00:00:04 サプライチェーン予測問題の導入と概要。
00:01:28 ドルで測定される予測誤差に関する議論。
00:02:31 パーセンテージ誤差の測定に対する好みの検証。
00:04:15 予測精度向上への技術的影響。
00:05:49 予測精度向上のための解決策の議論。
00:08:01 確率的予測における天気予報の役割。
00:09:33 サプライチェーンにおける天気データ統合の問題。
00:11:29 人的知能による予測の可能性と課題。
00:13:14 専門知識の最適化による予測誤差の低減。
00:14:24 データ品質とその改善の重要性。
00:16:00 ファッションなど予測困難な業界における予測の難しさ。
00:17:33 ファッションにおける統計的予測と新製品の課題。
00:18:01 新製品予測のための手法提案。
00:19:02 締めくくりの考察。

要約

Lokadの創設者であるジョアンネス・ヴェルモレルは、ホストのキーレン・チャンドラーとサプライチェーン予測について議論する。ヴェルモレルは業界の矛盾をユーモラスに暴露し、誤差削減の過剰な主張を明らかにするとともに、パーセンテージではなく「ドル誤差」に焦点を移すべきだと提唱する。彼は機械学習が予測を革新し、単なる正確さではなく有益な洞察へと重心が移ったと指摘する。二人はまた天気データを検討するが、これが長期予測には複雑すぎて信頼性に欠けると判断する。ヴェルモレルは人的知能の重要性を認めつつも、大規模な運用には実用的でないとし、代わりにデータ品質の向上を提案する。困難にもかかわらず、ヴェルモレルは、ファッションのような変動の激しい業界であっても、新製品の立ち上げを正確に予測できるLokadのモデルの有効性を主張する。

詳細な要約

ホストのキーレン・チャンドラーは、Lokadの創設者であるジョアンネス・ヴェルモレルと、供給チェーン産業における予測精度について話し合っている。しばしば予測精度について不平を述べる実務者と、非常に高い精度を主張するソフトウェアベンダーとの間に顕著な乖離が見受けられる。

ヴェルモレルは、過去20年間、主要なサプライチェーン展示会のたびに、少なくとも一社のソフトウェアベンダーが予測誤差を毎年50%削減したと主張してきたという業界の異常を指摘する。この論理に従えば、理論上は予測誤差がゼロになるはずだが、現実のサプライチェーン業界はそうではないとユーモラスに示唆する。

彼はさらに、予測誤差のパーセンテージ削減に固執するのは誤解を招くものであり、場合によっては誤ったアプローチであると主張する。むしろ、ヴェルモレルは、企業にとっての金銭的コストで測定した場合の誤差の影響の方が重要だと主張する。企業は本質的に利益を追求するために存在しているため、『ドル単位の誤差』に注力すべきである。

業界がパーセンテージに固執し続けることに対し、ヴェルモレルはこれを「平均絶対パーセンテージ誤差中毒」と表現する。彼は、パーセンテージは理解しやすく、特定の予算や人を直接巻き込むことがないため、摩擦が生じにくいという理由を挙げる。一方、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、大企業のリスク回避的な個人はその責任を負うことを避ける傾向がある。

技術進歩と予測への影響に関して、ヴェルモレルは前述の課題にもかかわらず、予測精度は時間の経過とともに向上してきたと認める。その向上の大部分は、サプライチェーン業界内部の進歩ではなく、統計的学習、つまり機械学習と呼ばれる分野における広範な技術進歩によるものである。

ヴェルモレルはさらに、未来を予測する際には不確実性が本質的に存在するため、あらゆる可能な結果に対して確率を割り当てることが不可欠だと説明する。興味深いことに、彼は予測がより正確である必要はなく、将来についてのより多くの洞察を提供すべきだと提案する。この高度な予測は、究極の目標であり、物理的かつ測定可能な影響の基盤となるサプライチェーンの意思決定の向上に寄与する。

会話は続き、確率的予測に対するデータの影響が深堀される。ヴェルモレルは、予測はデータ主導であると同意する。一方、チャンドラーは、消費者行動に大きな影響を与える天候などの外部要因をこれらの予測に組み込むことについて疑問を呈する。

これに対し、ヴェルモレルは、天候データが情報源となり得るものの、二つの重大な懸念をもたらすと指摘する。第一に、天気予報自体が不完全であり、その上に予測を構築すると不正確さが重なってしまう可能性がある。さらに、サプライチェーンの観点からは、予測は通常1週間以上先のものが必要となるが、その期間においては天気予報の精度が大幅に低下する。

