00:00:00 在庫管理:サービスレベル、安全在庫についての議論.
00:00:22 Joannes はサービスレベルおよび安全在庫に関する従来の認識に挑戦します.
00:02:10 具体的な在庫管理決定の利点.
00:03:07 サービスレベル測定の複雑性を探求.
00:06:10 Joannes が語る ABC XYZ分析の長所と短所.
00:10:31 在庫最適化の複雑性を掘り下げる.
00:11:22 検証可能なシステム設計の複雑性.
00:12:15 ABC XYZ の批判とその心理的根源.
00:13:33 ABC XYZ分析と人間の認知への影響.
00:16:12 ABC XYZ の詳細分析と計算によるランキングの価値.
00:21:04 在庫のカテゴリ分けと調整の微妙な違いについて議論.
00:23:53 バスケット視点の導入、在庫配分の課題.
00:24:54 在庫管理におけるサービスレベルの歴史を辿る.
00:26:55 サービスレベル指標の落とし穴と誤解を招く含意.
00:28:51 サービスレベルと顧客満足の神話を覆す.
00:32:34 供給チェーン理解のための水のアナロジー.
00:34:25 製品販売量の動的性について議論.
00:36:00 サービス品質、顧客の期待、製品の入手可能性.
00:38:20 製品品揃えにおける数学的罠の誤謬を暴く.
00:41:16 在庫管理における数学モデルの神話.
00:42:12 ABC XYZモデルの欠陥:顧客行動の無視.
00:43:41 優先順位付けメカニズムとしての ABC XYZ の欠陥.
00:44:46 ABC XYZ を修正しようとする失敗した試み.
00:47:35 欠陥のある供給チェーン前提と自動化への移行.
00:51:01 平均日次売上の誤謬についての議論.
00:52:49 製品カテゴリの変動性に対する批判.
00:54:07 数学的分類の価値について異議を唱える.
00:56:11 決定論的対確率論的供給チェーンアプローチ.
01:03:43 ギャップを埋めるAIの有用性について議論.
01:07:56 従来の供給チェーン前提に挑戦.
01:10:33 曖昧さへの寛容さ、矛盾の共存.
01:16:24 現代の複雑な供給チェーンの現実.
概要
Conor Doherty と Joannes Vermorel は、人気の在庫分析ツールである ABC XYZ分析 を調査し、その単純化が情報の欠落を引き起こすと主張しています。Vermorel は、サービスレベル と 安全在庫 を個別に管理する従来の手法に反対しています。彼は、大量の製品を扱う複雑さを踏まえて、テクノロジー支援による 供給チェーン管理 を提唱します。さらに、ABC XYZ分析はダイナミズムに欠け、顧客の視点が十分に取り入れられていないと批判しています。さらに、Vermorel は、リスクをより微妙に把握できる 確率的アプローチ を供給チェーン管理に採用することで、在庫の 意思決定 を支援できると主張しています.
詳細な概要
本インタビューでは、ホストの Conor Doherty と Lokad の創設者 Joannes Vermorel が、人気の在庫分析ツールである ABC XYZ分析を分析します。この手法は、製品を販売量と変動性に基づいて単純なサブグループに分類します。Vermorel は、製品の特性を過度に単純化することにより、貴重な情報が失われるため、この手法に欠陥があると示唆しています.
本インタビューでは、適切なサービスレベルと安全在庫の目標設定がいかに複雑であるかにも言及しています。Vermorel は、この作業に内在する複雑性を強調し、サービスレベルや安全在庫といった一見単純な要素に問題を分解する従来の考え方に挑戦しています.
Vermorel は、サービスレベルや安全在庫を個別に扱うことが問題を単純化すると考える暗黙の前提に疑問を呈します。彼は、補充すべき適切な数量を決定する際に生じる課題と、適切なサービスレベルを見極める際の課題が同じであり、その両プロセスに伴う複雑性は類似しているため、どちらかがより単純であるとは言えないと述べています.
自身の見解を説明する中で、Vermorel は在庫数量に関する具体的で直接的な意思決定と、抽象的なサービスレベルの概念とを区別します。彼は、在庫数量に関する具体的な決定は抽象的なサービスレベルの概念とは異なり、供給チェーンに対して明確で測定可能な影響を及ぼすと指摘します。その結果、具体的で測定可能な行動に注力することが問題の単純化につながると主張しています.
Vermorel は、在庫ポリシーを決定するために用いられる ABC XYZ分析のようなツールを批判します。彼はこれらのツールを、人間が在庫の意思決定を行う際に注意を優先させるための「アテンション・プライオリティ化機構」と表現します。これらのツールは、販売量に基づいてどの商品に注目すべきかを決定する点では役立つかもしれませんが、根本的に初期の問題を単純化するものではないと示唆しています.
実際、Vermorel は、意思決定において人間の注意を優先させるツールの開発に注力することで、初期の問題から遠ざかってしまったと論じています。この移行は、彼がソフトウェアの概念である「Yak shaving」に例えるように、はるかに複雑な問題、すなわち人間に最適な形で情報を提示し意思決定を支援する方法を模索する結果となっています.
彼はこのアプローチを批判し、もし問題の解決に最初からコンピュータが使用されるのであれば、人間の注意を優先させる必要はないと指摘します。コンピュータは、プロセスのあらゆる段階で人間の干渉を受けることなく、全体として問題を解決すべきだと主張しています.
Doherty は、需要変動を「周辺的な問題」と切り捨てる Vermorel の見解に異議を唱えます。これに対し、Vermorel は、初期の問題は適切な在庫の意思決定を行うことであったという自身の主張を繰り返します。しかし、人間が関与する場合、その限られた情報処理能力のために優先順位付けが必要となるため、ABC XYZ分析のようなツールは本来の問題解決から私たちを遠ざけてしまったと示唆しています.
その代わりに、Vermorel は各製品に販売量に応じたランクを割り当てることを提案します。彼によれば、このランキングシステムはより多くのデータを保持できるため、製品の分類においてより有益な手法となります。このシステムは現代のコンピュータの計算能力と合致し、人間の判断よりも正確な分析を可能にします.
さらに、Vermorel は供給チェーン管理において人間の判断が主要な意思決定者であるという考えを批判します。日々膨大な製品を扱う企業においては、人間の在庫管理能力には明確な限界があり、これらの複雑性を管理するためにはテクノロジーに依存するほうが効果的であると示唆しています.
彼は、製品を販売量に基づいてカテゴリに分ける手法について議論し、この方法が情報の損失を招くと批判します。彼はこれを、円に対して多角形で近似するようなものであり、辺の数を増やせば近づくものの完全な表現にはならないと例えています。Vermorel にとって、製品を少数のカテゴリに分類することは、販売量に基づく各製品のランクを表す滑らかで連続的な曲線を、粗雑な 近似に過ぎないと考えています.
