00:00:07 サプライチェーン計画におけるパラダイムシフトに関する紹介と議論。
00:00:51 David Simchi-Levi教授の経歴、学術的業績、および設立した企業について。
00:02:43 需要予測と分析に関する新しいコース；デジタル化、分析、自動化に焦点を当てる。
00:04:22 サプライチェーンの効率と回復力のバランス、および回復力の測定における課題。
00:07:08 サプライチェーンにおけるリスク評価と直感よりも機械駆動の計算の重要性。
00:09:47 サプライチェーンの状態を数週間先に予測する。
00:10:20 MITチームによるサプライチェーンの回復力とパンデミック予測に関する研究。
00:12:15 KPIとKPPの比較、および予測データの重要性。
00:15:35 予測における不確実性と異なる確率の受け入れ。
00:18:10 生存までの時間と隠れたリスクとコスト削減の機会の特定。
00:19:32 意思決定における説明可能な機械学習の重要性。
00:20:56 説明可能なメトリクスの作成におけるサプライチェーン科学者の役割。
00:24:17 ブラックボックス予測に取り組む企業が直面する課題。
00:25:51 サプライチェーンにおける物理法則とその重要性。
00:27:34 サプライチェーン管理における物理法則の例。
00:29:16 科学的な議論とアルゴリズムとフレームワークの構築における数学的基盤の重要性についての議論。
00:30:57 サプライチェーン設計における柔軟性の重要性とサービスレベル、在庫、応答時間への影響。
00:32:29 柔軟性における経済的トレードオフの解決とサプライチェーン最適化における基礎理論の必要性。
00:35:44 サプライチェーンの変化に対応するための単一の解決策ではなく、フレームワークに焦点を当てる。
00:37:18 サプライチェーンのデジタル化のための4つのフレームワークの紹介、需要の統一的な視点から始める。
00:38:14 効果的な戦略のためのサプライチェーンのセグメンテーション。
00:38:53 計画のためのS&OPとデータ分析に焦点を当てる。
00:39:37 需要と企業システムの複雑さについてJonasが議論する。
00:43:01 需要データの抽出と理解の課題。
00:45:36 予測と計画から数値的なアーティファクトへのシフト。 {< timer “00:47:14” >}} 予測や計画よりも結果に依存する意思決定者についての議論。
00:48:22 サプライチェーンの学習と最適化における新興アルゴリズムとネガティブなトレンド。
00:49:33 回復力のために製造を市場に近づけるという誤った概念。
00:50:09 オフラインとオンラインの学習における機械学習と最適化の統合。
00:53:22 マルチレイヤーのエンタープライズソフトウェアの課題とプロセスを簡素化するための新しいアルゴリズム的パラダイム。
00:56:37 サプライチェーン管理におけるITの複雑さについての議論。
00:57:57 回復力やリスク管理などの複雑な概念を扱うためのツールの必要性。
00:58:43 サプライチェーンの意思決定におけるMicrosoft Excelの利点と制約。
00:59:30 パンデミック前のサプライチェーンのデジタル化への投資のための抵抗感。
01:00:20 サプライチェーンのデジタル化への適度な投資によるビジネスパフォーマンスの向上の機会。
要約
このインタビューでは、Nicole ZintがLokadの創設者であるJoannes VermorelとMITの教授であるDavid Simchi-Levi氏と一緒に、サプライチェーンの最適化と技術の役割についてのディスカッションを行っています。彼らは効率と回復力のバランスを取ることの重要性を強調し、データ、分析、自動化を使用してリスクを管理することを提案しています。プロアクティブな意思決定のための重要な概念として、主要なパフォーマンス指標（KPI）と主要なパフォーマンス予測子（KPP）が紹介されています。専門家たちはまた、AIの説明可能性、サプライチェーン管理における「物理法則」、柔軟性、柔軟性とモデリングの経済的なトレードオフについて議論しています。会話は、企業が将来の課題と機会に対処するためにビジネスをデジタル化する必要性を強調しています。
拡大要約
このインタビューでは、司会のNicole ZintがLokadの創設者であるJoannes Vermorelと、300以上の著作を持つMITの教授であるDavid Simchi-Levi氏と一緒に、サプライチェーンの最適化と技術の役割について話し合っています。ディスカッションでは、デジタル化、分析、自動化の統合を中心に、サプライチェーン管理における学習と適応のパラダイムを探求しています。
Simchi-Levi教授は、現在のサプライチェーンの状況が10年前とは大きく異なることを強調し、企業は効率と回復力をバランスさせる必要があると述べています。彼は、効率はコスト削減戦略を通じて簡単に測定できる一方、回復力はより難しいと指摘しています。データ、分析、自動化の統合は、ビジネスが隠れたリスクを特定し軽減するのに重要な役割を果たしています。
Joannes Vermorelは、回復力と効率のトレードオフが重要であると述べ、リスク測定の確率的な性質を強調しています。彼は、市場評価には生存者バイアスが広まっており、企業が直面するリスクの全体的な範囲を評価することが困難であると主張しています。Vermorelは、人間の直感に頼るのではなく、機械駆動の計算ベースのリスク管理手法を採用することの重要性を強調しています。
Simchi-Levi教授は、主要なパフォーマンス指標（KPI）と主要なパフォーマンス予測子（KPP）の概念を紹介します。KPIはサプライチェーンの現在の状態に焦点を当てており、KPPは将来のサプライチェーンの状態を予測することを目指しています。教授は、KPIをKPPと補完するためにデータと分析を使用することの重要性を強調し、問題が発生する前に企業が是正措置を取ることができるようにしています。
Vermorelは、KPIにおける予測要素について多くのサプライチェーンディレクターが気づいていないことを強調し、現実世界のサプライチェーンシステムはしばしば信頼性の完全ない入力を持っていると説明します。特に将来を予測する場合、不確実性を受け入れることを推奨し、よく情報を得た推測でも意思決定に有益な洞察を提供できると述べています。
Simchi-Levi教授は、KPPの重要性を示すためにスポーツの例えを使い、ホッケー選手のウェイン・グレツキーの有名な言葉「私はパックがある場所にスケートしない、パックが行く場所にスケートする」を引用しています。サプライチェーン管理では、これは将来の潜在的な課題に対処するために今日の決定を行い、サプライチェーンの適応性と回復力を確保することを意味します。
議論は、サプライチェーンの最適化、不確実性の受け入れ、シナリオ分析、およびサプライチェーンの意思決定における機械学習とAIの使用に焦点を当てています。
