00:00:00 予測の重要性と懐疑心について議論する。
00:00:40 ゲスト、Jonathon Karelse氏とJoannes Vermorel氏を紹介する。
00:01:37 『未来の歴史』執筆のインスピレーションと、予測手法に疑問を呈することの重要性。
00:05:49 予測の定義と、その20世紀初頭における起源。
00:08:53 未来予測のために測定系列を延長することの合理性について議論する。
00:09:40 クラシックな21世紀の予測の視点と、時系列への依存性。
00:10:33 予測における成功指標の再校正、およびビジネスでの収益創出に焦点を当てること。
00:13:25 ニュートンの原理と決定論的アプローチが予測において経済思想に及ぼす影響。
00:16:55 ヨーロッパにおける数学と統計の進歩、それが北米の予測手法に与えた影響。
00:18:25 予測の本質的な不正確さに適応し、完全な正確さは決して達成されないという考えを受け入れること。
00:19:29 決定論的予測の問題点と確率論的アプローチを取り入れること。
00:20:36 初期のAI思想家と彼らのAI能力に関する予測。
00:21:55 予測と古典的アプローチに対する行動経済学の影響。
00:23:00 人間の非合理性と行動経済学の登場。
00:26:34 ヒューリスティックス、その進化上の利点とデータ解釈における欠点。
00:28:55 データに基づく意思決定における人間の行動を検証する。
00:29:37 物語でデータを構成することが意思決定に与える影響。
00:31:13 組織的なバイアスが予測に与える影響。
00:33:00 プロモーション予測における過度の楽観主義の問題。
00:36:23 非合理性に合理性を適用することと、人間の独創性の可能性。
00:38:53 運用戦略において複雑なモデルに過度に依存しないことの重要性。
00:39:48 『裸の予測』の危険性と、ビジネスとの具体的な連携の必要性。
00:42:34 官僚的プロセスとサプライチェーンが予測の問題に脆弱である理由。
00:45:31 予測プロセスにおける行動経済学と人間のバイアス。
00:47:53 バイアスを理解することで、予測における人間の判断の価値を最大化する。
00:48:39 バイアスを認識し、それが予測に果たす役割の重要性。
00:50:40 予測における時系列の視点の限界。
00:52:00 バイアスを超える予測における人間的問題。
00:54:53 AI開発の未来と、人間の予測者を支援または置き換える役割。
00:57:01 人間の独創性と適切な質問をすることの重要性。
00:58:47 数値レシピと自動化における人間の役割について議論する。
01:01:58 サプライチェーン管理における将来の自動化。
01:04:11 第2版の書籍に向けた潜在的なトピック。
01:05:22 経営幹部会議で行動経済学を活用すること。
01:08:46 航空業界と小売業における予測の限界。
01:09:30 意思決定に焦点を当て、予測モデリングの不思議な性質について。
01:10:27 未来予測の奇妙さを量子力学と比較する。
01:11:12 Jonathonからサプライチェーン実務者へのアドバイス。
01:11:56 結論とゲストへの感謝。

概要

インタビューの中で、Lokadの創設者であるJoannes Vermorel氏とNorthFind ManagementのCEO Jonathon Karelse氏は、企業における予測の目的を理解し問い直すことの重要性について議論する。彼らは懐疑的なアプローチを提唱し、accuracyが成功の唯一の尺度であってはならないと強調する。予測は診断指標としてエラーを特定し、継続的改善のための対策を取るための手段と見なすべきである。両専門家は、バイアスが予測に影響を与える点に同意し、企業は具体的な効果をもたらす技法に注力すべきだと述べる。また、彼らはAIが供給チェーン最適化において果たす役割についても議論しており、AIが補助できる一方で、人間の独創性は依然として不可欠であると指摘する。

詳細な概要

このインタビューでは、ホストのConor Dohertyが、Lokadの創設者であるJoannes Vermorel氏およびNorthFind ManagementのCEO Jonathon Karelse氏と共に予測について議論する。カレルス氏は、彼の予測アプローチは企業に与える影響を深く理解することに重点を置いていると説明する。多くの組織では予測が「当然」のように実施され、その理由や改善の余地について問い直されることは少ない。その結果、世代を超えて受け継がれた知見に従い、企業にプラスの影響を与える要素を十分に理解することなく、単なる定型的な予測が行われている。彼は、健全な懐疑心を持ち、予測の改善のために継続的に実践を問い直すことの重要性を強調する。

カレルス氏は、自身の著書『未来の歴史』のインスピレーションについて、予測の歴史的背景と特定の予測原則の妥当性を検証したいという思いから生まれたと語る。彼は、科学的原則の確実性に疑問を呈し、それが生まれた歴史的文脈を理解することを提唱したBruno LaTourの研究に言及している。このアプローチが、カレルス氏に予測分野への同様の視点の適用を促す原動力となった。

予測を定義するよう尋ねられた際、カレルス氏は、予測とは本質的に未来がどのようになるかを推測する行為であると述べた。たとえその推測がより科学的かつ体系的なものになったとしても、最終的には予測がuncertaintyに基づいているという事実を見失ってはならない。ヴェルモレル氏は、20世紀初頭に確立されたクラシックな予測の視点は、time seriesに依拠して、時間を通じた測定の拡張を前提としていると付け加える。しかし、彼は21世紀においても未来を捉える新たな手法が出現し続けると考えている。

カレルス氏は、予測精度が成功の唯一の尺度であってはならないと強調する。むしろ、予測精度はエラーや最適でない点の根本原因を特定する診断指標と見なすべきであり、それを基に再校正や最適化を行い、継続的な改善を図るべきである。予測の目的は収益を上げることであり、企業固有のニーズや期待を理解することが、予測を効果的に活用する鍵となる。

ヴェルモレル氏は、予測が常に懐疑的な姿勢で取り組まれてきたわけではないと認める。初期の提唱者であるRoger Babsonのような人物は、科学の絶対的な力により未来を予測・モデル化できると信じていた。しかし、カレルス氏とヴェルモレル氏は、従来の知見に疑問を呈し、企業に利益をもたらす形でforecasting methodsを改善する、より懐疑的なアプローチを提唱している。

議論は、予測の簡単な歴史、特にその発展に影響を与えた文化的および地理的側面から始まる。その後、数学的・科学的原則に基づいて正確な結論を導く決定論的なクラシック予測アプローチに話が移る。このアプローチの限界として、人間が常に合理的な行動をとるわけではなく、無意識のバイアスがdecision-makingに影響を及ぼす点が挙げられる。ヒューリスティックスの概念が導入され、それに依存することの利点と欠点が議論される。さらに、過信という考え―行動経済学の議論への前兆とも言える―も検討される。続いて、確率論的予測の重要性と、それが組織に自身の予測の限界をより良く理解させる方法について話が進む。議論は、artificial intelligenceへの簡単な言及と、予測支援の可能性、そして人間の理解能力には最終的な限界があるという受容の必要性で締めくくられる。

特に、成長やポジティブな結果に対する文化的・ビジネス的バイアスを持つ組織において、予測におけるポジティブバイアスの問題が指摘される。露骨なバイアスがなくても、研究によれば人々は予測に対して否定的な調整を行うよりも4倍もポジティブな調整をする傾向がある。このバイアスは、リスク回避とポジティブな可能性を実現しようとする進化的傾向に起因するとされる。

