00:00:08 需要予測とデータ集計の入門。
00:00:41 需要予測におけるさまざまな粒度の種類。
00:02:00 予測におけるさまざまなデータ集計レベルの課題。
00:05:28 非集計レベル: 1日ごとのSKUおよび他の集計レベルの再構築。
00:08:31 需要予測における生鮮製品の特殊なケースとその課題。
00:09:42 データ集計における詳細情報の重要性。
00:11:01 最も詳細なデータから望ましい集計レベルの再構築。
00:13:01 非集計データに対する時系列手法の限界。
00:15:01 時系列手法と、未来も同様であるという仮定。
00:17:00 時系列モデルの魅力的でありながら誤解を招く性質。
00:19:03 予測における集計の欠点についての議論。
00:20:00 意思決定における粒度の重要性の探求。
00:21:38 関連するホライゾンとそれがサプライチェーンの意思決定に与える影響の検証。
00:23:48 恣意的な集計と、それがサプライチェーン効率に及ぼす潜在的な影響への反論。
00:26:35 意思決定に基づく粒度に注力し、早すぎる最適化を避けることの提案。

概要

Joannes Vermorel(Lokadの創設者)は、Nicole Zintとのインタビューで、需要予測における適切なデータ集計レベルの選択の重要性について論じています。検討された次元は、データを集計する際の時間間隔という時間的側面と、サプライチェーンの組織構造という構造的側面の2つです。Vermorel氏は、ほとんどのサプライチェーンネットワークにおいて日次レベルとSKUレベルが最も適していると指摘していますが、例外的なケースではより詳細なデータが必要になることもあると述べています。また、Vermorel氏は、サプライチェーン予測における時系列モデルの限界に警鐘を鳴らし、腐敗性、内部競合、代替、そして変動するリードタイムなどの要因を考慮した、より広い視野を持つことを促しています。彼は、意思決定に基づく粒度の重要性と、リードタイムを超えた予測ホライゾンの拡大を強調しています。

拡張概要

このインタビューでは、ホストのNicole Zintが、サプライチェーン最適化を専門とするソフトウェア会社サプライチェーン最適化のLokadの創設者Joannes Vermorelとともに、需要予測および適切なデータ集計レベルについて議論しています。彼らは、需要予測におけるさまざまな粒度の種類と、これらの粒度が予測方法に与える影響を探求します。

Vermorel氏は、需要予測の粒度を選択する際には、主に時間的側面と構造的側面の2つの次元を考慮する必要があると説明します。時間的次元は、取引データを集計する際の、時間ごと、日ごと、週ごと、月ごと、または年ごとの間隔を指します。構造的次元は、製品カテゴリやロケーションを含むサプライチェーンの組織構造に関連しており、SKU(ストック・キーピング・ユニット)、製品リファレンス、製品ファミリー、製品スーパーファミリー、またはカテゴリごとにデータを集計し、その後、サイト、地域、または国ごとに再集計することを含む可能性があります。

これらの粒度に関連する予測の種類について議論する際、Vermorel氏は、1990年代に普及したビジネス-インテリジェンス-(bi)やハイパーキューブの概念が関連していると述べています。過去のデータはベクトルとして表され、各粒度レベルが固有のベクトルを形成します。時間次元が加わることで、これらのベクトルは時系列データとして解釈され、予測に利用されます。

このアプローチは主に時系列予測を対象としており、これは業界の主流な手法です。Vermorel氏は、集計レベルの多様性により、同じデータから複数の予測が生成される可能性があると指摘しています。

インタビューでは、時系列に関連して技術用語「等間隔」についても触れられています。等間隔の時系列はデータポイント間の間隔が規則的かつ均一であることを意味します。Vermorel氏は、多くのサプライチェーン業界の人々が、等間隔でない時系列データを扱うことを考えたことがないかもしれないと認めていますが、等間隔の時系列が一般的であるためです。しかし、彼は、月のような一部の間隔は、物理的な意味で正確に規則的ではなく、月によって長さが異なることを指摘します。

