00:00:00 サプライチェーンにおけるヒューリスティクスの紹介
00:01:14 ヒューリスティクスの例: ミンマックス在庫、FIFO、ABC分析
00:03:15 企業におけるヒューリスティクスの起源と非公式な利用
00:06:28 問題解決に対する人間とアルゴリズムのアプローチの比較
00:09:58 コンピュータサイエンスの視点から見たヒューリスティクス
00:13:27 一般人の視点におけるヒューリスティクスの問題点
00:17:22 サプライチェーンのヒューリスティクスと因果関係の錯覚
00:22:00 ヒューリスティクスの効果を評価するための指標の必要性
00:26:35 実務におけるアルゴリズムとヒューリスティクスの違い
00:30:26 実験的検証と実証的最適化
00:36:33 サプライチェーン決定における誤解を招く直感
00:41:27 航空会社の搭乗戦略と直感の例
00:46:47 サプライチェーン決定における財務指標の欠如
00:53:05 複雑なスケジューリングにおける人間の限界とアルゴリズムの比較
00:58:47 締めくくりの考察と主要なポイント
概要
最近のLokadTVのエピソードで、LokadのコミュニケーションディレクターであるConor Doherty氏が、LokadのCEOであるJoannes Vermorel氏に、供給チェーン管理におけるヒューリスティクスについてインタビューしました。彼らは、FIFOやABC分析といったシンプルな問題解決ツールの利用について議論し、それらの限界や、より堅牢な数学的アプローチの必要性を強調しました。Joannes氏は、ヒューリスティクスが直接的な解決策を提供する一方で、一貫性や実証的な検証に欠けることが多いと説明しました。彼は、真のヒューリスティクスと恣意的な数値レシピを区別する重要性を強調し、現実世界での評価や実験によって供給チェーンの実践を検証することを提唱しました。この対話は、供給チェーンの意思決定を最適化するために、批判的な評価と実証的証拠が必要であることを際立たせています。
詳細な概要
最近のLokadTVのエピソードで、LokadのコミュニケーションディレクターであるConor Doherty氏は、予測型供給チェーン最適化に特化したフランスのソフトウェア会社であるLokadのCEO兼創設者であるJoannes Vermorel氏と、思索を促す議論を交わしました。この対話は、供給チェーン管理におけるヒューリスティクスの利用、その限界、そしてより堅牢な数学的アプローチとの対比を探求するものでした.
Conor氏は、FIFO（先入先出法）、LIFO（後入先出法）、ABC分析など、供給チェーンの意思決定で一般的に用いられるシンプルな問題解決ツールとしてのヒューリスティクスの概念を紹介することから始めました。彼は、これらのヒューリスティクスがしばしば不確実性に対処するために活用されることを強調し、供給チェーンの実務者がヒューリスティクスと呼ぶ際に何を意味しているのかについて、Joannes氏に詳しく語ってもらうよう求めました.
Joannes氏は、業界においてヒューリスティクスとは、意思決定を導くために用いられる形式化された経験則であると説明しました。例えば、最大在庫が3か月分の需要に設定されるミンマックスの在庫ポリシーはヒューリスティクスの一例です。これらのヒューリスティクスは複雑な問題に対してシンプルな解決策を提供しますが、しばしば恣意的で、計画者や企業間で一貫性が欠けることが多いです.
Conor氏はさらに掘り下げ、これらのヒューリスティクスの起源について問いかけました。Joannes氏は、それらは特定の問題に対処するために人々が考え出す最も単純な解決策であると答えました。例えば、FIFOはすべてのアイテムが最終的に選定され処理されることを保証し、劣化を防ぎます。しかし、彼はこれらのヒューリスティクスが必ずしも最適な解決策ではないことを強調しました.
次にJoannes氏は、経済学者が理解するヒューリスティクスと供給チェーン管理におけるそれとの間の重要な区別を提示しました。例えば、水の入ったグラスを掴むといった自然な作業では、人間は進化の過程で必要な本能を備えているため、ヒューリスティクスを効果的に使用します。しかし、供給チェーンの問題は自然界には存在しない離散的な数値チャレンジであり、私たちの生来的なヒューリスティクスはこれらの課題には適していません.
Conor氏とJoannes氏は、FIFOやABC分析のような従来のヒューリスティクスの限界について議論しました。Joannes氏は、これらの方法はその効果を測る指標を欠いているため、真のヒューリスティクスではなく、しばしば恣意的な数値レシピであると主張しました。彼は、誤解を招く可能性のあるヒューリスティクスと恣意的な数値レシピを区別する重要性を強調しました.
Conor氏は小売業者の視点を示し、ABC分析のようなシンプルな方法が利益を生むために機能していると示唆しました。これに対してJoannes氏は、利益性がすべての企業内の実践を正当化するわけではないと反論しました。彼はAppleを例に挙げ、直接的に利益に寄与しない慣行であっても継続されることがあると指摘しました.
対話は、実際の供給チェーンにおけるヒューリスティクスの検証の課題へと移りました。Joannes氏は、アルゴリズムには証明可能な性質がある一方で、ヒューリスティクスは実験を通じた実証的な評価を必要とすると説明しました。彼は、形式的な証明がなくとも実績に裏打ちされた実用的な性能で認識されたヒューリスティクスである確率的勾配降下法の例を挙げました.
Conor氏とJoannes氏は、明確な指標なしでヒューリスティクスの有効性を評価する難しさについて議論しました。Joannes氏は、企業が自らの数値レシピの効果を想定するのではなく、実験を通じて検証する必要性を強調しました。彼は、実験的最適化に関する講義シリーズに言及し、最適化の目標を見出すことと、実証的検証と数学的検証の違いの重要性を強調しました.
Joannes氏はまた、自分自身のアイデアに固執する心理的偏向に触れ、これが適切な検証なしに恣意的な方針が採用される原因となる可能性があると指摘しました。彼は、倒産に至っていないからといって伝統的な方法が本質的に良いと仮定することに警鐘を鳴らしました.
この議論は、ヒューリスティクスという用語は、実証的な成功の証拠があるシンプルで効果的な数値レシピに限定すべきであるとJoannes氏が助言することで締めくくられました。彼は、財務面での実際の評価の重要性と、企業が自らの手法を批判的に評価する必要性を強調しました.
Conor氏はインタビューを締めくくるにあたり、Joannes氏と視聴者に感謝の意を示すとともに、供給チェーン最適化に関するさらなる洞察に満ちた議論を求めて、視聴者にLokadTVのYouTubeチャンネル登録とLinkedInでのフォローを呼びかけました.
