00:00:00 ディベート参加者とディベート形式の紹介
00:02:56 ジョアネスのオープニングリマーク
00:09:53 ジェフのオープニングリマーク
00:16:56 ジョアネスの反論
00:21:47 ジェフの反論
00:26:53 ジョアネスの結論
00:28:56 ジェフの結論
00:31:05 追加の質問
00:48:36 視聴者からの質問
01:18:57 初期の視点と結論の再訪
概要
コナー・ドハティがモデレートしたディベート「予測価値追加(FVA)はベストプラクティスか時間の無駄か?」では、ジェフ・ベイカーとジョアネス・ヴェルモレルがこのテーマについて議論しました。サプライチェーン管理の幅広い経験を持つジェフ・ベイカーは、FVAの価値を正しく適用し構造化することの重要性を強調し、バイアスの解消と専門家の意見を活用することの重要性を強調し、FVAの有効性を主張しました。一方、LokadのCEOであるジョアネス・ヴェルモレルは、FVAは効率的ではないと主張し、代わりにサプライチェーンの意思決定を確率的な予測による財務最適化で行うことを提唱しました。このディベートは、サプライチェーン管理におけるFVAの役割についての対立する意見を強調し、意思決定プロセスの改善につながる洞察を提供しました。
詳細な概要
最近のディベートでは、Lokadのコミュニケーション責任者であり、LokadTVのYouTubeチャンネルのホストであるコナー・ドハティがモデレートし、「予測価値追加(FVA)はベストプラクティスか時間の無駄か?」というテーマが徹底的に検討されました。このディベートには、サプライチェーン業界の2人の著名な人物、ジェフ・ベイカーとジョアネス・ヴェルモレルが登場しました。
FVAの使用を支持するジェフ・ベイカーは、Libra SCMの創設者兼マネージングディレクター、MITx MicroMasters in SCMのコースリーダー、および国際応用予測学の学術誌であるForesightの副編集者です。サプライチェーン管理の25年以上の経験を持つジェフは、販売と運用計画(S&OP)とFVAについて頻繁に講演し、執筆しています。
対立する立場であるLokadのCEO兼創設者であるジョアネス・ヴェルモレルは、FVAの使用に反対しました。Lokadは、サプライチェーンの意思決定のための財務最適化に特化したパリを拠点とするソフトウェア会社です。ジョアネスは、サプライチェーンに関する出版物や業界リーダーとの定期的な公開講演やディベートで知られています。
コナー・ドハティは、ディベートのトピックを紹介し、各参加者に自己紹介の機会を与えました。自己紹介の後、各参加者はFVAについての意見を述べました。
ジェフ・ベイカーは、FVAは正しく適用された場合には有益な実践であると主張しました。彼は、予測の調整はガイドラインと構造に基づくべきであると強調しました。ジェフによれば、調整は調整の方向(上向きまたは下向き)、時系列の予測可能性、およびオーバーライドのサイズに基づくべきです。彼は、わずかな微調整ではなく、実質的な増加を探すことの重要性を強調しました。
ジェフはまた、明確に述べられ、まだモデル化されていない新しいデータに基づく仮定が明示された構造化された入力の必要性を強調しました。彼は、バイアスを特定し、それに対処し、それらの背後にある動機を理解し、過去の失敗から学ぶための積極的なアプローチを提唱しました。ジェフは、良い判断は経験に基づき、経験は悪い判断に基づくと信じています。仮定に戻り、それらを検証することで、組織はサプライチェーンへの信頼の欠如による過剰予測などの問題に対処できると考えています。
さらに、ジェフは、営業やマーケティングの専門家が情報を文脈化する能力がサプライチェーンの科学者よりも優れていると主張しました。彼は、これらの専門家からの貴重な入力を時間の経過とともに自動化すべきだと提案しましたが、無限の純粋なデータの世界には住んでいないと認識しています。したがって、製造、販売、マーケティングなど、さまざまな情報源から適切なデータを収集することが重要です。
一方、ジョアネス・ヴェルモレルは、FVAの使用に反対しました。彼は、FVAは時間の無駄であり、常に意思決定の改善につながるわけではないと主張しました。ジョアネスは、予測のオーバーライドではなく、確率的な予測を活用してより情報を得たサプライチェーンの意思決定に焦点を当てることの重要性を強調しました。彼は、FVAに過度に依存することが非効率性を引き起こし、サプライチェーン管理のより重要な側面から注意をそらす可能性があると主張しました。
ディベートには追加の質問と参加者間の自由な意見交換が含まれており、参加者は自身の主張をより深く掘り下げることや、相手のポイントに対処することができました。討論は、チャットでリアルタイムに質問を提出する機会があるQ&Aセッションで締めくくられました。
要約すると、このディベートは、サプライチェーン管理におけるFVAの価値についての異なる視点を浮き彫りにしました。ジェフ・ベイカーは、FVAにガイドラインと構造を持ったアプローチを提唱し、経験から学び、バイアスに対処することの重要性を強調しました。一方、ジョアネス・ヴェルモレルは、FVAは時間の無駄であり、予測のオーバーライドではなくサプライチェーンの意思決定の財務最適化が必要であると主張しました。このディベートは、サプライチェーンの予測の複雑さと意思決定の改善に向けたさまざまなアプローチについての貴重な示唆を提供しました。
フルトランスクリプト
コナー・ドハティ: Lokadサプライチェーンディベートの第3回目へようこそ。今日は、ジェフ・ベイカーとジョアネス・ヴェルモレルの間で待望のディベートを開催することを喜んでいます。ジェフは、MIT Center for Transportation and Logisticsでサプライチェーンダイナミクスを教えており、Libra SCMの創設者兼マネージングディレクターです。一方、私の左にいるジョアネスは、Lokadの創設者兼CEOです。彼はフランスのエコール・ノルマル・シュペリウールでエンジニアとして働き、そこで6年間ソフトウェアエンジニアリングを教えました。
さて、今日のディベートのトピックは「Forecast Value Added(FVA):ベストプラクティスまたは時間の無駄?」です。ジェフは、実際にはFVAがベストプラクティスであると主張し、一方のジョアネスはそれが時間の無駄であると主張します。さて、できるだけ早く、ディベートのパラメータとハウスキーピングについて説明し、本題に入りましょう。
まず、オープニングの発言があります。各々に最大7分間の発言時間が与えられます。事前に合意された通り、ジョアネスが最初に話します。その後、各スピーカーに5分間の反論時間が与えられます。これに続いて、各スピーカーに2分間の結論があります。その後、私が追加の質問をいくつか提示します。これらの質問は、イベント中にいつでも視聴者がライブチャットで提出できます。
さて、ディベートに備えて、両スピーカーは以下の定義に合意しました:Forecast Value Added(FVA)は、予測プロセスの各ステップと貢献者のパフォーマンスを評価するためのシンプルなツールです。その目的は、予測の精度を向上させず、バイアスを減らすことに失敗するあらゆる種類のプロセスや活動を排除することです。
この定義と、両スピーカーの詳細な略歴は、このビデオのコメントセクションまたはコメントチャットで見つけることができるオープンなGoogleドキュメントにあります。ディベートのセクションでは、私が厳密に両スピーカーの時間を計り、時間がなくなるときには控えめな咳払いで丁寧に注意を促します。ただし、各自が自分の時間を計ることをお勧めします。
ほぼ終わりです。スピーカーは、各自の発言の間は完全に沈黙してください。タイムセクション中はお互いを中断しないでください。最後に、少し自己宣伝をさせてください:ここにいる間に、もしディベートがお好きで、私たちの活動が気に入っているなら、LokadのYouTubeチャンネルに登録し、LinkedInでフォローすることをお勧めします。それでは、Forecast Value Addedはベストプラクティスなのか、時間の無駄なのか?ジョアネス、オープニングの発言をお願いします。
ジョアネス・ヴェルモレル: まず、このディベートに応じて協力してくれたジェフに感謝します。単純に言えば、FVAは精度の向上と低下を追跡するためのツールです。では、FVAはベストプラクティスなのでしょうか?ベストプラクティスとは、特定の目標を達成するための最も効果的な方法をコミュニティが理解していることを定義します。しかし、予測は目標そのものではなく、真空中で行われるものでもありません。
予測は、特定の目標を達成するために使用するツールです。予測の目標は、精度の向上だと主張する人もいますが、これは大いに議論のある立場です。私の意見では、予測は私たちがより良いビジネスの意思決定をするのを助けるためのさらなるツールに過ぎません。つまり、より多くの利益を生むビジネスの意思決定です。では、FVAは精度の向上や低下を測定することで、私たちがより多くの利益を生む目標に近づくのでしょうか?私は納得していませんし、今のところ、私の主張を支持するために3つの批判を提示します。
まず、FVAは元々協力的な予測を促進するために設計されたものではありませんが、設計上、協力的な予測の精度への影響を測定するためのフレームワークを提供しています。これは重要です。FVAは最良の予測手法を使用する必要があるとは言いません。FVAは、あなたが行っていることの精度への影響を示していると言っています。なぜこれが重要なのでしょうか?予測コミュニティでのベストプラクティスは何でしょうか?
