00:00:04 新製品の発売予測の課題。
00:00:35 伝統的な予測手法の問題点。
00:02:00 新製品のための時系列予測の批判。
00:03:45 新製品予測の代替手法。
00:07:22 予測におけるディープラーニングと属性分析。
00:09:06 需要影響：色、サイズなどの製品属性。
00:11:23 多様な製品特性の予測のためのディープラーニング。
00:11:58 新製品の発売における不確実性。
00:13:38 リスク対応における確率的予測の利点。
00:14:44 既存製品への新製品発売の影響。
00:16:01 製品の自己競争概念、ファッション業界の戦略。
00:18:02 価格予測の感度と最適価格の複雑さ。
00:21:20 統計モデリングの過学習、価格予測の影響。
00:21:58 製品予測技術の進歩。
00:24:33 製品発売の自己競争、顧客ロイヤルティの研究。
まとめ
インタビューで、Lokadの創設者であるJoannes Vermorelは、新製品の需要予測の課題について語っています。伝統的な時系列予測は、歴史的データの欠如により新製品には失敗します。Vermorelは、過去のデータに重く依存する従来の需要計画ソフトウェアを批判します。新製品については、市場調査を行うことを提案しています。新製品が既存のもののバリエーションである場合、Vermorelは製品属性を使用して需要を予測することを提案します。彼は、新製品の予測における重要な課題として不確実性と自己競争を挙げ、確率的アプローチを提唱しています。Vermorelは、Lokadの将来の方向性には、顧客の「ソーシャルネットワーク」を活用し、ディープラーニングから差分可能プログラミングへの移行が含まれることを示しています。
詳細なまとめ
進行中のインタビューで、Kieran ChandlerとLokadの創設者であるJoannes Vermorelは、新製品の需要予測の可能性と障害について探求しています。それは本質的に困難で予測不可能であるにもかかわらず、Vermorelは新製品の予測が可能であると主張していますが、それは要求が厳しく、大きな努力を必要とします。
インタビューは、製品の発売予測の重要性を認識することから始まります。これにより、企業は新製品のリリースに続く通常の需要の急増を利用することができます。しかし、Vermorelは、標準的な予測方法である時系列予測が新製品に適用されると不十分になることを指摘します。
時系列予測は、歴史的なトレンドを未来に延長するアプローチで、天候パターンの予測に似ています。例えば、基本的な予測モデルは、先週の売上を平均して来週の売上を予測するかもしれません。しかし、新製品では、予測を基にする過去の販売データがないため、この方法論は不十分です。
Vermorelは、主に「高度化された移動平均」に依存する従来の需要計画ソフトウェアを批判し続けます。指数平滑、線形回帰、ARIMAなどのモデルは洗練された移動平均として機能します。これらのモデルは季節係数や変動する平均窓を考慮するかもしれませんが、それでも過去のデータに大きく依存しており、新製品には適していません。
完全に新しい製品、例えば初代iPhoneの予測について問題を提起し、Vermorelは統計的予測には関連する過去の観測セットが必要だと提案します。類似の過去の製品がなければ、統計的に根拠のある予測を生成することはほぼ不可能です。
このようなユニークなシナリオに対する一つの戦略は、市場を調査し、消費者の意見を測定することかもしれません。高額なコストと時間がかかるにもかかわらず、Vermorelは、iPhoneのような大規模なローンチについては、研究開発に何億もの費用がかかる可能性があるため、詳細な市場調査の費用が正当化されると考えています。
Vermorelは、複数の新製品をローンチする際に直面する課題を概説します。彼は、多くの新製品が完全に新しいものではなく、既存の製品のバリエーションであることが多いと主張します。これにより、その未来の販売予測が簡単になります。彼はファッション業界を例に挙げ、新しいコレクションを毎シーズン紹介しているものの、それらは通常、シャツや靴などの馴染みのあるアイテムで、特徴が異なると述べています。
