00:00:04 新製品ローンチの需要予測における課題
00:00:35 従来の予測手法に関する問題点
00:02:00 新製品に対する時系列予測の批判
00:03:45 新製品需要予測のための代替アプローチ
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 需要に影響する要因:カラーやサイズといった製品属性
00:11:23 多様な製品特徴の予測におけるディープラーニング
00:11:58 新製品ローンチにおける不確実性
00:13:38 リスク対応における確率的予測の利点
00:14:44 新製品ローンチが既存製品に与える影響
00:16:01 製品カニバリゼーションの概念、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性
00:21:20 統計モデルにおける過剰適合、価格予測の影響
00:21:58 製品予測技術の進展
00:24:33 製品ローンチにおけるカニバリゼーション、顧客ロイヤルティの調査
概要
インタビューで、Lokadの創業者であるJoannes Vermorel氏は、新製品の需要予測における課題について語っています。従来の時系列予測は、新製品に対して過去のデータが不足しているため機能しません。Vermorel氏は、従来の需要計画ソフトウェアが過去のデータに過度に依存していることを批判しています。新製品の場合、市場調査を実施することが提案されます。既存製品のバリエーションである新製品については、需要予測のために製品属性を活用することをVermorel氏は提案しています。彼は、不確実性とカニバリゼーションが新製品需要予測における重大な課題であることを指摘し、確率的アプローチを推奨しています。さらに、Lokadの将来の方針には、顧客の「ソーシャルネットワーク」の活用や、ディープラーニングから微分可能プログラミングへの移行が含まれると示唆しています。
詳細な概要
進行中のインタビューで、Kieran Chandler氏とLokadの創業者Joannes Vermorel氏は、新製品ローンチ時の需要予測の可能性と障害について探求しています。元来困難で予測不可能であるにもかかわらず、Vermorel氏は新製品の需要予測が可能であると主張しており、それには大きな努力とかなりの労力が必要だと述べています。
このインタビューは、製品ローンチの需要予測の重要性を認識することから始まり、これにより企業は新製品発売後に通常発生する需要の急増を活用できるようになると説明しています。しかし、Vermorel氏は、標準のforecasting method、すなわち時系列予測法は新製品に適用すると十分でないと指摘しています。
時系列予測は、過去の傾向を未来に拡張する手法であり、天気予報に類似したアプローチです。例えば、基本的な予測モデルは前週の売上を平均して翌週の売上を予測するかもしれません。しかし、新製品の場合、予測の基礎となる過去の売上データが存在しないため、この方法論は不十分です。
Vermorel氏は、指数平滑法、線形回帰、ARIMAなどのモデルが洗練された移動平均として機能する「美化された移動平均」にほとんど依存する従来の需要計画ソフトウェアをさらに批判し続けています。これらのモデルは季節係数や異なる平均化ウィンドウを考慮する場合もありますが、依然として過去のデータに大きく頼っているため、新製品には適していません。
初代iPhoneのような全く新しい製品の需要予測の問題に取り組む際、Vermorel氏は、statistical forecastsには、関連する過去の観測データが必要であると示唆しています。類似の前例となる製品がなければ、統計的根拠に基づく予測を生成することはほぼ不可能です。
このような独自のシナリオに対する一つの戦略として、市場調査を行い、消費者の意見を測定する方法が考えられます。高額なコストと時間がかかるにもかかわらず、Vermorel氏は、研究開発に数億ドルを費やす可能性があるiPhoneのような大規模なローンチの場合、詳細なmarket researchの費用は正当化され得ると考えています。
Vermorel氏は、複数の新製品をローンチする際に直面する課題の概要を述べるところから始めます。彼は、多くの新製品は完全に新しいものではなく、むしろ既存製品のバリエーションであり、そのため将来の売上予測が容易になると主張します。彼は例としてファッション業界を挙げ、毎シーズン新しいコレクションを発表するものの、それらは通常、シャツや靴といったお馴染みのアイテムで構成され、機能や特徴が異なるに留まると指摘します.
新製品の売上予測において、Vermorel氏は、製品属性という共通の特性を用いて新製品を既存製品と比較する手法を提案しており、これは従来の予測ソフトウェアとは大きく異なると述べています。サイズや色といった属性は有益な洞察を提供する可能性があります。例えば、極端なサイズや特定の色は、より一般的なものほど売れないかもしれません.
新製品の売上予測の従来の方法では、サプライチェーンマネージャーに新製品と既存製品との関連付けを行わせます。Vermorel氏は、このプロセスが煩雑であると批判しており、とりわけ数千の新製品をローンチする場合には、過去のローンチの膨大なアーカイブを手動で検査する必要があるため、一切の直感に基づいた不正確なマッピングは予測を完全に外れる原因となり得ると述べています.
