00:00:08 サプライチェーン業界における予測精度向上のトピックの紹介
00:01:22 より正確な予測が何を意味するのか、及び予測指標の使用方法の説明
00:03:21 サプライチェーンのパフォーマンスを測定する際に数学的指標を使用することの限界についての議論
00:05:30 パーセンテージではなくドルで予測精度を測定することの重要性の強調
00:08:42 パーセンテージでの精度最大化がサプライチェーンのパフォーマンスに誤解を招く可能性があることの説明
00:09:04 売上予測において単純な指標を使用することの限界についての議論
00:10:20 売上ゼロを予測するモデルを使用すると企業に壊滅的な結果をもたらすことの説明
00:11:23 サプライチェーン管理における対称的指標の問題点の説明
00:13:02 予測は未来についての推測に過ぎず、そのサプライチェーンへの影響についての説明
00:16:32 予測精度向上専用の部門設置の危険性についての議論
00:18:09 時間の経過とともに予測が改善されることについての議論
00:19:01 より良い予測指標が必ずしもサプライチェーンのパフォーマンス向上につながらないという説明
00:21:41 企業の成長と収益性の向上が必ずしも顧客のサプライチェーンの改善を意味しないという認識
00:22:04 月額サブスクリプションモデルと複数年プランの違いの説明
00:25:53 製品が単なる予測から、予測精度指標を発見するためのツールへと進化した過程の説明
00:26:56 サプライチェーン管理で使用される指標についての議論
00:27:20 確率論的予測やクロスエントロピー、連続順位確率スコアなど特定指標使用の利点
00:27:54 予測精度向上からサプライチェーンパフォーマンス最大化への視点転換
00:29:51 サプライチェーン全体をエンドツーエンドで統括する担当者の重要性
00:32:23 サプライチェーン管理における統一最適化プロセスの重要性

要約

Lokadの創設者ジョアネス・ヴェルモレルは、ホストのニコール・ジントと、サプライチェーンパフォーマンス向上のために予測精度指標を用いることの限界について語りました。ヴェルモレルは、企業が予測精度の改善に偏り、最終的な業績への影響を顧みていないと主張しました。彼は、予測精度をパーセンテージではなく誤差のドル単位で測定することで、企業が正しい方向に進んでいるかどうかをより適切に評価できると提案しました。また、利益またはパフォーマンスを最大化するための重要なサプライチェーンの意思決定を見出すことの重要性も強調し、誤解を招く指標が企業に損害を与えるナンセンスな決定につながる危険性について警告しました。

詳細な要約

インタビューのテーマは、サプライチェーン業界における予測精度です。ホストのニコール・ジントは、何十年にもわたる予測精度向上への取り組みにもかかわらず、精度の向上がサプライチェーンのパフォーマンス向上につながっていないと指摘します。彼女は、業界が問題を誤った視点で捉えているのか、あるいはそもそも間違った問題に注目しているのではないかと疑問を呈します。Lokadの創設者ジョアネス・ヴェルモレルは、より正確な予測とは、ある予測モデルが別の予測モデルよりも特定の予測指標において正確であることを意味すると説明します。予測指標は多種多様ですが、いずれも数学的な対象であり、サプライチェーン業界に必ずしも関連するとは限りません。ヴェルモレルは、教科書から単に数学的指標を選べばよいという考えは誤りであると指摘し、パーセンテージでの精度最大化がサプライチェーンパフォーマンスにとって誤解を招く可能性があると付け加えます。また、数学的指標の最適化によって予測誤差を縮小してもパフォーマンスが向上せず、逆に誤差を増やせばパフォーマンスが改善されるわけでもないと論じ、サプライチェーンは一面的な問題ではなく、精度とパフォーマンスの間に偽の二元性があると考えています。

ヴェルモレルは、サプライチェーンのパフォーマンス向上のためには予測誤差の削減が極めて重要であると説明します。しかし、サプライチェーンは多次元的であるため、単に誤差を減らすだけでは十分ではありません。パフォーマンス向上の鍵は、経済的な駆動要因を組み込むことで、予測の質とサプライチェーンのパフォーマンスを結びつけることにあります。ヴェルモレルは、企業が正しい方向に向かっているかを評価するため、予測精度をパーセンテージではなく誤差のドル単位で測定すべきだと提案しています。彼は、パーセンテージで表された予測誤差が必ずしもドル単位での精度と一致しないことが問題の核心であると指摘します。

