Три года назад Nasdaq столкнулась с колючей проблемой. Она хотела уменьшить размер тика на своих торгах, который тогда составлял 1/8 доллара, до 1/16 и в конечном итоге до 1/100. Среди профессионалов рынка бытовало мнение, что это изменение позволит покупателям и продавцам вести более точные переговоры, что приведет к снижению рыночного спрэда между ценами спроса и предложения. Однако организация опасалась, что движение в сторону децимализации может дать обратный эффект, привести к неэффективности или, что еще хуже, к лазейкам, которыми люди могут злоупотреблять. В прошлом руководители Nasdaq анализировали финансовый рынок с помощью экономических исследований, финансовых моделей и других исследований. Но переход на меньший размер тика был неизвестной территорией, которая не поддавалась традиционному анализу. Как Nasdaq могла убедиться в том, что децимализация не испортит систему?
Чтобы ответить на этот вопрос, Nasdaq сотрудничала с BiosGroup, консалтинговой компанией из Санта-Фе, штат Нью-Мексико, для разработки компьютерной программы, которая моделировала предлагаемые изменения. Это была не обычная программа; программное обеспечение создало тысячи виртуальных людей, представляющих маркет-мейкеров, институциональных инвесторов, менеджеров пенсионных фондов, дневных трейдеров, случайных инвесторов и других участников рынка. Каждый из этих программных агентов принимал решения о покупке и продаже, используя реальные стратегии. Технология, называемая агентным моделированием, позволила Nasdaq изучить динамику фондового рынка, которую чисто математические методы никогда не смогли бы раскрыть.
Результаты открыли глаза. Уменьшение размера тика могло фактически сократить способность рынка к ценовому обнаружению, что привело к увеличению спредов между ценами покупки и продажи. Дальнейшие тесты помогли Nasdaq подтвердить и понять это нелогичное поведение, что позволило организации лучше спланировать переход к десятичному исчислению.
Nasdaq - не единственный новатор, получивший пользу от агентного моделирования. Компания Macys, например, использовала эту технологию для изучения лучших способов проектирования своих универмагов. Компания Hewlett-Packard провела агентное моделирование, чтобы предвидеть, как изменения в стратегии найма персонала повлияют на корпоративную культуру. А компания Societe Generale использовала эту технологию для определения операционного риска своей группы управления активами.
Почему важны эмерджентные явления
Чтобы оценить всю мощь агентного моделирования, сначала нужно понять концепцию "эмерджентных явлений", и лучший способ сделать это - вспомнить дорожную пробку. Несмотря на то, что это повседневное явление, пробки на самом деле очень сложны и загадочны. На индивидуальном уровне каждый водитель пытается куда-то добраться и соблюдает (или нарушает) определенные правила, некоторые из которых законны (ограничение скорости), а другие - общественные или личные (притормозить, чтобы позволить другому водителю перестроиться на вашу полосу). Но пробка - это отдельная и самостоятельная сущность, которая вытекает из этих индивидуальных моделей поведения. Например, пробка на шоссе может без видимых причин двигаться назад, даже когда машины движутся вперед.
Возникающие явления - это не просто академический курьез; они лежат под поверхностью многих загадок в мире бизнеса. То, как устанавливаются цены на свободном рынке, - лишь одна из иллюстраций. Почему, например, бонусы и другие стимулы для сотрудников иногда приводят к снижению производительности? Почему некоторые товары, например складные самокаты, вызывают огромный ажиотаж, казалось бы, из ниоткуда, а другие прозябают, несмотря на многомиллионные маркетинговые кампании? Как простая канцелярская ошибка может превратиться в катастрофический убыток, который разорит финансовое учреждение?
В последние годы многие предприятия, да и общество в целом, все чаще сталкиваются с эмерджентными явлениями. Одной из причин этого является то, что города и другие городские районы стали более перенаселенными. Кроме того, люди стали более взаимосвязанными (отчасти благодаря Интернету и другим коммуникационным технологиям). По мере увеличения плотности населения и количества взаимодействий между людьми растет и вероятность возникновения эмерджентных явлений. Кроме того, некоторые виды бизнеса становятся гораздо более взаимосвязанными и сложными. Сложность фондового рынка, например, возросла с увеличением числа участников, включая случайных инвесторов, и с созданием сложных финансовых инструментов, таких как деривативы.