Vermorel氏は、需要予測においてよりインテリジェントなアプローチとして、製品属性を活用する方法を提案しています。業界に応じて、これらの属性は、ファッション製品であればサイズ、色、価格帯、デザインパターン、消費者向け電子機器であれば対応するカートリッジやその他の機能など、様々に異な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アルゴリズムを必要とし、現代の機械学習技術、例えばディープラーニングが役立つかもしれません.
次に、会話は新製品予測に伴う固有の不確実性へと移ります。Vermorel氏は、製品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予測がより有用である可能性があると示唆しています。このような予測は非常に精密ではないかもしれませんが、予測が将来の可能性の範囲を示すことで、関連リスクを認識し考慮するという利点があります.
Joannes氏は、新製品のローンチ時に既存製品から市場シェアを奪うことが多いというカニバリゼーションの問題に注目します。この問題は、新しいコレクションが
古いコレクションの売上を侵食し得るため、業界では通常、新しいコレクションを導入する前にセールを通じて旧コレクションを在庫処分します.
議論は仮説的な状況に移ります。もしAppleが異なる色のiPhoneを同時に発売した場合、選択肢の多様性が売上を押し上げるかもしれませんが、同時に製品間の内部競合を招く可能性もあります.
価格感度に関して、Kieran氏はJoannes氏に、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を尋ねます。Joannes氏はこれに同意しますが、それが問題にさらなる複雑性を加えると説明します。この議論は強化学習の領域にまで及び、既知のデータには適合するものの未知のデータではうまく機能しない過学習を回避するために慎重なバランスが必要であると述べています.
例えば、価格帯を変更する際、ブランドは過去のデータがあまり関係しなくなる未知の領域に足を踏み入れる可能性があります。ブランドは通常、このプロセスを学習の機会として、価格をゆっくりと調整していきます。Joannes氏は、ブランドが予測モデルを用いて自社の価格を設定し始めると、過学習が問題となり得ることを明確にしています。これを避けるためには、価格決定時に予測モデルの出力に過度に依存しないことが極めて重要です.
話題を変えて、Kieran氏は製品予測の近い将来について尋ねます。Joannes氏は、Lokadが最近、ディープラーニング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、そのベンチマークによれば新製品予測の誤差が20%以上削減されたことを示しています.
Joannes氏は、新製品をローンチする際に製品カニバリゼーションの概念を理解する重要性も強調します。小売業者は、多くの新製品を発売すれば売上が大幅に増加すると考えがちですが、Joannes氏は、これらの新製品は同じ顧客層を巡って競合することを思い出させます.
会話は、Joannes氏が顧客の「ソーシャルネットワーク」、すなわちクライアント層の消費パターンを活用するための現在進行中の研究を共有することで締めくくられます。この取り組みは、新製品がまず既存の顧客基盤内で支持を得る傾向があるという認識に基づいています。彼らは、この複雑な課題に効果的に対処するため、ディープラーニングの後継とされる微分可能プログラミングへの移行を進めています.
完全な書き起こし
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信頼性を持てるかについて議論します。Joannes、残念ながら、Lokadには水晶玉はありません。では、本当に新製品を予測できるのでしょうか?
Joannes Vermorel: 短い答えは「はい」、しかし長い答えとしては困難であり、労力と適切な数理が必要です。要点として、人々が予測を考える際、しばしば特定の種類の予測、つまり時系列予測を想像します。天気の温度予報のように考えるのです。基本的に、過去に観測した曲線があり、その曲線を未来に伸ばして予測を得るというものです。最も単純な予測は単なる移動平均で、例えば「来週の売上はどうなるか?」と、前週の売上の平均を取ることで、大まかな目安を得ることができます。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、新製品の場合、全く通用しません.
Kieran Chandler: では、なぜこの時系列アプローチは機能しないのでしょうか?なぜ途絶えてしまうのですか?
Joannes Vermorel: それは、平均を取るためのデータが何もないからです。過去に戻り、過去のデータの平均を取って未来を予測しようとします。しかし、まだ売れていない製品の売上を予測しようとすると、データが一切存在しません。先週の売上がゼロだからといって、将来もゼロと予測するのは意味がありません。製品を発売すれば、少なくともいくつかのユニットは売れるはずです。従来の移動平均アルゴリズムは全く機能しません。興味深いことに、初期の多くの需要計画ソフトウェアは、いわば美化された移動平均に依存していました。派手な名前の多くの統計モデルが存在しますが、結局は美化された移動平均に過ぎません。指数平滑法は一種の移動平均であり、線形回帰も移動平均よりほとんど優れていません.
