00:15 イントロダクション
02:28 スマート冷蔵庫
05:28 生存バイアス
07:28 これまでのストーリー
08:46 タブーについて（まとめ）
12:06 拒絶ヒューリスティック（まとめ）
13:34 低品質なポジティブな知識
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 サプライチェーンのアンチパターン
27:00 ネイキッド予測
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 悪魔の代弁者
57:35 サプライチェーンのネガティブな知識のまとめ
01:01:04 結論
01:02:45 今後の講義と視聴者の質問
説明
アンチパターンは、見た目は良さそうです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、ソフトウェアエンジニアリングの分野によって1990年代後半に先駆けて行われました。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います。なぜなら、それらは記憶しやすく、理解しやすいからです。アンチパターンの視点は、サプライチェーンにとって非常に重要であり、ネガティブな知識の柱の1つとして考慮すべきです。
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、サプライチェーンにおけるネガティブな知識についてお話しします。ライブで講義をご覧の方は、いつでもYouTubeのチャットで質問することができます。講義中はチャットを読みませんが、講義の最後に質疑応答セッションでチャットに戻ります。
今日の興味深いトピックは、企業が経験豊富なサプライチェーンディレクターを雇った場合に実際に得られるものです。企業が求めているのは何であり、この経験を短期間である程度再現することはできるのでしょうか？それがネガティブな知識の本質です。
非常に経験豊富な人物を見るとき、20年間ある分野で働いてきた人物に対して、本当にその人物に過去に他の企業で実施したソリューション、プロセス、または技術を再現してほしいのでしょうか？おそらくそういうことがわずかに起こるかもしれませんが、おそらくそれはほとんどの場合、非常に限られた理由です。
経験豊富な人物を探しているとき、目的は必ずしも過去のことを再現することではありません。取得したい価値は、あらゆる種類のミスを回避する方法を知っている人物を採用することであり、非常に素朴で悪いアイデアがあなたの会社で実施されないようにする経験を持っていることです。理論的には、実践と理論は同じですが、実際には同じではありません。それがネガティブな知識の核心です。
私の提案は、悪いビジネスアイデアはどこにでもあります。私が悪いと言うのは、実施されれば会社にとって完全に利益を生まないアイデアのことです。これを示すために、私はGoogle特許検索エンジンにクエリ「スマート冷蔵庫」を入力しました。Google特許は、Googleが提供する専門の検索エンジンで、特許データベースを検索することができます。すると、なんと130,000件のスマート冷蔵庫に関する特許の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、注意が必要です。ただし、結果の一部をざっと調べると、過去数十年にわたって、何百、何千もの企業が研究開発を行い、スマート冷蔵庫の特許を申請してきたことが明確にわかります。これらの特許に見られるアイデアの種類を見ると、いつも非常に普及している家電製品である冷蔵庫に何かを追加する、例えば安価な電子機器などの組み合わせです。これらを組み合わせると、ある種の解決策が得られます。
しかし、どのような問題のためにそれを行うのでしょうか？非常に不明瞭です。ほとんどの特許の要点をお伝えするために、センサーを備えた冷蔵庫がある場合、冷蔵庫自体が牛乳が不足していることを検出し、自動的に再注文を行うというアイデアです。2021年になっていますが、私の知る限り、スマート冷蔵庫は存在しません。それが技術的に不可能ではないのではなく、非常に可能です。ただし、市場が存在しないだけです。したがって、市場で問題を解決しようとするために市場に出回っている大量のソリューションがあります。過去20年間で、スマート冷蔵庫を宣伝しているスタートアップが年に2回、平均していると私は信じています。興味深いことに、私はそのようなスタートアップから返事をもらったことはありません。正確には追跡していませんが、過去20年間に私が見たすべてのスマート冷蔵庫を宣伝しているスタートアップはおそらくすべて失敗したと強く疑っています。ただし、アイデアは非常に広まっており、それを示す数千の特許が存在するものの、おそらくそれらのスタートアップのほとんどが単に倒産したため、それらのアイデアの結果は広まりませんでした。
ここで非常に興味深いことが見られます。経験を通じて、市場の観察者には容易にアクセスできない知識にアクセスできます。あなたは暗い側面を見ることができます。それは欠けているもの、約束され、広まらなかったものです。
第二次世界大戦から非常に注目すべき歴史的な例があります。米軍は、基地に戻ってくる航空機上の弾丸の着弾位置を収集するために調査を行いました。画面に表示されているのは、戦場から基地に戻ってきた航空機上で観察された弾丸の着弾位置の収集です。最初、軍の将校たちは、戦闘中に最も多く被弾した領域に装甲板を追加する必要があると考えていました。
