پیش‌بینیِ پیش‌بینی‌ناپذیرها

رفتار گروهی مردم در مجامع، در بازارها، و در سازمان‌ها از دیرباز پر رمز و راز بوده است. اکنون، برخی شرکت‌ها به راهکارهایی برای تحلیل و حتی پیش‌گویی این پدیده‌های برآیند دست می‌یابند.

چکیده:

رفتار گروهی انسان‌ها در مجامع، در بازار، و در سازمان‌ها از دیرباز پر رمز و راز بوده است. مثلاً چرا پاداش دادن به کارکنان یک سازمان، گاه موجب کاهش بهره‌وری می‌شود؟ چرا برخی کالاها، که معلوم نیست از کجا سر در آورده‌اند، فروش باورنکردنی دارند حال آن که کالاهای دیگر علی‌رغم هزینه‌ی بازاریابی چند میلیون دلاری می‌پلاسند؟ چگونه است که یک اشتباه ساده‌ی اداری از می‌تواند بهمن‌وار چنان زیان فاجعه‌آمیزی به بار آورد که به ورشکستگی یک مؤسسه‌ی اعتباری بینجامد؟
اریک بونابیو معتقد است شیوه‌های سنتی تحلیل آماری در تبیین این با پدیده‌های برایند موفق نیستند زیرا در این شیوه‌ها تحلیلگر با رویکردی از بالا به پایین، می‌کوشد قالب‌ها و فرمول‌های عمومی را به یک وضع خاص بخوراند. استدلال او این است که رفتار پدیده‌های برآیند از پایین به بالا شکل می‌گیرد و از همان ابتدا با تعامل‌های موضعی و محلی افرادی همراه است که در واکنش به رفتار سایر همباشان تغییر رفتار می‌دهند. از مجموعه‌ی این تعامل‌ها چنان رفتار گروهی پدید می‌آید که تحلیل از بالا به پایین در توجیه آن عاجز است.
اما اکنون به لطف مدل‌سازی عامل‌مدار، برخی بنگاه‌ها راهکارهایی برای تحلیل (و حتی پیش‌بینی) پدیده‌های برآیند یافته‌اند. برای نمونه، شرکت Macy’s با کمک این فناوری به شیوه‌های بهتری برای طراحی فروشگاه‌های زنجیره‌ای خود دست یافته است. هیولیت پاکارد با شبیه‌سازی عامل مدار توانسته پیش‌بینی کند تغییر در استراتژی استخدام چه اثری بر فرهنگ سازمانی آن شرکت می‌گذارد. بانک سوسیته جنرال فرانسه از این فناوری برای تعیین ریسک اجرایی گروه مدیریت دارایی خود استفاده کرده است.
در این مقاله جزئیات پدیده‌های برآیند و دلیل افزونی آن‌ها در سال‌های اخیر شرح داده شده است. بونابیو به دنبال ارائه‌ی نمونه‌های واقعی از شرکت‌هایی که با بهره‌گیری از شبیه‌سازی عامل مدار کسب و کار خود را بهبود بخشیده‌اند، آینده‌ی این فناوری را نیز بررسی و به زمینه‌های پرشماری که به واسطه‌ی آن متحول خواهند شد اشاره می‌کند.
***
سه سال پیش نزدک (1) با مسئله‌ی دشواری روبه‌رو شد. قرار بود مبلغ واحد بهای معاملات بورس که در آن زمان یک هشتم دلار بود به یک شانزدهم و نهایتاً به یک صدم دلار کاهش یابد. به گمان حرفه‌ای‌های بازار، این تغییر موجب افزایش دقت معاملات و نزدیک شدن توقعات خریدار و فروشنده می‌شد. اما سازمان نزدک نگران بود مبادا این تغییر، نتایج عکس به بار آورد و موجب ناکارآمدی بازار و حتی بدتر از آن، موجب ایجاد گریزگاهی برای سوء استفاده‌ی کلاه‌برداران شود. در گذشته به کمک مطالعات اقتصادی و مدل‌های مالی و شیوه‌های دیگر تحقیقاتی، این بازار تجزیه و تحلیل شده بود. اما کاهش مبلغ واحد بهای سهام، میدان ناشناخته‌ای بود که تحلیل‌های سنتی جواب‌گوی آن نبود. نزدک چگونه می‌توانست اطمینان یابد که کاهش واحد بهای سهام، نظام سازمان را به هم نمی‌ریزد؟
برای پاسخ به این پرسش، نزدک با همکاری مشاوران بایوس گروپ از سانتافه، یک برنامه‌ی کامپیوتری برای شبیه‌سازی آن تصمیم طراحی کرد. این یک برنامه‌ی عادی نبود و می‌باید هزاران همباش (نقش آفرین) آن بازار از جمله مؤسسات سرمایه‌گذاری، مدیران صندوق‌های بازنشستگی، سرمایه‌گذاران غیرحرفه‌ای، خریداران و فروشندگان گذری، و مانند آنان را به طور مجازی خلق می‌کرد. این عامل‌های نرم افزاری بر پایه‌ی استراتژی دنیای واقعی دست به خرید و فروش سهام می‌زدند. این فناوری که شبیه‌سازی عامل مدار (2) نام گرفته، چنان جنبه‌های پویایی از بازار بورس را بر مدیران نزدک آشکار کرد که هرگز از مدل‌های ریاضی ساخته نبود.
نتایج حاصل چشم‌گشا بود. واحد بهای کوچک‌تر، در عمل توانایی بازار را در تعیین بها کاهش می‌داد و به دور شدن بهای پیشنهادی از بهای مورد تقاضا می‌انجامید. آزمایش‌های بیش‌تر این رفتار بازار را (که با عقل متعارف جور در نمی‌آمد) تأیید کرد و موجب شد نزدک رفتار بازار را بهتر بفهمد و برای کاهش مبلغ واحد بهای سهام برنامه‌ی بهتری بریزد.
نزدک تنها سازمانی نیست که از شبیه‌سازی عامل مدار بهره می‌گیرد. شرکت Macy's به کمک این فناوری چیدمان بهتری برای کالاهای فروشگاه‌های زنجیره‌ای خود پیدا کرد. هیولیت‌پکارد توانست پیش‌بینی کند که تغییر در استراتژی استخدام چه اثری بر فرهنگ سازمانی آن شرکت دارد؛ و بانک سوسیته جنرال فرانسه به یاری این فناوری میزان ریسک عملیات گروه مدیریت دارایی خود را تعیین کرده است.

