00:54 イントロダクション
02:25 進歩の本質について
05:26 これまでのストーリー
06:10 いくつかの定量的原則：観察原則
07:27 エントロピーを用いた「ハヤスキの中の針」の解決
14:58 サプライチェーンの人口はZipf分布している
22:41 サプライチェーンの意思決定においては小さな数値が優勢
29:44 サプライチェーンにはパターンがいたるところに存在する
36:11 いくつかの定量的原則：最適化原則
37:20 任意のサプライチェーンの問題を修正するには5〜10ラウンドが必要
44:44 古いサプライチェーンは一方向的に準最適
49:06 ローカルなサプライチェーンの最適化は問題を解決しない
52:56 より良い問題がより良い解決策を上回る
01:00:08 結論
01:02:24 今後の講義と視聴者の質問
説明
サプライチェーンは電磁気とは異なり、明確な定量的な法則で特徴付けることはできませんが、一般的な定量的原則は観察されます。ここでいう「一般的」とは、（ほぼ）すべてのサプライチェーンに適用可能であることを意味します。このような原則を明らかにすることは、サプライチェーンの予測最適化のための数値レシピのエンジニアリングを容易にするために使用することができるだけでなく、それらの数値レシピを全体的により強力にするためにも使用することができます。私たちは、いくつかの観察原則といくつかの最適化原則の2つの短いリストを見直します。
フルトランスクリプト
皆さん、サプライチェーンの講義シリーズへようこそ。私はジョアネス・ヴェルモレルです。今日は「サプライチェーンの定量的原則」についてお話します。YouTubeでライブ配信をご覧の方は、YouTubeのチャットでいつでも質問をすることができます。ただし、講義中に質問を読むことはありません。講義の最後にチャットに戻り、少なくともほとんどの質問にお答えするように努めます。
サプライチェーンにおいては、定量的な原則は非常に興味深いものです。最初の講義で見たように、サプライチェーンではオプションの使いこなしが重要です。これらのオプションのほとんどは定量的な性質を持っています。いくつかの購入量、生産量、在庫移動量、および価格ポイント（価格を上げるか下げるか）を決定する必要があります。したがって、サプライチェーンの数値レシピの改善に貢献する定量的原則は非常に興味深いものです。
ただし、現在のサプライチェーンの権威や専門家に、彼らのサプライチェーンの定量的原則について尋ねると、おそらくより良い時系列予測のための一連の技術などに関する回答が得られると思います。これは興味深く関連性があるとはいえ、本質を見失っているとも考えています。私の個人的な反応は、進歩自体の本質にあると考えています。サプライチェーンに関連する進歩とは何か、そしてサプライチェーンに関して進歩のようなものをどのように実装できるのか？具体例を使って説明します。
6000年前、車輪が発明され、6000年後には車輪付きのスーツケースが発明されました。この特許によって1949年に発明されたことが示されています。車輪付きのスーツケースが発明された時点で、私たちは既に原子力を利用し、最初の数個の原子爆弾を爆発させていました。
さらに20年後の1969年、人類は初めて月に人を送りました。翌年、車輪付きのスーツケースは少し改良され、リードのような形状のわずかに良いハンドルが付いた特許で示されています。それでもまだあまり良くありません。
そして、さらに20年後、その時点で市民に提供されているGPS（全地球測位システム）がすでに数十年間使われており、車輪付きスーツケース用の適切なハンドルがついに発明されました。
ここで興味深い教訓が少なくとも2つあります。まず、進歩には明らかな時間の矢は存在しないということです。進歩は非常にカオスで非線形な方法で起こり、他の分野で何が起こっているかに基づいて特定の分野で起こるべき進歩を評価するのは非常に難しいです。これは、今日私たちが心に留めておく必要がある要素です。
2つ目は、進歩を洗練さと混同しないでください。非常に優れたものでも非常にシンプルなものになることがあります。スーツケースの例を取ると、一度見たら、そのデザインは完全に明らかで自明です。しかし、それは簡単な問題で解決できたのでしょうか？私は絶対にそうではないと言います。サプライチェーン管理が解決が難しい問題であったことの単純な証拠は、この問題に取り組むために先進的な産業文明に40年以上かかったことです。進歩は洗練の法則に従わないため、進歩が起こる前の世界がどのようなものだったかを特定するのは非常に難しいです。進行中に世界の見方が変わるからです。
さて、サプライチェーンの議論に戻りましょう。これはプロローグの6回目で最後の講義です。サプライチェーン講義のシリーズ全体については、Lokadのウェブサイトでオンラインで確認できる包括的な計画があります。2週間前に、私はサプライチェーンの20世紀のトレンドを紹介し、問題に対する純粋に定性的な視点を採用しました。今日は、対照的なアプローチとして、これらの問題の一連の問題に対してかなり定量的な視点を採用します。
今日は、一般的なサプライチェーンの数値レシピの設計を改善するために使用できる原則を見直します。原則とは、サプライチェーン全体とすべての数値的な方法のために最も重要なものを見つけることが非常に難しいところです。私たちは2つの原則のショートリストを見直します：観察原則と最適化原則。
観察原則は、サプライチェーンに関する知識と情報を定量的に得る方法に適用されます。最適化原則は、サプライチェーンに関する定性的な知識を獲得した後の行動方法に関連しており、具体的には、これらの原則を使用して最適化プロセスを改善する方法です。
