00:00:07 イントロダクションと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議論。
00:00:51 デイヴィッド・シムチ・レヴィ教授の経歴、学術業績、及び彼が創業した企業について。
00:02:43 需要計画と分析に関する新コース；デジタル化、分析、及び自動化に焦点を当てる。
00:04:22 サプライチェーンの効率性とレジリエンスのバランス、およびレジリエンス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、直感に頼るのではなく機械による計算の重要性。
00:09:47 数週間先のサプライチェーンの状態を予測する。
00:10:20 MITチームによるサプライチェーンのレジリエンスとパンデミック予測に関する取り組み。
00:12:15 KPI vs. KPPおよび予測データの重要性。
00:15:35 不確実性とさまざまな確率を取り入れた予測。
00:18:10 生存までの時間と隠れたリスク及び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 サプライチェーンサイエンティストが説明可能な指標を作成する上での役割。
00:24:17 ブラックボックス予測に取り組む際に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 科学的議論と、アルゴリズム及び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議論する。
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、及び応答時間への影響。
00:32:29 柔軟性における経済的トレードオフへの対処と、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 変化し続けるサプライチェーンの性質に適応するため、単一のソリューションではなくフレームワークに焦点を当てる。
00:37:18 需要の統一的な見解から始まる、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。
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及びデータ分析に焦点を当てる。
00:39:37 ジョナスが需要と企業システムの複雑性について議論する。
00:43:01 需要データの抽出と理解における課題。
00:45:36 予測や計画から数値的成果物へのシフト。 {< timer “00:47:14” >}} 予測や計画ではなく、結果に依存する意思決定者についての議論。
00:48:22 サプライチェーン学習と最適化における新たなアルゴリズム、及び否定的な傾向。
00:49:33 レジリエンス向上のために製造拠点を市場需要に近づけるという誤った考え。
00:50:09 機械学習と最適化、オフラインおよびオンライン学習の統合。
00:53:22 多層構造の企業向けソフトウェアの課題と、プロセスを単純化するための新たなアルゴリズムパラダイム。
00:56:37 サプライチェーン管理におけるITの複雑性について議論する。
00:57:57 レジリエンスやリスク管理などの複雑な概念に対応する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の利点と限界。
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をためらうこと。
01:00:20 サプライチェーンのデジタル化に適度な投資を行うことでビジネスパフォーマンスを向上させる機会.
要約
本インタビューでは、Nicole Zintが、Lokadの創業者であるJoannes VermorelおよびMIT教授のDavid Simchi-Leviと共に、サプライチェーン最適化とテクノロジーが果たす意思決定における役割について議論を行います。彼らは、効率とレジリエンスのバランスを取り、データ、分析、自動化を活用してリスクを管理することの重要性を強調します。プロアクティブな意思決定のための必須概念として、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要素（KPP）が紹介されます。専門家はまた、AIにおける説明可能性の重要性、サプライチェーン管理における「物理法則」供給チェーンマネジメント、柔軟性、および柔軟性とモデリングとの間の経済的トレードオフについて論じています。この対話は、企業が将来の課題と機会に対処するためにビジネスのデジタル化を進める必要性を浮き彫りにしています.
詳細な要約
本インタビューでは、ホストのNicole ZintがLokadの創業者Joannes Vermorelおよび、300以上の出版物を持つMIT教授David Simchi-Leviと共に、サプライチェーン最適化と意思決定におけるテクノロジーの役割について語ります。議論は、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、デジタル化、分析、自動化の統合に焦点を当てています.
シムチ・レヴィ教授は、現在のサプライチェーンの状態が10年前とは大きく異なっていることを強調し、企業は効率性とレジリエンスのバランスを取る必要があると述べています。効率性はコスト削減戦略によって測定しやすい一方で、レジリエンスは定量化が難しいと指摘しています。データ、分析、自動化の統合は、企業が隠れたリスクを特定し、軽減するのにおいて重要な役割を果たします.
Joannes Vermorelは、レジリエンスと効率性の間のトレードオフが本質的であることに同意し、リスク測定の確率的性質を強調します。彼は、市場評価においてサバイバルバイアスが蔓延しており、企業が直面するリスクの全体像を評価することが困難であると論じています。Vermorelは、人間の直感のみに頼るのではなく、機械主導の計算に基づくリスク管理アプローチを採用する重要性を強調します.
シムチ・レヴィ教授は、主要業績評価指標（KPI）と主要業績予測要素（KPP）の概念を紹介します。KPIはサプライチェーンの現状に焦点を当てる一方、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的としています。教授は、問題が発生する前に是正措置を講じることができるよう、データと分析を用いてKPIを補完するKPPの活用の重要性を強調します.
Vermorelは、KPIとKPPの違いを支持し、多くのサプライチェーンのディレクターがKPIにおける予測要素に気づいていない可能性があることを指摘します。彼は、実際のサプライチェーンシステムは往々にして混沌としており、特に将来の予測において、入力データが必ずしも信頼できるものではないと説明します。Vermorelは、将来の予測に取り組む際には不確実性を受け入れるべきだと主張し、十分な情報に基づく推測であっても意思決定に価値ある洞察を提供できると論じます.
シムチ・レヴィ教授は、ホッケー選手ウェイン・グレツキーの有名な言葉「パックのある場所に向かってスケートをするのではなく、パックが向かう場所に向かってスケートをする」を引用し、KPPの重要性を説明するためにスポーツの例えを用います。サプライチェーン管理においては、これは将来的な潜在的課題に対処するために今日意思決定を行い、サプライチェーンの適応性とレジリエンスを確保することを意味します.
議論は、サプライチェーン最適化、不確実性の受容、シナリオ分析、及びサプライチェーンの意思決定における機械学習とAIの利用を中心に展開されます.
シムチ・レヴィ教授は、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ます。需要の変化や混乱など様々な要因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。しかし、教授は現実世界の出来事の予測不可能性を理由にこのアプローチの限界を認めています。これらの限界を克服するために、特定のシナリオやサプライヤー情報に依存しない基準やツールを使用することを提案しています。彼は、「回復にかかる時間」、「パフォーマンスへの影響」、「生存時間」など、自身が開発した概念の例を挙げています.
