پیش بینی غیرقابل پیش بینی

سه سال پیش ، Nasdaq با یک مشکل ناخوشایند روبرو شد. می خواست اندازه کنه تجارت خود را که در آن زمان 1/8 دلار بود ، به 1/16 کاهش دهد و در نهایت به 1/100 کاهش یابد. در بین متخصصان بازار ، خرد درک شده این بود که این تغییر به خریداران و فروشندگان اجازه می دهد تا با شرایط دقیق تر مذاکره کنند ، بنابراین باعث افزایش بازار بین پیشنهاد و قیمت ها می شوند. اما این سازمان احتیاط داشت که حرکت به سمت اعشاری ممکن است آتش سوزی شود و منجر به ناکارآمدی یا بدتر از آن شود که مردم بتوانند از آن سوءاستفاده کنند. در گذشته ، مدیران NASDAQ بازار مالی را از طریق مطالعات اقتصادی ، مدل های مالی و سایر تحقیقات مورد تجزیه و تحلیل قرار داده بودند. اما حرکت به اندازه کنه کوچکتر قلمرو ناشناخته ای بود که از تجزیه و تحلیل های سنتی سرپیچی می کرد. چگونه NASDAQ می تواند اطمینان حاصل کند که اعشار باعث نمی شود سیستم از بین برود؟

برای پاسخ به این امر ، NASDAQ با Biosgroup ، مشاوره ای در سانتافه ، نیومکزیکو ، برای تهیه یک برنامه رایانه ای که شبیه سازی تغییرات پیشنهادی را انجام داده بود ، همکاری کرد. این برنامه معمولی نبود ؛این نرم افزار هزاران نفر از افراد مجازی را به نمایندگی از سازندگان بازار ، سرمایه گذاران نهادی ، مدیران صندوق بازنشستگی ، معامله گران روز ، سرمایه گذاران گاه به گاه و سایر شرکت کنندگان در بازار ایجاد کرده است. هر یک از این نمایندگان نرم افزاری تصمیم گیری در مورد خرید و فروش با استفاده از استراتژی های دنیای واقعی گرفتند. این فناوری ، با نام مدل سازی مبتنی بر عامل ، NASDAQ را قادر ساخت تا پویایی بازار سهام را کشف کند که روش های ریاضی خالص هرگز نمی توانند از بین بروند.

نتایج باز شدن چشم بود. اندازه کوچکتر تیک در واقع می تواند توانایی بازار در انجام کشف قیمت را کاهش دهد و منجر به گسترش گسترده تر بین پیشنهاد و سؤال شود. آزمایشات بیشتر به NASDAQ کمک کرد تا این رفتار ضد انعطاف پذیر را تأیید و درک کند ، که به سازمان اجازه می داد تا بهتر انتقال خود را به اعشائی برنامه ریزی کند.

NASDAQ تنها پیشگام نیست که از مدل سازی مبتنی بر عامل بهره مند شود. به عنوان مثال میسی از این فناوری برای بررسی روشهای بهتر برای طراحی فروشگاه های بخش خود استفاده کرده است. Hewlett-Packard شبیه سازی های مبتنی بر عامل را برای پیش بینی چگونگی تغییر در استراتژی استخدام خود بر فرهنگ سازمانی آن انجام داده است. و Société Générale از این فناوری برای تعیین خطر عملیاتی گروه مدیریت دارایی خود استفاده کرده است.

چرا پدیده های ظهور مهم هستند

برای قدردانی از قدرت کامل مدل سازی مبتنی بر عامل ، ابتدا باید مفهوم "پدیده های ظهور" را درک کنید و بهترین راه برای انجام این کار با فکر کردن به یک ترافیک است. اگرچه آنها روزمره هستند ، اما ترافیک در واقع بسیار پیچیده و مرموز است. در سطح فردی ، هر راننده در تلاش است تا به جایی برسد و قوانین خاصی را دنبال می کند (یا شکستن) ، برخی قانونی (محدودیت سرعت) و برخی دیگر اجتماعی یا شخصی (کند می شود تا راننده دیگری را تغییر دهد). اما یک ترافیک یک موجود جداگانه و مجزا است که از آن رفتارهای فردی ناشی می شود. به عنوان مثال ، Gridlock در بزرگراه می تواند بدون هیچ دلیل مشخصی به عقب سفر کند ، حتی وقتی اتومبیل ها به جلو حرکت می کنند.

پدیده های نوظهور فقط کنجکاوی دانشگاهی نیستند. آنها در زیر سطح بسیاری از اسرار در دنیای تجارت قرار دارند. نحوه تعیین قیمت ها در یک بازار آزاد جز یک تصویر است. به عنوان مثال ، چرا پاداش های کارمندان و سایر مشوق ها گاهی منجر به کاهش بهره وری می شوند؟چرا برخی از محصولات-مانند اسکوتر قابل جمع شدن-باعث ایجاد وزوز فوق العاده ای می شوند ، به ظاهر از هیچ جا ، در حالی که برخی دیگر با وجود کمپین های بازاریابی چند میلیون دلاری خود ، کمرنگ می شوند؟چگونه می توان یک خطای ساده روحانی را به یک ضرر فاجعه آمیز که یک موسسه مالی را ورشکسته می کند ، به یک خطای برفی آشکار تبدیل کند؟

برای بسیاری از مشاغل - و برای جامعه به طور کلی - پدیده های انرژی در سالهای اخیر رواج بیشتری پیدا کرده اند. یک دلیل این است که شهرها و سایر مناطق شهری شلوغ تر شده اند. علاوه بر این ، اکنون مردم تا حد بیشتری به هم پیوسته اند (به لطف بخشی از اینترنت و سایر فن آوری های ارتباطی). با افزایش تراکم جمعیت و تعداد تعامل بین افراد ، احتمال پدیده های نوظهور نیز افزایش می یابد. علاوه بر این ، برخی از مشاغل بسیار به هم پیوسته و پیچیده تر می شوند. به عنوان مثال ، پیچیدگی بازار سهام با تعداد بیشتری از شرکت کنندگان از جمله سرمایه گذاران گاه به گاه و با ایجاد ابزارهای پیشرفته مالی مانند مشتقات افزایش یافته است.

