00:00:07 需要センシングの紹介と定義。
00:01:02 ジョアネスは需要センシングを曖昧な概念として批判する。
00:02:45 需要センシング技術の新規性に関する疑問。
00:05:01 リアルタイムデータがサプライチェーン予測に与える影響への批判。
00:07:49 より多くのデータと従来とは異なる手法が必要であるという主張。
00:08:37 リアルタイムと非リアルタイムの用途の違い。
00:09:47 ソフトウェア業界におけるマーケティング策略とその影響。
00:11:25 優れた流行語と浅薄な流行語の見分け方。
00:14:24 サプライチェーン業界における他の策略の例。
00:16:02 流行語を記憶する困難さと実体のなさ。
00:16:33 誇大広告の保存法則とGoogleトレンドによる検証。
00:17:47 基本的な洞察を伴う価値ある流行語の見極め。
00:18:26 分位予測の例と基本を理解する重要性。
00:19:21 クラウドコンピューティングとそのシンプルな核となる概念。
要約
インタビューでは、キアラン・チャンドラーとジョアネス・ヴェルモレルが、リアルタイムデータと高度な数学的技法を組み合わせた予測手法である需要センシングについて議論している。ヴェルモレルは、その曖昧な概念的基盤と新規の査読済み研究の欠如から、需要センシングの有効性に懐疑的な意見を示す。彼はサプライチェーンの実務者に、マーケティング策略に注意し、基本的な問題に答える驚くほど明白な洞察を備えたコンセプトに注目するよう助言する。ヴェルモレルは、流行語の背後にある実質を理解し、確かな理解を提供して実質的な改善に寄与する革新を模索する重要性を強調している。供給チェーン最適化にも大きな影響を与える。
詳細な要約
このインタビューでは、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の創設者であるジョアネス・ヴェルモレルと共に需要センシングについて議論する。需要センシングは、高度な数学的手法とリアルタイム情報を組み合わせた予測手法である。この会話は、需要センシングの有効性と、価値あるコンセプトとマーケティング策略をどのように見分けるかに焦点を当てている。
ヴェルモレルは、これまでにレビューしてきた文書の曖昧さから、需要センシングを評価するのが困難であると認めることから始める。彼は、ソフトウェアが存在するため需要センシングはヴェイパーウェアではなく、しかしながらその約束を果たさず最終的に重要でない、すなわちムートウェアであると考えている。これは、概念が実質的なアイデアというよりマーケティング策略に近いものであるためだと説明する。
需要センシングの宣伝される主要な特徴は、リアルタイムデータの利用、従来の基本データを超えるデータ（例えば過去の在庫管理や販売需要）の組み込み、そしてより高い機械学習を活用してより高い予測精度を達成することである。ヴェルモレルは、これらの各要素は妥当に見えるものの、全体的なアプローチの新規性と奥行きについて疑問を呈している。
需要センシングを評価するために、ヴェルモレルはその支持者が主張する主要な点、すなわちより正確な予測を生み出すという点に注目する。彼は、統計的予測が確立された研究分野であり、数多くのオンラインコンペティションや絶えず挑戦と革新を続ける活発なコミュニティが存在することを指摘する。著名な研究機関や大手ソフトウェア企業を含む多くの組織が、機械学習や統計学習に関する論文を発表しており、その中には将来の需要を予測するものもある。
しかしながら、ヴェルモレルは、信頼のおけるジャーナルや学会で需要センシングに関する重要かつ新規な研究が発表されているのを見たことがなく、その概念の正当性に疑念を抱かせる。インターネット上には需要センシングに関する多くの論文や資料が存在するにもかかわらず、具体的で査読済みの研究および広範な機械学習や予測コミュニティからの貢献が欠如しているため、需要センシングの真の価値に疑問が投げかけられる。
ヴェルモレルは、その曖昧な概念的基盤と新規の査読済み研究の欠如から、需要センシングが予測手法として効果的であるかに懐疑的である。彼は、需要センシングが実際のサプライチェーン最適化に革新的なアプローチであるというよりも、むしろマーケティング策略に過ぎないのではないかと示唆する。
この対談は、リアルタイムデータの概念、そのサプライチェーン予測への関連性、およびそれを取り巻くマーケティング策略について展開される。