しかし、別の紳士、アブラハム・ワルドは、いいえ、これはまったく逆ですと言いました。問題は、あなたが見ているのは基地に戻ってきた航空機です。見えないのは、弾丸の着弾がない領域ですが、おそらくこの領域に弾丸の着弾があった場合、それは航空機または乗員のいずれか、または両方にとって致命的であった可能性が高いです。したがって、装甲板を追加する必要がある場合は、弾丸の着弾がないすべての領域に正確に追加する必要があります。それらが保護されるべき領域です。
アブラハムが指摘したのは、生存者バイアスとして知られる現象であり、観察されるのは本質的には生存者であり、基地に戻ってこなかったすべての航空機ではありません。ネガティブな知識のアイデアはまさにそれです：この写真とネガティブを取ると、本当に注意を引く必要があるのは残りの部分であり、そこで本当に悪いことが起こるのです。それがネガティブな知識の本質です。
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。プロローグの第1章では、私はサプライチェーンについての私の見解を述べました。私たちが見てきたのは、サプライチェーンが従順な問題ではなく、難解な問題の集合体であるということです。難解な問題はアプローチが非常に困難であり、簡単な研究や実践に適していません。難解な問題には、研究と実践の観点から基本的に逆行するものがあります。そのため、第2章は方法論に捧げられています。
この講義では、サプライチェーンの改善を制御可能で信頼性があり、最終的には計測可能な方法で提供するための、サプライチェーンペルソナと同様の質的アプローチを取ります。この章の最初の講義で行ったような質的アプローチを拡大して、サプライチェーンに改善をもたらす方法について説明します。
要約：ネガティブな知識に特化したこの講義ではありますが、サプライチェーンのペルソナに関するこの第2章の最初の講義では、興味深いネガティブな知識の要素に触れました。私は、興味のある解決策に関連するポジティブなケーススタディは、その結果の妥当性に対する信頼を完全に損なう大きな利益相反が存在するため、私たちが持つかもしれない信頼を完全に損なうと述べました。一方、私はネガティブなケーススタディは問題ありませんと述べました。利益相反は存在するかもしれませんが、はるかに強度は低いです。
このサプライチェーンのペルソナに関する講義では、ジョー・カスタルドによる「ターゲット・カナダの最後の日々」という素晴らしいネガティブなケーススタディを紹介しました。このケーススタディは、究極的にはターゲット・カナダの破産につながった、壮大な規模のサプライチェーンの失敗を詳細に説明しています。これは、実際には機能するものではなく、実際にはうまくいかなかったものを研究対象とするネガティブな知識の一種です。
では、サプライチェーンのネガティブなケーススタディをネガティブな知識の基盤として使用できるでしょうか？私はほとんどできないと言いたいですが、その理由は2つあります。最初の理由は、ネガティブなケーススタディが非常に珍しいということです。私は推測ですが、サプライチェーンに関するネガティブなケーススタディは、完全に無駄なスマート冷蔵庫の特許よりも100倍以上多いと思います。したがって、非常に実用的な問題があります：これらのネガティブなケーススタディは非常に関連性が高く、非常に高い科学的興味を持っていますが、非常に珍しいのです。そのため、サプライチェーンのネガティブな知識の基盤としてこの資料を持つことは非常に困難です。
2番目の問題は理解可能性です。素晴らしい記事「ターゲット・カナダの最後の日々」のようなこれらのネガティブなケーススタディは、同時に数十の問題が発生しており、それらの問題はすべて最終的には壮大な失敗に結びついています。問題は、これらのケーススタディが文字通り現実の生活であり、これらの出来事が非常に複雑であるということです。これらのケーススタディについてコミュニケーションし、理解することは難しいです。詳細が重要であり、非常に密度があります。もうひとつの問題は、それをより多くの人々に伝える方法ですか？
前回の実験的最適化に関する講義でも、私たちはもうひとつの種類のネガティブな知識、つまり拒否ヒューリスティックスを見ました。これらは、供給チェーンの改善のための潜在的な候補として定量的な解決策が提示された場合に使用できる単純なトリックです。ヒューリスティックスや単純なルールの連続を使用して、非常に高い確度で単に機能しない解決策を破棄することができます。しかし、ここでスケーラビリティの問題が発生します。これらのヒューリスティックスは、あいまいなため効果的です。もし供給チェーンのサークルで広まった場合、科学論文や供給チェーンソフトウェアが適応し、その議論が混乱する状況になるでしょう。これらのヒューリスティックスは非常に効率的ですが、一般的になれば有効性は保持されますが、フィルターとしての効率性は失われます。なぜなら、人々がこれらのヒューリスティックスを回避しようとするためです。
そのため、これらのヒューリスティックスは非常に興味深いですが、供給チェーンのネガティブな知識の基礎として使用することはできません。
また、ネガティブな知識と低品質のポジティブな知識を混同してはいけません。その違いは本当に意図の問題です。たとえば、安全在庫の意図は、企業にサービスの品質を制御する方法を提供することです。意図はポジティブであり、うまく機能するものの解決策です。しかし、現実のところ、安全在庫モデルは完全に乱用的な仮定に基づいています。将来の需要やリードタイムは正規分布に従うと仮定されていますが、これらの仮定は事実に反しています。私は需要またはリードタイムが正規分布に従う供給チェーンのデータセットを観察したことはありません。興味のある分布は実際にはZipf分布です。これについては、私の以前の供給チェーンの定量的原則に関する講義で取り上げました。適切な視点から見ると、安全在庫は否定されていますが、それでも安全在庫は確かにポジティブな知識の範囲にありますが、おそらく非常に低品質のポジティブな知識と言えるでしょう。