به دلیل ماهیت خود، تجزیه و تحلیل پدیده های نوظهور به طرز شیطانی دشوار است، چه رسد به پیش بینی. رویکردهای سنتی مانند تجزیه و تحلیل صفحه‌گسترده و رگرسیون یا حتی دینامیک سیستم (یک تکنیک محبوب مدل‌سازی تجاری که بر مجموعه‌ای از معادلات دیفرانسیل متکی است) در حال حاضر در تحلیل و پیش‌بینی آنها ناتوان هستند. چنین رویکردهایی از بالا به پایین کار می‌کنند، معادلات و چارچوب‌های جهانی را در نظر می‌گیرند و آن‌ها را در یک موقعیت به کار می‌برند، در حالی که رفتار پدیده‌های نوظهور از پایین به بالا شکل می‌گیرد و از تعاملات محلی عوامل مستقل مختلف شروع می‌شود. آن افراد (مانند رانندگانی که در ترافیک هستند) اقدامات خود را در پاسخ به کاری که دیگران انجام می‌دهند تغییر می‌دهند، و با هم تعاملات بی‌شمار منجر به رفتار گروهی می‌شود (ترافیک) که به راحتی می‌تواند از هر تحلیل از بالا به پایین فرار کند.

اقدامات مستقل افراد بی‌شماری اغلب منجر به رفتاری جهانی می‌شود که از اقدامات محلی آنها حباب می‌شود.

پدیده های نوظهور اغلب شهود را نیز به چالش می کشند. اندازه تیک کوچکتر نزدک می تواند منجر به افزایش قیمت پیشنهادی شود. افزودن خطوط جدید به بزرگراه اغلب باعث بدتر شدن ترافیک در ساعات شلوغی می‌شود - نتیجه‌ای که پس از مهندس تحقیقات عملیات آلمانی که آن را در سال 1968 کشف کرد، به پارادوکس بریس معروف است. یک خط راه بندان را افزایش می دهد زیرا رانندگان بیشتر خطوط را تغییر می دهند و باعث کاهش سرعت سایر رانندگان می شود. با وجود چنین پساعقلانی سازی های راحت، نکته مهم در اینجا این است که هر پدیده نوظهور موجودی منحصر به فرد است که می تواند غیر شهودی باشد و از این رو، پیش بینی آن دشوار است.

در تجربه خود از مطالعه انواع پدیده های نوظهور، دریافته ام که تنها راه برای تجزیه و تحلیل و حتی شروع به پیش بینی آنها، مدل سازی آنها از پایین به بالا است. در چنین شبیه‌سازی، هر یک از شرکت‌کنندگان، مانند سرمایه‌گذار در حال خرید سهام یا شخصی که در بزرگراه رانندگی می‌کند، یک فرد مجازی است که بر اساس آنچه دیگران انجام می‌دهند، تصمیم می‌گیرد. چنین مدل‌سازی می‌تواند با تبدیل کردن هر شرکت‌کننده به فردی متمایز، واقعیت را به‌دقت ثبت کند. یک مدیر باتجربه صندوق بازنشستگی، به هر حال، سهام را به همان روشی که یک تاجر جوان روز به روز انجام می دهد، خرید و فروش نمی کند. به عبارت دیگر، مدل‌سازی عوامل به‌عنوان افراد به درک ناهمگونی دنیای واقعی کمک می‌کند. و دستیابی به این نوع دقت اخیراً به لطف رایانه های ارزان تر و تکنیک های مدل سازی بهتر بسیار مقرون به صرفه تر شده است.

تأثیرگذاری بر مصرف کنندگان

در واقع ، قدرت محاسبات مقرون به صرفه به شرکتها این امکان را داده است تا سناریوهای موجود در سیلیکو را بررسی کنند که برای کشف در دنیای واقعی بسیار گران و خطرناک خواهد بود. در نظر بگیرید که چگونه الگوهای ترافیکی - نحوه حرکت مردم از طریق فروشگاه ها و مراکز - می تواند تأثیر مستقیمی بر تجارت داشته باشد. در محیط های خرده فروشی ، چه طرح نه تنها رضایت مشتریان بلکه هزینه های آنها را به حداکثر می رساند؟

قدرت محاسبات مقرون به صرفه ، شرکت ها را قادر می سازد تا سناریوهای موجود در سیلیکو را که می تواند در دنیای واقعی کشف شود ، بررسی کنند.

برای پاسخ به این موضوع ، محققان از اطلاعات زیادی موجود ، از جمله داده های فراوان کدگذاری شده در صندوق های پول (آنچه مشتریان خریداری کرده اند و زمان خریداری آن) و همچنین دانش متخصصانی مانند Paco Underhill ، یک طبیعت گرای ، از آن استفاده کرده اند. از رفتار خرید و نویسنده چرا ما خریداری می کنیم. Underhill می داند ، به عنوان مثال ، درصد دقیق خریدارانی که پس از ورود به سوپر مارکت به سمت راست می چرخند و احتمال اینکه کسی در وسط یک راهرو شلوغ به چرخش U بچرخد ، می پردازند. با استفاده از این اطلاعات ، محققان می توانند مدل های مبتنی بر عامل از ، به عنوان مثال ، یک سوپر مارکت با خریداران مجازی بسازند. این شبیه سازی ها نشان داده اند که تغییر در چیدمان فروشگاه امکان افزایش هزینه مشتری را تا 20 ٪ دارد.

