00:00:07 ウォーレン・パウエル氏の紹介と本日のトピックの紹介。
00:00:36 ウォーレン氏の経歴とプリンストン大学およびCasa Labsでの業務について。
00:02:00 サプライチェーン管理における不確実性の話題。
00:03:05 トラック輸送とサプライチェーン管理の比較。
00:06:00 サプライチェーン管理における連続的な意思決定の概念。
00:09:01 KPI（主要業績評価指標）とサプライチェーンでの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 企業にとって最適な意思決定をするためのシミュレーションの利用。
00:13:03 確率的予測と生成モデルの双対性。
00:15:17 これらのアイデアを現場に展開する上での課題、強化学習の困難さ、およびディープラーニングの可能性について。
00:18:00 複雑さを受け入れ、方針に基づく意思決定を行う機械学習アルゴリズムの構築についての議論。
00:18:26 人間も意思決定に方針を使用する方法の説明。
00:19:37 サプライチェーン管理におけるコンピュータシミュレーションの重要性とその置き換えができない役割。
00:22:17 意思決定のための四つの基本的な方法の説明。
00:24:00 大手ファッションブランドが使用する現在の予測方法への批判と、食い合いや代替を考慮する必要性についての議論。
00:26:01 割引やセールが消費者行動に与える影響と、それがビジネスにどのように影響するかについての議論。
00:27:08 数学モデルと直感を使用してビジネスの意思決定をする方法の比較。
00:29:44 方針に基づく予測における信頼性の重要性の説明。
00:30:32 問題を理解し、適切な指標を見るために知識豊富な人々が必要であることの説明。
33:37 サプライチェーン管理の未来とツールとサプライチェーンエンジニアの必要性に関する最終的な考え。
概要
Lokadの創設者であるJoannes Vermorel氏と、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氏のインタビューでは、サプライチェーン管理と意思決定の複雑さと不確実性について掘り下げています。専門家たちは、数学モデリングとシミュレーションを通じてこれらの複雑さに取り組む方法についての洞察を提供し、サプライチェーン管理における戦略的、戦術的、運用的な意思決定における方針とシミュレーションの重要性を強調します。また、従来の予測方法の制約にも言及しています。インタビューは、サプライチェーン管理における方針ベースの手法の将来と、熟練したサプライ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。
詳細な概要
インタビューでは、Lokadの創設者であるJoannes Vermorel氏と、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氏によるディスカッションが行われます。彼らは、サプライチェーン管理と意思決定に関わる複雑さと不確実性に取り組んでいます。
Warren Powell氏は、実世界の問題に取り組むユニークな大学産業連携であるCastle Labsを設立した経験を共有しています。彼は、トラックロードトラッキングの初期の仕事が不確実な要素の計画に対する課題に触れる機会となったと話しています。
Joannes Vermorel氏は、サプライチェーンにおける連続的な意思決定の核心問題について詳しく説明しています。現在の意思決定は将来の意思決定に大きく影響を受けるため、このプロセスはチェスのようなものであり、各手は後続の手の文脈で考慮する必要があります。Vermorel氏は、これらの問題を数学的にモデル化することは複雑で難解であると認識しています。
Warren Powell氏は、サプライチェーンにおける意思決定の効果を測定するために、コストと生産性に対する意思決定の影響を評価するために主要なパフォーマンス指標（KPI）を使用することが必要であると説明しています。彼は、シミュレーションがサプライチェーン管理の混沌と予測不可能性を乗り越えるのに役立つことを示唆し、確定論的モデルでは正確な解決策を提供できない場合があると述べています。
インタビューでは、サプライチェーンにおける不確実性の管理と効果的な意思決定の課題について探求しており、各意思決定が将来の意思決定と密接に関連している状況での専門家の経験を踏まえ、数学モデリングとシミュレーションを通じてこれらの複雑さに取り組むための洞察を提供しています。
会話は、サプライチェーンの最適化を予測不能な相手とのチェスに例え、シミュレーションの利用がより良い意思決定を支援することができると示唆しています。Powell氏は、政策や意思決定ルールをシミュレーションと併用して、さまざまなメトリックを使用して企業のパフォーマンスを迅速に評価することができると説明しています。
