実験的最適化 - 講義2.2

3月 3, 2021

supply chain lectures

00:12 イントロダクション
02:23 反証可能性
08:25 これまでのストーリー
09:38 モデリングアプローチ：数理最適化（MO）
11:25 数理最適化の概要
14:04 メインストリームのサプライチェーン理論（まとめ）
19:56 数理最適化の視点の範囲
23:29 拒否ヒューリスティクス
30:54 翌日
32:43 償還可能な特性？
36:13 モデリングアプローチ：実験的最適化（EO）
38:39 実験的最適化の概要
42:54 狂気の根本原因
51:28 狂気じみた決定を特定する
58:51 計測器の改善
01:01:13 改善と繰り返し
01:04:40 実践的なEO
01:11:16 まとめ
01:14:14 結論
01:16:39 今後の講義と視聴者の質問

説明

最適化が単なるスコア関数のための最適化プログラムを展開するだけの単純なデカルト的視点からは程遠く、サプライチェーンではより反復的なプロセスが必要です。各反復は「狂気じみた」決定を特定するために使用されます。その根本的な原因は、しばしば意図しない結果に関して再評価する必要がある不適切な経済ドライバーです。数値レシピが狂気じみた結果を生み出さなくなるまで反復は停止します。

フルトランスクリプト

皆さん、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。今日は「実験的最適化」を紹介します。これは一連の実験を通じてサプライチェーンの最適化を行うことを意味します。ライブで講義をご覧の方は、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、講義中はチャットを読みません。講義の最後にチャットにある質問に答えるために戻ります。

今日の目標は、サプライチェーンの定量的な改善です。それを制御可能で信頼性があり、測定可能な方法で達成したいと考えています。私たちはある種の科学的方法が必要です。現代科学の主な特徴の1つは、現実またはより正確には実験に深く根ざしていることです。以前の講義で、サプライチェーンの実験のアイデアについて簡単に説明し、一見すると長くて高価に思えると述べました。長さと費用は、私たちがなぜそれらの実験を行っているのかという目的を打ち砕く可能性さえあります。しかし、課題は、実験にアプローチするより良い方法が必要なことです。それが実験的最適化の目的です。

実験的最適化は、およそ10年前にLokadで生まれた実践です。実際に機能し、便利で利益をもたらす方法でサプライチェーンの実験を行う方法を提供します。それが今日の講義の特定のトピックです。

しかし、まずは科学の本質と現実との関係について考えてみましょう。

1934年にカール・ポパーが著した「科学的発見の論理」という一冊の本は、科学史上の画期的な出来事とされています。この本は、偽証可能性という驚くべきアイデアを提案しました。偽証可能性のアイデアがどのように生まれ、何を意味するのかを理解するために、カール・ポパー自身の旅を振り返ることは非常に興味深いです。

彼の若い頃、ポパーはいくつかの知識人のサークルに関わっていました。その中で特に興味深かったのは、当時のマルクス主義理論の支持者である社会経済学者のサークルと、アルベルト・アインシュタインを含む物理学者のサークルでした。ポパーは、社会経済学者たちが社会と経済の進化を説明する科学的理論を持っていることに気付きました。このマルクス主義理論は、何が起こるかについて予測していました。この理論は、革命が起こり、革命が最も産業化され、最も多くの工場労働者がいる国で起こると指摘していました。

結果として、革命は1917年に起こりましたが、それはヨーロッパで最も産業化されていない国であるロシアで起こりました。つまり、理論が予測していたこととは完全に逆でした。ポパーの視点からは、予測を行う科学的理論があり、それに反する出来事が起こったのです。彼が期待していたのは、理論が反証され、人々が別の理論に移ることでした。しかし、彼が見たのは非常に異なるものでした。マルクス主義理論の支持者たちは、出来事に合わせて理論を修正しました。それによって、理論は徐々に現実に対して免疫を持つものになりました。科学的理論として始まったものが、徐々に変更され、完全に免疫を持つものになり、現実の世界で起こることは理論に反することはありませんでした。

これは、物理学者のサークルで起こっていたこととは対照的でした。ポパーは、アルベルト・アインシュタインのような人々が理論を作り、自分自身の理論を反証するための実験を考えるために多大な努力をしているのを目撃しました。物理学者たちは、理論を証明するためにすべてのエネルギーを費やしているのではなく、むしろ反証するために費やしていました。ポパーは、どちらのアプローチが科学を行う上でより良い方法なのかを考え、偽証可能性の概念を開発しました。

ポパーは、理論が科学的と見なされるかどうかを判断するための基準として、偽証可能性を提案しました。彼は、理論が2つの基準を満たす場合に科学的であると述べました。第一の基準は、理論が現実に対してリスクを取る必要があるということです。理論は、言われていることに現実が反する可能性があるように表現される必要があります。理論が反証できない場合、それが真実か偽りかではなく、少なくとも科学的な観点からは重要ではありません。したがって、理論が科学的と見なされるためには、現実に対してある程度のリスクを取る必要があります。

第二の基準は、理論を検証しようとする科学者自身が投資した作業量に、ある程度の信頼性や信用を置くことです（ここでは簡略化しています）。理論の科学的特性は、多くのリスクを伴い、多くの人々がその弱点を利用して理論を反証しようとすることです。何度も失敗してきた場合、理論に一定の信頼性を持つことができます。

この視点は、真実と偽りの間に深い非対称性があることを示しています。現代の科学的理論は真実や証明されたものとしてではなく、保留中のものとして考えるべきです。多くの人々がそれらを反証しようと試みても成功しなかった事実は、それらに対する信頼性を高めます。この洞察は、サプライチェーンの世界において非常に重要であり、特に偽証可能性の概念は、現代物理学において最も驚くべき発展をもたらしました。

これはサプライチェーンに関するこのシリーズの第2章の3回目の講義です。プロローグの第1章では、サプライチェーンを研究対象と実践としての両方で私の見解を述べました。その中で、サプライチェーンは単純な解決策には向かない複雑な問題の集合をカバーしているという重要な洞察がありました。したがって、サプライチェーンを研究し実践するための方法論には非常に注意を払う必要があります。この第2章は、そのような方法論についてです。

第2章の最初の講義では、サプライチェーンの知識と改善をもたらすための質的な方法として、サプライチェーンのペルソナの概念を提案しました。ここでは、この3回目の講義で定量的な方法を提案しています：実験的最適化です。

サプライチェーンに定量的な改善をもたらすためには、数値モデルが必要です。少なくとも2つのアプローチがあります：主流の方法である数理最適化と、実験的最適化という別の視点です。

サプライチェーンに定量的な改善をもたらす主流のアプローチは数理最適化です。このアプローチは、問題と解決のペアの長いカタログを構築することです。しかし、私はこの方法はあまり良くないと考えており、実験的最適化という別の視点が必要です。これは、一連の実験を通じてサプライチェーンを最適化することと理解されるべきです。

実験的最適化はLokadで発明されたものではありません。それはまず実践としてLokadで現れ、後に概念化されました。私が今日紹介するのは、Lokadで徐々に現れた方法ではありません。それはもっと徐々に進化し、曖昧なプロセスでした。私は後年、この出現的な実践を再訪し、実験的最適化というタイトルの下でそれを確固たる理論としてまとめました。

