00:00:07 ウォーレン・パウエルの紹介と本日のトピックの解説。
00:00:36 ウォーレンの経歴と、プリンストン大学および Casa Labs での活動について。
00:02:00 議論のテーマ - 供給チェーン管理における不確実性。
00:03:05 トラック輸送と供給チェーン管理の比較。
00:06:00 供給チェーン管理における逐次的意思決定の概念。
00:09:01 KPI、主要業績指標、そして供給チェーンにおけるシミュレーションの実行。
00:10:00 シミュレーションを実行し、企業のパフォーマンスを評価するための意思決定ルールの必要性。
00:11:51 シミュレーションを用いて企業にとって最良の決定を導く。
00:13:03 確率的予測と生成モデルとの二重性。
00:15:17 これらのアイデアを現場に展開する際の課題、強化学習の難しさ、そしてディープラーニングの可能性。
00:18:00 複雑性を受け入れ、ポリシーベースの意思決定を行える機械学習アルゴリズムの構築の必要性についての議論。
00:18:26 人間も意思決定においてポリシーを利用する仕組みの説明。
00:19:37 供給チェーン管理におけるコンピューターシミュレーションの重要性と、その代替不可能な役割。
00:22:17 意思決定のための四つの基本的手法の説明。
00:24:00 大手ファッションブランドが使用している現在の予測手法への批判と、カニバリゼーションや代替を考慮する必要性。
00:26:01 割引やセールが消費者行動に与える影響と、その影響が企業に及ぼす効果についての議論。
00:27:08 数学的モデルと直感を使ったビジネス上の意思決定の比較。
00:29:44 ポリシーベースの予測における信頼の重要性の説明。
00:30:32 問題を理解し、適切な指標に注目するために知識豊富な人材の必要性の説明。
33:37 供給チェーン管理の未来に関する最終的な考察と、ツールや供給チェーンエンジニアの必要性。

要約

Lokadの創設者である Joannes Vermorel と、プリンストン大学の教授であり Optimal Dynamics の共同創設者である Warren Powell とのインタビューは、供給チェーン管理意思決定の複雑性と不確実性に深く切り込んでいます。両専門家は現場での経験を共有し、数学的モデリングとシミュレーションを通じてこれらの複雑な問題に取り組む洞察を提供しています。彼らは、戦略的、戦術的、運用上の意思決定を行うためのポリシーとシミュレーションの重要性を強調するとともに、従来の予測手法の限界を指摘しています。インタビューは、供給チェーン管理におけるポリシーベースの手法の未来と、熟練した供給チェーンエンジニアの必要性についての議論で締めくくられます。

詳細な要約

このインタビューでは、Kieran Chandler が、Lokad の創設者 Joannes Vermorel と、プリンストン大学の教授で Optimal Dynamics の共同創設者である Warren Powell とのディスカッションを進行します。彼らは供給チェーン管理と意思決定に関わる複雑性と不確実性に取り組みます。

Warren Powell は、現実の問題に取り組むための独自の産学連携である Castle Labs を設立した経験を共有します。彼は、トラック輸送における初期の業務(トラック輸送)が、不確実な要因に対する計画立案の課題を露呈させた方法について語ります。

Joannes Vermorel は、供給チェーンにおける逐次的な意思決定の核心問題、すなわち現在の決定が未来の決定に大きく左右される点について詳述します。彼はこのプロセスを、各一手が次の一手を見据えて行われるチェスに例えています。Vermorel は、これらの問題を数学的にモデル化することが複雑かつ不可解である可能性があると認めています。

Warren Powell は、供給チェーンにおける意思決定の有効性を測るために、意思決定がコストや生産性に与える影響を評価する主要業績指標(KPI)の使用が必要であると説明します。彼は、決定論的モデルでは正確な解が得られない場合があるため、シミュレーションが供給チェーン管理の乱雑で予測不可能な性質に対応する助けになると提案しています。

このインタビューでは、各決定が将来の決定と相互に関連する供給チェーン内で、不確実性を管理し効果的な意思決定を行うための課題が探求されます。専門家たちは現場での経験を議論し、数学的モデリングとシミュレーションを通じてこれらの複雑性に対処するための洞察を提供しています。

会話は、供給チェーン最適化を予測不可能な相手とのチェスに例えることから始まり、シミュレーションの活用がより良い意思決定に寄与することを示唆しました。Powell は、さまざまな指標を使用して企業のパフォーマンスを迅速に評価するために、ポリシーや意思決定ルールをシミュレーションと併用できると説明しました。

