00:00:08 管理手法としての予測付加価値の概要.
00:01:29 予測付加価値プロセスの説明とその登場理由.
00:02:06 予測プロセスの精度を定量するための指標の重要性.
00:03:37 複数チームによる多段階予測がなぜ機能しないかの議論.
00:07:55 複数のチームが協力して精度を向上させるという考えは魅力的ですが、科学的根拠はありません.
00:08:01 チェスチャンピオンの次の一手を一般投票に任せることの欠点.
00:10:31 サプライチェーンにおける予測付加価値の効果のなさ.
00:12:17 予測精度向上における手動介入の効果のなさ.
00:14:50 予測において、人間の判断より科学を信頼することの難しさ.
00:15:55 営業担当者の顧客理解と分析の詳細度.
00:16:00 予測は協力的な取り組みであるべきだという考えへの批判.
00:17:02 予測評価手法の最近の人気再燃.
00:17:23 指標の作成とアップグレード料金による金銭的利益の可能性.
00:19:10 コンサルタントが企業に実際の価値を提供しているのか、単なる多忙な作業を生み出しているのかを判断する重要性.
00:23:36 根本的な無能さを見極め、予測付加価値をリトマス試験として活用する必要性.
要約
予測付加価値(FVA)は、組織内の複数のチームが協力して精度を向上させるという、サプライチェーン予測における欠陥のあるアプローチです。Lokadの創設者であるジョアンネス・ヴェルモレルは、FVAが企業に明確な利益をもたらすことなく、供給チェーン管理に余分な複雑さを加えると主張しており、科学的根拠もありません。ヴェルモレルは、企業がサプライチェーンの課題に対してよりシンプルで効果的な解決策を見つけ、各分野の専門家を信頼すべきだと示唆しています。企業は、協力的な予測を推進するベンダーやコンサルティング会社の根本的な無能さを見極めるためのリトマス試験としてFVAを利用すべきです.
詳細な要約
このインタビューでは、ホストのキアラン・チャンドラーとLokadの創設者ジョアンネス・ヴェルモレルが、予測付加価値(FVA)の概念とサプライチェーン最適化におけるその有効性について議論します。FVAは、予測プロセスの各段階が最終的な予測に対して正または負の影響を与えるかを特定することで、予測の精度を向上させる手法として、2000年代初頭に登場しました。このアプローチは、通常、マーケティング、営業、製造など、組織内のさまざまなチームが協力して予測を作成することを伴います.
FVAの背後にある考えは、プロセスの各段階の精度を測定することで、予測の精度に正または負の影響を与えるチームを特定できるというものです。これは、バックテストを通じて、ベースライン予測の精度と、異なるチームからの追加情報を加えた予測の精度とを比較することで行われます.
しかし、ヴェルモレルはこのアプローチが実際には機能せず、科学的研究によって支持されていないことを指摘します。統計的予測の文献は、企業内で予測が部署から部署へと移る多段階プロセスを推奨しておらず、実際、予測コンペティションでは、勝者がそのような手法に頼っていないことが一貫して示されています.
欠点にもかかわらず、FVAは誰もが貢献しプロセスに参加していると感じられる魅力的な解決策であるため、人気を博しています。ヴェルモレルは、これをチェスチャンピオンの次の一手を助けようとする人々の集団に例えており、その結果、パフォーマンスの向上ではなく、むしろ混乱を招く可能性があると述べています.
予測付加価値は、サプライチェーン予測において人気のあるものの欠陥のあるアプローチです。これは、精度向上を目的として、組織内のさまざまなチームが協力することを伴います。しかし、この手法は科学的研究によって支持されておらず、実証的証拠もより良い予測につながらないことを示唆しています。FVAの魅力は、集団参加への欲求や、意思決定プロセスの一部であることから得られる満足感に起因しているのかもしれません.
彼らは予測付加価値の概念とその欠陥について議論しました。彼は、これがサプライチェーン管理に余分な複雑性を加え、プロセスを遅延させ、業務を複雑化する官僚的な考えであり、企業に明確な利益をもたらさないと考えています.
