概要
サプライチェーンにおいて、企業の data science がしばしば十分な成果を上げられず、迅速に改善する方法を探る、フォーカスされたセッションです。本セッションでは、データサイエンスチームの本来の目的、効果的な活用法、そして今日からその影響力を高める方法について探求します.
全文書き起こし
Conor Doherty: これは Supply Chain Breakdown です。そして本日は、なぜ私たちが企業のデータサイエンスが失敗したと考えるのか、その理由を分解していきます.
ここではまた、Lokad における物議を醸さない見解を示します。私の名前は Conor です。こちらでコミュニケーションディレクターを務めています.
そして左側にはいつものように、Lokad の創設者である Joannes Vermorel がいます。さて、議論に入る前に、下のコメント欄で教えてください：私たちの見解にすぐに反対しますか？企業のデータサイエンスは全体として失敗しているのでしょうか？
議論の過程でわかるでしょう。ご質問やコメントをお寄せください。本日は Alexey がライブチャットを担当しています―Alexey に挨拶をしてあげてください.
それでは、Joannes、早速入りましょう。まず最初に言いたいのは、企業の―すみません―データサイエンスが失敗しているということです。これは挑発的な主張です。非常にブランドイメージに沿っていますが、これは誇張ではないでしょうか？
Joannes Vermorel: 私個人の見解としては、そうではありません。これまでに約200社（サプライチェーンおよびデータ活用の現状について）と議論する機会がありましたが、そのほとんどがデータサイエンスにおいて一回も大きな成功を収めていないと言えるでしょう.
より具体的に言えば、ここで言及しているのは非テック企業のことであり、Microsoft や Amazon のような大手テック企業は除外しています。つまり、相当規模のサプライチェーンを運営する非テック企業のことです。そして「データサイエンスが失敗した」と言うとき、それは「データサイエンスチーム」という名称で組織された企業内のチームを指しています.
このチームは、企業の収益性に真に貢献する何かを提供しているのでしょうか？そのリトマス試験は、もしその企業が一晩でこのチームを解散した場合、収益性が大きく損なわれるでしょうか―極端な例では、破産にまで至るでしょうか？
もしデータサイエンスが本当に大きな価値を提供していたのであれば、そのチームをなくすことは企業に深刻な影響を与えるはずです。しかし、私の見解では、私が見てきたほとんど全ての企業において、データサイエンスチームを解散してもごく僅かな不便さしか生じないという結論に至ります.
Conor Doherty: では、あなたが考える問題点を具体的に定義してください。データサイエンス部門とはどのようなものだとお考えですか？彼らが失敗していると考える役割―任務―は何だと思われますか？
Joannes Vermorel: それが問題なのです。データサイエンスは目的ではなく、手段に過ぎません。例えば、19世紀末の革新的な発明であった電気を例に取ると、電気は素晴らしく、様々なことに利用できます。電気は次の世紀を定義する発明でした.
今や「電気部門」を創設する企業を想像してみてください。電気自体が悪いのではなく、電気部門というものが問題だということがわかります。これがデータサイエンスに関する私の主張です.
コンピュータサイエンスの一分野としてのデータサイエンスが失敗したと言っているのではありません。データを扱うためのモデル、技術、視点を用いて驚くべき成果が上げられており、これはロケットのようなもので、GenAI はその最新の進化形に過ぎません.
しかし、もしデータサイエンス部門を導入すると、それはまるで企業内に電気部門を持つのと同じような無意味な結果に終わってしまいます。これはあくまで手段であって目的ではありません。電気そのものを求めるのではなく、電気で何ができるかを求めるのです―そしてそれは非常に広範に拡散されるでしょう.
工場と金融では全く異なる意味を持つでしょう。工場の担当者は「電気は素晴らしい。重いものを動かすためのエンジンを稼働させられる」と言う一方、金融担当者は「もし非常に高性能なコンピュータ―例えば IBM ―があれば、我々のために計算ができるかもしれない」と言うでしょう。同じ電気であっても、その意味は全く異なります.
データサイエンスも同様です。企業のデータサイエンスが失敗するのは、それを独立した部門として切り離すと、真にインパクトのある成果を生み出すことができない存在になってしまうからです―なぜなら、彼らはそのための明確な任務を与えられていないからです。彼らはすでに使命を持っている部門の内部にいないのです.
