00:15 イントロダクション
02:28 スマート冷蔵庫
05:28 生存者バイアス
07:28 これまでの経緯
08:46 タブーについて(再確認)
12:06 棄却ヒューリスティクス(再確認)
13:34 低品質なポジティブナレッジ
15:27 ソフトウェアアンチパターン, 1/2
20:11 ソフトウェアアンチパターン, 2/2
25:34 サプライチェーンアンチパターン
27:00 裸の予測
32:36 100%のサービスレベル
37:06 ジェダイの入門
44:31 非ユークリッドの恐怖
51:45 悪魔の擁護者
57:35 まとめ、サプライチェーンにおけるネガティブナレッジ
01:01:04 結論
01:02:45 次回の講義と聴衆からの質問
説明
“アンチパターンとは、一見良さそうに見えるが実際には機能しない解決策のステレオタイプです。アンチパターンの体系的な研究は、1990年代後半にソフトウェア工学分野によって先駆けられました。適用可能な場合、アンチパターンは単なるネガティブな結果よりも優れており、記憶しやすく理解しやすいです。アンチパターンの視点はサプライチェーンにとって極めて重要であり、そのネガティブナレッジの柱の一つと考えるべきです。”
完全な書き起こし
皆さん、こんにちは。このサプライチェーン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。本日はサプライチェーンにおけるネガティブナレッジについてご説明します。ライブで講義をご覧の皆さんは、いつでもYouTubeチャットを通じて質問することができます。講義中はチャットを読むことはありませんが、最後にQ&Aセッションのためにチャットに戻る予定です。
本日のテーマは、経験豊富なサプライチェーンディレクター(おそらく20〜30年の経験を持つ)を採用することで、企業が実際に何を得るのかという点です。企業は何を求めているのか、そしてその経験をはるかに短い期間で多少なりとも再現できるかどうか。それがまさにネガティブナレッジの本質です。
非常に経験豊富な人物、たとえば20年以上の実務経験を持つ人を見たとき、その人に過去1、2十年前に他社で実施した解決策やプロセス、技術を再現してもらうと本当に期待しているのでしょうか?おそらくそうではありません。稀にそのようなことが起こる可能性はあるものの、通常は極めて例外的な理由に過ぎないと思います。
非常に経験豊富な人物を求める際の目的は、過去のやり方を単に再現することではありません。求められる真の価値は、あらゆるミスを回避する方法を知り、素朴で不適切なアイデアがあなたの会社で実行されるのを防ぐ経験を持つ人材を得ることにあります。「理論と実践は同じであるが、実際は違う」という諺がありますが、これこそがネガティブナレッジの核心です。
私の提案は、悪いビジネスアイデアはいたるところに存在するということです。ここでいう「悪い」とは、もし実行されれば企業にとって全く採算が取れないアイデアを意味します。これを説明するため、私はGoogle Patentsの検索エンジンで「smart refrigerators」というクエリを入力してみました。Google PatentsはGoogleが提供する特化型の検索エンジンで、特許データベースを検索できます。すると、なんと約13万件のスマート冷蔵庫に関する特許結果が得られました。
この数字は重複が多い可能性があるため、ほどほどに捉えてください。しかし、結果をざっと見ただけで、過去数十年間にわたり、スマート冷蔵庫の特許を取得するために研究開発に尽力した企業が数百社、いや数千社にも上ることが明らかです。それらの特許にあるアイデアを見ると、非常に一般的な家電である冷蔵庫に、例えば安価な電子機器などを追加するという組み合わせであることがわかります。両者を組み合わせることで、何らかの解決策が生み出されるのです。
しかし、それはどのような問題に対する解決策なのでしょうか?非常に不明瞭です。ほとんどの特許で示されている要旨を言えば、センサー付きの冷蔵庫が牛乳の残量を検知し、自動的に再注文を行うといったアイデアです。私の知る限り、2021年現在、スマート冷蔵庫は存在しません。技術的に実現不可能というわけではなく、実際には可能ですが、市場が全く存在しないのです。つまり、市場には問題を探し求める解決策が膨大に存在しているのです。過去20年間、私は平均して年に2回ほど、何らかのスマート冷蔵庫を提案するスタートアップを目にしてきました。興味深いことに、それらのスタートアップからの反響は一度もありませんでした。正確な記録は取っていませんが、過去20年間でスマート冷蔵庫を提案したスタートアップはすべて失敗していると強く感じます。しかし、これらのアイデアは数千件の特許が示すように非常に広まっているにもかかわらず、その結果、ほとんどのスタートアップが単に倒産してしまったためか、広がることはありませんでした。
ここで非常に興味深い点が見えてきます。すなわち、経験を通じて、市場の観察者が容易にアクセスできない種のナレッジに触れることができるということです。目に見えない、つまり約束され宣伝されたにもかかわらず、実際には成功しなかった「暗い側面」を見ることができるのです。
第二次世界大戦中の非常に顕著な歴史的事例があります。米陸軍は、基地へ帰還する航空機に見られる弾痕の分布を調査しました。画面に映っているのは、戦場から基地へ帰還する航空機に記録された弾痕の配置の集計結果です。当初、陸軍の将校たちは、最も多く攻撃を受けた箇所、明らかに激しい戦闘があった箇所に装甲板を追加すべきだと考えていました。