ヴェルモレルは、リアルタイムデータとは人間の知覚を下回る遅延（約100ミリ秒）のデータを指し、その魅力的な性質から人気を博していると説明する。しかし、彼はリアルタイムデータが予測精度に著しい改善をもたらすかどうかについて懐疑的である。彼は、過去3年分の履歴を持つ製品に対して6か月先の予測を行う一般的なソフトウェアデモを例に挙げ、100ミリ秒前のデータと24時間前のデータを用いることが、この文脈では大きな違いを生むとは考えにくいと論じる。
リアルタイムデータの支持者たちがよく主張するもう一つの点は、優れた機械学習技術の利用である。ヴェルモレルは、それを、より優れた物理法則を持つためにより良い車を製造すると主張する自動車メーカーに例え、懐疑的な意見を示す。しかし、彼は、従来の時系列予測以上のデータを組み込むことが大幅な改善につながることには同意する。
ヴェルモレルは、サプライチェーンのシナリオにおいてリアルタイム情報は一般的に過剰であり、その提供する細かい粒度は多くの用途に不要であると主張する。しかし、自動化された倉庫で高速ロボットを制御するためにはリアルタイムデータが有用である可能性があると指摘する。通常、3週間から1年先の予測が行われるサプライチェーン計画において、リアルタイムデータが著しい違いを生むという考えに異議を唱えている。
ヴェルモレルによれば、サプライチェーン予測におけるリアルタイムデータのプロモーションは、新たなアイデアや専門知識、技術に欠けるソフトウェアベンダーによって用いられるマーケティング策略であることが多い。彼は、このアプローチが顧客の問題に対する無関心と、顧客が容易に騙されるという傲慢な前提を反映していると示唆する。単なる流行語から価値あるコンセプトを見極めるためには、異なる分野の多くの人々がその概念について議論しているかを確認すべきだと助言する。もしベンダーだけが推進しているなら、それはマーケティング策略である可能性が高い。
肯定的な例として、ヴェルモレルは気候研究を含む多くのコミュニティで議論されている確率的予測を挙げる。最先端の気候研究は確率モデルによって推進されており、このアプローチが実質的な内容に基づいていることを示している。一方で、サプライチェーン予測におけるリアルタイムデータのマーケティング主導の概念とは対照的である。
ヴェルモレルは、流行語の強い指標と信じる権威への訴えの概念について説明を始める。彼は、需要センシングの例で、支持者が背後のアルゴリズムや数学的根拠の詳細ではなく、関与する専門家の名前や肩書きを前面に出すことを指摘する。
サプライチェーン業界におけるその他の策略の例について問われると、ヴェルモレルは、歴史を通じて多く存在してきたと述べる。彼は、10年前にIBMが推進した自律コンピューティングが実質を欠いていたことや、20年前に人気を博したデータマイニングがその後廃れてしまったことを挙げる。ヴェルモレルは、これらの流行語が実体の不足によりしばしば淘汰されると考え、「誇大宣伝保存の法則」と称する、流行語の総量が新たな流行語の登場時以外は一定であるという考えを示す。
ヴェルモレルは、サプライチェーンの実務者が基本的な問題に対して驚くほど明白な洞察を提供する流行語に注目すべきだと示唆する。彼は、中央ではなく極端な部分に集中するリスクに焦点を当てる分位予測の例を挙げる。こうしたシンプルで基本的な考えは、一度理解されると忘れにくく、重要な革新につながる可能性があると考えている。
さらに、実務者はその根底にある概念を明確かつ簡潔に提示しない流行語には注意すべきだと述べる。例えば、クラウドコンピューティングは複雑に見えるかもしれないが、その核心はオンデマンドでハードウェア資源を利用できる点にある。もし流行語が数分で確かな理解を提供できないのであれば、それは実体を欠いている可能性が高く、無視すべきだと助言する。
ヴェルモレルは、サプライチェーン業界において流行語の背後にある実質を認識し理解する重要性を強調する。彼は、実務者が確かな理解をもたらし、実質的な革新に寄与する基本的な洞察に注目するよう奨励している。
全文書き起こし
Kieran Chandler: 今日は、この流行語が実際にどの程度の効果を発揮するのか、また、優れた流行語と単なるマーケティングのナンセンスとを見分けられるかについて議論する。ところで、ジョアネス、需要センシングという概念について、最初の見解を教えていただけますか？