この講義では、私の視点から非常に低品質のポジティブな知識と見なされる要素すべてについて詳しく説明する時間はありませんが、質疑応答セッション中にこれらの要素について質問があれば喜んでお答えします。
実際の実用的なネガティブな知識に関しては、ソフトウェアエンジニアリングの歴史において画期的な存在である「Anti-Patterns: Refactoring Software, Architectures, and Projects in Crisis」という書籍があります。この書籍は1998年に出版され、ソフトウェア業界において良いアイデアやそれを活用したプロジェクトがある場合、ソフトウェアベンダーはそのプロジェクトの成功によって良いアイデアが消費されることを指摘しています。著者たちは、製品が実装された後も良いアイデアが良い実践方法として残るかどうかについて疑問を投げかけ、その答えは基本的には「いいえ」となります。ソフトウェア業界に特有の初動優位性があり、その結果、問題が生じます。ソフトウェア業界において何かを成功させるためのルールのほとんどは、その成功によって消費される最も優れたアプローチによって自己崩壊する傾向があるためです。「Anti-Patterns」の著者たちは、ソフトウェアイニシアチブの成功を保証することはほぼ不可能だと考えています。しかし、彼らは失敗に関しては非常に非対称な状況であることにも気付きました。彼らは、あるプロジェクトが失敗する可能性を非常に高い確信度（時には確実性に近い）で予測することが可能であると述べています。これは非常に興味深いことです。成功を保証することはできませんが、失敗を保証する科学的な手法が存在するということです。さらに良いことに、失敗を保証する要素の知識は、時間の経過とともに非常に安定しており、会社や業界の技術的な側面とはほとんど関係がありません。
初期のスマート冷蔵庫のアイデアに戻ると、すべてのスマート冷蔵庫特許は提案されている解決策が非常に多様であることがわかります。しかし、これらすべてのスマート冷蔵庫特許は同じ問題に直面しているため、ビジネスの失敗につながっています。普及率の高い家電製品と安価な電子機器の組み合わせは解決策を生み出しますが、それが実際に意味をなすものなのでしょうか？この場合、ほとんどありません。
「Anti-Patterns」の著者たちは、ソフトウェアの失敗の根本原因を研究し、ソフトウェアエンジニアリングの七つの致命的な罪を特定しました。それらは急ぎ、無関心、偏狭、強欲、無知、高慢、嫉妬です。これらの問題は文脈や関与する技術に関係なく、人間の本質の不変量です。2十年以上の経験を持つサプライチェーンディレクターを探している場合、実際の人間が関与する際に生じるさまざまな問題を経験してきた人物になるでしょう。
著者の考えは、この知識を形式化して、より理解しやすく、伝えやすくすることが良いということです。それがアンチパターンの本質です-ネガティブな知識の断片を捉えるための形式です。
彼らの本では、アンチパターンのテンプレートを紹介しています。それは覚えやすいキャッチーな名前で始まります。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、会社レベル、または業界レベルであるかを特定する必要があります。実際の根本原因とそれに関連する通常の結果を特定する必要があります。関与する力、症状、そして人々が予期しない結果を特定する必要があります。これらの結果は、最初の解決策の期待される利点を完全に損ないます。
著者は、事例証拠を提示する必要があると主張しており、そのために彼らはアンチパターンで架空の会社を使用しています。これは、実際の会社や実在の人々について議論することに関わるタブーを回避し、正直なコミュニケーションを確立す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で結ばれなければなりません。これは、本質的には誤った解決策を実際の世界で機能するバリエーションに変換するための道筋です。そこでは、予期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ありませんが、ソフトウェアのアンチパターンの2つの例を紹介します。1つ目はゴールデンハンマーです。ゴールデンハンマーとは、金のハンマーを手に入れると、他のすべてが釘になるという考えです。このアンチパターンは、Javaプログラマに新しい問題をどのように解決するか尋ねると、おそらくJavaでプログラムを書いてその問題を解決することを提案するでしょう。同じ人に別の問題を提示すると、同じ人はこの別の問題もJavaプログラムで解決できると言うでしょう。20の異なる問題を提示しても、答えはいつも「Javaプログラムで十分だと思います」となります。これは、特定の技術の経験を持つ人々が、新しい問題を解決するために自分の技術的な知識をリサイクルする傾向がある、という大きなバイアスです。新しい問題に対処するために自分の知識が本当に関連しているかどうかを評価する時間をかける代わりに、知っていることにデフォルトで戻ることは、知的にははるかに簡単です。
