00:10 イントロダクション
02:23 どうやって？ 供給チェーン講義
04:22 量的供給チェーンのマニフェスト
06:47 すべての可能な未来
17:01 すべての実行可能な決定
21:52 経済の原動力
30:42 ロボット化
35:41 供給チェーン科学者
40:22 ビジョンから現実へ
41:56 供給チェーン成熟の神話
45:30 結論として
46:13 聴衆からの質問
説明
量的供給チェーンのマニフェストは、Lokadが提案・先駆けたこの代替理論が、従来のsupply chain theoryとは異なる点を理解するための、短い一連の重要なポイントを強調しています。要するに、すべての決定は、可能な未来に対して、経済の原動力に基づいてスコアリングされるということです。この視点は、Lokadにおいて次第に主流の供給チェーン理論として浸透し、その実装は（ほぼ？）すべてのソフトウェアベンダーによって行われていますが、依然として困難です。
完全な書き起こし
皆さん、こんにちは。サプライチェーン講義へようこそ。私はジョアンヌス・ヴェルモレルです。本日は「量的供給チェーンの概要」をお届けします。ライブでこの配信をご覧の皆さんは、YouTubeのチャットでいつでもご質問をお寄せいただけます。講義中に質問を読み上げることはありませんが、講義の最後にチャットを確認し、上から順に質問にお答えしていきます。それでは始めましょう。
まず、かつてのフランス大統領の一人の言葉から始めたいと思います。彼は、富への道は三通りあると述べました。一番速いのはギャンブル、最も快楽的なのは女性、しかし最も確実なのは技術者を活用することだ、と。当然、この講義シリーズでは第三の選択肢を採用しています。この言葉には、一片の知恵が含まれていると考えています。技術は、ある物事をより多く、より上手に実行するための強力な手段ですが、一方で非常に気を散らす要因にもなり得ます。ここで彼が「技術者」と言ったのは、エンジニアのような技術分野の人々だけでなく、プロセスやワークフロー（いわゆるMBA的な技術論）に従事する人々も含んでいます。
供給チェーンの課題に取り組む際、私たちが提供するものが根本的な問題の解決に寄与しているのか、単なる気分を良くするための気晴らしに過ぎないのかを十分に意識する必要があります。
本日の講義では、残念ながら少し説得論に偏る部分があります。問題提起があれば、その問題に対して自らの解決策が優れていると証明することはできるかもしれません。しかし、そもそも自分が提示する問題自体が優れていることを証明できるでしょうか？それは知的に非常に難しい課題です。
前回の講義で指摘した主要な批判の一つは、供給チェーンが本質的に手強い問題であるという点です。したがって、これをどのように捉えるかは非常に困難です。本日は、供給チェーンにおいて満足のいく成果を出すために必要不可欠だと考える要件群を提示したいと思います。しかし、私が挙げる要素のどれかが本当に必要であると証明することはできません。信念の要素と、高次の理解が必要だからです。さらに、要求に対して何らかの解決策を提示しなければ、ただの空想に過ぎません。ですから、問題の本質と、良い供給チェーン実践のために極めて望ましい要素に集中するために、あと1～2回の講義では懐疑心を脇に置いていただきたいと思います。
それでは進めましょう。数年前、Lokadは既に独自の、やや異例な顧客サービスの方法を先駆けていました。2016年末、私は従来の供給チェーン理論とは大きく異なると考える、短い一連の重要なポイントをまとめることに決めました。これら5つのポイントを用いて、量的供給チェーンが従来の供給チェーンとどのように異なるかを示すつもりでした。従来の供給チェーン理論もまた非常に量的であるにもかかわらず、その区別を明確にするために別の形容詞を付けたため、用語がやや不運になったことをお詫び申し上げます。
ここで挙げる要素は、厳密な意味での基盤というより、成功のために対処すべき事項のチェックリストのようなものです。これらの要素は以下の通りです：
- すべての可能な未来：ひとつの未来だけでなく、複数の未来を見据える必要がある。
- すべての実行可能な決定：供給チェーンをオプショナリティの管理と定義した際に言及した、すなわち各選択肢のことです。
- 経済の原動力：エラーの割合ではなく、エラーに伴う金額を計測するという考え方。
- 管理制御のための要件としてのロボット化：一見、ロボット化は制御喪失を意味するかのように思われますが、実際はその逆であり、供給チェーンにおいて人間が何かを制御するためにはロボット化が必要であるという提案です。