Joannes Vermorel氏は、小売業のクライアントとの経験を共有し、promotionsにおけるポジティブな上昇バイアスが広く見られ、意味不明な予測につながっている事例を紹介した。彼の解決策は、予測を主要な手法ではなく、他の多くの技法の一つとして位置づけることであった。つまり、ビジネスに具体的な影響を与える、例えば何かを生産する、A地点からB地点へ移動する、もしくは具体的なものに直接結びついたデータを活用するなどの数値技法のみを用いるということだ。ヴェルモレル氏は、予測を数多くの技法の一つとして扱い、何か具体的なものに結びつかない裸の予測を行わない必要があると強く主張した。

Jonathon Karelse氏は、すべてのモデルは誤っているが有用なモデルも存在し、最終的な目標は簡潔さとモデル選択を追求することであると付け加えた。また、7~8ヶ月先の予測精度が既に酷い状態であるにもかかわらず、細かく予測を管理するのは時間の無駄であると警告した。彼は、上向きの可能性が最も高い特定の応用において、無限の独創性を発揮することが前進の道だと示唆した。

彼らは、予測は多くの技法の一つに過ぎず、未来にアプローチする唯一の方法ではないと結論付けた。組織内で行動経済学への理解を深めることが予測の改善につながると同意し、予測に影響を与えるバイアスを認識することで、意味不明な予測を避け、ビジネスに具体的な効果をもたらす技法に注力できると述べた。

議論は、サプライチェーン最適化におけるAIと予測の活用に焦点を当てる。彼らは、人間の判断に影響を与えるバイアスの源とその程度、そしてそれがプロセスにどのような影響を及ぼすかを探求する。ヴェルモレル氏は、スケールで機能し合理的な意思決定を導く数値レシピの構築に注力すべきだと主張する。彼は、そうしたレシピは日々の実行において完全に自動化されるべきであり、人間はより多くの精神的リソースを要する長期的な意思決定に専念すべきだと述べる。カレルス氏は、AIが予測において人々を補助することはできても完全に置き換えることはできず、興味深く重要な問いを投げかける際には依然として人間の独創性が不可欠であると同意する。議論は、組織が人間の洞察の潜在的な上昇効果と、我々の心の働きの不完全さから来る脆弱性とのバランスを取るべきだというカレルス氏の希望で締めくくられる。

サプライチェーン最適化の未来。ヴェルモレル氏は、より優れたツールや技法があればサプライチェーン管理の大規模なチームが不要になる可能性があると信じ、証拠がそれと反するにもかかわらず、人々が明らかに非合理的な行動を続ける様子を自身の経験として語った。カレルス氏はヴェルモレル氏に同意し、経営幹部がなぜ自社のプロセスに欠陥があるのか、そしてどのようにビジネス価値を測定すべきかを理解するために行動経済学を活用していると述べた。ヴェルモレル氏は、サプライチェーン管理において予測モデリングに注力することがますます奇妙になると考え、カレルス氏は実務者に対して、単に知って満足するのではなく常に「なぜ?」と問い続けるよう勧めた。インタビューは、カレルス氏がヴェルモレル氏の著書を推薦し、両ゲストがDoherty氏の時間に感謝の意を示して締めくくられた。

完全な書き起こし

Conor Doherty: 番組へようこそ。ホストのConorです。本日は、Lokadの共同創設者であるJoannes Vermorel氏と、NorthFind ManagementのCEO兼共同創設者であるJonathon Karelse氏をお迎えしています。彼は無意識のバイアスの分野で発表された研究者であり、『未来の歴史』という素晴らしい著書の著者です。Jonathan、本日はご参加いただき誠にありがとうございます。

Jonathon Karelse: お招きいただきありがとうございます。

Conor Doherty: さて、Jonathan、たくさんの賛辞に備えてくださいね。実は私、あなたの本を読ませていただきました。本当に楽しませてもらいました。実際、私もあなたの目標読者に含まれるかもしれません。なぜなら、私は読解力もありますし、経済学、ビジネス、行動経済学といったこれらのトピックにも興味があるからです。しかし、私は正式な訓練を受けておらず、以前も話した通り、私のバックグラウンドは音楽と哲学です。そのため、予測の歴史を通して多くを学ばせていただきました。あなたの語り口は非常に魅力的で、親しみやすく読みやすかったです。本当にありがとうございます。それでは、最初に戻りましょう。過去100年間の予測についての書籍を書くインスピレーションは、一体何だったのでしょうか?

Jonathon Karelse: 私の予測およびその実践へのアプローチは常に、何が企業にインパクトを与えるのかを理解することに焦点を当ててきました。一見するとそれは当然のことのように思われるかもしれません。しかし、多くの組織では、予測は「当然」行われるものとされ、その理由について十分に考察されることはありません。その結果、企業内で受け継がれた知見がそのまま引き継がれ、人々は予測プロセスにおける、企業にプラスの影響を与える要素を真に理解することなく、機械的に予測を実施しているのです。予測を改善するために何ができるのか、そして何よりもその根本的な理由は何なのか、という問いを投げかける必要があります。

「なぜ?」という質問は、自分自身を必ずしも反対意見の持ち主だとは思っていませんが、少しの健全なシニシズムや懐疑心を持つのは常に良いと思っています。私はしばしば「なぜ?」と問い続けてきましたし、経済学を学んでいた頃に特に共鳴した本がブルーノ・ラツールによって書かれたものでした。

この本『行動する科学』は、DNAの二重螺旋構造など、科学のブラックボックスとなっている基盤を、事実として確定する以前の状態、ブラックボックス化される前の状態にまで遡り、それらが生まれた歴史的文脈を理解する手助けをしてくれます。その過程で、著者は多くの科学的確実性が実際には我々が考えているほど確固たるものではないと示しています。とても便利なアプローチです。

Conor Doherty: それで、「予測」という用語を使う際に、具体的には何を意味していますか?

Jonathon Karelse: 素晴らしい質問です。予測の本質は、未来がどのようになるかを当てる行為にあります。この当て推量は、不確実性の原則に基づいてより科学的なものになる可能性もありますが、最終的には単なる推測に過ぎません。この事実を見失わないことが重要なのです。不確実性に根ざしているからこそ。

Conor Doherty: 面白い指摘ですね。そしてジョハネス、Lokadの基本理念の一つは、不確実性を受け入れることですよね?

Joannes Vermorel: はい、しかし予測に関してお答えすると、20世紀初頭にまで遡る古典的な予測の視点があると信じています。これはロジャー・バブソンやアービング・フィッシャーのような人々によって普及されたものです。この視点では、時間の経過に沿って実施される、たとえば鉄鋼の生産量や収穫されるジャガイモの数などの測定値を利用して、それらを時間系列として表現します。そして、明らかな方法はその曲線を延長し、次にどこに向かうのかを確認することです。これが20世紀初頭に登場した古典的予測の本質です。しかし、これは未来を見通す一つの方法に過ぎません。

本当の問題は、単に一連の測定値を延長するだけで未来にアプローチすることに意味があるのかどうかという点です。それは必ずしも間違っているわけではありませんが、未来に対する一面的なアプローチと言えます。この方法は20世紀に非常に普及し、世紀を通して方法が進歩し洗練されました。しかし、21世紀には古典的なアプローチよりもはるかに奇妙な新たな未来の見方が現れる可能性があるのです。

Conor Doherty: ジョハネス、その古典的予測アプローチに関して、ジョナサンに問い返したいのですが、あなたの仕事全体に貫かれているのは、予測の成功を測る基準の再校正だと思います。あなたの主張は、予測精度そのものが目的ではないということのようです。もう少し詳しく説明していただけますか?