1980年代以来、スピロス・マクリダキスは一連の公開予測競技会(M-competitions)を開催し、最良の手法を見つけ出してきました。2018年のM4以降、これらの競技会は常にアルゴリズム手法の優位性を示してきました。実際、人間の予測能力に関して最も優れた専門家であるフィリップ・テトロックは、予測アルゴリズムが利用可能な場合は常にそのアルゴリズムを使用するべきだと述べています。その理由は、アルゴリズムが常に人間の判断に比べて優れた精度を提供するからです。このアルゴリズム、そして明らかにそれを使用する専門家がベストプラクティスです。
したがって、協力的な予測や手動のオーバーライドがベストプラクティスではないことは明らかであり、FVAでそれらを測定することもベストプラクティスではなく、むしろ時間の無駄だと主張します。誰かが言うかもしれませんが、ジョアネス、FVAは明示的に協力的な予測や手動のオーバーライドを提唱していません。それはわかりましたが、それが一般的にどのように使用されているかは、ジェフの著作でも同様です。
ただし、私の2番目の批判は、FVAが構築されている時間系列の視点です。FVAでは、クラシックな時間系列予測、またはポイント予測が必要です。少なくとも、FVAは、予測のオーバーライドを比較するためのベースラインとして、前回の実績の単なるコピーとしてのナイーブ予測の使用を提唱しています。この変化のない予測は時間系列です。しかし、時間系列はベストプラクティスですか?再び、そうではありません。ポイント予測は単なる不完全な予測ツールではありません。例えば、分散が高いシナリオでは、誤解を招く可能性があります。これは、ポイント予測が不確実性を考慮に入れていないためです。
実際には、M5予測コンテストには、SKU(/ja/stock-keeping-unit-sku-定義/)レベルで勝利した、Lokadが参加した不確実性のチャレンジが含まれていました。現実には、もっと優れた予測のクラスが既に存在しており、それが確率的予測です。時間系列とは異なり、確率的予測は単一の可能な未来、例えば、来週の需要を特定しません。代わりに、すべての可能な未来とそれぞれの確率を見ます。なぜ重要なのでしょうか?それは、最良の選択肢を選ぶためには、すべての可能な未来のシナリオを特定することが不可欠だからです。これは、金融リスクが関わる場合に重要です。供給チェーンに関しては、常にそのような状況です。
しかし、FVAは確率的予測と互換性がありません。なぜなら、確率的予測は確率分布を見ることを意味し、時間系列ではありません。そして、実際のところ、営業やマーケティングの人々は、FVAの有無にかかわらず、確率分布を手動で編集することはありません。それは絶対に始まらないことです。時間系列がベストプラクティスではなく、特にリスク管理に関してはそうではない場合、FVAを使用して精度のオーバーライドを比較することもベストプラクティスではありません。それは時間の無駄だと私は主張します。
私の3番目の批判は、予測価値の追加が価値を測定するのではなく、精度を測定するということです。そして、精度が価値を追加するのでしょうか?必ずしもそうではありません。現実の多くの状況では、90%の精度の予測と60%の精度の予測は、MOQsやその他の制約が存在する場合、まったく同じ在庫の決定につながります。意思決定の財務的結果が変わらない場合、精度の向上を測定してもビジネス価値は追加されません。したがって、ビジネスの観点からは、精度自体が価値を追加すると言うことは完全に間違っています。それが事実であり、事実である場合、FVAで精度に焦点を当てることがベストプラクティスであるはずがありません。そうではありません。
FVAを個人的に協力的な予測をサポートするために使用しないとしても、他の人々は使用しています。FVAは依然として時間系列の予測に基づいており、不確実性を無視しており、精度の向上が価値の向上に等しいという考えにも基づいています。これらすべてが悪いプラクティスであり、したがって、FVA自体がベストプラクティスではありえないと主張します。私の意見では、それは時間の無駄です。ありがとうございました。
Conor Doherty: あと15秒あります、ジョアネス。
Joannes Vermorel: はい、ありがとうございます。
Conor Doherty: では、オープニングの発言をしていただいたジョアネス、非常にありがとうございました。ジェフ、この時点で、あなたにオープニングの発言をしていただくようお願いします。
Jeff Baker: はい、素晴らしいです。ありがとうございます、Conor。ありがとうございます、ジョアネス。この会話に参加する機会を本当にありがたく思っています。ですから、明らかに、私はFVAの使用をベストプラクティスとして支持しています。これは、すべての供給チェーンが計画を立てる必要があるという事実に基づいています。私たちは、製造スケジュールを設定したり、サプライヤーと協力したり、6か月先まで設定したりするために、2〜3か月先までの長期的な決定をしなければなりません。良い予測が必要です。たとえば、小さな容量の変更、スタッフ配置、共同製造業者の追加などがある場合に備えて。ですから、私たちはこれらの決定を長期的な時間枠で行い、それらを再評価することになります。
私はサプライチェーンに関するいくつかのお気に入りの引用を持っています。1つは「計画は何もないが、計画することはすべてだ」というものです。私たちは正しい位置にいるためにこの計画が必要です。さらに、私の2番目のお気に入りの引用はマイク・タイソンのものです。「みんなが計画を持っているのは、顔を殴られるまでのことだ」というものです。これは、サプライチェーンではいくつかの困難があることを指摘しています。目標は、実行の空間で最も成功の可能性が高い最良の決定をすることです。そのためには、機能の専門家を巻き込むことが最善の方法です。営業やマーケティングは地域の洞察を持っており、予測の改善に役立つ情報を提供できるため、コンセンサスプロセスに含めるべきです。これらの専門家を構造化された方法で巻き込むことで、より良い決定に必要なより良いデータを得ることができます。そして、FVAはそれらの入力の効果を測定するための効果的なツールです。
ただし、注意点として、バイアスの可能性を生む可能性がありますが、私の視点からは、そのバイアスを修正する必要があると考えています。私たちはクロスファンクショナルである必要があります。私たちは長年にわたってクロスファンクショナリティが進むべき道であると説いてきました。私たちは、自分たちの意思決定に責任を持つだけでなく、他の人々への影響にも責任を持つ機能に戻ることはしたくありません。これを最善の方法で行うためには、FVAが輝くガイド付きの調整が必要です。それによって、高い価値を持つ製品でありながら、誤差が大きい製品を見つけることができます。それがより良い入力を探すための肥沃な土壌です。
もし予想される大きな影響がある場合、例えば重大な悪影響がある場合、またはポジティブな影響がある場合、それに対応するために計画を立てる必要があります。ですから、まず第一に、その調整はガイドされるべきです。私の修士論文で行った研究では、調整の方向を見る必要があると述べています。上向きなのか下向きなのか。時系列の予測可能性はどうなっているのか。オーバーライドのサイズはどうなっているのか。そして、価値を追加する場合は、実質的な増加を探す必要があります。単なる微調整ではなく。
次に、構造です。営業やマーケティングの誰かが単なる恣意的な数値を提供することは許しません。私は尋ねます。「彼らの入力の前提条件は何ですか?これはまだモデル化していない新しいデータに基づいていますか?」それからさらに掘り下げて、「これは最良のケースのシナリオですか?最悪のケースのシナリオですか?最も可能性の高いケースは何ですか?このシナリオが将来的に実現するためには何が起こらなければならないのですか?」と尋ねます。このように、私たちがやろうとしていることは、バイアスの原因を予防的に見つけ出し、その背後にある動機を理解することです。
それを行った後、次の月には、それらの調整を見て、「価値を追加したかどうか?」と言います。私が言いたいのは、良い判断は経験に基づいています。経験は誤った判断に基づいています。つまり、私たちは自分たちの過ちから学びます。前提条件に戻り、検証し、何かを見つけるかもしれません。例えば、「営業担当者は常にサプライチェーンに信頼を持っていないため、常に過剰予測をしているかもしれません。それは単なるバイアスだけでなく、信頼の問題です。それに対処することができます。
さらに、彼らはその情報を私たちよりもより良く文脈化することができます。私たちは、マーケティングや予測の微妙なニュアンスについてすべての専門家を持つサプライチェーンの科学者を持つことはないと思います。私はそれらの専門家に頼り、私にそのデータを提供してもらいます。今後、その入力が価値があるとわかった場合、自動化を試みるでしょう。正しいデータを収集するための自動化には反対意見はありません。しかし、問題は、私たちは無限の純粋なデータの世界には生きていないということです。製造データがある場合、販売データがある場合、マーケティングデータがある場合、しばしば積極的にそれを探しに行かなければなりません。
それをうまくやれば、多くの意思決定を自動化することができるかもしれません。FVAプロセスが予測システムにあるからといって、必ずしも調整が必要というわけではありません。実際、最も重要な予測の鉄則は「何もしないこと」であるべきです。北米最大の食品・飲料会社であるクラフト・ハインツは、「低タッチ予測率」という指標を持っています。私がそれに触れる必要がないようにするにはどうすればいいのでしょうか?デミングが最もよく言ったと思います。「ただ何かをするのではなく、そこに立っているのです。」なぜなら、誰かが「私に入力を求めているので、忙しいことを示すために入力しなければならない」と考える自然な傾向があるからです。いいえ、それは完全に間違った考え方です。
