HN 日本語サマリー

← 一覧へ戻る
ビジネス・スタートアップ

システムと遅延

Systems and Delays (martin.janiczek.cz)

67 pointsby vinhnx14 コメント

要約

この記事では、ドンベラ・メドウズの著書『Thinking in Systems』で紹介されている、システムにおける遅延(ディレイ)の直感に反する影響について論じています。車のディーラーを例に、需要増加時に在庫を維持するための発注プロセスで、配送遅延と応答遅延の組み合わせが、意図せずシステムを不安定化させ、在庫が大きく変動する(発振する)現象を解説しています。直感に反して、遅延を短縮しようとすると状況が悪化し、遅延を長く取ることでシステムが安定化するケースがあることを示し、直感ではなくモデル化とデータに基づいた意思決定の重要性を説いています。

全文翻訳

Systems and Delays

遅延が直感に反する形で現れることを示す

休暇シーズン中に一、二週間家(そして国)を離れるのは、私のステレオタイプな時間の過ごし方(YouTube、Lobste.rs、HackerNews、BlueSkyに費やしすぎる時間)から抜け出し、何か別のことを試すのに良い機会です。

最近の休暇には、ビットマップフォントを作るためのグリッドペーパーと、二冊の本を持っていきました。一冊目はNachové pustinyで、チェコ語のポストアポカリプス小説で、私の「チェコ共和国版フォールアウト」MMOゲームのインスピレーションを得るためでした。もう一冊はThinking in Systemsで、職場(そして職場の教育予算で購入)で勧められた本ですが、数ヶ月間本棚で埃をかぶっていました。

[画像: Vacation stuff]

これら三つの目標をすべて達成できたことを発表できることを嬉しく思います。ビットマップフォントを作成し(カーニングとアクセントはまだですが)、ポストアポカリプス小説を読み終え(まあまあでした)、システムの本も読み終えました!

Thinking in Systemsは、ソースとシンク、ストックとフロー、フィードバックループ、そしてそれらから(多くの場合)ボトムアップで出現するシステムというフレームワークとビジュアル言語を紹介しています。

これらはすべて数学的モデルや微分方程式に大まかに対応しますが、本書ではそれらの詳細には踏み込まず、付録で例の実際の数式に言及するにとどまっています。

[画像: Sources and sinks]

遅延は奇妙だ

本書全体で最もクールで、私の意見ではハイライトとなる章がありました。それは遅延に関するものです。

(上記の画像を参照)の継続的な例は、自動車販売店のマネージャーが駐車場の在庫を管理し、常に販売台数の10倍の在庫を維持することを目指しているというものです。顧客の需要が増加すると、彼女はギャップを埋めるためにさらに多くの車を発注し始めます。

[画像: Typical day]

遅延のないシステム

理想的な世界では遅延はありません。彼女は需要の増加と現在の在庫と理想的な在庫との乖離を即座に認識し、すぐに車を追加で発注し、車は即座に到着します。

また、この例では時間粒度は日なので、一日の終わりに30台の車が売れたことを認識し、30台を発注し、翌朝それらが到着すると想像してください。

まず、遅延の影響を受けないモデルの定数を見てみましょう。

[画像: Constants]

顧客の需要は毎日20台から始まり、その後毎日22台に増加し、ある特定の日には70台のスパイクがあります。

売上は min(顧客需要, 在庫) であり、以下のすべての例で顧客需要と等しくなります。これは、十分な車が用意されているためですが、需要が十分に速く高くなった場合に在庫切れになることを想像できます。

マネージャーは理想的な在庫を 売上 * 10 と計算します。単純すぎるかもしれませんが、これは例です。

後で過去N日間の売上を平均し、それに基づいて理想的な在庫を決定することも考えられます。これにより、システムにさらに別の遅延が導入されますが、ここでは説明したいことを示していないため、このブログ投稿では省略しました。

では、遅延のないモデルはどのように動作するでしょうか?

