00:00:08 予測付加価値の概要としての管理技術。
00:01:29 予測付加価値のプロセスの説明となぜそれが生まれたのか。
00:02:06 予測プロセスの精度を決定するための指標の重要性。
00:03:37 複数のチームによる多段階予測が機能しない理由についての議論。
00:07:55 精度を向上させるために複数のチームが協力するという考えは魅力的ですが、科学的には支持されていません。
00:08:01 チェスのチャンピオンの次の一手を一般の人々に投票させることの欠点。
00:10:31 供給チェーンにおける予測付加価値の無効性。
00:12:17 予測精度の向上における手動介入の無効性。
00:14:50 予測において科学を人間の判断に対して信頼することの困難さ。
00:15:55 販売員が顧客を理解し分析する際の詳細さ。
00:16:00 予測は協力的な取り組みであるべきという考え方への批判。
00:17:02 予測評価方法論の人気の再燃。
00:17:23 メトリクスの作成とアップグレードの料金化による財務的利益の可能性。
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か、単なる忙しい仕事かを判断する重要性。
00:23:36 根本的な無能力を特定し、予測付加価値をリトマス試験として使用する必要性。
概要
予測付加価値（FVA）は、組織内のさまざまなチーム間の協力を通じて供給チェーンの予測精度を向上させるという、欠陥のあるアプローチです。Lokadの創設者であるJoannes Vermorelは、FVAが企業に明確な利益をもたらさず、科学的な研究にも裏付けられていないと主張しています。Vermorelは、企業は自社の供給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、さまざまな分野の専門家を信頼すべきだと提案しています。企業は、ベンダーや協力型予測を推進するコンサルティング会社における根本的な無能力を検出するためにFVAをリトマス試験として使用するべきです。
詳細な概要
このインタビューでは、司会のKieran ChandlerとLokadの創設者であるJoannes Vermorelが、予測付加価値（FVA）の概念と供給チェーンの最適化におけるその効果について議論しています。FVAは、予測の精度を向上させるために、予測プロセスの各ステップが最終的な成果物に対してどのようにプラスまたはマイナスの影響を与えるかを特定することで、2000年代初頭に登場しました。このアプローチでは、マーケティング、販売、生産など、組織内のさまざまなチームが予測に協力することが一般的です。
FVAの背後にある考え方は、プロセスの各ステップの精度を測定することで、予測の精度にプラスまたはマイナス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、ベースライン予測の精度と、異なるチームからの追加の入力を含んだ予測の精度を比較することによって行われます。
しかし、Vermorelは、このアプローチは実践的には機能せず、科学的な研究にも裏付けられていないと指摘しています。統計的な予測の文献では、予測が会社内の部門から部門へと移動するような多段階プロセスを推奨していません。実際、予測競争では、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。
その欠点にもかかわらず、FVAは広まっています。なぜなら、誰もがプロセスに貢献し、含まれることを可能にする魅力的な解決策だからです。Vermorelは、これをチェスのチャンピオンが次の一手を打つのを助けようとするグループのアイデアになぞらえ、それがむしろパフォーマンスの向上よりも気を散らす結果になるだろうと述べています。
予測価値付加は、サプライチェーンの予測において人気のあるが欠点のあるアプローチです。これは、組織内のさまざまなチームとの協力を伴い、精度を向上させることを目的としています。しかし、この方法は科学的な研究に裏付けられておらず、経験的な証拠は、より良い予測につながらないことを示しています。FVAの魅力は、集団参加の欲求と意思決定プロセスへの参加から得られる満足感に由来する可能性があります。
彼らは予測価値付加の概念とその欠点について議論しました。彼はこれをサプライチェーン管理に複雑さを追加する官僚的な考えと考えており、プロセスを遅くし、操作を複雑にするだけでなく、会社に明確な利益をもたらさないと述べています。