もう1つは分析麻痺です。ソフトウェアの世界では、可能性が無限であり、「20の異なるアプローチを試す代わりに、設計について非常に考え込み、私たちが正しい解決策を思いついたときに実装を展開しましょう」と言うのは誘惑です。残念ながら、これは非常に実行が難しく、通常は分析麻痺につながります。多くの時間と労力が潜在的なオプションを考慮するために費やされ、単に解決策を試してそれが機能するかどうかを確認することはありません。
さて、明らかに、この本はソフトウェアのアンチパターンについてのものであり、私はサプライチェーンで直面する問題とソフトウェアエンジニアリングの問題には多くの類似点があると考えています、特にサプライチェーンの最適化に関しては。両分野は本質的には複雑な問題の集合ですし、現代のサプライチェーンはソフトウェア製品を提供することに非常に関連しています。したがって、サプライチェーンの問題とソフトウェアエンジニアリングの問題の間には、完全に異なる次元の差があるわけではありません。
ここでは、サプライチェーンのアンチパターンを5つ紹介します。これらはLokadのウェブサイトで書かれた形式で見つけることができ、興味がある方にはより詳しいプレゼンテーション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小説「裸の王様」に触発されたこのアンチパターンは、予測の精度を改善するための継続的な取り組みを行っている企業の文脈です。長年にわたって、生産、マーケティング、販売、調達、さらにはサプライチェーンに至るまで、誰もが不満を抱く予測があります。通常、予測部門はサプライチェーンの一部です。過去10年または20年にわたって予測の精度を改善しようとする試みがありましたが、どれだけ努力をしても、予測を担当する人々からは絶え間ない言い訳が出て、その精度の低さを正当化するためのものです。
問題は、次の取り組みがあります。それは、予測の精度を正確にすることで、この不正確な予測の問題を一度解決する意図があります。それがNaked Forecastアンチパターンの働きです。その予期しない結果は、まず、意味のあるより正確な予測を提供しないことです。二番目に、別の取り組みを行うことで、予測の提供がより複雑になり、予測の製作に関与する人々が増えるというものです。結果として、以前と同じくらい正確ではないものの、さらに正確ではない大きな官僚組織になってしまいます。
ここでの根本的な原因は、私が単純な合理主義または科学の幻想と呼んでいるものです。この取り組みが始まると、問題は完全に客観的であるかのように現れます。「私たちは、平均絶対誤差などの指標に基づいて、より正確な予測を行います」という具体的な問題です。全体のことは非常に簡単で、明確な問題のように思えます。しかし、問題は、それが非常に単純明快であるために非常に単純明快であるということです。予測の精度と会社の利益との直接的な相関関係はありません。あなたが探しているのは、会社の利益を向上させる方法です。したがって、誤差の割合ではなく、誤差のドルやユーロの観点で考えるべきです。
根本的な原因は、これらの予測が独立しており、実際のビジネスからフィードバックを受け取っていないことです。予測の精度は単なる数値的なアーティファクトであり、ビジネスへの実際の投資利益ではありません。逸話的な証拠として、私が予測の精度を改善するための新しい取り組みを開始すると伝えられたサプライチェーンディレクターとの電話での議論ごとに1000ドルの追加給与を受け取った場合、私はもっと裕福な人になっているでしょう。
要するに、リファクタリングされた解決策として、予測が裸のままではうまくいかないということです。それらに服を着せる必要があります。そして、その服は意思決定です。前の講義で実験的最適化と一緒に探求したように、予測が実際の生活と直接つながっていない場合、例えば、いくら買うか、いくら生産するか、価格を上げるか下げるかなどの実際の意思決定とは、本当に重要なフィードバックを得ることはありません。重要なのは、バックテストのKPIではなく、それらの意思決定です。したがって、Naked Forecastアンチパターンに対処するためのリファクタリングされた解決策としては、予測を生成する同じ人々が、それに基づいて実施される実際のサプライチェーンの意思決定に対して結果を受け入れなければならないということです。
第2のものは、神話の100％サービスレベルになります。通常、状況は次のように始まります。取締役会が開催され、報道やソーシャルネットワークのどこかで、一部の人々がサービスの品質について大声で不満を言っています。会社にとっては良くない状況であり、会社が約束したことを守っていないように見えます。取締役会はCEOに対して、ブランドやイメージ、そして潜在的に会社の成長に悪影響を及ぼしているこの品質の問題に対処するように大きな圧力をかけます。CEOは「この品質の問題の連続を終わらせる必要が本当にある」と言います。そして、CEOはサプライチェーンの副社長に頼んでこの品質の問題に終止符を打つように求めます。副社長はそれを同じようにサプライチェーンディレクターに頼み、サプライチェーンディレクターは問題に対処するようにサプライチェンマネージャーに頼みます。そして、サプライチェーンマネージャーはサービスレベルを非常に高いものに設定します。L5
見よ、短期的にはわずかに高いサービスレベルを達成したとしても、すぐに品質の問題が戻ってきます。これらの高いサービスレベルは持続可能ではなく、在庫の変動や無駄な在庫が発生し、サービスレベルを向上させる意図であっても、しばしば6か月または12か月後にはサービスレベルが低下します。