Simchi-Levi教授は、サプライチェーン管理におけるシナリオ分析の重要性を強調しています。需要の変化や混乱などのさまざまな要素に基づいて複数のシナリオを生成することで、企業は隠れたリスクやコスト削減の機会を特定することができます。ただし、現実世界の出来事の予測不可能性を認識し、特定のシナリオやサプライヤ情報に依存しない基準とツールを使用することを提案しています。彼は「回復時間」、「パフォーマンスへの影響」、「生存時間」などの概念の例を挙げています。
Simchi-Levi教授とVermorelは、サプライチェーン管理における機械学習とAIの説明可能性の重要性について合意しています。彼らは、機械がどのように結論に至ったかを理解できない場合、人間のサプライチェーンプランナーは機械からの推奨を信頼しないと主張しています。Vermorelは、予測最適化ロジックとその説明要素を作成するために人間の「サプライチェーン科学者」がAIアルゴリズムと共同で作業するべきだと提案し、効果的な意思決定に必要な人間の専門知識を認めています。
Simchi-Levi教授は、サプライチェーン管理の文脈で「物理法則」の概念を紹介しています。これらの法則は、産業や特定のサプライチェーンに関係なく普遍的に適用されるさまざまなサプライチェーン要素間の一般的な関係です。彼は在庫の「安全在庫」と「サービスレベル」、および変動性のような関係の例を示しています。これらの法則は、企業が自社の運営を支配する基本原則を理解することで、サプライチェーンをより良く管理するのに役立ちます。
Vermorelは、サプライチェーン管理における普遍的な法則の重要性を支持し、Zipfの法則を例に挙げています。この法則は、製品の分布やサプライヤの規模など、サプライチェーンデータのさまざまな側面で観察されることができます。これらの法則の知識は、サプライチェーン最適化のための効果的なツール、アルゴリズム、およびフレームワークの構築に重要です。
議論はまた、サプライチェーン管理における柔軟性の重要性に触れています。Simchi-Levi教授は、柔軟性は必要不可欠ですが、無料ではないと説明しています。企業は必要な柔軟性の適切な量、投資先、および潜在的な利益を理解する必要があります。物理法則を使用することで、サプライチェーンマネージャーはサービスレベル、在庫、応答時間などのサプライチェーンのさまざまな側面における柔軟性を設計し、その影響を定量化することができます。
彼らはバランスを見つける重要性と柔軟性とモデリングの経済的なトレードオフについて話し合っています。焦点は、サプライチェーン管理において信頼性のある理論の基盤を築くことです。彼らはまた、絶え間ない変化の必要性を避けるための長期的な戦略の必要性についても議論しています。Simchi-Levi教授は、需要の統一的な視点、サプライチェーンのセグメンテーション、および効果的な計画を含むサプライチェーンのデジタル化のための4つのフレームワークについて言及しています。Joannes Vermorelは、データの複雑さとそれを抽出および処理するためのツールの重要性について説明しています。また、計画や予測のない日々の実行に焦点を当てた手法についても説明しています。彼らは、ファッション小売業の例を挙げて、予測がサプライチェーンの管理にどのように使用されるかについて結論付けます。
サプライチェーン最適化における新興トレンドとネガティブトレンドについて議論されました。グループは、混乱と変動の新しい常態がサプライチェーン業界に与える影響、および企業が経営戦略を見直す必要性について議論しました。機械学習と最適化の統合も、オフラインおよびオンライン学習が重要な要素であるとして議論されました。しかし、現代のエンタープライズソフトウェアの複雑さと意思決定を推進するためのより良いツールの必要性は、サプライチェーンの取り組みを妨げるネガティブなトレンドと見なされました。グループは、企業が将来の課題と機会に対応するためにビジネスをデジタル化する機会を活かす必要があると一致しました。
フルトランスクリプト
Nicole Zint: 今日のエピソードでは、サプライチェーンの学習と最適化のためのこれらのパラダイムについて話し合います。私たちは、デビッド・シムチ・レヴィ教授をお迎えして光栄です。今日は、彼の業績と300以上の論文について話し合います。教授、いつものように、ゲストの皆さんに自己紹介していただきたいと思います。ありがとうございます。
Prof. David Simchi-Levi: こんにちは、Nicole。こんにちは、Joannes。ここにいられてとても嬉しいです。私はデビッド・シムチ・レヴィと申します。MITの教員です。私は長い間学者をしてきましたが、最後の21年間はMITで過ごしています。しかし、学者である一方で、いくつかの会社を立ち上げました。最初の会社はサプライチェーン分析の会社で、2009年にIBMのテクノロジーインフラの一部となりました。当時、当社のテクノロジーを使用して、多層在庫最適化、サプライチェーンネットワーク設計などに関するテクノロジーを使用しているクライアントが約350社ありました。2011年には、ビジネスアナリティクスを中心とした別の会社を立ち上げました。その焦点はサプライチェーンだけでなく、サプライチェーンを超えたものでした。この会社は2016年にEssential Technologyの一部となりました。その後、2014年にクラウドテクノロジーの会社を立ち上げ、2018年にAccentureの一部となりました。現在は会社には所属せず、MITでの研究に集中しています。MITでは、MIT データサイエンス ラボを率いています。データサイエンスラボは、データ、モデル、分析を結びつけることで、最も重要な課題に取り組むためにMITと約20〜25の企業が協力しています。市場で見られるいくつかのエキサイティングな仕事と機会について話す機会があるといいですね。
Nicole Zint: 教授、本当に印象的な経歴ですね。それに加えて、最近になってデジタル化、分析、自動化という3つの新興技術に焦点を当てた「需要予測と分析」のコースを開講しましたね。なぜ今、それらがとても人気なのでしょうか？
Prof. David Simchi-Levi: おっしゃるように、私たちが最近開講した需要とサプライチェーンの分析に焦点を当てたクラスについて興味深いです。このクラスでは、データ、分析、自動化の統合に焦点を当てています。企業がビジネスの中で直面する最も困難な領域に取り組むためには、これらの能力の統合が重要です。長いリードタイムを持つサプライチェーン、石油価格の変動による物流コストの大幅な増加、過去3〜4年間に見られたサプライチェーンの混乱などを考えてみてください。米中貿易戦争からCOVID、ウクライナ戦争、気候変動まで、これらすべてが企業にサプライチェーン戦略の見直しを求めました。