第二に、天気予報は管理が困難な膨大なデータを生成する。ヴェルモレルは、天候に関しては、1平方キロメートルあたり毎20分に1時間分のデータポイントが生成されると説明する。これは温度だけでなく、湿度、風速と風向、さらには光の情報も含むため、サプライチェーンに組み込むのが困難なテラバイト規模のデータとなる。

議論は天候データの複雑さから、予測改善における人的知能の可能性へと移る。ヴェルモレルは、人間の脳の驚異的な能力を認める一方で、その高コストゆえに実用的な解決策とはならないと述べる。大規模なサプライチェーン企業では、日々何千から何百万もの意思決定が求められ、多くの知的個人が必要とされるが、ほとんどの企業はそのような人材を雇用する余裕がないため、ソフトウェア企業に依存せざるを得ない。

人的介入は予測精度を大いに向上させる可能性があるものの、規模の拡大には適さず、この実務上の問題はソフトウェアソリューションを必要とする。

ヴェルモレルは、企業内の人的知能を資本主義的に活用すべきだと強調する。彼らの知識と洞察は、消耗品や使い捨てのものではなく、時とともに蓄積される貴重な資源として扱われるべきであり、このアプローチはサプライチェーンシステムの継続的な改善につながる。

ヴェルモレルは、人的知能を活用する一つの方法として、予測システムに投入されるデータの質の向上を提案する。データ品質は当然のものではなく、継続的なメンテナンスと改善が必要である。彼によれば、トランザクションデータは予測精度向上において重要な役割を果たしており、さらなる改善の余地がある。例えば、ほとんどの企業は品切れの履歴を正確に追跡していない。しかし、将来の需要を予測するためには、販売不振の原因が需要不足なのか品切れによるものなのかを見極めることが重要である。したがって、ヴェルモレルは、品切れ、プロモーション、および競合他社の価格設定など、すべての関連データを適切に記録することを推奨する。

まだ発売されていない製品の予測に取り組む際、ヴェルモレルは、特に技術やファッションのような変動の激しい業界では、歴史的データが存在しないか不安定であるため、本質的な課題があることを認める。彼は、目標は絶対的な予測精度ではなく、限られた時間内でチームが作成できる予測よりも優れたものであるべきだと主張する。

ファッションのように新製品発売で歴史的データが不足している場合、ヴェルモレルは一つの解決策を提示する。個々の製品は新しいかもしれないが、それらは企業が自社の販売データから観察している市場に由来するため、過去の製品発売や製品属性に基づいた統計的予測を構築できる。この方法では、例えば新しいシャツを以前に発売されたシャツと相関付けることで、業界の変動性ゆえに極端な精度こそ得られなくとも、十分に利益をもたらす精度の予測を実現できる。

ヴェルモレルは、Lokadがこのアプローチを予測モデルに採用しており、新製品発売など困難な状況下でも効果的な予測を実現していると確認する。

完全な書き起こし

キーレン・チャンドラー: 今日は、サプライチェーン業界で意見が分かれるテーマ、予測精度について話します。本日はLokadのCEOであり創設者のジョアンネス・ヴェルモレルにご参加いただき、今日の議論に少し助力していただきます。ジョアンネス、今日はご参加いただきありがとうございます。

ジョアンネス・ヴェルモレル: ありがとうございます、キーレン。

キーレン・チャンドラー: ジョアンネス、サプライチェーン業界全体を見ると、実務者は自身の予測精度について多くの不満を述べています。しかし、ソフトウェアベンダーは非常に高い精度を主張することが多いです。どちらも正しいはずがありません。この状況についてどうお考えですか?

ジョアンネス・ヴェルモレル: 状況は実に不可解です。過去20年以上にわたり、あらゆる大規模なサプライチェーン展示会で、少なくとも一社のトップクラスのソフトウェアベンダーが予測誤差を毎年50%削減したと主張してきました。もちろん、これが20年間毎年50%削減されると、論理的には予測誤差は全くなくなるはずですが、現実のサプライチェーン業界はそうではありません。明らかに、予測誤差は依然として存在しています。別の見方をすれば、パーセンテージは誤解を招くものであり、予測誤差をXパーセント削減できるという考え方自体が問題です。予測誤差はパーセンテージではなく、ドルで表される企業のコストとして現れるものです。私たちが真に注目すべきは、実際にサプライチェーンを運営する企業が被るドル単位の誤差なのです。

キーレン・チャンドラー: 基本的に、企業は利益を追求するために存在しているという点で非常に理にかなっています。これが基本的な経済原理ですよね。企業は利益を最大化したいし、その結果、私たち消費者もより多様な商品をより低価格で手に入れることで恩恵を受けるはずです。しかし、業界で実際に見られるのはそうではありません。業界は依然としてパーセンテージに固執しています。なぜ彼らはそれにこれほどまでにこだわるのでしょうか?その理由は何ですか?