ジントはヴェルモレルに、サプライチェーンパフォーマンスの測定方法を問い、その答えとして、使用される指標は定義が難しい場合があると述べます。状況に依存する良い予測を見出すことが課題であり、例えばスーパーマーケットの具体例を通じて最適化の方法を理解すべきだと提案します。彼は、店舗レベルでは大多数の製品が週あたり一単位にも満たない平均需要を持つため、ある日の最もあり得る結果はゼロ売上であると説明します。もし企業がパーセンテージで予測精度を最大化する指標に基づいて最適化を行えば、毎日ゼロ売上を予測するモデルに陥り、これは企業にとって壊滅的な結果を招くことになります。さらに、モデルがゼロを予測すれば、店舗はゼロを補充し、結果として収益と顧客を失うことになるでしょう。

総じてヴェルモレルは、[経済的な駆動要因]を取り入れることで予測の質とサプライチェーンのパフォーマンスを結びつけることこそが、パフォーマンス向上の鍵であると主張します。彼は、単にパーセンテージで予測精度を最大化する指標に基づいて最適化するのではなく、予測誤差をドル単位で測定し、在庫不足に伴うコストも考慮するべきだと提案します。これにより、企業は毎日ゼロ売上といった誤った結果に向けて予測を最適化することを避け、需要と供給のより良いバランスを実現できるのです。

ヴェルモレルは、サプライチェーン管理における予測精度の問題について議論し、過大予測と在庫過剰に同等の重みを置く対称的な予測指標の問題点を強調します。彼は、在庫過剰が非対称的な結果をもたらす重大な問題であるため、この指標の使用が問題であると論じます。また、予測精度は重要であるものの、それは各製品に対して毎日適切なタイミングで正しい意思決定を下すという最終的な結果に結びつけられるべきだと述べています。

ヴェルモレルは、安全在庫ABC分類およびサービスレベルといった数値的人工物を導入することが、これらに精通した専門家のサブグループを社内に形成する誘惑を生む可能性があると主張します。しかし、彼はこれらの人工物は実体がなく、予測の質の向上だけに専念する専門チームの結成こそが問題の根本原因であると論じます。そのようなチームは、独自の目的および指標に基づいて予測を作成し、最終的な結果を無視した独自のバブル内で活動していると彼は考えています。

ヴェルモレルの見解では、大企業は業務負荷の分散に苦労しており、数値的人工物の導入が必ずしも専用チームの設置を正当化するわけではありません。むしろ、サプライチェーンマネージャーは最終結果に注目し、すべての製品に対して毎日適切なタイミングで正しい意思決定を行うべきです。予測精度は重要ですが、それに固執して意思決定の結果を無視してはならないと警告しています。

彼らは、サプライチェーンパフォーマンス向上のために予測精度指標を用いることの限界について議論しました。ヴェルモレルは、企業が最終的な利益への影響を考慮せずに予測精度の向上に偏りがちであると考えています。第二次世界大戦中の太平洋諸島のカーゴ・カルトを例に、予測チームがサプライチェーンへの深い影響を無視して指標の最適化を行うと述べ、予測手法の深い影響に注目することで、月額サブスクリプションモデルを通して好ましい結果を優先し、クライアントがより優れたサプライチェーンを実現できると信じています。

ヴェルモレルは、サプライチェーン最適化におけるフィードバックループが厳格であるため、企業が市場の変化に迅速に対応する必要があると論じます。また、特定の指標での最適化だけでは多くの問題を引き起こす可能性があるため、各企業固有の状況に適した予測精度指標を見出すことが必要であり、これは多くのエッジケースや業界固有の要因により困難であると述べています。

ヴェルモレルは、単に予測精度の向上に注力するのではなく、利益やパフォーマンスを最大化するための重要なサプライチェーンの意思決定を見出すことの重要性を強調します。彼は、企業はエンドツーエンドの意思決定を担う担当者を設けるべきであり、業務の分断が企業に損害を与えるナンセンスな決定につながると論じます。また、一見合理的に思えるが、実際は極めて非合理的な指標、たとえばチェスの駒の一つの存続にのみ焦点を当てるといった誤解を招く指標の危険性について警告し、プロセスを細分化するのではなく、統一的な最適化プロセスを採用すべきだと締めくくっています。

