00:00:04 プロモーションが予測に与える影響。
00:00:51 業界によるプロモーションの変動性。
00:02:12 プロモーションによる需要の予測における課題。
00:03:58 分析：従来のサプライチェーン手法のリスク。
00:06:00 批評：移動平均と予測手法。
00:08:01 批判：単純なプロモーション予測モデル。
00:08:36 企業が移動平均に依存すること。
00:10:26 プロモーション予測に必要なデータ。
00:13:25 プロモーション予測における機械学習の役割。
00:15:09 非プロモーション予測におけるプロモーションデータの役割。
00:17:34 機械学習システムの学習速度。
00:20:09 プロモーション予測における困難と戦略。
00:20:35 組織におけるプロモーション予測の実装。
00:23:17 機械学習を活用したプロモーションの戦略的実行。
要約
Lokadの創設者であるJoannes VermorelとKieran Chandlerとのインタビューは、プロモーション、予測、およびサプライチェーン最適化を中心に展開されています。Vermorelは、プロモーションが実際の需要を歪め、需要予測に課題をもたらす可能性があると説明しています。多くの企業は、プロモーションの影響を中和するために販売履歴を見直していますが、このアプローチは誤解を招く予測を生み出すリスクがあります。企業は主にサプライチェーン最適化のために移動平均法を採用していますが、これはプロモーションによる需要急増を予測するには不十分です。より精度の高い予測には、機械学習のような複雑な手法と、プロモーション戦略に関する高品質なデータが求められます。
詳細な要約
Lokadの創設者であるJoannes VermorelとKieran Chandlerとの会話は、プロモーションとそれが予測およびサプライチェーン最適化に与える影響というテーマに展開されています。
議論は、プロモーションが売上に如何に劇的な影響を及ぼすかの検証から始まります。適切に実施されれば好影響をもたらしますが、誤って行われればマイナスの影響を及ぼす可能性があります。また、プロモーションは顧客の割引に対する期待を形成し、購買行動に影響を与えています。ChandlerとVermorelは、プロモーション戦略が業界ごとに大きく異なり、例えば高級品のように割引を避けるセクターもあれば、ハイパーマーケットのように日常的なプロモーションを活用するセクターもあると認識しています。
その後、会話は予測の観点からプロモーションの複雑性に焦点を当てます。Vermorelは、プロモーションが一般的に売上の増加と関連している一方で、その増加が必ずしも実際の需要の増加に対応しているわけではないと詳述します。この不一致は、プロモーション期間中の観測された売上が、消費者が低価格の機会を利用するため、実際の需要を上回る場合があるために生じます。このような行動は、実際の需要の認識を歪める可能性があります。
会話は次にサプライチェーンへの影響へと転じます。Vermorelは、将来の需要を計画する際、サプライチェーンの実務者がプロモーションによる歪みを考慮しなければならないと指摘します。しかし、多くの企業は、販売履歴を書き換えることでプロモーションの効果を覆い隠し、プロモーションによる売上急増を実質的に消去する従来の手法に依存しています。このアプローチは、売上データを正規化しようとする一方で、実際の歴史的データを人工的な構造に置き換えることにより、誤った予測を招くリスクをはらんでいます。
Chandlerはこれらの潜在的な危険性に懸念を示し、企業がなぜこの方法を選択するのかについてVermorelに問いかけます。彼は、多くの企業がサプライチェーン最適化のために主に移動平均の変形に基づく技術を採用していると詳細に説明します。これらの手法は、通常の期間にはある程度有効であるものの、プロモーションによる需要急増を予見できず、低品質な予測につながるのです。この性能のギャップが、多くのLokadの顧客がより優れたプロモーション予測を求める要因となっています。
Vermorelは、統計モデルが予測精度の向上において重要な役割を果たすことを認識しつつも、これらが正確な予測の唯一の解決策ではないと述べます。彼は、業界で移動平均法が広く使用されている理由として、そのシンプルさと利用の容易さを挙げ、特に多くのサプライチェーンがMicrosoft Excelのような基本的なツールで運営されている点に注目します。しかし、移動平均法はシンプルである一方、より良い結果を得るためにははるかに複雑な手法が必要であると示唆しています。