完全な書き起こし
Conor Doherty: LokadTVへようこそ。ヒューリスティクスは、供給チェーンにおけるほとんどの意思決定の核心にあります.
ヒューリスティクスは、不確実な状況下で私たちを導くシンプルな問題解決ツールです。FIFO、LIFO、ABC分析などを考えてみてください.
本日はJoannes Vermorel氏と共に、これらのヒューリスティクスの限界について議論し、より堅牢な数学的視点との対比を行います.
いつものように、お気に召しましたらYouTubeチャンネルの登録とLinkedInでのフォローをお願いします. そして、それでは、供給チェーンにおけるヒューリスティクスをお届けします.
イントロダクションで申し上げたように、今回は特に供給チェーンに関するヒューリスティクスについて話します. では、話の前提として、供給チェーンの実務者がオフィスでヒューリスティクスについて語るとき、彼らは何を意味しているのでしょうか？
Joannes Vermorel: つまり、ほとんどの供給チェーンの実務者は、恐らく「ヒューリスティクス」という用語自体を使わないでしょう. すでに少し堅苦しい言葉ですから. 業界全体で考えると、人々が「ヒューリスティクス」と言うとき、それは意思決定を導くための何らかの形式化された経験則を指すに過ぎません.
例えば、ミンマックス在庫ポリシーがあり、最大在庫が3か月分の需要に相当するように定義されているということです. それだけです. それが私のヒューリスティクスです.
そして、ヒューリスティクスの興味深い点は、いわゆる世界観として、複雑な問題がある場合でも、ヒューリスティクスがその問題にシンプルな解決策をもたらすということです.
Conor Doherty: ええ、実際、たくさんの人が委員会で決まった言葉を文字通り書き留めたのです. そこで、私の次の質問ですが、ミンマックスの例で、需要が3か月分になると決めたのは、単なる恣意的な決定ということでしょうか？ それが一般的な経験則と呼ばれる所以なのでしょうか？
Joannes Vermorel: はい、それがほぼ全てです. つまり、人々は何となくいくつかの代替案を試し、2か月では足りず、6か月では多すぎるという直感から、ある程度の収束を見たということです.
あるいは、もっと頻繁に、一貫性が全くない場合もあります. 需要および供給のプランナーはそれぞれ独自の経験則、独自のヒューリスティクスの集合を用いているのです.
企業がヒューリスティクスに関して何らかの実践を厳格に強制することは稀です. 少なくとも企業が「我々はヒューリスティクスを持っている」と考える場合、それは通常、強制されず、比較的非公式であり、ヒューリスティクスの各パラメーターを自由に選び取る余地が大きいということを意味します.
Conor Doherty: ええと、先ほどミンマックスの例を挙げましたが、他にもFIFOやLIFO、ABC分析など、さまざまなヒューリスティクスがあります. これらはどこから来るのでしょうか？ 一体どのような源から生まれるのでしょう？
Joannes Vermorel: つまり、直面している問題に対する解決策として考えられる最も単純な方法に過ぎないということです. では、例えばFIFOを考えてみましょう.
反復的に入ってくるものを処理しなければならない場合の最も基本的な問題の一つは、いかにして何かを永遠に横に置き去りにしないかということです. それだけです.
順序を決めずにランダムに選んでしまうと、選ばれることのない一つのアイテムができてしまうかもしれません. それはただ横に押しやられ、決して処理されないのです.
そしてこれは悪いことです. なぜなら、そのアイテムは最終的に劣化してしまうからです. 製品を消耗品と呼ぶかどうかに関わらず、十分な時間が経てばすべての製品は劣化します.
したがって、最終的に流れてくるすべてのものが確実に選定され、処理され、どこかへ出荷されることを保証するプロセスが必要なのです.
ですから、たとえば「先入先出」と言えば、それはすべてが選択されることを保証する基本的な方法にすぎません. 良い方針なのでしょうか？ 場合によりますが、確かにこの特性を提供してくれるのです.
このように、それは確かにこの問題に対する解決策と言えます. しかし、それが良い解決策であるかは、全く別の問題です.
Conor Doherty: さて、まさに次の質問ですが、最適性という言葉や、最適な決定という表現を使わなかったのはなぜでしょう？ もちろん、先ほど述べたような状況、例えば修理工場でエンジンが2基入ってきた場合や、朝に多くのエンジンが入ってきて、どのエンジンを先に修理するか、どのスケジュールで行うかを決めなければならないときに、少なくとも良さそうな、あるいは最適な決定に見えるものに到達しようとするわけです.
そこで私の質問ですが、あなたの意見では、このようなヒューリスティクスを通じて得られる最適性の上限はどこにあるのでしょうか？ 例えば、FIFOの場合を考えてみてください.
Joannes Vermorel: 私は、それが問題の枠組みとして正しい方法だとは思いません. ヒューリスティクスという観点で考えるとき、実際には全く異なる2つの視点が存在することに立ち戻って考える必要があると思います.
まず1つ目は、例えば経済学者が考えるようなヒューリスティクス、あるいは例として、水の入ったグラスを取る必要がある場合、手を伸ばしてそれを取るというものです.
物理学者は「私の手や各指の正確な軌道、正確な質量、正確な力を計算するには、百万の計算が必要だ」と言うかもしれません. そして、それがロボットがロボットアームを動かしてグラスを取るために必要な全ての計算となるでしょう.
しかし、実際のところ人間はそのようには機能しません. 代わりに、私たちは、例えば推定航法のような膨大な数のヒューリスティクスを使用しています. 「右に寄りすぎている、左に舵を切れ」や「圧力は十分か？ ああ、グラスが滑っている、もっと押せ」といった具合です.
このように、非常に複雑な課題を達成するための膨大なヒューリスティクスがあり、その根底にある処理ははるかに基本的なものです. 根本的に、グラスの水を掴むとき、あなたの脳はリアルタイムに微分可能な方程式を解いているわけではありません. 単に美しく機能するさまざまなヒューリスティクスの集まりによって、無事にグラスを掴むことができるのです.
そして、現実世界で起こる多くの事象において、自然や宇宙が、一見非常に複雑な問題に対しても見事に機能する美しい解決策を与えてくれたことが判明しています.
