00:00:07 導入と供給チェーンのパフォーマンスにおける小さな数の重要性。
00:01:00 小さな数が計算パフォーマンスとコストに与える影響。
00:03:33 ファイナンスと供給チェーンシステムにおける数値精度の歴史と進化。
00:06:00 データサイズが計算パフォーマンスとボトルネックに与える影響。
00:07:44 データサイズを減らすことで大幅な計算速度向上を実現する方法。
00:08:47 供給チェーン最適化における技術スタックとツールへの注意の重要性。
00:10:17 計算コストとより強力な数学モデルのバランスによる供給チェーンの改善。
00:12:50 過去のデータの分析と予測的な供給チェーンソフトウェアの活用による意思決定の改善。
00:15:04 データ集約が知覚されるパフォーマンス向上と粒度の損失に与える影響。
00:16:00 供給チェーンの統合的な意思決定の課題。
00:17:33 核となる統計的な仮定と機械的な共感の再評価。
00:20:01 供給チェーン管理における機械的な共感の重要性。
00:20:58 小さな数の法則からビッグデータの視点への移行。
00:23:20 結論：特定の状況では少ないデータの方が有効である。
概要
供給チェーン最適化ソフトウェア会社Lokadの創設者であるJoannes Vermorelは、Kieran Chandlerと共に小さな数の法則と供給チェーンパフォーマンスへの影響について議論しています。Vermorelは、供給チェーンデータにおける小さな数の重要性と、計算速度とパフォーマンスを最適化するために適切な数値を選択することの重要性を強調しています。このインタビューでは、パフォーマンスの向上を実現するためのデザインの共感度の向上、計算効率とすべての可能な未来と意思決定のバランス、複雑な小売環境での統計モデルの使用の課題について強調されています。このインタビューでは、供給チェーンパフォーマンスを最適化するために、計算リソースと洗練されたモデリングのバランスを取る重要性が強調されています。
詳細な概要
このインタビューでは、Kieran Chandlerが供給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Joannes Vermorelと話し合います。彼らは小さな数の法則とその供給チェーンパフォーマンスへの改善の可能性、供給チェーンデータにおける小さな数の重要性、適切な数値の選択が計算速度とパフォーマンスに与える影響について議論します。
Vermorelは、小さな数、特に一桁の数が供給チェーンには普遍的であると説明しています。バーコードは多くの桁を持つかもしれませんが、数量ではなく識別子として機能します。供給チェーンの数量は非常に小さな数を含む傾向があり、これは統計学のほとんどが大数の法則に向けられているため驚くべきことです。この観察結果は重要であり、特に処理能力の向上率が低下している現在において、パフォーマンスの向上を実現するためにはより大きなデザインの共感度が必要であることを強調しています。
インタビューはその後、小さな数が計算に与える影響について取り上げます。Vermorelは、コンピュータはどんな数でも処理できるが、適切な数値を選択すると計算がはるかに高速に行われると述べています。たとえば、正しい数値を選択すると、コンピュータは数字を用いた単調な操作を10倍から20倍高速に実行できます。これは供給チェーン最適化システム全体のパフォーマンスに大きな違いをもたらすことができます。
Kieranは、Vermorelにシステム間での数値の送信の違いとコンピューティングハードウェアの物理的な現実の説明を求めます。Vermorelは、データ処理と解析のコストが供給チェーン最適化において重要であると強調します。コンピュータの生の処理能力は安くなっており、これによりより強力なアルゴリズムを使用して予測の精度と供給チェーンのパフォーマンスを向上させることができます。しかし、コンピューティングコストと供給チェーンのパフォーマンスのバランスが重要です。
Vermorelは、生のコンピューティングコストが大幅に削減されても、コンピュータのコストが消えるわけではないと主張しています。代わりに、企業は新たに手に入れたリソースを活用してより複雑なモデルを開発し、結果としてコンピューティングコストを増加させるでしょう。したがって、供給チェーンのパフォーマンスを最適化するためには、小さな数値がコンピューティングコストに与える影響に注意を払う必要があります。
