00:00:03 確率的予測：導入と概要.
00:01:34 確率的予測における不確実性と精度.
00:02:25 確率的予測：サプライチェーンの非対称性の管理.
00:04:33 確率的予測における捉えどころのない境界と起こりにくい事象.
00:07:43 確率的予測における数学モデルの役割.
00:09:15 確率的予測の精度評価.
00:11:14 確率的予測に対する従来の予測の欠点.
00:13:07 業界での従来の予測の依存性とExcelの限界.
00:15:23 確率的予測の最適な適用例.
00:18:43 確率的予測が不要な業界.
00:20:03 確率的予測：採用とその理由.
00:22:34 確率的予測の将来展望.
00:24:27 将来の手法：確率の明示的計算を省く方法.
00:25:37 関連する未来と需要に焦点を当てる.
00:26:14 製品需要のタイムラインにおける不確実性.
00:27:03 「もしも」シナリオ：価格調整の影響.
00:27:56 選択的探索の重要性.
まとめ
今回のKieran Chandlerとのディスカッションで、Lokadの創設者であるJoannes Vermorelは、確率的予測の性質と利点を解説します。決定論的な予測とは異なり、確率的予測は各結果にそれぞれの確率を伴う一連のアウトカムを提供するものと考えられています。このアプローチは、需要の過大評価や過小評価など、サプライチェーンの非対称性に対応するためのより良い方法と見なされます。単なる平均値に依存するのではなく、潜在的なシナリオの連続体を評価します。複雑ではあるものの、計算能力の向上とディープラーニングの進歩により、確率的予測はより身近なものになっています。Vermorelは、不確実性を取り入れ、多くの変数を統合する予測の未来を予測しており、より詳細かつ現実的な未来像を提示すると約束しています。
拡張まとめ
このLokad TVのエピソードでは、Kieran ChandlerがLokadの創設者であるJoannes Vermorelとの対話を開始し、確率的予測、その利点、実装、そしてビジネスにおける活用について議論します。
Vermorelは、確率的予測が未来の知識が不完全である予測の一形態を意味すると解説します。単一の決定的な結果を予測する決定論的予測とは異なり、確率的予測は各結果に特定の確率が伴う、潜在的な結果のスペクトルを示します。これは未来の出来事に内在する不確実性を受け入れるという考えに基づいています。この方法は絶対的な精度を保証するものではありませんが、意思決定に関してより適切な関連性を提供する可能性があります。
Vermorelによれば、従来の予測に対する確率的予測の主な利点は、サプライチェーンにおける非対称性を扱う能力にあります。彼は、需要の過大評価と過小評価が非対称な結果をもたらす可能性があることを強調します。例えば、航空宇宙分野では、需要を過大評価すると50ユーロで余剰のネジが生じる一方、過小評価すると航空機の運航停止を招き、数十万ユーロもの遅延費用を発生させる可能性があります。
Vermorelは、従来の予測手法がしばしば平均的な結果を目指す一方で、サプライチェーンではコストが極端な事象によって左右されることが多いと指摘しています。彼はさらに、航空宇宙産業や食品小売業界の例を挙げ、過剰な在庫が廃棄や財務上の損失をもたらす問題を説明します。
極端な事象について議論する中で、Vermorelは、明確な境界は存在せず、むしろまれな事象の連続体があると明らかにしています。一般的な製品の場合、日々の需要の2倍が発生する確率は5％、4倍が発生する確率は1％、そして10倍が発生する可能性は極めて低いとされています。確率的予測は平均値に限定せず、可能な結果の範囲を調査します。
Vermorelは無限の未来の可能性を評価するという課題を認めつつも、現代の計算資源によって幅広いリスクを取り込むことが可能であると主張します。貨物船が沈むような極端な事象は起こりにくいですが、税関での遅延やその他の物流上の問題は、供給に同様の影響を及ぼす可能性があると考えられます。
Vermorelは、確率的予測の興味深い性質を解明していきます。彼は、確率的予測の精度を評価するための適切な指標の必要性を提案し、理想的にはモデルによって高い確率が割り当てられた事象により大きな重みをつけるべきだと述べています。