Vermorel はこれに同意し、供給チェーン最適化のために用いられる確率的予測と生成モデルの重要性を強調しました。彼は、これら二つのアプローチ間の二面性について議論し、その選択は取り組む具体的な問題に依存すると指摘しました。

Vermorel と Powell は、シミュレーションと併用して供給チェーンの意思決定を最適化するためにポリシーを使用することの重要性に合意しました。ポリシーは、学習および適用可能なパラメータを持つ抽象的なルールです。Vermorel は、数値的成果という点で限られた成功に終わっている何十年にもわたる研究にもかかわらず、現実世界でこれらの概念を応用する難しさを指摘しました。

Vermorel はさらに、ディープラーニングや確率的勾配降下法などの最適化手法における最近のブレイクスルーが、複雑な環境でのポリシーベースの意思決定の適用可能性を向上させたと指摘しました。これらの技術は、ノイズの多い環境や多数の変数を扱う場合に優れた性能を発揮し、現実世界の供給チェーン最適化問題に適しているとされています。

Powell は、人間も意思決定時にポリシーや手法を用いること、そして意思決定には四つの基本的な手法があると述べました。彼は、Google Maps のような先読みポリシーの例を挙げ、これが長い供給チェーンの文脈で有用である可能性を示しました。

Powell は、供給チェーン管理における戦略的、戦術的、運用上の意思決定のためにシミュレーションが必要不可欠であると強調しています。供給チェーンの長期間かつ複雑な性質から、試行錯誤によるアイデアの検証は現実的でないため、シミュレーションは不完全であってもより良い代替手段を提供します。彼は、実施される意思決定、評価指標、不確実性の源泉、そして意思決定プロセスを理解する重要性を強調しています。

しかしながら、Vermorel は反対意見を示し、数値的手法の信頼性に疑問を呈しています。彼はシミュレーションが無限の会議よりも効果的であることに同意しつつも、多くの洗練された数学モデルが文脈上単純すぎる場合があると指摘します。彼はファッション業界を例に挙げ、ポイント単位の予測がカニバリゼーションや代替といった重要な要素を無視する傾向にあると述べ、素朴なモデルに関しては直感が通常より正確であると強調しました。

さらに Vermorel は、マネージャーがヒューリスティックスを考慮し、問題を包括的に捉えることで、より共感的なアプローチでモデリングに取り組むべきだと主張します。一方、Powell は、単純なモデルでは重要な要素が見落とされ、重大な誤りにつながる可能性があるため、繊細なモデリングが成功に不可欠であると認めています。

Vermorel と Powell は、コンピューターシミュレーションや先進的なモデルが供給チェーン最適化において極めて重要である一方で、問題の本質を深く理解し、現実の供給チェーンの複雑性を正確に反映するモデルを構築することが同様に重要であると一致しています。

議論は、ポイント予測の限界とポリシーベースの予測手法の利点を中心に展開されています。

参加者は、直感に大きく依存し、多数の変数を考慮しない従来の予測手法が、しばしば在庫の過剰または不足を招くと主張します。ポイント予測は極端に少ない在庫しか生み出さない傾向があり、これが最適ではないと学んでいます。代わりに、現実的かつ知的に、そして適切な質問を行うことがより良い意思決定につながると示唆しています。

また、ポリシーベースの予測の利点を人々に信頼させ、そのメリットを視覚化させるという課題についても議論されています。貨物輸送業界では、確率的予測を用いてさまざまなシナリオをシミュレートし、その後、主要業績指標(KPI)に基づいて評価することで合理性を判断しています。このプロセスは、手法への信頼構築に寄与します。

Vermorel と Powell は、問題に対する深い理解とプログラミングスキルを持つ供給チェーンエンジニアの重要性を強調します。彼らは、意思決定が誤り、コストがかかり、非効率的である可能性のある領域を特定するために、多数の指標を用いることが最善のアプローチであると合意しています。外れ値に注目することは、それがしばしば重大な結果をもたらす可能性があるため、非常に重要です。

彼らは、平均コストとポイント予測の限界に言及し、データサイエンティストやソフトウェアエンジニアではなく、供給チェーンエンジニアの存在が必要であることを強調します。不確実性とリスクを考慮するポリシーベースの手法が、ますます進化するコンピューター能力の支援を受け、供給チェーン管理の未来を切り開くと彼らは信じています。