Nicole Zint: 10年前とはまったく異なる状況です。今日、どのように効果的にサプライチェーンを管理しますか？5〜10年前の企業のやり方とは異なります。1つの例でまとめます。2020年まで、サプライチェーンの効率について、リーン、アウトソーシング、オフショアリングなど、業界では多くの焦点がありました。企業はサプライチェーンのコストを劇的に削減することに注力しました。しかし、過去3年間で観察されたのは、サプライチェーンの効率と回復力のバランスが必要であるということです。効率は簡単に測定できます。コストに焦点を当てます。回復力は測定が容易ではありません。回復力をどのように測定しますか？隠れたリスクをどのように特定しますか？これは、先ほど述べた技術トレンド、デジタル化、分析、自動化に関するものです。では、ジョアネスさん、教授が言及した回復力と効率の妥協についてどう思いますか？
Joannes Vermorel: 確かに、経済的なトレードオフの意味で、妥協です。回復力は通常無料ではありません。維持し確立するために必要なオプションを構築することに関わります。興味深いことは、私はシムキ・レヴィ教授と完全に同意しているということです。なぜなら、基本的には将来の確率的な視点について話しているからです。起こるか起こらないかわからないことについて考えています。たとえば、今年は使用しないかもしれないが、近隣にある第2のサプライヤーラインを持つために投資すると、コストは見えますが、必要な場合に救済してくれるオプションの存在は見えません。
興味深いことは、生存者バイアスがあることです。見えるのはまだ存在している企業だけです。致命的なミスを犯し消滅した企業はもう存在しませんので、それらを見ることはありません。周りを見渡して調査を行うと、平均的には、人々がすべきよりもリスクを冒していることがわかります。このバイアスの理由は、リスクを冒し市場から退出した人々が一貫して存在するからですが、調査を行うと、彼らはもはや調査の対象ではなく、活動中の企業のみを調査するからです。
リスク測定の最初のパラダイムの1つは、ほとんどの場合実現されないが非常に現実的な潜在能力の評価を行うことです。サイコロを振って、会社を終了させる可能性が3％しかない重大なイベントに当たる場合、それを毎年行い、半世紀にわたって行うと、長期的なイベントのために会社が消滅することはほぼ確実です。
Nicole Zint: サプライチェーンは通常、専門の非常に大きな企業で構築されてきました。例えば、Appleのような非常に大きな企業もありますが、それでもAppleはまったく新しいスタートアップではありません。供給チェーンの成熟度に到達するには数十年かかりました。ですので、それは遅いですし、数十年という期間でリスクを評価する際には、人間の視点からは非常にまれに起こることを考えなければなりません。それがなぜ、機械主導の視点、計算主導の視点が非常に重要になるのです。ジョアネスさん、この点についてご意見をお聞かせください。
Joannes Vermorel: 私は人間は人間の尺度で物事を知覚するのが得意であり、サプライチェーンはそれとは異なります。複雑さの点でも、時間の観点でも、私たちは一世紀に一度、四半期に一度といったことを考えています。それにもかかわらず、大規模なサプライチェーンを運営している場合、このようなリスクを考える必要があります。
David Simchi-Levi: Joannesが強調していたことを実証しましょう。通常、企業はKPIに焦点を当てます。彼らは「現在のサプライチェーンのパフォーマンスはどうですか？」と尋ねます。サービスレベルが低い場合、在庫を追加するなどの変更を行うかもしれません。輸送コストが高い場合、コストを削減するための変更を行うかもしれません。この弾力性に関する議論、データと分析の使用に関する議論は、KPIをKPP（キーパフォーマンス予測子）と組み合わせることも含まれます。サプライチェーン全体が良好に見えるかもしれませんが、6週間後や7週間後のサプライチェーンの状態を予測したいのです。なぜなら、もし問題が予測される場合、問題がサプライチェーンに影響を及ぼす前に、今日問題を解決することができるからです。
そしてあなたは思うかもしれません、「それは可能なの？」実際、パンデミックは私たちにそれを非常に効果的に行うことができることを示しました。物語で説明しましょう。私のチームは、MITのデータサイエンスラボでパンデミックの前からサプライチェーンの弾力性に取り組んでいました。私たちはサプライチェーンの弾力性を測定し、隠れたリスクを特定するための新しい方法を開発しました。それをいくつかの企業で実装しました。最初の企業はフォードモーターカンパニーであり、その後他の企業も続きましたが、多くはありませんでした。すべてがパンデミックの始まりで変わりました。
2020年2月、この時期を覚えていますか、パンデミックは中国に影響を与えていました。ヨーロッパやアメリカではなく、中国にのみ影響を与えていました。私は持っていたモデルとデータを使用して、サプライチェーンの弾力性に関するモデルを使用して、中旬の3月には、つまり6週間後に、北米とヨーロッパのサプライチェーンに混乱が生じると述べた短い論文を書きました。そして、まさにそれが起こりました。したがって、データを使用する能力、企業が持つ内部データから得られるリアルタイムデータと外部データの両方を持つことで、企業はKPI（キーパフォーマンス指標）をKPP（キーパフォーマンス予測子）と組み合わせることができます。これは現在のサプライチェーンの状態です。
Nicole Zint: キーパフォーマンス予測子を使用することで、6週間後や8週間後のサプライチェーンの状態を予測し、問題がサプライチェーンに影響を及ぼす前に今日修正措置を取ることができます。それがJoannesが強調した理由の一つであり、データと分析機械の重要性がサプライチェーンのパフォーマンスに大きな影響を与える理由です。
Prof. David Simchi-Levi: KPIとKPPの区別が本当に好きです。ところで、私はほとんどの企業のサプライチェーンディレクターが、実際には彼らがKPIと呼んでいるものの大部分が、何らかの形で予測要素を含んでいることに気付いていないと思います。例えば、サービスレベルに関するKPIがあると言った場合、ほとんどのサービスレベルには需要予測が含まれています。あなたがこのレベルのサービスまたはこの量のサービスレベルを持っていると言った場合、実際にはほとんどのSKUにおいて需要は非常にまばらです。あなたは「90%のサービスレベルを持っています」とは言いません。それは存在するか存在しないかです。あなたが持っているのは、段階的な分析またはある種の予測モデルで、SKUのサービスレベルの推定値を与えるものですが、それも推定値です。それでも、完全に保証されていないETAに依存して在庫量が実際にどれだけあるかという状況も頻繁にあります。
