“Какую ценность могут извлечь организации из компьютерных симуляций” Перевод материалов блога Эли Шрагенхайма

На этой неделе Эли Шрагенхайм опубликовал пост, посвященный использованию компьютерных моделей при поддержке принятия решений.

Тема важная, но сейчас я не готов по ней высказываться. Но это же не повод не знакомить вас с переводами материалов Эли, правда? :))

Поэтому: читайте, размышляйте, комментируйте.

Как обычно, ссылка на оригинал и картинка из поста автора.

Ваш Дмитрий Егоров

P.S.: Переводил в промежутках между проектами и мероприятиями, за опечатки извиняюсь заранее :))

Мощности современных компьютеров открывают новые возможности для оценки множества идей на эффективность работы организации, принимая во внимание как сложность, так и неопределенность [ситуации и среды – ДЕ]. Эта потребность произрастает из общепринятого взгляда на организации и их связь с окружающей их средой, как обладающих неотъемлемой сложностью и подверженностью высокой неопределенности. Таким образом, любое решение, которое на какой-то момент времени казалось разумным, легко может привести к очень негативным результатам.

Одним из «столпов» ТОС является аксиома/уверенность в том, что каждая организация обладает внутренней простотой. На практике это означает, что лишь очень небольшое число переменных, действительно ограничивают эффективность организации, даже когда она находится в условиях значительной неопределенности.

Использование симуляций может заполнить разрыв между кажущейся сложной системой и выработки относительно простых правил, которые обеспечивают хорошее управление. Другими словами, их можно и нужно использовать, чтобы вскрыть простоту. Открытие простых правил особенно ценно во времена перемен, не важно, являются ли перемены результатом внутренних инициатив или вызваны внешними событиями.

Симуляции можно использовать для достижения двух различных целей:

  1. Обеспечение понимания причинно-следственных связей в конкретных ситуациях и влияние на них неопределенности.

Это понимание достигается с помощью серии симуляций для выбранной, четко описанной среды, которая показывает значительные различия между различными решениями. Действенный обучающий симулятор должен доказать наличие четкого потока причинно-следственных связей, который связывает решение и результат.

Само открытие идей и концепций – это дополнительное подмножество возможностей обучающего симулятора. Оно требует возможности принятия множества различных решений в условиях, когда логика получения результата ясна.

  1. Поддержка трудных решений с помощью детальной симуляции конкретной среды, которая позволяет пользователю задавать разнообразные параметры, которые отражают различные альтернативы, и дает возможность получить надежную картинку разброса результатов. Сложность в том, чтобы суметь смоделировать среду так, чтобы сохранить ее основную сложность и качественно отразить ключевые переменные, которые действительно влияют на эффективность [организации – ДЕ]

Свою карьеру в ТОС я начал с создания компьютерной игры (The ‘OPT Game’), которая была направлена на то, чтобы «научить менеджеров думать», а затем продолжил разрабатывать различные симуляторы. Хотя большинство симуляторов были предназначены для обучения ТОС, я разработал две симуляции конкретных сред, направленных на поиск ответов на конкретные вопросы менеджеров.

Мощность современных компьютеров стала такой, что задача разработки симуляторов, охватывающих большой объем переменных, которые могут быть адаптированы для различных сред и фактически поддерживать очень сложные решения, стала абсолютно решаемой. Мой опыт подсказывает, что библиотека базовых функций таких симуляторов должна быть разработана «с нуля», так как использование общих модулей, поставляемых другими разработчиками, делает симуляцию настолько медленной, что ею невозможно пользоваться. Многие свои решения менеджеры должны принимать очень быстро. Это значит, что информация, обеспечивающая эти решения, должна быть уже готовой и доступной. Быстрота – это одно из критически важных, необходимых условий для симуляторов, охватывающих большой объем переменных, чтобы они были эффективным инструментом поддержки принятия решений.

Др. Алан Барнард (Alan Barnard), один из самых известных экспертов в области ТОС, также является создателем симулятора для всей цепочки поставок. Он определил, что сначала менеджерам нужно убедиться, что новые общие политики ТОС в отношении потока продуктов, на самом деле будут хорошо работать. Но, также необходимо определить правильные параметры, такие как буферы и срок пополнения, и это тоже можно сделать с помощью симуляции.

Существует огромное разнообразие других типов решений, которые может поддерживать хороший симулятор, охватывающий большой объем переменных.  Базовая способность симуляторов – это отражать потоки, такие как поток продуктов в цепи поставок, материалов в производстве, поток проектов или потока входящих и/или исходящих денег. Моделируемый поток характеризуется своим узлами, политиками и неопределенностью. Чтобы быть в состоянии поддерживать решения, необходимо моделировать несколько потоков, взаимодействующих друг с другом. Только, когда поток продуктов, поток заказов, денег и мощности (приобретения мощности) моделируются все вместе, улавливается сущность все бизнеса в целом. Симулятор должен позволять достаточно быстро моделировать и легко добавлять новые идеи, такие как новые продукты, конкурирующие с уже существующими. Возникающая таким образом платформа для моделирования сценариев «что-если» позволяет оценить влияние идеи на финансовый результат организации.