Jonathon Karelse: 古典的アプローチと、異なる予測哲学のアイデアについて今後さらに掘り下げていければと思います。しかしその前に、私が疑問に思うのは、人々が「予測は常に間違っている」ことを、あたかもそれが免罪符のように語る点です。彼らはこう言います、「予測を頼むなら、最善を尽くすが、予測は常に間違っている。だから結果について責めないでくれ」と。

Conor Doherty: …しかし彼らは依然として、極めて正確な予測を期待して運用戦略、果ては財務戦略までもを調整しています。先週アムステルダムでいくつかの会議でこの話題に触れたところ、特にソフトウェアベンダーの方々から「何を言っているんですか?予測など重要ではない」と非常に怒られる場面もありました。はっきりさせたいのは、特定の適用分野においては、ROIの観点からも予測が絶対に重要であるということです。

Jonathon Karelse: オーダーメイドの仕立て屋で、1年に3着のスーツを作り、顧客が10年も待ってくれるのであれば、需要の予測に多くの時間を費やす必要はありません。既に最大生産能力に達しているのです。ROIは最小限になるでしょう。しかし他の多くの事例では、ROIが存在するはずです。ただし、私にとって予測精度は評価指標ではありません。予測精度は、誤差の根本原因や非最適性の原因を特定し、再校正と継続的な改善のために用いる診断的な指標に過ぎません。予測の目的は、利益を生むことにあるのです。なぜなら、ビジネスの目的は利益を生むことだからです。もしそうでないビジネスに従事しているのでなければ別ですが。予測は、そのために我々が使える多くのツールの一つです。場合によっては、正しく用いれば最高のツールとなりますし、また場合によっては補助的なツールであり、またある場合にはほとんど効果を発揮しないかもしれません。しかし、ビジネスを理解し、予測から何を期待すべきかを把握することが非常に重要だと考えています。

Joannes Vermorel: 「予測は常に間違っている」という言葉、これが今や「免罪符」として使われているのは本当に興味深い表現です。面白いのは、この視点がかつてはそう一般的ではなかったということです。例えば、ロジャー・バブソンはサー・アイザック・ニュートンの業績の大ファンであり、その当時でさえ、科学の絶対的な力、すなわち数値モデルを用いて三世紀後の火星の位置まで秒単位で予測できるという信念が存在していたのです。

Jonathon Karelse: 彼らは両者とも、最終的には私自身が信じるように、数学が全ての基盤であり、もし十分な能力とデータがあれば数学はすべてを説明できると信じていました。しかし実際には、私たちはまだその段階に達していません。そして、これは20世紀初頭には十分に理解されていなかったことだと思います。乗り越えるべき桁違いの難易度が存在するため、究極の方程式がすぐそばにあるというわけではないのです。

Joannes Vermorel: 21世紀の主要な発見の一つは、知識に関連するあらゆる物事について、我々の理解から完全に逸脱してしまう知の分野が存在するということに気づくことだと信じています。それは、単に重力の法則に匹敵する何か、つまり一つの方程式で膨大な事象を説明できるというものだけではないのです。当時存在していたのは、そのような考え方でした。

Conor Doherty: 聴衆の皆さん、ここで話しているのは、中産階級の出現に伴ってアメリカから現れた北米の統計学者たちのことです。

Conor Doherty: つまり、彼らは株式オプションではなく、株式、つまりストックを所有していて、どの投資が最も高いリターンをもたらすかの予測を持ちたがっていました。そのため、こうした予測がアメリカや北米で本格的に現れることになったのです。文化的、あるいは地理的・文化的な要素が鍵となっています。

Joannes Vermorel: それは非常に重要です。なぜなら、北米では統計的手法に基づいて進められたわけではなかったからです。ご指摘の通り、バブソンはニュートンやニュートニアンな考え全般に夢中でした。彼は、ニュートンの原理に対するかなり表面的な理解をもとに、統計的知見を持たずに予測に応用しようとしたのです。本質的には、何かが一時的に上昇していれば、重力の法則によりやがて下降するに違いないというものでした。

Jonathon Karelse: 北米で初めて経済学の博士号を取得したアービング・フィッシャーは、自らの数学的背景を、それまで社会科学とされていた分野に適用しようと試みました。彼は、ヨーロッパで非常に推進されていた統計学を、北米の経済学の分野に取り入れる試みを始めたのです。しかし実際には、その時期の数学の進歩は主にヨーロッパで起こっていたため、最終的には予測に利用されることになりました。

Joannes Vermorel: 当時は、未来を機械論的にモデル化できると信じる決定論的アプローチが存在していました。この考え方は長い間続き、1960年代のアイザック・アシモフの『ファウンデーション』シリーズのようなサイエンスフィクション作品でさえ、未来を極めて機械論的に予測できるサイコヒストリーという概念を取り入れていました。

Jonathon Karelse: これは非常に興味深いですね、なぜならこれが古典的な視点だからです。しかし、人々は何十年も不正確な予測に基づいて運営してきたため、結局「予測は常に間違っている」ということに気付いたのです。しかし、同時に「決して完全に正確にはならない」という結果も受け入れていないのです。

Joannes Vermorel: 興味深い指摘です。人々は、予測は常に間違っているということを道徳的に受け入れており、そのためそのことで誰かを解雇することはありません。しかし、この「予測は常に間違っている」という現実を改めて深く見直すべきかと問われれば、正直なところそうではないのです。

Jonathon Karelse: とても興味深いのは、あなたが決定論に何度か触れた点です。これは鍵となる部分だと思います。19世紀から20世紀初頭にかけて生まれた多くの科学は、ルネサンス期に我々が勢いを増した運動から生まれたのです。私たちは暗黒時代を抜け出し、科学的原則を適用することで、その闇に光を当てることができると気付き始めたのです。

Conor Doherty: 知識の領域を広げ、自己を高めることを始めた結果、19世紀から20世紀初頭において、十分な努力さえあれば学べないものはないと信じるようになりました。そして、それが予測における二つの非常に重要なテーマに結びついています。一つは、決定論的アプローチがその哲学と合致するということで、すなわち、いかに努力し賢明であっても、常に正確な結果にたどり着くと信じる考え方です。もう一つは確率論的アプローチですが、ちなみに…