完全な書き起こし

Nicole Zint: サプライチェーン業界全体は、何十年にもわたって予測精度の向上に努めてきました。大手企業はこの問題に専念する部門を持っています。しかしながら、その成果は直感に反して、予測精度の向上が必ずしもサプライチェーンのパフォーマンス向上につながっていないことを示しています。私たちは問題を誤った視点で見ているのか、あるいはそもそも取り組むべき問題を誤っているのか?また、予測精度をパーセンテージではなくドルで測定した場合、何が変わるのでしょうか?これが本日のエピソードのテーマです。それでは、ジョナスと共に話を始めましょう。予測がより正確であるとはどういう意味なのでしょうか? Joannes Vermorel: より正確な予測とは、特定の予測指標に基づいて、一方のモデルが他方よりも正確であることを意味します。厳密に言えば、「より正確な予測」という表現は言葉の誤用とも言えます。実際、我々が本当に言っているのは、ある予測モデルが別の予測モデルよりも、特定の指標において正確であるということです。その指標とは、単に両モデルの予測誤差を定量化するための測定値に過ぎません。つまり、予測精度は使用する指標に直接依存するのです。文献で知られている予測指標は数多く存在し、最も広く使われるのは平均二乗誤差や絶対誤差、平均絶対パーセンテージ誤差、加重平均などです。これらの指標は、完璧な結果の場合に誤差がゼロであると示すという共通点があります。では、どの指標が最適か、またそれをどう判断するのでしょうか? Nicole Zint: サプライチェーンに関して言えば、これは非常に厄介な問題です。というのも、私が挙げたすべての指標は実際には数学的な対象に過ぎず、教科書にも多数掲載されているほど数学的な性質を有しているからです。しかし、数学的に興味深いからといって、必ずしもその指標がサプライチェーンの分野に適しているとは限りません。数学的に非常に興味深い事象が多数存在しますが、それがサプライチェーンの視点で有用であるとは限らないのです。そして、ここに問題の核心があると考えます。人々は、教科書から dozens の指標をただ選び、「これが最適だ」と考えてしまう——これが誤った期待だと思います。実際、パーセンテージで精度を最大化するというアプローチは、サプライチェーンパフォーマンスにとって大いに誤解を招く可能性があるのです。 Joannes Vermorel: はい、改めて申し上げますが、私たちの結論は予測誤差を最大化すべきだというものではありません。私が議論しているのはそれではなく、数学的指標の最適化によって予測誤差を縮小してもサプライチェーンのパフォーマンスが向上しないという、むしろ不可解な発見なのです。しかし、その逆もまた単純ではありません。予測誤差を増やせばサプライチェーンパフォーマンスが向上するというわけでもないのです。ここに、いわゆる偽の二元性、つまりどちらか一方なら良いという発想が存在しているのが不可解な点なのです。もしサプライチェーンが一面的な問題であれば、そのような単純な論理も成立したかもしれませんが、現実はそうではありません。

Nicole Zint: 予測誤差を減らすとサプライチェーンのパフォーマンスが向上し、逆にするとパフォーマンスが低下します。もし我々が一次元の世界に生きていたら、そうなるかもしれませんが、サプライチェーンは非常に多次元的なので、全くそうはなりません。ここで言いたいのは、基本的な直感が大きく誤る可能性があるということです。そこで質問ですが、サプライチェーンパフォーマンスについて言及されましたが、それはどのように測定しているのですか?

