00:00:07 裸の予測とLokadの背景。
00:01:42 時系列予測への高い需要。
00:03:14 統計的精度が高くても裸の予測は成功しなかった。
00:05:03 大手欧州小売業者のベンチマークにおけるLokadの経験。
00:07:19 裸の予測に伴う問題と企業への影響。
00:09:25 サプライチェーン実行における裸の予測の問題。
00:12:38 極端なシナリオの重要性と分位点予測の役割。
00:14:47 大企業のS&OPプロセスで良い予測を用いる際の課題。
00:15:37 予測からの乖離と代替未来を考慮する必要性。
00:17:12 膨大な確率データの表現の難しさ。
00:18:57 確率分布を扱う上でのExcelの限界。
00:20:25 予測に基づく意思決定最適化の重要性。
00:21:48 予測と密接に連携した予測最適化の必要性。
概要
インタビューでは、キアラン・チャンドラーとジョアンネス・ヴェルモレルが、従来の予測手法のサプライチェーン最適化における限界について議論しています。ヴェルモレルは、極端なシナリオを考慮する分位点予測の必要性を強調し、これがサプライチェーン管理に最も大きな影響を及ぼすと指摘します。彼は、確率的予測がさまざまな可能な結果を提供できる一方で、このアプローチに必要な膨大なデータの管理が「ビッグデータ」の課題をもたらすと説明します。Excelのような従来のツールは確率データの扱いに適していないため、専用ツールが必要です。ヴェルモレルは、予測と最適化を組み合わせた予測最適化こそが、サプライチェーンの不確実性を管理するためのより効果的なアプローチであると結論付けています。
拡張概要
このインタビューでは、ホストであるキアラン・チャンドラーが、サプライチェーン最適化に特化したソフトウェア会社Lokadの創設者ジョアンネス・ヴェルモレルとともに、裸の予測の概念およびサプライチェーンにおける意思決定改善の効果について掘り下げています。
Lokadが2008年に設立された際、同社は『サービスとしての予測』の提供に注力し、統計手法を活用した時系列予測を行っていました。すなわち、過去の売上などの歴史的データをもとに未来の需要を予測し、それもまた時系列として表されるのです。このアプローチは、サプライチェーンの意思決定を改善するために正確な時系列予測を求める多くの企業の関心を引きました。
時系列予測に対する需要は非常に大きく、多くの企業が自社の歴史的データに基づく、より正確な予測をLokadに求めました。興味深いことに、低誤差率で非常に正確な予測を提供していたにもかかわらず、これらの予測改善は必ずしもより良いサプライチェーンの意思決定や成果につながらなかったのです。
ヴェルモレルは、この結果に困惑しました。なぜなら、誤差率の低いより良い予測は、意思決定の改善および最終的にはより良いサプライチェーンのパフォーマンスにつながるはずだからです。彼が、この直感に反する結果の根本的な問題を理解するまでには数年を要しました。
問題は統計的なものではなく、Lokadが提供する予測は過剰適合などの問題がほとんどなく非常に正確でした。ヴェルモレルは、予測が統計的には妥当であると確信していたにもかかわらず、クライアント側で大混乱を引き起こしているように見えたのです。
ヴェルモレルは、2011年にLokadが、1店舗あたり5,000製品を扱う10のミニマーケットの需要予測ベンチマークに参加した際のエピソードを語ります。Lokadは、次点の競合よりも20%高い精度を達成し、このベンチマークに勝利しました。しかし、これは全製品に対してゼロ需要と予測する『ゼロフォーキャスター』を使用したためです。この手法は、従来の予測手法や精度パーセンテージの問題点を浮き彫りにしました。ヴェルモレルは、誤差削減のパーセンテージと実際のビジネス効果との間にほとんど相関がなく、精度パーセンテージに偏ることが誤解を招く可能性があると主張します。
ホストは、これらの問題にもかかわらず、なぜ企業が依然として従来型の予測を要求するのか疑問を呈します。ヴェルモレルは、希望的観測が大きな役割を果たしていると示唆します。人々は、完璧な予測さえあればサプライチェーンの問題は解決し、単純なスケジューリングと最適化の問題に取って代わると信じています。しかし、ヴェルモレルは、現実がはるかに複雑なため、市場との接触に耐えうる予測は存在しないと強調します。
従来の予測は、その利用方法に左右され、予測の正確性が変動するため、サプライチェーンの実行が脆弱になりやすいです。これにより予期せぬ結果や問題が生じる可能性があります。ヴェルモレルは、これを「アンチパターン」と見なし、意図された解決策が一貫して予測可能な方法で失敗することを意味すると述べています。