В силу самой своей природы эмерджентные явления дьявольски трудно анализировать, не говоря уже о прогнозировании. Традиционные подходы, такие как анализ электронных таблиц, регрессионный анализ или даже системная динамика (популярный метод бизнес-моделирования, основанный на наборах дифференциальных уравнений), в настоящее время бессильны в их анализе и прогнозировании. Такие подходы работают сверху вниз, берут глобальные уравнения и рамки и применяют их к ситуации, тогда как поведение эмерджентных явлений формируется снизу вверх, начиная с локальных взаимодействий различных независимых агентов. Эти люди (например, водители в пробке) изменяют свои действия в ответ на действия других, и все вместе их взаимодействие приводит к групповому поведению (пробке), которое может легко ускользнуть от любого анализа сверху вниз.
Независимые действия множества людей часто приводят к глобальному поведению, которое возникает из их локальных действий.
Эмерджентные явления также часто не поддаются интуиции. Уменьшение размера тика на Nasdaq может привести к увеличению спреда между спросом и предложением. Добавление новых полос на шоссе часто приводит к тому, что пробки в часы пик становятся намного хуже - этот результат известен как парадокс Брэсса в честь немецкого инженера по исследованию операций, который обнаружил его в 1968 году. У людей обычно нет недостатка в объяснениях такого удивительного поведения ("Конечно, добавление полосы увеличит пробки, потому что водители будут чаще менять полосы движения, замедляя других водителей"). Невзирая на такие удобные пост-рационализации, решающим моментом здесь является то, что каждое эмерджентное явление - это уникальная сущность, которая может быть контринтуитивной и, следовательно, трудно предсказуемой.
Изучая различные эмерджентные явления, я обнаружил, что единственный способ проанализировать и даже начать предсказывать их - это моделировать их снизу вверх. В таком моделировании каждый отдельный участник, например инвестор, покупающий акции, или человек, едущий по шоссе, - это виртуальная личность, принимающая решения на основе того, что делают другие. Такое моделирование может точно отражать реальность, делая каждого участника отдельным человеком. Опытный менеджер пенсионного фонда, в конце концов, покупает и продает акции не так, как молодой дневной трейдер. Другими словами, моделирование агентов как индивидуумов помогает отразить неоднородность реального мира. И достижение такой точности в последнее время стало гораздо более экономичным благодаря более дешевым компьютерам и более совершенным методам моделирования.
Влияние на потребителей
Действительно, экономичные вычислительные мощности позволили компаниям исследовать сценарии "что-если" in silico, которые было бы непомерно дорого и рискованно исследовать в реальном мире. Рассмотрим, как схема движения - то, как люди перемещаются по магазинам и торговым центрам - может оказывать непосредственное влияние на бизнес. В розничной торговле какая планировка максимизирует не только удовлетворенность клиентов, но и их расходы?
Экономичные вычислительные мощности позволяют компаниям исследовать сценарии "что-если" in silico, которые было бы непомерно дорого и рискованно исследовать в реальном мире.
Чтобы ответить на этот вопрос, исследователи воспользовались огромным количеством существующей информации, включая многочисленные данные со штрих-кодами, собранные на кассах (что покупатели купили и в какое время они это купили), а также знания таких экспертов, как Пако Андерхилл, натуралист, изучающий поведение покупателей и автор книги Почему мы покупаем. Андерхилл знает, например, точный процент покупателей, которые поворачивают направо после входа в супермаркет, и вероятность того, что кто-то сделает разворот посреди переполненного прохода. Используя эту информацию, исследователи могут построить агентные модели, например, супермаркета с виртуальными покупателями. Эти модели показали, что изменения в планировке магазина могут увеличить расходы покупателей на 20%.
Британская сеть супермаркетов Sainsburys разработала такую компьютерную модель своего супермаркета в Саут-Руислип в западном Лондоне. С помощью Угура Билге из лондонской консалтинговой компании SimWorld и Джона Касти из Венского университета компания Sainsburys смогла включить в модель сложные детали, такие как время, которое каждый покупатель проводит в разных отделах. Исследования, проведенные с помощью камер, показали, что, например, среднее время, которое покупатель тратит на покупку молока, составляет пять секунд, в то время как на выбор бутылки вина - 90 секунд.
