00:00:00 インタビューの紹介
00:01:41 イアン・ライトの初期のキャリアとLogistics Sciencesの創設
00:05:33 供給チェーンにおける最適性の概念
00:10:06 最適化、不確実性、そして現実世界の混乱
00:18:18 従来の最適化の限界とパンデミックの影響
00:25:27 Lokadの対応と供給チェーンの適応
00:32:45 決定論的モデルの課題とトレードオフ
00:41:09 サービスレベル、財務モデル、そして健全性のチェック
00:50:48 人間の専門知識、ヒューリスティックス、そして反復的モデリング
00:58:39 供給チェーンにおける人間の介入のコスト
01:06:24 エンジニアリングとしての戦略と意思決定の自動化
01:14:06 Walmartの分散型モデルとサイロの打破
01:21:39 フィードバックループと供給チェーンの継続的改善
01:29:18 最適性の達成とベンダーの誇大広告の対処
01:35:42 供給チェーン技術動向に関する最終的な見解
要約
最近のLokadTVのインタビューで、Conor DohertyがLogistics Sciencesの創設者であるIan Wright氏およびLokadのCEOのJoannes Vermorel氏を迎え、供給チェーン管理において最適な意思決定は存在しないという概念について議論しました。彼らは効率性に関する従来の見解に疑問を呈し、教科書的理想に反する複雑さと不確実性を強調しました。Ian氏とJoannes氏は、異なるステークホルダーが最適性について異なる定義を持っており、実用的な解決策はビジネスの現実に合致する必要があると述べました。彼らは従来の最適化手法の限界と、戦略的意思決定における人間の判断の重要性について議論しました。この会話は、不確実性に対応し、真の経済的成果に焦点を当てるモデルの必要性を浮き彫りにしました.
詳細な要約
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が、Logistics Sciencesの創設者であるIan Wright氏およびLokadのCEO兼創設者であるJoannes Vermorel氏と洞察に満ちた議論を行いました。この会話は、供給チェーン管理において最適な意思決定は存在しないという挑発的な考えを中心に展開され、効率性や意思決定に関する従来の見解に疑問を投げかけるものでした.
Conor Dohertyは、最適な意思決定が効率性の極致と信じられており、リソースが完璧に配分され、コストが最小限に抑えられ、利益が最大化されるという一般的な信念を指摘し、議論を開始しました。しかし、彼はそのような教科書的理想が現実の複雑さに直面すると崩壊することが多いと指摘しました。供給チェーンと物流の分野で40年以上の経験を持つIan Wright氏は、学術界から石油業界、そして最終的にはLogistics Sciencesの創設へと至った自身の歩みを共有しました。彼のキャリアは、物流とオペレーションリサーチにおける問題解決に注力し、計画と実行の実践的応用を強調するものでした.
Joannes VermorelはIanの意見に同意し、第二次世界大戦後のオペレーションリサーチの意図は正しかったものの、この分野は人工知能が経験したような、過大な期待の後に失望が続くという類似の課題に直面していると指摘しました。彼は、オペレーションリサーチの多くの手法が企業にとって実行可能な利益をもたらすことに失敗したと述べました.
続いて会話は、Ianの論文「供給チェーン計画と物流ネットワーク最適化において最適な解決策など存在しない理由」に深く踏み込みました。Ianは、異なるステークホルダーが最適性について異なる定義を持っており、それがしばしば矛盾する考えを生むと説明しました。実務者は数学的側面に焦点を当てるのに対し、ビジネスリーダーは実用的で実装可能な解決策を重視します。彼は、モデルやツールはビジネスにとって意味のある解決策の一部に過ぎないと強調しました.
Joannesはこれをさらに掘り下げ、従来の最適化手法の限界、すなわち時間の概念を取り入れ不確実性に対応する能力が欠如している点について議論しました。彼は、伝統的なオペレーションリサーチの静的な数学的視点と対比して、ビジネス最適化における定量的改善の重要性を強調しました.
会話は、供給チェーンの意思決定における不確実性の役割にも触れました。Ianは、予測可能な変動からブラックスワン・イベント、そして未知の未知に至るまで、さまざまな不確実性の要因を説明しました。彼は、これらの不確実性に対応し、状況に応じた解決策を提供できるモデルの必要性を強調しました.
Joannesは、COVID-19のロックダウン中に、ホワイトカラーの従業員が休職しているクライアントの供給チェーンの意思決定をどのように管理したかについて、Lokadのアプローチを共有しました。膨大な不確実性をモデルに注入することで、Lokadはより慎重な意思決定を行い、その最適化システムの有効性を示しました.
続いて会話は、意思決定におけるトレードオフの役割に移りました。Ianは、トレードオフはしばしば財務上の考慮事項、すなわちコストとサービスレベルなどの他の要因とのバランスに帰着すると強調しました。Joannesは、多くの企業が真の経済的成果ではなく、パーセンテージの最適化に注力しているため、最適とは言えない意思決定に至ると主張しました.
IanとJoannesの両氏は、戦略的意思決定における人間の関与の重要性について合意しました。自動化や最適化ツールが多くのタスクを処理できる一方で、特に機械的な情報が不十分な領域では、人間の直感と判断が依然として重要です.
結論として、このインタビューは供給チェーン最適化の複雑さと課題を浮き彫りにし、不確実性に対応し人間の判断を取り入れた、実用的で実装可能な解決策の必要性を強調しました。Ian氏とJoannes氏の両者は、企業がこれらの課題にどのように対処すべきかについて貴重な洞察を提供し、モデルを実際の業務と一致させ、真の経済的成果に焦点を当てることの重要性を強調しました.
完全な書き起こし
Conor Doherty: LokadTVへ再びようこそ。最適な意思決定は、リソースが完璧に配分され、コストが削減され、利益が最大化されるという効率性の極致と見なされることが多いです。教科書や教室では素晴らしい概念に聞こえますが、現実の世界に直面すると、そのような考えはしばしば脆弱であることが明らかになります。本日のゲストであるIan Wright氏は、まさにこの最適性の探求について語ってくださいます。Ian氏はLogistics Sciencesの創設者であり、供給チェーンにおいて40年以上の経験を有しています.
いつものように、内容を気に入っていただけたら、YouTubeチャンネルを登録し、LinkedInでもフォローしてください。それでは、本日のIan Wright氏との会話をお楽しみください.
それでは、素晴らしいです。Ian、参加していただきありがとうございます。ご存じでない方のために、先ほどご紹介しましたが、あなたの業績に馴染みのない方々のために、簡単な自己紹介をお願いできますか？
Ian Wright: ええ、40年ほどの経験があるという点はおっしゃった通りです。実際にはそれ以上の期間にわたっていますが、キャリアとしては40年に及びます。学問的には、経済学と地理学への関心から始まり、それらを統合して、当時は単に交通またはトランスポートと呼ばれていた分野を研究しました。つまり、経済学、地理学、ビジネスといった分野であり、これが問題解決、特に現在では物流やオペレーションリサーチと呼ばれる分野への大きな関心を呼び起こしました。その後、オペレーションリサーチに進みましたが、引き続き輸送問題や物流問題、そして現在私たちが供給チェーンとして知っている分野に非常に重点を置いて活動してきました。つまり、約40年以上前のことです.
その後、実際に生計を立てる必要に迫られ、Castrolのために経営科学者として石油業界に参入しました。非常に高度な戦略的計画プロジェクトにいきなり取り組むことになり、まるで深い海に投げ込まれたような状況でした。会社の流通のための予防保全システムをいくつか作成し、ネットワーク視点および車両計画の視点から計画ソフトウェアを理解することができました。その後、そのシステムを提供していた一人の男性と共に会社に参加し、その構築を手伝いました。その後、会社のクライアントとともにアメリカに渡り、GISや計画面での可視化手法としてのGISの活用に関わりました。これが1980年代初頭に現在普及しているGISと可視化の初期の紹介となりました.