ちなみに、二足歩行にも様々なヒューリスティクスが必要です. 人々が二足歩行ロボットを設計しようとすると、実際には非常に困難であることに気づきます. なぜなら、私たちはそのヒューリスティクスを知らないからです.
さて、これは供給チェーンの状況とは異なります. ここで私が説明しているヒューリスティクスは、生物が動くために過去5億年にわたって直面してきた課題を表すものです.
Conor Doherty: それらは無意識のうちに行われるものです. 私は意思決定について話しているのです.
Joannes Vermorel: はい、つまり、グラスを掴むことも意思決定です. 手を動かすことも意思決定です. しかしここで話しているのは、離散的な数値に基づく意思決定です. これは自然界には存在しないものなのです.
自然界では、明日や明後日など、どれだけの製品を供給すべきかといった離散的な数値的判断で考えることはありません。これらは自然界で見られるものとは全く異なる離散的な決断です.
つまり、私が最初に述べたいのは、例えば自然界に由来する暗黙の視点をヒューリスティックスに適用すれば、人間は非常に単純な解決策を複雑な問題に対して見事に応用する能力を与えられているということです.
一方で、私の反論は、供給チェーンのような人為的な状況、すなわち離散的な数値問題を解決する場合には、この考え方は通用しないということです。これらの問題は自然界で遭遇するものとは全く異なり、そこで何がうまくいくかという生得的な感覚を持っているとは仮定できません.
進化は、複雑なサプライチェーンネットワークにおける最適な補充スケジュールを評価する能力を私たちに授けたわけではありません。進化がそのような問題に関して何かを授けたと主張するのは、非常に空想的な話です.
つまり、ここで私が言っているのは、コンピュータサイエンティストが採用する視点、すなわちヒューリスティックスに対する別の視点に立つ必要があるということです。コンピュータサイエンスでは、問題に対して正しさが証明でき、しかも望ましい性質を持つ解決策があれば、それをアルゴリズムと呼びます.
これがアルゴリズムというものです。コンピュータサイエンスにおけるアルゴリズムとは、形式的な証明の要素を持つ数値的レシピなのです.
例えば、リストのソートを考えてみましょう。無秩序な要素のリストがあり、それらを最小から最大へと並べ替えたいとします。リストをソートする方法はたくさんありますが、ある方法は最小限のステップ数と最小限のメモリでその数字たちをソートする解を提供します.
これがアルゴリズムというものです。アルゴリズムは、正しさが証明される解であり、正しいだけでなく、問題に応じた望ましい追加特性も備えているのです.
再びコンピュータサイエンスの視点から言えば、ヒューリスティックとは、なぜそれがうまく機能するのか、またはなぜそれほど効果的なのかが形式的に解明できなくても、実際には非常に優れた働きをする数値的レシピのことです.
そして驚くべきことに、隠された宝石のように見事に機能する、極めてシンプルな解決策のクラスが存在しており、なぜそうなるのかは誰も本当には分かっていません.
では、サプライチェーンに応用された例はどうでしょうか？ はい、多くのものがサプライチェーンに適用できます。例えば、確率的勾配降下法があります。これは発見されたプロセスで、概念的には非常にシンプルです。4行ほどで記述できるほどです。おそらく1950年代に発見されたとされていますが、いくつか不明な点もあります。その考えはあまりに単純なため、複数回発明された可能性さえあるのです.
それにもかかわらず、一般的にコミュニティは15年前まで確率的勾配降下法にあまり注目していませんでした。なぜなら、人々はそれが実際にどれほどうまく機能するかに気づいていなかったからです.
Conor Doherty: どのような問題に対してですか？
Joannes Vermorel: すべての学習問題、すべての最適化問題、そしてその他多数の状況です。つまり、非常に広範な状況で機能する半普遍的なヒューリスティックと言えるでしょう.
これは驚くべきことで、確率的勾配降下法の適用範囲の広さそのものが驚異的です。そして、なぜそれがこれほどうまく機能するのかを説明する数学的な証明は存在しないのです。ただ、そう機能するのです.
非常に興味深い点です。そして、ここで考えていただきたいのは、コンピュータサイエンティストがヒューリスティックについて語るとき、彼らはそれを隠された宝石として見なしているということです。ちなみに、最初の質問に戻りますが、ヒューリスティックとは定義上、少なくともコンピュータサイエンティストが与える厳密な定義では、証明がない数値的解決策を指すのです.
つまり、ヒューリスティックは定義上、最適解からどれだけ離れているかが分からないものです。それは既定の事実です。もし分かっていたなら、定義上それはアルゴリズムとなります。なぜなら、アルゴリズムとは、正しさに加えて追加の性質も証明できる数値的レシピが、アルゴリズムと呼ばれるに至るものだからです.
Conor Doherty: アルゴリズム、分かりました。ではこれらをまとめてみますので、見落としている点があれば教えてください。しかし、私の理解では、例えばFIFOのような伝統的なヒューリスティックの問題は、人々がそれを適用しようとすると、問題の本質を理解しきれないほど軽率な解決策になってしまう点にあるのです.
Joannes Vermorel: いいえ、私が言いたいのは、ヒューリスティックに対して一般人の視点、つまりコンピュータサイエンティストの視点ではなく、でアプローチすると、数値的レシピにある程度の優秀さを帰してしまうという誤りがあるということです。だからこそ、私は中立的な用語である「数値的レシピ」と呼ぶことを好むのです。ご存知の通り、それは全く役に立たない場合もあれば、素晴らしい場合もある、ただそれ自体は計算の一連のプロセスに過ぎません。我々はそれが何かにとって良いと前提しているわけではなく、ただ計算をしているだけなのです.
人々がヒューリスティックという用語を使うときの問題は、非常に恣意的なものを作り出し、その数値的レシピが良いと決めつけてしまうことにあります。もちろん、自然界における本能的な方法、例えば物を取る行動は非常に優れています。どうしてそれが優れていると分かるのか？ それは、同じことを行うロボットを設計しようとするとひどい失敗に終わり、本能的にできることに近づくためには膨大な工学的努力が必要になるからです.
確かにそのようなヒューリスティックは存在しますが、それが人々に「例えば、最小最大在庫ポリシーの最大値を需要の3か月分にしよう」といった考えを抱かせる偏見を生むのです。なぜそれをヒューリスティックと呼ぶのか？ 本当に優れているのか？ 全く意味をなさない可能性すらあります。私には分かりません。直感があるからではなく、その直感はどこから来るのでしょう？ たいていの場合、何もないところから生じるのです。これが私が考える誤りの所在です.