Joannes Vermorel: 実はこれが問題の核心です。ご存知のように、サプライチェーン指標に関しては、人々が「良い予測」とは何かを理解するのが非常に難しいのです。そのため、教科書から取り出した指標を使って「これで十分だ」と考えがちですが、教科書に載っているからといって、数学の教科書にあるという理由だけで、あなたのサプライチェーンの問題に対して何らかの関連性があるわけではないとすぐに気づくのです。ですから、何か意味のあるものにするには、他に何が必要かという疑問が生じます。この疑問は非常にオープンに感じられ、実際、極めて迅速な問題です。我々が先駆者として行ってきた実践の一つは、基本的に「ドル単位の誤差」という観点から考えることでした。あなたが最適化しようとしているものは何か?予測の質とパフォーマンスをサプライチェーンのパフォーマンスに結びつけるためには、かなり大きな経済的要因を注入する必要があり、そのときにドル単位で誤差を計測し始めるのです。そうすれば、実際にサプライチェーンにとって意味のある方向へ針が動いているかどうかを評価できるようになります。つまり、サプライチェーンのパフォーマンスが良ければ、当然その分会社の収益は増え、サプライチェーンのコスト削減も進み、結果として収益が上がるのです。これは非常に興味深いことで、予測精度をパーセンテージで見ることと、ドル単位の予測精度は必ずしも一致しないということが、今我々が議論している問題の核心になっているのです。

Nicole Zint: はい、しかも話は非常に凝縮されています。これもまた議論を呼ぶ発言になるかもしれませんが、パーセントで表現された予測誤差を減らすことはサプライチェーンパフォーマンスの向上にはつながりません。場合によっては、実際に全く逆の結果になることさえあります。例えば、スーパーマーケットの例を見てみましょう。スーパーマーケットは非常に興味深い問題です。なぜなら、人間の行動は非常に予測困難な場合があるからです。もし私がスーパーマーケットを管理していて、今日シャンプーボトルを0本売るのか5本売るのかを知りたく、予測があるとします。ジョアンネス、今このシナリオで、パーセンテージとドル単位で見た場合、予測精度にはどのような違いがあるのでしょうか?

Joannes Vermorel: では、まず一つ明確にしておきましょう。不確実性が存在するか、ほとんど存在しないかという考え方自体が、あなたが観測する予測誤差の大きさを定義するのです。つまり、これは完全に状況依存なのです。例えば、国全体の電力消費量を見ると、一日ごとの差は非常に小さいです。日々のパターンはあるものの、消費は非常に安定しているため、極めて小さな変動しか見られません。しかし、非常に細かく分解されたもの、例えば一つのスーパーマーケットにおけるシャンプーボトルの場合、パーセンテージでははるかに大きな変動が見られるでしょう。これ

Nicole Zint: それでは、この具体的なスーパーマーケットの例を見てみましょう。これは以前のエピソードでお話しした逸話です。何年か前にこの設定で予測ベンチマークを行いましたが、その結果、店舗レベルで運営される商品の大半は、平均需要が1未満であることが分かりました。つまり、商品ごとに週あたり平均1個売れるか、時にはそれ以下で、1個売られるよりも0個売れる可能性の方がはるかに高いのです。確かに、大多数の商品にとって、ある日の最も可能性の高い結果は0個の販売です。では、予測精度をパーセンテージで最大化しようとする予測は、どのようなものになるのでしょうか?

Joannes Vermorel: 例えば、予測値と実績値の絶対値という指標を取り、それを年間売上などで割って正規化するとします。すると、その指標を最適化しようと、すなわちこの指標に従って最良の結果を出す予測モデルを探そうとすると、結果的に毎日0を予測するモデルになってしまいます。なぜなら、0販売がある日の結果として最もあり得るからです。先ほど示した非常にシンプルで直接的な指標、実績と予測の絶対値の差をただ最適化すると、結果として出る予測は0になってしまいます。そして、さらに奇妙でサプライチェーンにとって有害なことに、もし0を予測するモデルを採用すれば、実際の販売も0になり、すぐに店舗の棚には商品がなくなり、その結果、0を予測して0が売れたために予測精度は100%になってしまうのです。見た目はすべて順調に見えますが、実際はそうではなく、これは会社にとって大惨事なのです。

Nicole Zint: はい、これは非常に興味深いです。たとえ予測が100%正確になっても、収益はゼロです。さらに悪いことに、収益がゼロである一方で、すべての費用は掛かっています。店舗は運営し続けなければならず、人件費、建物の維持費、その他あらゆる費用を支払う必要があるのです。ですから、状況はさらに悪化し、求めるものが見つからず、顧客が戻ってこなくなるため、結果として顧客を失ってしまうのです。

