00:00:07 トレンド予測の重要性。
00:01:36 サプライチェーン予測におけるソーシャルメディアデータ利用の限界。
00:04:26 ソーシャルメディアトレンドとSKUレベルのサプライチェーンデータとの乖離。
00:06:37 ソーシャルメディアデータから早期シグナルを検知する際の課題。
00:07:20 より良い予測のための企業データ活用と安定した予測モデルの重要性。
00:10:07 COVID-19のような極端事象の予測の難しさと確率的予測の重要性。
00:13:42 多くの業界で、予測を意思決定に転換するプロセスが遅く手作業である現状。
00:15:00 サプライチェーンの鈍重さと早期シグナルに基づく行動の非効率性。
00:15:53 意思決定をより効率的に生み出すためのデータパイプラインのロボット化の必要性。
00:17:07 予測技術の限界と不確実性を受け入れる重要性。
00:19:35 サプライチェーン科学者の役割と意思決定における人間の洞察。
00:20:31 より良い予測技術による潜在的な時間節約の評価。
00:22:00 先進的な予測よりも意思決定の自動化を優先する。

要約

キアラン・チャンドラーとジョアネス・ヴェルモレルは、ソーシャルメディアなどの外部データソースを活用してサプライチェーンのトレンドを予測する際の課題と可能性について議論する。ヴェルモレルは、ソーシャルメディア上に貴重な情報が存在する一方で、そのデータを特定の商品に結び付けるのは困難であり、データの品質や文脈が不明瞭なことが多いと指摘する。代わりに、より鮮明な未来予測を得るために内部データに注目し、極端な事象に備えるために確率的アプローチを採用することを推奨している。ヴェルモレルは、企業が機敏性を高め、需要の変動により適切に対応するために意思決定プロセスの自動化を促進する必要性を強調する。

詳細な要約

キアラン・チャンドラーとジョアネス・ヴェルモレルの議論は、ソーシャルメディアなどの大規模な外部データソースを活用し、サプライチェーン最適化のためのトレンド予測と早期シグナルの捉え方に焦点を当てている。ヴェルモレルは、実際には関連データの抽出や真偽の見極めが困難なため、このアプローチはサプライチェーンに対して効果的に機能しないと主張する。広告主でさえ、実際のトラフィックとボット生成のトラフィックを区別するのに苦労しており、これらのデータソースから有用な洞察を得るのは難しい。ヴェルモレルは、ソーシャルメディアを利用したトレンド予測は、稀または極端な状況下では機能するかもしれないが、サプライチェーン最適化に必要な情報の粒度は一般的に得られないと示唆している。

彼らは、ソーシャルメディアなどの外部データを用いてサプライチェーンのトレンドを予測する際の課題と可能性について議論した。ヴェルモレルは、ソーシャルメディア上に有用な情報が存在する可能性はあるものの、それを特定の商品やSKUに直接紐付けるのは困難であると説明する。さらに、データの品質や文脈が不明瞭であり、投稿内でUPCコードといった製品詳細が記載されることは稀で、内容の解釈も非常に主観的になる。

ヴェルモレルは、有名人が製品を推薦するなど、一見明白な情報であっても解釈が大きく異なる可能性があると付け加える。人々は製品の色、形、ブランドなど異なる側面に注目するため、この曖昧さはさらに増幅される。また、ソーシャルメディアの投稿は大きな会話の一部であり、相互作用や反応がさらなる不透明さを加える。感情分析は一助となるが、ソーシャルメディアデータから明確で実行可能な情報を抽出するのは依然として困難である。

サプライチェーンのトレンドに関する他の早期シグナルについて問われた際、ヴェルモレルは企業が自社の内部データに注目すべきだと提案する。このデータを分析することで、より鋭い未来予測が可能になるが、通常とは異なる事象の早期シグナルを検出するのは依然として難しい。彼は、いかに優れた予測モデルがあっても安定性を求められるため限界があると説明する。サプライチェーンは着実な計画の実行を要し、反応が過剰になると高コストな誤検知につながる。

ヴェルモレルは、早期シグナルの検知について改善の余地はあるものの、その進展は僅かであると認める。例えば、Lokadでは、以前より数日早く混乱を検出できた場合に喜ばれる。しかし、ほとんどの場合、これらの早期シグナルは依然として反応的であり、売上やその他の要因の変動を反映する企業データに基づいていると注意する。