ジョアネス・ヴェルモレル: だから、バイナリの場合、2つの概念を持つことは非常に興味深いと思います。特に、非常に混乱している現実のサプライチェーンシステムでは、内部の入力がありますが、完全に信頼できない場合、特に将来に触れる場合、2つの間に非常にぼやけたグレーゾーンがあります。そして、多くの人々が、多くの指標について、過去の中立的な客観的な観察のようなものだと信じすぎる問題の1つは、最初にあります。そうではありません。そして、もう1つの側面は、リスクに対処しようとすると、単純な将来の視点を持つことはできないということです。あなたが「8週間で最も早く、20週間で最も遅く」と言うような、非常に注意深く予測すると、ある種の混乱が起こると予測する場合、おそらく最も可能性が高いです。しかし、基本的には、将来に触れると、確実ではないが起こりうることがあります。それでも、それには価値があります。不確実性の程度があるからといって、突然それが存在しないと言うべきではありません。たとえそれが推測に過ぎなくても、非常に良い推測を持つことは、すでに非常に価値のあるものであり、それに基づいて行動すべきです。
デビッド・シムチ＝レヴィ教授: ニコール、許可があれば、KPIとKPPについて考える必要がある理由をスポーツの例で説明させてください。私はホッケーをしたことはありませんが、ホッケーは好きです。北米で最高のホッケープレーヤーの1人であるグレツキーは、「私はパックがある場所にスケートしない。私はパックが行く場所にスケートする」と言っていました。これがKPPの本質です。
ニコール・ジント: 私は今日、自分のサプライチェーンが6週間後または7週間後にどこにあるかを決定したいと思っています。なぜなら、今日これを行うことができれば、容量を確保し、コストを削減し、システムが近い将来に見込まれる潜在的な混乱に効果的に対応することができるからです。ですので、私たちは、実際には何が起こるかを正確に予測することはできないかもしれないが、さまざまな将来の発生確率の概要を持つことを目指しています。ですので、教授、あなたが6週間後または7週間後に何かを予測すると言うとき、具体的にはどのように知ることができるのですか？モデルが出力する1つの将来のシナリオに焦点を当てているのですか、それともこれらの異なる発生確率を受け入れているのですか？
デビッド・シムチ＝レヴィ教授: 私たちは複数の手法を組み合わせています。ワンサイズフィットオールの戦略はありません。これは、ジョアネスとあなたが焦点を当てていたことと関連していると思います。1つのアプローチはシナリオ分析です。私たちは複数のシナリオを生成します。シナリオは需要の変化に関連する場合もありますし、特定のサプライヤーまたは特定の地域での混乱に関連する場合もあります。これを使用して、サプライチェーンの隠れたリスクを特定しようとしています。しかし、シナリオを生成する能力には限界があります。たとえば、3か月前と2年前の出来事を比較してみてください。誰が今東欧で見ているものを予測したでしょうか？ですので、シナリオ分析は非常に重要ですが、特定のシナリオに依存しない基準やツールも必要です。たとえば、特定のサプライヤーから得られる情報に依存しないものです。このようなツールは今日の企業でも利用できます。1つの例で説明します。私はサプライチェーンの回復力に関するいくつかの概念を開発しました。その1つが「回復までの時間」と「パフォーマンスへの影響」です。これらはすべてシナリオに依存します。しかし、「生存までの時間」という概念も開発しました。生存までの時間とは何でしょうか？サプライチェーン全体を見渡し、在庫の場所と在庫量を把握し、サプライチェーンから施設を削除し、その施設なしで需要に対してどれくらいの期間供給できるかを尋ねます。これはシナリオに依存しませんよね？これは混乱が起こった場合であり、供給をどれくらい管理できるかを教えてくれます。これにより、サプライチェーンのリスクを特定するだけでなく、コスト削減の機会も特定できます。私たちは複数の企業でこれを実施したところ、時には企業が自社の製品のために間違った場所に多くの在庫を投入していることがわかりました。これにより、隠れたリスクを特定し、節約の機会も特定できます。ですので、サプライチェーンの回復力を理解するためには、1つのアプローチだけでは十分ではありません。複数の手法が必要です。
Nicole Zint: 私が追加する最後の要素は、機械、機械学習、最適化を使用してより良い意思決定をすることに重点を置いているということです。しかし、機械が自分自身を説明できない場合、機械からの推奨を誰も受け入れることはありません。したがって、予測や推奨された意思決定を生成する能力に加えて、なぜこの予測が製品Aの需要が中西部で大幅に増加することを示しているのに対して、西海岸では成功しないのかについての説明が必要です。機械から出てくるものの説明可能性は、この意思決定プロセスの重要な部分です。
Joannes Vermorel: モデルの説明可能性の必要性についてのあなたのコメントについて触れると、私自身の簡単な観察では、線形回帰などの半トリビアルな数値モデルでも、デフォルトでは非常に不透明です。これは、数字がある限り、与えられたものです。コンピュータは計算をするのに人間よりもずっと優れているため、平均的な非天才の人間観察者にとっては完全に不透明なものになるのは当然のことです。
典型的なアプローチは、説明の観点から意味を持つ数値は非常に文脈依存性が高い傾向があるということです。あなたのデータをさまざまな方向に投影して抽出できる何百万もの数値のメトリックスの壁を作ることは非常に魅力的です。現代のコンピュータではこれを行うのは非常に簡単ですが、供給チェーンプランナーには限られた時間しかありません。
したがって、Lokadのアプローチは、供給チェーン科学者（供給チェーンに特化したデータサイエンティストのようなもの）が予測最適化ロジックとその説明要因の両方を作成することが比較的簡単になるアルゴリズムレベルで作業するプロセスに取り組んでいます。ただし、注意点があります。AIや他の派手な機械学習の手法がこの作業を行えるとは思っていません。私は、供給チェーン科学者がその非常に人間的な知性を活用して、ホワイトボックスと呼ばれる作業を行うことができるアルゴリズムのクラスを知っているアプローチを採用しています。
これにより、供給チェーン管理全体で意味を持つようなメトリックスを作成し、何が起こっているのかを理解できるようにすることができます。ただし、その中には非常に人間的な要素があります。つまり、数値を作成するために誰かが数個のKPIを選択する必要があります。あなたの数値は、KPIだけでなく、定義に応じてTPPになるかもしれませんが、非常に注意深く選択されています。唯一のマジックトリックは、何が起こっているかを詳細に分解するために非常に適したアルゴリズム的な方法を持つことです。
Prof. David Simchi-Levi: 正しいです。私は、統一されたビューを実装する例を示すことで、なぜこれが非常に重要なのかを強調することができます。
Nicole Zint: ある大規模なCPGの需要について、これを実装すると、通常、ファイナンスグループから電話がかかってきます。電話は3つのタイプのいずれかです。最初のタイプは、「データサイエンティスト、Tim、なぜあなたの焦点が、この製品またはファミリーがある地域で非常に良い成長を示すと提案しているのか理解できません」と言っています。それが説明の一部です。
