自動車アフターマーケットの価格最適化 - レクチャー6.2

5月 10, 2023

supply chain lectures

00:00 イントロダクション
02:49 需要、価格、利益
09:35 競争価格
15:23 欲求と必要
20:09 これまでのストーリー
23:36 今日の方向性
25:17 必要な単位
31:03 車と部品（まとめ）
33:41 競合情報
36:03 アライメントの解決（1/4）
39:26 アライメントの解決（2/4）
43:07 アライメントの解決（3/4）
46:38 アライメントの解決（4/4）
56:21 製品の範囲
59:43 制約のない部品
01:02:44 マージンの制御
01:06:54 表示順位
01:08:29 重みの微調整
01:12:45 互換性の微調整（1/2）
01:19:14 互換性の微調整（2/2）
01:30:41 カウンターインテリジェンス（1/2）
01:35:25 カウンターインテリジェンス（2/2）
01:40:49 在庫過剰と在庫切れ
01:45:45 配送条件
01:47:58 結論
01:50:33 6.2 自動車アフターマーケットの価格最適化 - 質問はありますか？

説明

供給と需要のバランスは価格に大きく依存しています。したがって、価格最適化は、少なくともかなりの範囲でサプライチェーンの領域に属しています。架空の自動車アフターマーケット企業の価格を最適化するための一連の技術を紹介します。この例を通じて、適切な文脈を見落とす抽象的な論理の危険性を見ることができます。最適化の詳細よりも最適化すべきものを知ることの方が重要です。

フルトランスクリプト

このサプライチェーンのレクチャーシリーズへようこそ。私はジョアネス・ヴェルモレルです。今日は、自動車アフターマーケットの価格最適化を紹介します。価格はサプライチェーンの基本的な側面です。実際、需要に大きな影響を与えるため、ある特定の供給量や在庫量の適切さを考える際には、価格の問題も考慮する必要があります。しかし、ほとんどのサプライチェーンの書籍、そしてそれに伴ってほとんどのサプライチェーンソフトウェアは、価格を無視しています。価格が議論されたりモデル化されたりする場合でも、通常は短絡的な方法で行われ、状況を誤解することが多いです。

価格は、まず最初に企業から市場全体へのメッセージです - 顧客だけでなく、サプライヤーや競合他社にもです。価格分析の詳細は、対象企業に大きく依存します。一般的な用語で価格を取り組むことは、マイクロ経済学者が行うように、知的に魅力的であるかもしれませんが、誤解を招くこともあります。これらのアプローチは、プロフェッショナルな価格戦略の作成をサポートするために十分に正確ではない場合があります。

この講義では、自動車アフターマーケット企業の価格最適化に焦点を当てます。このシリーズの講義の第3章で紹介された架空の企業、シュトゥットガルトを再訪します。私たちは、車の部品を販売するオンライン小売セグメントに焦点を当てます。この講義の目的は、陳腐な言葉を超えた価格の本質を理解し、現実的なマインドセットで価格に取り組む方法を学ぶことです。自動車アフターマーケットの予備の車の部品という狭い垂直を考慮しているとしても、優れた価格戦略を追求する際に採用される思考の流れ、マインドセット、態度は、完全に異なる垂直を考慮する場合でも基本的に同じであるはずです。

価格が上昇するにつれて需要は減少します。これは普遍的な経済パターンです。このパターンに反する製品の存在は、最善の場合でも不明瞭です。これらの製品はヴェブレン財と呼ばれます。しかし、Lokadでの15年間の経験では、高級ブランドと取引している場合でも、そのような製品の実在の証拠にアクセスしたことはありません。この普遍的なパターンは、画面左側の曲線で示される需要曲線として表されます。市場が価格、例えば予備の車の部品の価格に落ち着くと、この市場は一定の需要量と、この需要を満たすアクターにとっては、一定の利益量を生み出します。

自動車の予備部品に関しては、これらの部品は明らかにヴェブレン財ではありません。価格が上昇するにつれて需要は減少します。しかし、人々は車の部品を買う際にあまり選択肢がないため、少なくとも自分の車を運転し続けたい場合はそうですが、需要は比較的弾力性が低いと予想されます。ブレーキパッドの価格が高くても安くても、新しいブレーキパッドを購入するかどうかの決定にはほとんど影響しません。実際、ほとんどの人々は、通常の価格の2倍の価格を支払ってでも新しいブレーキパッドを購入したいと考えるでしょう。車を全く使わないよりも。

シュトゥットガルトにとって、すべての部品に最適な価格を特定することは、さまざまな理由で重要です。最も明白な理由を2つ探ってみましょう。まず、シュトゥットガルトは利益を最大化したいと考えていますが、需要は価格とともに変動するだけでなく、コストも需要量とともに変動します。シュトゥットガルトは将来生み出す需要を満たす能力を持たなければならず、これはさらに非常に困難です。なぜなら、リードタイムの制約により、在庫は数日前、数週間前に確保する必要があるからです。

この限られた説明、一部の教科書、さらには一部のエンタープライズソフトウェアに基づいて、右側に示される曲線で進められます。この曲線は、任意の価格タグに対して予想される利益量を概念的に示しています。価格が上昇するにつれて需要が減少し、単位当たりのコストが需要量の増加とともに減少することを考慮すると、この曲線は利益を最大化する最適な利益点を示すはずです。この最適なポイントが特定されると、在庫供給の調整は、単純な調整の問題として提示されます。実際、最適なポイントは価格タグだけでなく、需要量も提供します。

しかし、この視点は根本的に誤解されています。問題は、弾力性を数量化する難しさとは何の関係もありません。私の主張は、左側の曲線が間違っているのではなく、基本的に正しいということです。私の主張は、左側の曲線から右側の曲線への飛躍が間違っているということです。実際、この飛躍は驚くほど間違っており、ある種のリトマス試験のような役割を果たします。このような方法で価格を提示するソフトウェアベンダーや価格設定の教科書は、経済学の無知の危険な程度を示しています。特に、この視点に関連する中心的な課題として弾力性の評価を提示する場合です。これはまったくの誤解に基づく実世界のサプライチェーンを信頼することを招きます。サプライチェーンが必要とするものは、規模の誤解されたマイクロ経済学の解釈ではありません。

この講義シリーズでは、これは現代のサプライチェーンにとって重大な脅威となる、単純な合理主義または科学主義の別の例です。抽象的な経済的な推論は、驚くほど多様な状況を捉える力があります。しかし、抽象的な推論は、大まかな誤解を招く可能性もあります。非常に一般的な用語で考えると、即座には明らかでない重大な知的な誤りが発生することがあります。

左側の曲線から右側の曲線への飛躍がなぜ間違っているのかを理解するために、実世界のサプライチェーンで実際に起こることをより詳しく見てみる必要があります。この講義では、自動車の予備部品に焦点を当てます。この講義シリーズの第3章で紹介された架空のサプライチェーン会社であるシュトゥットガルトの視点から価格設定を再検討します。この会社の詳細については再度説明しません。もしまだ講義3.4を見ていない場合は、この講義の後でご覧いただくことをお勧めします。

今日は、シュトゥットガルトのオンライン小売セグメントを見ていきます。自動車部品を販売する電子商取引部門です。シュトゥットガルトが適切な方法で価格を決定し、いつでも価格を見直すための最適な方法を探求しています。このタスクは、シュトゥットガルトが販売するすべての部品に対して行う必要があります。

スライド4

シュトゥットガルトはこの市場で孤立していません。シュトゥットガルトが展開しているヨーロッパのすべての国には、半ダースの有名な競合他社があります。シュトゥットガルトを含むこれらの企業の短いリストは、自動車予備部品のオンライン市場シェアの大部分を占めています。シュトゥットガルトは一部の部品のみを独占的に販売していますが、ほとんどの販売部品には、同じ部品を販売している有名な競合他社が少なくとも1社存在します。この事実は、シュトゥットガルトの価格最適化に重要な影響を与えます。

ある部品について、シュトゥットガルトがその部品の価格を競合他社よりも1ユーロ安く設定することを決定した場合、これによってシュトゥットガルトはより競争力を持ち、市場シェアを獲得することができるでしょう。しかし、そう簡単にはいきません。競合他社はシュトゥットガルトが設定したすべての価格を監視しています。実際、自動車アフターマーケットは非常に競争力のある市場です。競合他社も競争情報ツールを持っています。シュトゥットガルトは有名な競合他社の価格を毎日収集し、競合他社も同様に行います。したがって、シュトゥットガルトが競合他社よりも1ユーロ安い価格を設定することを決定した場合、競合他社は報復として価格を下げることがほぼ確実であり、シュトゥットガルトの価格変動を無効化します。

シュトゥットガルトは架空の会社かもしれませんが、ここで説明されている競争行動は自動車アフターマーケットではまったく架空ではありません。競合他社は積極的に価格を調整します。シュトゥットガルトが繰り返し価格を下げようとすると、アルゴリズムに基づく価格戦争になり、両社とも戦争の最後にはほとんど利益が残りません。

ある部品について、シュトゥットガルトがその部品の価格を競合他社よりも1ユーロ高く設定することを決定した場合、価格以外のすべてが同じであると仮定すると、シュトゥットガルトは単に競争力を失います。したがって、シュトゥットガルトの顧客基盤が直ちに競合他社に移るわけではありません（価格の違いに気付いていないか、シュトゥットガルトに忠実であるかもしれません）。しかし、時間の経過とともに、シュトゥットガルトの市場シェアは必ず減少します。

ヨーロッパでは、自動車部品の価格比較ウェブサイトが利用可能です。顧客は車の新しい部品が必要なたびに必ずしもベンチマークを行うわけではありませんが、ほとんどの顧客は定期的にオプションを再検討します。シュトゥットガルトが常により高価なディーラーとして発見されることは、実用的な解決策ではありません。