[画像: No delays]

ところで、私はこの本を読みながらモンテカルロシミュレーターをElmで自分で書きました。このブログ投稿の例の擬似コード数式がリストされていますが、スプレッドシートでも十分ですし、これらの微分方程式モデルを扱う他のツールもあります。さらに、無料のグラフィカルWebアプリもあり、JSライブラリ上に構築されており、その例の一つで私が示すのと同じ例を披露しています。この本は影響力があるのでしょう。

このモデルには遅延はありませんが、顧客需要のランダムなスパイクに過剰反応して車を買いすぎ、それらを売るのに永遠にかかってしまうという問題があります。そして、より重要なのは、これは非現実的であるということです。現実世界ではすべてに多少の遅延があります。注文の処理には時間がかかり、車がディーラーの駐車場に到着するのにも時間がかかります。これを配送遅延と呼びます。

[画像: Delivery delay]

それは悪い遅延のように思えるかもしれませんが、遅延は常に悪いとは限りません。マネージャーはランダムなスパイクに過剰反応したくないかもしれません。彼女は通常1日あたり約20台しか注文しないのに、スパイクのために550台も注文しました!代わりに、乖離の半分、または3分の1だけを発注するなどして、時間をかけて理想的な在庫にゆっくりと到達したいかもしれません。翌日状況が正常に戻った場合、過剰反応することなく、波にスムーズに乗ることができます。これを応答遅延と呼びます。

[画像: Response delay]

遅延のあるシステム

これらの二つの遅延を伴うモデルを実行して見てみましょう。

  • 配送遅延:5日(私が注文を送信してから車が駐車場に到着するまで)
  • 応答遅延除数:2(1日の終わりに30台の乖離が見られた場合、15台しか注文しません。)

[画像: Realistic delays]

何が?何が起こったのですか?私たちはすべてを正しく行っていると思っていました。応答遅延は良いことでした!

まあ、それはそうです。しかし、二つの遅延の組み合わせがシステムを振動させてしまいました!顧客の需要がその後一定になったとしても、システムは決して安定しません。

マネージャーは、車を注文しすぎ、最初の注文が到着するまでの数日間、さらに注文を増やし続けるという悪循環に陥っています。注文が到着し始めると、今度は車が多すぎることになり、在庫が理想的なレベルに戻るのを待つ間、何も注文しなくなります。しかし、さらに車の販売が進むと、在庫は再び理想を下回り、彼女は再びサイクルを開始します。

これらの振動が避けられない数学的な理由を知ることに興味があります。より数学的なモデルや微分方程式に関する本がおそらくそれを説明してくれるでしょう。今のところ、遅延によって引き起こされる振動を事実として受け止めましょう。

短い遅延:きっと解決策?

遅延が私たちをこの混乱に陥れたので、できるだけそれらを最小限に抑えるべきだと考えるかもしれません。フィードバックループを短くするなど。しかし、ランダムなスパイクに対してより回復力を持たせるために応答遅延を導入したことを思い出してください。いずれにせよ、試してみましょう。

  • 配送遅延:5日(この遅延は早めることができません)
  • 応答遅延除数:1(できるだけ速く:一日の終わりに不足している正確な量を購入します)

[画像: Shorter delays]

うーん。ご覧のとおり、速くしようとすると状況は悪化しました。車の在庫はさらに大きく振動しています。132台から518台に急増しますが、理想は約220台です。スパイクの後、一度に1160台の車を在庫として持つ必要があったことは言うまでもありません!これは遅延のないシナリオよりもさらに悪いです!希望はあるのでしょうか?

長い遅延:落ち着いて、君...

何が起こるかを見るために:より忍耐強いマネージャーをシミュレートしてみましょう。補充をより長い期間にわたって分散させるマネージャーです。応答遅延除数を大きくして、6を試してみましょう。一日の終わりに30台の乖離が見られた場合、30台や15台ではなく、5台だけ注文します。

  • 配送遅延:5日(まだ制御外です)
  • 応答遅延除数:6(より遅い応答!より長い遅延!)

[画像: Longer delays]

すごい!振動は消え、安定しました!

結論

これは、読んだときに私にとって非常に直感に反するものでした。遅延は直感的には最小限に抑えたいもののように思えます。しかしここでは、遅延を短縮すると状況が悪化し、長くすると状況がより予測可能で無駄が少なくなりました。

本書の後半で、ドネラ・メドウズは短いフィードバックループについて言及しています。盲目的に適用できる明確なルールはありません。自分のシステムのモデルを作成し、さまざまなパラメータを試して、どのように動作するかを確認してください。

多くのマネージャーやリーダーは、研究者が提供するレバーを掴み、全速力で、間違った方向にクランクします。どちらが正しい方向かわかっていると思っているかもしれませんが、もしかしたら、両方の方向でシステムがどのように動作するかを理解し、直感ではなくデータに基づいて行動してみてはどうでしょうか。

P.S.

この例のトイシミュレーターで自由に遊んでみてください。コードはGithubにあります。