В агентной модели у каждого покупателя есть свой список товаров (основанный на реальных данных, собранных со считывателей штрих-кодов на кассах в магазинах Sainsbury™s). Пока виртуальные люди проходят через проходы и выбирают товары, программное обеспечение отслеживает плотность покупателей по всему магазину, а также время ожидания на кассах. Различные варианты планировки (например, перемещение отдела замороженных продуктов) можно легко протестировать, чтобы оценить их влияние на загруженность магазина.
Конечно, повышение эффективности покупок - не единственный критерий. Менеджеры магазинов часто хотят разделить зоны с высокой проходимостью (например, мясные и хлебобулочные отделы), чтобы стимулировать импульсивные покупки, пока покупатели перемещаются между ними. Иногда "горячие точки" (места скопления покупателей) являются желательными местами для продажи товаров или бесплатных образцов. Кроме того, важно учитывать психологию покупателей. Например, супермаркет может захотеть разместить свой отдел продуктов рядом со входом, чтобы произвести впечатление на покупателей свежестью овощей и фруктов.
Агентная модель позволила компании Sainsburya™s сбалансировать эти различные факторы для определения оптимальной планировки магазина. Хотя проект требует дальнейшей доработки (например, в моделировании не учитывается, что молодые покупатели обычно делают покупки быстрее, чем пожилые), некоторые предварительные результаты позволили Sainsburys получить представление о своем бизнесе. В частности, модель выявила некоторые удивительные особенности поведения. Например, увеличение числа покупателей в магазине может привести к падению продаж вина. Причина в том, что по мере переполнения супермаркета увеличивается количество "горячих точек", что отбивает у покупателей желание идти в винный отдел, расположенный в дальнем углу магазина.
Другие розничные компании также использовали агентное моделирование для поиска лучших планировок своих магазинов. В частности, компанию Macys интересовали такие вопросы, как оптимальное расположение кассовых аппаратов и стоек обслуживания - решения, которые были основаны на эстетике и прошлой практике. Работая с Pricewaterhouse-Coopers (тогда Coopers & Lybrand), Macys разработала виртуальный магазин, который можно было изменять не только с точки зрения физической планировки, но и с точки зрения штатного расписания - количества продавцов-консультантов в различных отделах. Огромным преимуществом агентной модели было то, что она позволила Macya™s экспериментировать с различными вариантами планировки и опциями в киберпространстве, не рискуя своей репутацией в реальном мире.
Производители потребительских товаров заинтересованы в агентном моделировании по другой причине. Такие компании, как Procter and Gamble и Unilever, хотели бы определить оптимальное размещение своей продукции на полках, чтобы обеспечить наибольший объем продаж. Агентное моделирование также можно использовать для проектирования лучших стадионов, торговых центров и парков развлечений.
В качестве примера последнего Роб Акстелл и Джош Эпштейн из Института Брукингса разработали агентную модель тематического парка, которая использует многочисленные данные, полученные от счетчиков людей, таймеров очередей, опросов клиентов и других источников. Эта информация помогла Акстеллу и Эпштейну построить детальную модель разнородного населения, которое имеет различные желания и ожидания от дня, проведенного в парке. Например, у семьи из четырех человек будут совсем другие потребности (шесть аттракционов, четыре хот-дога, две сладкие ваты, три похода в туалет), чем у пары подростков на свидании. Агентная модель учитывала эту информацию, чтобы сбалансировать удовлетворенность клиентов с целью увеличения бизнеса парка развлечений. Модель смогла исследовать сложные вопросы, которые были недоступны для традиционных математических методов и чисто статистического анализа данных. (Например, что является лучшим решением - продлить время работы парка на 30 минут или сократить продолжительность каждого аттракциона на 8,5 секунд). Кроме того, исследование вызвало новые идеи для дальнейшего изучения. Например, что было бы, если бы каждому клиенту выдали небольшое портативное вычислительное устройство, отображающее актуальную информацию о длине очереди на каждом аттракционе?