サプライチェーンを観察することから始めましょう。サプライチェーンを直接自分の目で観察できるという人々が話すのは私にとっては不思議です。私にとっては、これはサプライチェーンの現実の非常に歪んだ認識です。サプライチェーンは、設計上、地理的に分散しており、潜在的には数千のSKUと数万のユニットが関与しています。人間の目では、サプライチェーンを今日の状態でしか観察できず、過去の状態は観察できません。サプライチェーンに関連する数値のうち、数個の数字またはごく一部の数字しか覚えることができません。
サプライチェーンを観察する場合、企業ソフトウェアを介して間接的に観察することになります。これはサプライチェーンを見る非常に特定の方法です。サプライチェーンに関する定量的な観察は、すべてこの特定のメディアで行われます：企業ソフトウェア。
典型的な企業ソフトウェアを特徴付けてみましょう。ほとんどのソフトウェアがそのように設計されているため、データベースを含んでいることでしょう。ソフトウェアにはおおよそ500のテーブルと1万のフィールド（フィールドは基本的にテーブルの列です）が含まれている可能性があります。エントリーポイントとして、膨大な情報が含まれているシステムがあります。しかし、ほとんどの場合、このソフトウェアの複雑さのごく一部しかサプライチェーンに関連していません。
ソフトウェアベンダーは、さまざまな状況を考慮して企業ソフトウェアを設計しています。特定のクライアントを見ると、ソフトウェアの機能のごく一部しか使用されていない可能性が高いです。つまり、理論上は1万のフィールドがあるかもしれませんが、実際にはそのうちのごく一部しか使用されていません。
課題は、存在しないまたは関連性のないデータから関連する情報を整理する方法です。サプライチェーンは企業ソフトウェアを介してのみ観察でき、複数のソフトウェアが関与する場合もあります。一部の場合、フィールドが使用されたことがなく、データは定数であり、ゼロまたはヌルのみを含んでいます。このような状況では、フィールドを排除するのは簡単です。なぜなら、そのフィールドには情報が含まれていないからです。しかし、実際には、この方法を使用して排除できるフィールドの数は約10%程度であり、ソフトウェアの多くの機能が年月を経て使用されてきたためです。
どのフィールドが意味のある使用例がないかを特定するために、情報エントロピーと呼ばれるツールを使用することができます。シャノンの情報理論に馴染みのない人にとっては、この用語は複雑に思えるかもしれませんが、実際にはそれほど難しくありません。情報エントロピーは、信号の中に含まれる情報量をビット単位で定量化することに関するもので、信号はシンボルの連続と定義されます。たとえば、真または偽の値のみを含むフィールドがあり、その列がこれらの値の間でランダムに振動する場合、その列には多くのデータが含まれています。一方、真の値が100万行のうち1行しかなく、他のすべての行が偽の場合、データベースのフィールドにはほとんど情報が含まれていません。
情報エントロピーは非常に興味深いものであり、データベースの各フィールドに含まれる情報の豊富さから貧しさまでをビット単位で定量化することができます。分析を行うことで、サプライチェーンの最適化の目的においてほとんど関連性のない情報を含んでいるフィールドを順位付けし、排除することができます。情報エントロピーは最初は複雑に思えるかもしれませんが、理解するのは難しくありません。
たとえば、ドメイン固有のプログラミング言語を想像してみましょう。情報エントロピーをアグリゲーターとして実装しました。データ.csvという名前のフラットファイルから取得したデータなどのテーブルを取ることで、各列にどれだけのエントロピーが存在するかの概要をプロットすることができます。このプロセスにより、情報量が最も少ないフィールドを簡単に特定して排除することができます。エントロピーをガイドとして使用することで、数年かかる代わりにプロジェクトを迅速に開始することができます。
次の段階に進むと、サプライチェーンについて最初の観察を行い、何を期待するか考えます。自然科学では、デフォルトの期待値は正規分布、またはベル型曲線またはガウス分布として知られています。たとえば、20歳の男性の身長や体重は正規分布に従います。生物の世界では、多くの測定値がこのパターンに従います。しかし、サプライチェーンに関しては異なります。サプライチェーンにおいては、通常分布されている興味深いものはほとんどありません。
代わりに、サプライチェーンにおいて興味深いほとんどの分布はジップ分布です。ジップ分布は与えられた式で示されています。この概念を理解するために、製品の集団を考えてみましょう。各製品の販売数量が興味の対象であるとします。一定の期間（たとえば1年間）にわたって、製品を販売数量の高い順から低い順にランク付けします。その後の問題は、曲線の形状を予測するモデルが存在するかどうか、およびランクが与えられた場合に予測される販売数量を提供するかどうかです。これがジップ分布の本質です。ここでは、fはジップ・マンデルブロット則の形を表し、kはk番目に大きな要素を指します。qとsの2つのパラメータは、通常分布の平均値であるmuと分散であるsigmaと同様に学習されます。これらのパラメータを使用して、対象の集団に分布をフィットさせることができます。ジップ・マンデルブロット則はこれらのパラメータを包括しています。
