00:00:08 需要予測とデータの集約の紹介。
00:00:41 需要予測における異なる粒度のタイプ。
00:02:00 予測におけるさまざまなデータの集約レベルの課題。
00:05:28 非集約レベル:SKUごとの日次と他の集約レベルの再構築。
00:08:31 需要予測における消耗品のエッジケースと課題。
00:09:42 データの集約における粒度情報の重要性。
00:11:01 最も粒度の細かいデータから目的の集約レベルの再構築。
00:13:01 非常に非集約データにおける時系列技術の制約。
00:15:01 時系列技術と将来が同様であるという仮定。
00:17:00 時系列モデルの魅力的で誤解を招く性質。
00:19:03 予測における集約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 関連する予測期間とサプライチェーンの意思決定への影響の検討。
00:23:48 任意の集約に対する異議とサプライチェーンの効率への潜在的な影響の探求。
00:26:35 意思決定に基づく粒度への焦点と早期最適化の回避の提案。

要約

Lokadの創設者であるJoannes Vermorelは、需要予測における適切なデータの集約レベルの選択の重要性について、Nicole Zintとのインタビューで議論しています。時間的および構造的な2つの次元が考慮されます。データの集約に使用される時間間隔やサプライチェーンの組織などが含まれます。Vermorelは、日次レベルとSKUレベルがほとんどのサプライチェーンネットワークに最も適用されると指摘していますが、エッジケースではより細かいデータが必要になる場合もあると述べています。Vermorelは、サプライチェーンの予測における時系列モデルの制約に警鐘を鳴らし、腐敗、カニバリゼーション、代替、および可変のリードタイムなどの要素を考慮したより広い視野を奨励しています。彼は意思決定に基づく粒度とリードタイムを超えた予測の範囲の重要性を強調しています。

詳細な要約

このインタビューでは、司会者のNicole ZintがLokadというサプライチェーン最適化のソフトウェア企業の創設者であるJoannes Vermorelと需要予測とデータの集約の適切な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異なる粒度のタイプとこれらの粒度が予測方法に与える影響について探求しています。

Vermorelは、需要予測の粒度を選択する際に考慮すべき2つの主要な次元があると説明しています。時間的な次元は、時間間隔(時間ごと、日ごと、週ごと、月ごと、年ごとなど)を指し、構造的な次元は、製品カテゴリーや場所などのサプライチェーンの組織に関連します。これには、SKU(Stock Keeping Unit)、製品参照、製品ファミリー、製品スーパーファミリー、またはカテゴリーでデータを集約し、サイト、地域、または国で集約することが含まれる場合があります。

これらの粒度に関連する予測のタイプについて話す際、Vermorel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現することができ、各粒度レベルごとにユニークなベクトルが作成されます。時間の次元が追加されると、これらのベクトルは時系列データとして解釈でき、予測に使用できます。

このアプローチは主に時系列予測に取り組んでおり、これが業界での主流の実践です。 Vermorelは、同じデータから複数の予測が生成される場合があると指摘しています。これは、潜在的な集計レベルの多様性によるものです。

インタビューでは、時系列に関連する技術用語「等間隔」にも触れています。等間隔の時系列は、データポイント間の間隔が一定である正規の時系列です。 Vermorelは、サプライチェーン業界のほとんどの人々が等間隔でない時系列とは取り組んだことがないかもしれないと認めています。なぜなら、等間隔の時系列の方が一般的だからです。しかし、彼は、月などの一部の間隔は物理的な意味で厳密には定期的ではないことを指摘しています。

このインタビューセグメントでは、需要予測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2つの主要な次元があります:時間的な次元と構造的な次元です。選択した粒度に基づいて、同じデータからさまざまなタイプの予測が生成されることがあります。業界では、時系列予測が最も一般的です。さらに、等間隔の時系列の概念についても議論され、異なる時間間隔の取り扱いにおける潜在的な複雑さが強調されています。