したがって、シュトゥットガルトは競合他社よりも価格が低いことはできません。なぜなら、それは価格戦争を引き起こすからです。逆に、シュトゥットガルトは競合他社よりも価格が高いこともできません。なぜなら、時間の経過とともに市場シェアが減少するからです。シュトゥットガルトに残された唯一の選択肢は、価格の調整を求めることです。これは理論的な主張ではありません - 価格の調整は、実際にはヨーロッパで自動車部品を販売している実際の電子商取引企業の主要なドライバーです。

以前に紹介した知的に魅力的な利益曲線は、ほとんどの場合完全に虚偽です。シュトゥットガルトは価格に関して選択肢を持っていません。秘密の要素が関与していない限り、価格の調整がシュトゥットガルトにとって唯一の選択肢です。

自由市場は奇妙な存在です。エンゲルスは1819年の書簡で「個々の意志は他のすべてによって妨げられ、浮かび上がるものは誰もが望んでいないものです」と述べています。以下では、シュトゥットガルトが価格を設定するためにいくらかの余地を持っていることを見ていきます。ただし、主な命題は次のとおりです。シュトゥットガルトの価格最適化は、需要曲線による単純な最大化の視点とは何の関係もない、非常に制約のある問題です。

需要の価格弾力性は、市場全体にとって意味がある概念ですが、部品番号のような局所的なものにはあまり意味がありません。

スライド45

価格設定を需要曲線を利用した単純な利益最大化の問題としてアプローチできるという考えは、少なくともシュトゥットガルトの場合には虚偽です。

実際、シュトゥットガルトはニーズの市場に属しており、利益曲線の視点は、ウォンツの市場を考慮している場合にはまだ機能する可能性があります。マーケティングでは、ウォンツの市場とニーズの市場を区別するのは古典的な方法です。ウォンツの市場は、顧客が消費を選択肢から外れることなく行うことができる提供物で特徴付けられます。ウォンツの市場では、成功した提供物は通常、ベンダーのブランドに強く結びついており、ブランド自体が最初に需要を生み出すエンジンです。たとえば、ファッションはウォンツの市場の典型です。ルイ・ヴィトンのバッグが欲しい場合、そのバッグはルイ・ヴィトンからのみ購入することができます。機能的に同等のバッグを販売している数百のベンダーがいても、それはルイ・ヴィトンのバッグではありません。ルイ・ヴィトンのバッグを購入しないことを選択した場合、何の深刻なことも起こりません。

ニーズの市場は、顧客が消費を選択肢から外れることなく行うことができない提供物で典型的に特徴付けられます。ニーズの市場では、ブランドは需要のエンジンではなく、むしろ選択のエンジンのような存在です。ニーズの消費が発生した場合、ブランドは顧客を選ぶためにガイドします。たとえば、食品や基本的な必需品はニーズの市場の典型です。自動車部品は厳密には生き残るために必要ではありませんが、多くの人々はお金を稼ぐために車に依存しており、そのため、メンテナンスの欠如のコストはメンテナンス自体のコストをはるかに上回るため、現実的にはメンテナンスを選択することができません。

自動車アフターマーケットはニーズの市場にしっかりと立ち位置していますが、微妙な違いがあります。ハブキャップのような部品はニーズよりもウォンツの要素が強いです。一般的に、すべてのアクセサリーはニーズよりもウォンツの要素が強いです。それにもかかわらず、シュトゥットガルトにとっては、ニーズがほとんどの需要を牽引しています。

ここで提案している利益曲線に対する批判は、ニーズの市場におけるほとんどすべての状況に一般化されます。シュトゥットガルトは競合他社によって価格的に厳しく制約されている点で異例ではありません。この状況は、ニーズの市場においてほぼ普遍的です。この主張は、ウォンツの市場を考慮する場合には利益曲線の実現可能性を否定するものではありません。

実際には、ウォンツの市場では、ベンダーが独自のブランドに対して独占的な地位を持っている場合、そのベンダーは利益を最大化するために自由に価格を設定することができるという反論ができます。これは価格設定の利益曲線の視点に戻ってきます。再び、この反論は供給チェーンにおける抽象的な経済的な推論の危険性を示しています。

ウォンツの市場では、利益曲線の視点も間違っていますが、まったく異なる理由で間違っています。このデモンストレーションの詳細な説明は、現在の講義の範囲を超えていますので、別の講義が必要です。ただし、聴衆に残された演習として、ルイ・ヴィトンのeコマースウェブサイトに掲載されているバッグのリストと価格により詳しく目を通すことをお勧めします。利益曲線の視点が不適切である理由は、自明になるはずです。そうでない場合は、おそらく後の講義でこのケースを再訪することになるでしょう。

このシリーズの講義は、ロカドのサプライチェーンサイエンティストのためのトレーニング教材としての役割を果たすことを意図しています。ただし、これらの講義は、より広範なサプライチェーンの実践者の興味を引くことも期待しています。これらの講義をある程度独立して保つように努めていますが、以前の講義で紹介されたいくつかの技術的な概念を使用します。これらの概念を再導入するためにあまり時間を費やすことはありません。以前の講義を見ていない場合は、後で参照してみてください。

このシリーズの第1章では、なぜサプライチェーンがプログラム化される必要があるのかを探求しました。サプライチェーンの複雑さがますます増しているため、数値レシピを実際に導入することは非常に望ましいです。自動化は今まで以上に重要であり、サプライチェーンの実践を資本主義的な取り組みにするための財務的な必要性があります。

第2章では、方法論に時間を割きました。サプライチェーンは競争的なシステムであり、この組み合わせは単純な方法論を打ち破ります。また、この組み合わせは、マイクロ経済学を誤解したり誤解したりするモデルも打ち破ります。

第3章では、解決策を一旦置いて、サプライチェーンで遭遇する問題を調査しました。私たちはサプライチェーンのペルソナの1つとしてシュトゥットガルトを紹介しました。この章では、実世界の状況に適合しない、適切な在庫数量を選ぶなどの単純化された視点を特徴付けるべき意思決定問題のクラスを示しました。意思決定の形式には必ずしも深さがあります。

第4章では、ソフトウェア要素が普及している現代のサプライチェーンの実践を理解するために必要な要素を調査しました。これらの要素は、デジタルサプライチェーンが運営する広範なコンテキストを理解する上で基本的です。

第5章と第6章は、それぞれ予測モデリングと意思決定に dedicされています。これらの章では、現在のサプライチェーンサイエンティストの手によってうまく機能する技術を収集しています。第6章では、他の多くの意思決定の中で行われるべき意思決定の1つである価格設定に焦点を当てています。

最後に、第7章は量的サプライチェーンイニシアチブの実行に dedicされており、組織の視点をカバーしています。

今日の講義は2つの大きなセグメントに分かれます。まず、シュトゥットガルトの競争力に合わせた価格設定のアプローチについて話し合います。競合他社との価格の調整は、自動車部品市場の独特な構造のため、顧客の視点からアプローチする必要があります。競争力のある調整は非常に複雑ですが、詳細に説明する比較的簡単な解決策があります。

さらに、競争力の調整は主要な要素ですが、唯一の要素ではありません。シュトゥットガルトは、この調整から選択的に逸脱する必要があるかもしれません。ただし、これらの逸脱の利点はリスクを上回る必要があります。調整の品質は、調整を構築するために使用される入力の品質に依存するため、自己教師あり学習技術を紹介して機械的な互換性のグラフを洗練させます。

最後に、価格に関連する一連の懸念に対処します。これらの懸念は厳密には価格ではないかもしれませんが、実際には価格と共に取り組むのが最善です。

シュトゥットガルトは販売するすべての部品に価格を付ける必要がありますが、これは価格分析を主に部品番号レベルで実施する必要があることを意味しません。価格は、まず第一に、顧客とのコミュニケーション手段です。

シュトゥットガルトが提供する価格を顧客がどのように認識するかを考えてみましょう。見かけ上微妙な違いが価格タグと価格タグの認識との間に存在するということは、実際には微妙ではありません。

顧客が新しい車の部品を探し始めるとき、通常はブレーキパッドなどの消耗品の部品番号を知ることはありません。自動車の愛好家の中には、特定の部品番号を知っているほど深く知識がある人もいるかもしれませんが、それは少数派です。ほとんどの人は、ブレーキパッドを交換する必要があることはわかっているが、正確な部品番号はわからないのです。

この状況は別の深刻な懸念を引き起こします：機械的な互換性。市場には数千のブレーキパッドの参照がありますが、特定の車両には通常、数十の参照が互換性があります。したがって、機械的な互換性は偶然に任せることはできません。

シュトゥットガルトを含む競合他社は、この問題を非常によく認識しています。シュトゥットガルトのeコマースウェブサイトを訪れると、訪問者は自分の車のモデルを指定するように求められ、その後、指定した車両と機械的に互換性のない部品がすぐにフィルタリングされます。競合他社のウェブサイトも同じデザインパターンに従います：まず車両を選択し、次に部品を選択します。

顧客が2つのベンダーを比較しようとする場合、通常はオファリングを比較します。顧客はシュトゥットガルトのウェブサイトを訪れ、互換性のあるブレーキパッドのコストを特定し、次に競合他社のウェブサイトで同じ部品番号を探すことができますが、実際には人々はあまりそうしません。

シュトゥットガルトと競合他社は、ほとんどの車両に対応するために、利用可能な自動車部品番号の一部でほぼすべての車両に対応できるようにアソートメントを慎重に作成しています。その結果、ウェブサイトには10万から20万の部品番号がリストされていますが、実際に在庫にあるのは1万から2万の部品番号だけです。

最初の価格に関する懸念に関しては、価格分析は部品番号の視点ではなく、ニーズの単位を通じて主に実施する必要があることが明確です。自動車アフターマーケットの文脈では、ニーズの単位は、交換が必要な部品のタイプと交換が必要な車のモデルによって特徴付けられます。

ただし、このニーズの単位の視点では、価格の整合性を確保するためにシュトゥットガルトは部品番号間の一対一の価格の一致に頼ることはできません。したがって、価格の整合性は初めに見たときほど明らかではありません、特にシュトゥットガルトが競合他社からの制約の下で運営していることを認識するときには。