چرا پدیده‌های برآیند مهم‌اند؟

برای شناختن قدر شبیه‌سازی عامل مدار اول باید مفهوم پدیده‌های برآیند را درک کنیم. بهترین راه این است که به یک راه‌بندان در ترافیک بیندیشیم. راه‌بندان‌ها با این که روزانه پیوسته روی می‌دهند، پدیده‌هایی بس پیچیده و رمزآلودند دیدگاه فردی، هر راننده‌ای راهی مقصدی است و در طول راه از مقررات معینی پیروی (یا سرپیچی) می‌کند. برخی از این مقررات پایه‌ی قانونی دارند مانند رعایت سرعت مجاز؛ و برخی پایه‌ی اخلاقی و شخصی مانند راه دادن به راننده‌ی کناری. اما راه‌بندان خود دارای هویت مستقل و جداگانه‌ای است که از برآیند رفتار یکایک رانندگان بروز می‌کند. برای نمونه، در بزرگراه‌ها گاهی حتی با وجود این که جریان ترافیک پیش رونده است، بدون هیچ دلیل ظاهری، تراکم خودروها رو به عقب رشد می‌کند.
پدیده‌های برآیند صرفاً یک کنجکاوی دانشگاهی نیستند بلکه در پس پرده‌ی بسیاری از وقایع مرموز دنیای کسب وکار قرار دارند. مثلاً قیمت‌ها در بازارهای آزاد چگونه شکل می‌گیرند؟ چرا گاه پس از دادن پاداش و امتیاز به کارکنان بنگاه، بهره‌وری کاهش می‌یابد؟ چرا برخی کالاها (مانند روروَک تاشو) که معلوم نیست سر از کجا درآورده‌اند فروش آن‌چنانی دارند حال آن که کالاهای دیگر با وجود میلیون‌ها دلار هزینه‌ی بازاریابی می‌پژمرند؟ چطور یک خطای کوچک اداری می‌تواند چنان ابعادی پیدا کند که یک مؤسسه‌ی اعتباری را به ورشکستگی فاجعه بار بکشاند؟
در سال‌های اخیر بروز پدیده‌های برآیند در بسیاری از شرکت‌ها (و در جامعه به طور کلی) افزایش یافته است. یک دلیل آن این است که شهرها و مناطق شهری شلوغ‌تر شده‌اند. دیگر این که مردم (به واسطه‌ی اینترنت و سایر فناوری‌های ارتباطی) وابستگی بیش‌تری به یکدیگر پیدا کرده‌اند. هرچه تراکم جمعیت و تعامل مردم بیشتر شود، احتمال بروز پدیده‌های برآیند نیز به همان نسبت افزایش می‌یابد. از این گذشته، کسب و کارها نیز روزبه روز پیچیده‌تر و پرتعامل‌تر می‌شوند. برای نمونه، با زیاد شدن خریداران غیرحرفه‌ای و با خلق ابزارهای مالی پیشرفته مانند معامله‌ی مشتقات، پیچیدگی روابط بازار سهام از حد گذشته است.
پدیده‌های برآیند، به دلیل ویژگی ذاتی‌شان، موذیانه در برابر تحلیل ایستادگی می‌کنند، چه رسد به این که کسی بتواند آن‌ها را پیش‌بینی کند. امروزه شیوه‌های سنتی از قبیل تحلیل آماری و رگرسیون و یا حتی دینامیک سیستم (شیوه‌ی رایج برای مدل کردن کسب و کار که بر معادلات دیفرانسیل استوار است) برای تحلیل و پیش‌بینی پدیده‌های برآیند کارساز نیست. در شیوه‌های سنتی، نگرش از بالا به پایین است، بدین معنا که تلاش می‌شود زنجیره‌ای از معادلات و چارچوب‌های کلی به وضعی خاص خورانده شود حال آن که رفتار پدیده‌های برآیند از پایین به بالا و از همان آغاز با تعامل‌های موضعی عوامل مستقل همراه است. این عوامل (مثلاً رانندگانی که پشت راه‌بندان گیر کرده‌اند) به تناسب اقدامات دیگران رفتار خود را نظم می‌دهند. از تجمیع این تعامل‌ها رفتار گروهی (راه‌بندان) حاصل می‌شود که هرگونه تجزیه و تحلیل از بالا به پایین را به سادگی بی‌اثر می‌سازد.
پدیده‌های برآیند گاه حتی عقل متعارف را نیز به مبارزه می‌طلبند. کاهش واحد بهای سهام در نزدک می‌توانست موجب ریزتر شدن درجه بندی میان بهای پیشنهادی و بهای مورد تقاضا شود. اضافه کردن خط جدیدی به بزرگراه گاه موجب تشدید راه‌بندان در ساعات پرتردد می‌شود (پدیده‌ای که به افتخار براس مهندس آلمانی پژوهش در عملیات که در سال 1968 آن را کشف کرد معمای براس نام گرفته است). البته مردم در توجیه چنین پدیده‌ی غیرمتعارفی بی‌درنگ می‌گویند: «البته که افزودن خط راه‌بندان را تشدید می‌کند چون رانندگانی که خط عوض می‌کنند موجب کندی حرکت دیگران می‌شوند.» به رغم این توجیه راحت‌طلبانه‌ی بعد از وقوع، نکته‌ی مهم این است که پدیده‌ی برآیند دارای هویت مستقلی است که گاه با عقل متعارف تعارض دارد و از این رو پیش‌بینی آن دشوار است.
در تجربیاتی که از بررسی موارد گوناگون پدیده‌های برآیند به دست آورده‌ام، دریافته‌ام تنها راه برای تحلیل و حتی آغاز به پیش‌بینی این پدیده‌ها این است که آن‌ها را از پایین به بالا مدل کنیم. در چنین شبیه‌سازی، هر یک از همباشان (مثلاً سرمایه‌گذاری که اوراق سهام می‌خرد یا کسی که در بزرگراه در حال رانندگی است) یک شخصیت مجازی به شمار می‌آید که از روی رفتار دیگران تصمیم می‌گیرد. با تلقی هر یک از همباشان به منزله‌ی یک عامل مستقل، می‌توان با دقت بالایی به حقیقت دست یافت. طبعاً مدیر باتجربه‌ی یک صندوق بازنشستگی، بسان جوانی که گاه و بی گاه اوراقی می‌خرد معامله نمی‌کند. به سخن دیگر، با مدل کردن عامل‌ها به منزله‌ی تصمیم‌گیران مستقل، چندگانگی موجود در دنیای واقع، در تجزیه و تحلیل به حساب می‌آید. اکنون به مدد کامپیوترهای ارزان و تکنیک‌های جدید شبیه‌سازی، دست یافتن به نتایج دقیق با هزینه‌ی پذیرفتنی میسر شده است.