Kieran Chandler: では、全く新しいものの予測はどのように行うのでしょうか?発売前のiPhoneのように、これまでに存在しなかった製品の場合、実際に予測することは可能なのでしょうか?
Joannes Vermorel: 予測、あるいは統計的予測を行うには、過去からの適切な観測データが必要です。後ろを振り返って未来を予測しようとするものの、参照するデータが必要なのです。全くユニークな製品の場合、統計的観点からは突破口がなく、統計的に扱うことはできません。最善策としては、市場を調査し、人々が購入するかどうかの意見を集めるしかありません。明らかに、これは非常に高額なプロセスです。Appleは、iPhoneを市場に投入するためにおそらく数億ドルを研究開発に投じていたため、iPhoneに対してはスマートな調査に数百または数千ドルを費やす余裕がありました.
Kieran Chandler: では、おおよその売上予測を行う際、多くの新製品をローンチする場合、このような面倒なプロセスに時間を割く余裕は明らかにありません。良い点として、多くの製品を発売している場合、すべてが完全に新しい製品である確率はほぼゼロであり、百単位の製品を全てユニークなものとして発売することはできないからです。毎年何百もの製品を発売している場合、それらはほとんど同じテーマやトピック、スタイルのバリエーションである可能性が高いのです.
Joannes Vermorel: まさにその通りです。既存の製品と新製品の何らかの特徴を関連付けることができます。例えばファッション業界では、各コレクションごとに新しいシャツや新しい靴が登場しますが、結局はシャツや靴であり、これらの製品にはサイズなどの特性があります。販売ユニットの数が分からなくても、極端なサイズは一般的なサイズほど売れないことは理解できるでしょう。統計モデルを構築するためには、この洞察を活用すればよいのです。ローンチ予定の製品の将来需要を予測する際、過去に行った全てのローンチを参照し、製品の属性を通じて新製品と既存製品を関連付ける必要があります.
Kieran Chandler: それは興味深いですね。特に、属性を用いるアプローチは、一般的な予測ソフトウェアで通常行われている方法とは大きく異なっているようです。さて、ディープラーニング技術の進展により、これらの属性を詳細に検討するための主要な手法となっているのでしょうか?
Joannes Vermorel: はい、古典的な新製品予測の視点と比較してみましょう。最初は移動平均モデルしかありません。新製品を予測するためには、サプライチェーンマネージャーに新製品と既存製品との間に関連性を見出すよう依頼します。この従来のアプローチでは、人間であるサプライチェーンマネージャーが「これから発売する製品と最も類似している製品はどれか?」という質問に答える必要があり、それによりその製品がすでに販売されているかのように装います。そうすることで、突然時系列が得られ、過去の売上データを用いた移動平均アプローチに戻ることができるのです.
しかし、もしあなたが新製品を千種類も投入し、その全ての製品に対してマッピングの判断を下さなければならず、さらにこれまでの履歴を見ると、おそらく何万もの製品を発売している場合、そのプロセスは非常に骨の折れる作業になります。過去の発売記録をすべて手作業で調査してこのマッピングを行わなければならないでしょう。もし直感だけに頼って誤ったマッピングをしてしまえば、あなたの予測は全く役に立たなくなります。
より賢明なアプローチは、属性を活用し、どの属性が期待できる需要の量を左右するかを検討することです。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、色もまた重要な要素です。例えば、子供服の場合、子供が汚してしまうため、両親は極端に白い服を購入する可能性は低いです。したがって、子供向けに真っ白な色はあまり適していません。しかし、ビジネスシャツでは、支配的な色は白、ライトブルー、そしてライト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採用したとしても、その売上はごく僅かになる可能性が高いです。このような観察は直感的に行えますが、関係性は非常に微妙であることもあります。属性は非常に多様であり—サイズ、色、価格帯、服のパターンなど—また、家電製品の場合、次のプリンターの需要を予測する際には、互換性のあるカートリッジやその他の特徴など、考慮すべき幅広い特性が存在します。非常に多様です。
Joannes Vermorel: ここでは、これほど圧倒的な多様性に対応できるアルゴリズムが必要になります。そこで登場するのが機械学習の最新の潮流であるディープラーニングです。ディープラーニングアルゴリズムは、製品のプレーンテキストによる説明も含め、非常に多様な特徴を扱うのに特に優れています。
Kieran Chandler: 変動の幅が非常に大きく、考慮すべき点がたくさんあります。新製品の予測結果に信頼を置くことはできるのでしょうか?