ヴェルモレルは、予測が協力的な取り組みであるという前提は誤りであると主張します。科学や過去の予測コンペティションはその考えを支持しておらず、人間の脳は統計的ノイズに対処する能力が十分ではなく、手動の介入は予測精度を低下させる傾向があると強調しています。彼は、予測を手動で調整するよりも、予測の基礎となる数値的レシピの改善に注力する方が効率的だと示唆しています.
彼は、数年にわたり合理的な数値レシピを開発してきた専門家よりも、非専門家が複雑な数値作業をうまく行えるとは疑問視しています。例えば、営業チームは通常、個々のSKU需要の予測に必要な粒度よりもはるかに粗いレベルで運用しているため、その知見は数値レシピの改訂に活用され、より正確な予測につながるべきです.
ヴェルモレルの懸念にもかかわらず、予測付加価値は近年、再び人気を博しており、多くのコンサルタントやソフトウェアベンダーがこの手法を推進しています。しかし、彼はこのアプローチに対して批判的であり、サプライチェーン管理における予測精度向上の最も効果的な方法ではないと考えています.
ヴェルモレルは、ソフトウェアベンダーが必ずしも価値を提供しない複雑なサプライチェーン問題の解決策を提供することで利益を得ていることに懸念を示しています。彼は、多くのベンダーが顧客に本当の価値を見極めにくくするために、気を散らす手法を用いて自社の製品やサービスを販売していると示唆しています.
ヴェルモレルは、複雑さそのものを追求することを避ける重要性を強調しています。彼は、プロセスに不要な次元を追加することが、問題を二乗的に複雑にする可能性があり、企業にとって有益でない場合があると指摘しています。さらに、ベンダーはこれらの複雑な解決策に対して、アップグレードやコンサルティング料金も含めて高額な料金を請求することが多いと考えています.
価値あるコンサルタントと、単に指標を作成するだけのコンサルタントを区別するために、ヴェルモレルは、企業が提供されたサービスや解決策が実際に価値を追加しているのか、それとも単なる無駄な作業を生み出しているのかを自問すべきだと提案しています。彼は、プロセス内に余分な複雑さを加えることがより良い結果につながらない可能性があるため、内向きではなく外向きの解決策に焦点を当てる重要性を強調しています.
サプライチェーン管理の文脈において、ヴェルモレルは予測が協力的な取り組みであるべきとの考えに反対しています。これは、建物の電力供給がチーム作業とみなされないのと同じであると例えています。彼は、予測が協力的なプロセスである理由はなく、企業はサプライチェーンの課題に対して、よりシンプルで効果的な解決策を見つけることに注力すべきだと主張しています.
ヴェルモレルは、電気設備やサプライチェーン予測など、さまざまな分野の専門家を信頼する重要性を強調しています。彼は、協力的な予測手法がしばしば逆効果であることを指摘し、予測における手動介入が有害になり得ることを実証する一連の論文を引用しています。これは、人間がランダム性をうまく認識できないためであり、パターンの識別には秀でているものの、ランダム性の理解に苦労するからです.
ヴェルモレルは、協力的な予測アプローチが優れていると証明されるまでは、それを信用すべきではないと主張しています。また、予測コンペティションに参加するような業界の著名な研究者たちが協力的な手法を採用していないことに言及し、こうした協力的予測手法を推進するベンダーやコンサルティング会社に対して、企業はより懐疑的であるべきだと示唆しています.
このインタビューの核心メッセージは、企業は協力による予測改善を試みるのではなく、サプライチェーン管理における根本的な無能さのある領域を見極めることに注力すべきだということです。ヴェルモレルは、協力的な予測を推進するベンダーやコンサルティング会社の根本的な無能さを検出するリトマス試験として予測付加価値を利用することを推奨しています。彼は、真の意味を理解していない占星術や人工知能に基づく手法を推進するベンダーを見抜くことに例えています.