コロナウイルスのような重要事象の早期シグナルについて触れ、ヴェルモレルはその信頼性の高い検出可能性に疑問を呈する。彼は、稀で大規模な混乱に対する早期警戒システムを持つことは有益かもしれないが、これらのシナリオに対して正確で信頼性のある予測モデルを構築することの実用性は依然として不確かであると示唆する。

創業者は、COVID-19のような極端な事象、これらの予測の困難さ、そして確率的予測の重要性について議論した。彼は、外れ値の予測がその驚くべき前例のなさから本質的に困難であると主張する。代わりに、極端な事象にわずかな確率を割り当て、時間をかけて備える確率的アプローチの採用を推奨している。

ヴェルモレルは、組織が世界の出来事に対して省察し適応する必要性を強調する。彼は、多くの業界が早期警戒シグナルを受けても迅速に対応できず、予測を効率的に実行可能な意思決定に変換する能力を欠いていると指摘する。これは、企業内の意思決定プロセスが手作業で時間を要するために起こる現状である。

彼は、予測を人間の介入なしに意思決定に変換する完全自動化プロセスの重要性を強調する。自動化がなければ、早期警戒シグナルの効果は、予測を実行可能な行動に変えようとする人々の惰性によって失われがちである。また、早期シグナルがしばしばノイズや不確実性を伴うため、その信頼性に問題がある点も指摘している。

ヴェルモレルは、技術は将来的に改善する可能性があるものの、主要な課題は予測を意思決定に変換する点にあると示唆する。彼は、量的供給チェーンアプローチ、すなわちデータ抽出パイプラインの完全なロボット化が、この課題解決に不可欠であると考えている。これにより、企業はより迅速に対応し、予期せぬ事象に備えることが可能となる。

彼は、パンデミックなどの需要急増に対する予測と対応の課題について議論した。ヴェルモレルは、未来は本質的に不確実であり、その曖昧さを受け入れる最良の方法は確率的予測であると説明する。彼は、企業が正確な数字を予測するのではなく、確率に基づいてより良い意思決定を行うことに注力すべきだと強調する。

ヴェルモレルは、需要急増に対応する鍵は機敏性にあり、企業はプロセスの自動化によってこれを実現できると信じている。彼は、より優れた予測技術が従来の手法に比べて一、二週間の節約にしかならないかもしれないが、真の利点は予測と意思決定の間の遅延を排除できる点にあると述べる。これらのプロセスを統合することで、企業はより迅速かつ効果的な意思決定を行える。

サプライチェーン実務者の役割について問われた際、ヴェルモレルは、プロセスの自動化と需要の変化にタイムリーに対応することに注力すべきだと提案する。彼は、企業が新たな状況に適応するために、時として全体の4分の1に相当する貴重な時間を浪費していることに言及する。プロセスの合理化と自動化により、この遅延を短縮し、機敏性を向上させることができる。

ヴェルモレルは、予測にソーシャルメディアデータを利用する際の限界についても言及する。多少の洞察を提供する可能性はあるが、必ずしも企業にとって実行可能な情報とはならない。むしろ、企業は意思決定プロセスの自動化と、需要変動に対応するためのより高度な予測方法の導入を優先すべきである。

ヴェルモレルは、不確実性を受け入れ、確率に基づいたより良い意思決定に注力する重要性を強調する。プロセスの自動化と予測と意思決定間の遅延排除により、企業は機敏性を高め、需要急増により良く対応できる。

完全な書き起こし

Kieran Chandler: 今日のLokad TVでは、ソーシャルメディアの台頭により、これが可能になったのか、また企業が早期シグナルを活用するために何ができるのかについて議論します。では、ジョアネス、今日は早期シグナルの予測について話しましょう。その背景にはどのような考えがあるのでしょうか?

Joannes Vermorel: 多くのソフトウェアベンダーが示す考えでは、企業が保有するデータを超えた大規模なデータソースを活用することで、未来を少し早く知り、遠い未来を垣間見ることができるというものです。この早期シグナルの典型例として、Instagramで何かがトレンドになっていることを検知し、たとえば数人の有名人が新しい種類の服を着ているのを見て、一気に、1か月先に新たなトレンドが来ることを予見できるというものです。

Kieran Chandler: では、そのようなデータソースと言えば、ソーシャルメディアが該当するのでしょうか?これは調査すべき正しい種類のデータと言えるのでしょうか?