そこから、ソフトウェア開発プロジェクトを通じてサードパーティーロジスティクスに参入しました。キャリアを通じてイギリスでは3PLに注目していましたが、実際にアメリカでは1990年代初頭にまだ新しい概念であり、ソリューションを組み合わせて顧客に販売するというアイデアが開発され始めた段階でした。これらのソリューションとは、倉庫をどこに配置すべきか、輸送資産をどう運用すべきかというものでした。これは私のバックグラウンドの素晴らしい応用例であっただけでなく、実装と実行のための計画を立て、そのソリューションの運用にも関与するという点で、私にとって大きな学びとなる教訓でした。これは、私たちの取り組みに関わるすべての人にとって価値ある教訓だと思います.
最終的には、実際の計画業務から離れることになりました。いくつかのソリューション・グループをまとめ、それらを運営しました。その後、勤務していた組織でますます責任ある立場に就くようになりました。しかし、コンサルティング業務を経験する中であまり楽しめなかったため、最終的にコンサルティング会社であるLogistic Sciencesを設立することに決めました。Logistic Sciencesとは、基本的に私が問題解決、特に供給チェーンと物流の問題に焦点を当てて行うことが好きなことに立ち返り、限られた知識とツールを用いて、その分野で人々が問題を解決するのを助けるためのものです。これで私がどこから来たのかが少しでも分かれば良いのですが、私自身、今後どこへ向かうのかは全く見当がついていませんが…
Conor Doherty: さて、ありがとうございます、Ian。そして実は、Joannes、これらの話は多くの点であなたにも響いていることでしょう。問題解決および供給チェーンの意思決定の再考という考え方は、あなたにとって非常に共鳴するものではありませんか？
Joannes Vermorel: はい、つまり、第二次世界大戦後にオペレーションリサーチで掲げられた意図は、管理手法を数値的に健全かつ改善可能なものに組み込もうとする点で非常に正しいものでした。それは、正しかった意図の一つであり、今日でも非常に重要なものです。しかし問題なのは、とても興味深いということです。人々は、人工知能（AI）が経験したような、過大な期待の後に機能しなかったという失望をもたらした様々な「冬」について頻繁に語ります。私の考えでは、オペレーションリサーチも同様のフェーズを経験し、その当時知られていた一連の手法が企業にとって実際に実行可能な利益に結実しなかったのです.
Conor Doherty: さて、実はこれが今日の会話のトピックへとつながるのですが、IanはLinkedIn上でのあなたの活動に触発されたようです。あなたは実際に多くの論文を発表されています。私もその一つをここに持っており、そこにメモを取ってあります。カメラがそれを撮影できるといいのですが。つまり、私はそれを読みましたし、我々全員が読みました。しかし、その論文、特に今回の議論の興味を喚起した論文、『供給チェーン計画と物流ネットワーク最適化において最適な解決策など存在しない理由』は、約13ページにわたります。まだ読んでいない方のために、役員レベルの要約をお願いします.
Ian Wright: 基本的には、最適性について人それぞれ異なる考えを持っているという概念を伝えようとしているのです。一般的に私が見出すのは、対立するというよりは、実務者の最適性の考え方が、使用しているツールや手法に非常に焦点を当てるのに対し、最適化の被害者または受益者となるのはビジネス担当者であるという、矛盾する考え方が存在するということです.
ビジネスおよび民間部門に焦点を当てることにしましょう。もちろん供給チェーンに関しては他にも多くの側面がありますが、ビジネス担当者は数学や方法論、ツール、あるいはモデルに全く関心を持つべきでなく、持つべきではありません。私が自分のクライアントやプロジェクトで注力しているのは、我々が用いるツールや構築するモデルは、意思決定や実行に役立つ解決策に導くためのごく一部に過ぎないということを理解してもらうことです。つまり、この論文の基本的な前提は、重要なのはモデルではなく解決策であり、ビジネスにとって意味のある解決策にははるかに多くの要素や側面が存在するという考えを伝えることにありました.
Conor Doherty：その点についてですが、Joannes、少し後ほどあなたにお話ししますが、あなたが自分のクライアントに説明するときの表現の仕方は、人々にしっかり理解してもらうことを本質的に狙っていると私も書き留めました。そして、その点で直ちに明確にすべきキーワードは「最適性」です。再度ですが、あなたは実務家と数学者の区別をしました。使われる文脈によっては、同じ言葉でも若干異なる意味を持つことがあります。最近、Joannesと私はヒューリスティクスについて議論したのですが、数学的な意味でのヒューリスティクスと経済的な意味でのヒューリスティクスは多少異なるかもしれません。ですから、最適な意思決定を追求するとか最適性を提示すると言うときに、具体的に何を意味しているのか教えていただけますか？
Ian Wright：一般的に、私は最適性を数学者の観点から考えるのではなく、数学の世界に生きているなら素晴らしい概念ではありますが、我々が直面している状況においては、現状で最も良い解決策が何かを見つけ出す必要があると考えています。つまり、実際に何が起こっているのか？世界で何が起こっているのかを見極め、その状況下で見つかったほとんどの問題を緩和または軽減できる、私たちが考え出す最善の解決策を提示するということです。これが私たちが求め、提示したい解決策です。
Conor Doherty：Joannes？ああ、イアン、ありがとう。改めてですが、最善の策というのは絶対的な完璧さを意味するわけではありません。それについて、何か付け加えることがありますか、または同意されますか？
Joannes Vermorel：はい。数学における最適化の視点を美しいと表現する点については同感です。最適化とは極めて単純な考え方です。聴衆の皆さんにまとめると、求める結果を評価するための関数を用意し、その関数の入力として、あなたが決定できる、あなたの意志に応じて変化する変数を提供するというものです。入力を与え、関数がスコアを返す。そして基本的に、最適化とは、そのスコアを極端に（つまり、コストを下げるなら最小化、リターンを上げるなら最大化するなど）する決定の組み合わせを求めるものなのです。
そして興味深いのは、この単純な問題が非常に明快な数学的定式化を伴う点です。これにより、入力に関して様々な面白い議論ができ、出力の挙動や解を求めるためのアルゴリズムのクラスについて、またその仮定の下であなたの手法が数学的に最善であると言えるかどうか、といった議論が可能になります。ちなみに、この研究分野は現在「OR」と呼ばれており、かつてはオペレーショナル・リサーチを意味していましたが、現在では単に数学的最適化と呼ばれています。彼らはもはや、それがビジネス問題か否かには注目しておらず、数学的な意味での最適化を行うためのソルバー、つまりその最適化を実行するソフトウェアの開発に専念しています。
数学的な最適化の観点で考えると、最適化とは何かについて最も明快な理解が得られると思います。ただし、それが明快であるからといって、必ずしも最も関連性が高いというわけではありません。むしろ、純粋である、つまりクリスタルのような純度を持っているという意味です。しかし、それがすべての状況に適用できるツールであるとは限りません。一方で、ビジネスの文脈で最適化を考えるとき、私たちが意味するのは、定量的な手法を用いて物事を改善するということです。これが両者の違いです。
例えば、より献身的な人々で構成される優れた企業文化を築くことでビジネスを改善することも可能ですが、それはほとんど定量化できません。ですから、最適化と言う場合、定量的な手法と、理想的には定量的な結果をもって改善するという意味に捉えています。つまり、あなたが理解する最適化は、主に定量的な改善のプロセスである、と説明できるのです。これがビジネスの観点での最適化の意義です。
Ian Wright：私は、いや、完全にJoannesに同意します。理解すべき点の一つは、最適性に伴う問題には様々な次元が関与しており、しばしばその次元が無視されたり、省略されたりしているということです。そして、その中でも最も基本的な次元、実際には恐らく最も基本的な次元は「時間」です。
