00:10 導入
02:23 どうやって？ サプライチェーン講義
04:22 定量的サプライチェーンのマニフェスト
06:47 あらゆる可能な未来
17:01 あらゆる実行可能な意思決定
21:52 経済的ドライバー
30:42 ロボット化
35:41 サプライチェーンサイエンティスト
40:22 ビジョンから現実へ
41:56 サプライ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
定量的サプライチェーンのマニフェストは、Lokadによって提案・先駆けられたこの代替理論が主流のsupply chain theoryとどのように異なるかを把握するための、いくつかの重要なポイントを強調しています。すなわち、すべての意思決定は、possible futuresに対して、economic driversに基づいてスコア付けされるということです。この視点は、Lokadで次第に主流のサプライチェーン理論として確立され、その実装は（ほぼ？）すべてのsoftware vendorsによって試みられているものの、依然として困難なままです。
全文トランスクリプト
皆さん、こんにちは。サプライチェーン講義へようこそ。私はジョアネス・ヴェルモレルです。本日は「定量的サプライチェーンの概要」をご紹介します。ライブ配信をご覧の皆さんは、YouTubeのチャットを通じていつでも質問することができます。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に戻り、上から順に質問にお答えしていくつもりです。では、始めましょう。
まず、元フランス大統領の一人の言葉から始めます。彼は、富への道は三つあり、最も早いのはギャンブル、最も楽しいのは女性、しかし最も確実なのは技術者であると言いました。もちろん、この講義シリーズでは三番目の選択肢を採用します。私は、この言葉に一理あると思っています。技術は、特定のことをより多く行い、あるいは特定の分野でより優れた成果を出すための強力な手段ですが、同時にかなりの気晴らしにもなり得ます。ここで言う技術者とは、エンジニアのような技術的な仕事をする人々だけでなく、プロセスやworkflowsの運用に携わる、いわゆるMBAレベルの技術的専門家も意味します。
サプライチェーンの課題に取り組む際、我々が提供するものが核心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、非常に慎重に見極める必要があります。
本日の講義では、残念ながら説得側にやや寄る形になるかもしれません。問題の提示があれば、その問題に対してより優れた解決策があることを証明できます。しかし、そもそもより優れた問題設定が存在することを証明できるでしょうか？ それは知的に非常に困難な挑戦です。
前回の講義で私が指摘した主要な批判の一つは、サプライチェーンが本質的に解決の難しい問題であるということでした。したがって、それをどのように捉えるかは非常に難解です。今日、私はサプライチェーンにおいて、何か満足のいく成果を上げるために不可欠だと考える一連の要件を提示しようとします。しかしながら、私が提示する各要素が本当に必要であると証明することはできません。そこには信念の要素と、高度な理解の要素が含まれています。また、要件に対して解決策を提示しなければ、単なる空想に過ぎなくなるという信念の側面もあります。ですから、あと1〜2講義は懐疑的な考えを脇に置き、問題の本質と、良いサプライチェーン実践に不可欠な要素に注目していただきたいと思います。
さて、始めましょう。数年前、Lokadはすでに、独特な方法で自社のクライアントにサービスを提供する先駆者でした。2016年末、私は主流のサプライチェーン理論から大きく逸脱していると考える、いくつかの重要なポイントをまとめることにしました。これら五つのポイントを用いて、定量的サプライチェーンが主流のサプライチェーンとどのように異なるかを示したかったのです。用語が少々不適切であることはお詫びします。なぜなら、主流のサプライチェーン理論もまた非常に定量的であるのですが、定量的サプライチェーン理論と主流のサプライチェーン理論との違いを明確にするため、追加の形容詞を付けたのです。
私が列挙するこれらの要素は、決して基礎的なものではなく、むしろ成功の希望を持つ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を含みます:
- あらゆる可能な未来: 一つの未来だけでなく、多くの未来を見据える必要があります。
- あらゆる実行可能な意思決定: サプライチェーンをオプショナリティの習得と定義したとき、ここでの意思決定とはその選択肢のことを指します。
- 経済的ドライバー: 誤差の割合ではなく、誤差の金額に着目するという考え方です。
