00:00:00 Lokadとそのミッションの紹介
00:00:59 サプライチェーン改善の役割と目標
00:02:59 意思決定と自動化
00:05:42 サプライチェーンの意思決定が製品ライフサイクルに与える影響
00:08:10 サプライチェーンサイエンティストの役割
00:10:56 在庫切れのコスト
00:13:30 ビジネス理解を方程式に変換すること
00:15:50 サプライチェーン最適化のためのピットクルーの比喩
要約
ロカッドのコナー・ドハティが、COOのSimon Schalitとのインタビューで、サプライチェーンサイエンティストの重要な役割について話します。Schalitは、これらの科学者は単なるデータの専門家だけでなく、サプライチェーン管理の専門家でもあり、在庫と価格に関連する意思決定の最適化と自動化に責任を持つと説明しています。彼らは効率的な購買と配送を確保するためのアルゴリズムを構築し、投資利益の最大化を目指しています。通常のデータサイエンティストとは異なり、サプライチェーンサイエンティストはビジネスプロセスと戦略を理解し、それらを最適化アルゴリズムに変換するために没頭します。この役割にはデータ分析、クライアントとの対話、ビジネスの洞察力が含まれており、ビジネスの効率と収益性を向上させるために不可欠です。
フルトランスクリプト
Conor Doherty: Lokadへようこそ。ロカッドが何をするのかと聞かれたら、私は非常にシンプルに答えます。私たちはあなたがより良い財務的な意思決定をするのをお手伝いします。もちろん、それには次のような質問が続きます。意思決定はどこから来るのか、どのように生成されるのか？今日のゲスト、Simon Schalitは、LokadのCOOであり、サプライチェーンサイエンスの責任者です。彼は座って、サプライチェーンサイエンティストがクライアントのサプライチェーンを最適化するために使用する意思決定を生成する上で果たす重要な役割について説明しました。いつものように、気に入ったらYouTubeチャンネルを購読し、このビデオにいいねをして、LinkedInでフォローしてください。それでは、Simon Schalitとの今日の会話をお楽しみください。
Simon Schalit: 私はLokadのCOOであり、実際にはサプライチェーンサイエンティストチームを率いています。サプライチェーンサイエンティストは、クライアントのためにソリューションを実装し、運用を維持する責任を持つ人々です。彼らはどの業界にいるかに関係なく、データとサプライチェーンの専門家です。つまり、あなたのサプライチェーンを改善するエンジニアのチームです。
Conor Doherty: それはわかりました、Simon、ありがとうございます。サプライチェーンサイエンティストがクライアントのサプライチェーンを改善すると言ったとき、具体的にはどういう意味ですか？具体的に何を改善しているのですか？
Simon Schalit: サプライチェーンにおける意思決定の目標は、在庫や価格など、すべての要素が最適な方法で設定されることです。例えば、サプライチェーンのためにアイテムを購入する場合、購入するアイテムは適切な場所で適切なタイミングで購入し、適切な場所で適切なタイミングで送られ、業界に応じてどの形態でもサービスできるようになるようにしたいです。
ですので、サプライチェーンを改善するとは、より良い意思決定を行うことを意味します。通常、それは財務の観点から意思決定を最適化し、意思決定プロセスを自動化することを伴います。大企業のサプライチェーンが日常的に行わなければならない意思決定の数は、人間が扱える範囲をはるかに超えることが通常です。実際に扱えたとしても、最適化されることを保証することはできません。
Conor Doherty: 例えば、小売業の会社を考えると、カタログには15,000の商品があり、200の店舗があるかもしれません。そのアカウントのサプライチェーンサイエンティストは、日常的にクライアントに何を伝える責任がありますか？
Simon Schalit: サプライチェーンサイエンティストは、それらの意思決定を自動化するためのロジックを構築する人物です。あなたが提案したケースでは、会社は毎日、どの商品をいくつ購入し、どこに送るかを決定する必要があります。つまり、この単純な例を取ると、購入と配送です。この場合、サプライチェーンサイエンティストは、データを処理し、もちろん自分自身ではなく、アルゴリズムやツール、コンピュータを使用してそれを行います。