David Simchi-Levi: 2番目の部分はさらに困難です。別の電話がかかってきて、ファイナンスの人々が言っています。「私たちは毎週次の80週間のために予測を提供していますが、今日私たちに提供された予測は4週間前に提供された予測とは異なります。何が起こっているのですか？世界は変わっていません。」
David Simchi-Levi: 3番目は、「1か月前に今日の需要について予測を提供してもらいましたが、かなり異なります。これらの3つの課題に対処できなければ、製品ごとに毎週予測を出力するブラックボックスを信頼する人はいません。それがなぜ、あなたが会社で行っていること、私のチームがMITデータサイエンスラボで行っていることが、単なる科学ではない理由です。効果的であるためには、科学と芸術を組み合わせる必要があります。科学は機械とデータと分析です。芸術は洞察力、直感、経験です。この場合、サプライチェーンにおいて、それらを持つ人々です。それは2つの組み合わせです。しかし、機械が何を言っているのかを理解するために機械と話すことができない場合、人間が機械からの推奨を受け入れるのは難しいでしょう。」
Nicole Zint: では、教授、新興のパラダイムについての主な質問に移る前に、あなたはまた、サプライチェーンの観点で「物理法則」という言葉を使っていますが、それはどういう意味ですか？
David Simchi-Levi: 私にとって、「物理法則」とは、情報、容量、サービスレベル、在庫の関係についての一般的な関係であり、地域的なサプライチェーンやグローバルなサプライチェーンに関係なく常に真実であり、ハイテク、CPG、製薬に焦点を当てているかどうかにも関係ありません。
Nicole Zint: ちょうど言及した関係の一つの例を教えていただけますか？
David Simchi-Levi: 在庫、安全在庫、サービスレベル、および変動性の関係です。私たちは、この3つの関係を定量化する方法を知っています：安全在庫または在庫、変動性、およびサービスレベルの関係です。この3つの関係を理解すると、サプライチェーンをより良く管理する方法がわかります。
David Simchi-Levi: もう一つの例は、情報のレベルとサプライチェーンの変動性の関係です。これを理解すると、どれだけの可視性と情報共有が私たちに変動性を減らすことを許可できるかがわかります。そして、変動性と失われた売上の関係は何ですか？それを理解すると、「ああ、私は減らさなければならない」と気付きます。
Nicole Zint: サービスレベルを向上させ、失われた売上を減らすために、どのように変動性を管理できますか？
Prof. David Simchi-Levi: 変動性を減らす方法の一つは情報共有です。私の本では、昨年9月に第4版が出版されたもので、企業がビジネスの中で機会を見つけることを可能にする「物理法則」の約40〜50種類について説明しています。これらはグローバルな関係ですので、私はそれらを物理法則と呼んでいます。
高校や大学の物理学の授業で学んだことを考えてみてください。ビジネスには、異なる部分の定量的な測定を定義するいくつかの基本的な関係があるという考え方です。物理学の四つのマクスウェルの方程式のように、いつでも真実である方程式を予測できる状況があります。それは特定の状況に依存しません。
Joannes Vermorel: つまり、サプライチェーンは完全に詩的なものではありません。ビジネスには、異なる部分の定量的な測定を定義するいくつかの基本的な関係があります。例えば、私の講義シリーズでは、サプライチェーンで観察されるほとんどの分布がジップの法則であることを指摘しています。最も高いボリュームの製品からロングテールまで、ジップの法則が適用されます。同様に、最大から最小までのサプライヤーもジップの法則が適用されます。
この理論は科学的な意味で疑問視することができます。つまり、それが世界を説明するための最良の理論であるか、一般的な理論に反する状況があるかどうかを疑問視することができます。ただし、特定の業界に基づいてそれを信じないことを選択することはできません。
興味深いことに、現象のクラスに数学的な基盤があると、ツール、アルゴリズム、フレームワークの構築に非常に強力です。Lokadでは、これを広範に使用しています。例えば、ジップ分布によって、サプライチェーンデータを非常に圧縮することができます。大部分の行がゼロまたは1であることが保証されているため、圧縮の対象となります。
もう一つの例は、クイックソートアルゴリズムをソートする点で、理論的な最適解よりも速くなることができるということです。解決する必要のある要素の基数が低いため、理論的な最適解よりも速くなることができます。これらの数学的な基盤の上に構築されたソフトウェア設計やサプライチェーン理論の設計には、重要な要素がたくさんあります。
Nicole Zint: 今日は、Joannes VermorelさんとDavid Simchi-Levi教授と一緒にサプライチェーンの最適化について話し合います。Joannesさん、サプライチェーンにおける柔軟性の重要性についてより詳しく説明していただけますか？
Joannes Vermorel: それを具体的に説明します。誰もが柔軟性の概念やアイデアを理解しています。誰もが柔軟性が少ないよりも柔軟性が多い方が良いと理解していますが、柔軟性は無料ではありません。どれだけの柔軟性が必要ですか？どこに柔軟性を投資すべきですか？柔軟性の潜在的な利益は何ですか？これらは答えるべき重要な質問です。しかし、それに加えて、柔軟性をどのように定義するかという問題もあります。例えば、変化に対応する能力という柔軟性の具体的な定義がある場合、変化はさまざまな形で起こり得ます。需要のボリュームの変化、需要のミックスの変化、混乱などです。柔軟性を持つサプライチェーンを設計する方法は正確にわかります。これらは物理学の原則に基づいており、それを知っていると、サービスレベルにどのような影響があるか、在庫にどのような影響があるか、応答時間にどのような影響があるかを定量化することができます。これは自動車産業や消費財産業の企業によって利用され、サプライチェーンの柔軟性の度合いを再考するために物理学の法則が活用されています。冗長性や回復力についても同様です。これが物理学の法則が非常に重要な理由です。
Nicole Zint: 柔軟性について言及したのは非常に興味深いです。企業が特定の製品を中央の倉庫に保管するか、より地域の倉庫に保管するかを決定する際に、柔軟性というバランスや妥協が存在することがよく見られます。中央の倉庫にある場合は柔軟性が高くなりますが、製品をより迅速に顧客に提供することができます。
