Jak wiecie, żyjemy w świecie, w którym zmiany technologiczne dzieją się niezwykle dynamiczne i są nieprzewidywalne – oto era BANI. Termin ten wywodzi się z wielu czynników, a przede wszystkim z faktu, że jako ludzkość tworzymy coraz bardziej złożone systemy, które przekraczają nasze możliwości pełnego zrozumienia ich złożoności, powiązań i algorytmów działania. Już nigdy nie wrócimy do liniowej interpretacji biznesu, projektów i zdarzeń. Tak gwałtownego rozwoju ludzkość jeszcze nie doświadczyła w ciągu zaledwie jednej dekady.
Obecne wyzwania stawiają przed nami konieczność przyjęcia nowego podejścia do interakcji z systemami, które nas otacza ją. Przeanalizujmy te zmiany w kontekście rolnictwa. W przeszłości rolnicy zmagali się z czynnikami biologicznymi i pogodowymi, które charakteryzują się zmiennością i trudnością przewidywania. Obecnie, wraz z postępem technologicznym, złożoność systemów rośnie z każdym nowym elementem, który wprowadzamy.
Rolnicy muszą teraz uwzględniać znacznie szerszy zakres czynników, takich jak rynek zbytu, dostępność maszyn, poziom dofinansowania, sytuację polityczną i inne. Im więcej zmiennych elementów wchodzi w skład tego złożonego równania, tym trudniej jest przewidywać rezultaty oraz identyfikować ryzyka i zrozumieć wzajemne zależności między nimi.
Te wszystkie zjawiska pokazują, jak bardzo nasz świat stał nieprzewidywalny i złożony. W obliczu tych wyzwań konieczne staje się poszukiwanie nowych strategii oraz narzędzi, które umożliwią nam efektywne zarządzanie tą złożonością i elastyczne dostosowywanie się do otaczających nas warunków. Tylko poprzez holistyczne podejście i zrozumienie interakcji między elementami systemu będziemy w stanie podejmować lepsze decyzje i stawiać czoła przyszłym wyzwaniom.
Zrozumieć nieliniowość
Do niedawna nasz świat był postrzegany jako liniowy, oparty na prostych ciągach przyczynowo-skutkowych. Gdy mieliśmy mały zbiór zboża, podejmowaliśmy decyzję o zwiększeniu ilości nawozów i substancji zabezpieczających rośliny, które miały stymulować wzrost i je chronić. Po pewnym czasie dostrzegliśmy, że nadmiar chemii wpływa negatywnie na jakość gleby, co prowadziło do problemów z uprawami. Zrozumieliśmy, że podczas podejmowania decyzji uwzględniliśmy zbyt mało czynników, które mogły wpłynąć na końcowy rezultat. Doświadczenia te jasno pokazują, że nie możemy dłużej ignorować złożoności świata i nieprzewidywalności zachodzących w nim procesów. Zamiast tego powinniśmy przyjąć podejście myślenia systemowego, które ma na celu pomóc nam zrozumieć zależność w ramach ciągu przyczynowo-skutkowego. To podejście umożliwia lepsze śledzenie interakcji w systemie sprzyjające skuteczniejszym decyzją.
System Dynamics – matematyczne rozwiązanie na chaos
Nauka skupia się na tym, co jest mierzalne i przewidywalne, ale nie ogranicza się tylko do tego. Zjawiska, które trudno zmierzyć lub przewidzieć takie jak chaos wciąż mogą być przedmiotem badań i dociekań naukowych. Na podstawie myślenia systemowego oraz potrzeby przewidywania „Czarnych Łabędzi” powstało narzędzie matematyczne – system dynamic. Służy do modelowania złożonych systemów w kontrolowanych warunkach. Chaos ma jednak swoje algorytmy działania, a modelowanie agentowe pomaga stworzyć prototyp systemu, na którym możemy przetestować możliwości rozwoju tej czy innej sytuacji. Wchodząc w szczegółowy zakres tej analizy, możemy sięgnąć po pomoc do metodologii System Dynamics. Metoda ta jest wykorzystywana m. in. w biznesie. Pomaga on modelować i symulować, jak różne części organizacji wpływają na siebie w czasie. Korzysta ze specjalnych równań i analizuje wzajemne zależności między elementami systemu jak np. zasoby, przepływy informacji czy pieniądze. Pozwala przewidzieć, jakie długoterminowe skutki mogą wynikać z podjętych decyzji. Dzięki temu możliwe jest tworzenie symulacji „co by było, gdyby…” oraz identyfikacji kluczowych obszarów dla działania organizacji. W praktyce polega to na tym, że tworzy się modele matematyczne oparte na równaniach różniczkowych, które odwzorowują przepływy i akumulacje zasobów, informacji, kapitału itp., a następnie analizuje się sprzężenia zwrotne elementów systemu, zarówno pozytywne, jak i negatywne. Ponadto, przeprowadza się symulacje komputerowe, aby przetestować, jak system zachowuje się w różnych warunkach.