Vermorel氏は同意し、サプライチェーンの最適化に使用できる確率的予測と生成モデルの重要性を強調しています。彼はこれらの2つのアプローチの二重性について議論し、それらの選択は解決すべき具体的な問題に依存すると述べています。
Vermorel氏とPowell氏は、政策をシミュレーションと組み合わせてサプライチェーンの意思決定を最適化することの重要性について合意しています。政策はパラメータを持つ抽象的なルールであり、学習して適用することができます。Vermorel氏は、これらの概念を実世界の状況に適用することの難しさに言及し、数十年にわたる研究の成果が数値的な成果に限定されていると指摘しています。
Vermorel氏は、最近のディープラーニングや確率的勾配降下などの最適化手法の突破口が、複雑な環境での政策ベースの意思決定の適用性を向上させたと指摘しています。これらの技術はノイズの多い環境や多数の変数に適しており、実世界のサプライチェーン最適化の問題に適しています。
Powell氏は、人間も意思決定をする際に政策や手法を使用しており、意思決定のための4つの基本的なクラスの手法が存在すると述べています。彼はGoogleマップを先読みポリシーの例として挙げ、長いサプライチェーンの文脈で有用であると述べています。
Powell氏は、サプライチェーン管理における戦略的、戦術的、運用的な意思決定にはシミュレーションが必要であると強調しています。サプライチェーンの時間枠が長く、複雑な性質を持つため、アイデアをテストするための試行錯誤は実現不可能です。シミュレーションは完璧ではありませんが、より良い代替手段を提供します。彼は、意思決定の内容、評価メトリック、不確実性の源、意思決定プロセスを理解することの重要性を強調しています。
しかし、Vermorel氏は数値的な手法の信頼性について懸念を示し、シミュレーションが終わりのない会議よりも効果的であると同意しますが、多くの洗練された数学モデルが文脈に無知である場合があると指摘しています。彼はファッション業界を例に挙げ、ポイント予測がしばしばカニバリゼーションや代替などの重要な要素を無視していることを述べています。彼は、素直なモデルに取り組む際には直感が通常より正確であると強調しています。
Vermorel氏は、ヒューリスティックスを考慮し、問題を受け入れることでモデリングに対してより共感的なアプローチを取るべきだと主張しています。一方、Powell氏は、微妙なモデリングが成功のために不可欠であり、単純化されたモデルが重要な要素を見落とす可能性があるため、重要性を強調しています。
Vermorel氏とPowell氏は、コンピュータシミュレーションと高度なモデルがサプライチェーンの最適化に不可欠である一方で、現実世界のサプライチェーンの複雑さを正確に反映するモデルを開発し、問題の深い理解を持つことが同じくらい重要であるとの意見で一致しています。
議論はポイント予測の制約と方針ベースの予測手法の利点について展開されています。
参加者たちは、多くの変数を考慮せずに直感に頼り、在庫の過剰や不足を引き起こすことが多い従来の予測手法について議論しています。ポイント予測は非常に薄い在庫を生み出す傾向があり、これが最適ではないことを彼らは学んでいます。代わりに、現実的で賢明なアプローチを取り、適切な質問をすることがより良い意思決定につながると提案しています。
方針ベースの予測の利点と利点を信頼し、視覚化する課題も議論されています。貨物輸送業界では、確率的な予測を使用してさまざまなシナリオをシミュレートし、それらが合理的に見えるかどうかを主要パフォーマンス指標（KPI）に基づいて評価します。このプロセスは、手法への信頼を構築するのに役立ちます。
Vermorel氏とPowell氏は、問題の深い知識とプログラミングスキルを持つサプライチェーンエンジニアの重要性を強調しています。彼らは、誤った、高コスト、非効率な意思決定が行われる可能性のある領域を特定するために、多くのメトリックを使用することが最善のアプローチであると同意しています。外れ値に焦点を当てることが重要です。なぜなら、それらはしばしば重大な影響を与えることがあるからです。
彼らは平均コストとポイント予測の制約に言及し、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、サプライチェーンエンジニアの必要性を強調しています。彼らは、不確実性とリスクを考慮に入れた方針ベースの手法が、ますます高度なコンピュータ能力の支援を受けて、サプライチェーン管理の未来を牽引すると信じています。
インタビューは、サプライチェーン管理における方針ベースの手法の将来についての議論で締めくくられます。Powell氏は、ポイント予測は現実世界を正確に表現していないため、時代遅れになると考えています。コンピュータ技術の進歩と不確実性を扱う能力の向上により、方針ベースの予測手法がより効果的で一般的になるでしょう。