サプライチェーンにおけるほとんどの興味のある集団がジップ分布に従うことは非常に重要です。これは製品、顧客、サプライヤー、プロモーション、さらにはディスパッチユニットにも当てはまります。ジップ分布はパレートの法則の子孫と言えるものですが、より扱いやすく、私の意見ではより興味深いです。なぜなら、サプライチェーンの興味のある任意の集団に対して明示的なモデルを提供するからです。ジップ分布に従わない集団に出くわす場合、それは原則からの真の逸脱ではなく、データに問題がある可能性が高いです。
実世界でジップ分布の概念を利用するために、Envisionを使用することができます。このコードスニペットを見ると、実際のデータセットにこのモデルを適用するためにわずか数行のコードしか必要としないことがわかります。ここでは、興味のある集団が「data.csv」という名前のフラットファイルに存在すると仮定しています。通常、製品識別子と数量があるはずです。4行目では、ランクアグリゲーターを使用してランクを計算し、数量に対してソートしています。その後、6行から11行の間に、Autodevによって明示的に作成された差分可能プログラミングブロックに入ります。ここで、c、q、sの3つのスカラーパラメータを宣言します。これは画面左側の式と同様です。次に、ジップモデルの予測を計算し、観測された数量とモデルの予測との間の平均二乗誤差を使用します。わずか数行のコードでジップ分布を回帰することができます。洗練されたように聞こえるかもしれませんが、適切なツールを使えば非常に簡単です。
これにより、サプライチェーンのもう一つの観察的側面について考えることができます。サプライチェーンのどのレベルでも、通常は20未満の数値が期待されます。観測値は少ないだけでなく、観測される数値も小さいです。もちろん、この原則は使用される単位に依存しますが、「数値」と言うと、サプライチェーンの観点からの正統な意味を持つもの、つまり観測と最適化を試みているものを指します。
なぜ私たちには小さな数値しかないのかという理由は、規模の経済によるものです。例えば、店舗のTシャツを考えてみましょう。店舗には在庫として何千枚ものTシャツがあるかのように思えますが、実際にはサイズ、色、デザインの異なる何百種類ものTシャツがあります。サプライチェーンの観点からの関連性の粒度でTシャツを見ていくと、つまりSKUで見ていくと、店舗には特定のSKUのTシャツが何千枚もあるわけではありません。代わりに、ほんのわずかしかありません。
多くのTシャツを持っている場合、何千枚ものTシャツが放置されているわけではありません。処理や移動に関しては悪夢になるでしょう。代わりに、それらのTシャツを便利な箱に詰めることになります。これが実際に行われることです。店舗へ出荷するために多くのTシャツを扱う配送センターがある場合、そのTシャツは実際には箱に入っている可能性が高いです。さらに、さまざまなサイズや色のTシャツが含まれた箱があるかもしれません。これにより、チェーン全体での処理が容易になります。多くの箱が放置されている場合、そのような箱は何千もあるわけではありません。代わりに、数十の箱が整然とパレットに整理されています。1つのパレットには数十の箱が入ります。多くのパレットがある場合、それらを個別のパレットとして整理するわけではなく、おそらくコンテナとして整理されているでしょう。そして、多くのコンテナがある場合、貨物船などを使用することになります。
サプライチェーンの数値に関して言えば、真に関連性のある数値は常に小さな数値です。この状況は、単により高い集約レベルに移動することで回避することはできません。なぜなら、集約レベルが上がるにつれて、規模の経済が発生し、運用コストを下げるためのバッチングのメカニズムを導入したいからです。これは複数回発生するため、最終的な製品が店舗で単位ごとに販売される場合でも、大量生産されるアイテムであっても、常に小さな数値のゲームです。
たとえ百万枚のTシャツを生産する工場があっても、おそらくは巨大なバッチがあり、興味のある数値はTシャツの数ではなく、バッチの数であり、それははるかに小さな数値になるでしょう。
この原則について何を言いたいのかというと、科学計算や統計のほとんどの方法がどのようなものかを見てみる必要があるということです。他のサプライチェーンに関連しないほとんどの分野では、逆の状況が一般的です。観測数が多く、精度が重要な数値が多いのです。しかし、サプライチェーンでは、数値は小さく離散的です。
私の提案は、大数の法則だけを考慮して設計されたツールではなく、小さな数値が存在することを深く受け入れるツールが必要だということです。大数の法則に基づいて設計されたツールは、多くの観測値や大きな数値自体のために設計されているため、サプライチェーンには完全に適合していません。
ところで、これにはソフトウェアに深い影響があります。数値が小さい場合、ソフトウェアレイヤーがこの観察を活用するための多くの方法があります。たとえば、ハイパーマーケットの取引行のデータセットを見てみると、私の経験と観察に基づいて、80%の行が数量として1となる最終顧客への販売を示しています。ですので、この情報を表現するために64ビットの情報が必要ですか？いいえ、それは完全なスペースと処理時間の無駄です。この概念を受け入れることで、1つまたは2つの桁の運用上の利益が得られる可能性があります。これは単なる願望ではありません。実際の運用上の利益があります。現在のコンピュータは非常に強力ですが、より多くの処理能力が利用できる場合、サプライチェーンにとってさらに良いことをする高度なアルゴリズムを持つことができます。小さな数値が優勢であるというパラダイムがあるために、この処理能力を無駄にすることは意味がありません。