Joannes Vermorel: まさにその通りです。そしてここで、一種の不条理が見えてきます。より集約された時系列を見た場合にはそれほど明らかではありませんが、問題は全く同じです。根本的に、このハイパーマーケットの例における問題は、巨大な非対称性が存在することにあります。例えば、1単位を持つことや不足することのコストと、1単位が売れ残ったまま1日余分に在庫として置かれるコストは全く同じではありません。これは非常に非対称的です。したがって、私が最初に述べた予測精度の指標、すなわち実績と予測の絶対値の差は、完全に対称的であるため、過剰予測と在庫過多の双方にほぼ同じ重みを与えてしまうという問題があるのです。そして、この単純な問題において巨大な非対称性が存在するにもかかわらず、予測指標はそれを捉えていません。数学的観点から見ても、通常、指標は対称的であるのが一般的です。では、なぜ非常に非対称な指標を求めるのでしょうか?通常、それは役に立たないのです…

Nicole Zint: では、予測精度とそのサプライチェーン最適化における役割について少し話しましょう。数学的な興味から見れば非常に興味深いテーマですが、これは表面的なものでしかありません。我々が触れているのはごく小さな問題ですが、その小さな問題だけで、対称的な指標に基づいた予測最適化プロセスから得られる本来の利益を完全に台無しにしてしまうほどの大きな影響力があるのです。つまり、私には、我々がこの問題を誤った視点で見ているだけでなく、そもそも取り組むべき問題自体を誤っているように感じられます。我々は需要の推測に集中しすぎて、在庫過多や在庫不足のコストについて考えておらず、実際に得られる利益から目を背けて、ただ需要を正確に当てることだけに専念してしまっているのです。

Joannes Vermorel: はい、より根本的に言えば、予測は単なる意見に過ぎません。理想的には、未来についての十分に考慮された意見、まあある程度正しい意見であるべきですが、結局のところ予測は未来への「教養ある意見」にすぎません。それ自体はサプライチェーンに何の影響も与えません。サプライチェーンに実際に影響を与えるのは、あなたが実際に行動することであり、例えば、ある商品に対してこのハイパーマーケットに追加で1単位投入するかどうかといった決定です。したがって、予測精度という観点で考えるとき、問題は「予測モデルの改善が、毎日すべての商品に対して適切なタイミングで正しい決定を下すという最終目標にどのように寄与するのか」という点に尽きます。これが欠けているリンクであり、通常、精度指標には全く反映されない部分です。だからこそ、サプライチェーンコミュニティで「サプライチェーンには20種類もの指標がある。この状況ではこれを使え、あの状況ではあれを使え」などと議論される際、そういった議論は核心を見誤っているのです。予測はあくまで意見に過ぎず、その意見と、その上で実際に下される意思決定という最終結果との結びつきが欠落しているのです。つまり、それぞれの決定がもたらす結果に注目できていないのです。

Nicole Zint: その通りです。しかし、大企業では依然として、予測の精度向上に特化した部門が存在します。そもそも、そのような部門が存在すべきなのでしょうか?

Joannes Vermorel: これは、以前のエピソードで簡単に触れたテーマ、つまりsilosや大企業内の部門分割の問題です。ご覧の通り、数値的な人工物を導入し始めると、その人工物は様々な形態をとり得ます。たとえば、ABC分類、安全在庫、予測など、すべてが数値的人工物です。あなたの倉庫には安全在庫なんて存在しません。作業在庫と安全在庫という二種類の在庫があるわけではなく、実際には在庫は一種類だけなのです。こうした数値的人工物を導入すると、それに対処するための専門家チームを社内に作りたくなる誘惑に駆られます。しかし問題は、それらは実体のないものであるという点です。やっているから、または業界の半分がやっているからといって、それが実態のあるものだと誤解してしまうかもしれませんが、実際はそうではないのです。安全在庫は実在せず、サービスレベルも実在せず、予測も、やり方がどうであれ…

Nicole Zint: では、ジョアンネス、数値的人工物というのは具体的に何を意味するのでしょうか?

Joannes Vermorel: つまり、それらは実体がなく、ある種の運用や意思決定を行うために作り出された数値的な人工物に過ぎません。ですから、大企業に目を向けると、常に作業量をどう分散させるかに苦慮しているのです。数値的人工物を導入したからといって、必ずしもそれに対応する専任のチームを設置するべきではありません。むしろ、これこそがサプライチェーンパフォーマンスを根本から損なう悪の一因だと言えるでしょう。

Nicole Zint: では、なぜそれが問題なのでしょうか?