新製品の販売予測について、Vermorelは、新製品を既存のものと比較して共有属性を使用する方法を提案します。これは、従来の予測ソフトウェアとは大きく異なる方法だと彼は主張します。これらの属性、例えばサイズや色、は貴重な洞察を提供することができます。例えば、極端なサイズや特定の色は、一般的なものほど売れないかもしれません。
新製品の販売予測の典型的な方法は、サプライチェーンマネージャーに新製品と旧製品との間にリンクを確立させることを求めます。Vermorelは、このプロセスが特に何千もの新製品をローンチする際には面倒であると批判します。これには、過去のローンチの大量のアーカイブを手動で検査する必要があります。直感だけに基づく間違ったマッピングは、予測を完全に外れさせる可能性があります。
Vermorelは、製品の属性を使用して需要を予測するより知的なアプローチを提案します。業界によっては、これらの属性はファッションアイテムのサイズ、色、価格帯、パターンから、消費者電子製品の互換性のあるカートリッジやその他の特徴まで変わる可能性があります。この多様性は、幅広い特徴を管理できる統計的なアルゴリズムを必要とします。ここで、深層学習のような現代の機械学習技術が有益であるかもしれません。
その後、新製品の予測に関連する固有の不確実性についての話題に移ります。Vermorelは、製品のローンチ時の不確実性のレベルは通常非常に高いと認め、そのような場合には確率的な予測がより有用であると提案します。そのような予測は非常に正確でないかもしれませんが、利点は、予測が潜在的な未来の範囲を提供することで関連するリスクを認識し、それを考慮に入れることです。
Joannesは、特に新製品をローンチする際のカニバリゼーションの問題に注目を向けます。新製品はしばしば既存のものから市場シェアを奪うため、この問題はファッション業界で一般的です。新しいコレクションが
古いものからの売上をカニバリゼーションすることがあります。これに対抗するため、業界は通常、新しいものを導入する前に古いコレクションをセールで押し出します。
議論は仮定の状況で続きます。もしAppleが同時に異なる色のiPhoneをローンチすると、選択肢の多さが売上を押し上げるかもしれませんが、製品間の内部競争を引き起こす可能性もあります。
価格感受性に関連して、KieranはJoannesに、価格変動に基づいて需要を予測することが可能かどうか尋ねます。Joannesはこれを確認しますが、それが問題に更なる複雑さを加えると説明します。この議論は、強化学習の領域に進み、既知のデータでは良好なパフォーマンスを発揮するが、未知のデータでは不十分なパフォーマンスを発揮する過学習を避けるための慎重なバランスが必要であるという話題につながります。
例えば、価格ポイントを変更すると、ブランドは過去のデータがあまり関連性を持たなくなる未知の領域に進出するかもしれません。ブランドは通常、価格をゆっくりと調整し、このプロセスを学習の機会として利用します。Joannesは、ブランドが予測モデルを使って価格を設定し始めると、過学習が問題になる可能性があると明らかにします。これを避けるためには、価格を決定する際に予測モデルの出力に過度に依存しないことが重要です。
方向を変えて、Kieranは製品予測の近未来について尋ねます。Joannesは、Lokadが最近、深層学習に基づく新しい予測エンジンを導入したことを明らかにします。これは、彼らのベンチマークによれば、大幅なアップグレードを表し、新製品の予測エラーを20％以上減らしました。
Joannesはまた、新製品をローンチする際の製品カニバリゼーションの概念を理解することの重要性を強調します。小売業者は、多くの新製品をローンチすることで売上が大幅に増加すると考えるかもしれませんが、Joannesは、これらの新製品が同じ顧客基盤を対象に競争することを私たちに思い出させます。
議論は、Joannesが顧客の「ソーシャルネットワーク」を活用するための継続的な研究を共有することで終わります。これは、顧客基盤の消費パターンを指します。この取り組みは、新製品がまず既存の顧客基盤内で注目を集める傾向があるという理解に基づいています。彼らは、この複雑なタスクを効果的に処理するために、深層学習から微分可能プログラミングへと移行しています。これは深層学習の後継者と考えられています。
全文書き起こし
Kieran Chandler: 今日は、新製品の予測が実際に可能かどうか、そしてその結果にどれだけの自信を持つことができるかについて議論する予定です。Joannes、残念ながら、私たちのLokadには水晶球はありません。それでは、新製品の予測は実際に可能なのでしょうか？