しかし、その後、エイブラハム・ワルドという人物が「いいえ、全く正反対だ」と指摘しました。実際に目にするのは、基地へ帰還できた航空機だけです。弾痕が見られない箇所は、その部分に弾が当たると航空機も乗組員も致命傷を負っていた可能性が高いのです。したがって、装甲板を追加する必要があるとすれば、弾痕が見られない、すなわち帰還してくる航空機に弾痕がない部分に正確に施す必要があるのです。そこが保護されるべき箇所なのです。
エイブラハムが指摘したのは、生存者バイアスという現象です。つまり、目に見えるのは生還した航空機のみであり、基地へ帰還できなかった航空機は含まれていないのです。ネガティブナレッジの考え方もまさにそれで、写真とそのネガフィルムのように、本当に注目すべきは隠れた部分、つまり本当に悪い事象が起こる部分なのです。これがネガティブナレッジの本質だと言えるでしょう。
これは私の講義シリーズの第4回目であり、第2章の最初の講義です。序章の第1章では、サプライチェーンに関する私の見解、すなわちその研究分野としても実践としてもサプライチェーンについて述べました。そこで明らかになったのは、サプライチェーンが単純な問題ではなく、手に負えない問題、いわゆるウィキッド・プロブレムの集合体であるということです。ウィキッド・プロブレムは、容易に研究も実践もできないため、本質的に逆の側面があるのです。だからこそ、第2章は方法論に専念しているのです。
今回の講義では、定性的なアプローチを採用しています。これは、この章の最初の講義で行ったサプライチェーンのペルソナと同様のものです。ここでは、サプライチェーンを制御された、信頼性があり、最終的には測定可能な方法で改善するために用いることができる定性的アプローチについてさらに詳しく説明していきます。
まとめ:本講義はネガティブナレッジに焦点を当てていますが、これまでの講義シリーズの中でネガティブナレッジの一部として触れた要素は今回が初めてではありません。第2章のサプライチェーン・ペルソナに関する最初の講義で、ケーススタディに対する私の見解を述べました。つまり、関心のある解決策に関連した良好な成果を示すポジティブなケーススタディには、結果の信頼性を完全に損なうような大きな利益相反が付きものだということです。一方、ネガティブなケーススタディは、たとえ利益相反が存在してもその程度がずっと低いため、問題ないと述べました。
このサプライチェーン・ペルソナに関する講義では、ジョー・カスタルドによる素晴らしいネガティブケーススタディ「The Last Days of Target Canada」を紹介しました。これは、Target Canadaの破綻に直結した壮大なサプライチェーンの失敗を詳細に描いたものです。すなわち、実際に機能しなかったものを研究対象とする、いわばネガティブナレッジの一形態なのです。
では、サプライチェーンのネガティブナレッジの基盤としてネガティブケーススタディを活用できるでしょうか?私の考えでは、ほとんど不可能です。その理由は二つあります。第一の理由は、ネガティブケーススタディが極めて稀であるということです。大雑把に推測すると、全く役に立たないスマート冷蔵庫に関する特許の数は、サプライチェーンに関するネガティブケーススタディの100倍以上あるはずです。つまり、実用的な問題があります。たとえネガティブケーススタディが非常に重要で高い科学的関心を持っていたとしても、その数が非常に少ないため、サプライチェーンのネガティブナレッジの基盤とするのは極めて困難なのです。
第二の問題は、理解のしやすさです。『The Last Days of Target Canada』のような優れたネガティブケーススタディは、同時に多数の問題が同時進行しており、それらが複雑に絡み合って壮大な失敗を招いていることを示しています。問題は、これらのケーススタディが実際の現実で起こっている事象であり、非常に複雑であるため、細部が重要で密度が濃いため、十分に伝達して論理的に議論するのが困難だという点にあります。さらに問題となるのは、これをより多くの聴衆にどのように伝えるかということです。
前回の実験的最適化に関する講義では、別の種類のネガティブナレッジ、すなわち棄却ヒューリスティクスにも触れました。これらは、サプライチェーンの改善候補として提示された定量的な解決策に対し、ほぼ確実に機能しないものを排除するために使用できる単純な手法です。一連のヒューリスティクスや簡単なルールを用いて、確実に機能しない解決策を除外できます。しかしここで問題となるのはスケーラビリティです。これらのヒューリスティクスは、その秘匿性ゆえに機能しているのです。もしそれらがサプライチェーンのコミュニティで広く知られるようになれば、学術論文やサプライチェーンソフトウェアもそれに合わせて議論を変更し、状況はさらに混乱するでしょう。これらのヒューリスティクスは非常に効率的ですが、もし一般に普及すれば、有効性は保たれるものの、フィルターとしての効率は、人々がその対策を講じるために注目することで失われてしまうでしょう。
このため、これらのヒューリスティクスは非常に興味深いものではあるものの、サプライチェーンのネガティブナレッジの基盤として利用することはできません。
また、ネガティブナレッジと低品質なポジティブナレッジを混同してはなりません。その違いは、実際には意図の問題によるものです。例えば、安全在庫の目的は、企業に対してサービスの質を制御する方法を提供することにあります。意図はポジティブであり、本来機能すべき解決策なのです。しかし実際には、安全在庫モデルは、将来需要やリードタイムが正規分布に従うという、全く誤った前提に基づいています。これまでどのサプライチェーンのデータセットにおいても、需要もリードタイムも正規分布しているのを見たことがありません。実際に重要なのは、私がこれまでの定量的原則の講義で触れたように、Zipf分布に従っているということです。適切な視点から見ると、安全在庫は否定されるべきですが、それでもなお、安全在庫は確実にポジティブナレッジの領域に位置しており、おそらく非常に低品質なポジティブナレッジと言えるでしょう。