また、コンピュータサイエンスのような他のコミュニティでは、ヒューリスティックという用語が驚くほど良いものを指すために使われており、いわゆるハロー効果によって、その数値的レシピに実際以上の価値が与えられてしまうのです.
Conor Doherty: しかし、小売業者は、あなたの話を聞けば、「私の場合はABC分析を行っています。売上の大部分がどこから来るかを把握しており、特定のサービスレベルでSKUを在庫として保持し、利益を上げている」と答えるでしょう。それ以上に洗練された手法である必要はなく、ビジネスが継続し、利益が上がり、昨年よりも多くの利益を出しているからうまくいっているのです.
Joannes Vermorel: その通りです。水漏れしている店舗でさえも利益を上げることができるのです。だから、もし水漏れしている店舗がもっとあれば、より多くの利益を生むかもしれません。ご存知の通り、これが問題なのです。サプライチェーンは大局を構成する一要素に過ぎません。つまり、あなたが「ABC分析を使っているからビジネスはうまくいっている」と言った場合に導き出される唯一の結論は、ABC分析が会社を破産に追いやるほど悪くはない、ということだけなのです.
さらに、例えばAppleのような企業ですら、会社の将来に関してほとんどの社員に情報を与えないことで知られています。これはAppleのよく知られた特性の一つです。将来の製品発表に関しては、全員が何も知らされず、さらに内部で偽のロードマップを各チームに漏らし、もしそのロードマップが外部に漏れた場合、どのチームに偽のロードマップが渡ったかが分かるようにしているのです。これが本当にAppleの収益性を高める要因なのでしょうか？ 多分そうかもしれませんし、そうでないかもしれません。他のビジネスが模倣すべきものなのでしょうか？ おそらく違うでしょう.
つまり、「ABC分析を使っていて、ビジネスは黒字だ」という話を聞いても、導き出される唯一の結論は、ABC分析が会社を破綻させるほど悪くはないということだけです。しかし、それがABC分析について言える唯一のことなのです.
Conor Doherty: また、最適な解や最善のポイントを探していると話すとき、それが全くその水準に達していないと言うこともできるでしょう。つまり、机上にお金を残しているとでも言えますし、行うことが100%馬鹿か100%優れているかのように、二者択一の立場になっているように聞こえるのです.
Joannes Vermorel: しかし、ここで見えてくるのは、コンピュータサイエンティストの視点と一般人の視点が大きく分かれる点です。コンピュータサイエンスの世界では、ヒューリスティック、つまり数値的レシピは、何らかの経験的な優秀さを示す場合にのみヒューリスティックと呼ばれるに値すると認識されています。つまり、私が思いつくすべての数値的レシピがヒューリスティックであるわけではなく、ヒューリスティックとして認められるためには、何かしら驚くほど良い働きをしなければならないのです.
Conor Doherty: それについては、異論を唱える人もいるでしょう.
Joannes Vermorel: そして、この驚くべき優秀さを示すためには、評価のための指標、すなわち測定基準が必要なのです.
ご覧の通り、例えばABC分析の大部分には、それ自体を評価する測定基準が存在しません。ただ、各製品にA、B、Cといった文字を割り当てるだけです。それを拡張して各クラスに対して統一の在庫ポリシーを定めることもできます。しかし、その統一ポリシーは、例えばサービスレベルとは全く異なるものかもしれません。クラスごとの統一ポリシーとして、クラスAは在庫を3か月分、クラスBは2か月分、クラスCは1か月分保持する、などとすることも可能です。それでも機能するのです.
したがって、サービスレベルは必ずしもABC分析の不可欠な要素ではありません。商品の入手可能性は、その重要性の認識度に対応しています。ABC分析とは、重要度に応じて各製品にクラスを割り当てるだけのものです。つまり、各製品にクラスを割り当て、その方法として売上高を加味する、というに過ぎません。改めて言いますが、あなたが本当に解決しようとしている課題は何なのでしょうか？ ABC分析が数値的レシピと呼ばれる理由は、解くべき問題が何であるかが定まっていないからです。最適解の基準が存在しないのです.
Conor Doherty: では、続けてください.
Joannes Vermorel: 再びですが、これが問題なのです。ヒューリスティックと単なる恣意的な数値的レシピを区別する必要があります。恣意的な数値レシピは、全く動機付けがされていない場合があり、「計算できるから計算する」というだけのものに過ぎません.
もしヒューリスティックとして成立させたいのであれば、その良さを評価するための目標、すなわち評価基準が必要です。もう一つの例として、コンピュータサイエンスからヒューリスティックを探す場合を考えてみましょう。例えば、XORシフトを用いて疑似乱数を生成するとします。これは非常に優れています。その乱数列が乱数と見なされる品質を判断するための指標は豊富に存在します.
つまり、XORシフトのようなヒューリスティックを用いれば、新たに生成された数列のランダム性を検出する指標に基づいて、その乱数生成能力がどれほど優れているかを評価できるのです。こうして、評価のための指標や目標があれば、それが本当にヒューリスティックとして成立しているかどうか判断できます。もし良ければ、それはヒューリスティックだと言えるでしょう。しかし、自分が何をしているのか全く見当がつかないのであれば、それをヒューリスティックと呼ぶのは間違いです。単に数値的レシピを考え出して、それをヒューリスティックと呼んでいるにすぎません.
単に数値的レシピを考え出し、それをヒューリスティックと呼んでいるだけです.
Conor Doherty: つまり、具体的に言えば、例えばABC分析を実施し、その結果に基づいて、クラスAの在庫を3か月分保持する、あるいはサービスレベルを設定するといった決定を下し、もし良い結果が得られたとしても、それは論理の誤謬です。過去の行動に因果関係を帰属させているだけです。評価の指標が明確でなければ、どうしてその良さを評価できるというのでしょうか？
Joannes Vermorel: それは不可能なのです。そして、これが人々がヒューリスティックと呼ぶものの本質的な問題点です。私はそれらを中立的な用語である「数値的レシピ」と呼ぶことを好みます。なぜなら、実際にどれほど良いかを評価しようとする試みすら、多くの場合行われていないからです.
このような例は他にもたくさんあります。例えば、商品の価格を端数のない数字にする企業があります。ある企業は99で終わる価格を好み、また別の企業は95で終わる価格を好みます。あるいは、価格を調整する方針として、99直前、95、97、または次の丸い数字に丸めるといった方法を採用することもあります.
