00:50 はじめに
02:22 クロード・ベルナールの本
11:19 これまでの経緯
13:39 サプライチェーン実験？
19:21 実験的手法：ケーススタディとは対照的に
20:50 大物について
28:14 タブーについて
35:05 就職見通しについて
37:51 偽中立性について
42:59 ベンダーについて
45:57 実験的手法：ペルソナを支持して
46:54 フィクション 対 現実
52:19 サプライチェーンのペルソナの作成
55:26 除外基準
01:02:33 問題 対 解決, 1/3
01:08:53 問題 対 解決, 2/3
01:11:41 問題 対 解決, 3/3
01:16:13 今後のペルソナ
01:17:06 結論
01:18:29 今後の講義と聴衆からの質問
概要
サプライチェーンの「ペルソナ」とは架空の企業です。しかし、企業は架空である一方で、このフィクションはサプライチェーンの視点から注目すべき点を明示するために設計されています。ただし、このペルソナはsプライチェーンの課題を単純化するために理想化されているわけではありません。むしろ、その意図は、状況の中で最も困難な側面、すなわち定量的モデリングやサプライチェーン改善のための試みに対して最も頑なに抵抗する側面を拡大することにあります。
サプライチェーンにおいて、特定の関係者の名前が挙がるケーススタディは深刻な利益相反の問題を抱えています。企業やその支援を行うベンダー（ソフトウェア、コンサルティングなど）は、成果をポジティブに提示することで利害関係を有しています。さらに、実際のサプライチェーンは、その実行の質とは無関係な偶発的な条件によって損なわれたり、恩恵を受けたりすることがよくあります。サプライチェーンのペルソナは、これらの問題に対する方法論的な解決策です。
全文書き起こし
皆さん、こんにちは。本シリーズのサプライチェーン講義へようこそ。私はジョアンネス・ヴェルモレルと申します。本日は「サプライチェーンのペルソナ」についてご講義いたします。ライブでご参加の皆様は、YouTubeチャットを通じていつでもご質問いただけます。ただし、講義中に質問を読み上げることはいたしません。講義の最後に、可能な限り、挙がった質問にお答えするためにチャットに戻ります。
本日のテーマは、サプライチェーンの研究を科学として高めることができるかどうかという点です。サプライチェーンはそもそもビジネスであり実践であるという反論があるかもしれません。確かにその通りですが、問題はサプライチェーン管理を改善できるかどうか、そしてもしできるならば、それを体系的で信頼性が高く、ある程度制御された方法で行うことが可能かどうかです。私は、それが私たちの知識に適用される一種の科学的方法によってのみ実現可能であると信じています。
改善をもたらすためには、知識が必要であり、しかもその知識は高品質でなければなりません。高品質とはどういう意味でしょうか？それは、現代において科学的知識の特徴とされるものによって特徴づけられる知識のことです。もし私たちが持っているものが直感だけであれば、サプライチェーンに体系的に何かをもたらすという期待は大いに制限されてしまいます。科学的方法は非常に重要であり、サプライチェーンの研究を科学として高めることは極めて重要です。しかし、そこで問われるのは、科学とは何か、そして科学的方法とは何かという点です。
私は、1865年にクロード・ベルナールによって出版された『実験医学の研究入門』という一冊の本が、科学史における絶対的な画期的存在であると考えています。当時非常に有名な研究者であったクロード・ベルナールは、今日でも多くの人々から現代医学の父の一人、もしくは父そのものであると見なされています。彼はある病気のために隠遁生活に入り、生涯にわたる知識追求について思索しました。そして、自らがどのように取り組み、どのような手法を用いて数々の発見を成し遂げたのかという考えを記録し始めたのです。
これは非常に魅力的な本です。小説のように読みやすく、非常に驚くべきことです。ニュートンの『プリンキピア・マテマティカ』のように、読むのがほとんど耐え難いものとは全く異なります。この本は、少なくともフランス語版においては非常に平易に読めます。英語版については存じ上げませんが、良い翻訳が存在することを期待しています。クロード・ベルナールは、明快で簡潔な表現で科学と科学的方法について多くの手がかりを示しており、サプライチェーンにとっても非常に啓蒙的な内容となっています。
ちなみに、この本のタイトルは医学中心のように見えますが、クロード・ベルナールが記述した内容のほとんどは医学に特化したものではありません。この本は医学をはるかに超える多くの他の科学にも深い影響を与えました。なぜそうなのかを理解するためには、19世紀にクロード・ベルナールが、医学が少なくとも部分的には科学になるべきだという考えに完全に反対する相手と戦っていたことを理解しなければなりません。実際、医学の研究は、サプライチェーンにとっても極めて重要な二つの課題に直面していると私は考えています。
第一の課題は、生物は非常にかつ不可分なほど複雑であることです。生体がある場合、分割統治のアプローチを適用することはできません。なぜなら、それを解体して研究すると、生体は死んでしまい、生きていないものしか残らなくなるからです。これは、研究しようとしている本質を完全に見失うことになります。この不可分の複雑性、すなわち容易に分解できないほど非常に複雑なものは、サプライチェーンにも当てはまります。サプライヤー、工場、倉庫、流通センター、店舗から成るサプライチェーンでは、いずれかの要素を取り除くと、サプライチェーンとして機能せず、意味さえなくなってしまいます。したがって、サプライチェーンにもこの種の不可分の複雑性が非常に当てはまるのです。
第二の大きな課題は、生物は本質的に複雑に絡み合ったシステムであるということです。局所的な小さな変化を加えると、それが全体の生体に影響を及ぼす可能性が高いのです。たとえば、非常に局所的に毒を注射しても、その毒は実際に注射した部分だけでなく、生体全体に影響を与えるでしょう。これは、前回の講義で述べたように、サプライチェーンにおけるほとんどの局所最適化がネットワークのどこかで問題を単に転位させるにすぎないという点で、サプライチェーンにも大いに共鳴する概念です。つまり、これら二つの問題が存在します。そして当時、クロード・ベルナールは、これらの問題のために医学は不可分であり、一般的な科学のようなものに還元できないと主張する反対者と対峙していたのです。クロード・ベルナールは他の多くの人々や後続の人々とともに、この見解が全くの誤りであることを証明しました。しかし、この課題が未だに存在しているのは興味深いことであり、サプライチェーンに関しても、150年後の今、依然としてこの段階にあると私は信じています。
