00:00:04 サプライチェーン予測問題の紹介と概要。
00:01:28 ドルで測定される予測誤差の議論。
00:02:31 パーセンテージ誤差測定の優位性の検討。
00:04:15 予測精度向上への技術的な影響。
00:05:49 予測精度向上のための解決策の検討。
00:08:01 確率予測における天気予報の役割。
00:09:33 サプライチェーンへの天気データの統合に関する問題。
00:11:29 人間の知識予測の可能性と課題。
00:13:14 予測誤差の削減のための専門知識の最適化。
00:14:24 データ品質と改善の重要性。
00:16:00 ファッションなどの予測困難な産業における予測の難しさ。
00:17:33 ファッションと新製品の課題における統計的予測。
00:18:01 新製品予測のための手法提案。
00:19:02 締めの思い。
要約
Lokadの創設者であるJoannes Vermorelは、サプライチェーンの予測についてホストのKieran Chandlerとのディスカッションを行います。 Vermorelは業界の矛盾をユーモラスに明らかにし、誤差削減の過剰な主張を明らかにし、単に正確な予測ではなく洞察に重点を置くことを提唱します。 彼らはまた、天気データを検討しますが、長期予測には複雑すぎる上に信頼性がないと判断します。 Vermorelは人間の知識の重要性を指摘しますが、大規模な適用は実用的ではないとし、代わりにデータ品質の改善を推奨します。 困難があるにもかかわらず、Vermorelはファッションなどの不安定な産業においても正確な予測を行うことでLokadの効果を証明しています。
詳細な要約
ホストのKieran Chandlerは、Lokadの創設者であるJoannes Vermorelとの会話で、サプライチェーン業界における予測の精度について話し合っています。実務家たちは頻繁に予測の精度について不満を述べていますが、ソフトウェアベンダーはしばしば非常に高い予測精度を主張しています。
Vermorelは業界の異常を指摘し、過去20年間、少なくとも1つのソフトウェアベンダーが主要なサプライチェーンの展示会で予測誤差の年間50%の削減を主張してきたことに注目します。この論理に従えば、理論上は現在予測誤差がゼロになっているはずであり、サプライチェーン業界の現状と矛盾しています。
彼は、予測誤差の削減率にこだわることは誤解を招く可能性があり、さらには間違ったアプローチかもしれないと主張します。代わりに、Vermorelは、企業にとって利益を生み出すことが基本的な存在であるため、「誤差のドル」に集中すべきだと主張します。
業界が引き続き割合に焦点を当てていることについて、Vermorelはそれを「平均絶対パーセント誤差中毒」と表現しています。彼は、この好みは割合が理解しやすく、会社内で摩擦を引き起こす可能性が少ないためだと推論しています。誤差をドルで表現すると、誰かがその責任を負う必要がありますが、大企業のリスク回避志向の人々はそれを避けることを好むでしょう。
技術の進歩と予測への影響について、Vermorelは、前述の課題にもかかわらず、予測の精度は確かに改善されてきたと認めています。これは主に統計学習や機械学習の進歩によるものです。これらの技術を需要計画や予測に適用することで、サプライチェーン業界に大きな改善がもたらされています。
Vermorelはさらに、将来を予測する際には不確実性が内在しているため、すべての可能な結果に確率を割り当てることが重要だと明確に述べています。興味深いことに、彼は予測がより正確である必要はなく、将来についてより多くの洞察を提供する必要があると提案しています。この高度な予測は、より良いサプライチェーンの意思決定を支援し、最終的な目標であり、物理的で計測可能な影響の基盤となります。これは、Vermorelの会社が重点を置いている予測と、これらの予測をサプライチェーンの意思決定に実際に活用するという二つの側面を反映しています。
会話は続き、データが確率的な予測に与える影響について掘り下げます。Vermorelは予測がデータに基づいていることに同意します。Chandlerは、天候条件などの外部要因がこれらの予測にどのように影響するかについて質問を投げかけます。なぜなら、それらはしばしば消費者の行動に影響を与えるからです。