続いて、ヴェルモレルは、Lokadが予測に基づいてサプライチェーンプランの強化に注力するようアプローチを転換したことについて語ります。彼は、鮮度食品を扱うミニマーケットの例を挙げ、高いマージンがあるためゆっくりと回転しても大量の在庫を持つことが正当化されると説明します。こうした場合、店舗側が在庫を最適化するよりも、顧客が求める商品を見つけられることの方が重要なのです。従来の予測は平均需要に焦点を当てますが、実際のコストと利益は極端な状況にあるのです。
その後、会話は極端なシナリオを考慮した予測作成のアイデアに移り、これがLokadが従来の予測から分位点予測へとシフトした理由です。分位点予測は、実際のコストと利益が発生する極端なケースに焦点を当てるために予測にバイアスを加えます。ヴェルモレルは、このアプローチがサプライチェーン管理の最適化において従来の手法よりも効果的であると示唆します。
彼らは、予測の課題とサプライチェーン管理におけるさまざまな未来シナリオを考慮する重要性について議論します。
ヴェルモレルは、平均需要に焦点を当てる従来の予測では効果的なサプライチェーン管理に不十分であると説明することから始めます。代わりに、極端なシナリオ、例えば非常に高いまたは低い需要を考慮するために意図的にバイアスを持たせた分位点予測の利用を提案します。彼は、これらの極端な状況がサプライチェーン管理に最も大きな影響を及ぼすため、理解することが重要であると強調します。
その後、チャンドラーは、大企業の内部セールス-アンド-オペレーションズ-プランニング(S&OP)チームが予測とどのように連携しているのか、その役割について尋ねます。ヴェルモレルは、どんなに良い予測であっても、代替未来に関する必要な情報が得られないため、S&OPチーム単独では正しい結果を導けないと回答します。彼は、予測が示せるのは一つの未来だけであり、実際の結果は必ず予測値と異なると主張します。
ヴェルモレルは、さまざまな可能性を示す[確率的予測]の提供が潜在的な解決策となり得ると示唆します。しかし、このアプローチは新たな課題も提示します。まず、これらの確率を表現するために必要なデータ量は莫大であり、特に数千の商品を考慮すると、その規模は非常に大きくなります。これにより、大量のデータを扱えるツールが必要となる「ビッグデータ」の問題が生じます。
さらに、Excelのような従来のツールは確率データの処理を前提として設計されていません。ヴェルモレルは、Excelのセル内で確率分布を表現することは不可能であり、そのためデータの操作や分析が困難になると指摘します。結果として、確率変数に対して基本的な操作を行える専用ツールが、確率的予測を十分に活用するために必要となります。
ヴェルモレルは、さまざまなシナリオを考慮した優れた予測を持つことは全体の半分に過ぎず、残りの半分はその予測を効果的に活用して情報に基づく意思決定を行うことにあると結論付けます。彼は、スケーラビリティやデータ処理に関する問題を避けるために、予測生成プロセスと意思決定最適化プロセスを密接に連携させることの重要性を強調します。
この議論は、サプライチェーン管理における従来の予測手法の再考の必要性を浮き彫りにしています。ヴェルモレルは、予測と最適化を組み合わせた[予測最適化]を、サプライチェーンに内在する不確実性と複雑性を管理するための、より効果的なアプローチとして提唱します。
完全な書き起こし
Kieran Chandler: 今日のLokad TVでは、これらの裸の予測が実際にはリソースの改善につながらず、むしろさまざまな問題を引き起こす理由について議論します。ジョアンネス、裸の予測のようなテーマは、まるでダークウェブで見かけるようなものですが、YouTubeから削除される前に、ここであなたが何を意味しているのか少し説明していただけますか?
Joannes Vermorel: 私が2008年にLokadを創設した際、会社のキャッチフレーズは『サービスとしての予測』でした。大学を卒業したばかりで、統計がビジネスに応用できる分野を模索していたのです。単に時系列予測を行うというアイデアがありました。概念としては非常にシンプルで、過去、通常は歴史的な売上を表す時系列データを入力として持ち、そこから未来を予測する、つまり未来も時系列として表されるのです。ソフトウェアにとっては非常に明確な問題であり、興味深かったため、Lokadは注目を集めました。多くの人々が、時系列予測だけで自らの問題を解決することに興味を持っていました。
Kieran Chandler: この種のソリューションに対して実際に需要はあるのでしょうか?つまり、実際に機能するのでしょうか?