Jonathon Karelse: …そしてその他の方法もあります。ジョアンネス・コマガロフは、これら初期の決定論的アプローチが生まれた頃に統計学の全作業をしていました。ですから、確率論的アプローチの可能性を待つために、さらに百年を費やす必要があったわけではありません。数学はすでに存在していたのです。第二の点は、十分な努力と集中があれば究極的には何でも理解できると信じることが、今日非常にホットな話題であるAIにつながっているということです。AIが人間の付加価値の低い活動あるいは日常的な作業を解決できるという考え自体は新しいものではありません。実際、1950年代にダートマス大学で、初期のAIの考案者たちが、今後10年でAIが達成できると考えた10の事項が提示された会議がありました。しかし70年経った今でも、それらのどれも実現されていません。それでも挑戦することは止められず、その挑戦自体が重要だと思います。しかし最終的には、我々のすべてを理解する能力には限界があると受け入れるべきなのです。そして、その現実を理解した上で、ビジネスの実際の成果に対してどのような影響があるのかを把握し、「正しい」予測を望むのではなく、「間違っていること」を前提に戦略を再校正する必要があると思います。

Conor Doherty: 非常に興味深い二点、すなわち行動経済学への先駆けとしての過信に関する議論と、そしてAIの話題を提示されました。チャプター6、いや5か6章あたりで触れているので、順を追って話を進めたいと思います。まずは行動経済学についてです。これはあなたの専門分野だと思いますが、行動経済学がどのように予測に影響を与え、また相互作用しているのか、もう少し詳しく説明していただけますか?

Jonathon Karelse: もちろんです。ジョアンネス、会話の初めに古典的な予測アプローチについて何度か言及しましたが、古典的予測アプローチ自体が、経済学における古典的、正確には新古典派のビジネス全体のやり方の副産物だと言えます。そしてそれは、18世紀や19世紀の視点、つまり努力すれば数学的かつ科学的な原則を用いることで物事は理解できるとする考え方に由来しています。アダム・スミスは1776年に『国富論』という画期的な著作を著し、その中で、人間は合理的な行動主体であり、明瞭な価値に基づく選択肢が与えられれば、自然に最大の効用、必ずしも最大の金銭的報酬ではなく、最も有益な選択肢に向かうと論じています。直感的には正しいように感じられます。しかし、経済学を学んでいる皆さんはご存知のとおり、特に計量経済学において…

Conor Doherty: 実際の応用では新古典派経済学の原則も働いていますが、需要と供給、価格設定、さらには意思決定のシステムが、無意識の動因、環境由来であったり、進化的にハードワイヤされた心理的要素など、様々な無意識の影響を受けているという広い視野が必要です。どれだけ偏見から解放され、客観的であろうとするにしても、データを解釈する際の無意識のバイアスは避けることができないのです。

Conor Doherty: 実際、本では一般の人が1日に約30,000回の意思決定を行っており、その全てを意識しているわけではないと述べられていましたよね。

Jonathon Karelse: いいえ、これこそが我々の持つヒューリスティックなプロセスの利点です。多くの場合、ヒューリスティックは単なるショートカットといった軽蔑的な意味合いで捉えられます。1970年代や1980年代に、一部のより複雑な科学的または統計的手法が予測に応用され始めたとき、ARIMA手法の共著者として多くのリスナーが知っているであろうジョージ・ボックスやウィレム・ジェンキンスのような提唱者たちは、シンプル指数平滑法やホルト・ウィンタースの三重指数平滑法といった簡単な手法を、「単にヒューリスティックであり、ショートカットに過ぎない」と見下していました。

Jonathon Karelse: しかし、最初の4つのMコンペティションが示したのは、実際の多くの状況において、ヒューリスティックであることが必ずしも悪いことではないという点です。そして、進化論的観点から見ると、非常に迅速に意思決定ができることは大きな心理的利点となります。もし森の中で横目に虎がこちらをうろついているのに気づいたとしたら、あらゆる可能性をじっくり考え、虎がどのような行動を取るか、自分にはどの選択肢があるか重く考えているうちに、おそらく虎に食われてしまうでしょう。そうなれば子孫を残せず、結果として自分のDNAは消えてしまいます。つまり、進化の過程で有利になるいくつかのヒューリスティックなプロセスが培われてきたのです。

Jonathon Karelse: その一つが代表性ヒューリスティックです。これは「これは以前にも見たことがあり、前回出会ったときは成功した。だから今回も同じことをする」という考え方です。ですから、ヘビのように見えるものに対して赤ちゃんに恐怖を教える必要はありませんし、バスがこちらに向かってくるのを見たときに、一々どうすべきか考え直す必要もなく、ただ飛び退くのです。そして、私たちが一日に下す約30,000の決定のほとんどは、何らかのヒューリスティックによって導かれています。もしそれら全てを客観的に考えなければ、私たちは動けなくなってしまうでしょう。

Jonathon Karelse: ヒューリスティックの欠点は、これまで見たことがあるものと似ていると感じたものが、実際には本当にそのものを代表しているとは限らないという点です。特にデータ解釈においては、クラスター錯覚バイアスと呼ばれる現象に左右されやすいです。つまり、データの解釈や予測を行うために人に報酬を支払うと、彼らは付加価値を生み出そうとし、実際には存在しないパターンさえも見出してしまうのです。これは自然な現象であり、彼らを非難できるものではありません。しかし、合理的かつ客観的にデータを解釈する能力に影響する多くのバイアスが存在するのです。

Conor Doherty: ジョナサン、その点に関してですが、あなたは別の場所で発表した研究の例を本書に載せています。完全に精製されたランダムなデータをグループに提示し、そのデータが上昇する、下降する、変化しない、またはわからないのかを予測するよう求めたのですが、その内容と発見の意義について説明していただけますか?

Jonathon Karelse: もちろんです。私たちが提示した選択の枠組みは、最終的に我々のバイアス評価を行おうとするすべての人にとってのネタバレになってしまいます。提示したデータの多くは確率的なものでした。いくつかの異なる確率的データセットが与えられ、そこに意図せずトレンドや季節性が混入していないことを確認したかったのです。これらのデータセットは極めてランダムであり、どの統計パッケージを使ってもトレンド、季節性、その他のパターンを見出す可能性はありません。

編集されず、枠組みも付けられていないデータセットを提示し、人々に需要がどうなると思うか尋ねたところ、上昇、下降、変化なしの間でほぼ均等に分かれました。「わからない」という答えを選ぶ人はほとんどいませんでした。なぜなら、それが正当な回答であり、データの意味が分からないことを示すはずだからです。彼らはトレンドや季節性があるかどうかを調べるために統計ツールを使用するという利点すら持っていないのです。ちなみに、未来は予測できないのです。これが正しい回答であるはずですが、実際にはほとんどの人がそう答えなかったのです。

その後、同じデータセットを他の質問と共に、しかし今回は短いストーリーを添えて後に提示しました。データ自体は同じですが、ストーリーには一見有用に見える情報が含まれているものの、実際にはデータに全く影響を与えません。結果として、約70%の人々が自分の下す決定に対してより確信を持つようになりました。「わからない」と答えていた人はその枠から外れ、「変化なし」と答えていた人のほとんどは「上昇」か「下降」のいずれかに動いたのです。

フレーミングの仕方次第です。もしポジティブな枠組みで提示すれば、多くの人がその方向に引き寄せられます。これは実用的な予測の観点から非常に重要な洞察です。なぜなら、データ自体は変わっていないのに、最初の例では人間が出す結果としてはおそらく最適なものに近かったのに対し、コンピューターなら即座に計算できるからです。しかし、一度ストーリーが加わると、論理性や合理性が一気に失われ、極めてバイアスのかかったデータ解釈となってしまうのです。