Sainsbury ، زنجیره سوپر مارکت های انگلیس ، چنین الگوی رایانه ای از سوپر مارکت خود را در South Ruislip در غرب لندن تهیه کرده است. Sainsbury با کمک Ugur Bilge of Simworld ، یک مشاوره مستقر در لندن ، و جان کاستی از دانشگاه وین ، توانست جزئیات پیچیده ای را در مدل قرار دهد ، مانند مدت زمان هر خریدار در بخش های مختلف. به عنوان مثال ، مطالعات دوربین نشان داده است که میانگین زمانی که مشتری برای خرید شیر خرج می کند ، پنج ثانیه است ، در مقابل 90 ثانیه برای انتخاب یک بطری شراب.

در مدل مبتنی بر عامل ، هر خریدار لیست متفاوتی از موارد (بر اساس داده های واقعی جمع آوری شده از خوانندگان بارکد در صندوق های پول در فروشگاه های Sainsbury) دارد. از آنجا که افراد مجازی راه خود را از طریق راهروها می گذرانند و کالاهای خود را انتخاب می کنند ، این نرم افزار تراکم مشتری را در سراسر فروشگاه و همچنین زمان انتظار در پیشخوان های پرداخت دنبال می کند. طرح های مختلف (مانند جابجایی بخش غذاهای یخ زده) را می توان به راحتی آزمایش کرد تا در مورد تأثیر آنها در احتقان فروشگاه قضاوت کند.

البته افزایش کارایی خرید تنها ملاک نیست. مدیران فروشگاه‌ها اغلب می‌خواهند مناطق پرتردد (مثلاً بخش‌های گوشت و محصولات پخته) را از هم جدا کنند تا وقتی خریداران بین آن‌ها رفت و آمد می‌کنند، خرید آنی را تشویق کنند. گاهی اوقات «نقاط داغ» (مناطق ازدحام) مکان‌های مطلوبی برای فروش اقلام یا نمونه‌های رایگان هستند. علاوه بر این، پاسخ به روانشناسی مشتری مهم است. به عنوان مثال، یک سوپرمارکت ممکن است بخواهد بخش محصولات خود را نزدیک در ورودی قرار دهد تا مشتریان را با تازگی سبزیجات و میوه های خود تحت تاثیر قرار دهد.

مدل مبتنی بر نمایندگی، Sainsbury را قادر می‌سازد تا این عوامل مختلف را متعادل کند تا بهترین چیدمان فروشگاه را تعیین کند. اگرچه این پروژه نیاز به اصلاح بیشتری دارد (برای مثال، در شبیه‌سازی این نکته در نظر گرفته نمی‌شود که مشتریان جوان‌تر تمایل به خرید سریع‌تر از افراد مسن‌تر دارند)، برخی از نتایج اولیه بینش Sainsbury را در مورد کسب‌وکار خود نشان داده‌اند. به طور خاص، این مدل رفتار شگفت‌انگیزی را نشان داد. به عنوان مثال، افزایش تعداد مشتریان در فروشگاه می تواند منجر به کاهش فروش شراب شود. دلیل آن این است که با شلوغ شدن سوپرمارکت، تعداد نقاط داغ افزایش می‌یابد، که مشتریان را از رفتن به بخش شراب، واقع در گوشه‌ای دورتر از فروشگاه منصرف می‌کند.

سایر خرده فروشان نیز از شبیه سازی مبتنی بر عامل برای بررسی طرح بندی بهتر برای فروشگاه های خود استفاده کرده اند. به طور خاص، میسی به موضوعاتی مانند بهترین مکان برای قرار دادن صندوق‌فروشی‌ها و میزهای خدماتش علاقه مند بود - تصمیماتی که بر اساس زیبایی‌شناسی و شیوه‌های گذشته بود. میسی با همکاری با Pricewaterhouse-Coopers (در آن زمان Coopers & Lybrand)، یک فروشگاه مجازی ایجاد کرد که می‌توان آن را نه تنها از نظر طرح فیزیکی، بلکه از نظر کارکنان - تعداد همکاران فروش در بخش‌های مختلف، تغییر داد. مزیت بزرگ مدل مبتنی بر عامل این بود که میسی را قادر می‌سازد تا طرح‌بندی‌ها و گزینه‌های مختلف را در فضای مجازی بدون به خطر انداختن شهرت خود در دنیای واقعی آزمایش کند.

تولیدکنندگان کالاهای مصرفی به دلایل متفاوتی به مدل سازی مبتنی بر عامل علاقه مند هستند. شرکت هایی مانند پراکتر اند گمبل و یونیلور مایلند قفسه بندی بهینه را برای محصولات خود تعیین کنند تا بیشترین فروش را داشته باشند. همچنین می توان از مدل سازی مبتنی بر نمایندگی برای طراحی استادیوم ها، مراکز خرید و پارک های تفریحی بهتر استفاده کرد.