Joannes Vermorel: 少なくとも、多くのAI駆動型サプライチェーン最適化ベンダーはそう主張するでしょう。

Kieran Chandler: そして実際、外部データソースに基づいた早期シグナルの予測は、どれほどうまく機能するのでしょうか?

Joannes Vermorel: 現時点では、サプライチェーンにおいて機能するものはほとんど存在しません。ソーシャルメディアにアクセスして関連データを抽出できるという考え自体が幻想に過ぎません。実際、それを行っているとする人々は、ソーシャルメディア上の大量のトラフィックが人間ではなくボット、すなわちロボットによって生成されているという事実に気付いていません。そのため、何が本物で何が偽物かを見極めるのは非常に困難なのです。広告に対して費用を支払う広告主でさえ、本物と偽物の区別に苦労しており、プラットフォーム上で広告を展開するために莫大な費用を投入しています。たとえ、すべてのインプレッションに対して費用を払い、本当に実在する人間が広告を見ているかを確認しようとしても、非常に困難です。ですから、もし単にテラバイト単位のランダムなトラフィックデータを収集するベンダーであれば、得られるのは大量のランダム性と雑音に過ぎません。それに基づいて自動的にトレンドを予測できるという考えは、確かに極端な状況下では成立するかもしれませんが、そのような状況は稀であり、また、得られる情報の粒度もサプライチェーンに求められるほどのものではないのです。

Kieran Chandler: では、データの品質という観点ではどのような問題があるのでしょうか?ソーシャルメディアプラットフォームには多くのロボットが存在するとおっしゃいましたが、それでも「いいね」が多い投稿は上位に浮上し、最も目立つものになります。なぜ、そのデータが興味深くないのでしょうか?

Joannes Vermorel: 問題は、サプライチェーンにおいて生産はSKU単位で管理されている点にあります。つまり、あなたは何らかのSKUを生産し、それらの商品を、例えば複雑なマーケティングチャネル向けのバンドルなどを通じて販売しています。どのツイートが100万回リツイートされたとしても、どのInstagramの写真が途方もなく多く閲覧されたとしても、それとあなたが生産または流通しているSKUとの間に直接の対応はありません。人々はツイートにUPCコードを含め、「このバーコードの商品は本当に優れている」と記載することはほとんどなく、通常は非常に曖昧です。たとえ一見明白に見えて、スーパースターが「この新しい靴は超クールだ」とツイートしたとしても、ある人は靴の色に注目し、また別の人は形状、さらに別の人はブランドに注目するかもしれません。投稿は一連のものであり、相互作用があるため、一つの投稿だけで「これだ」と断定することはできません。反応の質が重要なのは、たとえば、ある投稿が途方もなく多くのリツイートを得たとしても、そのリツイートが非常に批判的であったり皮肉であったりする可能性があるからです。感情分析は可能ですが、非常に困難な領域に踏み込むことになります。

Kieran Chandler: なるほど、ソーシャルメディアの観点からは確かに困難なようですが、他にどんな早期シグナルが考えられるでしょうか?以前のエピソードでは天候についても触れましたが、他に検討できるものは何でしょうか?

ヨハネス・ヴェルモレル: ええ、つまり、通常、企業自体のデータを見ると多くの情報があり、そのデータから既にある情報を利用して将来をより明確に見通すことができます。これが典型的にLokadが採るアプローチです。そして、実際に、いわゆるテール事象や普段と異なる何かに対して、本当の早期シグナルを得るというのは非常に困難です。はい、非常に優れた予測モデルがあれば、多少早くシグナルが現れることはありますが、その限界は厳しいのです。なぜなら、より優れた予測モデルというのは通常…

キーレン・チャンドラー: それでは、あなたの経験では、古典的であろうと確率論的であろうと、予測モデルにおいて安定性が重要だということですね。サプライチェーンは比較的安定した実行計画を必要とし、市場のちょっとした雑音で急激に方向が変わり、生産や流通が混乱するのは避けたいものです。予測エンジンが過剰に反応して偽陽性を生み出す場合、どのように対処しているのですか?