Joannes Vermorel: 実際のところ難しい質問です。なぜなら、需要センシングに関する多くの文書を精査してきましたが、それらの文書は極めて曖昧であるというのが正直なところです。非常にあいまいな概念に対して具体的な特性や欠点を特定するのは困難です。しかし、基本的には、需要センシングはヴェイパーウェアではなく、サプライチェーンを最適化するために需要センシングを実現するとされるソフトウェアが存在するものの、その約束を果たさず、結局は重要でない、つまりムートウェアの典型例だと私は考えます。
Kieran Chandler: 背後にあるアイデアは少し曖昧だとおっしゃいましたが、基本的な概念は何でしょうか？
Joannes Vermorel: 宣伝されている概念、正にマーケティング策略に近いものとして提示されるものには、リアルタイムデータの利用、従来の基本データを超える、例えば過去の在庫移動や販売需要のデータ利用、そしてこの文脈ではかなり定義が曖昧な機械学習を用い、新たな手法でより高い精度を追求することが含まれます。
Kieran Chandler: それら各要素が独立して成立しているように見えるという点は、これが単なるマーケティング策略であることを示唆する一因ですが、では、具体的にはどのような問題点があるのでしょうか？
Joannes Vermorel: 問題は、その深さにどれほどの新規性があるかです。まず、需要センシング技術を推進するベンダーたちが主張する主要な点、すなわちより正確な予測が可能であるという点を見てみましょう。これは非常に合理的な主張です。私が新たな技法でより正確な統計的予測を生み出せると主張するのは当然のことです。しかし、サプライチェーンは真空状態では存在せず、統計的予測は、多数のオンラインコンペティションでモデルが試され、競い合われるほど大規模な研究分野です。機械学習や統計学習の広範な分野は非常に活発で、様々な会議やジャーナル、大手ソフトウェア企業などの民間研究所からも論文が発表されています。つまり、将来の需要予測といった特定の課題向けの機械学習の進歩は数多くあるにもかかわらず、需要センシングというキーワードでまともな新規性のあるジャーナルや高レベルな会議で発表されるものは一件も見たことがないのです。
Kieran Chandler: コンテンツそのものについてですが、需要センシングに関して調査すれば、正当と思える論文や資料がインターネット上に豊富にあります。では、それらはどう意味付けるのでしょうか？提示されているのは、まずリアルタイムデータを保有しているという考え方です。なぜなら、リアルタイムデータという響きはかっこよく聞こえるからです。私の考えでは、リアルタイムデータとは、遅延が人間の知覚を下回る状態、たとえば100ミリ秒程度のものを指します。これが、話題にしているリアルタイムの基準となるのです。
Joannes Vermorel: では、サプライチェーンの問題において、データにすぐアクセスでき、100ミリ秒以内で処理可能なデータパイプラインが整備されている場合、そのおかげで予測精度が50%向上するといった効果が期待できるのでしょうか？ここで私は非常に懐疑的です。特に、需要センシングと予測を行うソフトウェアのデモが始まると、その効果について疑問が生じます。デモでは、3年分の履歴を持つ製品に対して6か月先の予測が行われます。
つまり、6か月先の需要予測において、最新の100ミリ秒前のデータと、直近24時間前のデータ、すなわち1日遅れのデータを使ったところで、大きな違いは生じにくいのです。正直なところ、1日遅れのデータと比べて2日遅れのデータが、6か月先の予測において1%さえも改善するとは思えません。だからこそ、リアルタイム性に関する主張は非常に浅薄に感じられるのです。
Joannes Vermorel: 次に、議論のもう一つの側面、すなわち優れた機械学習技術の利用について見てみましょう。しかし、機械学習は非常に広範な分野です。これは、自動車メーカーが「物理法則が優れているのでより良い車を持っている」と主張するようなものです。より良い物理法則は確かに役立ちますが、それは並大抵の主張ではありません。物理法則レベルでの突破口が必要なのです。だからこそ、こうした主張には再び懐疑的にならざるを得ません。
基本的に、彼らの主張は、別の議論に立ち返れば、従来の手法よりも多くのデータを用いる予測が必要だということです。私はその通りだと思います。というのも、この番組では、単純な時系列予測が大量のゴミデータを出すという事実を何度も議論してきたからです。もっとも簡単な説明は、過去の販売実績だけを見ると、在庫切れが考慮されていないということです。例えば、在庫切れで販売がなかった場合、観測値がゼロだからといってゼロを予測すべきではありません。過去の販売実績は過去の需要を反映しているわけではないのです。ですから、もちろん追加でより多くのデータを含める必要があり、それが非常に大きな改善につながるのです。