Мотивация сотрудников
Компании используют агентные технологии для моделирования действий не только своих клиентов, но и сотрудников. Корпорация по производству потребительских товаров использовала эту технологию для разработки лучшей структуры мотивации для своих менеджеров в Европе. Компания вознаграждала их в зависимости от доли "шортов" (когда товар распродается) - чем меньше, тем лучше. Но это побуждало менеджеров заказывать больше, чем нужно, что было особенно дорого, когда продукция была скоропортящейся. Чтобы предотвратить порчу, компании часто приходилось быстро перемещать огромное количество запасов, скажем, из Дании в Италию, если датский менеджер переоценивал свои потребности. Таким образом, требовалась новая система мотивации, которая побуждала бы менеджеров по странам действовать в интересах всей компании.
Что такое эмерджентные явления?
Когда я пытаюсь объяснить концепцию эмерджентных явлений группе руководителей компаний, я прошу их подумать о следующей игре: Представьте, что мы все начали общаться, как будто мы на коктейльной вечеринке. Вы молча выбираете наугад двух других людей (назовем их A и B) и затем всегда располагаетесь так, чтобы A находился между B и вами. Если бы все остальные сделали то же самое, что бы произошло? Теперь давайте немного изменим игру: Вы всегда располагаетесь так, что находитесь между A и B. И снова, если все остальные будут делать то же самое, что произойдет?
Если нас несколько десятков, то в первой игре все будут часами перемещаться по комнате, постоянно пытаясь удержать себя в правильном положении. Сторонний наблюдатель, не знающий о нашей игре, может подумать, что движение было случайным. Во втором сценарии результат заметно отличается. В течение нескольких секунд мы соберемся в единое, почти неподвижное скопление. Тот же неосведомленный наблюдатель может подумать, что нашей целью было объединиться. В любом случае, наше коллективное поведение - перемещение вокруг или объединение - это эмерджентное явление, возникшее в результате наших индивидуальных действий. (Чтобы увидеть симуляцию этой игры, посетите сайт www.icosystem.com/game.)
Эта простая игра содержит три важных урока. Во-первых, эмерджентные явления могут быть непредсказуемыми и часто контринтуитивными. Что произойдет, например, если половина из нас будет следовать правилу первой игры, а остальные будут подчиняться другому правилу? Во-вторых, кажущееся незначительным изменение в том, что мы делаем индивидуально в группе, может радикально изменить наше коллективное поведение. В-третьих, не обязательно существует логическая связь между нашими индивидуальными действиями и результирующим эмерджентным явлением. То есть, почему именно вторая, а не первая игра должна привести к группированию?
Действительно, эмерджентные явления часто живут своей собственной жизнью, отдельной и отличной от поведения их составных частей. Например, дорожную пробку не всегда можно понять, изучая действия каждого отдельного водителя. Примеры эмерджентных явлений в мире бизнеса включают организационное поведение, которое формируется (или неправильно формируется) с помощью бонусов и стимулов для сотрудников, свободные рынки, на которых цены устанавливаются благодаря бесчисленным взаимодействиям покупателей и продавцов, а также потребительский ажиотаж, который превращает "спящие" продукты в бешеный успех.
Проблема сложнее, чем может показаться на первый взгляд. Очевидно, что существующая система поощряет накопительство, но стимулы, привязанные только к общим показателям компании, не являются жизнеспособными, поскольку людям не нравится, когда их бонусы связаны с факторами, на которые они имеют мало влияния. Так какое же поведение на местах должна поощрять компания, и как сделать так, чтобы новая система не привела к контрпродуктивным действиям, например, к накопительству? Агентное моделирование помогло найти ответ: Привязать бонусы менеджеров по странам непосредственно к их затратам на хранение в дополнение к их шортам. Одно это изменение может снизить затраты на цепочку поставок на несколько процентов, что приведет к ежегодной экономии в миллионы долларов. По сути, агентное моделирование помогло связать локальное поведение менеджеров в стране с глобальной эффективностью организации.
Другие компании использовали агентное моделирование для изучения принципиально новых способов ведения бизнеса. В фармацевтической промышленности стоимость разработки новых лекарств резко возросла, что заставило многие компании пересмотреть свои научно-исследовательские операции. Отчасти проблема заключается в так называемом синдроме эгоистичной команды, когда группа, разрабатывающая конкретный препарат, принимает необъективные решения - например, пытается спасти проект, когда он должен быть закрыт, - потому что репутация команды связана с успехом препарата или потому что члены команды эмоционально привязаны к проекту. Такое контрпродуктивное поведение может замедлить разработку препарата и увеличить его стоимость. Обеспокоенная подобными проблемами, одна крупная фармацевтическая компания придумала возможное решение - создать рынок для субподряда на разработку некоторых лекарств на ранних стадиях клинических испытаний на людях.