さて、クロード・ベルナールがまずもたらしたものを理解するためには、それが実験の考え方であるということです。彼は自身の著書で、私たちの知識は感情、理性、実験の三段階を経るという考えを提唱しています。科学的方法は、宇宙についてのある種の先入観的な考えを与える感情、すなわち意思の火花から始まるという考え方です。この感情を通じて、非常に非合理的で科学的な要素を持たないものであっても、何事も始めることができるのです。これがなければ、後の工程を引き起こす初動の衝動が得られません。この知識体系の初期化は感情であり、その後に理性が続きます。理性は、その考えに形状、構造、および方向性を与え、行動を開始できるようにします。この段階では、一つの考えが存在しているものの、それが真か偽かは明らかではなく、ただ存在しているだけですが、最初の感情段階よりは明確な構造を持っています。
理性を通じて、実験の第一段階を構築することができます。つまり、理性によって、自分の考えを検証にかけるということです。宇宙に対する先入観的な考えを持ち、それを試すための実験を行うのです。興味深いのは、その考えを信じる必要があるという点です。そうでなければ、実際に実験を実施するために必要なすべての努力と時間を注ぐことはできません。科学的方法は先入観を排除することではありません。まったくそのようなことはありません。行動を導く先入観的な考えが必要なのです。
その後、実験を行い、結果を観察し、その観察結果に自分の考えを支配させるのです。先入観的な考えを持ち、実験を実施し、実験が終わったら、観察によって得られたものに考えを委ねることで、知識が確立されます。実験科学の深遠な考えの一つは、私たちの内側に知識は存在しないということです。我々は感情や生得的な理性の能力を持っていますが、存在するすべての知識は我々の外にあるのです。現在では自明であっても、19世紀には全く自明ではありませんでした。サプライチェーンに関しても、皆がこの点で私と一致しているとは言い切れません。実験科学を持つという考えは、宇宙から知識を構築し抽出することであり、そのための基本的なステップは一連の実験なのです。
前回の講義で、本シリーズの第一章である序章を締めくくりました。序章では、そもそもサプライチェーンにどのように取り組むべきかという私の考えを示しました。第一講義では、サプライチェーンを「選択肢の支配」と定義しました。また、問題に取り組む私の方法を垣間見せるため、質的および量的な見解の両方を提示しました。今回の講義では、第二章である方法論を開始します。サプライチェーンを改善したいのであれば、それに行動を導く知識が必要です。改善を確実に行い、高い制御性を期待できる信頼性のある方法を持つためには、その知識がしっかりとした基盤に基づいていなければなりません。私は、科学的方法に類似した何かが必要だと信じています。ここで科学的方法と言うと、実際には「科学的方法」というものは存在しないのですが、この用語を便宜的に用いています。実際、方法には幅広い種類があり、クロード・ベルナールはその著書で一連の方法を提示しています。ベルナールは、科学がより良い理論だけでなく、より良い方法を通じて進歩することも示しました。課題は単にサプライチェーンについてもっと知ることだけでなく、サプライチェーン研究という分野と現実世界の出来事を結びつけ、我々の外にある情報を活用して、より良い知識をより速く、より信頼性高く、そしてより正確に生成するのに優れた方法で基盤を確立することにあります。
研究分野に現実味をもたらす方法は通常、実験を通じて行われます。しかし、サプライチェーンの場合、いくつかの理由からサプライチェーン実験は非常に複雑であるようです。ここで、その理由を簡単にご紹介しましょう。
最初の理由は機密性です。前回の講義で見たように、サプライチェーンは直接観察することはできず、間接的にしか観察できません。サプライチェーンで観察できるのは、電子記録が、企業ソフトウェアによって収集・蓄積されたもののみです。このように、企業ソフトウェアが収集した記録やデータセットを通じてサプライチェーンを観察することになります。問題は、企業がこれらのデータセットを共有する意向がなく、その理由には非常に正当な理由があるという点です。まず、これは競争上の優位性であり、むしろ、もしこれらのデータを公開してしまえば、競合他社がそのデータにアクセスできることで、競争上の不利な状況に陥る可能性があるのです。
しかし、それが唯一の理由ではありません。プライバシーや機密性など、データを共有しない正当な理由もあります。たとえば、欧州では現在、GDPRという規則が存在します。GDPRが良いのか悪いのかについては議論しませんが、企業がたとえデータを共有する意向を持ったとしても、違法行為にあたるリスクがあることを指摘しているに過ぎません。逸話的な例として、昨年ウォルマートから取得された売上データを基にM5予測コンペティションが行われました。私の知る限り、これはサプライチェーン実験に関連する公開された中で最大かつ最も包括的なデータセットでした。問題の規模を示すために言えば、このデータセットは単一店舗のごく一部の製品の売上データに過ぎませんでした。ウォルマートは1万店以上を展開する巨大企業であり、Kaggleでのコンペティションにおけるデータセットは、店舗全体のデータさえも含んでいなかったのです。実際には店舗のごく一部であり、基本的には売上履歴―数量や価格の売上の履歴―が含まれていました。さらに悪いことに、データ抽出パイプラインに関するエンジニアリング上の問題により、価格で構成されたデータセットの半分が、コンペティションの目的において利用可能でなかったことが判明しました。コンペティションでトップ10に入ったどの勝利チームも、このデータを活用することができませんでした。これにより、このテーマについて公に情報発信することがいかに困難であるかが伺えますが、これが唯一の問題ではありません。
また、再現性の問題も抱えています。例えば、2020年1月にLokadの複数のクライアントと話をした際、彼らの事業におけるeコマースの割合は全体の約30％でした。しかし、2021年1月までにそれは60％にまで増加していました。明らかに、パンデミックの1年があり、これまでに前例のない出来事がいくつか起こり、多くの産業の情勢を完全にそしておそらく永久に変えてしまったのです。再現性が実験科学の核心であるため、これは重大な問題です。しかし、サプライチェーンにおいて何かを行い、それを再現しようとすると、数年後には状況が大きく変わっており、何も再現できる見込みがなくなるかもしれません。これが、我々が直面しているもう一つの大きな問題の一例です。
