مدل‌های بیشتر، تصمیمات بهتر

برخی از سازمان‌ها بدون شناخت مدل‌ها، از آنها استفاده می‌کنند. به‌عنوان مثال، یک منحنی بازدهی که اوراق قرضه با مشخصات مشابه ریسک اما سررسید متفاوت را مقایسه می‌کند، می‌تواند به‌عنوان یک مدل در نظر گرفته شود. یک دستور‌العمل استخدام نیز نوعی مدل است. وقتی شما ویژگی‌هایی را یادداشت می‌کنید که یک کاندیدای شغلی را شایسته استخدام می‌سازد، مدلی ایجاد می‌کنید که داده‌ها در مورد کاندیدا را می‌گیرد و آن را به یک توصیه در مورد اینکه آیا باید آن فرد را استخدام کرد یا خیر تبدیل می‌کند. سایر سازمان‌ها مدل‌های پیچیده را توسعه می‌دهند. برخی از این مدل‌ها ساختاری هستند و به معنای اخذ واقعیت هستند. سایر مدل‌ها با استفاده از ابزارها از یادگیری ماشینی و هوش مصنوعی داده‌ها را استخراج می‌کنند.پیچیده‌ترین سازمان‌ها- از آلفابت تا برکشایر هاتاوی -شرکت هلدینگ ارائه‌دهنده خدمات بیمه- همگی از مدل‌ها استفاده می‌کنند. در حقیقت آنها حتی کاری بهتر را انجام می‌دهند: آنها از مدل‌های بسیاری به‌صورت ترکیبی استفاده می‌کنند.

بدون مدل، منطقی ساختن داده‌ها دشوار است. داده‌ها به توصیف واقعیت، گرچه به‌طور ناقص کمک می‌کنند. اما داده به تنهایی، نمی‌تواند منجر به برتری دادن یک تصمیم بر تصمیم دیگری شود. شاید متوجه شده‌ باشید که بهترین تیم‌های شما به لحاظ عملکرد متنوع‌ترین تیم‌های شما نیز هستند. برای تبدیل این داده به دیدگاه، شما نیاز به دسترسی به برخی از مدل‌ها در جهان دارید؛ به‌عنوان مثال، ممکن است این طور فرض کنید که داشتن طیف بزرگ‌تری از چشم‌انداز‌ها در یک تیم منجر به تصمیم‌گیری بهتر می‌شود. این فرضیه شما یک مدل جهانی را ارائه می‌دهد.

گرچه مدل‌های مجزا می‌توانند به خوبی عمل کنند اما ترکیب مدل‌ها به نتایج حتی بهتری خواهند انجامید. این دلیلی است که چرا بهترین متفکران، دقیق‌ترین پیشگویان و موثرترین تیم‌های طراحی از ترکیب مدل‌ها استفاده می‌کنند. آنها کسانی هستند که من آن را متفکران مدل‌های بسیار (many-model thinkers) می‌نامم. من در این مقاله توضیح می‌دهم که چرا مدل‌های بسیار، بهتر از یک مدل عمل می‌کنند و همچنین سه قانون برای نحوه ایجاد مجموع قدرتمندی از مدل‌ها توصیف خواهم کرد: بسط توجه به‌طور گسترده، تقویت پیش‌بینی‌ها و جست‌وجوی تعارض‌ها.

  موردی برای مدل‌ها

یک مدل به‌طور رسمی اغلب با استفاده از متغیرها و فرمول‌های ریاضی، برخی دامنه‌ها یا فرآیندها را ارائه می‌کند. (در عمل، بسیاری از افراد مدل‌های غیررسمی‌تر را در ذهن‌شان یا روی کاغذ ایجاد می‌کنند؛ اما فرمول‌سازی مدل‌های شما اغلب روشی مفید از توضیح آنها و سودمندتر ساختن آنهاست.)