誤差削減が価値があることの証拠として、ビジネス予測・計画研究所が挙げられます。彼らは8つのCPG企業の調査を行い、予測誤差を1%削減することで、企業は売上高10億ドルあたり1,700万ドルの利益を得ることがわかりました。これには、割引の回避、転送、廃棄物、在庫過剰、および運転資本の拘束を回避することが含まれます。企業はまた、売上高10億ドルあたり約1,000万ドルの販売損失、ケースフィル罰金、生産増加、または急送費用を回避することにより、予測不足のコストを削減しています。
IBFは自身の研究でこれを確認しています。ガートナーも同様の利点を見つけています:在庫価値の2〜7%の削減、廃棄在庫の4〜9%の減少、輸送コストの3〜9%の削減。これらの数字の大きさは、特にアイテムが高価値で高誤差である場合や、事前に外部イベントが供給チェーンに影響を与えることがわかっている場合など、予測精度を向上させるための手段を追求することを魅力的にしています。ありがとうございました。
Conor Doherty: それでは、ジェフ、ありがとうございます。もしよろしければ、まだ15秒お時間がございます。
Jeff Baker: 13秒ありますが、結構です。
Conor Doherty: そうですね。ジェフ、オープニングステートメントありがとうございました。ここから反論に移りたいと思います。ジョアネス、準備ができたら5分間お願いします。
Joannes Vermorel: ジェフ、オープニングの発言ありがとうございます。あなたは自分の立場をうまく主張していると思いますが、いくつかの点を明確にしたいと思います。私は企業が会社のために何か良いことをしようとしている意図には異議を唱えていません。私は実際の結果の現実に異議を唱えようとしています。
まず、正確さが最善であり追求する価値があると考えるならば、私の最初の発言で指摘したように、FVAは予測のベストプラクティスを反映していないという現実があります。企業が本当に正確さを追求しているのであれば、協力的な予測を行わないことで、実際により正確な結果を得ることができます。それが残念ながら経験的に証明されていることです。
次に、オーバーライド自体が非常に官僚的な問題解決の方法です。機構を設けるとすれば、人々は「何もしないこと」と言うかもしれませんが、官僚的なメカニズムが存在すると、それは利用されるでしょう。FVAは、ソフトウェア要素を含むミニ官僚制度またはミニテクノクラシーを設定することを意味します。営業やマーケティングの人々が修正を行っているかどうかをチェックする人々がいるでしょう。そのため、私にとっては、多くの官僚的な忙しさを生み出すものの道を開くものです。
なぜなら、予測と調整の見た目を見ると、数万の時系列データがあり、それぞれの時系列データには50ポイント以上あります。つまり、1年先の週次予測です。しかし、これは別の批判につながります。FVAは、精度に焦点を当てることで、企業が予測プロセスにより効果的に貢献できる方法を見落としていると考えています。完全に明確に言っておきますが、営業、マーケティング、財務のメンバーが予測プロセスに有意義な貢献をすることは否定していません。私は、関係者のスタッフが会社にとって有益な情報を持っていることを十分に認識しています。
ただし、私が異議を唱えるのは、ポイント予測が作成された後に手動のオーバーライドで精度を向上させるために待つべきだという考え方です。これは、最善の予測手法ではなく、それにもかかわらず、FVAで人々が通常行うことです。ただし、予測プロセスに人々を関与させる建設的な方法があります。それは、予測を生成する予測アルゴリズムや後の意思決定を生成するアルゴリズムに貢献することです。実際には、これは予測の専門家を支援することを意味します。Lokadでは、これはサプライチェーンの科学者がドメインの専門知識と洞察を提供することによって、これらのアルゴリズムを作成および改善することを意味します。これは、営業やマーケティングの全員が確率分布を読み、Pythonでスクリプトを書く必要があるわけではありません。代わりに、彼らは予測の専門家に有益な洞察を提供することで助けを提供します。そして、専門家はそれらの洞察をコードの行に変換します。
最終的に、自動化されたアルゴリズムが実行され、予測が生成されます。結局のところ、これらの洞察は単なる情報の一部であり、会社の中でどこにでも分散していることに同意します。ただし、予測の専門家は、これらすべてを意味のある予測と合理的なサプライチェーンの意思決定に変換する方法を知っている人物です。優れたデータがたくさん利用可能であるかもしれませんが、それをどのように使用して予測を作成または修正するかを決定するのは、予測の専門家だけです。これは、数十年にわたる実験的な予測結果に基づくベストプラクティスです。そして残念ながら、FVAにはこのアレンジメントには場所がありません。予測アルゴリズムの改善に直接貢献する代わりに精度を測定することで、FVAは最も優しい言葉で言えば、気を散らすものです。しかし、私はそれを時間の無駄と呼びます。
Conor Doherty: ジョアネス、あと20秒あります。
Joannes Vermorel: 大丈夫です、ありがとうございます。
Conor Doherty: では、ジェフ、あなたが微笑んでいるのが見えます。あなたの5分間の反論でお答えください。
Jeff Baker: ところで、ミュートされていましたよ。
はい、すみません。興味深い視点ですね。まず、M5コンペティションとマクリダキスについて言及しましたね。一つ指摘したいことは、92%の人々が非常にシンプルな指数平滑化アルゴリズムのベンチマークに負けたということです。つまり、シンプルさには理由があるという主張があります。ベストプラクティスと最先端技術の違いがあると思います。私たちは、シンプルさが実際にはより良く、それを使用する人々にとっても受け入れられることが多い場合があることを確認したいと思います。説明可能性の観点からは、需要レビューのS&OPミーティングでそれがどのようにしているかを説明し、それに対してより多くの賛同を得ることが容易です。
もう一つは、時系列に焦点を当てるだけでなく、予測区間も伝えることがベストプラクティスです。そして、それは精度に関連しています。つまり、ベストプラクティスは、時系列に加えて予測区間も伝えることです。私たちは、ポイント予測が情報の一部であることに同意しています。ポイント予測に予測区間を加えたものの方が価値があります。
あなたは確率予測がFVAに適していないと述べましたが、Foresightの最近の問題の1つを見れば、Stefan De Kokによる確率予測についての記事があります。また、このフレームワークの価値を示すものと思います。私は自分の予測方法にはあまりこだわりません。どのようにしても、異なる入力を予測に追加することで改善を見ることができます。どのように改善しているのか?また、リソースの効率的かつ効果的な使用も確保します。予測の不正確さと予測の生成コストとのトレードオフは、1971年以来知られているものです。予測を生成するためにかける時間のコストと精度のバランスをとる方法については、Harvard Business Reviewの記事があります。俗語で言えば、その努力は報われる価値があるのでしょうか?私が作成する数値に基づいて、中規模の企業には多くの利益があり、それを見る余裕があります。
共同予測は官僚的ではないと思います。プロセスに関与する人々には、システムを通じて付加価値を創造するために関与する必要があります。これらの入力は素晴らしいものです。常にイベントが発生していることは避けられません。サプライチェーンはますます複雑になり、よりダイナミックで、バタフライ効果が増しています。そのため、人々がその情報を文脈化し、必要な時期に最善の決定をすることができるようにする必要があります。その観点からは、共同作業である必要があります。共同作業を行っている場合、常に営業とマーケティングと協力しています。それは、海を沸騰させるのではなく、何が変わったのかを見つけることです。それを続けることで、その関係を持つことができます。それによって、それらの入力を得て、より良い関係を築くことができます。
逆に、自分の裁量で営業とマーケティングを関与させる特別なプロセスを持っています。営業とマーケティングから得る入力の品質は、定期的なスケジュールに組み込まれていない場合、明らかに低下します。営業担当者からよく聞くのは、「忙しすぎて売る時間がない」ということです。したがって、その入力を得たい場合は、プロセスに彼らを関与させる必要があります。
実際のビジネス価値との乖離について言及しました。悪いデータでは良い決定はできません。議論は、より良い予測が必要だということです。予測の精度の低下には議論の余地はありません。意思決定にはできるだけ最良のデータを使用する必要があります。それは直接的にROIに結び付くのでしょうか?供給チェーン全体の一つの決定のROIを単独で計算できるでしょうか?それは起こりません。言いたいことはできますが、予測の観点からの私の決定は、製造、調達、倉庫、輸送などの機能的な決定とは完全に別のものです。これらのいずれかがROIを悪化させる可能性があります。私の役割はできるだけ正確にすることです。ありがとうございました。