Для изучения этого и других альтернативных вариантов мы с коллегами из Icosystem разработали агентную модель различных игроков, как сотрудников компании, так и потенциальных подрядчиков, включая контрактные исследовательские организации (компании, специализирующиеся на управлении клиническими испытаниями), ученых, занимающихся консалтингом, и даже экспертов конкурирующих фирм. Мы обнаружили, что из-за разнообразия участников (их различных мотиваций, неприятия риска, структуры затрат и т.д.) наш фармацевтический клиент не смог бы выгодно координировать всю эту деятельность на открытом рынке.
Затем наш клиент предложил создать сеть участников, как внутренних, так и внешних, используя стимулы, поощряющие принятие более эффективных решений (например, бонусы, привязанные к успеху всего портфеля лекарственных молекул). В ходе дальнейшего моделирования мы обнаружили, что такое решение может помочь нашему клиенту более чем в два раза увеличить скорректированную на риск стоимость портфеля недавно открытых молекул. Основываясь на этих результатах, компания решила проверить в реальном мире этот новый способ организации ранней клинической разработки.
Агентное моделирование также может помочь предсказать, как изменения в стратегии набора персонала организации могут в конечном итоге повлиять на ее корпоративную культуру. Например, в рамках экспериментального проекта Центр бизнес-инноваций Cap Gemini Ernst & Young разработал агентную модель сотрудников компании Hewlett-Packard. На протяжении десятилетий в HP существовала традиция нанимать людей за их преданность и не обязательно за их опыт. Компания сосредоточила свои усилия на поиске людей, часто недавних выпускников колледжей, которые вписывались в ее культуру, и многие сотрудники провели всю свою карьеру в HP. Но когда рынок труда начал двигаться в сторону свободного предпринимательства, HP стала беспокоиться о том, как эти изменения повлияют на компанию. Кроме того, поскольку компания сместила акцент в сторону услуг, она стала проявлять все больший интерес к найму опытных консультантов, которые, как правило, были гораздо менее лояльны, чем инженеры HP.
Результаты моделирования подтвердили некоторые подозрения HP. Например, наем свободных агентов в конечном итоге привел бы к росту затрат на текучесть кадров, поскольку сотрудники (даже те, кто изначально был лоялен) стали бы уходить с большей скоростью. Более удивительным оказался вывод о том, что наем опытных, но менее лояльных сотрудников в конечном итоге приведет к общему снижению общего уровня знаний HPa™. Этот результат был бы особенно заметен при резком изменении стратегии найма. Лучшей альтернативой был постепенный переход в течение года или двух. Более того, агентная модель показала, что HP могла бы значительно смягчить негативные последствия таких изменений, одновременно инвестируя значительные средства в сбор знаний, например, в хранилище и ИТ-системы, которые могли бы сохранить часть опыта сотрудников до их ухода. Это было бы заметным сдвигом по сравнению с традиционным фокусом HP на развитии каждого отдельного сотрудника (например, путем поощрения ротации должностей между предприятиями и функциями) - стратегией, которая имеет меньше смысла при высокой текучести кадров.
Новой интересной областью исследований на основе агентов является область операционного риска, который вызывает растущую озабоченность у многих финансовых учреждений из-за огромных убытков, понесенных в течение многих лет компаниями Daiwa, Sumitomo, Barings, Kidder Peabody и другими. Хотя банки разработали эффективные и сложные способы оценки рыночных и кредитных рисков, они все еще находятся на ранних стадиях выяснения того, как измерять и контролировать операционный риск. Эта задача чрезвычайно сложна, поскольку у организаций нет четкого понимания того, как именно ошибка (или акт мошенничества) может распространиться по системе и привести к катастрофическим убыткам, подобно дереву, упавшему на линию электропередачи и нарушившему работу электросети нескольких штатов.
Ошибка может распространиться по системе, вызывая катастрофические убытки, как дерево, упавшее на линию электропередач и нарушившее электроснабжение нескольких штатов.