インタビューは、供給チェーン管理におけるポリシーベースの手法の未来についての議論で締めくくられます。Powell は、ポイント予測は現実世界を正確に反映していないため、やがて時代遅れになると考えています。コンピューター技術の進歩と不確実性に対処する能力の向上により、ポリシーベースの予測手法はより効果的かつ普及するでしょう。

このインタビューは、従来の予測手法の限界を浮き彫りにするとともに、ポリシーベースの予測の利点を強調し、熟練した供給チェーンエンジニアの重要性と、効果的な意思決定のために多様な指標を活用することの必要性を訴えています。

全文書記録

Kieran Chandler: 今日の Lokad TV では、ウォーレン・パウエルにご参加いただき、ポリシー予測とポイント予測の違い、そしてそれらがどのようにキャッチ22な意思決定の最適化に活用できるかについて議論していただきます。ウォーレン、本日はアメリカからライブでご参加いただき誠にありがとうございます。いつものように、まずはゲストの皆様について少し知るところから始めたいと思います。どうか自己紹介をお願いします。

Warren Powell: まず最初に、番組に招いていただきありがとうございます。自分のやっていることを本当に楽しんでおり、それについて語る機会を大変感謝しています。私はプリンストン大学で39年間教鞭をとり、約30年前に Castle Labs というラボを設立しました。業界との多くのプロジェクトに携わり、貨物輸送分野でキャリアをスタートさせました。学者は政府などから多くの資金を得る傾向にありますが、私たちの主要な資金源は業界からでした。また、政府の資金調達の弱点は十分なデータがなく、実際の問題を抱えていない点にあると気付きました。そこで、Castle Labs を通じて業界と連携し、その問題に取り組む独自の産学連携を構築しました。企業運営をより効率的に行うためにコンピューターを利用するという初期の関心のおかげで、ラボは非常に順調に成長し、急速に拡大して多くの学生を迎えることができました。結果として、約60名の大学院生やポスドクを輩出し、その多くが250本ほどの論文執筆に大きく貢献しました(これは主に学生たちの成果です)。さらに、私は3つのコンサルティング会社を設立し、最新のものは現在も関与している Optimal Dynamics です。実際、昨年退職し、Optimal Dynamics に専念するようになりました。大変エキサイティングな機会です。

Kieran Chandler: 素晴らしいですね。そして本日のテーマは、供給チェーン内で行う意思決定の最適化に関するものです。まずは、供給チェーン管理においてどのような不確実性が観察されるのかについて教えていただけますか?

Warren Powell: では、もう一つ背景を補足させてください。私の最初期のプロジェクトはトラックローディング、すなわち貨物トラック輸送に関するもので、大手企業 Schneider National からその契機を得ました。彼らは未来を決定論的に計画するコンピューターモデルを既に持っており、「トラック輸送は決定論的ではない。明日何が起こるか、今日何が起こるかは分からない」と言われたのです。そして、学界がこれらの問題を真にモデル化しコンピューターで解く方法をまだ確立していないことに気付きました。その結果、学界がこの問題をどのように考えるべきかについて、何十年にもわたって問い続けることになったのです。

トラック輸送という大規模で複雑な分野から供給チェーン管理へと移行する中で、後者はトラック輸送ほど複雑ではないことに気付きました。トラック運送業者の場合、主な問題は、荷主が貨物を依頼するかどうか、運ぶべき貨物の量、そして運転手が現れるかや渋滞に巻き込まれるかといったいくつかのノイズ要因です。しかし、これらは供給チェーン全体と比べると規模が大きく異なります。すなわち、供給チェーンでは本格的に取り組む必要がある一方で、トラック輸送では約1週間前に意思決定を行うことが多いのです。

Kieran Chandler: 未来は2日先で、多くの場合は3日または4日先になります。サプライチェーンは100日、150日先まで及ぶことがあります。中国からの商品の注文は数か月かかることもあり、その間に大規模なイベント、大嵐、政治的問題、労働問題、そして商品 欠品 が起こりえます。実際、これらの事象は今日の私たちに降りかかっています。サプライヤーは、中国の製造業者が要求された製品を実際に作るのにかかる時間について多くの不確実性を抱えています。場合によっては、製造ラインを立ち上げ、部品と供給品をそろえなければならないかもしれません。そして、貨物船に積み込み、貨物船は30日かかることもありますが、嵐や天候次第では35日、36日になる可能性もあります。港での遅延、船からの荷降ろし、列車やトラックへの積み替えなどが必要となり、最終的に到着した時に品質が良好かどうかを確認しなければなりません。つまり、これらはすべてさまざまな形態の不確実性の連続なのです。

Kieran Chandler: そうですね、そしてジョアンネス、これについてもう少し詳しく議論しましょう。ウォーレンが述べたのは時間枠の大きな変動についてです。なぜそれが興味深いのでしょうか?その時間枠の違いは、より技術的な観点から見て何を意味するのでしょうか?