- 管理制御のための要件としてのロボット化: 一見、ロボット化は制御を失うこと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、サプライ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だという命題です。
- サプライチェーンサイエンティスト: 結果として、サプライチェーンの数値的成果または定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す。
これら五つのポイントを一つ一つ詳しく見ていきましょう。
まず、あらゆる可能な未来を見据えるという考え方です。なぜ未来を見据える必要があるのでしょうか？ すべてには時間がかかるからです。何事も3Dプリントで瞬時に作成できるわけではなく、仮に可能だとしても輸送が必要です。つまり、すべてに時間がかかるため、supply chain decision、例えば何かを生産または購入するという意思決定は、将来の市場における何らかの需要を予測して行われるのです。そして、その予測に基づいてサプライチェーンを最適化するのです。
この先見性と予測は、直感の数学的表現に過ぎません。しかし、どのような予測のことを言っているのでしょうか？ 20世紀および21世紀前半にサプライチェーン実務を支配していたのは、古典的なtime series予測であり、私の目にはいくつかの点で本質的な欠陥があるように映ります。一つは、このアプローチが不確実性の概念を完全に無視しているという点です。私の主張は、不確実性は完全に還元不可能であり、サプライチェーンに関与する限り、未来を完璧に予測することは不可能だということです。99%のforecast accuracyがあるという考え自体が無意味です。水の消費量や電力の消費量でさえ、この精度を達成することは非常に難しいのです。
実際のサプライチェーンを考えると、たとえばある店舗で特定の商品が週に1つしか売れない場合、1%未満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。ゆえに、不確実性は還元不可能です。証拠として2020年を見れば、世界規模のパンデミックが発生し、サプライチェーン全体に大混乱が生じました。これらの事態を、単一の数値で「これが未来だ」と断言する古典的なアプローチで予測することは不可能なのです。
代わりに、私たちが用いるべきは確率的予測です。これは、すべての未来が可能である一方で、起こる確率は均一ではないという考え方です。これが確率的予測の本質です。将来がどのように展開するかを完璧に予測している振りをするのではなく、可能な未来すべてを示し、その中でいくつかは他よりも生じやすいと統計的手法で表現するのです。このアプローチは、還元不可能な不確実性を前提として受け入れています。多くの人が「それは予測できない」と言う状況でも、私の答えは「予測は可能だ」というものです。古典的な方法で正確な予測を示すことはできませんが、確率的予測としては完璧なものが提供できるのです。
この極端な例として宝くじ券が挙げられます。どの券が当たりかの正確な確率を算出することは可能です。どの券が当たるかは分からなくても、ゲームが不正でなければ、すべての券に均一な確率を反映した完璧な確率的予測を持つことができるのです。これこそが確率的予測の意味であり、未来を完全には把握できなくとも、未来に関する多くの情報を知っているということを示しています。たとえば、ある時点で市場において大規模なdisruptionのテールリスクが存在する可能性があると主張できるのです。リスクの発生元がパンデミックであるのか、株式市場の暴落、戦争、あるいはトランプ大統領が導入したような新たな関税であるのかは不明ですが、サプライチェーンにおいて大幅な落ち込みが次の四半期に起こる確率は、数パーセントに達すると考えています。これは魔法ではなく、未来に対して非常に妥当な仮定なのです。適切な統計ツールを用いれば、さらに精緻な予測も可能となります。不確実なすべての領域では予測が必要であり、なおかつそれは確率的予測であるべきなのです。需要だけが予測を必要とする領域ではありません。例えば、不確実性を含むあらゆる領域が予測の対象となるのです。
これには、将来の需要予測だけでなく、将来のlead times、Eコマースでの返品、鉱業や農場のような一次生産源での生産歩留まりの不確実性、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、さらには部品の修理などが含まれます。不確実な領域は多岐にわたり、それぞれが十分な予測に値するのです。良いサプライチェーン実践とは、あらゆる未来に対してその確率を考慮し、予測すべきすべての事象を包括的に捉えることを意味します。需要だけに限った話ではありません。
例えば、原材料の価格といったものも予測対象となり得ます。明らかに、将来の原材料価格を正確に予測できるのであれば、実際のサプライチェーンの運営ではなく、ただ株式市場で取引すればよいのです。しかし、ある種の原材料は価格変動が非常に激しく、そのために伴うリスクは、確率的予測のツールを用いることで最適化できるのです。