さらに、費用と遅延の問題もあります。経験則として、サプライチェーン実験はその企業の特徴的なリードタイムの少なくとも2倍の期間でなければなりません。多くの産業や業界では、特徴的なリードタイムは約3か月であり、サプライチェーン実験の特徴的な遅延は6か月以上になることを意味します。これは非常に長い期間であり、実験医学などの実験科学が、代謝が速く再生産速度が早いマウスを実験に利用する理由にも十分な根拠があります。医学においても時間は重要であり、サプライチェーンでもほぼ同様なのです。しかし、実験の特徴的な期間は非常に長いのです。
さらに、先に論じた非局所的な要素もあります。これは、すべてがネットワーク効果に依存しているため、小規模かつ低コストの実験を行うのが困難な理由です。一箇所で何かを実施して結果を期待することはできません。経験則として、サプライチェーンにおいて局所的な実験からは何も結論を導くことができないのです。
明らかに、私だけがこの一連の大きな問題に気づいているわけではなく、サプライチェーンが素朴な実験的アプローチに抵抗することも既に知られています。その結果、サプライチェーンに関する多くの研究は、サプライチェーン実験の代替手段であるケーススタディに頼ることになります。考え方はシンプルです。サプライチェーンという学問分野と現実世界を結びつけ、理論に現実のエッセンスを注入したいのです。これがケーススタディの主旨です。本日皆さんに提案したいのは、ケーススタディは美化されたインフォマーシャルに過ぎず、この形式で伝えられる知識の量を評価するならば、私の答えはほぼゼロだということです。しかし、すべてが失われたわけではなく、他の代替手段も存在します。そこで、私はサプライチェーンの担当者を紹介することにします。ケーススタディが蔓延している現状では、なぜそれが単純に機能せず、機能し得ず、残念ながら決して機能しないのかをまず理解しなければなりません。
ケーススタディとは、ある企業、ある問題、そしてケーススタディ開始前に存在する既存のソリューション、さらに新たでより優れたソリューションという流れで構成されます。ケーススタディはこれらすべてを記述し、新しい、いわばより優れたソリューションが企業にもたらす利益を定量化します。私が最も問題だと感じるのは、ケーススタディを見たり、それについて議論したりする際に、実際に支配的なのはケーススタディに記載される数値ではなく、そのケーススタディの対象となる企業の名前そのものであるという点です。そこには、巨大な権威の光輪が働いているのです。
例えば、技術大手であるGoogleから発信されるサプライチェーンのケーススタディを想像してみてください。Googleは、世界中に分散されたデータセンターの運用を支えるために必要なコンピューティングハードウェアの管理だけでも相当大規模なサプライチェーンを所有しています。このケーススタディが、Googleで開発された特定のサプライチェーン手法の優位性を示すとしたら、当然ながら非常に重要視されるでしょう。しかし、Googleの成功はサプライチェーンに起因するものではありません。Googleは非常に成功した企業ですが、その成功はサプライチェーンの運用方法から生じたものではないのです。もしそのようなケーススタディを見たなら、その重みは非常に大きく、私はそれを不当に重視しすぎていると言いたいです。Googleが多くの超優秀なエンジニアを雇い、さまざまな分野でソフトウェア工学の最先端を再定義してきたからといって、その手法が彼らのあらゆる活動、特にサプライチェーンのような支援機能に自動的に転用されるとは限らないのです。
これは興味深い点です。なぜなら、著名な実験医学の入門書『実験医学の研究序説』において、クロード・ベルナールは科学的方法の不可欠な要素として、権威の排除を最初に提示しているからです。20世紀半ば、彼は当時の医学の最大の問題は、ほとんどが権威論に依存していたことであると述べました。人々は、ただ大きな名前や、社会的に重みのある人物が理論を支持しているからという理由だけで、何かを真実だと信じるのです。これは誤りです。クロード・ベルナールの急進的な主張は、科学においては実験で直接得られた結果以外のすべての権威を排除すべきだということです。科学的な真実の究極かつ唯一の権威は、実験、言い換えれば現実そのものであるべきなのです。
ケーススタディに目を向けると、いたるところで権威の問題が見受けられます。この点を強調するために、私は4つの著名な企業を挙げます。これらの企業はすべて広く認識され、非常に成功しており、その歴史の中で全くもって壮大なサプライチェーンの失敗を経験しています。これらの失敗は、傲慢、貪欲、怠惰、無知、その他さまざまな問題が狂ったように組み合わさった結果です。例を挙げると、Nikeは2004年に、ソフトウェアベンダーを用いてサプライチェーンを改善しようとした結果、誤った試みで4億ドルの損失を被りました。Lidlは2018年に、別の大手サプライチェーンベンダーとの取引で5億ユーロの損失を出しました。これらの数字は実際の費用のごく一部に過ぎず、金銭的損失は壮大な失敗の一側面に過ぎません。経営陣は何年にもわたって注意散漫となり、Lidlの場合はほぼ10年に及びました。これらの失敗による機会損失は計り知れないほど巨大です。
これらの企業が全てにおいて正しいことばかりを行っているとは言っていません。彼らは実に卓越しており、壮大なサプライチェーンの失敗を乗り越えてきたことで、その手法が非常に優れていることが証明されています。さもなければ、倒産していたことでしょう。しかし、私が強調したいのは、企業の名前や評判、そして素晴らしい成功があるからといって、そのサプライチェーンの実践の質について何かを推測できるわけではないという点です。これが私の主たる批判点であり、クロード・ベルナールが述べたように、権威に依存するすべての仕組みを根本的に拒絶しなければならないのです。サプライチェーン研究の分野においても同様です。
しかし、もう一つの問題があり、それはタブー視されている点です。実際の統計データに頼らず直感的に言えば、公開されたケーススタディの99％が成功例を示しています。問題、既存のソリューション、新しいソリューションが提示され、その新しいソリューションがポジティブな結果をもたらすとされています。しかし、私は10年以上にわたり100人以上のサプライチェーンディレクターと議論してきた経験から、サプライチェーンにおける取り組みの大部分は失敗しているという印象を受けています。通常、その失敗は先に例示したような壮大なものではなくとも、各所で発生しており、ほとんどの取り組みは失敗に終わっています。もし、ある企業が体系的かつ確実にサプライチェーンを改善し、その手法を10年以上にわたって何度も適用していたなら、その企業は競合他社を圧倒していたでしょう。それはAmazonの物語のようなものです。しかし、話はそれだけではありません。