まず、数理最適化という用語を明確にする必要があります。区別する必要がある2つの異なるものがあります：独立した研究分野としての数理最適化と、サプライチェーンの定量的改善の視点としての数理最適化です。まずは2番目の視点を一時的に置いて、数理最適化が独立した研究分野としてどのようなものかを明確にしましょう。

これは、画面に表示されるように記述された数学的問題のクラスに興味を持つ研究分野です。基本的には、任意の集合（大文字A）から実数への関数から始めます。この関数は、しばしば損失関数と呼ばれ、fで示されます。最適解を探していますが、それは集合である大文字Aに属し、改善することはできません。明らかに、これは非常に広範な研究分野であり、多くの技術的な問題が関与しています。一部の関数には最小値が存在しない場合もありますし、他の関数には多くの異なる最小値が存在する場合もあります。数理最適化は、多くの技術が開発され、他の多くの分野で非常に成功を収めた概念が導入された非常に豊かな研究分野です。しかし、今日はそれについてすべて議論しません。なぜなら、それがこの講義のポイントではないからです。

私が言いたいのは、数理最適化はサプライチェーンに関する補助科学として、独自の成功を収めてきたということです。それがサプライチェーンの定量的研究を深く形作っており、それがサプライチェーンの数理最適化の視点のテーマです。

私の最初のサプライチェーンの講義で紹介した2冊の本に戻りましょう。これらの2冊の本は、私が信じるところによれば、主流の定量的サプライチェン理論を代表しており、科学的な出版物とソフトウェアの製作の過去50年間を具現化しています。それは単に発表された論文だけでなく、市場に押し出されたソフトウェアも含まれます。サプライチェーンの定量的最適化に関しては、すべてのことが長い時間をかけてソフトウェアの手段を通じて行われています。

これらの本を見ると、各章が数理最適化の視点の応用と見なすことができます。常にさまざまな仮定を伴う問題の記述にまとめられ、その後、解決策の提示が行われます。解決策の正確性、そして時には最適性は、問題の記述に関して証明されます。これらの本は、数理最適化問題として自己を提示する問題解決のカタログです。

たとえば、予測は、予測誤差となる損失関数と、調整したいパラメータを持つモデルがある問題と見なすことができます。その後、最適なパラメータを与える数値的な最適化プロセスを学びたいと思います。同じアプローチは、在庫ポリシーにも適用されます。需要について仮定を立て、それを最適な解であることを証明する方法について取り組みます。

最初の講義で既に述べたように、私はこの主流のサプライチェン理論について非常に懸念しています。私が言及した本はランダムな選択ではありません。これらはサプライチェーン研究の過去数十年間を正確に反映していると信じています。さて、カール・ポパーによって導入された検証可能性の考え方を見ると、問題がはっきりと見えてきます。これらの本のいずれも、実際の世界のサプライチェーンに対して完全に免疫を持つため、実際には科学ではありません。本は純粋な数学的な構築物です。サプライチェーンがこれをやっているかどうかは、それらの本に関して何かを証明するか反証するかには何の影響もありません。それが私のこれらの理論に対する最大の懸念です。

ここで議論されているのは、単なる研究の問題ではありません。サプライチェーンに対応するためのエンタープライズソフトウェアの存在を見ると、現在市場に存在するソフトウェアは、非常に優れた科学的出版物の反映です。このソフトウェアは、これらの科学的出版物とは別に発明されたものではありません。通常、それらは一緒に開発されます。サプライチェーン最適化の問題に対応するために市場で見つかるエンタープライズソフトウェアのほとんどは、一定の一連の論文や書籍の反映です。これらの論文や書籍を製作した人々によってソフトウェアも製作されています。

ここで示されている理論の実際には現実とは何の関係もないという事実は、実際のサプライチェーンにおいては、これらの本に記載されている理論のほとんどが実際には役に立たない理由の非常に妥当な説明だと思います。これは私が主観的に述べている声明ですが、私のキャリアで何百人ものサプライチェーンディレクターと話をする機会がありました。彼らはこれらの理論を知っており、それについて詳しく知識がない場合でも、チームに知識がある人々がいます。会社で使用されているソフトウェアのほとんどは、すでにこれらの本で提示されている解決策の一連を実装していますが、それらは使用されていません。人々はさまざまな理由で自分自身のExcel スプレッドシートに戻ります。

ですから、これは無知の問題ではありません。私たちは非常に現実的な問題を抱えており、その根本的な原因は文字通り科学ではないということです。提示されていることを実証することはできません。これらの理論が間違っているわけではありません-数学的には正しいです-ただし、科学的な意味で科学である資格を持っていません。

さて、問題の範囲はどれくらいなのでしょうか？実際に私は2冊の本を選びましたが、サプライチェーンにおけるこの数学的最適化の視点の実際の範囲は非常に広範です。それを示すための一つの証拠として、最近Google Scholarという、科学的な出版物の結果のみを提供するGoogleの専門検索エンジンを使用しました。2020年だけで「最適な在庫」と検索すると、30,000以上の結果が得られます。

この数字はあくまで参考程度に考えるべきです。明らかに、このリストには重複が多数含まれている可能性があり、タイトルや要約に「在庫」と「最適」の両方の単語が含まれているが、実際にはサプライチェーンに関係のない論文もある可能性があります。それは偶然です。それにもかかわらず、結果の一部を簡単に調査すると、年間数千の論文がこの分野で発表されていることが非常に強く示唆されています。基準として、この数は非常に大きいです。例えば、ディープラーニングのような非常に大きな分野と比較してもそうです。ディープラーニングはおそらく過去20年から30年で最も成功を収めたコンピュータサイエンスの理論の一つです。ですから、「最適な在庫」というクエリだけで、ディープラーニングの結果の約1/5に相当するものが返される事実は非常に驚くべきことです。最適な在庫は、量的なサプライチェーンの研究の一部に過ぎません。

この単純なクエリは、数学的最適化の視点が非常に大きいことを示しており、量的なサプライチェーンの研究に関しては、実際には支配的であると主張できます。年間数千の論文が企業の運営に最適な在庫ポリシーや最適な在庫管理モデルを提供しているのであれば、多くの大企業がこれらの手法に基づいて運営されているはずです。わずかな数の論文ではなく、非常に大量の出版物について話しているのです。

私の経験では、私が知っている数百のサプライチェーンのデータポイントでは、実際の状況はまったく異なります。これらの手法はほとんど見られません。私たちは、発表されている論文（そしてソフトウェアも同様です。なぜなら、ソフトウェアはほとんどが科学的論文として発表されたものを反映しているからです）と実際のサプライチェーンの運営との間に、驚くべきほどの乖離があるのです。

私が持っていた疑問は、何千もの論文の中に何か価値のあるものがあるのでしょうか？私は数百の量的サプライチェーンの論文を読む機会を得ましたが、実際の世界に付加価値をもたらさない論文をほぼ確実に特定するための一連のヒューリスティックスを提供できます。これらのヒューリスティックスは完全に正確ではありませんが、99％以上の正確さを持っています。完全に正確ではないかもしれませんが、ほぼ完全に正確です。