インタビューは、従来の予測手法の制約を強調し、方針ベースの予測の利点を強調しながら、熟練したサプライチェーンエンジニアの存在と効果的な意思決定のためのさまざまなメトリックの活用の重要性を強調しています。
フルトランスクリプト
Kieran Chandler: 今日のLokad TVでは、キャッチ22の意思決定を最適化するために方針予測とポイント予測の違いについて議論するためにWarren Powell氏が参加してくれています。ウォーレン、今日はアメリカからの生放送に参加していただき、いつものように、まずはゲストについて少し知りたいと思います。自己紹介をお願いします。
Warren Powell: まず、プログラムに招待していただきありがとうございます。私は自分のやっていることを本当に楽しんでおり、それについて話す機会をいただけることに感謝しています。私は39年間プリンストン大学で教えており、約30年前にCastle Labsという研究所を設立しました。当時は主に産業界との共同研究に取り組んでおり、貨物輸送でスタートしました。学術界は政府から多くの資金を得ることができますが、私たちの主な資金源は産業界でした。また、政府の資金提供の弱点の一つは、彼らにはデータがないこと、実際には問題がないことです。そこで、Castle Labsを通じて、産業界と協力して彼らの問題に取り組むという独自の大学産業連携を開発しました。会社の効率を向上させるためにコンピュータを利用するという早期の関心がありましたので、研究所は非常にうまくいき、急速に成長し、多くの学生を受け入れることができました。私は約60人の卒業生とポスドクを卒業させ、彼らを主要な成果の源として挙げることができます。私たちは約250の論文を執筆しました。それは主に学生の仕事です。私は3つのコンサルティング会社を立ち上げましたが、最新のものはOptimal Dynamicsで、今も関わっています。実際、昨年引退してOptimal Dynamicsに専念するために退職しました。非常にエキサイティングな機会です。
Kieran Chandler: 素晴らしいですね。今日のテーマは、サプライチェーン内で行う意思決定を最適化することです。サプライチェーン管理内で観察できる不確実性について、まずは教えていただけますか？
Warren Powell: まず、トラックロード輸送という最初のプロジェクトについて少し補足しなければなりません。トラックロード輸送では、大企業であるSchneider Nationalという会社から導入がありました。彼らは既に将来を決定論的に計画するコンピュータモデルを持っていましたが、「トラックロード輸送は決定論的ではありません。明日何が起こるかわかりません。今日何が起こるかわかりません。」と言っていました。そして、学術界はこれらの問題を本当にモデル化し、コンピュータ上で解決する方法を学んでいなかったことに気付きました。それで、私は何十年もの間、この問題についてどのように考えるかということを単純に言っていました。「では、この問題についてどのように考えるのか？」ということです。なぜなら、学術界は本当にそれを解決していなかったからです。
トラックロード輸送からサプライチェーン管理に移行するにつれて、後者はトラックロード輸送ほど複雑ではないことがわかりました。トラックロード輸送では、主な問題は荷主が積み荷を要求するかどうか、いくつの積み荷を移動する必要があるかなどであり、ドライバーが現れるかどうかや交通渋滞に巻き込まれるかどうかなど、いくつかのノイズ要因もあります。しかし、それはサプライチェーンとは比べ物にならないほどの規模ではありません。サプライチェーンでは、数週間前に決定を下すことがあります。
Kieran Chandler: 未来の2日後、ほとんどは3日または4日後になります。サプライチェーンは100日、150日先まで延びることがあります。中国から製品を注文する場合、数ヶ月かかることがあります。その間に大きなイベントや大きな嵐、政治的な問題、労働問題、商品の不足などが発生する可能性があります。実際に今日私たちに起こっていることの多くがそれに該当します。製造業者が中国で製品を実際に作るのにかかる時間には、多くのノイズがあります。製造ラインを立ち上げて部品や供給品を整える必要があるかもしれません。それから貨物船に積み込み、貨物船には30日かかるかもしれませんが、嵐や天候によって35日や36日かかることもあります。港での遅延も発生するかもしれません。製品が実際に船から降ろされると、荷降ろしがあります。鉄道やトラックに積み込む必要があります。そして、最終的に到着したときには、品質は大丈夫だったかどうかを確認する必要があります。さまざまな形の不確実性が存在するのです。
Kieran Chandler: そうですね、ジョアネス、それについてもう少し詳しく話し合いましょう。ウォーレンが話していたのは、時間枠の幅広さです。それはなぜ興味深いのでしょうか？時間枠の違いは、技術的な観点から見るとどういう意味を持つのでしょうか？
