|  درخواست عضويت  |  رمز خود را فراموش کرده ايد؟  |  ورود اعضا [Sign in]
جستجوي پيشرفته مطالب   |  
 جستجو:  
روزنامه دنياي اقتصاد97/9/21: مدل هاي بيشتر، تصميمات بهتر
magiran.com  > روزنامه دنياي اقتصاد >  فهرست مطالب شماره
مشخصات نشريه
آخرين شماره
آرشيو شماره هاي گذشته
جستجوي مطالب
سايت اختصاصي
تماس با نشريه
شماره جديد اين نشريه
شماره 4662
سه شنبه 1 مرداد 1398


 راهنمای موضوعی نشريات
اين نشريه در گروه(های) زير قرار گرفته است:

?????


 
MGID3360
magiran.com > روزنامه دنياي اقتصاد > شماره 4494 21/9/97 > صفحه 28 (مديران) > متن
 
 


مدل هاي بيشتر، تصميمات بهتر
سه قانون براي ايجاد مجموع قدرتمندي از مدل ها

نويسنده: Scott E Page، آناهيتا جمشيدنژاد
برگرفته از: HBR

سازمان ها لبريز از داده ها هستند. همه اين داده ها و منابع داده تنها اگر مورد استفاده قرار بگيرند ارزش اضافه مي كنند و اين به آن معناست كه اين داده ها در يك مدل گنجانده شده باشند. منظور از استفاده از يك مدل، يك تعريف مدل رياضي رسمي است كه مي تواند متناسب با داده ها به كار برده شود.

برخي از سازمان ها بدون شناخت مدل ها، از آنها استفاده مي كنند. به عنوان مثال، يك منحني بازدهي كه اوراق قرضه با مشخصات مشابه ريسك اما سررسيد متفاوت را مقايسه مي كند، مي تواند به عنوان يك مدل در نظر گرفته شود. يك دستور العمل استخدام نيز نوعي مدل است. وقتي شما ويژگي هايي را يادداشت مي كنيد كه يك كانديداي شغلي را شايسته استخدام مي سازد، مدلي ايجاد مي كنيد كه داده ها در مورد كانديدا را مي گيرد و آن را به يك توصيه در مورد اينكه آيا بايد آن فرد را استخدام كرد يا خير تبديل مي كند. ساير سازمان ها مدل هاي پيچيده را توسعه مي دهند. برخي از اين مدل ها ساختاري هستند و به معناي اخذ واقعيت هستند. ساير مدل ها با استفاده از ابزارها از يادگيري ماشيني و هوش مصنوعي داده ها را استخراج مي كنند.پيچيده ترين سازمان ها- از آلفابت تا بركشاير هاتاوي -شركت هلدينگ ارائه دهنده خدمات بيمه- همگي از مدل ها استفاده مي كنند. در حقيقت آنها حتي كاري بهتر را انجام مي دهند: آنها از مدل هاي بسياري به صورت تركيبي استفاده مي كنند.

بدون مدل، منطقي ساختن داده ها دشوار است. داده ها به توصيف واقعيت، گرچه به طور ناقص كمك مي كنند. اما داده به تنهايي، نمي تواند منجر به برتري دادن يك تصميم بر تصميم ديگري شود. شايد متوجه شده باشيد كه بهترين تيم هاي شما به لحاظ عملكرد متنوع ترين تيم هاي شما نيز هستند. براي تبديل اين داده به ديدگاه، شما نياز به دسترسي به برخي از مدل ها در جهان داريد؛ به عنوان مثال، ممكن است اين طور فرض كنيد كه داشتن طيف بزرگ تري از چشم انداز ها در يك تيم منجر به تصميم گيري بهتر مي شود. اين فرضيه شما يك مدل جهاني را ارائه مي دهد.

گرچه مدل هاي مجزا مي توانند به خوبي عمل كنند اما تركيب مدل ها به نتايج حتي بهتري خواهند انجاميد. اين دليلي است كه چرا بهترين متفكران، دقيق ترين پيشگويان و موثرترين تيم هاي طراحي از تركيب مدل ها استفاده مي كنند. آنها كساني هستند كه من آن را متفكران مدل هاي بسيار (many-model thinkers) مي نامم. من در اين مقاله توضيح مي دهم كه چرا مدل هاي بسيار، بهتر از يك مدل عمل مي كنند و همچنين سه قانون براي نحوه ايجاد مجموع قدرتمندي از مدل ها توصيف خواهم كرد: بسط توجه به طور گسترده، تقويت پيش بيني ها و جست وجوي تعارض ها.