David Simchi-Levi: そうですね、確かに、完璧なバランスを見つけることについてです。しかし、Joannesが特に指摘しているのは、バランスを見つけることだけではなく、柔軟性には常に経済的なトレードオフが存在し、それをモデル化し、あらゆる状況で最適化に頼ることができるということです。これが彼が言っていることです。私はこれを物理学の法則というニックネームだと思います。これは物理的なサプライチェーンの法則です。それはそのようなものです。確立された基盤があります。それらは自然に完全ではありませんし、自然に決定的ではありませんが、存在しています。そして、それらのサプライチェーンにアプローチする際には、すべてが議論の余地があるわけではないというマインドセットでアプローチすることが重要です。これが物理学的なアプローチのポイントです。人々が電磁気学の方程式を持っていると言うとき、私たちは基本的にマクスウェルの4つの方程式を指しています。それらを否定しようとすることはできますが、その間に、みんなが常に真実だと考える電磁気学を行います。これは選択肢ではありません。人々は、彼らが間違っている状況を見つけることが自然に不可能だとは言いません。これは科学ではありません。モデル内のフローを発見することについてです。そして、私たちはさらに進んでいきます。しかし、重要なのは、私は非常に興味深いと思います。私たちは、コアを確立する必要があるということです。
Nicole Zint: では、Joannesさん、サプライチェーンの最適化に役立つ定量的なアプローチを構築するために依存している理論について教えていただけますか？
Joannes Vermorel: 科学的な意味で頼りになる2つの理論があります。意見や議論だけでなく、それらの上に構築できる方法があるのです。なぜなら、もしもそれがなければ、偶然性に頼った定量的なアプローチを持つことは非常に困難になるからです。常にすべての企業で機能する可能性のある方法を持つことを望んでいます。それが一般性の頂点です。しかし、非常に堅固な基盤があれば、それに近づくことができます。それが真の興味のあるところだと思います。
Nicole Zint: なので、興味深いのは、あなたが1つの問題だけでなく、多くの異なる問題に対して機能する解決策を見つけると言っていることですね。実際、教授、あなたの論文でもそれをよく見かけます。単一のアルゴリズムや単一の解決策ではなく、さまざまな問題に適用できるフレームワークについて話していることが多いですね。では、なぜ単一のモジュールを提供するのではなく、それに焦点を当てたのですか？
Prof. David Simchi-Levi: まあ、それは非常に明らかなことかもしれませんが、同時に、フレームワークに焦点を当てる人はあまりいないということがわかります。常に1つの解決策を見つけることに焦点を当てています。しかし、サプライチェーンが変化すると、世界が常に変化しているということを考えると、私たちは行き詰まってしまいます。ですので、私たちは問題を何度も繰り返し解決する必要があります。実際、Lokadではまさにそれに焦点を当てています。ただ今だけ有効な1つの解決策ではなく、問題解決のアプローチを見つけることに焦点を当てています。
Nicole Zint: 教授、なぜフレームワークに焦点を当てるのかについてもお答えいただけますか？
Prof. David Simchi-Levi: 私の研究の焦点についてのあなたの説明では、サプライチェーンの長期的な戦略を確保することが重要です。つまり、最近の混乱や需要の変化に応じて、毎週または毎日戦略を変更する必要はありません。そして、私がサプライチェーンのデジタル化に関して行った研究でこれを強調します。デジタルサプライチェーンへの4〜5年間の投資なしで、企業がデジタル化の利点のほとんどを得るためにサプライチェーンデジタル化で特定したフレームワークは何ですか？4つのフレームワークを強調します。最初に、私は前述のように、コンセンサス予測を置き換える需要の統一的なビューです。コンセンサス予測は長年にわたり、経営陣や業界で使用されてきました。財務部門は独自の予測を行います。オペレーションは独自の予測を行います。営業は異なる予測を行います。そして、彼らは合意会議で妥協案に合意します。この妥協案が正確に現実を表しているかは明確ではありません。私が重点を置いているフレームワークは、データに合意することです。データがあれば、異なる機能領域で使用できる予測を分析と機械が生成することを望みます。それが最初のフレームワークです。2つ目は…
Nicole Zint: サプライチェーンの最適化に使用するフレームワークについて教えていただけますか？
Prof. David Simchi-Levi: もちろん、私たちが使用しているフレームワークは、ほとんどの企業には適切ではないという考えに基づいています。ほとんどの企業が行っていることを見ると、彼らはすべてのチャネル、すべての市場、すべての製品に対して1つの戦略を持っています。私たちはサプライチェーンのセグメンテーションに重点を置いています。製品をセグメント化し、市場をセグメント化し、チャネルをセグメント化することで、各クラスター、各グループに対してサプライチェーン戦略を微調整することができます。その結果、各セグメントの特性に応じてより柔軟に対応することができます。このフレームワークの第3の要素は、データと分析を活用したSNOP（販売と運用計画）に焦点を当てることです。最後の要素は、計画がどれだけ効果的であっても、供給の中断や需要の変化など、常に計画からの逸脱があるということです。私がそれらの中断と逸脱を早期に特定できれば、非常に効果的に対応することができます。これはKPP（主要パフォーマンスパラメータ）とコントロールタワーの一部であり、おそらくお客様の多くに焦点を当てていると思います。
Nicole Zint: Joannesさん、Professor Simchi-Leviが言っていることについて、特にSNOPプロセスについてどう思いますか？Lokadでも同様のものがありますよね？
Joannes Vermorel: はい、うーん、でもそれは、私が言うには、異なるアプローチではないと言えます。私たちの焦点と起源により、私たちは少し異なる角度からポイントを見ています。これは特に私たちが異議を唱えているわけではないということを意味しません。私が最初に見るものは、まず、私たちは供給チェーンを直接観察することはありません。ですので、例えば需要と言った場合、企業システムを介して中継されるということがありますが、それは非常に複雑なものになる可能性があります。30年前の典型的なERPは30年前のものであり、2000のテーブルについて話をすることになります。各テーブルには50から200のフィールドがあります。そして、もし多国籍企業に話をしている場合、国ごとに異なるERPが存在するという半ば悪夢のような状況になるかもしれません。ですので、まず、純粋なITの複雑さという意味で、入力信号は非常に複雑であるという壁があります。ですので、これは、彼らがすべてそこにあるとしても、データが正しいとしても、データがゴミではないとしても、非常にクリーンなトランザクションデータであるとしても、問題はただ単に、すべてのシステムが需要を測定するために設置されたものではなく、供給チェーンを運営するために設置されたために、非常に複雑であるということです。ですので、まず、私たちは、このような、私が言うには、アプリケーションの風景の残酷な不透明性があります。2つ目に、私たちが「需要」と呼んでいるものは、実際の産業を見てみると、もっと細かいものであることがわかります。例えば、B2Bのクライアントに電気材料を販売している会社があるとします。現実のところ、彼らが受け取る注文は、建物を建てたいというクライアントがあり、彼らは潜在的に何千もの製品参照を持つ大きな注文を行い、実際には配送をスケジュールします。ですので、「9ヶ月後にそれらすべてを配送したいが、最初の500の参照は3ヶ月後に配送し、次の500は4ヶ月後に配送し、など」と言うことになります。