Vermorelは、需要予測の時間軸、意思決定に基づく粒度、サプライチェーン管理において思考を制限しないことの重要性について語っています。

彼らはサプライチェーン最適化におけるデータ集約レベルの課題について議論しています。 Vermorelは、集約レベルの選択は業界の感受性に依存すると説明しており、一部の業界ではより細分化が必要な場合があります。彼はまた、日次レベルとSKUレベルがほとんどのサプライチェーンネットワークにおける最も意味のあるレベルであると強調しています。ただし、消耗品などの例外的なケースでは、より詳細なデータポイントが必要になる場合があります。 Vermorelは、データ集約に関する任意の決定には利点と欠点があることを強調し、それらの決定がどこから来るのかを理解することが重要であると述べています。最も細かいレベルからより細かいレベルのデータを再構築できるかどうか尋ねられた場合、Vermorelは、データを集約するたびに情報が失われると説明しています。したがって、データがより細かい場合、予測はより正確になります。ただし、最も細かいデータは集計されたデータではなく、生のトランザクションデータです。彼は、人々がSKUごとの1日で止まる理由は、それが時系列で操作できる最後のレベルであるためです。それ以上進むと、データは時系列として構造化されていないため、時系列の視点を捨てなければなりません。

彼らはまた、ホストのNicole Zintと一緒に、サプライチェーン予測における時系列モデルの制約についても議論しました。 Vermorelは、サプライチェーン業界が通常時系列のメンタルモデルで操作しているにもかかわらず、時系列技術はまばらで不規則で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ています。彼は、過去と未来の間には根本的な非対称性があり、未来が過去とまったく同じであるという仮定は誤りだと主張しています。 Vermorelはまた、データの集約に疑問を呈し、データの損失と整合性のない指標につながると考えており、意思決定に関連する唯一の関連する時間軸は、特定の意思決定に関連するものだと提案しています。

Vermorelは、予測のための時間軸はリードタイムを超えるべきであり、従来の時系列の視点とは必ずしも適合しないと説明しています。彼は、意思決定の時間軸は、製品の到着までの期間だけでなく、受け取った商品を販売するまでの時間も考慮すべきだと主張しています。適用可能な時間軸は、在庫の売却速度や需要の変動性などの要素に依存します。将来をどれだけ見るべきかには明確な制限はありませんが、予測は先に進むにつれて不確かになるとVermorelは認めています。最終的に、トレードオフは、計算リソースのコストとサプライチェーンの潜在的な改善とのバランスにあると述べています。

粒度について話し合う際、Vermorelは、それが会社が行いたい意思決定によって駆動されるべきであると強調しています。彼は、可視化の必要性と他の予測および最適化の要件を混同しないよう忠告し、粒度は任意的であり、データの損失につながる可能性があると述べています。代わりに、彼は在庫の再注文や価格の調整など、サプライチェーンに具体的な財務的影響を与える意思決定に焦点を当てることを推奨しています。

Vermorelは、集約レベルに過度に固執することについても警告しており、これを問題の非常に技術的な側面と見なしています。現代のコンピュータシステムは、さまざまな粒度レベルを処理するための十分な能力を持っており、思考に任意の制約を課す必要はありません。過去には、可視化のためにデータを集約することは課題でしたが、現代のシステムは、ミリ秒単位の粒度まで簡単に処理できます。

インタビュー対象者はまた、サプライチェーン最適化のための従来のデータキューブアプローチにだけ頼ることにも警告しています。そうすることは不必要な制約を課し、潜在的な解決策の範囲を制限する可能性があると彼は主張しています。腐敗、食い合わせ、代替、および可変リードタイムなどの要素は、サプライチェーンのより包括的な視点を考慮する必要があります。 Vermorelは、より広い視点を奨励し、サプライチェーン管理における問題解決を妨げる任意の制約を避けることを奨励しています。

要約すると、Joannes Vermorelは、サプライチェーンを最適化する際に、より幅広い要素を考慮し、リードタイムを超える予測の時間軸を採用し、意思決定に基づく粒度を採用することを提唱しています。彼は、自分の思考を制限せず、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取り組むことの重要性を強調しています。