Joannes Vermorel: 短い答えは「はい」、長い答えは「それは難しく、努力と適切な数学が必要です」です。要するに、人々が予測について考えるとき、彼らはしばしば特定のタイプの予測、例えば時系列予測を思い浮かべます。彼らはそれを天気の温度予測のように考えます。基本的に、あなたが過去に観察した曲線があり、その曲線を未来に伸ばして予測を得たいと考えています。最も単純な予測は、単に移動平均です。例えば、来週の私の売上は何になるでしょうか？もし私が先週の売上を平均すると、それは大まかな範囲を示してくれます。このアプローチは素朴ですが、ある程度は機能します。しかし、新製品については、これは完全に崩壊します。
Kieran Chandler: なぜこの時系列アプローチは機能しないのですか？なぜそれは崩壊するのですか？
Joannes Vermorel: それはもう何も平均化するものがないからです。あなたは過去に戻り、あなたが持っていたものを平均化することで未来を予測したいと思っています。しかし、まだ売られていない製品の売上を予測したい場合、あなたは何もデータを持っていません。もし先週ゼロを売ったからといってゼロを予測するなら、それは何の意味もありません。製品をローンチすると、おそらくあなたはいくつかのユニットを売るでしょう。伝統的な移動平均アルゴリズムはただ単に機能しません。それは興味深いことですが、初期の需要計画ソフトウェアのほとんどは、すべて移動平均の洗練された形に依存していました。多くの統計モデルが洗練された名前を持っていますが、それらは何も移動平均以上のものではありません。指数平滑はある種の移動平均であり、線形回帰は移動平均よりほんの少し良いだけです。
Kieran Chandler: それでは、完全に新しいものに対して実際にどのように予測を立てることができるのでしょうか？例えば、リリース前のiPhoneの例を取ると、それ以前にはそれに類似したものは存在しませんでした。それに対して実際に予測を立てることは可能なのでしょうか？
Joannes Vermorel: 予測、少なくとも統計的な予測を立てるためには、過去の関連する一連の観察が必要です。あなたはまだ後部鏡を見て未来を予測しようとしていますが、見るべき何かが必要です。もし完全にユニークな製品を持っているなら、統計的な視点からは、それは終わりです。統計的には作業できません。最善の方法は、市場を調査し、人々がそれを買うかどうかの意見を取ることです。明らかに、これは非常に高価なプロセスです。Appleは、iPhoneを市場に出すためにおそらく何億ドルもの研究開発費を投資していたので、iPhoneに対してそれを行うことができました。したがって、彼らはまだスマートな調査に数百または数千ドルを費やすことができました。
Kieran Chandler: それでは、あなたがどれくらい売るつもりかの大まかな見積もりについては、明らかに、あなたが多くの新製品を発売しているなら、そのような面倒なプロセスを持つことはできません。良いニュースは、あなたがたくさんのものを発売しているなら、あなたが発売しているすべてのものが完全に新しいものである確率は何ですか？実際には、ほぼゼロです。なぜなら、あなたは完全にユニークな製品を何百も発売することはできないからです。あなたが毎年何百もの製品を発売しているなら、それらはすべて同じ種類のテーマやトピックやスタイルのバリエーションである可能性が高いです。
Joannes Vermorel: まさに、あなたは既存の製品を新製品の何らかの特徴に関連付けることができます。例えば、あなたがファッション業界にいるなら、毎回のコレクションで新しいシャツや新しい靴が出ます。しかし、それらはまだシャツや靴であり、これらの製品には特性があります、例えばサイズ。あなたがどれだけのユニットを売るかはわからなくても、極端なサイズは主要なサイズほど売れないことを理解しています。統計モデルを持つためには、この洞察を活用するだけで十分です。あなたがこれから発売する製品に対する未来の需要をどれだけ予測するかを予測するためには、過去に行ったすべての発売を見て、発売される製品をその属性を通じて古いものに関連付ける必要があります。