今回の講義では、私の視点から見て非常に低品質なポジティブナレッジに該当するすべての要素にまで踏み込む時間はありませんが、Q&Aセッションでそれらの要素について質問してくださる方がいれば、喜んでお答えいたします。
実際の実用的なネガティブ知識に関して言えば、「Anti-Patterns: Refactoring Software, Architectures, and Projects in Crisis」という本があり、これはソフトウェア工学の歴史における画期的な作品です。1998年に出版されたこの本は、ソフトウェア業界では、優れたアイデアやそれを活用したプロジェクトがあると、ソフトウェアベンダーがそのプロジェクトの成功によって優れたアイデアが消費されるという何気ない観察から始まります。著者たちは、製品実装後にも良いアイデアが良い実践として残るのかという疑問を投げかけ、その答えは基本的に「いいえ」であると示しています。ソフトウェア業界に特有のファーストムーバー・アドバンテージが存在するため、私たちは問題を抱えることになるのです。ソフトウェア業界のあらゆる成功を予測するためのルール群は、最善のアプローチが成功によって吸収されてしまうという事実により、結局は自己矛盾を孕んでいます。「Anti-Patterns」の著者たちは、彼らの見解では、ソフトウェアの取り組みの成功を保証することはほぼ不可能だと気付いたのです。しかし同時に、失敗に関しては状況が非常に非対称であることにも注目しました。彼らは、あるプロジェクトが失敗に向かっていることを非常に高い確信度(時にはほぼ確実性に近いまでに)で予測できると述べました。これは非常に興味深い事実であり、成功を保証できなくとも、失敗を保証するかのような科学が存在するのです。さらに、失敗を保証する要素に関するこの知識は、時間が経過しても驚くほど安定しており、企業の技術的な詳細や業種にほとんど依存しません。
最初のスマート冷蔵庫のアイデアに戻ると、そこに提示される解決策は非常に多様であることがわかります。しかし、結局のところ、これらのスマート冷蔵庫に関する特許はすべて、同じ傘の下に収まる――すなわち「問題を探す解決策」という枠組みに当てはまるため、ビジネスの失敗へとつながってしまうのです。どこにでもある家電と安価な電子機器の組み合わせから解決策は生まれますが、それが実際に意味をなすのでしょうか?この場合、ほとんど意味をなさないのです。
「Anti-Patterns」の著者たちは、ソフトウェア失敗の根本原因を研究することから自身の旅を始め、ソフトウェア工学における七つの大罪、すなわち、焦り、無関心、狭量、強欲、無知、誇り、嫉妬を特定しました。これらの問題は、関わる文脈や技術に依存せず、人間性そのものの不変の側面であるのです。20年以上の経験をもつサプライチェーンディレクターを探す場合、その人物は単に年を重ね、多種多様な欠点を持つ人間が関わる中で直面するほとんどの問題を内面化している人物になるのです。
著者たちの考えは、この知識を体系化して理解しやすく消化しやすい形にすることで、これらの問題についてのコミュニケーションや議論を容易にするべきだというものです。これこそがアンチパターンの本質であり、ネガティブな知識の断片を捉えるためのフォーマットなのです。
本書で、著者たちはアンチパターンのテンプレートを提示しています。これは、記憶に残りやすいキャッチーな名前から始まり、ソースコードレベル、ソフトウェアアーキテクチャレベル、企業レベル、または業界レベルなど、その規模を特徴付ける必要があります。実際の根本原因と、それに通常伴う結果を特定し、作用している力や症状、また人々が予期しない意図せぬ結果を描写する必要があり、これらが最初の解決策に期待された効果を完全に覆してしまうのです。
著者たちは逸話的な証拠を提示する必要があると主張しており、そのためアンチパターンでは架空の企業を採用しています。これは、実在する企業や人物について議論する際のタブーを避け、率直なコミュニケーションが阻害されるのを防ぐためです。アンチパターンのテンプレートは、リファクタリングされた解決策、すなわち本質的に誤った解決策を、実際の世界で機能するバリアントへと変換するための道筋で締めくくられるべきなのです。そこでは、意図しない結果が軽減され、理想的には排除されます。
この講義はサプライチェーンのアンチパターンについてではなく、皆さんが聞いたことがあるかもしれない2つのソフトウェアアンチパターンの例を示すためのものです。最初の例は「ゴールデンハンマー」です。ゴールデンハンマーとは、金のハンマーを持っていれば、あらゆるものが釘に見えてしまうという考え方です。このアンチパターンは、例えばJavaプログラマーに新たな問題にどう対処するかを尋ねれば、その問題を解決するためにJavaでプログラムを書くことを提案するであろうというものです。同じ人物に他の問題を提示すれば、その人物はまたその問題もJavaで解決できると言うでしょう。20種類の異なる問題を提示すれば、毎回の答えは「Javaのプログラムで十分だろう」というものになります。これは、特定の技術に精通した人々が、新しい問題に直面したとき、改めて自らの技術知識が本当に有効かどうかを検証するのではなく、それまでの知識を繰り返し利用しようとする巨大な偏りを示しています。知的には、実際に知っているものに頼る方がはるかに楽だからです。