問題は、実際にはそれほど大きな違いはないということです。私たちは人々に需要計画を作成させますが、それは各組織が持つ独自の文化的バイアスや、成長やポジティブな結果を求めるビジネス上のバイアスの中で行われています。ですから、コンピューターを使った予測に対する人間の介入の効果を測定すると、ほとんどの場合ポジティブなバイアスが働いているのは驚くべきことではありません。場合によっては、組織内でポジティブなバイアスを持つようにという露骨な圧力、予測をし、計画を立て、特定の目標を達成するよう強いられることすらあります。基本的に、人々は変化するよう指示されているのです。

Conor Doherty: 予測ですが、顕在的なバイアスを除いても、Len Tashman氏や、あ、彼らの名前はすっかり忘れてしまいそうなSpheros Mocker Docus、それにPaul Goodwinらの長期的な研究では、統計的に導かれた予測から始めると、予測に対してマイナスの調整を行うよりも約4倍もポジティブな調整をしてしまう傾向があると示されています。残差は、本来、予測値の両側で正規分布するはずです。もし時間をかけた人間の調整が必要であれば、バランスが取れるはずです。しかし、この無意識のバイアスのために、リスク回避の傾向が強く、リターンを追求するよりも上向きの可能性を実現する方を好んでしまい、結果として予測においてポジティブなバイアスが出回るのです。予測を行う際に、そのような状況が実際に起こっていると感じますか?

Joannes Vermorel: はい。10年前、Lokadがまだ古典的な予測を行っていた頃、つまりソフトウェアベンダーとして古典的予測を提供し始めた時代がありました。今ではツールキットに予測モデリングの要素も取り入れていますが、我々の運営方法についてはまた別途議論できるでしょう。これを語ると、21世紀の未来の歴史について触れない限り、あなたの未来計画に関連すると見なされる文脈を大きく逸脱してしまうほど奇妙な話になってしまいます。しかし、その経験に戻ると非常に興味深いのは、特にクライアントとの間で非常に似たような経験をしたことです。小売業のクライアントとは一連の案件で関わっており、プロモーションの予測においてよく受け取ったのは、プロモーションの効果(アップリフト)が限られているということでした。例えば、ハイパーマーケット並みの桁違いの増加、つまり売上が30~50%上がる、といった増加は確かに大きいですが、人々が期待していた「この製品は10倍になる」という予測には程遠かったのです。

そして興味深いのは、そのプロモーションに関して、非常に単純なアップリフトのモデルを用いてチームを組み、ワールドシリーズ形式のベンチマークを実施したことです。一方で、「ああ、このチョコレートブランドは私がよく知っている」といった微調整を試みる人々もいました。そして、驚くべきことに、非常にシンプルなモデル、たとえば指数移動平均並みの複雑さのものが、単に一定の係数に50を加えただけのアップリフト予測で、精度面でトップに立ったのです。これが、微調整を試みた人々よりもはるかに優れていました。実際、バイアスは非常にポジティブな方向に働き、「このブランドは過去10年で初めてプロモーションされるから、10倍になる!」と主張される一方で、私たちは「いや、おそらく+50程度になるだろう。そして、結果的に失望するに違いない」と考えていました。

しかし、その後、さらに奇妙な事態が生じました。たとえば、全く意味不明な予測が出され、10倍になると予測されたものの実際には10倍にはならなかったのです。しかし、10倍の購入自体が賢明な判断である場合がありました。なぜなら、サプライヤーが小売業者に対して大幅な割引を提供するからです。基本的に、これは在庫の価値に対する一種の投機なのです。そして、もしサプライヤーが25%

Conor Doherty: 長期的には売れる可能性もあり、賢明な判断と判明する場合もあるでしょう。しかし、ここで非常に奇妙なのは、かつて自分が行っていたような全く意味不明な予測から始め、通常はプロモーション時にサプライヤーから大幅な割引価格で在庫を購入し、その結果、商品の定価に大幅な値引きを施すという戦略が、最終的には優れた成果をもたらすという点です。

Joannes Vermorel: しかしご覧の通り、本質を分解すると、合理性の要素が含まれているのです。結果として、間違った理由で正しい結果に至るということです。

Jonathon Karelse: まさにその通りで、とても興味深いのは、人々が非合理的であっても、その非合理性をモデル化するために合理性を上乗せして適用することが可能だということです。確かに非合理的ですが、それでもなお、人間の創意工夫には限界がないと私は信じています。これが私の信念であり、科学の一要素ではありません。私の根本的な信念は、人間の創意工夫に限界はないということですが、当然ながら対処すべき事柄には絶大な創意工夫が必要であり、おそらく何世紀にも及ぶ時間を要するでしょう。ですから、数世紀前に始まったこの壮大な科学の旅路においては、私たちは非常に謙虚でなければならないのです。これは始まりに過ぎず、まだ存在するとは疑いも持たれていなかった全く新しい知識体系があるかもしれません。

Joannes Vermorel: そうですね、ジョナサン、私も全く同感です。これは私の根本的な信念でもあります。

Jonathon Karelse: パスカルが「存在するなら定量化できる」と言ったと信じています。もちろん、その能力には限界がありますが、十分な能力さえあれば、すべては定量化され理解されると私は信じています。しかし、現実にはその能力からはほど遠いため、実際にビジネスベースの取り組みをその哲学で始めるのは無謀です。しかし、これは「予測は常に間違っている」という考えや、ジョアネスが語った予測のミクロマネジメントの観点から重要な帰結です。ジョージ・ボックスが「すべてのモデルは間違っているが、役に立つモデルもある」と述べたことから、予測が常に間違っているという考えが生まれました。彼がさらに指摘した、ほとんどの人が見落とす二点があります。第一に、「すべてのモデルは間違っているが、役に立つモデルもあるならば、モデル選択には簡潔さを目指せ」というものです。つまり、何をやっても間違うのだから、特に大規模で複雑なモデルを構築しても、ある程度の誤差は避けられません。したがって、正確性を保証するための巨大で複雑なモデルが必要だという前提に立つべきではありません。しかし第二に、私にとって実際により重要なのは「虎がいる中では鼠のことで悩むな」という考えです。予測が常に間違っていると主張する組織と協働する際、その予測精度が実際には惨憺たるものであるにも関わらず、7〜8ヶ月先のSKU単位で1〜2パーセントの精度について何時間も議論するのは馬鹿げています。例えば、その期間でのSKUレベルの予測精度が30パーセントであったとしましょう。

Conor Doherty: 1~2パーセントの調整は本質的な意味を持たず、あなたは間違うでしょうし、その調整に費やした時間は完全な無駄となります。私たちが注目すべきは、上向きの可能性が最も高い特定の適用例において、人間が持つ究極的な無限の創意工夫の能力を発揮することだけなのです。すなわち、A)歴史に反映されていない未来について確実に理解できる場合、B)あなたが手を加える対象の価値が十分に高く、その介入に値する場合、そして最終的にC)その介入の規模が十分に大きい場合にのみ介入すべきです。そうでなければ、結局のところ誤差範囲内に収まり、安全在庫など、別の仕組みによって管理されることになるからです。

