00:00:03 Lokadの技術における過去データの重要性
00:01:40 サプライチェーン最適化に必要な履歴の深さ
00:04:24 主要なデータセット：カタログ、注文、販売、現行在庫
00:04:56 予測と季節性におけるカタログデータの役割
00:07:06 包括的な販売履歴データの重要性
00:08:42 製品の販売サイクルの微妙な差異の追跡
00:11:16 価格予測における購買注文履歴
00:13:53 利益率、在庫リスク、予測の困難さ
00:14:32 注文日、納品日、QCの影響の正確な記録
00:16:01 イチゴ出荷におけるQC、注文への影響
00:16:55 現行在庫レベルの重要性の理解
00:17:36 理論上の在庫レベルがもたらす不正確さ
00:18:39 「品切れ」と過去在庫レベルの重要性
00:20:59 二次データセット：プロモーション活動
00:22:00 プロモーション活動が販売動向に与える影響
00:23:13 一般的な誤り：複雑なERPシステムの選択
00:24:39 誤りその2：注文データ記録の欠落
00:25:35 誤りその3：在庫レベルスナップショットの怠慢
00:26:30 正確なデータ記録の重要性
概要
ホストのKieran Chandlerとのインタビューで、Lokadの創業者であるJoannes Vermorelは、サプライチェーン最適化の複雑さについて概説しています。彼は、データの歴史的深さと詳細がいかに重要であるかを強調し、多くの企業がこの課題に直面していると述べています。Vermorelは、正確な予測のためにはリードタイムの10倍に相当する歴史的データが必要であると示唆しています。彼は、カタログ、購買注文履歴、販売履歴、および現行の在庫レベルという4つの主要なデータセットの必要性を強調しています。これらのデータセットは、パターンの発見、予測の最適化、在庫レベルの効果的な管理に役立ちます。最後に、Vermorelは難解なERPシステムの選択や、購買注文や歴史的在庫レベルの記録を怠るといった、クライアントが犯しがちな一般的な誤りを指摘しています。
詳細な概要
インタビューでは、ホストのKieran Chandlerが、サプライチェーン最適化を専門とするLokadの創業者Joannes Vermorelと対話を交わしています。彼らは、Lokadの技術に必要なデータ要件の複雑な性質や、顧客がこれらの要件に適応しようとする際に直面する課題について議論しています。
Vermorelは、量的供給チェーンの最適化に必要なデータの歴史的深さと詳細が最大の課題であると説明しています。企業の現状は比較的把握しやすいですが、企業の歴史を理解するには、より広範なデータの分析が必要です。特に、これまで詳細に注力してこなかった多くの企業は、関連データの収集において困難に直面します。
必要な歴史の長さはビジネスの種類によって異なるとVermorelは示唆しています。1年未満の歴史的データでは、Lokadは季節性を検出するのが困難であり、これはあらゆる統計手法に当てはまります。3年分のデータから効果的に機能し始めます。それにもかかわらず、歴史的データの量は企業のリードタイムにも依存します。リードタイムが短い企業は少ないデータでも機能しますが、リードタイムが長い企業はより深いデータが必要です。一般的な指針として、正確な予測には、適用されるリードタイムの10倍分の歴史が必要とされています。
Vermorelは、予測には魔法はなく、適切なデータがなければ統計的予測も手動の予測も正確にはならないと強調しています。
その後、会話はLokadが使用する4つの主要なデータセット、すなわちカタログ、購買注文履歴、販売履歴、そして現行在庫のスナップショットに移ります。Vermorelはカタログの重要性を詳述しており、これにより彼らの予測技術は製品間の関係を活用して各製品の予測を洗練させることができます。これは、販売履歴のない新製品の予測において特に有益です。製品を特徴づける属性（製品カテゴリー、サイズ、色など）を用いて、類似製品に基づく季節パターンを推測することができます。
Vermorelは、販売履歴は不可欠である一方で、その完全性を確認することが重要だと述べています。販売終了した製品のデータ欠落により、不完全な販売履歴が生じる可能性があります。この時点で会話は中断され、Vermorelは販売履歴の重要性についてさらに詳しく説明することを約束します。