タブーという観点に戻ると、ケーススタディが示す圧倒的な成功例と、実際の現場におけるサプライチェーン体験の圧倒的な失敗例との間には明らかな乖離があると私は考えています。これは、失敗が大部分でタブー視されているという事実で簡単に説明できます。2016年にジョー・カスタルドによって発表された「The Last Days of Target」という素晴らしい記事があり、そこではTarget Canadaについて語られています。北米の小売チェーンであるTargetはカナダ進出を試み、この事業に50億ドル以上を投資しましたが、すべてが完全な惨事に終わりました。巨額の損失を抱えて事業を停止し、その根本には長期にわたる過酷なサプライチェーンの問題がありました。本質的には、これは一連の巨大なサプライチェーンの失敗そのものだったのです。
おもしろいことに、ジョー・カスタルドはジャーナリズムの視点からこの問題を見事に描写しています。その結果、誰もが好意的に見ているわけではありません。この物語は、傲慢、虚栄、愚かさ、無知、そして希望的観測が狂ったように組み合わさった様相を示しています。非常に高給の経営者たちが、サプライチェーン分析に関して全くの無知なベンダーに後押しされながら、連続して極めて馬鹿げた決断を下していく様子が見て取れます。そしてすべてが非常に壮大な形で破綻していくのです。このような物語を公開するには相当な勇気が必要です。私自身はジョー・カスタルドを個人的に知らないのですが、そのような物語を公表する考えには恐怖を感じるでしょう。なぜなら、Targetおよび名前すら発音できないソフトウェアベンダーの弁護士が、この物語を語る者すべてを訴える可能性が極めて高いからです。タブーのために、文字通り語ることのできない事柄が数多く存在するのです。これが、ケーススタディが良い結果だけを反映し、甚大な生存者バイアスを生む巨大な偏りの原因だと私は考えています。これが新たな問題か？全くその通りではありません。
著名な科学者クロード・ベルナールの著書に目を向けると、彼は生体解剖、すなわち生きた動物の解剖を広範に利用したことで有名になりました。彼の著書では、その方法は卑劣で残酷、無慈悲で、いやらしいと述べつつも、現代医学にとっては不可欠であると主張しています。彼の発見により当時は正しかったと証明されただけでなく、150年後の今日においても、生体解剖が現代医学の進歩の確立に極めて基本的な役割を果たしたことは疑いの余地がありません。
科学とは、私たちを快適に感じさせるものについてのものではありません。しばしば、優れた科学はむしろ私たちを最も不快にさせる事象に目を向けます。直感的に言えば、私たちは自分たちが快適と感じる分野を見ることに臆することはないので、そこでは直感がかなり頼りになるはずです。しかし、違和感や嫌悪感を抱く分野こそ、直感的に見過ごしがちな領域なのです。だからこそ、偏見に全く汚されない、より慎重かつ公平に現実を検証するための科学的方法が必要なのです。
タブーに関する結論として、ケーススタディはしばしば問題を逆の方向から捉えます。彼らはポジティブな結果を見る傾向が強く、ネガティブな結果を排除してしまうのです。しかし、これで物語は終わりではありません。
ケーススタディに関わる人々が結果を誇張する傾向があると考えるのは十分な理由があるでしょうか？私の提案は、はい、絶対にその通りだということです。その理由は容易に想像がつきます。
もしあなたが経営者で、ケーススタディに参加して企業のために何百万ドルもの節約を実現するという驚異的な成功を収めたと主張すれば、それはあなたの履歴書に非常に良い印象を与えます。それにより、同じ企業内でも他社においても、より大きなポジションを得る見込みが向上するでしょう。大企業で働いたことのある人なら、企業のために大きな貢献をするだけでなく、自分の成果を周知させることの重要性をよく知っています。ケーススタディに関与する者には、利益を正当化する数値を作り出すという点で、極めて大きな利害の衝突が存在します。革新的な手法、技術、またはプロセスによって生み出された利益を、単に会計書類を見るだけで導き出すのはごく稀です。通常はもっと間接的に、数値を再処理し、利益を意味ある形にまとめ、多くの仮定を立てる必要があります。これは非常に主観的になりかねず、関与者に重大な利害の衝突がある場合、結果が歪められることは明らかです。この利害の衝突は、ポジティブな結果を誇張する原因となり得ます。
この問題に対処するために、中立的な第三者を関与させ、客観的な意見を提供し、すべてが公平に進められるようにする場合もあります。中立的な第三者には主に市場調査会社と学術研究者の2種類があります。しかし、私はこれらの者が決して中立的ではないと考えています。
市場調査会社は、市場の調査、ソリューションの相対的な強みと弱みの評価、そして研究結果をレポートとしてソリューションを求める企業に販売する業務を行っています。これらの企業はレポートを購入することで、専門家が提供する市場の客観的な見解を得て、最適なベンダーを選ぶことができます。しかし実際には、私が知る大手市場調査会社はレポートの販売で利益を上げているわけではなく、その主要な収益はソリューションベンダーに対して提供するコンサルティングおよびコーチングサービスから得られているのです。これにより、これらの会社はソリューションを求める企業ではなく、コンサルティングサービスに対して支払いを行っている技術ベンダーのために最善の行動を取ろうとする立場に置かれてしまいます。
結果として、このいわゆる中立的な第三者は実際には非常に大きな利害対立を抱えており、既存の偏見に自らのバイアスを加えることで問題をさらに悪化させる可能性があります。学術研究者に目を向けると、彼ら自身にも多くの利害の対立があります。学界においては「パブリッシュ・オア・ペリッシュ」という現実があり、特にサプライチェーンにおいて遭遇しがちなネガティブなケーススタディは、壮大な災害というよりもむしろ小規模で失望させる失敗であることが多いです。学術研究者にとっては、ポジティブな結果を示す方が発表しやすいため、非常に都合が良いのです。
不正な結果を発表することは、学術研究者のキャリアを台無しにする可能性があると主張する人もいますが、サプライチェーンのケーススタディにおいては、誰もその結果を論破することはないと研究者は安心できます。サプライチェーンで実験を行うのは極めて困難であり、誤って発表されたものを論破するのはさらに困難です。過去のケーススタディが間違っていたり、結果が著しく誇張されていたと証明するのはほぼ不可能でしょう。これは研究者が不正であるというわけではなく、明確な利害の衝突を抱えており、正直な研究者と不正な研究者とを観察者が区別するのは不可能であるという現実を示しています。経験則として、第三者が関与するケーススタディは、関与しない場合よりも偏りがかかることが多く、これは非常に驚くべきことです.