もう一つの要素は、自分自身の可能な未来だけでなく、それらの未来が互いに独立していないということです。これらの未来には強い依存関係が存在しており、これこそが主流のサプライチェーン理論が大きく欠落している点です。彼らは需要予測を、サプライチェーン内で発生するその他すべての事象から完全に独立したものとして扱っています。現在に至るまで、Lokadに具体的な商品の12か月先の予測を依頼する企業が存在するのもそのためです。
例えば、スポーツブランドがトラッキング機能付きリュックサックの需要予測を求めてきたとしましょう。今後12か月間の需要を予測できるでしょうか？ 私の基本的な答えは「状況次第」です。もし1種類のリュックサックだけ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、突然品揃えを大幅に拡充し、ほぼ同じ価格帯、サイズ、特徴を有するリュックサックのバリエーションを10種類追加したとしても、単純に需要が10倍になるわけではありません。しかし、古典的な予測アプローチでは、商品数の増加に伴い予測モデルが需要数値を大幅に膨らませる可能性があるため、筋が通らないのです。だからこそ、これらの未来は、不規則な不確実性だけでなく、それらの間に存在する依存関係によって特徴付けられるのです。我々は、こうしたすべての変化を捉えうるツールを備える必要があるのです。
結論として、何かを最適化したいのであれば、先を見据えるために予測は不可欠です。しかし、それらは単なる将来に対する十分に根拠付けられた意見でしかないという点を忘れてはなりません。
予測は現実そのものではなく、予測の質がサプライチェーンに直接的な影響を与えるわけではありません。多くの企業が予測の改善に注力していますが、そこで問いたいのは、果たしてその先に何があるのかという点です。もし予測の最適化が即座にサプライチェーン-パフォーマンス-テストの向上につながると考えるなら、私からの提案は、それは幻想に過ぎないということです。全くもって事実ではなく、遠く及ばないのです。
サプライチェーンを実際に改善する唯一の要素は、サプライチェーンに対して実体的かつ物理的な影響を与える意思決定です。ここでの意思決定とは、例えばサプライヤーから1ユニット追加で購入する、あるいは在庫を別の場所に1ユニット移動する、または販売中の商品に対して価格を上げ下げするといった行動を指します。これらのアクションは、企業にとって具体的かつ実質的な結果をもたらすのです.
それどころか、予測は将来についての十分な根拠に基づいた意見に過ぎません。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そのものだけです。私が提案するのは、サプライチェーンの実践が意思決定の生成に完全に向けられるべきだということです。予測や計画部門が存在するという考えは、大部分において誤った認識です。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すぎません。
予測部分を意思決定の最適化から分離するのは非常に危険であり、誤った判断です。ちなみに、私が「実行可能な意思決定」と言うときは、その意思決定がサプライチェーン上のすべての物理的制約に従っているべきだという意味です。どんなサプライチェーンにも、いたるところに非線形性が存在します。たとえば、最小注文数量、店舗での最大棚面積、そしてコンテナやトラックの最大容積や重量制限などがあります。さらに、有効期限のような微妙な非線形性や、航空宇宙の特定部品が飛行時間と飛行サイクルに基づく定期整備を必要とするといった要素もあります。
例えば、生鮮食品のように、同じトラックで輸送できない商品があるなど、さまざまな問題が考えられます。少なくとも、同じ温度で輸送できないために専用のトラックが必要になる場合もあります。複数の区画や複数のトラックが必要になるのです。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どういう意味でしょうか？それは、店舗補充の最適な数量が製品の1.3単位であると言うのは意味をなさないからです。これは実行可能な意思決定ではなく、結局は1単位か2単位にならざるをえず、1.3単位ということはあり得ません。ごく日常的な観点から直ちに実行可能なものでなければならず、こ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考慮に入れると、問題は「どの意思決定が正しいのか、どう評価するか？」ということになります。
経済的な推進要因を考慮する必要があります。重要なのは、誤差のパーセンテージではなく、誤差と報酬のドル額であるという考え方です。パーセンテージを最適化すれば会社にとって良い結果が出るという大きな幻想がありますが、これは正しくなく、根本的に誤った考えだと考えています。