これは、モデルや手法、テクノロジーで何が可能か、また現実の運用において何をすべきか、またその状況下で何が実現可能かに大きく影響します。そして、それは何を最適とみなすかという性質自体を変えてしまいます。
Conor Doherty：実際、再び「あなたが何を可能にするか」という完璧な表現がありましたね。それは、意思決定を行う際の不確実性の性質という、最適性や意思決定に関する議論の重要な要素へと話が移る点でもあります。
あなたの論文では、不確実性とサプライチェーンに存在する複雑さについて述べられています。では、最適化を行う上で実際に影響を与える不確実性の源について、もう少し詳しく説明していただけますか？
Ian Wright：不確実性には多くの種類があり、存在すら知らないためにその種類に気づかない case もあります。つまり、多くの人々が注目する不確実性とは、私の考えではサプライチェーン運用の動的な性質の反映に過ぎません。運用は動的なものであるため、そのダイナミクスに関連する不確実性が存在し、これは解析、定量分析、確率的分析の対象となるのです。皆さんが非常に注目しているところです。
しかし、そこからさらに、まさにリスクの領域に近づく特定の不確実性のエリアに進むのです。小さなリスクもあれば非常に大きなリスクもあり、これは、予測可能あるいは確率的に予測可能な範疇を超え、実際に論文で触れたと思いますが、ブラックスワン・イベントと呼ばれる事象について議論する段階にまで及びます。そして、ああ、本当に全体が見失われてしまいました。
大変申し訳ありませんが、その部分は編集が必要かもしれません。まず、予測可能で容易に取得できるデータから予測できる要素を持つ小規模な世界モデルから始まり、そこからブラックスワン・イベントへと移ります。これらは起こり得るものですが、それを予測する能力は非常に限定的で、最終的には特定のブラックスワン・イベントは全く予測できないのです。ただ、起こり得るという事実だけがあるのです。そして、さらに壊滅的なレベルでは、論文で借用した表現を使えば「unknown unknowns」、すなわち未知の未知というカテゴリーに入る場合が多いのです。
ドナルド・ラムズフェルド―いや、実際には彼ではなく、その前の人物が私と同様にこのアイデアを取り入れたのですが、とにかく。そして、その先に進むと、どこまで未知の未知、すなわち計画や通常の運用において考慮できない部分だけでなく、ブラックスワン・イベントすら一般的な運用または計画の面で必ずしも考慮できないものなのか、そして確率に基づく予測可能な部分はどこまで受け入れるべきかという議論に行くのです。
さらに、私は、単一の解決策を見るだけでなく、多くの偶発的な要素から構成され、必要に応じて切り替えたり実行できる解決策という別の次元の運用に進むことも可能だと言いたいのです。とはいえ、焦点は、あなたが好む解決策における「最適」にできるだけ近い状態を維持することにあります。
Conor Doherty：実際、ドナルド・ラムズフェルドではない引用に便乗する形ですが、論文で述べたように、安定した需要や予測可能なサプライチェーンに関するその他の不確実性の源、つまり人々が「既知の既知」と考えるものは、既知の既知なのでしょうか、それとも既知の未知、未知の未知なのでしょうか？Joannes、どう考えますか？
Joannes Vermorel：はい、この分類は良いと思いますが、定量分析を行うための基本的な手段、つまりオペレーショナル・リサーチの一環として開発された方法に立ち返ると、時間の次元が欠如していました。その第一の理由は、非常に平凡なものですが、問題の次元を増やすと、その手法は複雑な問題に対処する際に非常にうまく機能しなくなるからです。今日いうスケーラブルな解決策、特に最近のディープラーニングの発展を考えると、それらはあまりスケーラブルではありません。
最初の問題は、時間という次元がまったくなかったために、スケーラビリティに対処するという非常に基本的な問題を抱えていたことです。そして、時間の次元を考慮し始めると、未来は完全には分からないため、何らかの変動性に対処しなければならなくなります。ここでの変動性は、すなわち既知の未知という形で表れます。言い換えれば、リードタイムが変動すること、需要が変動することは非常に予測されるため、そういったケースは比較的容易なのです。
そして、その先、あなたの決定が、あなたがコントロールできない将来の状況によって良し悪しが明らかになるという意味で、確率的最適化の領域に突入します。つまり、ある未来ではその決定が良い結果をもたらす一方で、またある未来では、時間の経過とともにそれが悪い判断であったと判明する可能性があるのです。これは、未知の未知やその他の多様な不確実性に飛び込む前の、非常に日常的な問題と言えます。そこで、私は「ファセット」という考え方が非常に興味深いと思うのです。
私たちは、何をどのようにスコア（評価）すべきか、本当に分かっていません。利益を最適化したいと言った場合、利益を計算する方法は無数にあります。第二次効果や第三次効果を含めるべきでしょうか？第二次効果とは、たとえば、今10%の割引を提供すると、顧客は次回来店時にも同様の割引を期待するようになるという現象のことです。つまり、一度割引を与えることで、期待を生み、結果的にコストが増加するのです。従って、これも評価に含めるべきです。
さらに、その結果、競合他社がより積極的に価格競争に踏み切ったり、最終的には競争自体を完全に放棄して、あなたが孤立するか、あるいは競合他社が減少する可能性もあります。ご覧の通り、「何を定量化するのか」という点は非常に日常的な問題です。これらは非常に難しい課題であり、従来の最適化文献では、問題が初めから十分に理解されているかのように扱われるという、別の側面が十分に取り上げられていないと思います。
Conor Doherty：イアン、あなたの論文では、リードタイム、不規則な需要パターンなど、先ほど話した不確実性に対処し成功または失敗した企業の具体例を多く挙げています。これらのケーススタディの詳細を、もう少し教えていただけますか？
Ian Wright：はい。私が取り組むプロジェクトの多くはより戦略的なものであり、場合によっては戦術的なものもあります。しかし、私はもはや実行計画の領域には携わっていません。ですから、ここで挙げられる例は、予測可能性あるいはその欠如に関する問題に対処せず、戦術的または戦略的な計画に失敗した企業に関連するものが大半です。
ほんの最近、過去3年間の中で、前年に起こった出来事が、誰も予測できなかったものがありました。確かに、どの企業の計画システムも、パンデミックの影響や在庫の変動、在庫の急激な引き下げ、需要の突然の減少などを考慮に入れた計画要素を構築することはできなかったと思います。影響は非常に多岐にわたっていました。典型的な例は半導体に関するものです。
私の経験では、パンデミック後に、食品製造業界だけでなく、製薬業界、医療機器業界、さらには医療物流全体において、多くの企業が予測していなかった事態に直面し、計画を立てねばならないことに突然気付いたという二面性がありました。彼らは、自社のビジネスやサプライチェーンを管理する内製システムに依存していましたが、そのシステムは、次に何をすべきかを理解するためのモデルの基礎となるデータをもはや提供できなかったのです。
そのため、私は多くの食品製造企業向けのプロジェクトに携わりました。これらの企業は、キャパシティが不足している状態で急激に増えた需要に対応するため、どこにキャパシティを配置すべきか、そしてなぜそこに配置すべきかを迅速に理解する必要がありました。これをどう実施するかを検討する際、今日存在しない製品のためのサプライチェーンをどう構築するか、どのように計画するかという根本的な問題に直面したのです。そして、その後の実行方法の概念が次のステージとなります。
Conor Doherty：イアン、ではJoannesにバトンタッチしましょう。不確実性に満ちた状況で解決策を実行するというのは、まさにあなたの得意分野です。不確実性に関して、企業の成功例や失敗例など、何か具体的な例はありますか？
Joannes Vermorel：はい。たとえば、2020年や2021年のロックダウンの年において、Lokadは非常に良い運用上の成功を収めました。それは、まさに我々が最適化を実践していたからだと思います。