- 供給チェーン・サイエンティスト：最終的には、供給チェーンの数値結果または量的パフォーマンスの所有権を持つ一人の人物が必要である。
これら5つのポイントそれぞれを詳しく見ていきましょう。
まず第一に、すべての可能な未来を見据える必要があるという考えです。そもそもなぜ未来を見る必要があるのでしょうか？すべての物事には時間がかかります。全てを瞬時に3Dプリントできるわけではなく、仮に可能であったとしても、輸送の手段が必要です。つまり、何かを生産または購入するといった供給チェーンの決定を下すとき、将来、何らかの需要が生じる市場状態を予測して行動しているのです。そしてその予測に基づいて供給チェーンを最適化しています。
私たちは、未来を見据える視点と、直感の数学的表現とも言えるこれらの予測を持つ必要があります。しかし、ここでいう予測とはどのようなものでしょうか？20世紀および21世紀前半に供給チェーンの実践を支配してきたのは、従来の時系列予測であり、私の目にはいくつかの重大な欠陥が見受けられます。第一に、この手法は不確実性という概念を完全に無視している点です。私の提案は、不確実性は完全に還元不可能であり、供給チェーンにおいて未来を完璧に予測することは不可能だというものです。いわゆる99%の予測精度が達成できるというのは、馬鹿げた話です。水や電気の消費量においてさえ、この程度の精度を出すのは極めて困難です。
現実的に供給チェーンを考えると、例えばある店舗で特定の商品が週に1個しか売れない場合、サブパーセントの精度を達成する希望は全くありません。問題自体が意味をなさないのです。したがって、不確実性は還元不可能であるといえます。これを裏付ける大きな例として、2020年の世界的パンデミックが挙げられます。あのような事態を、古典的な手法で「これが未来だ」と数値で示すことは到底不可能です。
代わりに、確率的予測を用いることが可能です。すなわち、すべての未来があり得るものの、その起こる確率は等しくないという考え方です。これは、未来がどう展開するかという完璧な予測を装うのではなく、考え得るすべての未来が存在し、その一部がより起こりやすいと統計的に示す手法です。このアプローチは、還元不可能な不確実性を受け入れるものです。多くの場合、「それは予測できない」と言われても、私の答えは「予測はできる」というものです。古典的な予測が完璧ではなくとも、私は完璧な確率的予測を作成できるのです。
この極端な例としては、宝くじのチケットが挙げられます。特定のチケットが当選する正確な確率を算出できます。どのチケットが当たるかは分かりませんが、不正がなければ、すべてのチケットに均等な確率が反映された完璧な確率的予測を持つことができます。これがまさに確率的予測の意味であり、未来を完璧に知ることはできなくとも、未来について多くの情報を得ているという考え方です。例えば、常に市場には大規模な混乱のテールリスクが存在すると言えるのです。リスクがどこから生じるかは正確には分かりません。パンデミック、株式市場の暴落、戦争、またはトランプ大統領が導入したような新たな関税など、供給チェーンを混乱させる要因は様々です。そして、どの供給チェーンにおいても、次の四半期に大幅な下落が生じるテールリスクは数パーセントにのぼると評価できます。改めて言えば、これは魔法ではなく、未来について非常に合理的な前提なのです。適切な統計ツールを用いれば、さらに精緻な予測が可能となるのです。不確実なあらゆる分野には予測が必要であり、その予測は確率的でなければなりません。需要だけが予測を必要とする分野ではありません。
これには、将来の需要予測に加え、将来のリードタイム、eコマースにおける返品、鉱業や農場などの初級生産源での不確実な生産歩留まり、生物学的プロセスの品質管理における確率的な不良率や廃棄率、部品の修理などが含まれます。不確実性のあるあらゆる分野には予測が必要です。良い供給チェーンの実践とは、あらゆる可能な未来とそれぞれの確率を考慮に入れ、予測すべきすべての事項を網羅することなのです。需要だけではありません。
例えば、コモディティ価格のようなものに目を向けることもできます。もし将来のコモディティ価格を正確に予測できるなら、実際の供給チェーン運営ではなく、株式市場での取引だけで済ませるでしょう。しかし、特定のコモディティは他と比べて価格変動が激しく、そのためにこれらのリスクは、確率的予測を駆使した適切なモデルにより最適化可能となります。
もう一つの要素は、これらが自分自身の未来だけでなく、すべての可能な未来が互いに独立していない点です。強い依存関係が存在しており、これこそが従来の供給チェーン理論に欠けている部分です。彼らは需要予測を、供給チェーン内で起こる他の事象から完全に独立したものとして扱ってしまっています。現在に至るまで、特定の商品について12か月先の予測が可能かと、Lokadに問い合わせをしてくる見込み客も存在します。