Мы с коллегами из Bios и Cap Gemini Ernst & Young применили агентное моделирование для анализа и количественной оценки операционного риска бизнеса по управлению активами Societe Generale во Франции. В ходе моделирования мы представили сотрудников компании в виде виртуальных агентов, которые постоянно взаимодействуют друг с другом в процессе выполнения своих задач. Из прошлых данных мы знали, что сотрудники банка часто совершают определенные виды ошибок, например, записывают неправильное количество нулей ($10 000 вместо $1 000) или путают местную валюту с евро. Но мы обнаружили, что такие ошибки почти никогда не приводят к катастрофическим убыткам если они не происходят в определенных ситуациях, например, когда финансовые рынки нестабильны в августе. Подробные результаты агентной модели помогли объяснить почему.
Колебания на рынке приводят к увеличению объема сделок, что влечет за собой увеличение количества ошибок, поскольку люди спешат и не успевают перепроверить свою работу. Во Франции проблема усугубляется в августе, поскольку в это время многие сотрудники, как правило, более опытные и имеющие стаж работы, уходят в длительный отпуск. В одном из сценариев неопытный и перегруженный работой трейдер совершает ошибку: вместо того чтобы продать акцию, он ее покупает, и никто в его отделе, включая занятого начальника, не замечает ошибки. Бумаги с заказом попадают в бэк-офис, где летний стажер также не замечает ошибки и обрабатывает заказ. К тому времени, когда ошибка обнаруживается через несколько дней, стоимость акций резко падает, что приводит к многомиллионным убыткам.
Мы не только обнаружили такие потенциальные уязвимости, но и смогли оценить вероятность их возникновения в реальном мире, используя исторические данные с рынков капитала. Хотя катастрофические потери в модели были крайне маловероятны, путем проведения тысяч симуляций мы смогли сгенерировать редкие события, которые привели к таким катастрофам, и эти результаты помогли получить статистические данные об истинном операционном риске банка. На основе этой информации Societe Generale мог протестировать процедуры по минимизации этого риска (например, изменения в политике отпусков), а также рассчитать, сколько капитала следует зарезервировать для покрытия определенных потенциальных убытков. В настоящее время финансовые учреждения не имеют точного способа определения своего операционного риска, поэтому регулирующие органы заставляют их завышать сумму денежных средств на черный день, которую они должны иметь в резерве. В бизнесе по управлению активами финансовое учреждение, которое могло бы точно определить свой операционный риск, могло бы легко экономить миллионы долларов каждый год не только за счет высвобождения некоторого капитала на черный день (который затем можно инвестировать), но и за счет снижения страховых взносов организации.
Причудливый мир эмерджентного поведения
Эмерджентные явления часто ведут себя удивительным и непредсказуемым образом. Классическим примером является парадокс Браэсса, названный в честь немецкого инженера Дитриха Браэсса, который обнаружил его в 1968 году. Проведя обширные исследования дорожного движения, Брэсс обнаружил, что добавление новых полос на шоссе не обязательно приводит к уменьшению пробок в часы пик, но часто делает их еще хуже. Действительно, эмерджентные явления часто демонстрируют контринтуитивное поведение, которое бывает трудно понять. Рассмотрим следующее:
- Незначительное увеличение числа покупателей в супермаркете приводит к резкому падению продаж определенных товаров.
- Организация, назначающая более высокие премии сотрудникам, через год обнаруживает, что корпоративные показатели резко упали.
- Спящий продукт появляется из ниоткуда и становится блокбастером, в то время как превосходящее предложение конкурента томится в ожидании, несмотря на многомиллионный рекламный бюджет.
- После найма десятков опытных специалистов компания сталкивается с резким снижением общего уровня знаний.
Изучая подобные эмерджентные явления в течение многих лет, я пришел к выводу, что единственный способ их анализа - это сложные компьютерные симуляции, которые моделируют каждого человека, например, водителей на шоссе или различных покупателей в супермаркете, как отдельную личность. Эти виртуальные люди принимают решения и реагируют на действия других, и в результате бесчисленных взаимодействий формируется коллективное поведение группы, которое можно анализировать, прогнозировать, формировать и контролировать.