今日、多くの企業が本質的には膨大なスプレッドシートの海の中で何をしているのかを説明しましょう。彼らは数学的な意味でも、先ほど述べた方法でも何も最適化していません。彼らが実際にしていることは、ほとんどこれまでに行われたことの再現です。過去の意思決定のパターンをほぼそのまま模倣しているのです。実際の需要に沿っているわけでもなく、単に昨年と同じ分割方法で予算が配分され、安全在庫が昨年とほぼ同様に最小限で調整されるなど、すべてが現状維持の範疇でインクリメンタルに実施されています。最適化は一切行われておらず、単に現状を反映しつつ、少しだけ適切と思われる方向に舵を切っているだけです。
ある程度は機能していますが、問題は最適化プロセスが存在しないことにあります。つまり、業務条件を大幅に変更しても、その新条件を反映する仕組みが何もありません。もう一度言いますが、あなたのスプレッドシートやプロセスは、これまで行ってきたことを再現するために設計されているのです。それに対して、Lokadでは最適化システムが導入されていました。前例のない状況に直面したとき、何が起こったかというと、私たちは実質的に不確実性を大量に手動でモデルに注入したのです。
何が起こるかはわかりませんでした。私たちは単に「通常、需要はショットガン効果と呼ばれるものだ」と判断しました。需要の将来が、このように可能性として広がっていくのです。では、ロックダウンのような状況においては、ショットガンの角度を広げることで将来を非常に不明瞭にすればよいのです。同様に、遅延についても価格についても同じです。突然将来について知っていることが大幅に少なくなったと仮定するのです。そしてその仮定のもとで最適化ロジック、すなわち確率的最適化を再実行することで、リスクに対してより慎重な意思決定を行えるのです。
つまり、遅延、価格、需要などにおける最悪の事態をある程度考慮に入れ、そのリスクが数量的に拡大していることを踏まえて、意思決定をより保守的に行うのです。私の結論は、それが効果を発揮するということです。非常によく機能しますが、問題は最適化を少なくするのではなく、むしろもっと行うべきだという点にあります。これは静的なオペレーショナル・リサーチ的視点、すなわち何も動かない最適化ではありません。
次にもう一つ、1950年から1980年、つまり約30年間のオペレーショナル・リサーチの時代にはほとんど議論されなかった側面があります。それは計測装置の品質、つまりモデルのあるインスタンスから次のインスタンスへどれだけ迅速に移行できるかという、非常に実務的な問題です。
Ian Wright: この点には実用上の問題もありました。というのも、技術が十分でなかったからです。それに伴い、データも不足していました。計画を迅速に実行するための技術はまったく存在しなかったのです。最適化モデルが24時間稼働するのを見た経験から言いますと、今日では一緒に作業する仲間と「まだ終わっていない、すでに5分経ったけど、どうすればいいのか？」と考えるほどです。話を中断するつもりはありません、ジョアンネス、しかしその多くは今日のはるかに優れた技術のおかげだと思います。
Joannes Vermorel: 全く同感です。それは別の懸念事項ですが、非常に実務的な問題です。もし最適化技術があっても、再実行に24時間かかり、サプライチェーンの新たな状況に対して満足のいく結果を得るために20回の試行が必要なら、それは実現しません。人々は結局スプレッドシートに戻ってしまいます。そんな手間をかける時間はないのです。スプレッドシートはこの種の最適化は提供できないかもしれませんが、少なくとも合理的な時間内に答えを出してくれます。
また、Lokadはこの時期にこの点でうまく対処していました。私たちは最適化を実施していましたが、実際に動くものが得られるまでに、1日に何十回も繰り返しテストできるほど十分に俊敏な最適化ツールを持っていたのです。さもなければ、当時のLokadのサービスはクライアントに見放されていただろうと思います。
Ian Wright: 興味深いのは、私が「スナップショット最適化」と呼んでいるものに常に苦労してきたことです。特にサプライチェーン計画やネットワークモデルは常にスナップショットの整数計画でした。ソルバーは全てスナップショットで動作し、タイミングの問題についても、時間の次元をもう少し上手く取り入れるシミュレーション型アプローチの利点をどう活用し、何とか融合させるかに苦労してきました。
例えば、ロシアのあるシミュレーション会社が最適化との組み合わせを提案したことがあります。当時は素晴らしいと思いました。しかし残念ながら、彼らはシミュレーション会社なので最適化の実装についてはあまり詳しくありません。時間の問題は一つですが、解を確率的に決定するには、今日私たちが直面できる技術的な課題も関与していると思います。それは、解を導くために取り込めるデータの量や範囲に関わるものです。
多くの事象は、最適化対象の企業や部門の領域外にあり、新製品を投入する場合や、パンデミックという全く新しい状況に突入する場合には考慮されないのです。ほとんどの場合、頼れるのは、これまでの業務履歴とは無関係なデータだけです。例えば確率を算出する際には、従来の変数に加えて外生変数も組み込むため、はるかに広範なデータを参照する必要があります。
Joannes Vermorel: 概念的にはその通りですが、ここは少し意見が異なります。なぜなら、トランザクションデータ以外のデータは企業にとって非常に高コストだからです。競合情報のデータを取得するのはそれほど高くはなくても、競合他社の価格情報を単にスクレイピングするだけであれば、あっという間に非常に複雑になってしまいます。
私たちのアプローチは、まずデータをより有意義に解析するためのモデルを持つことです。例えば、新製品を市場に投入する際、売上履歴が全くないので従来の時系列の視点では何も見えてこない。しかし、時系列の視点を捨て、別の視点を採用すれば、製品投入には成功と失敗のパターンがあり、成功はある分布に、失敗もまた別の分布に従うことが見えてくるかもしれません。つまり、歴史的データを用いて製品について語ることができるのです。
改めて言えば、たとえば無名のスタジオが映画を公開した場合、そのスタジオが興行収入で10億ドルを達成する可能性は極めて低いのです。しかし、ディズニーやワーナーブラザースであれば、その確率は約5％程度かもしれません。
つまり、まず企業が保有するトランザクションデータを活用すれば、時系列の視点に固執していると考える人々が思っている以上のことが明らかになるのです。他のアプローチも存在します。
次に、あなたが「知らない」と認めるなら、人間である意思決定者に秘密の情報源があるわけではないという事実を認識しなければなりません。未来を覗ける水晶玉が人間の脳内にあるわけではありません。特に、存在していることだけでしか認識していない何万もの製品があるサプライチェーンにおいてはなおさらです。需要プランナーでさえ、自社で何が販売・生産されているか正確に把握しているとは限りません。
それに戻ると、まず時系列の視点を放棄した瞬間から、企業のトランザクションデータは想像以上に多様な方法で活用できるようになるのです。しかし、その一方で、この追加情報を入手するのは非常に困難であるという事実もあります。だからこそ、むしろ多くの不確実性を受け入れるべきなのかもしれません。
従来のツールは、不確実性に対処すること自体を許容していません。従来のツールと言えば、市場の数学的最適化を提供するすべてのソルバーのことです。私が知っている既存のソルバーは全て決定論的で、不確実性を扱うことはできません。このチャンネルで、プロトタイプの確率的オプティマイザーInsightOptを確立しようとしている先駆者、Meinolf SellmannのSeekerインストゥルメントを見たばかりですが、彼は本当に唯一無二の存在で、商業的視点からこれに取り組んでいる唯一の例だと思います。
さて、今回のケースに戻りますが、私の見解では、どんな形であれ不確実性に対応するツールがなければ、不確実性を単に膨らませてそのままにするという発想自体が考えられません。しかし、もしそのようなツールがあれば、それはごく自然な対応となります。前例のない試みを行えば、不確実性は天井知らずになり、その結果、最適化ツールがそれに応じた行動を可能にしてくれるのです。