その後、会話は機械学習の概念に移ります。機械学習は移動平均法に比べ、複雑さと潜在的成果の面で大きな進歩を示しています。機械学習は、統計手法に関するより高度な理解だけでなく、より高い水準のデータ品質を要求します。特に、Vermorelはプロモーション戦略に関する包括的で高品質なデータの必要性を強調しています。
企業は、プロモーションのメカニズムに寄与するあらゆる側面に関する広範なデータを収集する必要があります。これには、価格調整だけでなく、プロモーションに伴うマーケティング活動や採用される可視性戦略も含まれます。Vermorelは、ファッション業界のシーズン終了セールや小売市場における商品の配置戦略など、さまざまな業界固有の例を検証しています。
Vermorelはまた、データ品質の重要性を強調しています。彼は、データのわずかな不正確さや欠落が直ちに企業を破綻に追いやるわけではないものの、正確なデータに依存する機械学習アルゴリズムの性能を著しく妨げる可能性があると説明します。堅牢な過去のプロモーションデータを確保するには、通常数か月にわたる多大な努力が必要であると示唆しています。
その後、インタビューはデータ収集の進化と、プロモーション予測におけるその重要性に焦点を当てます。Vermorelは、正確なデータがあれば、どのプロモーションをいつ実施すべきかをより効果的に予測できると提案します。機械学習アルゴリズムは、プロモーション活動により売上が過大評価または抑制された期間を特定・フラグ付けすることでデータを処理します。この戦略は、プロモーション期間外においても予測の精度を向上させるのに役立ちます。
一見すると、この概念は直感に反するように思えます。しかし、Vermorelは、プロモーションが非プロモーション商品の売上に波及効果をもたらすと説明することでこれを正当化します。例えば、ある商品の大規模なプロモーションは競合商品の売上を食い合い、予測をより複雑にする可能性があります。こうしたプロモーションの間接的な影響を理解することは、サプライチェーン予測に新たな層を加えることになります。
Vermorelは、将来のイベントとそれがサプライチェーンに及ぼす潜在的影響を予測する必要性を強調します。彼は、もし企業がそのような将来のイベントを機械学習を活用した予測エンジンに伝えることができれば、そのデータを活かして今後のイベントを予測に組み込むことが可能になると提案します。
Chandlerは、機械学習の学習能力とその成果がどれほど早く得られるかについて質問します。Vermorelは、これは主に統計の問題であると明言し、機械学習アルゴリズムの学習速度はプロモーションの頻度に依存すると説明します。例えば、ある製品が年間に1回しかプロモーションを行わない場合、学習は遅くなります。しかし、定期的なプロモーションが行われれば、類似の過去のプロモーションのデータを活用できるため、アルゴリズムはより速く学習します。
さらに、Vermorelはプロモーションの予測は単一の時系列を予測するのではなく、割引やコミュニケーションチャネルなど類似の条件下でのプロモーションの典型的な影響を検証することであると明らかにします。彼は、シーズン終了時のプロモーションが一般的なファッション業界や、ウェブサイトのフロントページで常にプロモーションが行われるeコマースの例を挙げています。
CEOや将来的なCEOに向けて、Vermorelは組織内でプロモーション予測を導入するプロセスを概説します。彼は、広範なデータセットよりも特定のデータの重要性を強調し、データ収集の必要性を訴えています。具体的には、製品、プロモーションのメカニズム、さらには送料無料などの変数に関する詳細なデータを収集することを推奨しています。
Vermorelは、データの正確性と関連性を保証するための品質管理プロセスの必要性を強調するとともに、各業界で異なるプロモーション戦略の根底にある目的や目標について、経営者に深く考えるよう促しています。彼は、ファッション業界や一般消費財業界の例を挙げ、それぞれのプロモーションに独自の目的があることを示しています。
彼は、企業がプロモーションの長期的な影響を考慮すべきであると強調します。これらの活動は、顧客に特定の方法で教育を施し、持続的な影響を与える可能性があるため、企業はプロモーションを通じて顧客にどのような影響を及ぼすかを戦略的に考える必要があります。