در نمونه ای از دومی ، Rob Axtell و Josh Epstein از موسسه بروکینگز یک مدل مبتنی بر نماینده از یک پارک موضوعی تهیه کرده اند که از داده های فراوان این تسهیلات از پیشخوان افراد ، تایمرهای صف ، نظرسنجی مشتری و منابع دیگر استفاده می کند. این اطلاعات به Axtell و Epstein کمک کردند تا یک مدل مفصل از یک جمعیت ناهمگن ایجاد کنند که خواسته ها و انتظارات مختلفی برای یک روز در پارک داشتند. به عنوان مثال ، یک خانواده چهار نفره نیازهای بسیار متفاوتی دارند (شش سوار ، چهار سگ داغ ، دو آب نبات پنبه ، سه سفر به سرویس بهداشتی) نسبت به یک زوج نوجوان در تاریخ. این مدل مبتنی بر عامل این اطلاعات را برای تعادل رضایت مشتری از هدف پارک موضوع از افزایش تجارت در نظر گرفت. این مدل قادر به بررسی سؤالات پیچیده ای بود که فراتر از تکنیک های ریاضی سنتی و یک تحلیل آماری خالص از داده ها بود.(به عنوان مثال ، چه راه حل بهتری وجود دارد ، که ساعت های پارک را 30 دقیقه تمدید می کند یا هر سوار را 8. 5 ثانیه کوتاه می کند؟) علاوه بر این ، این تحقیق ایده های جدیدی را برای تحقیقات بیشتر برانگیخت. چه اتفاقی می افتد ، به عنوان مثال ، اگر به هر مشتری یک دستگاه محاسباتی دستی کوچک داده می شد که اطلاعات به روز در طول خط را در هر سواری و جذابیت نمایش می داد؟

انگیزه کارمندان

شرکت ها از فناوری مبتنی بر عامل برای الگوبرداری از اقدامات نه تنها مشتریان بلکه از کارمندان خود استفاده کرده اند. یک شرکت کالاهای مصرفی از این فناوری برای طراحی یک ساختار تشویقی بهتر برای مدیران کشور خود در اروپا استفاده کرده است. این شرکت بر اساس نسبت "شورت" (هنگامی که محصولی از فروش خارج می شود) به آنها پاداش داده بود - هرچه بهتر باشد. اما این باعث می شود مدیران به سفارش بیشتر از آنچه نیاز داشتند - یک عمل بسیار پرهزینه در هنگام خراب شدن محصولات. برای جلوگیری از فساد ، این شرکت غالباً اگر مدیر کشور دانمارک نیازهای خود را بیش از حد ارزیابی کرده بود ، باید به سرعت مقادیر زیادی از سهام را از جمله ، مثلاً دانمارک به ایتالیا منتقل کند. بنابراین یک سیستم تشویقی جدید مورد نیاز بود ، که باعث می شود مدیران کشور به نفع شرکت کلی عمل کنند.

پدیده های ظهور چیست؟

هر زمان که می‌خواهم مفهوم پدیده‌های نوظهور را برای گروهی از مدیران کسب‌وکار توضیح دهم، از آنها می‌خواهم به بازی زیر فکر کنند: تصور کنید همه ما شروع به اختلاط کردیم، انگار در یک مهمانی کوکتل بودیم. به طور تصادفی، شما در سکوت دو نفر دیگر را انتخاب می کنید (آنها را A و B صدا کنید) و سپس همیشه خود را طوری قرار می دهید که A بین B و شما قرار گیرد. اگر بقیه هم همین کار را می کردند، چه اتفاقی می افتاد؟حالا بیایید بازی را کمی تغییر دهیم: شما همیشه خود را طوری قرار می دهید که بین A و B قرار بگیرید.

اگر چند ده نفر باشیم، در بازی اول همه ساعت‌ها در اتاق به حرکت خود ادامه می‌دهند، زیرا به طور مداوم سعی می‌کنیم خود را در موقعیت مناسب نگه داریم. یک ناظر خارجی که از بازی ما بی خبر بود ممکن است فکر کند که حرکت تصادفی بوده است. در سناریوی دوم، نتیجه به طور قابل توجهی متفاوت است. در عرض چند ثانیه، ما در یک خوشه واحد و تقریباً ثابت جمع خواهیم شد. ممکن است همان ناظر ناآگاه فکر کند که هدف ما پیوستن به هم بوده است. در هر صورت، رفتار جمعی ما - آسیاب کردن یا جمع شدن - پدیده نوظهوری است که از اقدامات فردی ما ناشی شده است.(برای مشاهده شبیه سازی این بازی به سایت www. icosystem. com/game مراجعه کنید.)

بازی ساده دارای سه درس مهم است. اولاً، پدیده های نوظهور می توانند غیرقابل پیش بینی و اغلب غیر شهودی باشند. مثلاً اگر نیمی از ما از قانون بازی اول پیروی کنند و بقیه از قانون دیگر پیروی کنند چه اتفاقی می افتد؟دوم، یک تغییر به ظاهر جزئی در کاری که به صورت فردی در یک گروه انجام می دهیم، می تواند رفتار جمعی ما را به طور اساسی تغییر دهد. ثالثاً، لزوماً یک پیوند منطقی بین اقدامات فردی ما و پدیده نوظهور ناشی از آن وجود ندارد. یعنی چرا باید بازی دوم – و نه اول – منجر به جمع شدن شود؟

در واقع، پدیده های نوظهور اغلب زندگی خود را دارند که از رفتارهای اجزای سازنده آنها جدا و متمایز است. به عنوان مثال، راه بندان همیشه با مطالعه کارهایی که هر راننده انجام می دهد قابل درک نیست. نمونه‌هایی از پدیده‌های نوظهور در دنیای تجارت عبارتند از رفتار سازمانی که از طریق پاداش‌ها و مشوق‌های کارکنان شکل می‌گیرد (یا بدشکل می‌شود)، بازارهای آزاد که در آن قیمت‌ها از طریق تعاملات بی‌شمار خریداران و فروشندگان تعیین می‌شوند، و سروصدای مصرف‌کننده که محصولات خواب را به سمت موفقیت‌های فراری سوق می‌دهد..