それが今日の最後の観察原則につながります。パターンはサプライチェーンのあらゆるところに存在します。これを理解するために、通常パターンが存在しないと考えられるクラシックなサプライチェーンの問題であるルート最適化を見てみましょう。ルート最適化のクラシックな問題は、配達リストが含まれます。配達物を地図上に配置し、輸送時間を最小化するルートを見つけたいと思います。すべての配達地点を通るルートを確立し、総輸送時間を最小化したいのです。一見すると、この問題は完全に幾何学的な問題であり、その解決にはパターンは関与していないように思われます。
しかし、私はこの視点が完全に間違っていると提案します。この角度から問題に取り組むことで、数学的な問題ではなく、サプライチェーンの問題を見ています。サプライチェーンは反復ゲームであり、問題は繰り返し現れます。配達の組織を行っている場合、おそらく毎日配達を行っているでしょう。単なる1つのルートではなく、少なくとも1日に1つのルートです。
さらに、配達を行っている場合、おそらく車両とドライバーのフリート全体を持っています。問題は単に1つのルートを最適化することではなく、毎日フリート全体を最適化することで繰り返されるゲームです。そこにすべてのパターンが現れます。
まず、地図上のポイントはランダムに分布していません。ホットスポット、つまり配達の密度が高い地理的なエリアがあります。大都市の大企業の本社のように、ほぼ毎日配達を受ける住所があるかもしれません。大規模なeコマース企業であれば、この住所に毎営業日パッケージを配達している可能性があります。これらのホットスポットは不変ではありません。季節性があります。夏や冬には非常に静かな地域もあるかもしれません。パターンがあり、ルート最適化のゲームをうまくプレイするためには、これらのホットスポットがどこで発生するかだけでなく、年間を通じてどのように移動するかも考慮に入れる必要があります。さらに、交通も考慮する必要があります。地理的な距離だけで考えてはいけません。交通は時間依存です。ドライバーが一日の特定の時点で出発すると、ルートを進むにつれて交通状況が変化します。このゲームをうまくプレイするためには、交通パターンを考慮する必要があります。交通パターンは変化し、事前に確実に予測することができます。たとえば、パリでは午前9時と午後6時には市内全体が渋滞しますが、それを予測するために予測の専門家である必要はありません。
また、交通の通常のパターンを妨げる事故など、現場で起こることもあります。数学的な観点から配達を見ると、すべての配達地点が同じであると仮定していますが、実際にはそうではありません。VIPのクライアントや、出荷物の半分を配達する必要がある特定の住所があるかもしれません。効果的なルート最適化のためには、これらの重要なマイルストーンを考慮に入れる必要があります。
また、コンテキストを把握する必要があり、世界についてのデータは完全ではないことが一般的です。たとえば、橋が閉鎖されていることをソフトウェアが知らない場合、問題は最初に橋が閉鎖されていることを知らないことではなく、ソフトウェアが問題から学ぶことがなく、常に最適であるはずのルートを提案し続けることですが、結果的には非現実的なものになります。そのため、人々はシステムと戦い、サプライチェーンの観点からは良い実用的なルート最適化の解決策ではありません。
要点は、サプライチェーンの状況を見ると、あらゆるところにたくさんのパターンがあるということです。優れた数学的な構造に気を取られず、これらの考慮事項が時系列予測にも適用されることを忘れないようにする必要があります。ルート最適化の問題を例に取ったのは、この場合により明確に現れるためです。
結論として、観察可能なすべての次元からサプライチェーンを観察する必要があります。明らかなものだけでなく、解決策が優れた方法で提示される場所だけでなく。
これにより、サプライチェーンを見る方法に関連する2番目の原則のシリーズに移ります。これまでに、サプライチェーンを見る方法に関連する4つの原則を見てきました：間接的な観察、エンタープライズソフトウェア、混乱を整理して関連性のあるものと関連性のないものを判断すること、エントロピー。分布はしばしばジップの法則に従うことを観察しました。そして、小さな数でもパターンが現れることがあります。次の質問は、どのように行動するかです。数学的に言えば、最適な行動を決定するために、何らかの最適化を行います。これが定量的な視点です。
最初に注意することは、サプライチェーンの最適化ロジックを本番環境で使用すると、バグなどの問題が発生することです。エンタープライズソフトウェアは非常に複雑なものであり、しばしばバグだらけです。自分自身のサプライチェーンの最適化ロジックを作成する際には、たくさんの問題が発生するでしょう。ただし、ロジックが本番環境に適している場合、現在直面している問題はおそらくエッジケースです。もしエッジケースでなく、ソフトウェアやロジックが常に誤動作している場合、それは決して本番環境に適していなかったでしょう。
この原則のアイデアは、問題を修正するには5〜10ラウンドかかるということです。5〜10ラウンドと言うと、問題に直面し、それを見て、根本原因を理解し、修正を試みるという意味です。しかし、ほとんどの場合、修正は問題を解決しません。問題の中に隠れた問題があることがわかるかもしれません。または、修正したと思われる問題が実際の原因ではなかったり、状況がより広範な問題のクラスを明らかにしたりするかもしれません。より広範な問題の小さなインスタンスを修正したかもしれませんが、解決したと思われる問題のバリエーションが続いて発生します。