次に SKUs(在庫管理単位)の話題に移り、Vermorel は SKU を個別に扱うことに反対します。彼は、SKU を個別に扱えば問題は単純化するかもしれないが、効果的な解決には至らないと主張します。また、サービスレベルを含む安全在庫手法については、将来の需要や リードタイム に関する仮定に基づいているものの、実際にはこれらが想定される正規分布をしていないため、負のリードタイムや売上といった問題を引き起こす可能性があると批判しています.
Vermorel は、サービスレベルの概念が根本的に欠陥があると主張します。直感的にはサービスレベルが高いほど顧客満足度が向上するように思えるかもしれませんが、安全在庫計算の基礎となる数学モデルは顧客満足度に関する洞察を提供しません.
彼は、多くの企業が取り扱う製品の多様性と量を踏まえ、供給チェーン管理を多次元的な問題として扱う重要性を強調します。Vermorel は、SKU の数が膨大な供給チェーンに対しては、単一製品のシステムとは根本的に異なる複雑で新たに現れる特性があるため、異なるアプローチが必要であると示唆しています.
続いて、Vermorel は供給チェーン最適化の複雑性について議論します。単一の分子を理解するだけでは水のあらゆる形態について十分に理解できないのと同様に、1つの製品を理解しただけでは供給チェーン全体を把握したことにはなりません。供給チェーンは非常に多様で複雑な要素を含んでおり、単一製品の視点では捉えきれない部分が多く存在します.
Vermorel は、一般的な供給チェーン管理手法である ABC XYZ分析を批判します。彼は、販売量は静的なものではなく動的であり、時間とともに大きく変動するため、単一の製品がそのライフサイクルの中で異なるカテゴリに分類される可能性があることを指摘し、販売量を静的と捉えるABC XYZモデルは不十分であると述べています.
この動的な変化の欠如は問題であり、顧客の期待が常に変動する中で、供給チェーンはそれに応じた柔軟な対応を求められます。例えば、毎日パンが提供されることが期待されるベーカリーで、ある ストックアウト が発生すれば、『社会的契約』が破られ、顧客のサービス品質に対する認識が著しく損なわれることになります。この認識は供給チェーンではなく、顧客自身によって形成されるのです.
興味深いことに、Vermorel は、単一製品のサービスレベルが複数製品が関与する場合に満足のいく顧客体験に直結しないと指摘します。例えば、各製品のサービスレベルが95%のスーパーマーケットで、20製品を求める顧客がすべての商品を揃えられなければ、実際のサービスレベルは10%未満に低下してしまうのです。この乖離は、数学的モデルと顧客の認識との間に大きな隔たりが存在することを示しています.
Vermorel は、安心感や統制を連想させる名称にもかかわらず、ABC XYZ分析が重要な要素を欠いていると強調します。具体的には、時間経過による分散を考慮せず、顧客の視点を見落とし、顧客の買い物かごにおける製品の組み合わせの重要性を認識していません.
ホストの Conor Doherty は、顧客が特定の商品を購入する目的で店舗に入ったにもかかわらずそれが見つからなければ、何も購入せずに店舗を後にしてしまい、潜在的な売上が失われると付け加えています.
Vermorel は、ABC XYZ分析を注意の優先順位付けメカニズムとして批判し、供給チェーン管理において真に重要な要素を浮かび上がらせていないと述べています。彼は、目標バッファーからの乖離に基づいて製品の優先順位を決定する Demand Driven Material Requirements Planning(DDMRP)アプローチの方が、注意を優先する上で合理的であると認めています.
Vermorel は、ABC XYZ分析が供給チェーンの複雑性を調和させる有効な手法ではないと論じています。彼は、この手法が一連の欠陥ある前提に基づいており、修正の試みは誤った方向へ進む手法に単に「ダクトテープ」を貼るに過ぎないと主張し、供給チェーンの複雑性とダイナミズム、そして顧客の視点の重要性を十分に評価するアプローチを提唱しています.
続いて、Vermorel は供給チェーン管理におけるテクノロジーの役割に踏み込み、つい最近になって初めて機械が供給チェーンの意思決定を自動化できる程度の能力を持つようになったと指摘します。この進化は、現代の技術革新と比べると比較的緩やかであると彼は述べ、企業が自前で電力を生成する体制から電力網から購入する体制へ移行するのに約40年を要したという歴史的な例え話でその点を説明しています.
議論は、需要パターンに対する ABC および ABC XYZ アプローチへと焦点が移り、Vermorel はいずれも不十分であると評価しています。彼は、それらの静的かつ抽象的な性質を批判し、実世界の現象を正確に反映できていないと主張します。例えば、製品カテゴリは時間とともに不安定であり、ABC analysis においては、あるカテゴリから別のカテゴリへ急激に変化するため、企業にとって実質的な価値が見出せないと指摘しています.
このテーマを踏まえ、Vermorel は ABC XYZ マトリックスを単なるパターンの錯覚であると批判し、実際は現実が非常に混沌としており微妙なものであるにもかかわらず、企業に科学的な 精度 の誤った安心感を与えていると述べています。彼は、これらの分類が恣意的であり、複雑で連続的な製品カテゴリのスペクトルを過度に単純化してしまうと主張しています.
議論は次に、供給チェーン管理における確率的アプローチに向かいます。Vermorel は、膨大な情報を収集・処理するツールとしての確率的予測の価値を強調し、不確実性の評価に役立つと述べています。この手法は、リスクをより微妙に理解できるため、企業が在庫数量についてより情報に基づいた意思決定を行うのに特に有益であると示唆しています.