さて、ケーススタディ・シリーズを締めくくるにあたり、ベンダーに注目してみましょう。人々はしばしば、ベンダーは嘘をつくべきではないと考えますが、これは必ずしも正確ではありません。古代ローマ人によって提唱された「ドルス・ボーナス」、すなわち「善意の嘘」として知られる概念があります.
この概念を理解するために、マーケットで卵を販売する商人を想像してみてください。その商人は、卵があなたが今まで食べた中で最高であり、一ヶ月間あなたを幸せにするという途方もない主張をします。明らかに、その主張が真実である可能性は全くありません。ローマ人は問いかけました―この嘘つき商人に対して、何か手を打つべきか？ 彼を刑務所に送るか、罰金を科すべきか？ 答えは「いいえ」でした。つまり全く問題ないのです。この「ドルス・ボーナス」という概念は、もしあなたが商人であれば、販売している物について嘘をつくことが性分であると示唆しているのです。限界はあるものの、法律はベンダーがそのような行動をとることを認めており、たとえ馬鹿げた方法であっても、製品を好意的に見せようとする彼らを非難すべきではないのです。これが市場の仕組みなのです.
たとえベンダーが法的な細則を意識していなくても、直感的にそれを理解しており、その結果、費用と時間を要するケーススタディ、つまり洗練されたインフォマーシャルが生み出される傾向があります。広告は社会で一定の役割を果たしていますが、過大に賞賛された広告が知識を伝達する手段となり得るという考えは誤りです。設計上、ケーススタディはその目的のために活用されるものではありません.
では、ケーススタディが完全に無効であるとすれば、私たちの手元に残るものは何でしょうか？ 私たちは、同じ問題を抱えない代替手法を見つける必要があります。そこで登場するのがサプライチェーン・ナラティブです。サプライチェーン・ナラティブの目的は、問題点や解決すべき事柄に焦点をあて、サプライチェーンの実践者や研究者の間で知識を共有するために、問題を記述することにあります.
まずはじめに、とても興味深い本について議論しましょう。『フェニックス・プロジェクト』という小説です。科学の画期的な作品とは言えないかもしれませんが、ITディレクターの視点から語られる架空の企業についての楽しい読み物です。物語のほとんどの出来事は、複雑に絡み合うサプライチェーンと企業向けソフトウェアの問題の連続で構成されています。この物語は、企業が直面する苦闘と、それらの問題を解決するために人々がどのような行動を取るのかを描いています。驚くべきことに、この完全なフィクション作品は、ジョー・カステロが手がけた否定的なケーススタディを除けば、大多数のケーススタディ以上に、多くの読者の共感を呼んでいるのです.
この一見したパラドックスは、著者らが踏み出した第一歩を考慮すれば、実はパラドックスではないかもしれません。彼らは、物語を架空の企業についてにすることで、よく知られた企業に紐付くケーススタディに伴う名前や権威に起因するすべての問題を排除しました。フィクション作品を創作することで、実在の企業に付随する権威の魅力を取り除いたのです.
第二に、タブーという観点から、架空の企業は著者が物語の多くの興味深い側面を探求することを可能にしました。ほとんどの登場人物は限界があり、欠点を持ち、苦闘し、ときには愚かなミスを犯し、また、時には企業に実際の害を及ぼすほど自己中心的になることもあります。彼らは、企業の利益とは全くかけ離れた方法で非常に貪欲になります。あるキャラクターが同僚に対して嘘をつく様子も見受けられます。実在の人物を用いたケーススタディでこの物語を書くことは、不可能であり、長期にわたる訴訟を引き起こす結果となるでしょう.
しかし、この小説を科学的な作品と呼ぶことができるでしょうか？ いいえ、その理由は明快です。この小説は、企業向けソフトウェアの開発と保守に取り組むための哲学であるDevOpsを推進するための提唱文書なのです。著者たちは、架空の企業において、巨大な苦闘に直面しながらも徐々にその課題を克服し、最終的にDevOps哲学の核心原則を再発見する一群のキャラクターたちの物語を語っています。この本は非常に強い主張を伴っており、著者たちはそれを隠すことなく、積極的にDevOpsの推進を訴えています.
私の主な批判は、ケーススタディと同様に完全な利害の衝突という問題を抱えている点です。著者たちは偶然にも、企業にDevOpsの実践を導入するためのコンサルティングサービスを提供しているコンサルタントなのです。物語の中で、すべてが信頼性のある方法で解決され、最終的にその手法のおかげで企業が莫大な利益を上げるハッピーエンドが描かれていることは、決して客観的なものではありません.