サプライチェーンは複雑で絶えず変化する存在であり、すべての状況に対して正しく設計されたものではないため、問題を修正するためにはベストエフォートを行う必要があります。そして、修正したロジックを実際の経験のテストにかけて、それが機能するかどうかを確認する必要があります。問題を修正するためには反復が必要です。問題を修正するには5〜10回の反復が必要とする原則により、適応の速度やサプライチェーンの最適化ロジックを更新または再計算する頻度に深刻な影響があります。たとえば、2年先の四半期予測を生成するロジックがあり、このロジックを四半期ごとに1回だけ実行する場合、この予測ロジックに関する問題を修正するのに1〜2年かかることになります。これは非常に長い時間です。
S&OP（セールスアンドオペレーションズプランニング）プロセスのように、毎月実行されるロジックがあっても、問題を修正するのに最大1年かかる場合があります。そのため、サプライチェーンの最適化ロジックの実行頻度を増やすことが重要です。たとえば、Lokadでは、5年先の予測でも毎日ロジックを実行しています。これらの予測は毎日更新されますが、次の日とほとんど変わらない場合でも実行されます。目標は統計的な精度を得ることではなく、ロジックが十分な頻度で実行され、問題やバグが合理的な時間枠内で修正されることを確保することです。
この観察結果は、サプライチェーン管理に固有のものではありません。Netflixなどの企業のスマートなエンジニアリングチームは、カオスエンジニアリングという考え方を広めました。彼らは、エッジケースが稀であり、これらの問題を修正する唯一の方法は、経験をより頻繁に繰り返すことであると気づきました。その結果、彼らはChaos Monkeyというソフトウェアを作成しました。Chaos Monkeyは、ネットワークの障害やランダムなクラッシュを作成することで、ソフトウェアインフラにカオスをもたらします。Chaos Monkeyの目的は、エッジケースをより早く明らかにし、エンジニアリングチームがそれらをより迅速に修正できるようにすることです。
このように、オペレーションにさらなるカオスを導入することは直感に反するかもしれませんが、このアプローチは信頼性の高さで知られるNetflixにとって効果的であることが証明されています。彼らは、ソフトウェアに起因する問題に直面した場合、それを解決するには多くの反復が必要であり、問題の本質に迫るためには迅速に反復するしかないと理解しています。Chaos Monkeyは、反復のスピードを上げるための一つの方法に過ぎません。
サプライチェーンの観点からは、Chaos Monkeyは直接的には適用されないかもしれませんが、サプライチェーンの最適化ロジックを実行する頻度を高めるというコンセプトは非常に関連性があります。サプライチェーンを最適化するためのどのようなロジックを持っていても、それは高い速度と頻度で実行する必要があります。そうしなければ、直面する問題のいずれも修正することはできません。
現在、古くなったサプライチェーンは準最適であり、私が言う"古くなった"とは、20年以上運用されているサプライチェーンのことを指します。この原則を述べる別の方法として、あなたのサプライチェーンの前任者はみな無能ではなかったということです。サプライチェーンの最適化の取り組みを見ると、在庫レベルを半分に減らす、サービスレベルを95%から99%に向上させる、ストックアウトを排除する、リードタイムを半分にするなど、大きな一方向の動きがあります。これらは、1つのKPIに焦点を当てて大幅に改善しようとするものです。しかし、私が観察したところ、これらの取り組みはほとんど常に非常に鈍い理由で失敗します。数十年間運用されてきたサプライチェーンを取り上げると、通常は何らかの潜在的な知恵があるはずです。
たとえば、サービスレベルが95%である場合、それを99%に引き上げようとすると、在庫レベルが大幅に増加し、その過程で大量の不良在庫が生じる可能性が高いです。同様に、ある量の在庫がある場合、それを半分に減らすための大規模な取り組みを開始すると、持続不可能な品質のサービス問題が生じる可能性があります。
私が観察したことは、古くなったサプライチェーンが一方向的に準最適であるという原則を理解していない多くのサプライチェーンの実践者は、局所最適解の周りで振動している傾向があるということです。古くなったサプライチェーンが最適であるとは言っていませんが、一方向的に準最適であると言っています。大峡谷のアナロジーを見ると、川は重力の一方向の力によって最適な経路を刻みます。もしもっと10倍強い力を加えると、川はまだ多くの曲がりくねりを経験します。
要点は、古くなったサプライチェーンでは、大きな改善をもたらすためには、多くの変数を一度に調整する必要があるということです。1つの変数に焦点を当てるだけでは、望ましい結果は得られません。特に、会社が何十年もの間現状を維持してきた場合はそうです。あなたの前任者はおそらく自分の時代にいくつかのことを正しく行ったので、誰もが無視していた非常に不機能なサプライチェーンに偶然出くわす可能性はほとんどありません。サプライチェーンは複雑な問題であり、大規模な不機能な状況をエンジニアリングすることは可能ですが、それは最良の場合でも非常にまれなことです。
考慮すべき別の側面は、局所最適化は問題を解決するのではなく、問題を押し付けるだけであるということです。これを理解するためには、サプライチェーンはシステムであり、サプライチェーンのパフォーマンスを考えると、システム全体のパフォーマンスのみが興味の対象です。局所的なパフォーマンスは関連性がありますが、それは全体像の一部に過ぎません。
一般的な考え方は、サプライチェーンの問題だけでなく、一般的な問題に対しても分割統治戦略を適用できるということです。たとえば、多くの店舗を持つ小売ネットワークでは、各店舗の在庫レベルを最適化したいと考えるかもしれません。しかし、問題は、多くの店舗と配送センターからなるネットワークで、各店舗にサービスを提供することです。1つの店舗を細かく最適化し、その店舗のサービス品質を優れたものにすることは容易ですが、その結果、他のすべての店舗に損害を与えることになります。