Joannes Vermorel: ウォーレンの研究は非常に興味深いと思いますが、少し異なる側面についてです。それは連続的な意思決定プロセスです。不確実性は少し技術的な問題ですが、問題の核心は、連続的な意思決定を考え始めることです。トリックは、未来が過去を形作っているということで、少し間違った感じがします。今すぐ最適化したい意思決定は、実際には後で行う意思決定に依存しています。今行っている意思決定が良いものかどうかは、後で行われる意思決定に非常に依存しています。
Joannes Vermorel: このような状況を明確にするために、最小注文数量（MOQ）を持つ海外のサプライヤーから注文をしているとします。このサプライヤーから多くの製品を注文し、フルコンテナに到達する必要があります。さて、問題は、注文を通過させることで、コンテナには何百もの異なる製品が含まれる可能性があるということです。それは良い注文ですか？まあ、それは依存します。実際に次のコンテナの注文をいつ行うかに依存します。つまり、注文したコンテナの数日後に製品が品切れになる場合、この製品の在庫切れが発生するかもしれません。サプライヤーから別の注文を実際に入れることができますか？実際にはできません。なぜなら、この製品自体はコンテナ全体のごく一部に過ぎないからです。あなたは行き詰まってしまいます。注文したフルコンテナを待つしかありません。そして、注文容量が便利で、再びフルコンテナを注文することができるようになるまで待たなければなりません。
Kieran Chandler: では、今行おうとしている意思決定は正しいものでしょうか？それは次の意思決定をいつ行うかに依存します。サプライチェーンや他の多くの分野で相互作用する現実は、本当に良い意思決定とは何を意味するのかを考え始めるとき、後で行われる意思決定とうまく組み合わせる必要があります。チェスをプレイしている場合と同じで、今正しい手を打ったかどうかではありません。これは、プレイされる予定の他のすべての手に対してこれが良い手であると言うことが意味を持つのです。それが意味することです。そして、問題は、数学的にアプローチすることさえ非常に難しくなるということです。なぜなら、あなたは「私には意思決定があり、異なる数量を選ぶことができる」と考えるかもしれません。しかし、未来の意思決定すべてを考えなければならない再帰的な視点があり、まだ行われていない将来の意思決定を考えなければならないのです。「まだ行っていない私の意思決定を最適化したい」と自問していますが、まだ行われていない将来の意思決定も考慮に入れなければなりません。つまり、鶏と卵の問題があり、数学的には難しくて困惑します。ウォーレン・パウエルの仕事の一部は、数学的なフレームワークとアプローチのコーパスを実際に統合することで、一貫性のある方法でこれらの問題に数値的に考えることができるようにすることでした。私はそれがチェスに似ているというアナロジーが本当に好きで、他の人が何をしているかや世界で何が起こっているかに非常に依存しているということです。
ウォーレン・パウエル: まあ、すべての企業はパフォーマンスを測定する方法を持っています。それらをKPI（キーパフォーマンス指標）と呼びます。コスト、生産性などのメトリクスを持っています。企業はこれらのメトリクスを数十、数百持っています。あなたはこれらの同じメトリクスを使用します。私たちがすることは、シミュレーションを実行することです。確定的な世界があればいいのですが、そうではありません。Googleマップを想像してみてください。旅行時間をすべて知っていると仮定して、目的地までの経路全体を見ることができます。しかし、サプライチェーンはあまりにも複雑です。それは遠くまで行きすぎて、ランダムなことがたくさん起こるので、1つの経路ではありません。複数の経路があります。将来を見て、正確に何が起こるかを知っていると思うことはせずに、チェスのアナロジーが良い例です。しかし、エキスパートのチェスプレーヤーと対戦している場合、彼らは非常に予測可能です。エキスパートでないチェスプレーヤーと対戦していると考えてみてください。彼らは予測不可能に行動します。問題は実際にはもっと複雑になります。しかし、単純にするために、コンピュータがシミュレーションを実行できると想像してみてください。将来に入ると、私はルールが必要です。それをポリシーと呼ぶことにします。どんなことが起ころうとも、私がどのような決定をするかを教えてくれる決定方法が必要です。ですので、これらのシミュレーションを実行し、1か月後などのポイントに到達したときに、決定をする必要がある場合はいつでも、私にはルールがあります。コンピュータはこれらのシミュレーションを非常に速く実行できます。将来に向けて100の異なるシナリオを並行して実行できます。
