Самая привлекательная профессия XXI века

Мы уже рассказывали про эксперта по имитационному моделированию Бена Шумана и его блог, который постоянно пополняется новыми статьями. Сегодня мы предлагаем вам перевод статьи, в которой Бен сравнивает агентное моделирование и технологии big data и рассказывает, как они могли бы работать вместе. Такие технологии в последнее время стали популярны в бизнес-среде, однако Бен считает, что агентное моделирование поможет аналитике «больших данных» выйти на качественно новый уровень, в чем и попытается вас убедить. Нас он уже убедил :) Приятного чтения!

Вам знакомо это чувство: вы случайно узнаете об идее, о которой раньше не слышали ни слова. Через несколько дней ваш друг упоминает эту идею в разговоре, следом за ним еще один и еще...? И вот уже все вокруг начинают говорить о ней без остановки. В конце концов, эта идея захватывает и вас. Так случилось со мной: вокруг все говорили про цепи Маркова (способ анализа данных с определенным условием: при фиксированном настоящем будущее независимо от прошлого), и я решил узнать об этом побольше. Но вскоре я понял, что ничего нового, по крайней мере для разработчика имитационных моделей, в этой идее нет, ведь это лишь малая часть того, на что способно агентное моделирование.

В общем, популярность цепей Маркова в узких круга породила в моей голове мечту, которой я бы хотел с вами поделиться: что, если бы самым популярным трендом в бизнес-аналитике были не big data, а агентное моделирование? Что бы изменилось в мире и бизнесе? Что, если бы самой привлекательной профессией XXI века стала работа… специалиста по имитационному моделированию?

Сила больших данных

Недавно маркетолог из известной консалтинговой компании рассказал мне такую историю: он работал днем и ночью, чтобы решить, нужно ли менять лицо бренда Kinderschokolade – мальчика, который неизменно смотрел на детей с упаковки шоколада не один десяток лет.



Спустя месяцы напряженного анализа руководителям представили решение: «Лучше оставить всё, как есть». Но руководители подумали и сказали: «Нет, давайте все же поменяем…»

Я уже говорил и повторю еще раз: большие данные и связанная с ними аналитика – это очень крутые и важные технологии. Они помогают принимать объективные стратегические решения, заменяя старое доброе безосновательное «мне кажется» от руководства.

Почему Big Data сегодня на коне?

Пользуясь big data, вы можете глубже понять свой бизнес, извлекая идеи из больших массивов информации или даже объединяя данные, которые до этого невозможно было анализировать в совокупности. Ещё один плюс – пользу от big data можно получить сравнительно быстро. Грамотный статистик извлечет первые интересные результаты из ваших цифр уже через несколько минут.

Однако, в процессе анализа этой информации некоторые предположения не ставятся под сомнение (например, что исторические данные достаточно репрезентативны, чтобы использовать их в расчетах). Вдобавок, некоторые «новые» методы работы с большими данными – это повторение того, что использовалось уже много лет назад.

Что, если…

Итак, что, если бы агентное моделирование стало всемирной идеей вместо больших данных? Я ни в коем случае не хочу сказать, что какая-то из этих технологий лучше или важнее. Просто давайте представим, что 8 лет назад агентное моделирование стало новшеством, о котором начал говорить весь мир. Как бы тогда изменился бизнес?

Агентное моделирование вместо цепей Маркова

Как я уже говорил, я был удивлён, когда обнаружил, что цепи Маркова – лишь один эксперимент из всех, которые можно провести с помощью агентного моделирования. В нашем вымышленном мире они использовались бы в случаях, где быстрые решения оправданы задачами. Однако, часто даже простые системы не могут быть описаны при помощи цепей Маркова, где вы можете задать только лишь вероятность совершения события. Вместе с тем, у событий возникают правила временной логики («изменить состояние через 5 минут») или событийной логики («изменить состояние только под влиянием другого состояния»). Подобные условия гораздо проще воспроизвести в агентном моделировании. К тому же, агентам такой модели могут быть заданы разные условия поведения, вплоть до взаимодействия между собой. В цепях Маркова такую логику воспроизвести невозможно.


Одна и та же система, описанная цепями Маркова и агентной моделью

Данные – это только одна из версий правды

Я уже писал, что в основном аналитика big data (здесь я имею в виду информацию о процессах, зависящих от времени: производство, логистика, управление цепочками поставок и т.д.) основана на том, что накопленные данные репрезентативны. Однако некоторые события прошлого могли оказаться настолько необычными, что по таким данным нельзя делать выводы. Поэтому использование исторических данных для предсказания будущего – не всегда лучшая идея.

Но давайте вернемся к нашей выдуманной реальности. В мире агентного моделирования бизнес использовал бы модели, чтобы понимать, насколько репрезентативны исторические данные, и в дальнейшем на основе репрезентативных данных моделировал и планировал бы свое дальнейшее развитие. Таким образом, бизнес тоже использовал бы big data, но более тонко: аналитики бы не просто экстраполировали статистические тренды, а извлекали бы из данных информацию о бизнес-процессах компании.

Необходимость понимать процессы

В нашем выдуманном мире аналитики должны будут понимать, что происходит в их бизнесе. Они по-прежнему будут иметь дело с большими данными, но теперь они будут искать там не прямые ответы на вопросы, а информацию о бизнес-процессах компании. Используя эти знания, специалисты по моделированию будут строить модели, точно описывающие эти процессы. В результате, решения руководителей будут основаны на результатах работы агентных моделей, а не просто на анализе исторических данных.

Руководители будут понимать процессы внутри бизнеса и взаимосвязи между ними, а не просто полагаться на статистику. Наука о данных будет являться необходимым условием для следующего решающего шага: имитационного моделирования процессов.

А теперь серьезно…

Ну все, хватит мечтать. Аналитикой big data интересуются все, и неспроста. Но я считаю, что во многих областях бизнеса (например, в логистике и производстве) это будет только первым шагом. Большие данные должны быть использованы, чтобы получать информацию о неисследованных бизнес-процессах для построения имитационных моделей. Модели, применяющие такую информацию, будут более точно представлять реальность. Таким образом большие данные вместе с имитационным моделированием (в частности, агентным) помогут принимать более взвешенные бизнес-решения.