このインタビューセグメントは、需要予測のための適切な粒度の選択の重要性に焦点を当てています。考慮すべき主な次元は、時間的側面と構造的側面です。選択された粒度に基づき、同じデータからさまざまな予測が生成され得ますが、業界では時系列予測が最も一般的です。さらに、等間隔の時系列データの概念が議論され、異なる時間間隔を扱う際の複雑さが強調されています。

Vermorel氏は、予測のタイムホライゾン、意思決定に基づく粒度、そしてサプライチェーン管理において考えを狭めないことの重要性について語ります。

彼らはサプライチェーン最適化におけるデータ集計レベルの課題について議論します。Vermorel氏は、集計レベルの選択は業界の特性に依存し、ある業界ではより細かい分解が必要とされる場合があると説明します。また、ほとんどのサプライチェーンネットワークにおいて、日次レベルとSKUレベルが最も理にかなった分解レベルであると強調します。しかし、彼は生鮮製品のような例外的なケースでは、より詳細なデータポイントが要求される可能性があると述べています。Vermorel氏は、データ集計に関する任意の決定には長所と短所が伴うため、その決定の根拠を理解することが重要であると強調します。もっとも詳細なレベルからさらに細かいデータを再構築できるかという問いに対し、彼はデータを集計する際には必ず情報が失われるため、データがより詳細であるほど、より正確な予測が可能になると説明します。しかし、最も詳細なデータとは、集計データではなく、生の取引データそのものであるのです。彼は、なぜ1日ごとにSKUで止めるのかと問われれば、それが時系列として扱える最後のレベルだからであり、それ以上の粒度に進むと、データが時系列として構造化されていないため、時系列の視点を維持できなくなると説明しています。

ホストのNicole Zintとともに、サプライチェーン予測における時系列モデルの限界についても議論されました。Vermorel氏は、サプライチェーン業界は通常時系列的な思考モデルで運営されているものの、時系列手法は疎で不規則、かつ断続的なデータに対しては性能が低い傾向があると指摘します。彼は、過去と未来の間には根本的な非対称性があり、未来が過去と全く同じであるという仮定は誤っていると主張します。また、彼はデータ集計の慣習に挑戦し、それがデータの損失と指標の不一致を招くと考え、意思決定に基づく最適化において唯一重要なホライゾンは、特定の意思決定に関連するものであるべきだと示唆します。

Vermorel氏は、予測のタイムホライゾンはリードタイムを超えて拡張されるべきだと説明します。これは従来の時系列の視点に必ずしも適合しないためです。彼は、意思決定のホライゾンは、商品の到着までの期間だけでなく、受領した商品の販売にかかる時間も考慮すべきだと論じます。適用されるホライゾンは、在庫の清算速度の期待や需要の変動性などの要因に依存します。未来をどこまで見通すべきかに明確な限界はありませんが、予測は先の未来ほど不確かになるとVermorel氏は認めています。最終的には、トレードオフは、コンピューティングリソースのコストとサプライチェーンへの潜在的な改善とのバランスにかかっているのです。

粒度について議論する際、Vermorel氏は、それが企業が行いたい意思決定によって左右されるべきだと強調しています。彼は、粒度が恣意的でデータの損失を引き起こす可能性があるため、可視化の必要性と他の予測や最適化の要求とを混同しないよう助言します。代わりに、彼は、再発注や価格調整のように、サプライチェーンに実質的かつ金銭的な影響を与える意思決定に注力することを推奨します。

Vermorel氏は、集計レベルに過度に固執することは、問題の非常に技術的な側面であると警告します。現代のコンピュータシステムはさまざまな粒度を十分に処理できる能力を備えており、思考に恣意的な制約を課す必要はありません。かつては、可視化のためにデータを集計することが一大課題でしたが、現代のシステムはミリ秒単位の粒度にまで容易に対応できます。

インタビュー対象者は、サプライチェーン最適化において、従来のデータキューブアプローチのみに依存することへの警戒も促します。彼は、そのような方法が不必要な制約を課し、潜在的な解決策の範囲を限定してしまうと主張します。サプライチェーンをより包括的に捉えるためには、生鮮性、内部競合、代替、そして変動するリードタイムといった要因も考慮すべきです。Vermorel氏は、より広い視野を持ち、サプライチェーン管理における問題解決を妨げる恣意的な制約を避けることを奨励しています。

