サプライチェーンの複雑さを優れたサービスに変える方法

アマゾンが今日、薄気味悪いところから実現したとしたら、それを有益に実行できることに自信を持っている正気の人はほとんどいないでしょう。

世界的に、同社は11の異なる国の市場を通じて30億以上の製品を販売しています。米国だけでも、Amazonは2018年に2億800万の新製品を発表しました。そのほとんどは、動きの遅い、つまり「ロングテール」の商品です。その極端な複雑さと規模にもかかわらず、Amazonの2018年7月の収益は株主の期待を倍増させ、四半期利益はなんと25億ドルになりました。

アマゾンの成功は、再現することが不可能なまぐれのように見えるかもしれません。しかし、それを分解すると、ジェフベゾスは、一見矛盾する3つのことを一度に実行する方法を考え出すことで、世界で最も裕福な人間になりました。 複雑さを管理します。高度なテクノロジー機能がなければ、3つすべてを真の成功で達成することは、どの企業にとっても難しいことだと私は主張します。

まず、考え方を変えます。残念ながら、需要の変動性が高まり、サービスへの期待が高まる市場では、あまりにも多くの企業が従来のプロセスとおなじみの下降スパイラルに縛られています。増加するSKUの組み合わせを確実に予測することはできず、ロングテールの不安定な需要に対応するために在庫に負荷がかかります。これは常に、余分な運賃や過剰で陳腐化した在庫などの問題を引き起こし、それらを償却するか、大幅な割引で販売する必要があります。計画担当者は継続的に反応的で非効率的な「消防」モードにあり、パフォーマンスを向上させる代わりに、提案された補充を変更し、サービスレベルを操作することにほとんどの時間を費やしています。

サプライチェーンの問題は、直感に反する解決策があるため、修正が最も難しいことがよくあります。 「アマゾン」の成功を達成したい場合、最初にやらなければならないことは、自分のやり方から抜け出し、新しいアプローチを試すことです。使い古された格言が進むにつれて、狂気の確かな兆候は同じことを何度も繰り返し、異なる結果を期待しています。

サービス主導型の計画の秘訣は、確率予測とストックミックスの最適化です。複雑さを管理し、高いサービスレベルを達成する方法は、最初に予測精度の障壁を打破することです。1つの数値を予測する代わりに、予測における需要の可能性の範囲を理解します。この方法は確率予測と呼ばれます。このアプローチを使用しても、最も可能性の高い結果に関連付けられている1つの数値を取得できます。ただし、この数値を中心にすると、それぞれ異なる確率が付加された、他のさまざまな可能な結果が得られます。これは、注文履歴の集計数の平均に基づく従来の「1つの数字」の予測に代わるものです。

確率予測は、多数のロングテールアイテムを含み、適切にモデル化できない多数の要因による需要の変動と不確実性に直面するサプライチェーンにとって理想的です。サプライチェーンの第一人者であるLoraCecereがブログで結論付けたように、確率的予測：ビジネスに最適ですか？：「困難な需要プロファイルの場合、確率的予測は新しく強力な手法です。エンジンの一種です。予測とは、数学を改善し、データモデルを適合させて成果を上げることです。」

サプライチェーンは、確率予測の恩恵を受ける前に複雑になりすぎる必要はありません。これは、説明のために過度に単純化された例です。特定の自動車用タイヤのSKUの需要を予測するとします。単一数の予測システムは、このタイヤの1か月あたり4ユニットの販売履歴を調べ、平均需要を1週間あたり1本のタイヤとして識別します。この予測は、4つのタイヤすべてを一度に交換する顧客に対応していないため、誤った予測を継続的に提案し、目標のサービスレベルを満たすための在庫レベルを提案します。

在庫計画では、各ライン注文数量の確率を知る必要があります— 1タイヤ、2タイヤ、3タイヤ、4タイヤなど。確率的予測は、注文パターン（注文サイズ、注文など）を識別して、その情報を正確に提供します。頻度）在庫が需要に対応するために使用できる。