مشکل سخت تر از آن است که در ابتدا ظاهر شود. بدیهی است ، سیستم فعلی باعث احتقان می شود ، اما مشوق هایی که فقط به عملکرد کلی شرکت گره خورده اند ، قابل استفاده نبود زیرا مردم دوست ندارند از داشتن پاداش های خود با عواملی که تأثیر کمی دارند ، مرتبط باشند. بنابراین چه رفتار محلی باید به شرکت پاداش دهد ، و چگونه باید اطمینان حاصل کند که سیستم جدید در نهایت منجر به هرگونه اقدامات ضد تولیدی مانند احتکار نمی شود؟مدل سازی مبتنی بر عامل به کشف این پاسخ کمک کرد: علاوه بر شورت های خود ، پاداش مدیران کشور را مستقیماً با هزینه های ذخیره سازی آنها پیوند دهید. این تغییر به تنهایی می تواند هزینه های زنجیره تأمین را چندین درصد کاهش دهد و منجر به پس انداز سالانه میلیون ها دلار شود. در اصل ، مدل سازی مبتنی بر عامل به اتصال رفتار محلی مدیران کشور به عملکرد جهانی سازمان کمک کرده است.

سایر شرکت ها از مدل سازی مبتنی بر عامل برای بررسی روشهای جدید جدید برای انجام کار استفاده کرده اند. در صنعت داروسازی ، هزینه تولید داروهای جدید افزایش یافته است و بسیاری از شرکت ها را وادار به تجدید نظر در عملکرد تحقیق و توسعه خود کرده است. بخشی از مشکل به اصطلاح سندرم تیم خودخواهانه است که در آن گروهی که در حال تهیه یک داروی خاص هستند ، تصمیمات مغرضانه ای می گیرد-برای مثال ، تلاش برای نجات پروژه در هنگام کشته شدن-از آنجا که شهرت تیم به آن گره خورده استموفقیت مواد مخدر یا به این دلیل که اعضای تیم از نظر عاطفی به این پروژه وابسته شده اند. چنین رفتارهای ضد تولیدی می تواند رشد دارو را کاهش داده و هزینه آن را افزایش دهد. با توجه به چنین موضوعاتی ، یک شرکت بزرگ دارویی به یک راه حل احتمالی فکر می کرد - ایجاد یک بازار برای برقراری ارتباط برخی از داروها در مراحل اولیه آزمایشات بالینی انسان.

برای کشف این امر و سایر گزینه های دیگر ، من و همکاران من در Icosystem و من یک الگوی مبتنی بر نماینده از بازیکنان مختلف ، هم کارمندان شرکت و هم پیمانکاران بالقوه ، از جمله سازمان های تحقیقاتی قرارداد (شرکت هایی که در مدیریت آزمایشات بالینی تخصص دارند) ، دانشگاهیان ، که دانشگاهیان که تخصص دارند ، تهیه کردیم. آیا کار مشاوره و حتی متخصصان شرکت های رقیب انجام دهید. ما دریافتیم که به دلیل تنوع بازیکنان (انگیزه های مختلف آنها ، بروز ریسک ، ساختار هزینه و غیره) ، مشتری دارویی ما احتمالاً نمی تواند تمام این فعالیت ها را با سودآوری در یک بازار آزاد هماهنگ کند.

مشتری ما سپس پیشنهاد کرد که شبکه ای از شرکت کنندگان ، داخلی و خارجی ایجاد کند ، با استفاده از مشوق هایی که تصمیم گیری بهتر را تشویق می کند (مانند پاداش های مرتبط با موفقیت کل نمونه کارها مولکول های دارویی). از طریق مدل سازی بیشتر ، ما دریافتیم که این راه حل می تواند به مشتری ما کمک کند تا بیش از دو برابر ارزش تنظیم ریسک از نمونه کارها خود از مولکولهای اخیراً کشف شده باشد. براساس این نتایج ، این شرکت تصمیم گرفته است این روش جدید برای سازماندهی توسعه اولیه بالینی را در دنیای واقعی آزمایش کند.

مدل سازی مبتنی بر عامل همچنین می تواند به پیش بینی چگونگی تغییر در استراتژی استخدام سازمان در نهایت بر فرهنگ سازمانی آن کمک کند. به عنوان مثال ، در یک پروژه آزمایشی ، CAP Gemini Est & Young برای نوآوری در تجارت یک الگوی مبتنی بر عامل از کارمندان Hewlett-Packard ایجاد کرد. برای چندین دهه ، HP یک سنت قوی برای استخدام مردم به خاطر وفاداری خود و نه لزوماً برای تجربه خود داشت. این شرکت تلاش های خود را برای یافتن افراد ، فارغ التحصیلان دانشگاهی که اغلب دارایی هستند ، که در فرهنگ خود قرار می گیرند ، متمرکز کرده است و بسیاری از کارمندان کل شغل خود را در HP می گذراندند. اما از آنجا که بازار کار به سمت آژانس آزاد شروع به حرکت کرد ، HP نگران این بود که چگونه این تغییر در شرکت تأثیر می گذارد. علاوه بر این ، هنگامی که این شرکت تمرکز خود را به سمت خدمات تغییر داد ، به طور فزاینده ای به استخدام مشاوران پرقدرت و با تجربه علاقه مند شد ، که معمولاً بسیار کمتر از مهندسان HP وفادار بودند.