Nicole Zint: では、Joannesさん、需要予測の問題にどのように取り組んでいるか、そしてそれに伴う課題は何かについて話していただけますか？
Joannes Vermorel: はい、需要の細かさはかなり複雑なものになることがあります。例えば、6ヶ月間にわたるスケジュールされた配送が必要な大量注文がある場合、需要をどのように数えますか？発生したときに数えますか、それとも配送されるときに数えますか？ですので、明らかに多くの複雑さがあります。私が言っているのは、「需要」というものは、時間の経過に伴う時系列の視点で一次元的なものではないということです。通常、それは非常に多次元の問題であり、自社の新しい製品タイプを導入すると、以前の製品の世代を置き換える非常に攻撃的なカニバリゼーション効果が生じる可能性があるため、さらに複雑になることがあります。なぜなら、それは文字通り自社の優れたテクノロジーが以前の製品のテクノロジーをカニバライズするからです。ですので、製品は通常非常に近くにあり、次世代は以前のすべてのものの優れた置き換えです。
David Simchi-Levi: はい、それがこの課題に取り組むために適切なツールと十分に訓練されたサプライチェーンの科学者を持つことが重要な理由です。データを抽出するために使用されるプログラミング言語の1つであるSQLは、私たちが扱わなければならない膨大な量のデータを理解するためにはそれよりも優れたツールが必要です。
Joannes Vermorel: まさにその通りです。Lokadでは、サプライチェーンの科学者がどのようなツールを必要としているかについて考えることに焦点を当ててきました。私たちには、データを取り込んで需要予測を行うだけのAIはありません。データを理解するためには人間の知性が必要です。私たちが問いかけるのは、彼らがSQLを持っているか、それ以上のものを持っているかということです。
Nicole Zint: では、計画についてはどうですか？どのように取り組んでいますか？
Joannes Vermorel: さて、Lokadは非常に運用的な会社であり、サプライチェーンの日々の実行に焦点を当てています。私たちが現在行っていることは、計画を完全に消すことです。もはや計画も予測もありません。少なくとも、それらのものは数値的なアーティファクトとして存在していますが、完全に一時的でシステムのデータパイプラインに埋もれています。唯一の見える効果は最終的な意思決定です。例えば、何を購入するか、何を生産するか、在庫をどこに移動するか、価格を上げるか下げるかなどです。ですので、中国からの混乱がある場合、それは入力となりますが、それが計画を変更するという事実は無意味です。人々が見ることができるのは、わずかに異なる何かに導かれる意思決定だけです。そして、ドルやユーロでの駆動力を見れば、この新しい情報により特定のリスククラスのドルで表現されるリスクが急上昇していることがわかります。
Nicole Zint: では、Joannesさん、サプライチェーンへの混乱の影響についてどう思われますか？
Joannes Vermorel: さて、サプライチェーンの混乱は、オフショアサプライヤーに深刻なリスクをもたらす可能性があります。それにより、関連するリスクが爆発し、すべての意思決定がそれらから逸れます。ただし、ほとんどの企業にとって、予測と計画はかなり無関係な数値的なアーティファクトになります。つまり、企業の関心を引かない第一級の市民ではない他の数値的なアーティファクトがたくさんあります。私は、あなたが説明したことについてより具体的なコメントをするために、あなたがやっていることについてもっと詳しく知る必要があるかもしれません。
Prof. David Simchi-Levi: 私が協力してきた企業は、サプライチェーンの異なる部分で課題に直面しており、それによって計画と予測についての考え方が異なる可能性があります。非常に簡単な例を挙げましょう。ファッション小売業を考えてみると、ポートフォリオの一部はどのようなイベントでも予測できないポートフォリオです。予測は生成できますが、信頼性が非常に低いため、サプライチェーンは速度に焦点を当てています。しかし、他の部分では非常によく予測できるポートフォリオもあり、この予測はサプライチェーン全体を管理するために使用されます。多くのサプライチェーンの幹部は予測を見ることはないかもしれませんが、在庫の配置、在庫の量、注文への対応方法などに影響を与えます。しかし、最初の部分では予測が隠されているだけでなく、予測そのものが存在しないため、サプライチェーンは主に速度に焦点を当てています。その部分では、予測や計画が駆動力として見えることはありません。しかし、人間の意思決定者が結果だけを見て、結果を駆動する要素である予測や計画を理解しないことに対して快適に感じるかどうかは重要な要素です。ただし、この領域での潜在的な機会を特定するために、私はあなたがやっていることについてもう少し洞察を得る必要があります。
Nicole Zint: Davidさん、現在のサプライチェーンの学習と最適化において、どのような新興アルゴリズムが見られますか？また、同様に人気になりつつあるネガティブなトレンドはありますか？
Prof. David Simchi-Levi: まず、ネガティブなトレンドについて話しましょう。市場で見られる混乱と変動の影響に関するネガティブなトレンドは、今後数年間続くでしょう。これは新しい常態であり、その結果、企業は考え方を見直す必要があります…
Nicole Zint: Joannesさん、クライアントに影響を与えるネガティブなトレンドについて詳しく説明していただけますか？
Joannes Vermorel: はい、もちろんです。私の視点から言えば、クライアントに影響を与える問題は2つあります。1つ目の問題は、現代のエンタープライズソフトウェアが非常に多層化していることです。層が重なり合い、データが層から層へと流れています。現代のシステムでは、データが流れる層は100以上あります。データサイエンスは、そのうちの20以上の層を追加しています。例えば、Pythonでデータサイエンスを行いたいと言っても、実際にはすべてをPythonで行うわけではありません。Pandasで行う層、NumPyで行う層、キット内で行う層などがあります。多くの企業が、過去数十年間にわたりシステムが非常に多層化しているため、各層でバグや回帰、さまざまなトラブルが発生する可能性があることに非常に苦労しています。これが、サプライチェーンのイニシアチブ全体を非常に残酷で単純な方法で妨げています。何かをしようとしても、AIが50以上のシステムを経由して流れているため、在庫レベルを正確に把握することさえできないのです。