نفوذ در مصرف کننده

چند سالی است که با افزایش کم خرج قدرت محاسبه‌ی رایانه‌ها، بنگاه‌ها توانسته‌اند در جهان مجازی با شبیه‌سازی سناریوهای گوناگون، به نتایجی برسند که دست‌یابی به آن‌ها در جهان حقیقی بسی گران و پر مخاطره است. لحظه‌ای به تأثیر شیوه‌ی حرکت مردم در بازار و مراکز تجاری بر کسب و کار بیندیشید. در چنین جاهایی کدام چیدمان موجب افزایش خشنودی مشتری و در عین حال خرید بیش‌تر او می‌شود؟
برای پاسخ به این پرسش، پژوهشگران به حجم عظیمی از اطلاعات گردآمده در ایستگاه پرداخت فروشگاه‌ها (مشتریان در چه ساعتی چه کالایی خریده‌اند) و به دانش کارشناسانی چون پاکو آندرهیل، متخصص رفتارشناسی خرید و نویسنده‌ی کتاب چرا می‌خریم روی آورده‌اند. آندرهیل می‌داند چند درصد مشتریان به محض ورود به خوار بارفروشی به راست می‌پیچند و یا این که چقدر احتمال دارد مشتری در میان یک راهروی شلوغ فروشگاه به پس برگردد. با دادن این اطلاعات به نرم افزارهای شبیه‌سازی عامل مدار، پژوهشگران می‌توانند مغازه‌ای با خریداران مجازی بسازند. از چنین شبیه‌سازی‌هایی نتیجه‌گیری شده که با تغییر در چیدمان کالاها، بالقوه می‌توان میزان خرید مشتریان را تا 20 درصد افزایش داد.
بنگاه فروشگاه‌های زنجیره‌ای ساینس‌بوری در انگلستان از شعبه‌ی خود در غرب لندن یک مدل کامپیوتری طراحی کرد و اطلاعات تفصیلی مشتریان (مثلاً هر مشتری در هر راهرو چه مدت وقت صرف می‌کند) را در مدل گنجاند. مطالعات دوربینی نشان می‌دهد هر مشتری به طور میانگین برای خریدن شیر پنج ثانیه ولی برای انتخاب یک بطری شراب 90 ثانیه وقت می‌گذارد. در شبیه‌سازی عامل مدار، هر مشتری (از روی اطلاعات واقعی گردآمده در ایستگاه پرداخت فروشگاه ساینس بوری) فهرستی از اقلام مورد نیاز خود همراه دارد. مشتریان مجازی از بخش‌های گوناگون فروشگاه می‌گذرند و کالاهای مورد نیاز خود را برمی‌دارند و در همین حال نرم‌افزار مدل‌سازی، مقاصد آنان و نیز زمان توقف آن‌ها را در ایستگاه پرداخت ثبت می‌کند. بدین‌ترتیب، می‌توان اثر تغییر چیدمان (مثلاً تغییر مکان بخش غذاهای منجمد) را بر میزان شلوغی فروشگاه ارزیابی کرد.
البته هدف این شبیه‌سازی تنها افزایش بازدهی خرید نیست. مدیران فروشگاه‌ها اغلب مایل‌اند قسمت‌های پر رفت وآمد (مثل بخش فروش گوشت و بخش غذاهای پخته) را جدا کنند و با عبور دادن مشتریان از آن قسمت‌ها آنان را به خرید ناخودآگاه برانگیزند. گاه نیز مدیر نقاط شلوغ را برای فروش اقلام حراجی و توزیع نمونه کالاها در نظر می‌گیرد. از این گذشته، واکنش به نیاز روانی مشتریان نیز مهم است. فروشگاهی ممکن است بخواهد بخش میوه و تره بار را در نزدیکی در ورودی قرار دهد تا با تازگی سبزی‌ها و میوه‌ها مشتریان را جلب کند.
شبیه‌سازی عامل مدار موجب شد ساینس بوری با ایجاد توازن میان این متغیرهای گوناگون، بهترین چیدمان را برای فروشگاه خود به دست آورد. گرچه این نرم افزار هنوز نیاز به تکمیل دارد (مثلاً این شبیه‌سازی در نظر نمی‌گیرد که مشتریان جوان‌تر در قیاس با مسن‌ترها شتاب‌زده‌تر خرید می‌کنند) با وجود این، برخی از نتایج مقدماتی به دست آمده شناخت بیشتری از کسب و کار نصیب ساینس بوری کرد. این نرم‌افزار به ویژه موجب تشخیص برخی رفتارهای شگفت‌انگیز شد. برای نمونه، افزایش مشتری در درون فروشگاه می‌توانست موجب کاهش فروش شراب شود. دلیلش این است که با شلوغ شدن فروشگاه تعداد نقاط پرتحرک زیاد می‌شود و به همین نسبت انگیزه‌ی مشتریان برای رفتن به سمت بخش عرضه‌ی شراب که در گوشه‌ی انتهایی فروشگاه قرار دارد کاهش می‌یابد.
مغازه‌های دیگر نیز به دنبال یافتن چیدمان بهینه‌ی کالاهای خود از شبیه‌سازی عامل مدار سود جسته‌اند. مدیریت فروشگاه‌های زنجیره‌ای Macy’s می‌خواست برای قراردادن ایستگاه‌های پرداخت و میز خدمات، بهترین جا را پیدا کند. تا آن زمان جایگاه ایستگاه‌های پرداخت و میز خدمات از روی تجربه و خوش‌نمایی تعیین می‌شد. یک فروشگاه مجازی طراحی شد که در آن چیدمان فیزیکی کالاها و شمار فروشندگان هر بخش فروشگاه قابل تغییر بود. مهم‌ترین دستاورد این شبیه‌سازی آن بود که بنگاه بدون این که اعتبار خود را در جهان حقیقی به مخاطره اندازد، توانست تأثیر چیدمان‌های گوناگون را در دنیای مجازی ارزیابی کند.
سازندگان کالاهای مصرفی به دلایل گوناگون به شبیه‌سازی عامل‌مدار توجه دارند. شرکت‌هایی چون پروکتور اند گمبل و یونی لیور مایل‌اند کالاهای خود را به گونه‌ای در قفسه‌های فروشگاه‌ها جای دهند که بیش‌ترین فروش را داشته باشد. همچنین برای طراحی بهتر مراکز تجاری، ورزشگاه‌ها و پارک‌های تفریحی، می‌توان از شبیه‌سازی عامل مدار بهره گرفت. برای نمونه، مدلی از یک پارک تفریحی برپایه‌ی اطلاعات به دست آمده از دستگاه‌های مردم شمار و سنجش میزان معطلی در صف‌ها و نظرسنجی از مشتریان و منابع دیگر طراحی شده است. طراحان شبیه‌سازی با بهره‌گیری از این اطلاعات، از جمعیتی غیر همگن، با نیازها و انتظارات گوناگون، که روز تعطیل خود را در پارک می‌گذرانند، مدلی با جزئیات کامل ساختند. برای نمونه، نیازهای یک خانواده‌ی چهار نفره (شش مورد سواری، چهار عدد ساندویچ، دو عدد پشمک، سه مورد مراجعه به دست شویی) با نیازهای یک زوج جوان تفاوت دارد. برای موازنه میان خشنودی مشتریان و هدف مدیران (افزایش رونق کسب وکار) این گونه اطلاعات تفصیلی به مدل خورانده می‌شد. مدل قادر بود به پرسش‌های پیچیده‌ای پاسخ دهد که از شیوه‌های ریاضی سنتی و تحلیل آماری خالص ساخته نبود. (مثلاً آیا بهتر بود نیم ساعت به کار روزانه‌ی پارک اضافه شود یا این که زمان سواری هر دستگاه به مدت هشت و نیم ثانیه کاهش یابد). از این گذشته، این پژوهش زمینه‌های جدیدی را برای مطالعه باز می‌کرد. مثلاً اگر به مشتریان یک دستگاه کوچک دستی داده می‌شد که آخرین اطلاعات مربوط به طول صف جلوی هریک از دستگاه‌ها و مراکز سرگرمی را نشان می‌داد چه نتایجی به دست می‌آمد؟