シムチ・レヴィとVermorelの両氏は、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ければ、人間のサプライチェーンプランナーはその機械からの提案を信用しないと論じています。Vermorelは、人間の「サプライチェーン・サイエンティスト」が、予測最適化ロジックとその説明要素を構築するためにAIアルゴリズムと共に働くべきであり、効果的な意思決定に必要な人間の専門知識を認めるべきだと提案しています.
シムチ・レヴィ教授は、サプライチェーン管理における「物理法則」という概念を紹介します。これらの法則は、業界や特定のサプライチェーンに関係なく普遍的に適用可能な、さまざまなサプライチェーン要因間の一般的な関係を示しています。彼は、在庫の安全在庫、サービスレベル及び変動性との間の関連性など、そのような関係の例を挙げています。これらの法則を理解することで、企業はその運営を支配する基本原理を把握し、サプライチェーンをより良く管理することができます.
Vermorelは、サプライチェーン管理における普遍的な法則の考えを支持し、その例としてZipfの法則を挙げます。彼は、この法則が製品の分布やサプライヤーの規模など、サプライチェーンデータの様々な側面で観察できると説明しています。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役立ちます.
議論は、サプライチェーン管理における柔軟性の重要性にも触れています。シムチ・レヴィ教授は、柔軟性は必要不可欠であるものの、無償ではないと説明します。企業は、必要な柔軟性の適切な量、投資すべき箇所、およびその潜在的メリットを理解する必要があります。物理法則を用いることで、サプライチェーンマネージャーは柔軟性を備えたサプライチェーンを設計し、サービスレベル、在庫、応答時間など、サプライチェーンの様々な側面への影響を定量化することができます.
彼らは、柔軟性とモデリングとの間でバランスを見つけること、および経済的トレードオフの重要性について語ります。焦点は、サプライチェーン管理における信頼性のある理論の核を確立することにあります。また、絶え間ない変化の必要性を避けるために、長期的な戦略の必要性についても議論されます。シムチ・レヴィ教授は、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、及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言及します。Joannes Vermorelは、データの複雑性とそれを抽出・処理するためのツールの重要性を強調します。また、計画や予測を伴わない日々の実行に焦点を当てた手法についても説明します。彼らは、ファッション小売業の例と、予測がどのようにサプライチェーン管理に活用されているかを結論として示します.
サプライチェーン最適化における新たなトレンドと否定的な傾向についても議論されました。参加者は、混乱と不安定性が新たな常態となり、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再考する必要性について論じました。機械学習と最適化の統合は、より良い意思決定の機会としても議論され、オフラインとオンライン学習がその鍵となる要素であるとされました。しかし、現代のエンタープライズソフトウェアの複雑性や、意思決定を促進するためのより良いツールの必要性が、サプライチェーンの取り組みを妨げる否定的な傾向として見られました。参加者は、企業が将来の課題と機会に対応するために、自社のデジタル化を推進すべきだという点で一致しました.
完全な書き起こし
Nicole Zint: 本エピソードでは、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議論します。デイヴィッド・シムチ・レヴィ教授をお迎えできることを光栄に思います。本日は、彼の業績と300以上の出版物についてお話しいただきます。教授、いつものように、まずはゲストのご紹介から始めさせていただければと思います。よろしくお願いします.
Prof. David Simchi-Levi: こんにちは、Nicole。こんにちは、Joannes。ここにいられることを大変嬉しく思います。私はデイヴィッド・シムチ・レヴィで、MITの教員を務めています。MITにて過去21年以上にわたり学術活動を行ってきましたが、それと並行していくつかの企業を立ち上げました。最初の企業はサプライチェーン分析に関するもので、2009年にIBMテクノロジーインフラストラクチャの一部となりました。当時、マルチエシェロン在庫最適化、サプライチェーンネットワーク設計などの関連トピックで、約350のクライアントに私たちの技術が利用されていました。2011年には、ビジネス・アナリティクスに関連する別の企業を立ち上げました。ここでの焦点は、サプライチェーンに限らず、より広範な分野に及びました。この企業は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企業を立ち上げ、2018年にAccentureの一部となりました。現在、企業経営からは一線を退き、MITでの研究に専念しています。MITでは、MIT Data Science Labを率いています。Data Science Labは、MITと約20〜25社とのパートナーシップにより、データ、モデル、アナリティクスを活用して、彼らが抱える最も重要な課題に取り組むためのものです。今日の市場で見られるいくつかのエキサイティングな取り組みや機会についてお話しする機会があればと願っています.
Nicole Zint: とても印象的な経歴ですね、教授。さらに、最近「需要計画と分析」というコースを立ち上げられましたが、その中で挙げられた三つの新興技術、すなわちデジタル化、分析、自動化がなぜ今これほど人気があるのでしょうか?
Prof. David Simchi-Levi: 需要とサプライチェーン分析に関する新しいクラスについて触れていただいたのは興味深いですね。このクラスでは、おっしゃる通り、データ、分析、自動化の統合に焦点を当てています。企業が直面する最も困難な課題に対応するためには、これらの能力の統合が不可欠なのです。例えば、長いリードタイムを持つサプライチェーン、原油価格の変動による物流コストの大幅な増加、そして過去3～4年間に見られたサプライチェーンの混乱を考えてみてください。米中貿易戦争からCOVID、ウクライナ紛争、さらには気候変動に至るまで、これら全てが企業に今日、サプライチェーン戦略を再考することを求めています.