サプライチェーン・ナラティブの考え方は、架空の企業から始めるものの、問題にのみ徹底的に焦点を合わせることにあります。権威の問題やタブーを回避するために、架空の企業を創造して問題に取り組むのです。しかし、解決策の記述を含めると、長期にわたる利害の衝突を招くため、物語には解決策の部分を含めたくありません。私たちは問題の側面に専念し、解決策の側面は脇に追いやるのです.
このルールには、控えめな例外が存在するかもしれません。というのも、ある問題が重要であると正当化するためには、解決策の直感的理解を示す必要がある場合があるからです。解決策の直感がなければ、その問題は全く不可能に思えてしまうのです。いくつかの課題が対処不可能であるために興味深くないという反論を避けるためには、少なくとも一つの解決策が存在するという微かな示唆を提示する必要があるかもしれません。私たちはそれが優れた解決策であると主張するのではなく、単に解決策が存在するという事実を示しているのです.
サプライチェーン・ナラティブの目的は、現実と実体験をサプライチェーン管理の分野に注入することにあります。このフォーマットが、仲間のサプライチェーン実践者や研究者へ知識を伝えるための適切な手段となり、さらにはその複雑さ故の大きな挑戦であるサプライチェーンについて、自分たちで論理的に考察する助けとなることを望んでいます。全体を理解しやすく、信頼性のあるものにするためには、背景や文脈が必要です。私たちは、物語で提示される問題の関連性を拡大したいのです.
しかし、架空の企業を設定し、サプライチェーンに影響を与えるすべての問題を列挙したところで、それを科学と呼ぶことができるでしょうか？ 絶対にできません.
問題は、物語の有効性を容易に否定できるようにしなければならない点にあります。ケーススタディでは物語を創出するのは簡単ですが、その有効性を論破または否定するのは非常に困難です。ナラティブという手法の設計において、私たちはこの問題の構造を逆転させたいのです。つまり、創作するのは非常に困難である一方、否定するのは比較的容易なものを作り出すのです.
最初の基準は共鳴です。特定の業界の特定の企業アーキタイプについてのナラティブがあった場合、その業界のサプライチェーンディレクターたちは、「この物語は自分たちが抱える問題に共鳴している」と同意するでしょうか？ 一見非常に主観的に思われるかもしれませんが、私はそれほど主観的ではないと考えています。『フェニックス・プロジェクト』という本を見れば、それを読んだほぼ全ての同僚が、さまざまな企業での自身の経験と共鳴したと感じています。私たちは解決策ではなく、単に問題の定義に焦点を当てています。たとえ、問題にどう対処すべきかについて広範な意見の相違があったとしても、テーブルに上がる問題点については通常、強い一致が見られるのです。主観的に見えるかもしれませんが、決してそうではなく、ある程度の主観性は否定しようがないのです.
もう一つの要素は網羅性です。もし、このペルソナに合致するとされる企業を選び、その企業がペルソナにすら記載されていない重要な問題を抱えていることを示すことができれば、否定の負担は非常に軽微なものとなります。たった一つの企業、一つの問題を提示して、「これはペルソナを否定すべき理由である」と述べるだけで十分です。数ヶ月に及ぶ作業は必要なく、少しのフィードバックと重要な問題についての誠実な説明があればよいのです.
良いペルソナは、数値に関してもリスクを取るべきです。ここでいう数値とは、正確な数字ではなく、桁数の違いを意味します。企業が100個のSKUsで運営しているのか、それとも1億個のSKUsで運営しているのかを明確にする必要があります。その企業を特徴づける代表的な次元や桁数を示さねばなりません。もし提示された桁数に一致しない企業が見つかれば、私たちがペルソナを誤って設定した可能性があるということです.
最後のポイントは、より微妙でありながらも非常に重要です。それは、市場における解決策の存在です。市場に存在する、あるいは存在しない解決策によって、そのペルソナの有効性を否定する材料となり得ます。もし問題を完全に些細なものにしてしまう、または決定的な解決策を提供してしまい、かつては問題であった事柄が問題でなくなってしまうのであれば、少なくとも現状の形ではそのペルソナは否定されるべき理由となります.
より具体的な例を挙げると、1950年に何万ものSKUsを扱う大手企業の倉庫では、適正な在庫水準を維持することが大きな課題とされる可能性がありました。当時、在庫水準は、登録簿を更新する少数の事務員によって手作業で管理されていました。長期的に正確な在庫記録を維持することは、実に大きな挑戦でした。しかし、70年後の現代において、それを依然として課題と呼べるでしょうか？ 全くそうではありません。バーコードと在庫管理ソフトウェアのおかげで、倉庫における正確な在庫の維持は事実上完全に解決された問題です。解決策が豊富に存在し、必要な解決策の種類についての不確実性はほとんどないため、これをペルソナに含める価値はありません.
私は問題と解決策の二面性を提示していますが、実際、問題と解決策を明確に分離するのは驚くほど困難です。解決策を想像できなければ問題について考えるのは難しいし、その逆もまた然りです。問題を理解する上での困難の一因は、社会に浸透している潜在的なイデオロギーにあります。私たちは気づかずとも、社会の一部となっている価値観と共に生きており、これらの価値観が問題への見方や、その重要性を判断する際に大きな影響を与えているのです.
これを説明するために、ランダム性の事例を取り上げたいと思います。ランダム性は、かつてはギャンブルの汚名と結びつけられ、悪いものと見なされていました。クロード・ベルナールの「Introduction to the Study of Experimental Medicine」において、ベルナールは科学の分野におけるランダム性の存在に激しく反対しており、実験が完全に決定論的でなければ、通常は科学の質が低いか、せいぜい不完全であることの強い兆候だと述べています.
70年後、アルバート・アインシュタインは量子力学の分野に多大な貢献をしましたが、彼は特に宇宙の基本的性質と思われる非決定論やランダム性に関して、大きな葛藤を抱えていました。アインシュタインは何度も、量子物理学の動作特性が優れているため、おそらく誤ってはいないと認めつつも、非決定論が量子物理学の不完全さを示し、物理学があるべき最終形ではないことを示唆していると感じていたのです。何十年も経て、今日では非決定論は宇宙の基本的性質であり、回避不可能であると認識されています.
