オペレーション管理における意思決定内容には、（データ駆動型の生産オペレーション管理の意思決定）が含まれる。

データに基づく生産および運用管理の意思決定

はじめに：ビッグデータのさらなる発展により、多くの企業が生産・業務データを管理・分析することで直接経営判断を行っています。実際のビジネス シナリオでは、企業が重要な問題を無視しているため、旅行の意思決定エラーにつながります。つまり、単純なデータ パターン分析では、膨大なデータの真の価値を引き出すことができません。では、どうすればデータの膨大な価値を引き出し、データに基づいて正確な意思決定を行うことができるのでしょうか?以下で皆さんにご紹介するトピックは、「データ駆動型の生産運用管理の意思決定」です。 Sunshu Technology がデータに基づいてどのようにインテリジェントな意思決定を行っているかを見てみましょう。

今日の共有は主に 4 つの部分で構成されます。

1. 経営判断のためのデータ

2. どのようなデータ/指標を使用するか? ——プロモーション分析

3. ビッグデータにおけるスモールデータ：ロングテール製品の価格管理

4. 意思決定の質と意思決定のスピード - 無人倉庫インテリジェント管理システム

シェアゲスト｜上海財経大学教授 何思舞

編集者：梁敖本田

コミュニティ制作｜DataFun

01

はじめに: データから経営判断へ

1. データ管理から意思決定まで

データから経営判断まで、データ、分析、意思決定の3つのレベルに分かれています。データ レベルでは、IT / 情報管理システムを使用してデータの収集と管理を完了します。分析レベルでは、統計学、機械学習、ディープラーニング、計量経済学、行動経済学などのツールを使用して規則性分析を実施します。意思決定レベルでは、オペレーション最適化/ゲーム理論を通じて意思決定のモデル化と解決が行われます。

2. オペレーション管理におけるデータと意思決定の特性

運用管理におけるデータと決定には、図 9 に示す主要な機能が含まれています。これらの機能は、多くのアプリケーション シナリオでインテリジェント アルゴリズムを適用する際のボトルネックとなります。このような複雑な特徴に直面して問題に遭遇したとき、どのようなデータや指標を使用して問題を分析するのでしょうか?これについては後ほど具体的な事例を通して説明します。

--

02

どのようなデータ/指標を使用するか?プロモーション分析を例に挙げる

どのようなデータ/指標を使用する必要があるかを説明するために、プロモーション分析を例に挙げてみましょう。プロモーションに関しては、小売業者やブランドは、プロモーションの費用対効果が低い、成果が悪い、プロモーションの分析や意思決定が難しいなどの問題点に直面することがよくあります。では、プロモーションプロセス中に生じる問題点の根本的な原因は何でしょうか?次のケースを見てみましょう。

1. 代替効果分析

ある企業が主力製品をプロモーションした結果、プロモーション期間中に製品売上が前月比 57% 増加し、価格が 15% 引き下げられ、利益が 26% 増加しました。比較分析の結果、競合他社はこの期間中にプロモーションを実施しておらず、売上高もほぼ横ばいであったため、同社は当初、このプロモーションが非常に良い結果をもたらしたと判断しました。しかし、製品の特性に基づいてプロモーションデータを振り返ると、まず「売上増加はどの顧客の需要から生まれたのか」という疑問が生じます。

製品は固定消耗品（バッテリーなど）であり、市場は複占企業によって支配されています（北米のバッテリー市場など）。製品特性の分析に基づくと、今回の追加売上は競合他社の売上減少によるものではなく、比較によると、競合他社はこのプロモーション期間中に売上を減少させなかったためです。さらに詳しく分析すると、プロモーション期間中の値下げにより、顧客が戦略的な購入を行うという、より深刻な問題が明らかになりました。現在、売上が増加しても、将来の売上減少が原因となる可能性が高く、プロモーション効果は理想的ではありません。そのため、プロモーション分析を行う際には、商品の機能やデータをターゲットにした分析を慎重に行う必要があります。

最初の質問を分析すると、 2 番目の質問が発生します。プロモーション効果は何ですか?どのようなデータ/評価基準が使用されますか?