フルトランスクリプト

Nicole Zint: 需要予測に関しては、異なる方法とデータの集約レベルの多様性があります。企業間および企業内で選択される集約レベルは、日次、週次、月次、年次などさまざまです。SKUレベルで予測する企業もあれば、カテゴリレベルで予測する企業もあります。これは、どのようなデータの集約レベルが適切かという問いを投げかけます。これが今日のエピソードのトピックです。この質問の答えに入る前に、ジョアネス、需要予測における異なる粒度の種類は何ですか?

Joannes Vermorel: 需要予測では、基本的には2つの主要な次元があります。1つ目は時間的な次元であり、トランザクションデータを時間ごと、日ごと、週ごと、月ごと、年ごとに集約するかどうかです。もう1つの次元は通常、製品/サプライチェンネットワークの構造です。したがって、SKUごと、製品参照ごと、製品ファミリーごと、スーパーファミリーごと、カテゴリごとなど、集約の方法を選択することができます。また、場所によっては、サイトごと、地域ごと、国ごとに集約することもできます。主要な次元は時間とカタログ/サプライチェンネットワークの構造であり、粒度を選択する際には可能性の行列が作成されます。

Nicole Zint: これらの粒度について話すとき、どのような予測について話しているのですか?特定のタイプの予測はありますか?

Joannes Vermorel: 実際には、90年代に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名前で広まった概念的なモデルがあります。これは、履歴データをベクトルとして表現する方法です。例えば、SKUごとに週ごとに粒度を選択し、週ごとの各SKUには値のベクトルがあります。時間の次元があるため、このベクトルは時系列として解釈することができます。その後、この時系列を将来に予測することができます。潜在的な集約レベルが多いため、同じデータの上に行われる予測はたくさんあります。したがって、この問題を議論する際には、時系列予測について話しています。少なくとも、これは業界の主流の実践です。

Nicole Zint: 時系列のタイムラインについてはどうですか?すべて等間隔ですか、それとも異なるアプローチがありますか?

Joannes Vermorel: 等間隔は、サプライチェン業界のほとんどの人々が取り組んだことがない非常に技術的な用語です。等間隔とは、時間系列が完全に規則的に分割されているという技術的な性質です。ただし、これはある種の抽象化であり、たとえば、月は物理的な意味で完全に規則的ではありません。物理学者は、他の月よりも長い月があると言いますので、それは私たちのカレンダーに従って規則的です。

Nicole Zint: 月に関してもう一つ質問があります。月ごとに、例えば金曜日や週末の数が異なる場合、金曜日の売上にスパイクがある場合、それは乱れませんか?

Joannes Vermorel: ここで私たちは次のような質問になります。どの集約レベルを選択すればよいのでしょうか?多くの懸念が生じる可能性があります。明らかに、特定の集約レベルには特定の効果があります。時間ごとのレベルを見ている場合、ほとんどの産業にとっては非常に分解されており、夜間には意味がないかもしれません。たとえば、小売業の場合、夜間に何も起こらない地域がたくさんあるかもしれませんので、意味がないかもしれません。

そして、実際には、月次の集約を選択すると、1か月につき特定の曜日が5日あるという事実があり、4日または5日のいずれかになります。したがって、これはレコードの見方や予測の構築方法にある種のバイアスを導入するトリッキーな側面です。ただし、SKUごと、製品ごと、カテゴリごとなど、他の次元にも同様のことが当てはまります。それぞれに独自の懸念があります。

Nicole Zint: したがって、データの異なる集約レベルについては、最も分解されたレベルであるSKUごとの日ごとを選択し、その他の集約レベルを本質的に再構築することはできないのですか?