議論は、企業システムにおける算術計算の必要性の起源についてであり、これは主に金融の世界から来ています。最初の企業システムは、金融計算を念頭に設計されました。この歴史は、供給チェーン最適化の文脈で小さな数値がどのように使用され、理解されるかに影響を与えています。
小さな数の法則は、企業がコンピューティングシステムで適切な数値を活用できれば、供給チェーンのパフォーマンスを大幅に向上させる可能性があります。コンピューティングコストと供給チェーンのパフォーマンスのバランスに注意を払うことで、企業はより複雑なモデルを開発し、より優れた最適化結果を得ることができます。
Vermorelは、70年代と80年代に金融および会計業界から採用された供給チェーンの実践が、供給チェーンシステムでの高い数値の精度の使用につながったことを説明します。金融および会計業界での高い精度の必要性は、80年代初頭の一連の詐欺事件から生まれました。その際、丸め誤差が利用されて何百万ドルもの資金が横領されました。
ただし、金融業界で使用される高い精度は、供給チェーン管理において常に必要とされるわけではありません。Vermorelは、店舗取引の80%では購入される商品の数量が1つだけであると指摘します。これは、店舗で数量を表現するために平均して2ビットの精度が必要であることを意味します。Kieranは、テラバイトの容量を持つストレージデバイスの手頃な価格性を考慮すると、データサイズの重要性について疑問を呈します。
Vermorelは、ほとんどの計算のパフォーマンスはデータのサイズによって決まると説明し、ボトルネックはデータの読み込みと書き込みにあるため、CPUの処理能力ではありません。彼は、データサイズを削減することで、計算速度が大幅に向上することがあると強調します。たとえば、Lokadがデータを10分の1に縮小した場合、計算速度が50倍になりました。
供給チェーン管理の課題は、高い精度を必要とするデータと、より低い精度で表現できるデータを区別することです。Vermorelは、Lokadのようなプラットフォームがこの課題を処理できると提案し、IT部門が使用する技術スタックやツールに注意を払うことの重要性を強調します。データの最適化を無視すると、計算ハードウェアは大量にあるがパフォーマンスが低いシステムになる可能性があります。
Vermorelは、計算効率と供給チェーン最適化におけるすべての可能な将来と意思決定を調査する目標とのトレードオフにも言及しています。計算を高速化することで、コンピューティングコストを大幅に増やすことなく、より多くのシナリオを分析することが可能になります。
彼らは供給チェーン最適化と統計モデルの使用の課題について議論します。彼は、移動平均や他の単純なモデルだけでは、ハイパーマーケットなどの複雑な小売環境には十分ではなく、季節性、トレンド、およびその他の要素を扱うためにより洗練された予測ツールが必要であることを強調します。
Vermorelは、大量の商品が少数の日次取引で扱われる場合に生じる「小さな数の法則」の問題にも言及しています。大数の法則に依存する従来の統計的手法は、これらの状況ではしばしば不適切です。そのため、多くの企業はデータを集約し、週や月ごとに売上をまとめるなどの方法を採用しています。しかし、このアプローチでは詳細度が犠牲になり、供給チェーンの意思決定は依然として日々行われます。
この会話は、Lokadのような高度な供給チェーンソフトウェアが、過去のデータを分析し、製品のライフサイクルを考慮に入れることで、より良いガイダンスを提供できると示唆しています。このようなツールは、製品の寿命の大部分に対して関連性を持つ必要があるため、小さな数の現実を基に設計されることが重要です。最終的に、このインタビューは、計算リソースと洗練されたモデリングのバランスを取ることが、供給チェーンのパフォーマンスを最適化する上で重要であることを強調しています。
ファウンダーは、供給チェーンの最適化において、核となる仮定を疑問視し、適切な統計ツールを使用することの重要性について話しています。彼は、多くの現行の統計手法が大量の数値に向けられているため、小規模な供給チェーンの意思決定には適していないかもしれないと強調しています。Vermorelはまた、供給チェーンシステムに対して、フォーミュラワンドライバーが自分の車に対して持つような「機械的な共感」を開発することが、パフォーマンスを最大化するために重要であると提案しています。データ収集の増加にもかかわらず、Vermorelは、関連性のある供給チェーンデータはしばしば限られていると主張し、ビッグデータの視点を適用する際に誤解を招く可能性があると述べています。