キーラン・チャンドラー: まず、企業がパフォーマンスを評価するためにメトリクスをどのように使用できるかから始めましょう。注文をするかどうかや、注文の大きさを決めるといった意思決定に関して、企業はこれらの意思決定とその潜在的な結果をどのようにシミュレートできるのでしょうか？
ウォーレン・パウエル: これらの意思決定をするために、企業はシミュレータを使用してメトリクスを見て、現在の状況に最適な意思決定を行うことができます。現在の意思決定のためのルールを使用することもできますが、現在だけでなく将来も考慮して、そのルールを最適化するためにシミュレータを使用する必要があります。在庫管理などのより単純な問題では、シンプルな注文アップポリシーが非常にうまく機能することがあります。しかし、中国から90日後に到着する車両の注文をいつ行うかといったより複雑な問題では、以前の注文やハリケーンなどの既知のイベント、その他の未知の要素などを考慮に入れる必要があります。これらのシナリオをシミュレートし、将来の最適なメトリクスに基づいて選択肢を評価することができます。基本的には、通常どおりに会社をシミュレートし、それに応じて評価することです。
キーラン・チャンドラー: ヨハネス、このポリシーのアプローチについてどう思いますか？シミュレーションは実際に機能すると思いますか？
ヨハネス・ヴェルモレル: はい、私はシミュレーションが機能すると非常に同意します。予測に関しては、現代のアプローチは確率的予測について考えることです。確率的予測と生成モデルの間には双対性があります。確率的予測は特定の将来の確率を与え、それをサンプリングして可能な将来の例を描くことができます。一方、生成モデルは、平均化するとホリスティックモデルの確率を与える将来を生成します。基本的に、これらのモデルは同じものを異なる方法で見るための2つの異なる方法です。それらの選択は、技術的な側面と問題の数値的な解像度によってより適切なものが何かによって異なります。
ウォーレン・パウエル: その通りであり、連続的な意思決定を最適化するための数学的なトリックの鍵は、今日と明日の意思決定を分離することです。意思決定そのものに焦点を当てる代わりに、意思決定メカニズムを学ぶ必要があります。このメカニズムには最適化できる多くのパラメータがあります。
キーラン・チャンドラー: ヨハネス、ポリシーを調整する方法とサプライチェーンの最適化における役割について説明していただけますか？
ヨハネス・ヴェルモレル: ポリシーは基本的にはパラメータを持つ抽象的なルールです。意思決定を生成するポリシーに直面する必要があります。これを行うには、通常は確率的予測やその他の方法から派生した生成モデルが必要です。
キーラン・チャンドラー: シミュレーションを確率的予測と考えることが、ポリシーの精度を評価するのにどのように役立ちますか？
ヨハネス・ヴェルモレル: シミュレーションを確率的予測として考えることは興味深いです。なぜなら、精度を考慮することができるからです。人々がシミュレーションを行うと言うとき、大きな問題はシミュレーションが将来の正確な描写を提供しているかどうかです。この質問に答えるためには、確率的予測の視点を採用する必要があります。これにより、シミュレータが会社の可能な将来の正確な描写を提供しているかどうかを評価することができます。
キーラン・チャンドラー: これらのポリシーをフィールドに展開する際の課題と、それらの課題を克服するためのコンピュータサイエンスの進歩について詳しく説明していただけますか？
ヨハネス・ヴェルモレル: これらのアイデアをフィールドに展開すると、問題は非常に実用的な問題になります。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。従来の強化学習の技術は、おもちゃのセットアップでは成功することが多かったが、数千または数百万の変数を含む問題では苦労しました。
深層学習のブレイクスルーの一つの副産物は、確率的勾配降下法などのより良い数理最適化手法の開発でした。これらの手法は、ノイズの多い環境や転送変数を持つ環境でうまく機能します。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ものではありませんが、コンピュータサイエンスの進歩により、現実世界の複雑な状況でのポリシー最適化に非常に適用されるようになりました。これには、数千または数十万の在庫管理単位（SKU）を含むシミュレーションや、数百日先までのシミュレーションが含まれます。
キーラン・チャンドラー: 私たちは数種類の不確実性に直面しています：需要の不確実性、リードタイム、商品価格、カニバリゼーション、競合他社の動向。それらは非常に複雑ではありませんが、すべてが絡み合っています。したがって、シミュレータが可能な将来に対して非常に単純でないようにする必要があります。ウォーレン、あなたはそれに同意しますか？つまり、どのようにしてそれらの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構築するのでしょうか？