ヴェルモレルは次に、サプライチェーン管理における技術の役割について掘り下げ、つい最近になって機械がサプライチェーンの意思決定を自動化できるほどの能力を持つようになったことを指摘する。彼は、この進化が現代の技術革新に比べて比較的緩やかであると述べ、歴史的な類推として、企業が自ら発電する方式から電力網から購入する方式への転換が、後者の明らかな利点にもかかわらず約40年を要したことを例に挙げる。
議論は、需要パターンに対するABCおよびABC XYZアプローチに焦点を移し、いずれもヴェルモレルが不十分であると考えていることに変わる。彼は、それらが静的で抽象的な性質を持つため、現実世界の現象を正確に反映していないと批判する。例えば、製品カテゴリーは時間の経過とともに不安定になり、ABC分析ではその分類があるカテゴリーから別のカテゴリーへと跳躍するため、企業にとって実質的な価値をもたらさなくなることを説明する。
このテーマを続けて、ヴェルモレルはABC XYZマトリックスを、現実がはるかに混沌として微妙なニュアンスに富むにもかかわらず、企業に科学的正確さの偽りの感覚を与える、単なるパターンの幻想であると批判する。彼は、これらの分類が恣意的であり、複雑で連続的な製品カテゴリーのスペクトルを過度に単純化してしまうと論じる。
議論は次に、サプライチェーン管理への確率論的アプローチに移る。ヴェルモレルは、不確実性の評価に役立つ大量の情報を捉え処理するツールとして、確率論的予測の価値を強調する。彼は、この手法がリスクをより微妙に理解することを可能にし、結果として企業が在庫数量に関するより情報に基づいた意思決定を行えるため、特に有益であると示唆する。
ヴェルモレルは、確率論的予測の2つの利点を強調する。ひとつはシステムに関するより詳細な情報を提供する点、そしてもうひとつは財務的なビジョンと将来予測を橋渡しすることを可能にする点である。ポイント予測とは異なり、確率論的予測は、意思決定の質をユーロやドルといった単位で再表現する様々な方法に適している。
ヴェルモレルは、ABC XYZ予測アプローチが指標の成果と財務結果を合理的に結びつけることができないため、行き詰まりを表していると主張する。彼は、人工知能や machine learning を使ってこのギャップを埋めようとする試みを、遅い車に航空機エンジンを取り付けるようなものに例え、このような解決策は不必要に複雑で、より単純かつ効果的に対処できる根本的な問題を見落としていると批判する。
Lokadの創設者はまた、サプライチェーン管理における品質工学の重要性を強調する。彼は、サプライチェーンシステムの過剰な複雑さに警鐘を鳴らし、基本的な問題の解決に注力することを推奨する。例えば、あるスーパーマーケットが人気のあるおむつブランドを取り扱わず、それが原因で顧客が離れてしまうという仮想のシナリオを挙げ、過度に複雑な forecasting methods ではこの問題は解決できないと指摘する。
ヴェルモレルは、確率論的予測に自信がない人々に対して、自分たちの前提に疑問を持ち、ABC XYZ手法の根底にある論理に挑戦するよう助言する。彼は、この手法が本来の目的(つまり、製品を2つの次元に沿ってクラスタ化したマトリックスを作成すること)を遂行してはいるが、その根本的な論理とビジョンは欠陥があり、おそらく時代遅れであると主張する。
Dohertyは、矛盾しているように見える2つの事柄が同時に真であり得る、ということを示唆する。つまり、時代遅れの方法が一時的には機能する一方で、最適な解決策ではないということだ。ヴェルモレルはこの点をさらに展開し、企業はしばしば「全く機能している」ことを「最適に機能している」と誤解してしまうと示唆する。彼は、水をバケツで運ぶという例えを用い、技術的には機能するが、なお優れた代替手段が存在することを説明する。
ドハーティとヴェルモレルの両者は、サプライチェーン管理に内在する曖昧さを認め、柔軟性の必要性を認識することの重要性で一致している。インタビューは、確立されたサプライチェーンの慣行を継続的に再評価し、疑問を呈すようにというヴェルモレルの警告で締めくくられる。
完全な書き起こし
Conor Doherty: LokadTVへようこそ。適切なサービスレベルと安全在庫の目標値を設定するのは難しく、市場には数多くの選択肢が存在し、ベンダーは解決策を売り込もうとしています。そのようなツールの一つがABC XYZ分析であり、この分析を手助けしてくれるのがLokadの創設者であるJoannes Vermorelです。まずは最初から始めましょう ― サービスレベル、安全在庫、これら全ての在庫ポリシーです。なぜこれらの設定がこれほど難しいのでしょうか?
Joannes Vermorel: これらの問いに答えようとするための選択肢は数多く存在します。我々が部分問題と捉えるものは、実際には真の部分問題ではありません。例えば、サービスレベルについて話してみましょう。サービスレベルの選択が全体の問題の中で、より単純な、つまり小さな部分であるという暗黙の前提があります。それができれば、他のことも処理できるはずです。この暗黙の前提は、我々が問題を分解したという認識に基づいています。挑戦すべきは、生産、在庫、または割り当てるべき在庫量を正確に選ぶことであり、『サービスレベル』や『安全在庫』という用語を使うと、暗黙のうちに問題を分解していることになります。私は、この分解が元の問題を単純化するものではないという考えに異議を唱えます。サービスレベルの問題に取り組む際、その難しさや変動性は、最初の出発点と同程度のものであるため、サービスレベルの設定が実際に補充すべき正確な数量を決定するのと比べて容易でないのは当然のことなのです。
Conor Doherty: では、あなた自身の言葉で問題を再定義するとしたら、どのように捉えますか?
Joannes Vermorel: 在庫最適化の現場では、我々は具体的な意思決定、つまり何単位を割り当て、生産、または購入するかという決定を下す必要があります。その意思決定は具体的なものであり、サプライチェーンに実際的な影響を及ぼします。例えば、ある店舗で97%のサービスレベルを設定するという決定とは異なり、それは抽象的な概念に過ぎません。実際、97%のサービスレベルというものは存在しないのです。これは潜在的に有用な概念であるかもしれませんが、サプライチェーンの現実を具体的に反映するものではありません。抽象的であると言うのは、サービスレベルが意思決定に関与する場合には生じない多くの未解決問題を伴うからです。たとえば、店舗に10単位を割り当てると決定すれば、その後、確実に10単位が移動されたことを測定できますが、サービスレベルの場合、もし予想以上に顧客が現れても実際に97%という数字に到達することはないのです。だからこそ、私はそれを、サプライチェーンの基礎となる現実を具体的に反映するものではなく、単なる人工的な概念とみなしています。
Conor Doherty: そして、あなたが述べた内容のうち、ABC XYZ分析やその前身であるABCでは、どの程度までが実際に捉えられているのでしょうか?