イタリアがワールドカップで優勝するといった仮説的な予測に例え、Vermorelは、モデルの精度が割り当てられた確率と実際の出来事との一致度に反映されることを示します。彼は、確率的予測と従来の予測を比較し、前者は必ずしもより正確ではないものの、より広い範囲の潜在的な結果を考慮することで、より豊かな情報を提供すると述べています。
Vermorelはさらに、確率的予測は平均を取ることで従来の予測に「縮約」できると説明します。しかし、このプロセスでは、極端または「テール」事象、つまり予想外に高いまたは低い需要についての貴重な情報が省略されることになります。これらの事象は、平均からの逸脱がストックアウトや在庫の評価損など高額な結果をもたらすサプライチェーンの文脈において、しばしばより大きな財務的影響を及ぼします。
これらの利点があるにもかかわらず、Vermorelは多くの業界が依然としてExcelを利用して従来の予測手法を用いていることを認めます。これは、Excelが簡単な予測作成において手軽で便利であるためであると彼は説明します。多数の潜在的な未来を考慮する複雑さと計算負荷のために、確率的予測への移行はExcelからの脱却を要求することになります。
Vermorelは、ファッション、航空宇宙のメンテナンス、eコマース、小売店舗レベルの業界など、高い不確実性を特徴とする業界が確率的予測に最適であると指摘しています。これらの業界は、気まぐれなファッショントレンドから特定の航空機部品の散発的な需要、eコマースのロングテールから大規模市場での変動する店舗レベルの売上など、不確実性に直面しています。
Vermorelは、確率的予測が あまり適さない状況、すなわち将来の結果が正確に予測できる業界や事例、例えばセメント生産や特定の自動車生産ラインのように、長期契約によって将来の需要が明確に把握できる場合があると指摘しています。ここでは従来の予測手法で十分であり、確率的予測の真の価値は、将来の結果が正確に予測できない大きな不確実性が存在する状況で現れると、Vermorelは述べています.
その後、会話は確率的予測が決して新しい概念でないにもかかわらず、なぜますます人気を集めているのかという点に移ります。Vermorelは、主に2つの要因、すなわち処理能力のコスト低減とディープラーニングのような統計手法の登場を挙げています。10年前、確率的計算に必要な計算資源は非常に高価でしたが、コストの低下に伴い、これらの手法はより利用しやすくなりました。また、確率的モデリングに支えられたAIの一分野であるディープラーニングの進歩も、確率的予測の普及をさらに後押ししています. 確率的予測の未来について議論する中で、Vermorelは自信を持って、古典的な手法への回帰はないと断言します。確率的予測は未来に対するより多くの洞察を提供するため、情報量の少ない手法に戻ることは逆効果だと述べています。しかしながら、特に複数の要因や製品を含む予測シナリオの場合、その複雑さを認めています。検討すべきシナリオは、要素が追加されるごとに指数関数的に増加し、明示的な確率計算はほぼ不可能になります。Vermorelは、これが将来の手法を、すべての確率を表現しようとしない計算方法に駆動させると信じており、これは既にディープラーニングで採用されているアプローチです.
議論は、将来の予測がどのように不確実性に対応し、複雑な変数を統合できるかについて、Vermorelが一つの展望を描くことで締めくくられます。製品需要、供給のタイムフレーム、価格調整の変動など、あらゆる潜在的な未来を考察することで、その可能性はほぼ無限になります。しかし、Vermorelは、各潜在的な未来を個別に検討するのではなく、必ずしもすべてを列挙せずに多くのシナリオを探求できる数学的手法を用いるべきだと強調しています。このアプローチは多くの課題を伴う一方で、予測の領域における新たな探求の機会をもたらすものです.
全文書起こし
Kieran Chandler: 今日のLokad TVでは、確率的予測が具体的に何であるか、なぜ有用であるのか、そしてどのようにビジネスに組み込んで運営方法を改善できるのかについて議論します。さてJoannes、今注目されているテーマとして、多くのスポーツファンやブックメーカーが誰がワールドカップで優勝するかを予想しようとしています。おそらく、良い出発点は、確率的予測とは何か、という質問でしょう.