このプロモーション問題において、非常に重要なのは、物理的なレベル、つまり競合製品による代替を含む代替効果です。そして時間レベル、つまり、顧客が購入する前にプロモーションを待つ（Taobao は将来のプロモーションの通知をテキスト メッセージで送信します）、またはプロモーションが将来の顧客の購買力と購入意欲を上回ってしまう可能性があります。

代替効果分析を実施する場合、モデルでは代替品の定義、価格と販売量、代替ディメンション、推奨位置の影響などの要素を考慮する必要があります。代替効果分析のモデルを見てみましょう。

① 代替効果分析モデル - 線形回帰とロジスティック回帰モデル

線形回帰モデルとロジスティック回帰モデルでは、置換パラメータは製品数の 2 乗レベルになります。製品の数が多く、データ量が不十分な場合、過剰適合の問題はより深刻になります。さらに、線形モデルは、より極端な「最適な」決定を下す傾向があります。したがって、これらは、データ品質が高く、競合製品が少ない一部の製品の代替効果分析にのみ適しています。

②競合製品代替選択モデル

代替行動を説明するのにより適切なモデルは選択モデルです。 2 つの製品に対するユーザーの期待値はそれぞれ µ と µ です。異なる顧客はそれぞれ独立したランダムな選好値 ξ も持ちます。そして、顧客が 2 つの製品を選択する場合、期待値と選好値に基づいて選択を行うことになります。 ξ が特定の分布仮定を満たす場合、顧客が製品 1 を選択する確率は µµµµ です。ここで、µ は 2 つの製品を選択しない場合の期待値です。これにより、自然な代替効果が生まれます。

③ 将来と過去の売上の代替 - プロスペクト理論と参照価格モデル

ノーベル経済学賞を受賞したプロスペクト理論に基づき、顧客は商品の過去の価格に基づいて基準価格を形成します。商品価格が参考価格から大きく外れても、顧客は敏感ではありません。製品価格が基準価格に近い場合にのみ敏感になります。これは参照価格モデルであり、時間レベルでの代替効果をより適切に特徴付け、複数期間の製品価格決定の適合効果を向上させることができます。

④ 高度選択モデル

さらに、ネストされたロジットモデル、マルコフ連鎖モデル、アトラクションモデルなどの高度な選択モデルがあり、さまざまな要因の下での代替効果分析を実現できます。

2. プロモーションの決定

プロモーションを評価する際によく使用される指標はコンバージョン率です。例えば、値下げプロモーションを実施する場合、値下げ効果と広告効果が組み合わされます。値下げ効果を評価する場合は、広告効果を除去する必要があります。したがって、プロモーション効果の評価指標として、コンバージョン率が当然の選択となります。しかし、実際の値下げプロモーションでは、一部のプロモーション商品のPVが大幅に増加する一方で、商品のコンバージョン率は低下します。しかし、同時に、確かに値下げが行われており、これは悪いプロモーションなのだろうかという疑問が生じます。プロモーション事例2を見てみましょう。

同社は販促目的で製品の価格を大幅に引き下げ、販売量、利益、売上高のすべてが増加した。一見すると、これは非常に良いプロモーションのように見えました。しかし、コンバージョン率を分析すると大幅に低下しており、プロモーション効果が不十分であることがわかります。この現象の原因は、プロモーション期間中に大量の広告が流され、顧客数が急増し、売上が増加することです。

しかし、顧客構成を分析すると、実際にはプロモーション期間中に大量の新規顧客が流入したことで、顧客基盤が主に忠誠度の高い既存顧客から、製品にあまり精通していない主に新規顧客へと変化したことがわかります。値下げプロモーションにより、両方のタイプの顧客のコンバージョン率が大幅に増加しましたが、新規顧客ベースのコンバージョン率が大幅に低かったため、プロモーション後の全体的なコンバージョン率は実際に低下しました。これは統計理論における典型的なシンプソンのパラドックスです。

この場合、顧客をグループ分けし、排水効果を分割した上でコンバージョン率分析を行う必要があります。さらに、現在の新規顧客が将来的には既存顧客になる可能性があるため、新規と既存のコンバージョン率を考慮する必要があり、これは企業にとって非常に重要です。

そのため、プロモーションの意思決定や効果評価を行う際には、代替効果や指標、比較を考慮する必要があり、意思決定を行う際には、商品の選択、コンバージョン率、意思決定リスク管理を考慮する必要があります。上記のプロモーション決定は、ペット製品のインテリジェントプロモーション最適化、日用消費財大手のインテリジェントプロモーション最適化、靴ブランドのプロモーション最適化など、多くの実践プロジェクトに採用され、良好なプロモーション結果を達成しています。

--

03

ビッグデータにおけるスモールデータ: ロングテール製品の価格管理

なぜビッグデータの中にスモールデータが存在するのでしょうか?多くの場合、データの量は多いものの、実際の意思決定を行う際に得られる結果はそれほど良くないからです。以下では、ロングテール製品の価格管理を典型的な例として説明します。

