Агентное моделирование и Big Data: аналитика нового поколения

Мы продолжаем разговор о применении агентного моделирования в бизнесе, начатый на прошлой неделе. Сегодня мы поговорим о возможностях использования агентного моделирования и технологий Big Data в связке.

Накопление больших данных (Big Data) государственными и коммерческими организациями идет стремительно. Компании и государственные организации на сегодняшний момент уже саккумулировали огромное количество информации, и ее объемы с каждым годом увеличиваются. По оценке экспертов IDC, количество данных, хранимых во всем мире, увеличивается на 40% ежегодно. Компании собирают данные о клиентах, активах, сотрудниках и бизнес-процессах в CRM, ERP и HR-базах, но эти данные редко служат на пользу организации. Существует и разрабатывается масса систем обработки, организации и управления данными. Однако само по себе наличие информации значит не так много, как умение ее использовать.

Очевидно, что у больших данных огромный нереализованный потенциал для аналитики. Они могут помочь оптимизировать бизнес-процессы, минимизировать издержки, прогнозировать развитие бизнес-ситуаций, и, в конечном счете, принимать важные стратегические решения. Но как поставить Big Data себе на службу? Агентное имитационное моделирование – ответ на этот вопрос.

Несмотря на то, что агентное моделирование стало набирать популярность в начале 2000-х, задолго до того, как о Big Data по-настоящему громко заговорили, оно словно специально предназначено для работы с большими данными. Особенность агентного моделирования в том, что оно рассматривает моделируемую систему как результат взаимодействия независимых единиц – агентов. Так, например, оно поможет проанализировать, как взаимодействие потребителей друг между другом и производителями формирует рынок в целом, или как совокупность работников, активов и проектов составляет процессы на предприятии. В агентном моделировании поведение каждого элемента влияет на состояние системы в целом.

В одной модели могут «жить» агенты разных типов (тот же пример потребителей, производителей и дистрибьюторов в модели рынка) и подтипов (потребители – мужчины и женщины), имеющие разные характеристики. Агенты могут переходить из состояния в состояние («интересующийся продуктом», «покупатель») и иметь заданные линии поведения в зависимости от обстоятельств, причем разные группы агентов могут иметь разные сценарии поведения и факторы, влияющие на их решения. Это позволяет задавать параметры самых сложных систем и анализировать их поведение в зависимости от обстоятельств. Количество агентов в модели может достигать миллионов, что позволяет воспроизводить крупные системы в реальном масштабе.

Очевидно, что чтобы агентная модель хорошо отражала реальность, нужно иметь точные данные о составляющих системы – их характеристиках, поведении. Разумеется, любая модель основывается на допущениях, но точные данные об основополагающих элементах модели просто необходимы для хорошего результата. Часто получение таких данных – важный этап проекта, занимающий не меньше усилий, чем сам процесс моделирования. Примером может служить проект по моделированию рынка мобильной связи в Аргентине для одной из крупнейших мировых телекоммуникационных компаний, Telefónica. Чтобы выяснить логику поведения разных групп потребителей и отразить ее в модели, консультанты должны были провести целую серию маркетинговых исследований. Получение точных количественных входных данных для модели тоже может стать непростой задачей. И здесь как раз в дело вступает Big Data – мы можем взять реальные данные для модели из баз данных моделируемой организации.

Особенность Big Data – большое количество разнородной информации – может быть применена в агентной модели для задания свойств объектов реальной жизни. Агентный метод позволяет «заселить» модель миллионами объектов с действительными параметрами и линиями поведения, при этом информация будет браться из корпоративной БД. В примере с потребителями этими параметрами могут быть место проживания, возраст, уровень образования и дохода и т.д., а для задания линий поведения могут быть учтены истории покупок.



Модели, основанные на реальных данных, наиболее верно отражают действительность. Проигрывание различных сценариев на таких моделях позволяет точно предсказывать развитие ситуации. Основываясь на этих результатах, компании могут делать прогнозы, оптимизировать бизнес-процессы, разрабатывать линии поведения для различных сценариев и принимать другие стратегические решения. В этом заключается огромное преимущество агентного моделирования в эпоху развития технологий Big Data.

Организации, задающиеся вопросами, касающимися ключевых аспектов их деятельности, все чаще ищут ответы в Big Data. Агентное моделирование – способ использовать эти данные, набирающий популярность и имеющий огромные перспективы в будущем. Можно сказать, что это – ключевой на сегодня тренд в развитии имитационного моделирования. Кстати, крупнейшая в мире конференция по ИМ, Winter Simulation Conference, обозначила синергию моделирования и больших данных главной повесткой события в 2014 году.

Российский пример наделения агентов данными из реальной жизни в большой модели – в статье о работе ученых из ЦЭМИ РАН и МГУ по моделированию развития России на ближайшие десятилетия на основе данных Росстата. К слову, государственное управление, наряду с финансовым прогнозированием и отраслью страхования – одна из наиболее перспективных сфер применения технологий Big Data.

О применении агентного моделирования для прогнозирования развития бизнеса – в другой статье нашего блога. Чтобы получать больше интересных статей, подпишитесь на наш RSS-канал!