例として、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とはどういう意味でしょうか？見込み客がしばしば99%のサービスレベルを望むと言います。確かにそれは提供可能ですが、無茶な在庫の抱え込みが必要となり、その結果、莫大な在庫の減損と極めて低い収益性を招いてしまいます。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なトレードオフなのです。サービスレベルのようなシンプルな指標においても、一方では在庫コストと、もう一方では品切れのコストとの間にトレードオフが存在します。
つまり、すべての意思決定に対する経済的推進要因を一歩引いて見渡せば、その結果を評価できるということです。特定の未来におけるある意思決定の結果を見て、その経済的影響をドル単位で評価することができるのです。
経済的推進要因とはどういう意味でしょうか？それは、御社の業績を形成するすべての要因を指します。第一の推進要因は非常に単純で、材料費、販売価格、保管費、輸送費、加工費といった会計帳簿に見られる項目です。これらの費用を積み上げ、販売価格から差し引いてコスト予算を算出します。これが第一の推進要因であり、文字通り御社のERPや会計ソフトウェアに記載されている明白なものです。
しかし、これらの費用だけでは十分ではありません。これらだけを考慮すると、非常に短絡的な財務観に陥ります。システム上に明示的には存在しない第二の経済的推進要因、すなわちサプライチェーンの意思決定の二次的効果も含める必要があります。たとえば、ほとんどの場合、品切れが発生しても品切れに対するペナルティはありません。ウォルマートのような大手小売ネットワークに製品を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、一定の基準を達成できなければペナルティが科せられることもありますが、これは非常に稀です。たとえペナルティがあったとしても、それは自然に顧客に与えた実際のコストを反映するものではありません。
ここで大切なのは、行動の二次的な結果を表す推進要因が必要だということです。プラスの効果、例えば追加の顧客ロイヤルティの獲得や、マイナスの効果、つまり顧客の不忠誠心を生み出し、別の選択肢を求めさせる動機付けなどが含まれます。これは明らかに状況依存の問題です。例えば、ファッションブランドがシーズン締めに割引を提供すると、割引された金額の即時損失以上のコストが発生します。顧客にとって、翌年も同じ割引が期待される習慣を作ってしまうのです。これは、顧客基盤において習慣や期待を構築することが、短期的にも長期的にもどのような影響を及ぼすかを示しており、これが私が第二の推進要因と呼ぶ経済的ドライバーの話です。
適切に行われれば、財務最適化は短絡的ではありません。しかし、単純な財務最適化を行うと、多くの無意味な結果に終わってしまいます。これはサプライチェーンに関するどんな単純な手法でも同じです。経済的最適化は不可欠であり、これがなければ最適化自体の目標が定まらないのです。誤差のパーセンテージを最適化しようとしても効果はなく、最適化すべきはドルの額です。報酬とコストのすべてのドルを一つの枠組みに統合しなければ、定量的に最適化する対象が何もなくなってしまうのです。これが本講義シリーズでの注目点です。
そのドルが必要であり、これがなければ最適化にすら着手できません。もし御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構築していないのであれば、最適化は始まっていないのです。複数のチームがパーセンテージ、サービスレベル、その他の非貨幣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、ユーロ、円などの貨幣単位であり、貨幣的なアカウントが必要なのです。
これらの経済的推進要因には、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、数値的最適化を機械的に推進することです。第二の目的は、後の講義で改めて触れる『ホワイトボクシング』を可能にすることです。つまり、すべての意思決定について、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、すべての未来における意思決定の経済的パフォーマンスを平均化し、投資収益率（ROI）が最も高いものから最も低いものへと並べ替えるのです。明らかに、収益性がなくなった時点で意思決定は中止すべきです。しかし、なぜその意思決定を採用し、他を採用しないのかという透明性と理解が必要です。ここで、これらの経済的推進要因は非常に価値を発揮し、システムや実践、ソフトウェアが生成する任意の意思決定の背後にある「なぜ」を教えてくれるのです。