Joannes Vermorel: もし予測の質を改善するだけの専門家チームを作り始めると、何が起こると思いますか?実際のところ、彼らは指標を選ぶことになるのです。なぜなら、指標がなければ業務を遂行できないからです。ですから、何か測定するものが必要で、その結果、指標に基づいて予測、すなわち実績と予測の絶対値を最適化しているように見えるのです。もちろん、完璧に正確な予測ができれば予測誤差はゼロになるため、誰もが「理にかなっている」と納得するでしょう。しかし、ハイパーマーケットの例で見たように、それは全く現実的でも合理的でもありません。これでは全く常軌を逸した結果を招く可能性があります。それでも、大企業であればその点に気付かないかもしれません。細部に問題が潜んでおり、多くの人がそれが全くでたらめで無意味なものであると気付かないのです。それにもかかわらず、専任チームができ、そのチームは自分たちのバブルの中で予測のみを生み出す存在になってしまい、実際の意思決定を行っているわけではないのです。

Nicole Zint: では、なぜそれが問題なのでしょうか?

Joannes Vermorel: 彼らの目標と指標に従えば、改善しているように見えます。様々なモデルを次々と生み出し、時間とともにそれらが改善されていくでしょう。季節性や宗教上の祝日など、数多くの要因を考慮に入れて、結果として指標上の予測は向上します。そして、時間の経過とともにより良いソフトウェアなども導入されるでしょう。しかし、これらは指標上での改善であり、会社の利益がドル単位で示されるという実質的な利益とは一致しません。したがって、予測が改善されてもサプライチェーンのパフォーマンスは向上しないのです。そしてまた、ある人たちは「なぜ?より良い予測ができるようになったのに、なぜ改善しないのか?」と言うでしょう。しかし、その人たちは、実際のドル単位の誤差改善に向けた具体的な取り組みをしていないのです。ご覧の通り、これが問題の本質です。何か似たようなことを行ったからといって、その類似した行動をした場合と同じ結果が得られるわけではありません。実際、ここで少し話が脱線しますが、第二次世界大戦中に太平洋の島々上空を飛行していた米軍機が、島に到着する兵士たちのために、食料、弾薬、その他の物資を投下したというカーゴ・カルトに関する逸話があり、Wikipediaでも調べることができます。

Nicole Zint: 実際、人々は、自分たちがある種の航空機(より多くの貨物を運ぶというもの)の出現を引き起こすための触媒として、新しい宗教の誕生の証人になっていることに気づいたとき、生身の人間であることに気づいたのです。ご覧のとおり、これは昔実際に役立った何かを表面的に模倣しようとすると起こる現象です。しかし、もはやその本質は伴っておらず、まさにそれは、実際に島で貨物の配送を再現しようとした結果として現れた「貨物の巻き毛」のようなものなのです。私は、これがほとんどの予測チームに起こっていることだと考えています。彼らは、単に指標を最適化することでより良いサプライチェーンのパフォーマンスを生み出そうとしているのです。数字があり、賢い人々がいて、プロセスがあっても、それだけで全体が本当に意味を持つわけではありません。そこで、ジョアンネス、最初は予測を行い、その精度をどんどん高めることに注力していましたが、Lokadの旅の中で、どのようにしてその方法が実際にはクライアントにとってより良いサプライチェーンをもたらしていないと気づいたのですか?