  موردي براي مدل ها

يك مدل به طور رسمي اغلب با استفاده از متغيرها و فرمول هاي رياضي، برخي دامنه ها يا فرآيندها را ارائه مي كند. (در عمل، بسياري از افراد مدل هاي غيررسمي تر را در ذهن شان يا روي كاغذ ايجاد مي كنند؛ اما فرمول سازي مدل هاي شما اغلب روشي مفيد از توضيح آنها و سودمندتر ساختن آنهاست.)

به عنوان مثال، شركت Point Nine Capital از يك مدل خطي براي طبقه بندي فرصت هاي استارت آپي بالقوه استفاده مي كند و اين كار را بر مبناي متغيرهايي انجام مي دهند كه نماينده كيفيت تيم و تكنولوژي هستند. دانشگاه هاي پيشرو مانند پرينستون و ميشيگان، مدل هاي احتمالي را به كار مي برند كه متقاضيان را براساس معدل تحصيلي، نمره آزمون و ساير متغيرها نمايش مي دهند تا احتمال فارغ التحصيلي آنها را تعيين كنند.

شركت ديزني از يك مدل عامل-محور (agent-based) براي طراحي پارك ها و جاذبه ها استفاده كرده است. اين مدل يك شبيه سازي كامپيوتري از پارك را به همراه بازديدكنندگان ايجاد و فعاليت هاي آنها را شبيه سازي كرد و به اين ترتيب ديزني مي توانست ببيند كه چگونه تصميمات متفاوت مي تواند بر نحوه عملكرد پارك اثر بگذارد. دفتر بودجه كنگره آمريكا از يك مدل اقتصادي استفاده مي كند كه شامل درآمد، بيكاري و آمار مربوط به سلامتي براي تخمين هزينه هاي تغيير براي قوانين مراقبت هاي بهداشتي و سلامتي مي شود.

در اين موارد، اين مدل ها مقدار زيادي از داده ها را سازماندهي مي كنند. اين مدل ها همگي به توضيح پديده ها توسط رهبران سازماني و انتقال اطلاعات توسط آنها كمك مي كنند. همچنين آنها ارتباط منطقي ايجاد مي كنند و با اين كار، به پيش بيني و تصميم گيري استراتژيك كمك مي كنند. بديهي است كه مدل ها پيشگوهاي بهتري نسبت به انسان ها هستند. در رقابت هاي شانه به شانه بين افرادي كه از مدل ها استفاده مي كنند و افرادي كه از مدل ها استفاده نمي كنند، افراد دسته اول برنده مي شوند.

مدل ها برنده ميدان هستند؛ چرا كه آنها توانايي هايي دارند كه انسان ها فاقد آن هستند. مدل ها مي توانند داده هاي بيشتري را درون خود جاي دهند. مدل ها مي توانند آزمون، سنجش و مقايسه شوند. مدل ها مرتكب خطاهاي منطقي نمي شوند. مدل ها از سوگيري هاي شناختي (cognitive bias) رنج نمي برند. (گرچه آنها مي توانند سوگيري هاي انساني را وارد كرده يا تكرار كنند؛ كه اين يكي از دلايل براي تركيب مدل هاي متعدد است.)

  تركيب مدل هاي متعدد

گرچه به كارگيري يك مدل خوب است، اما استفاده از بسياري از مدل ها- به طور تركيبي-به خصوص در مورد مشكلات پيچيده، به نتايج بهتري مي انجامد. مهم نيست كه يك مدل چه مقدار داده را در خود جاي مي دهد، اين مدل هميشه برخي متغيرهاي مربوط را از دست خواهد داد يا از برخي تعاملات صرف نظر خواهد كرد. بنابراين هرگونه مدلي مي تواند تا حدودي دچار اشتباه شود.

با تركيبي از مدل ها، شما مي توانيد كمبودها در هر كدام از اين مدل ها را جبران كنيد. ايجاد بهترين تركيب از مدل ها نياز به تفكر و تلاش دارد. همان طور كه مشخص شد، دقيق ترين تركيب مدل ها شامل مدل هاي فردي با بالاترين عملكرد نمي شوند؛ بلكه، هدف تركيب مدل هاي متنوع است.

