English 
エヴァンさん、あなたの職歴と現在の役職について教えてください。 キマルアイ?
過去20年にわたり、日本とアジア太平洋地域で企業向けソフトウェアのアナリティクスと市場開拓チームを率いてきました。初期の分析プラットフォームから、最適化、レコメンデーション、パーソナライゼーション、そして現在ではAgentic AIによる処方的レコメンデーションへと、私のキャリアはテクノロジーと共に進化してきました。2007年にデジタルマーケティングエージェンシーkonnichiwa-japanを共同設立し、多言語ウェブ開発、分析、最適化に注力してきました。2013年にイー・エージェンシーに入社し、フォーチュン500企業のGA360とOptimizelyの実験運用を支援するアカウント開発機能の構築に携わりました。レコメンデーションおよびパーソナライゼーションプラットフォームであるDynamic YieldのカントリーマネージャーとしてGTM機能を構築し、同地域のグローバルセールスを四半期で#1に導きました。Meltwater Japanでは、混乱した営業組織を立て直し、成長軌道に乗せました。直近では、テクノプロのデータ分析責任者として、ソリューション・コンサルティング・ビジネスに情報を提供するエグゼクティブ分析機能を立ち上げました。2024年、Kimaru AIを共同設立し、CEOとして、サプライチェーンデータを、適切な製品を適切なタイミングで適切な場所に提供するための実用的な提案に変えています。.
オペレーションとAIへのアプローチを形成した初期の経験から、サプライチェーンにおける意思決定インテリジェンスへの注力にどのような影響を与えたかまで、エヴァンさんの道のりを教えてください。
e-Agencyでは、Google Analytics 360とOptimizelyの大規模な展開を指揮し、具体的な運用ステップの引き金となる測定のみが重要であることを学びました。Dynamic Yieldでは、リアルタイムのパーソナライゼーションおよび製品推奨プラットフォームの日本市場参入を構築し、チャネルの利益が自動的に補充、価格設定、マークダウンへと上流に流れるわけではないことを目の当たりにしました。AIとNLPを使用してニュースやソーシャルデータをメンション、リーチ、センチメントなどの構造化シグナルに変換するメディアインテリジェンスおよびソーシャルリスニング企業であるMeltwaterでは、日本の営業組織の再構築に携わり、クライアントが外部シグナルを予測可能なアクションや結果に変換できるよう支援しました。テクノプロでは、エグゼクティブ・アナリティクス部門を立ち上げ、コマーシャル・チームや定期的なビジネス・スケジュールと連動した意思決定アドバイザリーを提供しました。ERP、WMS、POS（および関連する外部シグナル）からコンテキストを読み取り、理由とともに明確で優先順位の高い推奨事項を作成し、承認された意思決定をオペレータがすでに使用しているシステムに書き戻す意思決定レイヤーです。.
Kimaru.aiを設立する前に、Excelや静的なERPシステムのような従来のツールでは不十分だと気づかされた運用やデータの課題は何でしたか？また、初期の頃の教訓や失敗があれば教えてください。
- 遅延：毎週のスプレッドシートのサイクルは、毎日の需要と生鮮ウィンドウを追跡します。.
- サイロ化：マーチャンダイジング、サプライ、マーケティングは局所的に最適化され、勝利は伝播しません。.
- 記録のシステム≠行動のシステム：ERPが得意とするのは「何が起こったか」であり、「現在の制約の下で次に何をすべきか」ではありません。“
解決策は、ランク付けされたアクションを提案し、チームがすでに信頼しているシステムに書き戻す意思決定レイヤーです。.
Kimaru.aiは、既存のツールを置き換えることなく、隠れた利益を発見し、オペレーショナル・リスクを軽減するために開発されました。Kimaru.iの設立のきっかけと、開発初期段階におけるサプライチェーンの現実的な課題への取り組みについてお聞かせください。
3つのしつこいブロッカー
- 遅延：毎週のスプレッドシートのサイクルは、毎日の需要と生鮮ウィンドウを追跡します。.
- サイロ化：マーチャンダイジング、サプライ、マーケティングが局所的に最適化され、システム全体に波及しませんでした。.
- 記録のシステム≠行動のシステム：ERPは、現在の制約の下での次の最善の行動ではなく、何が起こったかを教えてくれます。.
教訓ダッシュボードは情報を提供しますが、オペレーターはランク付けされた、説明可能なアクションが必要です。.