ニコール・ジント: 現状は10年前に見たものとは全く異なります。今日、どのようにサプライチェーンを効果的に管理しているのでしょうか？ これは5〜10年前に企業が行っていたこととは異なり、一例を挙げて説明します。2020年頃までは、リーン、アウトソーシング、オフショアリングなど、サプライチェーンの効率性に大きな注目が集まっていました。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ていました。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性とレジリエンシー（回復力）のバランスを取る必要性です。効率性は測定しやすく、コストに注目しますが、レジリエンシーは測定が難しいのです。どうやってレジリエンシーを測るのか？ 隠れたリスクはどのように特定するのか？ これは先ほど述べたデジタル化、分析、自動化といった技術動向に関する話です。では、ヨアンネス、このレジリエンスと効率性の妥協について、あなたはどう思いますか？
ヨアンネス・ヴェルモレル: 確かに、これは経済的なトレードオフの意味での妥協であり、通常、レジリエンスは無料ではないものです。必要なオプションを構築し、維持・確立することに関する問題です。興味深いのは、私はシムチ＝レヴィ教授に完全に同意する点で、根本的には未来を確率的な視点で見るため、測定が非常に難しいということです。起こるかもしれないし、起こらないかもしれない事象を見ているのです。例えば、近海の第二のサプライヤーラインに投資して今年は使わなかった場合、その費用は発生しますが、必要になった時に救済してくれるというオプションの存在自体は認識されません。
興味深いのは、サバイバー・バイアスがあらゆるところに存在することです。目にする企業は生き残ったものだけで、致命的なミスを犯して消えた企業はもう存在しないため、見ることができません。調査を行うと、平均して、本来取るべき以上のリスクをとっている企業が見受けられます。これは、過剰なリスクを取り市場から退出した企業が常に存在するため、調査対象は活動中の企業に限られるからです。
リスク測定の初期のパラダイムの1つ、いやそれ以上のものとしてのコツは、ほとんどの場合実現されないが、それでも非常に実在する潜在力を評価することにあります。もしサイコロを振って、会社を終わらせる致命的な事象に遭遇する確率がわずか3％で、その行為を毎年繰り返したとすると、半世紀のうちにほぼ確実に長期的な事象によって会社は消滅するでしょう。
ニコール・ジント: サプライチェーンは通常、専業で、つまり非常に大きな企業を基盤として構築されます。今日、Appleのような非常に大きな企業もありますが、Appleでさえ全く新しいスタートアップのようではありません。彼らが確立され、現在の姿になるまでには何十年もかかりました。ですから、非常に急成長した企業であっても、サプライチェーンが成熟するまでには何十年というプロセスが必要です。つまり、プロセスは遅く、何十年というスパンでリスクを評価する際には、人間の視点からは非常に稀な事象を見なければなりません。これが、純粋な直感ではなく、機械に基づく計算的な視点が重要になる理由でもあります。ヨアンネス、この点についてのあなたの考えをお聞かせいただけますか？
ヨアンネス・ヴェルモレル: 私は、人間は人間スケールで物事を捉えるのが非常に得意だと信じていますが、サプライチェーンはその複雑性から大きく逸脱しがちです。考慮すべき事柄が多すぎる上、時間軸においても、百年に1度や4分の1程度の事象しか想定していません。それでも、大規模なサプライチェーンを運営する場合、まさにこの種のリスクについて考える必要があるのです。
デイビッド・シムチ＝レヴィ: ヨアンネスが強調していた点を、重要な観察を通して説明しましょう。企業は通常、KPIに注目します。『今、私のサプライチェーンのパフォーマンスはどうか？』と問い、サービスレベルが低ければ在庫を増やすといった対策を講じます。輸送コストが高ければ、コスト削減のための変更を行います。このレジリエンシーに関する議論、またデータと分析の活用に関する議論は、私がKPP（主要業績予測指標）と呼ぶ、KPIを補完する指標についての話でもあります。サプライチェーンは現在順調に見えるかもしれませんが、6〜7週間後の状態を予測したいのです。もしそれが可能で、潜在的な問題が見えてくれば、その問題が7週間後に顕在化する前に今日解決することができます。
そして皆さんは「本当に可能なのでしょうか？」と思うかもしれません。実際、パンデミックはこれが非常に効果的に実行できることを示してくれました。一例を挙げると、MITデータサイエンスラボの私のチームは、パンデミック以前からサプライチェーンのレジリエンシーに取り組んでおり、隠れたリスクを特定するための新たな測定手法を開発しました。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自動車で、その後に他の企業も追随しましたが、その数は多くありませんでした。すべてはパンデミックの始まりに一変したのです。
2020年2月、この時期を覚えておいてください。パンデミックは中国に影響を及ぼしていました。ヨーロッパやアメリカではなく、あくまで中国だけでした。私が持っていたモデルとデータを使い、サプライチェーンのレジリエンシーに関する短い論文を書き、その中で「中旬の3月、すなわち6週間後には、北米とヨーロッパ双方でサプライチェーンの混乱が見られるだろう」と述べました。そして、まさにその通りの結果となりました。企業が内部データと外部データのリアルタイム情報を活用できるおかげで、KPIに加えて、現在のサプライチェーンの状態を示すKPPも補完的に使用できるのです。
ニコール・ジント: KPPとは、6週間後または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与える前に今日是正措置を講じるためのものです。だからこそ、ヨアンネスが強調しているように、データと分析を活用する機械の力でsupply chain performanceに大きなインパクトをもたらすことが重要なのです。
デビッド・シムチ＝レヴィ教授: KPIとKPPの違いという区別がとても気に入っています。ちなみに、ほとんどの企業のサプライチェーンディレクターは、実は彼らがKPIと呼ぶものの大部分に何らかの予測要素が含まれていることに気づ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があったとしても、実際にはほとんどのサービスレベルが需要予測を含んでいます。「このサービスレベルだ」と言っても、現実にはほとんどのSKUは需要が非常にまばらです。SKUごとに「90%のサービスレベルがある」とは言えず、存在するか否かの問題です。最終的には、SKUのサービスレベルを推定するためのステップバイステップの分析や予測モデルが存在しますが、それもあくまで推測に過ぎません。そして、在庫量が完全に保証されないETAに依存する場合が頻繁にある状況もあります。