Vermorelは、天候データが情報源になる可能性があると指摘しますが、それには2つの主要な懸念があります。まず第一に、天候予報自体が不完全であり、それに基づいて予測を構築すると不正確さが複合される可能性があります。また、サプライチェーンの懸念を考慮すると、予測はしばしば1週間以上先を見越す必要があり、その期間では天候予報の正確さが著しく低下します。
第二に、天候予報は膨大な量のデータを生成するため、管理が困難になる可能性があります。Vermorelは、天候を考慮すると、1時間あたり1平方キロメートルごとに20分ごとに1つのデータポイントが生成されることを指摘しています。これには気温だけでなく、湿度、風速と風向、光も含まれ、サプライチェーンに組み込むのが困難なテラバイトのデータになります。
議論は天候データの複雑さから、予測の改善における人間の知性の可能性に移ります。Vermorelは人間の脳の驚異的な能力を認めつつも、その高いコストのために実現可能な解決策ではないと認識しています。大規模なサプライチェーン企業では、毎日何千から何百万ものサプライチェーンの意思決定が必要であり、多くの知識人が必要です。しかし、ほとんどの企業はそんなに多くの人を雇う余裕がありません。そのため、彼らはソフトウェア企業に依存しています。Vermorelは、人間の入力が予測の精度を大幅に向上させることは認めつつも、スケールしないため、実用的な問題からソフトウェアソリューションが必要とされると受け入れています。
Vermorelは、企業内の人々の知識と洞察を資本主義的な意味で活用する必要性を強調しています。彼らの知識と洞察は、使い捨て可能なものではなく、時間とともに蓄積される貴重な資源として扱われるべきです。このアプローチにより、サプライチェーンシステムの持続的な改善が実現できます。
Vermorelは、会社内の人々の知識と洞察を資本主義的な意味で活用する必要性を強調しています。彼らの知識と洞察は、使い捨て可能なものではなく、時間とともに蓄積される貴重な資源として扱われるべきです。このアプローチにより、サプライチェーンシステムの持続的な改善が実現できます。
Vermorelは、人間の知識を活用する方法の一つとして、予測システムに供給されるデータの品質を向上させることを提案しています。データの品質は自明ではありません。継続的なメンテナンスと改善の取り組みが必要です。Vermorelは、トランザクションデータが予測の正確性の向上に重要な役割を果たし、さらなる改善の余地があると主張しています。例えば、多くの企業がストックアウトの履歴を正確に追跡していません。しかし、将来の需要を予測するためには、売上の不足が需要のない状況なのか、ストックアウトの状況なのかを判断することが重要です。したがって、Vermorelは、ストックアウトやプロモーション、競合他社の価格など、関連するすべてのデータを適切に記録することで、予測の正確性を向上させることを提唱しています。
新しく発売される製品の予測に取り組む際、Vermorelは、特にテクノロジーやファッションなどの変動の激しい産業において、歴史的なデータが存在しないか不安定であるという困難を認めています。彼は、目標は絶対的な予測の正確さではなく、チームが時間の制約の中で生み出すことができる予測よりも正確な予測をすることだと反論しています。
ファッションなど、新製品の発売に歴史的なデータがない場合、Vermorelは解決策を提案しています。彼は、個々の製品は新しいかもしれませんが、それらは企業が自身の販売を通じて観察してきた市場から生まれています。したがって、新しいシャツなどを以前に発売されたシャツと関連付けて予測を構築することができます。ファッション産業の変動の激しい性質のため、予測は非常に正確ではないかもしれませんが、利益を上げるには十分な正確さを持つことができます。
Vermorelは、Lokadがこのアプローチを予測モデルに使用しており、新製品の発売などの困難な状況でも効果的な予測を可能にしていることを確認しています。
フルトランスクリプト
Kieran Chandler: 今日は、サプライチェーン業界で意見が分かれているテーマについて話します。それは予測の正確さです。今日は、LokadのCEO兼創設者であるJoannes Vermorelが私たちのディスカッションに少し助けをしてくれる予定です。だから、今日は参加してくれてありがとう、Joannes。