彼らは金融部門にもマーケティング部門にも属していません。そして、うまく機能する例は、人々がすでに明確な任務を持つ既存の部門内で活動している場合に限られます.
Conor Doherty: これを捉える方法は二通りあります。ネガティブな側面とポジティブな側面です。まず、具体的に何が問題なのかから始めましょう。現在、データサイエンスチームはどのように配置されているとお考えで、それはなぜ問題だと思われますか？
Joannes Vermorel: 典型的なパターンとしては、トップマネジメントが報道からデータサイエンスが注目されているのを見て、非常に興奮して「AI を導入しよう！」と言うのです。取締役会も集まって「この機会を逃してはいけない。これが必要だ」と言います.
彼らは非常に頭脳明晰で技術に精通した人材を多数採用し、その人たちは「あの輝くオープンソースプロジェクト： pandas、PyTorch などを見てください」と言います。そうした魅力的なおもちゃのようなツールを導入しましょう。これらは非常に高品質で、洗練されたものをもたらしてくれます.
これらのツールは、大手テック企業が大成功を収める上で重要な役割を果たしてきました。そこで人々は「我々は必要な要素すべてを揃えている。素晴らしいオープンソースプロジェクトと優秀な人材がある。大手テックを模倣しよう」と考えます。しかし、その結果はうまくいかないのです.
人々は何かを作り上げます。典型的なパターンは、わずか数週間で非常に洗練され、有望なプロトタイプを作り、三週間後には「バン！」と印象的なプロトタイプが誕生します。しかし一年後には、いまだに本番環境には導入されておらず、五年経ってもこの部門からは本格的なプロダクション化されたもの、ましてや画期的な変化が見られません.
確かに、あちらこちらで少しはデータ駆動の取り組みが見られるかもしれませんが、フランス語で言えば「第五車軸」のようなもので、本質的に重要なものではありません.
Conor Doherty: 『プロダクション』について触れられましたが、パイロット段階での停滞（pilot purgatory）に戻りたいと思います。しかし、同時に目的、ゴール、方向性、機能といった言葉も出ました。つまり改めて、データサイエンスチームの目標とは何だとお考えですか―もし存在するのであれば、なぜ存在するのでしょうか？
Joannes Vermorel: それが問題なのです――それは、まるであなたの会社に「電気部門」が存在するのと同じ理由で存在しているのです。そのように捉えると問題が明らかになります。つまり、それは手段であって目的ではないため、響きが不自然に感じられるのです―たとえあなたが電力供給者であったとしても.
例えば、フランスの国営電力会社 EDF でさえ、「電気部門」というものを持っていません。彼らのビジネスは全て電気そのものです。あなたが達成したいことを考える必要があります。例えば、マーケティング部門が「Google Ads の支出を最適化したい」と言えば、Google Ads の支出最適化を行うべきです.
彼らは「データサイエンス」を行うのではなく、その最適化を行っています。結果として、多くのデータが関与していることがわかります。運用面に目を向けると、それはもはやデータサイエンスと呼ばれることはなくなります。だからこそ企業のデータサイエンスは失敗していると言えるのです。なぜなら、いまだに「データサイエンス」と呼ばれるチームを見るたびに、それは方向性を見失った人々を反映しており、目的がなく―通常、本番環境で意義ある成果が生み出されていないからです.
いくつかの小さなウィジェットをここそこに持っているかもしれませんが、十数年経っていて、大手テック以外の企業を見る限り、そのチームが企業の運命を握っているのを見たことはありません。せいぜい、それは極めて二次的なものです.
Conor Doherty: あなたはテック企業の監査も行い、また大手ではない小規模な企業の現場も経験しているはずです。成功しているデータサイエンスチームを目にしたこともあるでしょう。では、優れているチームと全体的に失敗している企業のデータサイエンスとの違いは何でしょうか？
Joannes Vermorel: 私は100社以上のスタートアップの監査を行ってきました。不正検知を行う企業を監査する場合は、全く異なる状況です.