Joannes Vermorel: 確率的予測とは、未来に関する情報が不完全である予測の一形態を指します。起こる可能性のある未来と、起こる可能性の低い未来とを見極める感覚を持つことができます。通常、人々は予測を最終的なもの、つまり「このチームが勝つ」という形で考えます。しかし、重要なのは、確実なことは誰にも分からないという点です。あくまで、そのチームが勝つ確率が一定程度であるというだけです。より正確な予測とは、実際に非常に強く、勝つ確率が総じて高いチームの候補リストを持つことです。勝者が分かるという満足感には及びませんが、不確実性が伴う以上、誰もそれを知ることはできません。確率的予測は、未来に関する宣言を確率を伴って行うことを目的としています。それは、未来のすべてを知っているわけではなく、知っているつもりもないという概念を受け入れるものです.
Kieran Chandler: では、従来の予測手法と比べて、これの主な利点は何でしょうか？
Joannes Vermorel: 主な利点は、確率的予測がサプライチェーンに存在するすべての非対称性に対処するアプローチを提供する点にあります。ここで言う非対称性とは、需要を過大評価または過小評価した場合のコストが対称的でないという事実を指します。たとえば、航空宇宙を考えてみてください。需要を過大評価すると、使わないネジが在庫として残るかもしれません。しかし、ネジの必要性を過小評価すると、ネジが1本足りないだけで航空機が運航停止となり、乗客の迂回や遅延によって数十万もの費用が発生する可能性があります。従来の予測の問題点は、平均値を目指している点にあります。しかし、サプライチェーンにおいては、必ずしも平均値を確保することが望ましいわけではなく、コストは通常、極端な事象によって大きく左右されるのです。食品小売業で在庫が過剰になると、全ての投資が失われるほど完全に廃棄しなければならない可能性があります.
Kieran Chandler: では、これらの極端な事象について話すと、それらは基本的に境界線ということになりますよね？では、どのようにしてその境界線を確立できるのでしょうか？
境界線は捉えどころがなく、確率の問題です。たとえば、ある店舗で通常1日あたり5個の需要がある製品について、ある日10個の需要が発生する確率は5％、20個の場合は1％、そして50個の場合はほぼ0％という具合です。つまり、明確な境界線は存在せず、事象はますます稀になる連続体となっており、その確率を評価することができます。しかし、この連続体において、すべての可能性を予測しているというのでしょうか？当然、どこかで線を引く必要があります。明日何が起こるかを正確に知ることはできません。たとえば、もし製品の配達を受ける場合、船が沈む可能性があるというリスクもあります。実際にすべての可能な未来を利用することはできるでしょうか？
Joannes Vermorel: 計算資源の制約から、評価できる範囲には限界があります。確かに、十分なメモリと処理能力を持つコンピュータはありますが、評価する特徴の数は有限に制限しなければなりません。しかし、コンピュータは膨大な計算資源を有しているため、たとえ評価可能な未来が有限であっても、その数は非常に大きくなり得ます。たとえば、通常1日数個しか売れない製品でも、100万分の1の低い確率であっても、1000個の販売確率を手頃なコストで評価することが可能です。同様に、船が沈むリスクも100万分の1かもしれませんが、コンピュータは1秒間に何十億回も計算を実行できるのです.
船が沈むリスクは考慮しないかもしれませんが、税関で無期限に留め置かれるリスクは評価できます。それは実際に起こり得、税関手続きの問題により3か月の遅延を引き起こす可能性があります。そのような遅延は、配送される貨物にとっては、船が沈むのとほぼ同等の影響をもたらします。たとえば、水着を待っている場合、受け取る頃にはシーズンが終わっており、冬になっていて製品は役に立たなくなってしまいます.
Kieran Chandler: はい、海底に沈んだ船は確かに極端な例です。では、先ほど言及された数学モデルについて話しましょう。どのモデルを使用すべきか、どのようにして最適なものを判断すればよいのでしょうか？私が理解している限りでは、使用する数学モデルに応じて、異なる予測や予測手法が存在するということです.