ウォーレン・パウエル: まず第一に、人間もポリシーを使用しています。意思決定が行われるたびに、あなたは方法を使用しています。それをポリシーと呼びましょうが、それは方法です。みんなが方法を使用しているので、これは実際には新しいものではありません。私が行ったことは、4つの基本的なクラスの方法があると言ったことです。注文アップまでがその4つのクラスの1つであり、ポリシー関数評価と呼ばれています。
Googleマップを例に取ってみましょう。それは先読みポリシーです。在庫計画では、人々はこの単純なポリシー関数評価を使用する傾向があります：注文がある程度以下になったら、ある程度まで注文する。供給チェーンが長い場合、将来について考える必要があります。これは直接の先読みですので、これで4つのクラスのうち2つをカバーしました。
これら4つのクラスは、私たちがすでに行っていることを明示しています。最適なクラスを見つけるためには、時間の経過とともにどのように機能するかをシミュレーションして確認する必要があります。トラック会社では、アイデアを思いつき、数週間テストしてみて、それが機能するかどうかを確認することができます。しかし、サプライチェーンではそれはできません。何かが機能するかどうかを確認するには、おそらく1年近くかかります。時間枠が長すぎるため、コンピュータシミュレーションはほぼ代替できないものです。
コンピュータがなければ、単にテーブルの周りに座って議論し、「ああ、これが良いと思う」と言う人や、他の人がこれが良いと思うと言う人がいるだけです。それが現在のサプライチェーンの世界で見られるものです - 多くの人々がおしゃべりしてお互いに話しているが、誰も証拠を持っていません。私はキャッスルラボでのキャリアを通じて、戦略計画、戦術計画、そして将来を見通すためのシミュレータを構築し、今自分が正しい決定をしたかどうかを判断するのに役立ててきました。
シミュレーションがなければ、他に何をすることができるでしょうか？ あるアイデアを試して、3ヶ月待って、別のアイデアを試して、また3ヶ月待つことができますが、もちろん、次の3ヶ月は最初の3ヶ月とは関係ありません。どうやって決定をするかについて、コンピュータが「ここには1つの決定方法があります。ここには非常に異なる方法またはわずかに異なる方法があります。どちらがうまく機能するように見えますか？」と言うことができる方法は見つかりません。シミュレーションを実行します。シミュレーションは完璧ではありませんが、何がより良いですか？ より良いものを教えてください。
プロセスは実際には非常に理解しやすいものです。サプライチェーンの専門家にどのような決定をしているか尋ねると、驚くほど多くの人々があなたを無表情で見つめて「まあ、そんな考え方はしたことがない」と言います。在庫を注文する以外にも、サプライチェーンには他の多くの決定が関わっています。
キーラン・チャンドラー: では、あなたの指標は何ですか？ 1つだけではありません。そして、あなたの不確実性の源は何ですか？ それについては長い議論ができますが、すべてをリストアップすることはできません。申し訳ありませんが、あなたが話している大規模なサプライチェーンには、グローバルな不確実性が関わっています。誰がスエズ運河で船が立ち往生することを予測することができたでしょうか、またはCOVIDパンデミックを予測することができたでしょうか？ しかし、予測できるノイズの多いことがたくさんありますし、これらのことが起こることを認識する必要があります。ですから、あなたが行っている決定、評価されている方法、そして不確実性がわかったら、次はどのように決定をするかです。そして、どうやら、最も単純な注文から最も複雑な完全な先読みまで、4つのクラスのポリシーがあります。Googleマップのように確定的に先読みすることもできますし、不確実性を伴って先読みすることもできます。
ウォーレン・パウエル: ビジネスの人々と話をすると、「予測」という言葉を使うたびに、彼らが「予測」という言葉を使うたびに、ポイント予測を意味しているという感じがします。この番組が好きなところは、あなたたちとはその議論をしなくても済むことです。あなたたちは予測の不確実性について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について考えなければならないということを完全に理解しています。そして、それは非常に簡単です。はい、コンピュータが必要です。コンピュータを使わない場合、どうするつもりですか。もしもっと良いアイデアがあるなら、私には理解できません。
キーラン・チャンドラー: ヨハネス、これらのポリシーベースのアプローチにどれだけの信頼性がありますか？ これらの数学的なモデル化はどれくらい堅固ですか？