Ian Wright: ここで私たちの焦点がずれてしまっているのは、戦略的な計画と、特に実行に近づくにつれて選択肢が劇的に減少する計画との間でフォーカスの違いがあるからだと思います。私は主に戦略的計画の分野から考えています。例えば、新製品に関する追加のスコープデータが高価だと言うかもしれませんが、最適化を行う前にモデリングで活用できるさまざまな種類のデータはたくさん存在するのです。
製品やその製品を提供する市場に関連する、経済データの多くの外生的側面と人口統計データとの相関をモデル化することができます。これが、ジョアンネス、データ要素の追加について語るときの私の着眼点です。つまり、一般的に入手可能な人口統計や市場浸透に関連するデータとの相関を検討するということです。
さらにもう一つ、この分野の技術提供者や実務者として常に念頭に置くべき点は、ビジネスは最終的には財務に帰結するということです。計画において行うべき主要な要素は、状況に応じてコストおよびコストの最小化に絞り込むことです。私の考えでは、例えばサプライチェーン最適化のネットワークモデルにおいて、コストデータが十分に活用されていないのです。人々は、実際に外に出て、より具体的なコストの予測値を見出すのではなく、モデルにコストを組み込む際にコストに関する仮定を受け入れてきました。しかし、現在の技術をもってすれば、文脈の範囲をより深く理解するためにデータを取り入れるという点で、これに注目し、理解を深める絶好の機会があると思います。
Conor Doherty: ここは少し先に進める絶好のポイントです。なぜなら、すべてのデータが整ったとしても、最終的には意思決定に到達しなければならないからです。論文で触れているように、意思決定におけるトレードオフの役割も重要な要素です。モデルとすべてのデータが揃った後も、依然として多くの意思決定、しばしば選択の余地が提示されます。最適な意思決定を追求する際、トレードオフはどのように機能するのでしょうか？
Ian Wright: 一点だけ速やかに申し上げます。全てのデータを持っているわけではありません。もちろん手元にあるデータはありますが、それは常に欠陥を含んでいます。だからこそ、持っているもので作業しなければならないのです。私は本質的にシニカルなところがあるので、それはご理解いただけると思います。サプライチェーンにおける明白なトレードオフとしては、基本的には財務上の問題があります。すなわち、顧客が求めるサービスと製品を提供するためにお金を使うべきか、顧客の望む方法で製品を提供するためには費用をかけなければならないのか、その道をどこまで突き詰めるかという問題です。
たとえば、在庫と輸送費のトレードオフが基本的な例です。しかし、リスクを軽減するためにどれだけの非常事態に備えるか、通常とは異なる実行経路を確率的計画で実現するためにいくつの潜在的な運用パスを確保するかというトレードオフも存在します。つまり、追求するモデルや立てる計画の短期的な影響を見るのか、今投資しても結果が後になって現れる長期的な視点を重視するのか、ということで、しばしばこれらは財務上のトレードオフを意味するのです。
Ian Wright: 私にとってトレードオフとは、要するに「お金をしっかり確保しなければならない」ということの婉曲表現です。どうすればこれらすべてをバランスよく取れるのか、という問題です。コナー、あなたの質問に完全に答えているか分かりませんが、結局は、自分のモデルのスコープに限界があると認識しつつ、何をどこまでバランスさせて、ドル記号やユーロ記号を適切な場所に配置するかという問題に帰着します。
Conor Doherty: ありがとう、イアン。そしてジョアンネス、今度はあなたに話を振ります。基本的に、人々が明示的に最適化しようとしているのは、実はコストや財務であるという点を述べました（もし私が間違っていたら訂正してください）。しかし、サプライチェーンにおける意思決定の話になると、多くの場合、人々や企業はサービスレベルなどの要素の最適化を試みています。以前、あなたは、人々が最適化していると思っているのはコストであるが、実際にはそれは単なる数値上の副産物にすぎない、と指摘されたと思います。そこで質問ですが、サプライチェーンの伝統的な目標に焦点を当てる場合、実際にコストを最適化しているのか、それとも方向性を誤っているのか、ご意見をいただけますか？
Joannes Vermorel: 現在のサプライチェーンの主要な実践を見てみると、プレゼンテーションでは「経済的に実現可能なものに焦点を当てている」と主張していますが、実際にはそうではありません。サービスレベルや在庫回転率など、すべてがパーセンテージで示され、その数値は利益に対して緩やかにしか相関していないのです。
あなたの収益性がサービスレベルと何らかの形で相関していると仮定するのは、まさに常軌を逸した考えです。それは機能しません。非常に単純化された捉え方です。まず最初に、支配的な慣行は、人々が直感的に、「パーセンテージを最適化したい」と言っても誰も納得させられないという事実を示していることです。つまり、スライド上では「私たちはそのドルを最適化します」と示されますが、実際には彼らのソフトウェアシステムには、そのドルのモデル化と全く一致しないルールが組み込まれています。私が実際に見た中で、Lokadを除いて、厳密に非財務的、非経済的な視点に基づくものだけが存在していました。
さて、経済的な視点、すなわち実際にドルが絡む段階に入ると、最初に理解しなければならないのは、それを正確に実現するのは非常に困難だということです。確かに困難であり、ハリウッド映画などで頻繁に語られる恐ろしい事例のように、財務担当者が短期的な利得を追求するあまり、将来的にもっと重要なものを犠牲にしてしまうというエピソードが数多く存在します。
財務的な視点は悪い評判を持っています。そして実際、40年前にオペレーションズ・リサーチが主張していた視点は、非常に単純なものでした。彼らは、本当に基本的な変数、例えば「在庫コスト」「これのコスト」「あれのコスト」といったごく限られた数の変数だけで十分だと考え、ぱっと最適解がモデルから現れると信じていたのです。
Lokadではこの点に気づき、実際に大きな問題があると認識しました。すなわち、我々のスコアリング関数、つまりドルを計上する経済的スコアリング関数が、十分におおよその真実を示しているかどうかをどう把握するかという問題です。これは非常に難しい問いであり、私の一連のサプライチェーン講義で「実験的最適化」として文書化されている方法論を発見したのです。
あなたの経済モデルが正しいと判断できるのは、それが健全な意思決定を生み出すときです。不思議なことに、最終的には、正しいスコアリング指標があれば最適な意思決定が得られると考えられていました。しかし、我々のアプローチは正反対です。まず意思決定を生成し、その生成された意思決定がこの指標に基づいて極端化された後で、それが健全かどうかを確認するのです。
明らかに機能不全で、あからさまに常軌を逸した意思決定を目の当たりにすると、しばしば経済モデルに立ち返り、何かおかしい、何か見落としている部分があると気づきます。そこで我々は、ドルの扱いを見直し、最適化し、意思決定を生成し、その中の一部が常軌を逸していれば、ドルの計上方法を改訂し、という反復的なプロセスを採用しているのです。
多くの反復を経た結果、最終的に誰もが疑いを抱かなくなる状況に収束します。これを我々は「ゼロ・インサニティ原則」と呼んでいます。つまり、システムが初期状態で明らかに常軌を逸した出力を一切生み出さない設定に収束することを目指すのです。これこそが、Lokadで本番導入前に必要だと考えるポイントなのです。
しかしご覧の通り、私たちはオペレーションズ・リサーチが取っていた視点を完全に逆転させています。スコアリング関数が既定のものだとするのではなく、段階的なプロセスを通じて発見していくものだと考えるのです。これは非常に奇妙な考え方であり、少なくともフランス人にとっては、ボトムアップの思考や原則を適用して順次展開していくデカルト的な視点に大きく反するものです。むしろ、はるかに経験的なプロセスなのです。
Ian Wright: 告白しなければなりません。申し訳ありませんが、私自身のLokadに対する相対的な無知を認めざるを得ません。しかし、あなたが話される文脈における健全性の定義には非常に興味をそそられます。健全な意思決定とは、具体的に何を意味するのでしょうか？