Vermorelは、販売中止となった製品の詳細も含めた完全な販売履歴の必要性を強調することから話を始めています。これは、場合によってはこれらの製品がカタログから除外され、不正確な販売履歴データを招くためです。さらに、彼は販売と需要の違いにも触れ、販売が必ずしも実際の需要を反映するわけではないと述べています。例えば、製品発売直後の販売速度は、将来の需要の推定に役立つことがあります。
続いて、Vermorelは製品販売の開始日と終了日を正確に記録する重要性について語ります。このデータは、消費者行動のパターン、例えば新製品への急激な移行や、オンラインカタログからの削除による販売の急停止などを明らかにします。また、実店舗や各種オンラインプラットフォームなど、異なるチャネルにおける販売履歴の追跡も重要です。
会話は購買注文履歴に移り、Vermorelは、時間の経過とともに各在庫品に支払われた金額を観察することが有益であると説明しています。しかし、彼は為替変動などの要因により将来の価格予測が複雑になると指摘しています。これらの変動が利益率や在庫意思決定に影響を及ぼす可能性はあるものの、Vermorelはこれらの変動を予測することはLokadの主な焦点ではないと主張しています。
また、Vermorelは購買注文や納品に関連する日付を正確に把握する重要性を強調しています。これらの日付は、サプライチェーン最適化に不可欠なリードタイムの把握に役立ちます。リードタイムは季節的要因や旧正月などのイベントによって変動することがあります。彼は、
注文数量と納品数量の間の不一致を記録することが、特に一部の商品が品質検査を通過しない場合に将来の注文に影響を及ぼすため重要だと付け加えています。
Vermorelは、現行在庫レベルのスナップショットを保持する必要性を強調しています。理論上は、販売および購買注文の履歴からこれらの在庫レベルを再構築できるものの、在庫の不正確さがしばしば生じ、時間とともに累積して重大な食い違いをもたらします。したがって、定期的な在庫スナップショットと管理は、効果的なサプライチェーン管理にとって極めて重要です。
Vermorelは、現行および過去の在庫レベルを理解することの重要性について論じています。在庫レベルは、在庫補充の必要性を示すとともに、販売履歴に関する洞察も提供します。例えば、在庫不足、すなわち適切な在庫がないために需要を満たせなかった場合、それは需要の欠如と解釈すべきではありません。実際、ストックアウトによる未充足需要も、観測されていないにせよ需要であるのです。したがって、過去の在庫レベルは在庫不足の頻度と影響を判断するのに役立ちます。さらに、Vermorelは在庫不足を、必ずしも在庫がゼロであることだけではなく、例えば顧客が特定数量の製品を必要とした際、その数量が満たされなければ在庫不足と見なす、といったより微妙な観点からも捉えるべきだと述べています。
その後、会話は二次データセットの重要性に移ります。Vermorelは、プロモーション活動が、価格設定だけでなく、どの製品が各チャネルでプロモートされているかという点でも重要なデータセットであると示しています。このデータは、販売履歴における急増の要因を説明することができます。例えば、急増はプロモーションによるものか、あるいは実際の需要増加によるものかもしれません。この違いを理解することは、将来の需要予測に大いに役立ちます。
Vermorelはまた、クライアントが犯しがちな一般的な誤りについても触れています。第一に、データ抽出が困難なERPシステムを選ぶことです。この選択は、システムがローカルであっても、データ抽出において大きな苦労を招く可能性があります。第二に、購買注文の記録を怠ることです。小規模な企業はスプレッドシートで注文を管理するかもしれませんが、リードタイムの分析を試みる際には問題となります。第三に、過去の在庫レベルを記録しないことです。保管コストが低いことを考えれば、Vermorelはこのデータを保持しない理由はないと主張しています。
完全な書き起こし
Kieran Chandler: 本日のLokad TVでは、我々と協働するために必要なデータの正確な深さを調査し、また、実際に一部の顧客が直面している欠点について理解を深めます。さて、Joannes、なぜ顧客はLokadの技術を十分に活用できないのでしょうか？