つまり、経済的推進要因を用いることで、すべての意思決定を検討し、いくつかの主要なパフォーマンス指標（KPI）がドル単位で示され、その意思決定がなぜ優れているのかを説明できるのです。逆に、採用されなかった意思決定については、その推進要因を見て、なぜそれが良い判断でなかったのかを評価することができます。
これらの3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、すべての意思決定を検討し、各意思決定をすべての未来に対して評価し、ドル単位でスコアを付け、順位付けを行います。
これを実現し、効果的にするためには、完全なエンドツーエンドのロボット化という考え方が必要です。完全なエンドツーエンドのロボット化が必要な理由は、経営陣が再び管理を掌握できるようにするためです。最初は奇妙に聞こえるかもしれませんが、ロボット化すればどうして誰かが管理を行えるのかという疑問に直面します。それは、サプライチェーンが非常に複雑で、複数の拠点、製品、顧客、ソフトウェア、人物、車両などで構成される分散システムであるという性質に起因するのです。
日々行われるすべての意思決定を生成するためにロボット化されたプロセスがない代わりに、膨大な数のスプレッドシートを使用して作業する事務員の軍勢を抱えることになります。しかし、事務員の軍勢を管理していると、サプライチェーンで何かを変更しようとするたびに、多くの人々を再教育し、新しい戦略やルールを本当に理解しているか確認する必要があり、その変更が完全に浸透するまでに6か月もかかってしまいます。
ロボット化とは、すべての日常的な意思決定を生成するエンドツーエンドの数値的手法を実装することで、この遅延を回避できるという考え方です。ここで言う日常的な意思決定とは、たとえば、ある国に新たな工場を建設するかや会社の新市場開拓のような意思決定ではありません。これらの意思決定は日々行われるものではなく、年に数回行われ、そういった意思決定について多くの人が考えるのは問題ありません。しかし、サプライチェーンに存在するすべてのSKUについては、毎日行うべき決定がいくつか存在します。例えば、生産を増やすべきか？より多く調達すべきか？在庫を他の場所に移すべきか？価格を上げるべきか下げるべきか？役割を果たしていない、単に倉庫や店舗のスペースを占有している在庫を処分すべきか？また、SKUがあり、今日特に何もせず放置するという決定であっても、それ自体がすでに意思決定なのです。このように、現代のサプライチェーンが運用される規模を考えると、敏捷性を保つ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。
さらにもう一つ重要な視点として、資本主義的で正確なものを実現するためには、エンドツーエンドのロボット化が極めて重要であるという点があります。これは次回の講義のテーマになりますが、要約すると、サプライチェーン部門を営業費用（OPEX）として扱うべきではなく、サプライチェーンへの投資を固定資本支出（CAPEX）として扱うべきだということです。サプライチェーンに注力するすべての努力は正確でなければならず、サプライチェーンを会社の資本主義的資産とする必要があります。その唯一の方法はロボット化であり、さもなければ毎日同じ作業を繰り返す事務員の軍勢に支払うだけになってしまいます。
ここで、ロボット化と、事務員の軍勢の代わりに事務作業を行うソフトウェアの責任は誰が担うべきかという問題に行き着きます。
これらの数値的手法の責任は誰が負うべきか？その結果の所有権は誰が持つべきか？「システムがあるから、そのシステムが責任を負う」という従来の答えは、私は誤っていると考えます。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、ソフトウェア自体が何かに責任を持つことはなく、自己認識もありません。AIについて人々が何を言おうと、我々はまだその域には達していないのです。現状では、装飾された精巧な数値的手法が存在し、それだけで御社に莫大な価値をもたらすことができるのです。
御社内または社外の誰かが、サプライチェーンを日常的に推進するこれらの数値結果の品質に責任を持たなければなりません。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方です。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で問題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、彼らのこだわりが技術的な側面に偏っている点にあります。かつて「技術者によって破滅するのが確実だ」と言われたことを覚えていますか？それこそ、今日、サプライチェーンの問題解決に挑むデータサイエンティストについて私が抱く見解そのものです。それは非常に狭い範囲に限定され、最終的な成果が大きくなる保証はほとんどありません。