Vermorelは、予測が協力的な取り組みであるという前提は間違っていると主張しています。科学と過去の予測競技はこの考えを支持していません。彼は、人間の心は統計的なノイズに対処するのに適していないと強調し、手動の介入は予測の精度を低下させる傾向があると述べています。彼は、予測を手動で調整する代わりに、予測の基礎となる数値レシピの改善に重点を置く方が効率的だと提案しています。
彼は、数年間にわたって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タスクをより良く実行できる能力に疑問を投げかけています。Vermorelは、例えば営業チームは通常、個々のSKUの需要予測に必要なより大きな粒度で操作することが多いと指摘しています。その代わりに、彼らの洞察は数値レシピの見直しに活用すべきであり、より正確な予測につながるはずです。
Vermorelの懸念にもかかわらず、予測価値付加は近年人気が再燃しており、多くのコンサルタントやソフトウェアベンダーがこの方法論を推進しています。しかし、彼はこのアプローチに批判的であり、サプライチェーン管理における予測の精度を向上させるためには最も効果的な方法ではないと考えています。
Vermorelは、供給チェーンの問題に複雑な解決策を提供しても必ずしも価値を提供しないソフトウェアベンダーに対する懸念を表明しています。彼は、多くのベンダーが彼らの製品やサービスを売るために気を散らす手法を使用しているため、クライアントが本当の価値を見つけるのが難しいと提案しています。
Vermorelは、複雑さを複雑さのために避ける重要性を強調しています。彼は、プロセスに不必要な次元を追加することが実際には問題を二次的に複雑化する可能性があることを指摘しています。さらに、彼はベンダーがこれらの複雑な解決策に対してより高い価格を請求していること、アップグレードやコンサルティング料金を含むことも信じています。
価値のあるコンサルタントと単にメトリックを生み出すだけのコンサルタントを区別するために、Vermorelは企業が提供されるサービスやソリューションが実際に価値を追加しているのか、単に忙しい仕事を作り出しているのかを自問するべきだと提案しています。彼は、より良い結果につながらない可能性があるため、プロセス内に余分な複雑さを追加することよりも、外向きの解決策に焦点を当てることの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、Vermorelは予測が協力的な取り組みであるべきではないという考えに反対しています。彼はこれを建物に電力があることと同じくらいのものと比較し、それはチームの取り組みとは考えられていないと主張しています。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焦点を当てるべきだと述べています。
Vermorelは、電気設備やサプライチェーンの予測など、さまざまな分野の専門家を信頼することの重要性を強調しています。彼は、協力的な予測方法はしばしば逆効果であると指摘し、予測における手動の介入が有害であることを示す一連の論文を引用しています。これは、人間のランダム性に対する認識の低さに起因しています。人間はパターンを見つけることに優れていますが、ランダム性を理解するのは苦手です。
協力的な予測手法が優れていることが証明されるまで、Vermorelはそれを信頼すべきではないと主張しています。彼は、予測競技に参加しているような分野の主要な研究者が協力的な手法を使用していないことに注意を促しています。Vermorelは、協力的な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はより懐疑的であるべきだと提案しており、それらがその分野での能力に欠けている可能性があると述べています。
インタビューの核心メッセージは、企業が協力を通じて予測を改善しようとするのではなく、サプライチェーン管理における根本的な無能力の領域を特定することに焦点を当てるべきだということです。Vermorel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に対して、予測価値の追加を使用して根本的な無能力を検出するリトマステストを推奨しています。彼はこれを、占星術や人工知能に基づく手法を理解せずに推進するベンダーを検出することに似ていると比較しています。
