00:00:04 予測におけるプロモーションの影響。
00:00:51 業界ごとの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予測の課題。
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 批判：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 企業の移動平均への依存度。
00:10:26 プロモーションの需要予測に必要なデータ。
00:13:25 機械学習のプロモーション予測への役割。
00:15:09 プロモーションデータの非プロモーション予測への役割。
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の困難と戦略。
00:20:35 組織でのプロモーション予測の実装。
00:23:17 機械学習を活用した戦略的なプロモーションの実行。
要約
Kieran ChandlerとLokadの創設者であるJoannes Vermorel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しています。 Vermorelは、プロモーションが実際の需要を歪めることで需要予測に課題をもたらすと説明しています。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った予測を作り出すリスクがあります。企業は、サプライチェーン最適化に移動平均法を主に使用しており、これはプロモーションの上昇を予測するのに十分ではありません。改善された予測には、機械学習などのより複雑な手法が必要ですが、プロモーション戦略に関する高品質なデータも要求されます。 Vermorelは、プロモーションの長期的な影響と、プロモーション予測に機械学習を導入する前に戦略的な計画の必要性を強調しています。
詳細な要約
Kieran ChandlerとLokadの創設者であるJoannes Vermorelの対話は、プロモーションと予測、サプライチェーン最適化に関するトピックを中心に展開しています。
議論は、プロモーションが販売に大きな影響を与えることを検証することから始まります。正しく実施されればポジティブな影響を与え、不適切に扱われればネガティブな影響を与える可能性があります。また、プロモーションは割引に関する顧客の期待を形成し、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ることを認識しており、高級品などの一部のセクターでは割引を避ける一方、ハイパーマーケットなどの他のセクターでは毎日のプロモーションを活用しています。
対話はその後、予測の観点からプロモーションの複雑さに踏み込みます。Vermorelは、プロモーションは一般的に売上の増加と関連しているものの、この増加は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しく説明しています。この違いは、プロモーション中の観測された売上が実際の需要を上回ることがあるために生じ、消費者が即座に製品を必要としなくても低価格の機会を利用するためです。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。
対話はその後、サプライチェーンへの影響に移ります。Vermorelは、将来の需要を計画する際に、プロモーションによる歪みを考慮する必要があると指摘しています。しかし、多くの企業は従来のサプライチェーン手法に頼っており、販売履歴を書き換えることでプロモーションによる売上の急増を隠そうとしています。これにより、実際の歴史的データを人工的な構築物で置き換えることになり、誤った予測を引き起こすリスクが生じます。
Chandlerはこれらの潜在的な危険について懸念を表明し、Vermorelはなぜ企業がこの方法を選ぶのかについて詳しく説明します。彼は、ほとんどの企業がサプライチェーンの最適化において、移動平均のバリエーションを主に基にした技術を展開していることを明らかにします。これらの方法は、非プロモーション期間にはある程度適していますが、プロモーションの上昇を予測することができず、結果として劣った予測をもたらします。このパフォーマンスのギャップが、Lokadの多くのクライアントが改善されたプロモーションの予測を追求する原因です。
Vermorelは、統計モデルが予測の精度向上において重要な役割を果たしていることを認識しながら、それらが効果的である一方で、正確な予測に対する唯一の解決策ではないと指摘します。彼は、移動平均の広範な使用について議論し、それらが業界で広く使用されている理由について説明します。特に、Microsoft Excelなどの基本的なツールを使用しているサプライチェーンの大部分がまだ存在することを考慮して、これらの方法はシンプルでアクセスしやすいという利点があります。しかし、彼は移動平均はシンプルである一方で、より良い結果を得るには複雑さが必要であると指摘しています。
対話はその後、機械学習の概念に移ります。機械学習は、移動平均と比較して複雑さと潜在的な結果の面で大きな進歩を示しています。機械学習は、統計的な手法のより洗練された理解だけでなく、より高いデータ品質の基準を要求します。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すべての要素に関する包括的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の取り組み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での商品配置戦略など、さまざまな業界固有の例を検討しています。
