00:00:07 購入意思決定を最適化するために天候データを活用する。
00:00:41 天候に敏感な製品と天候との相関関係。
00:02:00 天候データスタートアップの歴史的背景とそのニッチな地位。
00:03:23 電力会社が消費予測のために天候データを効率的に活用する。
00:06:02 サプライチェーンデータと比較した天候データの複雑さと技術的課題。
00:08:00 天候がIPO市場と製品需要に与える影響。
00:10:00 サプライチェーンにおける天気予報の限定的な利点。
00:12:45 製品需要の説明における過去の天候データの有用性。
00:14:00 気候変動を活用して季節予報を改善する方法とその限界。
00:15:49 日々の温度変動と長期的な気候変動の影響を比較する。
00:17:01 サプライチェーンの意思決定における取引データ利用の重要性。
00:18:04 サプライチェーン理解を深めるためのウェブトラフィックデータの活用。
00:18:36 サプライチェーンの意思決定における競合インテリジェンスの活用。
00:19:27 結論：天候データを探る前に他のデータソースを優先する。
概要
Joannes Vermorel（Lokadの創業者）は、ホストのKieran Chandlerと共に、サプライチェーン最適化における天候データの可能性と限界について議論します。Vermorelは、天候データには強い説明力があるものの、予測の精緻化にはあまり有用でない可能性があると指摘します。天候の多次元性が、効果的に予測に組み込むことを困難にしているためです。彼は、天候データやソーシャルデータに代わり、まず取引データやウェブトラフィック、競合インテリジェンスといった非取引データを優先すべきだと強調します。天候データは、過去の売上実績を分析する際に有用であり、天気予報技術や供給チェーン管理が進化すれば、企業が戦略的意思決定のために天候データを活用する大きな機会が生まれるでしょう。
拡張概要
本エピソードでは、ホストであるKieran Chandlerが、サプライチェーン最適化に特化したソフトウェア企業Lokadの創業者、Joannes Vermorelにインタビューを行います。彼らは、購入意思決定の最適化における天候データの役割や、異なる予測を組み合わせる際に生じる複雑な問題について議論します。
サプライチェーン最適化のために天候データを使用するという考えは単純です。多くの製品は天候に敏感で、その需要は気象条件に左右されます。例えば、バーベキュー用の肉や、気候によって選ばれる自動車が挙げられます。多くのサプライチェーン手法は、天候データを組み込むことで予測の改善を図っています。
10年前、天候データと予測精緻化に注力するスタートアップが話題になりました。しかし、当初の関心にもかかわらず、サプライチェーン最適化に天候データを利用する分野は依然としてニッチな領域に留まっています。Lokadは約10年前に大企業向けのプロジェクトをいくつか実施しましたが、得られる利益に見合う労力を要するため、その取り組みは次第に縮小しました。
Lokadの経験から得られた重要な洞察の一つは、天候データが非常に複雑であるということです。これは多次元的な問題であり、地理的多様性が非常に高いのが特徴です。例えば、標高などの要因により、20キロ離れた場所でも気象条件が大きく異なることがあります。さらに、天候は一日の中で均一ではなく、予測をより難しくしています。
しかし、電力会社のように天候データを活用して成功している業界も存在します。彼らはこのデータを利用して電力消費量を予測し、グリッドが必要とする電力を毎分正確に供給しています。電力を蓄積することは非効率で実用的でないため、正確な予報が不可欠となります。
サプライチェーン最適化のために天候データを利用するという概念は理にかなっているものの、実際には非常に複雑であり、依然としてニッチな領域に留まっています。天候の変動性と多次元性が、予測への効果的な組み込みの障害となっています。しかし、電力会社のように特定のニーズに合わせて天候データを活用することで成功を収めている業界もあります。
Vermorelは、天候データがその地理的特性と、雨、風、湿度、日照といったさまざまな要因により非常に複雑であると説明します。この複雑さにより、天候データは従来のサプライチェーンデータと比べ、はるかに大規模で扱いにくいものとなっています。