Joannes Vermorel: まず、はい、非常に分解されたレベルを選択する誘惑があります。サプライチェンにおいて、時間的に最も意味のある分解レベルは1日ごとです。ただし、これはかなり任意の決定です。分解レベルを1分ごとにすることもできます。例えば、コールセンターを運営していて、着信コールの到着率を見たい場合、着信コールの観測レベルはより細かいものになります。したがって、これはサプライチェンの主流の状況においてどのようなことが意味をなすかについてのものです。

L6 さて、少し過去に戻って、私たちがどこから来たのかを少し理解する必要があります。典型的な小売ネットワークの一つの店舗には10,000のSKUがあり、100の店舗があります。それは非常に大きな小売ネットワークではありません。私たちは10,000倍100で1,000,000のSKU、そして毎日のデータについて話しています。したがって、3年分の履歴を持ちたい場合、1,000日になります。つまり、10億のデータポイントになります。控えめな小売ネットワークにおけるSKUレベルの毎日の集計データを表現するために、既に10億のデータポイントになります。

コンピュータ上では、それは既に4ギガバイトのメモリになります。少し過去にさかのぼると、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、90年代にギガバイトサイズのコンピュータが市場に登場したときに、エンタープライズソフトウェアツールの一部として登場しました。つまり、この2つのことは同時に進んでいました。このような大量のデータを表現できるコンピュータが必要でした。

Nicole Zint: したがって、これらの大きなキューブは実際にはインメモリコンピューティング用に設計されたソフトウェアであり、これは新たに見つかったランダムアクセスメモリを活用しようという大まかな方法でした。そして、それに基づいて、デフォルトになりましたが、それがかなり任意のものであることを忘れてはいけません。サプライチェーンにとって意味のある最小のレベルと言うと、この日次の集計とSKUレベルは正確ですか?

Joannes Vermorel: はい、しかし、いくつかの例外的なケースがあります。例えば、腐敗しやすい製品がある場合、1日ごとのSKUごとの集計だけでは在庫レベルの正確なイメージを得ることはできません。腐敗しやすい製品を見ている場合、答えはノーです。在庫には10個あるかもしれませんが、そのうち9個は明日には消えてしまう可能性があります。したがって、在庫レベルは十分に細かく、SKUレベルも十分に細かくありません。より良い直感を得るために、少なくとも1週間分の賞味期限を持つ在庫レベルと、少なくとも1ヶ月分の賞味期限を持つ在庫レベルが欲しいと思うでしょう。したがって、より良い直感を得るために、別の次元を導入する必要があります。

Nicole Zint: 時間についてはどうですか?日次レベルは適切ですか、それとももっと細かいレベルを考慮すべきですか?

Joannes Vermorel: 日次レベルは適切かもしれませんが、週末のみ営業している店舗や朝だけ営業している店舗があるかもしれません。半日しか営業していない店舗があることを知らない場合、情報が不足しています。したがって、朝と夜のようなより細かいレベルを持つことで、より価値のあるものを得ることができます。集約レベルに関するすべての任意の決定には利点と欠点があります。私のメッセージは、それはかなり任意のものであり、それには大きな真実はないということですが、それがどのような決定から来るのかを理解することは非常に興味深いです。

Nicole Zint: もし私たちが価格の合理性の範囲内で最も細かいレベルを見つけた場合、最も細かいレベルにアクセスできるが、例えば週ごとの予測を見たい場合、単に最も細かいレベルから必要なレベルを再構築することはできますか?

Joannes Vermorel: 絶対にです。元のトランザクション履歴に戻ると、集計するたびに情報の面でデータが失われます。どのような種類の集計を行っているかに関係なく、最も細かいデータからより高いレベルを常に再構築することができます。

Nicole Zint: 実際には、これは情報の損失があるプロセスなので、情報が少なくなります。つまり、精度が低下するということですね?集計が高くなるほど、より正確性が低くなるということですか?