米国、日本、APACにまたがるチームを率いることには、それなりの困難が伴います。このような多様なチームの連携、モチベーション、効果的な実行をどのように確保するのでしょうか？
私たちはチェンナイ、東京、オースティン、サンフランシスコで非同期第一主義を貫いています。日々の業務は、コミュニケーションはSlack、ドキュメントと意思決定はGoogle Workspace、プランニングとトラッキングはAsana、コードとレビューはGitHubで行っています。少人数で行うGoogleミーティングは必要に応じて利用し、大規模な全員参加は避けています。目標、スコープ、アップデートはGoogleドキュメントに記録され、Asanaプランにリンクされています。AsanaとGitHubのコードレビューで作業を可視化し、会議の代わりに簡潔な書面でのアップデートを期待することで、実行は予測可能な状態に保たれます。文化的にも、私たちは自己管理型と厳格な時間効率を重視して採用・運営しているため、チームは同期的なタッチポイントを待つことなく迅速に動くことができます。.
Kimaru.aiは、在庫回転率を20-30%向上させ、在庫切れを40%減少させるなど、測定可能な成果を約束します。また、アエラやブルー・ヨンダーのようなグローバルな競合他社との違いは何ですか？
オペレーターのKPI（在庫回転率、セルスルー、廃棄、サービスレベル）から逆算してミッションを定義し、洞察からアクション（マークダウンのタイミング、店舗補充、ルーティング）までの時間を短縮する意思決定レイヤーを構築しました。.
KimaruはAIネイティブでエージェント型です。軽量なエージェントがERP/POS/WMSとスプレッドシートのデータを調和させ、継続的な「what-if」意思決定モデルを実行し、意思決定トラッカーを通じて意思決定結果から学習することで、推奨は時間の経過とともに改善されます。迅速で測定可能な意思決定に焦点を当てることが、20-30%の在庫回転率と40%の在庫切れの減少の根拠となっています。.
アエラとの比較アエラは、広範で成熟した意思決定インテリジェンス・プラットフォームであり、広範な意思決定モデリング、ガバナンス、企業の「クロール」機能を備えています。キマルは、その幅広さと引き換えに、スピードとオペレーターへの影響力を意図的に高めています。私たちは、より小規模で、より迅速な実装を実現し、実行のラストワンマイルにチューニングを施すことで、マネージャーが即座に行動できるようにしています。.
ブルー・ヨンダーとの比較：私たちはブルー・ヨンダーを置き換えではなく、システム・パートナーとして扱っています。キマルはSCM/ERP/WMS/CRM/POSを補強し、最小限のコンテキストを取り込み、ランク付けされ、説明可能なアクションを提示し、承認された決定を顧客スタックに書き戻すことで、摩擦の少ないパイロットと迅速なTime-to-Valueを可能にします。.
Kimaru.aiは、ERP、WMS、Excelなどの既存ツールとのシームレスな統合で知られており、実用的なリアルタイム・レコメンデーションを提供します。統合だけでなく、どのような技術的または戦略的なブレークスルーが、このスピードとインテリジェンスを提供することを可能にしたのでしょうか？個人的に最も誇りに思っている製品やモジュールは何ですか？
私が最も誇りに思っている製品は、需要予測モジュールです。予測は、孤立した数字としてではなく、マネジャーが行動や制約に使うのと同じ意思決定の文脈で作成されます。.
AutoML、ユーザー・フィードバック・ループ、連合学習など、モジュールに継続的な学習を組み込んだので、モデルはサイクルごとに改善され、顧客固有のパターンに適応します。.
また、予測を意思決定の結果を測定し、価値を定量化するデシジョン・トラッカーと組み合わせ、すべてのフローをERP/WMS/POSと統合することで、予測はランク付けされ、説明可能な推奨と書き戻しを促進します。.
ハードな予測モデル、デジタル・ツインでのシミュレーション、継続的な学習、成果の測定、そして実用的な統合、これらの組み合わせにより、需要予測はオペレーターが信頼する測定可能な改善の基礎となります。.