まとめると、Joannes Vermorel氏は、サプライチェーン最適化において、より広範な要因を検討し、リードタイムを超えた予測ホライゾンの拡大および意思決定に基づく粒度の採用を提唱しています。彼は、考えを狭めず、現代のコンピュータシステムを活用して複雑なサプライチェーンの問題に効果的に対処する重要性を強調しています。

全文書起こし

Nicole Zint: 需要予測に関しては、企業間および企業内で選ばれる手法やデータ集計のレベルが非常に多様です。ある企業は日次で予測し、また別の企業は週次、月次、または年次で予測します。SKUレベルで予測する場合もあれば、カテゴリーレベルで行う場合もあります。では、適切なデータ集計レベルとは何なのでしょうか?これが本日のエピソードのテーマです。この質問の答えに入る前に、Joannes、需要予測において選択可能な様々な粒度の種類について教えてください。

Joannes Vermorel: 需要予測では、基本的に問題には二つの主要な次元があります。一つ目は時間的次元で、これは取引データを時間、日、週、月、または年単位で集計するかどうかに関するものです。もう一つは、製品やサプライチェーンのトポロジー、すなわちSKUごと、製品リファレンスごと、製品ファミリー、スーパーファミリー、またはカテゴリごとに集計するというものです。また、サイト、地域、または国ごとに集計するロケーションの次元も存在します。つまり、主要な二つの次元は時間と、カタログまたはサプライチェーンネットワークの構造であり、これが粒度選択の可能性のマトリクスを生み出します。

Nicole Zint: これらの粒度について話すとき、どのような予測を指しているのですか?特定の種類の予測があるのでしょうか?

Joannes Vermorel: 基本的にこれは、1990年代に普及したビジネスインテリジェンスまたはハイパーキューブという概念に基づくモデルです。過去のデータをベクトルとして表現する方法で、例えばSKUごと週次の粒度を選んだ場合、各SKUに対してその値のベクトルが得られ、時間次元が加わることでこれを時系列データとして解釈し、未来を予測することができます。同じデータから潜在的な集計レベルが多数存在するため、複数の予測が可能となるのです。つまり、この問題を論じる際は、時系列予測について話していることになり、少なくともこれは業界の主流の手法です。

Nicole Zint: 時系列のタイムラインはすべて等間隔なのでしょうか、それとも異なるアプローチがあるのでしょうか?

Joannes Vermorel: 「等間隔」というのは非常に技術的な用語で、サプライチェーン業界の多くの人々がこれに触れたことがないかもしれません。等間隔とは、時系列が完全に規則的な区分に分けられている状態を指します。しかしながら、これは抽象的な概念であり、例えば月は物理的な意味で正確に規則的ではないことに留意すべきです。物理学者は、月によって長さが異なると指摘するでしょう。

Nicole Zint: 月に関してもうひとつ質問ですが、例えば月ごとに金曜日や週末の数が異なり、金曜日に売上が急増する場合、そのパターンが乱れてしまいませんか?

Joannes Vermorel: ここで問題となるのは、どの集計レベルを選ぶべきかということです。さまざまな懸念が浮上します。明らかに、ある集計レベルには特有の影響があり、例えば時間単位では、多くの業界において過度に細分化され、夜間は小売など一部の分野で何も起こらないため、必ずしも意味をなさない場合があります。

では、月単位の集計を選ぶ場合も、月によって特定の曜日が4回か5回かといった違いが生じるため、記録の見方や予測の構築方法にバイアスがかかるという、厄介な側面があります。しかし、これはSKUごと、製品ごと、またはカテゴリごとに集計する場合でも同様の懸念が生じます。

Nicole Zint: では、これらの異なるデータ集計レベルに関して、技術的には最も細分化された1日ごとのSKUを選び、そこから他のどの集計レベルも再構築できるのではないでしょうか?