براي دهه ها، شركت هاي وال استريت از مدل ها براي ارزيابي ريسك سرمايه گذاري استفاده كرده اند. ريسك به شكل هاي مختلفي ظاهر مي شود. علاوه بر ريسك ناشي از نوسانات بازار مالي، ريسك هاي ناشي از رخدادهاي ژئوپليتيك و جنبش هاي اجتماعي مانند اشغال وال استريت در كنار ريسك هاي تهديدات سايبري و ساير شكل هاي تروريسم وجود دارند. يك مدل ريسك استاندارد بر مبناي همبستگي هاي قيمت سهام همه اين ابعاد را در خود جاي نخواهد داد. از اين رو، بانك هاي سرمايه گذاري پيشرو از تركيب مدل ها براي ارزيابي ريسك ها استفاده مي كنند.

  اما اين تركيب شبيه چيست؟

اولين راهنمايي براي ايجاد يك تركيب از مدل ها اين است كه به دنبال مدل هايي باشيم كه بر «توجه» بر بخش هاي مختلف از يك مشكل يا بر فرآيندهاي متفاوت تمركز كنند. منظور من اين است كه مدل دوم شما بايد شامل متغيرهاي متفاوتي شود. همان طور كه در بالا گفته شد، مدل ها برخي چيزها را حذف مي كنند. مدل هاي بازار مالي استاندارد جزئيات نهادي بسيار ريز از نحوه اجراي تجارت ها را حذف مي كنند. آنها اكولوژي باورها و قوانين تجاري كه توالي قيمت را ايجاد مي كند را جدا مي كنند. بنابراين وجود  يك مدل دوم خوب شامل اين ويژگي ها خواهد شد.

دوين فارمر- رياضيدان- از مدل عامل محور به عنوان يك مدل دوم خوب دفاع مي كند. يك مدل عامل محور شامل قوانين شبيه سازي بر مبناي «عامل ها» (agents) مي شود كه نماينده افراد و سازمان ها هستند. سپس اين مدل روي يك كامپيوتر اجرا مي شود. در مورد ريسك مالي، مدل هاي عامل محور مي توانند براي در برداشتن اكثر جزئيات سطح خرد طراحي شوند. يك مدل عامل محور از يك بازار مسكن مي تواند نماينده هر خانوار باشد و يك درآمد يا يك پرداخت رهن يا اجاره را تعيين كند. ممكن است درك دقيق و درست اين قوانين رفتاري دشوار باشد و در نتيجه، ممكن است مدل عامل محور- حداقل در ابتدا- آن قدر دقيق نباشد. اما فارمر و سايرين استدلال مي كنند كه طي زمان، اين مدل ها مي توانند بسيار دقيق شوند.

بيشتر از اينكه به كارآيي بهتر مدل هاي عامل محور نسبت به ديگر مدل هاي استاندارد فكر كنيم، نگران خواندن سيگنال هاي از دست رفته در مدل هاي استاندارد، توسط مدل هاي عامل محور هستيم. مدل هاي استاندارد روي مجموع كار مي كنند؛ مانند شاخص هاي Case-Shiller كه تغييرات قيمت مسكن در ايالات متحده آمريكا را اندازه گيري مي كند. اگر شاخص Case-Shiller سريع تر از درآمد رشد كند، ممكن است حباب مسكن ايجاد شود. به همان اندازه كه اين شاخص مفيد است، تغييرات توزيعي كه ميانگين ها را ثابت نگه مي دارند را در نظر نمي گيرد. اگر افزايش درآمد تنها به يك درصد بالايي اختصاص يابد، در حالي كه قيمت مسكن براي همه افزايش يابد، اين شاخص، نسبت به حالتي كه افزايش درآمد به طور كلي و عمومي باشد، تفاوتي نخواهد كرد. مدل هاي بر مبناي عامل از تغييرات توزيعي غفلت نخواهند كرد. آنها اعلام مي كنند افرادي كه 40 هزار دلار درآمد دارند بايد حد اقل ملكي با رهن 600 هزار دلاري داشته باشند. اين مدل عامل محور ضرورتا بهتر نيست. ارزش آن از تمركز توجه ناشي مي شود؛ ويژگي اي كه مدل استاندارد ندارد.