フルトランスクリプト
Kieran Chandler: 今日のLokad TVでは、「小さな数の法則」について話し、それを利用して供給チェーンのパフォーマンスを向上させる方法について話します。では、Joannesさん、ビッグデータに特化した会社として、今日は小さな数について話しているのは驚くかもしれません。これについてのアイデアは何ですか？
Joannes Vermorel: アイデアは、供給チェーンにおいては大きな数ではなく、小さな数が普遍的に存在するということです。小さな数とは、具体的にはすべての数値の選択肢や数量のことを指しています。はい、13桁または14桁のバーコードを持つこともできますが、それは識別子であり、数量ではありません。したがって、数量のようなものを見ると、いつも非常に小さな数になることが非常に驚くべきです。非常に小さな数とは、一桁の小さな数、超小さな数のことを指します。大部分の統計は大数の法則に向けられているため、これは興味深いです。コンピューティングの観点からは、それは重要ではないと思うかもしれませんが、実際にはかなり重要です。
Kieran Chandler: コンピューティングにとって、それがどのように重要かについてもう少し説明していただけますか？
Joannes Vermorel: コンピュータにとって、数は数ですよね？それは重要ではありません。しかし、正しい数値を選ぶと、コンピュータは単なる加算や数値との単純な操作を高速に行うだけでなく、10倍から20倍も速くなることがわかります。つまり、最終的には大きな違いを生み出します。それは小さな違いではないのです。
Kieran Chandler: では、情報をコンピュータが送信する際に何が起こるかを知らない人々のために、システム間で数値を送信するとはどういうことですか？それはどのように異なることがあるのですか？
Joannes Vermorel: ここでは、私たちが持っているコンピューティングハードウェアの物理的な現実の詳細に触れています。これは、供給チェーンの最適化や数量的な供給チェーンの最適化を行う場合、多くのデータ処理と計算が必要になるため、コストがかかります。コンピュータは以前よりもはるかに安価になったとはいえ、コンピューティングコストと供給チェーンのパフォーマンスの間には常にバランスがあります。生のコンピューティングコストが大幅に低下した場合、コンピュータコストは消えると言えるかもしれません。しかし、それは真実ではありません。なぜなら、新たに見つかったリソースを活用してより複雑なモデルを持つことができるため、次の段階の予測精度や供給チェーンの最適化のパフォーマンスを得ることができるからです。
Kieran Chandler: それはより良くできるので、それによって、コンピューティングコストも増えるでしょう。コンピューティングコストに少し注意を払う必要があります。では、数字とコンピュータの小さな数字に戻りましょう。特にエンタープライズシステムでは、ほとんどの計算ニーズは、私が言うには、金融の世界から生まれています。最初のエンタープライズシステムは、会計、金融、サプライチェーンに向けられていました。それが70年代に登場しました。サプライチェーンは80年代に少し遅れて登場しましたが、その当時にすでに確立されていた多くの実践、特に高精度の数字に関する実践がサプライチェーンに取り込まれました。では、なぜお金には超高精度の数字が必要なのでしょうか？
Joannes Vermorel: 実は、80年代初頭には、センツを丸めると、実際には魔法を生み出すことができるという、比較的目を見張るような詐欺がたくさんありました。会社が行うすべての取引でわずかなセンツを丸めるだけで、実際にはお金を盗むことができました。システムには見えないように丸められていましたが、実際には本物のお金でした。何十億もの取引があると、一部の人々はわずかなセンツだけを取り上げ、それを自分の口座にリダイレクトすることで、数百万ドルをシステムから抜き出すことに成功していました。金融と会計の世界は、そうした問題が現れない非常に高精度の数字にアップグレードしました。問題は、私たちが言うには、サプライチェーンでも同様ですが、その結果、ほとんどすべてのシステムでデフォルトで超高精度の数字が必要になります。そして、自分自身に問いかけなければならないのは、店舗でクライアントが購入する通常の数量はどれくらいなのかということです。私たちのデータによると、Lokadでは、店舗での取引の80%は商品の数量が1つだけです。つまり、問題は、数値が与えられた場合、平均して2ビットの精度が必要であるということです。例えば、購入される数量を表すために、店舗での数値には2ビットの精度が必要です。