ヴェルモレルは、サプライチェーン最適化分野のベンダーやコンサルティング会社と関わる際には予測付加価値を無能さを見極めるツールとして活用し、慎重であるべきだと助言しています。専門家を信頼し、協力的な予測手法を避けることが、より効果的なサプライチェーン管理につながります.
フル・トランスクリプト
Kieran Chandler: 今日は、この手法がいかにうまく機能するのか、そしてなぜ予測を分解することが実際により難しい判断につながるのかについて議論します。それでは、ジョアンネス、今日の予測付加価値の背後にあるアイデアは何ですか?
Joannes Vermorel: 予測付加価値は、2000年代初頭、あるいは90年代に登場したプロセスです。以前の出版物は見当たりませんが、それほど複雑なアイデアではないため、すでに90年代には様々な名称や形式で実践されていたと考えられます。基本的には、最終成果物である予測を構成する際に取られた各ステップが実際に精度を向上させているかどうかを特定することで、予測の精度を定量的に改善することを目的としたプロセスです.
例を挙げると、まず予測チームがベースライン予測を作成します。次に、マーケティングチームが介入し、例えばキャンペーンに関する追加のマーケティングインサイトに基づいてこのベースラインを調整します。その後、営業チームが介入し、持っている追加の営業インサイトにより自らの補正層を加えます。さらに、生産部門が介入する、といった具合です。そして、最終的に予測チームに戻り、計画が締めくくられるというのが、基本的にSNLPプロセスの一環として行われる作業です。予測付加価値プロセスは、予測プロセスの各ステップによって導入されるデルタ(変化)を、精度を向上させているか低下させているかという観点で評価するための指標を確立することから成り立っており、結果的に、最終的に予測精度を低下させる要因を除去するというアイデアが含まれています.
Kieran Chandler: では、なぜこのアイデアが生まれたのでしょうか? 多くの異なる関係者を巻き込むと、確かに物事が複雑になるからです.
Joannes Vermorel: はい、実際、2000年代初期の論文では、多くの手によって予測が作成されると、意図とは逆に予測精度が低下する結果になることが示されています。結論としては、移動平均と季節性などのナイーブなベースライン予測を維持する方が、様々な人が予測をあれこれと調整した場合よりも正確であるということです。しかし、論理的には、悪い寄与を除去して良い寄与だけを保持すべきであり、そのことで初期の精度が追加の寄与によりさらに向上するという、両方の良い面を享受できるはずなのです.
Kieran Chandler: では、どのチームが良い寄与をしており、どのチームが悪い寄与をしているのか、どうやって判断するのですか?
Joannes Vermorel: ごく単純に、バックテストを行うことで.
Kieran Chandler: 前四半期のベースライン予測の精度はどうでしたか? 営業チームの寄与を加えたベースライン予測の精度はどうでしたか? そして、ベースラインのみの予測と、最初の補正層を加えた予測という二種類の設定があります。これにより、予測の精度が向上したかどうかを確認できます。そして、各段階ごとにこの実験を繰り返すことで、直前の精度と比較し、結果を特定することができます.
Joannes Vermorel: これは基本的にバックテストプロセスに似ていますが、分析においてさらに細かい粒度のレベルを追加している点が異なります。変更前後のそれぞれの精度を、予測プロセスの重要なステップに注目して分析・比較したいのです。ここで言う重要なステップとは、組織の視点から、あるチームに予測が渡され、そのチームが補正を行い、さらに別のチームに渡される、といったプロセスを定義しています。その全体が企業内で循環し、最終的に全体の予測プロセスを担当する元の予測チームに戻るのです.
Kieran Chandler: 論理的には意味が通ります。つまり、より多くの人々の専門知識が集まるので、結果的に精度が向上するはずだと。しかし、では大きな問題は何なのでしょうか?