もう一つは「解析麻痺」です。ソフトウェアの世界では、可能性が無限に広がる状況が多々あり、「失敗する20通りのアプローチを試す代わりに、デザインについて念入りに考え、正しい解決策であると絶対に確信できたときに実装に移そう」という誘惑に駆られることがあります。しかし、これは実行するのが非常に困難で、結果として膨大な選択肢を検討するのに多くの時間と労力を費やし、単に解決策を試してその有効性を確認するというシンプルな行動が後回しにされ、解析麻痺に陥ってしまうのです。
さて、明らかにこの本はソフトウェアアンチパターンについてのものでしたが、私はソフトウェア工学がサプライチェーン、特にサプライチェーン最適化において直面する問題と多くの類似点を持っていると考えています。両分野は本質的に厄介な問題の集合体であり、現代のサプライチェーンはまさにソフトウェア製品の提供に関わっているのです。したがって、サプライチェーンの問題とソフトウェア工学の問題には一定の重なりがありますが、両者は全く異なるものというわけではありません。
ここでは、Lokadのウェブサイトで文書として紹介されている5つのサプライチェーンアンチパターンを提示し、詳細な解説を希望する方向けの資料も用意されています。
最初のアンチパターンは Naked Forecast です。ハンス・クリスチャン・アンデルセンの短編「裸の王様」に触発されたこの事例は、予測精度 向上のための継続的な取り組みを行っている企業を背景としています。生産、マーケティング、販売、購買、さらにはサプライチェーン部門に至るまで、長年にわたる不満がこびりついた予測が問題として挙げられます。過去20年ほど、予測の精度を向上させる試みがなされてきましたが、いくら努力しても、予測担当者からはその精度の低さを正当化するための言い訳が次々と出てくるようです。
問題は、次の取り組みとして予測精度を徹底的に改善し、この不正確な予測問題を根本から解決しようとする動きがあることです。これがNaked Forecastアンチパターンの本質です。その意図しない結果として、まず第一に、実質的により正確な予測より正確な予測が提供されることはありません。第二に、さらなる取り組みを経ることで、本来は小規模な予測実践がますます複雑化し、多くの人々が予測作成に関与する非常に入り組んだ官僚主義組織へと変貌してしまいます。結果として、結局は不正確なままであるものが、かつての控えめで不正確なものから、巨大な官僚組織へと変わってしまうのです。
私が考える根本原因は、いわゆる「単純な合理主義」または「科学の幻想」に他なりません。この取り組みが始まると、問題はあたかも完全に客観的であるかのように提示されます。「平均絶対誤差などの指標に基づいて、より正確な予測を作成する」という具合に。全体として非常に単純明快で、明確に定義された問題に見えます。しかし、実際には予測精度と企業の収益性との間に直接的な相関が存在しないため、これらは非常に単純な考え方に過ぎないのです。企業の収益性を向上させる方法を模索すべきであり、誤差はパーセンテージではなく、ドルやユーロ単位で考えるべきなのです。
根本的な問題は、これらの予測が独立して存在し、実際のビジネスからのフィードバックを全く受けていない点にあります。予測精度は単なる数値上の人工物に過ぎず、企業にとって具体的な投資収益をもたらす実体ではありません。逸話的な例を挙げるなら、もしサプライチェーンディレクターとの電話で、彼らが予測精度向上のための新たな取り組みを始めるたびに追加で1000ドルの給料をもらえたなら、私はさらに裕福になっていたことでしょう。
要するに、リファクタリングされた解決策の観点からは、予測が裸のままである限り、うまくいかないということです。予測に「服」を着せる必要があり、その服こそが意思決定なのです。前回の講義で実験的最適化について探求したように、予測が実際の、具体的な意思決定(例えば、いくら購入するか、いくら生産するか、または価格を上げるか下げるか)に直接結びついていなければ、重要なリアルなフィードバックは得られません。重要なのは、測定上のバックテストKPIではなく、実際の意思決定そのものです。したがって、Naked Forecastアンチパターンへのリファクタリング解決策としては、予測を作成する者自身が、その予測に基づいて実施される実際の supply chain decisions の結果を受け入れるという決断を下すことが基本となります。
次に紹介するのは、神話的な100% Service Levelです。通常、状況は次のように始まります。取締役会が開催され、新聞やソーシャルネットワーク上で、サービスの質について大声で不満を述べる人々が現れます。企業が約束したことを実現していないと見なされ、企業の評判が損なわれるため好ましくない状況です。取締役会は、このサービスの質の問題がブランド、イメージ、さらには企業の成長に悪影響を及ぼしているとして、CEOに対して莫大なプレッシャーをかけます。CEOは「この終わりのないサービスの質の問題を本当に解決しなければならない」と述べ、サプライチェーン担当副社長に解決を依頼します。副社長はさらにサプライチェーンディレクターに同様の依頼をし、ディレクターはサプライチェーンマネージャーにその課題の解決を命じ、結果としてマネージャーはサービスレベルを非常に高い、ほぼ100%にまで引き上げるのです。
ところが、短期的にわずかに高いサービスレベルを実現したとしても、すぐにサービスの質の問題は再燃します。これらの高いサービスレベルは持続不可能であり、在庫の変動や無駄な在庫が発生し、サービスレベル向上の意図にもかかわらず、6ヶ月あるいは12ヶ月後にはしばしば低いサービスレベルに転落してしまいます.