ヨアンネス・ヴェルモレル: つまり、これら二つの概念を持つということ自体が非常に興味深いのです。特に、現実の非常にごちゃごちゃしたサプライチェーンシステムでは、内部からの情報は多いものの完全には信頼できず、未来に触れるとき、その間には非常に不明瞭なグレーゾーンが存在することを実感させられます。そして、多くの人が、過去の中立的かつ客観的な観察に過度に信頼を置くことが問題だと思います。しかし実際はそうではありません。加えて、リスクに対応しようとすると、単一の未来に対する素朴な見方では不十分になり、「最短で8週間、最長で20週間後に混乱が始まるという80%の確信がある」といった表現が必要になるのです。しかし本質的には、未来に触れると確実ではない可能性が存在するという事実を受け入れることなのです。それにもかかわらず、その推測には価値があり、たとえ推測に過ぎなくても、それに基づいて行動するべきなのです。
デビッド・シムチ＝レヴィ教授: ニコール、もし許されるなら、スポーツの例を使って、なぜ企業がKPIとKPPを考慮すべきかを説明しましょう。私はホッケーをしたことはありませんが、ホッケーは大好きです。北米で最高のホッケー選手の一人、グレツキーはかつて「パックがある場所に向かってスケートするのではなく、パックが行く先に向かってスケートする」と言っていました。これこそが、KPPの本質なのです。
ニコール・ジント: 今日、私は6週間後または7週間後のサプライチェーンの状況に対処するための決断を下したいと思っています。なぜなら、今日それができれば、キャパシティを確保し、コストを削減し、システムが近い将来示すであろう潜在的な混乱に効果的に対応できるからです。ですから、サプライチェーンで6、7、または8週間後に起こり得る何かを予測できる、または予測できるというのは非常に興味深いことです。しかし、Lokadでは、この不確実性を受け入れ、正確に何が起こるかを予測するのではなく、様々な未来が起こる可能性全体を概観しようとしています。では、教授、あなたは6〜7週間後の何かを予測するとおっしゃいますが、具体的にどうやってそれを知るのですか？ モデルが出力する一つの未来のシナリオに焦点を当てているのか、それとも異なる可能性全体を受け入れているのか、教えてください。
デビッド・シムチ＝レヴィ教授: 私たちは、複数のアプローチを組み合わせて使用しています。万能な戦略は存在せず、これはヨアンネスやニコールが注目していた点とも関連しています。一つのアプローチはシナリオ分析です。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していたり、特定のサプライヤーや特定の地域での混乱に関連している場合があります。これを用いてサプライチェーン内の隠れたリスクを特定しようとしています。しかし、シナリオ生成の能力には限界があり、ここ数ヶ月の事例と2年前の事例を比べてみれば、その限界がよく分かります。東ヨーロッパで現在見られる現象を、誰が予測できたでしょうか？ ですから、シナリオ分析は非常に重要な部分ですが、特定のシナリオ、例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基準やツールも必要です。これらのツールは今でも企業が利用可能です。一例を挙げましょう。私はサプライチェーンのレジリエンシーに関するいくつかのコンセプトを開発しました。その一つが「Time to Recover」と「Performance Impact」で、これらはすべてシナリオ依存ですが、もう一つ「Time to Survive」も開発しました。Time to Surviveとは何か？ それは完全にシナリオに依存せず、エンドツーエンドのサプライチェーンを見渡し、サプライチェーンのマッピングにより在庫の場所と量を把握した上で、ある施設を除去し、その施設がない状態でどれだけ需要に応えられるかを問うものです。これはシナリオ依存ではなく、混乱が起こった場合にどれだけ供給を維持できるかを示してくれます。これにより、サプライチェーン内のリスクやコスト削減の機会を特定することができました。実際、これを複数の企業で実装した結果、時には企業が自社製品のために在庫を誤った場所に大量に配置していることが判明したのです。つまり、サプライチェーンのレジリエンシーを十分に理解するためには、一つのアプローチだけでなく、複数のアプローチが必要なのです。
ニコール・ジント: 最後に付け加えると、私たちはより良い意思決定のために、機械、機械学習、そして最適化を多用しています。しかし、機械自身がその推薦理由を説明できなければ、誰もその推薦に従いません。したがって、予測や推奨される意思決定を生成する能力に加えて、なぜその予測が「製品Aの需要が中西部では大幅に増加し、西海岸では成功しない」と示すのか、その説明が必要なのです。機械から出る結果の説明可能性は、この意思決定プロセスの非常に重要な部分です。
ヨアンネス・ヴェルモレル: モデルの説明可能性の必要性に関するあなたのコメントに触れると、私のさりげない観察では、線形回帰などのいくつかの係数を持つ半ば単純な数値モデルでさえ、初めから非常に不透明であるということがあります。数字がある時点で、これは避けられない性質なのです。コンピューターは人間よりも計算がはるかに得意なため、平均的な非天才的な観察者にとっては、ほんの少数の数字でさえ全く不透明なものになってしまいます。
そして、典型的なアプローチとして、説明に意味を持つ数字というのは非常に文脈依存的である傾向があります。現代のコンピューターを使えば、データをあらゆる方向に投影して何百万もの数字からなる指標の壁を作り出すのは非常に簡単ですが、サプライチェーンプランナーが使える時間は限られているのです。
したがって、Lokadのアプローチは、アルゴリズムレベルで、いわゆるサプライチェーン・サイエンティスト（サプライチェーンに特化したデータサイエンティスト）が、予測最適化ロジックとその説明要素の両方を構築するプロセスに取り組むというものです。しかし、ここで問題となるのは、AIや高度な機械学習のレシピが自動的にこの作業を行うとは期待していないということです。私は、サプライチェーン・サイエンティストがその人間らしい知性を活かして、いわゆるホワイトボックス化と呼ばれる追加作業を行えるという、パラダイム的なアプローチを採用しているのです。
これにより、彼らはサプライチェーン全体の経営者にも意味をなす指標を作り出し、何が起こっているのかを理解できるようになります。しかし、そこには非常に人間的な要素があり、誰かが本質的に数値を作り出して、いくつかのKPIを選定できるようにする必要があるのです。あなたの数値は、単なるKPIにとどまらず、定義によってはTPPとなり得ますが、それらは非常に慎重に選ばれています。唯一の魔法のようなテクニックは、起こっている現象をこのように詳細に分解できるアルゴリズム的手法を用いることにあります。
Prof. David Simchi-Levi: その通りです。この「統一的な見解」を実装する具体例を挙げることで、その重要性を強調できます。
Nicole Zint: 非常に大規模なCPGにおいてこれを実施すると、通常は財務部門から電話がかかってきます。電話は大きく分けて三種類あります。一つ目は、「ねえ、データサイエンティスト諸君、ねえ、Timさん、なぜあなたのフォーカスが、この製品またはそのファミリーがある地域では信じられないほど成長する一方で、別の地域ではうまくいかないと示唆しているのか、わからない」といったものです。これも説明可能性の一部なのです。