Joannes Vermorel: 問題は、単純に機能しないということであり、科学的な証拠に裏付けられていない点です。直感的で良さそうに聞こえるものですが、統計的予測の文献を見ると、この手法に取り組んでいる科学者は実際には存在しません。たとえ複数段階の予測モデルがあったとしても、その全段階が1つのアルゴリズム内に統合されており、結局は1つのソフトウェアに過ぎません。企業内で部門から部門へと予測が移ることで統計予測を精緻化できるという考えは、ほとんど狂気です。マクリダキス教授が主催するような長年続く予測コンペティションを見ても、最終的に勝利した人々は、専門家から専門家へと予測が渡る多段階のプロセスには頼っていませんでした。私の見解では、これは皆を幸せにするため非常に魅力的に見えるのです。誰もが貢献でき、前向きな感情が生まれるからです。
Joannes Vermorel: このプロセスではそうですが、実際の動作はそうではありません。例えば、チャンピオンのチェスプレイヤーがいるとして、「さあ、このチャンピオンの次の一手を決めるために、多くの人の票を集めよう」と言ったところで、チャンピオンが良くなるわけはありません。最良の結果を望むなら、彼または彼女にチャンピオンがふさわしい通りにプレイさせるだけで十分です。
Kieran Chandler: では、なぜこのような考え方がこれほどまでに広まったのでしょうか?多くの人々を幸せにし、貢献していると感じさせる何かだからなのでしょうか?つまり、なぜ人々は「予測付加価値」という言葉を耳にするのでしょうか?
Joannes Vermorel: 私は、これは非常に官僚的な考え方であり、内向きな性質が強いために多くの魅力を放つのだと思います。しかし、リスク管理のような実際の問題に取り組み始めると、確率的予測の定義に向けた実践のアップグレードが強いられ、非常に複雑になってしまいます。予測付加価値は些細なものです。要求される数学のレベルは中学校程度です。見た目は良く、誰も『予測付加価値』に知的挑戦を感じることはありません。本当に極めて単純なのです。
Joannes Vermorel: 見た目が良く、合理的に聞こえるこのプロセスを誰かに任せるために、サプライチェーンにもう一層官僚主義を加えるのは非常に魅力的です。しかしそれは、結局全員を忙しくさせるだけで、あなたはその作業に秀でているように見せかけるだけです。こんな単純明快な「予測付加価値」で失敗するはずがありませんが、実際には、余分な複雑性を追加することで、すべてを遅らせ、複雑にし、混乱させる結果になります。もちろん、短絡的なKPIは少しだけ向上するかもしれませんが、それが実際に企業に利益をもたらすかは全く不明です。極めて狭い視点のKPIから見ると、多少は改善されるかもしれません。
Kieran Chandler: しかし、特定の中核部分に注力すれば大幅な改善が見込めるという要素はないのでしょうか?
Joannes Vermorel: まず取り除くべきは、この提案の根本前提が完全に誤っているという点です。その前提とは、予測は共同作業で行うべきだというものです。しかし、実際はそうではありません。科学はこの提案を全く支持しておらず、過去数十年にわたる予測コンペティションもまたこれを支持していません。私が読んでいる論文もまた、この提案を支持していません。つまり、前提自体が完全に間違っているのです。予測は、共同作業で行えばより良くなるものではありません。したがって、全員が参加して貢献するという考えは全くの誤りなのです。
Kieran Chandler: そして根本的なこととして、Lokadでは手動での微調整が予測に与える影響をベンチマークしましたが、その結果、必ずしも正しいわけではなく、むしろ予測精度を低下させることが判明しました。しかし、これを実現するには、誰かが大きく間違った統計予測を見たときに、予測を手動で修正するのではなく、根底にある数値レシピを改良すべきだという考え方を持つ必要があります。ここでいう数値レシピとは、実戦で十分に検証された合理的なものを指しています。例えば、ストックアウトを考慮に入れなければ、ゼロの売上とゼロの需要を混同してしまい、これは完全に間違っているのです。
Joannes Vermorel: そうです、数値レシピはストックアウトを認識できるようにすべきです。デバッグ的な問題をすべて解決し、モデルが実戦で検証されデバッグされた後、Lokadでは多くの顧客の要請に応じて、手動介入前後の予測精度を調べる多くのベンチマークを行いました。そして毎回、手動介入は予測精度を劣化させる結果となったのです。実際、人間の心は統計的雑音を扱うのが苦手です。統計的雑音はそのままでは知覚されず、私たちはあらゆるところにパターンを見出してしまいます。統計的雑音そのものを見極めるのは非常に困難であり、結果として、単純な統計手法である移動平均法でさえ、人間の判断を上回る傾向があるのです。たとえ僅かに移動平均法より優れていたとしても、それでもなお優れているのです。
Kieran Chandler: つまり、あなたが提唱しているのは、一人のチャンピオンが予測を作り出すという考え方です。そして、なぜ人々は科学に信頼を寄せるのがこれほど難しいと感じるのでしょうか?なぜこれほどの信頼飛躍が必要なのでしょうか?