ここでの根本原因は、無知だけでなく、願望思考にもあります。数学的に言えば、100%のサービスレベルを望むということは、無限の在庫を意味し、技術的には実現不可能です。問題を完全に解決できるという強力な願望思考が働くものの、実際にはそうではなく、せいぜいサービスの質の問題を緩和することはできても、完全に排除することはできません。
逸話的な証拠として、神話的な100%サービスレベルという考え方にとらわれ、多くの企業が最も苦労しているのを見てきました。もし御社が、一部の商品(すべてでも最重要でもない商品)について、意図的にサービスレベルを下げることを受け入れないのであれば、大きな問題に直面することになるでしょう。本当にサービスの質を向上させる唯一の方法は、「すべてに焦点を当てる」ということが、実は「何にも焦点を当てない」ことに等しいという現実をまず受け入れることです。いくらかの SKUs について、意図的に低いサービスレベルを許容するという結果を受け入れなければ、全体的なサービスの質を向上させることはできません。
リファクタリングされた解決策という観点では、その解決策は経済的ドライバーに基づくものです。これは最初の章の第二講義で提示した量的供給チェーン・マニフェストのビジョンでもあります。経済的ドライバーは、ストックアウトや在庫コストのコストを示しており、これらのバランスを見出す必要があることを教えてくれます。経済的な観点から完全に不均衡なため、単に100%のサービスレベルを追求することは不可能であり、持続可能でもありません。この方向への過剰な追求は非常に誤ったものであり、企業に害を与えるだけです。解決策は、サプライチェーン実践に健全な経済的ドライバーを適切に注入することなのです。
次に、3番目のアンチパターンである「ジェダイ・イニシエーション」は、多くの大企業のトップマネジメントが、メディアから次々と押し寄せるバズワード、例えば人工知能、ブロックチェーン、クラウドコンピューティング、ビッグデータ、IoTなどによって常にプレッシャーを受けている状況で見られます。インフルエンサーたちは、これらのトレンドに適応しなければ企業は時代遅れになると警告します。取り残されることへの恐怖が、巨大なサプライチェーンを運営する多くの大企業のトップマネジメントに対して強力なプレッシャーとして作用しているのです.
ジェダイ・イニシエーションの症状は、たとえば人工知能研究者、ブロックチェーンエンジニア、または データサイエンティスト といった流行語を職名に含む、若く情熱的なエンジニアを抱える部署がある場合に観察できます。モットーは「フォースを極めよ」であり、そのフォースとは当時注目されている流行語そのものです。経営陣は、おそらく若く経験の浅い人々に、会社のために偉大なことを成し遂げさせようと命じますが、その際、これらの技術的概念に精通していないまま関与させるのです。
結果として、これらのチームは興味深いプロトタイプを作成するものの、最終的には会社に実際の価値を提供することに失敗します。そのため、当初はその日の流行語に基づいて会社が革命的に変わるはずだったものの、従来の慣習や技術はそのまま残り、流行語やそれに付随して組織された追加チームによって修正されることはありません。
逸話的な証拠として、現代の2021年において、データサイエンスチームを持つ企業の大半が投資に対して全くリターンを得られていません。データサイエンスチームは、非常にクールなオープンソースライブラリを駆使して華麗なPythonプロトタイプを作成しますが、市場の大多数における実際の投資収益率はまったくのゼロなのです。これこそが、トップマネジメントが陥るジェダイ・イニシエーションの典型例です。報道でもデータサイエンスが新たなトレンドだと伝えられているため、データサイエンスチームを雇うのです。ちなみに、これらのチームは非常に若く経験不足であるだけでなく、時間が経ってもその状態が変わらないのは、離職率が非常に高いためです。一般的な企業では平均して5~10年ほど勤続するのに対し、データサイエンスチームでは平均18か月しか続かないのです。これらのチームから価値ある成果が生み出されない理由の一つは、人々が入社しては数個のプロトタイプを作成し、すぐに去ってしまうからです。企業にとっては知識の蓄積が進まず、会社自体の変革が実現しないのです。
この解決策をリファクタリングする観点からは、まず何よりも模範を示すことが唯一の方法です。本当にデータサイエンスを実践したいのであれば、トップマネジメント自体がデータサイエンスについて深い知識を持っている必要があります。たとえば、ジェフ・ベゾスは自身の時代における最先端の機械学習技術に精通していることを実証しました。Amazonが機械学習で大成功を収めるのは、トップマネジメントが細部まで理解しているからに他なりません。模範を示すことは極めて重要です。
次に、若く情熱的で潜在的に才能あるエンジニアを採用する際には、彼らにメタ的な問題ではなく、実際の現実に即した問題に取り組ませる必要があります。これは、私が以前行った実証的、実験的最適化に関する講義に関連します。もし企業のクライアントセグメンテーションや、より優れた ABC分析 のためにデータサイエンティストを雇ったとしても、それらは実際の問題ではなく、単なる作り話の数字に過ぎません。しかし、もし彼らを採用し、実際の補充業務を担当させ、一連のサプライヤーから補充すべき正確な数量に責任を持たせるなら、それは非常に現実的な問題となります。これが、10年前にLokadが内部でデータサイエンティストからサプライチェーン・サイエンティストへと転換した理由であり、ジェダイ・イニシエーションというアンチパターンから脱却するための決定的な転換点となったのです。