正しい視点は、配送センターで1つのユニットが利用可能な場合、自分自身に次のような質問をすることです。このユニットは最も必要な場所はどこですか？私にとって最も利益の上がる移動は何ですか？在庫の配送を最適化する問題、または在庫の割り当て問題は、店舗レベルではなくシステムレベルでのみ意味を持ちます。1つの店舗で何が起こるかを最適化すると、別の店舗で問題が発生する可能性があります。
「局所的」と言うとき、この原則は地理的な観点だけでなく、サプライチェーン内の純粋に論理的な問題としても理解されるべきです。たとえば、多くの製品カテゴリーを持つ電子商取引会社の場合、各カテゴリーに異なる予算を割り当てたい場合があります。これは分割統治戦略の別のタイプです。しかし、予算を分割し、年初に各カテゴリーに固定額を割り当てると、あるカテゴリーの製品の需要が倍増し、別のカテゴリーの製品の需要が半減した場合、これら2つのカテゴリー間の資金の割り当てが間違ってしまいます。ここでの課題は、分割統治の論理を適用することができないということです。局所最適化技術を使用すると、最適化された解決策を作成する過程で問題が発生する可能性があります。
これで、今日紹介した原則の中でおそらく最も難しい原則について説明します。それは、より良い問題がより良い解決策を上回るということです。これは特に一部の学術界では非常に混乱することがあります。典型的な教育では、明確に定義された問題が提示され、それに対する解決策を探し始めます。数学の問題の場合、例えば、ある学生がより簡潔でより優雅な解決策を思いつくことがあり、それが最良の解決策とされます。
しかし、現実には、サプライチェーン管理ではそうはなりません。これを説明するために、60年前にさかのぼって料理の問題を見てみましょう。料理は非常に時間のかかる活動です。過去の人々は、将来的にはロボットを使用して料理のタスクを実行することができ、料理を担当する人の生産性を大幅に向上させることができると考えました。このような考え方は、1950年代と1960年代に広まっていました。
今日になってみると、事態はそう進展していないことが明らかです。料理の手間を最小限に抑えるために、人々は今では調理済みの食事を購入しています。これも問題の押し付けの例です。スーパーマーケットに調理済みの食事を提供することは、生鮮品を提供するよりもサプライチェンの観点からはより困難です。参照数が増え、賞味期限が短くなるためです。問題は、優れたサプライチェンソリューションによって解決され、より良い料理ソリューションを提供することではありませんでした。料理の問題は完全に取り除かれ、最小限の努力でまともな食事を提供することとして再定義されました。
サプライチェーンに関しては、学術的な視点はしばしば既存の問題に対してより良い解決策を見つけることに焦点を当てています。良い例としては、Kaggleのコンペティションがあります。データセットと問題があり、数百から数千のチームがこれらのデータセットに対して最良の予測を得るために競い合っています。明確に定義された問題と数千の解決策が互いに競い合っています。この考え方の問題は、サプライチェーンの改善を実現するためには、より良い解決策が必要であるという印象を与えることです。
この原則の本質は、より良い解決策がわずかに助けるかもしれないが、わずかに助けるだけです。通常、本当に助けになるのは、問題を再定義するときです。これは数量的な問題にも当てはまります。実際のサプライチェン戦略と最適化すべき主要な問題を再考する必要があります。
多くの人々は、問題を静的で不変なものと考え、より良い解決策を探しています。私は、時系列予測アルゴリズムの改善が役立つことを否定しませんが、時系列予測は統計的予測の範疇であり、サプライチェーン管理の習得ではありません。最初の例である旅行用スーツケースに戻ると、車輪ではなくハンドルの改善が重要でした。それは一見車輪とは関係のないものであり、それが解決策に至るまでに40年かかった理由です - より良い問題が浮かび上がるためには、枠外の考え方が必要です。
この数量的な原則は、直面する問題に挑戦することについてです。おそらく、問題について十分に考えていないのかもしれません。解決策に夢中になる傾向があり、問題とそれについて理解していないことに焦点を当てるべきです。問題が明確に定義されているとすれば、良い解決策を持つことは通常、単なる実行の日常的な問題であり、それほど難しいことではありません。
結論として、サプライチェーンは研究の対象として非常に印象的で権威ある視点を持っています。これらは洗練されているかもしれませんが、私がこの観客に尋ねたいのは、それが非常に誤った方向に向かっている可能性はないかということです。時系列予測やオペレーションリサーチなどの要素が問題に対する適切な視点であると本当に自信を持っていますか？それらの方向に洗練度や数十年にわたるエンジニアリングと努力が投資されている量に関係なく、本当に正しい道を進んでいるのでしょうか？
今日、私はサプライチェーン管理にとって非常に重要な原則のシリーズを紹介します。しかし、それらはほとんどの人にとって奇妙に思えるかもしれません。ここには2つの世界があります - 証明された世界と奇妙な世界 - そして、数十年後に何が起こるかという問題です。
進歩は混沌で非線形な形で展開される傾向があります。これらの原則は、予期せぬことが起こる余地のある非常に混沌な世界を受け入れることを可能にします。これらの原則は、数量的な観点からあなたのサプライチェーンに改善をもたらす、より速く、より信頼性の高い、より効率的なソリューションの開発に役立ちます。