ایجاد انگیزه در کارکنان

بنگاه‌ها نه تنها برای مدل کردن رفتار مشتریان، بلکه برای شناسایی رفتار کارکنان خود نیز به فناوری شبیه‌سازی عامل مدار روی آورده‌اند. یک بنگاه تولیدکننده‌ی کالاهای مصرفی با کمک این فناوری ساختار بهتری برای دادن پاداش به مدیران کشوری خود در اروپا طراحی کرده است. تا پیش از آن، معیار پرداخت پاداش به مدیران، میزان فروش کالا بود. اما این شیوه انگیزه‌ای بود برای مدیران که بیش از نیاز خود سفارش دهند و این، به ویژه در مورد کالاهای فاسد شدنی، بسیار گران تمام می‌شد و بنگاه برای جلوگیری از این زیان، ناچار بود مقدار قابل توجهی کالا را مثلاً از دانمارک به ایتالیا برگرداند زیرا مدیر دانمارک میزان فروش آن کالا را بیش از اندازه‌ی واقعی برآورد کرده بود. از این رو، سیستم نوینی برای دادن پاداش لازم بود که مدیران را به در نظر گرفتن منافع کلی شرکت برانگیزد.
این مسئله دشوارتر از آن است که در آغاز به نظر می‌آید. درست است که نظام پاداش نخستین مدیران را به احتکار برمی‌انگیخت، اما نظام دوم نیز کارایی نداشت چرا که کسی دوست ندارد پاداشش به عواملی بستگی داشته باشد که کنترل چندانی روی آن‌ها ندارد. بنابراین، شرکت به کدام اقدام مدیران باید پاداش می‌داد و چگونه می‌توانست اطمینان حاصل کند که سیستم پرداخت پاداش، سرانجام به اقدامات ضد بهره‌وری مانند احتکار نمی‌انجامد؟ مدل‌سازی عامل مدار به این پرسش پاسخ داد: ربط مستقیم پاداش مدیران به هزینه‌ی نگهداری اقلامی که بیش از نیازشان سفارش می‌دادند. همین کار به تنهایی موجب میلیون‌ها دلار صرفه‌جویی در سال شد. در نهایت شبیه‌سازی عامل مدار موجب شد عملکرد محلی مدیران کشوری، به عملکرد سرتاسری سازمان پیوند بخورد.
بنگاه‌های دیگری نیز برای ایجاد تغییر بنیادی در شیوه‌ی کسب و کار خود از مدل‌سازی عامل مدار سود جسته‌اند. در صنعت داروسازی فراآوری داروهای جدید چنان گران شده که بسیاری از بنگاه‌ها را به بازنگری در روند تحقیق و توسعه واداشته است. یک دلیل این گرانی، بیماری به اصطلاح خودخواهی تیمی است که به واسطه‌ی آن گروهی که سرگرم تولید یک داروی خاص است تصمیماتی می‌گیرد که بی‌طرفانه نیست. مثلاً اگر طرحی به دلیل ناموفق بودن باید کنار گذاشته شود، آن‌ها ممکن است در نجات آن بکوشند زیرا اعتبار تیم به موفقیت آن دارو بسته است. یا این که اعضای تیم وابستگی عاطفی به طرح پیدا کرده‌اند. این رفتارهای ضد مولد موجب کندی روند تولید داروهای جدید و در نتیجه گرانی طرح می‌شود. یک شرکت داروسازی معظم که نسبت به این مسائل حساس بود به فکر افتاد شاید بتواند با برون‌سپاری عملیات فراآوری دارو در مراحل اولیه‌ی آزمایش بالینی، راه حلی برای این مشکل پیدا کند.
برای کاویدن این راه حل و یافتن گزینه‌های دیگر، من و همکارانم در آیکوسیستم مدلی طرح کردیم که عاملانش کارمندان آن شرکت داروسازی و پیمانکاران بالقوه از جمله سازمان‌های پژوهشگر (بنگاه‌هایی که در مدیریت آزمایش‌های بالینی تخصص دارند)، مشاوران دانشگاهی، و حتی کارشناسان شرکت‌های رقیب بودند. با اجرای برنامه‌ی شبیه‌سازی دریافتیم که به دلیل تفاوت‌های زیاد در میان پیمانکاران بالقوه (تفاوت انگیزه‌ها، پرهیز از ریسک، ساختار هزینه، و مانند این‌ها)، پیشنهاد مشتری داروساز ما عملی نیست زیرا آن بنگاه احتمالاً نمی‌توانست آن همه فعالیت را در یک بازار آزاد به گونه‌ای سودآور هماهنگ کند.
پیشنهاد بعدی مشتری داروساز ما این بود که شبکه‌ای از افراد ذیربط درون و بیرون شرکت شبیه‌سازی کنیم و پاداش‌هایی که آنان را به تصمیم‌گیری برانگیزد (مثلاً بر اساس موفقیت کلی دارو) برای آنان در نظر بگیریم. با ادامه‌ی شبیه‌سازی دریافتیم مشتری ما می‌توانست با این شیوه بهای فروش داروهایی را که اخیراً کشف کرده بود (با احتساب ریسک) به بیش از دو برابر افزایش دهد. بر پایه‌ی نتایج به دست آمده، آن شرکت تصمیم گرفته است فراآوری بالینی دارو در مراحل اولیه را به شیوه‌ی یادشده در دنیای حقیقی به اجرا بگذارد.