David Simchi-Levi: 二つ目はさらに難しいケースです。別の電話があり、財務担当者が「理解できません。我々は次の80週間分の予測を毎週出しているにもかかわらず、今日提示された予測と四週間前に提示された予測が異なっています。一体何が起こっているのですか？世界は変わっていないはずです」と言うのです。
David Simchi-Levi: 三つ目は、「ねえ、1ヶ月前に今日の需要に関する予測を出してもらったのに、全く違う内容になっています」とのことです。もしこの三つの課題に対処できなければ、どの製品についても週ごとに予測を出し続けるブラックボックスを誰も信用しなくなるでしょう。だからこそ、あなたの会社で行っていること、私のMITデータサイエンスラボのチームが行っていることは、単なる科学ではないと認識することが極めて重要なのです。効果を発揮するためには、科学と芸術を組み合わせる必要があります。科学はアナリティクスにおける機械とデータであり、芸術はサプライチェーンに関わる人々が持つ洞察、直感、経験なのです。両者の組み合わせが求められます。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対話できなければ、人間がその提案に従うのは困難になるでしょう。
Nicole Zint: では、教授、主要な質問に入る前にお伺いしますが、講義で話された「物理法則」というものは、サプライチェーンの実務者や企業に適用されるとありますが、サプライチェーンの観点における「物理法則」とは具体的にどういう意味なのでしょうか？
David Simchi-Levi: 私にとって「物理法則」とは、地域的なサプライチェーンであろうとグローバルなサプライチェーンであろうと、またハイテク、CPG、製薬といった分野に注力している場合であっても、常に成立する情報、能力、サービスレベル、在庫の関係性といった一般的な関係性のことを指します。
Nicole Zint: 先ほど述べられたその関係性の一例を挙げていただけますか？
David Simchi-Levi: その一例としては、在庫、安全在庫、サービスレベル、そして変動性の関係が挙げられます。安全在庫または在庫、変動性、サービスレベルの三者の関係を定量化する方法は既に分かっています。この三者の関係を理解すれば、サプライチェーンをより良く管理するための手法が見えてくるのです。
David Simchi-Levi: もう一つの例は、情報の量とサプライチェーンにおけるボラティリティーの度合いとの関係です。それを理解すれば、どれほどの可視性と情報共有がボラティリティーを低減できるかが分かります。そして、ボラティリティーと失われた売上との関係はどうなっているでしょうか。それを理解することで、「ああ、削減しなければ」という認識が生まれるのです。
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は、どのようにボラティリティーを管理すればよいのでしょうか？
Prof. David Simchi-Levi: ボラティリティーを低減する一つの方法は、情報共有を通じて実現されます。昨年9月に第4版が出版された私の著書では、企業がビジネス上の機会を見出すための40〜50種類の「物理法則」について論じています。これらはグローバルな関係性であり、だからこそ、私はこれらを物理法則と呼んでいるのです。
高校や大学の物理の授業で学んだことを思い出してください。ビジネスにおいても、さまざまな部分の定量的な測定を定義する根本的な関係性が存在します。物理学の四つのマクスウェル方程式のように、常に成立する方程式を導き出せる状況があり、それは特定の状況に依存しないのです。
Joannes Vermorel: つまり、サプライチェーンは詩的なものだけではないのです。各部分の定量的な測定を定義する根本的なビジネス上の関係性が存在します。例えば、私の一連の講義では、サプライチェーンで観察されるほぼすべての分布がジップフの法則に従っていることを指摘しています。最も取扱量の多い製品からロングテールまで、ジップフの法則が見られます。サプライヤーにおいても、最大規模から最小規模に至るまで同様です。
この理論は、世界を説明する最良の理論であるか、または一般理論に矛盾する状況があるのかといった点で科学的に議論される可能性はあります。しかし、特定の業界に基づいて単に信じないと選択できるような、議論の余地があるものではありません。
興味深いのは、ある現象群の数学的基盤があると、ツール、アルゴリズム、フレームワークの構築において非常に強力なものになるということです。Lokadではこれを広範に活用しています。例えば、ジップフ分布の結果として、サプライチェーンデータの大多数の行が0または1になることが保証され、データを大幅に圧縮することが可能になるのです。
もう一つの例として、ソートアルゴリズムにおいて、実際にクイックソートを上回ることができるという点があります。解決すべき項目の基数が低いため、理論上の最適解よりも速く動作することが可能です。これらの数学的基盤に基づいて構築されたサプライチェーン理論の設計や、ソフトウェア設計の観点で重要な要素は他にも数多く存在します。
Nicole Zint: 今日はJoannes Vermorel氏とProfessor David Simchi-Levi氏をお迎えしてサプライチェーン最適化について話し合います。Joannesさん、サプライチェーンの柔軟性の重要性についてよく言及されますが、その点についてもう少し詳しく教えていただけますか？
Joannes Vermorel: それでは具体例を挙げさせていただきます。誰もが柔軟性という概念、つまり、柔軟性が高いほど望ましいという考えを理解しています。しかし、柔軟性は無料では手に入りません。どの程度の柔軟性が必要なのか？どこに柔軟性への投資をすべきなのか？そして、柔軟性がもたらす潜在的な利点は何か？これらは重要な問いです。その上で、柔軟性をどのように定義するかという問いもあります。例えば、変化に対応する能力と定義すれば、需要量の変化、需要ミックスの変化、混乱といったさまざまな形で変化が起こり、柔軟なサプライチェーンをどのように設計すべきかが明確になります。これらは物理法則に由来しており、それを理解すれば、サービスレベル、在庫、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可能です。そして、自動車業界や消費財業界の企業は、物理法則を用いてサプライチェーンの柔軟性の度合いやレベルを再考しているのです。冗長性や回復力についても同様のことが言えます。これが物理法則が非常に重要である理由です。
Nicole Zint: 柔軟性に言及されたのは非常に興味深いです。なぜなら、企業が特定の製品を中央の倉庫に保管すべきか、あるいはよりローカルな倉庫に保管すべきかを判断する際、中央のDCに置くと柔軟性が高まる一方で、顧客がより早く製品を受け取れるためサービスが向上するというトレードオフが存在するからです。