دومين راهنمايي مفهوم « boosting» را وام مي گيرد كه تكنيكي در يادگيري ماشيني است. الگوريتم هاي دسته بندي تركيبي مانند مدل هاي جنگل (forest models) تصادفي شامل مجموعه اي از درخت هاي تصميم ساده است. (درخت تصميم نقشه اي از نتايج احتمالي يكسري از انتخاب ها يا گزينه هاي مرتبط به هم است به طوري كه به يك فرد يا سازمان اجازه مي دهد تا اقدامات محتمل را از لحاظ هزينه ها، احتمالات و مزايا بسنجد.) يك درخت تصميم كه سرمايه گذاري هاي بالقوه سرمايه خطرپذير را دسته بندي مي كند ممكن است بگويد «اگر بازار بزرگ است، سرمايه گذاري كنيد.» جنگل هاي تصادفي، تكنيكي براي تركيب درخت هاي تصميم متعدد هستند و بوستينگ قدرت اين الگوريتم ها را با استفاده از داده ها براي جست وجوي درخت هاي جديد طبق يك روش نوين بهبود مي بخشد. به جاي جست وجوي درخت هايي كه به تنهايي با دقت بالايي پيش بيني مي كنند، بوستينگ به دنبال درخت هايي است كه زماني كه جنگل درخت هاي فعلي به خوبي عمل نمي كنند، كارش را خوب انجام دهد. به عبارت ديگر، به دنبال مدلي باشيد كه ضعف مدل فعلي شما را مورد حمله قرار دهد.

به مثالي در اين زمينه توجه كنيد. همان طور كه بيان شد، بسياري از سرمايه گذاران مخاطره پذير براي انتخاب از بين هزاران فرصت، از مدل هاي ويژگي وزني (weighted attribute models) استفاده مي كنند. ويژگي هاي رايج شامل تيم، اندازه بازار، كاربرد تكنولوژيك و زمان بندي مي شود. يك شركت سرمايه گذاري خطرپذير ممكن است هر كدام از اين ابعاد را در مقياسي از 1 تا 5 امتيازبندي كند، سپس يك امتياز كلي را تعيين كنيد؛ مانند زير:

امتياز:    × تيم× اندازه

بازار×تكنولوژي× زمان بندي

اين ممكن است بهترين مدلي باشد كه شركت سرمايه گذاري خطرپذير مي تواند بسازد. دومين مدل خوب ممكن است از متغيرهاي مشابه و وزن هاي مشابه استفاده كند. اگر اين چنين باشد، اين مدل از نقص هاي مشابه مانند مدل اول رنج خواهد برد. اين به آن معناست كه تركيب آن با مدل اول احتمالا منجر به تصميمات بهتري نخواهد شد.

يك نگرش بوستينگ، داده ها را از تصميمات گذشته مي گيرد و مي بيند كه مدل اول در كجا شكست خورده است. به عنوان مثال، ممكن است فرصت هاي سرمايه گذاري با امتيازهاي 5 از 5 در تيم، اندازه بازار و تكنولوژي به اندازه مورد انتظار نتيجه ندهند. دليل آن مي تواند اين باشد كه اين بازارها شلوغ هستند. هر كدام از اين ويژگي ها- تيم، اندازه بازار و تكنولوژي عملي- به تنهايي بسيار خوب پيش بيني مي كنند؛ اما اگر كسي همه اين سه ويژگي را دارا باشد، يعني احتمال دارد كه بقيه نيز هر سه ويژگي را داشته باشند و در نتيجه اين ويژگي ديگر فقط براي يك نفر خاص نخواهد بود. ايده بوستينگ جست وجوي مدل هايي است كه به طور خاص به بهترين شكل عمل مي كنند؛ در حالي كه ساير مدل هاي شما شكست مي خورند.

براي ارائه مثال دوم، چند شركتي كه من از آنها بازديد كرده ام، دانشمندان علم كامپيوتر را استخدام كرده اند تا تكنيك هايي از هوش مصنوعي را براي شناسايي اشتباهات استخدامي گذشته به كار ببرند. اين كار بوستينگ در غني ترين شكل آن است. آنها به جاي تلاش براي استفاده از هوش مصنوعي براي غلبه بر مدل استخدام فعلي آنها، از هوش مصنوعي براي ايجاد يك مدل دوم استفاده مي كنند كه مدل استخدام فعلي آنها را كامل مي كند. آنها به دنبال جايي هستند كه مدل فعلي آنها شكست مي خورد و مدل هاي جديدي براي تكميل آن مي سازند.

به اين شيوه، «بوستينگ» و «توجه» چيزي را به اشتراك مي گذارند: آنها هر دو به دنبال تركيب با مدل هاي مكمل هستند. «توجه» به آن چيزي نگاه مي كند كه وارد مدل مي شود- انواع متغيرهايي كه مورد توجه قرار مي دهد- در حالي كه «بوستينگ» بر آن چيزي كه بيرون مي آيد متمركز است- مواردي كه مدل اول براي آنها تقلا مي كند.