私の独自の理論では、ランダム性と結びつけられていたギャンブルの汚名が時代を超えて持続し、現代にまで影響を与えているのだと考えています。10年前、Lokadにおいて、私たちはランダム性を否定するのではなく受け入れるという確率論的予測の考えを推進することに決めました。これにより、問題の定義を完全に再構築せざるを得なくなり、私たちは懐疑的な反応や、さらに激しい反応に直面しました。ある者は、ランダム性が自分たちの解決すべき問題にどれほど関係しているのかを疑問視しました.
私の見解では、ランダム性そのものの構造を研究することは非常に興味深いことです。しかし、私たちは特定の問題の理解を妨げる先入観を持っている場合もあります。さらに、困難な問題に対して優れた解決策が出現すると、それに気を取られて抽象的な問題について考えるのが難しくなるという別の課題もあります。私たちは、解決策に関連付けて反射的に問題を定義してしまいがちなのです.
これに関する歴史的な例として、19世紀の飛行機械の発展が挙げられます。熱気球のような空気より軽い飛行機械が発見され、驚くべき発見に利用されました。これらの空気より軽い機械の成功は、関係するコミュニティがより重い代替手段を検討するのを妨げる結果となりました。代替手段を探るのに数十年を要したのは、飛行機械という驚異的な解決策が極めて気を散らす要因となっていたためだと考えています.
私たちが問題や状況を検討する際に直面するもう一つの課題は、その問題自体が考えられないほど抽象的である場合です。実際の問題であるにもかかわらず、その問題を概念化すらできないということです.
この考えを説明するために、Facebookの研究チームが2018年に発表した機械翻訳に関する素晴らしい論文を参照したいと思います。機械翻訳とは、ある言語のテキストを取り、機械を使って別の言語に翻訳することを指します。この分野の研究は約70年にわたって行われています。最初の自動翻訳機は非常に単純で、単に辞書を使って一つの言語の単語を別の言語の対応する単語に置き換えるだけでした。このアプローチは非常に低品質な翻訳につながりました。
時が経つにつれて技法は進化し、ほとんどの方法に共通していたのは二言語のコーパスの利用でした。アイデアは、二つの言語で表現されたフレーズを含むデータセットを用い、そこから学習することで自動翻訳システムを構築することでした。Facebookの研究チームが達成した驚くべき成果は、明示的な翻訳データセットを一切用いずに翻訳システムを開発したことです。彼らはフランス語の膨大なデータセットと、別個の英語のデータセットを使用し、例示を一切与えずに、フランス語から英語への翻訳が可能な機械翻訳システムを作り上げました。この成果は従来の自動翻訳のアプローチに反し、問題へのアプローチ方法を再考する前に実際の解決策が必要であることを示しました。
Lokadでの取り組みからの、控えめながらも関連性のあるもう一つの例は、自動車アフターマーケットにあります。この分野における課題は、特定の車両に対して正しい機械的適合性を持つ適切な自動車部品を見つけることです。例えば、欧州市場では100万点以上の異なる車部品と10万台以上の異なる車両があります。ガレージに行って部品交換が必要になると、店舗の担当者はどの部品があなたの車両に適しているかを判断するために、何らかのサービスを参照しなければなりません。結果として、部品と車両を結ぶ「エッジ」と呼べる全互換性リストは、約1億件の互換性という桁に達します。この市場では、欧州市場向けにこのデータセットを維持している、非常に専門性の高い企業が数社存在し、彼らはアフターマーケット業界で事業を行うほぼすべての企業に対して、何らかの形でこのデータセットへのアクセスを販売しています。
問題は、このデータセットが1億件もの互換性を持つほど巨大である上に、多くの誤りを含んでいることです。様々な情報源に基づくと、欧州向けのデータセットは数種類存在し、そのほとんどが約3％の誤差率を持っていると推定されます。これらの誤りには、存在しない互換性が宣言される偽陽性と、本来存在する互換性がシステムに正しく記録されない偽陰性の両方が含まれます。これらの誤りは、アフターマーケットで事業を運営する全ての企業に継続的な問題を引き起こします。
修理が必要になり、顧客が急いでいる場合、車両はもはや動かなくなります。部品を注文し、部品が時間通りに到着しても、その部品が適合していないことが判明する場合があります。その場合、部品は返送され、別の部品が注文され、さらなる遅延と顧客の不満が生じます。これは問題ですが、どう対処すればよいのでしょうか？ これらのデータセットを手作業で維持している企業は、既に最新状態を保つために小規模な事務員の大群を雇用しています。彼らは常に誤りの修正を行っていますが、新たな部品や車両も絶えず追加されます。何十年にもわたり、データセットはわずかに拡大し、誤りが修正され、新しい誤りも発生し、その結果、3％の誤差率はほぼ一定のまま推移しています。時間の経過とともに改善されることはありません。
システムはすでに均衡状態に達しており、自動車アフターマーケットの企業が、データセットを維持する側が残された誤りを修正するために10倍の事務員を雇用するための費用を10倍支払うことに同意するとは考えにくいです。収穫逓減が働いており、未発見の誤りはおそらく修正が非常に困難です。
Lokadでは、偽陽性と偽陰性の両方を検出し、これらの問題の約90％を自動的に修正できるアルゴリズムを開発しました。素晴らしい点は、このアルゴリズムが初期のデータセットのみを使用していることです。奇妙に思えるかもしれませんが、このデータセット自体を使って、その中に潜む誤りを学習できるのです。ちなみに、これらの技術については後の講義で詳細に説明する予定です。オンラインで計画を確認でき、講義のスケジュールはLokadのウェブサイトでご覧いただけます。つまり、解決策が提示されるまでは、そもそも問題が存在するという考えに至ること自体が困難なのです。
私の意図の一環として、Lokadで出会ったアーキタイプを特徴づけるペルソナに関する短い講義シリーズを行います。自分自身の経験とLokadの同僚の経験を総合しながら、私が問題をどのように捉えているかをできる限り要約するつもりです。重ねて申し上げますが、これらのペルソナをすべて連続して提示するわけではありません。なぜなら、それは聴衆にとって極めて退屈なものになり、私自身にとっても少々冗長になるからです。したがって、おそらく2週間後に1つのペルソナを提示し、その後、他の興味深い要素に移る予定です。