Joannes Vermorel: 顧客が直面する最大の課題の一つは、確かにデータです。実際にはそうであるべきではありませんが、通常はそうなります。重要なのは、企業運営に必要なデータと、量的サプライチェーン最適化に必要なデータは同じではないということです。後者の場合、企業の全歴史が必要です。過去20年にわたる必要はありませんが、ある程度の深さと詳細さは必須です。これまでそのようなシステムの構築に成功していなかった、または試み自体がなかった多くの企業は、必要なすべての関連データを得るための細部に十分注意を払ってこなかったため、関連データの収集において複雑な問題に直面することがあります。
Kieran Chandler: 歴史の深さについて話しましたが、必要な最小の履歴期間はどのくらいでしょうか？
Joannes Vermorel: 履歴の深さは、データの種類や企業のタイプによって異なります。一般的な指針として、1年未満ではLokadが季節性を捉えるのは非常に困難です。これはあらゆる統計手法に当てはまります。1年未満では企業の季節性は観察できません。ある程度の正確さで季節性を捉え始めるには約18ヶ月が必要で、2年分で正しく機能し、3年分で非常に良好に動作します。しかし、必要な履歴の深さはリードタイムにも依存します。たとえば、リードタイムが1日であれば、季節性をそれほど重視しなくてもよいため、たった2ヶ月分の履歴で十分ですが、リードタイムが4ヶ月先の場合は、この季節性を捉えることがずっと重要となります。ですから、うまく機能するものを望むなら、適用されるリードタイムの約10倍に相当する履歴が必要だと言えます。
Kieran Chandler: それでは、データそのものについて話しましょう。Lokadでは4つの主要なデータセット、すなわちカタログ、購買注文履歴、販売履歴、そして現行在庫のスナップショットを扱っています。これらについてもう少し詳しく見ていきましょう。まずカタログですが、なぜそれが注目に値するのでしょうか？クライアントは自分たちが何を販売しているのか、その詳細は十分に理解していると思いますが、カタログについて他に何が言えるのでしょうか？
Joannes Vermorel: カタログは最も重要なデータセットです。非常に重要な役割を果たしています。
Kieran Chandler: Lokadの予測技術が、製品間の関係を活用して各製品の予測を洗練させる方法について議論しています。この点について詳しく説明していただけますか？
Joannes Vermorel: もちろんです。例えば新製品の予測では、頼れる販売履歴が存在しません。そこで、製品を記述する属性に依存します。既に発売されている製品に対しては、これらの手法を広範に活用しています。
Kieran Chandler: 例を挙げてもらえますか？
Joannes Vermorel: では、3ヶ月間販売されている製品を例にとりましょう。この製品の予測需要に季節性パターンを適用できるでしょうか？答えは、当該製品の履歴だけを見ると3ヶ月分のデータしかなく、適用できません。しかし、企業が長年にわたって営業していれば、類似製品を参照して季節性を検出することが可能です。つまり、わずか3ヶ月の履歴と製品の属性情報を組み合わせることで、その製品に適用可能な季節性を推測できるのです。
Kieran Chandler: つまり、製品カテゴリやサイズ、色といった属性を含むカタログは非常に重要ということですね？
Joannes Vermorel: はい、その通りです。カタログは必須です。また、カタログ自体が十分に構造化されていない分野では、存在する場合はプレーンテキストのラベルも処理します。目的は、これらの属性を拡張して、たとえ製品に関する情報が限られていても、すべての相関関係を活用し各製品の予測を洗練させることにあります。
Kieran Chandler: 次に販売履歴について話しましょう。予測の観点から、販売履歴は最も重要な情報だと思います。それ以外に、どのような情報に注目すべきでしょうか？
Joannes Vermorel: 最初に、販売履歴が完全であることを確認する必要があります。微妙な点で不完全な場合もあります。例えば、もう販売していない製品の販売データがなかったり、それらの販売データに関連する製品情報が欠けていたりする場合です。過去3年間の完全な販売履歴を持つには、その当時実際に行われたすべての販売、たとえもう販売していない製品であっても含める必要があります.