サプライチェーン・サイエンティストは、実際の意思決定を生成する責任を負い、御社のサプライチェーンの細部に至るまで綿密に注意を払う必要がある人物です。たとえば、御社の倉庫の一つが昨年水没し、3週間にわたり何も流通せず、季節性のプロファイルが大きく歪められた場合、それを単なる細部として片付けることはできません。これは数理モデルの核心的な妥当性に疑問を呈する問題です。サプライチェーン・サイエンティストの視点では、そうした事象は重要なのです。過去の運用上の事故が原因で、この倉庫に対して不適切な意思決定を下し、歴史的データに大きな偏りを生じさせた場合、その影響は重大であり、たとえ報酬のドル額であれコストのドル額であれ、すべてが重要なのです。
この図では、学者であり研究者であるべきインディアナ・ジョーンズと、テリー・プラチェット作品に登場するウィンドル・プーンズという二人の学者のタイプが描かれていますが、これら架空のキャラクターの現実はこれ以上なく正反対です。その根本的な違いは、実質的にサプライチェーン・サイエンティストとデータサイエンティストの違いを反映しています。リトマス試験として、自問してみてください。CEOはこのことを気にかけているでしょうか？会社のCEOが、あなたのサプライチェーン・サイエンティストとしての取り組みに対して疑問を呈するでしょうか？Lokadを10年以上運営してきた私の経験では、現在では定期的にクライアントのCEOや取締役会と会い、彼らはサプライチェーン基盤や、いかにしてドル単位のリターンをもたらしているのかという基本について私に挑戦してきます。
問題は、サポートベクターマシンや勾配ブーステッドツリーを使うかどうかではなく、サプライチェーンを他を凌駕する価値ある資産にする道筋についてです。
私は、実際の問題に対する解決策ではなく、要求事項として5つのポイントを提示しました。これらは、適切に対処されなければ、サプライチェーンを意味のある数量的手法で改善または最適化するための作業に、実際に着手していないことを示す要素に過ぎません。数量的でない最適化、たとえば、より良い機器、より良い採用方針、またはチーム向けの入念に考え抜かれた財務インセンティブなどは数多く存在します。
Lokadのウェブサイト lokad.com/lectures には、今後の講義に関する詳細な計画が完全に掲載されています。私たちは、プログラミング手法、ツール、実践に関連する様々な視点、概念、パラダイムなど、多くのトピックをカバーしなければなりません。取り扱う資料は膨大であり、これらすべての概念は、先に提示した5つのポイントを実現するために導入されるのです。これらがなければ、このアプローチは単に機能し得ません。
さて、本題に入る前に、余談を一つ。私が提示するビジョンは、現状行っていることとはあまりにも異なると、ある人々から挑戦を受けました。彼らは、このビジョンがあまりにも先進的で、まずはゆっくりと、段階的に改善を進めてから量的なサプライチェーンアプローチに取り組むべきだと主張します。しかし、私は「這い、歩き、走る」というアプローチは誤りだと考えています。進歩はしばしば段階的ではなく、破壊的なものです。たとえば、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く飛躍しました。これは穏やかな段階的進歩ではなく、破壊的なシフトでした。
同様に、ヘンリー・フォードの有名な言葉があります。もし彼が顧客に何を望むか尋ねたなら、彼らは「もっと速い馬」を求めたはずです。つまり、ここで重要なのは、私が列挙した要求事項が必要であり、ほとんどの企業がそもそも正しい視点から問題に取り組んでいないという現実です。多くのクライアントとの出発点は、この分野における成熟度がほとんど存在しないということに他なりません。大企業で大規模な部門が誤った指標を最適化しているからといって、実際にサプライチェーン管理における成熟度を備えていると考えるのは幻想に過ぎません。
私の聴衆へのメッセージは、他社がやっていることをしていないからといって、自分自身を未熟だと見なすべきではないということです。特に官僚組織の規模に関してはなおさらです。私の見解では、それは彼らの効果性についてほとんど何も語っていません。私が見る最も成熟した企業は、通常、小規模で機敏な北米のデジタル重視のeコマース企業です。彼らは多くのデータサイエンティストの大規模チームを有しているわけではなく、むしろ、正しい考え方と適切な数値レシピを持った数名の人々によって支えられています。
結論として、私は問題の必要条件に関する側面をカバーしました。次回の講義では、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見ていきます。しかし、まずは問題定義の側面から始めることが重要です。なぜなら、これにより、今提示している解決策が本当に価値のあるものか、単に問題を探し求める解決策なのかが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。では、これより質問にお答えいたします。