Jak modelowanie agentowe wspiera decyzje w firmie Siemens
Jedna decyzja jest w stanie wywrzeć nieodwracalne skutki w projekcie – zarówno pozytywne, jak i negatywne. Trudna decyzja wymaga psychologicznej akceptacji, podjęcia ryzyka i odwagi. Im poważniejsza jest, tym więcej zasobów pochłania, np. czas, czy wysiłek. Wyobraźmy sobie narzędzie, które pomaga nam w przetwarzaniu 1000 scenariuszy na sekundę w różnych konfiguracjach. Istnieje one w postaci modelowania systemowego.
W obliczu wprowadzenia nowej bardziej wydajnej turbiny gazowej od firmy Rolls-Royce, Siemens musiał zmierzyć się z nowymi wyzwaniami. Aby sprostać tym oczekiwaniom, firma wdrożyła zaawansowane modele matematyczne, które pozwoliły na prognozowanie wydajności biznesowej i KPI oraz analizowanie opcji inwestycyjnych, wspierając w ten sposób proces podejmowania decyzji.
Fot. nomesart – stock.adobe.com Fot. stock.adobe.comDotychczasowe narzędzia, które wówczas wykorzystywał Siemens, nie były przystosowane do takich informacji. W miarę jak liczba danych rosła, analiza w Excelu zaczęła przypominać walkę z wiatrakami, wprowadzając chaos. Zapadła więc decyzja o zastosowaniu bardziej zaawansowanych narzędzi zarządzania danymi – modelowania agentowego. Polega ono na tworzeniu symulacji złożonych systemów poprzez reprezentację obiektów (agentów), które działają autonomicznie i wchodzą w interakcję ze sobą oraz z otoczeniem. Pozwala na badanie dynamiki systemów w sposób bardziej realistyczny i elastyczny niż tradycyjne metody modelowania. Przy tworzeniu modelu pod uwagę były wzięte poniższe czynniki:
- Operacje klientów – w jakich warunkach klienci używają turbin np. temperatur.
- Działalność zakładów utrzymania.
- Charakterystyka silników – różne tryby awarii związanych z konkretnymi komponentami silnika.
- Logistyka łańcucha dostaw.
Kiedy model powstał, firma Siemens mogła badać każdy element systemu i przeprowadzać analizy „co jeśli”, umożliwia im to odkrywanie wszystkich wzajemnych zależności oraz identyfikację wąskich gardeł. Dało to szansę na podejmowanie decyzji z uwzględnieniem całego ekosystemu organizacji. Wdrożenie tego modelu matematycznego pozwoliło na:
- Zwiększenie elastyczności i adaptacyjności firmy, umożliwiając jej przygotowanie na zmieniające się warunki, takie jak awaryjność sprzętu czy zmiany w popycie.
- Szczegółową analizę zależności, co umożliwiło identyfikację wąskich gardeł oraz określenie czynników wpływających na wydajność.
- Podejmowanie lepszych decyzji przez dostarczanie menedżerom danych i analiz wspierających proces podejmowania decyzji.
- Zarządzanie ryzykiem poprzez opracowanie strategii minimalizowania ryzyka oraz planowanie działań w sytuacjach kryzysowych.
Kiedy matematyka jest bezsilna?
Rezultaty osiągnięte przez firmę Siemens są fascynujące, jednak rodzi się pytanie. Czy jesteśmy w stanie stworzyć matematyczny model zachowań jednego z najważniejszych elementów systemu ekonomiczno-społecznego – zachowania ludzkiego? W teorii jest to możliwe, o ile będziemy dysponować milionem danych, ale nawet wtedy nie ma gwarancji, że uzyskamy dokładne prognozy.
Na ten moment żaden matematyczny model nie jest w stanie w pełni przewidzieć i przeanalizować tak skomplikowanych problemów, z którymi borykają się organizacje. Niemniej jednak matematyka umożliwia spojrzeć na sytuację z innej strony i pomaga zrozumieć złożoność problemu oraz różnorodność czynników, które mają wpływ na podejmowane decyzje.
IT Project Managerka i liderka Wrocławskiego oddziału PMI PC. Posiada tytuł magistra w dziedzinie zarządzania projektami. Wykładowczyni na Uniwersytecie Merito, trener i doradca biznesowy w zakresie strategii oraz digitalizacji. Pasjonatka zarządzania projektami oraz transformacji cyfrowej. Fanka teorii chaosu.