彼らは意思決定を行うための財務ロジックを構築し、在庫に追加のユニットを購入する際に、つまり賭けをする際に、その賭けが最適化されるようにし、利用可能な情報の量を考慮して、投資利益が最大になるようにします。そして最後に、彼または彼女はこの意思決定プロセスを自動化するソリューションを確実にし、その意思決定が会社にとって一貫性のある安定した方法で毎日生成されるようにします。
重要な要素は、意思決定の数が膨大であり、購入するものに限定されるべきではないということです。購入しないという決定自体も意思決定です。したがって、日常的に行わなければならない意思決定のスケールや数は非常に大きい場合があります。
Conor Doherty: ありがとうございます。私はCEOのJoannes Vermorelが以前に説明したことを覚えています。たとえば、単純な例として、1つのユニットを購入したとしましょう。意思決定はそこで終わりません。なぜなら、ユニットを持っていても、それを継続して持ち続けるか、割り当てるか、返品するか、売却するか、割引するか、または他の何かとバンドルするかを選択することができるからです。これらすべては、資源に関する金融的な意思決定や選択を表しています。
Simon Schalit: 確かにです。サプライチェーンの意思決定は、製品のライフサイクル全体に影響を与えます。特定のサプライヤーからの調達や製造から、実際の配布、販売するアイテムの場合はクライアントへの配布、メンテナンス業界や製造業の場合は消費や使用まで、製品のライフサイクル全体に影響を与えます。
このライフサイクルの間には、多くの意思決定が行われます。調達、購入、配送、使用するかどうか、割り当てなどについて話しました。価格に関する意思決定もありますが、一般的にはサプライチェーンの意思決定とは見なされませんが、私たちの視点からは、在庫のサイクルに影響を与える意思決定です。これは、サプライチェーンの文脈で考慮し、最適化する必要があるものです。
これらの意思決定は、毎日大量に行われる必要があります。それらを互いに独立して行うことは望ましくありません。なぜなら、それらは互いに大きな影響を与えるからです。最も明らかな例は、持っていないものを配送することはできない、または持っていないものの価格を変更することはできないということです。
しかし、より微妙な関連性としては、購入量が増えれば増えるほど、購入時に大量の注文をすることで達成したいサービスレベルがより攻撃的になる可能性があります。これは、ファッション業界の場合、シーズンの終わりに在庫を処分するために価格を調整する必要があることを意味します。しかし、もちろん、その結果として、少なくとも基本価格で販売できることは絶対に確信が持てませんでした。
Conor Doherty: ありがとうございます。今日のメインのトピックに入る前に、データサイエンティストとサプライチェーンサイエンティストの違いを、あなた自身の言葉で教えていただけますか？なぜなら、私がLokadを展示会やカンファレンスで紹介する際に、サプライチェーンサイエンティストについて説明すると、「ああ、データサイエンティストのようなものですね」と言われることがあります。あなたの意見では、これらの役割はどのように分かれていますか？
Simon Schalit: サプライチェーンサイエンティストは、もちろん、部分的にはデータサイエンティストです。データサイエンティストは通常、統計を使用してデータから関連する情報を抽出するデータの専門家を指します。純粋なデータサイエンティストのチームを持つことによって生じる問題は、通常、利用可能なデータのみを使用して作業する傾向があることです。ほとんどの場合、これにより、データサイエンティストにアクセス可能な現実は、データで表される現実のみです。
私たちの経験では、プロジェクトを開始する際に利用可能なデータとデータそのものだけを見ると、全体像の大部分を見逃すことになります。通常、日常のプロセスは十分に文書化されていないことが多いため、実際の現実を見逃すことになります。また、アクセスできるデータの意味の大部分を見逃すことになります。なぜなら、データ自体が適切に文書化されていない可能性があり、ビジネスの観点から文書化されていない可能性があるからです。
そして、最後になりますが、見逃すことになるのは、人々の頭の中に存在するすべてのデータです。残念ながら、これは非常に重要です。なぜなら、通常、会社の戦略はそこに存在するからです。さきほど話したように、最適化を行いたいときには、財務の観点から最適化を行いたいと思います。財務の観点から最適化を行うためには、会社の戦略を理解することが非常に重要です。
「特定のサービスレベルに到達したい」と言おうとしても、最適化されたサービスレベルは存在しません。この会社は98%のサービスレベルを持つ必要があるとは言えません。この目標サービスレベルの選択は、会社が財務的にどのような価値があると考えるかに依存する必要があります。