ジョアネス・ヴェルモレル: まず、無限のS&OPミーティングを行うことの反対論はあまり生産的ではありませんと同意します。ただし、数値的な手法に対する有効な批判として、ラッセル・アッコフが40年前に言ったように、数学的に非常に洗練されているが、文脈的には非常に素朴な手法があるという問題があります。つまり、将来の予測にどれだけの信頼性を持つことができるかについて考え始める必要があるということです。現実的には、大規模なサプライチェーンでまだ広く使用されている多くの人気のある手法が完全なゴミです。私は、派手なコンピュータシミュレーションを見て、非常に洗練されているかもしれないが、全く的外れで推測に頼っていることに完全に気付いていないマネージャーの立場を理解します。もっと具体的な例を挙げると、おそらく現在のほとんどの大手ファッションブランドは予測を行っており、そのほとんどがポイント予測を行っています。つまり、製品を取り、週ごとの需要予測を行おうとします。しかし、おそらくそのファッションブランドのほとんどはカニバリゼーションや代替を考慮に入れていないと推定します。
キーラン・チャンドラー: 今日のインタビューに皆さんをお迎えします。私たちには2人のゲストがいます。Lokadというサプライチェーン最適化のソフトウェア会社の創設者であるジョアネス・ヴェルモレルさんと、プリンストン大学の教授であり、Optimal Dynamicsの共同創設者兼最高分析責任者であるウォーレン・パウエルさんです。ご参加いただき、ありがとうございます。さあ、ディスカッションに入りましょう。
ジョアネス・ヴェルモレル: 製品を選ぶ際、しばしば感覚的に選び、自分の好みや直感に合うものを選ぶことがあります。代替効果やカニバリゼーションの影響が大きいことがわかります。例えば、ファッション店に入って20枚の白いシャツを見ると、どれも似たようなものに見えます。最終的には一つを他よりも好むことになりますが、店に入る前にどのバーコードを選ぶかという絶対的なアイデアはありませんでした。
代替効果のような大きな要素を無視する予測モデルに対して、どれだけ信頼できるでしょうか？マネージャーたちは、その派手な手法を見て、「代替効果のような基本的な要素を扱えるのか？」と尋ねることが多いです。もし答えが「いいえ」なら、そのモデルを信頼することはできませんよね。
割引の影響も考慮する必要があります。シーズン終了時に大幅な割引を提供し始めると、人々は私たちのブランドが多くの割引を提供することに慣れてしまい、次のコレクションのセールシーズンを待って割引を受けるようになります。人々は賢く、適応します。
したがって、素朴なモデルと直感を比較すると、直感の方が通常は正しいです。正確に間違っているよりもおおよその正確さの方が良いのです。適切な注意と理解を持って、モデルを改善することは可能ですが、それには機械的な共感と問題に対するおおよその正確さが必要です。
ウォーレン・パウエル: ジョアネスの例に同意します。ここには2つの問題があります。一つはシャツを選ぶ際のランダム性であり、数学モデルはこれを非常にうまく扱うことができます。もう一つは割引のモデリングと市場がそれに反応する方法の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やすく、価格を下げることを提案するかもしれませんが、価格を下げると市場はそれに慣れてしまいます。そ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要素を扱うことができるはずです。しかし、単純なモデルではできません。私は企業が資金提供しているモデルを構築するために数年間研究室で過ごしましたが、モデルが問題の重要な側面を見落とすと、このようなミスが発生することがあります。
キーラン・チャンドラー: 特に貨物輸送の業界でモデルに自信を持つ方法について話していただけますか？
ウォーレン・パウエル: ノーフォーク・サザン社が信頼すると言ってくれたモデルを作るのには6年から8年かかりました。多くの作業が必要でした。市場が何かに慣れるという微妙さを無視することはできません。モデルをキャリブレーションし、良い統計データを持ち、適切な質問をする知識のある人々が必要です。しかし、常に空想から物事を引き出すことは難しいでしょう。人間が考慮するべき変数が多すぎると思いますので、それらをカバーする方法の一つは在庫を増やして隠すことですが、これは高価です。ポイント予測を使用すると、非常に少ない在庫で済ませる傾向があります。私たちはそれが正しい方法ではないことを学んでいます。
キーラン・チャンドラー: ウォーレン、信頼性の問題に戻りましょう。ポリシーベースの予測を作成する際、どのようにして人々にビジョンを視覚化し、そのビジョンに参加してもらうことができますか？Lokadで直面した本当の問題の一つは、確率的な予測を行っていることを人々に理解してもらうことでした。