Vermorelは、予測価値の追加を使用して無能力を特定するツールとして、サプライチェーン最適化の分野でのベンダーやコンサルティング会社との取引には注意を払うよう企業に助言しています。専門家を信頼し、協力的な予測手法を避けることで、より効果的なサプライチェーン管理が可能になります。
フルトランスクリプト
Kieran Chandler: 今日は、これがどれだけうまく機能するか、そして予測を分解することが実際により困難な決定につながる理由について話し合います。では、ジョアネス、予測価値の追加の背後にあるアイデアは何ですか？
Joannes Vermorel: 予測価値の追加は、2000年代初頭、おそらく90年代に登場したプロセスです。私はそれ以前の出版物を見つけていませんが、非常に複雑なアイデアではないため、おそらく90年代には既にさまざまな名前や形式で実践されていたのだと思います。基本的には、予測の正確さを定量的に向上させるプロセスであり、最終的な予測である製品を構成する際に行われる特定の手順が実際に正確さを向上させているかどうかを特定することを目的としています。
例えば、ベースライン予測を作成する予測チームがあります。その後、マーケティングチームが追加のマーケティングの洞察に基づいてこのベースラインを調整します。例えば、キャンペーンに関して何をするかなどです。その後、営業チームが自分たちの追加の営業の洞察による修正のレイヤーを追加します。その後、生産チームが介入し、予測プロセスの各ステップが導入するデルタについてのメトリックを確立します。それは、正確さを向上させるか、正確さを低下させるかを示しています。暗黙的には、最終的に予測の正確さを低下させる貢献を除去するというアイデアです。
Kieran Chandler: では、なぜこのアイデアが生まれたのですか？多くの異なる利害関係者を巻き込むことは確かに複雑になりますよね。
Joannes Vermorel: はい、実際には、2000年代の初期の論文では、多くの人々が関与する予測を作成することは、予測の正確さを低下させることが多いと示されています。彼らの結論は、非常に頻繁に移動平均プラス季節性のようなものである素朴なベースライン予測に固執することが、それらの予測を上下に微調整する多くの異なる人々が行うことよりも正確であるというものです。しかし、ロジックは、悪い貢献を取り除いて良い貢献を残すようにフィルタリングすることを試みるべきだと言っています。これにより、初期の正確さがさらに改善される予測価値の追加プロセスを通じて、両方の世界のベストを得ることができます。
Kieran Chandler: では、どのチームが良い貢献をしているのか、悪い貢献をしているのかをどのように判断するのですか？
Joannes Vermorel: 非常に簡単に、バックテストを行うことによってです。
Kieran Chandler: 前四半期のベースライン予測の正確さはどうでしたか？営業チームの貢献を加えたベースライン予測の正確さはどうでしたか？そして、ベースライン予測と最初の修正層を持つ別のセットアップ予測があります。予測の正確さが改善されたかどうかを確認できます。そして、前のものとの正確さを比較するために、この実験をすべての段階で繰り返すことができます。結果を分離することができます。
Joannes Vermorel: これはバックテストプロセスに非常に似ていますが、分析にさらなる細かさのレベルを追加しています。予測プロセスの主要なステップを見て、変更前と変更後の正確さを分析し、比較したいのです。そして、私が主要なステップと言うのは、予測がチームに渡され、チームが修正を加え、それを別のチームに渡す組織の視点からのステップです。全体のプロセスを担当する予測チームに戻るまで、会社内を循環します。
Kieran Chandler: 論理的な観点からは理にかなっています。より多くの人々の専門知識を得ることで、正確性が向上する可能性が高いです。では、なぜ大きな問題なのでしょうか？