例えば、あるスポーツブランドがトラッキング機能付きバックパックの需要を今後12か月間予測できるか尋ねられたとしましょう。私の基本的な回答は「状況次第」です。もし1つのバックパックのみを販売しているなら、ある程度の需要は見込めるでしょう。しかし、もし品揃えを急に大幅に拡充し、ほぼ同一の価格、サイズ、特性を持つバックパックのバリエーションをさらに10種類追加したとしても、単純に製品数が10倍になったからといって需要が10倍になるわけではありません。しかし従来の予測手法では、製品数が増えれば需要数値が劇的に膨らむ可能性があり、現実的ではありません。これが、未来をしっかり捉える必要がある理由です。未来は、不規則な不確実性だけでなく、その相互依存性によっても特徴付けられるのです。我々は、これらの変化を捉えるツールを必要としています。
締めくくりとして、何かを最適化する希望があるならば未来を見据える必要があるため、予測は不可欠です。しかし、予測はあくまで未来に対する十分に根拠のある意見に過ぎないことを忘れてはなりません。
これらの予測は実体のあるものではなく、予測の質が直接供給チェーンに影響を及ぼすわけではありません。多くの企業では予測の改善に過度に注力しますが、私の問いは「それは何のためか？」です。もし予測の最適化が直ちにサプライチェーン-パフォーマンス-テストの向上に繋がると考えるなら、それは幻想であり、全くの捏造です。
供給チェーンを実際に改善するのは、供給チェーンに対して具体的かつ物理的な影響を及ぼす決定だけです。ここでいう決定とは、例えばサプライヤーから1単位を追加で購入すること、ある拠点から別の拠点へ在庫を1単位移動すること、または販売している商品の価格を上げるまたは下げることなどを指します。これらの行動は、企業にとって実質的かつ具体的な結果をもたらします。
逆に、予測は将来についての推測にすぎません。将来がどのようになるかについてより詳細な見解を持つことは望ましいですが、本当に重要なのは意思決定です。私の提案は、サプライチェーンの実践は、その意思決定の生成に完全に焦点を当てるべきだということです。それが唯一重要なことだからです。予測や計画の部門が存在するという考えは、かなりの程度で誤ったものです。予測は、より良い意思決定を行うための推測を助けるためにあるに過ぎません。
意思決定の最適化から予測部分を切り離すのは非常に危険で誤った考えです。ちなみに、私が「実行可能な意思決定」と言うとき、それはサプライチェーンに存在するすべての物理的制約を遵守する意思決定を意味します。どのサプライチェーンにも、至るところに非線形性が存在します。例えば、最小発注数量、店舗内の最大陳列スペース、コンテナやトラック内の最大容積または重量容量などがあります。また、有効期限や、航空宇宙分野の特定部品が飛行時間やサイクルを伴い、定期的な修理を必要とするという、より微妙な非線形性も存在します。
鮮度食品のような一部の商品が同じトラックでは輸送できないなど、あらゆる問題が存在します。あるいは、同じ温度で輸送できないために、特別なトラックが必要になる場合もあります。複数の区画または複数のトラックが必要となるのです。実行可能な意思決定を制限する制約は数多く存在します。
実行可能な意思決定とは何かというと、例えば店舗補充の最適な数量が1.3単位であると言うのは意味をなしません。これは実行可能な決定ではなく、実際には1単位か2単位のいずれかでなければならず、1.3単位というのはありえないのです。極めて実務的な観点から即座に実行に移せるものでなければならず、それが実行可能性の意味するところです。
さて、すべての実行可能な意思決定とあらゆる可能な未来を見渡したとき、どの意思決定が正しいのかをどのように評価するかが問題となります。
我々は経済的なドライバーを考慮しなければなりません。重要なのは誤差の割合ではなく、誤差と報酬のドル額であるという考えです。パーセンテージを最適化すれば実際に企業にとって良い結果が得られるという大きな幻想がありますが、これは真実ではなく、私はこれが極めて誤った考えだと考えています。
例を挙げるなら、サービスレベルを見てみましょう。非常に高いサービスレベルを持つとはどういう意味でしょうか。見込み客が99%のサービスレベルを望むと言うのを頻繁に耳にします。もちろんそれは提供可能ですが、途方もない在庫の抱え込みを招き、莫大な在庫の評価損と極めて低い収益性を引き起こすことになります。これはトレードオフであり、単なるトレードオフではなく経済的トレードオフです。サービスレベルという単純な要素においても、片側にある在庫コストと、もう片側にある品切れコストとの間にトレードオフが存在します。