このような方法を採用している企業の大多数は、どの選択肢が自分たちにとって本当に有利なのか全く見当がつかず、それでも何か一つを選んでいるのです.
Conor Doherty: つまり、彼らは本質的に因果関係を推測しているだけなのです.
Joannes Vermorel: はい。そして、時には、完全に恣意的な方針を採用し、単に単純さのためにそれに固執することが許される場合もある、という点には異論はありません。しかし、その恣意的な選択に成功の理由を帰してはいけないということです。それが私の言いたいことです.
Conor Doherty: ところで、経済学の観点からヒューリスティックについて語るとき、多くの人は問題を単純化して決断に至ろうとします。そして、その結果の見方も非常に単純化されています。例えば、「私はあることを実施し、すべての価格を端数のない数字や99にした。その結果、売上が上がった、あるいは下がった。従って、post hoc ergo propter hoc、つまり以前の行動が原因である」という具合です。しかし、もちろんそれはあり得ません。なぜなら、あなたがそれを行った時、同時に数百人もの他者が因果関係を解明しようと試みており、それは非常に非常に困難な課題だからです.
ジョアンネス・ヴェルモレル: はい、とても難しいんです。特に、供給チェーンのようにすべてが相互に連結されたシステムではなおさら難しいのです。私の言いたいのは、ヒューリスティックが正しく理解されれば、絶対に素晴らしいものになり得るということです。そして、ちなみに、コンピュータ科学者が言うヒューリスティック、つまり隠れた宝石のようなアルゴリズム上の要素を持っていれば、仲間に差をつける手段になり得るのです。
アルゴリズムとヒューリスティックの違いは、アルゴリズムが数値的なレシピであるという点にあります。数値レシピを読み解けば、数学者としてその性質を証明することができます。これは素晴らしく、とても安価です。アルゴリズムの素晴らしいところは、現実世界で実験を行わなくても、アルゴリズムがうまく機能していると証明できる点です。つまり、数学者がオフィスで作業するだけで、企業に価値をもたらす良好なアルゴリズムが完成するのです。
一方、ヒューリスティックの場合、その発見方法は実験を行うことに他なりません。これは経験的な評価に依存するため非常に難しいのです。例えば、確率的勾配降下法は何十年もの間、何千人もの人々に知られていながら、実際にうまく機能していると真に理解されなかったため、完全に無視され続けたのです。つまり、ヒューリスティックは存在するかもしれませんが、実際に数値レシピを試し、その問題群において美しく機能することが確認されるまで、有用なヒューリスティックだとは認識されないのです。
コナー・ドハティ: ところで、あなたのいくつかの発言について気づいたのですが、たとえば「あることを行ったので、売上が急増または急落したと推測する」という例を出すと、あなたは「でも他に百人、あるいは千人もの人々が百の、または千のことをやっている」と述べました。これは、数学的ヒューリスティックを使ったとしても、実際に理論から離れて現実の相互に連結された供給チェーンの意思決定ネットワークに適用した際、あなたが選んだ行動や使用したツールが実際にプラスの効果をもたらしたとどう確認するのか、という点で、まるで反証不可能な基準を設定しているように聞こえるのです。
ジョアンネス・ヴェルモレル: いいえ、繰り返しますが、実験を行って任意の数値レシピの有効性を検証することは可能です。できないというわけではなく、ほとんどの企業がそもそもそれを試そうとしないだけなのです。
コナー・ドハティ: では、企業はどのようにそれを試すのでしょうか？具体的にはどんな形になるのですか？
ジョアンネス・ヴェルモレル: まさにそのために、この実験的最適化に関する一連の講義が存在するのです。実際、1時間半にわたる「実験的最適化」という講義があります。要は、何を最適化すべきかがそもそも不明であり、最初のステップは最適化対象を見出すことにあるということです。これは、ターゲットが既に定まっているという古典的な数学的最適化の視点とは大きく異なります。
しかし、ヒューリスティックに戻ると、根本的には、最良の数値レシピが必ずしも数学的証明を持つものとは限らないということです。数学的証明が存在するという事実は、その数値レシピが優れているか否かとは何の関係もありません。基本的に、これらは全く異なる視点なのです。ただし、数学的証明があれば少なくとも魅力的な要素があることは分かりますし、特定の条件下では多くのことが明らかになり、「ああ、何も示せないレシピよりは、証明の要素がある方が良い」と判断できるのです。全くないよりはましだということです。
しかし、実際に適切な実験設定のもとで試した結果、経験的に優れていると実証できれば、数学的な基準は現実世界からのフィードバックに勝ることはありません。したがって、数学的証明が多数ある方法と、証明が全くなくとも実際の結果がより優れている方法があれば、後者を選ぶべきなのです。
そして、ヒューリスティックが非常に興味深いのは、特にコンピュータサイエンスの視点から言えば、ヒューリスティックに該当するものは、より証明可能な解法に比べて必要となる計算資源がごく僅かなもので済む場合があるという点です。例えば、もう一度挙げると確率的勾配降下法ですが、これは様々な問題の最適化において驚異的な効率を発揮します。他の手法で同程度の最適化を達成しようとすると、何千倍、何百万倍、何十億倍もの計算資源が必要になるのです。
つまり、とても非常に効率的ですが、公式な証明は存在しないのです。
コナー・ドハティ: 分かりました。そして、またリソースの割り当てと投資収益率の観点で言えば、FIFO、ああ、頭の中で計算しましたが、ほぼコストはゼロです。あなたが説明した配置と比較して、コスト面での差はどの程度なのでしょうか？
ジョアンネス・ヴェルモレル: 現状を慎重に検討することを省略はできません。FIFOが効果を発揮するかどうかは、企業ごとに大きく異なります。ある企業では全く取るに足らずで、全く影響がありませんが、他の企業では非常に大きな意味を持つのです。
たとえば、もしあなたが実際にMRO（保守修理事業者）で航空機エンジンの修理を行う場合、エンジンをどの順序で選ぶかが業務の円滑さに非常に大きな影響を与えます。一方、ただ物流プラットフォームでの輸送の整理を行い、FIFO方式で処理するのであれば、各日の終わりにプラットフォームをクリアするため、何も残らないので順序はほとんど問題にならないのです。