Исследование организационного поведения в HP, нашего фармацевтического клиента, и Societe Generale несет в себе более важный урок. Распространенная критика агентного моделирования заключается в том, что эта технология часто требует понимания сложной психологии человеческого поведения, а ошибки в количественной оценке таких "мягких факторов" могут привести к результатам, которые будут крайне неточными. Конечно, агентная модель будет настолько точной, насколько точны предположения и данные, которые легли в ее основу, но даже приблизительное моделирование может быть очень ценным. Компания HP, например, использовала свою модель для лучшего качественного понимания того, как связаны определенные факторы (стратегия найма, текучесть кадров, общий уровень знаний и т.д.). В отличие от этого, моделирование для нашего фармацевтического клиента было гораздо более детальным и полным, что позволило компании не только лучше понять свой бизнес, но и прогнозировать, формировать, оптимизировать и контролировать его. Другими словами, то, как компания использует агент-ориентированную модель, должно быть напрямую связано с работой и данными, которые были использованы при ее создании, и наоборот.
Развивающееся будущее
"Где мудрость, которую мы потеряли в знаниях? Где знания, которые мы потеряли в информации?" Эти слова были написаны в 1934 году Т.С. Элиотом в его поэме "Скала", но они по-прежнему актуальны. Сегодня люди поглощены информацией, но делает ли это их более осведомленными, не говоря уже о более мудрых? Например, компания Macys располагает умопомрачительным количеством данных с кассовых аппаратов, отмеченных временем, которые можно использовать для воспроизведения целых дней покупок. Но компания испытывает трудности с тем, как превратить эту информацию в знания. Подходы "снизу вверх", такие как агентное моделирование, хорошо подходят для решения подобных задач, особенно когда в данных скрыты эмерджентные свойства. Например, информация о людях и их манере вождения не обязательно расскажет о пробках, пока такой инструмент, как компьютерное моделирование, не позволит этим знаниям вырваться наружу.
Несмотря на то, что агентное моделирование появилось относительно недавно, компании уже применяют эту технологию для анализа некоторых из своих самых сложных проблем. Действительно, исследователи обнаруживают, что везде, где есть эмерджентное явление, агентное моделирование может помочь его демистифицировать. Например, Уинслоу Фаррелл, бывший партнер группы эмерджентных решений PricewaterhouseCoopers, и его команда применили эту технологию, чтобы помочь компании Twentieth Century Fox лучше понять потребительский интерес. Цель проекта: Выяснить, как выбрать время выхода конкретного фильма, чтобы максимизировать его шансы стать блокбастером.
Стратегия компании - еще одна область, в которой открываются новые возможности, особенно в отношении теории игр. Много лет назад теория игр была увлекательной областью экономики, которая, по мнению некоторых людей, произведет революцию в изучении стратегии. Но теоретические ограничения были пугающими. Хотя теория игр обеспечивала отличную основу, реальные деловые ситуации выходили за рамки того, что могла описать теория. Агентное моделирование позволяет исследователям отказаться от теоретической части и просто играть в игры, чтобы, например, изучить, какие эмерджентные явления возникнут в результате взаимодействия конкурентов, включая компании, которые учатся и адаптируются к действиям других. В компании Icosystem мы использовали агентное моделирование для изучения рынка интернет-провайдеров. Моделирование предсказало как появление бесплатных интернет-услуг, так и нестабильность этой бизнес-модели. То есть первая компания, предлагающая потребителям бесплатные услуги, может выделиться из общей массы и заработать на рекламе, но когда конкуренты последуют ее примеру и начнут снижать ежемесячную плату, рынок рухнет, что в конечном итоге приведет к резкому повышению абонентской платы.
Нельзя недооценивать потенциал агентного моделирования; эта технология может полностью изменить некоторые области. Когда я впервые представил результаты модели Societe Generale аудитории бухгалтеров и аудиторов, я прозрел - и мои слушатели тоже. Агентное моделирование - это не просто эффективный способ определения риска в организации, это лучший подход, поскольку ошибки и мошенничество совершают отдельные сотрудники (а не процессы). Например, более естественно и точно сказать, что неопытный клерк в бухгалтерии совершил ошибку, отправив клиенту неправильный счет, чем сказать, что на процесс дебиторской задолженности повлияло событие ошибки в подпроцессе выставления счетов. Агентное моделирование обещает произвести революцию в оценке бизнес-рисков, поскольку оно представляет собой смену парадигмы по сравнению с подходами, ориентированными на электронные таблицы и процессы. Я предсказываю, что в течение пяти-десяти
- Hbr.org
Поделиться