この特定の質問については、私たちが日々のクライアントと直面する問題になりますが、重要な要素は在庫切れのコストです。航空機の修理を行う航空機MRO会社の在庫切れについて話している場合、在庫切れのコストは莫大です。なぜなら、それは文字通り1日に何十万ドルもかかる航空機が地上にとどまることを意味するからです。
Conor Doherty: そして、サプライチェーンサイエンティストはこれらすべてを調査し、クライアントに伝えるのですか？
Simon Schalit: はい、それを調査する必要があります。なぜなら、それがシステム、アルゴリズムが在庫切れの潜在能力を正しく、適切な大きさで罰することを保証する要素だからです。したがって、特定の在庫品目（SKU）を保有するかどうかの賭けについて、正しい方法で決定を下すために、到達したいMRO活動のサービスレベルは非常に高くなります。なぜなら、必要な部品がない場合、コストが莫大になるからです。
一方、在庫切れがあまり問題にならない活動もあります。たとえば、新鮮な果物製品の場合、クライアントは在庫切れを予想しているかもしれません。
Conor Doherty: たとえば、新鮮な果物製品は、展示している他の何かで代用することができます。
Simon Schalit: そうです、代替品や同等品があるか、在庫切れで即座に顧客を失うことは必ずしも問題ではありません。外部要因はそれほど大きくありません。
したがって、従来のデータサイエンティストチームを持つことの主な問題は、彼らがそのようなことに無頓着である可能性があるということです。Lokadのサプライチェーンサイエンティストチームがその罠に陥らないようにするために、わざと彼らをサプライチェーンサイエンティストと呼んでいます。これにより、彼ら自身を含め、誰もが彼らの仕事の一部、実際には非常に重要な部分がプロセスを理解し、会社を理解し、財務戦略を理解し、これらすべてを方程式に変換することであることを理解することができます。
言葉と言ったかもしれませんが、最終的には共同手順マニュアルの方程式に変換するために、それを文書化する必要があります。Lokad自体やクライアントのためにそれを文書化する必要があります。したがって、それをすべて文書化し、数学的な用語に変換することで、最適化を行うコンピュータに直接フィードされる方程式になります。
Conor Doherty: ありがとうございます。要約すると、サプライチェーンサイエンティストの役割は多面的です。単に数値やデータを処理するだけではありません。おっしゃるように、クライアントとサプライチェーンサイエンティストは定期的に連絡を取り合い、複雑さ、戦略、目標、希望、制約について議論します。
データに反映されるかどうかわからない情報をすべて取得し、それを成果物に変換します。非常に簡単に言えば、正しく理解している場合、それはより良い財務的な意思決定です。
Simon Schalit: はい、まさにその通りです。私の意見では、サプライチェーンサイエンティストの役割が興味深いのは、多面的なデータの側面、人間とビジネスの側面、そしてもちろん、問題の統計的な側面があるからです。
Conor Doherty: これは私がLokadを見る方法の1つの理由です。それはまるで賭けのたとえを使っているようです。サプライチェーンのイベントでLokadが何をするのか尋ねられた場合、私は意思決定について話します。それをどのようにするのか？数学、コンピュータ、インターネット、アルゴリズムについて話しません。専門家であるサプライチェーンサイエンティストについて話します。まるで車を買って、あなたを助けてくれる世界クラスの整備士を手に入れるようなものです。車は意思決定または意思決定を生成するアルゴリズムであり、サプライチェーンサイエンティストは何かがうまくいかない場合に修理できる個人の整備士です。
Simon Schalit: このイメージが好きです。もっと進んで言えば、それはまるでF1の用語で話すなら、あなたの全体のピットクルーです。複数の人々になるかもしれませんが、それは単に車を修理することを超えています。整備士について話すと、人々はそれが少し進んでいると考えます。
それはあなたが必要な車のタイプ、必要なエンジンのタイプ、このエンジンを微調整する方法、必要なブレーキの種類、そしてあなたがいる環境のタイプに必要なタイヤの種類を選ぶまで進みます。
ですので、要約すると、サプライチェーンサイエンティストはあなたの全体のピットクルーです。それをそう見ることができると思いますし、そのようにすることで、あなたが車のハンドルに向かう際に直面するであろうどんな環境でも航行できるようにするために、このクルーがどれほど重要かを理解することができるでしょう。