ジョアネス・ヴェルモレル: まず、確率分布を生成する数学モデルが必要です。これは、Excelで使うようなモデルとは全く異なります。人々が予測を考えるとき、通常は何らかの移動平均を想像します。先週や昨年の需要を考え、該当する期間の平均値を取ることで予測を立てるのです。それは悪い方法ではありませんが、単一のポイント推定しか提供しません。
確率論的な世界へ進むためには、確率の分布を生成する何かが必要です。利用可能な数学モデルにはさまざまなものがあります。最も有名なのはポアソンモデルですが、さらに洗練された方法を求めるなら、負の二項モデルを見ることもできます。これらはパラメトリックモデルの異なるクラスに属しますが、ノンパラメトリックモデルも存在します。
キアラン・チャンドラー: より洗練された数学モデルを用いることで、需要予測に役立つ確率を生成できるのは理解できます。しかし、これでプロセスが完了するわけではありません。何が起ころうとも、モデルは常に「言った通り」と主張できるのです。もし需要が10ユニットと予測され、実際に10ユニットが観測されれば、モデルは正しいと言えます。たとえ100ユニットが観測されたとしても、モデルはその事象が起こる確率はあったと主張します。では、どうすればモデルが良いかどうかを判断できるのでしょうか？
ジョアネス・ヴェルモレル: その通りです。だからこそ、確率論的予測に適した、より良い指標が必要なのです。もしモデルが実際に起こる事象に高い確率を割り当てていれば、モデルは良好に機能していると言えます。例えば、イタリアがワールドカップ優勝の確率を80%と予測し、結果的に優勝しなかった場合、モデルは不正確でした。しかし、イタリアの勝利確率を5%とし、実際に勝たなかった場合、モデルは概ね正確であったと言えます。これらの指標は、実際に起こる事象に対してどれだけの確率的重みを割り当てているかを測定します。
キアラン・チャンドラー: 精度について言及されるのは興味深いですね。確率論的予測の精度は、従来型の予測と比べてどうなのでしょうか？ 測定されるものが非常に異なるように思えます。
ジョアネス・ヴェルモレル: その通りです。確率論的予測は、設計上、クラシックな予測よりも正確というわけではありません。しかし、確率分布は平均を取ることでクラシックな予測に縮約することができます。この方法の問題点は、裾野―つまり、需要が驚くほど高いまたは低い事象に関する情報―が失われてしまうことです。従来の指標（例えば平均絶対誤差パーセンテージなど）で確率論的予測の精度を測定することは可能ですが、本質的な意味は薄いのです。目標は、驚くべき事象に関する情報をより多く捉えることであり、財務的に重要な部分で予測が正確であることが重要です。サプライチェーン・マネジメントでは、常に平均的な状況とは限りません。
キアラン・チャンドラー: つまり、確率論的予測の利点は、広い視野で未来を捉え、より豊かな予測を生み出すことができる点にあるということですね？
ジョアネス・ヴェルモレル: そうです、その通りです。それにより、未来を理解するための次元が増し、より深い洞察が得られます。
キアラン・チャンドラー: しかし、その一方で、多くの業界関係者は依然として従来の予測手法を使用しています。なぜ、人々はこの方法に満足しているのでしょうか？
ジョアネス・ヴェルモレル: 彼らがこれらの技術を喜んで使用しているとは必ずしも言えません。実際のところ、ほとんどのサプライチェーンは、確率論的予測の作成に便利に設計されていないExcelのようなツールに大きく依存しているのです。
キアラン・チャンドラー: 予測と言っても、詩的な予測を作成することは可能ですが、従来の予測ほど便利ではありません。クラシックな予測は、単に移動平均のようなレシピを組み立てればよいだけです。しかし、確率論的な世界に進むためには、Excelを手放さなければなりません。Excelで予測を作るのをやめるだけでなく、意思決定もExcelで行うのをやめる必要があるのです。なぜでしょうか？
ジョアネス・ヴェルモレル: あなたの意思決定は、すべての可能な未来の探索となります。あらゆる意思決定を評価し、その決定を全ての可能な未来に照らし合わせて、各決定の経済的成果を算出するのです。これにより、すべての可能な結果に基づいて最良の決定を直接選ぶことができます。突然ですが、検討すべき要素が非常に多く、評価すべき意思決定もまた膨大になり、さらにそれを上回る多くの未来を想定しなければならなくなります。これにより計算量が飛躍的に増加し、根本的にExcelと相容れなくなるのです。