Kieran Chandler: つまり、もう販売されていない古い製品がデータに歪みをもたらす可能性があるということですか？
Joannes Vermorel: その通りです。時には、もう販売されなくなった製品がカタログや販売履歴から一掃される場合があります。これにより、販売されなくなった製品のデータが容易に参照できず、偏った販売履歴となります。さらに、販売履歴のもう一つの微妙な点は、製品の販売開始時期を正確に記録することです。販売は必ずしも需要と同じではありません。例えば、製品を販売し始めた後、1ヶ月間全く需要がなかったのちに1ユニット売れるのと、オンラインに出してその日に売れるのとでは違いがあるのです.
Kieran Chandler: もう少し詳しく説明していただけますか？
Joannes Vermorel: もちろんです。製品をオンラインに出して、その日に1ユニット売れた場合、1日に1個売れる可能性が示唆されます。しかし、オンラインに出してから最初の1ユニットが売れるまでに1ヶ月待たなければならなかった場合、1ヶ月に1個売れることを意味します。つまり、製品の販売開始時期を把握することが非常に重要なのです.
Kieran Chandler: 統計エンジンはその違いを見極めることができるのでしょうか？ forecasting engine は、需要が実際に始まった日付と、製品の販売を停止した終了日を正確に記録している場合にのみ、2つの状況の違いを見分けることができるのですね.
Joannes Vermorel: その通りです。しかし、製品がなぜ販売を停止したのかを知ることも重要です。市場に新たな、より良い製品が登場し、消費者行動に急激な変化をもたらしたために急に売れなくなったのか、あるいはオンラインカタログや店舗棚から削除したために販売が止まったのか、という点です.
同様に、終了日を正確に記録する必要があります。さらに、市場にオンとオフがある製品や、全チャネルで販売されない製品の場合、他の要因も存在するかもしれません。例えば、実店舗、オンライン、またはB2Bチャネルで販売している場合、どのチャネルがいつ利用可能だったのかといった、需要に影響を与えた履歴を記録する必要があります.
Kieran Chandler: では、次は発注履歴に移りましょう。発注履歴を見ると、各在庫品に対してどれだけ支払ったかが分かるのが良い点だと思います。つまり、将来的にアイテムに支払う可能性のある価格を予測するためにそれを利用するということですね。正しいでしょうか？
Joannes Vermorel: ケースバイケースです。なぜなら、支払う可能性のある価格は仕入先に依存するからです。ほとんどの業界では、仕入先に支払う価格は比較的安定しています。しかし、通常は為替変動によってサプライズが起こることがあります。例えば、見積もりが人民元で出ても、実際にはドルで販売している場合などです。もし為替レートが15％変動すれば、価格が大幅に安くなったり高くなったりするサプライズが起こるでしょう.
Kieran Chandler: そのような為替変動を予測に組み込むことは可能でしょうか？
Joannes Vermorel: それは、何を予測したいかによります。為替変動は影響を及ぼしますが、直接的に需要予測に反映されるわけではありません。むしろ、予測に基づく意思決定の最適化に影響するのです.
たとえば、ある製品のマージンが高いか低いかによって、在庫リスクをどれだけ取るかが変わります。もしマージンが非常に高いアイテムであれば、在庫切れになるのは文字通り致命的です。極端な例では、マージンが95％の場合、1ユニットの販売が残り20ユニット分の過剰在庫を賄うことになるのです。したがって、安定して高いマージンで売れている製品であれば、在庫をむしろ多めに持つべきなのです.
一方、マージンが5％の場合は、在庫量に非常に注意が必要です。在庫が少しでも余れば、その余剰在庫1ユニットに固定される資金を補うために、膨大な売上が必要になるでしょう。もし在庫の償却を余儀なくされれば、そのコストは非常に高くつきます.