به‌عنوان مثال، شرکت Point Nine Capital از یک مدل خطی برای طبقه‌بندی فرصت‌های استارت‌آپی بالقوه استفاده می‌کند و این کار را بر مبنای متغیرهایی انجام می‌دهند که نماینده کیفیت تیم و تکنولوژی هستند. دانشگاه‌های پیشرو مانند پرینستون و میشیگان، مدل‌های احتمالی را به‌کار می‌برند که متقاضیان را براساس معدل تحصیلی، نمره آزمون و سایر متغیرها نمایش می‌دهند تا احتمال فارغ‌التحصیلی آنها را تعیین کنند.

شرکت دیزنی از یک مدل عامل-محور (agent-based) برای طراحی پارک‌ها و جاذبه‌ها استفاده کرده است. این مدل یک شبیه‌سازی کامپیوتری از پارک را به همراه بازدیدکنندگان ایجاد و فعالیت‌های آنها را شبیه‌سازی کرد و به این ترتیب دیزنی می‌توانست ببیند که چگونه تصمیمات متفاوت می‌تواند بر نحوه عملکرد پارک اثر بگذارد. دفتر بودجه کنگره آمریکا از یک مدل اقتصادی استفاده می‌کند که شامل درآمد، بیکاری و آمار مربوط به سلامتی برای تخمین هزینه‌های تغییر برای قوانین مراقبت‌های بهداشتی و سلامتی می‌شود.

در این موارد، این مدل‌ها مقدار زیادی از داده‌ها را سازماندهی می‌کنند. این مدل‌ها همگی به توضیح پدیده‌ها توسط رهبران سازمانی و انتقال اطلاعات توسط آنها کمک می‌کنند. همچنین آنها ارتباط منطقی ایجاد می‌کنند و با این کار، به پیش‌بینی و تصمیم‌گیری استراتژیک کمک می‌کنند. بدیهی است که مدل‌ها پیشگوهای بهتری نسبت به انسان‌ها هستند. در رقابت‌های شانه به شانه بین افرادی که از مدل‌ها استفاده می‌کنند و افرادی که از مدل‌ها استفاده نمی‌کنند، افراد دسته اول برنده می‌شوند.

مدل‌ها برنده میدان هستند؛ چرا که آنها توانایی‌هایی دارند که انسان‌ها فاقد آن هستند. مدل‌ها می‌توانند داده‌های بیشتری را درون خود جای دهند. مدل‌‌ها می‌توانند آزمون، سنجش و مقایسه شوند. مدل‌ها مرتکب خطاهای منطقی نمی‌شوند. مدل‌ها از سوگیری‌های شناختی (cognitive bias) رنج نمی‌برند. (گرچه آنها می‌توانند سوگیری‌های انسانی را وارد کرده یا تکرار کنند؛ که این یکی از دلایل برای ترکیب مدل‌های متعدد است.)

  ترکیب مدل‌های متعدد

گرچه به‌کارگیری یک مدل خوب است، اما استفاده از بسیاری از مدل‌ها- به‌طور ترکیبی-به‌خصوص در مورد مشکلات پیچیده، به نتایج بهتری می‌انجامد. مهم نیست که یک مدل چه مقدار داده را در خود جای می‌دهد، این مدل همیشه برخی متغیرهای مربوط را از دست خواهد داد یا از برخی تعاملات صرف‌نظر خواهد کرد. بنابراین هرگونه مدلی می‌تواند تا حدودی دچار اشتباه شود.

با ترکیبی از مدل‌ها، شما می‌توانید کمبودها در هر کدام از این مدل‌ها را جبران کنید. ایجاد بهترین ترکیب از مدل‌ها نیاز به تفکر و تلاش دارد. همان‌طور که مشخص شد، دقیق‌ترین ترکیب مدل‌ها شامل مدل‌های فردی با بالاترین عملکرد نمی‌شوند؛ بلکه، هدف ترکیب مدل‌های متنوع است.