Joannes Vermorel: サプライチェーン実務者は最終的に具体的な意思決定にたどり着くことを望みます。単に数字を見て必要なものを見積もるのは非常にローテクな方法であり、多くの店舗が今なおこの方法で運営されています。すべては概算であり、それで十分機能するのです。しかし、この方法は粗雑に見えるため、人々はそれを洗練しようと試みます。すると、製品数が多いことに気づき、製品リストを毎日すべて見直すことは現実的ではないと認識するのです。だからこそ、何らかの注意優先順位付けの仕組みが必要となります。一つの方法は、製品を販売量の多い順に並べ替えることです。上位から順に、上位10製品を毎日、リストの半分を週次、全リストを月に一度レビューする、といった方法です。これが基本的にABCの本質です。しかし、ABC XYZの面白い点は、基本的にはそのバリエーションであり、人間向けに設計された注意の優先化メカニズムだということです。
さて、この時点で、我々が解決しようとしている問題自体に疑問を呈するべきだと思います。我々は、割り当て、生産、または購入すべき正確な在庫数量を選定するという具体的な問題から出発しました。しかし、どうやらそこから、サービスレベルや安全在庫の選択という別の問題へと移行してしまったようです。
その後、さらに注意の優先順位付けという別の問題に進んでしまいました。私が見始めたパターンは、ソフトウェアの世界で「ヤク・シェービング」と呼ばれるものに似ています。つまり、「Windows 10をWindows 11にアップグレードしたい」という非常に単純な目的があったのに、結果的にコンピュータを開けてネジやボルトを交換する、といった本来無関係と思われる作業にとらわれてしまうのです。
まさにそれが、我々が在庫最適化の問題で行っていることです。我々は「割り当て、生産、または購入すべき正しい数量を決定しよう」という問題から出発しましたが、今や「この情報を人間に提示するために、どのように整理すべきか」という、はるかに複雑な問題を解決しようとしています。
しかし、これは非常に複雑な問題であり、この問題を解決することが元々の問いに対する最善の答えであるとは断言できません。たとえば、2つの数字を足す場合、中間ステップを人間に提示して加算が正しいかどうか確認させるシステムを設計すべきでしょうか?それは、単に加算を行う回路を設計するよりも桁違いに複雑な問題なのです。
私がこのABC XYZアプローチに対して批判しているのは、最初から非常に複雑な問題を出発点としていた点にあります。実際、その問題は非常に複雑であり、我々はそれを分解しようと試みたものの、結局目的を逸れてしまったのです。今、我々が取り組んでいるのは、ほぼ実証心理学に匹敵するほどに、人間にとっての適切な注意優先順位をどう整理するかという別の問題です。しかし、そもそもコンピュータを使ってこの問題を解決するのであれば、なぜ人間の注意を優先する必要があるのでしょうか?単にコンピュータに問題を解かせればよいのです。
Conor Doherty: ここで少し踏み込んでよろしいでしょうか? 私は話の流れを把握しているのですが、聴衆の代理として、ABC分析は一般的に販売量または売上高に基づいていると理解しています。我々はSKUをA、B、Cの3カテゴリーに分解し、XYZは一般的に需要変動という第二の次元を表します。もし私の理解が正しければ、あなたは需要変動の定量化を、本質からはそれた副次的な問題として扱っているのではないかと。なぜそうするのかご説明いただけますか?
Joannes Vermorel: 我々は「正しい在庫の意思決定を数量として表現したい」という問題から始めました。そこで、人間が関与する場合、その情報処理能力に限界があることに気づいたのです。したがって、優先順位付けが必要となります。単に販売量の高い順に基本的な優先順位付けをすれば、結果はABCになってしまいます。
その後、この人間のオペレーターが各ラインごとに適切な安全在庫とサービスレベルを把握できるよう支援する必要があります。しかし、これは単に問題を人間の脳が処理しやすい形に分解するに過ぎません。
XYZは、リスト内の雑音や変動の度合いというもう一つの次元を加えるためのものです。つまり、製品の上位、たとえば全体の上位10%の販売製品を取り、そのリストを各製品ごとの周囲の雑音の度合いを表すチャンクに分割するのです。こうして、単なるセグメントのリストではなく、マトリックスが形成されるのがABC XYZです。
しかし、これは本質的に人間の思考のために設計された手法なのです。自問すべきは、エンドツーエンドのプロセスを機械に任せたい場合、このようなセグメンテーションに何らかの利点があるのか、問題解決に本当に寄与するのかという点です。
全くそのような利点はありません。批評家は、おそらく、概ね9つのカテゴリーのマトリックスを作ることで、変動や最も貢献度の高いSKUを特定できると指摘するでしょう。そして、「その場合、どれだけの安全在庫を持つべきか? 各SKUのレベルはどう設定するのか? 例えばAXとCZの間には違いがある」という議論になるでしょう。一瞬、これら2つの次元が有用であると仮定してみても、コンピュータの観点から言えば、なぜ離散的なチャンクを考慮する必要があるのでしょうか? それぞれの販売量に対し半ダースのサブグループ、また変動に対しさらに半ダースを設定する理由は何でしょうか? 単に各製品を販売量の多い順にランク付けし、ポートフォリオ内で正確なランクを数値として保持すればよいのです。そして、変動についても同様にすればいいのです。
ランクは、クラス(ABCやXYZ)のみならず、より多くの情報を厳密に提供してくれます。クラスは、あくまでそのランクのおおよその近似に過ぎず、この近似は人間の脳が情報を消化しやすくする一目的にすぎません。しかし、コンピュータの観点からは、単にランクを保持するだけで、情報の損失なく全てを利用できるのです。クラスは情報損失のある表現であり、多くの情報を失ってしまいます。この情報損失からは何も良い結果は得られません。
もしこれら二つの次元が有用であるとすれば、無関係だというわけではありません。ただし、問題の次元分解という観点からすれば、これらの次元は恣意的であり、最善の方法であるとは必ずしも言えないのです。もしこの2次元に注目してランクを保持すれば、indicators のように、各製品に対して一組のランクを与えることができますが、この一組のランクは、クラスの組み合わせよりも明確に多くの情報を提供するのです。
これは、販売量と変動という点が重要なだけでなく、初めから人間の脳が情報を処理する前提で設計された手法なのです。だからこそ私は疑問を呈するのです。そもそもなぜそのようなアプローチを取り入れる必要があるのでしょうか? 私たちは非常に強力なコンピュータを持っています。在庫の意思決定に人間の直感が必要だと思いますか?
もし1店舗に1万点の製品があり、これらが毎日入れ替わっているとしたら、平均して1製品あたり約4秒しか費やさない担当者に、何かひらめきが生まれるとでも思いますか?
人間の心が、時間と資源さえあれば信じられないことを成し遂げられるという点には異論はありません。アルバート・アインシュタインのような人物に数か月、あるいは数年を与えれば、機械では到底成し得ない驚異的なことを行えるでしょう。しかし、我々がサプライチェーンで運営している文脈はそうではありません。人々はただ物事を終わらせるために、莫大なプレッシャーにさらされています.
ですから、SKUごとにあなたが利用できる脳の力の秒数を見ると、通常は非常に少なくなります。ほとんどの業界では、1日あたりSKUごとに数秒という問題になるのです。カテゴリーについては議論しましたが、それらがどのように校正されるかについては触れていません。私の理解する限り、これは複数の人間の知恵の成果なのです.
しかし、もしランクがあって、パーセンタイルによって分割を決めることができるなら、カテゴリーAはパーセンタイル10まで、つまり上位10%、あるいはカテゴリーAを上位2%とすることも可能です。なぜなら、最も売れている商品から最も売れていない商品までをプロットすると、ほとんど必ずジップ曲線が現れるからです。この曲線は私がかつての講義で触れたように、連続しており、プラトーや離散的な分割はなく、完全に滑らかです.
これは、昔のビデオゲームで円を多角形で近似しなければならなかった状況に似ています。八角形で近似すれば、解像度の低い円が得られます。エッジを増やすことで、視覚的には円に近づきます。もし数千のエッジがあれば、非常に円に見えるものになるのです.