クラウドプロバイダーのおかげで天候データの取得は容易になったものの、このデータを売上パターンと関連付けて処理することは依然として課題です。Vermorelは、天候が局所的に売上に影響を与える可能性が高いことを指摘し、企業はこれらの微妙な差異を考慮するためにさまざまな経験則を用いなければならないと強調します。
気温に基づくよりシンプルで反応的なトリガーの使用提案に対し、Vermorelは気温が重要な要因となり得ることを認めつつも、それだけでは不十分であると強調します。たとえば、暑くて雨が降り、風が強い週末でも、バーベキュー製品の需要が急上昇するとは限りません。さらに、顧客も企業と同様に天気予報を確認しており、その結果、天候予測に基づいて購買パターンが変わる可能性があると指摘します。
短期の予測精度に目を向けると、Vermorelは10日以上先の天気予報は通常、サプライチェーンの意思決定最適化にあまり役立たないと説明します。例えば猛暑などのイベントでは、予報が真に重要なのは開始時と終了時のみであり、有用な期間は非常に限られます。
サプライチェーンと天気予報の未来について議論する中で、Vermorelはより精度の高い予報が大きな影響をもたらす可能性を認めます。しかし、彼によれば、天候データの最も興味深い活用は、実際には過去の売上実績の分析にあるかもしれません。例えば、パリでの猛暑が原因で成功したアイスクリーム販売キャンペーンが、効果的なマーケティングによるものかどうかを理解することは、企業に貴重な洞察を提供します。
サプライチェーン最適化に天候データを組み込むことは複雑かつ困難な作業ですが、過去の売上実績の理解や短期予測において限定的な利点がある可能性があります。天気予報技術とサプライチェーン管理が進化するにつれ、企業が戦略的意思決定のために天候データを活用する機会はさらに広がるでしょう。
Vermorelは、天候データの重要性、気候変動の影響、そして企業がより良いサプライチェーン最適化のために注目すべきデータの種類について洞察を共有します。
Vermorelは、天候データは強い説明力を持つ一方で、予測の精緻化には必ずしも有用ではない可能性があると説明します。多くのサプライチェーン実務者は、天候データが過去の理解には役立つものの、必ずしも将来予測に効果的であるとは考えていません。
季節予報に対する気候変動の影響について尋ねられた際、Vermorelは、気候変動が重要なグローバルな問題である一方で、時間枠の違いによりサプライチェーン最適化への影響は最小限であると指摘します。気候変動の予測は数世紀にわたるのに対し、サプライチェーンの意思決定は数ヶ月から数年単位で行われるため、その影響は比較的小さいのです。
Vermorelは、サプライチェーン最適化における取引データの重要性を強調します。彼は、多くの企業が在庫やストックアウトコストを財務的に評価せず、このデータを十分に活用できていないと指摘しています。取引データを最大限に活用することで、企業はサプライチェーンの意思決定を最適化できるのです。
さらに、Vermorelは、収集が容易で企業のサプライチェーンに高い関連性を持つ非取引データに注目することを提案します。例えば、ウェブトラフィックデータは、顧客行動や製品パフォーマンスに関する貴重な洞察を提供します。競合他社の価格情報など、競合インテリジェンスもまた価値あるデータソースですが、収集はより困難な場合があります。
天候データとソーシャルデータも有用である可能性はありますが、Vermorelは、企業はまず取引データ、ウェブトラフィックデータ、競合インテリジェンスデータを優先すべきだと推奨します。天候データとソーシャルデータは、他のデータソースを十分に活用し、大規模なデータサイエンスチームを有する場合に検討されるべきです。
天候データは、過去のサプライチェーンパフォーマンスを理解する上では有用かつ興味深いものですが、最適化のためには他のデータソースの方が重要です。企業は、天候データやソーシャルデータを探求する前に、まず取引データ、ウェブトラフィックデータ、競合インテリジェンスデータを優先すべきです。
完全な書き起こし
Kieran Chandler: 今日は、異なる予測を組み合わせる際に生じる複雑さや、このデータを活用して有益な洞察が得られるかどうかについて議論します。