では、実世界の価値をもたらす論文をどのように見つけるか、または逆に、何の価値ももたらさない論文をどのように拒否するかをどのように検出するのでしょうか？私はいくつかのヒューリスティックスをリストアップしました。最初のヒューリスティックスは、もし論文が何らかの最適性に関する主張をしている場合、その論文が実際のサプライチェーンに何の価値ももたらさないことを確信できます。まず、それは著者がサプライチェーンが本質的には難解な問題であるという事実を理解していない、または最も小さな理解も持っていないことを反映しています。最適な解の定義に戻ってみましょう。最適な解とは、改善の余地がない場合に最適な解であるとされる解です。最適なサプライチェーンソリューションがあると言うことは、人間の創造力には厳しい制限があると言っているのと同じです。私はそれを一切信じていません。それは完全に合理的ではない提案だと思います。サプライチェーンのアプローチには非常に大きな問題があることがわかります。

もう1つの問題は、最適性の主張がある場合、それに続くのは常に仮定に非常に依存した解決策であるということです。特定の一連の仮定に基づいて最適であると証明された解決策があるかもしれませんが、それらの仮定が破られた場合はどうなりますか？解決策は依然として有効ですか？それどころか、最適性が証明できる解決策を持っている場合、その解決策は仮定が正しくなるように非常に依存していると私は信じています。仮定を破ると、結果として得られる解決策は非常にひどいものになる可能性が非常に高いです。なぜなら、それは何に対しても堅牢に設計されていなかったからです。最適性の主張はほぼ完全に破棄できます。

もう1つは正規分布です。正規分布を使用すると主張する論文やソフトウェアの一部を見つけた場合、それが実際のサプライチェーンで機能しないことを確信できます。以前の講義で、サプライチェーンの定量的原則を示した際に、サプライチェーンの興味のあるすべての集団が正規分布ではなくジップ分布であることを示しました。正規分布はサプライチェーンには存在せず、私は数十年前からこの結果が知られていると確信しています。この仮定に依存する論文やソフトウェアを見つけた場合、それは数学的証明やソフトウェアの作成が容易になるために都合の良い解決策である可能性が非常に高いですが、実際のパフォーマンスを得るための意図はなかったということです。正規分布の存在は、単なる怠惰さであり、最良の場合でも、サプライチェーンについての深い理解がないことを示しています。これらの論文は拒否することができます。

次に、定常性ですが、それは存在しません。それは大丈夫に見える仮定です：事物は定常であり、同じものが増える。しかし、それは違います。それは非常に強力な仮定です。それは基本的に、時間の始まりから終わりまで続くプロセスがあると言っています。これは現実のサプライチェーンにとって非常に不合理な視点です。実際のサプライチェーンでは、どの製品もある時点で導入され、ある時点で市場から姿を消します。自動車産業などで見られるような比較的長寿命の製品を見ている場合でも、これらのプロセスは定常ではありません。最長で数十年しか続かないでしょう。興味のある寿命、興味のある期間は有限なので、定常の視点は完全に間違っています。

量的研究が機能しないことを特定するための別の要素は、置換の概念が存在しない場合です。実際のサプライチェーンでは、置換が至る所にあります。2週間前に前の講義で紹介したサプライチェーンの例に戻ると、供給側、変換側、需要側の少なくとも6つの状況で置換が行われていることがわかります。概念的に置換が存在しないモデルがある場合、それは実際のサプライチェーンとはまったく矛盾しているものです。

同様に、グローバリティの欠如やサプライチェーンに対する全体的な視点の欠如も、何かがうまくいっていないことを示す兆候です。サプライチェーンの定量的原則を紹介した前の講義に戻ると、もし局所最適化プロセスに似たものがある場合、何も最適化されないことを述べました。サプライチェーンはシステムであり、ネットワークです。したがって、局所最適化を適用しても、サプライチェーン全体のために実際に良い結果になるわけではありません。これは実際の状況ではありません。

これらのヒューリスティックスを使用すると、量的サプライチェーンの文献の大部分をほぼ排除できると思いますが、それ自体が驚くべきことです。

スライド9

問題の解決にこれらのヒューリスティックスを使用するようにすべてのサプライチェーンの会議やジャーナルの編集委員会を説得しようとしても、うまくいきません。著者はプロセスを適応させ、回避します。サプライチェーンのジャーナルに公開するためのガイドラインを追加しても、論文やソフトウェアの著者は適応します。正規分布や定常仮定に帰結することが一目でわからないように、より複雑な仮定を曖昧にします。

これらのヒューリスティックスは、論文やソフトウェアの低品質な貢献を特定するのに役立ちますが、それが良いものを選別するために使用することはできません。より深い変化が必要です。我々はまだ反証可能性を欠いています。現実はどこにも打ち返す場所がなく、提示されていることを反証することはできません。

スライド10

数学的最適化の視点での講義の最後の要素として、この膨大な論文とソフトウェアの生産にはどのような価値があるのでしょうか？私の非常に主観的な答えは、まったくありません。これらの論文は、量的サプライチェーンの論文の中でも非常に退屈です。補助科学を見ても、本当に興味深いものはありません。これらの論文を見ても、数千もの論文をリストアップしていますが、数学的な観点からは非常に退屈です。大きな数学的なアイデアは提示されていません。アルゴリズムの観点からは、アルゴリズムの分野で長い間知られているものの直接的な適用です。統計モデリングと方法論についても同じことが言えます。方法論に関しては、問題の声明に関していくつかの数学的な特性を持つ解を提供し、証明するという数学的最適化の視点に帰結します。

私たちは表面的な変化以上に変わる必要があります。私はアプローチ自体を批判しているわけではありません。これには歴史的な前例があります。何万もの無意味な論文があると主張しているのは完全に驚くべきことかもしれませんが、歴史的にはそれが起こりました。近代物理学の父の一人であるアイザック・ニュートンの生涯を見ると、彼は物理学に半分の時間を費やし、大きな遺産を残しましたが、もう半分の時間を錬金術に費やしました。彼は優れた物理学者であり、非常に貧弱な錬金術師でした。歴史的な記録は、アイザック・ニュートンが錬金術の研究に物理学の研究と同じくらい優れた、献身的で真剣な仕事をしたことを示しています。しかし、錬金術の視点がうまくフレームされていなかったため、ニュートンがこの分野に注入したすべての仕事と知識は、何の遺産も残さずに完全に無駄になりました。私の批判は、何千人もの人々がばかげたことを発表しているわけではないことです。それらの著者のほとんどは非常に賢いです。問題は、フレームワーク自体が無駄であるということです。それが私が言いたいポイントです。

スライド11

さて、今日紹介したい第2のモデリングアプローチに移りましょう。Lokadの方法論は初期の頃は数学的最適化の視点に深く根ざしていました。この点では非常に主流であり、私たちにとっては非常にうまく機能していませんでした。Lokadに特有なことの一つは、私がある時点でLokadがエンタープライズソフトウェアを販売するのではなく、直接エンドゲームのサプライチェーンの意思決定を販売することに決めたことです。私は本当に特定の会社が購入する必要のある正確な数量、会社が生産する必要のある数量、およびA地点からB地点に移動する必要のあるユニット数など、エンドゲームのサプライチェーンの意思決定を販売するビジネスをしていました。この私の半ば偶然の決定により、私たちは自分たちの不適切さに直面しました。私たちはテストされ、非常に厳しい現実のチェックがありました。もし私たちが悪いサプライチェーンの意思決定を行っていた場合、クライアントはすぐに私に文句を言いました。

title: “実験的最適化”