つまり、これらの経済的ドライバーを各意思決定について詳細に検討することで、その結果を評価できるのです。ある意思決定について、特定の未来における結果を見て、その経済的パフォーマンスをドル単位で評価することができます。
経済的ドライバーとは、企業の業績を形成するすべての要因を意味します。第一のドライバーは非常に明白で、原材料費、販売価格、保管コスト、輸送費、加工費など、会計帳簿に記載されるようなものです。これらのコストをすべて積み上げ、販売価格から差し引いてコストの予算を計算します。これが第一のドライバーであり、あなたのERPや会計ソフトウェアで実際に確認できる非常に明白なものです。
しかし、これらのコストだけでは不十分です。これだけに目を向けると、非常に短絡的な財務視点に陥ります。システム内に明示的に存在しない、第二の経済的ドライバー、すなわちサプライチェーンの意思決定の二次的効果をも考慮に入れる必要があります。たとえば、通常、品切れが発生しても品切れペナルティはありません。もし、ウォルマートのような大規模な小売ネットワークに販売している大手ブランドであれば、サービスレベル契約があり、一定の目標を達成できなければペナルティが課されるかもしれませんが、これは頻繁ではありません。たとえペナルティがあったとしても、それが自然に顧客に与えた実際のコストを反映しているわけではありません。
つまり、あなたの行動の二次的な結果、例えば顧客のロイヤルティを高めるプラス効果や、逆に顧客の離反を招くマイナス効果を表すドライバーが必要なのです。これは問題に依存するものですが、たとえばファッションブランドがシーズン終盤に割引を行うと、割引による即時的な損失以上のコストが生じます。顧客に割引の習慣を植え付け、翌年も同じ割引を期待させる結果となるのです。これは、顧客基盤における習慣と期待の短期的および長期的な影響を示しており、これが私が第二の経済的ドライバーについて言及する理由です。
正しく行えば、財務上の最適化は短絡的ではありません。しかし、素朴な財務最適化を行うと多くの無意味な結果に終わり、これはサプライチェーンに関するどんな単純なレシピにおいても同様です。経済的最適化は不可欠であり、これがなければ最適化の目標すら定まりません。パーセンテージの最適化は機能せず、ドル単位で最適化すべきです。これらの報酬とコストのドル額をひとまとめにしなければ、定量的な最適化の対象が存在せず、これこそが本講義シリーズで重視している点なのです。
このドル額がなければ、最適化を開始することすらできません。もし貴社がサプライチェーン最適化を推進するための統一された財務フレームワークをまだ持っていないのであれば、それはまだ始まっていないということです。多数のチームがパーセンテージ、サービスレベル、その他の非金銭的指標に取り組んでいるのであれば、それはパフォーマンスの幻想に過ぎません。重要なのはドルであり、ドル、ユーロ、円などの金銭的な指標が必要なのです。
これらの経済的ドライバーには、しばしば見落とされがちなもう一つの非常に重要な目的があります。第一の目的は、非常に機械的な方法で数値的最適化を推進することです。これらのドライバーの第二の目的は、後の講義で改めて取り上げるホワイトボックス化を可能にすることです。つまり、各意思決定についてあらゆる可能な未来を検討し、その意思決定の経済的パフォーマンスを割り当て、すべての可能な未来にわたってその経済的パフォーマンスを平均し、投資収益率（ROI）が最も高いものから最も低いものへと全ての意思決定をランク付けするという考えです。当然、利益がなくなった段階でこれ以上意思決定を行うのを止めたいのです。しかし、なぜ特定の意思決定が選ばれるのかという透明性と理解が必要です。ここで、これらの経済的ドライバーは、システム、実践、またはソフトウェアによって生成されるどんな意思決定に対しても、その背後にある「なぜ」を説明する上で非常に有用となります。
つまり、経済的ドライバーを用いれば、あらゆる意思決定を見渡し、その意思決定が実際に良いとされる理由をドル単位で示すいくつかの主要な指標を得ることができるのです。逆に、採用されなかった意思決定については、ドライバーを見て、その意思決定がなぜ良くなかったのかを評価することができます。
これらの三つの要素があれば、実践を開始するために必要なすべてが整います。あらゆる可能な未来、あらゆる意思決定を検討し、それぞれの意思決定をあらゆる可能な未来に対して検証し、ドル単位で評価してランク付けするのです。