Joannes Vermorel: ウォーレンの研究は非常に興味深いと思いますが、恐らく少し異なる側面、すなわち逐次意思決定プロセスに関わるものです。不確実性は一種の技術的問題ですが、核心は、その逐次的な意思決定について考え始めることにあります。問題は、未来が過去を形作っているという感覚にあります。つまり、今最適化したい決定が、後で下される決定に依存しているのです。あなたが今行う決定が良いものであるかは、後に下す決定に大きく左右されます。

Joannes Vermorel: このような状況を明確にするために、例えば海外のサプライヤーからMOQ(最低注文数量)に基づき大量の商品を注文し、フルコンテナに達する必要があるとしましょう。しかし、コンテナには何百もの異なる商品が含まれているかもしれません。それが良い注文かどうかは、次のコンテナの注文をいつ下すかに依存します。例えば、コンテナを注文して数日後にある商品の在庫が切れた場合、その商品は欠品状態になります。サプライヤーに改めて注文を出すことはできるでしょうか?実際、その商品だけではコンテナ全体のほんの一部に過ぎないため、再注文は困難です。結果として、あなたは一度コンテナ全体を注文してしまい、再びコンテナ全体の注文が可能な適切な発注容量を確保するまで立ち往生するのです。

Kieran Chandler: ですから、あなたがこれから下す決定が正しいかどうかは、次にどのような決定を下すかによって左右されます。サプライチェーンや他の多くの分野において、優れた決定とは、後に下す決定とうまく連携するものでなければなりません。まるでチェスのように、現時点で正しい一手を指したかどうかではなく、次々と指される手すべてとの相互作用の中でその一手が有効かどうかが問われるのです。そして、ここで問題は数学的に非常に複雑になります。これは「卵が先か鶏が先か」といった問題のように、今下す決定が、まだ下されていない未来の決定に影響を与えるため、数値的に考慮するのが極めて難しいのです。ウォーレン・パウエルの研究の一端は、こうした問題に一貫性のある数学的フレームワークとアプローチを確立し、数値的に議論できるようにしたことにあると思います。これは、まさにチェスに例えるなら、相手が何をしているか、また世界で何が起こっているかに大きく依存している状況に似ています。

Warren Powell: すべての企業は、KPI、つまり主要業績評価指標という形でパフォーマンスを測る手段を持っています。費用、生産性など、多数の指標があり、時には何百もの指標が存在します。私たちも同じ指標を用い、シミュレーションを実行します。まるでGoogle Mapsのように、すべての移動時間が既知で目的地までの全ルートが見える決定論的な世界があれば良いのですが、サプライチェーンはあまりにも複雑で、一つのルートだけではなく複数存在するため、正確な未来予測は不可能です。チェスの比喩は非常に的を得ています。ただし、もし専門のチェスプレイヤーと対戦するなら、その行動は予測可能ですが、経験の浅いプレイヤー同士ではよりランダムになります。問題はさらに複雑になりますが、シンプルにするため、コンピューターはシミュレーションを高速で実行し、たとえば1か月先に決定を下す必要がある際に、あるポリシーに従って意思決定を行うルールを用意するのです。コンピューターは同時に100通りの未来シナリオを並行してシミュレーションすることができます。

Kieran Chandler: まず、企業がパフォーマンスを評価するためにどのように指標を活用しているかを見ていきましょう。例えば、注文を出すかどうか、またその注文量をどうするかという意思決定において、企業はどのようにしてこれらの決定やその結果をシミュレーションできるのでしょうか?

Warren Powell: これらの決定を行うために、企業はシミュレーターを利用して指標を検証し、現時点で最適な意思決定を導き出すことができます。もちろん、現状での意思決定を行うためのルールを用いる一方で、そのルールが最適に機能するよう、現在だけでなく未来も考慮に入れて微調整する必要があります。例えば、より単純な問題、つまり 在庫管理 に関しては、単純な「発注上限ポリシー」が非常に有効に働きます。しかし、90日後に到着する中国からの一荷車の発注のようなより複雑な問題の場合、前回の注文、ハリケーンなどの既知の事象、そしてその他の未知の要因などを考慮する必要があります。こうしたシナリオをシミュレーションし、未来における最適な指標に基づいて選択肢を評価するのです。本質的には、企業の日常運営をシミュレーションし、その結果をもとに評価を行うということです。

Kieran Chandler: ジョアンネス、このポリシーアプローチについてどのようにお考えですか?シミュレーションは実際に効果があるのでしょうか?