Joannes Vermorel: 時系列予測には非常に大きな需要があります。何度も問い合わせを受けるほどです。私がLokadを始めた時、成功するスタートアップの鍵は、人々が求めるものを提供することだと分かっていました。その観点から、裸の時系列予測には非常に大きな需要があったのです。企業は「こちらが我々の時系列で表された歴史的データです。より良い予測を提供してください」と頼んできました。しかし問題は、うまくいかなかったということです。統計的な問題ではなく、私たちはすでに十年前には予測精度においてかなり優れていたのです。問題は、指標が間違っていたわけではありませんでした。
Kieran Chandler: 誤差が低く、より良い予測が得られれば、結果的により優れたサプライチェーンの意思決定や行動に結びつくと思われがちですが、なぜそれが機能しなかったのでしょうか?
Joannes Vermorel: 当初は「どうして自分が間違っている可能性があるのだろう?」と考えていました。すべての指標が、より良い予測を示していたのです。クライアントにより良い予測を提供しているのに、何が問題になり得るのでしょう?予測自体は非常に良好で、過剰適合のような問題もなかった。すべては十分に管理されていました。問題は、統計的により正確な予測であっても、クライアント側で大混乱を引き起こす可能性があるという点にありました。これを理解するまでに、私は数年を要したのです。ある時、大手欧州小売業者が、半ダースのソフトウェアベンダーを対象に需要予測のベンチマークを実施したことがありました。
Kieran Chandler: つまり、私たちは10のミニマーケット、各5,000製品の需要予測という解決策と問題について議論していました。これは2011年のことで、各ミニマーケットが週に2回補充されるため、3〜4日先の需要を予測するのが目的でした。Lokadはこのベンチマークでどのような成績を収めたのですか?
Joannes Vermorel: Lokadは誇らしげにこのベンチマークに勝利し、2位の競合よりも20%高い精度を達成しました。予測の品質指標は、予測値と実績値との絶対差でした。しかし、私たちは全ての需要と売上に対してゼロだけを返すゼロフォーキャスターを用いることでこれを実現しました。興味深いことに、需要をゼロと予測すれば在庫もゼロになり、結果として売上も急速にゼロに収束するのです。これにより、予測はより正確になるだけでなく、実際には100%の精度となります。しかし、もちろんこれは完全なナンセンスであり、全く意味を持ちません。
Kieran Chandler: つまり、パーセンテージで表されるより正確な予測と、実際のビジネス効果との間に乖離があるということですね。なぜ、企業はそのような誤解を招く予測を依然として求めるのでしょうか?
Joannes Vermorel: 私の基本的な説明は、希望的観測が非常に強力だということです。もし予測が完璧であれば、誤差は0%、ドルも0、ユーロも0になるでしょう。完璧な予測はすべての問題を解決し、サプライチェーン管理は単なる最適化とスケジューリングの問題になるはずです。しかし、実際はそうではなく、人々が気付いていないのは、ただ一つの未来しか予測しない裸の予測は、市場との初日で打撃を受け、生き残れなくなるということです。軍では「どんな作戦も敵との最初の接触で生き残らない」と言われており、サプライチェーンにおいても市場との遭遇に耐える予測は存在しないのです。
Kieran Chandler: さて、市場との最初の接触、つまり、より正確な予測を持った場合、実際に何が起こるのでしょうか?
Joannes Vermorel: より一般的に言うと、予測がより正確であるがゆえに、実際には予測に比べて乖離に対して脆弱な計画を立ててしまい、その結果、サプライチェーンの実行がより脆弱になるのです。これは非常に抽象的な見方ですが、要点としては、予測はあるものの、その予測がどのように利用されるか分からず、社内の他の人々が想定外の方法でこの予測を使用し、それが問題を引き起こすということです。だからこそ、単なる生の予測は基本的に悪いものと言えるのです。本来あるべきではない方法で使われ、しかも常にそのようなことが起こるため、現代ではアンチパターンとなっています。つまり、意図された解決策でありながら、常に完全に予測可能な形で破綻してしまうのです。
Kieran Chandler: そうすると、その認識を得た後、予測に基づいて構築していた計画を強化する方向に動いたということですか?
Joannes Vermorel: まったくその通りです。そして、予測自体が正しいものではないと気づくのです。たとえば、先ほどのミニマーケットの話に戻ると、ミニマーケットで生鮮食品を販売している場合、非常に高い利益率があるため、多くの在庫を持つことができます。なぜなら、お客様が入店した際に求めるものを必ず見つけてもらいたいからです。在庫がゆっくりと回転しても、利益率が非常に大きければ、豊富な在庫を持つことが投資として成立します。つまり、平均的な需要は問題ではなく、極端な需要の方が重要なのです。もし10日に1人のお客様が現れてヨーグルトを販売している場合でも、実際に70% gross marginで販売しており、ヨーグルトの賞味期限が1か月であれば、十分な利益を上げることができます。要するに、注目すべきは平均ではなく極端値であり、コストも極端な状況にあるのです。
Kieran Chandler: では、なぜそのような極端なシナリオを考慮した予測を単に作成できないのですか?