当然ながら、それが目標です。不正を検知することです。そして、不正の種類を分類し、例えば、いわゆる「豚解体詐欺」に対処するために、特定のヒューリスティクスやアルゴリズムを用いて検知・対処し、関係当局に効果的に報告するチームが存在するかもしれません.
そのようなテック企業におけるデータサイエンスは、まさに存在意義となっているため機能します。まず解決すべき問題―例えば不正検知、あるいは機械工学における異常検知―から始め、問題に対処するために、やがて高度なツールが導入されるのです.
初めから「この優れたオープンソースパッケージがある。これを使おう」ということはしません。大きな、十分に対処されていない問題に取り組むことから始めます。簡単な解決策が失敗することを確認した後で、より強力な手段を講じて問題を解決するのです.
しばしば、利用可能なすべてのものが不十分であるために、その問題が未解決であることに気づきます。Open source は素晴らしいですが、彼らの特定の問題には適していません。そこで彼ら自身で技術的な解決策を開発し、その副産物として、彼らの解決策の一部であるオープンソースコンポーネントを公開するのです.
大手テック企業が壮大な問題に取り組むのと全く同じで、その後、自社の解決策の一部をオープンソース化するのです。例えば、Facebook 発の Airflow は、大規模な分散タスクスケジューリングシステムであり、内部で開発されたものですが、やがてはより大きな解決策の一部としてオープンソース化されました.
通常、これがそうした技術の進化の過程です。問題なのは、たとえあなたの取り組みが全く異なっていても、そうした部品を単に取り出して大企業で再利用できると考えることです。これらの技術部品は優れているものの、特定の過程から生まれたものです.
多くの場合、Meta のような大手テック企業とは本質的に異なる問題を抱える大企業には適さないでしょう。地球上の大多数の企業は、Meta の問題とは全く関係がありません.
Conor Doherty: Lokad のコンテンツに精通している人なら、企業での予算の使い方についてしばしば異論があることをご存知でしょう。単なる無駄遣いを超えて、データサイエンスに対する資金の使われ方には、特有の有害な側面があるのでしょうか？
Joannes Vermorel: いいえ―再び、結果が伴わないのです。データサイエンスチームが極めて孤立しているという固定観念のおかげで、二次的な影響はほとんどありません。彼らは会社の他の部分を汚染することなく、その被害は主にチームに浪費された資金に限定されるのです.
彼らは非常に孤立しているため、トップマネジメントの帯域をほとんど消費せず、年に1、2回の会議程度で済むのです。良い点としては、問題が限定されている―それはその範囲内に留まる無駄遣いであるということです.
Conor Doherty: 彼らは非常に孤立している―どういう意味ですか？
Joannes Vermorel: その他にも、皆を忙しくさせる美徳アピールの流行など、経営陣全体の精神的な帯域を圧迫する現象を想像できるでしょう。そうしたものは非常に有害です。しかし、データサイエンスはそのようなものではありません。それは非常に孤立しており、トップマネジメントにとって認知的負荷ではないのです.
私にとって、これは長い伝統です。時代とともに流行語が変わっても繰り返されます。25年前はキーワードが「データマイニング」でした。企業はデータマイニングチームを作りました。その後、「デジタライゼーション」チーム、「イノベーション」チーム、そして現在は「データサイエンス」チーム―そしてすぐに「ジェネレーティブAI」チームも現れるでしょう.
もし、手段（例えば「電気」）の名前で企業内のチームが構成され、目的（例えば「不正検知」）ではない場合、それは間違っています。手段を名前とするチームがあってはならず、目的に基づいて名前を付けるべきです.
名前には重要な意味があります。それは人々がどのように仕事に取り組むか、どのような人材を採用するか、そして彼らがどのようにロードマップを作成するかを決定します。もし「データサイエンス」チームであれば、当然ながらデータサイエンスのロードマップを作成するでしょう。「不正検知チーム」と名付ければ、ロードマップは「どのようにして不正を排除するか」というものになるのです.
実は、Lokad では10年前に「データサイエンティスト」の採用をやめました。現在は「サプライチェーンサイエンティスト」を採用しています。これは一見些細な違いに聞こえるかもしれませんが、採用時に候補者に対して、加入すればクライアントのサプライチェーンを可能な限り円滑に運営することがあなたの使命であると伝えているのです.