しかしここで私が見ているのは、まるで円を四角形で近似しようとしているかのようです。クラスが4つあれば、セグメントを四角形で近似していることになります。5つであれば五角形となり、というように。クラスを増やせば近似はより良くなります。しかし、近似自体を完全に取り除いてしまうと、各製品のランクのみが残るのです.
したがって、グループを導入するのではなく、ランクをそのまま維持すべきだと思います。もしボリュームと分散が有用な次元であると仮定するなら(私はこれに異議を唱えますが)、そのランクはこの二つの次元に関するより情報量豊かなバージョンを提供してくれます。どんな集合化の手法を導入しても、この情報は劣化してしまいます.
Conor Doherty: これは非常にスムーズにバスケットの視点へと移行します。顧客がSKUを単体ではなく組み合わせで扱うという問題に答える上で、非常に興味深い視点です。これをどのようにこの議論に組み込むのでしょうか?
Joannes Vermorel: 私たちは、少なくともその表現においてシンプルな問題、つまり適正な在庫数量を割り当て、生産、購入、または保有するという問題から始めました。サービスレベルと安全在庫を用いるという広く使われる手法に気を取られましたが、私はこれらの手法の有効性に本当に疑問を呈しています.
サービスレベルの視点は、将来の需要に関する歴史的に単純化された仮定から生じたもので、需要について正規分布の誤差を予測し、リードタイムについても同様の仮定を置きます。しかし、不確実性が正規分布しているわけではありませんが、それはまた別の問題です.
正規分布、すなわちガウス分布が得られたら、サービスレベルと同じ効果をもたらすパラメータ、つまり分位数を選びます。そうすることで、在庫として維持すべき目標数量が決定されます。この安全在庫は、一次元分布における平均と分位数との差の結果として生じるものです.
しかし、それが正規分布であるため、両方向に無限大に広がります。古典的な安全在庫モデルは、負のリードタイムや負の売上といった奇妙な結果を生み出すことがあり、非常に奇妙ですが、それらはモデルの一部なのです.
つまり、サービスレベルの値を選ぶことで、在庫の目標値がプラス無限大からマイナス無限大までの任意の値となりうるということです。これは理論上の話ではなく、文字通り数学が示すものです。したがって、ガウス分布が存在する限り、分位数を選び、その最終的なカットオフはマイナス無限大からプラス無限大までの任意の値になるのです.
Conor Doherty: サプライチェーン管理におけるサービスレベルの概念について説明していただけますか?
Joannes Vermorel: サービスレベルを考慮する際、範囲が負の無限大から正の無限大にまで及ぶ可能性があることを理解することが極めて重要です。実際、あなたのサービスレベルは、補充を決定する数量と同一です。補充するどんな数量にも、正規分布として理解される対応するサービスレベルが存在するのです。これは単なる類推ではなく、数学的な等価性なのです。どんな数量についても、安全在庫モデルが存在すれば、その正規分布の設定内に対応するサービスレベルが現れます.
さて、人々はサービスレベルがパーセンテージで表現されるため、よりシンプルまたは容易であるという幻想を抱くかもしれません。しかし、それは幻想に過ぎません。やや良い点としては、全ての製品が異なるボリュームや有効性を持っているため、スケールを標準化するのに役立つ点です。補充、生産、または購入される数量をサービスレベルターゲットとして表現すれば、ボリュームの影響やバイアスが排除されるのです。しかし、それは弱い議論に過ぎません.
「サービスレベル」という用語は誤解を招く可能性があります。なぜなら、人々は非常に高いサービスレベルが常に顧客にとって好ましいと受け止める傾向があるからです。しかしこれは誤解であり、安全在庫モデルの数学は顧客満足については何も示していません。高いサービスレベルを目指せば、必ずしも顧客にとって良い結果になるとは限りません。これは全くの飛躍です.
Conor Doherty: なぜサービスレベルのこの認識が問題となりうるのか、もう少し詳しく説明していただけますか?
Joannes Vermorel: 問題は、サービスの質を一次元的な問題と同一視する素朴な考え方に起因します。これは18世紀、例えば一種類の製品、たとえばパンだけを販売するパン屋にとっては当たり前の考え方だったかもしれません。しかし、この一次元の視点は、いまだに一部のコモディティ市場に存在しています.
しかし現代のほとんどのサプライチェーンは、数千、いや数万もの製品を扱っています。SKUの数に各ロケーションの数を掛け合わせれば、大企業では数十万、さらには数百万のSKUに容易に達してしまいます。これほど多くのSKUが存在する状況では、一次元の分析は通用しなくなるのです.
量の違いが質の違いへと変わることがあります。膨大な数の製品が存在すると、単一の製品の場合とは全く異なる新たな性質が現れるのです.
Conor Doherty: 新たに現れる性質についてお話しされましたが、もう少し詳しく説明していただけますか? これは重要な点のように思えます.
Joannes Vermorel: ええ、もちろんです。新たに現れる性質の一例として、水分子がその状態―気体、液体、固体―によって全く異なる振る舞いをすることが挙げられます。水に見られるあらゆる挙動をすべて説明しようとすれば、何週間も、あるいは何ヶ月もかかるでしょう。ひとつの水分子を取り上げ30分で説明するのは難しいですが、高校生であっても同様です。同じ原理が、単一製品ではなく多くのSKUを扱うサプライチェーンにおいても当てはまるのです。それは、より複雑な分析を必要とします.
一度水の一分子について全て理解すれば水そのものが分かったと思い込むのは危険です。それは正しくありません。同様に、「一製品を説明するモデルがあるから、さあ多くの製品からなるサプライチェーンを説明できる」と言うのは注意が必要です。単一の製品設定では想像もできなかった多くの要素が存在するのです。これは単なる単純化した例であり、サプライチェーンの本当の複雑性を反映しているわけではありません.
たとえ一つの製品だけを考慮しても、時間とともに変動は生じます。例えば、一製品を孤立して考えれば、そのランキングは時間とともに大きく変動するでしょう。ほとんどの製品は、ゆっくりスタートし、成長し、横ばいになり、ある時点で衰退するライフサイクルを持っています。したがって、販売量をあたかも静的なものとみなす一次元モデルは誤りです。それは動的であり、しばしば見落とされがちなもう一つの次元なのです.
サービスの質の一部は、この動的で時間依存的な挙動にあります。例えば、パン屋では、顧客は毎日パンが手に入ることを期待しています。どんな在庫切れも、この社会的契約の違反となるのです.
一方で、もしあなたが信頼性の低いパン屋で、隔日しかパンが提供できなくとも、競合他社よりもはるかに安価な場合、顧客はそれでも満足するかもしれません。彼らは、あなたのサービスに対して内在的な期待を持っているのです.
サービスの質はサプライチェーンそのものにあるのではなく、本質的には顧客の心の中にあるものです。すべての人がそれに同意するわけではなく、そのため矛盾が生じます。これらの期待を集約し始めると、誤解を招く恐れがあるのです.