ジョアンネス・ヴェルモレル: MAPE(平均絶対パーセンテージ誤差)中毒の根底には、パーセンテージが簡単であるという事実があります。パーセンテージは簡単に算出でき、誰も深く関与せず、予算にも直接影響を与えないからです。ドルで誤差を表現すれば、賭け金や誰がその責任を負うかが明確になります。大規模なサプライチェーンを運営する企業は大勢の人々で構成されており、リスク回避的な組織の中では、誰かが誤差の責任を負うことを避けたいのです。つまり、パーセンテージは手軽ですが、ドルこそが真に適切な指標なのです。おそらくそれが、私たちがこの状況に囚われている理由でしょう。

キーレン・チャンドラー: では、現時点ではドル単位の誤差を脇に置き、パーセンテージでの誤差を例にとると、パーセンテージ誤差を改善するために採用できる技術的プロセスはあるのでしょうか?その点で、ソフトウェア企業は何ができるとお考えですか?

ジョアンネス・ヴェルモレル: 過去20年ほど、予測誤差が毎年50%改善されてはいないものの、予測精度自体は向上しています。この向上の大部分は、サプライチェーン業界内の進歩ではなく、統計的学習、すなわち機械学習として知られる分野の広範な技術進歩によるものです。その最新の形態が実際にディープラーニングなのです。つまり、過去20年間で実質的な技術進歩があったのです。

キーレン・チャンドラー: サプライチェーンにおける需要計画や予測に特定の技術を用いることで、予測の精度がパーセンテージでもドルでも大幅にかつ測定可能に向上することが知られています。非常に実感できる進歩ですが、これらの予測の精度をさらに向上させる方法は他にもあるはずです。例えば、企業やソフトウェアベンダーはプロセスの精度を変えることができるでしょうか?チームの訓練をより徹底することは可能でしょうか?

ジョアンネス・ヴェルモレル: 確かにできることは二つあります。まず、予測そのものの範囲をより緻密に設定すること、すなわち決定論的な予測から確率的予測への移行です。従来の予測は「将来の需要はこれと正確に一致する」という一つの主張をするのみでした。しかし、確率的予測はより包括的な視点を取り入れ、起こり得る多くの事象に対して不確実性が存在するため、あらゆる可能な未来に確率を割り当てます。これにより、企業は未来についてのより多くの情報を得ることができ、必ずしもさらに正確である必要はなく、未来に関する情報を豊富に提供する予測が実現できるのです。

The other angle is to think about what can be done to enable people to leverage these forecasts to make better decisions. Better forecasts are great, but can we turn them into better supply chain decisions? In the end, better supply chain decisions with a measurable impact are what truly matters. So those are the two angles we are looking at.

Kieran Chandler: そして、これらの確率的予測はデータに基づいているということですね?

Joannes Vermorel: はい、もちろんです。

Kieran Chandler: データの側面についてですが、どこで線を引くべきでしょうか?例えば、天候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いやすく、冬にはホットチョコレートやマフラー、手袋を買いやすいです。では、確率的予測に天気予報のようなものを利用することは可能でしょうか?

Joannes Vermorel: それは非常に広範な質問ですね。予測精度を向上させるためには、情報を取り入れる必要があり、その情報はどこかから来る必要があります。最初にこの情報を探すべき場所は、企業自身の過去のデータです。しかし、既に持っている高品質なトランザクションデータを完全に活用していない企業は、約99%だと思います。

外部の情報源、例えば天気予報について言えば、少なくとも二つの異なる懸念が生じます。第一に、天気予報は完璧ではありません。他の予測を基にしてさらに予測を作成しようとすれば、予測誤差が累積する問題に直面します。これは実際には解決が非常に困難な問題です。さらに、サプライチェーンの問題を考える場合、通常は7日以上先を見据える必要があり、実際のところ天気予報の精度はかなり低下します。したがって、天気予報を利用するのは問題があります。

そして、もう一つの問題があります。これらの外部データソースを活用しようと試みた人は、さまざまな課題が伴うことに気付くでしょう。

Kieran Chandler: 統計予測において非常に重要な天気予報についてですが、非常に膨大なデータの話をしています。一つのデータポイントだけでなく、1時間ごとに、平方キロメートルごとに、さらに20分先までのデータポイントが含まれます。温度、湿度、風、光の方向などの要因を考慮する必要があります。つまり、サプライチェーンの予測を精緻化するために使用したいデータは莫大なものとなります。文字通りテラバイト単位のデータが必要です。このような膨大なデータを実装する実際の難しさについて説明していただけますか?