Joannes Vermorel: 最初に、確かに極めて細かいレベルに分解してしまおうという誘惑があります。サプライチェーンにおいて、時間軸で見た最も合理的な分解レベルは日単位ですが、それはかなり恣意的な決定でもあります。分単位にすることも可能だったでしょうし、例えばコールセンターを運営していて着信率を確認したい場合、着信はもっと細かく観測されるはずです。つまり、これはサプライチェーンの一般的な状況において、どのようなレベルが意味をなすのかという話です。

さて、少し過去に目を向けると、私たちがどこから出発したのかが理解できます。例えば、100店舗からなる典型的な小売ネットワークで1万SKUのある店舗を見てみましょう。これは決して大規模な小売ネットワークではありません。1万×100、すなわち100万SKUであり、さらに日次データがあるとすると、3年分の履歴なら約1000日分となります。つまり、10億ものデータポイントについて語っているのです。控えめな小売ネットワークにおいてSKUレベルの日次集計データを表すだけで、すでに10億のデータポイントに相当します。

コンピュータで考えれば、それは既に4ギガバイトのメモリに匹敵します。少し昔にさかのぼると、このようなメモリ容量は90年代以前には全く利用できなかったことがわかります。ちなみに、「ビジネスインテリジェンス」という用語は、enterprise softwareツールの一分野として90年代に登場しましたが、これはちょうどギガバイトサイズのコンピュータが市場に出た時期と重なります。つまり、両者は手を携えて進んだのです。これほど大量のデータを扱えるコンピュータが必要だったのです。

Nicole Zint: つまり、あの大きなキューブとは、実はインメモリコンピューティングのために設計されたソフトウェアのことで、これは新しく手に入れたランダムアクセスメモリを活用しようという壮大な試みでもありました。そしてその結果、それがデフォルトとなったのです。ただし、これもまたかなり恣意的なものだったのを忘れてはなりません。サプライチェーンにとって意味をなす最小のレベルとは、日次集計とSKUレベルであるというのは正確なのでしょうか?

Joannes Vermorel: はい、しかし例外も数多く存在します。例えば、賞味期限のある製品の場合、SKUごとの日次集計で在庫状況を正確に把握できるかというと、答えはノーです。たとえ在庫が10個あったとしても、そのうち9個が翌日には期限切れになると、本当の在庫は実質的に1個と消えかけの9個ということになります。つまり、このケースでは在庫レベルは十分に細かくなく、SKUレベルでも不十分なのです。本来求められるのは、少なくとも1週間、あるいは1ヶ月分の棚持ちがある在庫レベルだと言えるでしょう。そうすることで、より直感的なイメージが得られるのです。

Nicole Zint: では、時間についてはどうでしょう?日次レベルで十分か、もしくはもっと細かいレベルを検討すべきなのでしょうか?

Joannes Vermorel: 日次レベルは通常は問題ないかもしれません。しかし、例えば週末だけ、または午前中だけ営業している店舗がある場合、半日しか営業していない店舗の存在を知らなければ、情報が不足してしまいます。ですから、午前と夕方というような、より細かいレベルが、より価値ある情報を提供する可能性があります。集計レベルに関するあらゆる任意の決定は、それぞれ長所と短所を伴います。私の主張は、これらは非常に恣意的なものであり、絶対的な真実はないということですが、その決定がどこから来るのかを理解するのは非常に興味深いという点にあります。

Nicole Zint: たとえば、費用対効果の範囲内で最も細かいレベルが見つかったとしましょう。最も詳細なデータにアクセスできるにもかかわらず、例えば週間ベースの予測を見たい場合、細かいレベルのデータから必要な集計レベルを単純に再構築することは可能でしょうか?

Joannes Vermorel: もちろんです。生の取引履歴に戻れば、いかなる集計を行っても、情報としてのデータは失われます。どのような集計方法を取っても、最も詳細なデータから常に上位の集計レベルを再構築することが可能です。

Nicole Zint: つまり、これは情報のロスが伴うプロセスであるため、情報量が減少し、その結果、精度が低下するのは当然なのでは?集計レベルが高くなるほど、精度は落ちるということですか?