Joannes Vermorel: それは信仰の飛躍ではありません。科学は何かを単に信じさせるものではなく、何が起こっているのかを理解させるものだからです。問題は、全くの専門外の人が、大量のデータセットに飛びつき、たまたまのスプレッドシートや頭の中だけで複雑な数値計算を、何年もかけて合理的な数値レシピを探し出す専門家よりも上手くできるはずがない、ということです。どんな魔法が使われるはずでしょうか?そして、市場に対する洞察があると言う人もいるかもしれませんが、それはどの程度の詳細さで語られるのでしょうか?たとえば、典型的な企業で約20,000のSKUがあるとして、営業チームの5人に20,000SKUのスプレッドシートを渡して彼らの洞察を求めたとしましょう。
Kieran Chandler: つまり、これらのキューが上がったり下がったりするかどうかというあなたの意見ですが、営業チームのメンバーであれば、B2Bビジネスにおいてせいぜい6社程度の重要なVIPクライアントを担当しているはずです。これらのクライアントは四半期ごとに何千もの製品を様々な数量で注文します。営業担当者として働くなら、そんな細かなSKUレベルで動くことはありません。あなたの扱う粒度は、クライアントが一つの組織であり、その組織内の複数の人々に関するものだからです。組織全体としての動向は把握できるかもしれませんが、20,000以上のSKUの詳細となると、彼らは文字通り把握できず、ただ適当に推測して仕事が済んだと見せかけるだけなのです。
Joannes Vermorel: それが錯覚なのです。もし本当に重要な洞察があるのなら、なぜそれらの追加情報を入力として利用できるように数値レシピを明示的に改訂しないのでしょうか?そうすれば、はるかに少ない労力で、より高い精度で仕事が遂行されるのです。
Kieran Chandler: では、これは依然として存在する問題だと言えますか?それとも、予測を一人に任せるのではなく、他の方法へと移行しているということでしょうか?
Joannes Vermorel: 予測評価はここ数年で再び人気を博しています。多くのコンサルタントや、かなり方向性を誤ったソフトウェアベンダーさえもが、この手法を推進しているのです。正直なところ、Lokadのようなベンダーにとっては、ここから大量の利益が得られる余地があるのです。これは完全な気晴らしとなるもので、気晴らしを提供するベンダーは決して失敗しません。最初から大きな利益を得ることはなかったものの、逆に明らかな損失も発生しないのです。つまり、失敗することがありえないのです。これこそ非常に良い点です。気晴らしは失敗が許されない使命なのです。
数週間あるいは数ヶ月を費やして、無数の指標の壁を作り出すことができます。それにより、これまで行っていた全てのものにもう一つの次元が加わり、各工程がどのように利益をもたらし、または害をなすかを示すのです。つまり、問題を二次的に複雑にしているのです。元々は非常に単純なもので、ただ一つの次元が追加されるだけですが、結果として飛び抜けて複雑になってしまいます。例えば、10段階ある大企業であれば、これまで測定していたすべての項目に対して文字通り10倍の指標が発生することになり、その分料金を請求できるのです。アップグレード料やコンサルティング料など、何でも。
Kieran Chandler: では、実際に価値を提供しているコンサルタントと、ただ指標を作り出すためだけのコンサルタントを、どう区別すればよいのでしょうか?