Kieran Chandler: つまり、あなたの言うところでは、サプライチェーンの状況においてはリアルタイム情報の利用はほとんど過剰で、実際にはそのレベルの情報をそんなに迅速に必要としていないということですね。実際に必要な粒度はどの程度なのでしょうか？
Joannes Vermorel: しかし、もう一度言いますが、倉庫でリアルタイムにピッキングロボットを試験運用している場合、100ミリ秒では実際に遅すぎる可能性があります。問題の種類によって本当に異なります。しかし、需要感知を推進している人たちは、自動化倉庫での超高速ロボットのリアルタイム制御というユースケースについては議論していません。これは――
Kieran Chandler: 彼らのデモで見せているのは、従来のサプライチェーン計画の方法と非常に似たもので、販売や需要を3週間先から9ヶ月、あるいは1年先まで見始めるものです。そして、そこで私は、このような状況においてリアルタイム情報が何らかの差を生むという考えに本当に異議を唱えているのです。では、実際に誰に利益をもたらしているのでしょう？他のソフトウェアを売るための単なるマーケティング仕掛けだと言えるのでしょうか？
Joannes Vermorel: これは、かつて「ムート（争点にならない）」という用語について考えていたときの例です。つまり、気にする必要のないソフトウェアはムートであり、全くのマーケティング仕掛けに過ぎません。新しいアイデア、技術、そしておそらく専門知識に乏しいベンダーにとっては、実体が全くないので、マーケティング仕掛けの道を選ぶのです。率直に言って、直面している問題が非常に困難なため、他により良い説明が思いつかないのです。議論され改善されるべき角度が多すぎるので、わざわざ自前の流行語を生み出す必要はないのです。完全に作り話の流行語に頼ると、その企業の背後にいるチームの実力が正当に評価されなくなります。つまり、顧客が直面している問題に対する無関心を示すだけでなく、顧客を愚かだと決めつけ、何でも押し付けられると考えているかのような傲慢さを露呈してしまうのです。ある時点で、これは売り相手の知性に対する侮辱にもなりかねません。
Kieran Chandler: では、どうやってそれらを見分けるのでしょう？流行語が溢れる中で、実際に良い流行語とそうでないものをどう区別できますか？
Joannes Vermorel: まず一つの方法は、その流行語について誰が話しているのかを広く見ることです。それがあなたのベンダーだけなのか、あるいは異なる分野の、互いに模倣する理由のない多くの人々が議論しているのかどうかです。需要感知の場合、基本的には一人のベンダーが推し進め、他のベンダーはその浅はかなマーケティング仕掛けを模倣しただけなのです。つまり、マーケティング仕掛けから始まり、他の事業者によって同様のマーケティングが展開されるのです。実体がなければ、模倣は比較的容易です。実際の技術を伴えば、模倣は難しくなります。もし複雑なウェブサイトだけを模倣すればよいなら、それはずっと簡単な話です。しかし、話が逸れます。
良い流行語を識別するには、異なる人々がその流行語について議論しているかどうかを確認してください。例えば、Lokadで広範に議論している確率予測があります。オンラインで確率予測について調べると、気候研究を行っている人たちなど、多くの異なるコミュニティが確率モデルを多用しているのがわかります。気候を考えると、最先端の研究は明らかに確率モデルによって推進されています。これは直接サプライチェーンに関係するものではありませんが、その概念が多様なグループにとって魅力的で有用であることの証左となっています。これは非常に重要なサインだと思います。
もう一つの指標は、権威への訴えです。つまり、人々が需要感知のような画期的な新しい予測手法を推し進め、大胆な主張を行うとき、アルゴリズムや数学的根拠の詳細を示す代わりに、名前、肩書、経歴などを前面に出す場合です。
Kieran Chandler: ひどいことに、ほとんどの場合、「Dr. X, PhD、20年の経験」といった感じで、最初に人々の履歴書を出すんです。これは文字通り権威への訴えであり、通常はあなたのアイデアに実体が欠けていることを意味します。本来、科学論文では研究者の名前と所属機関だけで十分で、履歴書を羅列する必要はありません。では、需要感知が単なるマーケティング仕掛けの例だとすれば、サプライチェーン業界には歴史的に他にも多くのギミックが存在するのでしょうか？