نتایج شبیه سازی برخی از ظن های HP را تأیید کرد. به عنوان مثال ، استخدام عوامل آزاد در نهایت منجر به هزینه های گردش مالی بالاتر می شود ، زیرا کارمندان (حتی کسانی که در ابتدا وفادار بودند) با نرخ بالاتری شروع به ترک می کنند. یک یافته شگفت آور این بود که استخدام افراد با تجربه اما کمتر وفادار در نهایت منجر به کاهش کلی سطح دانش HP می شود. اگر استراتژی استخدام به طور ناگهانی تغییر کند ، این نتیجه به ویژه تلفظ می شود. یک جایگزین بهتر یک انتقال تدریجی در طول یک یا دو سال بود. علاوه بر این ، مدل مبتنی بر عامل نشان می دهد که HP می تواند با سرمایه گذاری همزمان در ضبط دانش ، مانند یک مخزن و سیستم های فناوری اطلاعات ، می تواند تأثیرات منفی چنین تغییری را کاهش دهد. انجام این کار می تواند یک تغییر مشخص از تمرکز سنتی HP بر توسعه هر یک از کارمندان (به عنوان مثال ، با تشویق چرخش شغلی در مشاغل و کارکردها) - یک استراتژی باشد که هنگام گردش مالی کمتر معنی دارد.

یک منطقه جدید هیجان انگیز از تحقیقات مبتنی بر عامل در زمینه ریسک عملیاتی است که به دلیل خسارات عظیمی که در طی سالهای متمادی توسط داوا ، سومیتومو ، بارینگز ، کیدر پابودی و دیگران متحمل شده است ، نگرانی فزاینده ای است. اگرچه بانکها روشهای کارآمد و پیشرفته ای برای ارزیابی بازار و خطرات اعتباری خود ایجاد کرده اند ، اما هنوز در مراحل اولیه فهمیدن نحوه اندازه گیری و نظارت بر ریسک عملیاتی آنها هستند. این کار بسیار دشوار است زیرا سازمان ها درک روشنی از دقیقاً چگونگی خطا (یا عمل کلاهبرداری) از طریق یک سیستم ندارند و باعث از بین رفتن فاجعه بار می شوند ، مانند درختی که روی یک خط برق قرار می گیرد و شبکه برق را مختل می کنداز چندین ایالت

یک خطا می تواند از طریق یک سیستم آبشار داشته باشد و باعث از بین رفتن فاجعه بار مانند درختی شود که روی یک خط برق قرار می گیرد و شبکه برق چندین حالت را مختل می کند.

همکاران من در Bios و Cap Gemini Est & Young و من از مدل سازی مبتنی بر عامل برای تجزیه و تحلیل و کمیت خطر عملیاتی تجارت دارایی Société Générale در فرانسه استفاده کرده ایم. در شبیه سازی ، ما کارمندان شرکت را به عنوان نمایندگان مجازی الگوبرداری کردیم که به طور مداوم با انجام وظایف خود با یکدیگر در تعامل بودند. از داده های گذشته ، ما می دانستیم که کارمندان بانک معمولاً انواع خاصی از خطاها را انجام می دهند ، مانند نوشتن تعداد اشتباه صفرها (10،000 دلار به جای 1000 دلار) یا گیج کردن ارز محلی با یورو. اما ما دریافتیم که چنین خطاهایی تقریباً هرگز منجر به خسارات فاجعه بار نمی شود مگر اینکه در انواع خاصی از موقعیت ها رخ داده باشد - به عنوان مثال ، هنگامی که بازارهای مالی در ماه آگوست بی ثبات هستند. نتایج دقیق از مدل مبتنی بر عامل به توضیح دلیل کمک کمک کرده است.

نوسانات موجود در بازار منجر به افزایش حجم معاملات می شود ، که در نتیجه تعداد بسیار بیشتری از خطاها به وجود می آید زیرا مردم عجله می شوند و زمان کمی برای بررسی دو بار کار خود دارند. در فرانسه ، این مشکل در ماه آگوست تشدید می شود زیرا این زمانی است که بسیاری از کارمندان - به طور کلی با تجربه تر که ارشد کسب کرده اند - تعطیلات طولانی را انجام می دهند. در یک سناریو ، یک معامله گر بی تجربه و بیش از حد کار اشتباه می کند: به جای فروش سهام ، او آن را خریداری می کند و هیچ کس در بخش خود ، از جمله سرپرست شلوغ خود ، خطا را نشان می دهد. مدارک مربوط به این سفارش راهی به دفتر پشتیبان می شود ، جایی که یک کارورز تابستانی نیز نتواند این اشتباه را تشخیص دهد و سفارش را پردازش کند. تا زمانی که گاف چند روز بعد کشف شد ، سهام در ارزش کاهش یافته است و در نتیجه باعث از بین رفتن چند میلیون دلاری می شود.

نه تنها ما چنین آسیب پذیری های احتمالی را کشف نکردیم ، بلکه می توانیم با استفاده از داده های تاریخی بازارهای سرمایه ، احتمال بروز آنها در دنیای واقعی را تخمین بزنیم. اگرچه ضررهای فاجعه بار در مدل بسیار بعید به نظر می رسید ، با اجرای هزاران شبیه سازی ، ما توانستیم حوادث نادری را ایجاد کنیم که باعث چنین فاجعه ای شد ، و این نتایج به آمار در مورد خطر عملیاتی واقعی بانک کمک کرد. از این اطلاعات ، Société Générale می تواند رویه هایی را برای به حداقل رساندن این خطر (مانند تغییر در سیاست تعطیلات خود) و همچنین محاسبه کند که چقدر سرمایه باید برای تأمین ضررهای بالقوه مشخص شود. در حال حاضر ، مؤسسات مالی روش دقیقی برای تعیین خطر عملیاتی خود ندارند ، بنابراین آژانس های نظارتی آنها را وادار می کنند تا میزان پول نقد بارانی مورد نیاز خود را برای ذخیره بیش از حد ارزیابی کنند. در تجارت مدیریت دارایی ، یک موسسه مالی که می تواند ریسک عملیاتی آن را به طور دقیق تعیین کند ، می تواند به راحتی میلیون ها دلار در هر سال پس انداز کند ، نه تنها با آزاد کردن برخی از سرمایه های بارانی روز (که می تواند سرمایه گذاری شود) بلکه با کاهش بیمه سازمان نیزحق بیمه