さて、次にいくつかの質問に移りましょう。
質問: ジップフ分布はパレートの法則と比較してどうですか？
パレートの法則は80-20の経験則ですが、数量的な観点からは、ジップフ分布は明示的な予測モデルです。非常に直接的な方法でデータセットに対して検証できる予測能力を持っています。
質問: ジップフ・マンデルブロット分布は、症例や死亡報告のようにサプライチェーンの変動を見るための対数曲線として見る方が良いのではないでしょうか？
完全にその通りです。哲学的なレベルでの問題は、あなたが「平凡の国」に住んでいるのか「極端の国」に住んでいるのかということです。サプライチェーンやほとんどの人間の事柄は、極端の世界に存在しています。対数曲線は、プロモーションの振幅を視覚化するために役立ちます。例えば、過去10年間の大規模小売ネットワークのすべての過去のプロモーションの振幅を見たい場合、通常のスケールを使用すると、最も大きなプロモーションが他のすべてよりもはるかに大きいため、他のすべてが見えなくなる可能性があります。したがって、対数スケールを使用すると、変動をより明確に見ることができます。ジップフ・マンデルブロット分布では、コードの数行で展開できるモデルを提供しています。これは、データの対数的な視点以上のものです。ただし、核心的な直感は同じです。高いレベルの哲学的な視点では、ナシーム・タレブの「アンチフラジル」でメディオクリスタンとエクストリミスタンについての彼の著作を読むことをお勧めします。
質問: 地域のサプライチェーン最適化に関して、サプライチェーンネットワークの協力とSNLPをサポートする基礎データに関連していますか？
地域の最適化に関する私の問題は、主要なサプライチェーンを運営する大企業は通常、マトリックス組織を持っていることです。この組織構造は、分割統治の考え方に基づいており、設計上は地域の最適化をもたらします。例えば、需要予測を担当するチームと購買決定を担当する別のチームを考えてみてください。需要予測と購買最適化というこれら2つの問題は完全に絡み合っています。需要予測の誤差率だけに焦点を当てて地域の最適化を行い、別々に処理効率に基づいて購買を最適化することはできません。システム的な影響があり、それらをすべて一緒に考える必要があります。
今日、大規模な確立された企業の最も大きな課題は、定量的な最適化を目指す際に、システム全体と企業全体を考える必要があることです。これは、会社内での数十年にわたるマトリックス組織の堆積物に逆行します。人々は自分の明確に定義された境界にだけ焦点を当て、大局を忘れてしまっています。
この問題の別の例は、店舗の在庫です。在庫は2つの目的を果たします。一方では、顧客の需要を満たし、もう一方では商品として機能します。適切な在庫量を持つためには、サービスの品質の問題と店舗の魅力の問題に取り組む必要があります。店舗の魅力は、顧客にとって魅力的で興味深い店舗にすることに関するマーケティングの問題です。会社にはマーケティング部門とサプライチェーン部門があり、サプライチェーンの最適化に関しては自然に連携しません。私のポイントは、これらのすべての側面を一緒に考えない限り、最適化はうまくいかないということです。
SNLPに関するあなたの懸念については、人々が会議をするためだけに集まるという問題があります。数ヶ月前にSNLPについてのLokad TVのエピソードを公開しましたので、具体的な議論をしたい場合はそれを参照してください。
質問: サプライチェーン戦略と数量的な実行の間で時間とエネルギーをどのように分配すべきですか？
それは素晴らしい質問です。私の第2回の講義で述べたように、単調なタスクの完全なロボット化が必要です。これにより、数値レシピの継続的な戦略的改善にすべての時間とエネルギーを捧げることができます。サプライチェーンの実行において10%以上の時間を単調な側面に費やしている場合、方法論に問題があります。サプライチェーンの専門家は、最初に自動化されるべき単調な実行の問題に時間とエネルギーを浪費するにはあまりにも貴重です。
ほとんどのエネルギーを戦略的思考に捧げることができる方法論に従う必要があります。そして、それは日々のサプライチェーンの実行を推進する優れた数値レシピとして直ちに実装されます。これは、私がソフトウェアの製品指向デリバリーを意味する第3回の講義に関連しています。
質問: システム的な定式化に基づいたサプライチェーンの問題の最善の改善方法、つまり最大の改善可能性を仮説化することは可能ですか？
いいえ、絶対に不可能です。最適解や限界があると考えることは、人間の創造力に制限があると言うことと同じです。私は人間の創造力に制限がないことを証明する証拠はありませんが、それは私の核心的な信念の一つです。サプライチェーンは困難な問題です。問題を変革し、大きな問題を大きな解決策と会社の成長の可能性に変えることができます。例えば、Amazonを見てみましょう。ジェフ・ベゾスは2000年代初頭に、成功するためには大規模で堅牢なソフトウェアインフラストラクチャーが必要だと理解しました。しかし、この大規模な産業用生産インフラストラクチャーは、会社に数十億ドルの費用がかかる非常に高価なものでした。そこで、Amazonのチームはこの巨大なクラウドコンピューティングインフラストラクチャーを商業製品に変えることを決定しました。現在、この大規模なコンピューティングインフラストラクチャーは実際にはAmazonの主要な利益源の一つです。