Conor Doherty: ありがとうございました、ジェフ。最後に話し終わる直前に話してしまったことをお詫び申し上げますが、ちょっとお知らせがありました。
Jeff Baker: どういたしまして。
Conor Doherty: この時点で、ジェフ、ありがとうございました。次に、ジョアネスにお願いします。2分間の締めくくりの言葉をお願いします。
Joannes Vermorel: 皆様、この討論のテーマは「FVAはベストプラクティスなのか、時間の無駄なのか?」でした。この討論を通じて、多くの情報を聞いていただきましたが、FVAについて考える際には、いくつかのことを心に留めておいてください。まず第一に、FVAを予測の点を細かく管理する連続的な共同予測プロセスの一部として使用する場合、それはベストプラクティスではありません。予測の手動オーバーライドは、予測のコミュニティでは明らかにベストプラクティスではありませんし、そのような予測をFVAで測定することもベストプラクティスではありません。
第二に、FVAは時系列予測に基づいています。どこかで確率的予測に適用しようとしている人がいるかもしれませんが、現実的にはそうではありません。FVAは、古典的な時系列予測と組み合わせてのみスケールで機能するため、不確実性を完全に無視しています。これはベストプラクティスではなく、そのため、FVAで精度を測定することもベストプラクティスではありません。
第三に、FVAは、精度の向上が望ましいという前提に立っていますが、これは必ずしも事実ではありません。言われたこととは逆に、精度を高めることが実際にビジネスに損害を与える場合もあります。非常にシンプルな例を挙げましょう。希薄な系列の予測では、ゼロが非常に頻繁に最も正確な予測ですが、ゼロ需要の予測は意味がありません。したがって、予測やサプライチェーンのこれらの要素について私と意見が異なるとしても、これは明らかです。FVAは、これらの理由およびその他の理由により、ベストプラクティスとは考えられません。もしそうであるならば、それは予測のコミュニティにとって非常に悲しい証拠です。
Conor Doherty: ありがとうございました、ジョアネス。ジェフ、あなたにお願いします。2分間の締めくくりの言葉をお願いします。
Jeff Baker: はい、ありがとうございます。再度言いますが、より良い計画がより良い意思決定につながります。計画の立て方を学び、再計画の方法を学び、正確な予測を行う必要があります。データが悪いと常に良い意思決定につながるという良いビジネスケースはないと思います。データが悪くても良い意思決定をすることは、私はそれを偶然と呼んでいます。それはあまり頻繁には起こりません。FVAが輝く場所は、再度言いますが、細かい管理やすべてを上書きすることを提唱しているわけではありません。高価値でエラーの多いアイテムがある例があります。外部のイベントが起こる可能性があり、それをきれいなアルゴリズムの入力にはできません。それらを理解し、それらの決定を行うために必要な時限で計画する必要があります。FVAに対する批判は、FVAの設計目的を誤解していることに基づいています。
Lokadさん、ソフトウェアパッケージを販売していることを知っています。以前の仕事では、ソフトウェアパッケージを導入したこともあります。ツールが機能することは知っています。しばしば、問題は実装にあります。顧客が望むものを得ていない場合、それはほとんど実装の問題です。実装とデータの問題です。FVAに対する批判は、これがどのように機能し、どのように価値を追加するかを理解していないことに基づいています。別のシンプルな例を挙げましょう。家の裏にデッキを建てる場合、板をジョイストにネジで固定する必要があると聞いたとします。しかし、私がハンマーを使って木ねじを打ち込もうとすると、うまくいきませんし、満足することもありません。これはハンマーに問題があるわけではなく、単にハンマーの使い方を知らないだけです。私は間違った道具を使っているのです。
Conor Doherty: ありがとうございます。時間を厳守するために厳しくする必要がありますが、非常に感謝しています。準備された発言、議論、情熱に感謝します。この時点で、いくつかの追加の質問に移りたいと思います。いくつかの質問が寄せられています。言われたことに基づいてメモを取りました。オーディエンスの質問に移る前に、特にここに座って聞いているので、いくつかのポイントを明確にしたいと思います。
私は、実際には、公平性を示すためにジョアネスを押し出すことにします。ジョアネスを押し出します。では、ジェフ、あなたの反論で、「シンプルが良い」という格言を挙げました。M5の結果について触れ、洗練されたものや最先端のものであるからといって、それが必ずしも良いものになるわけではないというポイントを述べました。では、ジョアネス、そのコンセプトに対するあなたの反応は、基本的には、もう少し詳しく説明してみると、確率的予測、純粋なアルゴリズムモデリングはあまり派手すぎるということですね。シンプルであるべきです。
Joannes Vermorel: 実際のところ、私たちは5つのパラメータを持つパラメトリックなモデルで、SKUレベルでM5の競技会に勝ちました。それだけです。ですから、アルゴリズムが良いということではありません。実際、Tetlockの著書「Superforecasting」では、移動平均は何でも予測する際に人間の99%を打ち負かします。人間はどこにでもパターンを見つけようとします。彼らは膨大な認知的な問題を抱えています。ノイズに対処するのは非常に難しいので、彼らはどこにでもパターンを見つけようとしますが、これは予測にとっては悪いことです。ちなみに、これは人工知能のような移動平均が、ほとんどの場合において人間の心を打ち負かす点です。特に、Lokadの確率的予測アルゴリズムは、自然に非常に派手ではありません。奇妙な形をしているだけで、ディープラーニングなどを使用しているわけではありません。
Conor Doherty: ジェフ、それはどう聞こえますか?何か反論したいことはありますか?
Jeff Baker: 私が持つ唯一の課題は、最新のデータや技術を取り入れることに全面的に賛成しているということです。再び、私はソフトウェア会社にいましたし、私たちは技術を販売していました。ただし、私の課題は、時には物事を複雑にする必要はないということです。もしかしたらそれが良いかもしれませんが、私たちが行うすべてのことに対してその増分価値を確実に得る必要があります。また、説明可能性も重要です。
ここにいる私たちや、これを見て興味を持っている人々は、確率的予測とデータに関心があります。実装に移るとき、もし私がどんなアルゴリズムの予測を売り込もうとしているのであれば、説明可能性の問題がある場合、人々は自然とアルゴリズムに抵抗する傾向があります。彼らは理解できないものに対して反発します。これらの予測技術のうち、シンプルなものは比較的簡単に説明できます。それが私が言っていることで、パフォーマンスの観点からも同じくらいうまく機能します。シンプルなアンサンブル予測は、M5の競技会で名声と財産を求める人々の92%を打ち負かします。それには一定の価値があります。
また、個々の組織を過度に負担することは避けたいと思います。いくつかの組織には、彼らを引き上げる必要がある成熟度レベルがあります。多くの場合、指数平滑化予測を行うことができれば、素晴らしいです。アンサンブルも素晴らしいです。予測区間について話し合うことも素晴らしいです。派手で洗練されたアルゴリズムには問題ありません。ただし、それらの技術を消化し受け入れる能力に基づいて彼らを引き上げることを確認する必要があります。そうしないと、私たちはリスクを冒します。以前にもその問題がありました。企業に対して混合線形プログラムを使用し、それを理解しなかった場合、受け入れてもらえませんでした。より洗練されたアルゴリズムを推進しようとする際の注意点です。
Conor Doherty: ジョアネス、そこに何か追加することはありますか?
Joannes Vermorel: もう一度言いますが、私が言っているのは、まず、確率的予測を行う際、その方法自体は非常にシンプルです。洗練させるのは、要素を正確に考慮するためだけです。FVAへの代替案として、人々が情報を持って手を挙げると、それは含まれるべき要素になります。予測自体は、この追加情報を出力の上書きではなく、入力として使用するだけです。
それには多くのポジティブな影響があります。たとえば、予測を更新する場合、人々は上書きを更新する必要はありません。問題は、人々がそれを上書きとして考えることです。しかし、予測を上書きすると、次の週に新しい情報があって基準が変わった場合、どうしますか?同じ上書き、同じ差分を適用しますか?マーケティングが予測の上書きという形で情報を提供することから生じる問題はたくさんあります。単純に言って、「マーケティング、この製品をこの広告費でプロモーションすると教えてください」と言って、それを予測の入力として考慮する方が簡単です。それが精度を向上させるかどうかさえバックテストできます。このバックテストは即座に取得できます。手動の修正が何かポジティブな結果をもたらしたかどうかを3ヶ月待つ必要はありません。
Conor Doherty: ちょっと一言挟ませてもらえれば、あなたが触れたことについて、ジェフにも言いたいことがあります。“シンプルは良い"という点について、ちょうど言ったことを基にして、専門家が他の専門家にインタビューし、洞察を引き出し、それをアルゴリズムの意思決定に変換する方が、予測に関わる全員、非専門家を含む全員が触れるよりも理論的にはシンプルではないでしょうか?シンプルさについて、どのような考えをお持ちですか?どちらがより複雑ですか?