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企業を直ちに破産させることはないかもしれないが、正確なデータに依存する機械学習アルゴリズムのパフォーマンスを深刻に阻害する可能性があると説明しています。彼は、頑健な歴史的なプロモーションデータを得るためには、通常数ヶ月にわたるかなりの努力が必要であると示唆しています。
インタビューは、データ収集の進化とプロモーションの予測におけるその重要性について話し合います。Vermorelは、正確なデータを使用することで、予測がどのプロモーションを使用し、いつ最も効果的に機能するかをより効果的に予測できると提案しています。機械学習アルゴリズムは、販促活動によって売上が膨らんだり抑制されたりした期間を特定し、データを処理します。Vermorelは、この戦略がプロモーション期間外でも予測の精度を向上させるのに役立つと説明しています。
一見すると、このコンセプトは直感に反するように思えます。しかし、Vermorelは、プロモーションが他の非プロモーション商品にも間接的な影響を与えることを説明することで、これを正当化しています。たとえば、ある商品の大規模なプロモーションは競合他社の商品の売上を食い込む可能性があり、それによって予測がより複雑になります。これにより、サプライチェーンの予測にさらなるレイヤーが追加されます。
Vermorelは、将来のイベントとそれがサプライチェーンに与える潜在的な影響を予測する必要性を強調しています。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、そのデータを活用して予測に組み込むことができると提案しています。
Chandlerは、機械学習の学習能力と結果をどれくらい速く得ることができるのかについて尋ねます。Vermorelは、それが主に統計のゲームであると明確に述べています。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します。たとえば、製品ごとに年に1回しかプロモーションがない場合、学習は遅くなります。しかし、定期的なプロモーションでは、過去の類似のプロモーションからデータを利用できるため、アルゴリズムはより速く学習することができます。
さらに、Vermorelは、プロモーションの予測は単一の時系列の予測ではなく、割引やコミュニケーションチャネルなどの類似の条件下でのプロモーションの典型的な影響を調査することについて説明しています。彼は、ファッション業界ではシーズン終了時のプロモーションが一般的であり、eコマースでは製品がウェブサイトのトップページで常にプロモーションされているという例を示しています。
CEOや将来のCEOに対して、Vermorelは組織内でのプロモーション予測の導入プロセスを概説しています。彼は、広範なデータセットよりも具体的なデータの重要性を強調し、データ収集の必要性を強調しています。彼は、プロモーション自体に関する詳細なデータ（製品、プロモーションの仕組み、送料などの他の変数）の収集を推奨しています。
Vermorelは、データの正確性と関連性を確保するための品質保証プロセスの必要性を強調しています。また、リーダーに対して、プロモーション戦略の基本的な目的や最終目標について考えることを奨励しており、これは異なる業界によって異なるものです。彼は、ファッション業界と一般商品業界からの例を挙げて、それぞれのプロモーションの背後にある独自の目的を示しています。
彼は組織に対して、プロモーションの長期的な影響を考慮するよう促しています。彼は、これらの活動が顧客に特定の方法で教育すると述べ、それには持続的な効果があるかもしれないと述べています。したがって、ビジネスはプロモーションを通じて顧客にどのような影響を与えたいのかを戦略的に考える必要があります。
組織が戦略的思考を明確にし、関連するデータを収集した後、機械学習が登場します。Vermorelは、機械学習は機械的に知能があるとしても、高レベルの戦略を考案しないと繰り返し強調し、プロモーション予測に機械学習を導入する前に戦略を立てることが重要であると強調しています。
フルトランスクリプト
Kieran Chandler: 今日の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話します。プロモーションは非常に変動し、予測が困難な場合があります。うまく行えば、売上を大幅に増やすことができますが、うまく行かなければ製品の信頼性を低下させ、顧客が価格の大幅な割引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誤った理由で話題になります。ブラックフライデーでは、顧客がデパートで値段のついた商品を争っている様子が見られます。しかし、これらの期間は、通常、小売業者にとって非常に重要であり、しばしば大幅な売上増を報告します。では、Joannesさん、プロモーションは業界によって非常に異なるものですが、ここで話している企業について説明していただけますか。