これを現実かつ効果的なものにするためには、完全なエンドツーエンドのロボット化というマインドセットが必要です。完全なエンドツーエンドのロボット化が必要な理由は、経営陣が再び管理権を取り戻すためです。最初は奇妙に聞こえるかもしれませんが、ロボット化すると誰が管理を行うのかという疑問が生じます。これは、多くの拠点、製品、顧客、ソフトウェア、従業員、車両を含む非常に複雑かつ分散したサプライチェーンの性質に由来するものです。
日々必要なあらゆる意思決定を生成するために、ロボット化されたプロセスを採用しない場合、代わりに膨大な数のスプレッドシートを使用する事務員の軍隊を抱えることになります。問題は、事務員の軍隊を管理していると、サプライチェーンに何か変更を加えたい場合、関わる多数の人々の再教育と、新しい戦略や規則を本当に理解しているかの確認により、変更が浸透するまでに6ヶ月かかってしまうことです。
ロボット化とは、エンドツーエンドの数値的レシピを実装して、あらゆる日常の意思決定を自動生成することで、この遅延を回避するという考えです。ここで述べているのは、日常的な意思決定すべてについてであり、新しい国に工場を建てるか、市場を開拓するかといった意思決定についてではありません。そうした意思決定は年に数回行うものであり、多くの人が関与しても問題はありません。しかし、サプライチェーン内の各SKUについては、日々半ダースもの意思決定が必要なのです。もっと生産すべきか？ 追加で仕入れるべきか？ 他の場所の在庫をどうすべきか？ 価格を上げるか下げるか？ 役に立たず、倉庫や店舗のスペースを占有している在庫を処分するか？ たとえ今日、何もしないという決断を下すとしても、それ自体が意思決定となるのです。このように、現代のサプライチェーンが運営される規模を考えると、機敏であるためにはエンドツーエンドのロボット化が必要不可欠だと私は信じています。
さらに、資本主義的かつ正確なものにするためには、エンドツーエンドのロボット化が不可欠であるという別の重要な側面もあります。これは次の講義のテーマでもありますが、短く言えば、サプライチェーン部門を運営費（OPEX）として扱いたくなく、サプライチェーンへの投資を設備投資（CAPEX）として扱いたいということです。サプライチェーンに対して注力するすべての努力は正確であるべきであり、サプライチェーンを企業の資本主義的資産とする必要があります。これを実現する唯一の方法はロボット化であり、そうでなければ、結局は毎日同じことを繰り返す事務員の軍隊に支払い続けることになるのです。
ここで疑問となるのは、ロボット化と、事務作業の代わりに働くソフトウェアの責任は誰が負うのか、という点です。
これらの数値的レシピの責任は誰が負うべきなのでしょうか？ 誰がこれらの結果のオーナーシップを取るべきなのでしょうか？ 「システムがある、システムがそれに責任を持つ」という従来の答えは、私は誤りだと考えています。非常に高価なエンタープライズソフトウェアであっても、それ自体が何かに責任を持つことはありません。自己認識もありません。たとえAIについてどんなことを言われようとも、我々はまだその段階に至っていないのです。現在あるのは、誇張された洗練された数値的なレシピだけであり、それらはすでに企業に莫大な価値を提供しているのです。
社内または社外の誰かが、日常的にサプライチェーンを駆動する実世界の意思決定を生み出すための、これら数値結果の品質に責任を持つ必要があります。Lokadで私たちが先駆けた実践は、サプライチェーン・サイエンティストという考えに基づいています。このサプライチェーン・サイエンティストの概念は、私がデータサイエンティストに取り組もうとして初期に失敗した経験から生まれました。データサイエンティストの問題は、技術的な側面に固執する点にあります。あの「技術者こそが確実に物事を台無しにする」という最初の引用を思い出してください。サプライチェーンの問題を解決しようとするデータサイエンティストについて話すとき、現在の私の見解はまさにその通りです。彼らは極めて短絡的な道を進んでおり、最終的に素晴らしい結果が得られる保証はありません。サプライチェーン・サイエンティストは、実世界の意思決定を自ら生成する責任を担い、そのためサプライチェーンの些細な部分にも細心の注意を払う人物です。たとえば、昨年、ある倉庫が洪水に見舞われ、3週間もの間何も流通しなかったために、季節性のプロファイルが大きく歪められたとします。そんなことを単なる些細な出来事と片付けることはできません。数理モデルの根本的な有効性には疑問は持たれないにしても、サプライチェーン・サイエンティストの視点では、それは重大な問題なのです。もし、その倉庫にかかわる過去の運用上の事故が、歴史的データに深刻な偏りを生じさせ、結果として誤った意思決定を引き起こすなら、それは非常に問題です。すべては、たとえ報酬としてのドルであれ、コストとしてのドルであれ、重要なのです。