Joannes Vermorel: それがうまくいかなかったからです、単純に。では、どのようにして「うまくいっていなかった」と気づいたのか?それは難しい質問です。なぜなら、うまくいっていなかった時でさえ、Lokadは順調にクライアントを獲得し、成長し、なんとなく利益も上げていたからです。つまり、成長していて、利益を上げるソフトウェア会社であれば、一見良さそうに見える。しかし、クライアントにとってはうまくいっていなかったのです。そして、一歩引いて考えた時、私は自問しました。「本当にクライアントの状況を改善できたのだろうか?」指標を忘れ、ただ直感的な感覚で状況を眺めれば、本当に良くなっているのだろうかと。そして、実際には良くなっていなかったと気づき始めたのです。にもかかわらず、すべての指標はそう示していました。ただ、一歩指標の枠組みから離れて、冷静に私たちが行っていることが真に前向きな変化をもたらしているのか、もっと深い意味で評価しようとすると、そうではなかったのです。しかし、人々は「すべての指標では良好だ、目標は達成している」と言います。でもそれは、もしある指標を選んでその指標で最適化すれば、確かにその指標上では結果が改善されるというだけの話です。これこそが、数学的最適化や 機械学習 が実際に行うことなのです。指標を選び、数値的最適化を実施すれば、その指標上で改善が見られるでしょう。ご覧のとおり、これはある種の循環論法と言えます。つまり、指標を選び、その指標でよくなると何を期待できるのでしょうか?アルゴリズムが全くバグなく実行される限り、実際にその通りになるはずです。しかし、それは深いレベルで私たちが…

Nicole Zint: なぜあなたは早期キャンセルの方針を信じているのか、説明していただけますか?

Joannes Vermorel: 早期キャンセルです。ご存じの通り、ほとんどの競合他社は複数年契約を選びます。彼らは根本的にERPを通じて商品を販売し、その後、五年間のプロジェクトに乗り出すため、何か問題があることに気づかないのです。うまくいこうがいまいが、クライアントは既に多大な労力を注いでいるため、変更ができず、行き詰まってしまいます。まるで沈んだ車で遊んでいるかのようです。既に大きな投資をしてしまっているので、そのまま続けてしまう心理的な罠があるのです。五年後、超複雑なソリューションの展開に疲れ果て、すぐには変えられず、変えたくもなくなる。そして、ようやく変えようと決断した時、例えば8年目か10年目に、また別のRFP(提案依頼)のプロセスに入るわけです。つまり、この時点でクライアントを失っても、「予測に何か問題があったのではなく、技術が進化し、競合他社がその特定のクライアントで先行したため、再びクライアントを獲得できなかった」だけの話です。しかし、実際、あなたが何か有益なことをしているのか、あるいは予測が本当にクライアントにとって価値あるものとなっているのかという点との関連は非常に薄いのです。サプライチェーンディレクターが、どんなKPIが示されていようと、直感的に「価値が提供されていない」と感じた瞬間、あなたのプロジェクトは終わりです。ですから、フィードバックループは、私が言うなら、はるかに厳格になっているのです。

Nicole Zint: 単なる予測と比べて、現在の製品がどのように進化したのか教えていただけますか?

Joannes Vermorel: 私たちは、予測精度に関しては、既定の予測精度、すなわち特定の指標に基づいて最適化すること自体が問題ではないと気づきました。どの指標を選んでも、数多くの問題が生じるのです。これ自体が本質的な問題ではありません。そして、もしツールが適切であれば、ひとつの指標を選び、その指標に対して最適化すればそれで終わりとなります。これは非常に明快です。もちろん、さらに単純化することも可能ですが、基本的にはこれが道筋です。では、私たちは現時点で最適化を行っているのでしょうか?調整をしているのでしょうか?さて、問題はこうです。私たちが開発したツールは、あなたの会社に必要な精度指標、つまりその指標を見出すために不可欠なのです。最初は、あらかじめ決められた指標の集合を前提にして、それに沿って最適化すればうまくいくという考えで始めた旅でした。しかし、実際はそう単純ではなく、初めに思っていた以上に深刻な問題に直面したのです。より良い指標を特定するという話ではありません。確かに、わずかに優れている指標も存在します。例えば、このハイパーマーケットの状況に戻ると、仮に ピンボール損失関数 を使った場合、非常に非対称な設定が可能で、任意に非対称にできるのです。確率的予測に移行すれば、わずかに良い結果が得られるかもしれません。さらに、確率的予測専用の指標である クロスエントロピー や、連続ランク確率スコアなどもあります。ですから、わずかに優れた指標はあるにせよ、本質的な差はほとんどないということです。問題は、現実の状況に直面すると…

Nicole Zint: ジョアンネス、ここ10年で起こったサプライチェーン最適化のパラダイムシフトについてお話しいただけますか?