Jeff Baker: 私がFVAを使用したことがあるのは、販売と運用計画プロセス、需要レビュー、3ヶ月先の時間軸を見る場合です。現在の月、現在の月+1、2。一般的に、多くのCPG企業、多くの企業では、それが凍結スケジュールとなっています。それが計画と実行の移行点であり、S&OPとS&OEの違いです。
S&OPのドメインにいるとき、私たちはこれらのイベント、ドライバーのいくつかを見ています。そこで私たちが行うことは、集約レベルで入力を収集することです。製品ファミリーレベルでの入力であれば、それらの高レベルのドライバーを下方に伝播させることができます。いくつかの決定を分解することができます。これは一般的な方法です。高レベルの数値を詳細まで分解します。
実行側では、重要なイベントが発生した場合、その影響の大きさに応じて、製品ファミリーレベルまたは企業レベルでも行うことができます。それは簡単です。すべてのSKUを調整することを提唱しているわけではありませんが、大きな影響がある場合は、それらの調整を行う必要があります。
その計画、その再計画、計画は何でもありません。その再計画、再訪、S&OPプロセスで1ヶ月に1回行う場合、すべての意思決定者が同じ部屋にいます。1ヶ月に1回行い、モデルに既にあるもの、新しい情報、それをどのように組み込むかに焦点を当て始めます。実際、需要レビュー会議で拍手をしたことの一つは、営業リーダー、副社長が部屋にいて、「この製品についての新しい情報は何か?」と言ったときです。新しい情報はありません。「OK、統計的予測、アルゴリズム予測が有効です」となりました。それほど多くの官僚主義はありませんでした。
それが理想的な方法だと思います。ただし、私たちが既知の非常に大きなイベントがある場合を除いては。ただし、サプライチェーンの科学者である場合、積極的にその情報を求めに行かなければなりません。一方、私が提案している方法では、営業とマーケティングは、新しい情報、変更された情報、前月の仮定に含まれていなかった情報を教える必要があるということを知って会議に参加します。それをできるだけ迅速に行うように努めています。大規模なCPG企業では、製品ファミリーレベルでそれをすばやく進めることができます。
Conor Doherty: ありがとうございます、ジェフ。ジョアネス、何か追加することはありますか?
Joannes Vermorel: あまりありませんが、簡潔に言うと、予測を微調整する代わりに専門家が情報を受け取ることを強く推奨する理由は、ほとんどの場合、情報の詳細度が会社の業務と一致しないことです。彼らは、「ああ、この競合他社が破産する」と言いますが、この競合他社と彼が実際にやっていることとの間には明確な重なりがありません。それは一対一ではありません。カテゴリごとに、どの製品が影響を受けているかを特定するのは困難です。
人々が営業やマーケティングなどから「この情報は適切な時系列を見つけて上書きすることができる」と考えることはほとんどありません。どれを正確に触れるべきかを見つけること自体が難しいです。他の不確実性の要因はどうですか? Lokadが予測モデルを使用して会社を運営する際、需要だけでなく、需要予測、リードタイム、生産収率、サプライヤーの将来の価格、競合他社の価格の変動の予測など、半ダース以上の予測モデルがあります。
FVAのポイントは、情報の詳細度と時系列の間のインピーダンスミスマッチの問題も抱えているということです。需要だけに焦点を当てる一方で、予測する必要がある他の不確実性がたくさんあります。例えば、「このサプライヤーは完全に圧倒されており、リードタイムが急増する」という情報もあります。それはリードタイムの予測アルゴリズムに反映されるべきです。
Jeff Baker: はい、サプライチェーンを見る必要があるという点では、あなたとは異論はありません。FVAに焦点を当て、サプライヤーのリードタイムなどを見ることを忘れるよう勧めているわけではありません。それは正しくありません。需要が何であるかに焦点を当てる必要があります。効率的な観点から、最良の需要は何ですか、ということですね?
また、サプライサイドに関するすべての情報も知る必要があります。両方を行う必要がありますね。そして、はい、完全に同意します。リードタイム、リードタイムの変動、製造、ダウンする可能性のあるタイミング、サプライヤーの価格、それも知る必要があります。だから、そこに異論はありません。私の異論は、他のことを排除してFVAに焦点を当てるとは言っていないということです。
Conor Doherty: さて、聴衆から他の質問がありますので、それに取り組みます。ただ最後に、ひとつのポイントが挙げられましたので、それを提示します。まず、フェアに要約してみましたが、ジェフ、それが正しい要約ですか?アルゴリズムに還元できないアイテムが存在するという主張をしましたね。それは、予測の低さだったと思いますが、単にアルゴリズムの解決策に依存することはできないということです。
Jeff Baker: はい、そして、イベントがありますね、それは繰り返しできないイベントに関連しています。
Conor Doherty: それによって、手動でオーバーライド、手動で入力する必要があるということですね。
Jeff Baker: イベントの事実を文脈化する必要があります。モデル化できるものは何もありませんが、決断をしなければなりません。専門家の助けを借りることにします。
Conor Doherty: ジョアネス、それについてのご意見はありますか?私はそれを聞いて非常に興味がありましたので、あなたの意見を聞かせてください。
Joannes Vermorel: それが私が議論でフィリップ・テトロックという専門家を挙げた理由です。彼は実際に「スーパーフォーキャスティング」という本を書いており、予測能力を評価するために、Good Judgment Projectという10年間続いたプロジェクトで人間の予測能力を評価しました。これは、米国のDARPAに相当する情報機関であるIARPAによって資金提供されました。
彼らが見つけたのは、直感的な方法で予測するための優れた予測者は、アルゴリズム的なレシピが利用可能な場合はそれを使用する方が良いということでした。アルゴリズム的なレシピがない場合は、人間と高度な判断に戻ります。しかし、彼らが結論づけたこと、そしてその本の結論の一つは、優れた予測精度を一貫して達成する人々、つまりスーパーフォーキャスターは、実際にはケースに合わせたマイクロアルゴリズムを構築しているということです。それだけです。そして、人々がそれを行えるようになると、精度が大幅に向上します。その桁数は、非常に難しい評価が必要なものでも、30%の精度向上です。例えば、シリアの前大統領が次の5年間で権力を取り戻すかどうかという質問などです。非常に難しい質問です。
つまり、これらの結論に戻ると、情報がある場合、情報を数値化して会社の予測についての定量的な声明をする必要があるのは、情報を持っている人ではないということです。それが私が言っていることです。そして、FVAやその手動オーバーライドの実践が間違っている理由は、Lokadでは、誰かが生の情報を提供し、それがどこから来たのかわからないアイテムがある場合、それを数値に変換するミニ数値レシピを作成する必要があるという点にアプローチしているからです。
興味深いことに、それを発明するだけでなく、文書化する必要があります。ロジックを説明する必要があります。たとえそれが3つの文で、「これを行い、これにこれを掛け、比率と割引を適用する」というような非常にシンプルな料理のレシピであってもです。再び、「スーパーフォーキャスティング」という本に戻ると、アルゴリズムなしで優れた予測結果を達成する人々がそれを行っている方法です。彼らは明示的な数値レシピを持っており、それによって彼らのプロセスを改善できます。情報だけではなく、それらの洞察を数値に変換する方法について、繰り返し可能で改善可能なプロセスを持つ必要があります。それは人々の心の中で魔法のようなものではないはずです。
Jeff Baker: いいえ、完全に同意します。私たちは人々に前提条件を文書化するようにしています。それを拡張すると、はい、セールスチームやマーケティングのために大規模な言語モデルAIがあれば素晴らしいです。なぜなら、それはバイアスの一つです。人々に尋ねて、彼らの意見を聞こうとすると、時には彼らは何かを覚えていることもありますし、時には覚えていないこともあります。私たちはデータを通じて戻っていって、「いつその価格を上げたのか?ああ、1年が経つ頃かもしれません。価格の上昇からの最初のバンプはもう終わっているかもしれません」と考えています。できるなら、それを自動化することに賛成です。人々との会話を持ち、それを始める必要があります。それは彼らにとって生活の一部でなければなりません。現在、多くの企業でそのようなケースがたくさんありますので、その道を進んでください。
Conor Doherty: そうですね、では、今度はオーディエンスから寄せられた質問に進みたいと思います。前回はまずあなたに質問しましたが、今回は両方に質問します。これはニコラスからの質問です。S&OPがあるにもかかわらず、情報が過剰に入ってきて、統計モデルが頻繁に変更される状況をどのように管理すればよいですか?マーケティングチームや財務チームからのプレッシャーを効果的にバランスさせる方法はありますか?
Jeff Baker: つまり、セールスやマーケティングからさまざまな情報がたくさん入ってくる場合の質問ですか?