با بهره‌گیری از شبیه‌سازی عامل‌مدار همچنین می‌توان پیش‌بینی کرد اگر سازمانی استراتژی استخدام نیروی انسانی خود را عوض کند چه تغییراتی در فرهنگ آن سازمان پدید می‌آید. شرکت هیولیت‌پکارد به کمک مشاوران حرفه‌ای، یک مدل آزمایشی عامل مدار برای کارکنان خود طراحی کرد. آن بنگاه بنا به یک سنت قدیمی، ده‌ها سال بود کارکنان خود را بر پایه‌ی میزان وفاداری آنان استخدام می‌کرد و نه لزوماً میزان تجربه‌ی آن‌ها. تمام هم و غم هیولیت‌پکارد این بود که افرادی (اغلب فارغ التحصیلان جدید دانشگاه‌ها) سازگار با فرهنگ سازمان خود بیابد و از این رو بسیاری از کارکنان تمام عمر کاری خود را در هیولیت‌پکارد گذرانده بودند. اما با تمایل بازار نیروی انسانی به آژانس‌های آزاد، هیولیت‌پکارد نگران بود این تغییر چه اثری بر بنگاه دارد. افزون بر این، بنگاه با توجه بیش‌تر به ارائه خدمات، استخدام مشاوران باتجربه و توانمند را که وفاداری آنان نوعاً بسیار کم‌تر از مهندسان هیولیت‌پکارد بود به طرز فزاینده‌ای در دستور کار داشت.
نتیجه‌ی شبیه‌سازی برخی از گمان‌های هیولیت‌پکارد را تأیید کرد. برای نمونه، استخدام کارشناسان آزاد نهایتاً به افزایش هزینه‌ی جذب و نگهداری نیروی انسانی بنگاه می‌انجامید زیرا کارکنان (حتی آن‌ها که در آغاز وفادار بودند) با آهنگ تندتری بنگاه را ترک می‌کردند. شگفت‌آورتر این بود که استخدام افراد با تجربه‌تر اما کم وفاتر، به ویژه اگر یک باره صورت می‌گرفت، میزان دانش کلی بنگاه را پایین می‌آورد. گزینه‌ی بهتر این بود که تغییر استراتژی کم کم و در طول یکی دو سال صورت گیرد. یافته‌ی دیگر شبیه‌سازی این بود که هیولیت‌پکارد با سرمایه گذاری سنگین روی جذب دانش (مثلاً ایجاد بانک‌ها و سیستم‌های فناوری اطلاعات که بتواند بخشی از تجربیات کارکنان را پیش از ترک شرکت رسوب دهد)، می‌توانست آثار منفی چنان تغییراتی را تا حد زیادی جبران کند. هیولیت‌پکارد بنا به سنت قدیم، یکایک کارکنان خود را (مثلاً با ترغیب به کار در پست‌های متفاوت) تربیت می‌کرد و پرورش می‌داد (راهبردی که به ویژه در حالتی که ورود و خروج نیرو زیاد است چندان با عقل جور در نمی‌آید)؛ و از این رو تغییر استراتژی آن بنگاه به منزله‌ی کناره‌گیری جدی از آن سنت دیرینه بود.
یک زمینه‌ی هیجان انگیز برای پژوهش‌های عامل مدار، تعیین ریسک عملیات است و این موضوعی است که توجه بسیاری از مؤسسات اعتباری را به شکل فزاینده‌ای جلب می‌کند زیرا طی سال‌های اخیر این گونه مؤسسات زیان‌های سنگینی از این زاویه دیده‌اند. گرچه بانک‌ها تکنیک‌های کارآمد و پیچیده‌ای برای ارزیابی ریسک بازار و سرمایه گذاری طراحی کرده‌اند ولی هنوز در مراحل آغازین این راه‌اند. ارزیابی ریسک عملیات و کنترل آن کاری بی اندازه دشوار است زیرا این که دقیقاً چگونه یک خطا (یا عمل خلاف) می‌تواند زنجیروار در درون سیستمی به یک زیان فاجعه بار بینجامد (درست مانند درختی که روی خط انتقال برق می‌افتد و شبکه‌ی برق چندین منطقه را می‌گسلد) برای بسیاری از سازمان‌ها روشن نیست.
من و همکارانم یک مدل عامل مدار برای تحلیل و اندازه‌گیری ریسک عملیاتی مدیریت دارایی در بانک سوسیته جنرال فرانسه طراحی کرده‌ایم. در این شبیه‌سازی، کارکنان بانک به منزله‌ی عوامل مجازی مدل شده‌اند به گونه‌ای که در حین انجام وظایف روزانه، پیوسته با یکدیگر در حال تعامل‌اند. از روی اطلاعات پیشین، ما می‌دانستیم کارکنان بانک عموماً اشتباهات خاصی می‌کنند؛ مانند اشتباه در تعداد صفرهای اعداد (10000 دلار به جای 1000 دلار) و یا این که ارزهای محلی را با یورو جابه‌جا می‌گیرند. اما با شبیه‌سازی دریافتیم این گونه اشتباهات (جز در وضعی خاص، مثلاً در ماه اوت که بازارهای مالی بسیار متغیرند) کمابیش هیچ گاه به زیان فاجعه بار نمی‌انجامند. جزئیات نتایج به دست آمده از شبیه‌سازی عامل مدار، کمکی است به توجیه این دستاورد.