Joannes Vermorel: はい、もちろんです。サプライチェーンだけでなく、大企業ベンダーがこうしたゲームを多用する市場では典型的なケースですが、それだけに限りません。浅はかな流行語はこれまでもかなり存在していました。例えば、IBMは10年前に自律コンピューティングを大々的に推進しましたが、結局は中身のないものとなりました。また、人々がデータサイエンスに夢中になる前には、データマイニングに熱狂していた時期もありました。20年前は、データの断片を抽出するという考えが大きな話題でしたが、実際に何であったのかを覚えている人は少ないでしょう。つまり、実体がほとんどない浅はかな流行語の歴史が長く続いているのです。
この需要感知に関するエピソードを準備するのは、実際に何十ページも読み込み、学んだことをまとめるのに30分も費やした結果、ほとんど何も学べなかったと感じたほど困難でした。こうした内容を記憶するのさえ難しいのです。
Kieran Chandler: では、通常これらの流行語はどのような結末を迎えるのでしょうか？実体が伴わないために忘れ去られ、業界は次の流行語へと移っていくのでしょうか？
Joannes Vermorel: はい、私個人の見解ではそうです。私はこれを「ハイプ保存の法則」と呼んでいます。物理学における質量保存の法則のように、エンタープライズベンダーのマーケティングにおいては、ハイプの総量が一定であり、一つの流行語が新たに加われば、別のものが排出されるのです。Googleが提供するGoogle Trendsを使って、AI、クラウドコンピューティング、ビッグデータ、機械学習などの流行語を調べると、各流行語は一時的に盛り上がって消えていっても、全体としてはほぼ一定の総量になっていることが実証できます。明らかに、こうしたパターンが存在するのです。
Kieran Chandler: では、話をまとめましょう。将来、次なる大きな流行語を求めるサプライチェーンの実務者は、何に注意すべきでしょうか？
Joannes Vermorel: 本質的に極めて重要な何かに取り組み、その洞察が振り返ってみれば完全に明白であるようなものに注目すべきだと思います。科学の驚くべきところは、極めて真実で効率的なものほど、振り返ると「なぜ以前はこんなに無知だったのか」と驚かされる点にあります。例えば、サプライチェーンにおいて、需要を把握する際に目的意識を持って需要を見る―つまりサポートのために見る必要があると気づいたことが、分位予測の誕生につながりました。リスクという考え方が――
Kieran Chandler: 在庫を最適化し、在庫回転時のコスト削減が重要だというのは明白な事実です。それは、覚え直すことすらできないほど根本的なものです。核心的な概念を理解すれば、それが非常に重要になるのです。一般的に、あるキーワードを見たときに「ピンと来る」のは、基本的な何かを理解しているからであり、それは非常に困難なものではなく、大規模なイノベーションの根底には、通常非常にシンプルなものがあるのです。
Joannes Vermorel: クラウドコンピューティングについて話すと、非常に複雑だと思うかもしれません。しかし、実際にはオンデマンドのハードウェアリソースに過ぎません。ここでいうオンデマンドとは、「次の1分以内にコンピューティングマシンを用意してほしい」と要求できるという意味です。そして、大規模なベンダーがオンデマンドで利用可能な処理能力を提供してくれるのです。これが理解できれば、クラウドコンピューティングの多くの側面が見えてくるでしょう。
Kieran Chandler: つまり、これらのキーワードは通常、核心概念を表しており、細部において問題が潜んでいるのです。しかし、もし数分でその核心的な洞察が理解できなければ、それはそれほど価値があるとはいえません。本当にあなたのビジネスにとってしっかりとした追加の理解として活用できるものであるべきです。その追加の洞察を活かすためには、別のツールが必要になるかもしれません。しかし、核心的な理解がなければ、おそらく実体はなく、ただのごちゃごちゃしたものに過ぎないでしょう。
Joannes Vermorel: その通りです。
Kieran Chandler: 素晴らしい、それではここで締めくくりましょう。お時間をいただきありがとうございました。本日はこれで全てです。賛否はぜひ下のコメントでお知らせください。それでは、今週はこれで終わり。また次回お会いしましょう。