実験的最適化は非常にシンプルな方法です。目標は、サプライチェーンの意思決定を生成するためのレシピをソフトウェアで書くことです。この方法は次のように始まります：ステップ0では、意思決定を生成するレシピを書くだけです。ここでは、興味深いノウハウ、技術、ツールがたくさんあります。これはこの講義のトピックではありません。後の講義で詳しく説明します。したがって、ステップ1では、単にレシピを書くだけであり、おそらくそれはあまり良くないでしょう。

次に、無期限の反復プラクティスに入ります。最初にレシピを実行します。ここでいう「実行」とは、レシピが本番環境で実行できることを意味します。単にデータサイエンスのラボでアルゴリズムを実行できるだけではありません。レシピがすべての品質を備えている必要があります。つまり、それらの意思決定を本番環境に導入するのに十分に良いと判断した場合、1回のクリックで実行できるようにする必要があります。環境全体が本番用である必要があります。これがレシピの実行についての意味です。

次に、狂気のある意思決定を特定する必要があります。これは、サプライチェーン向けの製品指向のデリバリーに関する私の以前の講義で説明されています。この講義に参加していない方のために、要点を説明します。サプライチェーンへの投資は資本主義的である必要があります。そのためには、このサプライチェーン部門で働く人々が消火活動を行っていないことを確認する必要があります。現在のほとんどの企業では、サプライチェーンの意思決定はソフトウェアによって生成されています。ほとんどの現代企業は、サプライチェーンを実行するためにエンタープライズソフトウェアの一部を広範に使用しており、すべての意思決定はすでにソフトウェアによって生成されています。しかし、非常に多くの意思決定が完全に狂気じみています。サプライチェーンチームのほとんどは、これらの狂気じみた意思決定を手作業で再評価し、消火活動を行って排除しようとしています。したがって、すべての努力は会社の運営に消費されます。ある日はすべての例外をクリーンアップし、次の日には新たな例外のセットで戻ってきて、サイクルが繰り返されます。資本化することはできません。サプライチェーンの専門家の時間を消費するだけです。したがって、Lokadのアイデアは、これらの狂気じみた意思決定をソフトウェアの欠陥として扱い、完全に排除する必要があるということです。これにより、サプライチェーン自体の資本主義的なプロセスと実践を実現できます。

それができたら、計測を改善し、それによって数値レシピ自体を改善する必要があります。これらのすべての作業は、サプライチェーンサイエンティストによって行われます。私は最初の章の2番目の講義で導入した概念です。Lokadの視点から見た「数量的サプライチェーンの視点」です。計測は非常に重要です。なぜなら、より良い計測を通じて、サプライチェーンやレシピの状況をよりよく理解し、狂気じみた意思決定に対処するためにさらに改善できるからです。

しばらくの間、狂気じみた意思決定を説明する狂気の根本原因について考えてみましょう。サプライチェーンの責任者に、なぜ彼らのサプライチェーンオペレーションを統治するエンタープライズソフトウェアシステムが狂気じみた意思決定を続けるのか尋ねると、非常に一般的ながらも誤った答えが返ってきます。「ああ、それは単に予測が悪いからです」というものです。私はこの答えが少なくとも2つの点で誤解を招くと考えています。まず、非常に単純な移動平均モデルから最先端の機械学習モデルに移行することで得られる精度向上はおそらく20%程度です。ですから、それは重要ですが、非常に良い意思決定と完全に狂気じみた意思決定の違いを生むことはできません。第二に、予測の最大の問題は、すべての代替案を見ることができないことです。確率的ではありません。しかし、それはまた別の講義のテーマになります。

title: “狂気の根本原因”

予測の誤差は懸念事項ではありますが、狂気の根本原因ではないと私は考えています。Lokadでの10年間の経験から言えるのは、これはせいぜい二次的な懸念事項であるということです。狂気の決定を生み出す最大の問題は、データの意味論です。供給チェーンを直接観察することはできません。それは不可能です。あなたは、エンタープライズソフトウェアの断片を通じて収集した電子記録を介して、供給チェーンを反映としてのみ観察することができます。供給チェーンについて行っている観察は、ソフトウェアのプリズムを通じた非常に間接的なプロセスです。

ここでは、何百もの関係テーブルと何千ものフィールドについて話していますが、それらのフィールドの意味論は本当に重要です。しかし、あなたが正しい理解と心構えを持っているかどうかをどのように知るのでしょうか？特定の列が何を意味するのかを本当に理解しているかどうかを確かめる唯一の方法は、実験のテストにそれを置くことです。実験的最適化では、実験的なテストは意思決定の生成です。この列が何かを意味すると仮定します。それがあなたの科学的な理論です。そして、この理解に基づいて意思決定を生成し、意思決定が良ければ、あなたの理解は正しいということです。基本的に、あなたが観察できる唯一のことは、あなたの理解が狂気の決定につながるかどうかです。これが現実が反撃する場所です。

これは小さな問題ではありません。エンタープライズソフトウェアは複雑であり、バグがあります。数学的最適化の視点の問題は、問題を単純な仮定の連続として見て、比較的単純で数学的に優雅な解決策を展開できるようにするという点です。しかし、現実は、レイヤーの上にレイヤーのエンタープライズソフトウェアがあることを意味します。問題はどこでも発生する可能性があります。間違ったコピー、変数間の間違ったバインディング、同期する必要があるシステムが同期しないなど、これらの問題のいくつかは非常に平凡です。ソフトウェアのバージョンアップによってバグが作成される場合もあります。これらのバグはどこにでもあり、あなたにはバグがあるかどうかを知る唯一の方法は、再び意思決定を見ることです。意思決定が正しい場合、バグがないか、存在するバグが無意味であるかどうかです。

経済的なドライバーに関しては、サプライチェーンの責任者との議論で頻繁に誤ったアプローチが生じます。彼らはしばしば、彼らの会社に経済的なリターンがあることを証明してほしいと私に尋ねます。私のLokadでの経験から言えるのは、経済的なドライバーがまだわからないということです。これらのドライバーは、数値レシピ自体で実際の最適化を実行するために使用される損失関数を構築するために使用されます。これらの経済的なドライバーは、経験に基づいて発見され、検証される必要があります。最善の場合、正しいと思われることの直感しか持っていないかもしれませんが、経験と実験だけがあなたにあなたの理解が実際に正しいかどうかを教えてくれます。

それから、実用性もあります。意思決定を生成する数値レシピがあり、それらの意思決定があなたが述べたすべてのルールに準拠しているように見える場合でも、どうでしょうか？たとえば、最小発注数量（MOQ）がある場合、MOQに準拠した発注書を生成します。しかし、もしサプライヤーがMOQが別のものであると伝えてきたらどうでしょうか？このプロセスを通じて、実際の世界のテストに合格しない実用的でありそうな意思決定や制約が多く見つかるかもしれません。世界が反撃し、それを修正する必要がある場所で考えも及ばないようなエッジケースや制約を発見することがあります。

L5

L7

L8 では、どのようにして狂気じみた意思決定を特定するかについて説明しましょう。正気と狂気の意思決定の違いをどのように判断するのでしょうか？「狂気じみた意思決定」とは、会社にとって正気ではない意思決定のことを指します。この種の問題は、一般的な人間の知性が本当に必要な問題です。この問題をアルゴリズムで解決することは絶望的です。これは矛盾かもしれませんが、この種の問題は人間レベルの知性が必要な問題ですが、非常に頭の良い人間である必要はありません。