組織が戦略を明確にし、必要なデータを収集した後に、機械学習が活用されます。Vermorelは、機械学習が機械的に賢明であるとしても、高次の戦略を自ら創出するわけではないと再度強調し、プロモーション予測に機械学習を用いる前に企業がしっかりと戦略を立てることの重要性を訴えています。
完全な書き起こし
Kieran Chandler: 本日のLokad TVでは、プロモーションとそれが予測に与える影響についてお話しします。プロモーションは非常に変動が大きく、予測が難しいものです。適切に実施すれば売上を大幅に増加させることができますが、誤ると製品の信頼性を損ない、顧客が大幅な値下げを期待するようになる可能性があります。プロモーションは、しばしば様々なネガティブな理由で見出しを飾ります。ブラックフライデーの際には、デパートで高額な製品を巡って顧客が争う光景が見られます。しかし、これらの期間は、たとえば大幅な売上増加を報告する小売業者にとっては間違いなく重要な時期です。ではJoannes、業界によってプロモーションの内容が大きく異なるというのは、具体的にどのような企業を指しているのでしょうか。
Joannes Vermorel: はい、プロモーションは業種により様々な形態を取ります。例えば、高級ブランドのように一切プロモーションを行わない業界（ロレックスがセールになることはありません）から、ハイパーマーケットのように毎日のようにプロモーションを実施する業界まであります。プロモーションは価格に関するもので、ハイパーマーケットでは「2つ買うと1つ無料」といった形が見られます。しかし、eコマースにおけるプロモーションは、製品を前面に出すことでもあります。50万の購読者に向けてニュースレターで製品を紹介すれば、実際に製品の価格を1%も下げていなくても大幅な売上増が見込めるのです。つまり、同じ言葉でも、企業によって示す現実はまったく異なるのです。
Kieran Chandler: なるほど、通常は売上増加が見込めるため、基本的には良いことだと思われがちですが、なぜプロモーションは物事を複雑にするのでしょうか？なぜプロモーションには困難が伴うのですか？
Joannes Vermorel: 物事が複雑になるのは、サプライチェーンを最適化するために予測すべきは将来の需要であるにもかかわらず、観測できるのは過去の売上であり、売上は需要そのものではないからです。売上には様々なバイアスが伴います。たとえば、在庫がなくなるとストックアウトとなり、売上はゼロになりますが、需要は依然として存在します。逆に、プロモーションの場合、実際の需要以上の売上が見られるのです。例えば、大幅な値下げがあれば、人々はすぐに必要としていなくても、良い機会だと感じて自宅に在庫を蓄えるかもしれません。そのため、売上は実際の需要に対して誤った認識を与える可能性があります。ほとんどのサプライチェーン専門家は、プロモーションによって観測された需要が不自然に膨れ上がっているため、単純な移動平均を適用すべきではないと考えています。プロモーションの終了後には売上が落ちることは明らかであり、これが基本的に考慮されなければ、計画は完全に誤ったものになるでしょう。
Kieran Chandler: つまり、実際の需要に対して誤った認識が生じているということですね。企業はそれにどう対応しているのでしょうか？どのように調整しているのですか？
Joannes Vermorel: 従来のサプライチェーン手法は、プロモーションの影響を隠すために販売履歴を書き換えることにあります。ほとんどの企業は、自社の販売履歴を見直し、プロモーション期間中の急増を確認して、その急増を履歴から除去しようとします。こうすることで、移動平均法のような手法を適用した際に、直近のプロモーションによって過度に偏るのを防いでいます。これが正しいと断言しているわけではありませんが、現代でも多くの企業がこの方法を採用しています。
Kieran Chandler: そして、プロモーションによって現れる急増を除去するというのは、非常に危険に聞こえます。結果として、真実の2つのバージョンが得られるのではないですか？なぜ実際に彼らはこの方法をとるのでしょうか？