1. 電子商取引プラットフォームの収益管理

以下では、価格設定を通じてプロモーションを最大化し、収益と利益を増やすことを目指した、eコマースプラットフォームと連携した価格設定プロジェクトについて説明します。このプロジェクトには数千万の SKU が関係しており、急速に成長するビジネスと複雑な割引構造にも対処する必要があります。従来の管理では、管理者は多数の SKU を管理するために手動の価格調整に依存しており、コア製品にのみ焦点を当てることができ、ロングテール製品の価格調整はほとんど行われません。したがって、このプロジェクトでは、半自動ツールを使用して、ほとんどの SKU の価格提案を体系的に提供し、誤った価格を特定することを目指しています。

古典的な価格設定理論では、時系列モデル、行動モデル、機械学習、ディープラーニングを使用して他の要因からの干渉を取り除き、価格弾力性を計算して数量と価格の関係図を取得し、決定を下します。しかし、実際の問題を解決する際には、次の 3 つの問題に直面します。

①価格の定義

たとえば、ある電子商取引製品の場合、プロモーション割引の重ね合わせ、一定額以上の購入に対する割引、および異なる注文が異なるプロモーション活動に参加する可能性があるため、ページ価格と最終取引価格に大きな差が生じます。現時点では、競合製品の価格を正確に判断することはおろか、製品の実際の取引価格を決定することさえ困難です。

② 広告の影響

顧客数は売上の決定的な要因ですが、顧客数は特にオンライン プラットフォーム上の広告によって影響を受けます。広告ページの場所の違いも顧客数に大きな影響を与えますが、ほとんどの電子商取引プラットフォームには広告の場所の記録がなく、UI のデジタル ID のみが記録されます。 UIデザインが保存されていない場合、IDだけでは広告の具体的な位置を知ることは不可能であり、広告の位置が顧客数に与える影響を判断することはさらに不可能です。さらに、広告は大規模な割引活動と重なることが多く、この重なり合う効果により、広告効果のみを分析することがより困難になります。

③ 対象カテゴリーと対象商品

ベストセラー製品の場合、全体的なデータ品質は良好ですが、プラットフォームの価格設定力が低く、競争レベルが高く、競合他社のデータが不十分で、消費者行動がより複雑であるという問題に直面しています。そのため、自動価格設定の対象商品としては多くの障害に直面しています。ロングテール製品の場合、プラットフォームの価格設定力は高く、製品の競争レベルは低く、消費者行動はより単純で、単位利益率は高くなります。そのため、製品管理チームは自動価格設定を受け入れることに積極的ですが、データ品質が低い、非標準製品が多数ある、代替関係が不明確であるなどの困難にも直面しています。

2. ロングテール商品の収益管理

ロングテール商品は、データ品質が悪い、規格外の商品が多い、代替関係が不明瞭などの欠点があるため、個々の商品に規則的なパターンが見られません。ただし、いくつかの製品をグループ化すると、異なるタイプの製品間で同様の傾向が見つかります。そこで、まず商品を特性に応じてグループ化し、金融商品の助けを借りてグループ内の予測不可能な共通要因をヘッジし、不確実なパラメータに対する堅牢な最適化モデルを開発しました。同時に、探索と学習を通じて、意思決定の範囲を徐々に改善していきました。このプロジェクトでは、モデル全体が製品の価格調整において良好な結果を達成しました。

① カバレッジの向上

以前のモデルでは、いくつかの扱いやすい商品の価格設定が完了していました。モデルの適用範囲をさらに改善するために、グループ価格設定モデルを使用して全体的な意思決定リスクを軽減します。新製品やロングテール製品には、連想学習モデルが導入されます。価格調整記録のない製品の場合、ランダム価格調整モデルを使用して有用な価値情報を取得します。

② ユーザーの認識

オンライン製品とオフライン製品の価格変更に対する顧客の認識レベルの違いを考慮すると、オフライン顧客は情報入手の難しさから値下げに対して大きな遅延効果を持つため、価格設定時にはユーザーの認識も考慮されることになります。

--

04

意思決定の質 VS 意思決定のスピード——無人倉庫インテリジェント管理システム

JD.com と協力した無人倉庫インテリジェント管理システム プロジェクトを通じて、意思決定の品質と意思決定のスピードのバランスをどのように実現するかについて、以下で共有します。

1. プロジェクトの背景

JD の無人倉庫では、AGV を使用して棚まで行き、商品をワークステーションまで運びます。このプロセスでは、棚の数をできるだけ少なくし、輸送コストをできるだけ低く抑えながら、各ワークステーションの製品出荷量の要件を満たすようにする必要があります。さらに、AGV、棚、ワークステーションの数、および各ワークステーションで処理される商品の種類数は膨大であるため、限られた時間内に棚、AGV、ワークステーションの複数のマッチングを完了することが中心的な問題となります。難しさは、この問題が典型的な NP 困難問題であり、100 万を超える変数/制約があり、実行可能な計算時間が限られている (2 ～ 3 秒) という事実にあります。