Joannes Vermorel: 問題は、それが単純に機能しないことであり、科学的な証拠にも支持されていないことです。直感的で良さそうなものですが、統計的な予測の文献を見てみると、実際にはこのような技術を使用している科学研究者はいません。複数の段階を持つ予測モデルを持っていても、それらのすべての段階が1つのアルゴリズム設定に統合されているためです。会社内で予測が部門から部門に移動することで、統計的な予測を洗練させることができるという考えは、ほとんど狂気です。長い間行われてきた予測コンテストを見ると、Makridakis教授が主催するようなコンテストでは、予測が専門家から専門家に移動する多段階の予測プロセスに頼ることはありませんでした。私の見解では、それは非常に魅力的なものです。誰もが貢献でき、ポジティブな感情を生み出します。
Joannes Vermorel: このプロセスでは、はい、しかし、それが機能する方法ではありません。まるでチャンピオンのチェスプレーヤーがいると想像してみてください。「さて、このチャンピオンを助けるために、次の一手を決めるために多くの人々の投票を行おう」と言います。答えはいいえです、それはこのチャンピオンをより良くすることはありません。おそらくそれは完全な気晴らしになるだけです。最高のものを持ちたいのであれば、彼にゲームをプレイさせるか、彼女にゲームをプレイさせるだけで、チャンピオンが適切だと思う方法でプレイさせるだけです。
Kieran Chandler: では、なぜこのような考えが非常に広まったのでしょうか？多くの人々が幸せに感じ、自分が貢献していると感じるからでしょうか？つまり、なぜ予測価値の追加という言葉を聞いたことがあるのでしょうか？
Joannes Vermorel: それは非常に官僚的な考えであり、非常に魅力的なものであるため、多くの人々の関心を引く傾向があると思います。リスク管理のような実際の問題に取り組み始めると、確率的予測に向けて実践をアップグレードすることが強制されるため、非常に複雑になります。予測価値の追加は些細なものです。関与する数学のレベルは中学校です。それは見た目が良く、予測価値の追加によって知的な挑戦を受けることはありません。文字通り非常にシンプルです。
Joannes Vermorel: 供給チェーンにさらに官僚制度を追加して、このプロセスを担当させることは非常に魅力的ですし、合理的に聞こえます。それによってみんなが忙しくなり、それにかなり長けていることになります。予測価値の追加という非常にシンプルで明快なものをどうして失敗することができるでしょうか？現実は、おそらくすべてを遅くし、すべてを複雑にし、すべてを混乱させる余分な複雑さを追加することに失敗するでしょう。しかし、短期的なKPIは少し改善されるかもしれませんが、その会社にどれだけの利益をもたらすかは誰にもわかりません。非常に短期的なKPIの超狭い視点から見れば、少し改善されるかもしれません。
Kieran Chandler: 特定の核心領域に焦点を当てれば、大幅な改善が見られる可能性はないのでしょうか？
Joannes Vermorel: 最初に解体する必要があるのは、この提案の前提が完全に間違っているということです。前提は、予測は協力の努力であるべきだというものです。これは事実ではありません。科学はこの提案を絶対に支持していませんし、過去数十年にわたる予測競技会もこの提案を支持していませんでした。私が読んでいる論文もこの提案を支持していません。つまり、完全に間違った前提があります。予測は協力の努力で行われるほど良くなりません。したがって、全員が参加し、貢献するという考えは間違っています。
Kieran Chandler: そして基本的に、Lokadでは、予測に対する手動の微調整の貢献をベンチマークにしましたが、それらは必ずしも正確ではありませんでした。予測の精度を低下させることがほとんどでした。ただし、それを達成するためには、統計的に大きく間違っている統計予測を見たときに、予測を手動で調整したくないというマインドセットが必要です。予測のための合理的な数値レシピについて話していると仮定します。したがって、予測に適切に反映されていない明らかな問題がある場合、それらの問題は解決されています。たとえば、ストックアウトを考慮に入れない場合、ゼロの売上をゼロの需要と混同することになり、これは完全に間違っています。
Joannes Vermorel: はい、数値レシピにストックアウトを意識させる必要があります。私は、デバッグの性質を持つ問題を解決した後、モデルが実戦テストおよびデバッグされたと仮定して、Lokadでは多くのクライアントの要求に応じて、手動介入前後の予測精度を調査したベンチマークを行いました。そして、手動介入は予測精度を低下させることが判明しました。人間の心は統計的なノイズを扱うのがあまり得意ではありません。統計的なノイズは私たちが認識するものではありません。私たちはどこにでもパターンを見ることができます。統計的なノイズをそのまま見るのは実際には非常に難しく、したがって、移動平均のような単純な統計的手法でも人間の判断よりも優れている傾向がありますが、それはほんのわずかに優れているだけです。