Kieran Chandler: しかし、データを送信するために使用されるビット数に本当に気を使う必要があるのでしょうか？私たちは、全体のサプライチェーンを見ているので、それほど大きな違いはあるのでしょうか？
Joannes Vermorel: 大局的な観点から見れば、今日では、近くのスーパーマーケットで数百ドル程度でテラバイトのハードドライブを購入できると思うでしょう。だから、それは超安いと思うかもしれません。しかし、ほとんどの計算のパフォーマンスは、データのサイズによって実際には決まります。データが大きければ、遅くなります。なぜなら、ボトルネックはCPUではなく、データの読み込みと書き込みだからです。はい、1テラバイトのハードドライブを購入できますが、実際にこのハードドライブにデータを書き込もうとすると、1日、場合によっては2日かかる可能性があります。なぜなら、ドライブが遅いからです。ですから、データをディスクに書き込んだり、ディスク全体を読み込んだりするだけでも非常に長い時間がかかります。ですから、もしデータを最小化できれば、実際に加速することができます。
Kieran Chandler: では、ジョアネス、データのサイズがサプライチェーンの最適化の計算速度にどのように影響するのか、もっと詳しく教えていただけますか？
Joannes Vermorel: 計算はかなり影響します。実際、超線形の利益が得られることもよくあります。つまり、データのサイズを半分にすると、計算速度が2倍になるのではなく、2倍以上になることがあります。Lokadでは、データのサイズを10分の1に縮小できた場合、計算速度が50倍になることが多いとわかりました。また、先ほどの数字に戻りましょう。倍精度の数値である64ビットと、2ビットで表される数値を比較すると、32倍のスペースが必要になります。つまり、1つの数値は32倍のスペースを占めることになります。ですので、これらの数値を効率的に圧縮し、大量のデータをより小さなデータに変換することで、より高速な計算が可能になります。そして、サプライチェーンでは、金融データなどの大量のデータを扱う必要があります。
Kieran Chandler: では、どのデータを小さくする必要があり、どのデータを大きくする必要があるのでしょうか？
Joannes Vermorel: その点については、サプライチェーンの専門家に注意を払ってもらいたいと思います。Lokadのようなプラットフォームを利用することで、自動的にデータの最適化が行われます。ただし、私のメッセージとしては、誰かが注意を払う必要があるということです。もし誰も注意を払わなければ、計算機ハードウェアが大量に必要でありながら、性能は期待外れになるシステムになってしまいます。結果として、結果を得るのに数秒かかり、さえも比較的単純な計算にもかなりの時間がかかることになります。サプライチェーンがすべての可能な未来、確率を考慮し、すべての可能な意思決定と対比するというアイデアは、既に一つのシナリオに対応するのに十分に遅いシステムのため、遠い夢のままです。数百万の可能な未来を扱うシステムのアイデアは、完全なる狂気です。
Kieran Chandler: しかし、すべての可能な未来、すべての可能な意思決定を考慮すると、計算コストを削減するという目標に反するのではないでしょうか？すべての可能な未来を考慮すると、計算コストはさらに増えることになりますよね？
Joannes Vermorel: はい、それは私が説明していたトレードオフです。計算をより高速化するだけでなく、安価なコンピュータでサプライチェーン全体を実行することは望ましくありません。もし私たちがサプライチェーン最適化において80年代の技術を使用していた場合、スマートフォンでウォルマートを運営することができるでしょう。しかし、それは意味がありません。ただし、計算の速度を向上させるという課題に取り組むのであれば…
Kieran Chandler: では、ジョアネス、計算が安くなると、より強力な数学的または統計的モデルを採用するという考え方が浮かび上がるということですね？
Joannes Vermorel: はい、その通りです。計算が安くなると、より多くの計算リソースを消費することで、より良いサプライチェーンの結果を提供するより強力なモデルを採用することができます。これはトレードオフです。
Kieran Chandler: そして、すべての可能な未来を考慮するとしても、小数の法則は依然として適用されるということですね？