すでに講義3.4で見たように、車と部品の機械的な互換性の問題は、ヨーロッパをはじめとする他の主要な地域でも専門企業の存在によって解決されています。これらの企業は、車のモデルのリスト、車の部品のリスト、および車と部品の互換性のリストからなる機械的な互換性データセットを販売しています。このデータセットの構造は、技術的には二部グラフとして知られています。

ヨーロッパでは、これらのデータセットには通常、10万以上の車両、100万以上の部品、および1億以上の車と部品を結びつけるエッジが含まれています。これらのデータセットの維持には労力がかかるため、専門企業がこれらのデータセットを販売する理由です。シュトゥットガルトも競合他社と同様に、これらのデータセットの最新バージョンにアクセスするために専門企業からサブスクリプションを購入しています。サブスクリプションは必要です。自動車産業は成熟しているとはいえ、新しい車や部品が絶えず導入されています。自動車の景気に密接に合わせるために、これらのデータセットは少なくとも四半期ごとに更新する必要があります。

シュトゥットガルトと競合他社は、このデータセットを使用して、自社のeコマースウェブサイト上の車両選択メカニズムをサポートしています。顧客が車両を選択すると、互換性データセットに基づいて選択した車両と互換性のある部品のみが表示されます。この互換性データセットは、価格分析の基盤でもあります。このデータセットを通じて、シュトゥットガルトはすべてのニーズの単位に対して提供される価格ポイントを評価することができます。

シュトゥットガルトの競争力のある整合戦略を構築するための最後の重要な要素は、競争情報です。ヨーロッパをはじめとする主要な経済地域では、競争情報の専門企業である価格スクレイピングサービスを提供する企業が存在します。これらの企業は、シュトゥットガルトと競合他社の価格を毎日抽出します。シュトゥットガルトのような企業は、価格の自動抽出を緩和しようとすることができますが、これは主に以下の理由からほとんど無駄な試みです。

まず第一に、シュトゥットガルトは競合他社と同様に、ロボットにとって友好的でありたいと考えています。最も重要なボットは検索エンジンであり、2023年現在、Googleが市場シェアの90%以上を占めています。ただし、Googlebot、Googleのメインクローラーを特定することは可能かもしれませんが、トラフィックの約10%を占める他のすべてのクローラーに対して同じことをすることは困難です。

第二に、競争情報の専門企業は、過去10年間で通常の住宅用インターネットトラフィックとして偽装することにおいて専門家になっています。これらのサービスは、何百万もの住宅用IPアドレスにアクセスできると主張しており、それはアプリと提携すること、通常のユーザーのインターネット接続を利用すること、およびIPアドレスを提供できるインターネットサービスプロバイダ（ISP）と提携することによって実現しています。

したがって、私たちはシュトゥットガルトが有名な競合他社からの高品質な価格リストの恩恵を受けていると仮定します。これらの価格は部品番号レベルで抽出され、毎日更新されます。この仮定は推測ではなく、ヨーロッパ市場の現状です。

シュトゥットガルトが競合他社との整合した価格を計算するために必要な要素をすべて集めました - ニーズの単位の視点から考えると競合他社と一致する価格です。

画面には、解決したい制約充足問題の疑似コードが表示されています。単にすべてのニーズの単位、つまり部品の種類と車のモデルのすべての組み合わせを列挙します。各ニーズの単位について、シュトゥットガルトが提供する最も競争力のある価格が競合他社が提供する最も競争力のある価格と等しいことを述べます。

変数と制約の数をすばやく評価しましょう。シュトゥットガルトは提供する部品番号ごとに1つの価格を設定できますので、約10万の変数があります。制約の数は少し複雑です。技術的には、約1,000の部品の種類と約10万の車のモデルがあり、約1億の制約が示唆されます。しかし、すべての部品の種類がすべての車のモデルに存在するわけではありません。実際の測定結果から、制約の数は約1,000万に近いことが示されています。

この制約の数が少ないにもかかわらず、変数の数よりも制約の数が100倍多いです。私たちは非常に制約の多いシステムに直面しています。したがって、すべての制約を満たす解決策を見つけることはほとんど不可能だとわかっています。最良の結果は、ほとんどの制約を満たすトレードオフの解決策です。

さらに、競合他社の価格は完全に一貫していません。最善の努力にもかかわらず、シュトゥットガルトは価格が低すぎるために部品番号に関して価格戦争に巻き込まれる可能性があります。同時に、別の競合他社に対して価格が高すぎるために市場シェアを失う可能性もあります。このシナリオは理論的なものではありません。経験的なデータは、これらの状況が定期的に発生することを示していますが、部品番号の一部に対してのみです。

この制約のシステムの近似解決策を選択したため、各制約に与える重みを明確にする必要があります。すべての車のモデルが同じではありません - 一部はほとんど道路から姿を消した古い車に関連しています。私たちは、これらの制約を需要のボリュームに応じて重み付けすることを提案します。需要のボリュームはユーロで表されます。

価格ロジックの形式的なフレームワークを確立したので、実際のソフトウェアコードに進みましょう。予想以上に、このシステムの解決は簡単です。

画面には、このシステムに関与する6つのテーブルを示す最小の関係スキーマがあります。角の丸い長方形は、興味のある6つのテーブルを表し、矢印はテーブル間の一対多の関係を表しています。

これらのテーブルを簡単に見直しましょう：

部品の種類：その名前が示すように、このテーブルには部品の種類がリストされています。例えば、「フロントブレーキパッド」などです。これらの種類は、他の部品の代替品として使用できる部品を識別するために使用されます。代替部品は、車両と互換性があるだけでなく、同じ種類である必要があります。約1,000の部品の種類があります。
車のモデル：このテーブルには車のモデルがリストされています。例えば、「プジョー3008フェーズ2ディーゼル」などです。各車両にはモデルがあり、特定のモデルのすべての車両は同じセットの機械的な互換性を持つことが期待されています。約10万の車のモデルがあります。
部品番号（PN）：このテーブルには自動車アフターマーケットで見つかる部品番号がリストされています。各部品番号には1つだけ部品の種類があります。このテーブルには約100万の部品番号があります。
互換性（Compat）：このテーブルは機械的な互換性を表し、部品番号と車のモデルの有効な組み合わせを収集します。約1億の互換性の行があり、これははるかに最も大きなテーブルです。
競争：このテーブルにはその日の競争情報がすべて含まれています。各部品番号には、価格タグを付けて表示される数人の有名な競合他社があります。これにより、約1,000万の競争価格が生じます。
注文：このテーブルにはシュトゥットガルトからの過去の顧客注文が約1年間分含まれています。各注文行には部品番号と車のモデルが含まれています。技術的には、車のモデルを指定せずに車の部品を購入することも可能ですが、これはまれです。車のモデルが指定されていない注文行はフィルタリングできます。シュトゥットガルトの規模に基づいて、約1,000万の注文行があるはずです。

今回は、リレーショナルデータをロードするコードを調べてみましょう。画面に表示されているのは、Lokadが供給チェーンの予測最適化のために特別に設計したドメイン固有のプログラミング言語であるEnvisionで書かれた6つのテーブルをロードするスクリプトです。Envisionは、供給チェーンのコンテキストでの効率向上とエラーリスクの低減を目的として作成されましたが、このスクリプトはPythonなどの他の言語でも書き直すことができます。ただし、その場合は冗長性が増し、エラーリスクが高まるというコストがかかります。

スクリプトの最初の部分では、4つのフラットテキストファイルがロードされます。1行目から5行目では、ファイル「path.csv」がシュトゥットガルトで表示されている現在の価格を含む部品番号と部品タイプを提供します。「name is active」というフィールドは、特定の部品番号がシュトゥットガルトで提供されているかどうかを示しています。この最初のテーブルでは、変数「PN」はテーブルの主次元を指し、「PN type」は「expect」キーワードによって導入された副次元です。

7行目から9行目では、「compat.tsv」というファイルが部品と車両の互換性リストと車のモデルを提供します。これはスクリプトの中で最も大きなテーブルです。11行目から14行目では、「competition.tsv」というファイルがその日の競争情報、つまり部品番号ごとの競合他社ごとの価格のスナップショットを提供します。16行目から19行目でロードされる「orders.tsv」というファイルは、購入されている部品番号と関連する車のモデルのリストを提供します。ただし、車のモデルが指定されていないすべての行はフィルタリングされているとします。

最後に、21行目と22行目で「part types」というテーブルが「compat」と「orders」の2つのテーブルの上流に設定されています。つまり、「compat」または「orders」のいずれかの行には、一致する部品タイプが1つだけ存在します。「PN type」は「compat」と「orders」のテーブルに副次元として追加されています。このEnvisionスクリプトの最初の部分は簡単です。フラットテキストファイルからデータをロードし、その過程でリレーショナルデータ構造を再構築しているだけです。

スクリプトの2番目の部分は、画面に表示されている実際のアライメントロジックが行われる場所です。このセクションは最初の部分の直接の続きであり、わかりやすく言えば、わずか12行のコードです。私たちは再び差分可能プログラミングを使用しています。差分可能プログラミングに詳しくない方のために説明すると、これは自動微分と確率的勾配降下法の融合です。これは、機械学習や最適化にも適用されるプログラミングパラダイムです。供給チェーンのコンテキストでは、差分可能プログラミングはさまざまな状況で非常に有用です。このシリーズの講義では、差分可能プログラミングを使用してモデルを学習し、確率的需要予測を生成し、弾道性のあるリードタイム予測を実現する方法を示してきました。差分可能プログラミングに詳しくない場合は、このシリーズの以前の講義を再確認することをおすすめします。

今日の講義では、数十万の変数と数百万の制約を含む大規模な最適化問題に対処するために、差分可能プログラミングが適していることを見ていきます。驚くべきことに、これらの問題は、わずか数分で単一のCPUと数ギガバイトのRAMで解決することができます。さらに、計算をゼロから行うのではなく、以前の価格を出発点として価格を更新することもできます。

ごくわずかな注意点ですが、「join」というキーワードはまだEnvisionではサポートされていませんが、将来の技術ロードマップには含まれています。回避策は存在しますが、わかりやすさのために、この講義では将来のEnvisionの構文を使用します。