ヨハネス・ヴェルモレル: 優れた予測技術は、年の1日余分だからといって大騒ぎするものではありません。ほとんどの場合、日常業務として最小限の軌道修正にとどまります。もし予測エンジンが反応過剰になれば、偽陽性が出てしまいます。大幅に進路変更する早期シグナルがあると思っても、2週間後にはそれが単なるノイズや一時的なスパイクに過ぎなかったと分かり、非常に高いコストを伴う可能性があります。Lokadでは過去10年間で進歩を遂げましたが、それは非常にわずかなものです。数日早く混乱を検知できれば十分ですが、数日間の差が現状での最大の成果なのです。

キーレン・チャンドラー: では、大きなスパイク、たとえばコロナウイルスのような場合はどうでしょう? こうしたシナリオに対して初期シグナルを得るのは確かに有益で、そのシグナルがあれば何ができるのではないでしょうか? それはプラスには働かないですか?

ヨハネス・ヴェルモレル: COVID-19のような極端なテール事象に対して早期シグナルが得られるという考えには挑戦したいと思います。ほとんどの人々は、事象の進行が非常に突発的で国や地域によってもばらつきがあるため、どうしていいか分からなかったのです。アウトライヤーというものは本質的に予測が非常に難しいのです。また、2週間先行した予測だからといって、COVID-19に対処するのに本当に役立ったとは思えません。

キーレン・チャンドラー: テール事象に関しての確率論的な視点というのは、実際には予測不可能なものであるという考えですね。それは設計上そうなっていると言ってもいいでしょう、なぜならそれは新しく、驚きを伴うからです。しかし、できることは、確率論的な予測を用いて、突発的な事象に常にある程度の確率を割り当てることでしょう。COVID-19を予測することはできなかったとしても、「次の四半期には売上が現在の半分または昨年の半分になる可能性が約1%ある」といった具合に。なぜでしょう? わかりません、ただの可能性なのです。戦争であったり、パンデミックであったり、大規模なリコール、あるいはブランドに対するオンラインでの中傷キャンペーンかもしれません。ほとんどの企業にとって、四半期ごとに1%の確率で売上が半減するというのは妥当な数字でしょうか?

ヨハネス・ヴェルモレル: ほとんどの企業にとっては、そうだと思います。つまり、世紀に4回ほど大規模な災害が起こるという意味です。20世紀を見れば、もっと頻繁に起こっていました。ですから、極端な事象に対して一定の低い確率を割り当てる確率論的予測が必要であり、いつでも起こり得ることを意識して備える必要があるのです。しかし、その確率を何年も前提にして小さな調整を行っていれば、万一その事象が発生したときには、ある程度準備が整っているということになります。ただし、これには何年もの準備とリソースの有効活用が必要です。

キーレン・チャンドラー: 私たちは常に、世界で起こっていることに対して内省することの大切さについて語っていますが、反応が遅い伝統的な産業の中で、初期シグナルというアプローチから恩恵を受けられる業界はあるのでしょうか?

ヨハネス・ヴェルモレル: 問題なのは、私が観察してきたほとんどの業界では、たとえ初期シグナルがあっても、実際に何の対策も取らないという点です。なぜなら、ある段階に達するまでは、前述の定量的サプライチェーンのビジョンに立ち返らなければならず、その第4のポイントは、意思決定を生み出せるようにデータパイプラインを完全にロボット化することにあります。多くの企業では、予測は最終的な意思決定、たとえば「サプライヤーからもっと購入するか、生産を増やすか、あるいは価格を上げるか下げるか」といった決定へと至るプロセスの一段階にすぎません。しかし現実には、多くの企業で予測を実際の決定に変えるプロセスは非常に手作業で、私の見解では非常に遅いのです。ですから、もし技術に多大な投資をして、予測を1週間、あるいは技術が優れていれば2週間早く得られるとしたところで、それは現行の技術で実現可能な話に過ぎません。

キーレン・チャンドラー: もちろん、先を見通すことができるエッジケースもあるかもしれませんが、今回は統計的予測というよりも、数字と統計に基づいた市場の動向に関する高レベルな洞察が得られるというケースの方が多いでしょうね。そのような状況で初期予測があったとしても、実際にそれに基づいて行動するのでしょうか?

ヨハネス・ヴェルモレル: 通常、初期シグナルとして得られた結果が、社内の誰かにメールを送る、もしくはアプリでアラートを見るという程度のものであれば、短期間では何も起こりません。サプライチェーンは多くの人、システム、機械が複数の拠点にまたがって関与するため、良い対応をするには調整が必要となります。高度な自動化が整っていなければ、その調整は実際の人々が奔走して電話をかけるなどして行われ、通常は数週間かかるのです。

The bottom line is that if you have an early signal but don’t have a fully automated process that turns your forecast into decisions automatically, without human intervention, the vast majority of the potential gain from the early signal will be lost in the inertia of people trying to turn those forecasts into actions.