非ユークリッド的な恐怖。この文脈では、大規模なサプライチェーンを運営する企業が存在し、そのIT環境は非常に複雑です。ERP、WMS、EDIなど、個々に見ても複雑なエンタープライズソフトウェアがいくつか存在します。さらに、これらを結びつけるための多数の連結部分があり、全体像は非常に複雑さを極めています。では、どのようにして自社が非順応的な解決策に直面していると実感できるのでしょうか?その症状としては、社内の誰もがIT部門に蔓延する無能さを感じていること、IT部門のスタッフが圧倒され、管理・運用すべきシステムで何が起こっているのか理解できていないように見えること、そして生産に日々影響を与えるIT問題が発生していることが挙げられます。これが非順応的な解決策の主要な症状です。
非順応的なIT環境を抱える結果、企業に必要な変化をもたらす際、通常、その変化はITシステムにも及びます。現代のサプライチェーンは、そのソフトウェアコンポーネントによって大きく推進されるため、これらの変更は非常に遅く進み、些細な変更ですらも膨大な時間を要する厄介なプロセスとなります。どんなわずかな変更であっても、通常は大量の回帰現象が伴います。人々が言うように、二歩前進して三歩後退、再び二歩前進して一歩後退するという具合です。変更が遅いだけでなく、常に回帰の連続が伴い、状況は時間の経過とともに改善されるどころか、せいぜい停滞してしまうのです。
根本原因として、経営陣は細部にこだわらず、IT部門以外の経営陣はITシステムそのものに関心を持たないため、サプライチェーンなどの部門から変更要求がある際も、常に「最も手間と時間のかからない簡単な方法で実装してほしい」と要求する、いわゆるインクリメンタリズム(漸進主義)的なアプローチが取られるのです。
私は、インクリメンタリズムが非常に危険な根本原因であると考えています。インクリメンタリズムの問題は、まさに千の切り傷による死のようなものです。システムに加えられる一つ一つの変更は、システムをますます複雑に、管理しにくく、テストが難しいものにしていきます。個々の変更は些細かもしれませんが、日々の多くの変更が十年もの間に積み重なると、複雑さの海に陥ってしまい、システム全体がどんどん複雑化し、大局が全く見えなくなります。十年後には、巨大で入り組んだ、正気を失ったかのようなシステムが出来上がってしまうのです。
逸話的な証拠として、依然として大規模なeコマース企業が存在し、消費者として定期的にダウンタイムを目にすることができるという事実があります。こんな事態は決してあってはならず、2021年のeコマース企業は、年間で10分程度のダウンタイムに抑えるべきです。ダウンタイムの一秒一秒が無駄な機会です。2021年におけるショッピングカートソフトウェアの設計はもはや難解なものではなく、エンタープライズソフトウェアとしては非常に基本的なものですから、常時稼働すべき理由は十分にあります。しかし現実には、eコマースサイトがダウンしている場合、それは通常ショッピングカートの故障ではなく、その背後にある非順応的な解決策の問題を反映しているのです。
非順応的な解決策をリファクタリングするのであれば、変化をもたらすための「最も簡単な」解決策を探すのはやめるべきです。容易な解決策ではなく、「単純な」解決策を考える必要があります。単純な解決策は容易な解決策とは決定的に異なり、システム全体をわずかにでも整然として健全なものにすることで、後の変更をより容易に実装できる状態にしてくれるのです。これに対して「ただの技術的な問題だからIT部門の仕事だ」と考えるのは誤りです。それは非常にサプライチェーンに根ざした問題なのです。
解決策の単純さと、それが後の変更を容易にするという意図された効果は、あなたのロードマップに依存します。将来、IT環境にどのような変更をもたらしたいのかを明確にする必要があります。IT部門はサプライチェーンの専門家になる時間もなく、10年先のサプライチェーンの実行において会社が進むべき方向を正確に把握することは困難です。そのため、そのビジョンを持つべきはサプライチェーンマネジメントであり、場合によってはIT部門の支援を受けながら、変更が時間の経過とともにどんどん実装しやすい方向へと開発を舵取りする必要があります。
最後に、本日の最後のアンチパターンとして「悪魔の代弁者」を挙げます。これは、重大なサプライチェーンの問題を抱えた大企業が、大手ベンダーの採用を決断し、大量の資金を投じた場合に典型的に見られます。イニシアチブが開始され、通常は約6ヶ月後に、ベンダーはほとんど成果を示さなくなります。多額の資金がベンダーに投入されるにもかかわらず、成果がほとんど現れません。ちなみに、2021年において6ヶ月は非常に長い期間です。もし6ヶ月で実運用に耐えうる具体的な成果が出ないソフトウェアイニシアチブがあれば、それは非常に憂慮すべき状況です。私の経験上、6ヶ月以内に具体的な成果が出せなければ、そのイニシアチブは破綻しており、企業にとって正のROIをもたらすことは決してないでしょう。
事態は、経営陣がプロジェクトの遅延を目の当たりにし、成果がほとんどない現状を認識するところから始まります。そして、トップマネジメントは、技術ベンダーに対して攻撃的になる代わりに、突然方向を変えてベンダーを強く防衛し始めるのです。これは非常に不可解です。大規模なイニシアチブを開始し、大金を他社に投入したのに、プロジェクトが進行はしているものの成果が乏しい場合、イニシアチブの失敗を明確にする代わりに、経営陣はますますベンダーをかばい始めるのです。まるで、十分な被害を受けると加害者に好意を抱き始めるストックホルム症候群のような現象です。