現実世界には、このような問題がたくさんあります。たとえば、映画のミスはその一例です。映画のすべてのミスを特定できるアルゴリズムをハリウッドスタジオに求めたとしても、彼らはそのようなアルゴリズムを考える方法がわからないと答えるでしょう。なぜなら、それは人間の知性が必要なタスクのように思われるからです。しかし、映画のミスを特定するために訓練された人々を持つことを目指す問題に変換すれば、タスクははるかに簡単になります。映画のミスを特定するためのすべてのトリックをまとめたハンドブックを作成することは非常に簡単です。この仕事をするためには、非常に頭の良い人間である必要はありません。あなたに必要なのは、合理的に頭の良く、献身的な人々です。それがまさにこの問題の本質です。

それでは、サプライチェーンの観点から状況はどのように見えるでしょうか？具体的な問題を検討するために、基本的には外れ値を探します。まずはアングルから始める必要があります。たとえば、2週間前に紹介したパリのペルソナに戻るとしましょう。これは、大規模なファッションストアの小売ネットワークを運営するファッション会社です。たとえば、サービスの品質に関心があるとしましょう。

まずはストックアウトから始めましょう。すべての商品とすべての店舗にクエリを実行すると、ネットワーク全体で数千のストックアウトが発生していることがわかります。ですので、それはあまり役に立ちません。もしかしたら、ストックアウトだけでなく、本当に興味があるのは、パワーストアでのストックアウトです。つまり、たくさん売れる商品のストックアウトです。パワーストアでのトップセラーのストックアウトを絞り込んで検索しましょう。

そして、在庫がゼロになっているSKUを調べることができます。しかし、よく見ると、その在庫は実際にはその日の始めには3個あったことがわかります。そして、最後の1個は店舗の閉店30分前に売れました。よく注意してみると、次の日には3個の在庫が補充されることがわかります。ですので、ここではストックアウトが発生しているように見えますが、本当に重要なのでしょうか？実際には、最後の1個は店舗の閉店直前に売れたものであり、数量は補充される予定です。さらに、もっと詳しく調べると、店舗には3個以上の在庫を置くスペースがないかもしれないことがわかります。ですので、ここでは制約があります。

ですので、これはあまり重要な懸念ではありません。在庫を補充する機会があったストックアウトに絞って検索するべきかもしれません - トップストア、トップ商品 - しかし、そうではありませんでした。そのような指定されたSKUの例を見つけ、その後、配送センターに在庫が残っていないことを確認します。ですので、この場合、本当に問題なのでしょうか？いいえと言えるかもしれませんが、ちょっと待ってください。配送センターに在庫がないかもしれませんが、同じ商品について、大規模なネットワーク全体を見てみましょう。どこかにまだ在庫があるのでしょうか？

この商品 - トップ商品、トップストア - について、まだ在庫がたくさんある弱い店舗がたくさんあることがわかりますが、回転していないだけです。ここでは、実際に問題があることがわかります。問題は、トップストアに割り当てられた在庫が不足しているわけではなく、むしろ初期の割り当て時に非常に弱い店舗向けに過剰に在庫が割り当てられたことです。ですので、問題の根本原因を特定するためにステップバイステップで進めていきます。在庫が少なすぎることではなく、逆に送りすぎることによってサービスの品質にシステムレベルで影響を与える品質の問題につながるサービス品質の問題によって引き起こされるサービス品質の問題にさかのぼることができます。

ここで私が行ったことは、統計の逆ですが、これは「狂気的な」意思決定を探しているときに重要なことです。データを集約したくありません。逆に、すべての問題が明らかになるように完全に非集約化されたデータで作業したいのです。データを集約し始めると、通常、それらの微妙な振る舞いは消えてしまいます。トリックは通常、最も非集約化されたレベルから始めて、何が起こっているのかを統計的なレベルではなく、非常に基本的な初歩的なレベルで理解できるようにネットワークを通じて進むことです。

この方法は、私が数量的なサプライチェーンで紹介した視点にも非常に適しています。経済的なドライバーが必要であると言っています。それはすべての可能な未来、すべての可能な意思決定であり、そして経済的なドライバーに基づいてすべての意思決定を評価します。結果として、これらの経済的なドライバーは、サプライチェーンで起こるすべてのSKU、意思決定、イベントを整理するのに非常に役立ちます。それらをインパクトのドルで減少する順に並べ替えることができます。これは非常に強力なメカニズムです。たとえ経済的なドライバーが部分的に正確でなかったり不完全であったりしても、与えられたサプライチェーンで何が起こっているかを調査し、高い生産性で診断するための非常に効果的な方法です。

この実験的な最適化手法を展開するイニシアチブの過程で「狂気的な」意思決定を調査するにつれて、真に狂気的で機能不全な意思決定から、単に悪い意思決定に徐々にシフトしていきます。これらの意思決定は会社を破壊することはありませんが、あまり良いものではありません。

スライド15

これは、サプライチェーンの数学的最適化の視点とは大きく異なります。

実験的最適化では、実験的最適化が内部的に数学的最適化ツールを使用しているため、損失関数自体には通常、数学的最適化の要素があります。しかし、それは手段であり、目的ではありません。数学的最適化の視点を通過する代わりに、ここでは問題自体について理解していることすら繰り返し挑戦し、損失関数自体を修正しています。

理解を深めるためには、ほとんどすべてを計測する必要があります。最適化プロセス自体、数値計算の手順自体、および操作するデータに関するさまざまな特性を計測する必要があります。非常に興味深いのは、歴史的な観点から見ると、最も重要な科学的発展の多くは、重要な発見が行われる数十年前に、計測の面での突破口があったことです。知識を発見する際には、通常、宇宙を観測する新しい方法を最初に発見し、計測レベルでの突破口を作り出し、それから世界で興味深いものを発見することができます。これがここで起こっていることです。ちなみに、ガリレオは自分で作った望遠鏡を持っていた最初の人物だったため、例えば木星の衛星を発見したのです。これらの指標は、本当にあなたの旅を前進させる本当の計器です。

スライド16

さて、課題は、実験的最適化が反復的なプロセスであるということです。ここで非常に重要な問題は、私たちが別の官僚制度とのトレードオフをしているかどうかです。私の主な批判の1つは、主流のサプライチェーン管理では、日常的に例外を処理するだけの人々の官僚制度になってしまい、彼らの仕事が資本主義的ではないということです。私はサプライチェーン科学者の対照的な視点を示しましたが、彼らの仕事は資本主義的に付加価値を生み出すことが期待されています。ただし、サプライチェーン科学者がどの程度生産的であるかによって、実際には異なります。

ここでは、この生産性に含まれるKPIの短いリストを示します。まず、データパイプライン全体を1時間以内に実行できる必要があります。私が言ったように、狂気の原因の1つはデータの意味論です。意味レベルで問題があることに気付いた場合、それをテストしたいと思い、データパイプライン全体を再実行する必要があります。サプライチェーンチームまたはサプライチェン科学者は、1日に複数回これを行える必要があります。