コナー・ドハティ: 例として非常に分かりやすかったです。つまり、MROとしてエンジンの修理をしている場合、どのエンジンを修理するかを選ばなければなりません。そして、以前あなたがおっしゃった「人々は自分たちが最適化していると思っているもの、または正しいものを最適化していない」という点に戻りたいのですが、FIFOを適用する際、人々は「エンジンを出して、エンジン修理の最適化をしている」と考えますが、ヒューリスティックをうまく実行していなくても、少なくとも問題について正しく考えられていると言えるでしょうか？
ジョアンネス・ヴェルモレル: いいえ、それはまた別の問題です。通常、数値レシピ—ここではヒューリスティックというよりも数値レシピという用語を用いています—は、問題と解決策のための仮の置き場にすぎません。問題が何であるか、可能な解決策の種類が何か、またそれぞれの解決策の様々な特性が何であるかという枠組みで考えるのではなく、ただ一つの方法を選んでしまうのです。そしてその方法が良いかどうかは、たまたま機能するかどうかでしかなく、明確ではないのです。
コナー・ドハティ: 「ただそのまま」という点も含め、問題と解決策を混同してしまうというお話が気に入りました。もう一度、その点について詳しく説明していただけますか？
ジョアンネス・ヴェルモレル: 問題について考えるよりも、解決策について考える方が桁違いに簡単なのです。例えば、店舗のサービス品質について考えようとすると、その意味するところを捉えるのは非常に難しいのですが、単に「この製品は5単位、この製品は5単位、この製品は2単位」と解決策を示すだけで済んでしまうのです。つまり、解決策を考案することは、問題を深く考えるよりもはるかにシンプルなのです。しかし、その場合、あなたはその解決策の有効性が分からないままであるのです。単に解決策があるだけで、うまく機能しているようでも「良い解決策だ」と思うかもしれませんが、確信は持てないのです。
また、あなたの店舗がうまく運営されているのは、適切な在庫レベルだからではなく、会社内のどこかで素晴らしい低価格の交渉が成功しているからかもしれません。したがって、在庫レベルが多少乱れていても、店舗は依然として非常に競争力があるのです。つまり、供給チェーンにおいて自明なものなど存在せず、特に離散的最適化のような問題においてはなおさらです。
そして、重要なのは、実際に証明されるまでは、それらは優れたヒューリスティックとは言えず、ただの数値レシピであると認識することです。それが良いか悪いかは分からないのです。
コナー・ドハティ: 最近、ロカドのサイモン・ショットと同様の議論を交わしたのですが、スケジューリング最適化について話している中で、彼も「自明」という言葉を使っていました。FIFOのような特定のヒューリスティックや数値レシピ（どの用語を使っても構いません）には、即時の外部効果を無視するという問題がある、または単に人間の理解を超えているという問題があるのです。
コナー・ドハティ: 例えば、月曜の朝にエンジンが3基到着するとします。どのエンジンを修理するのか、最初に入ったのはどれか。これには、ある作業では100個、あるものでは68個、また別のものでは67個といった、相互に関連する多数のステップや依存関係が絡んでいます。さらに、ある作業には20個の工具が必要で、そのうち10個は他の作業にも共通して必要です。作業完了後には部品を移動させなければならず、ジョアンネスが病欠で30工程中20工程が実施できず、コナーがインタビュー中で100工程中99工程が完遂できない、といった具合です。これらの相互依存性は、人間の頭では自明ではありません。結果として、何も行動しないのではなく、最初に来たものに頼るしかないのです。
そして、それが間違っているというわけではなく、より優れたものが存在しない場合、少なくともある程度機能するものを使うということなのです。あなたの話を聞く限り、その点を非常に数学的な方法で説明されたように感じますが、これはあなたの考えと一致しているのでしょうか？
ジョアンネス・ヴェルモレル: はい、しかし、問題は一度解決策を選んでも、それが本当に良いものかどうか全く分からないという点です。そして、多くの場合、自分の直感に頼って良い結果が得られると考えてはいけないのです。自然界では、たとえば物を取ってくるといったヒューリスティックは効果的ですが、その「自然が与えた才能」を供給チェーンという人為的な世界にそのまま翻訳できるわけではありません。全く異なるものなのです。
例えば、とても興味深い論文が発表されました。研究者たちは航空機の搭乗戦略のベンチマークを行ったのです。約10年前、各企業が「搭乗を迅速にするため、最前列の乗客を先に呼び、その後で次の列、その次はその他の列」といった方法を取り入れ始め、人々は「それが論理的で搭乗プロセスを早めるだろう」と考えました。しかし、実際に研究者が行った実験では、乗客をたとえば1～10列、11～20列、21～30列の3グループに分ける方法やその他の方策と比較すると、方針を設けずに乗客をランダムに搭乗させた方が実際には速かったのです。直感には反しますが、これは経験的な結果でした。
つまり、私が言いたいのは、人為的に非常に複雑な現象の場合、その有効性の判断は非常に難しいということです。例えば、私がグラスを取ってくる動作は、五本の指や多数の関節、さらには約50自由度の問題のような複雑なものですが、直感は働きます。一方、供給チェーンのような離散的な問題やランダム性を扱う問題では、直感が自然に働かないのです。私たちの脳はパターン認識には非常に長けていますが、ランダム性の処理にはあまり得意ではありません。ですから、直感に過剰に頼るべきではなく、誤解を招く可能性があるのです。
そして、非常に興味深いのは、現在では乗客をランダムに搭乗させる方が速いという証拠があるにも関わらず、多くの企業が依然として順番に乗客を呼ぶ方針を採用している点です。実際には、それが遅いと証明されているのです。
コナー・ドハティ: 確かにそうですが、先ほど述べた例は最適化する対象によって異なるという点を示しています。もし搭乗の効率性を最適化するのであればあなたの言う通りですが、収益性、つまり座席やアクセスを販売する場合、例えばゾーン1（1〜9列）が3,000ドル、ゾーン10〜15が1,000ドルで、その割合で航空機を満席にできるようなら、私は利益を最適化するのです。
ジョアンネス・ヴェルモレル: しかし、これはすべての座席が同一価格の航空機にも当てはまります。ビジネスクラスもファーストクラスもなく、低価格航空会社であっても、どの座席に座ってもほぼ同じ料金が適用されるのです。
コナー・ドハティ: それでは、高度な搭乗方法は不要ということになりますか？
ジョアンネス・ヴェルモレル: しかし、彼らはそれでも実施しているのです。
コナー・ドハティ: では、実施すべきではないということでしょうか？