Joannes Vermorel: はい、確かに、プロモーションは業界によってさまざまな形態で行われます。それは、ロレックスのようにセールを行わない高級品から、ハイパーマーケットのように毎日プロモーションを行う業界まで様々です。プロモーションは価格に関するものであり、ハイパーマーケットのような場所では、2つ買うと1つ無料になるようなものです。しかし、eコマースの場合、プロモーションは何かを前面に出すこともあります。50万人の購読者にニュースレターを送信して製品を前面に出すと、実際には製品の価格を1%も下げていなくても売上が大幅に増加することがあります。ですので、同じ言葉でも、話している企業によって非常に異なるものです。
Kieran Chandler: なるほど、通常は売上の増加が見られるので、基本的には良いことなんですね。では、なぜプロモーションは事態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と見なされているのでしょうか？
Joannes Vermorel: プロモーションは事態を複雑にするのは、サプライチェーンを最適化するために予測したいのは将来の需要です。しかし、将来の需要や過去の需要を観察することはできません。過去の売上を観察することしかできません。売上は需要ではありません。売上にはさまざまなバイアスがあります。在庫がない場合、ストックアウトが発生するため、売上はゼロになりますが、需要はまだ存在します。プロモーションはその逆の効果を持っており、実際の需要よりも多くの売上が見られることがあります。たとえば、価格が大幅に下がった場合、人々は今すぐに必要ではなくても、販売している製品で自宅の在庫を増やし始めるかもしれません。ただし、売上は実際の需要を誤った感覚で示すことがあります。ほとんどのサプライチェーンの専門家は、プロモーションの上に移動平均を適用すべきではないことを知っています。なぜなら、プロモーションは観測された需要を無邪気に押し上げるからです。プロモーションが終わると、売上は減少することがわかっています。これは考慮すべき非常に基本的な現象です。さもなければ、計画は完全に間違ってしまいます。
Kieran Chandler: つまり、需要に対する誤った感覚があるということですね。企業はそれにどのように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しょうか？
Joannes Vermorel: 伝統的なサプライチェーンの方法は、プロモーションの効果を隠すために売上履歴を書き換えることです。ほとんどの企業は、売上履歴を見て、プロモーション期間を確認し、スパイクを売上履歴から削除しようとします。これにより、移動平均に非常に似たものを適用するときに、移動平均がたった今行われたプロモーションに過度にバイアスされないようにします。これが正しい方法だと言っているわけではありませんが、現在でもほとんどの企業が行っていることです。
Kieran Chandler: プロモーションによって引き起こされるスパイクを削除することは、非常に危険なことのように思えます。結局、真実の2つのバージョンが得られるのではないでしょうか？なぜ実際にこれを行っているのでしょうか？
Joannes Vermorel: 完全にその通りです。非常に危険です。なぜなら、正確な売上データを作り上げたデータで置き換えているからです。これは現実の歪みであり、そのデータに基づいて計画を立てることになります。はい、実際に危険です。方法論的な危険です。修正が誤った場合、予測は欠陥のある入力に基づいて構築され、サプライチェーン計画の問題を悪化させる可能性があります。
では、なぜ人々が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の最適化に使用している技術を見ると、それは基本的には移動平均の派生バージョンです。移動平均にはさまざまな名前があります - 指数平滑化、ホルト・ウィンターズなどですが、本質的にはすべて移動平均のバリエーションです。これらの方法は、季節性に対処するために少し洗練されていますが、本質的には移動平均です。
これが移動平均しか持っていない場合、会社が利用できる唯一の数学モデルである移動平均に適合するように過去の売上を作成する必要があります。しかし、これは移動平均だけでは不完全な視点です。移動平均以上の要素が存在するからです。
Kieran Chandler: しかし、これらの統計的な方法は、多くの企業が将来の意思決定を基にしているはずです。それでは、実際には機能しているのでしょうか？世界中の企業が使用しているのであれば、それなりに優れているはずですよね。
Joannes Vermorel: 実際には、それほど優れているわけではありません。弊社のクライアントになったほとんどの企業は、実際の問題としてプロモーションの予測を改善したいと述べていました。
移動平均は対応できますが、プロモーションの上昇や効果を予測することはできません。プロモーションがない期間の予測を完全に台無しにすることはないかもしれませんが、今回のプロモーションに対応するものは提供していません。移動平均は少し助けになりますが、問題の本質には対応していません。実際のプロモーションの予測を行わず、プロモーションを非プロモーションの予測に歪めるだけです。それに加えて、この方法は非常に弱いです。正しく機能せず、多くの問題を抱えています。
Kieran Chandler: なぜこれらの企業は移動平均を使って満足しているのでしょうか？なぜ変更しないのでしょうか？なぜまだ存在する問題なのでしょうか？