Joannes Vermorel: 基本的な考えはシンプルです。需要に関して非常に天候に敏感な製品が数多く存在します。例えば、晴天なら来週末に購入するバーベキュー用の肉を思い浮かべることができるでしょう。そして、一般的には、天候に非常に敏感な製品群があり、ある意味、ほとんどすべての製品が何らかの形で天候の影響を受けています。たとえば、非常に寒い地域に住んでいると、暑かったり雨が多かったりする地域で選ぶ車とは異なる車を選ぶかもしれません。ですから、このデータは非常に興味深く、明らかな要因であるため、多くのサプライチェーン手法は、特に天気予報から得られるデータを取り入れることで予測の改善を図ろうと考えています。
Kieran Chandler: 知っている情報が多ければ多いほど、将来に基づいた意思決定がより適切に行えるはずです。では、実際にはどのように機能するのでしょうか？
Joannes Vermorel: 興味深いのは、特に実際にどのように機能するかという点です。私がLokadを設立した10年前、天候データや天候を活用するスタートアップが大変注目されていました。当時、フランスでは天候データを用いた予測精緻化に特化したスタートアップが3社、アメリカではおそらく20社ほど存在していました。つまり、10年前のことであり、天候を活用した解析全般が一つのバズワードになっていたのです。しかし、実際にはこの分野は非常にニッチなままでした。Lokadでも約10年前に大企業向けのプロジェクトをいくつか実施しましたが、その活動は次第に縮小しました。要するに、得られる利益に対して労力があまりにも大きすぎたのです。
Kieran Chandler: では、あの頃実際に実践してみて、何を学んだのでしょうか？
Joannes Vermorel: 私たちは多くのことを学びました。ヨーロッパの大手電力会社とのプロジェクトを行いましたが、これこそが現代で天候データを非常に効率的に活用している企業の一例だと考えています。電力会社は、各分ごとにグリッドの需要に合わせた電力供給を行うため、天候データを用いて電力消費量を予測しています。ちなみに、電力をストックすることはできません。あるいは方法はありますが、非常に非効率で遅く、実用的ではありません。従って、非常に正確な予測が必要です。さて、天候データに戻ると、得られた主要な洞察は数多くありました。一つは、天候が非常に複雑であるという点です。人々は、天候が多次元的な問題であることに気づいていません。地理的な格子があり、天候は極めて局所的な現象です。たった20キロメートル離れているだけで、標高の差により温度が15度も異なることがあると知り、私は驚かされました。つまり、地理的多様性が非常に豊かなだけでなく、天候は一日の中で文字通り分単位で変化する精密な現象なのです。地理的な要素に加え、時間の粒度も極めて細かいのは当然です。夜に雨が降るのか、日中に降るのかで大きな違いが出ます。しかし、天候自体は、単に温度や降雨の有無だけでなく、風、湿度、光、風速、風向き、さらには連続して吹くかどうかといった複数の指標によって構成される、多次元的なものです。結果として、天候データは、既に複雑なサプライチェーンデータと比べても、はるかに複雑なものだと言えます。
Kieran Chandler: そうですね、これらの複雑さは確かに存在しますが、すでに対処されている問題でもあります。これらは十分に収集されており、現時点で私たちが把握し始めている技術的な課題とはどのようなものでしょうか？
Joannes Vermorel: そうですね、まず最初に、サプライチェーンデータの10倍から100倍ものボリュームの気象データを抱えることになるのです。つまり、ソフトウェアエンジニアリングの観点からは、サプライチェーンとその規模に対応するために設計されたものを使っているはずなのに、気象データを扱うには実際に100倍のデータを処理しなければならず、その点で非常に多くの摩擦が生じるのです。十年前は、気象データにアクセスすること自体が一苦労でしたが、現在では多くのクラウドプロバイダーがクラウド上で直接データを提供してくれるため、その問題はずっと容易になりました。しかし、実際にそのデータを処理するのは非常に複雑です。なぜなら、これは気象シミュレーションのために気象データを使うという話ではなく、非常にニッチな用途、つまりこのデータと売上パターンとの相関をとるという話だからです。そして、改めて言いますが、気象は非常にローカルなものです。例えば、半径30キロ、あるいは50キロもの広い地域から人々を集める市場がある場合、一つの気象状況だけではなく、より広域のデータを統合し、必要なヒューリスティクスを自分で見出さなければならないのです。