Joannes Vermorel: 改めて申し上げます。私の言いたいことは、彼らが心の中で「人々をスライスに分けて呼ぶ」という数値的なレシピを思いついたということです。なぜなら、より秩序を整えればより効率的に機能するように見えるからです。しかし、その後実際の実験が行われ、結果として、以前の「問題を解決しようとせず、乗客が自ら整列するのを放っておく」方法と比べ、実際にはパフォーマンスが低下していると結論づけられたのです。
ご覧の通り、それが問題なのです。いくら数値的なレシピを思いつくのは簡単でも、そのレシピが本当に有効かどうかの手掛かりがなければ、頭に浮かんだからといってそれが良いとは限りませんし、見た目がもっともらしく見えるからといって実際に良い結果が出るとも限りません。
Conor Doherty: ところで、その考えを任意に設定されたKPIに拡大して、それが差を生むと仮定することもできますよね。
Joannes Vermorel: ええ。そして、人は自分自身のアイディアに恋をしがちという心理的なバイアスがあるのです。たとえば「より高いサービス品質が必要だから、サービスレベルを97%から98%に引き上げるべきだ」となり、それが全社的な方針になってしまいます。それが意味を成すのか、そうでないのかはさておき、かつて私が述べた最小値と最大値の考え方のように、三ヶ月分の在庫を用意する必要があるとされ、それが会社の方針になるのです。数値的なレシピを思いつくのは非常に簡単です。目の前にある変数を使って何かを計算すればいいだけなのです。
ここで犯されている間違いは、いわば単純な合理主義の誤謬と言えるでしょう。目の前の変数を使って計算を行ったからといって、その計算が正しいとは限らないのです。計算上の加算や乗算のミスはないかもしれませんが、あなたが思いついた公式が実際の事象を適切に反映しているとは限らないのです。
Conor Doherty: しかし、これは当然ながら、人々が持つ根本的な帰属バイアス、すなわち「自分は行動を起こし、方針を決め、KPIやルールを設定して利益を上げた。だから自分は偉大だし、起こったことに自分が責任がある」という傾向と衝突します。
Joannes Vermorel: その通りです。しかし、あなたは「利益を上げた」と言いますが、実際、多くの企業、特にサプライチェーン部門では、財務的なKPIは皆ゼロです。非常に多くの場合、自分たちで作ったルールに従っているかどうかを確認するだけで終わってしまうのです。ここであなたが「我々は利益を上げている」と言っているように見えますが、実際のところ、多くのサプライチェーン部門は、ただ自分たちで設定した比率に準拠しているかどうかを確認しているだけなのです。
例えば、彼らは「我々は97%のサービスレベルが必要だ」と言い、それに対して行動します。そして最終的に「我々は非常に良好だ。見てください、97%のレベルを達成している」と主張するのです。多額の損失を出していても、97%のサービスがあればそれが全てで、利益が出ているか損失しているかは問題ではありません。彼らはドルではなくパーセンテージを数えているのです。私の知る限り、クライアントを除けば、サプライチェーンにおいて財務指標を考慮している企業はほとんどなく、通常は全く存在しないのです。彼らは inventory turns やサービスレベルという指標で物事を考え、これらをABCクラスなどで区別しているのです。
しかし、任意のサービスレベルの目標を自分で設定し、その目標を達成したと宣言しても、それが成功を意味するわけではありません。自分の目標に準拠していることが企業の収益性と何らかの相関があると仮定することはできますが、それは非常に大胆な仮定なのです。
Conor Doherty: さて、これは繰り返し述べられている大きなポイント、つまり人々が複雑な問題を真剣に考えすぎる傾向があるということの一例です。例えば、スケジューリングの問題で、どれだけ注文すべきか、どこに送るべきか、といったことを取り扱う際、これを人間の思考に適した形に分解しようとします。「たとえば、サービスレベルを95%から97%に上げれば、ぱっと問題は解決する」といった具合に、その目標を達成すれば自己充足的な効果が得られると誤信するのです。しかしもちろん、これでは先に述べた意思決定プロセスにおける諸相関関係や依存関係を無視してしまいます。
Joannes Vermorel: ええ、しかしまた、解決策を求める方が、問題自体を深く掘り下げるよりもはるかに容易であるという点も指摘しておきたいのです。たとえば、航空機の整備では、もしメンテナンス中に一部の部品が欠ければ、その航空機は運航停止に追い込まれます。これは、最後の瞬間に発覚しない限りは非常に明白な事実です。しかし、その解決策として「すべての部品について、使用可能な在庫レベルをゼロでない状態にしておく」という単純な答えを出してしまうのです。つまり、もしそれが維持できれば、絶えず使用可能な在庫があれば問題は起こらない、と考えるわけです。
こうして、これが私の解決策となります。しかし、問題はその解決策が、必要以上の在庫を伴うために費用がかかりすぎるという現実を完全に無視している点にあります。つまり、現実的な解決策とは言えないのです。だからこそ、再び数値的なレシピに立ち返り、そのレシピをしっかりと形式化して、その有用性を評価し、アルゴリズムなのかヒューリスティックなのか、あるいはその他の何かなのかを判断する必要があるのです。
私が言いたいのは、ある時点で実施された任意の数値的政策が、過去にそう行われたという理由だけで、何らかの固有の特性を持つと仮定するのは危険だということです。言えるのは、その政策が会社を破産に追いやらなかったというだけであり、これは非常に低いハードルに過ぎないということです。競合他社が非常に非効率な施策を行っている場合、非常に悪い政策でも会社を潰さない可能性は十分にあるのです。
Conor Doherty: 実は以前の会話でも触れられていたのですが、任意の政策やKPIを現実に持ち込む影響について、例えばサービスレベルを95%から97%に引き上げるための費用は、85%から87%に引き上げるための費用の約10倍にもなるということです。「たった2%の向上を目指すだけ」と言いつつも、そこには逓減効用の法則が働くのです。
Joannes Vermorel: その通りです。
Conor Doherty: そして、その費用はある一定のレベルに達すると指数関数的に増大します。また、人々は「たった2%で十分」と考えがちですが、その影響がどのように波及するかは自明ではありません。
Joannes Vermorel: 人間の心はコンピューターではありません。そして、既に述べたように、人間の心は偶然性に対して非常に弱いだけでなく、幾何学的成長にも対応できません。指数関数的に複利する現象は、人間の直感では到底把握できないのです。我々には、そのための仕組みが備わっていないのです。