David Simchi-Levi: そうです、まさに最適なバランスを見つけることが求められます。しかし、Joannesが特に指摘しているのは、単にバランスを見つけること自体は当然の前提であり、柔軟性には常に経済的なトレードオフが伴うという点です。それはモデル化可能であり、あらゆる状況下で最適化に活用できるのです。これがいわば物理法則のニックネームとも言えるでしょう。つまり、物理的なサプライチェーンの法則ということです。既に確立された基盤は存在します。それらは自然に完全、決定的なものではありませんが、確かに存在しています。そして、これらのサプライチェーンに対して、すべてが議論の余地があるわけではないという考え方でアプローチすることが重要なのです。物理学的アプローチの趣旨はそこにあります。人々が電磁気学の方程式を持っていると言うとき、基本的にはマクスウェルの四式方程式—決してマクスウェルだけに依存しているわけではありませんが—が常に真であるとされ、誰もがその前提に基づいて電磁気学を実践しているのです。これが選択肢ではなく、失敗する状況が自然に存在するとは誰も言いません。これは科学的探究ではなく、モデル内の流れを見出すことに関するものです。とはいえ、本質的な核を確立するという点で非常に興味深いことだと思います。
Nicole Zint: では、Joannesさん、サプライチェーン最適化に有効な定量的アプローチを構築するために依拠している理論について教えていただけますか？
Joannes Vermorel: 定量的アプローチを構築するために、科学的な意味で信頼できる理論は二つあります。単なる意見や議論だけではなく、実際に上に積み上げられる確固たる基盤が必要なのです。なぜなら、そのような基礎がなければ、偶然に頼らない定量的アプローチを構築するのは非常に困難になるからです。どの企業においても常に機能する可能性を持つ方法を求めるのが究極の普遍性であり、非常に堅固な基盤があれば、それに近づくことができるのです。これこそが真の興味の所在だと思います。
Nicole Zint: つまり、さまざまな問題に対して機能する解決策を見つけるということですね。一つの問題だけではなく、複数の問題に適用できるフレームワークについてお話しされるのは、教授のご出版物でも多く見受けられます。では、なぜ単一のモジュールを提供するのではなく、あえてそのようなフレームワークに焦点を当てたのでしょうか？
Prof. David Simchi-Levi: ええ、これは非常に明らかですが、同時に、実際にフレームワークに焦点を当てるケースはあまり見られません。多くの場合、一つの解決策を探し求めるのですが、サプライチェーンが変動する中では、世界が常に変わるために、その一つの解決策に固執していては行き詰まってしまいます。したがって、問題を何度も何度も再検討する必要があるのです。実際、Lokadでは、今だけに適用可能な単一の解決策ではなく、問題解決のためのアプローチ全体の構築に注力しているのです。
Nicole Zint: 教授、なぜフレームワークに注目されるのか、その理由についてもお答えいただけますか？
Prof. David Simchi-Levi: 私の研究の焦点としては、サプライチェーンに対して長期的な戦略を確立することが重視される点が挙げられます。つまり、直近の混乱や需要の変化によって、戦略を毎週あるいは毎日変更する必要がないようにするためです。これについては、私が手がけたサプライチェーンのデジタル化に関する取り組みで強調したいと思います。デジタルサプライチェーンへの4〜5年の投資をせずに、完全なデジタル化の多くの利点を企業が享受できるようにするために、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とは何か、ということです。ここでは4つのフレームワークを挙げます。まず一つ目は、先に述べたコンセンサス予測に代わる需要の統一的な見解です。コンセンサス予測は長年、経営者や業界で使用され、財務部門は自身の予測、運用部門は別の予測、営業部門はまた異なる予測を立て、そして合意の会議で妥協点を見出していました。しかし、その妥協が現実を正確に反映しているとは限りません。私が注目しているのは、まずデータについて合意することです。データが得られれば、各部門で利用できる予測を生成するために、分析や機械に任せるということです。これが最初のフレームワークです。二つ目は…
Nicole Zint: サプライチェーン最適化で用いられているフレームワークについて、詳しく教えていただけますか？
Prof. David Simchi-Levi: もちろんです。私たちが用いるフレームワークは、全ての企業に一律の戦略が適用できるという考え方は適切ではないという前提に基づいています。多くの企業では、全チャネル、市場、製品で同一の戦略を採用していますが、私たちはサプライチェーンのセグメンテーション―すなわち、製品、市場、チャネルごとの分割―に重点を置いています。これにより、各クラスターやグループごとにサプライチェーン戦略を微調整することができ、その結果、各セグメントの特性に応じた柔軟な対応が可能になります。このフレームワークの三番目の要素は、データと分析を用いて企業が効果的な計画を策定できるよう支援するSNOP（Sales and Operations Planning）に注目することです。そして最後に、どんなに計画が効果的でも、供給混乱や需要変動といった計画からの逸脱が常に存在することを認識する必要があります。逸脱や混乱を早期に特定できれば、非常に効果的な対応が可能になるのです。これが、KPP（Key Performance Parameters）やコントロールタワーの一部として組み込まれており、貴社が多くのクライアントと共に注力している部分だと思います。
Nicole Zint: Joannesさん、Professor Simchi-Leviが述べた内容、特にLokadでも採用されているSNOPプロセスについて、どうお考えですか？
Joannes Vermorel: はい、ええと、しかし、違うアプローチだとは言いません。私たちの焦点と出自のために、少し異なる角度からこの点を見ているのです。それは、必ずしも意見が対立しているという意味ではありません。私がまず見るのは、私たちはサプライチェーンを直接観察することがないということです。たとえば「需要」と言った場合、非常に複雑になりがちな企業システムが仲介に入っています。典型的な ERP は設立から三十年経っており、2000ものテーブルについて話すことになるでしょう。それぞれのテーブルには50～200程度のフィールドがあり、もし多国籍企業の話となれば、国ごとに異なるERPが存在する、半ば悪夢のような状況（40カ国など）に陥るかもしれません。つまり、入力信号は純粋なITの複雑性という意味で非常に複雑であり、軽んじることはできません。たとえ全てのデータが正確で、ゴミではなく非常にクリーンなトランザクションデータであったとしても、すべてのシステムが需要を測るために設置されたのではなく、サプライチェーンを運営するために設置されたという事実から、その複雑さが問題となるのです。言い換えれば、アプリケーションの全体像の激しい不透明性がまず存在するのです。第二に、「需要」と呼ばれるものは、実際の業界を見ると、もっと細分化されているのが分かります。例えば、B2Bの顧客に電気資材を販売している会社の場合、実際の注文は、建物を建てたいという顧客から出され、何千もの製品コードを含む大口注文となり、さらに納品の日程が組まれるのです。つまり、「9か月後にすべて納品し、最初の500件は3か月後、次の500件は4か月後」といった具合です。