従来の予測に代わるものとしてこのアプローチを最初に支持し始めた1990年代初頭に、サプライチェーンの世界で孤独な数字を切り落としました。今日、圧倒的なサプライチェーンの複雑さに直面して、企業がそれを試すためのより多くの燃えるプラットフォームがあります。常に、私たちが受け取るフィードバックは、「これをもっと早く始めていたらよかったのに！」です。

次に、ストックミックスの最適化により、ネットワーク全体のSKUポートフォリオの規模と変動性（複雑さ）を利用して、いわゆる「サービス主導型の計画」が可能になります。グループ内のすべてのSKUに同じサービスレベルを割り当てる代わりに、サプライチェーン全体の各SKUの場所には、ビジネス目標を達成するために最適化された独自のサービスレベルが割り当てられます。たとえば、クラス内のすべてのSKUに98％のサービスレベルを割り当てる代わりに、個々のSKUロケーションサービスレベルを99％、97％、99.5％などに最適に設定し、同じレベルを達成することで、グローバルな98％の目標を達成します。全体的な顧客サービスレベルの目標であり、在庫費用ははるかに少なくなります。

世界的な度付きレンズメーカーのShamirOpticalは、確率ベースの予測を適用して、よりサービス主導型になりました。 Shamirは、万能の在庫ポリシーを使用するのではなく、需要パターンを分析して、各場所の個々のSKUごとに異なるサービスレベルのターゲットのブレンドを作成しました。同社は在庫レベルを全体で25％以上削減し、99％を超えるサービスレベルを一貫して達成しました。

確率的予測は、人間の計画担当者が実際に十分な速さで実行することはできません。それを機能させるには、人工知能の一種である機械学習テクノロジーを使用する自己適応システムを使用して、計画プロセスを自動化する必要があります。確率予測を生成するには、最初にサプライチェーンをモデル化する必要があります。ほとんどの企業は、SKUのサンプルグループから始めて、時間をかけてテストおよびスケールアップします。次に、モデルに対して、さまざまな潜在的な需要変数の影響を考慮する必要があります。これらは、注文履歴などの従来の入力、顧客関係管理（CRM）システムデータなどの他の企業ソース、さらには天気、株式市場、ソーシャルメディアトレンドなどの外部ソースである可能性があります。サプライチェーンモデルは「生きた」システムであるため、機械学習は時間の経過とともに結果を継続的に学習および調整し、必要に応じて新しいデータソースを導入できるようにします。 A.I.の適用結果を改善するために、需要と在庫の振る舞いに関する深い洞察を提供します。

ただし、人間にとっての朗報は、確率予測は、設計上、開始点であり、終了ゲームではないということです。これらは、計画担当者がサービスポリシーと、サプライチェーン全体の対応する最適な在庫レベルについて情報に基づいた判断を下すために必要なデータを提供するように設計されています。

このA.I.で拡張された確率予測は、人間と機械の間の理想的な共生を表しています。システムは、人間の入力を考慮に入れることによって時間の経過とともによりスマートになり、人間は確率予測の成功率から学習することによってよりスマートになります。これにより、計画担当者はサービスに集中し、戦略的プロジェクトに取り組み、ビジネスの洞察をシステムに追加することができます。

あなたのビジネスも複雑さで繁栄することができます。確率予測の利点は、サービスレベルが上がる一方で、コスト、無駄、および非効率性が下がることです。 Shamir Opticalのような何百もの企業は、運転資金の解放から、陳腐化、輸送、コストと値下げの迅速化まで、幅広いメリットを享受してきました。多くの企業は、市場の変化により敏感になり、より良い戦略的決定を下せるようになったと報告しています。

「1つの数字」の決定論的アプローチに固執する人々にとって、確率予測は直感に反しているように感じます。ただし、アイテムが少なく、需要が完全に予測可能な商品ビジネスに携わっていない限り、1つの数字のアプローチでそれを削減することはできません。 Amazonはこの方法を使用するだけでなく、パートナーベンダーに確率予測ツールも提供します。試してみませんか？

JosephShamirはToolsGroupの最高経営責任者です。