24行目では、各部品番号について市場全体で観測された最小価格を計算しています。部品番号がシュトゥットガルトのみで販売され、競合他社がない場合は、デフォルトとしてシュトゥットガルト自体の価格を使用します。

26行から30行では、シュトゥットガルトの顧客注文履歴にリストされているすべての部品について、現在の最も競争力のあるオファリングが計算されます。

27行目では、各注文行について注文テーブルを反復処理します。

28行目では、‘join pns’を使用して、各注文行に対して完全な部品番号テーブルを取り込みます。

29行目では、‘others’と結合しますが、この結合はモデルと部品タイプという2つの副次元で制限されています。つまり、注文ごとに、顧客注文に一致する必要のあるユニットに対応する部品を選択します。

32行から37行では、キーワード ‘Auto diff’ によって異なるプログラミングを使用してアライメントを解決します。 ‘Auto diff’ ブロックは32行目で宣言され、観測テーブルとして ‘orders’ テーブルを利用しています。これにより、シュトゥットガルト自体の販売数量に応じて制約に重みが付けられます。 33行と44行は、28行と29行と同じ目的を果たします。 ‘orders’ テーブルを反復処理し、部品番号（‘PN’）テーブルと互換性のあるエントリのスライスへの完全なアクセスを提供します。

35行目では、確率的勾配降下法によって最適化されるパラメータとして ‘pns.price’ を宣言します。これらのパラメータを初期化する必要はありません。なぜなら、シュトゥットガルトがこれまでに使用してきた価格から開始するため、アライメントが更新されるからです。

36行目では、注文行に関連付けられたニーズのユニットに対してシュトゥットガルトの最も競争力のあるオファリングである ‘my price’ を計算します。この計算は、24行目で行われる最小観測価格の計算と非常に似たメカニカル互換性のリストに依存するメカニズムです。ただし、互換性はシュトゥットガルトが提供する部品番号に制限されます。歴史的に、顧客は自動車に最も経済的に有利な部品を選択したかどうかは問われません。ただし、このコンテキストで顧客の注文を使用する目的は、ニーズのユニットに重みを割り当てることです。

37行目では、シュトゥットガルトが提供する最良の価格と競合他社が提供する最良の価格の絶対差を使用してアライメントをガイドします。この代替ブロック内では、勾配がパラメータに逆に適用されます。最終的に見つかる差は損失関数を形成します。この損失関数から、勾配はここで唯一のパラメータベクトルである ‘pns.price’ に逆にフローします。各イテレーション（ここでは注文行）でパラメータ（価格）を段階的に調整することで、スクリプトは望ましい価格アライメントの適切な近似値に収束します。

アルゴリズムの複雑さに関しては、36行目が優位です。ただし、任意の車種と部品タイプに対する互換性の数は限られているため（通常数十個以下）、各 ‘Auto diff’ イテレーションはほぼ一定の時間で実行されます。この一定の時間は、10 CPUサイクルのような非常に小さなものではありませんが、100万CPUサイクルにもなりません。おおよそ、20個の互換性のある部品に対して1000 CPUサイクルが妥当です。

もしも単一のCPUが2ギガヘルツで動作し、100エポック（1エポックは観測テーブル全体の完全な降下）を実行すると仮定すると、目標の実行時間は約10分になるでしょう。1つのCPUで10万の変数と1000万の制約を持つ問題を10分で解決することは非常に素晴らしいことです。実際、Lokadはこの期待にほぼ合致するパフォーマンスを実現しています。ただし、実際の問題では、CPUよりもI/Oスループットがボトルネックとなることがよくあります。

この例は、サプライチェーンアプリケーションに適したプログラミングパラダイムを使用することの力を示しています。価格の観点からこの機械互換性のデータセットをどのように活用するかは、当初明らかではなかったため、問題は非自明でした。それにもかかわらず、実際の実装は簡単です。

このスクリプトは実世界のセットアップに存在するであろうすべての側面をカバーしているわけではありませんが、コアロジックはわずか6行のコードだけで済みます。これにより、実世界のシナリオで導入される追加の複雑さに対応する十分な余地があります。

スライド15

先に示したように、アライメントアルゴリズムはシンプルさと明瞭さを重視しています。実世界のセットアップでは、追加の要素が期待されます。これらの要素についてはすぐに調査しますが、まずはこれらの要素をこのアライメントアルゴリズムに拡張することで対処できることを認識しましょう。

損失で販売することは賢明ではなく、フランスなどの多くの国では違法ですが、特別な状況では例外があります。損失での販売を防ぐために、アライメントアルゴリズムには販売価格が購入価格を上回ることを義務付ける制約を追加することができます。ただし、潜在的な調達の問題を特定するために、この「損失なし」の制約なしでアルゴリズムを実行することも有用です。実際には、競合他社がシュトゥットガルトの購入価格を下回る価格で部品を販売できる場合、シュトゥットガルトはその潜在的な問題に対処する必要があります。おそらく、それは調達または購買の問題です。

単にすべての部品番号をまとめることは単純すぎます。顧客はすべてのオリジナル装置メーカー（OEM）に対して同じ意欲を持って支払いたいとは限りません。たとえば、ヨーロッパではボッシュのようなよく知られたブランドを中国のより知名度の低いOEMと比較して、顧客はより高く評価する可能性があります。この懸念に対処するために、シュトゥットガルトは他の企業と同様に、最も高価なものから最も安価なものまでの製品範囲の短いリストにOEMを分類しています。たとえば、モータースポーツ範囲、家庭用範囲、ディストリビューターブランド範囲、予算範囲などがあります。

その後、アライメントは各部品番号が自身の製品範囲内で整列するように構築されます。さらに、アライメントアルゴリズムは、モータースポーツ範囲から予算範囲に移る際に価格が厳密に減少するようにする必要があります。なぜなら、逆転すると顧客が混乱するからです。理論的には、競合他社が自社のオファリングを正確に価格設定している場合、このような逆転は発生しないはずです。しかし、実際には、顧客は自分自身の部品の価格を誤って設定することがあり、時折、異なる価格設定を行う理由があります。

数百のOEMしかないため、それらのOEMをそれぞれの製品範囲に分類することは手動で行うことができ、市場の専門家によって直接解決できない曖昧さがある場合には顧客調査の支援を受けることもできます。

スライド16

製品範囲の採用にもかかわらず、多くの部品番号の価格はアライメントロジックによって積極的に制御されることはありません。実際には、必要な単位の中で最も競争力のある価格に貢献する部品番号のみが勾配降下法によって効果的に調整され、同じ製品範囲内で求めている近似アライメントを作成します。

機械互換性が同じである2つの部品番号のうち、アライメントソルバーによって価格が調整されるのは1つだけです。もう1つの部品番号は常にゼロの勾配を得るため、元の価格のままになります。したがって、要約すると、システムには一連の制約がありますが、多くの変数はまったく制約されていません。製品範囲の細かさと競争情報の範囲によっては、これらの制約のない部品番号はカタログのかなりの部分、おそらく部品番号の半分を占める可能性があります。ただし、販売量で表現された場合、その割合ははるかに低くなります。

これらの部品番号には、シュトゥットガルトには代替の価格戦略が必要です。これらの制約のない部品に対しては厳密なアルゴリズム的なプロセスを提案することはできませんが、2つのガイドラインを提案します。

まず、製品範囲内で最も競争力のある部品と次の部品の間には、10%といった非自明な価格差が必要です。運が良ければ、競合他社の中にはシュトゥットガルトほど単位の再構築に長けていない場合があります。そのため、これらの競合他社は実際にアライメントを推進する1つの価格タグを見逃し、価格を上方修正することになります。これはシュトゥットガルトにとって望ましいことです。

また、他の製品範囲と重ならない限り、他の部品には30%高い価格が設定される場合があります。これらの部品は、より良い価格の対応部品の対比として機能し、技術的には「デコイプライシング」として知られる戦略です。デコイは、対象オプションよりも魅力的ではない選択肢として意図的に設計されており、対象オプションをより価値あるものに見せ、顧客がより頻繁に選択するように導きます。これらの2つの原則は、制約のない価格を競争のしきい値を超えて広げるのに十分です。

競争力のあるアライメントとデコイプライシングの組み合わせは、シュトゥットガルトで表示されるすべての部品番号に価格タグを割り当てるのに十分です。ただし、その結果として得られる粗利益率は、シュトゥットガルトにとっては低すぎる可能性があります。実際、シュトゥットガルトを他の有名な競合他社とアライメントさせることは、利益に対して非常に大きな圧力をかけます。

一方で、価格のアライメントは必要です。そうしないと、シュトゥットガルトは時間の経過とともに市場から押し出されてしまいます。しかし、一方で、シュトゥットガルトは自身の市場シェアを保護する過程で自己破産することはできません。特定の価格戦略に関連する将来の粗利益率は、顧客と競合他社の両方が適応するため、正確に導き出す方法はありません。

シュトゥットガルトが来週に期待するべき粗利益率の合理的な推定値があると仮定すると、この仮定の「正確さ」の部分はそれほど不合理ではないことを指摘することが重要です。シュトゥットガルトは、競合他社と同様に厳しい制約の下で運営されています。シュトゥットガルトの価格戦略が根本的に変更されない限り、企業全体の粗利益率は次の週にはあまり変わりません。前週の観察された粗利益率を、次週にシュトゥットガルトが期待するものの合理的な代理として扱うことさえできます。

シュトゥットガルトの粗利益率が13％になると予測されていますが、シュトゥットガルトは自己維持のために15％の粗利益率が必要です。このような状況に直面した場合、シュトゥットガルトはどのようにすべきでしょうか？ 1つの答えは、「ニーズの単位」のランダムな選択を行い、その価格を約20％引き上げることです。初めての顧客が好む部品のような部品タイプは、この選択から除外されるべきです。初めての顧客を獲得することは高価で困難であり、シュトゥットガルトはこれらの初回購入をリスクにさらすべきではありません。同様に、インジェクターのような非常に高価な部品タイプでは、顧客はより多くのショッピングをする可能性があります。したがって、シュトゥットガルトはこれらの大きな購入において競争力を失うリスクを取るべきではないでしょう。