ジョアンネス・ヴェルモレル：その通りです。これは非常に危険です。というのも、正確な歴史的販売データを、あなたがでっちあげた模擬データと置き換えているからです。これは現実の歪曲であり、そのでっちあげたデータに基づいて計画を立てることになるのです。はい、本当に危険です。これは方法論的な危険です。もしあなたの修正が誤ったものであれば、予測は欠陥のある入力に基づいて組み上げられ、サプライチェーン計画の面で問題をさらに悪化させる可能性があります。
では、そもそもなぜ人々はそれを行っているのでしょうか？ほとんどの企業がサプライチェーン最適化にまだ使用している技術を見ると、基本的には単なる賛美された移動平均のバージョンに過ぎません。移動平均はエクスポネンシャルスムージング、ホルト＝ウィンターズなど様々な名前がありますが、本質的にはすべて移動平均のバリエーションです。これらの手法は季節性に対処するために少し洗練されていますが、本質は依然として移動平均です。
だからこそ、移動平均しか持っていない場合は、歴史的販売データをそれに合わせる必要があるのです。これがあなたの会社で利用可能な唯一の数学モデルだからです。しかし、これは移動平均だけでは語れない多くの要素があるため、欠陥のある見方です。
キアラン・チャンドラー：しかし、これらの統計的手法こそ、多くの企業が将来の意思決定の根拠としているものです。では、実際に機能するのでしょうか？ 世界中の企業が使用している以上、十分に良いものであるに違いありません。
ジョアンネス・ヴェルモレル：実際のところ、それらは十分に良いものではありません。私たちのクライアントとなった企業のほとんどは、プロモーション予測を改善することが主要な動機の一つだったと話していました。それは彼らにとって実際の問題だったからです。
あなたの移動平均はある程度対応できますが、プロモーションによる売上の増加やその効果を予測することはできません。プロモーションによって非プロモーション期間の予測が完全に台無しになるわけではありませんが、実際に今後のプロモーションに対処するための何かを提供してはいません。つまり、移動平均は多少の救済をもたらすものの、問題の核心に対処しているわけではないのです。実際のプロモーション予測を生み出すのではなく、プロモーションが非プロモーションの予測に歪みをもたらすのを防ぐだけです。ちなみに、この手法は非常に弱く、正しく機能さえせず、多くの問題を抱えています。
キアラン・チャンドラー：では、なぜこれらの企業は移動平均を使い続けることに満足しているのでしょうか？ なぜ彼らは変えようとしないのでしょうか？ なぜこの問題が未だに存在するのでしょうか？
ジョアンネス・ヴェルモレル：移動平均はどんなエンジニアでも2時間ほどで思いつくものだと私は考えています。ですから、シンプルさは非常に強力なのです。結局、2時間で移動平均とそれを機能させるための何らかのレシピを再発明することになり、それが非常に大きな原動力となります。
ご存じの通り、世界のサプライチェーンの約80%はまだMicrosoft Excel上で運用されているため、Excel上での移動平均は非常に簡単に作成できます。おそらくそれが理由でしょう。
もう一つの理由は、もっと良いことをしようとすると格段に難しくなるからです。突然、移動平均から機械学習へと飛躍しなければなりません。つまり、誰でも理解できる非常に単純な手法から、はるかに複雑な機械学習へと移行する必要があるのです。
キアラン・チャンドラー：私たちは、機械学習を一度も行ったことがなくても2時間以内に動作するアルゴリズムについて議論しています。しかし、それを成功裏に実装するためには、プロモーションに関するデータの質にも細心の注意を払う必要があります。このプロセスがどのように機能するのか、そしてどのようにより良い手法に進むことができるのか、詳しく説明していただけますか？
ジョアンネス・ヴェルモレル：もちろんです。移動平均以外の代替手法があったとしても、私たちはデータに大きく依存せざるを得ません。この要因が、全体の複雑さを一層増すのです。
キアラン・チャンドラー：もしより良いことを目指すのであれば、どのようなデータを収集すべきでしょうか？ マーケティング活動、価格の変動、または他の何かでしょうか？
ジョアンネス・ヴェルモレル：企業は、プロモーションの仕組みに寄与するすべての要素を収集する必要があります。価格はその一例です。もし製品の価格を値下げしても、その値下げについて誰にも知らせなければ、既に購入を検討していた人々以外は気づかないのです。