برای دهه‌ها، شرکت‌های وال‌استریت از مدل‌ها برای ارزیابی ریسک سرمایه‌گذاری استفاده کرده‌اند. ریسک به شکل‌های مختلفی ظاهر می‌شود. علاوه بر ریسک ناشی از نوسانات بازار مالی، ریسک‌های ناشی از رخدادهای ژئوپلیتیک و جنبش‌های اجتماعی مانند اشغال وال‌استریت در کنار ریسک‌های تهدیدات سایبری و سایر شکل‌های تروریسم وجود دارند. یک مدل ریسک استاندارد بر مبنای همبستگی‌های قیمت سهام همه این ابعاد را در خود جای نخواهد داد. از این‌رو، بانک‌های سرمایه‌گذاری پیشرو از ترکیب مدل‌ها برای ارزیابی ریسک‌ها استفاده می‌کنند.

  اما این ترکیب شبیه چیست؟

اولین راهنمایی برای ایجاد یک ترکیب از مدل‌ها این است که به دنبال مدل‌هایی باشیم که بر «توجه» بر بخش‌های مختلف از یک مشکل یا بر فرآیندهای متفاوت تمرکز کنند. منظور من این است که مدل دوم شما باید شامل متغیرهای متفاوتی شود. همان‌طور که در بالا گفته شد، مدل‌ها برخی چیزها را حذف می‌کنند. مدل‌های بازار مالی استاندارد جزئیات نهادی بسیار ریز از نحوه اجرای تجارت‌ها را حذف می‌کنند. آنها اکولوژی باورها و قوانین تجاری که توالی قیمت را ایجاد می‌کند را جدا می‌کنند. بنابراین وجود  یک مدل دوم خوب شامل این ویژگی‌ها خواهد شد.

دوین فارمر- ریاضیدان- از مدل عامل‌محور به‌عنوان یک مدل دوم خوب دفاع می‌کند. یک مدل عامل‌محور شامل قوانین شبیه‌سازی بر مبنای «عامل‌ها» (agents) می‌شود که نماینده افراد و سازمان‌ها هستند. سپس این مدل روی یک کامپیوتر اجرا می‌شود. در مورد ریسک مالی، مدل‌های عامل‌محور می‌توانند برای در برداشتن اکثر جزئیات سطح خرد طراحی شوند. یک مدل عامل‌محور از یک بازار مسکن می‌تواند نماینده هر خانوار باشد و یک درآمد یا یک پرداخت رهن یا اجاره را تعیین کند. ممکن است درک دقیق و درست این قوانین رفتاری دشوار باشد و در نتیجه، ممکن است مدل عامل‌محور- حداقل در ابتدا- آن قدر دقیق نباشد. اما فارمر و سایرین استدلال می‌کنند که طی زمان، این مدل‌ها می‌توانند بسیار دقیق شوند.

بیشتر از اینکه به کارآیی بهتر مدل‌های عامل‌محور نسبت به دیگر مدل‌های استاندارد فکر کنیم، نگران خواندن سیگنال‌های از دست رفته در مدل‌های استاندارد، توسط مدل‌های عامل‌محور هستیم. مدل‌های استاندارد روی مجموع کار می‌کنند؛ مانند شاخص‌های Case-Shiller که تغییرات قیمت مسکن در ایالات متحده آمریکا را اندازه‌گیری می‌کند. اگر شاخص Case-Shiller سریع‌تر از درآمد رشد کند، ممکن است حباب مسکن ایجاد شود. به همان اندازه که این شاخص مفید است، تغییرات توزیعی که میانگین‌ها را ثابت نگه می‌دارند را در نظر نمی‌گیرد. اگر افزایش درآمد تنها به یک درصد بالایی اختصاص یابد، در حالی که قیمت مسکن برای همه افزایش یابد، این شاخص، نسبت به حالتی که افزایش درآمد به‌طور کلی و عمومی باشد، تفاوتی نخواهد کرد. مدل‌های بر مبنای عامل از تغییرات توزیعی غفلت نخواهند کرد. آنها اعلام می‌کنند افرادی که ۴۰ هزار دلار درآمد دارند باید حد اقل ملکی با رهن ۶۰۰ هزار دلاری داشته باشند. این مدل عامل‌محور ضرورتا بهتر نیست. ارزش آن از تمرکز توجه ناشی می‌شود؛ ویژگی‌ای که مدل استاندارد ندارد.