Kieran Chandler: しかし、ここで高度や粒度の違いを見始めると非常に複雑になってしまいます。もっとシンプルで、例えばよりリアクティブな何か、min/maxの代わりに、温度がある一定の度数に達したら自動で発注がかかるような仕組みといったものは導入できないでしょうか？それは面白いアイデアではありませんか？
Joannes Vermorel: 確かに、面白いアイデアです。温度というのは最初に注目すべき計測値で、絶対に重要です。そして、確かに温度や日中の平均温度だけに注目して始めることはできます。しかし、それだけでは知るべきすべてを反映しているわけではありません。例えば、次の週末が非常に暑くなるという理由でバーベキューの需要が急増し、肉の需要が高まると期待しても、もし同時に大雨や強風が予想されるなら、バーベキュー用品の需要はそれほど急増しないかもしれません。つまり、温度は重要ですが、天気予報が示すように、今週末または来週末が高い確率で素晴らしい週末になると皆が知れば、天候に敏感な商品を買い始めるお客さんが出てくるのです。もし1、2日の遅れたデータだけで分析すれば、当然天気に関する情報は得られます。ただし、天気予報は約10日を超えると正確性に欠けるため、10日以上先の未来を予測材料に最適化することはできません。10日を過ぎると、ほとんど何も知らなかったかのように季節平均に戻ってしまうのです。確かに興味はありますが、実際に予測が有効なのは猛暑が始まる直前の数日間、そして猛暑が終わる直前の2～3日間といった、非常に短い期間に限られるのです。
Kieran Chandler: つまり、予測に使えるウィンドウは非常に狭く、これらのデータを集めること自体が大きなメリットをもたらすわけではないということですね。ところで、将来のサプライチェーンを見据えて、いつかは未来の天気予報が非常に正確になり、さらに遠い先を見通すことができ、サプライチェーン全体をより効果的にコントロールできるようになったとしたら、天気予報が今よりもはるかに有用になる日が来ると想像できますか？
Joannes Vermorel: 可能性は十分にあります。たとえば、電力会社などは非常に効率的にそれを実践しています。彼らにとって、気象データは非常に価値のあるインプットであり、その正確性を大幅に高める助けとなっています。しかし、興味深いのは、気象データの最も有用な応用が未来予測ではなく、実際には過去の振り返りにあるという点です。例えば、アイスクリームを販売していて新たなプロモーションキャンペーンを展開し、それが非常に好調な売れ行きを示した場合、その成功はキャンペーンの質の良さによるものか、それともパリで猛暑があり、ほぼすべてのアイスクリーム販売店がその期間に好調だったためか、という疑問が生じます。こうした需要の説明には、過去の気象データを振り返ることが非常に有用なのです。ここでは、細かな粒度の複雑さに対処する必要はなく、長期間あるいは広い地理的エリアにわたってデータを集計すれば、強力な説明力を得ることができます。
Kieran Chandler: それがおそらく、多くのサプライチェーン実務者を含む人々が、予測を改良するために気象データを利用しようと熱心である理由でしょう。たとえその部分がうまく機能しなくても、気象データは過去を説明する上で非常に有用なのです。ところで、気候変動のようなものはどうでしょう？世界が徐々に温暖化しているという認識がありますが、これは今後の季節予測に影響を与えるはずです。この洞察を活用することは可能でしょうか？何か有用なものがあるのでしょうか？
Joannes Vermorel: 残念ながら、これは桁違いの問題です。最も悲観的な気候変動予測でさえ、長年のスパンで見た場合、日々の気象変動と比べれば依然としてごくわずかな変化しか予測していません。