ただし、これらの2つの状況を除いて、「ニーズの単位」をランダムに選択し、価格を引き上げることで競争力を失わせることは合理的な選択肢だと主張します。実際、シュトゥットガルトはいくつかの価格を引き上げる必要があります。これは、より高い成長率を目指すことの避けられない結果です。シュトゥットガルトがそれを行う際に明確なパターンを採用する場合、オンラインのレビューはそれらのパターンを指摘する可能性があります。たとえば、シュトゥットガルトがボッシュの部品に対して競争力を放棄することを決定したり、プジョー車と互換性のある部品に対して競争力を放棄することを決定した場合、シュトゥットガルトはボッシュやプジョー車にとって良い取引ではないディーラーとして知られる危険性があります。ランダム性によって、シュトゥットガルトはある程度解読不能になり、これが意図された効果です。

表示順位は、シュトゥットガルトのオンラインカタログにおけるもう一つの重要な要素です。具体的には、すべての「ニーズの単位」に対して、シュトゥットガルトはすべての適格な部品を順位付けする必要があります。部品を順位付ける最良の方法を決定することは、価格に関連する問題であり、それ自体が別の講義を必要とするものです。この講義では、表示順位はアライメント問題の解決後に計算されることが期待されます。ただし、価格タグと表示順位の両方を同時に最適化することも考えられます。この問題では、これまでに扱ってきた10万の変数ではなく、1000万の変数が発生します。ただし、これは最適化問題のスケールを根本的に変えるものではありません。というのも、私たちはとにかく1000万の制約を扱わなければならないからです。今日は、この表示順位の最適化にどのような基準を使用できるか、また離散最適化のために勾配降下法をどのように活用できるかについては触れません。この後の講義で取り上げる予定ですが、この後者の問題は非常に興味深いものです。

「ニーズの単位」の相対的な重要性は、既存の車両フリートによってほぼ完全に定義されます。シュトゥットガルトは、ヨーロッパに1,000台しかない車種に対して100万個のブレーキパッドを販売することは期待できません。部品の真の消費者は車両自体であり、所有者ではありません。車両は部品の代金を支払いませんが（所有者が支払います）、この類推は車両フリートの重要性を強調するのに役立ちます。

ただし、部品をオンラインで購入する人々には、かなりの歪みが生じることが合理的です。なぜなら、部品を購入することは、修理工場から間接的に購入することと比べてお金を節約する手段であるからです。したがって、シュトゥットガルトが観察する平均車両の年齢は、自動車市場の一般的な統計よりも古くなることが予想されます。同様に、高価な車を運転している人々は、自分自身で修理を行うことでお金を節約しようとする可能性が低いです。したがって、シュトゥットガルトが観察する平均車両のサイズとクラスは、一般的な市場統計よりも低くなることが予想されます。

これらはただの推測ではありません。これらの歪みは、ヨーロッパの主要なオンライン自動車部品小売業者すべてで実際に観察されています。ただし、前述のように、シュトゥットガルトの販売履歴を需要の代理として利用するアライメントアルゴリズムは、これらのバイアスが価格のアライメントアルゴリズムの結果に影響を与える可能性があると考えられます。これらのバイアスがシュトゥットガルトの結果にどのように影響するかは、基本的には経験的な問題です。問題の大きさは、データに大きく依存します。ロカッドの経験からは、アライメントアルゴリズムとそのバリエーションは、このようなバイアスに対して非常に堅牢であることがわかっています。たとえ「必要な単位」の重みを2倍または3倍に誤って推定した場合でも、これらの重みの主な貢献は、価格のアライメントアルゴリズムが共同で対処できない2つの「必要な単位」に同じ部品番号が属している場合に、競合を解決するのに役立つようです。これらの状況の大部分では、一方の「必要な単位」のボリュームは他方よりもはるかに多いため、それほど大きなボリュームの誤差でも価格にほとんど影響を与えません。

「必要な単位」の需要がどれくらいであるべきかと、シュトゥットガルトが実際の販売として観察するものとの間の最大のバイアスを特定することは非常に役立ちます。特定の「必要な単位」に対する驚くほど低い販売数量は、電子商取引プラットフォームについての平凡な問題を示す傾向があります。一部の部品は誤ってラベル付けされているか、正確でないまたは低品質の画像を持っているかもしれません。実際には、これらのバイアスは、異なる部品タイプの特定の車モデルの販売比率を比較することで特定することができます。たとえば、シュトゥットガルトが特定の車モデルのブレーキパッドを販売していない場合、他の部品タイプの販売数量が通常観察されるものと一致している場合、この車モデルのブレーキパッドの消費量が特別に低いとは考えにくいです。原因はおそらく他の場所にあるでしょう。

スライド20

優れた機械的互換性のリストは競争上の優位性です。競合他社が知らない互換性を知ることで、価格戦争を引き起こさずに彼らよりも低価格で販売することができ、市場シェアを拡大することができます。逆に、誤った互換性を特定することは、顧客からの返品を回避するために重要です。

実際には、互換性のない部品を注文するコストは修理工場にとってはわずかです。未使用の部品を配送センターに返送するための確立されたプロセスがある可能性があります。しかし、通常の顧客にとっては、このプロセスははるかに手間がかかりますし、部品を適切に再梱包して返送することさえ成功しないかもしれません。したがって、すべての電子商取引会社は、借りているサードパーティのデータセットの上に独自のデータエンリッチメントレイヤーを構築するインセンティブを持っています。この垂直市場のほとんどの電子商取引プレーヤーは、ある形式または別の形式で独自のデータエンリッチメントレイヤーを持っています。

これらのデータセットを維持している専門企業とこの知識を共有する動機はほとんどありません。なぜなら、この知識は競争相手にとってほとんど利益になるからです。これらのデータセットのエラーレートを評価することは困難ですが、ロカッドでは、両方の側で一桁の低いパーセンテージであると推定しています。偽陽性のパーセンテージは数パーセントあり、存在しない互換性が宣言される場合があります。また、偽陰性のパーセンテージも数パーセントあり、互換性が存在するにもかかわらず宣言されない場合があります。機械的互換性のリストには1億行以上のエラーが含まれているため、保守的な見積もりでは約700万のエラーがあると考えられます。

したがって、シュトゥットガルトにとっては、このデータセットを改善することが望ましいです。偽陽性の機械的互換性による顧客の返品は、確かにこの目的に利用することができます。ただし、このプロセスは遅くてコストがかかります。さらに、顧客はプロの自動車技術者ではないため、部品を取り付けることに失敗しただけで互換性がないと報告するかもしれません。シュトゥットガルトは、複数の苦情が寄せられるまで部品を互換性がないと判断しないようにすることもできますが、これによりプロセスはさらにコストがかかり、遅くなります。

したがって、この互換性データセットを改善するための数値的な手法は非常に望ましいものです。追加の情報を利用せずにこのデータセットを改善することができるかどうかは明らかではありません。しかし、驚くべきことに、このデータセットを追加の情報なしで優れたバージョンにブートストラップすることができることがわかりました。

私は2017年の第1四半期にLokadのために一連のディープラーニング実験を行っていたときに、この実現に偶然出くわしました。私は協調フィルタリングのためのよく知られた技術である行列分解を使用しました。協調フィルタリングは、ユーザーの既知の好みに基づいてユーザーが好むと思われる製品を特定することで、レコメンダーシステムを構築する際の中心的な問題です。機械的互換性に協調フィルタリングを適用するのは簡単です。ユーザーを車のモデルに、製品を車の部品に置き換えるだけです。すると、問題が適応されます。

行列分解は、二部グラフを含む任意の状況に適用できます。行列分解は、グラフ解析を超えて有用です。たとえば、大規模言語モデル（LLM）の低ランク適応（LLMを微調整するために非常に人気のある技術）も、行列分解のトリックに依存しています。画面には行列分解の例が示されています。左側には、車と部品の互換性を示す1と車モデルと部品番号の非互換性を示す0の互換性行列があります。この大きく非常に疎な行列を2つの小さな密な行列の積で置き換えたいのです。これらの2つの行列は右側に表示されます。これらの行列は、大きな行列を因数分解するために使用されます。実際には、すべての車モデルと部品番号を潜在空間に投入しています。この潜在空間の次元は画面上で大文字のLで示されています。この潜在空間は、元の行列と比較してはるかに少ない次元で機械的な互換性を捉えるように設計されています。この潜在空間の次元を比較的低く保つことで、これらの機械的な互換性を規定する隠れたルールを学ぶことを目指しています。

スライド21

行列分解は、壮大な技術的な概念のように聞こえるかもしれませんが、実際にはそうではありません。それは線形代数の基本的なトリックです。行列分解について唯一の欺瞞的な側面は、非常にシンプルであるにもかかわらず、非常にうまく機能することです。画面には、この技術の完全な実装が30行未満のコードで示されています。

1行目から3行目では、機械的な互換性をリストアップしたフラットファイルを読み込んでいます。このファイルは、行列を表すためのMという名前のテーブルに読み込まれます。このリストは、実際には互換性行列の疎な表現です。このリストを読み込む際に、car_modelsとpnsという2つの別のテーブルも作成します。これにより、M、car_models、pnsの3つのテーブルが得られます。

5行目と6行目では、車のモデルを含む列をランダムにシャッフルしています。シャッフルの目的は、ランダムなゼロまたはランダムな非互換性を作成することです。実際、互換性行列は非常に疎です。ランダムに車と部品を選ぶと、このペアが非互換であることはほぼ確実です。このランダムな関連がゼロであるという確信は、最初の互換性リストよりも高いです。これらのランダムなゼロは、行列の疎さにより、99.9%の正確さを持っていますが、既知の互換性はおそらく97%の正確さです。