Kieran Chandler: それは興味深いです、特に属性アプローチは、通常の予測ソフトウェアで行われていることとはかなり異なるようです。さて、ディープラーニング技術の進歩に伴い、これらの属性をより詳しく見るための主要な方法はそれですか？
Joannes Vermorel: はい、それを新製品の予測における古典的な視点と比較してみましょう。初めて、あなたは移動平均モデルを持っていました、それだけです。新製品を予測するためには、供給チェーンマネージャーに新製品と古い製品との間にリンクを作成するように頼むでしょう。この伝統的なアプローチでは、人間、供給チェーンマネージャーが、「あなたがこれから発売する製品と最も似ている製品は何ですか？」という質問に答える必要がありました。そうすれば、この製品はすでに売れているというふりをすることができます。それから、あなたは移動平均アプローチに戻ることができます。なぜなら、突然、あなたは時系列を持っているからです。あなたは製品の過去の販売を持っています。
しかし、あなたが新製品を千個発売していて、発売予定の新製品ごとにこのマッピング決定を取らなければならないなら、そしてあなたの歴史の中で、あなたはおそらく何千もの製品を発売しているなら、そのプロセスは信じられないほど面倒です。あなたはこのマッピングを行うために、過去の発売の全アーカイブを手動で調査しなければなりません。あなたがマッピングを間違って行い、あなたの直感だけに頼っているなら、あなたの予測は完全に無意味です。
より賢いアプローチは、属性を活用し、どの属性があなたが期待できる需要の量を支配するかを考慮することです。ファッションに戻ると、サイズは非常に明確な指標ですが、色も重要な要素です。例えば、子供服がある場合、親は子供がそれを汚す可能性があるため、極端に白い服を買うことはありません。したがって、子供用の純白はあまり良い色ではありません。しかし、ビジネスシャツの場合、主要な色は白、淡い青、淡いピンクである可能性が高いです。
Kieran Chandler: 例えば、ビジネスシャツに明るい黄色を持ちたいと思っても、それはあなたの販売のごく一部に過ぎない可能性が高いです。このような観察は直感的に行うことができますが、関係性は非常に微妙です。属性は非常に多様であり得ます - サイズ、色、価格帯、服のパターン。または、次のプリンターの需要を予測したいと思っている消費者エレクトロニクスを取り上げてみましょう。考慮すべき特性の広範なセットがあります - 互換性のあるカートリッジ、その他の特性 - それは超多様です。
Joannes Vermorel: ここで、この圧倒的な多様性に対処できるアルゴリズムが必要な状況に直面しています。それが深層学習、現代の機械学習の一種が登場するところです。深層学習アルゴリズムは、製品のプレーンテキストの説明を含む、非常に多様な特徴セットを扱うのが特に得意です。
Kieran Chandler: 変動性が非常に大きく、考慮すべきことがたくさんあります。新製品の予測結果に自信を持つことはできますか？
Joannes Vermorel: それがまさに確率的予測が試みるポイントです。新製品を発売する際の不確実性は通常非常に高いです。新製品の予測が容易であれば、それは新しいものではなく、既存の製品のほぼ完璧な代替品の単純な交換であろうと思われます。その場合、私が先ほど説明した手動マッピングはおそらく適合します。しかし、あなたが完全に一致しない何か新しいものを発売している場合、不可避の不確実性があります。しかし、それは大丈夫です。あなたの競争相手も同じ課題に直面しています。競争を勝ち抜くためには、彼らよりも良い予測をするだけで十分です。あなたは占い師ではありませんが、彼らもそうではない可能性が高いです。
Kieran Chandler: この不可避の不確実性を持つと、どのような期待を持つことができますか？
Joannes Vermorel: それが確率的予測の利点が出てくるところです。はい、あなたの予測は不正確になるでしょうが、確率的な予測を行っている場合、その不正確さを完全に認識しています。実際には、多くの可能な未来にわたる分布が見られるため、あなたの決定は予測を大幅に上回るか下回る可能性のある需要のリスクを考慮に入れます。すべての可能性を考慮に入れることが大切です。
Kieran Chandler: 今、Lokadの視点から物事を見てみると、私たちは全体のビジネス、全カタログに対する確率の範囲を見ています。一つの個々のアイテムが大量に売れるか、非常に少ないかということが、私たちのすべての予測の結果を変えてしまうのではないでしょうか？