Joannes Vermorel: まさにそれが、確率論的予測が取り組もうとしている点です。新製品を発売する際の不確実性は通常非常に高いです。もし新製品の予測が簡単であれば、それは多分「新製品」にはならず、既存製品のほぼ完璧な代替品に過ぎないはずです。その場合、先ほど述べた手動のマッピングは適している可能性があります。しかし、少しでも新しいもの、つまりこれまで販売していた製品と完全には一致しないものを発売する場合、不可避の不確実性が生じます。しかし、それで問題はありません。競合他社も同じ課題に直面しているのです。競争に勝つためには、単に彼らよりも優れた予測を行えばよいのです。あなたに未来を完全に知る水晶玉はありませんが、おそらく彼らにも同じことが言えます。
Kieran Chandler: この不可避な不確実性を踏まえて、どのような期待を持つことができるのでしょうか?
Joannes Vermorel: ここで確率論的予測の利点が発揮されます。確かに、あなたの予測は不正確になるでしょうが、確率論的予測を行えば、その不正確さを十分に把握していることになります。実際には、さまざまな未来の可能性にわたって分布が広がり、あなたの意思決定には予測を大きく上回る、または下回る需要のリスクが織り込まれるのです。即ち、すべての可能性を考慮するということです。
Kieran Chandler: もし今、Lokadの視点から物事を見るなら、事業全体、カタログ全体にわたる確率の幅を見ていることになります。もしある個々のアイテムが大量に売れるか、またはほとんど売れないかであれば、それは我々のすべての予測結果に影響を及ぼすのではないでしょうか?
Joannes Vermorel: その通りです。まさにそれが、この問題をさらに難しくしている要因です。
Kieran Chandler: かなり複雑に聞こえます。私の理解では、新製品の統計的予測を行うためには、過去の発売を検証し、その属性をマッチングさせて関連する製品を見つける必要があります。これはいわば「マッチング」という概念ですが、完全に自動化されているわけです。しかし、新製品を発売することで、既存製品への需要が奪われてしまうのではないでしょうか?
Joannes Vermorel: 確かに、発売するすべての製品は既存の売上を侵食する可能性があります。例えば、あるファッション小売店が新たなタイプのシャツを導入する場合、既にシャツを販売しているため、新しく流行のデザインが現れると、競合他社との市場シェアを奪うだけでなく、既存の製品が買われなくなる可能性があるのです。この状況はカニバリゼーションを引き起こし、管理が非常に難しくなります。
Kieran Chandler: 管理が非常に難しいため、これがファッションブランドがコレクションを展開する主な理由の一つなのでしょうか?
Joannes Vermorel: 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のではなく、セールを行い、既存のコレクションを一掃してから新たなコレクションを始める方が簡単なのです。こうすることで、新旧のコレクション間のカニバリゼーションを避け、一時期に二つのコレクションが競合する状況を防げます。
Kieran Chandler: つまり、新製品の予測を洗練させたいのであれば、それは孤立して行うことはできないということですね。複数の製品を発売すれば、既存製品だけでなく、互いにカニバリゼーションを引き起こすでしょう。
Joannes Vermorel: その通りです。例えば、Appleが新しいiPhoneを発売するとして、発売時に一色(例えば黒だけ)しか提供しなかった場合と、5色を用意して顧客に選択させた場合とでは、売上は同じではありません。選択肢が増えることで売上が僅かに増加する可能性はあるものの、多くのカニバリゼーションも生じるでしょう。
Kieran Chandler: 売上に触れられましたが、これは市場動向に応じた価格調整のようなものですよね。価格の感度を予測する方法はあるのでしょうか?もし価格を下げた場合、その製品の需要を予測することは可能でしょうか?
Joannes Vermorel: はい、しかしそれは問題をさらに複雑にします。これは、古典的な教師あり学習を超えて、強化学習などのより高度なアプローチへと移行する必要があるからです。なぜなら、価格を考慮し始めると、観察される結果を自分でコントロールすることになるからです。
例えば、あるファッションブランドはこれまでに実施してきた価格帯における売上パターンしか観察していません。したがって、もしより高価な価格帯に上方移行することを決定した場合、過去のデータはあまり参考にならない未知の領域に踏み込むことになります。多くのブランドは、学習と検証の機会を保つために、徐々に移行するでしょう。
統計的な観点から見ると、価格帯を入力として受け取る予測モデルを構築すれば、その価格帯に応じて予測を調整することが可能です。しかし、問題はその予測モデルの出力を実際に使用し始めたときに何が起こるかという点にあります。
Kieran Chandler: つまり、価格設定に対処するためのモデルについて話しているのですね。予測モデルを構築し、価格を調整し、異なる価格で同じ製品の発売をシミュレーションする、いわゆる「もしもシナリオ」を実施するということです。このアプローチは、私たちにとって最も有利な最適な価格を見つけ出すことを目的としています。しかし、これを素直に行うと、特有の過学習問題が発生するのではないでしょうか?