نوسانات بازار موجب افزایش حجم عملیات بانکی و در نتیجه افزایش شدید شمار خطاها می‌شود زیرا مردم در شتاب‌اند و وقت ندارند کار خود را دوباره کنترل کنند. در فرانسه این مشکل در ماه اوت شدید می‌شود زیرا در آن ماه بسیاری از کارمندان (به ویژه کارکنان ارشد که تجربه‌ی بیش‌تری دارند) به مرخصی‌های طولانی می‌روند. در یک سناریو یکی از کارمندان کم تجربه که بر اثر پرکاری خسته شده خطایی می‌کند، مثلاً به جای فروختن اوراق سهام، آن‌ها را می‌خرد؛ و هیچ کس در واحد او، از جمله مدیر پر مشغله‌اش، متوجه این خطا نمی‌شود. اسناد مربوطه وارد بخش اداری می‌شود. کارمند موقتی که تنها در طول تابستان با بانک کار می‌کند متوجه خطا نمی‌شود و برابر اسناد اقدام می‌کند. چند روز بعد که این آبروریزی کشف می‌شود ارزش سهام فروافتاده و در نتیجه‌ی آن، بانک دچار خسارت چند میلیون دلاری می‌شود.
ما نه تنها این روزنه‌های آسیب پذیری بالقوه‌ی بانک را پیدا کردیم بلکه توانستیم به کمک اطلاعات دریافتی از بازار سرمایه، احتمال وقوع چنان خطایی را در دنیای واقعی اندازه بگیریم. البته مدل ما احتمال زیان فاجعه‌بار را بی اندازه کم نشان می‌داد ولی ما با اجرای هزاران باره‌ی نرم افزار توانستیم موارد نادری را که موجب چنان آسیبی می‌شد شبیه‌سازی کنیم و نتایج حاصل کمک کرد آمار لازم را درباره‌ی ریسک‌های واقعی عملیات بانکی به دست آوریم. سوسیته جنرال از روی این اطلاعات توانست شیوه‌هایی برای کمینه‌سازی آن ریسک‌ها (از جمله تغییر برنامه‌ی مرخصی کارمندان) را بیازماید و در عین حال دریابد چه بخشی از سرمایه‌اش را برای جبران برخی خسارات احتمالی کنار بگذارد. در حال حاضر، مؤسسات اعتباری روش دقیقی برای تعیین ریسک عملیاتی خود ندارند و از این رو، زیر فشار قانون، در ارزیابی مبلغ لازم برای روز مبادا راه گزافه می‌روند. در مدیریت دارایی، مؤسسه‌ای که ریسک عملیاتی‌اش را با دقت ارزیابی کند می‌تواند به آسانی سالانه میلیون‌ها دلار صرفه‌جویی کند زیرا افزون بر آزادسازی مبلغ لازم برای روز مبادا (که می‌تواند آن را سرمایه گذاری کند)، حق بیمه‌ی سازمانش را نیز می‌تواند کاهش دهد.
پژوهش در رفتار سازمانی کارکنان هیولیت‌پکارد و بنگاه داروسازی و سوسیته جنرال درس بزرگ‌تری در بر دارد. یکی از ایرادهایی که به شبیه‌سازی عامل مدار می‌گیرند این است که گفته می‌شود فناوری اغلب نیازمند آن است که روان شناسی رفتار پیچیده‌ی انسان را بفهمد و از این رو هرگونه خطا در اندازه گیری این عامل‌های نرم ممکن است نتایج کاملا نادرستی به بار آورد. البته دقت شبیه‌سازی عامل مدار به دقت فرضیات و داده‌ها بستگی دارد اما حتی شبیه‌سازی تقریبی هم می‌تواند ارزش زیادی داشته باشد. مثلاً هیولیت‌پکارد با کاربرد این مدل توانست ارتباط کلی میان عوامل گوناگونی از قبیل استراتژی استخدام نیروی انسانی، آهنگ ورود و خروج نیرو به سازمان، میزان کل دانش بنگاه، و مانند این‌ها را بهتر درک کند. شبیه‌سازی برای مشتری داروساز ما بسیار گسترده‌تر و فراگیرتر بود و بنگاه را قادر ساخت نه تنها کسب وکار خودش را بهتر بفهمد بلکه روند آن را پیش‌بینی کند، شکل بدهد، و بهینه و کنترل کند. به سخن دیگر، این که بنگاهی چگونه از شبیه‌سازی عامل مدار بهره می‌گیرد بستگی دارد به این که چه اطلاعاتی برای شبیه‌سازی وارد سیستم شده است؛ و برعکس.