最高のツールとトレーニングを提供しますので、一人で解決する必要はありません。しかし最終的には、基本的な計算といくつかのヒューリスティクスで解決できるなら、それは素晴らしいことです。我々は派手なアルゴリズムについて論文を書くためにいるのではありません。もし、非常にシンプルなヒューリスティックな方法で問題が解決できるなら、素晴らしいですし、メンテナンスも容易になります.
対照的に、以前「データサイエンティスト」を採用していた頃は、人々が「こんな単純な方法では解決できない。それは最先端ではない。履歴書に ディープ-ラーニング が必要だ」と反論したものです。しかし我々にとっては、違います。もしディープラーニングよりもはるかにシンプルな方法で解決できるのであれば、ディープラーニングは必要ありません.
Conor Doherty: 先に進む前に申し上げますが、我々はサプライチェーンサイエンティストを採用しています。興味のある方は、ぜひ履歴書を当社の採用担当者までお送りください.
補足として、Gartner のような情報源によると、デジタル施策のうち目標を達成または上回るものはわずか48%であり、複数の調査では AI/ML プロジェクトが本番前で停滞していることが示されています。明らかに「パイロット段階での停滞」が存在します。一変量の問題だと言うわけではありませんが、この多変量の問題の中で、データサイエンス部門にどれほどの重みを置いているのでしょうか？
Joannes Vermorel: それは非常に圧倒的です。通常、記録システムの導入など、デジタル化のための施策を実施すると、それはうまく機能します。例えば、スプレッドシートやメールで管理されていた経費を、経費管理システムに移行します。六ヶ月後にはアプリと運用が整い、うまく機能するのです.
記録システムは事実上リスクゼロの取り組みです―とはいえ、時にはベンダーが非常に悪い場合もあります。対照的に、インテリジェンスシステムの分野では、事実上ほとんど全てが失敗します。もしそれがデータサイエンスチームに起因するものであれば、私の経験上、常に失敗するのです.
Lokad では、Lokad がサプライチェーンの意思決定を行う一方で、我々が参入する数年前から存在していた内部のデータサイエンスチームが横並びで稼働しているクライアントも存在しました。彼らは未使用のまま成果物を生み出し続け、ただ無視されているだけです。企業の複雑性がその存在を維持させています.
データサイエンスは非常に有用です―電気のように。データが存在するあらゆる場所で役立つ多目的なツールであり、今日ではそれはどこにでも存在しています。興味に値するでしょうか？もちろんです。しかし、それ自体のチームを持つほどの事柄ではありません。マーケティング、金融、生産、購買、計画など、データが存在するすべてのチームに組み込まれるべきです.
Conor Doherty: 建設的な意見をお聞かせください。あなたの話からすると、各チームのメンバーがデータサイエンスのスキルアップを図るべきだと示唆しているのか、それとも各チームにデータサイエンスの担当者が配置されるべきなのか、あるいは中央のチームがチケット制でメンバーを貸し出すべきなのか、あなたはどのような世界を提案しているのでしょうか？
Joannes Vermorel: 企業のあらゆる機能において、各機能が行っていることをより良く、かつ迅速に実行するために、データを活用する潜在力があるのです。サプライチェーンより単純な例として、Google広告へのマーケティング支出を考えてみてください.
Google広告は複雑です。数千のキーワードに対してさまざまな入札額を提示でき、パフォーマンス、クリック単価、成果単価を追跡します。非常に技術的なものです。この能力は、真の専門家を社内に抱えて構築するか、最適化を行う代理店に完全にアウトソースすることで確立できます.
どちらのアプローチも、内部または外部のどこかに真の能力が存在する限り有効です。データサイエンスの傘下にあるすべての領域に真に親和性のある人材が必要です。深い理解を省略することはできませんが、それは最適化している機能の視点から見るべきです.