複数の製品が加わると、さらに別の次元が関与してきます。もし顧客が複数の製品を求めるのであれば、彼らが意味を見出せる組み合わせが存在するかどうかを検証しなければなりません。よくある誤りは、私の全製品が100%サービスレベルであれば、すべての製品の組み合わせも100%サービスレベルになると仮定することです。これは、絶対に在庫切れが発生しない場合に限って成立する話ですが、ほとんど不可能なのです.
製品の組み合わせの在庫有無の確率を検証し始めると、単純な安全在庫/サービスレベルモデルでは得られない非常に異なる視点に行き着くのです.
これを例示するために、全製品のサービスレベルが95%である、かなり良好なスーパーマーケットの例を考えてみましょう。ヨーロッパでは、棚に約7%の欠品があるため、95%のサービスレベルは非常に良好です。しかし、もしクライアントが20製品(通常それほど大きなバスケットではありません)を求めた場合、そのうち少なくとも一つが欠品している可能性は非常に高いでしょう。数学的に計算する必要はありますが、在庫の独立性を仮定すれば、すべて揃う確率は10%未満でしょう.
このように、安全在庫と需要の観点からは非常に良好に見え、95%以上のサービスレベルという印象を与えます。しかし、クライアントの視点から見れば、店舗に入ったクライアントのうち実際に求めていたものが完全に揃っているのはおそらく10%未満でしょう。これら二つは同時に真実であり得るのです。すなわち、95%以上のサービスレベルがあっても、店舗から満足して帰るクライアントは10%未満に留まる場合があるのです.
では、顧客が期待するがあなたの品揃えに含まれていない製品はどうでしょうか? この意味で、サービスレベルは盲目的です。需要が非常に高い製品であっても、ただ存在しなければ、欠品や0%のサービスレベルとしてカウントされることはなく、単に計算から除外されるのです.
例えば、誰も望まない製品で溢れた店舗を極端に想像してみてください。この店舗は定義上、100%のサービスレベルを持っています。誰もそれらの製品を望んでいませんが、展示されているため完璧なサービスレベルとなるのです。望まれない製品が多ければ多いほど、サービスレベルは良好に見えるのです。これは完全に機械的な問題であり、これらの数学モデルが抱える問題点なのです.
特に『安全在庫』のような、良さげな名前を持つこれらのモデルに関しては、非常に注意が必要です。数学モデルだからといって名前が良いからといって、必ずしもクライアントにとって良いものになるとは限らないという飛躍は、正当なものではありません.
Conor Doherty: 要するに、バスケットの視点から見た我々のABC XYZに対する批判を理解することが肝要だということですね。顧客は単品で買い物をするわけではなく、特定のSKUにアクセスできないと、その他の高品質な商品であっても購入せずに店を後にすることがあります。つまり、店はそのSKU単体だけでなく、全体としての潜在的な売上も失ってしまうのです.
Joannes Vermorel: その通りです。最初の意図に戻ると、ABC XYZは人間にとっての注意の優先順位決定メカニズムであるはずでした。しかし、それは実際に注目を優先する上で有用なメカニズムと言えるでしょうか? 答えは全くの否です.
そして、私自身はDDMRPの大ファンではありませんが、注意の優先順位付けメカニズムとして、DDMRPがバッファを定義し、ターゲットバッファからの乖離に応じて製品に優先順位をつける方法は、ABC XYZよりも理にかなっていると認めざるを得ません。少なくともその点では半分はまともです。しかし、ABC XYZはそうではありません.
Conor Doherty: これまでに述べた懸念、特にバスケットの視点に鑑みて、ABC XYZを注意の優先順位付けツールとして調整する方法は何かありますか?
Joannes Vermorel: いいえ、そんなことはありません。まず、誤った前提の連鎖から始めています。第一に、ループに人間を入れたいという考え方自体に異議があります。次に、正規分布の仮定を組み込んだ単一製品、単一SKUのモデルという二重の誤りを犯しているのです。これは非常に悪く、壊滅的な結果を招きます。そして、さらに空間を離散化するという誤った仮定を行えば、情報が追加されるどころか、実際には情報が失われてしまうのです。私たちは、事態をさらに悪化させる緊張状態に翻弄され続けています.
今、私たちは蓄積された多くの欠陥が存在することに気づいています。ABC XYZを再現する変数を再び追加するという、いわばダクトテープで修理しようとしているのですが、別の方法でその手法を修正しようとしても、実際には間違った方向へ進んでいるのです。追加するたびに、ただ単にダクトテープを貼り足しているだけで、良いエンジニアリングとは言えません.
あなたが構築しているプロセスは、単純に非常に良いものではありません。これ以上のパッチを加えても改善されません。唯一の解決策は、最初に立てた仮定に戻り、それらが本当に有効であったかを再考することです.
出発点に戻ると、私たちは具体的な問題、すなわち在庫に関する意思決定から始めたのです。しかし、問題に取り組む過程で多くの仮定を行い、その結果、今その誤りの代償を払っている状況に直面しています。多くの誤りを犯した後では、第二の証明でそれを修正することはできません.
これは、数学者に対して「第二の証明で誤った証明を修正できるか」と尋ねるのと同じです。答えはノーです。第二の証明で問題を解決することはできません。誤った証明を廃棄し、最初から作業をやり直して初めて正しい道筋が描けるのです。ソフトウェアにおいても同様です。誤った仮定があるなら、それを後から修正することは不可能で、誤りを犯した地点に戻り、修正してから進むしかありません.
多くの企業は、誤った前提に基づいて全体の業務プロセスを構築してきました。サプライチェーンが非常に不透明かつ複雑であるため、人々はより良い方法に気付くことなく何十年も運営を続けることができます。
計算機がサプライチェーンの意思決定を低コストで自動化できるほどの能力を持ったのは、わずか20年前のことです。現代のサプライチェーンの複雑さに対処できる現代的なコンピュータは、昔からあったわけではありません。かなり長い期間存在はしていましたが、世紀単位で存在していたわけではありません。多くの大企業にとって、この自動化が可能になったのは20年前のことなのです。
比較のために言えば、米国やヨーロッパでは、企業が自前で電気を生産する体制から、電力網から電気を購入する体制に移行するのに約40年かかりました。技術を採用する過程はゆっくりと進むものです。19世紀末から20世紀初頭にかけて、ヨーロッパと米国の両方で、社内発電から電力網での購入へと移行するのに約40年を要しました。
このように、タイムスケールの観点から見ると、人間が各ステップで関与することなくすべての計算を実行できる機械の開発は、いまだに比較的新しいと言えます。
Conor Doherty: 少し話を戻しましょう。あなたはABCや、それに連なるABC XYZの静的アプローチについて語っていましたが、需要パターンに関するこれら両者、またはその他の代替アプローチについてもう少し詳しく説明していただけますか?