Kieran Chandler: では、あなたが提唱しているのは、予測を行うための一人のチャンピオンを作ることですね。そして、なぜ人々が科学に信頼を置くことが難しいと思うのですか？なぜそれは信仰の飛躍とされるのでしょうか？
Joannes Vermorel: それは信仰の飛躍ではありません。科学はあなたに信じることを求めているわけではありません。それは何が起こっているかを理解することです。問題は、数値レシピを理解しようとするために数年を費やしている人々よりも、完全な非専門家である人々が大量のデータセットに飛び込んで複雑な数値タスクを頭の中で行うかランダムなスプレッドシートで行うことができるのかということです。どのような魔法が関与しているのでしょうか？そして、人々が市場に対する洞察を持っていると言うなら、それはどの程度の細かさですか？典型的な会社を想像してみましょう。20,000のSKUがあるとします。そして、営業チームの人々に尋ねます。営業チームには5人いるとしましょう。彼らに20,000のSKUが記載されたスプレッドシートを渡して、彼らの洞察を提供してもらいます。
Kieran Chandler: それらのキューが上下するべきかどうかの入力をしてもらいます。営業チームは知りません。例えば、B2Bビジネスであれば、営業チームの一員として、重要なVIPクライアントを数人管理しているかもしれません。これらのクライアントは四半期ごとにさまざまな数量の商品を数千個注文します。これは営業担当者が操作する細かさではありません。あなたの細かさは、クライアントが組織であり、この組織内で一連の人々を知っていることです。それがあなたの思考と分析の細かさです。そして、この組織がトラクションを持っていることを知っています。そして、人々は実際に私が推進しているような提供に近づくことに興味を持っているか、逆に後退するかもしれません。しかし、20,000以上のSKUの詳細は、まったく知りません。だから、彼らは何かを推測して、仕事が終わったと偽るだけです。
Joannes Vermorel: それが幻想です。重要な洞察があるのであれば、なぜ数値レシピを明示的に修正して、それらの追加要素を入力として使用しないのでしょうか？それにより、はるかに少ない努力でより正確な結果が得られます。
Kieran Chandler: では、これはまだ存在する問題だと言いますか、それとも予測に責任を持つのは単一の人物だけではないという考えに人々が理解を示し始めていると言いますか？
Joannes Vermorel: 予測評価はここ数年で再び人気が出てきました。多くのコンサルタントや、いくつかのかなり誤ったソフトウェアベンダーさえも、この方法論を推進しています。正直なところ、Lokadのようなベンダーにとっては、たくさんのお金を稼ぐことができます。それは完全な気晴らしのようなものです。完全な気晴らしのためには、失敗することはありません。最初から利益は得られませんでしたが、逆に明白な損失も起こりません。だから、あなたは決して失敗することはありません。これは非常に良いことです。気晴らしは、失敗することのない使命です。
あなたはそれによって数週間または数ヶ月を費やし、その結果、すでに行っていたすべてのことに対して、さらに次元を追加することができます。つまり、すでに行っていたすべてのことが、プロセスの各段階でどのように利益を得たり損失を被ったりするかということです。問題は、それによって問題が二次的に複雑になることです。それはより複雑になるのではなく、非常に単純なことです。ただし、1つの追加の次元があります。しかし、それによって問題は非常に複雑になります。10の異なるステージを持つ大企業がある場合、以前に測定していたすべてのことに対して10倍のメトリックがあります。したがって、それに応じて料金を請求することができます。アップグレード料金、コンサルティング料金などです。
Kieran Chandler: では、実際に価値を提供しているコンサルタントと、単にそれのためにこれらのメトリックを作成しているコンサルタントをどのように区別できますか？