Kieran Chandler: もちろん、21世紀においては数度の差という話です。ちなみに、地質学的な時間で考えると、気候の進化は非常に急峻なものです。例えば、地球全体が1世紀で2度暖かくなったり冷えたりするなら、それはかなり大きな変化であり、非常に重要なことです。それでも、1世紀に数度の変化という話です。たとえば、パリのような非常に穏やかな気候であっても、通常は日中の最高気温と最低気温との間に約20度の変動があります。しかし、世界には昼間と夜間で40度もの温度変動がある地域も多々存在します。
Joannes Vermorel: 要するに、1世紀でたった2度の気候変動は、季節ごとの大きな変化と比べれば実にわずかです。ほとんどの消費財は市場に登場すると、約12ヶ月でピークに達し、その後2、3年で姿を消してしまいます。サプライチェーン最適化においては、平均的な気候の影響は非常に小さいと気付かされます。なぜなら、サプライチェーンが扱うのは、今後数ヶ月、あるいは1年、あるいは大規模な計画がある場合には数年先の決断だからです。しかし、将来のためにエネルギー消費を抑えたり、廃棄物を減らすといった取り組み以外で、数世紀先のことを真剣に考えている企業はあまりないと思います。とはいえ、それは実際の予測計画に組み込むようなものではありません。
Kieran Chandler: では、他にはどのようなデータに注目すべきでしょうか？現時点で気象データよりも重要なものは何でしょうか？
Joannes Vermorel: 多くの企業が自社のトランザクションデータを正しく活用できていない段階に達しています。私たちが協力を開始する際、多くの企業は在庫切れのコストをユーロやドルで定量化してすらいません。在庫とは、在庫コストと在庫切れコストとの間のtrade-offです。簡単に言えば、基本的には二つのリスクのバランスを取らなければならないのに、そのどちらも評価していないのです。
Kieran Chandler: 財務的な側面では、この二つのリスクのうちの一つが原因で最適化が非常に難しくなっています。したがって、まず第一段階として、非常に信頼性が高く、サプライチェーンの意思決定に必要な粒度を持ったトランザクションデータを最大限に活用することが求められます。第二段階としては、トランザクションデータではないものの、収集が容易でありながら自社のサプライチェーンにとって依然として重要なすべてのデータ、たとえばブランドであればウェブトラフィックデータなどを活用することです。ウェブサイト上の各ページの訪問数を確認し、特に製品に関するページであればそのウェブトラフィックを分析します。そして、ウェブトラフィックの変化が自社製品と密接に結びついた情報をもたらすため、それを十分に活用できるのです。
Joannes Vermorel: もしかすると、第三のデータ層としては競合情報、すなわち競合他社が何をしているのか、価格設定などの情報が考えられます。これらは収集がより複雑ですが、依然としてサプライチェーンの活動と非常に密接に関連しています。その上で、気象データやソーシャルデータといった外部ソースの情報も利用可能になります。実際、ソーシャルデータを活用している企業の例もありますが、それらは既にトランザクションデータ、ウェブトラフィックデータ、競合情報データの各段階を最大限に活用している超ハイテク企業に多いです。そして、その次の段階として気象データやソーシャルデータに手を出すといった流れになります。
Kieran Chandler: つまり、本日のまとめとしては、気象データは有用であり、特に過去を振り返る際には一定の面白さがあるものの、もっと重要な他の要素が存在するということですね。
Joannes Vermorel: ええ、そしてもし既に大規模なデータサイエンスチームを持っていないのであれば、まだ準備が整っていないということです。私の言いたいのは、24人目のデータサイエンティストを採用し、新たに何を探求すべきか分からなくなったときに、初めて次の段階に進む準備ができているということです。その時こそ、気象データなどの新たな情報源を検討し始める良いタイミングだということです。
Kieran Chandler: では、今日はここまでにしましょう。ジョアンネス、ありがとうございました。これで今週のLokad TVはすべてです。もしこの猛暑を乗り越えられれば、次回のエピソードでまたお会いしましょう。それでは、また次回、お元気で。