Joannes Vermorel: はい、しかしこれこそが我々がこの種の集計設定を望む理由でもあります。これはキューブ駆動型と言えるでしょう。なぜなら、比較的迅速に動作するソフトウェアが存在するからです。ハイパーキューブがあれば、スライスやダイスといった操作が非常に効率的に行えるのです。これは非常に技術的な理由であり、日次から週次へ変換する操作は、キューブ上で非常に効率的に実行できます。

実際、純粋な情報理論の観点から見ると、より集計レベルを上げるたびに情報は失われます。したがって、理論上、将来についてより正確な主張をするためには、最も分解されたデータに基づいて操作すべきです。しかし、多くの人は最も分解されたデータとはSKUごとの日次データだと思いがちですが、実際には最も分解されたデータは集計されたデータではなく、生の取引データそのものなのです。

人々がSKUごとの日次データで止まるのは、本質的にそれが時系列として扱える最後のレベルだからです。もしそれ以上の細かい、生の取引履歴まで扱おうとすると、時系列の視点を捨てなければならなくなります。なぜなら、データはもはや時系列として構造化されておらず、文字通りリレーショナルデータとしてデータベースのテーブルに存在するからです。もはや一定間隔の時系列のようには構造化されていないのです。

時系列は、本質的に各期間(期間は日、週、または月になり得ます)ごとに数量を持つベクトルを構築することで初めて現れます。その数量のベクトルを時系列モデルで拡張したいのです。たとえば、100列のテーブルだけで操作する場合、これは時系列ではなく、単なるデータベースのリレーショナルテーブルに過ぎません。これは非常に一般的ですが、時系列データではありません。現在の制約要因のひとつは、選択された予測手法そのものにあります。

問題は、なぜそれがこれほど魅力的なのかという点です。その答えは、ほとんどのサプライチェーン業界が時系列のメンタルモデルで運営されているからです。したがって、すべてが時系列モデルに適合しなければならないと決定されると、ハイパーキューブは非常に魅力的になります。なぜなら、次元の一つが時間である限り、どの集計レベルにおいても常に時系列データが存在するからです。

しかし、ここで核心に触れる必要があります。理論上、情報理論は分解すればするほど情報が増え、将来についてより多くのことが分かるはずだと言います。しかし現実には、多くの時系列技法、すべてではありませんが、そのほとんどが、非常に希薄で不規則、間欠的なデータに対しては非常に低いパフォーマンスを示します。問題は、非常に分解されたデータになると、時系列技法の効果が低下する点にあります。

Nicole Zint: あなたの時系列技法の観点からすれば、実際にはデータは豊富なのに、時系列技法としては次第に希薄になり、ゼロが増えていくということになります。そして、時系列とは同じパターンの繰り返しを前提としている。つまり、未来は過去と対称であると仮定している、ということなのでしょうか?

Joannes Vermorel: はい、しかしこれはすべてのデータ駆動型手法に当てはまることです。すなわち、どのデータ駆動型手法も、何らかの形で、未来が過去と同じであり続けるという考えに依存しているのです。ご覧の通り、機械学習、AI、時系列、何であれ、本質は常に同じです。私たちの統計手法はすべて、未来も過去と同様であるという考えに根ざしています。

Nicole Zint: しかし、より細かいレベルに行くと、季節性などを見逃してしまうのではないでしょうか?

Joannes Vermorel: いいえ、時系列の特徴は非常に技術的なものです。つまり、時系列モデルは、データ構造の観点から、未来が過去と全く同じように見える、非常に対称的なモデルを提供するのです。これは時系列に特有のものであり、「同じパターンが続く」とは言えども、未来についての主張は、必ずしも過去の記録と全く同じ形、形式、フォーマットである必要はないのです。そうなる場合もあれば、ならない場合もあります。

時系列は非常に魅力的ですが、その魅力が人々を大いに惑わす一因にもなっています。基本的に未来と過去が完全に対称であると考えれば非常に魅力的ですが、「完全な対称性」とは、あなたのハイパーキューブまたはキューブを思い浮かべてみてください。SKUの次元、日付の次元、その他の次元があり、未来とは単に日付の次元を取り、例えば100セル分拡張したものに過ぎないのです。

そして、その結果、未来が現れ、予測とは単にその空白を埋める作業であると言えるのです。つまり、観測済みのデータと、時系列予測モデルで空白を埋めるデータが全く同じものだと主張することになります。しかしながら、過去と未来の間には非常に根本的かつ激しい非対称性が存在するのです。

この古典的な時系列平均予測の視点に立つと、未来が本質的に過去と全く同じであるかのように振る舞ってしまいます。まだ起こっていないという事実だけでなく、データの形式や考え方において完全に同じであると仮定してしまうのです。しかし、私の提案は、科学的というよりも哲学的な主張に近く、決してそうではなく、未来は過去と大きく異なるということです。

Nicole Zint: それでも、多くのRFPを見かけますが、そこでベンダーに対して「これら全ての集計レベルを一度に提供できますか?」と尋ねています。なぜ、異なる集計レベルが必要なのでしょうか?