Joannes Vermorel: はい、しかし、このような集計を設定した理由は、このようなソフトウェアを比較的迅速に操作できるためです。キューブ駆動型と言えます。アイデアは、ハイパーキューブを持っている場合、スライスとダイスの操作を非常に効率的に行うことができるということです。これは非常に技術的な理由です。したがって、日次から週次に移行する場合、キューブ上で非常に効率的な操作ができます。

実際には、純粋な情報理論の観点から言えば、より集計されたレベルに進むたびに情報が失われます。したがって、理論的には、将来についてより正確な記述をしたい場合、最も細かく分解されたデータで操作する必要があります。しかし、人々は最も細かく分解されたデータがSKUごとの日ごとのデータであると考えるかもしれませんが、最も細かく分解されたデータは実際には集計されたデータではありません。それは生のトランザクションデータです。

人々がSKUごとの日ごとで止まる理由は、それがまだ時系列で操作している最後のレベルだからです。それ以上進むためには、生のトランザクション履歴を扱う必要があります。なぜなら、データは時系列として構造化されていないからです。データベースにはテーブルがあり、リレーショナルデータとして構造化されています。これは、均等に間隔のある時系列のようなものではありません。

時系列は、基本的には、期間ごと(期間は日、週、または月になります)に数量があるベクトルを構築することでのみ現れます。そして、数量のベクトルを拡張するために時系列モデルを使用したいと思います。たとえば、100列のテーブルで操作する場合、これは時系列ではありません。これはデータベース内のリレーショナルテーブルです。これは非常に一般的ですが、時系列ではありません。制約要因となるのは、予測手法自体です。

問題は、なぜそれが魅力的なのかということです。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操作しているからです。したがって、もしすべてが時系列モデルに合わせる必要があると決めた場合、ハイパーキューブは非常に魅力的な要素です。なぜなら、時間の次元のいずれかが含まれている限り、さまざまな集計レベルで常に時系列を見ているからです。

しかし、ここが問題の核心です。理論的には、より細かく分解すればするほど、より多くの情報が得られ、したがって将来についてより多くのことを知ることができるはずです。しかし、現実の問題は、時系列手法のうち、ほとんどの手法が非常にまばらで不規則なデータに対して非常に効果が低いということです。非常に細かく分解されたデータになると、時系列手法は効果が低下します。

Nicole Zint: 時系列手法の観点からではなく、実際の観点から言えば、データがより多くなるということですが、時系列手法の観点からは、ゼロが増えるようなベクトルができます。そして、時系列は同じものの増加ということですね?つまり、未来は過去と対称的であるという仮定をしているのですか?

Joannes Vermorel: はい、しかし、これはすべてのデータ駆動型の手法に当てはまります。つまり、すべてのデータ駆動型の手法は、将来は同じものの増加であるという考えに基づいています。機械学習、AI、時系列など、どれを言っても基本的な考え方は同じです。すべての統計的手法は、将来は過去と比べて同じものの増加であるという考えに基づいています。

Nicole Zint: しかし、もっと詳細にすると、季節性などが失われる可能性があるのではないですか?

Joannes Vermorel: いいえ、時系列の特徴は非常に技術的なものです。時系列モデルは、データ構造の観点で将来が過去とまったく同じに見えるという点が特徴です。これは時系列に非常に特有なものです。同じものの増加と言っても、私は将来についての声明をしています。この声明は、私の過去の記録とまったく同じ形状、形式、フォーマットを持つ必要はありません。持つかもしれませんが、持たないかもしれません。

時系列では、非常に魅力的ですが、私はそれが人々を非常に誤解させていると信じています。非常に魅力的なのは、本質的に未来と過去が完全に対称であるからです。そして、私が正確な対称性と言うと、ハイパーキューブまたはキューブを想像してください。SKUの次元、日の次元、その他の次元があり、基本的に未来は日の次元を取り、この次元をさらに100個のセルで拡張するだけです。

そして、ここに未来があります。そして、予測はそれを埋めるだけです。文字通り、同じデータと言えます。私が観測したデータと、私の時系列予測モデルで空白を埋めるデータがあります。しかし、過去と未来の間には非常に根本的な非対称性があります。

この古典的な時系列の平均予測の視点を取ると、未来が過去とまったく同じであるかのように振る舞っているということです。それはまだ起こっていないというだけでなく、本質的にデータ形式、考え方の観点でまったく同じと言っているのです。私の提案は、科学的なものではなく、むしろ哲学的なものですが、いいえ、それは違います。非常に異なるのです。

Nicole Zint: まだ多くのRFPを見かけますが、ベンダーに対して一度にすべてのレベルを提供してもらえますか?異なる集約レベルがなぜ必要なのですか?