Nicole Zint: では、ジョアネス、需要予測の問題にどのように取り組んでいるのか、また、それにともなう課題は何かについてお話しいただけますか？
Joannes Vermorel: はい、需要の細かい粒度は非常に複雑になり得ます。例えば、6か月に渡ってスケジュールされた大量注文があった場合、需要をいつカウントするのでしょうか？ 発生時にカウントするのか、納品時にカウントするのか？ 明らかに多くの複雑性があります。つまり、私たちが「需要」と言うとき、それは時系列の視点から一面的に捉えられるものではなく、通常は非常に多次元的な問題です。また、もし旧世代の製品を置き換える新しいタイプの製品を導入すれば、自社の優れた技術が旧製品を駆逐するという、非常に攻撃的なカニバリゼーション効果が生じるため、問題はさらに複雑になります。つまり、製品間の差は非常に小さく、次世代はあらゆる面で以前のすべてを上回る代替品となるのです。
David Simchi-Levi: はい、だからこそ、この課題に取り組むには適切なツールと十分に訓練されたサプライチェーンサイエンティストが不可欠です。SQLはデータを抽出するための一つのプログラミング言語ですが、扱うべき膨大なデータを理解するためには、それ以上に優れたツールが必要です。
Joannes Vermorel: その通りです。Lokadでは、サプライチェーンサイエンティストが必要とするツールについて考えることに注力しています。単にデータを取り込んで需要予測を出すAIは存在しません。データを理解するためには人間の知恵が必要です。私たちが問うのは、「彼らはどのようなツールを持っているのか？ SQLだけなのか、それともそれ以上のものか？」ということです。
Nicole Zint: では、計画についてはどうでしょうか？ どのように取り組んでいるのですか？
Joannes Vermorel: Lokadは非常にオペレーショナルな会社であり、日々のサプライチェーンの実行に焦点を当てています。現在の私たちの取り組みは、計画を完全に消し去ることにあります。計画も予測ももう存在しません。少なくとも、数値的なアーティファクトとしては存在しているものの、それらは完全に一時的で、システムのデータパイプラインに埋もれてしまっています。目に見える唯一の効果は、最終決定の結果だけです。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。ですから、中国からの混乱が入力として入った場合、それが計画を変更するということは重要ではありません。人々が目にするのは、少し異なった方向へと舵を切った決定だけなのです。そして、もしドルやユーロで動機を見れば、特定のリスククラスにおけるドルで表現されたリスクが、この新情報によって急上昇しているのが分かるでしょう。
Nicole Zint: では、ジョアネス、サプライチェーンに対する混乱の影響についてはどう考えますか？
Joannes Vermorel: サプライチェーンの混乱は、オフショアの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。その結果として、関連するリスクが爆発的に増大し、全ての意思決定が彼らから逸れてしまいます。しかし、ほとんどの企業にとって、予測も計画も非常に取るに足らない数値的なアーティファクトになってしまいます。つまり、企業の関心を引くことのない他の数値アーティファクトがたくさん存在しているのです。正直なところ、皆さんの取り組みについてもっと学ばないと、もっと実質的なコメントはできないでしょう。
Prof. David Simchi-Levi: 私が協力してきた企業は、サプライチェーンの様々な部分で異なる課題に直面しており、それは計画や予測に関する異なる考え方を意味する場合があります。簡単な例を挙げると、ファッション小売業では、ポートフォリオの一部が全く予測不可能なもので構成されています。予測を生成することはできますが、その信頼性が極めて低いため、サプライチェーンは速度のみに注力する状況です。しかし、ポートフォリオの他の部分では、非常に正確な予測が可能であり、その予測がサプライチェーン全体の管理に利用されています。多くのサプライチェーン幹部はその予測を見ないかもしれませんが、それは在庫配置や在庫量、注文への対応方法を決定するための動機付けとして機能しています。しかし、前者の場合、予測が隠されているだけでなく、信頼性が低すぎるため予測自体が存在せず、サプライチェーンはほとんど速度のみに依存しているのです。その点において、たとえ予測と計画が存在していても、意思決定者に示したいのは、予測や計画といった結果に寄与する要素ではなく、特定の事象の結果そのものだということです。さらに重要なのは、人間の意思決定者が、結果だけを見てその背景にある要因（計画そのものなのか、予測なのか）を理解せずとも安心できるかどうかです。しかし、この分野での潜在的な機会を特定するためには、皆さんの取り組みについてもう少し知見が必要です。
Nicole Zint: デイビッド、現在サプライチェーンの学習と最適化において、どのような新たなアルゴリズムが登場しているとお考えですか？ また、同時に人気を博しているネガティブな傾向は何かありますか？
Prof. David Simchi-Levi: では、まず第二の部分、すなわちネガティブな傾向について話しましょう。市場で見られる混乱と変動性の影響に関するネガティブな傾向は、今後何年も続くでしょう。これは新たな常識であり、その結果、企業はその対応方法を再考する必要があるのです…
Nicole Zint: ジョアネス、クライアントに影響を及ぼしているいくつかのネガティブな傾向について話していましたね。それ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。私の見解では、クライアントに影響を与えている問題は二つあります。第一の問題は、現代の企業ソフトウェアが非常に多層化していることです。層がさらに層を重ね、データが層から層へと流れていきます。現代のシステムでは、データ流通の層が100以上にもなる場合がありますし、データサイエンスはさらに約20以上の層を追加するに過ぎません。たとえば、Pythonでデータサイエンスを行いたいと言ったとき、実際にはすべてをPythonで処理するわけではありません。Pandasで処理する層、NumPyで処理する層、さらに内部のキットで処理する層などが存在します。ここ数十年でシステムがあまりにも多層化してしまい、各層がバグや回帰、あらゆる問題の発生機会となっているため、多くの企業が非常に苦労しています。これが非常に残酷かつ単純な方法で、すべてのサプライチェーンの取り組みを妨げているのです。彼らは何かをしようと試みますが、結局のところ、AIが50以上のシステムを経由するため、在庫レベルさえ正確に管理できないのです。そして、その複雑さは計り知れません。