Conor Doherty: はい、基本的には情報の波が押し寄せてくる場合、特に多くのオーバーライドがある場合、それをどのように処理するか、ということです。ただし、この括弧は私が追加しました。
Jeff Baker: そうですね、統計モデル自体は変更されません。つまり、時系列に基づいた統計予測モデルであり、セールスやマーケティングからのオーバーライドのことを指しています。私たちは以下のことについて話していません…
Conor Doherty: 現在、ニコラスは私と一緒にいません、申し訳ありません。
Jeff Baker: そうですか、その場合、時間軸での決定を行う必要がありますね。つまり、製造スケジュールの設定や有限容量スケジューリングのために3ヶ月先を見越して決定する必要がある場合、新しい情報を直前に持ち込まないようにする必要があります。製造側からもう一つの重要なポイントとして、私は「凍結時間枠の違反」を通じてセールスチームにトレーニングを行うことを強く推奨しています。現在の月および翌月における驚きは歓迎されません。これは文化的な問題です。これが私が対処する方法です。例えば、あるセールス担当者がやってきて、「大きな売り上げがある」と言って、製造部門に直前まで伝えなかった場合、それは良い取引ではありません。私たちはかなりの金額を失ってしまいます。
したがって、そのような波に対処する方法は、その時間枠での判断を行う必要があります。そして、私たちはそれに基づいて計画を立て、驚かされないようにする必要があります。これが私がそのような波に対処する方法です。実際、私が好きなS&OPの指標の1つは「凍結時間枠の違反」です。製造部門の人々が私たちに新しい売り上げがあることを直前まで伝えなかったために、私たちは製造部門の人々を鞭打っている頻度を示しています。
Conor Doherty: ありがとうございます、ジェフ。ジョアネスさん、何か考えはありますか?また、あなたの規範に基づいた専門家は、多くの異なる人々から突然の洞察をどのように扱うべきですか?それについてもお答えいただければと思います。
Joannes Vermorel: まず、Lokadのアプローチはすべてを自動化することです。ですので、まず、そのための余裕が必要です。そして、自動化されたものを持っていると、例外的な状況を受け入れるために、供給チェーンの科学者は帯域幅を持っています。これは、既に日常業務に時間を費やしている状況では通常は起こりません。これが最初のポイントです。
2つ目のポイントは、予測の不安定さは、クラシックな時系列予測、つまりポイント予測の特徴です。少しの情報を追加すると、予測は上下にジャンプするでしょう。なぜなら、精度指標に従って、最も反応性が高く、最も正確になるためには、これを行うべきだからです。非常に頻繁に、正確性を高めるためには、変化を非常に迅速に捉える必要があり、それによって予測が非常にジャンプすることになります。ここでは、確率予測を採用すると、ジャンプの問題が解消される傾向があります。なぜなら、既に拡散した確率分布を持っているからです。したがって、外れ値やその他の要素を観測したとしても、確率分布の質量の拡散に大きなジャンプはありません。
また、予測のジャンプの問題は、ポイント予測に移行しても根本的に変わらないものです。なぜ予測のジャンプが嫌われるのかという問いに対する答えは、予測は手動で再処理され、手動で修正されるからです。これはLokadのやり方ではありません。予測は自動化され、意思決定も自動化されています。したがって、予測が変動すると、自動的に即座に新しい状態を反映した意思決定が行われます。ただし、特定の行動方針に財務的にコミットしている可能性があることも考慮に入れる必要があります。したがって、需要が予想と異なる場合でも、この在庫をどうにかして売却する必要があります。つまり、情報が追加されるタイミングに制約を設ける問題を自動化によって解決し、大部分の問題を取り除くことができます。
ジェフは文化について話していました。興味深いことは、情報をもたらす人々に即座に報酬が与えられることです。彼らが情報を提供すると、その情報は直ちに検証されます。翌日には、生産スケジュール全体が調整されます。生産スケジュール、在庫割り当て、出荷、発注など、すべてが昨日提供された情報を即座に反映しています。したがって、人々にとっては、情報を提供する文化を育む方法が見えてきます。彼らは、情報をもたらすと、ほぼ数時間以内に、あらゆるスケールのすべての意思決定に反映されることを見る必要があります。それが非常に具体的になる方法です。彼らに、「来月戻ってきて、あなたのものを見始めることを検討し始めます」と言っても、具体的になりません。
Conor Doherty: ありがとうございます、ジョアネス。ジェフ、最後の部分についてのご意見をお聞かせください。少なくとも少しは共感しているように見えましたね。
Jeff Baker: そうですね、そうですね。私にとっては、それはバルホイップ効果のレシピのように聞こえます。少しの情報を追加すると、最善の意思決定が即座に反映されるという反応性と技術的な能力を評価しています。課題は、私たちは既に多くの意思決定を行っているということです。スケジューリングを行い、例えばオートミールを作っているとしましょう。通常のオートミール、シナモン入りのオートミール、シナモンとリンゴ入りのオートミール、そしてシナモン、リンゴ、くるみ入りのオートミールを作っています。しかし、アレルギーが発生しました。その間の切り替えコストは非常に高額です。今、急にスケジュールを変更しなければならない場合、サプライヤーに対してバルホイップ効果が生じる可能性があります。
安定性にはいくつかの利点があります。実際、供給チェーンにおいては、最も正確ではなく、正確性に加えて安定性がある予測が価値があるのかという議論が行われています。これについては、まだ研究を始めたばかりですが、多くの意思決定が行われなければならないという事実に言及しています。私たちは、ある程度の予測を立て、それに基づいて行動を起こす必要があります。私たちは、凍結された予測と言っても、みんなが笑うでしょう。それは実際には凍結されていないことはみんな知っています。しかし、意思決定を変更することには財務的な結果が伴います。
だから、技術的には「これが最善の決定だ」と反映できるのは素晴らしいことだと思いますが、私たちはすべての情報に基づいて変更すると、それに関連するコストが発生することを考慮する必要があると思います。これは一部の供給チェーンにとっては完全に問題ないかもしれません。反応性のある供給チェーンがあるなら、問題ありません。それが私たちの生活の中であるかもしれません。変更が高価で難しい効率的な供給チェーンがある場合、そこに問題があると考えています。
Joannes Vermorel: なるほど。私たちの場合、Lokadでは、変更のコストをモデル化しています。リソースの割り当てごとに、前回との逸脱があれば、そのコストをモデル化します。これは非常に基本的なことです。だから、変更のコストが予想される利益を上回る場合、そのものは変わらないでしょう。私にとっては、人々は通常、非常に無意味な数値レシピを見て、「ああ、これは問題だ」と言う傾向があります。
たとえば、予測に全く関係なく、非常に単純な予測に従う意思決定があるかもしれません。これは非常に単純化されたものです。もちろん、変更のコストやさまざまなコストを実装するために、数値レシピの一部が必要です。それらはたくさんあります。そして、そこが確率的予測の優れた点でもあります。将来この意思決定を行う場合、将来それを見直す必要があるかどうかを考慮に入れることができます。なぜなら、ポイント予測では、すでに将来を知っていると仮定しているため、予測が間違っている可能性を自動的に考慮することができません。しかし、確率的予測では、それが前提となります。予測はすでに需要がこの範囲内のどこにでもある可能性を示しており、確率も示しています。ですから、意思決定を最適化する際に、変更がある場合の変更のコストだけでなく、将来変更が必要になる可能性も計算します。
Conor Doherty: さて、紳士方、もう一度時間に気をつけて、まだ少なくとも4つの質問を終わらせる必要があります。しかし、公平性のために、この次の質問をあなたに投げかけます、ジェフ。FVAは、予算の期待に合わせて統計モデルを調整する圧力を和らげるための良いアプローチになるでしょうか?そして、サプライチェーンのデータサイエンティストは、そのような課題に直面した場合に政治や階層をどのように乗り越えることができるのでしょうか?ジェフ、あなたにコメントをお願いします。
すみません、実際にはこれをジョアネスに投げるべきです。FVAは、予算の期待に合わせて統計モデルを調整するための良いアプローチになるでしょうか?そして、サプライチェーンのデータサイエンティストは、そのような課題に直面した場合に政治や階層をどのように乗り越えることができるのでしょうか?ジェフ、あなたにコメントをお願いします。
Joannes Vermorel: やはり、ポイント予測の問題です。ポイント予測は将来を知っていると仮定しています。ですから、もし将来を知っているのなら、計画やすべてのことは調整の問題であり、予測はすべての予算を必要とすると言っています。しかし、それは間違っています。まず、予測には不正確さがあり、不確実性を完全に無視しています。
ポイント予測は特定の予算に厳密に依存しています。これはまったくベストプラクティスではありません。しかし、確率的予測の世界に行くと、突然、これらの問題は解消されます。持っているのは可能な未来であり、その予算の使い方を考えることができます。もし、あなたがこのリソース量を持っていると言ったら、将来の確率に従ってそれらのリソースをどのように割り当てるかを見ます。
そして、ちなみに、それについての例があります。もし人々がスプレッドシートを持ちたいと思ったら、優先順位-在庫-補充-excel-確率-予測/をご覧いただけます。それは確率的予測を用いたExcelスプレッドシートであり、予算に関係なく、どのような予算でも最善の結果を得ることができます。やはり、ポイント予測はパラダイムとして欠陥があります。クラシックな時系列もパラダイムとして欠陥があり、欠陥のあるパラダイムに縛られていなければ、概念的にも問題が発生しないでしょう。
Jeff Baker: ただ、欠陥のあるパラダイムは、多くの企業にとって数十年間非常にうまく機能しているものです。ですから、それを欠陥とは分類しません。予算に関しては、予測と予算は非常に大きな問題です。予算は理想的なものです。私たちの営業と運用の観点から言えば、私は常にクライアントに18ヶ月先まで予測を行うようにしています。ですから、2025年の中頃には、既に2026年を見ています。2026年の最も可能性の高いビューを理解することができます。
それから、そこに理想的な目標を重ねることができます。それには問題ありませんが、その後、会話を強制します。私たちの売上をこの程度増やすためには、コストをこの程度減らすためには、何が起こらなければならないのか、ということです。それが会話の一部です。ですから、そのためには、将来のために信頼性のある統計的予測または将来の合意予測に基づいて予算を立てることが最善の方法です。それから、それに対する逸脱がある場合は、売上、マーケティング、製造計画を立ててそのギャップを埋めることも必要です。最悪のプラクティスは、誰もがそれに同意すると思いますが、アイボリータワーのアプローチです。これが私たちの予算です、財務がそれを入れます。そして、それは古い微積分の問題を思い出させます。導出はユーザーに任されており、「ああ、どうやってそれをやるんだろう」となります。ですから、それは最悪のプラクティスです。それらのプラグをただ差し込むだけです。
ですから、私は、元の予算が現実に基づいていることを確認する方法だと思います。そして、第二に、FVAはそれに最適です。これが私たちの統計的予測です。予算にはFVAはありません、それは理想的なものです。しかし、それらのギャップがどこにあるかを指摘し、それに対処するための会話を強制します。はい、私たちは皆、予測が予算と同じであるという絶対的な最悪のプラクティスに同意すると思います。それは私を狂わせるでしょう。
Conor Doherty: では、次のコメント、次の質問に進みます。これはJoannesに直接的な質問です。これはTimurからのものだと思います。FVAは有用ですが、範囲が限られていると感じることがあります。JeffのFVAがハンマーのようなものだというメタファーに同意しますか、それとも違う見方をしますか?