Joannes Vermorel: 移動平均は、どのエンジニアでも2時間で考えつけるものだと私は信じています。シンプルさは非常に強力です。あなたは2時間で移動平均を再発明し、移動平均を実際に機能させるためのレシピを作り出すことになるでしょう。それは非常に強力な力です。
世界中のサプライチェーンの約80%がまだMicrosoft Excelを使って運営されていることを忘れないでください。Excel上の移動平均は非常に簡単に書くことができます。それがおそらくその理由です。
もう1つの理由は、もっと良い結果を出すためには、かなり難しいということです。突然、移動平均から機械学習に移らなければなりません。非常に単純な方法から、より複雑な機械学習に移る必要があります。
Kieran Chandler: 私たちは、機械学習をしたことがなくても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、それを成功させるためには、プロモーションに関するデータの品質に注意を払う必要があります。このプロセスはどのように機能し、どのように改善方法に進めることができるのでしょうか？
Joannes Vermorel: もちろんです。移動平均以外の代替手段に関わらず、私たちはデータにかなり頼らなければなりません。これにより、ゲームはずっと複雑になります。
Kieran Chandler: もっと良い結果を出すために、どのようなデータを収集すべきでしょうか？マーケティングの取り組み、価格変動、それとも別の何かですか？
Joannes Vermorel: 企業は、プロモーションのメカニズムに貢献するすべての要素を収集する必要があります。価格は一つの要素です。製品の価格を割引しても、その割引について誰にも知らせない場合、割引に気付くのは製品をすでに購入しようとしていた人々だけです。
ですから、プロモーションは単に価格のことではありません。市場にプロモーションがあることを知らせることも重要です。ファッションなどの特定の業界では、シーズン終了セールがあります。誰もがこれらのセールを期待しており、これは特定のタイプのプロモーションです。しかし、一部の領域では、まったく異なるゲームです。
例えば、ハイパーマーケットでは、価格を下げるだけではありません。よく目につく通路の終わりにあるゴンドラの先頭に製品を移動することが重要です。さらに良い方法としては、店舗の入り口にプロモーション対象の製品の大量の山を置くことができます。
では、ここで問題になるのは、あなたのERPシステムがこのデータを正しく追跡しているかどうかです。売買するものを正しく追跡できない場合、会社は破産する可能性があります。何を売買しているか分からない場合、顧客やサプライヤーにだまされる可能性があり、それは破産につながります。
一方、プロモーションの日付がERPの記録に誤って記録されている場合、会社は破産することはありません。しかし、不正確なデータでプロモーションを予測する機械学習アルゴリズムにデータを供給したい場合、それは機能しません。
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の経験から言えば、このプロセスには多くの努力が必要です。ほとんどの企業にとって、品質の高い過去のプロモーションデータを入手するには数ヶ月の努力が必要です。
Kieran Chandler: つまり、計測する必要がある重要な指標ではなく、計測方法の進化があったと言えるのですね？
Joannes Vermorel: はい、非常に難しいです。
Kieran Chandler: 仮に、企業がこれらすべてのことを計測し、その情報を収集した場合、予測を通じてどのようなプロモーションを行うべきか、最適なタイミングはいつか、どのような情報を生成できるのでしょうか？
Joannes Vermorel: はい。まず理解しておくべきことは、過去のデータを修正する代わりに、機械学習アルゴリズムは豊かな過去のデータの視点からそれを見ます。売上を微調整しようとはしません。製品の売上が膨らんだ期間とおそらく検閲された期間をフラグ付けします。
たとえば、プロモーションの終わりに、人々が自分自身の商品のストックを築いた場合、需要が減少することがあります。さらに、検閲された需要が観察される期間があるかもしれません。したがって、これらすべての要素を考慮する必要があります。
Kieran Chandler: つまり、プロモーションの最初の利点は、即座には明らかではないかもしれませんが、非プロモーション期間でも予測の品質を向上させる可能性があるということです。これは、バイアスを予測するのに優れたアルゴリズムを使用することによって実現されます。つまり、プロモーションデータは、プロモーションが行われていない場合でも使用されるということですね？
Joannes Vermorel: はい、直感に反するように思えるかもしれませんが、例を考えてみましょう。ある種のトマトに対する大規模なプロモーションがある場合、他の非プロモーション商品の売上を食いつぶす可能性が高いです。特定の商品に対する大規模なプロモーションが競合商品全体に対して大きな食いつぶし効果を持つことは明らかです。したがって、プロモーションは、プロモーション対象商品だけでなく、非プロモーション商品全体に対しても予測をより複雑にします。