最適化自体を行う数値計算手順では、この時点でデータはすでに準備され統合されているため、全データパイプラインの一部です。非常に多くの反復が必要なので、1日に数十回の反復を行えるようにする必要があります。リアルタイムは素晴らしいですが、サプライチェーンの局所最適化は問題を解決しません。総合的な視点が必要です。サプライチェーンにおける単純または自明なモデルの問題は、サプライチェーンに存在するすべての複雑さを包括する能力において非常に優れていないということです。数値計算手順の表現力と能力と、それを更新するのにかかる時間との間にはトレードオフがあります。通常、計算を数分以内に保つ限り、バランスは良好です。

最後に、これはサプライチェーン向けの製品指向ソフトウェアの配信についての講義でも取り上げられたポイントですが、毎日新しいレシピを本番環境に導入できる必要があります。それをお勧めするわけではありませんが、予期しない出来事が起こる可能性があるため、それを行える必要があります。パンデミックかもしれませんし、そんなに派手ではないこともあります。常に倉庫が浸水する可能性がある、生産インシデントが発生する可能性がある、競合他社から大きな驚きのプロモーションがあるかもしれません。さまざまなことが起こり、オペレーションを混乱させる可能性があるため、迅速に是正措置を講じることができる環境を持っている必要があります。つまり、サプライチェーンレシピの新しいイテレーションを毎日本番環境に導入できる環境を整える必要があります。

スライド17

実験的最適化の実践は興味深いものです。Lokadのアプローチは新興の実践であり、今では日常の実践に徐々に移行してきています。初期の数年間、私たちは供給チェーンの文献から得た数学的な供給チェーンモデルを使用して、何かしらのプロト実験的最適化プロセスを実施していました。主な違いは、私たちはまだ反復していたが、私が実験的最適化として説明している非常に反復的なプロセスには適していないということでした。その結果、私たちは反復していましたが、新しいレシピを毎日1つずつ製品化することはできませんでした。新しいレシピを考案するのに数ヶ月かかることがほとんどでした。Lokadのウェブサイトで私たちがたどった道のりを見ると、私たちの予測エンジンについての連続した改良がこのアプローチの反映であることがわかります。予測エンジンを次世代の予測エンジンに移行するまでには、通常1クォーターごとに1つの大きな改良を行うという短い一連の改良が18ヶ月かかっていました。

それが以前の状況であり、ゲームが本当に変わったのはプログラミングパラダイムの導入です。私のプロローグの前の講義で、私は供給チェーンのためのプログラミングパラダイムを紹介しました。今回の講義では、なぜ私たちがこれらのプログラミングパラダイムにここまで注目しているのかがより明確になるはずです。それらはこの実験的最適化手法を支えるものです。サプライチェーンにとって本当に価値を創造するものに向かって効率的に毎日反復できる数値レシピを構築するために必要なパラダイムです。

さて、実験的最適化が実際に存在するかどうかについては、私の信念としては、それは出現したものです。Lokadで発明されたわけではなく、私たちは実際のサプライチェーンの意思決定において何度も自分たちの不十分さに直面したため、それが出現したと言えます。私は強く疑っていますが、同じような力にさらされた他の企業も、私が今日あなたに紹介したものとは異なるバリエーションの実験的最適化プロセスを独自に開発したのではないかと思います。

ここで、GAFAのようなテックジャイアンツを見ると、私はそこに接触している人々が、取引の秘密を明かすことなく、このような実践が異なる名前で行われているように思われると示唆しています。外部の観察者としても、彼らが公開しているオープンソースのツールの多くが、この実験的最適化手法に従ってイニシアチブを実施する場合に必要なツールとして本当に意味を持つものであることがわかります。例えば、PyTorchはモデルではなく、機械学習を行うためのメタソリューション、プログラミングパラダイムですので、このフレームワークに適合します。

そして、もしそれが非常に成功しているのなら、なぜそれがもっと認識されていないのかと思うかもしれません。実験的最適化が実際に存在することを認識するのは難しいです。ある時点で会社のスナップショットを撮ると、数学的最適化の視点とまったく同じように見えます。例えば、Lokadが私たちが提供するいずれかの企業のスナップショットを撮ると、その時点での問題の状況と私たちが提案した解決策があります。したがって、その時点では、状況は数学的最適化の視点とまったく同じように見えます。ただし、これは静的な視点にすぎません。時間の次元とダイナミクスを考慮し始めると、状況は根本的に異なります。

また、反復プロセスであるにもかかわらず、収束するものではありません。これは少し不安なことかもしれません。反復プロセスが最適なものに収束するという考えは、人間の創造力には厳しい制限があると言っているのと同じです。私はこれは奇抜な主張だと思います。サプライチェーンの問題は複雑であり、最適な解決策を見つける希望がある狭義に定義された問題ではありません。さらに、実践において収束しないもう1つの要因は、世界が常に変化していることです。あなたのサプライチェーンは孤立したものではありません。サプライヤーや顧客、市場環境が変化しています。ある時点で持っていた数値レシピは、市場状況が変わったために狂った意思決定を始める可能性があります。過去に合理的だったことが現在では合理的ではなくなっているのです。2020年のパンデミックで起こったことを見てください。明らかに、変化が非常に大きかったため、パンデミック前には正常だったものがパンデミック中には正常ではありませんでした。同じことが再び起こるでしょう。

スライド18

まとめると、私たちは2つの異なる視点を持っています。数学的最適化の視点では、明確に定義された問題に取り組んでおり、実験的最適化の視点では問題が困難です。問題を定義することさえできず、問題に向かって進むしかありません。数学的最適化の視点では、明確に定義された問題があるため、提供する解決策として明確なアルゴリズムを持つことができ、その正確性と最適性を証明するソフトウェアの一部としてパッケージ化することができます。しかし、実験的最適化の世界では、あまりにも複雑すぎてすべてをパッケージ化することはできません。持っているのはプログラミングのパラダイム、ツール、インフラであり、それから常に人間の知性の問題です。二度考え、三度計り、一歩前進することです。自動化できるものは何もありません。すべてはサプライチェーンの科学者の人間の知性に帰結します。

証明可能性の観点から、私の主張は、数学的最適化の視点は科学ではないということです。なぜなら、それが生み出すものを証明することはできないからです。したがって、最終的には洗練された競争になります。常により複雑なモデルを求めるのですが、それが洗練されているからといって、それがより科学的であるか、会社により多くの価値を生み出すかというわけではありません。これに対して、実験的最適化は反証に基づいています。すべての反復は、数値レシピを実世界のテストにさらすことによって駆動され、意思決定を生成し、正しい意思決定を特定します。この実験的なテストは、あなたの理論を何度も何度も挑戦し、間違っていることを証明するために一日に何度も行うことができます。そこから反復し、プロセスを通じて多くの価値を提供することを願っています。

興味深いことに、実験的最適化は洗練に向かう競争ではありません。それは基本に向かう競争です。サプライチェーンがどのように機能するか、サプライチェーンを支配する基本的な要素、そして数値レシピ内で何が起こっているのかを正確に理解することです。それによって、サプライチェーンにとって非常に良いものを生み出したいと思います。