دومین راهنمایی مفهوم « boosting» را وام می‌گیرد که تکنیکی در یادگیری ماشینی است. الگوریتم‌های دسته‌بندی ترکیبی مانند مدل‌های جنگل (forest models) تصادفی شامل مجموعه‌ای از درخت‌های تصمیم‌ ساده است. (درخت تصمیم نقشه‌ای از نتایج احتمالی یکسری از انتخاب‌ها یا گزینه‌های مرتبط به‌هم است به‌طوری که به یک فرد یا سازمان اجازه می‌دهد تا اقدامات محتمل را از لحاظ هزینه‌ها، احتمالات و مزایا بسنجد.) یک درخت تصمیم که سرمایه‌گذاری‌های بالقوه سرمایه خطرپذیر را دسته‌بندی می‌کند ممکن است بگوید «اگر بازار بزرگ است، سرمایه‌گذاری کنید.» جنگل‌های تصادفی، تکنیکی برای ترکیب درخت‌های تصمیم متعدد هستند و بوستینگ قدرت این الگوریتم‌ها را با استفاده از داده‌ها برای جست‌وجوی درخت‌های جدید طبق یک روش نوین بهبود می‌بخشد. به جای جست‌وجوی درخت‌هایی که به تنهایی با دقت بالایی پیش‌بینی می‌کنند، بوستینگ به دنبال درخت‌هایی است که زمانی که جنگل درخت‌های فعلی به خوبی عمل نمی‌کنند، کارش را خوب انجام دهد. به عبارت دیگر، به دنبال مدلی باشید که ضعف مدل فعلی شما را مورد حمله قرار دهد.

به مثالی در این زمینه توجه کنید. همان‌طور که بیان شد، بسیاری از سرمایه‌گذاران مخاطره‌پذیر برای انتخاب از بین هزاران فرصت، از مدل‌های ویژگی وزنی (weighted attribute models) استفاده می‌کنند. ویژگی‌های رایج شامل تیم، اندازه بازار، کاربرد تکنولوژیک و زمان‌بندی می‌شود. یک شرکت سرمایه‌گذاری خطرپذیر ممکن است هر کدام از این ابعاد را در مقیاسی از ۱ تا ۵ امتیازبندی کند، سپس یک امتیاز کلی را تعیین کنید؛ مانند زیر:

امتیاز:    +۱۰× تیم+۸× اندازه

بازار+۷×تکنولوژی+۴× زمان‌بندی

این ممکن است بهترین مدلی باشد که شرکت سرمایه‌گذاری خطرپذیر می‌تواند بسازد. دومین مدل خوب ممکن است از متغیرهای مشابه و وزن‌های مشابه استفاده کند. اگر این چنین باشد، این مدل از نقص‌های مشابه مانند مدل اول رنج خواهد برد. این به آن معناست که ترکیب آن با مدل اول احتمالا منجر به تصمیمات بهتری نخواهد شد.

یک نگرش بوستینگ، داده‌ها را از تصمیمات گذشته می‌گیرد و می‌بیند که مدل اول در کجا شکست خورده است. به‌عنوان مثال، ممکن است فرصت‌های سرمایه‌گذاری با امتیازهای ۵ از ۵ در تیم، اندازه بازار و تکنولوژی به اندازه مورد انتظار نتیجه ندهند. دلیل آن می‌تواند این باشد که این بازارها شلوغ هستند. هر کدام از این ویژگی‌ها- تیم، اندازه بازار و تکنولوژی عملی- به تنهایی بسیار خوب پیش‌بینی می‌کنند؛ اما اگر کسی همه این سه ویژگی را دارا باشد، یعنی احتمال دارد که بقیه نیز هر سه ویژگی را داشته باشند و در نتیجه این ویژگی دیگر فقط برای یک نفر خاص نخواهد بود. ایده بوستینگ جست‌وجوی مدل‌هایی است که به‌طور خاص به بهترین شکل عمل می‌کنند؛ در حالی که سایر مدل‌های شما شکست می‌خورند.