日本の企業におけるAIの導入は増加しており、2025年には31%以上のプロフェッショナルがジェネレーティブAIを使用すると言われています。Kimaru.aiが小売業や物流業など、日本のクライアントの意思決定をどのように変えたか、また、最も驚かれた測定可能な結果を教えてください。これらの経験は、製品開発や顧客エンゲージメントへのアプローチ方法にどのような影響を与えましたか？
日本では、マッキンゼーが報告するAIを活用したサプライチェーンのベンチマークに照らし合わせてパイロットを設定しました。マッキンゼーによると、早期にAIを導入した企業では、物流コストが約15％、在庫レベルが約35％、サービスレベルが約65％改善したとのことです。マッキンゼーの小売およびロジスティクスのクライアント企業は、この枠組みの中で、システム内の推奨を利用して、価格、補充、ルーティングのコールをより頻繁に行うことで、人員を増やすことなく、販売促進期間中の棚上在庫を増やし、オンタイム・パフォーマンスを向上させました。マッキンゼーによると、AIは予測ミスをおよそ30～50％減らすことができるため、私たちは需要予測の品質にも焦点を当てました。これらの結果は、私たちのロードマップに影響を与えました。それは、推奨事項を説明可能な状態に保つこと、意思決定デジタルツインでチームに変更をテストさせること、承認されたアクションをERP、WMS、POSに書き戻すこと、ベースラインに対して安定した結果が出た後にのみ範囲を拡大することです。目標は、マッキンゼーの範囲内に収まる実用的な利益と、パイロットから価値への反復可能なパスを構築することです。.
日本のAI市場は2033年までに年平均成長率33%で成長すると予測されており、AIを活用したサプライチェーンが効率性と競争力の中心になりつつあります。
当社は米国、日本、インドにオフィスを構えるグローバル企業ですが、労働人口の減少と長期にわたる生産性の停滞が相まって、日本ではAIの迅速な導入が特に重要となっています。最も重要な機能は、データをランク付けされたアクションに変える意思決定エージェント、管理者がそれらのアクションを信頼し調整できるようにするヒューマン・イン・ザ・ループ・コントロール、ERP、WMS、POSへの摩擦の少ない統合であり、チームがすでに使用しているツールの内部で価値が現れるようにすることです。継続的な学習も同様に重要です。予測と推奨は、機密データを公開することなく、サイクルごとに改善される必要があります。.
Kimaruは、テクノロジーとデリバリーのペアリングにより、オペレーターの準備を行っています。前方に配置されたエンジニアがコネクタを構築し、パイロットを立ち上げ、ローカルのプレイブックを成文化するため、お客様は大規模な社内エンジニアリングチームを必要としません。当社の意思決定デジタルツインは、需要予測、補充、マークダウンのタイミングなどの意思決定にコンテキストを提供するため、推奨事項は実際の制約を反映し、承認が容易です。デシジョントラッカーが結果を測定し、改善をシステムにフィードバックすることで、理論よりも結果に重点を置いた採用が可能になります。目標はシンプルです。日本のオペレーターがより速く動き、既存のスタック内でより良いコールを行い、AIを在庫回転率、在庫稼働率、サービスレベルの測定可能な利益に変換できるようにすることです。.
AI、意思決定インテリジェンス、サプライチェーンイノベーションを目指す若いプロフェッショナルに、マインドセット、スキル、そして急速に進化するデータ主導の業界をナビゲートするという点で、どのようなアドバイスをしますか？
単にタスクを自動化するだけでなく、実際のビジネス成果を促進するために、AIエージェントや意思決定フレームワークと連携する方法を学びます。これは、エージェントがどのように計画を立て、APIを呼び出し、メモリを管理し、エッジケースを処理するかを理解することから始まります。しかし、それと同じくらい重要なのは、エージェントの背後にある方法論です。そこで登場するのがデシジョンインテリジェンスです。元々はロリアン・プラット博士によって定式化されたもので、データを意思決定と結果に変えるための構造化されたアプローチを提供します。Kimaruでは、これをネットワーク化された意思決定デジタルツインと呼ぶもので、予測、割り当て、補充などのサプライチェーン機能全体の選択の影響をシミュレートする相互接続された軽量モデルで拡張しています。各デジタルツインは測定可能なビジネス目標に関連付けられており、エージェントはそれらを使用して、明確な根拠と承認フローを持つランク付けされた推奨事項を表示します。もしあなたがこれから始めるのであれば、モデル構築よりも、現実世界の意思決定ポイントをマッピングし、ビジネス上の制約を理解し、それらのフローに適合するAIを設計することに重点を置いてください。それが、単なる予測ではなく、価値を生み出す方法です。.
日本語