Joannes Vermorel: 確かに、それはそうです、そしてそれが問題をより難しくしています。
Kieran Chandler: それはかなり複雑に聞こえます。私が理解するには、新製品の統計的な予測を作成するためには、過去のローンチを調査し、関連する製品を見つけるためにその属性をマッチさせる必要があります。このプロセスは、‘マッチング’の概念のように思えますが、完全に自動化されています。しかし、新製品を発売すると、既存の製品に対する需要が移動します。私の理解は正しいですか？
Joannes Vermorel: 実際、あなたが発売するすべての製品は、既存の販売を食いつぶす可能性があります。例えば、新しいタイプのシャツを導入するファッション小売業者を考えてみてください。彼らはすでにシャツを販売していたので、新しい、トレンディなデザインが入ってくると、あなたは競争相手に対して市場シェアを獲得するだけでなく、あなたの顧客はあなたがすでに販売していた別の製品よりもこの新製品を選ぶかもしれません。この状況は、管理が非常に難しいカニバリゼーションにつながります。
Kieran Chandler: それは管理が非常に難しいため、ファッションブランドがコレクションを持つ主な理由の一つですよね？
Joannes Vermorel: まさにその通りです。この複雑なカニバリゼーション問題を解決しようとする代わりに、セールを行って以前のコレクションをすべて排除し、新しいコレクションを開始する方が簡単です。この方法で、新しいコレクションと古いコレクションの間の売り手のカニバリゼーションを避けます。あなたは在庫を清算して、特定の時点で互いに競争する2つのコレクションを持たないようにします。
Kieran Chandler: だから、新製品の予測を洗練させたい場合、それは孤立して行うことはできない、ということですよね？複数の製品を発売すると、それらはあなたが持っているものをカニバリゼーションし、また自分自身もカニバリゼーションします。
Joannes Vermorel: 正確です。例えば、Appleが新しいiPhoneを発売することを決定した場合、彼らが発売日に5つの異なる色から選べるようにした場合と、一つの色—例えば黒—だけをリリースした場合では、同じ売上にはならないでしょう。より多くの選択肢があると、売上がわずかに増えるかもしれませんが、カニバリゼーションも多くなります。
Kieran Chandler: あなたは販売について言及しましたが、それは製品の価格を市場のトレンドに応じて調整するようなものです。価格の感度を予測する方法はありますか？製品の価格を下げた場合の需要を予測することは可能ですか？
Joannes Vermorel: はい、しかし、それは問題をさらに複雑にします。それは古典的な教師あり学習を超えて、強化学習や他の高度な状況の領域に進むことを必要とします。なぜなら、価格を考慮すると、あなたが観察するものをあなたが制御するからです。
例えば、ファッションブランドは、過去に実践した価格点に対する販売パターンを観察しただけです。したがって、もしもっと高価な価格点に向かって市場を移動することを決定した場合、あなたは過去のデータがあまり関連性のない未知の領域に進出することになります。多くのブランドは、まだ学び、見るチャンスを持つために、徐々に移行します。
統計的な視点から見ると、課題は、価格点を入力として取る予測モデルを構築すると、価格点で予測を調整することができます。しかし、危険は、予測モデルの出力を使用し始めると何が起こるかにあります。
Kieran Chandler: だからあなたが話しているのは、価格を扱うためのモデルですね。まるで予測モデルを構築し、価格を微調整し、同じ製品を異なる価格で発売するという何が起こるかのシナリオを演じることができるかのように。このアプローチの目的は、私たちに最も利益をもたらす最適な価格を選ぶことです。しかし、これが素朴に行われると、特定の過学習問題が生じるのではないでしょうか？
Joannes Vermorel: はい、確かに。この演習を最小の価格変動で何度も繰り返すと、選ぶ価格はあなたの予測モデル自体の変動に過ぎないかもしれません。本質的に、あなたは学習プロセスで持っている可能性のある過学習問題を増幅します。過学習とは、統計モデルが既に持っているデータではうまく機能するが、持っていないデータではあまりうまく機能しないということです。皮肉なことに、統計的な予測をするとき、あなたはモデルが持っていないデータでうまく機能することを望んでいます。