困難な問題について考え始めると、常に問題を優れた方法で再定義することができます。だからこそ、最適解があると信じることは誤解です。限界分析の観点から固定された問題を見ていると、おそらく準最適な解があるかもしれません。例えば、現代のスーツケースの車輪を見てみると、おそらく準最適な解であるでしょう。しかし、私たちが見落としている完全に明らかなものはありますか？もしかしたら、車輪をより良くする方法やまだ発明されていない発明があるかもしれません。私たちがそれを見ると、それは完全に自明なものに見えるでしょう。
だからこそ、これらの問題には限界がないと考える必要があります。問題は任意のものです。問題を再定義し、ゲームを完全に異なるルールに従ってプレイすることを決めることができます。これは困惑させるものです。人々は自分たちがきちんと設計された問題を持っており、解決策を見つけることができると思いたがります。現代の西洋の教育システムは、問題を与えて解決策の品質を評価する解決策思考を重視しています。しかし、もっと興味深い質問は、問題自体の品質です。
質問: 最良の解決策は問題を解決しますが、最良の解決策を見つけることは時間とお金がかかることがあります。これに対する回避策はありますか？
絶対にあります。もし理論的に正しい解決策があるが実装に時間がかかる場合、それは良い解決策ではありません。このような考え方は、現実世界とは何の関係もない狭量な数学的基準に基づいて完璧な解決策を見つけることに焦点を当てる特定の学術的な環境でよく見られます。それが私が正しい最適化問題について言及した内容です。
3ヶ月ごとに、私のところにはオンラインの経路最適化問題を解決するためのアルゴリズムをレビューしてほしいという教授がやってきます。私が最近レビューする論文のほとんどはオンラインのバリエーションに焦点を当てています。私の回答はいつも同じです。あなたは正しい問題を解決していません。問題自体について正しく考えていないので、あなたの解決策には興味がありません。
進歩は洗練さと混同されるべきではありません。進歩は何かシンプルなものから洗練されたものへと進むという誤った認識です。実際には、進歩はしばしば不可能に思えるほど複雑なものから始まり、優れた思考と技術によってシンプルさを実現します。例えば、21世紀のサプライチェーンのトレンドについての私の最後の講義を見てみると、ヴェルサイユ宮殿に水を供給したマーリーの機械があります。それは狂気じみた複雑なシステムでしたが、現代の電動ポンプの方がはるかにシンプルで効率的です。
進歩は必ずしも洗練さに見出されるわけではありません。時には必要ですが、進歩の本質ではありません。
質問: 大規模な小売ネットワークは在庫レベルを押し上げていますが、ほぼ即座に注文を履行する必要があります。時にはサプライヤーによって開始されていないプロモーションを自主的に行うこともあります。サプライヤーレベルで予測し、適切に準備するためのアプローチは何でしょうか？
まず、異なる視点から問題を見る必要があります。あなたは予測の視点を前提としていますが、クライアントである大規模小売業者が突然大規模なプロモーションを行うということです。まず、それはそんなに悪いことでしょうか？彼らがあなたに通知せずに製品を宣伝するなら、それは生活の一部です。過去の履歴を見ると、彼らは通常、定期的にそれを行い、パターンさえあります。
原則に戻ると、パターンはどこにでも存在します。まず、将来を予測することはできないという視点を受け入れる必要があります。代わりに、確率的な予測が必要です。変動を完璧に予測することはできなくても、それは完全に予期しないものではないかもしれません。サプライヤーに完全に驚かされるのではなく、ゲームのルールを変える必要があるかもしれません。小売ネットワークがサプライヤーに事前通知せずに大きなプッシュを始めた場合、サプライヤーはサービスの品質を維持する責任を現実的に果たすことはできません。
解決策はもっと協力的なものかもしれません。おそらく、サプライヤーはより良いリスク評価を行う必要があります。サプライヤーが販売する材料が腐敗しない場合、数ヶ月分の在庫を持つ方が利益が出るかもしれません。人々は常に遅延ゼロ、在庫ゼロ、すべてゼロを考えがちですが、それが本当に顧客があなたに期待していることでしょうか？おそらく、顧客が期待しているのは豊富な在庫という形での付加価値です。また、答えはさまざまな要素に依存します。
問題を多角的に考える必要があり、簡単な解決策はありません。問題について本当に熟考し、利用可能なすべてのオプションを考慮する必要があります。在庫を増やす必要があるのではなく、生産能力を増やす必要があるかもしれません。需要の急増があり、大量のスパイクを持つことがあまりにも高価ではなく、サプライヤーのサプライヤーが素材を十分に速く提供できる場合、必要なのはより柔軟な生産能力かもしれません。これにより、生産能力を現在の需要の急増にリダイレクトすることができます。
ところで、これは特定の産業に存在します。たとえば、包装業界には大規模な能力があります。包装業界のほとんどの機械は工業用プリンターであり、比較的安価です。包装業界の人々は通常、ほとんど使用されていない多くのプリンターを持っています。しかし、大きなイベントや大手ブランドが大規模なプッシュを行いたい場合、ブランドの新しいマーケティングプッシュに合う大量の新しいパッケージを印刷する能力を持っています。
したがって、それはさまざまな要素に依存するので、明確な答えがないことをお詫び申し上げます。しかし、確実に言えることは、直面している問題について本当に熟考する必要があるということです。
これで今日の講義、プロローグの6回目での講義は終了です。2週間後、同じ日時に、サプライチェーンの人物についてプレゼンテーションを行います。次回をお楽しみに。