その根本的な原因は、無知だけでなく願望的思考にもあります。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、技術的に不可能な無限の在庫を意味します。この問題を完全に解決できるという強い願望がありますが、それは不可能です。せいぜい、サービス品質の問題を軽減することができますが、完全に解消することはできません。
実証的な証拠に基づいて言えば、多くの企業が最も苦労しているのは、神話のような100%のサービスレベルを目指すという考え方を持っているためです。もし、あなたの企業が、一部の製品（すべてではなく、最も重要なものではない）について、わざとサービスレベルを下げることを受け入れる覚悟がないのであれば、深刻な問題に直面することになります。サービス品質を実際に向上させる唯一の方法は、まず、すべてにフォーカスすることは何にもフォーカスしていないということを受け入れることです。それを受け入れる覚悟ができていない限り、一部のSKU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ることができない限り、全体的なサービス品質を向上させることはできません。
再設計された解決策として、再設計の解決策は経済的な要因です。これは、最初の章の2回目の講義で提示したポイントであり、量的なサプライチェーンのビジョンです。経済的な要因は、在庫切れのコストと保管コストがあり、バランスを見つける必要があります。100%のサービスレベルを追求するだけでは、経済的な観点から完全にバランスが崩れており、持続可能ではありません。この方向に進もうとすることは非常に誤った方向であり、企業に害をもたらすだけです。解決策は、サプライチェーンの実践に経済的な要因を適切に取り入れることです。
さて、3番目のアンチパターンであるジェダイの始まりは、多くの大企業のトップマネジメントがメディアからの連続したバズワードによる圧力にさらされているときに見られます。これらのバズワードには、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などが含まれます。インフルエンサーたちは、これらのトレンドに適応しないと企業が時代遅れになると伝えています。見逃すことを恐れるという恒常的な不安があり、これは大規模なサプライチェーンを運営するほとんどの大企業のトップマネジメントに対して常に圧力をかける強力な要因となっています。
ジェダイの始まりの症状は、あなたの企業が、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などのバズワードを彼らの職名に持つ若く熱心なエンジニアの部門を持っている場合に観察されます。モットーは「フォースをマスターすること」であり、その時点でのバズワードがフォースとなります。経営陣は、おそらく若いか経験の浅い人々を選び、彼らに会社のために素晴らしいことをやるように指示しますが、これらの概念の技術的な側面に関与したり、それに精通していたりすることはありません。
これらのチームが興味深いプロトタイプを作成しますが、最終的には会社に現実的な価値を提供することができません。その結果、最初はその日のバズワードによって企業が革新されるという考え方から始まりましたが、レガシーな実践と技術はバズワードやそれに関連する追加のチームによって変更されることはありません。
2021年現在、データサイエンスチームを持つほとんどの企業は、投資に対してまったくリターンを得ていません。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のライブラリを使用して派手なPythonのプロトタイプを作成しますが、市場の大多数にとっての実際の投資対効果に関しては、まったくゼロです。これはまさにトップマネジメントが陥るジェダイの試練です。彼らは報道でデータサイエンスが新しいトレンドであると読み、データサイエンスチームを雇います。一つの興味深い事実として、これらのチームは比較的若く経験が浅いだけでなく、時間の経過とともにそのままの状態で残ります。その理由の一つは、離職率が非常に高いためです。企業は非常に堅固で頑強な場合でも、平均的な離職率が通常5〜10年であるのに対し、データサイエンスチームでは平均して18ヶ月しか滞在しません。これらのチームから価値が生まれない理由の一つは、人々が入ってきて数個のプロトタイプを作成し、そして去っていくからです。企業にとっては資本化がなく、会社を本当に変革することはありません。
この解決策をリファクタリングするためには、まず、模範となること以外に回避策はありません。データサイエンスを実際に行いたいのであれば、トップマネジメントはデータサイエンスについて非常に詳しい必要があります。例えば、ジェフ・ベゾスは自身の時代の最先端の機械学習技術に精通していることを示しています。Amazonは機械学習で非常に成功していますが、それはトップマネジメントが細部に精通しているからです。模範となることは重要です。
第二に、これらの若く熱心で潜在的な才能のあるエンジニアを雇う際には、メタ的な問題ではなく実際の問題に直面させる必要があります。現実につながる必要があります。これは、前回の講義で述べた経験的な最適化に関するものです。データサイエンティストを雇ってクライアントセグメンテーションや会社のためのより良いABC分析を行わせるのは実際の問題ではありません。それらはただの作り上げの数字です。もし、これらの人々を雇って実際の補充を担当させ、一連のサプライヤーから補充される正確な数量に責任を持たせるのであれば、それは非常に現実的です。これが、10年前にLokadが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に内部的に移行した理由です。ポイントは、完全に異なるコミットメントを持ち、このジェダイの試練から離れることです。