برای ارائه مثال دوم، چند شرکتی که من از آنها بازدید کرده‌ام، دانشمندان علم کامپیوتر را استخدام کرده‌اند تا تکنیک‌هایی از هوش مصنوعی را برای شناسایی اشتباهات استخدامی گذشته به‌کار ببرند. این کار بوستینگ در غنی‌ترین شکل آن است. آنها به‌جای تلاش برای استفاده از هوش مصنوعی برای غلبه بر مدل استخدام فعلی آنها، از هوش مصنوعی برای ایجاد یک مدل دوم استفاده می‌کنند که مدل استخدام فعلی آنها را کامل می‌کند. آنها به دنبال جایی هستند که مدل فعلی آنها شکست می‌خورد و مدل‌های جدیدی برای تکمیل آن می‌‌سازند.

به این شیوه، «بوستینگ» و «توجه» چیزی را به اشتراک می‌گذارند: آنها هر دو به دنبال ترکیب با مدل‌های مکمل هستند. «توجه» به آن چیزی نگاه می‌کند که وارد مدل می‌شود- انواع متغیرهایی که مورد توجه قرار می‌دهد- در حالی که «بوستینگ» بر آن چیزی که بیرون می‌آید متمرکز است- مواردی که مدل اول برای آنها تقلا می‌کند.

اگر شما داده‌های تاریخی بسیار زیادی در مورد نحوه فعالیت مدل اولیه خود داشته باشید، بوستینگ به بهترین شکل کار می‌کند. گاهی ما این داده‌ها را نداریم. در این موارد به دنبال «تعارض» (conflict) باشید. به این معنی که به دنبال مدل‌هایی باشید که مخالفند. زمانی که یک تیم از افراد با یک تصمیم پیچیده مواجه می‌شوند، انتظار برخی مخالفت‌ها را دارند. (در حقیقت این مخالفت را می‌خواهند.) اتفاق‌آرا نشانه‌ای از تفکر گروهی است. این در مورد مدل‌ها نیز درست است.

تنها راهی که این ترکیب می‌تواند در یک مدل مجزا بهبود یابد، این است که مدل‌ها متفاوت باشند. از ریچارد لوینز نقل شده است که، حقیقت در میان دروغ‌های مستقل نهفته شده است نه در میان دروغ‌های مرتبط به هم. به عبارت دیگر، درست مانند اینکه شما خودتان را با جمله «بله قربان» احاطه نمی‌کنید، خودتان را با جمله «بله مدل‌ها» نیز احاطه نخواهید کرد.

فرض کنید که یک شرکت دارویی را راه‌اندازی کرده‌اید و از یک مدل خطی برای پیش‌بینی فروش داروهای ثبت‌شده اخیر استفاده می‌کنید. برای ایجاد یک ترکیب، ممکن است یک مدل پویایی سیستم۱ به علاوه یک مدل مسری (contagion model) ایجاد کنید. می‌توان گفت که مدل مسری، منجر به فروش‌های بلندمدت مشابه می‌شود ولی شروع توفانی نخواهد داشت. ولی مدل دینامیکی سیستم‌ها، چشم‌انداز متفاوتی دارد. اگر این چنین باشد، این مدل فرصتی برای تفکر استراتژیک خلق می‌کند. تفاوت مدل‌ها در چیست؟ از آنها چه چیزی می‌توانیم بیاموزیم و چگونه می‌توانیم در آن دخیل باشیم؟

در مجموع، مدل‌ها مانند انسان‌ها اشتباه می‌کنند چون آنها در توجه کردن به اثرات متقابل یا متغیرهای مرتبط شکست می‌خورند. تفکر مدل‌های بسیار (Many-model ) بر شکست‌های توجه به مدل‌های مبتنی بر تنها یک مدل فائق می‌آید و این کار شما را داناتر خواهد کرد.

  پی‌نوشت:

۱. systems dynamics model به سامانه‌هایی گفته می‌شود که حالت آنها با زمان تغییر می‌کند.

 

اخبار مرتبط