Для многих решений внутренняя простота, как утверждал д-р Голдратт, дает возможность достаточно хорошо предсказать влияние предлагаемых изменений на финансовый результат. Экономика Прохода определяет процесс проверки новых идей, как расчет пессимистического и оптимистического влияния этой идеи на финансовый результат организации. Он опирается на способность достаточно хорошо рассчитать общее влияние на продажи и использование мощности, для того, чтобы предсказать итоговую разницу Дельта Т минус Дельта ОЕ.

Однако, иногда организация сталкивается с событиями или идеями, которые имеют более широкие последствия, вроде влияния на цикл производства или возникновения «эффекта домино», когда случайная конкретная неудача вызывает серию последующих неудач, в этом случае нужно применять более сложные методы поддержки решений. Такие дополнительные осложнения предсказания всех потенциальных последствий новой идеи могут быть разрешены без осуществления реальных изменений с помощью моделирования.  Моделирование – это единственная помощь при поддержке принятия решений, когда прямые расчеты оказываются слишком сложными.

Предположим, что моделируется относительно крупная компания, с несколькими производственными площадками в разных местах по всему миру, плюс ее транспортные линии, клиенты и поставщики. Все ключевые потоки, включая денежные транзакции и время их протекания, являются частью модели. Это обеспечивает инфраструктуру, где могут быть тщательно проанализированы различные идеи, касающиеся рынка, производства, инжиниринга и цепи поставок, и может быть предсказано их влияние на чистую прибыль. Когда вводятся новые продукты, то первоначальный уровень запасов в цепи поставок будет жестким, потому что он сильно зависит от прогноза. Каждое решение должно быть проверено исходя из оптимистических и пессимистических допущений, и, таким образом, менеджмент может принять чувствительное решение, которое принимает во внимание несколько экстремальных сценариев поведения рынка, чтобы найти решение, которое минимизирует убытки и дает достаточно большую потенциальную выгоду.

Такое моделирование может оказать огромную помощь, когда произойдет внешнее событие, которое  нарушает обычный образ действий организации. Например, предположим, что один из поставщиков пострадал от последствий цунами. Несмотря на то, что запасов достаточно на ближайшее четыре недели, необходимо как можно быстрее найти альтернативу, а также понять потенциальный ущерб от любых принятых альтернативных решений. С таким симулятором легко провести анализ сценариев «что-если», которые покажут финансовое воздействие каждой альтернативы.

Другие крупные отрасли, которые могут использовать крупные симуляторы для оценки различных идей, – это авиакомпании и судоходные компании. Ключевая проблема в осуществлении транспортных перевозок – не только в мощности каждого транспортного средства, ни и точное местоположение в конкретный момент времени. Любая задержка или поломка порождает эффект домино в отношении других задач и ресурсов. Проверка экономической целесообразности открытия новой линии должна включать и этот возможный «эффект домино». Конечно, использование транспортных средств, исходя из предположения, что они являются ограничением, должно быть целью проверки различных сценариев в процессе моделирования. Также могут  быть освещены и различные варианты динамического ценообразования, известного как yield-management.

Хотя выгоды могут быть действительно высокими, необходимо помнить о существующих пределах. Симуляторы основываются на исходных посылках, которые открывают дорогу манипуляциям или просто провалам. Давайте различать две различные категории причин неудачи.

  1. Ошибки в коде и в данных параметрах. Это неудачи в результате ошибок в коде программного обеспечения для моделирования или ошибочные исходные данные, отражающие ключевые параметры, необходимые для моделирования.
  2. Неудача модели в попытке охватить подлинную реальность. Невозможно смоделировать реальность такой, какова она является. Необходимо охватить слишком много параметров. Поэтому нам необходимо упрощать реальность и сфокусироваться только на тех параметрах, которые имеют или могут иметь при определенных обстоятельствах значительное влияние на эффективность. Например, будет безумием попытка детально смоделировать поведение каждого сотрудника. Однако, нам может понадобится охватить поведение больших групп людей, например: сегментов рынка и групп поставщиков.

Еще одним вызовом является моделирование стохастического поведения различных рынков, конкретных ресурсов и поставщиков. Когда не известна фактическая функция распределения (стохастическая функция), существует тенденция использовать обычные математические функции, вроде нормального распределения, Бета распределение или распределение Пуассона, даже если они не соответствуют данной реальности.

Таким образом, симуляции должны подвергаться тщательной проверки. Первый большой тест должен отражать существующее состояние. Действительно ли модель показывает существующее поведение? Поскольку для этого нужно иметь достаточно интуиции и данных для сравнения результатов моделирования с текущим состоянием, то это является критически важной вехой в использовании моделирования для поддержки принятия решений. Чаще всего в этом месте должны проявиться первые отклонения, которые возникают из-за ошибок кода и ошибок в исходных данных. Как только модель кажется достаточно надежной, необходимо провести дополнительные тщательные тесты, чтобы гарантировать ее способность предсказывать будущую эффективность при определенных исходных посылках.

Таким образом, хотя существует много моментов, где нужно быть осторожными в отношении моделирования, но еще больше выгоды можно получить от лучшего понимания влияния неопределенности и, за счет этого, повысить эффективность организации.


Добавить комментарий

Этот сайт использует Akismet для борьбы со спамом. Узнайте, как обрабатываются ваши данные комментариев.