Joannes Vermorel: はい、シミュレーションが機能することには非常に同意しています。現代の予測手法は確率的予測を採用しており、確率的予測と生成モデルの間には二重性があります。確率的予測は特定の未来の確率を示し、それをサンプリングすることで可能な未来の例を描き出します。一方、生成モデルは平均化することで全体の確率を示す未来を生成します。基本的には、これらは同じ事象を別の観点から見る2通りの方法に過ぎません。どちらを採用するかは、単に技術的な問題や問題の数値解析においてどちらがより適切かという点の問題です。

Warren Powell: その通りです。そして、逐次意思決定を最適化するための数学的トリックの核心は、今日と明日の意思決定を分離することにあります。意思決定そのものに注目するのではなく、意思決定のメカニズム自体を学ぶ必要があるのです。このメカニズムには、最適化可能な多くのパラメーターが存在します。

Kieran Chandler: ジョアンネス、ポリシーはどのように調整され、サプライチェーンの最適化においてどのような役割を果たすのでしょうか?

Joannes Vermorel: ポリシーとは基本的に、パラメーターを伴った抽象的なルールであり、何らかの方法で学習可能なものです。重要なのは、意思決定を生成する自分自身のポリシーに真正面から取り組むことです。そのためには、通常、確率的予測などから導かれる生成モデルが必要です。

Kieran Chandler: シミュレーションを確率的予測と捉えることは、ポリシーの 精度 を評価する上でどのように役立つのでしょうか?

Joannes Vermorel: シミュレーションを確率的予測とみなすことは興味深いです。なぜなら、それにより精度について検討できるからです。多くの人がシミュレーションを行う際、大きな疑問は「そのシミュレーションが未来を正確に表現しているかどうか」という点にあります。この問いに答えるためには、確率的予測の視点を採用し、シミュレーターが企業にとってのあり得る未来を正確に示しているかを評価する必要があるのです。

Kieran Chandler: これらのポリシーを現場に展開する際の課題と、それらの課題を克服するためにコンピュータサイエンスでどのような進展があったか、詳しく説明していただけますか?

Joannes Vermorel: これらのアイデアを実際の現場に展開する際、問題は非常に実務的な側面に集約されます。ポリシーの学習は、数値的な観点から見ると非常に困難な問題でした。従来の強化学習手法は、模擬的な設定では成功を収めることが多かったものの、変数が数千、あるいは数百万に及ぶ問題に対しては苦戦していました。

ディープラーニングの大きなブレイクスルーの副産物の一つは、確率的勾配降下法など、ノイズの多い環境下で転送変数を用いてうまく機能する、より優れた 数学的最適化 手法の開発でした。これらの手法は、特にポリシー決定プロセスのために設計されたわけではありませんが、コンピュータサイエンスの進展により、実世界の複雑な設定におけるポリシー最適化に非常に応用可能となりました。これには、シミュレーションが数千、あるいは数十万の 在庫管理単位 (SKU) を扱い、数百日先にわたるケースも含まれます。

Kieran Chandler: 私たちは、需要の不確実性、リードタイム、原材料価格、カニバリゼーション、競合他社の動きといった、半ダースにも及ぶ絡み合った不確実性を抱えています。それらは非常に複雑ではないものの、すべてが互いに絡み合っています。したがって、シミュレーターが可能な未来に対してあまりにも単純な予測に終始しないよう、このような全体的な複雑性をしっかりと受け入れる必要があるのです。ウォーレン、この点についてはどうお考えですか?つまり、ポリシーベースの意思決定を行うための機械学習アルゴリズムをどのように構築するのでしょうか?

Warren Powell: まず第一に、人間もまたポリシー、すなわち方法論を用いて意思決定していることを改めて認識しましょう。意思決定が行われるたびに、ある種の方法論が使われています。それをポリシーと呼びますが、結局は方法論にすぎません。誰もが何らかの方法論を使っているので、新しいことではありません。私が行ったのは、基本となる4つの方法論の分類を提示することでした。そのうちの一つが「発注上限ポリシー」で、これはポリシー機能評価と呼ばれます。

例えばGoogle Mapsを例にとりましょう。これは先を見据えたポリシーに相当します。在庫計画では、人々は、ある閾値を下回った時に注文を出すという単純なポリシー機能評価を使う傾向にあります。これほど長いサプライチェーンを扱う場合、未来について考慮する必要があります。これが直接的な先読みであり、これで4つある手法のうち2つを説明したことになります。