ウォーレン・パウエル: 貨物輸送では、荷主ができることに対して確率的な予測を行っています。シミュレーションを実行し、トラックが実際に行っていることを確認します。積載回数やドライバーの帰宅回数などの指標をまとめ、一般的なKPIも確認します。確率的な予測を行い、1000回のシミュレーションを実行し、KPIをまとめ、それが妥当であるかどうかを確認します。一定の試行錯誤が必要であり、問題を理解するスマートな人々が関与する必要があります。彼らはKPIと適切な指標を見て、それが正しく振る舞っているかどうかを判断する必要があります。
キーラン・チャンドラー: ヨハネス、ウォーレンとの旅を比較すると、どのような経験をされたのでしょうか？かなり似たような経験をされたようですね。
ヨハネス・ヴェルモレル: はい、まさにそうです。Lokadでは、プログラミングスキルとサプライチェーンの問題に対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。通常、単一のメトリックの視点からアプローチすることはできません。これは通常非常に欺瞞的です。そうすると、非常にKaggleのようなものになりますが、それは良い方法ではありません。そこで、1つのメトリックをマイクロ最適化して完全にゲーム化することになります。
キーラン・チャンドラー: 無関係なポイントを過ぎた後、アプローチは通常、セットアップを計測するための多くのメトリックを持つことです。そうすることで、何か非常に間違ったことをしている領域を特定できます。ヨハネス、これについて詳しく説明していただけますか？
ヨハネス・ヴェルモレル: Lokadでは、実験的な最適化と呼んでいます。数値モデルが非常に悪い意思決定を生成する状況を特定したいという考えです。これは通常、何かが間違っていることを診断するための入り口です。誤った意思決定は非常に高価ですが、頻繁ではありません。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、通常、多くの状況にわたる平均値を含む確率的なメトリックを見ているからです。平均値の問題は、1000回に1回しか起こらないがコストを10倍にするようなものを隠す可能性があることです。それが私たちがそれを計測しようとする理由です。
キーポイントは、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、まずはサプライチェーンエンジニアである人々が必要です。これにより、生産性のレベルを持つためのツールが必要になりますが、それはまったく異なる問題です。
キーラン・チャンドラー: ありがとうございます、ヨハネス。ウォーレン、最後の言葉をあなたにお願いします。将来に対するあなたの希望は何ですか？いつかはみんながこれらのポリシーベースの手法を使うことができると思いますか？
ウォーレン・パウエル: まず第一に、今日は誰もがポリシーベースの手法を使用しているので、これが進むべき道です。ポイント予測のGoogleマップ、申し訳ありませんが、生き残ることはありません。私のキャリアは1981年に始まりましたので、理解していただく必要があります。
キーラン・チャンドラー: 当時のSchneider Nationalへようこそ。アメリカの最大のトラックロードキャリアであり、アナリティクスの先駆者でした。1981年には既にコンピュータモデルが稼働していましたが、ポイント予測に進んでいきました。彼らが私に言ったのは、「ウォーレン、世界は確率的です。だから、サプライチェーンマネジメントの世界に進みます。ポイント予測はうまくいかないんです。現実世界だと思っている人がいるかもしれませんが、違います。」このポリシーベースのアプローチの概念は、人々が意思決定をする方法を説明しています。
ウォーレン・パウエル: 「注文するまで」といったシンプルなポリシーを持つこともできますし、先読みポリシーを持つこともできます。ただし、「先読み」と言うと、一般的には決定論的なものと考えられます。ここで新しい考え方が必要です。不確実性を伴った「先読み」を考える必要がありますが、今はコンピュータがあります。1980年代には、コンピュータは恥ずかしい存在でした。今ではクラウド上で50のシナリオを並行して実行し、平均値ではなく、リスクを評価するために悪いイベントがどれくらい頻繁に発生したかを評価します。
ジョアネスが提起した他のすべての問題はまだ有効です。問題を適切にモデル化する必要がありますが、いつかはコンピュータが人間よりも優れた結果を出すようになる時が来るでしょう。私はその時が来たことを非常に興奮しています。私たちはすでにトラックロード業界でこれを行っています。私はサプライチェーンシミュレータを作成しましたが、主にシミュレータとしてのみ使用していました。シミュレータを現場に移すことは、「今、どのようなことが起こるかを考えて、今すぐに決断をするのを助けるために未来を考える」ということを意味します。それは近い将来になるでしょう。
キーラン・チャンドラー: それでは、素晴らしいです。ここで終わりにしなければなりませんが、紳士方、お時間をいただきありがとうございました。今週は以上です。ご視聴いただきありがとうございました。それでは、また次回。