8行目では、24次元の潜在空間を作成しています。埋め込みには24次元もあるように思えるかもしれませんが、大規模な言語モデルと比較すると非常に小さいです。9行目と10行目では、大きな行列を因数分解に使用するpnlとcar_Lという2つの小さな行列を作成しています。これらの2つの行列は、pnlには約2400万のパラメータ、car_Lには約240万のパラメータが含まれています。これは、約1000億の値を持つ大きな行列と比較して小さいと見なされます。

このスクリプトでは、大きな行列は決して具体化されません。それは明示的に配列に変換されることはなく、常に1億の互換性のリストとして保持されます。それを配列に変換することは、計算リソースの観点から非常に効率的ではありません。

12行目から15行目では、sigmoidとlog_lossという2つのヘルパー関数を導入しています。sigmoid関数は、生の行列積を確率（0から1の間の数値）に変換するために使用されます。log_loss関数は、ロジスティック損失を表します。ロジスティック損失は、確率的予測の正確さを評価するために使用される指標です。ここでは、2値分類問題の確率的予測を評価するために使用されます。ロジスティック損失は、リードタイムの確率的予測に関する講義5.3で既に取り上げられています。これは同じアイデアのより単純なバリエーションです。これらの2つの関数は、自動微分が可能であることを示すキーワードautogradでマークされています。100万分の1の小さな値は、数値の安定性のために導入されたイプシロンであり、論理的には何の影響もありません。17行目から29行目では、行列の因数分解自体が行われています。再び、私たちは微分可能なプログラミングを使用しています。数分前までは、制約充足問題を近似的に解決するために微分可能なプログラミングを使用していました。ここでは、自己教師あり学習の問題に対処するために微分可能なプログラミングを使用しています。

18行目と19行目では、学習するパラメータを宣言しています。これらのパラメータは、pnlとcar_Lという2つの小さな行列に関連付けられています。キーワード「auto」は、これらのパラメータがゼロを中心としたガウス分布からのランダムな偏差として初期化されることを示しています。標準偏差は0.1です。

20行目と21行目では、収束を高速化するための2つの特別なパラメータを導入しています。これらは合計で48個の数値であり、まだ何百万もの数値を持つ私たちの小さな行列に比べてごくわずかです。それにもかかわらず、これらのパラメータを導入することで収束が大幅に高速化されることがわかりました。これらのパラメータは、既存のモデルに任意の自由度を導入するわけではありません。これらのパラメータは、学習プロセスにごくわずかな追加の自由度を導入するだけです。その結果、必要なエポックの数を半分以上削減します。

22行目から24行目では、埋め込みをロードしています。22行目では、単一の部品であるpxの埋め込みがあります。23行目では、単一の車両モデルであるmxの埋め込みがあります。ペアpxとmxは、真と見なされる互換性であるポジティブエッジです。24行目では、別の車両モデルであるmx2の埋め込みがあります。ペアpxとmx2は、偽と見なされる非互換性であるネガティブエッジです。実際に、mx2は6行目でシャッフルを介してランダムに選択されました。px、mx、およびmx2の3つの埋め込みは、このスクリプトの表Lで表される潜在空間に属しているため、すべて24次元です。

26行目では、モデルによって定義された確率を、このエッジが正であるドット積を介して表現しています。このエッジが正であることはわかっていますが、少なくとも互換性データセットがそう言っています。しかし、ここでは、確率的モデルがこのエッジについてどのように言っているかを評価しています。27行目では、モデルによって定義された確率を、このエッジが負であるドット積を介して表現しています。これはランダムなエッジなので、私たちはこのエッジが負であると推測しています。再び、この確率を評価してモデルがこのエッジについてどのように言っているかを確認します。29行目では、このエッジに関連付けられた対数尤度の反対値を返します。返り値は、確率的勾配降下法によって最小化される損失として使用されます。ここでは、互換性のあるペアと互換性のないペアの間の対数尤度、または確率的2値分類基準を最大化しています。

このスクリプトには表示されていない部分以降では、大きな行列を2つの小さな行列のドット積と比較することができます。2つの表現の間の差異は、元のデータセットの誤検出と誤検出を示しています。最も驚くべきことは、この大きな行列の因数分解された表現が、元の行列よりもより正確であることです。

残念ながら、関連する互換性データセットはすべてプロプライエタリであるため、これらの技術に関連する経験的な結果を示すことはできません。ただし、この市場の一部の関係者によって検証された私の調査結果によれば、これらの行列因数分解技術を使用することで、誤検出の数を1桁減らすことができます。パフォーマンスの面では、私は使用していたディープラーニングツールキットであるMicrosoftのCNTK（2017年当時）を使用して満足のいく収束を得るために約2週間の計算時間がかかっていましたが、現在のEnvisionのランタイムでは約1時間に短縮されました。初期のディープラーニングツールキットはある意味で微分可能なプログラミングを提供していましたが、これらのソリューションは主に大規模な行列積と畳み込みに最適化されていました。GoogleのJaxなどのより新しいツールキットは、Envisionのパフォーマンスに匹敵するパフォーマンスを提供すると思われます。

これにより、次の疑問が生じます。互換性データセットを維持する専門企業は、既に行列因数分解を使用してデータセットをクリーンアップしていないのはなぜでしょうか？もし彼らがそうしていたなら、行列因数分解は何も新しいものをもたらさないでしょう。行列因数分解は、機械学習の技術として約20年前から存在しています。この技術は2006年にSimon Funkによって普及しました。もはや最先端ではありません。この元の質問に対する私の答えはわかりません。おそらく、この講義を見た後、これらの専門企業も行列因数分解を使用し始めるかもしれませんし、しないかもしれません。

いずれにせよ、これは微分可能なプログラミングと確率モデリングが非常に多目的なパラダイムであることを示しています。リードタイムの予測と機械の互換性の評価は、遠くから見ると何の関係もないものですが、両方を同じ手法、つまり微分可能なプログラミングと確率モデリングで対処することができます。

機械の互換性のデータセットは、不正確である可能性がある唯一のデータセットではありません。競争情報ツールもしばしば誤ったデータを返します。セミストラクチャ化されたウェブページから数百万の価格を抽出する際、ウェブスクリプティングプロセスはかなり信頼性がありますが、エラーが発生することがあります。これらの誤った価格を特定し、対処することは独自の課題です。ただし、これには特定の講義が必要です。なぜなら、問題は対象のウェブサイトとウェブスクリプティングに使用される技術の両方に特有である傾向があるからです。

ウェブスクレイピングに関する懸念事項は重要ですが、これらの懸念事項はアライメントアルゴリズムが実行される前に展開されるため、アライメント自体とは大きく切り離されるべきです。スクレイピングエラーは偶然に任せる必要はありません。競争情報ゲームをする方法は2つあります。自分の数字をより良く、より正確にするか、競合他社の数字を悪く、より不正確にするかです。これが反情報活動の目的です。

前述のように、IPアドレスに基づいてロボットをブロックすることはうまくいきません。ただし、代替策はあります。ネットワークトランスポート層は、よりターゲットに合わせた混乱を引き起こすために遊ぶには最も興味深いレイヤーではありません。約10年前、Lokadは、SugArのような大規模な電子商取引ウェブサイトが競合他社に対して自己防衛できるかどうかを確認するための一連の反情報実験を実施しました。結果は？できます。

ある時点で、私はこれらの反情報技術の効果を、それ以外の無疑のウェブスクレイピング専門家によって提供されたデータの直接検査によって確認することさえできました。このイニシアチブのコードネームはBot Defenderでした。このプロジェクトは中止されましたが、Bot Defenderのいくつかの痕跡はまだ公開ブログアーカイブで見ることができます。

HTMLページへのアクセスを拒否しようとする代わりに、私たちはウェブスクレイパー自体に選択的に干渉することにしました。Lokadチームはこれらのウェブスクレイパーの設計の詳細を知りませんでした。特定の電子商取引ウェブサイトのDHTML構造を考慮すると、ウェブスクレイパーを操作する会社がどのように進むかについて教育的な推測をすることはあまり難しくありません。たとえば、StuttArtウェブサイトのすべてのHTMLページには、「単価」という非常に便利なCSSクラスがあり、ページの中央にある製品の価格を特定します。ほとんどのロボットがこの非常に便利なCSSクラスを使用してHTMLコード内の価格を分離していると推定することは合理的です。実際、StuttArtウェブサイトが価格を取得するためのさらに便利な方法、たとえば自由にクエリできるオープンAPIのようなものを提供していない限り、このCSSクラスは価格を抽出するための明らかなパスです。

ただし、ウェブスクレイピングのロジックが明らかであるため、このロジックに選択的に干渉する方法も明らかです。たとえば、StuttArtはいくつかのターゲット商品を選び、HTMLを「毒」にすることを決定することができます。画面上の与えられた例では、視覚的には両方のHTMLページが人間にとっては65ユーロ50セントの価格タグとしてレンダリングされます。ただし、HTMLページの2番目のバージョンは、ロボットにとっては65ユーロではなく95ユーロと解釈されます。「9」の数字はCSSで回転して「6」のように表示されます。HTMLマークアップに依存するベースラインの典型的なウェブスクレイパーは、これをキャッチすることはありません。

10年後、当時存在しなかったGPT-4のような洗練された大規模言語モデルでも、この単純なCSSのトリックに騙されます。画面上では、GPT-4は65ユーロの価格を抽出せず、代わりに95ユーロと回答します。実際、明らかな価格タグを提供するHTMLコードを作成するための数十の方法がありますが、それはさまざまな似たようなトリックの中で最も単純なトリックの1つです。

この技術への対抗策は、ページをレンダリングし、完全なビットマップを作成し、そのビットマップに光学文字認識（OCR）を適用することです。ただし、これは非常に高価です。競争情報会社は毎日数千万のウェブページを再確認する必要があります。おおよその目安として、ウェブページのレンダリングプロセスの実行後にOCRを実行すると、処理コストが少なくとも100倍、おそらく1000倍に増加します。

2023年5月現在、Microsoft Azureは1000回のOCR操作に1ドルを請求しています。ヨーロッパの競争情報専門家によって毎日監視される10,000,000ページ以上があることを考慮すると、それはOCRだけで1日あたり10,000ドルの予算です。ちなみに、Microsoft Azureはこの点で非常に競争力があります。