つまり、プロモーションは単に価格の問題だけではありません。情報を広め、市場にプロモーションがあることを知らせることが極めて重要なのです。たとえば、ファッションなどの業界ではシーズン終盤のセールがあり、誰もがそれを期待していますが、これは特定の種類のプロモーションとなっています。しかし、業界によっては全く異なる形態をとる場合もあります。
例えば、ハイパーマーケットでは単に価格を下げるだけでは十分ではありません。多くの場合、商品をゴンドラの先頭、すなわち非常に目立つ通路の端に配置することが求められます。さらに、プロモーション対象の商品を店舗の入口に大量に配置することも可能です。
さて、ここで問題になるのは、あなたのERPシステムがこれらすべてのデータを適切に追跡しているかどうかです。売買するものを正確に管理できなければ、会社は破綻する可能性があります。何を売買しているのかが分からなければ、顧客やサプライヤーによって詐欺に遭い、最終的には破産に至るでしょう。
一方、プロモーションの日付がERP記録に誤って記録されていたとしても、会社が破綻するわけではありません。しかし、不正確なデータを使ってプロモーションを予測する機械学習アルゴリズムに入力すれば、うまく機能しないでしょう。
したがって、プロモーションデータの品質保証プロセスが必要です。Lokadでの経験から、このプロセスには多大な労力がかかることが分かっています。ほとんどの企業にとって、質の高い過去のプロモーションデータを得るには数か月の努力が必要です。
キアラン・チャンドラー：つまり、あなたが言っているのは、測定すべき重要な指標というよりも、測定方法自体の進化が業界に大きな変革をもたらしたということですか？
ジョアンネス・ヴェルモレル：はい、非常に測定が難しいのです。
キアラン・チャンドラー：仮に、企業がこれらすべての項目を測定し、情報を集めた場合、あなたの予測によって、どのプロモーションを行うべきか、いつが最適か、そしてどのような情報が得られるかを提示できるということでしょうか？
ジョアンネス・ヴェルモレル：はい。まず理解していただきたいのは、歴史的データを修正するのではなく、機械学習アルゴリズムはそれを拡充された歴史的データとして捉えるということです。売上を微調整しようとするのではなく、製品の売上が誇張された期間や、おそらく検閲された期間にフラグを立てるのです。
例えば、プロモーション終了時に消費者が商品を備蓄した場合、需要が低下することが考えられます。場合によっては、何らかの検閲された需要が観察される期間が生じるかもしれません。したがって、これらすべての要因を考慮に入れる必要があります。
キアラン・チャンドラー：つまり、プロモーションの最初の利点は、非プロモーション期間においても予測の質を向上させる潜在力があるということですね。これは、バイアスをより正確に予測できるアルゴリズムを使用することで実現されるということです。プロモーションが行われていないときにも、プロモーションデータが活用されるということですね？
ジョアンネス・ヴェルモレル：はい、直感に反するように思えるかもしれませんが、例を挙げてみましょう。もし、あるトマトの品種に対して大規模なプロモーションを実施すれば、他のすべての非プロモーション製品の売上が食い合われる可能性が高いのです。特定の製品に対する大規模なプロモーションは、それと競合する他の製品に対して大きなカニバリゼーション効果をもたらすのは明らかです。したがって、プロモーションは、プロモーション対象製品だけでなく、すべての非プロモーション製品に対しても予測をより複雑にしてしまうのです。
キアラン・チャンドラー：なるほど、初めは直感に反するように見えるかもしれませんが、実際には慎重な考慮が必要ということですね。では、将来のプロモーションを先取りするという話に移りましょう。今後のプロモーションが判明している場合、その結果として売上の増加を予測することができます。しかし、これは将来のプロモーションをどのように決定するかというプロセスにも疑問を投げかけます。これらの決定がどのようにされ、予測エンジンにどのように入力されるのか、詳しく説明していただけますか？
ジョアンネス・ヴェルモレル：もちろんです。プロセスの第一段階は、将来のプロモーションを決定することです。第二段階は、それらの決定が私たちの予測エンジンに確実に入力されるようにすることです。これは単に過去のデータの問題ではなく、将来の期待に基づくものでもあります。もしサプライチェーンに大きな影響を与えるイベントを計画しているなら、予測エンジンはその情報を事前に把握する必要があります。タイムリーに情報が提供されれば、機械学習を活用した予測エンジンは、今後のイベントに適応し、それを予測に反映することができるのです。