これら4つのクラスは、結局のところ我々が実際に行っていることを表現しているに過ぎません。では、どのクラスが最適かを見極めるためには、シミュレーションを実施し、時間の経過とともにその効果を確認する必要があります。例えばトラック運送会社であれば、あるアイデアを思いつき、数週間試して機能するかを見ることができますが、サプライチェーンではそれができません。機能するかどうかを確認するのに、ほぼ1年を要する可能性があるからです。時間枠があまりにも長いため、コンピューターによるシミュレーションはほぼ不可欠なのです。

コンピューターがなければ、ただ人々がテーブルを囲んで「これの方が良い」と議論し、他の誰かが「こちらの方が良い」と主張するだけです。これが今日のサプライチェーンの現状です。多くの人々が口々に意見を述べ合いますが、根拠は示されません。私はCastle Labsで、戦略的計画、戦術的計画、そして今の決定が正しかったかを判断するための未来予測シミュレーターの構築に生涯を費やしてきました。

シミュレーションがなければ、他に何をしますか?あるアイデアを試して3か月待ち、別のアイデアを試してさらに3か月待つ、しかしもちろん次の3か月は最初の3か月と無関係です。コンピュータを使わずに「これが一つの意思決定手法、あるいは全く異なる、またはやや異なる別の手法。どちらが機能するか?」と判断する方法は思い浮かびません。あなたはシミュレーションを実行するのです。シミュレーションは決して完璧ではありませんが、それ以上に優れた方法があるでしょうか?より良いものを一つ挙げてください。

プロセス自体は非常にシンプルです。サプライチェーンにおいて最も難しいのは、専門家に対して具体的にどのような意思決定を行っているのか尋ねることです。多くの人々が、「そんな風に考えたことがなかった」と無表情で答えるのには驚かされます。サプライチェーンは単に在庫を注文するだけではなく、その他多くの意思決定が絡んでいるのです。

Kieran Chandler: では、あなたの指標とは何ですか? それは一つではなく多数存在します。そして、不確実性の要因は何でしょう?その点については長い議論が可能ですが、すべてを列挙するわけにはいきません。これら大規模なサプライチェーンはグローバルな不確実性を伴っています。例えば、スエズ運河で船が立ち往生したり、COVIDパンデミックが起こったりすることを誰が予測できたでしょうか?しかし予測可能な騒がしい事象は数多く存在し、こうした事態が起こることを我々は認識しておく必要があります。つまり、一度意思決定、その評価方法、不確実性が明らかになった後は、いかにして決定を下すかという問題に直面するのです。そして実際、最も単純な発注方法から最も複雑な完全先読み方式まで、4つのポリシークラスが存在します。決定論的に先を見据える、まるでGoogle Mapsのように見ることも、不確実性を伴って未来を予測することも可能です。

Warren Powell: ビジネスの現場の人々と話すとき、「フォーキャスト」という言葉を使うたびに、どうもそれが一点予測を意味している気がします。このショーの素晴らしいところは、皆さんとはその議論をする必要がなく、確率的に考える必要性を十分に理解している点にあります。予測の不確実性を考えなければならず、それは意思決定そのものではなく、意思決定のためのルールを考える必要があるということです。そして、それは非常に明快です。確かにコンピュータは必要です。もしコンピュータを使わないのであれば、あなたが何をするつもりなのか教えてください。もっと良いアイデアがあるなら、私には理解できません。

Kieran Chandler: ヨハネス、こうしたポリシーベースのアプローチにどの程度の信頼を持てるでしょうか?これらの数学的モデル化はどれほど堅実ですか?

Joannes Vermorel: まず、終わりのないS&OPミーティングが生産的でないという反論には同意します。しかし、問題の一つは――そしてこれは数値的手法に対する正当な批判だと思います――ラッセル・アコフがほぼ40年前に言ったように、数学的には非常に洗練されていても、文脈的には信じられないほど素朴な手法が存在するという点です。つまり、未来の予測にどれほどの信頼性があるかを考え始めなければならないという問題があります。実際、大規模サプライチェーンで広く使用されている多くの人気手法は、完全なゴミに等えます。ファンシーなコンピュータシミュレーションを見て、その本質を見失い、単なる推測に頼っているというマネージャーの立場も理解できます。具体的な例を挙げると、今日、ほぼすべての大手ファッションブランドが予測を行っており、その多くは一点予測を行っています。つまり、各商品について週間需要予測を試みるのです。しかし、私の見積もりでは、そうしたファッションブランドのほぼ0%が、実際にはカニバリゼーションや代替効果を考慮しているのではないでしょうか。