Joannes Vermorel: ええ、まあ、私はあまり確信がありません。私のFVAへの批判は、それがハンマーであるということではなく、それが間違ったパラダイムの中で動作しているということです。それは奇妙で、間違ったパラダイムによるものです。再び、時系列、クラシックなポイント予測、それが正確さに根ざしていて、誤差の割合ではなく誤差のドルで測定されていないという事実。見ていただければ、パラダイム的な問題がたくさんあります。そして、それが私がこれらのことを欠陥と言う理由です。企業が実際に経験する摩擦は、これらの問題の現れです。
もし、それらのパラダイムが欠陥であることの一つの証拠が欲しいのであれば、1970年代以来、サプライチェーン理論はそれらの意思決定プロセスの完全な自動化を約束していました。それは、ところで、オラクルが70年代から提案していたものです:完全にアルゴリズムによる在庫管理を手に入れるでしょう。しかし、それは実現せず、何度も失敗しました。私が言っているのは、パラダイム、数学的なツール、機器が単に間違っているということです。ですので、様々な奇妙な問題が発生するのです。このハンマーのことに戻ると、はい、時々、ネジを締めるためにハンマーを使おうとしているような感じがします。ハンマー自体が悪いわけではなく、ハンマーが適切なツールではないことが問題なのです。
Conor Doherty: ジェフ、もし何か追加したいことがあれば、コメントするスペースをあげます。
Jeff Baker: いいえ、ハンマーについての私のたとえ話は、ツールを正しく使わなければ、それに価値を生み出すことはできないということです。それが私のたとえ話です。
Conor Doherty: ありがとうございます。続けます。これはマリナさんからの質問ですが、誰に向けたものかは明確ではないので、まずジェフに聞きます。AIが急速に進化し、将来的にはすべてのデータが利用可能になる可能性がある中で、FVAはより効果的になるか、さらに必要不可欠になると思いますか?
Jeff Baker: より効果的になるか、さらに必要不可欠になるか?それは興味深い質問ですね。私が考えるに、AIがますます普及し、ますます多くのデータが利用可能になるにつれて、私たちはそれを文脈化し、それを使って意思決定をする方法を学ばなければなりません。遠い将来を想像してみると、私たちはこの情報をすべて文脈化し、大規模な言語モデルに組み込み、あなたの指摘に従って、実際にそれを体系化し始めることができるかもしれません。それは、すべてのこれらの意思決定を行っていて、それらは素晴らしい意思決定ですというようなものになるかもしれません。
その場合、競合他社が倒産したり、経済の低迷と同時にプロモーションを行ったり、季節性が増加したりするなど、重要なイベントの限られたケースに取り組むことができるかもしれません。ですので、AIがすべてのデータを取り込み、関係性を理解し、存在するノイズと価値のあるものとを理解することに優れているという点で、低いハンギングフルーツがいくつかあるかもしれません。ですので、私は将来的には自動化が進むにつれて、FVAの価値が少し低くなる可能性もあると思います。
Conor Doherty: それでは、ありがとうございます、ジェフ。ジョアネス、AIとFVA、未来について、どう思いますか?良いですか、悪いですか?
Joannes Vermorel: 人工知能については、もう少し立ち止まって考える必要があると思います。情報の量としては、トランザクションシステムはギガバイトの情報を保持しています。本当に派手に言うなら、ギガバイトです。トランザクションデータはギガバイトの情報です。対比すると、人々はキロバイトの情報しか持っていません。人々は、あなたが知っているように、デューンシリーズで言うところのメンタットのような存在ではありません。ですので、正しい意思決定をするための99%の問題は、大量の情報の中から、日常的なトランザクション情報を取り出し、それをもとに意思決定をすることです。それが情報の大部分の99%です。
この問題の一部である、表形式で見つかる数値データの処理において、大規模な言語モデルはあまり関連性がないと思います。はい、それらは非常に効果的なコーディングツールになることがありますので、実際にツールを使用してコードを書くことができます。それは一つのことです。しかし、コードを書く以外のことをすることができるのでしょうか?非常に明確ではありません。
さて、人々が頭の中に持っているキロバイトの情報を使って、それを数量化するためのギャップを埋めることができるのでしょうか?私は「はい」と言いたいと思いますが、この自動化された予測最適化のためのパイプラインをエンドツーエンドでエンジニアリングすることはまだ課題です。これは本当の課題であり、ここでは人間の知能の限界を正しくストレスをかけています。ですので、現在のパラダイムであるLLMと共に、AIがMicrosoft Wordのバージョンを書き換えることによってMicrosoftを置き換えるようなAI企業が存在するとは、近い将来には見えません。AIはコードの書き方を助けることができますが、それには現在のパラダイムではまだ多くの人間の知的な監視が必要です。彼らはまだ超知能ではありません。
Conor Doherty: まだ2つの質問が残っています。ジェフ、次の質問に直接進んでいただければと思います。
Jeff Baker: 了解です。
Conor Doherty: ありがとうございます。これはあなたに対する質問です。私が先に行きます。マークからの質問です。予測の信頼区間を、購入や作業指示などの単一の離散数値に効果的に変換するにはどうすればよいですか?ポスト予測分析は、その数値を決定するための最良のアプローチでしょうか?
Jeff Baker: そうですね、確率的な予測や区間には何の問題もありませんが、最終的にはERPシステムやスケジューリングシステムに数値を入力する必要があります。数値を選択する必要があります。ただし、その数値の変動は興味深い議論の対象になります。もし数値が20%や30%上がった場合、どうなるのでしょうか?しかし、これらは調査できるシナリオになります。ですので、それが私の回答です。
Conor Doherty: ありがとうございます。ジョアネス、何か追加することはありますか?
Joannes Vermorel: はい、再度言いますが、在庫数量についての意思決定を行うために問題をパラダイム的な視点からアプローチする必要があると考えるのであれば、不確実性は存在しないということです。存在することはできません。そして、それがなぜ人々が再びこの間違った視点に戻ってしまうのか、つまり「信頼区間についてどうすればいいのか?それらをどうすればいいのか?」という問いを投げかけるのか、ということです。それはパラダイムの罠です。欠陥のある概念に閉じ込められてしまっています。
ですので、需要予測が在庫の意思決定に対して直接的な数値を提供するという現在のパラダイムで問題に取り組む場合、解決策は、意思決定においても、意思決定がすべての可能なシナリオを反映していることを保持することです。在庫のために数値を選ぶのではなく、特定の需要を選ぶのではありません。いいえ、在庫の意思決定は、優先順位を持ち、さまざまなリスクを金銭的な観点で表現したすべての可能なシナリオを反映すべきです。ですので、それが異なる考え方です。そして、質問に戻ると、時系列のパラダイムにとどまる限り、信頼区間をどうすればいいのかわからなくなります。それらはシステムには適合しません。
ジェフ・ベイカー: 私は、これらの信頼区間に対して何をすべきかは正確にわかると主張します。なぜなら、リードタイムでの予測誤差があれば、それは私の安全在庫の計算に反映されるからです。それに同意するかどうかは別として、需要の変動性やリードタイムの変動性を考慮した明確に定義された安全在庫の計算方法があります。ですので、それを考慮に入れると、私たちは、ポイント予測とリードタイムでの予測の標準誤差とともに安全在庫数を提供する統計的な安全在庫計算があります。その分布がどのようなものか、正規分布が適切なものかについては一日中議論することができますが、私が働いた多くの企業や、私がカンファレンスで聞いた多くの企業では、予測誤差の偏差がどのように扱われているかについて、このような統計的な安全在庫計算が行われています。
コナー・ドハティ: 最後の質問に進みます。機械学習モデルは、統計的予測の因果関係に含まれていない大規模な新規顧客などの既知のイベントの調整をどのように行うべきでしょうか?まず、ジョアネスさんにお聞きします。
ジョアネス・ヴェルモレル: ここでも、アルゴリズム的な構造が明確でない情報の取り扱いの問題に触れています。そして、機械学習を「ブームワード」として使って、「ここではテクノロジーが何かをしてくれる」と言うことはできません。ここでは非公式な予測の領域に入っています。聴衆の皆さんには、フィリップ・テトロックの「スーパーフォーキャスティング」という本を強くお勧めします。ベースラインが明確でない場合、どうすればいいのでしょうか?