一般的に、未来のマージンを予測することは、多くの要因に依存するため通常は行いません。予測は可能ですが、為替変動を正確に予測できる人なんてほとんどいないのです。実際、為替取引で利益を得るために市場で直接取引している人だけがそれを可能にします。それは我々の専門分野ではないので、我々は為替取引において市場よりも優れていると主張するつもりはありません.
Kieran Chandler: では、取引の話からは離れましょう。ところで、発注に関しては他にどのような点が興味深いのでしょうか？
Joannes Vermorel: 一般的に、発注と納品に関わる日付はリードタイムを示すため非常に重要です。サプライチェーンを最適化する際は、すべての意思決定がリードタイムに依存していると考える必要があります。さらに、これらのリードタイムは季節ごとに変動することもあります。例えば、仕入先が手薄になる繁忙期が存在するかもしれません。これらは西暦に基づく季節性の場合もあれば、中国の旧正月のように東暦に従う場合もあり、一般的に中国やアジアからの製品のリードタイムに約2週間の遅れが生じることもあります.
その通りです。また、注意すべき点として、小計的な差異も考慮する必要があります。例えば、100ユニット発注して仕入先が80ユニットしか納品しなかった場合、その情報を記録していますか？または、仕入先が100ユニット納品しても、そのうち20ユニットが品質検査に合格しなかった場合、それは大きな要因となります。これは特に、生鮮食品、例えば傷みやすいイチゴなどの業界で重要です。受け取った出荷の20％が品質検査に落ちる可能性があり、これは毎年、ある一定割合のイチゴ出荷が品質検査を通過しないと予測できるため、必要量が100であれば統計的に20％が不合格となることを見越して、120を発注すべきかもしれません.
Kieran Chandler: なるほど、発注記録や、仕入先がミスを犯す可能性がある日付や数量の記録は非常に重要なのですね.
Joannes Vermorel: はい、そしてまさにこのレベルの詳細な粒度こそが重要です。ここで、パズルの最後のピース、現在の在庫状況のスナップショットについてお話しします。既に発注履歴も販売履歴も把握しており、Lokadには優秀な supply chain scientists が在籍しています。では、本当に現在のスナップショットは必要なのでしょうか？それらの2つの履歴から自動的に生成できないものでしょうか？
Kieran Chandler: 理論上は、入荷数と出荷数を正確に把握することで、在庫レベルを再構築することができます。そうすれば、任意の時点での理論上の在庫レベルが得られます。しかし、実際には在庫の不正確な記録が時折発生します。すべての履歴を辿って在庫レベルを算出すると、その不正確さが時間とともに蓄積し、非常に不正確になってしまうのです.
Joannes Vermorel: その通りです。実際には、在庫のスナップショットと管理が必要です。まず、現在の在庫量を把握する必要があります。現状の在庫が分からなければ、将来の需要予測だけに頼って発注することはできません。既に膨大な在庫がある場合、たとえ需要が非常に高く予測されても、十分な在庫があるため再発注しないかもしれません。ですから、現在の在庫量だけでなく、過去の在庫量も把握する必要があるのです。これは販売履歴にまで遡ります。販売数は需要そのものではありません。在庫切れになった場合、実際には数日間需要が観測されなかったのではなく、提供できなかったという結果なのです。したがって、過去の在庫状況を記録することにより、歴史的な在庫切れの実態を知ることができ、その状況はやや複雑になる場合があります.
例えば、ドアハンドルのようなものを買いたいと考える人がいるとします。彼らはアパートを持っており、全く同じ見た目のドアハンドルを5つ欲しがります。もし店舗に入ってみたら、同じものが3つしか見当たらなかった場合、別店舗でさらに2つ見つかることを期待して3つだけを買うことはしないでしょう。彼らは、最初から見た目がそろった5つのドアハンドルを求めるか、あるいは5つ揃っている別の店舗を探すはずです。つまり、在庫切れは「全く在庫がゼロ」という単純な二元論ではなく、特定の数量を求めるという、より微妙な概念なのです。このため、在庫量の把握が必要であり、過去の在庫データは、在庫の不正確さを自動的に検出するのにも役立ちます.