経営陣とイニシアチブ自体が、失敗させられないほど大きくなってしまう結果、大量の無駄な資金が消費され、特に時間面で莫大な機会損失が発生します。プロジェクトが進むにつれて金銭的損失は拡大しますが、何よりも重要なのは、6ヶ月、1年、2年と時間が失われるという事実です。本当のコストは時間にあるのです。逸話的な証拠として、ERP実装プロジェクトがほぼ10年、または5~10年にわたって壮大な失敗に終わるという報道が後を絶たないのは、このためです。どうして5年もかかるプロジェクトが存在するのか?その答えは、関係者がこのプロジェクトに固執し続け、最終的に完全な失敗であったことを認めるまでに何年も要するからです。
さらに、私が内部で何年にもわたる壮大な規模の失敗したERP実装を目の当たりにしてきた逸話的証拠として、プロジェクトが終了する理由は、ベンダーが実際に失敗したと皆が認めたからではなく、当初ベンダー導入の決定に関与していた上層部が次々と会社を去ってしまうためであることが多いのです。最初に大手ベンダーの導入を決定した人々が全員退社すると、そのプロジェクトにそこまでこだわらなかった残りの人々が集団でプロジェクトを打ち切り、事態を収束させるのです。
リファクタリングされた解決策の観点からは、企業は失敗に対してより寛容であるべきだと私は考えます。問題には厳しく対処すべきですが、人に対しては柔軟でなければなりません。「最初から正確に実行しなければならない」という文化を育むことは、結果として失敗が減るどころか、誰もが顔を立てられず、失敗を隠蔽し続ける原因となり、最終的には失敗を何度も繰り返すことにつながります。
まとめると、私たちはポジティブな知識とネガティブな知識という対比で物事を理解します。ポジティブな知識とは本質的に問題解決に関するもので、パズルを解くような博士号レベルの知性とも言える、ある解決策からより良い解決策へと進む知性を意味します。どの解決策が優れているかを評価でき、その思考の頂点は最適解の達成にあります。しかし、人々が求めているのは――完璧で有効かつ永続的な最適解――であると思い込んでいるのに対し、実際に得られるのは非常に儚い解決策なのです。
例として、私の会社Lokadの歴史を通じて、私たちは6世代にわたる予測エンジンを経験してきました。ポジティブな知識は、より優れた解決策が現れるとすぐに陳腐化するものであり、この知識、すなわち解決策は新たなより良い解決策が登場するとただ捨て去られてしまう危険性があるのです。Lokadでは、2008年の創業以来、自社の予測技術をゼロから6度書き直すという骨の折れる作業を繰り返してきました。これが、ポジティブな知識が非常に儚いと言う所以です。
対照的に、ネガティブな知識を見ると全く異なる視点が現れます。ネガティブな知識とは、愚かな失策や、夜の危険な路地で生き抜くためのストリートスマートな知性を捉えるものです。焦点は、複雑なパズルや難解な概念よりも、むしろ自分が知らないこと、または人々が教えてくれなかったり、体面を保つために嘘をつくような事柄に向けられます。ネガティブな知識とは、現実をそのまま見せないタブーに対抗するための知見なのです。
ネガティブナレッジにおいては、考え方は進歩のためではなく、生存のためのものです。次の日も戦い続けるためにただ生き延びたいのです。これは非常に異なる視点であり、企業が非常に経験豊富なサプライチェーンディレクターを求める本質的な理由そのものです。彼らは、この人物を通じて会社がまた明日も存在できるようにしたいのです。驚くべきことに、ネガティブナレッジははるかに持続性が高い傾向があります。これらは基本的に人間の本性に起因する欠陥であり、新しい技術、アプローチ、または手法が登場したからといって時間とともに変わるものではありません。これらの事象は今後も存在し続けるでしょう。
結論として、サプライチェーンは本講義の焦点に過ぎませんが、ネガティブナレッジはあらゆる難解な問題にとって極めて重要であり、適用可能な唯一の領域ではないと言えます。
サプライチェーンのアンチパターンはほんの一例に過ぎませんが、現実のサプライチェーンで繰り返し発生する問題を捉えるためにはさらに多数の例が特定できると確信しています。アンチパターンだけで全てを把握することはできませんが、かなりの部分を捉えられると信じています。ソフトウェアのアンチパターンに関する書籍を読んだとき、たった200ページでソフトウェアエンジニアリングにおける5年分の経験に匹敵する知識を得たのではないかと主観的に感じました。サプライチェーンのアンチパターン集においても、数週間というごく短期間で約5年分の経験を獲得できる効果を再現できるのではないかと期待しています。
本講義は以上です。次回の講義は、非常に興味深い問題であるベンダー評価についてです。現代のサプライチェーンは、それを支えるソフトウェア製品によって成り立っており、これらのソフトウェア製品をどのように評価し、どの製品とベンダーを選ぶかが鍵となります。私自身も利益相反の問題を抱えていますが、それでもなお興味深い問題であり、全員に偏見があったとしても、何らかの客観的な結果を導き出す方法論を確立できるかどうかが問われています。
では、これから質問にお答えします。
質問: 確率的最適化の設定において、良い予測とは何を意味し、その品質はどのように評価するのでしょうか?また、手動での補完には役割があるのでしょうか?