Joannes Vermorel: それこそが肝心な点なのです。そして、私たちは実際にその方向に進みました。Lokadの歴史では、2008年の「Lokad Forecasting as a Service」というクラシックな予測から、分位予測へと移行しました。つまり、2012年当時、分位予測というアイデアは非常に奇妙に響きました。これはあえてバイアスを持たせた予測で、多くのクライアントは「良い予測とはバイアスのない予測だ」と主張していたため、サプライチェーンマネジメントにおける常識とは正反対のものでした。
ミニマーケットのケースに戻ると、平均的な需要は気にしないのです。重要なのは、実際には決して高くない極端に高い需要、つまり極端な状況です。問題は、極端な状況とは何かということです。30分の1でしょうか?それとも時には4でしょうか?それがあなたにとっての極端な数値です。ちなみに、これは統計の話でもあります。あえてバイアスを持たせた予測、すなわち分位予測と呼ばれるもので、たとえば99%の分位予測というのは「ある数値を提示し、その数値直下になる需要の確率が99%、上回る確率が1%である」というものです。こうしてバイアスを制御することで、より多様な予測が可能になったのです。
Kieran Chandler: 実際、リスクが尾部に偏る状況、つまり極端なシナリオ、たとえば stock out や過剰在庫の状況について議論しましょう。大企業が内部のS&OPプロセスを持っていても、なぜ優れた予測を用いて最終的に正しい結果を得ることができないのか、理解に苦しみます。そこでの本当の課題は何なのでしょうか?
Joannes Vermorel: それは都合の良い考えです。どんなに良い予測でも、必要な情報がそもそも含まれていないため、正しい結果を導くことはできません。「これが未来だ」と言っても、一つの可能性しか示しておらず、他の選択肢については何も教えてくれません。実際には、未来は常に別の可能性を内包しており、予測と必ず乖離してしまうのです。問題は、限られた未来の可能性の知識を、購入量や生産量、または在庫の移動量といった意思決定に変換し、それが意思決定の質に悪影響を及ぼさないと考える点にあります。それはまるで魔法のようなものです。
Kieran Chandler: しかし、もし彼らに様々な可能性の要素を持つ確率的な予測を提供したらどうでしょうか?
Joannes Vermorel: それは興味深いアイデアです。概念上は機能する可能性があります。しかし、また非常に平凡な別の問題に直面します。決定論的な予測は簡潔で、1製品につき1年先を週単位で予測すれば52個の数値しかなく、Excelシートにぴったり収まる小さなデータセットです。しかし、確率的アプローチでは、各週ごとに膨大な確率のヒストグラムが得られるため、5週目から10週目の需要を知りたい場合、また別の確率のヒストグラムが必要になるのです。
このようなデータはご提供できますが、数千の製品と数十ギガバイトにもなる確率データになると、突然ビッグデータの問題に発展してしまいます。そんな膨大なデータを処理できるツールが必要です。
Kieran Chandler: 技術的な観点から見ると、これらのツールやデータを操作するのはどれほど容易なのでしょうか?Excelの問題点の一つは、確率計算を扱うようには設計されていない点です。表形式のデータを整理するのには優れていますが、確率分布を表現する方法がありません。
Joannes Vermorel: その通りです。確率分布としてのデータを操作したい場合、Excelのセルにはそのような分布を表現するエントリが存在しません。Excelはそのような用途に設計されていないため、将来の確率的予測を活用しようとすると多くの問題に直面してしまいます。
Kieran Chandler: つまり、確率変数の様々な演算、例えば加算、乗算、除算といった基本的な操作が可能なツールが必要ということですね。これらの基本ツールがなければ、確率的予測を正しく扱うことはできません。
Joannes Vermorel: その通りです。そして、あらゆるシナリオを考慮した優れた予測を持つことは問題の半分に過ぎません。これらの予測をどう活用するかの方が遥かに重要です。意思決定を最適化する際、予測を生成するプロセスと意思決定を最適化するプロセスは完全に連携していなければなりません。
Kieran Chandler: なるほど。このような大規模な確率の行列のデータ処理は、スケーラビリティの問題になりかねませんね。実用的に機能させるためには、すべてを密接に連携させる必要があるようです。
Joannes Vermorel: 全くその通りです。実用的な解決策を得るには、これらを非常に密接に統合する必要があります。予測と最適化は切り離せない一体のものであり、予測最適化という考え方に取り組むべきなのです。
Kieran Chandler: わかりました、それで納得です。では、ここで締めくくりましょう。本日はご参加いただきありがとうございました、Joannes。サプライチェーン最適化についてお話できて本当に良かったです。
Joannes Vermorel: お招きいただきありがとうございます、Kieran。大変光栄でした。