رویکرد ما در طراحی سیستم دینامیکی
تجزیه و تحلیل و مدل سازی
در بیشتر موارد، اصطلاح “تحلیل” به تجزیه و تحلیل آماری دادهها به منظور کشف روابط بین متغیرهای هدف، یعنی تعیین اینکه آیا و چگونه آنها همبستگی دارند، اشاره دارد. هدف پیشبینی وضعیت آینده یک متغیر هدف مهم با کشف همبستگی آن با متغیر شناخته شده یا قابل پیش بینیتر است. این رابطه ریاضی کشف شده میتواند به عنوان یک “مدل” پیشبینی ساده استفاده شود.
اما همبستگی علیت نیست – هر مجموعهای از دادهها معمولاً حاوی همبستگیهای جعلی است که به نظر میرسد علل هستند، اما در واقع نیستند. این همبستگیهای کاذب منجر به پیشبینیهای ناموفق میشوند، زیرا در یافتن علل رفتار هدف ناکام هستند. علیت زمانی بسیار مهم است که مخاطرات اقتصادی بالا باشد و روابط مورد نظر بسیار پیچیده باشد. هنگام تلاش برای پیشبینی اینکه یک رقیب، مشتری یا شریک تحت شرایط مختلف چه کاری انجام میدهد، بسیار مهم است که بتوانیم دلیل هر نتیجه گیری را بفهمیم و آزمایش کنیم.
از آنجایی که سیستمهای پیچیده دینامیکی هستند (در طول زمان تغییر میکنند)، و اغلب غیرخطی هستند (نتایج با محرکها متناسب نیستند)، آنها «چرایی» خود را از طریق تجزیه و تحلیل آماری استاندارد دادههای تاریخی نشان نمیدهند. راه درست برای مقابله با سیستمهای پیچیده، جمع آوری و ادغام تمام اطلاعات شناخته شده در مورد آنها در مدلهای دینامیکی است.
مدلهای دینامیکی و شبیه سازی
فرض اساسی رویکرد ما این است که رفتار یک سیستم پیچیده در درجه اول به دلیل ماهیت ارتباطات متقابل بین اجزای آن سیستم است. اگرچه ممکن است رفتار هر سیستمی تحت تأثیر رویدادهای نامرتبط یا تصادفی قرار گیرد، اما اغلب اوقات عملکرد آن توسط پیوندهای فیزیکی و اطلاعاتی ملموس تعیین میشود.
یک مدل شبیهسازی از عناصر مرتبط با هم در یک سیستم پیچیده، این امکان را میدهد تا:
- رفتار سیستم را تحت شرایط محیطی مختلف بررسی کنیم
- چگونگی واکنش بازیگران (مثلاً رقبا، مشتریان و شرکا) به شرایط با فرضیههای مختلف را ارزیابی کنیم.
- و یا حتی نتایج اجرای سیاستهای جایگزین، یا استراتژیهایی به کار گرفته شده را قبل از پیاده سازی ارزیابی کنیم.
این یک تجزیه و تحلیل سناریوی کامپیوتری است، با مزایای قابل تکرار و کمی کردن و در عین حال تولید اطلاعات خاص و قابل اعتماد در مورد نتایج احتمالی.
تفاوت رویکرد سیستمهای دینامیکی با هوش مصنوعی و شبکههای عصبی
«دادههای بزرگ، هوش مصنوعی و یادگیری عمیق» اغلب به استفاده از شبکههای عصبی برای تشخیص الگوها در دادهها اشاره دارد. رویکردهای شبکه عصبی در یافتن الگوها عالی هستند، اما بینش کمی در مورد عوامل ایجاد کننده الگوها ارائه میدهند. در مقابل، رویکرد سیستمی ما، عواملی که باعث ایجاد الگوی رفتاری میشود، را شناسایی میکند. رویکرد ما این امکان را فراهم میکند تا تمام رفتارهای ممکن آن سیستم (نه فقط الگوهای مشاهده شده در دادهها) را آشکار کند و کشف کند که برای بهبود مسیرهای موجود یا در معرض تهدید و تغییر رفتار به بهترین نتیجه ممکن چه چیزی لازم است.
چگونه آن را انجام میدهیم
ما با تجزیه و تحلیل آماری دادهها در جستجوی همبستگیهایی که ممکن است (اما معمولاً نشاندهنده روابط ساختاری قابل توجهی نیستند) شروع نمیکنیم. در عوض، با مصاحبه با افراد دارای تجربه و دانش در مورد سیستم مورد علاقه شروع میکنیم. درک آنها از متغیرهای مهم و روابط متقابل به شکل بصری و شفاف به تصویر کشیده میشود. این کار سبب میشود تا بحث را میان مدیران و متخصصان تسهیل شود و آنها درک بهتری از عملکرد سیستم به دست آورند. این نمایش سطح بالا سپس به معادلات ریاضی تبدیل میشود که میتواند به عنوان یک شبیه سازی کامپیوتری اجرا شود.
مدل اجرا میشود و رفتار آن با دادههای تاریخی موجود در مورد سیستم مقایسه میشود. تنها پس از تکرارها و تنظیمات کافی که منجر به «کالیبرهشده» مدل میشود، مدل مورد استفاده قرار میگیرد. در طول این فرآیند، کارشناسان اغلب درک خود را اصلاح و شفاف میکنند و یاد میگیرند که کدام منابع داده قابل اعتمادتر هستند. پس از تکمیل فرآیند کالیبراسیون، مدل برای کاوش و پیشبینی سناریوهای آینده آماده است.
تجزیه و تحلیل دینامیکی: سناریو، پیشبینی و اقدام
اندازه گیری متغیرهای خارجی مانند مشتریان یا رقبا اغلب باید تا حدی غیر مستقیم باشد. دادههای موجود ممکن است اهداف را آشکار نکنند، آسیبپذیریها را کشف نکنند، یا نقاط عطف رفتار را تعیین نکنند. از مدلهای دینامیکی میتوان برای اندازهگیری غیرمستقیم این عوامل مهم و پنهان استفاده کرد.
مدل کالیبره شده این امکان را فراهم میکند که اقدامات قبل از انجام آنها آزمایش شود و پاسخهای احتمالی مشتریان، رقبا یا هر دو را پیشبینی کند. پیشبینیها نشان میدهد که چه اقداماتی، در صورت وجود، به بهترین وجه پاسخ مشتری را تحریک میکند یا رقبا را به یک وضعیت نامطلوب سوق میدهد. اندازهگیری، پیشبینی و اقدام کاملاً آگاهانه، همگی با یک مدل دینامیکی خوب، همراه با دادههای موجود امکانپذیر میشوند. مدلهای دینامیکی خوب از تکنیکها و استانداردهایی فراتر از آنچه معمولاً «تحلیل» نامیده میشود، استفاده میکند.
چارچوب بندی مسئله
ساختن فرضیههای پویا
طراحی مدل جریان و حالت
کالیبره کردن مدل
آرمون و صحه گذاری مدل
طراحی سناریو
ارزیابی سناریو و طراحی استراتژی
به روزآوری مدل و یاذگیری
افزونه "فرم تماس 7" نصب یا فعال نشده است