インディアナ・ジョーンズのような学者であり研究者であるべき人物と、テリー・プラチェット作品に登場するウィンドル・プーンズのような人物。この二人の架空のキャラクターの現実は、これ以上ないほど根本的に異なります。その根本的な違いは、ほぼサプライチェーン・サイエンティストとデータサイエンティストの違いを如実に反映しています。判断基準として、CEOが気にするかどうかを自問すれば良いのです。会社のCEOが、サプライチェーン・サイエンティストであるあなたの行動に異議を唱えるでしょうか？Lokadを10年以上経営してきた私の経験では、現在、クライアントのCEOや取締役会と定期的に会い、サプライチェーンの基本と我々がどのようにしてドル単位のリターンを生み出しているかについて質問されています。
その問いは、サポートベクターマシンや勾配ブースティングツリーを使用しているかどうかではなく、サプライチェーンが市場の他社に対して価値ある資産となるための道筋に関するものです。
私は問題に対する実際の解決策ではなく、要件として5つのポイントを提示しました。それらは、適切に対処されなければ、少なくとも定量的な方法では、供給連鎖を意味のある方法で改善・最適化するための作業を実際に開始していないことを意味する要素のリストにすぎません。定量的でない最適化、たとえばより良い設備、より良い採用方針、あるいはチーム向けの十分に考慮された金融的インセンティブなどは、豊富に存在します。
Lokadのウェブサイト（lokad.com/lectures）には、今後の講義に関する完全な詳細計画が掲載されています。私たちは、プログラミング手法、ツール、プラクティスに特に関連する異なる視点、概念、パラダイムなど、多岐にわたるトピックを扱う必要があります。取り上げるべき資料は非常に多く、これらの概念は、先に提示した5つのポイントを実現するための助けとして紹介されます。これらがなければ、このアプローチは単に機能しません。
さて、話をそれますが、一部の人々は、私が提示するビジョンが彼らが現在行っているものとは大きく異なると挑戦してきました。彼らは、それがあまりにも先進的であるため、ゆっくりと進み、段階的に改善してからこの定量的な供給連鎖のアプローチを検討することを好むと主張します。しかし、私はこの「這い、歩き、走る」というアプローチは誤謬だと考えています。進歩はしばしば階段状ではなく、破壊的です。例えば、Amazonがクラウドコンピューティング・プロバイダーになると決断したとき、彼らはオンラインでの書籍販売からオンデマンドのクラウドコンピューティング資源の提供へと、大きな飛躍を遂げました。これは穏やかで一歩一歩の進行ではなく、破壊的な転換でした。
同様に、ヘンリー・フォードの有名な言葉があります。彼は、もし顧客に何が欲しいか尋ねたなら、より速い馬を求めたであろうと述べています。重要なのは、もし私が示した要件が必須であり、ほとんどの企業が正しい視点から問題を検討していないとすれば、私たちが多くのクライアントに対して出発点とするのは、この分野においてほとんど誰もが成熟していないという現状なのです。大規模な部門で誤った指標を最適化している大企業が、実際の供給連鎖管理の成熟度を持っていると考えるのは幻想に過ぎません。
私のメッセージは、他社が行っていることと比較して、特にその官僚組織の大きさを理由に自分自身を未熟だと考えないでほしいということです。私の観点からすれば、それは彼らの効果性についてほとんど何も示していません。私が最も成熟していると認識する企業は、通常、小規模で俊敏な、デジタルに焦点を当てた北米のeコマース企業です。彼らは大量のデータサイエンティストを持っているわけではなく、むしろ正しい思考と適切な数値的レシピを持つ少数の人々が存在しているのです。
結論として、私は問題の必然性に関する側面を取り上げました。次の講義では、我々の問題定義とその解決策に焦点を当て、問題の十分性について検討し始めます。しかし、まず問題定義の側面から始めることが重要です。なぜなら、それにより我々が提示する解決策が価値あるものなのか、単に問題を探している解決策なのかを理解できるからです。
本日はお時間をいただき、誠にありがとうございました。それでは、これから質問にお答えします。
Question: I enjoyed the subtle Dune reference.