2. 解決策

プロジェクト全体の最終的な目標は、AGV の総走行距離 (時間) と、未処理の注文によって発生する待機コストを最小限に抑えることです。複数の要素と数百万の変数を含む三元マッチング問題であるため、問題解決のボトルネックは、解決時間と解決規模の矛盾にあります。

数学モデルの分析により、交差制約条件があり、それが三元マッチング問題につながることがわかりました。この制約条件を削除すると、3 値マッチング問題は 2 つの 2 値マッチング問題に分割できるため、分離問題に変換することが解決策となります。ラグランジュ乗数法を使用して、交差制約を目的関数に分割し、分離問題と次元削減を実現します。

問題を分解すると、元の複雑な 3 値問題は 2 つの問題に分割されます。① 固定された y および z 変数を持つ x の単純なマッチング問題。 ② x変数を固定したyとzのマッチング問題。問題①は線形計画法またはハンガリー法で解くことができます。問題②は、元の問題に比べて規模が約75%縮小され、構造が明確になったため、問題を解く難易度が大幅に低下しました。

元の問題が 2 つの問題に分割された場合、分割された問題が元の問題と変わらないことをどのように保証すればよいでしょうか?これはΛの最適値を解く必要があり、問題①と問題②を別々に解くことはできません。線形緩和問題を通じて高品質のΛを解き、次に問題②を解き、最後にこれら2つの要件を満たす関連する制約付きで問題①を解きます。

実施効果：

CPLEX と比較すると、大規模な問題を解決する際に、アルゴリズム全体のソリューション品質が 3% ～ 40% 向上します。ダブルイレブン期間中、このアルゴリズムは実際にJD.comの無人倉庫でテストされ、従来の倉庫と比較して注文処理量、商品処理量、一人当たりの処理量が大幅に向上しました。無人倉庫インテリジェント管理システムプロジェクトに関しては、いくつかの拡張経験を共有したいと思います。超大規模倉庫の処理には、バランスのとれたパーティショニングが採用されています。 AGV経路計画には、衝突防止+加減速制限と時空間ネットワークにおけるMVRPが採用されています。デュアルパラメータのトレーニングと学習には、倉庫ステータスラベルを使用して学習する機械学習/ディープラーニング技術が使用されます。

本日のシェアは以上です。皆様ありがとうございました。

｜シェアゲスト｜

何思舞｜上海財経大学教授

上海財経大学教授、Sunshu Technology主任科学者、He Simai氏。彼は香港中文大学でオペレーションズリサーチの博士号を取得しています。彼はかつて香港城市大学の助教授であり、現在は上海財経大学の教授および博士課程の指導者です。彼は、中国オペレーションズ・リサーチ協会の理事、数理計画部門の事務局長、上海オペレーションズ・リサーチ協会の事務局長を務めています。彼は、第33回国際数学オリンピックの金メダル、中国オペレーションズ・リサーチ協会の2014年青年科学技術賞、上海大学（東洋学者）の著名な教授、教育部の第8回高等教育機関優秀科学研究業績賞の2等賞、上海自然科学賞の2等賞、INFORMS協会のフランツ・エーデルマン賞受賞者の称号を獲得しています。彼は、国家優秀若手科学者基金や中国国家自然科学基金の主要プロジェクトのサブプロジェクトなどの科学研究プロジェクトを統括しました。彼の主な研究分野は、運用の最適化と運用管理です。彼はサプライチェーン管理、数学モデリング、最適化アルゴリズムに精通しています。彼は、JD.com の価格設定プロジェクト、JD.com の無人倉庫自動化プロジェクト、SF Express の予測およびサイト選択プロジェクト、中国南方航空のエンジン保守管理プロジェクトなど、Sunshu Technology のいくつかの大規模なインテリジェント管理プロジェクトを主宰しました。

｜「データインテリジェンスナレッジマップ」をダウンロード｜

「データ インテリジェンス ナレッジ マップ」のパノラマ ビューを表示するには、上下にスワイプします ⬆️⬇️ 。高画質版は公式アカウント「Dahua Shuzhi 」をフォローしてダウンロードしてください

｜DataFun ニューメディアマトリックス｜

DataFunについて

ビッグデータと人工知能技術アプリケーションの共有とコミュニケーションに重点を置いています。 2017年に開始され、北京、上海、深セン、杭州などの都市で100以上のオフラインと100以上のオンラインサロン、フォーラム、サミットが開催され、2,000人以上の専門家や学者が参加して情報を共有しました。同社の公開アカウント「DataFunTalk」は、900 を超えるオリジナル記事を制作し、100 万回以上の閲覧数を獲得し、正確なフォロワー数は約 16 万人に上ります。