Joannes Vermorel: 私たちは製品を、平均、すなわち販売量と分散という2つの次元に基づいて分類しています。しかし、これらはあくまで抽象的なものです。実際のものではなく、瞬間的な販売量という概念は存在しません。これは、たとえば10個を移動させるという具体的な判断と、「これらの製品は平均して1日0.5個売れる」という表現との違いです。実際に言えるのは、過去2週間で約7個売れたということで、それが1日あたり約0.5個に相当するというだけです。
Conor Doherty: では、この販売量をサプライチェーン管理の観点からどのように評価されていますか?
Joannes Vermorel: この販売量と分散は統計的な指標です。問題は、これらが時間とともにどれほど安定しているかという点にあります。Lokadで多数のテストを行った結果、ほとんどのビジネスでは、ABC分析だけでも製品のかなりの割合が四半期ごとにカテゴリーを変更することが判明しました。さらに正確な期間、たとえば月ごとに見ると、カテゴリーを変更する製品数は大幅に増加します。
Conor Doherty: つまり、この分類方法には何か問題があるということでしょうか?
Joannes Vermorel: ええ、そうです。特にABCやXYZ分析に踏み込むと、製品のカテゴリー変動が増幅してしまいます。カテゴリー数を倍にすれば、製品の80~90%が四半期ごとにカテゴリーを飛び越えるのを見ることになるでしょう。これは、ビジネスにとって価値のある洞察を提供するものではなく、単なるノイズにすぎません。
これらの指標は、一見パターンがあるかのような錯覚を生み出すため、実際は取るに足らないものになっています。科学的に見えるかもしれませんが、結局は幻想を売っているにすぎません。製品をマトリックスで整理することは数学的な印象を与えますが、実際は委員会が恣意的に決めたランクにすぎません。
例えば、人々を裕福、平均、中流、貧困と分類する場合、その分類は連続したスペクトル上のものです。あなたが設定する境界線は完全に恣意的です。同じ問題は、製品を分類する際にも存在します。
Conor Doherty: では、確率論的アプローチについてはどのようにお考えですか?
Joannes Vermorel: 確率論的アプローチは、全く異なるパラダイムシフトを意味するため、比較が難しいです。最初の大きな違いは、人間が介在すべきかどうかです。 量的サプライチェーン は人間の介在は不要と示しています。私たちは、現代の計算機ハードウェアとソフトウェアがサプライチェーンに提供できる最高の能力を活用したいと考えています。人間が関与するかどうかは、相対的に偶然の結果によるものです。
つまり、サプライチェーンに人間が関与するか否かは、ある意味で偶発的なものです。確率論的予測は、この点で非常に興味深いものであり、膨大な情報を提供してくれます。私たちは情報が多く失われるクラス分類から、瞬間的な測定を与えるランク付けへと移行してきました。しかし、確率論的予測は別の種類の精度を提示します。単一点の指標の代わりに、不確実性を受け入れ、システムに関する周囲の不確実性を表現するのです。なぜ重要かというと、コンピュータには人間の思考におけるボトルネックがなく、膨大な情報量を処理できるからです。この手法は、単一の指標と比べて、システム、サプライチェーン、製品などについて、はるかに多くの情報を収集するのに役立ちます。
はい、これは情報的な観点から見た一つの捉え方です。つまり、あなたの状況について純粋な情報として集めたものです。もう一つの角度は、リスク管理の視点です。最終的には、私たちの意思決定を何らかのリスク分析に結びつけなければなりません。私たちは、どれだけの在庫を配分、製造、購入するかを決定するためにすべての在庫最適化を行っています。これらの決定の根拠は、ユーロやドルという単位でのエラーと報酬の観点から示されるべきです。
忘れてはならないのは、企業の使命は利益を上げることであるということです。確かに、企業が追求すべき他の要素も多々ありますが、利益がなければ企業は存続しません。サプライチェーンを運営する企業の場合、利益率は低く、生き残りは保証されていません。毎年多くの大企業が倒産しているのです。したがって、意思決定はユーロやドルといった金銭的観点から評価される必要があります。
このように、確率論的予測はシステムについてより多くの情報を提供するだけでなく、あなたの財務ビジョンと将来予測を結びつける仕組みへの道も切り開いてくれます。これにより、より豊富な情報が得られ、あなたの意思決定の質をユーロやドルで表現するための適切な手法が提供されるのです。
一方、ABC XYZのような手法は、行き止まりのようなものです。これらは、指標と望ましい財務結果とのギャップを効果的に埋める方法を提供しません。常に複雑な回避策を講じることは可能ですが、これらの手法はABC XYZマトリックスを完全に回避する何かに置き換えた方が良いでしょう。
Conor Doherty: ある人々は、ここで説明したギャップを埋めるために、AIや機械学習を活用できると主張します。彼らは、AIがABC XYZの指標に実質的に「巨大なダクトテープ」を適用し、あなたの言っていることを実現できると示唆しています。
Joannes Vermorel: あなたが示唆しているのは、目的に適さないマトリックスを生成する手法を私たちが使っており、その結果、質の低い入力が得られているということです。そして、その入力をもとに本来の目標と結びつけようとする。しかし、入力信号はあまりにも欠陥だらけであるため、このギャップを埋めるには、非常に洗練された回避策が必要になります。それは効率的でも効果的でもありません。しばしばこれを、『ステロイド強化ダクトテープ』的なアプローチと呼び、最適ではないものを出力に結びつけ、高度な分析でこのギャップを埋めようとするのです。これは、「私の車が遅いのだから、車の上に航空機のエンジンを搭載しよう」というようなものです。たとえそれで車が速くなったとしても、正解ではありません。過剰に複雑なエンジニアリングなのです。
もしあなたの車が十分に速くないなら、その車に搭載されているエンジンのパワーが不足しているのか、あるいは積み込んでいるものが多すぎて重くなっているのかを再考すべきです。解決策は、常に部品を追加することではありません。たとえば、車を速くするために航空機のエンジンを固定するのは、合理的なエンジニアリングとは言えません。
人間は、これらの指標の価値とそれに伴うコストを結びつけるのが非常に困難です。そのため、しばしばAIや機械学習といった分析の超能力が呼び起こされます。これらは、まるでデータ抽出パイプラインの半神を召喚して、ほぼ魔法のようなことを成し遂げさせるかのように見られます。
これらの先進的な手法が機能する例もありますが、私はそれが不必要な複雑さを招いていると主張します。まるで、自らにとってあまりにも複雑な仕掛けを作り上げるようなものです。高品質なエンジニアリングとは、シンプルで保守可能なものを創ることであって、できるだけ複雑にすることではありません。
不要な複雑さを持ち込むと、基本的な問題に集中する代わりに、ほとんど理解できない超高度な機械学習アルゴリズムのデバッグに多くの時間を費やすことになるかもしれません。例えば、あなたのスーパーマーケットが、親たちが求めるおむつブランドを取り扱っていなければ、新米の親たちは期待するブランドが見当たらないために店を去ってしまい、サービスレベル分析やAIシステムはその事実を知らせてはくれません。
Conor Doherty: まとめると、依然としてABC XYZを支持しながらも次のステップへと踏み出すことに前向きな人々に、どのようなメッセージを伝えますか?