اگر شما داده هاي تاريخي بسيار زيادي در مورد نحوه فعاليت مدل اوليه خود داشته باشيد، بوستينگ به بهترين شكل كار مي كند. گاهي ما اين داده ها را نداريم. در اين موارد به دنبال «تعارض» (conflict) باشيد. به اين معني كه به دنبال مدل هايي باشيد كه مخالفند. زماني كه يك تيم از افراد با يك تصميم پيچيده مواجه مي شوند، انتظار برخي مخالفت ها را دارند. (در حقيقت اين مخالفت را مي خواهند.) اتفاق آرا نشانه اي از تفكر گروهي است. اين در مورد مدل ها نيز درست است.

تنها راهي كه اين تركيب مي تواند در يك مدل مجزا بهبود يابد، اين است كه مدل ها متفاوت باشند. از ريچارد لوينز نقل شده است كه، حقيقت در ميان دروغ هاي مستقل نهفته شده است نه در ميان دروغ هاي مرتبط به هم. به عبارت ديگر، درست مانند اينكه شما خودتان را با جمله «بله قربان» احاطه نمي كنيد، خودتان را با جمله «بله مدل ها» نيز احاطه نخواهيد كرد.

فرض كنيد كه يك شركت دارويي را راه اندازي كرده ايد و از يك مدل خطي براي پيش بيني فروش داروهاي ثبت شده اخير استفاده مي كنيد. براي ايجاد يك تركيب، ممكن است يك مدل پويايي سيستم1 به علاوه يك مدل مسري (contagion model) ايجاد كنيد. مي توان گفت كه مدل مسري، منجر به فروش هاي بلندمدت مشابه مي شود ولي شروع توفاني نخواهد داشت. ولي مدل ديناميكي سيستم ها، چشم انداز متفاوتي دارد. اگر اين چنين باشد، اين مدل فرصتي براي تفكر استراتژيك خلق مي كند. تفاوت مدل ها در چيست؟ از آنها چه چيزي مي توانيم بياموزيم و چگونه مي توانيم در آن دخيل باشيم؟

در مجموع، مدل ها مانند انسان ها اشتباه مي كنند چون آنها در توجه كردن به اثرات متقابل يا متغيرهاي مرتبط شكست مي خورند. تفكر مدل هاي بسيار (Many-model ) بر شكست هاي توجه به مدل هاي مبتني بر تنها يك مدل فائق مي آيد و اين كار شما را داناتر خواهد كرد.

 

پي نوشت:

1. systems dynamics model به سامانه هايي گفته مي شود كه حالت آنها با زمان تغيير مي كند.

مدل هاي بيشتر، تصميمات بهتر


 روزنامه دنياي اقتصاد، شماره 4494 به تاريخ 21/9/97، صفحه 28 (مديران)

لينک کوتاه به اين مطلب:   
 


    دفعات مطالعه اين مطلب: 20 بار

 

 
 
چاپ مطلب
ارسال مطلب به دوستان

معرفی سايت به ديگران
گزارش اشکال در اطلاعات
اشتراک نشريات ديگر



 

اعتماد
ايران
جام جم
دنياي اقتصاد
رسالت
شرق
كيهان
 پيشخوان
نشريه اكو فيتو شيمي گياهان دارويي
متن مطالب شماره 1 (پياپي 25)، بهار 1398را در magiran بخوانيد.

 

 

سايت را به دوستان خود معرفی کنيد    
 1397-1380 کليه حقوق متعلق به سايت بانک اطلاعات نشريات کشور است.
اطلاعات مندرج در اين پايگاه فقط جهت مطالعه کاربران با رعايت شرايط اعلام شده است.  کپی برداري و بازنشر اطلاعات به هر روش و با هر هدفی ممنوع و پيگيرد قانوني دارد.
 

پشتيبانی سايت magiran.com (در ساعات اداری): 77512642  021
تهران، صندوق پستی 111-15655
فقط در مورد خدمات سايت با ما تماس بگيريد. در مورد محتوای اخبار و مطالب منتشر شده در مجلات و روزنامه ها اطلاعی نداريم!
 


توجه:
magiran.com پايگاهی مرجع است که با هدف اطلاع رسانی و دسترسی به همه مجلات کشور توسط بخش خصوصی و به صورت مستقل اداره می شود. همکاری نشريات عضو تنها مشارکت در تکميل و توسعه سايت است و مسئوليت چگونگی ارايه خدمات سايت بر عهده ايشان نمی باشد.



تمامي خدمات پایگاه magiran.com ، حسب مورد داراي مجوزهاي لازم از مراجع مربوطه مي‌باشند و فعاليت‌هاي اين سايت تابع قوانين و مقررات جمهوري اسلامي ايران است