Conor Doherty: 個人的にいただいた質問ですが—ジョアンヌに対する反論として—もし分析が依然として会議やレポートに情報を提供しているのなら、「失敗」というのは厳しすぎるのでは？経営陣がより良い情報を得られるなら、それは価値があるのではないでしょうか？
Joannes Vermorel: まさにそのようなケースです。データサイエンスが孤立しており、負の影響がないと思われがちですが、実際はそれ以上に悪いのです。経営者を心地よいレポートで気を散らしてしまっています。もし上層部に必要なのが記述統計であれば、それはBIの役割です.
すでにビジネスインテリジェンスのチームは存在しています。データサイエンスのためにその予算を倍増させる必要はありません。ちなみに、BI部門にも問題はあります。マーケティング部門は自らの指標を作り上げる責任を持つべきで、データサイエンスにアウトソースすべきではありません.
もし唯一の成果が経営陣を安心させる指標だけであれば—最善の場合でもBIと重複しているにすぎません。それをBIに統合すればよいのです。私の基準は厳しく、データサイエンスチームがいなくなった場合に、会社が財務的に実際に損害を被るかどうかが問われます.
経営陣の士気向上は素晴らしいですが、私が重視しているのは損益計算書、つまり会社にもたらす追加の利益です。1日に何千、何百万もの数字を生み出すのは非常に簡単で面白いですが、読むに値する10の数字を生み出すのは極めて難しいのです.
その10の数字を実際に生み出していますか？私の経験では、いいえです。彼らは確かに指標の山を作りますが、取り除かれた場合に会社に損害を与えるほどの、鋭く価値のある数字は作り出していません.
Conor Doherty: 多くの指標は上層部から押しつけられたものです。マーケティングは一つの部門、営業もまた一つの部門です。彼らは押し付けられた指標の責任を負っていません。そして、もしすでにBIが記述統計を生み出しているなら…
Joannes Vermorel: その通りです—最善の場合でも冗長になっています。BIに統合し、別の部門を設ける必要はありません.
Conor Doherty: プライベートメッセージからのもう一つの質問です。「データサイエンスチームを単に解雇するわけにはいかない。初日からどう改善すればよいのか？」現実的には、何が可能なのでしょうか？
Joannes Vermorel: これはかなり大規模なe‑コマース企業で実施した事例があります。チームを分割して、他の部門に再配置することを提案しました。もし6名ほどのチームなら、2名を財務、2名をマーケティング、2名を企画に配置します。そして、各マネージャーに対して、有能な人材とその生産的な活用についての責任を持たせるのです.
このユニットを管理し、ヒーローになりたいのであれば、上層部を説得して能力を各部門に分散させるようにしましょう。私が見た中で最高のアプローチは、中央のチームを各部門内のデータサイエンスのコーチやメンターに転換することですが、これは非常に大企業でのみ機能します.
マーケティング向けの動作するプロトタイプを提供するのはやめましょう。あなたたち5人がマーケティングを指導し、データを活用して興味深いことを実現できるようにし、営業も同様にコーチングします。これは50億ユーロ以上の企業、つまり伝道専用のチームを支えるに足る大きさの企業で有効です。一時的な取り組みとし、12、18、24ヶ月、いや最長でも2年以内に解散すべきです.
さもなければ、半ば隠れた官僚主義が無駄な出費を生む結果となってしまいます.
Conor Doherty: チャットからの質問です。Neil Knightから: データサイエンティストが無視されるのは、彼らが内部にいるからでしょうか、それとも役に立たないからでしょうか？コンサルタントは、しばしば経営陣と同じ結論に達するために注目されると思います（McKinsey、Bain、Accentureなど）。あなたの考えは？
Joannes Vermorel: 「自国では預言者と認められない」というフランスの諺があります。アウトサイダーであることは役立ちますが、コンサルタントの評価すべき点はそれだけではなく、彼らが真に重要な問題に徹底的に取り組むところにあります.
解決のための技術的スキルについて意見が分かれるかもしれませんが、経営陣にとって極めて重要な事柄に焦点を当てる点では、彼らは優れています。これはデータサイエンスが行っていないことです。データサイエンスは孤立しているため、大きな成果をもたらす問題に取り組むことができず、そうした問題には大規模な変革が必要なのです.
私は、データサイエンスチームが些細なペットプロジェクトを選んでいるのを見たことがあります。私たちは大雑把な計算を行い、その隣に20倍も大きな問題が存在することに気づくのです。彼らは「しかし、その問題は繊細で、複数の層での承認が必要で、波風を立てるかもしれない」と言います.
