Применение методов имитационного моделирования к построению цифровой модели компании

В настоящее время наметилась сильная тенденция цифровизации экономики и создания цифровых копий компаний. Цифровые копии компании предназначены для того, чтобы находить оптимальные управленческие решения, обеспечивать повышение устойчивости компании по отношению к рискам и формировать стратегию развития компании на основе вариативного, сценарного подхода.

Одним из направлений создания цифровых двойников компании является имитационное моделирование, включающее в себя методы системной динамики, агентно-ориентированного моделирования, дискретнособытийного моделирования и другие методы. Все эти методы позволяют создавать комплексную цифровую модель компании. Так, методы системной динамики позволяют строить имитационную модель компании с учетом всех её ключевых элементов, показателей, прямых и обратных связей между ними. Методы агентного моделирования ориентированы на построение не модели одной компании, а модели группы участников рынка (компаний, потребителей, государства и т.п.), которая учитывает динамику и характеристики не только самой компании, но и всего окружения этой компании.

Для построения цифровой модели компании с помощью имитационного моделирования можно использовать такие мощный инструмент как AnyLogic – отечественную разработку, получившую признание не только в России, но и за рубежом. Программа AnyLogic используется для модели- рования такими компаниями, как Газпром, Сбербанк, Северсталь, Boing, IBM, General Electric, Ford, Rolls Royce и многими другими.

Основным назначением имитационных моделей является ответ на вопрос «Что будет, если?», то есть ответ на вопрос, что произойдет, если менеджер будет варьировать управляющими параметрами модели (цена продукции, темпы инвестирования, структура персонала, темпы найма сотрудников и т.д.) и как это повлияет на ключевые бизнес-характеристики (прибыль, выручку, долю рынка и т.д.). Конечной целью имитационного моделирования является не просто создание цифровой копии компании, а достижение конкретных бизнес-целей. Например, ПАО «Сбербанк» внедрило имитационную модель, позволяющую оптимально распределить поток кредитных заявок юридических лиц (порядка 10000 заявок в сутки) между андеррайтерами. В результате, время рассмотрения кредитной заявки сократилось в два раза. Достижение целей с помощью имитационной модели зависит от того, насколько она используется, то есть необходимо не только создать цифровую модель, но и внедрить ее в бизнес-процесс. Но даже если модель не внедрена, она может использоваться, как некий тренажер для топ-менеджеров, позволяя в режиме реального времени варьировать параметры модели, проверять различные гипотезы и увидеть насколько компания устойчива к тем или иным воздействиям.

Имитационное моделирование помогает также ответить на вопрос, каким образом можно достичь желаемой цели компании (например, максимизация прибыли, доли компании на рынке или минимизация каких-либо транзакционных затрат) при заданных ограничениях, то решить оптимизационную задачу. Модель помогает найти оптимальные альтернативы действий компании для достижения своих целей.

Цифровая имитационная модель существенно помогает и в управлении бизнес-рисками компании (финансовым, производственным, валютным и налоговым и прочими). В рамках имитационного моделирования можно свести все эти риски в одну модель и увидеть, насколько устойчив бизнес компании, не к какому-то одному из рисков, а ко всей их совокупности.

Все вышеизложенное позволяет сформировать набор оптимальных сценарных стратегий развития компании.

Процесс создания имитационной модели всегда начинается с анализа бизнеса, то есть в основе создания цифровой копии компании лежит понимание бизнес-процессов, необходимо понимать какие характеристики в бизнесе являются центральными и сформировать гипотезы о том, что на них влияет. Для того, чтобы систематизировать эти взаимосвязи строятся так называемые когнитивные карты, которые выявляют зависимые и независимые показатели и характер связи между ними. Когнитивные карты позволяют построить некоторую смысловую, понятийную модель компании.

На следующем этапе, на основе когнитивных карт, строится математическая модель. Построение математической модели предполагает решение двух подзадач. Первая подзадача - это работа с данными, то есть проведение статистического анализа, выявление причинно-следственных связей в прошлом времени. Однако не все зависимости поддаются статистическому описанию. Например, существует множество зависимостей, которые требуют глубокого понимания самих физических или производственных процессов. В таких случаях статистические зависимости заменяются экспертными зависимостями. То есть, создание цифровой модели предполагает не только статистический анализ данных, но привлечение различных экспертов. Вторая подзадача - перевод математической модели в компьютерную для того, чтобы иметь возможность проигрывать сценарии, решать оптимизационные задачи и пр. Полученная компьютерная модель интегрируется с корпоративным информационным хранилищем или с базой данных. В результате получается компьютерный модуль, который, ис- пользуя реальные данные, становится инструментом принятия решений. Источниками этих данных могут быть SAP, 1С, ручной ввод, WEB, другие информационные системы или базы данных. Все полученные данные сводятся в информационное хранилище в некотором агрегированном формате. Например, данные по отдельным нефтяным скважинам агрегируются в хранилище в данные по месторождению или суточные данные агрегируются в месячные данные. Агрегированные данные загружаются в систему имитационного моделирования и используются для того, чтобы формировать варианты решений (сценарии). Таким образом, на этапе создания хранилища решается задача актуальности и качества данных. Важным является то, что все выработанные сценарии также сохраняются в хранилище для целей последующего многомерного анализа. Многомерный анализ реализуется системами класса BI, например SAP BI или Oracle BI, которые используют в работе как фактические данные, так плановые данные (прогнозы, оптимальные стратегии), формируемые имитационной моделью.

Отдельные показатели (KPI, прибыль, выручка, затраты, глубина клиентской базы и т.д.) могут визуализироваться на мониторах топ-менеджеров в агрегированном виде с возможностью их детализации, например для того, чтобы выяснить причину отклонений фактических показателей от плановых. При наличии таких отклонений менеджер с помощью имитационной модели может разработать новую стратегию, которая также сохраняется в хранилище. В результате, модель управления компанией принимает динамический вид.

Важным преимуществом цифровой имитационной модели является возможность анализа рисков. Когда создана имитационная модель, в ней можно выделить некий набор риск-факторов (цена нефть, курс доллара, темпы увеличения или снижения клиентской базы, ставка дисконтирования и т.п.). Эти параметры не зависят от компании и поддаются вероятностному моделированию, то есть невозможно точно предсказать значение этих параметров, но можно задать функцию распределения для того или иного параметра. И задавая эту функцию распределения, то есть, зная приближенные значения параметров, границы изменения этих параметров можно оценить, насколько устойчива прибыль компании. То есть, цифровая модель компании позволяет проводить ее стресс-тестирование.

Следующим важным элементом цифровых имитационных моделей являются так называемые генетические оптимизационные алгоритмы. То есть после построения модели к ней можно применить генетическую оптимизацию, причем в программах имитационного моделирования, как правило, уже есть встроенный генетический оптимизатор. Принцип работы генетических алгоритмов состоит в формировании новых решений посредством комбинирования наилучших решений, полученных на предыдущей итерации. К преимуществам таких алгоритмов можно отнести быстроту обработки большого количества параметров и широту их применения. Например, они позволяют создать за 5-7 минут оптимальный портфель компании, состоящий из тысяч инвестиционных проектов. С их помощью можно оптимизировать: инвестиционные проекты, технологические режимы производственных установок, структуру активов и пассивов, маршруты распределения грузов и т.д. По сути, генетические оптимизационные алгоритмы являются инструментом искусственного интеллекта.

Таким образом, построение цифровой копии компании с помощью методов имитационного моделирования способствует значительному повышению эффективности ее деятельности.