Joannes Vermorel: Ian、私の講義シリーズで出した例をもとに説明すると、まず類推の話をしてからサプライチェーンに戻りたいと思います。一般的な問題を解こうとすると途方もなく難しいものでも、特定の事例は非常に簡単であるという種類の問題が存在するのです。
例えば、私があなたにある映画を見せ、「これはローマの剣闘士についての話だ」と伝えた上で、その映画の中で歴史的な時代背景と全く合わないもの、例えば背景に飛行機が映っているシーンを見つけ出すよう頼むとしましょう。有名な映画では、闘技場で戦っている最中に、背景の空に飛行機が飛んでいるシーンがあります。
もし、映画の中で時代や時期を反映していない、すべての間違いを指摘する一般的なアルゴリズムを求められたならば、それは全くもって途方もなく困難な課題となるでしょう。発明されなかった全ての事象、用語、ムード、態度、思考の様式を網羅した百科事典が必要になるような、実に複雑な問題です。しかし実際には、インターンにテープを見させれば、「あ、ここに飛行機がある。これはダメだ」と教えてくれるのです。すべての問題点のリストを提供することはできませんが、この一部分の常軌を逸した点は見抜けるのです。
サプライチェーンシステムもまた同様です。何が常軌を逸しているかを厳密に定義する一般的なルールを提示するのは非常に難しいのです。これは一般知能の問題であり、単純なアルゴリズムに凝縮できるものではありません。しかし、実際のところ、人々はそうした問題を見抜く能力に長けています。
一例を挙げると、過去のデータに在庫切れが連続しており、その影響が適切に反映されなかったため、将来需要の見積もりが一気にゼロになってしまうのです。つまり、在庫切れのために販売がなされず、モデルが愚かにもゼロを予測してしまう。そして、結果として、ゼロの補充が最適な方針とされてしまうのです。「目標在庫水準は何ですか？需要がほとんど観測されなかったので、ゼロにしておこう」というわけです。
そのことを考えると、確かに私の予測は100%正確になるはずです。なぜなら、ゼロを予測し、ゼロを補充して、すべてが順調だからです。しかし、実際はそうではありません。この問題は「在庫凍結」と呼ばれるものです。これが一例の常軌を逸した状況であり、意思決定を観察すれば、ありえないほど高いまたは低い数値、または全く理にかなわない判断といった、機能不全の事例が数多く存在するのです。
Lokadでの歴史的な事例として、最初の航空宇宙クライアントの一つの場合、在庫補充を検討し、部品の購入を提案しました。しかし、クライアントからは「いや、その部品は購入しません。それらの部品はボーイング747に使用されるものですが、10年後にはヨーロッパ上空を飛ぶボーイング747は存在しなくなるでしょう。これらの部品の寿命は四十年ですが、今購入しても実際には10年しか使われず、その後は航空機が姿を消すことになる」と返答されました。
これは、部品の有用性が、その部品が供給される航空機の寿命を超えることはありえないという事実を見落としていた、明白な例です。このように、業界によっては現実が次々と、常軌を逸した事例として目の前に突き付けられるのです。一般的なルールやアルゴリズムで検出する方法を示すことはできなくとも、実際には人々がそれらを見抜くため、非常にうまく機能するのです。
Ian Wright: 奇妙なことに、我々は今、猛烈なまでに同じ見解に至っています。これから議論すべき事柄があると私は認識しています。私のキャリアにおいて、あらゆる技術に携わり、それを被害を受けた企業に導入してきた結果、常に肝に銘じてきたのは、人間を排除することはできないということです。技術の導入や活用の過程で、人間の役割を考慮し、利用しなければならないのです。
なぜなら、現時点、そして私の近い将来においても、不条理なものや常軌を逸しているものを認識する、といった人間の側面を代替できる技術は存在しないからです。現状、そのような技術はまだ存在していません。実現する唯一の方法は、何らかの形で人間の側面をプロセスに組み込むことであり、今日においてはそれは実現不可能なのです。
Joannes Vermorel: はい、同感です。あなたのコメントに対して、私が回答したい観点が二つあります。まず第一に、狂気じみた意思決定は、事後になって初めてその狂気性が明らかになる場合があるということです。何か予期せぬことが起こり、それが悪かったと気づくためには失敗が必要です。しかし、人間以上に、外部からの情報が必要なのです。現実世界からのフィードバックを得なければならず、これは高度な知能の問題とも言えます。たとえ人間と同等の人工知能があったとしても、限界は存在します。ある意味、世界を理解する唯一の方法は、実験する余地を自らに与えることなのです。これが第一の観点です。
第二の観点は、人間の役割に関するものです。私の同僚たちがシステムを設計する際には、人間を補助プロセッサとして利用しています。あなたのシステムは、意思決定、数値、資源の配分などを生成します。そして、その後に常軌を逸した出力が出現し、それを修正するために大量の事務職員が手作業で介入することを期待するのです。一般的に、アラートや例外を持つシステムは、まさにそのような仕組みになっています。つまり、アラートや例外とは、システムが処理できなかった部分を人間の補助プロセッサが処理するための表現にすぎないのです。
しかし、そこに問題があるのは、人件費が非常に高いという点です。これがそのコストであり、私の見解では、彼らの時間の無駄遣いになるのです。なぜなら、同じアラートや例外という無意味な作業を、人間の補助プロセッサが永遠に繰り返すことになるからです。
だからこそ、Lokadでは全く異なるアプローチを取っています。つまり、アラートや例外といった無意味な事象が検出された場合、Lokadのサプライチェーン科学者が必ず介入し、予測的最適化を実施している実装を調整して、その問題が再発しないように修正するのです。例外は認めません。対処されたすべての無意味な事象は、実際に無意味なものなのか、あるいは非常に巧妙な最適化なのかを評価されます。もし本当に無意味なものであれば、最適化ロジック自体を修正すべきです。同じ従業員が翌日また同じ問題を報告するのは望ましくありません。
Ian Wright: 私は依然として同じ見解にいると思います。戦略的かつ戦術的な観点から物事を見ており、ビッグブラザーのような人々がコンピュータ画面の前で物事を修正する部屋を探し回るのではなく、戦略的または戦術的な意味でのオペレーションの展開に必要なこと、すなわち進む方向性や推進する解決策の健全性を維持するために、経験豊かな利害関係者を巻き込むことが必要だと考えています。
Joannes、あなたが議論の枠組みとして示される全体像ですが、あなたが開発中または開発済みの技術、そしてAI能力向上への一般的なシフトに伴い、イベント管理の文脈においてシステムが自己修正する能力は、今後ますます実現可能になるでしょう。我々は高額な人間オペレーターの部屋から脱却する方向に向かうはずですが、現状ではまだその段階ではないため、当時ある能力の制約内で作業しなければならないのです。
Conor Doherty: 失礼ながら申し上げますが、Ian、あなたは戦略的な意味での人間の役割についてコメントされているように聞こえ、一方でJoannes、あなたは日常的な意思決定についてコメントされているように感じます。これらは互いに重ならない領域なのでしょうか？
Joannes Vermorel: それは、私の視点が、少し奇妙かもしれませんが、もし戦略的検討の領域に踏み込むのであれば、サプライチェーンの運用においては、適切な意思決定を生み出す仕組みをいかに設計するかに重点を置くべきだという考えに基づいているからです。人々は戦略的意思決定、戦術的意思決定などと区別して考えますが、私の見解では、意思決定には反復可能なものとそうでないものが存在します。あるものは毎日、あるものは毎時、あるものは毎月、またあるものは年に一度行われます。機械化の観点では、繰り返し発生するものは全て機械化すべきであり、その他のものは完全にアドホックな方法で対処すれば良いのです。
このアプローチを考えると、戦略とは特定のレベルで何かを決定し、その後に組織の他の層が各自の役割を果たすというよりも、むしろ会社のエンジニアリング文化から、機械化された意思決定プロセスが生まれ、これが実際に利益率の向上に貢献するような行動をどのように取るかという戦略的ビジョンに他なりません。これは戦略について全く異なる考え方です。