Prof. David Simchi-Levi: それについて何か追加できますか？Joannesさんの言っていることの含意は、人々が行っている作業の品質に影響を与えるということです。
Joannes Vermorel: はい、その通りです。私が見る2番目の問題は、ディープラーニングなどの一部の機械学習技術が非常に技術的であり、独自の多層を追加していることです。これは非常に実行が困難になります。大企業はもちろん、それを実現することができますが、非常に困難です。したがって、学習と最適化、データベース層を1つに統合するような新しいアルゴリズムのパラダイムが登場しています。層のクラスをまるごと削除することで、サプライチェーンに関する任意の作業をITシステムでスケールアップすることができます。実際には、企業が何年もかかる理由は、非常に頭の良い機械学習の部分やシステムの非常にスマートなアルゴリズムの部分ではなく、それ以前とそれ以降のすべての部分にあります。これらの部分は非常に緩く統合されており、最終的には…
Nicole Zint: 申し訳ありませんが、“それ以前とそれ以降"とは具体的にどういう意味ですか？
Joannes Vermorel: はい、もちろんです。ファンシーな機械学習の部分の前には、適切なデータパイプライン、適切なデータベース、適切なデータクレンジングが必要です。機械学習の部分の後には、その機械学習の結果をERPシステムや注文管理システム、WMSシステムに適切に統合する方法が必要です。これらのすべての要素をうまく統合する必要があり、それが課題です。
Nicole Zint: では、Joannesさん、データの観点からサプライチェーンの最適化の複雑さについて教えていただけますか？
Joannes Vermorel: データパイプラインという観点から見ると、非常に複雑です。物理的な商品の物流の複雑さをはるかに上回るデータの複雑さです。これはソフトウェアベンダーの古風な視点ですが、現在の私の観察では、ITの複雑さを増大させるだけのものに固執する人々が増えています。これは、過去2年間に起こった劇的な出来事に対する恐怖心の反応かもしれません。しかし、それによってサプライチェーンがより強靭になるわけではありません。むしろ、超複雑な問題を導入することで、別のリスクのクラスを生み出すことになります。現在、ランサムウェアである場合もありますが、内部のバグである場合も含めて、ITの問題により企業が停滞するケースが増えています。
Nicole Zint: そして、Simchi-Levi教授、技術をどのように活用してサプライチェーンの最適化を改善できると思われますか？
Prof. David Simchi-Levi: もしパンデミック前に技術、機械学習、最適化を利用したビジネスパフォーマンスとサプライチェーンの改善の機会について話した場合、人々は同意するでしょう。しかし、経営陣はサプライチェーンのデジタル化、インターサプライチェーンのデジタル化への投資に非常に消極的でした。利益を見ることができないわけではなく、利益を理解しているのですが、巨額の財務投資と目標を達成するまでにかかる長い時間について心配していました。パンデミックが私たちに示したのは、未来はここにあるということです。今日利用可能なデータを使って、私たちはサプライチェーンにおいてより敏捷性と回復力を持つことができます。
Joannes Vermorel: 特に回復力やリスク管理などの複雑な概念についてスマートに行いたい場合、それを行うことができるツールを持っている必要があります。しかし、比較的短期間で展開および本番環境に導入できるものを開発すべきではありません。それが本当に難しい課題です。現在、48時間で意思決定を本番環境に導くために使用されているユニバーサルツールはMicrosoft Excelです。そして、Excelで求められるすべての特性を備えたものが実際にある場合、つまり、マルチビリオンのサプライチェーンを駆動し、今すぐに行うべき意思決定を、設計上の優れた正確さで行うことができる意思決定ツールがある場合、それは一つの視点です。それは私たちが追求している研究の方向性です。
Nicole Zint: Simchi-Levi教授、Joannesが言ったことについてコメントしていただけますか？
Prof. David Simchi-Levi: Joannesが言ったことに基づいて、今日のサプライチェーンの課題とITの課題を結びつけてみましょう。
Nicole Zint: では、Joannesさん、サプライチェーンのデジタル化はどれくらい重要であり、企業にどのような利益をもたらすことができると考えていますか？
Joannes Vermorel: 私たちに利用可能な技術を使えば、ビジネスパフォーマンスを劇的に改善することができます。完全なサプライチェーンのデジタル化のすべての利益を得ることはできないかもしれませんが、適度な財務投資と比較的短期間で、企業は収益に大きな影響を与えることができます。だから、私の意見では、私たちが見てきたすべての課題の中で、重要なポジティブなトレンドが一つあります。私たちは未来または現実がここにあることを認識しており、前向きに進む方法を考えている企業は、昨日の課題ではなく、明日の課題と機会に対応するために、ビジネスの一部を変革しデジタル化する機会を利用する必要があります。
Nicole Zint: 教授、Joannesのサプライチェーンのデジタル化の重要性についての視点に同意されますか？
Prof. David Simchi-Levi: 絶対に、私はJoannesと完全に同意します。サプライチェーンのデジタル化の利点は大きく、それを受け入れない企業は取り残されるでしょう。あらゆる業界の企業がデジタル化を採用し、その利益を受けています。在庫レベルの最適化からリードタイムの短縮まで、サプライチェーンのデジタル化はビジネスを変革する可能性を持っています。
Nicole Zint: サプライチェーンのデジタル化を成功裏に実施した企業の例を教えていただけますか？
Prof. David Simchi-Levi: もちろん、素晴らしい例としてはWalmartがあります。Walmartは世界最大の小売業者の一つであり、サプライチェーンのデジタル化を活用して運営コストを削減し、収益を向上させることができました。データ分析と機械学習アルゴリズムを使用することで、Walmartは在庫レベルを最適化し、ロスを減らし、納期を改善することができました。
Nicole Zint: その例を教えていただき、ありがとうございます。そして、サプライチェーンのデジタル化に関するこの非常に興味深いディスカッションに参加していただき、ありがとうございました。