Joannes Vermorel: はい、確かに、サプライチェーンに世界的な天気データのようなものを組み込む実際的な難しさは驚異的です。これは非常に困難な作業です。もっと簡単にできることもあります。ですから、実際には天気はおそらく最良の例ではありません。

Kieran Chandler: では、別の視点を考えてみましょう。人間の脳はいかがでしょうか?それは非常に強力なツールです。予測を改善するために脳の力を活用する方法はあるのでしょうか?

Joannes Vermorel: その通りです。現在のアルゴリズムは根本的に超人的ではありません。彼らは囲碁やチェスのような特定のタスクにおいては卓越しています。しかし、サプライチェーンマネジメントは非常にオープンな問題であり、人間の知性の全てを必要とします。単純なコンピューターは、サプライチェーン-サイエンティストを凌駕することはできません。なぜなら、より多くの要素が必要だからです。ただし、人間の知性の問題はその能力ではなく、費用にあります。大手サプライチェーン企業は、毎日何千もの、場合によっては何百万ものサプライチェーンを扱っています。必要な日々の意思決定を行うために、どれだけの優秀な人材を雇えるのでしょうか?私たちのクライアントの例を見れば、通常は十分ではありません。ですから、人間のインプットは予測精度を大いに向上させることができますが、スケールしにくく、実際には困難が伴います。だからこそ、業界は私たちのようなソフトウェア企業に依存しているのです。

Kieran Chandler: それは重要な点です。企業はどのようにして優秀な従業員を最大限に活用すべきでしょうか?彼らの直感や知識をシステムに適用すべきでしょうか?この統合はどのように行われるべきでしょうか?

Joannes Vermorel: ここでの重要な疑問は、これらの人材の力をいかにして予測誤差の削減に活かすかということです。彼らの洞察を単に消費して廃棄してしまうのではなく、時間をかけてその知識を蓄積し、継続的な改善に役立てる必要があります。実際の一歩として、予測システムに供給されるデータの質を向上させることが挙げられます。データの質を維持・向上させるには継続的な努力が必要です。例えば、在庫切れの履歴を正確に追跡している企業は非常に少ないです。しかし、将来の需要を予測するためには、需要がなかった期間と、在庫切れのために売上がなかった期間とを区別する必要があります。

Kieran Chandler: これらの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、そして競合他社の価格など、データセットに含められるものはたくさんあります。これらは非常に実用的で、予測精度を向上させることができます。

Joannes Vermorel: 実際、予測精度を向上させるために考慮すべき要素は非常に多岐にわたります。

Kieran Chandler: 予測精度についてですが、まだ発売されていない製品の予測はどうするのですか?テクノロジーやファッションのような業界では、過去のデータがなく、非常に不安定です。正確な予測が得られる見込みはあるのでしょうか?

Joannes Vermorel: それは非常に難しい質問です。絶対的に正確な予測を得ることが目的ではありません。もし来年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、私は統計的予測を行うのではなく、株式市場で遊んでいることになります。本当の問題は、限られた時間内であなたのチームが出せる予測よりも正確な予測をどう作り出すかということです。絶対的な精度ではなく、相対的な精度が重要なのです。

Kieran Chandler: つまり、特にファッションにおいて絶対的に正確な予測は望めないということでしょうか?

Joannes Vermorel: 絶対的に見れば、ファッションはあまりにも不安定なので可能ではありません。しかし、比較的より正確なものを目指すことは可能です。問題は、過去のデータがない製品に対して統計的な予測が果たして有効かどうかという点です。統計的予測はデータに依存しているので、この点は難解です。しかし、ここで一つの視点があります。もしあなたがファッション企業であれば、毎年何千もの製品を発売しているはずです。たとえ全く新しい製品に見えても、完全に新しいわけではありません。それは、あなた自身の販売データから観察できる市場の中で生まれるのです。したがって、統計的予測を構築するのであれば、過去の全ての発売データと製品の属性を活用する必要があります。

Kieran Chandler: つまり、過去のデータを使って正確な予測ができるということですか?

Joannes Vermorel: その通りです。今発売しようとしている新しいシャツを、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な不規則性であり、それが予測の不正確さに反映されるのです。要点は、これに取り組むことができ、製品のローンチさえも利益を生むほど十分に正確な予測を作り出すことが可能だということです。

Kieran Chandler: それはLokadで行っていることと同じように聞こえますが?

Joannes Vermorel: 実際、まさに私たちはLokadでそのようなことを行っています。

Kieran Chandler: 本日はお時間とこの議論をいただき、ありがとうございました。リスナーの皆さんにも楽しんでいただけたことを願っています。ご質問がある方は、ぜひご連絡いただくか、メールを送るか、下記にコメントを残してください。今後数週間で、より興味深い質問について議論できるかもしれません。それでは、本日はご参加いただき誠にありがとうございました。またすぐにお会いしましょう。