非ユークリッドの恐怖。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あり、ITの景観は非常に複雑です。ERP、WMS、EDIなど、いくつかのエンタープライズソフトウェアがあり、それぞれが複雑です。それに加えて、これらの要素を結びつける接着剤があり、全体像は驚くほど複雑です。では、非適応型のソリューションに直面している企業であることをどのように知るのでしょうか？その症状は、企業内の誰もがIT部門において蔓延する無能さを感じていることです。ITの人々は圧倒されており、管理・運営すべきシステムの中で何が起こっているのか理解していないように見えます。もう一つの症状は、生産に影響を与えるITの問題が日常的に発生していることです。これらは非適応型ソリューションの主な症状です。
非適応型のIT景観を持つことの結果は、会社にもたらされる変更、そして通常、会社に変更がもたらされる場合、ITシステムにも変更がもたらされることです。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非常に大きく動かされています。これらの変更は非常に遅く行われ、小さな変更でも時間がかかる手間のかかるプロセスです。変更がある度に、通常はたくさんの回帰が発生します。人々は言うように、2歩前進して3歩後退し、また2歩前進して1歩後退します。変更は遅くなだけでなく、絶え間ない回帰の連続とともにやってきます。状況は時間の経過とともに本当に改善されず、最高でも停滞します。
根本的な原因として、経営陣は細かい点にはあまり関心を持っておらず、非ITの経営陣はそれらのITシステムにはあまり関心を持っていません。これにより、私が増分主義と呼ぶアプローチが生まれます。会社のITシステムに何らかの変更が必要な場合、例えばサプライチェーンから要求される変更は常に「できるだけ簡単な方法、最も少ない労力と時間が必要な方法で実装してください」と経営陣は言います。それが増分主義の本質です。
増分主義は非常に危険な根本的な原因だと考えています。増分主義の問題は、文字通り「千切りによる死」です。システムにもたらされるすべての変更は、それを少し複雑にし、少し管理しづらくし、少しテストしにくくします。個々の変更は無意味ですが、毎日の基盤システムへの数十年にわたる変更を積み重ねると、複雑さの海になります。すべての変更はシステムをより複雑にし、全体像は完全に失われます。10年後に進めると、狂ったように見える巨大で複雑なシステムになります。
余談ですが、まだ非常に大きな電子商取引会社があり、消費者としては定期的にダウンタイムが発生していることがわかります。このようなことは絶対に起こってはいけません。2021年の電子商取引会社として、年間10分のダウンタイムを許容するようなものであるべきです。ダウンタイムの1秒1秒が無駄な機会です。2021年にショッピングカートソフトウェアを設計することは、もはやロケットサイエンスではありません。エンタープライズソフトウェアとしては非常に普通のソフトウェアです。常にオンになっているものを持たない理由はありません。しかし、現実は、電子商取引が停止すると、通常はショッピングカートが失敗するのではなく、非適応型のソリューションが電子商取引のすぐ後ろにあることです。電子商取引が停止することは、IT景観のどこかで問題が発生したことの反映です。
非適応型のソリューションをリファクタリングしたい場合、変更をもたらすための最も簡単な解決策を探すのをやめるべきです。簡単な解決策を考える必要があります。簡単な解決策は、重要な点で簡単な解決策と異なります。それは、全体の景観を少し整理し、より正常にすることで、将来の変更を容易にするためです。あなたは言うかもしれません、「しかし、これは純粋に技術的な問題なので、これはITの仕事ですよね？」私は言います、いいえ、全く違います。これは非常に大きなサプライチェーンの問題です。簡単な解決策を採用することは、ITの観点から簡単な解決策を持つことではなく、サプライチェーンの観点から簡単な解決策を持つことです。
解決策のシンプルさと、後の変更を容易に実装できるようにする意図された結果は、あなたのロードマップに依存します。IT部門として、10年後のサプライチェーンの実行において会社をどのように導きたいかを正確に知るために、サプライチェーンの専門家である時間はありません。変更が時間の経過とともに容易に実装できる方向に、サプライチェーン管理がビジョンを持ち、開発を導く必要があります。可能であれば、ITのサポートを受けながら。
今日の最後のアンチパターンとして、悪魔の弁護士があります。典型的な状況は、大きな問題を抱えている大企業で、大手ベンダーを選び、多額の資金を投入することを決定した場合です。イニシアチブが開始され、数か月後、通常6か月程度で、ベンダーはほとんど成果を上げていません。多額の資金がベンダーに向けられ、ほとんど成果がありません。ちなみに、2021年では、6か月は非常に長い時間です。ソフトウェアのイニシアチブが6か月で具体的な製品レベルの結果を出せない場合、非常に心配すべきです。私の経験では、6か月で具体的な結果を出せない場合、イニシアチブは失敗し、会社にとってプラスのROIを得ることは決してないでしょう。