Joannes Vermorel: これもまた定番の質問です。人々がこれを主張するのは慣れ親しんだ方法だからですが、異なる集計レベルは非常に異なる結果や洞察をもたらす可能性があるという点を認識することが重要です。

Nicole Zint: ここでの誤謬は、時系列モデルから出発することにあります。この時系列モデルは、ビジネスインテリジェンスの世界では、基本的にキューブあるいはそのスライスやダイスされたバージョンとして対応しているのです。人々は集計すると情報が失われることに気づくものの、その理由がはっきりしません。そして、指標は、非常に細かいレベルの予測が全くつまらないものであると示すのです。実際は、適切な手法を使っていないだけで、予測が非常に不十分になっている可能性があるのです。

Joannes Vermorel: そこで彼らは「うちは予測が非常に悪い」と言い、私は「では、より高い集計レベル、例えば週次もしくは製品単位にバブルアップできる可能性が必要だ」と言うのです。しかし、どのレベルを選ぶかは彼ら自身も分かっていません。だからベンダーに問い合わせる際は、選択肢を広く残してしまい、結果として質問が100以上にのぼる半ばばかげたRFPになってしまうのです。

彼らの視点では、どのレベルで時系列予測モデルを適用するかという選択肢を残しておきたいだけです。しかしここで、本当に疑問なのは、そもそもなぜ最初からデータを集計する必要があるのか、そしてなぜ予測手法が動作を始める前にデータを破棄し始めるのかという点です。データを失ってしまっているのは問題であり、集計すればするほど、失われるデータは増えるだけです。

そして、「しかし、誤差率という指標が非常に悪いと示しているので、非常に分解されたレベルでは操作できない」と言うなら、我々は「そうですが、あなた方は誤差の割合を最適化しているのではなく、金額としての誤差を最適化したいのです。しかしパーセンテージという指標を見ているため、金額とは整合していないのです」と返します。

Nicole Zint: はい、まさにその通りです。この誤謬に従えば、日次から週次へと変えると精度が向上し、週次から月次へ、さらには年次へと行くにつれ精度が上がると考えられます。しかし、実際には「年次予測だと、年次予測で何をすればよいのか?週次で意思決定しているのに、どうして月次の予測が役立つのか?」という疑問が生じるのです。

Joannes Vermorel: これが問題です。実際に重要な時間軸は、あなたの意思決定にとって relevant なものでなければなりません。例えば、在庫補充という非常に単純な決定を考えてみましょう。関連する時間軸の例を挙げると、その答えは非常に複雑です。まず、リードタイムがありますが、そのリードタイムは保証されたものではありません。たとえば海外のサプライヤーがいると、リードタイムは一定ではなく変動するものです。おおよそ10週間程度かもしれませんが、大きな変動の可能性も秘めています。

ちなみに、その変動の一部は季節的なものであり、たとえば旧正月のように中国の工場が休業するため、リードタイムがさらに4週間延びる場合もあります。ですから、リードタイムだけを考えると、非常に変動が激しく、独自の予測が必要となるのです。さらに、これらの時系列モデルの問題点の一つは、常に売上データのようなものに注目している点です。予測すべき他の要素、例えばリードタイムは、実際には一定ではなく、場合によっては存在さえしないのです。

Nicole Zint: つまり、キューブはそのような実態すら表しておらず、ある意味で恣意的に選ばれたものに過ぎません。あなたの時間軸はリードタイムであるべきですが、リードタイムはこの時系列の視点やキューブソフトウェアに合致しない「予測上のレッドゾーン」に値するのです。しかし、意思決定の妥当性を評価するための時間軸は、リードタイムだけで止めるべきなのでしょうか?