キアラン・チャンドラー：それは非常に興味深いですね。特に、「今世紀のプロモーション」という発想は面白いです。しかし、機械学習の複雑さを考えると、これらのシステムはどれほど迅速に学習し、適応できるのでしょうか？ 結果が見られるのはいつ頃になるのでしょうか？
ジョアンネス・ヴェルモレル：それは主にプロモーションの数に依存します。これは統計のゲームです。もしある製品のプロモーションが年に一度しか行われなければ、何も学ぶのは難しいでしょう。ご存じの通り、プロモーションの予測は単なる時系列の予測ではありません。各製品はその寿命の中で一度か二度しかプロモーションされないかもしれません。プロモーションの影響を理解するためには、同様の条件下での典型的な影響―例えば価格の割引、プロモーションの仕組み、通信チャネルなど―を考慮する必要があります。たとえば、シーズン終盤のプロモーションを行うファッション業界では、年に4〜8回行われるため、いくつかのデータポイントが得られます。一方、ハイパーマーケットでは、すべての製品が潜在的なデータポイントとなります。
彼らの企業では、毎日何百もの製品がプロモーションされ、しかもそれがローテーションされるため、常に同じ製品ばかりがプロモーションされるわけではありません。これはeコマースでは常に起こることです。通常、あなたのeコマースサイトのトップページには1～2製品が掲載されており、非常に強力なプロモーションメカニズムが常に働いています。しかし、プロモーションの予測を考え始めると、非常に複雑になります。お客様からは、予測エンジンがプロモーションを予測できるかという質問が寄せられますが、本当に求められているのは、どのプロモーションが最適かを決定することであり、これは全く異なる非常に困難な問題です。
キアラン・チャンドラー：例えば、視聴者の中にはCEOもいるかもしれません。組織にプロモーション予測を実際に導入する場合、彼らはどのようなプロセスに従うべきでしょうか？
ジョアンネス・ヴェルモレル：まず、関連するすべてのデータを収集する必要があります。ここで言っているのは、TwitterのデータやFacebookでの発言を集めるという意味ではありません。どの商品がプロモーションされるのか、具体的なプロモーションの仕組みとは何かを把握することです。おそらく「1個買うと1個無料」、または一定割合の値下げ、あるいは送料無料など、各社独自のカテゴリーが存在するでしょう。第一歩は、私が準トランザクショナルデータと呼ぶものを収集することです。これはインボイスや支払いに現れるトランザクショナルデータではありませんが、非常に明確に定義されています。それらを収集し、システムの一部とし、さらに品質保証プロセスを構築する必要があります。
第二のステップは、なぜプロモーションを行うのか、究極の目的は何かを真剣に考えることです。問題は、業界によってその最終目的が大きく異なるという点にあります。例えば、ファッション業界では、常に最新のトレンドに合った商品を販売できるよう、古い在庫をすべて処分することが目的です。一方、一般商品では、プロモーションは通常、小売業者ではなくサプライヤーによって、例えば新製品（新製品）の認知度向上のために行われる交渉の一環として引き起こされます。目的が大きく異なるため、実行方法を評価する際には、プロモーションの影響を慎重に考慮する必要があります。
あなたは顧客に影響を与えようとしているのですから、どのような影響を実際に与えたいのか、具体的に考えるべきです。例えば、プロモーションが常にあると顧客に教育してしまうと、顧客は少し待てば必ず安く買えると学んでしまいます。本当に戦略的な思考が必要であり、その戦略的な思考は機械学習の前段階で行われるべきです。
これが正しく整えば、集めたすべてのデータを処理し、あなたの戦略的思考と連動する賢い機械学習システムを構築できるのです。機械学習は非常に機械的なものであり、高度な戦略を実行することはできません。それはあなたの役割です。
キアラン・チャンドラー：今日はこれで締めくくらせていただきます。顧客を教育するというお話でしたが、私自身はおそらく最も教養のない顧客の一人でしょう。今週はこれで終わりです。ご視聴ありがとうございました。また次回お会いしましょう。さようなら。