管理陣はプロジェクトの遅延とほとんどの成果がないことに気付きます。トップマネジメントは、テックベンダーに対してますます攻撃的になるどころか、一転してベンダーを擁護し始めます。これは非常に困惑します。大きなイニシアチブを開始し、他社に多額の資金を提供し、イニシアチブが進行しているがうまくいっておらず、ほとんど成果がない場合、イニシアチブが実際に失敗していることを明確にせずに、管理陣は強く擁護し始めます。これは非常に奇妙です。まるでストックホルム症候群のようなもので、誰かがあなたに害を与えるが、ある程度の害を与えると、ある時点でその人たちが好きになるようなものです。
結果として、管理陣とイニシアチブ自体が失敗することが許されなくなり、莫大な金額が無駄になり、特に時間的な機会が失われます。イニシアチブが進行するにつれて、お金が失われますが、さらに重要なのは時間です。6か月、1年、2年という時間が失われます。本当のコストは時間です。この種のことの一つの逸話的な証拠として、ほとんど10年または5〜10年にわたるプロジェクトでのERPの実装のエピックスケールの失敗が報道でよく読まれます。5年間のプロジェクトをどうやって進めることができるのかと思います。答えは、人々がこのプロジェクトに対して倍増して取り組み続けるためであり、最終的には数年かけて完全な失敗であることと、それがうまくいかないことを認めるまでに時間がかかるからです。
また、内部で多年にわたるエピックスケールの失敗したERPの実装を目撃した経験から、プロジェクトが終了するのは、ベンダーが実際に失敗したという合意があるわけではないことがよくあります。プレイされている方法は、最初にベンダーを導入する決定に関与した上級管理職が他の会社に移動することです。大ベンダーを導入する決定に最初に関与したすべての人々が会社を去った時点で、この特定のベンダーに対して同じように献身的ではない他の人々が集まり、それを終了し、終わりにすることに合意します。
リファクタリングされた解決策に関して、私は企業が失敗に対してもっと寛容である必要があると考えています。問題に対しては厳しく、人に対しては柔軟である必要があります。もし「最初に正しくやらなければならない」というような文化を育てるならば、これは非常に有害です。なぜなら、失敗を許容する文化があると、失敗が少なくなると思うというのは、人間の心と人間の本性を誤解しているからです。はい、わずかに小さな失敗が増えるかもしれませんが、それによって、人々はミスを認識し、前に進む傾向があります。それに対して、「最初に正しくやらなければならない」という文化がある場合、基本的に誰もが顔を失うことはありません。ですので、何か完全に機能しないものがある場合でも、関係者の生存本能は、自分たちの顔を守り、潜在的に別の会社に移動することで、自分たちのミスの結果に直面する必要がないようにするために、このことに倍増することです。
まとめると、私たちは肯定的な知識と否定的な知識を持っています。肯定的な知識は基本的に問題解決に関するものであり、博士号のような知識、問題解決のような知識です。パズルがあり、1つの解からより良い解に進むことができます。1つの解が他の解よりも優れていると評価することが可能であり、このような考え方の頂点は最適解を達成することです。しかし、人々が求めていると思っているもの - 完全に有効で不滅の最適解 - は非常につかの間の解しか得られません。
例えば、私の会社であるLokadの存在する間に、私たちは6世代の予測エンジンを経験しました。肯定的な知識はつかの間のものであり、この知識、この解は、より良いものが現れると危険にさらされます。Lokadでは、2008年の創業以来、予測技術をゼロから6回も書き直すという骨の折れる作業を行ってきました。だからこそ、肯定的な知識は非常につかの間のものであり、新しい、より良い解が現れるとすぐに時代遅れになります。
それに対して、否定的な知識を見てみると、まったく異なる視点があります。あなたは邪悪な失敗について考え、捉えたい知識は、夜の危険な通りで生き残るのに役立つ知恵です。焦点は、理解するのが非常に複雑なパズルや転送に関わるものではなく、あなたが知らないことやタブーにあります。それはあなたが知らないことではなく、人々があなたに教えてくれないこと、または人々が顔を立てるために嘘をつくようなことです。否定的な知識は、現実を見るのを妨げるすべてのタブーに対抗することに関してです。
否定的な知識では、進歩の考え方ではなく、生存の考え方です。あなたはただ生き残りたいのです。そ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ときにまさに求めているものです。この人を通じて、企業が別の日を生き延びることを確認したいのです。驚くべきことは、否定的な知識がはるかに耐久性がある傾向にあることです。これらは人間の性質の欠陥であり、新しい技術、アプローチ、または方法があるからといって時間の経過とともに変わることはありません。これらのことは残ります。
結論として、私は否定的な知識がすべての邪悪な問題にとって非常に重要であると言いたいと思います。サプライチェーンはこの講義の焦点ですが、否定的な知識が適用できる唯一の領域ではありません。
サプライチェーンのアンチパターンはわずかな例ですが、現実のサプライチェーンで起こり続ける問題を捉えるためには、さらに多くの例が特定される可能性があります。アンチパターンを通じてすべてを捉えることはできませんが、私は200ページの本を読んだ後、ソフトウェアエンジニアリングの経験に相当する5年分の知識を得たと主観的に感じました。私の希望は、サプライチェーンのアンチパターンのコレクションにおいても、この効果を再現できることです。誰かが短い時間で5年分の経験に相当するものを獲得できるような効果です。たぶん、わずか数週間で。