本日の締めくくりとして、供給連鎖という研究分野において非常に重要な疑問を提起してきました。そして、証明されたものではないにせよ、有望な答えをいくつか提示できたことを願っています。また、ケーススタディの作成に職業人生の大部分を費やしている方々の間では、本日私が友人を作ることはなかったかもしれないと実感しており、イラストの中のあの人物のようにならないことを心から願っています。それは非常に悲惨な結果となるでしょうが、再度申し上げますが、賭け金は非常に高いと思います。私たちは、供給連鎖をただの実践や芸術ではなく、科学として確立し、向上させることを目指しているのです。そうすることで、資本主義的かつ攻撃的な方法で、信頼性があり制御された形で改善を提供するという合理的な期待が持てるようになるのです。
というわけで、本日はこれで以上です。これから質問にお答えします。
質問: ペルソナの網羅性という概念が理解できませんでした。もう少し詳しく説明していただけますか？
では、網羅性とは、システム効果により供給連鎖の課題や問題の記述が完全であるべきだということを意味します。供給連鎖には長い一連のトレードオフが伴うため、作用している力の一つを省いてしまうと、そもそも問題について正しく議論できなくなる可能性があります。たとえば、運転資金の限界という問題を無視して最適な在庫レベルについて論じることはできません。網羅性とは、極めて関連性のある全ての要素を列挙することであり、もし関連する問題を全て網羅できていなければ、そのペルソナが十分ではなく、何かが見落とされ、その上での推論が重大な危険にさらされる可能性があるということです。
質問: 供給連鎖において間違ったタイプの解決策が蔓延しており、設計上壊れていると認識している実務家が多数存在します。彼らがその旧態依然とした手法を捨て、概ね正しい解決策に転換し、不確実性を受け入れるようにするにはどうすればよいでしょうか？
まず第一に、供給連鎖という研究分野が依然としてプレ科学的な初期段階にあり、発表されるほぼ全ての内容に対して広範な懐疑があることが最大の問題だと思います。人々を説得するのは非常に困難です。最初の一歩は、供給連鎖が科学的方法に適合するということを人々に納得させることだと考えます。これは意見やイデオロギーの問題ではなく、客観性と良質な知識を得るための終着点が存在する可能性があるため、非常に重要な一歩となるでしょう。問題を理解し、適切な解決策を適用するための堅固な基盤を持つことができるのです。私がこれらの講義を通して目指しているのは、供給連鎖が単なる実践やアートではなく、科学になり得るということを広く一般に教育することです。
現代医学の父の一人とされるクロード・ベルナールは、その時代、多くの反論に直面しました。彼は、すでに自分たちには科学が備わっていると主張し、彼の方法から学ぶべきことは何もないとする医師たちに対峙しました。彼らは、彼が彼らの理論に固執し、実験を行わないほうがいいと示唆しました。ベルナールが戦わなければならなかった最大の戦いは、医学が科学的方法で研究されるにふさわしいという考えそのものでした。同様に、私が疑うに、供給連鎖に関して、学術界で発表されるものの大部分は科学的ではありません。今日、ケーススタディのような文献のかなりの部分が非科学的であることを示せたと信じています。次回の講義では、残る文献のもう半分について何がなされるべきかを検討しますが、それはあまり期待が持てるものではありません。
不確実性に関するご質問に関しては、まず最初に、不確実性は還元不可能であり、日常生活の中で大きな問題として対処せざるを得ないものであるということを人々に納得させる必要があります。人々が何を購入するかを完璧に予測する希望がゼロであることに同意いただけますか？ 店舗での人の行動を完璧に予測するには、その人の全知能を完全に再現する必要があります。もし、人のあらゆる動きを予測できるアルゴリズムが存在するとすれば、それは本質的に人間の知能を完璧に再現したものと同じくらい賢くなければならず、極めて不合理に思えます。不確実性が大部分還元不可能であるという逆の命題のほうが、はるかに合理的に感じられます。最大の課題は、実践、直感、勘、権威的な主張に頼るのではなく、半科学的な視点から議論を展開する場を作ることです。
質問: デザイン思考についてはどうお考えですか？
ここでの具体的なご質問についてはあまり自信がないのですが、私が伝えたいのは、供給連鎖と現実世界とのつながりです。もし多くの実験科学と同様の供給連鎖の実験が可能であれば、供給連鎖を現実世界と満足のいく形で結びつけることができます。今日はペルソナという一つの手法を提示しましたが、おそらく他にも多くの手法が存在するでしょう。私は特定の思考法に固執しているわけではなく、人々の考え方よりも知識を生み出す方法に関心があります。
この点に関しては、クロード・ベルナールが提唱する考え方と非常に共鳴しています。知識のきっかけとなる最初の閃き、感情、直感は、本質的に科学的ではありません。それは理性ではなく感情の領域に属するものです。この部分を真に合理化することはできないと思いますし、仮に可能だとしても、同じ方法がすべての人に効果があるとは到底考えられません。しかし、話がそれましたね。
とりあえず、これで質問は終わりにしましょう。2週間後の同じ曜日、同じ時間にお会いしましょう。その際、リテールネットワークを運営するファストファッション企業のための『パリ』という名のペルソナを探求します。それでは、またお会いしましょう。
参考文献
- 『実験医学の研究入門』, クロード・ベルナール, 1865年
- 『Phoenix Project ― IT、DevOps、そしてビジネス成功のための小説』, Gene Kim, Kevin Behr, George Spafford, 2013年
- 『単一言語コーパスのみを使用した教師なし機械翻訳』, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018年