آینده‌ی برآینده

«کجاست خردی که در دانش گم کرده‌ایم؟ کجاست دانشی که در اطلاعات گم کرده‌ایم؟» این جملات را تی.اس.الیوت در سال 1934 در شعری با عنوان صخره بیان کرده اما هنوز حقیقت آن در گوش زنگ می‌زند. مردم امروز در معرض سیل اطلاعات‌اند اما آیا لزوماً دانشمندتر شده‌اند؟ (خردمندتر پیش‌کش). برای نمونه، شرکت Macy’s چنان حجم عظیمی از اطلاعات مربوط به مشتریان خود گرد آورده که به کمک آن می‌توان روزهای کاری فروشگاه‌هایش را به طور کامل بازسازی کرد. اما این بنگاه در تبدیل آن اطلاعات به دانش دچار مشکلات زیادی است. برای اجرای این کار، و به ویژه در حالاتی که پدیده‌ی برآیند در لابه‌لای اطلاعات موجود پنهان مانده است، مدل سازی عامل مدار که رویکردی از پایین به بالاست گزینه‌ی مناسبی است. منظور این است که اطلاعات موجود درباره‌ی مردم و شیوه‌ی رانندگی آنان لزوماً نشان دهنده‌ی چیزی درباره‌ی راه‌بندان نیست مگر این که ابزاری مانند شبیه‌سازی رایانه‌ای این دانش را آزاد سازد.
گرچه شبیه‌سازی عامل مدار کمابیش نو است، هستند بنگاه‌هایی که برای واکاوی مسائل گیج کننده‌ی خود آن را به کار می‌گیرند. در واقع، پژوهشگران در می‌یابند برای بررسی هر پدیده‌ی برآیند می‌توان از شبیه‌سازی عامل مدار کمک گرفت. کمپانی فوکس قرن بیستم با به کار گرفتن این فناوری آموخت که تراکم بازار کالاهای خود را بهتر بشناسد. هدف آن بنگاه از این کار، یافتن زمان مناسب برای انتشار فیلم‌های سینمایی بود به گونه‌ای که بیشترین شانس فروش را داشته باشد.
طراحی استراتژی بنگاه‌ها زمینه‌ی پرفرصت دیگری برای کاربرد این تکنیک به ویژه در قیاس با نظریه‌ی بازی‌هاست. سال‌ها پیش، این نظریه میدان جذابی از علم اقتصاد بود و برخی گمان بردند انقلابی در آموختن استراتژی به وجود خواهد آورد. اما محدودیت‌های تئوریک آن نگران کننده بود. این نظریه گرچه چارچوبی عالی فراهم می‌آورد اما حالات واقعی کسب و کار در آن نمی‌گنجید. شبیه‌سازی عامل مدار به پژوهشگران این فرصت را می‌دهد که بخش‌های نظری را رها کنند و خیلی ساده با بازی کردن دریابند مثلاً از تعامل با رقیبان، از جمله بنگاه‌هایی که عملکرد دیگران را می‌آموزند و آن را الگو قرار می‌دهند، چه پدیده‌ی برآیندی بروز می‌کند. ما به کمک شبیه‌سازی عامل مدار، بازار بنگاه‌های تأمین خدمات اینترنتی را بررسی کرده‌ایم. شبیه‌سازی ما ظهور خدمات اینترنتی رایگان و نیز ناپایدار بودن این مدل را پیش‌بینی کرده است. منظور این است که نخستین بنگاهی که خدمات رایگان اینترنتی به کاربران بدهد می‌تواند از دیگران جلو افتد و از محل تبلیغات درآمد بیاورد ولی دیری نخواهد گذشت که رقبا این کار را تقلید خواهند کرد و بنگاه پیشگام ناچار خواهد شد نرخ تبلیغات را کاهش دهد و بدین گونه بازار فرو می‌ریزد و در نهایت هزینه‌ی اشتراک خدمات اینترنتی به شدت افزایش می‌یابد.
توان شبیه‌سازی عامل مدار را نباید دست کم گرفت. این فناوری می‌تواند برخی از زمینه‌های کسب وکار را از بنیاد دگرگون کند. بار اولی که نتایج حاصل از مدل کردن بانک سوسیته جنرال را برای گروهی از حساب‌داران و حساب‌رسان تشریح می‌کردم به من (و مخاطبان) الهام شد که شبیه‌سازی عامل‌مدار، نه شیوه‌ای مؤثر برای تعیین ریسک سازمان‌ها بلکه بهترین شیوه است چرا که این کارکنان (و نه فرایندها) هستند که خطا یا خلاف می‌کنند. یعنی طبیعی‌تر (و دقیق‌تر) این است که بگوییم: کارمند بی‌تجربه‌ای در بخش حساب‌داری خطا کرد و صورت حساب عوضی برای مشتری فرستاد، تا این که بگوییم: فرایند مطالبات به واسطه‌ی خطایی که در زیر فرایند ارسال صورت حساب‌ها پدید آمد، آسیب دید. امید می‌رود شبیه‌سازی عامل مدار تحولی بنیادی در تعیین ریسک کسب و کار پدید آورد زیرا این شیوه با شیوه‌ی سنتی استفاده از برگه‌ی گسترده و تحلیل با نگرش فرایندی تفاوت بنیادی دارد. پیش‌بینی من این است که ظرف پنج تا ده سال آینده به طور پیوسته در ممیزی‌ها از مدل‌سازی عامل مدار استفاده خواهد شد.
پژوهشگران دیگر، شبیه‌سازی عامل مدار را به مرزهای کاملاً جدیدی کشانده‌اند. آنان به جای این که دنیای واقع را شبیه‌سازی کنند، با طراحی عامل‌های نرم افزاری مانند Shopbots که به دنبال یافتن کم‌ترین بها برای کالاها در اینترنت جولان می‌دهند، برداشتی را که خود از حقیقت دارند در دنیای مجازی خلق می‌کنند. این عامل ها، با هوشمندترشدن و پیچیده‌ترشدن، خواهند توانست اطلاعات را برای ما گردآوری و بده بستان و ترجمه کنند و حتی خواهند توانست به نمایندگی از طرف ما بر سر قیمت‌ها چانه بزنند. آی بی ام مدل‌های رایانه‌ای فراوانی از Shopbotها، (3) pricebotها و عامل‌های نرم دیگر ساخته با این هدف که پویایی ناشی از پدیده‌ی برآیند را که به دلیل عملکرد این عامل‌ها در بازار پدید آمده ارزیابی کند.
تنها در دنیای کسب و کار نیست که برای بررسی پدیده‌های برآیند از شبیه‌سازی عامل مدار استفاده می‌شود. اکنون باستان‌شناسان و دانشمندان علوم اجتماعی نیز به لطف این فناوری می‌توانند درک بهتری از فراز و فرود فرهنگ‌های باستانی پیدا کنند؛ کارشناسان بیماری‌های واگیردار درمی‌یابند چگونه بیماری‌ها ناگهان در منطقه‌ای پخش می‌شوند؛ ارتش امریکا به کمک این فناوری به دنبال استراتژی بهتر برای میدان‌های جنگ است؛ و دولت امریکا جریان ورود داروهای غیرقانونی از امریکای جنوبی به فلوریدا را بررسی می‌کند بدان امید که سیاست‌های مؤثرتری برای جلوگیری از قاچاق به کار گیرد. در واقع شبیه‌سازی عامل مدار در زمینه‌های گوناگون فراوانی به پژوهشگران فرصت داده به واکاوی مسائلی که زمانی غیرقابل تعقیب می‌نمودند بپردازند. و شاید از همه‌ی این‌ها مهم‌تر این باشد که شبیه‌سازی عامل مدار، این فرض بنیادی را که بهترین شیوه برای فهم جهان پیچیده‌ی ما رویکرد از بالا به پایین است، به چالش می‌کشد.