機械学習はこの問いに対する答えを提供しません。少なくとも、監督学習という古典的な機械学習パラダイムは、この問いに対する答えをまったく提供しません。私は、グッド・ジャッジメント・プロジェクトが行ったことや彼らが開発した技術を読んで、彼らはより高度な知性の技術を開発していると考えています。私が「高度な知性」と言う意味は、これらの技術を適用するために、LLM以上のようなあいまいな知性を持つものを見ているということです。
彼らは、スーパーフォーキャスターと話し合い、このような状況で卓越した予測スキルを実証した人々がどのような技術を共有しているかを調査しました。驚くべきことに、彼らはみな同じような技術を持っていることがわかりました。要するに、技術は存在しますが、それには多くの判断が必要です。これらの経験的な結果に基づいて言えることは、このような状況では、単に機械学習アルゴリズムだけで済ませることはできないということです。
ビジネスのビジネスケースのように、自分自身の仮定を構築し、ケースを分解し、さまざまな要素を評価し、合理的なものを見つけ出す必要があります。しかし、「合理的」という言葉を使っても、形式的にはどういう意味なのかは非常に難しいですが、人々は実際に理論を見て、それに同意することができます。
ですので、私の意見は、古典的な機械学習が答えになることは期待しないということです。LLMは、このような推論を構築するためのサポートツールになるかもしれません。問題のさまざまな要素を分解し、数量化するためのブレインストーミングに役立つでしょう。しかし、結局のところ、数値モデリングに関しては、予測の専門家がそれを見て、独自の判断を下すことが最善の方法です。少なくとも、グッド・ジャッジメント・プロジェクトの経験的な研究に基づいてそう言えます。
コナー・ドハティ: ジェフさん、ご意見をお聞かせください。
ジェフ・ベイカー: そうですね、私はこれについては注意が必要だと思います。機械学習であろうと、AIであろうと、あまりにも多くの要素を投入しすぎると、相関関係と因果関係を混同し始める可能性があります。私が授業で経験したクラシカルな学習の一つは、複数の回帰モデルでした。要素を投入し続けると、フィットが良くなっていきました。価格を投入したところ、突然ですが、売上が増えることがわかりました。完全に直感に反する結果でした。因果関係は明らかに間違っていましたが、相関関係は良くなりました。
ですので、私たちは本当に注意が必要です。ある時点で、ノイズをモデル化し始めます。機械学習であろうとAIであろうと、それに質問を投げかけ始めます。問題は、AIは歯の妖精を信じる5歳児のような過信で答えることです。これがまさに起こることです。ですので、注意が必要です。そして、それがヨアネスと同意する点です。それを文脈化し、それを理解できる専門家を見つける必要があります。完璧なモデルを作ろうとしないでください。ある時点で、結果は予想通りではなくなるでしょう。
コナー・ドハティ: さて、この時点で、皆さんからは質問がありません。ただ最後の質問があります。それがクロージングとなる質問です。まずはジェフにお聞きします。議論のトピックはFVAです。それはベストプラクティスなのか、時間の無駄なのか?今、お互いに約80分間話し合ってきました。ジェフ、あなたはどのように感じますか?ヨアネスのポイントや反論を聞いて、あなたはかなり寛大で受け入れているように思えます。ただ、ヨアネスのポイントのいくつか、またはすべて、または多くのポイントが正しい可能性をどのように受け入れ、それをFVAがまだベストプラクティスであるという立場と調和させますか?
ジェフ・ベイカー: はい、そうですね。アイデアをオープンに交換することを評価していますし、現時点では、予測価値付加(FVA)はベストプラクティスだと主張できます。私たちは現在それが必要です。
バリナさんが以前に素晴らしい質問をしましたが、将来、技術が進歩するにつれて、FVAはますます重要な技術ではなくなるかもしれません。これを数量化することができるかもしれませんし、モデルに組み込んで自動的に意思決定を行うこともできるかもしれません。ただし、私たちは常に協力関係を確立し、販売、マーケティング、外部の影響を理解するプロセスが必要です。
役割が将来的に減少する可能性はありますか?はい、そうです。私は高価値で高変動性の象限について話しましたが、将来的にはそれがより関連性のないものになることが確かに見えます。しかし、今のところ、私はFVAをベストプラクティスと見なし、私の退職後もベストプラクティスであると信じています。
ですので、近い将来においては、FVAは重要なままです。長期的な将来においては、ヨアネスのビジョンは非常に素晴らしいものであり、それには多くの問題はないと思います。これらのアイデアについては、私たちは50%程度同意していると言えます。
コナー・ドハティ: ありがとうございます、ジェフ。ヨアネスさん、聞いたことによって動じることはありませんか?単純に言えば、それは不動の物体と止められない力ですか?
ヨアネス・ヴェルモレル: そうですね、私は言えると思います。私がメインストリームのサプライチェーン理論と呼んだもの、そしてFVAはその一部ですが、それはかなり一貫しています。それは認めます。
ですので、確かに、これらのアイデア、パラダイム、すべてを受け入れるのであれば、この観点からは悪くは見えません。ただし、生成される官僚的なオーバーヘッドの量には少し注意が必要です。
再び、多くの人々を巻き込むことは、多くの人々の時間を消費するレシピです。いくつかの種類の横断的なエンティティを作成すると、それは誰にでも挑戦するものになりますが、それはまだ多くの忙しい仕事を作り出す可能性があります。
私のネットワークには、特にS&OPの周辺や支援に関連するすべてのことに関して、膨大な量の忙しい仕事をしている人々の例があります。
さて、Lokadは異なるパラダイムで10年以上運営されています。ちなみに、ジェフ、この代替ビジョンを裏付けるほぼ100時間分のYouTubeシリーズがあります。
しかし、興味深いことに、異なるパラダイム、異なるツール、異なる手段を選ぶと、それらの問題の大部分は解決します。新しい問題がありますが、それはまったく異なるものですが、運用上は非常に奇妙なものになります。
それは、ほとんどの意思決定が自動的に行われるサプライチェーンです。ちなみに、2020年から2021年にかけて、私たちは非常に奇妙な経験をしました。何十ものクライアントが、すべての事務職員を自宅に送り返しましたが、インターネットにアクセスすることはできませんでした。政府の補助金を受けるためです。彼らのサプライチェーンは、Lokadが監督すらせずに、名目容量の約80%で稼働し続けました。
通常、私たちは意思決定を生成していますが、私たちが生成しているものが適切であるかどうかを検証するために多くの人々がいます。私の考えでは、数十億ドル規模の超複雑なサプライチェーンを14か月間、すべての人々がこのマイクロマネジメントを行わずに運営できるのであれば、それは本当にすべての人々の付加価値と自動化から期待されるものについて疑問を投げかけます。
AIやさまざまなものについて人々が話していると思いますが、私のアプローチは、超高度なハイパーパラメトリックな兆パラメーターモデルを必ずしも必要としないということです。自動化を実現するためには、機械がサプライチェーンを操縦し、人々が機械を操縦するという視点からアプローチしています。
コナー・ドハティ: ありがとうございました。ここでは、最後の言葉をゲストにお渡しすることが慣例です。ですので、ジェフ、参加してくれて本当にありがとうございました。もし締めのコメントがあれば、自由にお願いします。
ジェフ・ベイカー: いいえ、機会をいただきありがとうございました。会話を楽しませていただきました。コナー、とてもうまくモデレートされていました。本当にありがとうございました。
私は喜んでいます。質問に参加していただいた視聴者の皆さんに感謝します。対立する意見が出会うときはいつも興味深いと思います。お互いが少し良くなると思います。正直に言って、この機会をありがたく思っています。お話できて嬉しかったです。
ヨアネス・ヴェルモレル: ありがとうございました、ジェフ。
コナー・ドハティ: ヨアネスさん、お時間いただきありがとうございました。ジェフさん、お時間いただきありがとうございました。ご視聴いただきありがとうございました。次回をお楽しみに。
ジェフ・ベイカー: いいえ、特にありません。機会をいただきありがとうございました。会話を楽しませていただきました。コナー、とてもうまくモデレートされていました。本当にありがとうございました。
ヨアネス・ヴェルモレル: ありがとうございました、ジェフ。