貴重な住宅用IPアドレスの帯域幅などの他のコストを考慮すると、この道を進む場合、計算リソースだけで年間500万ユーロの予算範囲になる可能性が最も高いです。数百万ユーロの年間予算は可能な範囲内ですが、ウェブスクレイパー企業の利益率は薄く、彼らはこの道を進むことはありません。より安価な手段で99％の正確な競争情報を得ることができれば、それで十分です。

スタットアートに戻ると、すべての価格を毒にするためにこの反諜技術を使用することは賢明ではありません。それはウェブスクレイパーとの軍拡競争をエスカレートさせるでしょう。代わりに、スタットアートは競争において最大の影響を持つ1％の参照を賢く選ぶべきです。おそらく、ウェブスクレイパーは問題に気付かないでしょう。ウェブスクレイパーが対策に気付いたとしても、それが低強度の問題と見なされる限り、彼らは行動しません。実際、ウェブスクレイピングにはさまざまな低強度の問題があります。分析したいウェブサイトが非常に遅い場合、ダウンしている場合、または興味のあるウェブページにグリッチがある場合があります。価格が不明瞭な場合もあります。

スタットアートの視点からは、競争情報の観点から最も興味深い1％の部品番号を選ぶことになります。それらの部品は通常、スタットアートが最も割引したい部品ですが、価格戦争を引き起こすことなく。これにはいくつかの方法があります。高い関心を持つ部品の1つは、ウインドウワイパーなどの安価な消耗品です。初めてスタットアートを試す顧客は、600ユーロのインジェクターではなく、20ユーロのウインドウワイパーから始める可能性が高いです。一般的に、初めての顧客はリピート顧客とはかなり異なる行動をします。したがって、スタットアートが特に魅力的にしたい1％の部品は、初めての顧客が購入する可能性が最も高い部品ですが、価格戦争を引き起こすことはありません。

スライド24

価格戦争と市場シェアの浸食を回避することは、スタットアートにとって非常にネガティブな結果ですので、アライメントの原則から逸脱するためには特別な状況が必要です。すでにそのような状況の1つを見てきました。それは粗利益を制御する必要があるという必要性でした。しかし、それだけではありません。在庫過剰と在庫切れは、価格の調整を考慮するための他の主要な候補です。在庫過剰は積極的に対処するのが最善です。スタットアートは在庫過剰を完全に避ける方が良いですが、ミスや市場の変動が起こることもあり、慎重な在庫補充ポリシーにもかかわらず、スタットアートは定期的に局所的な在庫過剰に直面します。価格設定はこれらの問題を緩和するための貴重なメカニズムです。スタットアートは、在庫過剰の部品を大幅に割引して売る方が、まったく売らないよりも良いですので、在庫過剰は価格戦略に組み込まれる必要があります。

在庫過剰の範囲を、在庫の書き消しになる可能性が非常に高い部品に絞りましょう。この文脈では、在庫過剰はコストのアライメントオーバーライドによって価格をほぼゼロの粗利益に下げることで対処できます。規制と在庫の規模によっては、多少下回る場合もあります。

逆に、在庫切れ、あるいはほぼ在庫切れの場合は、価格を上方修正する必要があります。たとえば、StuttArtが在庫が残り5個しかなく、通常1日に1個売れる部品であり、次の補充が今から15日後に到着する場合、この部品はほぼ間違いなく在庫切れになります。在庫切れに急いで入る必要はありません。スタットアートはこの部品の価格を引き上げることができます。需要の減少が十分に小さいため、在庫切れを回避できる場合は、問題ありません。

競争情報ツールは、競合他社のウェブサイトに表示されている部品の価格だけでなく、出荷の遅延情報も監視することができるようになっています。これにより、StuttArtは自社の在庫切れだけでなく、競合他社の在庫切れも監視することができます。小売業者の在庫切れの一般的な原因の1つは、サプライヤーの在庫切れです。OEM自体が在庫切れの場合、StuttArtを含む競合他社も在庫切れになる可能性が高いです。価格の調整アルゴリズムの一環として、サプライヤーの在庫切れまたは競合他社のウェブサイトの在庫切れの部品をアライメントから除外することは合理的です。競合他社の在庫切れ状況は、出荷の遅延が異常な状況を反映している場合に出荷の遅延を通じて監視することができます。また、オリジナル装備メーカー（OEM）が部品の異常な遅延を発表し始めた場合、その部品の価格ポイントを上げる時期かもしれません。なぜなら、これは市場の全体がこの特定のOEMからより多くの自動車部品を入手しようと苦労する可能性があることを示しているからです。

この時点で、価格最適化と在庫最適化が密接に関連していることが非常に明らかになるはずです。したがって、これらの2つの問題は実践的に共同で解決する必要があります。実際には、必要な単位内で、最低価格と最高表示順位の両方の利益をもたらす部品が販売の大部分を吸収することになります。価格は、StuttArtの提供するさまざまな代替品の間で需要を誘導します。在庫チームが価格チームによって生成される価格を予測しようとすることは意味がありません。代わりに、2つの懸念を共同で対処する統一されたサプライチェーン機能が必要です。

配送条件はサービスの重要な部分です。自動車部品に関しては、StuttArtが約束を果たすことを顧客が期待しているだけでなく、プロセスを迅速化するために追加料金を支払うこともあります。ヨーロッパで自動車部品を販売しているいくつかの主要な電子商取引会社は、リードタイムに応じて異なる価格を提供しています。これらの異なる価格は、単に異なる出荷オプションを反映しているだけでなく、異なる調達オプションを反映している可能性もあります。顧客が1週間または2週間待つことを望む場合、StuttArtは追加の調達オプションを得ることができ、その節約の一部を直接顧客に還元することができます。たとえば、部品は顧客の注文後にStuttArtが取得する場合があり、その場合は在庫リスクと在庫コストを完全に排除することができます。

配送条件は競争情報を複雑にします。まず、競争情報ツールは価格だけでなく遅延情報も取得する必要があります。多くの競争情報の専門家がすでにこれを行っており、StuttArtも追随する必要があります。第二に、StuttArtは価格のアライメントアルゴリズムを調整して、異なる配送条件を反映する必要があります。異なる可能性のある日数の中で1日の時間を節約することによってもたらされる価値をユーロで見積もるために、微分可能プログラミングを活用することができます。この価値は、車種、部品タイプ、および出荷の日数に依存すると予想されます。たとえば、3日のリードタイムから2日のリードタイムに移行することは、21日のリードタイムから20日のリードタイムに移行するよりも顧客にとってははるかに価値があります。

結論として、オンライン自動車アフターマーケットに特化した供給チェーンのパーソナであるStuttArtに対して、包括的な価格戦略が提案されました。価格はどのような種類のローカル最適化戦略にも適応できるものではありませんでした。価格問題は、価格タグの機械的な互換性によって、ある部品の価格の影響が多くの需要単位に広がるため、非ローカルな問題です。これにより、価格は需要単位のレベルでのアライメントとしてアプローチされる視点に至りました。微分可能プログラミングを用いて、2つのサブ問題に取り組みました。まず、競争アライメント自体の近似制約充足問題の解決でした。次に、機械的互換性データセットの自己改善の問題であり、アライメントの品質を向上させるだけでなく、顧客体験の品質も向上させるためでした。これら2つの問題を、微分可能プログラミングを通じてアプローチすることで、供給チェーンの問題の成長リストに追加することができます。これらの問題は、直感的な解決策を提供するために、微分可能プログラミングを通じてアプローチされるという点で共通しています。

一般的に、この講義から得られる教訓は、自動車アフターマーケットが価格戦略において例外的な存在であるわけではないということです。むしろ、興味のある垂直方向に関係なく、常に多くの特異性に直面することを予想するべきです。今日のようにStuttArtに焦点を当てる代わりに、他のどの供給チェーンパーソナを見ても同じような特異性が存在します。したがって、決定的な答えを求めることは無意味です。閉じた形式の解決策は、現実の供給チェーンから時間の経過に伴って生じる無限の変動を対処することに失敗することが保証されています。代わりに、数値的な価格設定のレシピを将来に向けて確実にするためには、概念、方法、およびツールが必要です。プログラム可能性は、価格設定の数値的なレシピを将来に向けて確実にするために不可欠です。

質問に移る前に、7月の最初の週に次の講義が行われることをお知らせします。通常通り、同じ時間帯である午後3時、パリ時間に行われます。第1章を再訪し、経済学、歴史、およびシステム理論が供給チェーンと供給チェーン計画について私たちに教えてくれる内容について詳しく見ていきます。

では、質問を見てみましょう。

質問: ある供給チェーンの総所有コストをデータ分析と全体的なコスト最適化を使用して可視化する講義を行う予定はありますか？

はい、これはこのシリーズの講義の一環です。これに関する要素は、すでにいくつかの講義で議論されてきました。しかし、重要なことは、それは実際には視覚化の問題ではないということです。総所有コストのポイントは、データの視覚化の問題ではなく、マインドセットの問題です。ほとんどの供給チェーンの実践は、財務的な視点に対して非常に軽視的です。彼らはエラーのサービスレベルを追い求めており、エラーのドルやユーロではありません。残念ながら、彼らはこれらの割合を追い求めています。したがって、マインドセットの変革が必要です。

第二のことは、最初の章の一部で議論された要素があるということです。ソフトウェア製品指向のサプライチェーン向けの製品指向の講義として。私たちは経済ドライバーの最初のサークルだけでなく、私が第二の経済ドライバーと呼ぶものについても考えなければなりません。これらは逃げるような力です。たとえば、プロモーションを作成して製品の価格を1ユーロ値引きすると、素朴な分析では、この1ユーロの値引きが私に1ユーロの利益をもたらしたと考えるかもしれません。しかし、現実は、それを行うことで、お客様ベースにこの1ユーロの値引きを将来も期待するという期待感を生み出しています。したがって、これにはコストがかかります。それは第二のコストですが、非常に現実的なものです。これらの第二のサークルの経済ドライバーは、あなたの元帳や帳簿には現れない重要なドライバーです。はい、これらのコストを説明する要素をさらに進めていきます。ただし、それは主に視覚化やチャート化の分析の問題ではありません。それはマインドセットの問題です。これらのことを数量化する必要があるという考えに妥協しなければなりません。それがどれほど困難であっても。