Joannes Vermorel: いいえ、なぜなら明らかに、今すぐ再注文を行うと決めたということは、商品到着までに発生する需要を満たしたいという意図があるからです。しかし、その後すぐに受け取った商品を販売しなければなりません。発注の妥当性を評価するには、その後に何が起こるかを見る必要があります。そして、どこまで先の未来を見るべきなのでしょうか?それは状況次第です。もし、あなたの注文が需要の急増を伴うものであれば、実際に商品が届き、2日以内に全て販売されるかもしれません。しかし、逆に需要が落ち込む場合はどうでしょう?在庫を丸一年分保持する可能性もありますが、もちろん、消耗品でなければの話です。単純化して説明しています。

つまり、適用される先の期間は未来の見方に大きく依存し、それ自体が予測となります。なぜなら、リードタイムを予測しなければならないからです。そして、需要だけに注目しても、実際に在庫をどれだけ早く消化できるかにより、考慮すべき期間は変わってきます。従って、最終的には予測に適用する期間の明確な限界は存在しません。唯一の懸念は、未来を見るほど予測があいまいになるということです。

しかし、これは技術的な話で、ある時点ではCPUコストと供給チェーンにおける潜在的なわずかな改善とのトレードオフが存在します。しかし、概念的な観点からは、未来をどこまで見ようと制限はありません。

Nicole Zint: 結論として、粒度のレベルは常にあなたが下す意思決定のレベルに合わせるべきだということですか?

Joannes Vermorel: はい、あなたの粒度は非常に意思決定に依存すると言えます。ただし、集約しなければならないという考え方は、あなたが使用したい手法に対する仮定を含んでいることに留意してください。私の提案は、常にあなたが下す意思決定そのものに注目することです。意思決定は、再注文や価格の引き上げ・引き下げなど、供給チェーンに具体的な金融的影響を与える行動です。しかしながら、粒度という概念には十分注意してください。これは非常に恣意的かつ任意のものであり、視覚化の必要性(視覚化ができることは望ましいです)と、意思決定に必要な粒度を混同しないようにするべきです。

Nicole Zint: 時系列はデータを視覚化する非常に強力なツールです。しかし、視覚化の必要性と、どんな恣意的な粒度で動作する必要のない、他の予測や最適化の要件を混同しないでください。ここで言う「恣意的な粒度」とは、企業システムに存在しているデータそのものの反映ではない、何らかの追加の集約のことを指します。そのような集約を加えると、データが失われることになります。

Joannes Vermorel: たとえば、集約することによりCPUやメモリの使用量を抑えられるという意味では、良いトレードオフになるかもしれませんが、そうでないかもしれません。これは非常に技術的な議論であり、早計な最適化は避けるべきだと私は考えます。集約レベルを難しい問題と捉えすぎず、視覚化に関してはほとんど容易な問題であると理解してください。現代のコンピュータシステムでは、実際のニーズに比して能力が過剰であることが多いのです。

1990年代には、1日単位でデータを集約することが課題でしたが、今日ではそうではありません。もし、あるベンダーが履歴を5年分にしか制限できないと言うなら、それは非常に奇妙なことです。そのような制限は存在しません。ミリ秒単位まで、どんな粒度にも対応する多くの方法が存在します。しかし、それが必ずしも理にかなっているとは言えず、各セルごとに1バイトのメモリを使用する実際のキューブでそれを行いたいという考えは避けるべきです。これは非常に技術的な側面です。

現代のシステムは、必要なあらゆる集約を提供し、さらにはそれ以上の能力を持っています。これは制約ではありません。このキューブだけに基づいてあらゆる技術を考え出そうとしないでください。それは唯一のアプローチではないのです。消耗性、カニバリゼーション、代替、さらには変動するリードタイムといった多くの要素が見落とされてしまいます。すべてをキューブ内に収めることは、供給チェーンに対する考察を大きく制限してしまい、それは好ましくありません。私の提案は、思考を檻に閉じ込めないこと、すなわち、幅広い視野を持つよう努めることです。なぜなら、供給チェーンの問題を解決する助けとはならない、さらに多くの恣意的な制約が存在するからです。

Nicole Zint: このトピックについて考えを共有してくださり、どうもありがとうございました、Joannes。ご視聴ありがとうございました。また来週お会いしましょう。