そこで優れたコンサルタントが勝利するのです。彼らは触れるのを恐れるようなペットプロジェクトではなく、本当に重要な問題に焦点を当てます。たとえ彼らの手法が粗削りであっても、非常に現実的な課題に取り組むのです。データサイエンスは、マーケティングや財務などの一部ではなく横に位置しているため、企業全体をデータ活用に基づいて変革する権限を得ることができません.
詐欺検出を例にとってみましょう。詐欺を検出した場合、「この顧客にはサービスを提供しない；支払いを即座に拒否する」と言える権限が必要です。もちろん誤検知、つまり正直な顧客が損なわれる誤りも生じます。問題は偽陽性と真陽性のバランスにあります.
もしデータサイエンスチームに「年にたった一件の偽陽性があるだけで、本番運用に移行できない」と言ってしまえば、決して本番環境に移行しないことになります。これはトレードオフです。全体として非常に優れている、ネガティブな面は制御下にある、と断言し、その上で手法を洗練させるための権限が必要なのです.
Conor Doherty: ありがとうございます、ジョアンヌ。次はAmarinderへの質問です。プロダクトマネージャーやプロダクトサイエンティストの役割について、あなたはどのようにお考えですか？これにより、あなたが語る最終的な価値がより実現できる手段となるのでしょうか？
Joannes Vermorel: プロダクトマネージャーは、まさにレコードシステムの領域に属します。機能において限界がないため、ロードマップやトリアージ、そして巨大なアプリを避けるための「ノー」を言うなど、プロダクトマネジメントは極めて重要です.
一方、インテリジェンスシステム、つまりスパム対策のような自動化された意思決定プロセスでは、偽陽性や偽陰性といった問題を改善する必要があります。これは、ユーザーとの議論や機能の調整だけでは解決できません。もう一つの例として検索ランキングがあります。Googleの検索結果ページをどのように改善するか？非常に難しく、単なる機能追加では解決しません.
プロダクトマネジメントは重要ですが、レコードシステムに属します。本当にインパクトのあるデータサイエンスは意思決定、すなわちインテリジェンスシステムに関わるべきです。プロダクトマネジメントや「マネジメントサイエンティスト」には役割があるものの、それはごく僅かであり、レコードシステム側からのものでしかありません.
Conor Doherty: 来週の予告です。次回のエピソードでは、レコードシステム、レポートシステム、そしてインテリジェンスシステムに焦点を当てます。プロモーションにご注目の上、ご参加ください.
最後の考察です、ジョアンヌ。あなたに同意する人々へのアクションの呼びかけとして、初日に何を行うべきか、現状を変えるために今何をするべきか、という問いです.
Joannes Vermorel: 基本的には、あなたのデータでできることは非常に多いのです。大多数の企業は、自社のデータを十分に活用できていません。データサイエンスの直感は善意から生まれており、ビジネスを向上させるために活用されていない膨大なデータが存在するのです.
Lokadでは、これを供給チェーンのpredictive optimizationとして捉えています—それが私たちの業務ですが、他にも多くの可能性があります。もう一つの好例は「メカニカル・シンパシー」です。つまり、技術的な側面を受け入れることで、単なる推測ではなく、課題に対する真の親和性を持つ人々の存在です.
しかし、それをもって「部門を新設する必要がある」と言うのはよくありません。それは間違いであり、アンチパターン、すなわち問題への怠慢なアプローチです。例えて言えば「電力部門」を考えてみてください。電力はすべての部門にとって極めて重要なものであり、データサイエンスも同様です.
リーダーとして、各部門がその機能に存在するデータを最大限に活用できるよう、全ての部門に挑戦を促してください。各部門のリーダーは、自部門の成果を最大化する責任を負うべきです。そのためには、内部外部を問わず、またコンサルタントの有無にかかわらず、データサイエンス的なスキルが必要となるのです.
これは、リーダーが不快な事柄に挑戦を強いられるため、より困難なメッセージとなります。電気と工場の作業現場を例に取ってみてください。電球があれば夜間も稼働でき、すべてが変わります。あなたはそれを実行しますか？数多くの問いがあるでしょうが、各部門内でその答えを見つけ出す必要があります.