Joannes Vermorel: ありがとう、Kieran。
Kieran Chandler: Joannes、サプライチェーン業界全体を見ると、実務者は予測の正確さについてよく不満を言っています。しかし、ソフトウェアベンダーを見ると、彼らは非常に高い正確性を主張しています。両方が正しいわけではありません。あなたはこの状況についてどう思いますか？
Joannes Vermorel: 状況は確かに困惑しています。過去20年間、おそらくそれ以上にわたって、毎回の大規模なサプライチェーンの見本市で、少なくとも1つのトップティアのソフトウェアベンダーが予測誤差を50％削減したなどと主張しています。もちろん、20年間にわたって誤差を50％削減すると、論理的には予測誤差はまったくないはずですが、明らかにサプライチェーン業界の状況ではありません。明らかに、予測誤差はまだ非常に存在しています。別の見方をすると、パーセンテージは誤解を招きます。予測誤差をXパーセント削減できると考えることは、問題を誤って見ている方法です。予測誤差は、パーセントではなくドルで企業にお金をかけさせます。真に注目すべきは、実際の世界でサプライチェーンを運営している企業の誤差の金額です。
Kieran Chandler: それは非常に理にかなっています。基本的に、ビジネスは利益を上げるために存在しています。それは基本的な経済学ですね。企業は利益を最大化したいと考えており、ビジネスはそれによって利益を得ます。社会としても利益を得ることができます。なぜなら、より幅広い製品をより低い価格で手に入れることができるからです。しかし、業界では実際にはそれを見ているわけではありません。業界はまだパーセンテージにこだわっています。なぜそんなにこだわっているのでしょうか？その理由は何ですか？
Joannes Vermorel: MAPE（平均絶対パーセント誤差）中毒の核心は、パーセンテージが簡単であるという事実に根ざしています。パーセンテージを考えるのは簡単なことです。パーセンテージでは、誰も本当に何かにコミットする必要はありませんし、誰の予算にも影響を与えることはありません。誤差をドルで表現する方が意味がありますが、それは賭け金と誰が誤差に責任を持つべきかを明確にします。大規模なサプライチェーンを運営する企業は、多くの人々で構成されています。これらの人々は、大きな組織の一部であるため、リスク回避的な傾向があります。彼らは自分たちの組織の他のメンバーを敵対させるようなことを提案したくありません。ドルで予測誤差を表現することで、誤差のドルに本当に責任がある領域を特定することができます。したがって、パーセンテージは簡単ですが、ドルが正しい指標です。おそらくそれが私たちがまだこの状況に固執している理由です。簡単なことはただ簡単にできるからです。
Kieran Chandler: では、今のところ誤差のドルを置いておいて、誤差のパーセンテージだけを例として考えた場合、誤差のパーセンテージを改善するために従うことができる技術的なプロセスはありますか？ソフトウェア企業はそれに関して何ができるのでしょうか？
Joannes Vermorel: 過去20年ほどで予測誤差は50％改善していませんが、予測の正確さは改善されました。改善の大部分は、サプライチェーンの世界内部からの進歩ではなく、統計学習としても知られるドメインでの非常に広範な技術的進歩によってもたらされました。最新のフレーバーは実際にはディープラーニングです。したがって、過去20年間には実際の技術的進歩がありました。
Kieran Chandler: サプライチェーンの需要計画と予測に特定の技術を使用することで、予測の改善が顕著に見られることが知られています。パーセンテージだけでなく、ドルでも測定可能な進歩です。非常に具体的なものです。しかし、これらの予測の正確さを改善する別の方法があるはずです。たとえば、企業やソフトウェアベンダーは、プロセスの正確さを変えることができるでしょうか？例えば、チームのトレーニングを改善することはできるでしょうか？