Joannes Vermorel: これも標準的な質問です。人々はこれにこだわるのは慣れているからですが、異なる集約レベルは非常に異なる結果と洞察をもたらす可能性があることを認識することが重要です。

Nicole Zint: ここでの誤謬は、この時系列モデルから始めることで、ソフトウェア業界ではビジネスインテリジェンスという対応物があり、すべてが基本的にキューブまたはキューブのスライスまたはダイスのバージョンです。しかし、人々は行くと情報が失われることに気付きますが、なぜかはよくわかりません。指標は彼らに非常に細かく分解された予測がまったく役に立たないと伝えています。現実の問題は、適切な方法を使用していないために、実際には非常に劣った結果になっている可能性があるということです。

Joannes Vermorel: だから彼らは言う、「わかりました、私たちの予測は非常に悪いです。」私は言う、「まあ、私たちはいくつかのより高い集約レベルに上昇する可能性が必要です。おそらく週ごとか、SKUごとではなく、製品ごとになるかもしれません。」しかし、彼らはどれを選ぶかわかりません。だからベンダーに尋ねるとき、彼らは選択肢を開いたままにしたいので、100以上の質問がある半ばばかげたRFP(提案依頼)になってしまいます。そして、彼らはすべての集約レベルを持ちたいのです。

彼らの視点からは、時系列予測モデルを適用するレベルを選択するオプションを開いたままにしておきたいということです。しかし、ここで、まずデータを集約する必要があるのか、なぜ予測手法がまずデータを捨てる必要があるのかということについて、私は本当に疑問を持っています。データを失っているので、これは問題です。さらに集約することで、ますますデータを失ってしまいます。

そしてもし「でも待ってください、私たちは非常に細かく分解されたレベルで操作することができません。なぜなら、私たちのエラー率というメトリックが非常に悪いと言っているからです。」と言った場合、「はい、しかし、あなたはエラー率を最適化するのではなく、エラーのドルを最適化したいのです。しかし、あなたはパーセンテージのメトリックを見ているので、ドルとは少しズレています。」と私たちは言います。

Nicole Zint: はい、まさにその通りです。だからもしもこの誤謬に従うと、日次から週次に移行すると、より正確な予測が得られます。そして週次から月次に移行すると、より正確な予測が得られます。そして週次から年次に移行すると、人々は「ああ、ちょっと待って、年次予測、それをどうするつもりですか?週単位で意思決定を行う場合、月次予測はどのように役立つのですか?」と言います。

Joannes Vermorel: それが問題です。現実の問題は、唯一の関連性のある予測期間は、あなたの意思決定に関連する期間だけです。しかし、在庫の補充などの非常に単純な意思決定を見てみましょう。関連性のある期間の例を教えてください。答えは非常に難しいです。まず、リードタイムがありますが、リードタイムは保証されていません。たとえば、海外のサプライヤーがある場合、リードタイムは一定ではなく、変動するものです。リードタイムは10週間程度のものかもしれませんが、大幅な変動の可能性もあります。

その変動の一部は季節的なものであり、中国の新年のようなものです。中国の工場は閉まるので、リードタイムが4週間延びます。したがって、リードタイムだけを見ている場合、予測が必要な期間は非常に変動し、独自の予測が必要です。ところで、これらの時系列モデルの問題の一つは、私たちは常に売上などのものを見ているということです。リードタイムなどの予測が必要な他のすべてのものはまだ一定です。それ以上の問題は、それらが存在しないことですね。

Nicole Zint: ですから、キューブは文献のようなものを表しているわけではなく、ある種の恣意的な選択です。あなたの予測の妥当性を評価するための期間はリードタイムまでに止まるべきでしょうか?