キアラン・チャンドラー: つまり、私の理解では、人々がそのような手法を採用しない主な理由は、必要なツールの不足にあるということですね。彼らがExcelに依存するのは好みの問題ではなく、ERPがサプライチェーンの最適な意思決定に必要な、洗練されたリスク分析を提供できなかったからなのです。では、どの業界で確率論的予測が最も効果を発揮するのでしょうか？ 確率論的予測の最適な成果が見られるのはどの業界でしょうか？
ジョアネス・ヴェルモレル: 確率論的予測は、不確実性が存在する場合に真価を発揮します。例えば、全国規模で電力消費の予測を行いたい場合、高精度な予測が可能です。フランスの1時間ごとの電力消費を、最大48時間先まで約0.5%の精度で予測できるでしょう。これは、ほぼ未来が完全に把握されている状況に等しいです。道路上の交通量予測の場合も、非常に正確な予測が可能ですが、これは高い予測可能性によるものです。しかし、不確実性がより大きい分野に移行すると、確率論的予測の価値が一層高まるのです。
キアラン・チャンドラー: そのような分野の例をいくつか挙げてもらえますか？
ジョアネス・ヴェルモレル: もちろんです。例えば、流行が非常に不規則なファッション業界は良い例です。ファッションには解消不可能な不確実性が多く存在します。航空宇宙産業や一般的な保守においても、航空機自体に不確実性があるのではなく、必要となる部品が極めて稀であるため、需要の予測が困難なのです。部品がいつ必要になるか予測できず、予備部品や航空機が非常に多いため、まるでオープンマーケットで牛乳を何百本も販売するような状況とは大きく異なり、はるかに不規則になります。
一般的なEコマースもまた一例です。商品のロングテールは非常に長く、その売上の大部分は断続的で不規則な販売をする商品から生み出されます。そして、販売時点や店舗レベルで起こるすべての事象も忘れてはなりません。例えば、店舗内、あるいは最大で10万品目を取り扱うハイパーマーケットであっても、ヨーロッパでは毎日5ユニット以上売れる商品は約2,000品目に過ぎません。他のすべての品目は1日あたり5ユニット未満の販売にとどまります。つまり、販売数は少なく、その不規則性は非常に大きいのです。ここで確率論的予測が輝くのは、在庫に関する意思決定に伴うリスクへの洞察を提供してくれるからです。
キアラン・チャンドラー: つまり、要するに、確率論的予測は不確実性が高い分野でその真価を発揮するということですね？
ジョアネス・ヴェルモレル: その通りです。
キアラン・チャンドラー: 不確実性が大きい場合、需要が驚くほど低いケースと高いケースの双方を考慮して意思決定を最適化する必要があります。さて、確率論的予測のメリットについては多く語りましたが、逆にこの手法があまり適していない業界はあるのでしょうか？ 実際、クラシックな予測で十分な業界は存在するのでしょうか？
ジョアネス・ヴェルモレル: はい、例えば、セメントを生産しており、今後3年間の受注積が確実にある場合には、予測は不要です。未来が既に確定している場合は、自動車産業の一部の生産ラインでも同様です。大手自動車メーカーが非常に精密なロードマップを提供し、12ヶ月先の生産予定がほぼ完全に決まっている場合、計画に不確実性が残らず、単なる実行の問題となるため、確率論的予測は役に立たないのです。確率論的予測は、何らかの不規則性が存在する場合にのみ有効です。未来を完全には把握できない、もしくは次の12ヶ月間の計画がすでに確定している場合、基本的に確率論的予測は必要とされません。
キアラン・チャンドラー: では、なぜ今、企業が確率論的予測を使い始めているのでしょうか？ 特に新しい技術ではないにもかかわらず、なぜ今、業界でより一般的になっているのでしょうか？
ジョアネス・ヴェルモレル: 理由はいくつか考えられます。まず、計算量が大幅に増加し、統計モデルが100倍から1,000倍もの計算能力を消費するようになったことです。幸い、処理能力が非常に安価になったため、それがボトルネックになることはほとんどありません。しかし、10年前にはこれらの確率計算の多くが非常に高価であったのです。月々2,000ユーロの予算で処理能力を確保するのと、200万ユーロをかけるのとでは、実際に大きな違いがあります。これはコスト面で3桁のオーダー差があるということです。明らかに、処理能力が格段に安くなったことが、これらの手法を実用的にした大きな要因です。次に、深層学習と呼ばれる統計的手法のクラス全体が存在することです。そこからこの人工知能というバズワードが生まれたのです。深層学習は本質的に確率論的予測に基づいており、技術的な細部に興味がなくても、例えば音声認識を行うソフトウェアがあるという事実を楽しむことができるのです。しかし、その裏側では確率計算が駆動しているのです。まず、以前よりも処理能力が向上し、その上でAIのベンチマークでトップに立った深層学習のような数学理論が登場したのです。例えば、AIが囲碁の世界チャンピオンのような選手に勝利した際には、組合せ的な手法ではなく、確率論的手法が用いられたのです。