Kieran Chandler: 皆さん、本日のインタビューへようこそ。今日は、サプライチェーン最適化を専門とするソフトウェア企業Lokadの創設者であるJoannes Vermorelと、プリンストン大学の教授であり、Optimal Dynamicsの共同創設者かつ最高分析責任者であるWarren Powellの二人のゲストをお迎えしています。ご参加いただき、ありがとうございます。それでは、議論に入りましょう。

Joannes Vermorel: 商品を選ぶ際、多くの場合、直感に頼って自分の好みや感覚に合うものを選びます。そこには代替やカニバリゼーションの大きな影響があるのがわかります。例えば、ファッションストアに入って20種類の白いシャツを見ると、どれもほとんど同じように見えてしまいます。結局、どれか一つを選ぶことになりますが、店に入ったときにどのバーコードの商品を買うか、絶対的な決定をしていたわけではありません。

もし、代替という大きな要素を無視する予測モデルがあるとしたら、その数学モデルにどれほど信頼を置くことができるでしょうか。マネージャーがあの派手な手法を見て「代替という基本的な要素に対応しているのか?」と問い、その答えが「いいえ」であるなら、どうしてそのモデルを信頼できるのでしょうか。

また、割引の影響も考慮する必要があります。シーズン末に大幅な割引を実施すれば、人々は我々のブランドが常に大きな割引を行うことに慣れてしまい、次のコレクションのセール期間を待って割引の恩恵を受けるようになります。人々は賢く、環境に適応するものです。

ですから、素朴なモデルと直感を比較すると、通常は直感の方が正しいのです。全く正確に間違っているよりは、おおよそ正しい方が良いと言えます。適切な配慮と理解があればモデルを改善することは可能ですが、それには機械に対する共感と問題を受け入れる姿勢が必要です。

Warren Powell: ジョアネス、その例には同意します。ここでの問題は二つあります。一つはシャツを選ぶ際のランダム性で、これは数学モデルがかなりうまく扱えるものです。もう一つは、割引とそれに対する市場の反応という、より微妙なモデリングです。素朴なモデルは後者を見落としがちで、価格を下げることを提案してしまい、実際に価格を下げると市場がそれに慣れてしまうという事実を無視してしまいます。これは重大なミスです。

人々は直感を持っており、より洗練されたモデルはこれらの微妙な点にも対処できるはずです。しかし、単純なモデルではそれは難しいです。私は何年もラボで企業が資金提供するモデルの構築に取り組んできましたが、モデルが問題の重要な側面を見落とすと、このようなミスが起こるのを目の当たりにしてきました。

Kieran Chandler: 特に貨物輸送の分野で、どのようにしてモデルへの信頼を構築しているのか、ご説明いただけますか?

Warren Powell: ノーフォーク・サザンが信頼すると認めたモデルを作り上げるのに、私たちは6年から8年もかかりました。非常に大変な作業でした。市場が何かに慣れるという微妙な点を無視することはできませんし、それはとても簡単に犯してしまうミスです。モデルを校正し、優れた統計データを用い、適切な質問をする知識豊富な人材を揃える必要があります。しかし、何もないところからあれこれと無理に引き出すのは困難です。人間が考慮できる変数があまりにも多いため、それらをカバーする一つの方法は、在庫を増やして隠すことですが、これは高コストになります。もし一点予測を使えば、通常は非常に薄い在庫で済ませる傾向にあります。我々は、それも正しい方法ではないと学んでいます。

Kieran Chandler: ウォーレン、信頼の考え方に戻りましょう。ポリシーベースの予測を構築するとき、いかにして人々にそのビジョンを実際にイメージしてもらい、納得させるのでしょうか。なぜなら、Lokadで直面した本当の問題の一つは、人々に確率的予測で行っていることを視覚化してもらうことだったからです。

Warren Powell: 貨物輸送では、出荷業者が何をできるかについての確率的予測を行っています。シミュレーションを実施し、トラックが実際にどのように動いているかを確認して、それが妥当かどうかを見極めます。荷物をどれだけカバーしたかや運転手を家に送り届けた回数などの指標をまとめ、どの企業も用いる標準的なKPIをチェックします。確率的予測を行い、千回のシミュレーションを実施し、KPIを集計して、それが妥当かどうかを問うのです。一定量の試行錯誤が必要であり、問題を理解している賢明な人々が関与する必要があります。彼らはKPIや適切な指標を注視し、その挙動が正しいかどうかを判断しなければなりません。