人々を巻き込みつつも、技術はあなたの業務を極めて深いレベルで変革し、問題を他の部門にアウトソースして完結させるという現実からは逃れられないのです.
Conor Doherty: 最後の選択です、ジョアンヌ。ここで終了するか、長年のファンである方からの質問に答えるかですが、行ってみましょう。ジョシュアからの質問です。『サプライチェーン・アズ・ア・サービス』の運営経験から、もし大多数のクライアントが依然としてERP、スプレッドシート、そして日々の業務を静かに遂行するためのポリシーを持っている場合、Lokadは実際に意思決定の焦点をどれほどシフトさせているのでしょうか？分析層が単なるアドバイザーではなく、意思決定者になるためには何が必要なのでしょうか？
Joannes Vermorel: Lokadでは、自動化された意思決定の実現にこだわっています。自動で意思決定を生み出すnumerical recipesを持っています。数字の微調整が必要な限り、何も手直しする必要がなくなるまでレシピを反復し、その後、メンテナンスを行って自動運用を継続させるのです.
特に大企業では、信頼を勝ち取るために、本番グレードの意思決定を日々行うためのデュアルランに数ヶ月を要します。大企業では、これに数ヶ月かかるのです。進むにつれて、皆が気づき始めます。例えば、「品質（Quality of Service）」とは何か、といった、はるかに興味深い問いがあることに.
もし品質を「サービスレベル」と捉えるなら、私は同意しません—それはサービスレベルではありません。国防総省（DoD）であれば「運用準備態勢」を意味するでしょう。与えられた予算の中で、どの範囲の業務が実行可能で、どの範囲が実行不可能か？これらは非常に難しい問いです.
このアプローチを展開すると、人々はこれらの問いについてより深く考える時間を持つようになります。データ分析は、多くの要素を議論に加え、新たなカテゴリーの問いに対してデータ中から答えを見出すことを可能にするのです.
自力で答えを求めるデータサイエンスチームとは異なり、こちらは業務主導です。「これを実行したい、ボトルネックがある」という具合に。データを見て、ボトルネックを分析し、より良い割り当てを実施、そして次のボトルネックへと進むのです。データサイエンスを孤立させると、問題を求める解決策だけができあがる結果となります.
人々は解決策を作り、その後でそれにほぼ合致する問題を探します。例えば、航空機部品への予算配分という実務上の課題なら、具体的な挑戦となり、実際の問題に対してより良い解決策を繰り返し追求できるのです.
Conor Doherty: ジョシュアからの続きの質問です。あなたの視点にシフトするためには、クライアントがコミットするために通常どの程度のポリシー変更が必要なのでしょうか？通常は小さな調整で済むのか、それともサプライチェーンの意思決定の仕組みそのものを根本から見直す必要があるのでしょうか？
Joannes Vermorel: 後者です、しかし全てを一日で実行する必要はありません。ある業界では、10年以上にわたる、そして今も続く変革の実例さえあります.
複雑な組織―例えばジェット機の整備は非常に複雑で―は、時間を要します。Air France Industriesでは、10年先を見据えた大規模な変革が進行中です。私たちは意思決定の範囲を一つずつ取り組みましたが、そこで20以上の異なる範囲が存在していると思います.
各範囲を展開し、本番運用に耐えうるものにするには、通常数ヶ月を要しました。これは公開記録、すなわちケーススタディや役員とのインタビューで明らかになっています.
Conor Doherty: 参考になれば幸いです。時間が少し足りなくなりましたが、全ての質問に回答できてよかったです。ジョアンヌ、貴重なお時間をありがとうございました。そして、参加いただいた皆さん、質問もありがとうございました.
プライベートにDMを希望する方もいます。彼らは直接私に連絡してきて、その内容を見たとおりの言葉でジョアンヌに投げかけます。もし質問があれば、DMまたはコメントでお知らせください.
私たちは残って質問にお答えします。どうぞ良い夜をお過ごしください。来週のエピソードでお会いしましょう。そして…仕事に戻ってください.