Joannes Vermorel: もちろんです。ご覧のとおり、これは過去10年の間に私たちが経験しなければならなかったパラダイムシフトの一例です。現在、私たちが持っているツールは、サプライチェーン-サイエンティストが何を見出すべきかという問いに文字通り答えています。私たちはデータを解析し、社内のサプライチェーンの専門家と共に、どのような精度指標が適切かを議論します。そして、その指標は、数学的な指標が持つ数値的な優雅さを欠いていることに気づくでしょう。なぜなら、あなたが運営するビジネス固有の多くの要因や限界例、特殊な状況が数多く存在するからです。たとえば、高級品を扱う場合は、生鮮食品や航空宇宙とは全く異なります。つまり、非常に特定の会社においてのみ意味を持つ多くの特殊なケースがあるのです。しかし、それにもかかわらず、最終的に常識外れでない結果や意思決定を導くためには、これらの特殊なケースが決定的に重要なのです。私たちが本当に追求しているのは、まさにそのサプライチェーン上の正確な意思決定です。そう、それこそが最終目標であり、それこそが、途中で生み出されるすべての数値的成果物の価値を測る方法なのです。

Nicole Zint: 「数値的成果物」とはどういう意味か、ご説明いただけますか?

Joannes Vermorel: もちろんです。独自の予測精度のマトリクスで評価される予測は、数値的成果物の一形態に過ぎません。プロセスの途中には、通常、さらに多数の数値的成果物が存在します。そこで、私たちは予測精度の向上に注力することから、利益最大化あるいはサプライチェーンパフォーマンスの最大化という、より重要なサプライチェーン上の意思決定を見出す方向へとシフトしたのです。

Nicole Zint: では、サプライチェーンを最適化したい企業に対して、あなたのアドバイスは何ですか?

Joannes Vermorel: 私のアドバイスは、ERPに眠るデータの解釈から生産指示の最終生成、在庫-補充-定義の注文、購買注文、在庫移動、価格変動に至るまで、すべてを一人が責任を持って統括していなければ、サプライチェーンの最適化は始まっていないということです。もし、この全体のチェーンをエンドツーエンドで責任を持つ人がいなければ、いくら予測を改善しようとする努力をしても、それはただの幻想にすぎません。インセンティブが一致していなければ、その人たちは企業にとって無意味な行動をとってしまいます。チェスをしていると想像してください。私があなたに、「あなたはナイトで、目標はナイトを最後まで盤上に残すことだ」と言ったとします。ところが、あなたが実際にナイトを操り、タワーとしてプレイしているとしたら、そして私がクイーンとしてプレイしているとしたら、果たして勝利する可能性があると思いますか?

Nicole Zint: そしてあなたの目標は生き残ることです。生き残ることです。そうすることで、対戦相手に勝つ可能性のある全体のゲームを展開できると思いますか?

Joannes Vermorel: いいえ、そうではありません。ご存じの通り、それは誤解を招くものです。たとえ「これまでプレイしたゲームの99%でナイトを使い、ナイトが最後まで盤上に残っていた」と言ったとしても、結果的には全てのゲームにおいて敗北しているのです。

Nicole Zint: これは良いのですが、このゲームは…

Joannes Vermorel: これが誤解を招く指標の問題点です。表面上は非常に合理的に見えますが、実際の核心は極めて非合理的なのです。そして、多くの大企業が採用しているこの種の予測手法や予測部門は、完全に非合理的だと私は考えています。確かに、それらの部門は善を望むエンジニアで溢れており、彼らも馬鹿ではなく、上司や上層部の人々も馬鹿ではなく、善を目指しているのです。ですから、問題は解雇すべき人がいるということではなく、むしろ最悪の仕組みであり、生産性に逆効果を及ぼしているということなのです。

Nicole Zint: まさにその通りです。設計上から壊れており、決して成果を上げることはできません。

Joannes Vermorel: ですから、私のアドバイスは、この全体を統括する一人の責任者を必ず配置することです。この責任者はいくら同僚がいても構いませんが、最終的な意思決定に繋がる一貫した体制が必要なのです。つまり、モノリシックな最適化を行うべきであり、このプロセスを細分化してはいけません。

Nicole Zint: ジョアンネス、本日はこのテーマについてどうもありがとうございました。本当に考えさせられる内容でした。ご視聴いただき、次回もお会いしましょう。

Joannes Vermorel: ありがとうございます。