Joannes Vermorel: 私は、彼らには自らの前提を見直し、その要求に反映されているビジョンに疑問を持つよう助言したいです。伝統的であるという理由だけで騙されてはいけません。何十年も続けられているからといって、必ずしも今でも有効であるとは限らないのです。2世紀前、パリで最も一般的な職業はバケツで水を運ぶことでしたが、今日では明らかにそうではありません。
何かが永く行われてきたとしても、ある条件下では価値があった可能性はあります。しかし、慎重に検討せずに捨て去るべきではありません。その手法の根底にある前提は見直される必要があります。私がABC XYZを推進する人々と話すときは、その前提に挑戦するよう促しています。手法自体が間違っているというのではなく、その根底にある論理やビジョンが欠陥を抱えているか、時代遅れである可能性があるということです。そこに注目すべきなのです。
Conor Doherty: さて、その締めくくりに一つ小さな考えを付け加えるなら、あいまいさへの耐性という点で、一見矛盾する2つの事柄が同時に真であり得ると個人的には思います。例えば、何十年もABCまたはABC XYZを使っていて、それがうまくいっていたという事実はあり得ます。しかし、それはより良い方法が存在するという主張を否定するものではありません。つまり、2つの事柄が同時に正しい場合もあるのです。そして、多くの人にとって、概念間の曖昧さやごちゃごちゃした状態を認識するのは難しいのです。
Joannes Vermorel: 理解しています。要因が混在しているのです。実際、あなたがABCまたはABC XYZがうまくいったと言うとき、私はその主張に疑問を呈します。ABC XYZは最終的なreorder数量を提供しません。問題は、そこに至るまでのステップが他にも存在し、多くの人間の判断が介在する可能性があるということです。私たちは、1つのspreadsheetを見て、販売量に基づき製品を何にするか決める、というストアマネージャーの考え方から始めました。そして、そのマトリックスの途中にデータを挿入するのです。しかし、もしあなたのプロセスが、見栄えのするマトリックスを作成し、まるで科学者であるかのように振る舞い、同僚の前で賢く見せかけた後に、そのマトリックスを捨てて従来の手法に戻るものであれば、最終的に「うまくいった」と結論付けてしまうかもしれません。
それは、同僚に合理的な根拠を与えたり、あなた自身にこの作業の一部が実際に何かに貢献しているかどうかという幻想を抱かせたりするかもしれません。結局のところ、我々は最終的な在庫決定という唯一重要な決定を導くために、全く異なることを行っていたのです。サプライチェーンが非常に複雑で不透明であるため、その間に目的のない、または一見大きな目的を持つように見える多くの作業が行われるのです。
世界を見渡すと、雨を呼び寄せる儀式を行う原始的な部族は数多く存在します。今日、雨のために踊ることで天候に影響を与え、作物の収量が向上すると主張する人はほとんどいないでしょう。しかし、人々は「何千年も天候のために踊ってきた。そして雨が降り、良い収穫を得た」と語るのです。
確かにそうかもしれませんが、もしかするとあなたが行っていた一連のステップの中には、全く無駄なものもあったのかもしれません。結局のところ、本当に評価すべきは、このプロセスが最終的な、具体的な決定、つまり最終的なアウトプットの質に、あなたが思っているほど貢献しているかどうかという点です。より良い代替手法は存在するのでしょうか?なぜなら、最終的に何かが「うまくいく」というだけであれば、結局はバケツで水を運ぶのと同じ状態に戻ってしまうからです。確かにそれは機能しますが、はるかに優れた代替手段が存在するのです。
Conor Doherty: それこそが私の言いたかったことです。2つの事柄は同時に真であり得ます。バケツで水を運ぶこともできますが、同時にボートやもっと大きな容器で水を移すことも可能なのです。しかし、改めて言うなら、2つの事柄は同時に真であり得るということ、そして概念間の曖昧さやごちゃごちゃした部分を認識することがしばしば難しいという点は、多くの人にとって困難なのです。
Joannes Vermorel: ええ、そしてまさにそこを変える必要があるのです。サプライチェーンにおけるこれらの実践について、人々が「うまくいった」と言うとき、その「うまくいった」の意味を本当に問いただすべきです。それは一体どういう意味なのでしょうか?決して虚偽の主張というわけではありませんが、「まあまあだった」と言うだけでは十分ではありません。
現代の分散型サプライチェーンでは、人間の認知は非常に限定的です。ですから、「うまくいった」という主張の妥当性は、小規模なシステムの場合と、全体を把握できない超複雑なサプライチェーンの場合では、まったく異なるものとなります。繰り返しますが、たとえば1つの棚だけを管理する店長がいて、「いや、これで十分だ。この棚を見れば、まさに顧客が求めているものだ」と言うなら、私はその判断を信頼します。なぜなら、目の前に全ての関連情報があり、システムの実情を把握できるからです。自分を顧客の立場に置くことができるのです。共感力を働かせれば、すべての情報が目の前にあり、それに基づいて価値判断を下すことができ、その判断はおそらく比較的合理的であるでしょう。さて、これはサプライチェーンで直面する状況なのでしょうか?
I would say usually not at all. The typical supply chain situation is, you’re a clerk in an office a thousand kilometers from the place where the goods are going to be shipped and consumed. You’re not looking at the shelf, you’re looking at an Excel spreadsheet. You have dozens of products that you have only seen the product codes for. Most of the time, you have never seen the products for real. And even if you have seen some, you certainly have not seen all of them. You’re serving customers that you’ve never seen, and the data is presented from a system that is super complex and that you barely understand, like your ERP and whatnot. Your rationality is that you’re trying to use your own human rationality to cope with something that is only a tiny, tiny part of the picture.
本当に、それがうまくいったと言える範囲に疑問を呈します。私自身の判断で、それがうまくいったと言えます。ご存知の通り、もしそれが非常に局所的なもので全体が見えるのであれば、「うまくいった理由を説明できなくても、あなたの判断を信頼します」と言うでしょう。しかし、全体の1%にも満たない部分だけを見て、それがうまくいったと私に言うのなら、そうは言いません。あなたはそれを見ていないだけで、見慣れているその1%の範囲内で行っているにすぎません。それがうまくいったと言う根拠となるのです。要するに、あなたの目の前にあるものが、これまで慣れ親しんできたその1%と比べて逸脱していないということを示しているに過ぎません。
Conor Doherty: Joannes、今日は非常に多くの分野を網羅できたと思いますし、他に質問はありません。お時間をいただき、本当にありがとうございました。また次回お会いしましょう。