質問: 微妙な「Dune」の言及、楽しませていただきました。
「Dune」の言及を楽しんでいただけたことに感謝します。本の主要な登場人物たちは、あらゆる可能な未来を見通す能力を持っており、それが彼らに優れた戦略的能力を与えています。この比喩はサプライチェーン管理に非常に適しているのです。未来のあらゆる可能性を検証できれば、どの未来が実際に起こるか正確には分からなくとも、一つの可能性だけを考慮する競合他社に対して大きな優位性を手に入れることができます。
質問: セカンドオーダーのドライバーについて、もう少し詳しく説明していただけますか？
ここで「セカンドオーダー」とは、第二次的な結果、すなわちセカンドオーダー効果のことを指しています。サプライチェーン管理では、単純な物理システムのように予測可能な軌跡を持つシステムだけでなく、人間や複雑なシステムを扱います。人は適応するため、その行動や反応を考慮に入れる必要があるのです。
例えば、以前Lokadで、特定の発注数量をクライアントに提案した際、クライアントが我々の推奨よりもはるかに多い数量で注文を出すという事例がありました。実際、クライアントが商品を受取ると、受領担当のチームが初回の注文と一致しているかどうかを確認するために再計数を行っていました。もし受領数量が注文と一致しなければ、システムには奇妙な制約があり、発注全体をキャンセルし商品を返送するしかなく、生産ラインが危機に陥ることとなります。結果として、彼らは、受領数量に合わせるために元の発注数量を変更していたのです。年月を経て、数人の賢いサプライヤーは、このERPシステム特有の性質を見抜いていました。四半期末に目標が達成されていないことが明らかになると、彼らはクライアントに対して自分たちの望む数量を押し付け、クライアントは何の異議もなくそれを受け取り、請求書を支払ったのです。
これは、私がセカンドオーダー効果と呼ぶものの一例です。一見取るに足らない、平凡なERPの側面に、システムを巧みに利用する賢い人間が介在することで、結果的に重大な影響が生じるのです。人間が介在する限り、彼らはあなたの行動に応じて考え、反応します。セカンドオーダーの結果とは、結果の結果を考慮しなければならないという考えです。場合によっては第四次、第五次にまで及ぶ連鎖的な結果を考える必要があるのです。これは知的に非常に複雑なゲームですが、セカンドオーダーの結果を無視すれば、不適切な意思決定を招く可能性があります。
第二次的な経済ドライバーについては、それらにドルの価値を割り当てることが不可欠ですが、これは困難な作業です。大切なのは、完全に間違うのではなく、大まかに正しい概算を持つことなのです。正確な計算よりも、意味のある概算値が重要なのです。
質問: 完全なロボット化にはどのような技術が用いられるのでしょうか？
完全なロボット化には多数の技術が存在し、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詳しく解説する予定です。私たちはソフトウェアの話をしているとはいえ、ロボット化を実現するために最も求められるコアデザインの特性を考慮する必要があります。主要な目標は、必ずしもAIを作ることではなく、プロダクショングレードのソフトウェアを構築することにあります。予測誤差をゼロにすることは不可能ですが、狂気（insanity）をゼロに近づけることは目指せるのです。
ここでいう「狂気」とは、企業全体を危険にさらすような事態を意味します。たとえば、Target Canadaはサプライチェーンの最適化が大失敗に終わった結果、破産に至りましたし、Nikeも2004年に、Lokadの競合となるサプライチェーンソフトウェアの一つが、会社の崩壊寸前にまで追い込んだという災害を経験しました。ですから、まずこのテーマを次回の講義で取り上げますが、そこに至るまでには少々時間がかかります。
質問: あなたの予測において、これほど多くの進歩的な変数を考慮しようとすると、自らモデルを開発する必要がでてきて、シミュレーションになってしまうのではないでしょうか。何かご意見はありますか？
未来の正確なシミュレーションと確率的予測との間に明確な違いはありません。これらは、未来を把握するための数値的レシピという、二つの異なるアプローチに過ぎないのです。確率的予測モデルを用いれば、未来を表す軌跡（トラジェクトリー）を生成することができます。確率を基に乱数を引き、架空の観測値を作り、モデルを再学習し、確率を再構築し、そしてこれを繰り返すのです。サプライチェーン向けに適したモデルでは、シミュレーションと統計モデリングの境界は非常に曖昧となり、ほとんどの場合重なり合ってしまいます。
質問: 開発されたソリューションはサービスベース型なのでしょうか、それともその両方の組み合わせなのでしょうか。また、サプライチェーンの未来においてこのアプローチについてどうお考えですか？