Kieran Chandler: なるほど、最初に思われるほど直感に反するわけではないですが、考慮が必要ですね。では、将来のプロモーションを予測することについて話しましょう。もし今後のプロモーションを把握している場合、その結果としての売上の増加を予測することができます。しかし、将来のプロモーションについての意思決定プロセスについてはどのように行われ、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？
Joannes Vermorel: もちろんです。プロセスの最初の部分は、将来のプロモーションの決定です。2番目の部分は、これらの決定が予測エンジンに入力されることを確認することです。これは過去のデータだけでなく、将来の期待にも関係しています。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場合、予測エンジンは事前にそれについて知る必要があります。機械学習に基づく予測エンジンは、時間内に情報を提供された場合、予測に適応し、将来のイベントを反映することができます。
Kieran Chandler: それは興味深いですね、特に10年に一度のプロモーションのアイデアです。しかし、機械学習の複雑さを考えると、これらの機械はどれくらい早く学習し、適応することができるのでしょうか？結果を見るのはいつから期待できますか？
Joannes Vermorel: それは主にプロモーションの数に依存します。統計のゲームです。製品ごとに年に一度だけプロモーションを実施している場合、何も学ぶことは難しいです。プロモーションの予測は時系列の予測ではありません。各製品はその寿命で一度または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、類似の条件（価格割引、プロモーションの仕組み、コミュニケーションチャネルなど）でのプロモーションの典型的な影響を考慮する必要があります。たとえば、ファッション業界では、年に4〜8回発生する季節末のプロモーションがありますので、複数のデータポイントがあります。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です。
L4 彼らは毎日数百の製品をプロモーションしており、それらはローテーションしています。これは電子商取引でよく起こることです。通常、常に電子商取引のウェブサイトのトップページに表示される1つまたは2つの製品がありますので、常に強力なプロモーションメカニズムが発生しています。しかし、プロモーションの予測について考え始めると、非常に困難になります。お客様からの質問は、予測エンジンがプロモーションを予測できるかもしれないというものですが、彼らが本当に望んでいるのは最適なプロモーションを決定することであり、これは完全に異なる質問であり非常に困難なものです。
Kieran Chandler: たとえば、私たちの視聴者の中にはCEOの方もいらっしゃるかもしれません。組織にプロモーションの予測を実際に導入したい場合、どのようなプロセスを追うべきですか？
Joannes Vermorel: 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。TwitterのデータやFacebookでの人々の発言を収集することではありません。むしろ、どの製品がプロモーションされているか、正確なプロモーションメカニズムは何かを知ることが重要です。おそらく、自社のカテゴリーごとに「1つ買うと1つ無料」や割引率の価格下落、送料無料などのプロモーションがあります。第一歩は、私が準トランザクションデータと呼ぶものを収集することです。これは請求書や支払いには表示されないトランザクションデータですが、非常に明確に定義されています。これらを収集し、システムの一部に組み込み、品質保証プロセスを実施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、目的を考えることです。問題は、垂直によって通常は非常に異なる目的があるということです。たとえば、ファッション業界では、古い在庫を処分して常に最新のトレンドに合った商品を販売することが目標です。一般的な商品では、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トリガーされ、高速消費財の新しいフレーバーなどの認知度を高めるための交渉として行われます。目標は非常に異なるため、実行方法を評価する際には、プロモーションの影響を考慮する必要があります。
お客様に影響を与えようとしており、どのような影響を作り出すかを考えるべきです。たとえば、常にプロモーションが行われることを知っているためにお客様に安く購入させるように教育すると、お客様は少しの我慢をすれば安く手に入ると学ぶことになります。これには戦略的な思考が必要であり、この戦略的な思考は機械学習の前に行われるべきです。
これを正しく行うと、収集したデータと戦略的思考に合わせて整列した機械学習システムを持つことができます。機械学習は非常に機械的なので、高レベルの戦略を実行することはできません。それはあなたの仕事です。
Kieran Chandler: 今日はここまでです。お客様を教育するという話になると、私はおそらく最も教育されていないお客様の一人と数えられるかもしれません。今週はここまでです。ご視聴いただき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。