Joannes Vermorel: これは非常に興味深いですね。なぜなら、Lokadが辿ってきた道程を如実に反映しているからです。現在、そのアプローチは、未来の影響を考慮するために、その結果だけに注目するという形で進められています。だからこそ、現代のLokadの教義の一部として、「裸の予測は許されない」とする考え方がほぼドグマのように存在しているのです。つまり、裸の予測は禁止され、それが厳格に維持されています。CEOである私が、それを実際にEnforceしています。つまり、裸の予測を行うと、定義上、現実世界の影響から隔離されてしまうのです。予測そのものは未来の測定の抽象概念に過ぎず、それ自体があなたのビジネスの善し悪しを示すものではありません。数値を調整することは可能ですが、結局のところ現実とはほとんどつながっていない、とても抽象的なものなのです。

そして再び、人々がこのような試みに応じるのは、従来の予測がほとんど希薄になってしまったためです。履歴書に「予測ができる」と記載している人もいます。予測というものは存在し、demand plannerという職種もあります。彼らは役職やプロセスを持っています。つまり、将来にアプローチする一つの方法であった非常に抽象的な概念が、職位やソフトウェアコンポーネントを通じて具現化され、ライセンスにお金を払えば現実のものとなるのです。何かにお金を払えば、確かにそれは存在します。

そして、アプローチとして、私が裸の予測という考えに戻るならば、Lokadが主張していた答えは、予測を多数ある手法の一つとして扱う必要があるということでした。数値的手法は、意思決定を行うための単なるツールに過ぎません。ビジネスに実際の影響を与える要素は無数に存在します。もし、製品の生産、場所Aから場所Bへの移動、または材料を処分して何らかの成果を得るといった非常に具体的なものに直結していなければ、予測モデルを利用することは許されないのです。これは、時系列やどんなデータがあっても、常にモデルを工夫して構築できるという非常に魅力的な点でもあります。

Conor Doherty: Joannes、サプライチェーン最適化における予測値の利用に関する課題について何か見識をいただけますか?

Joannes Vermorel: プロジェクションの素晴らしさは、それがたとえ関連性があるかどうか、また賢明であるかどうかに関わらず実現可能である点にあります。しかし問題は、ハンマーを手にしていればすべてが釘に見えてしまうという点です。予測手法の認証を得ていれば、どんなデータセットにも自分のモデルを適用し始めることができます。Lokadのポリシーは「裸の予測は認めない」というもので、理由はそれらがあまりにも危険だからです。予測を何か非常に現実的なものと結び付けなければ、激しいバイアスや官僚的な問題に直面することになります。ある指標を設定すると、組織内のあらゆるものがそのでっち上げられた指標に対して最適化を図ろうとします。サプライチェーンが本質的に官僚的であることを考えれば、供給と需要を一致させる作業自体が非常に官僚的な作業であり、多くの人々、プロセス、ソフトウェアの同期が必要となります。もし火に油を注げば、その規模は急速に拡大してしまうのです。サプライチェーンは多くの人々、ソフトウェア、プロセスから成る人間の構築物であり、特に予測において問題の温床となりやすいのです。

Conor Doherty: Jonathan、組織内で行動経済学への理解が深まると、具体的には予測プロセスはどのように改善されるのでしょうか?

Jonathon Karelse: 私は、このプロセスが改善される方法は大きく二つあると思います。第一に、多くの組織は人間が予測プロセスに影響を与えていないと考え、人間の判断をできるだけ排除しようとします。その結果、ジョアンネスが適切に述べたような、非常に官僚的なプロセスで起こるバイアスや策略に対して、より免疫性を持てると信じられているのです。しかし、私が主張したいのは、たとえプロセスから人間を排除したと思っても、至る所に人間の痕跡は残っているということです。データの選択、ソフトウェアの選定、そして何よりも予測プロセスの結果として行う行動において、人間の影響が及んでいるのです。 The forecast itself is just an idea, a potential set of instructions or a map. We still have to decide what to do with it afterward, and that requires humans in the supply chain taking action. Understanding the extent to which, and the ways in which, we are biased helps us understand the potential pitfalls in our process. Working backward from the potential outcomes to the process, rather than assuming the process will bring us to a specific outcome, allows for a better understanding of the sources and degrees of bias in the people involved. 予測そのものは単なるアイデア、すなわち潜在的な指示の集合または地図に過ぎません。その後、どう扱うかを決定する必要があり、これにはサプライチェーンに関与する人間の行動が求められます。私たちがどの程度、どのようにバイアスを持つかを理解することで、プロセス上の潜在的な落とし穴を把握する助けとなります。プロセスが特定の結果をもたらすと仮定するのではなく、潜在的な成果からプロセスを逆算することで、関与する人々のバイアスの原因と程度をより正確に理解することが可能になるのです。

Conor Doherty: サプライチェーンおよび計画は、こうした成果がどのようになるかをさらに深く理解する助けとなります。多くの場合、組織にはある程度自動化されコンピュータ主導の要素を持つ予測または需要計画プロセスが存在し、さらに設計上、人間の判断が統合されています。特定のガイドラインに従えば、時間をかけて判断の統合には価値があると信じています。しかし、再び言いますが、判断を下す人々がどれほどバイアスを持っているかを理解すれば、その人間の判断が価値を付加する可能性を最大限に引き出せるのです。自分たちにバイアスがあると認めたくない、あるいは気付いていない組織ほど、そのバイアスを判断の積極的な統合やその他のあらゆる場所での人間の痕跡を通じて、需要計画プロセスに伝えやすくなります。組織内のバイアスに着目し始めると、その影響を緩和するためのガードレールを設けることが可能です。それは常に存在するものであり、人間の判断は常に不完全ですが、特定の状況における人間の洞察の潜在的なメリットと、それに伴う不完全な思考プロセスの脆弱性とのバランスが重要なのです。

Joannes Vermorel: 私は、もし自分たちがバイアスを持っている可能性すら認めないのであれば、それはバイアスを最大化する、非常に実証済みのレシピだという考えに、私自身の経験からも大いに同意します。組織においても同様です。未来にアプローチするというこの概念を分解してみると、人々がバイアスについて考える際、依然として時系列の視点を持っています。そして、自分の予測活動で何が間違っているのかを、その実施メカニズムを念頭に置かずに考えることは非常に困難なのです。バイアスとは、数値が実際より高すぎたり低すぎたりするという現象であり、これは時系列に依存した単一の視点に過ぎません。

私がこれまでに見てきた問題、そしてそれがLokadの技術的進化でもあったのですが、未来に関する情報を伝えようとする際、時系列では表現できない全く別のカテゴリーのものが存在します。これは数値で表現できないという意味ではなく、単に時系列では表現不可能なのです。時系列とは、非常に単純な方法であり、文字通り未来に延びる測定値の連なりにすぎません。例えば、ある製品の売上を観察していると、売上量を予測できるものの、その売上量は私が設定する価格に依存しています。そして価格は既定のものではなく、私自身の意思決定なのです。したがって、たとえ非常に正確な予測ができたとしても、それは依然として不完全なものとなります。