Joannes Vermorel: その通りです。すべての可能な未来を考慮しても、1日に1つの店舗で何百万本もの商品を販売する確率を考える必要はありません。なぜなら、その確率はゼロだからです。実際のところ、フラッグシップ製品でさえ、1日に100個以上売ることは非常に稀です。そして、ほとんどの製品については、売られるのはゼロ個だけです。実際、ハイパーマーケットの製品の80%は、1日に1度も売れないのが普通です。また、製品の95%については、毎日0個、1個、2個、または3個のいずれかを売るかどうかの問題になります。さらに、10個の売上に到達できる確率は非常に低いです。つまり、すべて小数の法則に関係しています。
Kieran Chandler: では、そのようなハイパーマーケットの例では、1日に何千もの取引が行われ、膨大な在庫があります。個々のアイテムごとにどこで限界を引くべきか、どのように知るのですか？
Joannes Vermorel: それには、過去のデータを分析するための適切なツールが必要です。記録されたデータを見ることで、分析に導かれますが、特にLokadのような予測ソフトウェアの場合、最初にハイパーマーケットでそれを発見するわけではありません。はい、多くの取引や多くの製品が売られていますが、各製品を見ると、取引はそれほど多くありません。つまり、製品が市場で3年間のライフサイクルを持つと考えると、別の製品に置き換えられます。製品が毎日売られないことを考えると、この製品の全体の履歴で100個が売れるというポイントに到達するまでには、多くの取引が必要です。100個が多いと言うのはかなり無理がありますが、特に…
Kieran Chandler: 統計的な観点からすると、それは低い基準になるかもしれません。実際には1年以上かかるかもしれません。つまり、このような大量の数値を活用するために設計された統計ツールを持っていても、ツールが関連性を持ち始めるまでには1年以上かかる可能性があります。そして、製品の寿命がわずか3年しかないと考えると、統計ツールのうちの多くは関連性を持たないままです。
Joannes Vermorel: よく多くの企業は売上を週または月ごとに集計しますが、それがパフォーマンスのゲームになる可能性がある場合、データの詳細さを失うトレードオフと比べてどれくらい機能するのでしょうか？非常に興味深いですね。なぜなら、私は言ったように、小数の法則の問題はどこにでも存在し、問題は、少なくとも古典的なツールはそれを考慮していないということです。しかし、古典的なツールは大数の法則に向けられています。では、どうするか？それを集約します。
Kieran Chandler: なぜ集約するのですか？それは正しいことではなく、ただ結果が完全に機能しないものにならないようにする方法です。ただし、平均値に基づく論理が崩壊しないようにするためにそれを行っているだけであり、サプライチェーンにとってスマートで関連性のあるものではありません。暗黙のうちに、あなたが利用しようとしているのは大数の法則です。
Joannes Vermorel: ですから、確かに集約しますが、たとえば、月次の集約まで意思決定を集約すると、より大きな数値を得ることができますが、問題は、サプライチェーンの意思決定が依然として日々行われていることです。ですので、はい、すべてのデータを集約したために月次の分析が向上しましたが、それでも日々の意思決定については何も教えてくれません。ですので、たとえば、時間的にではなく、カテゴリごとに集約する場合も同様の意思決定が存在します。
Kieran Chandler: たとえば、今日はソーダについて500個売れたと言っても、それは100の商品参照に分散されているため、実際には役に立ちません。なぜなら、サプライチェーンでは、例えば新鮮食品セグメントのようなカテゴリレベルでの意思決定は行われないからです。ハイパーマーケットの新鮮食品セグメントのレベルでの意思決定は行われません。代わりに、特定の商品参照とそれに関連する意思決定が行われます。では、これでまとめることにしましょう。これを見ている人にとって、どのようなデザインシンフォニーを導入し、手元の処理能力を最大限に活用するために何を利用すべきでしょうか？
Joannes Vermorel: まず、統計的な側面で、すべての基本的な仮定を再評価することをお勧めします。たとえば、人々が「安全在庫」について話すとき、正規分布ですと言われますが、これは本当に自問してみるべきです。