پدیده‌های برآیند چه‌اند؟

هرگاه اراده می‌کنم مفهوم پدیده‌های برایند را برای مدیران دنیای کسب و کار شرح دهم از آن‌ها می‌خواهم به این بازی بیندیشند: فرض کنید همه‌ی ما در میهمانی شلوغی حضور داریم و هریک از ما بی سروصدا دو نفر (مثلاً الف و ب) را به طور تصادفی انتخاب و طوری جاگیری کنیم که الف همواره میان ب و ما باشد. اگر همه همین کار را انجام دهند چه پیش می‌آید؟ حال بیایید قاعده‌ی بازی را کمی عوض کنیم: بکوشیم ما همواره میان الف و ب باشیم. این بار اگر همگان چنین کنند چه پیش خواهد آمد؟
اگر ده‌ها نفر در میهمانی حضور داشته باشند، در بازی اول افراد برای این که در موقعیت گفته شده جا بگیرند ساعت‌ها در تالار به این سو و آن سو خواهند رفت. ناظری که از بیرون وارد می‌شود، چون از بازی آگاه نیست، گمان می‌برد حرکت میهمانان کاملاً تصادفی است و از هیچ قاعده‌ی خاصی پیروی نمی‌کند. در سناریوی دوم نتیجه به طرز چشم‌گیری متفاوت خواهد بود. ظرف چند ثانیه همه‌ی میهمانان در توده‌ی انبوهی که کمابیش ایستاده به نظر می‌رسد گرد خواهند آمد. ناظر بی خبر، این بار گمان خواهد برد که قصد همه این بوده که دور هم جمع شوند. در هر دو حالت، حاصل رفتار گروهی ما (راه رفتن در اطراف تالار یا گرد آمدن در یک نقطه) همان پدیده‌ی برآیند است که از رفتار یکایک ما نتیجه می‌شود (برای مشاهده‌ی شبیه‌سازی این بازی، سایت .www.icosystem.com/game را ببینید).
در این بازی ساده سه درس مهم نهفته است: نخست این که پدیده‌های برایند ممکن است پیش‌بینی ناپذیر و گاه با عقل متعارف ناسازگار باشند. مثلاً اگر نیمی از میهمانان به بازی اول و نیم دیگر به بازی دوم بپردازند نتیجه چه خواهد بود؟ دوم، هر تغییر به ظاهر کوچک در رفتار فردی، ممکن است تغییر بنیادی در نتیجه‌ی آثار گروهی پدید آورد. سوم، میان رفتار فردی و پدیده‌ی برآیند لزوماً ارتباط منطقی وجود ندارد، گواه این که چرا بازی دوم (و نه بازی اول) باید به انبوه شدن جمعیت بینجامد؟
در حقیقت، پدیده‌های برآیند اغلب حیات جداگانه و مستقل از اجزای شکل دهنده‌ی خود دارند. راه‌بندان ترافیک را نمی‌توان با بررسی رفتار یکایک رانندگان درک کرد، در دنیای کسب و کار نیز می‌توان از نمونه‌های گوناگون پدیده‌های برآیند یاد کرد: شکل گیری (یا درهم ریختگی) رفتار سازمانی حاصل از دادن پاداش امتیاز، بازارهای آزاد که در آن‌ها قیمت‌ها بر اثر انبوهی از تعاملات میان خریداران و فروشندگان شکل می‌گیرد، و یا مواردی که مردم کالای مرده‌ای را با خرید لگام گسیخته‌ی خود به عرش می‌رسانند، از این دسته‌اند.

دنیای شگفت‌انگیز رفتار برآیند

پدیده‌های برآیند گاه رفتاری شگفت‌آور و پیش‌بینی ناپذیر دارند. پارادوکس براس نمونه‌ی کلاسیک این موضوع است. مهندس دیتریش براس آلمانی کسی بود که نخستین بار در سال 1968 این پدیده را شناسایی کرد. براس با مطالعات فراوان ترافیک شهری دریافت که افزودن خطی جدید به بزرگ‌راه‌ها لزوماً موجب کاهش راه‌بندان نمی‌شود بلکه گاه آن را تشدید هم می‌کند. در واقع، پدیده‌های برایند کراراً رفتاری خلاف عقل متعارف بروز می‌دهند که فهم آن دشوار است. به موارد زیر توجه کنید:
• افزایش ناچیز شمار مشتریان یک خواربار فروشی، فروش کالاهای معینی را به شدت کاهش می‌دهد.
• سازمانی پاداش کارکنانش را افزایش می‌دهد اما یک سال بعد درمی‌یابد عملکردش افت کرده است.
• کالای مرده‌ای که معلوم نیست سر از کجا درآورده، یک شبه ره صدساله را طی می‌کند اما کالای عالی رقیب، علی رغم بازاریابی چند میلیون دلاری می‌پلاسد.
• بنگاهی پس از استخدام ده‌ها متخصص حرفه‌ای باتجربه، دچار افت دانش گروهی می‌شود.
پس از سال‌ها مطالعه درباره‌ی پدیده‌های برآیند، دریافته‌ام که تنها راه تحلیل آن‌ها استفاده از شبیه‌سازی‌های پیشرفته‌ی رایانه‌ای است به گونه‌ای که هر فرد (مانند رانندگان بزرگراه یا خریداران فروشگاه) را به منزله‌ی یک عامل مستقل مدل کند، این افراد مجازی مستقلاً تصمیم می‌گیرند و در برابر رفتار دیگران از خود واکنش نشان می‌دهند. آن گاه از تجمیع تعامل‌های آنان، رفتار گروهی حاصل می‌شود که می توان آن را تحلیل کرد، شکل داد، پیش‌بینی کرد، و زیر کنترل آورد.

پی‌نوشت‌ها:

1- Nazdaq، انجمن ملی بهاگذاری سهام.- م.
2- Agent based modelling
3- عاملی که برای شکستن قیمت رقیبان در بازار مجازی به کار می‌رود.

منبع مقاله:
دراکر، پیتر؛ (1390)، جستارهایی در مدیریت، ترجمه: محمدرضا ابراهیم محجوب، تهران: نشر نی، چاپ دوم.