Joannes Vermorel: その通りです。もし、ほとんど価格の変動を伴わずにこの試行を何度も繰り返すと、選ばれる価格は単に予測モデル自体の変動に過ぎなくなる可能性があります。要するに、学習プロセスにおける過学習問題を増幅してしまうのです。過学習とは、統計モデルが既存のデータでは良好な性能を発揮するものの、未観測のデータに対してはうまく機能しない状態を指します。皮肉なことに、統計的予測を行う際には、未観測のデータに対してもうまく機能するモデルが求められるのです。
Kieran Chandler: それは、このようなモデルの精度をどのように測定するかという興味深い疑問を投げかけます。しかし、それはまた別の日に取り上げましょう。さて、この価格設定の問題に戻ると、このようなモデルで価格を活用するのは非常に複雑になりかねません。そしてもちろん、価格変数の探索によって大規模な過学習エラーを生み出したくはありませんよね?
Joannes Vermorel: まさにその通りです。価格変数の探索は大規模な過学習を引き起こす可能性があり、これは非常に扱いが難しい側面です。
Kieran Chandler: これは非常に複雑な問題のように思えます。最後の質問ですが、新製品の予測に関して、近い将来はどのような展望があるのでしょうか?期待できる技術の進歩にはどんなものがあるのでしょうか?
Joannes Vermorel: 実は、昨年12月にディープラーニングを基盤とする新たな予測エンジンを導入しました。自社のベンチマークによれば、精度向上における増分的な改善としては、非常に大きなアップグレードの一つとなっています。新製品の予測においては、誤差縮小の面で精度が20%以上向上したのはかなり大きな成果です。このモデルで学んだ一つの点は、プレーンテキストによる説明を活用できる能力であり、これは非常に有用です。例えば、あなたが小売業者で、レゴの箱の販売台数を予測したい場合です。これは、例えばレゴが毎年新しい中世のお城を発売するため、非常に難しい問題です。
Kieran Chandler: 中世のお城とエルフのお城は混同すべきではありません。一方は男の子向け、もう一方は女の子向けとなるでしょう。しかし、これは微妙な違いであり、例えば数千のおもちゃを販売している店舗では、その全ての詳細な属性情報が反映されているわけではありません。
Joannes Vermorel: 確かに、すべては属性に基づいていますが、供給元から得られるデータは必ずしも十分ではありません。また、手作業でそれらを追加・調整する時間も必ずしも確保できるわけではありません。したがって、場合によってはプレーンテキストの説明を処理できる予測エンジンが必要になるのです。現在、我々が取り組んでいる分野の一つは、これらの詳細を活用して、より具体的かつ正確な予測を実現することです。
製品発売においては、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。もし製品を次々と発売したとしても、売上が急上昇するとは限りません。新たに発売するすべての製品は、既存の顧客を巡って競合するのです。そこで、我々が注力している研究分野の一つは、ロイヤルティデータベースの活用です。
通常、小売業者であれば、どの顧客が何を購入しているか把握しています。これは、特定の製品が1日または1週間ごとに何ユニット売れたかという時系列的な視点とは全く異なります。ここでは、過去に製品を購入した顧客のソーシャルネットワークを考慮する必要があります。新製品を発売する際、その製品はまず既存の顧客基盤内で支持を獲得するところから始まるのです。
顧客のソーシャルネットワークを処理できる数学的モデルを構築するには、通常、ディープラーニングからその子孫である微分可能プログラミングへと移行する必要があります。これが、現在我々が直面している局面です。
Kieran Chandler: とても興味深いですね。ここまでにしておきましょう。ソーシャルメディアの予測やロイヤルティの予測は本当に興味深い概念です。今日はお時間をいただき、ありがとうございました。
Joannes Vermorel: ありがとうございます。
Kieran Chandler: ということで、今週は以上です。もし新製品の予測でお困りのことがあれば、ぜひご連絡ください。メールをいただくか、下のコメント欄にご意見をお寄せください。皆さんが直面している課題についてお聞かせいただければ幸いです。今週はこれで終わりですが、また次回お会いしましょう。では、さようなら。