総所有コストについて議論を始めると、このサプライチェーンソリューションを操作するために何人の人が必要かについても議論しなければなりません。それが、この講義シリーズでプログラム的な解決策が必要な理由の一つです。私たちは、スプレッドシートやテーブルを微調整したり、サプライチェーンソフトウェアの例外のアラートに対処するなど、非常にコスト効率の悪い作業をすることはできません。アラートと例外は、会社の全従業員をシステムの人間共同プロセッサとして扱うものです。これは非常に高コストです。

総所有コストの分析は、主にマインドセットの問題であり、適切な視点を持つことです。次の講義では、サプライチェーンについて経済学が私たちに教えてくれること、特に総所有コストが会社にもたらす価値について、さらに多くの視点を再考します。

質問: 技術的に互換性のあるニーズの単位に対して、品質、活性度、シルバー、ゴールドなどの知覚される違いがあります。これを競合他社の価格にどのように考慮しますか？

それは完全に正しいです。そのため、製品の範囲を導入する必要があります。この魅力度のレベルは、通常、品質基準を表す約6つのクラスに分類できます。たとえば、最も高級な部品であり、優れた機械的互換性を備えたモータースポーツの範囲があります。これらの部品は見た目も良く、パッケージ自体も高品質です。

この市場における私の経験からは、部品の品質をわずかに高めたり改善したりする方法には無限のバリエーションがあるにもかかわらず、市場はほぼ6つの製品範囲に収束しているということです。非常に高価なものからあまり高価でないものまでの範囲です。私たちはStuttArtの部品をグループ化する際に、これらの部品を製品範囲内にグループ化する必要があります。同じことは競合他社の部品にも当てはまります。つまり、部品がStuttArtによって販売されていなくても、その部品の品質範囲を知る必要があります。

StuttArtは市場のすべての部品について認識する必要があります。これはそれほど難しいことではありません。なぜなら、ほとんどのメーカーが自社の部品の予想品質について情報を提供しているからです。これらの情報は、オリジナル装置メーカー（OEM）自体によってかなりコード化されています。私たちは、自動車市場が100年以上続いている非常に確立された、非常に成熟した市場であるという事実から利益を得ています。車や部品の互換性のための互換性データセットを販売する会社は、部品や車のモデルに関する豊富な属性も提供しています。私たちは数百の属性について話しています。これらのデータセットは広範で豊富です。もともと、これらのデータセットは修理センターの人々が修理を行う方法を理解するために使用されていました。PDFの添付ファイルや技術文書も付属しています。非常に豊富です。画像や写真を含む数十ギガバイトのデータがあります。私はこれらのデータセットの市場価値についてほんの一部しか触れていませんでした。

質問: 地域ごとの規制の違いは、自動車会社の価格最適化にどのような影響を与えますか？例えば、フランスの企業であるPeugeotについて言及しましたが、スカンジナビアやアジアの類似の企業と比べて、アプローチはどのように異なるでしょうか？

スカンジナビアはほぼ同じ自動車市場です。いくつかの異なるブランドがありますが、独自の自動車産業を維持するには小さすぎます。自動車産業に関しては、スカンジナビアは3億5000万人のヨーロッパ人と同じです。しかし、アジアは本当に異なります。インドと中国は独自の市場です。

価格最適化に関しては、規制はオンラインの自動車部品販売の存在を阻止するのではなく、むしろ遅延させました。たとえば、20年前のヨーロッパでは法的な争いがありました。StuttArtのようなパイオニア企業は、最初にオンラインで自動車部品を販売した企業であり、法的な争いに直面しました。彼らは自社のウェブサイトで自動車メーカーが販売している部品と同じものであると主張して自動車部品を販売していました。

StuttArtのような企業は、「私はあなたにどんな自動車部品も売っていません。私はあなたに自動車メーカーが使用するまったく同じ自動車部品を売っています。」と言っていました。彼らは同じ工場からまったく同じ部品を購入していました。たとえば、Valeoから出てきた部品がプジョーの車に取り付けられている場合、既知の関連性があります。約20年前に判決が下されたのは、ウェブサイトが自動車のオリジナル部品と同じ部品を販売することを主張することが合法であるというものでした。この規制上の不確実性により、スペアカーパーツのオンライン販売の台頭が約5年遅れました。パイオニア企業は、自動車メーカーとの間で自動車部品の販売権を巡って裁判所で闘っていましたが、その際に彼らは自動車のオリジナル部品として資格を持つ部品とまったく同じ部品を販売する権利があると主張しました。状況が明確になった後、彼らはValeoやBoschからまったく同じ自動車部品を正直に購入する限り、それを行うことができました。それが車に取り付けられている部品とまったく同じ部品です。

ただし、まだ制限があります。たとえば、車の外観を特徴づける部品は、車メーカーだけがオリジナル部品として販売することができます。たとえば、車のフードです。これらの規制は、オンラインで自由に販売される部品の範囲を制限する上で影響を与えます。その部品が機械的な互換性だけでなく、安全性にも影響を与える可能性があるからです。これらの部品のいくつかは安全上重要です。

アジアでは、ここで議論していない問題の1つは偽物です。偽物との取り扱いは、ヨーロッパとアジアでは非常に異なります。ヨーロッパでも偽物は存在しますが、市場は成熟しており、触媒作用があります。OEMと自動車メーカーはお互いを非常によく知っています。偽物は存在するものの、非常に少ない問題です。アジアの市場、特にインドと中国では、偽物に関する問題はまだかなりあります。偽物は中国でもヨーロッパと同じくらい違法ですので、規制の問題ではありません。問題は執行です。アジアでは執行の度合いがヨーロッパよりもはるかに低いです。

質問: 価格を全体的に最適化するのか、競合他社との関係で最適化するのか？

最適化関数は、ニーズの単位ごとに概念的に設定されます - ニーズの単位とは、車のモデルと部品の種類です。各ニーズの単位について、StuttArtの最高の提供価格と競合他社の価格との間のユーロにおける価格差があります。これら2つの価格の絶対差を取り、それらを合計します。これがあなたの関数です。私たちは、この価格差の合計を単純に使用するのではなく、各ニーズの単位の年間販売数量を反映した重みを追加します。

したがって、制約充足問題の最適化関数は、StuttArtがニーズの単位に提供する最高価格と競合他社が提供する最高価格の絶対差の合計です。また、このニーズの単位の年間重要度を反映した重み付け要素も追加します。あなたはヨーロッパ市場の状態を最もよく反映しようとしています。

ニーズの単位の重要性に対して、StuttArtのニーズの単位の重要性に対して重みを付ける理由は、StuttArtがニーズの単位から何も売れないほど競争力がない場合、競争力がない問題が発生する可能性があるからです。したがって、このニーズの単位は無視され、ゼロの販売となります。その結果、競争力がなく、何も売れないため、ニーズの単位自体が無視されるという悪循環が生じます。

質問: 異なる可能性のあるモデリング機械学習の視点アプローチが業界の標準となり、他の非常に類似したモデルと競合するリスクがある場合、予期しない結果が生じる可能性はありますか？

この質問は難しいです。なぜなら、予期しない結果であれば、誰もそれを予期していないからです。私自身も含めて、どのような予期しない結果が生じるかを予測するのは非常に難しいです。

ただし、より重要な点として、この業界は10年間アルゴリズム技術によって推進されてきました。それは意図の精度の面での改良です。意図により密接に関連する数値的な手法が必要です。ただし、基本的には、現在手作業で行われている状態から出発して、10年後には数値的なレシピによって自動的に行われるようになるわけではありません。既に数値的なレシピによって行われています。毎日100,000件の価格を維持し更新する必要がある場合、何らかの形式の自動化が必要です。

おそらく、自動化は巨大なExcelスプレッドシートで行われており、さまざまなブラックマジックを行っているかもしれませんが、それはまだ非常にアルゴリズム的なプロセスです。人々はほとんどの場合、数少ない部品を手動で調整することはありません。ほとんどは既にアルゴリズム的なプロセスであり、既に多くの予期しない結果があります。たとえば、ヨーロッパのロックダウン中、人々は家にいる時間が長くなり、オンラインでのショッピングが増えました。これは直感に反するかもしれませんが、彼らはまだ車をかなり使っており、したがって、より多くのショッピングをしていました。ただし、自動車部品を販売している多くの企業は、在宅勤務が増えたため、プロモーションの組織化がより複雑になり、活動が減少しました。

その結果、2020年のロックダウン中の数ヶ月間、プロモーションによって生成されるアルゴリズムのノイズはずっと少なくなりました。アルゴリズムの反応は、日々のリフレッシュに基づいてより明確に見える日がありました。

これは非常に成熟したモデルであり、すべてが電子取引で行われている確立された業界です。予期しない結果や予期しない結果は、予測が難しいです。

最後に、電気自動車が内燃機関車と比較して部品が少ないため、すべてを簡素化すると期待されている領域について考えを提供します。ただし、StuttArtのような企業の視点からは、次の10年間では電気自動車は市場においてはるかに多くの部品を意味します。

電気自動車が主流になるまで、古い内燃機関車を持つ車両はまだ存在します。これらの車両は約20年間持続します。StuttArtとしては、まだまだ新しいとは言えない車両を扱っています。これらの車両の多くは品質が良く、今後も20年間は存在し続けます。しかし、その間にはさまざまな部品を持つ多くの電気自動車が市場に登場することになります。これにより、異なる部品の数が着実に増え、さらなる課題と複雑さが生じる可能性があります。

今日の講義はここまでです。もしご質問がなければ、次回の講義でお会いしましょう。次回の講義は7月の第1週、水曜日の午後3時（パリ時間）に行われます。どうもありがとうございました。それでは、またお会いしましょう。

Lokad TVに戻る ›

PREVIOUS EPISODES