Ian Wright: 完全に同意します。私がよく例えるのは、建物のコンセプトを設計する建築家の役割であり、その後、その設計がどのように組み立てられるかを決定するエンジニアに引き渡され、最終的に実際に組み立てる建設部門、そしてその建物で働き維持管理する人々へと移るというプロセスです。どの段階においても、建築家は、エンジニアリングや建設、維持管理が不可能なものを設計してはならないということです。これが、我々が関与しているプロセスの高次元な類推なのです。
しかしサプライチェーンにおいては、状況が少し異なります。なぜなら、今日戦略を立てても、来年も同じ戦略プロセスを繰り返さなければならないからです。サプライチェーンの問題点は、それが動的で適応的であるという点にあります。変化する世界とそのニーズに対応するため、戦略プロセスを繰り返し実行しなければならず、その際には実現可能で実用的な、運用可能な解決策を実施できる方法で行う必要があるのです。
Joannes Vermorel: 少し視点を提供すると、2020年と2021年のロックダウン期間中、私たちは十数社以上のクライアントを担当し、そのホワイトカラー労働者が14ヶ月間業務から離脱したケースがありました。Lokadは、ブルーカラーの労働者が活動を続ける企業に対して、すべてのサプライチェーンの意思決定を単独で実施していたのです。ホワイトカラー労働者は政府指定の休日として補助金付きで休暇を取り、報酬は支払われましたが、ヨーロッパ政府は在宅勤務を禁じる措置も取っており、その結果、実質的に彼らは全員休暇状態にあったのです。
私たちは、十数社のクライアント向けに、合計で10億ユーロ以上の在庫を14ヶ月間完全に運用するという実績を持っています。これは、総計で1,000人以上の従業員に相当する規模です。そして、この事実は、一見戦略的とされるサプライチェーンプロセスが果たして何をもたらしているのか、という疑問を強く投げかけるものなのです。
ほとんどのS&OPミーティングを見ると、各部門の購買予算の割り当てについて長時間の議論が交わされます。そのすべてが一つの数式で代替できるのです。もし、その数式が非常識な結果を出すために意見が分かれたら、その数式を修正すればよい。ただし、12人の取締役やすべての経費を集めてこの予算計算に至る必要はありません。自動化できるのです。
戦略の観点からすれば、問題は「この数式に組み込まれるエンジニアリングが、企業の利益に合致する方法で行われているかどうかを、いかにして確保するか」ということになります。これは非常に興味深い問題であり、戦略的に考えたい経営陣の関心を引くはずです。いくつかの決定をピックアップして「それに関与する」と宣言する考え方は、実際には大きな付加価値を生み出していません。
多くの企業では、いわゆる戦略的なミーティングで多くの時間が無駄にされています。確かに、そこでは決定は下されるものの、生産性は実に絶望的です。以前、S&OPについて議論していたゲストが、通常は1時間あたり約4件の決定で終わってしまうと話していたのを覚えています。
Conor Doherty: それはEric Wilsonが、S&OPプロセスにおいて言ったことです。
Joannes Vermorel: はい、そして私はこう考えていました。つまり、私たちは何十万もの決定を下さなければならず、しかし1時間あたり4件というペースなのです。このような状況では、オペレーションが常に計画をはるかに上回って進んでしまうのは明らかです。
決定を下す頃にはそれらは完全に時代遅れとなり、人々はその決定を待つ間に別のことを始めてしまいます。結果的に、まるで仮面舞踏会のような状況になり、人々はすでに2年前に起こった事柄に対して戦略的な決定を下しているのです。
Conor Doherty: それは興味深いですね。次の展開の前置きですが、以前の論文でより分散型のサプライチェーン意思決定について触れ、Walmartの例を挙げていましたよね。
あなたの方が私よりも上手に説明できます。
Ian Wright: これを効果的に行うというのは、意思決定を分散化するということですが、その分散化と意思決定は、適切かつ効果的に設計されたコンテキスト内で行われるべきです。そうすることで、企業の中核戦略から大きく逸脱することがなくなります。まるで戦略からオペレーションへと降りていくエスカレーターのようです。
この場合、私が言うところのより戦術的な意思決定の分散化について話していることになります。しかし、すべてはJoannesに帰着します。私は全くあなたに反対しません。ここで述べているのは、組織内でsilosとして働くだけではなく、計画や機能もサイロ化しているということです。サプライチェーン担当者は戦略的なサプライチェーン計画を立て、その後、輸送計画、次に倉庫計画を考えるのです。
これらすべての計画は相互依存しているにもかかわらず、残念ながらしばしば独立して実行されます。ネットワーク計画、輸送計画、在庫計画をオペレーティングモデルに組み込まなければ、最適な戦略的サプライチェーンソリューションを考案することはできません。
Lokadがオフィス内にホワイトカラーの人材を置かずに運営している状況は、適切なオペレーティングモデルを持つことで、レジリエンスがあっても、6か月前に立てた計画から大きく逸脱することなく業務を維持できるという好例です。適切な人材、正しいプロセスが構築され、実行を支援する技術やプログラムも整っているのです。
私は、最適性そのものを正確に実現するという考えよりも、最適な計画を実行し、可能な限り厳密に維持することの方が重要だと考えています。最適な計画が存在しても、それを実行し、維持する能力が必要です。そのオペレーティングモデルがなければ、従来の人、プロセス、技術を超えたところで必要とされるのです。これこそが戦略的な企業計画であり、サプライチェーンに関連するその他すべての戦略計画は、その文脈内で機能しなければなりません。もし、持っているオペレーティングモデルと立てた計画が一致しなければ、それは大惨事へのレシピとなるでしょう。
Conor Doherty: Ianさん、引用してまとめるならば、以前「人間を排除できない」とおっしゃっていましたね。では、Joannes、Ianさんが話している戦略的な意思決定において、特に人間を排除することはできないという点にあなたも同意しますか？それは、日常業務の自動化された枠組みにすでに組み込まれているものなのでしょうか？
Joannes Vermorel: 人工汎用知能の有無については、私たちは持っていません。確かにその方向へ近づいてはいますが、それはほんの兆しに過ぎません。LLMは汎用知能の火花を示すことがありますが、あくまで火花に過ぎません。したがって、現時点のLokadでは、人間の思考を不要にするほど洗練されたソフトウェアを持っているとは全く主張できません。実際、私たちの実践の核心には、数値レシピをコーディングするエンジニア、いわゆるサプライチェーンサイエンティストが存在しています。これは、まだ機械に委ねることのできない非常に人間的な作業なのです。
アルゴリズムはオートコンプリートなどでコードをより速く記述するのに役立つかもしれませんが、本質的な問題は、人間の知性が単なるパターンマッチングや機械化可能なものではなく、「汎用知能」としての価値を真に提供しているかどうかという点です。
私の反論としては、特にサプライチェーンを運営する多くの企業が、保有するホワイトカラー人材を十分に活用できていないという点があります。彼らは依然として、大量の企業事務員がプロセスをこなすという考え方に囚われ、プロセスの遵守を目的としているのです。
多くのサプライチェーン運営企業は、ホワイトカラーの大半をあたかもブルーカラーと同じように扱っています。あるプロセスがあり、そのプロセスに従うことが卓越性と定義されているのです。
ブルーカラーの場合、それは明快であり、求められる姿ですが、ホワイトカラーの場合は、情報が現実世界の物事に比べて何桁も機械化しやすいという点で非常に奇妙になってしまいます。
実際の物理的な作業、例えば、すべての状況下で溶接できるロボットを作り出すとなれば、それは非常に困難です。手を動かす、道具を持つ、重いものを支える、埃や汚染物質のある環境下で動作する、といった、人間が数ヶ月の訓練でこなせる作業を実現するには、極めて先進的なロボット技術が必要になるのです。