Kieran Chandler: 直面している小数の法則に関連する統計ツールで問題を見ているのでしょうか？19世紀の統計学のほとんどは、大数の法則に向けられていることは明らかです。ですので、私の提案は、使用しているツールが自分が直面している状況に適していないことを認識することです。再び、疑似科学と偽の合理主義に戻っています。数学的なツールを使用しているからといって、それが合理的であるとは限りません。おそらく、統計的なフレームワークには、ドメインによって破られる基本的な仮定が含まれているのかもしれません。ですので、基本を見直し、重要な点を見逃していないことを確認してください。
Joannes Vermorel: はい、その通りです。そして、機械的な共感に関しては、それはまさにフォーミュラワンの偉大なチャンピオンたちのようです。チャンピオンのインタビューを見ると、彼らは自分の車について非常に詳しく知っています。彼らはフォーミュラワンを作る方法を知りませんが、メカニクスについては非常に詳しく知っています。彼らは機械的な共感を持っています。彼らは燃焼について、共鳴について、タイヤの適切な温度について、地面への最大の接着性について非常に詳しく知っています。彼らはエンジンの技術的な側面と物理学について非常に詳しいのです。そして、それが彼らが本当に優れたパイロットになることができる方法です。単に運転が上手いだけではなく、使っているツールを知っているのです。そして、サプライチェーンも少し似ています。サプライチェーンを純粋な筋力で運転しているわけではありません。今ではコンピュータがサポートしてくれています。しかし、本当に優れたパフォーマンスを発揮したいのであれば、フォーミュラワンを製造するエンジニアになる必要はありません。パイロットはエンジンの次世代を設計できる機械工学者ではありません。しかし、彼らはそれを最大限に活用するために多くを知っています。ですので、私の提案は、サプライチェーンをサポートするすべてのコンピュータシステムについて、十分な機械的な共感を持つことです。それによって、それらの仕組みがどのように機能し、パフォーマンスを最大限に引き出すことができるのかを直感的に理解することができます。
Kieran Chandler: それは本当に良いアナロジーですね。現在、業界で見られていることも…
Kieran Chandler: ですので、より多くのデータを収集して意思決定を行う人々が増えていると言えるでしょうか。そのような視点は、小規模な数の法則から離れ、ビッグデータの視点に向かっていると言えるでしょうか？
Joannes Vermorel: また、その問題は、最も重要なデータは常に少数であるということです。はい、ウェブサイトのトラフィックに関しては膨大な量のデータを収集することができますが、マイナーな製品のトラフィックを見てみると、残念ながら、マイナーな製品が企業の平均的な売上の80％を占めていることがわかります。それは明らかに細部であり、そして、1日あたりのウェブ訪問者はわずか数人しかいないことに気付くでしょう。ですので、はい、何百万ものクリックがあるかもしれませんが、重要な時間スケールにスケールダウンすると、通常は1日または1日以内です。なぜなら、供給チェーンの意思決定は通常、日次またはサブデイリーベースで行われるからです。重要な粒度である製品、最も低いレベルである参照点、つまり正確なサイズ、正確な色、形状などを見ると、制約されたデータに戻ることになります。ですので、人々はビッグデータをやっていると言っていますが、現実は供給チェーンを関連するものとして見ると、それほど大きくはありません。そして、最も大きな問題は、統計的な観点からはそうであってほしいと思っているのですが、それは事実ではありません。ですので、混乱しないでください。私はこのビッグデータが人々に与えるものが非常に誤解を招くと思っています。彼らは「ああ、大量のデータポイントがあるから大丈夫だ」と思うかもしれませんが、いいえ、工場を見てみると、数百万のユニットを生産している工場でさえ、問題はいくつのバッチを生産しているかです。おそらくバッチの数は一桁です。そして、このモードで工場が運営されているのは過去2年間だけです。ですので、数百のバッチについて話しているのです。それだけです。これは大したことではありません。たとえ大量のデータを収集していてもです。
Kieran Chandler: では、データに関しては、少ない方が良いかもしれないという爆弾発言で終わりにしましょう。それでは今週は以上です。ご視聴いただき、ありがとうございました。次のエピソードでお会いしましょう。ご視聴ありがとうございました。