دنیای عجیب رفتار ظهور

پدیده های نوظهور اغلب به روش های شگفت آور و غیرقابل پیش بینی رفتار می کنند. یک مثال کلاسیک پارادوکس Braess است که به نام مهندس آلمانی دیتریش برس نامگذاری شده است که آن را در سال 1968 شناسایی کرد. از مطالعات گسترده ترافیک ، برس دریافت که اضافه کردن خطوط جدید به بزرگراه لزوماً باعث کاهش شبکه ساعت عجله نمی شود بلکه اغلب آن را بدتر می کند. در واقع ، پدیده های نوظهور غالباً رفتارهای ضد انعطاف پذیر را نشان می دهند که درک آن دشوار است. موارد زیر را در نظر بگیرید:

• افزایش جزئی در تعداد خریداران در یک سوپر مارکت منجر به افت چشمگیر فروش محصولات خاص می شود.

• سازمانی که جوایز پاداش های بالاتر کارمندان را دریافت می کند ، یک سال بعد کشف می کند که عملکرد شرکت ها کاهش یافته است.

• یک محصول Sleeper از جایی خارج نمی شود تا به یک موفقیت بزرگ تبدیل شود ، در حالی که یک پیشنهاد برتر از یک رقیب ، با وجود بودجه تبلیغات چند میلیون دلاری ، از بین می رود.

• پس از استخدام ده ها نفر از متخصصان باتجربه ، یک شرکت در سطح دانش خود از کاهش شدید برخوردار است.

پس از سالها مطالعه چنین پدیده های نوظهور ، فهمیدم که تنها راه تجزیه و تحلیل آنها از طریق شبیه سازی های پیچیده رایانه ای است که هر شخص را از جمله رانندگان در بزرگراه یا خریداران مختلف در یک سوپر مارکت به عنوان یک فرد مجزا مدل می کند. این افراد مجازی تصمیم می گیرند و به آنچه دیگران انجام می دهند پاسخ می دهند و تعامل بی شمار سپس منجر به یک رفتار گروهی جمعی می شود که می تواند مورد تجزیه و تحلیل ، پیش بینی ، شکل و کنترل قرار گیرد.

تحقیق در مورد رفتار سازمانی در HP ، مشتری دارویی ما و Société Générale درس بزرگتر دارد. یک انتقاد متداول از مدل سازی مبتنی بر عامل این است که این فناوری اغلب به درک روانشناسی پیچیده رفتار انسان نیاز دارد و خطاها در تعیین چنین "عوامل نرم" می تواند منجر به نتایج نادرست شود. همانطور که گفته می شود ، "زباله ها ، زباله ها."البته ، یک مدل مبتنی بر عامل فقط به همان اندازه فرضیات و داده هایی که وارد آن می شوند دقیق خواهند بود ، اما حتی شبیه سازی های تقریبی می توانند بسیار با ارزش باشند. به عنوان مثال ، HP از مدل خود برای به دست آوردن درک کیفی بهتر در مورد چگونگی برخی عوامل (استراتژی استخدام شرکت ، گردش مالی کارکنان ، سطح کل دانش و غیره) استفاده کرد. در مقابل ، شبیه سازی برای مشتری دارویی ما بسیار دقیق تر و کامل تر بود ، این شرکت را قادر می سازد نه تنها تجارت خود را بهتر بشناسد بلکه پیش بینی ، شکل ، بهینه سازی و کنترل آن را نیز انجام دهد. به عبارت دیگر ، نحوه استفاده از یک شرکت از یک مدل مبتنی بر عامل باید مستقیماً با کار و داده هایی که در ساخت آن قرار گرفته اند مرتبط باشد و برعکس.

آینده نوظهور

"خردی که در دانستههایمان گم کردهایم کجاست؟دانشی که در اطلاعات از دست داده ایم کجاست؟ "این کلمات در سال 1934 توسط T. S نوشته شده است. الیوت در شعر خود "سنگ" ، اما آنها هنوز هم صادق هستند. امروز مردم در اطلاعات بیدار هستند ، اما آیا این امر باعث می شود که آنها لزوماً دانش بیشتری داشته باشند - هیچ وقت عاقل تر نیست؟به عنوان مثال ، میسی از داده های زمانی که می تواند برای پخش مجدد کل روزهای خرید استفاده شود ، از داده های زمانی که می توان از آن استفاده کرد ، دارد. اما این شرکت با راه هایی برای تبدیل این اطلاعات به دانش تلاش کرده است. رویکردهای پایین به بالا مانند مدل سازی مبتنی بر عامل برای کارهایی مانند این مناسب است ، به ویژه هنگامی که خصوصیات ظهور در داده ها پنهان می شوند. یعنی اطلاعات مربوط به افراد و نحوه رانندگی آنها لزوماً چیزی در مورد ترافیک نشان نمی دهد تا زمانی که ابزاری مانند شبیه سازی رایانه آن دانش را برای حباب آزاد کند.

اگرچه مدل سازی مبتنی بر عامل نسبتاً جدید است، شرکت ها در حال حاضر از این فناوری برای تجزیه و تحلیل برخی از گیج کننده ترین مشکلات خود استفاده می کنند. در واقع، محققان در حال کشف این موضوع هستند که هر جا یک پدیده نوظهور وجود داشته باشد، مدل‌سازی مبتنی بر عامل می‌تواند به ابهام‌زدایی از آن کمک کند. به عنوان مثال، وینسلو فارل، که قبلاً شریک گروه راه حل های اضطراری PricewaterhouseCoopers بود و تیمش در آنجا از این فناوری برای کمک به فاکس قرن بیستم برای درک بهتر هجوم مصرف کنندگان استفاده کردند. هدف پروژه: بفهمید که چگونه زمان اکران یک فیلم خاص را تعیین کنید تا شانس تبدیل شدن به یک فیلم پرفروش را به حداکثر برسانید.