Kieran Chandler: ヨハネス、あなたの歩みをウォーレンと比較するとどうでしょうか?かなり似たような経験をされたように感じます。

Joannes Vermorel: 全くその通りです。Lokadでは、プログラミング能力とサプライチェーンの問題に関する深い知識を持つ人々を、サプライチェーン・サイエンティストと呼んでいます。単一のモノリシックな指標だけでアプローチすることはできません。それは通常、非常に欺瞞的だからです。そうすると、一つの指標をミクロに最適化して、完全に操作してしまう、いわばKaggleのような状態になってしまいます。

Kieran Chandler: 関連性を失った後のアプローチとしては、通常、システムの計測のために多数の指標を用い、どこで大きなミスが起きているかを特定するというものです。ジョアネス、この点についてもう少し詳しく説明していただけますか?

Joannes Vermorel: Lokadでは、これを実験的最適化と呼んでいます。つまり、ポリシーを生成する数値モデルが非常に誤った意思決定を行う状況を特定したいということです。これが、何が問題なのかを診断する入り口となります。象が見えなくなるように、何かが欠落している極端な意思決定を特定する方法は、問題を多角的に見ることにあります。こうした誤った意思決定は非常に高コストになる可能性がありますが、発生頻度は低いのです。平均値だけを見ると、それらに気付かないかもしれません。なぜなら、確率的指標は通常、多くの状況の平均を取っているからです。平均値の問題は、千に一度しか起こらない現象が、コストを10倍に跳ね上げる可能性を秘めている点を隠してしまうことにあります。だからこそ、私たちはそれを計測しようとしているのです。

最も重要なのは、まず第一にサプライチェーンエンジニアである人々を揃えることであり、単なるデータサイエンティストやソフトウェアエンジニアであることではありません。これにより、ある程度の生産性を発揮できるツールが必要だという結論に至りますが、これは全く別の問題です。

Kieran Chandler: ありがとう、ジョアネス。ウォーレン、最後はあなたにお任せします。将来に対するあなたの希望は何ですか?いつか皆がこのポリシーベースの手法を使うようになると思いますか?

Warren Powell: まず第一に、今日、誰もがポリシーベースの手法を使っているという事実から、これこそが未来への道だと思います。一点予測のグーグルマップ――申し訳ありませんが、それでは生き残れません。ご理解いただきたいのは、私のキャリアの始まりが1981年だったということです。

Kieran Chandler: 当時、アメリカ最大のトラック輸送会社であり、アナリティクスの先駆者であったSchneider Nationalにご注目ください。1981年にはすでにコンピュータモデルが稼働していましたが、彼らは一点予測に踏み切りました。彼らこそが私に「ウォーレン、世界は確率的だ。だからこそ、今こそサプライチェーンマネジメントの時代だ。一点予測では通用しない。誰かが本当の世界だと思っているかもしれないが、実際はそうではない」と言ったのです。このポリシーベースアプローチの概念は、人々がどのように意思決定を行うかを示しています。

Warren Powell: 「注文はこれまで」といった単純なポリシーでもよいし、「先を見越す」ポリシーでもかまいません。しかし、人々が「先を見越す」と言うとき、決定論的に考えがちです。ここで、新しい考え方が求められます。不確実性を伴って「先を見越す」必要がありますが、今ではコンピュータが存在します。1980年代、コンピュータは恥ずかしい存在でしたが、今ではクラウド上で50のシナリオを並列実行し、平均値の代わりに悪い事象がどれだけ起こるかを評価してリスクを判断しています。

ジョアネスが指摘したその他の問題点は依然として有効です。問題を適切にモデリングする必要はありますが、やがてコンピュータが行うことが、人間のどんな手法よりもはるかに優れている転換点が訪れるでしょう。その時が来るのは非常にエキサイティングです。私たちはすでにトラック輸送業界でこれを実践しています。以前は単にシミュレーターとしてサプライチェーンシミュレーターを書いたこともありましたが、今やそのシミュレーターを実際の現場に移し、「さあ、今の意思決定を助けるために、将来何が起こり得るかを考えよう」という段階に近づいているのです。

Kieran Chandler: さて、素晴らしいです。ここで締めくくらなければなりませんが、皆さん、本日は本当にありがとうございました。これで今週の全てです。ご視聴いただき、ありがとうございました。それでは、また。