サプライチェーンの複雑性を卓越したサービスへ転換する

もしアマゾンが今日、無から突然現れたとしたら、まともな判断力を持つ人なら、それを利益を出して運営できると確信する人はいないでしょう。

同社は世界で11の国別マーケットプレイスを通じて30億点以上の製品を販売しています。米国だけで2018年に2億800万点の新製品を導入しました。その大半は売れ行きが鈍い、いわゆる「ロングテール」商品です。にもかかわらず、アマゾンの2018年7月期決算は株主予想の2倍、四半期利益はなんと25億ドルに達しました。

アマゾンの成功は、再現不可能なフルーク（偶然の産物）のように見えます。しかし、分解してみると、ジェフ・ベゾス氏が世界一の富豪になったのは、一見矛盾する3つのことを同時に実現する方法を見つけたからです。最高レベルのサービスを、可能な限り最低コストで提供し、かつ複雑性を管理する。高度なテクノロジー能力なしに、この3つを真に成功させるのはあらゆる企業にとって困難だと私は主張します。

まず、マインドセットを変えましょう。残念ながら、需要変動の拡大とサービス期待の高まりの中で、多くの企業が従来のプロセスに固執し、おなじみの下降スパイラルに陥っています。増え続けるSKU組み合わせを確実に予測できないため、ロングテールで不安定な需要に対応しようとして在庫を積み増します。これは必然的に、余分な輸送コスト、過剰在庫と陳腐化在庫を招き、それらは償却か大幅値引き販売を強いられます。プランナーは常に反応的で非効率な「火消し」モードにあり、推奨補充量の変更とサービスレベルの操作に大半の時間を費やし、パフォーマンス向上に注力できません。

サプライチェーンの問題は、直感に反する解決策を持つことが多いため、修正が最も難しいものです。「アマゾン級」の成功を目指すなら、まず自分の邪魔をやめ、新しいアプローチを試すことです。よく言われる格言通り、「同じことを繰り返して違う結果を期待するのは狂気の沙汰」です。

サービス駆動型計画の秘訣は、確率予測と在庫ミックス最適化です。複雑性を管理し高いサービスレベルを達成するには、まず予測精度の壁を突破しなければなりません。単一の数値を予測するのではなく、需要の可能性の範囲を予測で理解します。この手法を「確率予測」と呼びます。このアプローチでも、最も確率の高い結果に関連付けられた1つの数値は得られます。しかし、その数値を中心に、それぞれ異なる確率を持つ他の可能な結果の範囲（バンド）が得られます。これは、過去の受注履歴を平均化する従来の「単一数値」予測の代替手段です。

確率予測は、多数のロングテール商品を含み、モデリングが困難な膨大な要因により需要変動と不確実性に直面するサプライチェーンに最適です。サプライチェーンのグル、ローラ・セセレ氏がブログ「確率予測：あなたのビジネスに適しているか？」で結論づけたように、「難しい需要プロファイルには、確率予測は新しく強力な技術だ。一種のエンジンだ。予測はすべてより良い数学と、成果を導くデータモデルの適合性にかかっている」

サプライチェーンがそれほど複雑でなくても、確率予測の恩恵を受けられます。わかりやすくするために過度に単純化した例を挙げます。特定の自動車タイヤSKUの需要を予測したいとします。単一数値予測システムは、このタイヤが月4本売れた履歴を見て、平均需要を週1本と特定します。この予測は、顧客が4本同時に交換することを考慮しないため、目標サービスレベルを満たす在庫レベルへ向けて、常に間違った予測と在庫レベルを提案し続けます。

在庫計画には、各ライン発注数量（1本、2本、3本、4本…）の確率を知る必要があります。確率予測はまさにその情報を提供し、在庫が需要を満たすために利用できる発注パターン（発注サイズ、発注頻度など）を特定します。

私たちは1990年代初頭、このアプローチを従来予測の代替として提唱し始めた頃、サプライチェーン界では孤独な存在でした。今日、圧倒的なサプライチェーン複雑性に直面し、企業が試すための「バーニング・プラットフォーム（差し迫った必要性）」ができています。 invariably（常に）いただくフィードバックは「もっと早く始めていればよかった！」です。

二つ目に、在庫ミックス最適化により、いわゆる「サービス駆動型計画」が可能になります。SKUポートフォリオのスケールと変動性、つまり複雑性をネットワーク全体で活用するのです。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・ロケーションに、ビジネス目標達成に最適化された独自のサービスレベルを割り当てます。例えば、あるクラスの全SKUに98％サービスレベルを割り当てるのではなく、グローバルな98％目標を、個々のSKU・ロケーションのサービスレベルを99％、97％、99.5％…と最適に設定することで達成します。同じ全体顧客サービスレベル目標を、はるかに少ない在庫費用で実現できます。

グローバル処方レンズ・メーカーのシャミール・オプティカルは、確率ベース予測を導入してよりサービス駆動型になりました。画一的な在庫ポリシーではなく、需要パターンを分析し、各ロケーションの各個別SKUに異なるサービスレベル目標のブレンドを作成しました。同社は全体の在庫レベルを25％以上削減しながら、99％を超えるサービスレベルを一貫して達成しました。

確率予測は、人間のプランナーが実行するには実用的な速度で処理できません。機械学習技術（AIの一種）を用いた自己適応システムで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、まずサプライチェーンをモデル化する必要があります。多くの企業はサンプルSKUグループでテストを開始し、時間をかけてスケールアップします。モデルに対して、幅広い潜在的需要変数の影響を考慮します。これらは、受注履歴などの従来のインプット、CRM（顧客関係管理）システムデータなどの他の社内ソース、さらには天候、株価、ソーシャルメディア・トレンドなどの外部ソースも含まれます。サプライチェーン・モデルは「生きた」システムであるため、機械学習が継続的に学習し結果をチューニングし、必要に応じて新しいデータソースを導入できます。AIの適用により、需要と在庫の振る舞いへの深い洞察が得られ、成果が改善されます。

人間にとっての朗報は、確率予測が設計上、「出発点」であって「ゴール」ではないことです。プランナーがサービス・ポリシーと対応する最適在庫レベルについて、サプライチェーン全体で情報に基づいた判断を下せるよう、必要なデータをタイムリーに提供するように設計されています。

このAI拡張確率予測こそ、人間と機械の理想的な共生関係を表します。システムは人間のインプットを取り込むことで時間とともに賢くなり、人間は確率予測の成功率から学ぶことで賢くなります。これによりプランナーは、サービスに注力し、戦略的プロジェクトに取り組み、ビジネス洞察をシステムに加えることができるようになります。

貴社のビジネスも複雑性の上で繁栄できます。確率予測の美しさは、サービスレベルが上がる一方で、コスト、廃棄物、非効率が下がることです。シャミール・オプティカルのような数百社が、運転資本の解放、陳腐化削減、輸送・緊急輸送コストと値下げの削減など、幅広いメリットを得ています。多くの企業が市場変化への対応力向上と、より良い戦略的意思決定の実現を報告しています。

「単一数値」決定論的アプローチに固執する人にとって、確率予測は直感に反するものでしょう。しかし、品目が少なく需要が完全に予測可能なコモディティ・ビジネスでない限り、単一数値アプローチでは通用しません。アマゾンはこの手法を用いるだけでなく、パートナー・ベンダー向けに確率予測ツールまで提供しています。貴社も試してみる時ではないでしょうか？

ジョセフ・シャミール氏はToolsGroupの最高経営責任者です。