Joannes Vermorel: いいえ、なぜなら、もし今再注文をすることを決めた場合、今から商品が到着するまでに起こる需要を満たしたいと思うでしょう。しかし、あなたはちょうど受け取ったものを売らなければなりません。注文の妥当性を評価するためには、その後に起こることを見る必要があります。そして、どれくらい先を見るべきでしょうか?それは状況によります。もし注文が需要の急増を伴っている場合、実際に商品を受け取り、2日で全てを売り切るかもしれません。しかし逆の場合、需要が減少するとどうでしょう?在庫を1年間保持することがありますが、もちろん腐敗しやすいものでなければですが、私は単純化しています。

したがって、適用可能な期間は将来をどのように見るかに非常に依存しており、リードタイムを予測する予測そのものです。そして、私たちが考慮しなければならない期間は、需要だけを見ている場合でも、在庫を実際に売り切る速度に依存します。したがって、最終的には、予測の適用可能な期間には明確な制限はありません。唯一の懸念事項は、将来を見るほど予測が曖昧になることです。

ただし、これは技術的な問題であり、ある時点で、CPUのコストと供給チェーンの潜在的な限界改善とのトレードオフがあります。しかし、概念的な観点から言えば、将来をどれだけ見るかには制限はありません。

Nicole Zint: では、結論として、粒度のレベルは常にあなたが取りたい決定のレベルであるべきですか?

Joannes Vermorel: はい、私はあなたの粒度は非常に決定に基づいていると言います。ただし、集約する必要があるという概念は、使用したい方法についての仮定を行っています。私の提案は、あなたが行う具体的な決定に目を向けることです。決定は、再注文、価格の上下移動、および供給チェーンに実際の財務的な具体的な影響を与える他のアクションなど、供給チェーンに現実的な影響を与えるものです。ただし、粒度の概念に注意してください。これは非常に作り上げられたものであり、非常に恣意的であり、視覚化の必要性と混同しないでください。視覚化ができるようにしたいというのは構わないですが、それは意思決定に必要な粒度とは異なります。

Nicole Zint: 時系列はデータを視覚化するための非常に強力なツールです。ただし、視覚化の必要性と、データが存在する企業システムとしての反映以外の予測と最適化の要件を混同しないでください。作り上げられた粒度とは、データそのものの反映ではないものを指します。上に追加する任意の集約はデータを失います。

Joannes Vermorel: おそらく集約することでCPUやメモリを節約でき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、私の提案はある種の早期最適化を行わないことです。視覚化に関しては、集約レベルをハードな問題のように考えることはしないでください。現代のコンピュータシステムでは、実際のニーズに対して余分な機能が非常に簡単に提供されます。

90年代には、1日ごとにデータを集計することは課題でしたが、現在ではそうではありません。もしベンダーが5年分の履歴データの制限を持っていると言っているなら、それは非常に奇妙です。そのような制限は存在しません。ミリ秒単位まで含め、あらゆる粒度に対応する方法はたくさんあります。ただし、実際のキューブでそれを行う必要はありません。キューブの各セルに1バイトのメモリを使用するようなことは、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てくれます。これは制約ではありません。このキューブに基づいて使用したいすべての技術を考えるときに、暗黙のうちに推論することはやめてください。それは問題を考える唯一の方法ではありません。腐敗、食い込み、代替、および変動するリードタイムなど、多くのものが失われます。すべてをキューブに収めることは、サプライチェーンについて考えることに非常に制約を加えるものであり、これは良くありません。私の提案は、自分の考えを制約に閉じ込めないことです。広い視点を持つようにしてください。なぜなら、サプライチェーンの問題を解決するのに役立たない任意の制約がたくさんあるからです。

Nicole Zint: このトピックについての考えを共有してくれて、ありがとうございました、Joannes。ご視聴いただき、ありがとうございました。また来週お会いしましょう。