Joannes Vermorel: 自分自身に問いかける必要があります。あなたは本当に実質的なことを行っているのか?実際に影響を与える何かを成し遂げているのか?
Kieran Chandler: では、この協力的な予測手法は企業にとって本質的な価値を持つとお考えですか?それとも、単に忙しさを作り出し、官僚主義を温存しているだけなのでしょうか?
Joannes Vermorel: 目安として、サプライチェーンの官僚的中核について内向きか外向きかを議論したように、今回はまさに内向きの典型例です。既存の予測プロセスを分解し、その内部にもう一層の複雑性を加えて改善しようとしても、現実世界では効果がありません。内向きになって人工的な層を重ねても、組織が本当に良くなるわけではないのです。この抽象化から付加価値は生まれません。単純な発想としては、予測が共同作業で行われるべきだという前提自体を捨てるべきなのです。
建物に電気が供給される状況のように、多くのものはチーム全体で行うものではありません。建物に電気を供給するために全員の参加が必要だとは思わないでしょう。まともな電気設備を望むなら、その仕事を確実にこなす専門家を信頼すべきであり、不安全な電気設備で建物が燃えないようにするのです。チームワークでより良い電気設備が得られるという考えはナンセンスであり、予測においても同様です。
「科学を信じろ」と言う時、私が意味しているのは、予測への手動介入が有害であると示す一連の論文が存在するということです。これらの論文は約20年前のものであり、その結果は驚くべきものではありません。なぜなら、人間のランダム性の認識を検証する心理学の分野が存在するからです。結果として、人間の心はランダム性を理解するのが非常に苦手であり、パターンを見るのは得意でも、ランダム性そのものを捉えるのは苦手なのです。
Kieran Chandler: つまり、協力的な予測が優れていることを実証できるまで、あなたを信用すべきではないという非常に正当な理由があると私は考えます。そして、上位100位に入る競争相手の誰もが協働手法を用いておらず、この分野の一流研究者(例えばForemanなど)もまたそれを用いていないのを見ると、彼らの書籍を最初から最後まで読んでも、そのような手法は見当たりません。これは全くのナンセンスであると考えるのが合理的です。とても良さそうに見え、合理的に感じられるものでも、完全に誤っているものが数多く存在します。まるで、周りを見渡せば地球が平らであるかのようなものです。
Joannes Vermorel: さて、今日のまとめとして、核心メッセージはもっと過激なものです。サプライチェーンを改善したいのであれば、全く何も分かっていない、まさにボゾのような抜本的無能の箇所を特定する必要があります。ビジネスにおいては、そのような人物が一見すると真面目に見えることもありますが、『予測付加価値』は抜本的無能を見抜くためのリトマス試験として扱うべきです。もし、ある予測ベンダーが自社サイトでそれを推進しているなら、そのベンダーは完全に無能と判断すべきです。もしコンサルティング会社がそれを主張しているなら、彼らもまた完全に無能と見なせます。これは、ブロックチェーンや人工知能が、実際には何も分かっていないことを示すテストと同様のもので、例えば人工知能を推すなら、彼らは全くの無知であると判断できるのです。次に進むべきです。もし、実際に占星術に基づく手法を推進するベンダーがいたなら、「その人たちは信用に足らない、あなたは排除される」と言うでしょう。あなたの理屈は聞きたくもありません。あなたが完全な詐欺師である確率が99.9%であることは私も分かっています。それで良いのです。『予測付加価値』は、完全に無能であると証明する企業やコンサルタントを排除するためのリトマス試験として機能するのです。だから、それをフィルターとして活用すべきです。
Kieran Chandler: では、ここで終わりにしますが、いくつかの企業はリストから除外する必要がありそうです。今週はこれで全てです。ご視聴いただきありがとうございました。また次回のエピソードでお会いしましょう。ご視聴ありがとうございました。