Kieran Chandler: Lokadが必要とする主要なデータセットについて多く話されましたが、二次的なデータセットについてはいかがでしょうか？そこにも我々にとって興味深い要素があるのでしょうか？
Joannes Vermorel: はい、主に利用するのは基本的な取引データセットです。二次的なデータセットには、プロモーション活動に関連するすべての情報が含まれると考えられます。プロモーションとは、基本的な意味では目立たせる、または前面に出すことを目的としており、単に価格設定の問題だけではありません。各チャネルで何をプロモートするかという点も重要です。例えば、あるeコマース企業が、全顧客に送信されるニュースレターに恒久的に掲載される5製品だけをプロモーションとして打ち出すことがあります。価格割引がなくてもそれは一種のプロモーションですし、オンラインストアのフロントページに掲載される製品でもあります。したがって、二次的なデータセットは、広告を含むすべてのプロモーション関連の情報を網羅しているのです。この種のデータには、ウェブサイト上のeコマーストラフィックデータも含まれる可能性があります.
Kieran Chandler: では、Lokadの現在の顧客事例について少しお話ししましょう。将来の顧客が学ぶべき共通のミスなどはありますか？
Joannes Vermorel: 一番のミスは、データの抽出が極めて困難なERPシステムを選んでしまうことだと思います。これは一種のベンダーロックインです。自社内のシステムであっても、全てをローカルサーバーで運用するシステムを選ぶ企業は多く、その結果、オフィス内にサーバーがあるからといって自分たちが全てをコントロールしていると錯覚してしまうのです.
Kieran Chandler: 実際のところ、システムが利便性を考慮して適切に設計されていないため、データの抽出は非常に困難なのです。例えば、米国市場でQuickBooksから何かを抽出するのは大きな課題です。Intuitには敬意を表しますが、データ抽出は本当に難しいのです.
Joannes Vermorel: その通りです。これがおそらく最初のミスです。次のミスは、通常、発注で見られる統計の欠落を記録しないことです。例えば、年商1,000万ドル規模の小規模企業では、発注書はExcelシートに収まるかもしれません。しかし、より良い記録システムがなければ、リードタイム分析を行おうとする際、データが多数のスプレッドシートに分散しているため苦労することになります.
The third mistake might be failing to snapshot stock levels. Nowadays, hard drives are very cheap, yet many companies don’t record historical stock levels. So when we say we need the past stock situation or the past low stock situation, the data has never been recorded. This is unfortunate because we’re talking about a couple of gigabytes of data which should literally cost pennies. There is no reason not to record this data and keep it indefinitely.
Kieran Chandler: まとめると、今日の議論から聞き手が持ち帰るべき重要なポイントは何でしょうか？
Joannes Vermorel: 私としては、データに注目すべきだと言いたいです。データ自体はそれほど高価なものではありませんが、必要なすべてのデータを正確に記録する最適な時期は「今日」です。3年後に数年分の履歴が必要になったとき、今日始めていなければそのデータは存在しないのです。きちんと整理されたデータを収集・維持することは、先延ばしにできることではなく、今すぐにでも行うべきことです.
サプライチェーンマネージャーとして、データなしで正しい意思決定をすることは不可能です。Lokadのような洗練されたシステムを使っていても、計測しなければ最適化はできません。これは、Lokadが使用する統計アルゴリズムだけでなく、人間にも当てはまります。データなしでは、下す決断は良いものにはなりません。何十万もの製品の販売ユニット数をただ推測することはできないのです.
すべては、会社運営に適したソフトウェアを選び、データにアクセスできることを確実にすることから始まります。そうでなければ、選んだベンダーのソリューションに縛られてしまうでしょう.
Kieran Chandler: 素晴らしい。先延ばしにしがちな私のような人間にとって、基本的な洞察ですね。今週はこれで全てです。来週、また別のエピソードでお会いしましょう。それでは、また近いうちに。さようなら.