キアラン・チャンドラー: なるほど、確率論的予測は現代の重要な手法であるようですが、未来はどうなると思いますか？ 次のステップとして、確率論的予測はどのように進化するとお考えですか？ 長く続くとお考えでしょうか？
ジョアネス・ヴェルモレル: そうですね、もう猫は箱から出てしまったので、元に戻ることはないでしょう。おそらく、クラシックな予測に戻ることはないと考えています。一度確率論的予測を得れば、未来についてはるかに多くの情報が得られるため、本質的に洞察が乏しい手法に戻るのは非常に不自然です。
キアラン・チャンドラー: 未来に関する情報が少なくなるというのは、たとえすべての可能な未来を探索したいと言ったとしても、実際にはすべての可能性を探ることはないということですね。例えば、ある製品が0個、1個、2個、3個売れる確率を考え、別の製品についても同様の分析が可能ですが、2製品を合わせた場合の同時確率はどうなるのでしょうか？
ジョアネス・ヴェルモレル: その通りです。突然、製品Aの需要すべてを考慮するために100のシナリオを見積もる必要が出てきます。製品Bについても同様に100のシナリオを評価しなければなりません。しかし、製品AとBを合わせた場合となると、約1万のシナリオが必要です。そして、もし第三の製品を加えて各100のシナリオを考慮すると、合計で100万のシナリオとなります。すべての確率を明示的に表現しようとすると、状況は急速に複雑になります。将来的には、これらの確率を明示的に表現しようとしない手法がますます見られるようになると思います。つまり、起こり得るすべての可能性を計算しようとしなくても、確率を明示せずに計算を実行する手法が登場するのです。これが深層学習やAI技術の本質です。彼らは確率を計算しますが、すべてを確率として明示するわけではありません。大きな利点は、極めて複雑で、どんなコンピュータやコンピュータの群れでも到底処理できないような未来のシナリオを探索できる点にあります。
賢い数学的手法を用いれば、これらのあらゆる特徴を探索することは可能です。深層学習の本質は、未来をランダムに探索するのではなく、予測に最も関連性が高い未来にズームインすることにあります。つまり、無作為にすべてを探索するのではなく、比較的密度が高く、興味深い未来である可能性が高い領域に注目するのです。
この手法により、無数のシナリオが解き放たれるでしょう。例えば、今年おそらく試みることの一つとして、製品のあらゆる需要レベルだけでなく、時間軸上のあらゆる可能な期間も探索することが挙げられます。予測は、いつ始まりいつ終わるかがランダムに決まるものであるべきなのです。
これは例えば、船便で商品の配送が来るが、出荷時期に不確実性がある状況を反映する方法です。商品が店舗、オンライン、オフラインでいつ販売可能でなくなるか正確にわからず、在庫計画を立てる際にその不確実性を考慮する必要があるからです。
商品の受領時期、そして需要が実際に始まり終わる時期に関する不確実性を考慮する必要があります。さらに先を見据えるなら、もしもシナリオの探索を始めることは非常に興味深いでしょう。
我々の長期的なロードマップの一環として、製品に対して行えるあらゆる価格調整を考慮した場合に、需要のすべての可能な未来がどうなるのかを探索し始める計画もあります。現在の価格を維持した場合の需要の未来と、追加の価格調整を行った場合のすべての可能性を検討したいのです。
すべての可能な未来について考え始めると、数値は極めて大きくなります。重要なのは、それらの未来を一つ一つ個別に繰り返し計算しようとしないことです。多数の未来を全て列挙せずに探求できる数学的な手法が必要なのです.
Kieran Chandler: ええ、可能性があまりにも多すぎるように聞こえますね。コンピューターに任せられて本当に良かったです。さもなければ、私の頭はおそらく爆発してしまうでしょう。でも、今日はここまでにしないといけません。確率論的予測について時間を割いて説明してくれてありがとうございました。とても興味深かったです。これで本日のエピソードは終了です。来週またお会いしましょう。その時までにぜひ動画をチャンネル登録しておいてください。またすぐにお会いしましょう。さようなら.