スライド19

これは長い講義でしたが、結論は数学的最適化は幻想です。魅力的で洗練された幻想ですが、それでも幻想です。実験的最適化は、私にとっては現実の世界です。私たちは実際の企業のプロセスをサポートするために、ほぼ10年間これを使用してきました。Lokadはただの一つのデータポイントですが、私の視点からは非常に説得力のあるデータポイントです。これは実際の世界の味を知ることです。ところで、このアプローチはあなたにとって非常に厳しいものです。なぜなら、実際の世界に出て行くと、現実が反撃します。サプライチェーンを統治し最適化するためにどのような数値レシピが機能するかについての素敵な理論を持っていたのに、現実が反撃します。時には非常にイライラすることがあります。なぜなら、現実は常に考えつくすべての賢いことを元に戻す方法を見つけるからです。このプロセスは非常にイライラするかもしれませんが、私はこれが実際のサプライチェーンに実際の利益をもたらすために必要な現実の投与量だと信じています。私の考えでは、将来、サプライチェーンの研究と実践において、実験的最適化、またはこの方法の子孫が数学的最適化の視点を完全に超える時が来るでしょう。

スライド20

次の講義では、この実践をサポートするために使用できる実際の方法、数値的な方法、数値的なツールを見直します。今日の講義は方法についてのみ取り扱っていましたが、後で実際にそれを機能させるために必要なノウハウと戦術に取り組む予定です。次の講義は2週間後、同じ日時に行われ、サプライチェーンにおけるネガティブな知識についてです。

さて、質問を見てみましょう。

質問: サプライチェーンの論文は現実と何の関係も持たない場合、実際のケースはすべてNDAの下にあるとすれば、サプライチェーンの研究を行い、その結果を公表したいと思う人々に何を提案しますか？

私の提案は、方法に挑戦する必要があるということです。私たちが持っている方法はサプライチェーンを研究するのに適していません。このシリーズの講義で2つの方法を紹介しました：サプライチェーンの人員と実験的最適化です。これらの方法に基づいて行うべきことはたくさんあります。これらはただの2つの方法論です。まだ発見されていないか、発明されていない方法論がたくさんあると私はかなり確信しています。私の提案は、学問を実際の科学にするために、学問の本質に挑戦することです。

質問: 数理最適化が現実世界でのサプライチェーンの運営を最もよく反映していないのであれば、なぜ深層学習の方法がより良いのですか？深層学習は以前の最適な意思決定に基づいて意思決定を行っているのではないですか？

この講義では、数理最適化という独立した研究分野と、深層学習という独立した研究分野、そして数理最適化をサプライチェーンに適用した視点との明確な違いを示しました。私は数理最適化が研究分野として無効であると批判しているわけではありません。むしろその逆です。私が議論しているこの実験的最適化方法では、通常、数理最適化アルゴリズムが数値レシピの中核になります。ポイントは数理最適化の視点です。これに挑戦しているのです。微妙な違いですが、これが私が言っている重要な違いです。深層学習は補助的な科学です。深層学習は独立した研究分野であり、数理最適化も独立した研究分野です。どちらも素晴らしい研究分野ですが、サプライチェーンの定量的な改善に関心があります。それが私の目指すものです-制御可能で信頼性があり、測定可能な方法でサプライチェーンの定量的な改善を提供する方法です。それが今日の焦点です。

質問: 強化学習はサプライチェーン管理に適切なアプローチでしょうか？

まず、おそらくサプライチェーンの最適化には適切なアプローチです。これは私が以前の講義で示した区別です-ソフトウェアの観点からは、エンタープライズリソースマネジメントと最適化の2つの側面があります。強化学習は、深層学習や数理最適化の要素も活用できる別の研究分野です。これは実験的最適化方法で使用できる材料のようなものです。重要な部分は、その強化学習の技術を非常に流暢かつ反復的に操作できるプログラミングパラダイムを持っているかどうかです。それは大きな課題です。反復的に操作できるようにしたいのですが、もしも複雑な一体型の強化学習モデルがある場合、Lokadが初期の数年間にこれらの一体型モデルを使用しようとしたときと同様に、非常に遅い反復になるでしょう。反復をより流動的なプロセスにするためには、一連の技術的な突破が必要でした。

質問: 数理最適化は強化学習の重要な要素ですか？

はい、強化学習は機械学習のサブドメインであり、機械学習はある意味で数理最適化のサブドメインと見なすことができます。ただし、重要なことは、それを行うと、すべてがすべての中に含まれるということであり、それらの分野を本当に異ならせるのは、問題に対する同じ視点を採用していないことです。これらの分野はつながっていますが、通常、それらを異ならせるのは、持っている意図です。

質問: 深層学習の方法では、多くの先行意思決定を考慮することが多いですが、その文脈で「狂気のある意思決定」をどのように定義しますか？

狂気のある意思決定は将来の意思決定に依存します。これは、私が「在庫切れは問題ですか？」と言った例で実証したことです。在庫切れが問題ではないのは、次に行われる意思決定が「補充」であることがわかる場合です。したがって、この状況を狂気と見なすかどうかは、実際に行われる意思決定に依存していました。これは調査を複雑にしますが、これが調査の本質です。たとえば、在庫切れの状況を調査する場合、現在の数値レシピに従って行われる予定の意思決定も含めて、将来の意思決定を予測できるようにする必要があります。つまり、持っているデータだけでなく、現在の数値レシピに従って行われる予定の意思決定も見ることができるようにする必要があります。見てください、これは適切な計測機器を持つことの問題です。そして、これは簡単な課題ではありません。これには人間レベルの知性が必要です。ただ単に自動化することはできません。

質問: 実験的最適化、狂気の特定、および解決策の見つけ方は、実際にはどのように機能しますか？狂気が現実に起こるのを待つ必要はありませんよね？

完全に正しいです。この講義の最初に戻ると、私は2つのグループの人々、現代の物理学者とマルクス主義者について言及しました。私が彼らが適切な科学をしていると言ったとき、彼らは自分たちの理論が反証されるのを待つだけではなく、積極的に行動して、自分たちの理論を反証する可能性のある非常に巧妙な実験を設計するために努力していました。それは非常に積極的なメカニズムでした。

アルベルト・アインシュタインが彼の人生のほとんどで行ったことを見てみると、彼は彼が考案した物理学の理論を実験のテストにかけるための巧妙な方法を見つけることでした。ですので、狂気の決定を待つ必要はありません。だからこそ、自分のレシピを何度も繰り返し実行し、狂気の決定を探すために時間を費やす必要があります。もちろん、実用性のないものなど、いくつかの決定では希望がなく、本番で行う必要があり、その後、世界が反撃します。しかし、ほとんどの場合、狂気の決定は日々の実験を行うことで特定することができます。しかし、データが必要であり、実際の決定を生成する実際のプロセスが必要です。それらの決定を本番に投入することができる。

質問: 数学的な方法と/または視点によってレシピが壊れる可能性があり、この他の視点を知らない場合、問題は方法の問題ではなく視点の問題であることを発見し、問題に適した別の視点を見つけるために自分自身を導くことはできますか？

それは非常に大きな問題です。見えないものをどのように見ることができますか？パリの供給チェーンの人員の例に戻ると、小売店を運営するファッション会社では、季節末の割引を提供することで顧客の習慣に与える長期的な影響について考えるのを忘れてしまったとしましょう。自分たちの顧客基盤から習慣を作り出していることに気付かないのです。それをどのように気付くことができるでしょうか？これは一般的な知性の問題です。魔法の解決策はありません。

