス」によって与えられる財務損失を差し引く必要があります。

この実験は、膨大な数の店舗（B2Bの場合はエンタープライズクライアント）とその全てのSKUカタログに対して、毎日、かなりの期間にわたって行われる必要があります。

「この実験はどのくらいの期間行うべきですか、アレクセイ？」これについては中立です。1年と言いましょうが、この点についての議論には非常に開放的です。年間の意思決定サイクルの数やリードタイムなど、多くの要素に依存します。

とは言っても、この議論全体は、人間のオーバーライドの「許容できる誤差の閾値」が何であるかという問題を提起します。

• ヒットがミスをわずかに上回る場合、それは許容できるでしょうか？
• 人間のオーバーライド自体のコストはどうですか？
• これらの直接的および間接的なコストをどのように計算に組み入れるべきですか？

これらは些細な問題ではありません。これらは、STEM（またはSTEMに関連する）分野の導入コースのどのような初年度の学生でも尋ねるような質問です。

人間のオーバーライドが規模において財務的に有益であるという「明確な証拠」が提供されるまで、経済的に賢明な立場は、そうではないと仮定し、自動予測と自動意思決定に依存し続けることです。

Q4: 意思決定の目的において、より正確な予測が現在の予測に取って代わるべき時期をどのように決定するのか？

簡単に言えば、次の質問を考慮することで、新しい予測がより良い意思決定につながるかどうかを知る最も簡単な方法です：新しい予測は財務的な投資対効果（ROI）において結果が改善されるでしょうか。

少し詳しく説明すると、置き換えは新しいモデルの総合的な比較的有用性（例：ROI、適用性、保守性など）に基づいて行われるべきです。現在の精度の向上だけでなく、ROIに向けて会社を導くものがアプリケーションです。以下で示すように、適用性はROIを考慮して設計されています。覚えておいてください：精度は、単独で追求される場合、任意のKPIです。

例えば、2つのモデルがあると想像してください：在庫切れの履歴を明示的に扱うことができるモデルと、在庫切れを無視するモデル（いくつかのデータ前処理のトリックを使用）。在庫切れがあまり頻繁に発生しなかったかもしれないし、意思決定の観点からは両方のモデルがほぼ同じように機能するかもしれません。しかし、在庫切れによく起こるようになった場合、このモデルの方が信頼性が高くなります。

これはLokadの哲学の別の側面を示しています：設計による正確さ。これは、設計段階で、ありそうもないイベントとありそうもないイベントの両方を積極的に考慮し、対応できるモデルをエンジニアリングすることを目指しているということです。これは非常に重要です、なぜなら最大の財務ペナルティはしばしば極端な状況にあるからです - 言い換えれば、ありそうもないイベントです。

Q5: 本番環境で予測モデルを切り替える方法は？

予測は全体的な意思決定エンジンの一部に過ぎないことを覚えておくことが重要です。そのため、一部の部分を更新することでエンジン全体のパフォーマンスには小さなまたは大きな影響があるかもしれません。新しいモデルから古いモデルに移行することは問題があるかもしれませんが、最終的にはより良い意思決定を生成する（したがってより多くの利益をもたらす）ことになります。

これは、理論上は改善された意思決定が現実において前例のない制約に直面する可能性があるため、問題が発生する可能性があります。

例えば、新しい予測モデルは改善されたPOを生成するのに役立つかもしれませんが、余分な在庫を保管するためのスペースがまだ存在しないか、サプライヤーが需要の増加を満たすためにすぐに供給チェーンを調整することができないかもしれません。即座の利益を求めてPOを急いで完了させると、在庫が損傷したり早く腐敗したりするなど、他の損失が発生する可能性があります。適切な倉庫スペース（または労働力の制約）がないためです。

そのようなシナリオでは、モデル間を徐々に移行することが賢明かもしれません。実際には、一度に1つの巨大なPOを通過させるのではなく、いくつかのわずかに大きな連続したPOを配置して在庫の位置を徐々に修正することが含まれるかもしれません。

バルホイップ効果（DDMRPの支持者を含む）に取り組んだ実務経験を持つ人々は、なぜこれが賢明な戦術であるかをすぐに理解するでしょう。

結びの言葉

ここまで読んでくれた方に感謝します。途中で異議を唱えた方には、なおさら感謝します。

異議を唱える方々に最後の一撃を許してください：価値とはより多くのお金を意味し、より多くのお金はより良い意思決定から生まれます。私にとって、正確な予測よりも良い（またはより良い）意思決定を代替するものは何もありません。より効率的なS&OPプロセスでもありません。

私たちがまだ意見が異なる場合は、それも構わないですが、少なくとも私たちはお互いの立場を知っています。

読んでくれてありがとう。

お帰りになる前に

以下は、あなたが私と意見が異なる場合に特に役立つかもしれないいくつかのリソースです：

• Lokadが実際にすべての不確実性要素（需要、リードタイム、返品率など）を予測する方法については、確率的予測とリードタイム予測のビデオ講義をご覧ください。

• Lokadが実際にリスク調整された意思決定を行う方法については、購買最適化の教育チュートリアルと小売在庫割り当てのビデオ講義をご参照ください。

• Lokadが需要をエンジニアリングし価格戦略を最適化する方法については、価格最適化のビデオ講義をご覧ください。

ノート