『デューン』のリファレンスをお楽しみいただけたことに感謝します。本の主要な登場人物は、ありとあらゆる可能な未来を見る能力を持ち、そのために卓越した戦略的能力を有しています。この比喩は、供給連鎖管理に非常に適しているのです。もしすべての可能な未来を検証できるなら、どの未来が実際に起こるかが正確にはわからなくとも、単一の結果だけを考慮している競合相手に対して大きな利点を得ることができます。
Question: Would you please elaborate more about the second-order drivers?
「セカンドオーダー」とは、セカンドオーダーの結果のことを指しています。供給連鎖管理では、単純な物理的システムのような予測可能な軌道だけでなく、人間や複雑なシステムを扱う必要があるため、人々は適応し、彼らの行動や反応を考慮しなければなりません。
例えば、過去にLokadで、特定の購入注文数量を提案したクライアントがいました。しかし、クライアントは私たちの推奨よりもはるかに大きな数量で注文を出していました。調べてみると、クライアントが商品を受け取る際、受領担当のチームが初回の注文と一致しているかを確認するために再計算を行っていたのです。もし受領数量が注文と一致しなければ、システムには独特の制約があり、購入注文全体をキャンセルして商品を返送するか、あるいは生産ラインが危険にさらされる状況に陥るため、元の注文数量を受領数量に合わせて変更していたのです。年月を経る中で、賢明なサプライヤーの中には、このERPシステムのユニークな特性に気づいた者もいました。四半期の終わりが迫り、目標達成が危ぶまれると、彼らはこのクライアントに何でも押し付けることができ、そのクライアントは疑問や異議を唱えることなく請求書を支払っていました。
これは私がセカンドオーダーの効果と呼ぶ現象の一例です。一見些細で平凡なERPの一面に、システムを巧みに利用する賢い人間が介在することで、システム全体がゲーム化されるのです。人間が関与する場合、どんな施策を講じても同様の現象は必ず起こります。セカンドオーダーの結果という考え方は、その結果のさらなる結果、場合によっては第4、第5のオーダーまでの連鎖的影響を考慮する必要があるということです。これは知的には非常に難しい挑戦ですが、セカンドオーダーの結果を無視すれば、誤った判断を下す危険性があるのです。
セカンドオーダーの経済的な原動力に関しては、それにドル価値を割り当てることが重要ですが、これは困難な作業になることもあります。重要なのは、完全な誤りを避けるよりも、おおよその正確さを持つことであり、精密な計算に頼るよりも、筋の通った概算値を得るほうが良いのです。
Question: What are the techniques used in complete robotization?
完全なロボティゼーションのための技術は数多く存在し、これについては今後のプログラミングパラダイムに関する講義で取り上げます。ソフトウェアについて話しているにもかかわらず、ロボティゼーションを実現するために望ましいコアの設計特性を考慮する必要があります。主な目標は、必ずしもAIではなく、生産グレードのソフトウェアを作り出すことにあります。予測誤差をゼロにすることは不可能ですが、企業を危険にさらす狂気をゼロに抑えることは目指せます。
ここで言う「狂気」とは、企業全体を危機に陥れる可能性がある事態を意味します。例えば、Target Canadaは供給連鎖の最適化が極端になったために破綻し、Nikeは2004年に、Lokadの競合製品であった供給連鎖ソフトウェアのトラブルが原因で、企業が崩壊寸前に陥るという災害を経験しました。ですから、まずこのトピックは次回の講義で取り上げますが、その内容にたどり着くまでには少々時間がかかるでしょう。
Question: In your forecast, if we try to encompass so many progressive variables, we would need to develop models ourselves, and it may become simulations. Any thoughts?
正確な未来のシミュレーションと確率的予測との間には明確な違いはありません。これらは未来を捉えるための数値的レシピの、二つの異なるアプローチといえます。確率的な予測モデルを用いれば、未来を示す軌跡を生成することが可能です。つまり、あなたは確率を用い、乱数を引き、架空の観測値を作成し、モデルを再学習し、確率を再構築し、これを繰り返すのです。シミュレーションと統計的モデリングの違いは、特に供給連鎖向けのモデルにおいてはほとんど曖昧になり、両者は大部分で重なり合っています。
Question: Are the solutions you developed service-based or a combination of both? What is your opinion on this approach for the future of supply chain?