はい。数学者として、時間をかけてペンと紙で計算すれば理解できるのは確かですが、直感というものは備わっていません。誰も、千、百万、十億、兆の違いを直感的に掴むことはできないのです。また、脳内にガウス雑音と非ガウス的な雑音の違いを認識する仕組みがあるわけでもありません。もし、ガウス雑音やその他あらゆる種類のランダムネスが与えられても、特別な訓練を受けていなければ大多数の人は「非常にランダムに見える」としか感じないのです。統計的な雑音の分類を直感的に捉える能力は持っていないのです。しかし、数学者たちは、様々な種類のランダムな挙動を示す雑音を明らかにしてきました。
Conor Doherty: その点についてですが、航空宇宙分野での修理のスケジューリングの例を挙げると、例えば「我々には非常に優秀な人材が揃っており、エンジン修理のための一連の行動計画を、10人の非常に賢い人々が内々に解決できる」と言われたとします。もちろん、それは非現実的です。シモンが以前述べたように、ペンと紙やExcelを使っても、全ての相互依存関係、部品数、必要な技能、そしてかかる時間を総合的に考慮して最適な新しいスケジュールを算出することは到底不可能なのです。
さらに、MROの場合、時間に追われる状況では余裕がありません。たとえ可能だとしても（議論のために仮定するとしても実際には不可能ですが）、それには無限の時間がかかるでしょう。一方、アルゴリズムなら数分で完了します。そして、そのためのドル単位のコストがかかるのです。私が何度も言うように、これは賢いか愚かかの問題ではなく、人間の目には捉えられない外部要因が存在するという事実なのです。
Joannes Vermorel: 残念ながら、ほとんどの software vendors は全く無能であるという現実も考慮しなければなりません。 Joannes Vermorel: ご覧の通り、これもまた一因となっています。人々は「10人が集まって解決策を見つける。もしうまくいかなくても、たとえば部品が欠けているなどの理由で次の瞬間には別の解決策に切り替わる。まるで迷路を彷徨うネズミのように、低品質な解決策を試し続け、やがて適合するものが見つかる」と言うのです。 多くのソフトウェア実装の問題は、ソフトウェア自体に「出口」すら用意されていない点にあります。つまり、行き詰まった場合、ただナンセンスな状態に固執してしまうのです。その結果、多くの企業が同じ状況に陥りました。これは1950年代のオペレーショナルリサーチにおける当初の約束の一部であり、多くの期待が、ソフトウェアベンダーの無能さのために、素晴らしい成果に結実しなかった理由でもあります。いわゆる最適解や優れたソフトウェア駆動の解決策は、実際にはひどく実装され、実用性に欠けていたのです。
しかし、ここで少し区別すべきなのは、この問題がコンピュータでは対処できないほど複雑なために、人間の感覚という魔法でしか処理できないのか、あるいは単に無能なソフトウェアベンダーが扱った結果、提供された解決策が酷いものになったのかという点です。
Conor Doherty: しかし、その点で、非専門家、すなわち私のような人々が、耳にする内容やベンダーの主張が無能さや不誠実さに起因するものかどうか、またはそれらの主張をどう検証すればよいのか、どのように見極めればよいのかが問題です。
Joannes Vermorel: それは重大な問題です。ここで、さらに別の講義、つまりアドバーサリアル・マーケットリサーチについて触れなければなりませんが、それはまた1時間分の説明を要するでしょう。
Conor Doherty: 何か、思い浮かぶような経験則や手軽なルールはありますか？
Joannes Vermorel: ええ、実際にここで示されているヒューリスティックが存在しますが、それは実証済みのものです。覚えておいてください。これは、意外にも、そして経験的に非常にうまく機能するシンプルな解決策なのです。アドバーサリアル・マーケットリサーチにおけるヒューリスティックはこうです：どうやってその正しさを見極めるか、というと、ベンダーがいる場合、そのベンダーの競合他社に、そのベンダーについてどう思っているかを尋ねるのです。これが対抗的な評価手法です。
つまり、ベンダーに対して正しい意見を持ちたいのであれば、直接ベンダーに尋ねるべきではありません。なぜなら、ベンダーはただあなたを [ __ ] するだけだからです。代わりに、そのベンダーの競合相手にこの人物についてどう思っているかを尋ね、さらに対称的に全てのベンダーに他のベンダーについての意見を尋ねるのです。これをアドバーサリアル評価と呼び、その堅牢性は実証済みです。ウォーレン・バフェットはこの非常にシンプルな原則に基づいて莫大な富を築きました。そしてバフェットにはこういう質問がありました：「もしあなたに、競合他社の一社を魔法のように排除する銀の弾丸があったとしたら、誰を狙いますか？」
そして、それは非常に興味深い質問でした。もし全ての競合他社が同じ会社を指し示すなら、その会社こそが明らかに全ての他社にとって脅威であり、その業界で最も知識を持つベンダーこそが、実際には全競合によって有能な存在として指摘されるのです。これがヒューリスティックなのです。アドバーサリアル・マーケットリサーチを試すまでは、その効果がどれほど凄いか気付かないものです。そして、その手法は一見自明ではなかったにもかかわらず、試され、美しく機能することが証明されました。バークシャー・ハサウェイの成功がその好例です。
Conor Doherty: さて、ジョアネス、これ以上質問はありません。本日のまとめとして、つまり皆さんへの持ち帰りとして、サプライチェーンにおけるヒューリスティックについて、あなたのエグゼクティブサマリーは何でしょうか？
Joannes Vermorel: あなたが行っているのは、おそらくただの数値的レシピ、すなわち任意の数値的レシピに過ぎません。ヒューリスティックという用語は、隠れた宝石のような、シンプルでありながら美しく機能し、実証的な証拠があるものにのみ使うべきです。「私がやってみて会社が破産しなかったからうまくいっている」という理由だけでは、基準が低すぎます。だから、その用語は使うのを控えるべきです。
もし、単純な数値的レシピから合理的に期待される以上の効果を発揮するレシピを見つけ出せたなら、それを大切にしてください。非常に価値のあるものです。しかし、その価値は、単なる直感ではなく、ドルやユーロで表される現実的な評価に基づくべきなのです。
Conor Doherty: さて、ヨアンネス、本当にありがとうございます。あの問題は解決できたと思います、ひとつ問題が片付きました。お時間をいただきありがとうございます。そしてご視聴いただき、誠にありがとうございました。では、また次回お会いしましょう。