Prof. David Simchi-Levi: これに付け加えさせていただくと、ジョアネスの言っていることは、人々が実際に行っている作業の品質にまで影響しているという示唆に他なりません。
Joannes Vermorel: はい、その通りです。私が見る第二の問題は、例えばディープラーニングのような一部の機械学習手法が非常に技術的であり、さらに独自の層を積み重ねることです。それによって実行が非常に困難になっています。確かに大企業はそれを実現できていますが、それでも非常に難しいのです。そこで、例えば学習と最適化、そしてデータベース層を一体化することで、層全体を取り除けるような新たなアルゴリズムパラダイムが登場していると私は考えています。つまり、サプライチェーンにおいて何をしようとも、ITシステムで大規模に実行できる可能性が生まれ、過度の混沌を持ち込むことなく、層の全体を削減できるのです。実際に、企業がなぜ何年もかかるのかというと、純粋に高度な機械学習部分や、非常にスマートなアルゴリズム部分に時間がかかっているのではなく、その前後の、緩く統合されたすべての部分が原因となっているからです。
Nicole Zint: お話の途中で恐縮ですが、「前後すべて」とは具体的にどういう意味か、もう少し詳しく説明していただけますか？
Joannes Vermorel: はい、もちろんです。高度な機械学習部分の前には、適切なデータパイプライン、適切なデータベース、そして適切なデータクレンジングが必要です。そして、機械学習部分の後には、その出力をERPシステム、受注管理システム、またはWMSシステムに統合するための適切な手法が必要となります。これらすべての要素がしっかりと統合されなければならず、そこに大きな課題が存在するのです。
Nicole Zint: では、ジョアネス、データの観点から見たサプライチェーン最適化の複雑さについて教えていただけますか？
Joannes Vermorel: 申し上げるならば、非常に複雑です。特にデータパイプラインの複雑さは、物理的な商品のロジスティクスの複雑さをはるかに凌駕します。これは、古典的なソフトウェアベンダーの視点に似ています。しかし現在、企業が自社のITの複雑さが急激に増大するという考えに固執しているのが見受けられます。これも、過去2年間に起こった劇的な事象に対する恐怖反応かもしれません。しかし、非常に複雑なシステム障害を引き起こすことで別のリスク層を導入してしまえば、最終的にサプライチェーンがよりレジリエントになるわけではありません。最近では、ランサムウェアのようなIT問題、あるいは単なる内部バグのために、業務が完全に停止してしまう企業がどんどん増えています。
Nicole Zint: そして、Simchi-Levi教授、テクノロジーはどのように活用され、サプライチェーン最適化を改善できるとお考えですか？
Prof. David Simchi-Levi: パンデミック前に、テクノロジー、機械学習、最適化を活用してビジネスパフォーマンスやサプライチェーンを改善する機会について話していたなら、誰もが同意したでしょう。しかし、経営者たちは、サプライチェーンのデジタル化、つまりサプライチェーン間のデジタル化への投資に非常に消極的です。その理由は、利点が見えないからではなく、利点は理解しているものの、莫大な財政投資と、望む利益を得るまでに長い時間がかかることを懸念しているからです。パンデミックが示したのは、未来、現実がすでにここにあり、今日利用可能なデータを活用すれば、サプライチェーンをより迅速かつレジリエントにできるということです。
Joannes Vermorel: もしもっと成果を出そうとするのであれば、特に、直接測定が難しいレジリエンスやリスク管理といった複雑な概念において、賢く取り組む必要があります。それには、その目的を実現できるツールが必要です。しかし、比較的短期間で実際に展開・運用できるものを開発すべきではなく、そこが本当に困難な点です。現状、48時間以内に意思決定を生産現場に反映するための万能ツールはMicrosoft Excelです。そして、もしExcelに求められるすべての特性、すなわち数十億規模のサプライチェーンを駆動し、今すぐに取るべき意思決定を設計上優れた正確性で下せる意思決定ツールを実際に持つことができたなら、それは一つの見方となるでしょう。これこそが、我々が追求している研究の方向性です。
Nicole Zint: Simchi-Levi教授、ジョアネスの発言についてコメントしていただけますか？
Prof. David Simchi-Levi: ジョアネスの言葉に付け加え、今日のサプライチェーンとITの課題に結びつけてみましょう。
Nicole Zint: では、ジョアネス、あなたの意見では、サプライチェーンのデジタル化はどれほど重要で、企業にどのような利益をもたらすとお考えですか？
Joannes Vermorel: 利用可能なテクノロジーを活用すれば、ビジネスパフォーマンスを劇的に向上させることが可能です。完全なサプライチェーンのデジタル化の全ての利点を享受できるとは限りませんが、適度な資金投資と比較的短い期間で、企業は利益に大きなインパクトをもたらすことができます。だからこそ、私の意見では、これまで見てきたすべての課題にもかかわらず、一つの重要な前向きな傾向があるのです。すなわち、未来、現実が既にここにあり、前進の方法を模索している企業は、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、事業の一部を変革し、デジタル化し始めるべきだということです。
Nicole Zint: 教授、サプライチェーンのデジタル化の重要性について、ジョアネスの見解に同意されますか？
Prof. David Simchi-Levi: 絶対に、ジョアネスさんの意見に完全に同意します。サプライチェーンのデジタル化の恩恵は非常に大きく、これを採用し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進め、その恩恵を享受しています。在庫水準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根本的に変革する可能性を秘めています.
Nicole Zint: サプライチェーンのデジタル化をうまく実施した企業の例を挙げていただけますか?
Prof. David Simchi-Levi: もちろんです。良い例はウォルマートです。ウォルマートは世界最大級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、収益性を向上させることに成功しています。データ分析と機械学習アルゴリズムを用いることで、ウォルマートは在庫水準の最適化、無駄の削減、配送時間の短縮を実現しています.
Nicole Zint: 例を挙げていただきありがとうございました、教授。そして、本日の非常に興味深いサプライチェーン・デジタル化に関する議論にご参加いただき、ありがとうございました.