استراتژی شرکت یکی دیگر از زمینه‌هایی است که از فرصت‌ها برخوردار است، به‌ویژه با توجه به تئوری بازی‌ها. سال‌ها پیش، نظریه بازی‌ها حوزه‌ی جذابی از اقتصاد بود که برخی فکر می‌کردند مطالعه استراتژی را متحول می‌کند. اما محدودیت های نظری دلهره آور بود. اگرچه تئوری بازی یک چارچوب عالی ارائه کرد، اما موقعیت‌های تجاری واقعی فراتر از آن چیزی بود که تئوری می‌توانست توصیف کند. مدل‌سازی مبتنی بر عامل، محققان را قادر می‌سازد تا بخش تئوری این حوزه را کنار بگذارند و به سادگی بازی‌هایی را انجام دهند تا بررسی کنند، برای مثال، چه پدیده‌های نوظهوری از تعاملات رقبا، از جمله شرکت‌هایی که یاد می‌گیرند و با اقدامات دیگران سازگار می‌شوند، به وجود می‌آیند. در Icosystem، ما از مدل‌سازی مبتنی بر عامل برای بررسی بازار ارائه‌دهندگان خدمات اینترنتی استفاده کرده‌ایم. این شبیه سازی هم ظهور سرویس اینترنت رایگان و هم بی ثباتی آن مدل کسب و کار را پیش بینی کرد. یعنی اولین شرکتی که خدمات رایگان به مصرف‌کنندگان ارائه می‌کند می‌تواند خود را از بسته متمایز کند و از طریق تبلیغات درآمد کسب کند، اما با پیروی از رقبا و شروع به کاهش هزینه‌های ماهانه‌شان، بازار فرو می‌پاشد و در نهایت منجر به افزایش شدید هزینه‌های اشتراک می‌شود.

پتانسیل مدل سازی مبتنی بر عامل نباید دست کم گرفته شود. این فناوری می تواند کاملاً در زمینه های خاص متحول شود. اولین باری که من نتایج مدل Société Générale را به مخاطبان حسابداران و حسابرسان ارائه دادم ، یک حماسه داشتم - و مخاطبان من نیز همین کار را کردم. مدل سازی مبتنی بر عامل فقط یک روش مؤثر برای تعیین ریسک در یک سازمان نیست ، بلکه بهترین رویکرد است زیرا کارمندان انفرادی (و نه فرآیند) کسانی هستند که خطا می کنند و مرتکب تقلب می شوند. به عنوان مثال ، این طبیعی تر و دقیق تر است که بگوییم یک منشی بی تجربه در حسابداری با ارسال فاکتور اشتباه به مشتری اشتباه کرده است تا اینکه بگوییم روند مطالبات قابل دریافت در یک رویداد خطا در زیر فرآیند صورتحساب تحت تأثیر قرار گرفته است. مدل سازی مبتنی بر عامل وعده می دهد که در ارزیابی ریسک تجاری متحول شود زیرا این یک تغییر پارادایم از رویکردهای صفحه گسترده و فرآیند محور است. من پیش بینی می کنم که طی پنج تا ده سال ، از مدل سازی مبتنی بر عامل به طور معمول در حسابرسی استفاده می شود.

محققان دیگر در حال هدایت مدل سازی مبتنی بر عامل به یک مرز کاملاً جدید هستند. آنها به جای شبیه سازی آنچه در دنیای واقعی اتفاق می افتد ، آنها با ساختن نمایندگان نرم افزاری مانند "مغازه های مغازه" که از طریق اینترنت پرسه می زنند و به دنبال ارزانترین قیمت محصولات هستند ، واقعیت خود را در فضای مجازی ایجاد می کنند. هرچه این عوامل باهوش تر و پیشرفته تر می شوند ، می توانند اطلاعات را برای ما جمع آوری ، تجارت و ترجمه کنند. آنها حتی ممکن است از طرف ما مذاکره کنند. جفری کفارت و همکارانش در مرکز تحقیقاتی توماس جی. واتسون IBM ، مدل های رایانه ای گسترده ای از چنین مغازه های ، "Pricebots" را ساخته اند (توسط یک بازرگان برای پایین آمدن قیمت های رقیب) و سایر عوامل نرم افزاری برای پیش بینی دینامیک بازار رفتار نوظهور خودبشر

اما دنیای تجارت به سختی در استفاده از مدل سازی مبتنی بر عامل برای مطالعه پدیده های نوظهور تنها نیست. با تشکر از این فناوری ، باستان شناسان و دانشمندان علوم اجتماعی درک بهتری از رشد و کاهش فرهنگ های باستانی به دست می آورند ، اپیدمیولوژیست ها می آموزند که چگونه بیماری ها می توانند به سرعت از طریق یک جمعیت گسترش یابند ، ارتش آمریكا استراتژی های جنگی بهتری را برای میدان نبرد و ایالات متحده بررسی كرده است. دولت در حال مطالعه جریان داروهای غیرقانونی از آمریکای جنوبی به فلوریدا به امید تدوین سیاست های مؤثرتر برای محدود کردن قاچاق است. در واقع ، مدل سازی مبتنی بر عامل ، محققان طیف گسترده ای از زمینه ها را قادر می سازد تا مشکلات را که یک بار غیرقابل تحمل به نظر می رسید ، تجزیه و تحلیل کنند. شاید مهمتر از این ، این فرض اساسی را به چالش کشیده است که دنیای پیچیده ما همیشه می تواند با رویکردهای از بالا به پایین بهتر درک شود.