キーレン・チャンドラー: これら初期シグナルの問題点の一つは、実際の結果にどれだけの信頼がおけるかという点ですね。おっしゃる通り、初期シグナルはしばしばノイズが多い状況にあります。将来的には、結果にもっと自信を持てる技術が整う時代が来ると思われますか?

ヨハネス・ヴェルモレル: いいえ、その理由は未来が常に不確実であり、その不確実性はどうすることもできないからです。私たちがここ10年注力してきたのは、未来が不確実であることを前提とした確率論的予測です。もし、100%の確実性で宝くじの当選番号をくれる魔法のコンピュータシステムを期待するなら、それは成り立ちません。せいぜい、確率を提示するシステムにしかなり得ないのです。

For example, you might be facing a situation that starts as having a 1% chance of being an extreme event. Then, maybe you start seeing something off, and the next day, the estimate increases to 1.5%. Should you do something? Maybe not. The next day, it increases to a 3% chance, which is an exponential growth, but still very slow. Then it’s 6%. Should you start going crazy because there’s a 6% chance?

キーレン・チャンドラー: 例えば、25年に一度のはずのことが、ここでは5年に一度のように起こるとした場合でも、これはあくまで一時的なスパイクに過ぎません。そして、優先順位自体が非常にあいまいで、もし意思決定システムが十分に設計されていれば、その優先順位を意思決定に変換するプロセスは、もともと1%だったリスクが6%に上がったことを徐々に反映するものになるのです。つまり、ほんの少し、しかし確実に、企業にとってより安全な方向へと決定がシフトしていくわけです。ただし、過剰に反応してサプライチェーン全体を混乱させるような激しい動きは望ましくありませんし、もしかすると翌日には推定値が6%から3%に戻るかもしれません。つまり、偽陽性であった可能性や、今後も上昇し続ける可能性があります。しかし、これが完全自動化されたデータパイプラインから得られる良好な反応の一例と言えるでしょう。そして、もしその上にsupply chain scientistsが存在し、ニュースを注視し、高いレベルで状況を把握しているなら、コロナウイルスのような大波が迫っていると判断し、数値レシピそのものに若干の人間の洞察を加えて、システムをより良い方向へ導くことが可能になるのです。

ヨハネス・ヴェルモレル: ですから、もしこれを見ているサプライチェーン実務者がいるとすれば、プロセスの初期段階で何が起こるかに過度に心配するのではなく、まずはプロセスの完全自動化に注力すべきだということでしょうか? つまり、その瞬間の対応力に焦点を当てるべきだということですか?

キーレン・チャンドラー: その通りです。つまり、どれだけ多くの敏捷性の日数を獲得できるかを評価する必要があるのです。ほとんどの企業においては、Lokadのようなより優れた予測技術があれば、移動平均と比較して1週間、もしくは2週間の短縮が可能でしょう。あるいは、予測がより精度が高ければ、例えば季節性にうまく対処できない企業では、4週間程度の改善が見込まれるかもしれません。しかし、機能不全のプロセスがなければ、結局は数週間の差にとどまるでしょう。ただし、意思決定に関しては、企業がまとまり、新たな現実を受け入れるまでに四半期の最大25%もの無駄が生じるのを頻繁に目にします。非常に時間がかかり、ファストファッションのような非常に反応の速い業界でさえ、予測を意思決定に変えるのに6週間かかるケースがあるのです。そして、意思決定後も生産、輸送、流通と時間がかかるため、実際にはほとんどの企業にとって、まずは予測と意思決定との間の時間遅れを、すべてを一つの自動化プロセスに統合することで解消し、その後、運が良ければ数日または数週間分を節約できる、超高度な予測を目指すのがはるかに安全な賭けだと思います。さて、ここまでにしましょう。しかし、今や企業が我々の行動をすべて監視していることを知りながら、ソーシャルメディアを活用できるのです。

ヨハネス・ヴェルモレル: ああ、確かに彼らは見ています。ただ、アナリストを喜ばせる程度で、実際に何か行動に移すということはありません。

キーレン・チャンドラー: 素晴らしい、というわけで今週はこれで全てです。ご視聴ありがとうございました。また次回のエピソードでお会いしましょう。