Lokadにおける我々の視点は、供給連鎖のパフォーマンスをドルで表現することにあります。この分野には莫大な複雑性が存在し、予測における不確実性が還元不可能であるのと同様に、あらゆる問題を一度に解決しようとするソフトウェア製品においては、その複雑性も還元不可能です。問題解決にはメタソリューションが必要なのです。Lokadで採用されているアプローチは、供給連鎖の科学者と呼ばれる人間の知性の必要性を認めることであり、現代の供給連鎖の課題をAIが理解できると考えるのは非現実的だと思います。
私たちには、適切なスキルをもつ賢明で経験豊富な人々が必要です。Lokadは、供給連鎖の科学者が生産的かつ極めて信頼性を発揮できるようにすることを目的とした製品を開発してきました。ここでの課題は、これらの供給連鎖の科学者に最適なツールを提供することです。要するに、Pythonは解決策ではなく、これからの講義を通して、多くの汎用プログラミング言語に根本的な問題が存在することが明らかになるでしょう。これらの設計上の問題は、供給連鎖の問題に満足な形で対処するには不向きなのです。我々は「生産グレード」とは何か、「生産準備完了」であるとはどういうことか、細部にわたって検討する必要があります。なぜなら、我々が求めるのは狂気ゼロの状態であり、もし狂ったロボットが供給連鎖に悪影響を及ぼすなら、それは決して機能しないからです。これがまず最初に取り組むべき課題なのです。
Question: Often quantitative approaches require us to quantify what was not quantified yet or what was sitting in Excel spreadsheets, not in ERP systems. What is the most efficient way to deal with this problem? How can this additional information be gathered so that it can be as reliable as information from the ERP systems?
ここには二つの別個の問題があります。まず、現状として、リターンや報酬を定量化することの問題は、政治的に非常に困難であるという点です。大企業の多くの人々は、リターンや報酬のドル額について議論しない強い動機を持っており、さもなければ企業は自社に付加価値がゼロであると気づいてしまうからです。そのため、政治的圧力がこれに反するため、多くの項目が定量化されないのです。
具体的な例として、小売ネットワーク向けに店舗在庫の最適化に取り組んだ際、在庫が全く異なる二つの目的に供されていることに気づきました。一つ目の目的は、顧客に適切なサービスを提供するために必要な在庫量であり、二つ目は店舗を満たし魅力的に見せるために必要な追加の在庫量です。大手小売業者の場合、在庫の総額はユーロで表現され、その半分はサービス提供のために供給連鎖が担い、残りの半分はマーチャンダイジングのためにマーケティングが管理すべきだと提案しました。もちろん、突然大きな在庫額がマーケティング部門の予算に計上されたことに、彼らは満足しませんでした。
まず、リターンとコストのドル価値を定量化するルールを確立するのは非常に困難であり、これらのルールは全員に平等に適用されるべきです。これは実現が難しく、多くの組織内の人々が現状維持に強い利害を持っています。次に、実際には対処がはるかに容易な問題、すなわちシャドウITの問題があります。ERPや類似のソフトウェアにおける問題として、LokadのERPに関する知識ベースでご覧いただけるように、ERPベンダーがあらゆる状況をカバーするのは非常に難しいのです。例えば、最小発注量（MOQ）が存在する場合、これをERP上でどのように表現するかは、本当にケースバイケースです。MOQは、製品レベル、注文レベル、あるいはその両方の組み合わせで定義される場合があります。テキスタイルのように、各色毎の布の量で定義されることもあり、さらに複雑になることもあります。
問題は、ERPベンダーにとってこれらすべてを表現するのが非常に困難であるという点です。その結果、人々はERPを購入しても、必要なすべてを表現できないことに気づき、Excelのスプレッドシートに頼ることになるのです。私はこれが、優れたIT部門の役割そのものだと考えています。すなわち、シャドウITが単なるシャドウITに留まらず、社内拡張という小さな付加価値となるよう、不足している部分を構築し提供することです。ある意味で、ERPを導入することは良いことであり、私のアドバイスは、ERPをカスタマイズするのではなく、別途何かを行うことです。それは、ERPの上に「フランケンシュタイン方式」で乗せるよりも、はるかに管理が容易だからです。
皆さん、本日はご覧いただき、誠にありがとうございました。次回の講義は来週の水曜日、同じ時間に行われます。それでは、またお会いしましょう。さようなら。