Conor Doherty: 何か奇妙なことに、数学的に「もし価格をこのように設定すれば、その結果はこうなる」と示す関数が必要になるでしょう。ここで、私たちが単にバイアスなどという決定論的な視点だけで物事を見ているとしても、実は時系列の視点では、とてつもなく大きな要素を考慮するには非常に弱い部分があるという事実に触れているのです。問題は、単に数値が高すぎるか低すぎるかだけではなく、ほぼ別の次元が存在し、それが全く考慮されていないという点にあります。つまり、他の行動によって結果を文字通り形作ることができるという考えを示しているのです。これは惑星の動きを単に観察するだけではなく、私自身が行動して結果の未来を変えることが可能であるという点をも指摘しています。しかし、純粋な受動的観察者として留まる場合でさえ、時系列だけでは不十分な状況が存在するのです。

Joannes Vermorel: 例えば、aviationのメンテナンスの場合、航空機の運行ラインを維持したいと考えます。部品の需要は予測できますが、航空機を修理する際には、交換すべき部品のリストが存在するのです。簡略化すれば、航空機が整備のために格納庫に入り、診断が行われ、交換が必要な部品の一覧が作成され、すべての部品が交換されるまでは航空機は飛行できません。つまり、全ての部品を個別に予測できたとしても、それはすべての部品が同時に利用可能であるということを示すものではありません。理論上、もしすべての部品についての予測が完全に正確であれば、全体の利用可能性も完全であるはずです。しかし、各部品にごく僅かな不確実性があるだけで、航空機が約300,000個という多くの個別部品から構成されることを考えると、各部品それぞれの不確実性が積み重なり、航空機修理に必要な全部品の同時利用可能性に関しては、途方もない不確実性が生じるのです。

Joannes Vermorel: そしてこれは、従来の時系列の視点では数学的に十分な表現ができない一例です。すなわち、予測が高すぎるか低すぎるかというバイアスの問題に加えて、適切な方向性や関連性を導き出すための構造そのものが欠如している、別のカテゴリーの非常に人間的な問題が存在するのです。これこそが、21世紀的な見方であり、はるかに謎めいていると言えるでしょう。

Jonathon Karelse: 全く同感です。

Conor Doherty: さて、それは私たちが未来、すなわち今後百年、未来の未来、未来そのものについて議論する流れへと自然に導かれると思います。では、Jonathon、まずはあなたに伺います。AIの開発と技術面において、予測を行う人々を支援する方向に進むとお考えですか、それとも最終的に人間を代替するものになるとお考えですか?

Jonathon Karelse: ダニエル・カーネマンがAIによる人間の置き換えについて問われると、一方ではそれに希望を持っているのですが…

Conor Doherty: 私たちは客観的判断を下すのが非常に苦手ですが、反面、決して起こらないと確信しているのです。そして、これこそが理論的・哲学的な側面と実践的な側面を分ける重要性を示しています。理論的には、いつかデータ処理能力や、人間の思考の仕組み、そして知性そのものをより繊細かつ詳細に理解できるようになった時、1950年代のダートマス会議の参加者たちが数十年で人間の脳を再現できると考えたような複雑なシステムが実現するはずです。これはあくまで理論上の話です。

実際のところ、私の生涯やあなたの生涯の中で、それが実現するとは信じていません。過去70年間のAIの軌跡を見るだけで、ある程度の確信を持って言えます。確かに、今日、私たちは多くのことを学んでいます。計算処理能力は指数関数的に拡大し、利用可能なデータの量も増大していますが、それでも実際に人間を置き換えるほどのブレークスルーは生じていません。AIは私たちを支援できるでしょうか?もちろんです。今日、初期段階のAI応用がさまざまな分野で恩恵をもたらしている例は多々ありますが、人間を完全に置き換えることと支援することの間には、依然として大きな隔たりが存在するのです。

ジョアンネスが初めに述べたことに戻ると、私が非常に同意するのは、人間の創意工夫の能力は、コンピューターやAIに置き換えられる危険性が全くないという点です。人類の価値は、複雑な問題に答えられることではなく、まず興味深く重要な問いを投げかけることにあると思います。こうした問いを提示することで、今日のあらゆる技術を総動員して答えを導き出すことが可能になるのです。まさに、その青空のような大局的な問いを立てることこそが、人間がプロセスにおいて依然として重要な役割を果たす所以なのです。

何か追加したいことはありますか、ジョアンネス?あなたにお任せします。

Joannes Vermorel: 私の見解では、伝統的な意味での人間活動としての予測、すなわち何百人もの事務員を抱えたり、企業がS&OPプロセスを数百人が管理し、spreadsheetsを処理して数字を生成するというものは、私の生涯のうちに消えていくと非常に期待しています。私たちがLokadで実践している手法は、サービスを提供するクライアントに対して、ほぼその状況を排除しているため、大いに希望が持てるものです。

しかし、私たちが行ってきた方法、すなわちプロダクトの構築は、人を排除することや、何らかの人工知能を導入することではありません。私たちは、意思決定に焦点を当て、優秀なエンジニアが数値的レシピを設計することにより実現しました。これが私の用いる典型的な言い回しであり、一部はヒューリスティクスであったり、または単なるフィルターなど、より日常的な手法であるかもしれません。むしろ、それはヒューリスティクスすらなく、さらに基本的なものなのです。

Conor Doherty: つまり、これらの企業向けにスケールで機能する、日常の単純な業務を完全に自動化する数値的レシピをエンジニアリングするということですが、それは人間を完全に排除したということになるのでしょうか?

Joannes Vermorel: そうでもありません。まず、数値的レシピは間違いなく人間が生み出した産物だからです。それらを作り上げるには非常に優秀なエンジニアが必要であり、その保守管理もまた完全に人間が担っています。数値的レシピとは、規模に応じて合理的な判断を生み出すために、どのような数値プロセスが機能するかというノウハウに過ぎないのです。これに知性があると言えますか?全くありません。数値的レシピは極めて機械的なものであり、たとえ機械学習の要素が含まれていたとしても、それは単なる統計的手法に過ぎず、本質的には非常に機械的なものです。

Conor Doherty: では、どこが非常に興味深いのですか?

Joannes Vermorel: この視点から出発すると、最終的には、大企業で何百人もの人々が従事している業務を自動化するプロセスとなるのです。しかし最終的に、その数値的レシピを管理するチームは依然として存在します。重要なのは、人間が思考するための精神的余裕を持つことであり、もし彼らがサプライチェーンの超複雑な細部に完全に埋没してしまえば、それは非常に困難になってしまいます。

サプライチェーンにおける超複雑な例として、5000万ものSKUが存在し、それぞれについてマイクロ管理が必要となる状況があります。具体的には、在庫を1個、2個、3個、5個などどれにするか決定しなければならず、これら5000万の在庫レベルを日々マイクロ管理する必要があります。こうした意思決定を支えるために必要な、非常に細かい予測が日々自動化されることを望んでいます。しかし、会社自体が進化し、市場が変わり、適切な質問が変化していくという、1年から次の年にかけた長期的な視点においては、生涯のうちに機械によってその答えが得られるとは思えません。

Conor Doherty: では、実際に企業にとってそれはどういう意味を持つのでしょうか?