Kieran Chandler: それは確かに、そのようなモデルの精度をどのように測定するかについて興味深い問いを提起します。しかし、それは別の日に取り上げることができます。この価格問題に戻ると、このようなモデルで価格を活用することは非常に複雑になる可能性があるようです。そして、もちろん、価格変数の探索を通じて大規模な過学習エラーを生成したくはないでしょうね？
Joannes Vermorel: まさに、価格変数の探索は大規模な過学習につながる可能性があり、それは非常に難しい側面を管理することです。
Kieran Chandler: それはかなり複雑な問題を解決するように聞こえます。最後の質問として、新製品の予測については、近い将来どのような見通しがありますか？私たちが楽しみにできる技術の進歩は何ですか？
Joannes Vermorel: まあ、ちょうど昨年の12月に、私たちは深層学習に基づく新しい予測エンジンを展開しました。私たち自身のベンチマークによれば、それはおそらく私たちの最も重要なアップグレードの一つで、精度の増加における増分的な利益の観点からです。新製品の予測のための精度の向上は、エラーを縮小する上で20%以上で、それはかなり重要です。このモデルで私たちは学んだ一つのことは、プレーンテキストの説明を活用する能力で、それは非常に有用です。例えば、あなたが小売業者で、レゴの箱のためにあなたがどれだけのユニットを販売するかを予測したいとします。それは難しい問題です。なぜなら、例えば、レゴは毎年新しい中世の城をリリースします。
Kieran Chandler: 中世の城はエルフの城と混同してはなりません。一つは男の子向けに、もう一つは女の子向けに向けられています。しかし、これは微妙で、あなたが店で何千ものおもちゃを売っている場合、それを反映するための細かい属性を実際には持っていません。
Joannes Vermorel: 確かに、それはすべて属性に基づいていますが、しばしばあなたは供給業者からそれほど多くのデータを持っていません。そして、あなたは必ずしもそれを自分で追加したり調整したりする時間を持っていません。したがって、時々、あなたはプレーンテキストの説明を処理することができる予測エンジンが必要です。現在私たちが取り組んでいる一つのエリアは、これらの詳細を活用して、より具体的で、より正確な予測を達成することです。
製品のローンチでは、カニバリゼーションの考え方を受け入れることが重要です。あなたがより多くの製品をローンチしているということは、あなたの売上が急増するということを意味しません。あなたがローンチしているすべての新製品は、あなたがすでに持っている同じ顧客を対象に競争しています。したがって、私たちが焦点を当てている研究分野の一つは、私たちのロイヤルティデータベースを活用することです。
典型的には、あなたが小売業者であれば、どの顧客が何を買っているかを知っています。それは完全に異なる時間系列の視点で、あなたはただ一日あたりまたは一週間あたりにどれだけのユニットが特定の製品で売られたかを考えます。ここでは、過去に製品を消費した顧客のソーシャルネットワークを考慮したいと思います。その考え方は、新製品をローンチするとき、この新製品は主にあなたの既存の顧客ベース内でトラクションを得ることから始まるということです。
あなたの顧客のソーシャルネットワークを処理することができる数学的なモデルを持つためには、通常、深層学習から微分可能なプログラミングに移行する必要があります。これは深層学習の子孫です。それが私たちが今いるポイントです。
Kieran Chandler: それは興味深いです。私たちはそこで終わらなければなりませんが、ソーシャルメディアの予測とロイヤルティの予測は本当に興味深い概念です。今日は時間を割いてくれてありがとう。
Joannes Vermorel: ありがとう。
Kieran Chandler: それで今週はすべてです。新製品の予測に問題がある場合、私たちはあなたからの連絡をお待ちしています。私たちにメールを送るか、以下にコメントを残してください。あなたが直面している課題について聞くことに興味があります。それが今週のすべてですが、次回もまたお会いしましょう。それでは、さようなら。