良い確率的予測には、確率精度を測るための指標が備わっていますが、それがおそらくあなたの求めているものではないでしょう。実験的最適化の取り組みの一環として、最適化を行う必要があります。クロスエントロピーや尤度といった指標が確率的予測に適用されます。さらに重要なのは、非常識な判断を洗い出していく中で徐々に明らかになる事柄があるという点です。予測はあくまで手段であり、最終的な目的は意思決定です。意思決定に注目すべきなのです。これは前回の実験的最適化に関する講義でも簡単に触れました。古典的な予測でも確率的予測でもプロセスは同じです。実世界の確率的予測の例を知りたいのであれば、今後の講義で詳しく扱います。質問への回答が少し逸れてしまい申し訳ありません。
質問: あなたのAI(人工知能)を支援するためにAI(アプリシエイティブ・インクワイアリー)を使用することについてどう思いますか?大規模なデータセットを論理的に解析するためにどのような手法を用い、全体的なパフォーマンスが良好であるにもかかわらず、なぜコンバージョン率が低下しているのでしょうか?その活動の原因にどのように取り組むべきでしょうか?
アルゴリズムの集合体としてのAIは、現時点では主にディープラーニングに依存しています。ディープラーニングは、非常に非構造化されたデータに対処する能力に優れた技術群です。しかし、本当に問うべきは、それをどのように現実と結びつけるかです。サプライチェーンにおいては、データが非常にまばらになりがちです。どの店舗でも、ほとんどの商品は1日あたり1単位未満しか売れません。大規模なデータセットは、膨大な取引を持つ大企業を対象としたときのみ全体として大きくなります。実際に重要な細かい粒度で見ると、データはそれほど多くはありません。
方法論の観点から見ると、アプリシエイティブ・インクワイアリーは、前回の講義で議論した実験的最適化そのものに他なりません。
質問: 多くのマネージャーはデータサイエンスの力を理解しておらず、架空の問題を与えることが安全策とされています。もし彼らがデータサイエンスの学習に深入りしたくない場合、データサイエンスや意思決定優先のアプローチを信じさせるための代替策は何でしょうか?また、どのように小規模に始めて大規模に展開すべきでしょうか?
まず、ある技術を信じない人々がいても、それは全く問題ありません。例としてウォーレン・バフェットを取り上げましょう。彼は自らが理解できる企業に投資することで莫大な富を築いた投資家です。彼は鉄道輸送会社や家具リース会社のような、シンプルなビジネスモデルを持つ企業に投資しています。ウォーレン・バフェットは「私はそれらの技術を理解することに興味がない」と述べています。例えば、なぜGoogleに投資しなかったのかと尋ねられた際、バフェットは「Googleが何をしているのか全く理解できないので、たとえ良い投資先であったとしても、自分にはその分の賢明さが足りない。理解できる企業にだけ投資する」と答えました。
私の言いたいのは、経営陣にとって理解できない領域に踏み込むことは全くの妄想であるということです。いずれ、努力を惜しむのであれば、物事はうまくいかないのです。これがジェダイのアンチパターンであり、経営陣は一切努力をせず、ただ賢く、若く、知的なエンジニアを雇えば何とかなると考えているのです。もしそれが可能ならば、Amazonはこれほどの成功を収めなかったでしょう。従来型の小売ネットワーク企業が、単に数名のエンジニアを雇ってeコマースサイトを立ち上げ、Amazonと競合できるのであれば、皆そうしていたはずです。2005年頃までは、これらの企業はAmazon自体以上のエンジニアリングリソースと能力を有していました。
問題は、それ自体が妄想であるという点にあります。そして、これこそがネガティブナレッジの意義であり、遍在する問題に光を当てるためのものです。だからこそ、経営陣に問題を効果的に伝えるためのキャッチーなタイトルが必要なのです。また、新しい知識を学ぶことを恐れてはいけません。新技術の良い部分だけを取り入れれば、通常それほど複雑ではありません。すべてが極めて技術的なわけではなく、多くの部分は説明可能です。例えば、ブロックチェーンのようなものでも、いわゆる高度なブロックチェーン技術の半分は10歳児にも説明できるはずです。これらの技術の背後にある多くのアイデアは実はかなりシンプルです。たくさんの偶発的な数学的難解さが存在するにせよ、それが問題の本質ではありません。
ですから、私の答えとしては、もし経営陣が童話を信じたがるのであれば、その状況ではあまり手の打ちようはないということです。経営陣がデータサイエンスに投資する意志があるならば、データサイエンスとは何かを理解するために少しの時間を投資すべきです。そうでなければ、それは単なる妄想に過ぎません。
本日はこれで終了です。どうもありがとうございました。次回の講義は、2週間後の同じ水曜日、同じ時間に行われます。それではまたお会いしましょう。
参考文献
- ‘‘AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis’’. y William J. Brown, Raphael C. Malveau, Hays W. “Skip” McCormick, Thomas J. Mowbray, 1998