Joannes Vermorel: 私は、この自動化が特にS&OPの枠組みの下で、付加価値のほとんどない作業を行っている層をエコシステムから置き換えると信じています。ある人々はそれが本当のS&OPではない、あるいは良いS&OPではないと主張するかもしれませんが、それは私の議論の対象ではありません。私の言いたいのは、サプライチェーン業界において、膨大な数の人々が単に数字を上下させるだけの大企業が多く存在しており、そのような体制が将来的には消えていくのではないかと考えているということです。これは、人間の必要性を完全に排除するような幻想的なツールが出現したからではなく、より良いツールがサプライチェーン管理の効率性を向上させるからです。

Jonathon Karelse: 私はジョアネスに同意します。より優れたツールや技術の開発が進むにつれて、サプライチェーン管理における人間の役割は変化していくでしょう。自動化が多くの日常的で反復的な作業を担う一方で、戦略、革新、そして変化する市場環境に適応するためには、人間の専門知識が依然として重要です。

Conor Doherty: さらに、より良い手法により、少数の賢い人々が非常に大規模に機能するシステムを構築できるようになります。さて、ここでジョナサン、あなたはこれに対して何か返答はありますか?最後の言葉をあなたに託したいのです。

Jonathon Karelse: つまり、私が最後の言葉を持つこともできますが、彼の言っていることには概ね同意しています。そして、「S&OP」に関する議論に巻き込まれるつもりはありません。

Conor Doherty: では、少し議論を進めましょう。今後についてですが、もし『History’s Future Histories of the Future Part two of the 21st century』の第2版を書くとしたら、特にどのようなアイデアに焦点を当てますか?

Jonathon Karelse: いいえ、私の第2の書籍はこの本の続編にはなりません。私の第2の書籍は引退後にならざるを得ません。なぜなら、それはこれまでのキャリアでサプライチェーンにおいて人々が行った常軌を逸した行為の全ての物語になるからです。どれほど狂っているかの山ほどの証拠があっても、それを実行し続ける人々の話です。しかし、もちろん現クライアントの皆さん、ご安心ください。皆さんは載りません。ただし、私がこの本を出版してからまだ数か月しか経っていないので、ジョアネスが言ったような、これまで発見されていなかった新たな知識体系や科学のタイプについて、今すぐ考え始める必要はないと思います。

Conor Doherty: では、その点に関連して、先ほど質問する機会がなかったのですが、ジョアネス、NorthFindでのご経験に基づき、Cレベルの経営陣の前で私たちが話しているアイデアを提案し、先ほど触れた無意識のバイアスによる抵抗に直面したとき、どのように行動経済学を活用してその抵抗を乗り越え、先ほど示唆された常軌を逸した例を避けるようにしているのですか?

Jonathon Karelse: 質問の前提の一部を否定させていただきます。これらの議論において、望ましい結論に達するためだけに行動経済学を用いているとは思いません。例えばソフトウェアベンダーと比べれば、私のほうがこの点をうまく乗り切る立場にあるかもしれません。なぜなら、私にとってビジネスの成功は piece of software の販売ではないからです。誤解のないように言いますが、ソフトウェアが重要でないというわけではなく、決して重要であり、それ自体が重要な要素です。しかし、私たちはプロセスや問題の評価、そして最終的なソリューションの設計に取り組んでいるため、C-suiteの方々を特定の方向に押し進める立場にはあまりありません。むしろ、彼らのビジネス文化や利用可能な資源(データ、ツール、もしくは人材)を踏まえた上で、プロセス変革の旅の最初の一歩として、最も可能性が高く最適なステップがどこにあるかを理解することに重点を置いています。そして、もし彼らが予測に対する執着を捨てるという考えに強く反対し、毎月300人の営業担当者が予測の調整に時間を費やすことを望むのであれば、それは私が絶対に譲れない問題ではありません。つまり、それで構わないのです。もしこれが現実として続くなら、それをプロセスの一部とし、重要なのはその活動のビジネス価値を測定することです。そして、結果的に彼ら自身がその結論に至ることが多いのです。これらの常軌を逸した活動が存在する理由は、

Conor Doherty: これらの組織におけるレガシーとは、彼らが存続するための何らかの測定基準のことです。その基準は、活動がいかに非常識であるかを明らかにしません。測定自体が常軌を逸しているのは、非常識なプロセスを裏付けるためには非常識な指標が必要だからです。ある組織に行って、最上位のドル単位の正確性が3か月平均で測定されているのを見ると、それが予測プロセスの酷さを知りたくないという結果であると分かります。本来、その指標は診断目的(スコアカードではなく)で使用されるべきで、複数月にわたって集計されたり、階層内で非常に高い位置にまとめられることはありません。話が少し逸れてしまいましたが、要点は、彼らが本当に非常識なプロセスに固執しているなら、私が無理に結論を押し付けようとしているわけではないということです。私たちは、その非常識なプロセスのビジネス価値を測定することで、それを続けるかどうかを判断する手助けをし、しばしば彼ら自身が結論に達するのです。

Joannes Vermorel: 当然ながら、ソフトウェアモデルの立場からすると、私のアプローチは通常かなり異なります。私の場合、求める結果を全く提供できない予測の例をできるだけシンプルに示す方法をとっています。場合によっては、非常に単純な状況もあります。航空業界では、部品レベルで物事を行っても、航空機を修理するかどうかについての情報は全く得られません。小売業において、店舗に互いに優れた代替品がたくさんあると言った場合には、異なる種類の問題が生じます。全く良い指標とはなりません。このような組織で非常に成功していると言えるかどうかは分かりません。もしかすると、彼ら自身の歩むべき道を選ばせるというあなた自身のアプローチのほうが、より効率的かもしれません。それは難しい旅ですが、Lokadの体験を面白くしている点の一つは、意思決定に焦点を当てることで、私たちが予測モデリングにおいて行っていることが非常に奇妙であるという点です。最も有用な予測がますます奇妙になっていく旅が存在すると私は感じています。21世紀の未来の歴史は、量子力学で現れる奇妙さのような、非常に奇妙なものになると私は疑っています。それは全く直感に反する一連のアイデアであり、奇怪な数学を伴います。そしてそれを応用すれば、予想以上にさらに常軌を逸したものに行き着くのです。

Jonathon Karelse: では、皆さん、ここで締めくくりたいと思います。しかし出発前に、ジョナサン、サプライチェーン管理に携わるすべての方々、またはサプライチェーンの実務者に一つだけアドバイスをするとしたら、それは何でしょうか?

Jonathon Karelse: 書店で購入できる本を買いなさい。これは多分、私の会計士がくれるアドバイスでしょう。もし一つだけアドバイスをするとすれば、「なぜ?」と問い続けることです。ただ知っているだけでは満足せず、なぜそうなのかを理解しようと努めなさい。実際、とても素晴らしい引用があります。あなたが書いたかどうかはわかりませんが、「データを持つ悪い予測者は、酔っ払いが街灯に寄りかかるようなものだ。彼はそれを照らすためではなく、支えとして使う」と言われています。だから、常に光を求めなさい。

Conor Doherty: ありがとうございました。では、ジョナサン、貴重なお時間をありがとうございました。ジョアネス、あなたもありがとうございました。そしてご覧いただいた皆さん、ありがとうございました。また次回お会いしましょう。