Joannes Vermorel: 私は単に自分自身に問いかける必要があると考えています。あなたは実際のことをしていますか？実際の影響を与えることをしていますか？
Kieran Chandler: では、予測に対するこの協力的なアプローチは会社に固有の価値を持っていると思いますか、それとも単に忙しくしているだけで官僚主義を忙しくしているだけですか？
Joannes Vermorel: サプライチェーンの官僚的な中核について話し合っていたときに、内向きか外向きかという点でのリトマステストを挙げました。この場合、非常に内向きなアーキタイプです。既存の予測プロセスを取り、内部の部分を分解し、それにさらに複雑さのレイヤーを追加して改善するというアプローチは、現実世界ではうまくいきません。内部を見て、アーティファクトの追加レイヤーを追加することで組織の改善が得られるわけではありません。この抽象化では付加価値は得られません。協力的な取り組みが予測にとって良いものであるという前提を取り除くべきです。その理由はありません。
電力を建物に供給するなど、チームの取り組みではない多くのことがあります。建物にまともな電力設備が必要なため、誰もが協力しなければならないとは思わないでしょう。まともな電力設備を持つためには、仕事をする専門家を信頼する必要があります。そして、建物が安全でない電力設備によって燃えることがないようにします。チームの取り組みでより良い電力設備を持つことができるという考えはナンセンスであり、予測についても同じことが当てはまることがわかります。
「科学を信じる」と言うと、予測に対する手動の介入が有害であることを示す一連の論文があることを意味します。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、ランダム性の知覚をテストする心理学の分野があるからです。人間の心はランダム性を理解するのに非常に苦手です。私たちはパターンを見るのに非常に優れていますが、ランダム性自体を理解することはできません。
Kieran Chandler: ですから、協力的な予測が優れていることを証明できるまで、私たちはあなたを信頼すべきではないと言える非常に良い理由があると思います。そして、トップ100に入るすべての競争者がどのような協力的な方法も使用していないこと、そしてForemanのようなこの分野の主要な研究者もそれを使用していないことを見ると、そのような方法は完全にナンセンスであると推測するのはかなり合理的です。非常に良さそうで、非常に合理的に見える多くのことがありますが、それは完全に間違っているだけであり、まるで、あなたが周りを見渡すと、地球は平らだと思っているようなものです。
Joannes Vermorel: もし今日まとめるなら、コアメッセージはもっと過激です。サプライチェーンを改善したいのであれば、まったく何もわからない人、まさにボゾ・ザ・クラウンのような人々の根本的な無能さを特定する必要があります。ビジネスでは、そうした人々は真剣味を持っているかもしれません。しかし、予測価値の付加は、根本的な無能さを検出するためのリトマス試験として扱われるべきです。ですので、ウェブサイトでそれを押し出している予測ベンダーは完全に無能と見なすべきです。もしコンサルティング会社がそれを推進しているのであれば、それも完全に無能と見なすべきです。それはブロックチェーンや人工知能のようなものであり、それらを推進しているのであれば、彼らはまったく何もわかっていないということです。私たちはそれをスクラッチし、次に進むことができます。まるで、占星術に依存する方法を推進しているベンダーが実際に存在すると想像してみてください。それは信頼性のない人々であり、排除されるべきです。私はあなたの理由を聞きたくありません。あなたが完全な詐欺師である可能性が99.9%あることを知っています。それは良いことです。予測価値の付加は、完全に無能であることを証明した会社やコンサルティング会社を排除するためのリトマス試験を提供してくれます。だから感謝し、それをフィルターとして使用してください。
Kieran Chandler: では、ここで終わりにしますが、リストからいくつかの会社を除外する必要があります。それが今週のすべてです。ご視聴いただき、ありがとうございました。次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。