しかし、情報の世界においては、理論上、そうした制約はそれほど厳しくありません。問題なくギガバイト単位のデータを移動でき、ホワイトカラーの業務に従事する人々はすでにコンピューターシステムで仕事をしているため、受け取る情報も生成する情報もすべてコンピューターに入力されています。つまり、すでに完全にデジタルな枠組みが整っているのです。
言いたいのは、多くの企業がホワイトカラー労働者をあたかもコプロセッサーのように扱っているということです。彼らは、現有のソフトウェアでコンピューターのプロセッサーがこなすべき処理を実行しており、その間を人が埋めている。しかし、本当にその人々の知性を活用しているでしょうか？私の主張は「いいえ」です。もし戦略的に重要な問題であれば、ホワイトカラーの全員が、汎用知能でしか提供できない価値を発揮する分野に貢献すべきです。もし、汎用知能が必要ないのであれば、それは機械化されるべきなのです。
Ian Wright: 同意します。あなたの機械的アプローチへの注目こそが、自動化と人間が必要とされる理由を定義しているのです。人間が実際に価値を生み出す瞬間は、Joannesが仰るように、恐らく適切に展開されていない直感的な領域にあります。たとえば、飛行機が10年後には陳腐化すると考えるなら、なぜそれを行うのでしょうか？それは機械的に構築できるものではありません。
人間が必要とされるのは、イベント管理やサプライチェーンの運用管理のように、問題や状況に対して有機的なインプットを提供すべき場面です。診断メカニズムは比較的容易に構築できますが、フィードバックループを活用して、機械的な枠組みの中で積極的な解決策を生み出すことは、まだ大いに取り組む余地がある分野です。これは、より多様なデータ源から情報を集積して、積極的な機械的運用管理に組み込むことを含みます。しかし、直感的な側面には敵いません。人間が問題を見極めたり、さらに重要なのは問題を予見したりする際に持ち込む、新たな側面があるのです。
Joannes Vermorel: 全く同感です。ここで私は時系列の視点に問題があると考えています。今日のサプライチェーンの主流の実践は、すべて時系列に依拠しています。しかし、非常に優れた企業を見ると、彼らはAmazonのように、得られたフィードバックを用いて非常に賢明に対応策を講じています。Amazonは、顧客からのフィードバックを巧みに活用し、サプライチェーンや物流の課題のほとんどを体系的に解決しているのです。
たとえば、配達員が常に荷物紛失で指摘される場合、Amazonはその業者の使用を中止し、別の業者に切り替えます。もしベンダーが問題を引き起こせば、そのベンダーを締め出します。彼らは収集したフィードバックデータを合理的に活用しており、どのようなフィードバックを収集すべきかを想像するために人間が必要であり、また、いつベンダーを締め出すか、物流業者に通知するかを決定するための数値レシピを作成するエンジニアが必要なのです。
彼らは、ある輸送業者が特定の条件下では信頼できるが、他の条件ではそうではないといった、賢明な最適化を実施している可能性が高いです。これは、需要に関する時系列だけではなく、何が関連するデータであるかというビジョンを必要とします。また、単なる火消しではなく、問題に対して根本的な解決策を提供するエンジニアリングマインドセットが求められます。多くの企業は一つの緊急事態から次の緊急事態へと移行し、リソースを消費して改善を妨げています。一方、Amazonは遭遇するすべての状況に対して、問題のカテゴリーを排除し、次へと進むための根本的な解決策をエンジニアリングしているのです。
Ian Wright: 残念ながら、それは財政の問題に戻ってきます。もしあなたがほのめかすような思考プロセスを実行するための豊富な資金を持っているならそれも一つですが、ほとんどのサプライチェーンマネージャーは、そのような方法で問題に対処するだけの十分な資金を持つ環境で働いているわけではありません。彼らは常に後追い状態にあり、火消しに追われ、悪循環に陥っているのです。
実務者として戦略プロジェクトに取り組む機会があれば、まずモデルを優先すべきではありません。現在のサプライチェーンマネージャーの世界を理解し、その上で自分がAmazonだと考え、彼らが後手に回らずに機能するためにはどうすべきかを考案するのです。残念ながら、ほとんどのサプライチェーンマネージャーは、日々の業務と同じ手法で戦略プロジェクトに取り組み、それがまた別の火消しに過ぎなくなっています。双方とも適切にアプローチしていないのですが、役割について異なる視点を持てば、別のアプローチが可能になるはずです。
Conor Doherty: 皆さん、お時間も限られているので、Ianさんに戻って実践的な最適化について伺いたいと思います。結論に向かうために、人々が最適化を追求する際に取るべき実践的なステップは何でしょうか？
Ian Wright: 改めて申し上げますが、私は製品を顧客の手に届ける現場の担当者ではなく、戦略的側面からこの問題に取り組んでいます。最適性を考える際には、その実行が実際にどのように行われるかという視点を持つ必要があります。今日の企業運営に合致した、実行可能な解決策を提示することに注力してください。
能力と自由があるのであれば、実際に最適に実行できる文脈で最適性を達成する解決策を考案してください。利害関係者、スポンサー、そして企業の真の目的―表面上や口先だけでなく―を理解してください。彼らが耳を傾ける範囲で、そのような解決策を生み出すよう努め、常にモデルだけでなく人間と共に働くことを確実にしてください。
Conor Doherty: ありがとうございました。Joannes、何か付け加えることはありますか？
Joannes Vermorel: いいえ、良い点を突いていると思います。ソフトウェアベンダーの観点から申し上げるならば、最適性に関してはsoftware vendorsを過信しすぎないことです。もちろん、我々を除いてはですが。特に、記録システムや報告システムのように、意思決定に関与せず、結果として最適化にも全く関わらないソフトウェアの種類があることを考慮してください。
記録システム（ERP、CRM、WMSなど）や報告システム（business intelligenceなど）は、しばしば最適化された意思決定をもたらすと謳われます。しかし、設計上、これらのソフトウェアは問題にそもそも手を付けず、そもそも最適化を行うものではありません。つまり、次のERPアップグレードで最適性への道を探そうとしてはならないというのが私のメッセージです。ERPは定義上、記録システムであり、意思決定に関与せず、その意思決定がどのような形で最適であるかにも全く関心を持たないのです。
Conor Doherty: その、とても素晴らしい短い記事―いや、短い記事という意味ですが―を確実に取り上げます。そこでは、記録システム、報告システム、そしてインテリジェンスシステムについて語られていました。しかし、ここではゲストに最後の一言を任せるのが通例です。ですので、他に何か言いたいことや触れなかったことがあれば、どうぞ途切れずに締めくくってください。
Ian Wright: ええ、その点が気に入っています。ソフトウェアベンダーからは、ソフトウェアベンダーを信頼するなということです。40年以上もの間、技術に対するハイプ（過剰宣伝）を目の当たりにしてきた中で、これが常に気になっていたことの一つです。サプライチェーンという全体の概念におけるハイプは長い間、一種のハイプだと思っていました。そして、実際にこの件について書いたこともあります、Conorさん。当然驚かれることではないでしょう。しかし、私たちがすべきことは、ハイプをかいくぐり、細部にわたる問題に取り組み、本当に機能するもの、すなわち「現実」を理解する方法を学ぶことなのだと思います。これが鍵です―本物であることが。
Conor Doherty: この辺で、これ以上質問はありません。Joannes、貴重なお時間をありがとうございました。Ian、参加していただき誠にありがとうございました。
イアン・ライト: 皆さん、ありがとうございます。お招きいただき光栄ですし、Lokadについてもっと学び、私が正気かどうかを見極めるのをとても楽しみにしています。それが肝心です。
ヨアネス・ヴェルモレル: ええ、そのうちのひとつです。診断をお送りします。
コナー・ドハティ: ありがとうございます。そしてご視聴いただきありがとうございます。次回お会いしましょう。