Joannes Vermorel: 実際には2つのことができます。まず、予測の範囲自体を洗練させることができます。私が言っているのは、確率的な予測に移行することです。従来の予測タイプは「将来の需要はまさにこれです」という単一の声明を行います。確率的な予測はより包括的な視点を持ちます。多くのことが起こる可能性があり、将来については不可避な不確実性がありますので、それらの潜在的な将来に確率を割り当てます。それが企業が改善する方法の一つです。将来についてより多くの情報を提供する予測を採用することです。それがより正確である必要はありませんが、将来についてより多くの情報を提供する必要があります。それが確率的予測の本質です。
もう一つの視点は、これらの予測を活用してより良い意思決定を行うために何ができるかを考えることです。予測がより良くなることは素晴らしいことですが、それらをより良いサプライチェーンの意思決定に変えることはできるでしょうか？結局のところ、計測可能な影響を持つより良いサプライチェーンの意思決定こそが本当に重要なことです。それが私たちが見ている2つの視点です。
Kieran Chandler: そして、これらの確率的予測はデータに基づいていますよね？
Joannes Vermorel: はい、まったくその通りです。
Kieran Chandler: データの側面に関して、どこで線引きをするべきですか？例えば、天気のようなものは非常に興味深いです。夏には人々はアイスクリームを買う可能性が高く、冬にはホットチョコレート、スカーフ、手袋を買う可能性が高いです。したがって、天気予報のようなものを確率的予測に使用することはできるでしょうか？
Joannes Vermorel: それは非常に広範な質問です。予測の正確さを向上させるためには、情報を組み込む必要があります。そして、この情報はどこかから得る必要があります。この情報を探す最初の場所は、企業自体の過去のデータです。ただし、私はほとんどの企業、例えば99％の企業が、すでに持っている高品質のトランザクションデータを十分に活用していないと考えています。
外部の情報源として、天気予報などがありますが、少なくとも2つの異なる懸念があります。まず、天気予報は完璧ではありません。他の予測の上に予測を構築したい場合、予測の不正確さが複合的に問題となります。これは実践的に解決が難しい問題です。さらに、サプライチェーンの問題を考える場合、通常は7日以上先を考える必要があり、天気予報の正確性は実際にはかなり低くなります。そのため、天気予報を使用することは問題があります。
そして、もう1つ問題があります。これらの外部データソースを活用しようとしたことがある人は、関連する課題があることに気付くでしょう。
Kieran Chandler: 統計的予測において非常に重要な天気予報について、私たちは膨大なデータについて話しています。1つのデータポイントだけでなく、1時間ごと、平方キロメートルごと、20分ごとにデータポイントがあります。温度、湿度、風、光の方向などの要素を考慮する必要があります。サプライチェーンの予測を洗練させるために使用したいデータは膨大です。私たちは文字通りテラバイトのデータを扱っています。このような膨大なデータを実装する実用的な方法について話しましょう。
Joannes Vermorel: はい、実際には、グローバルな気象データのようなものをサプライチェーンに組み込むことの実用性は非常に難しいです。これは困難な課題です。もっと簡単にできることがあります。そのため、実際には天気は最適な例ではないでしょう。
Kieran Chandler: では、別の視点を考えてみましょう。人間の脳は非常に強力なツールです。予測を改善するためにそれを活用する方法はあるでしょうか？
Joannes Vermorel: 確かに、現在のアルゴリズムは基本的には超人的ではありません。彼らは囲碁やチェスなどの特定のタスクで優れています。しかし、サプライチェーン管理は非常にオープンな問題であり、人間の知性の全範囲が必要です。単純なコンピュータではサプライチェーンの専門家に勝ることはできません。なぜなら、それにはもっと多くが必要だからです。ただし、人間の知性の問題は能力ではなく、コストです。大規模なサプライチェーン企業は、毎日何千、何百万ものサプライチェーンに取り組んでいます。必要な日々の意思決定を行うためにどれだけのスマートな人材を雇うことができるかという問題です。私たちのクライアントを見てもわかるように、その答えは通常、十分ではありません。したがって、人間の入力は予測の正確さを大幅に向上させることができますが、スケーリングが難しく、実践的な課題となります。それがなぜ、業界は私たちのようなソフトウェア企業に頼っているのです。