これで講義は終わりです。次の講義はベンダー評価についてです。これは非常に興味深い問題です。現代のサプライチェーンは、それらをサポートするソフトウェア製品によって生き残るか死ぬかが決まります。問題は、どのようにしてそれらのソフトウェア製品について考え、適切なものと適切なベンダーを選ぶかということです。私自身の利益相反の経験があるにもかかわらず、これは興味深い問題であり、全員がバイアスを持っていても、何らかの公平な結果を得ることができる方法は何かという問題です。
さて、質問に答えます。
質問: 確率的最適化の設定において、良い予測とは何ですか、そしてその品質をどのように測定しますか？手動のエンリッチメントには役割がありますか？
良い確率的予測には確率的な正確さの指標がありますが、おそらくそれが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、最適化を行いたいと思うでしょう。クロスエントロピーや尤度などの指標は確率的予測に適用されます。さらに重要なのは、狂気じみた意思決定を特定する過程で徐々に発見することがあるでしょう。予測は単なる手段であり、目的は意思決定です。これについては、前の講義で実験的最適化について簡単に触れました。クラシックな予測と確率的予測のプロセスは同じです。確率的予測の実世界の例を知りたい場合は、後続の講義で詳しく取り上げます。この質問に答える際に少し脱線してしまいましたが、申し訳ありません。
質問: AI（Appreciative Inquiry）を使用してAI（人工知能）をサポートすることについてどう思いますか？大量のデータセットを論理的に調査するための技術は何ですか？全体的なパフォーマンスは良いのに変換率が低下しているのはなぜですか？活動の原因は何ですか？
AIは、アルゴリズムのセットとしては現在主にディープラーニングです。ディープラーニングは、非常に非構造化データに対処する能力が非常に高い技術のセットです。本当に自分自身に問いかけるべきなのは、それを現実にどのように結びつけるかということです。サプライチェーンでは、データは非常にまばらです。ある店舗のほとんどの製品は1日に1個未満しか売れません。大量のデータセットは、非常に多くの取引がある非常に大きな企業を見るときにのみ大きくなります。本当に重要な粒度を見ると、そんなに多くのデータはありません。
Appreciative inquiryは、前の講義で議論された実験的最適化に関する方法論です。
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いませんし、彼らに架空の問題を与えることは安全な道です。データサイエンスについて学ぶことを望まない場合、データサイエンスと意思決定主導のアプローチを信じさせるための代替方法は何ですか？小さく始めて大きく展開するにはどうすればよいですか？
まず、ある技術について信じていない人がいる場合、それは完全に問題ありません。例えば、ウォーレン・バフェットを取り上げましょう。彼は自分が理解している会社に投資することで一生を過ごした非常に裕福な投資家です。彼は鉄道輸送会社や家具リース会社など、シンプルなビジネスモデルを持つ会社に投資しています。ウォーレン・バフェットは「私はすべての技術を理解することに興味はありません。」と言いました。例えば、人々がなぜ彼がGoogleに投資しなかったのか尋ねたとき、バフェットは「私はGoogleが何をしているのか全く理解していないので、それが良い投資であるかもしれませんが、私にはそれには頭が良すぎると思います。私は理解できる会社に投資するだけです。」と答えました。
私のポイントは、経営陣にとって、理解していない領域に進出することは完全な妄想だと思います。ある時点で、努力をする意思がなければ、うまくいかないでしょう。それがジェダイの反パターンです-経営陣は何の努力もしないで、ただスマートで若くて優れたエンジニアを雇えばうまくいくと思っています。もしそれが可能なら、Amazonは成功しなかったでしょう。従来の小売チェーン会社が数人のエンジニアを雇って電子商取引のウェブサイトを立ち上げ、Amazonと競争することができるなら、彼らはみんなそれをやっていたでしょう。2005年頃まで、これらの会社はAmazon自体よりもはるかに多くのエンジニアリソースと能力を持っていました。
問題は、それが妄想的であるということです。それがネガティブな知識の本質です-普遍的な問題に光を当てることです。だからこそ、マネージャーに問題を伝えるために魅力的なタイトルが必要です。また、新しいことについて学ぶことを恐れる必要はありません。新しい技術の良い部分を本当に理解すると、それは通常それほど複雑ではありません。すべてが超技術的なわけではありません。例えば、ブロックチェーンのようなものでも、その半分は10歳の子供に説明できるでしょう。これらの技術の背後にあるアイデアの多くは実際には非常にシンプルです。非常に難しい偶発的な数学的技術的な問題がたくさんありますが、それが問題の本質ではありません。
ですから、私の答えは、もし経営陣がおとぎ話を信じたいと思うのであれば、その状況ではあまり何もできません。データサイエンスに投資する意思があるならば、データサイエンスについて少し時間をかけて理解する意思も持つべきです。そうでなければ、それは妄想です。
今日はこれで終わりです。ありがとうございました。次の講義は、同じ曜日の2週間後、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