ブレインストーミングが必要です。ちなみに、Lokadの非常に具体的な答えは、会社がパリに拠点を置いているということです。私たちはオーストラリア、ロシア、アメリカ、カナダなど、20か国以上の遠隔地にいるクライアントにサービスを提供しています。なぜ私は供給チェーンの科学者のチームをパリに集めたのでしょうか？パンデミックの影響で少し複雑になっていますが、リモートワークも多くあります。しかし、なぜこれらの供給チェーンの科学者を一箇所に集めたのかというと、彼らが話し合い、ブレインストーミングを行い、新しいアイデアを出すためです。これも非常に低技術な解決策ですが、もっと良い解決策を約束することはできません。例えば、長期的な影響を考える必要性など、見えないものがある場合、それを忘れたり考えなかったりする問題は非常に明白で見落とされることがあります。以前の講義の中で、スーツケースの例を挙げました。スーツケースに車輪を付けるのは良いアイデアだという発明には5000年かかりました。車輪は何千年も前に発明され、スーツケースのより良いバージョンは人類を月に送り込んだ数十年後に発明されました。それは、何か明らかに見えないものがあるかもしれないという種類のことです。それにはレシピはありません。それはただの人間の知性です。あなたが持っているものをただやるだけです。

質問: 絶えず変化する状況によって、供給チェーンの最適な解決策は常に時代遅れになるのですか？

はいといいえの両方です。実験的最適化の観点からは、最適な解決策など存在しません。最適化された解決策は最適ではありません。最適とは、人間の創造力には厳しい制限があると言っているのと同じです。ですので、最適なものは存在せず、ただ最適化されたものだけです。そして、毎日経過するごとに、市場はこれまで行ったすべての実験から逸脱していきます。世界の純粋な進化によって、あなたが生み出した最適化は劣化していきます。それが世界のあり方です。たとえば、パンデミックが発生すると、逸脱は大幅に加速します。再度、それが世界のあり方です。世界は変化しているので、数値的なレシピもそれに合わせて変化する必要があります。これは外部の力ですので、逃れることはできません。解決策は常に見直される必要があります。

そのため、Lokadは定期購読を販売しており、お客様に「実装フェーズだけのためにサプライチェーンの科学者を提供することはできません。これはナンセンスです。世界は常に変化し続けます。数値的なレシピを考案したサプライチェーンの科学者は、時間の終わりまでまたは私たちに飽きるまでそこにいる必要があります。したがって、この人物は数値的なレシピを適応させることができます。逃れることはできません。これは単に変化し続ける外部の世界です。」と伝えています。

質問: 問題への旅は正しいですが、シニアマネージャーを狂わせます。彼らはこれを理解できません。プロジェクトのライフサイクルで問題を何度も見直すことはどのようにして広く存在する問題であることを証明するための既知の類推を提案しますか？

まず、前のスライドで「マトリックス」のスクリーンショットを掲載したときにまさにそれを言ったのです。ある時点で、あなたはファンタジーの中で生きるか現実の世界で生きるかを決めなければなりません。もしもあなたの会社の上級管理職がばかげているなら、私の唯一の提案は別の会社に行くことです。この会社が長く続くかどうかはわかりません。しかし、現実は、私はマネージャーはばかではないと思います。彼らはでっち上げの問題に対処したくありません。大企業のマネージャーであれば、1日に10回も「重大な問題」を抱えている人々があなたのところにやってきますが、それは実際の問題ではありません。正しい反応であるマネージメントの反応は「問題はまったくありません。これまで通りに続けてください。ごめんなさい、あなたと一緒に世界をやり直す時間はありません。これは問題を見る正しい方法ではありません。」というものです。彼らはそれをする権利があります。数十年の経験を通じて、彼らはそれを解決できます。彼らは階層の下の人々よりも優れたヒューリスティックスを持っています。

しかし、時には非常に現実的な懸念があります。たとえば、20年前に上級管理職に電子商取引が今後20年間で主要な勢力になると説得するにはどうすればよいでしょうか？ある時点で、あなたは賢明に戦いを選ばなければなりません。もしもあなたの上級管理職がばかではなく、準備をしっかりとしてミーティングに臨むなら、「ボス、私にはこの問題があります。冗談ではありません。何百万ドルもの重要な懸念です。私たちはテーブルに置いている大金を失っています。さらに悪いことに、何もしなければ競合他社のほとんどが私たちのビジネスを奪うでしょう。これは些細な問題ではありません。あなたに20分間の注意をお願いします。」と言って、上級管理職が完全なばかではない限り、大企業では珍しいことではありません。彼らは忙しいかもしれませんが、ばかではありません。

質問: 製造業にとっての適切なツールの景観はどのようなものですか？Lokadのような実験的最適化、ERP、可視化などはどうでしょうか？オンラインでの同時計画システムの役割はどうでしょうか？

私たちのほとんどの競合他社は、サプライチェーンにおける数学的最適化の観点に合わせています。彼らは問題を定義し、問題を解決するためのソフトウェアを実装しています。私が言っているのは、彼らがソフトウェアをテストにかけ、必ずばかげた意思決定を行う結果になった場合、「ああ、ソフトウェアを正しく設定しなかったからです。」と言うということです。これにより、ソフトウェア製品は現実のテストに対して免疫を持つようになります。彼らは批判をそらす方法を見つける代わりに、それに対処する方法を見つけるべきです。

Lokadでは、この方法は競合他社とは非常に異なるために生まれました。私たちは言い訳の余地がありませんでした。言い訳と結果のどちらかを選ぶことができますが、両方を持つことはできません。Lokadでは、言い訳をする選択肢はありませんでした。私たちは意思決定を提供しており、クライアント側から設定や調整するものはありませんでした。Lokadは自らの不十分さに直面していました。私の知る限り、私たちの競合他社は数学的最適化の観点にしっかりと根ざしており、現実に対して免疫を持つ問題に悩んでいます。正直に言うと、彼らは完全に現実に対して免疫を持っているわけではありませんが、Lokadの初期の年に私が説明したような非常に遅いイテレーションのペースになってしまいます。彼らは完全に現実に対して免疫を持っているわけではありませんが、彼らの改善プロセスは非常に遅く、世界は変化し続けています。

いつも起こることは、エンタープライズソフトウェアが世界全体と同じくらい速く変化しないため、ソフトウェアがただ年を重ねるだけであるということです。ソフトウェアは改善されているが、世界はますます異なり、元の場所から切り離されている世界から遠ざかっているだけです。

質問: 製造業にとっての適切なツールの景観はどのようなものですか？

適切な景観は、すべてのトランザクションの側面を管理できるエンタープライズリソース管理ツールです。さらに重要なのは、数値レシピに関して非常に統合されたソリューションを持つことです。可視化のためのテックスタック、最適化のための別のテックスタック、調査のための別のテックスタック、データの準備のための別のテックスタックを持つことは望ましくありません。これらの異なる要素のために半ダースのテクノロジースタックを持ってしまうと、それらをすべて組み合わせるためにソフトウェアエンジニアの軍団が必要になり、アジャイルの反対になるものになってしまいます。

実際のサプライチェーンの専門知識のための余地がなくなるほど、ソフトウェアエンジニアリングの能力が必要とされます。それは、私の第3回講義のポイントでした。サプライチェーンの専門家ではなく、ソフトウェアエンジニアが操作できるものが必要です。

以上です。2週間後、同じ日、同じ時間に「サプライチェーンにおけるネガティブな知識」でお会いしましょう。

参考文献

科学的発見の論理、カール・ポパー、1934年

Lokad TVに戻る ›

PREVIOUS EPISODES