Kieran Chandler: それは重要なポイントですね。企業はスマートな従業員を最大限に活用するためにどのようにすればよいでしょうか？彼らの直感と知識をシステムに適用すべきですか？この統合はどのように行われるべきですか？
Joannes Vermorel: ここでの重要な質問は、予測誤差を減らすためにこれらの個人の知識をどのように活用できるかです。彼らの洞察を単に消費して捨てるのではなく、それは正しいアプローチではありません。持続的な改善のために、彼らの知識を時間とともに活用する必要があります。彼らが取ることができる実用的なステップの1つは、予測システムに供給されるデータの品質を向上させることです。データの品質を維持し改善するには、継続的な努力が必要です。たとえば、在庫切れの履歴を正確に追跡している企業はほとんどありません。しかし、将来の需要を予測するためには、需要がない期間の売上と在庫切れの売上を区別する必要があります。
Kieran Chandler: これらすべてを適切に記録していますか？在庫切れ、プロモーション、自社の価格、競合他社の価格など、データセットに含めることができる要素はたくさんあります。これらは非常に実行可能であり、予測をより正確にすることができます。
Joannes Vermorel: 確かに、予測の正確さを向上させるのに役立つさまざまな要素があります。
Kieran Chandler: 予測の正確さについて話していますが、まだ発売されていない製品の予測はどのように行いますか？テクノロジーやファッションなどの産業では、過去のデータがなく、これらの産業は非常に不規則です。正確な予測を得ることはできるのでしょうか？
Joannes Vermorel: それは非常に難しい質問です。絶対的な意味で正確な予測を得ることではありません。もし次の1年間のファッション市場で次のトレンディな製品を予測することが目的であれば、統計的な予測を行うのではなく、株式市場で取引をすることになるでしょう。真の問題は、限られた時間を持つチームが作成できる予測よりも正確な予測をどのように作成するかということです。絶対的な正確さではなく、相対的な正確さについての問題です。
Kieran Chandler: つまり、特にファッションにおいては絶対的に正確な予測は望めないということですか？
Joannes Vermorel: 絶対的な意味で言えば、ファッションはあまりにも不規則です。ただし、比較的に正確なものを目指すことはできます。課題は、過去のデータのない予測対象の製品でも統計的な予測が機能するかどうかです。これはデータに依存する統計的な予測に疑問が生じます。しかし、ここに一つの視点があります。ファッション企業であれば、毎年数千の製品を発売しています。完全に新しい製品のように見えるかもしれませんが、完全に新しいわけではありません。それは自社の売上から観察できる市場内で浮上しています。したがって、統計的な予測を構築するためには、過去の発売履歴と製品の属性を活用する必要があります。
Kieran Chandler: つまり、過去のデータを使用して正確な予測を行うことができると言っているのですね？
Joannes Vermorel: まさにそうです。今発売するこの新しいシャツを、過去に発売したシャツと関連付けることができます。残るのはファッション業界の完全に不規則な性質であり、それは予測の不正確さに反映されます。ポイントは、はい、これに取り組むことができ、製品の発売に対して利益をもたらす十分に正確な予測を作成することができるということです。
Kieran Chandler: それはLokadで行っていることのようですね？
Joannes Vermorel: 確かに、それがLokadで行っていることです。
Kieran Chandler: お時間をいただき、このディスカッションに感謝します。リスナーの皆さんに楽しんでいただけたことを願っています。質問がある方は、お気軽にお問い合わせください。メールを送っていただくか、以下にコメントを残してください。興味深い質問のいくつかについては、今後の数週間で議論することができるかもしれません。それでは、本日はありがとうございました。また近いうちにお会いしましょう。