Lokadにおける我々の視点は、ドルで表現されるサプライチェーンパフォーマンスを提供することにあります。この領域には計り知れないほどの複雑性が存在し、予測における不確実性が排除しがたいのと同様に、すべての問題を一度に解決するソフトウェア製品を作ろうとすれば、その複雑性も排除しがたいのです。つまり、問題にはメタソリューションが必要なのです。Lokadで採用しているアプローチは、人間の知性、特にサプライチェーン科学者の存在を前提にしているということです。現代のサプライチェーンの課題をAIが完全に理解できると考えるのは、現実的ではありません。
効果的に業務を遂行するためには、適切なスキルを持った賢明で経験豊富な人材が必要です。Lokadは、サプライチェーン科学者の生産性を高め、極めて信頼性の高いものにすることを目指して製品を開発してきました。この挑戦は、これらのサプライチェーン科学者に適切なツールを提供することに他なりません。要するに、Pythonは解決策ではなく、今後の講義で、ほとんどの汎用プログラミング言語に根本的な問題があることが明らかになるでしょう。これらの設計上の問題により、汎用プログラミング言語はサプライチェーンの問題に満足のいく方法で対処するには不向きなのです。我々は、「プロダクショングレード」かつ「生産準備完了」といえる解決策が何であるか、その細部に至るまで議論する必要があります。覚えておいてください。これこそが、狂気をゼロに近づける、すなわち絶対に狂ったロボットがサプライチェーンに悪影響を及ぼさない状態を達成するために必要なことなのです。
質問: 量的アプローチは、まだ定量化されていなかったり、ERPシステムに取り込まれていなかったExcelスプレッドシート上のデータを定量化する必要があると言われます。こうした問題に最も効率的に対処する方法は何でしょうか？また、ERPシステムの情報と同等の信頼性を持つ追加情報はどのように収集すべきでしょうか？
ここで直面している問題は二つあります。まず、報酬や誤差を定量化することに関する現状の問題は、その政治的な困難さに起因します。大企業の多くの人々は、さもなければ自社が付加価値ゼロであることに気づかれてしまうため、利益や報酬のドル数について議論することに強い抵抗感を持っています。従って、政治的な力学が働くために、定量化されない数多くの事柄が存在しているのです。
これを具体的に説明するために、Lokadが小売チェーンの店舗在庫最適化に取り組み始めたときの事例を挙げましょう。私たちは、在庫が全く異なる二つの目的に使われていることに気付きました。一つは、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、もう一つは、店舗を見た目上満杯で魅力的に見せるために必要な在庫量です。ある大手小売業者において、在庫の総額がユーロで表現され、そのうちの半分はサービス目的でサプライチェーンが担うべきで、残りの半分はマーケティング部門が担うべきだと提案しました。しかし、突然マーケティング部門に大きな在庫予算が計上されることになり、彼らはこの提案に強く反発したのです。
まず第一に、報酬やコストのドル数を定量化するためのルールを確立すること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。これを実現するのは難しく、多くの人々が現状維持に利益を見出しているのです。また、もう一つの問題としてシャドウITがあります。ERPsや同様のソフトウェアに関して、Lokadのナレッジベースが示すように、ERPベンダーがあらゆる状況に対応するのは極めて困難です。たとえば最小発注数量（MOQ）が挙げられます。これをERPでどのように表現するかはケースバイケースで、MOQは、製品レベル、注文レベル、またはその両方の組み合わせとなる場合もあります。テキスタイル業界のように、MOQが各色の生地量で定義されるような、さらに複雑な事例も存在します。
問題は、ERPベンダーにとって、これらすべてを表現することが極めて難しい点にあります。その結果、人々はERPを導入した後、自社に必要なすべてを表現できないことに気付き、Excelスプレッドシートに頼るようになるのです。私の考えでは、これこそが優れたIT部門の役割であり、シャドウITが単なる影に留まらず、社内の小規模な拡張として機能するよう、欠落部分を構築し提供するべきだということです。ある意味、ERPそのものを持つことは望ましいのですが、ERPをカスタマイズするのではなく、別途何かを実施することをお勧めします。ERPの上に「フランケンシュタイン」方式でものを重ねるよりも、はるかにメンテナンスが容易なのです。
皆さん、本日はご視聴いただき、誠にありがとうございました。次回の講義は次の水曜日、同じ曜日、同じ時間に行います。では、また近いうちにお会いしましょう。さようなら。
