مدلسازی سیستمی چه زمانی برای حل مشکلات مفید خواهد بود؟

یکی از بزرگترین کمک‌هایی که تفکر سیستمی می‌تواند بکند، راهنمایی مدیران در این راستا است که چرا رویدادها به شکلی که دیده می‌شوند، اتفاق می‌افتند. درواقع آزمودن تئوری‌ها نیازمند ابزارهایی نظیر مدل‌سازی‌های کامپیوتری است، که به ما نشان می‌دهد فرضیات متفاوت چطور در طول زمان تاثر خواهد گذاشت.

 

اما از آن‌جایی که ساختن مدل هزینه و زمان‌بر می‌باشد، در واقعیت نمی‌توان آن را برای هر موضوعی استفاده کرد. پس چه موقع متوجه می‌شویم که شبیه‌ سازی راه حل مناسبی است؟

چه موقع شبیه سازی کنیم؟

به طور کلی شبیه سازی مدل برای فهم روابط پیچیده، توسعه و آزمودن سیاست‌هایی مشخص و فهمیدن نقش تاخیرهای طولانی مدت در یک مشکل یا موضوع، مفید است.

چنین راهنماهای کلی در عین حال که به ما حسی از چرایی مفید بودن مدلسازی می‌دهند، مشخص نمی‌کنند چه موقعی یک مشکل خاص را که روی آن کار می‌کنید، می‌توان به کمک شبیه سازی مدل برطرف کرد.

 

به همین خاطر است که متخصصین با تجربه به دنبال سیگنال‌های مشخصی می‌گردند، که بیان کننده زمان مناسب برای استفاده از مدلسازی است.

یکی از این نقطه‌های ورود، هنگام برخوردن به “معماهای” سازمانی است.

 

یک معما یا مشکل پیچیده زمانی رخ می‌دهد که یک گروه نسبت به عواقب چندگانه یک سیاست یا استراتژی آگاه است، اما هیچ توافق شفافی پیرامون این وجود ندارد که کدام پیامد در کدام نقطه زمانی، قوی‌تر است.

در چنین موقعیتی (که در آن هیجانات قوی نسبت به یک موضوع وجود دارد و سازمان یا تیم در سطح کنونی فهم خود گیر افتاده است)، شبیه سازی مدل پتانسیل موثر واقع شدن را دارد.

 

فرآیند 6 مرحله‌ای که در ادامه آمده است، توضیح می‌دهد که چطور می‌توان از مدلسازی برای حل چنین معماهایی استفاده کرد.

 

1- معما را تعیین کنیم

اولین گام گشتن به دنبال موقعیت‌هایی است که در آن دو تئوری متفاوت درباره عواقب تصمیمات وجود دارد.

معماها معمولا این خصوصیت را دارند که یک طرف با از استراتژی یا تصمیمی حمایت می‌کند و از طرف دیگر یا در عموم مخالفت وجود دارد، یا افرادی هستند که درباره بروز نتایجی دقیقا خلاف آنچه قصدشان را داریم، هشدار می‌دهند.

 

برای مثال تیم مدیریت کارخانه در یکی از تامین کنندگان بزرگ قطعات، می‌خواستند بار کاری واحد تولیدی را بالا ببرند (انقدر برای فروش فشار آورده شود که از حداکثر ظرفیت تولیدی بهره بگیرند).

اما دیگران این نگرانی را داشتند که این کار، مشکلات دیگری را بوجود می‌آورد و می‌تواند کیفیت و خدمات را تحت تاثیر قرار دهد.

 

2- تئوری‌ها را ترسیم کنیم

وقتی معما را شناسایی کردیم، مهم است که با شفاف کردن تصویر سیستم از دیدگاه‌های مختلف با استفاده از نمودارهای علیت یا آرکتایپ‌های سیستمی، موضوعات درگیر در داستان مشخص کنیم.

برای مثال در مورد ظرفیت واحد تولید، استراتژی موجود در پس افزایش بار تولید، افزایش فروش با این هدف بود که بهره‌برداری از ظرفیت به حداکثر برسد. آن هم تا جایی که ظرفیت مازاد به صفر برسد و دیگر قابلیت هیچ فروش اضافه‌ای نباشد (B1).

 

مزیت این استراتژی به نظر دوطرفه است:

  • با افزایش فروش، سود کارخانه افزایش چشمگیری خواهد داشت (R3)
  • با افزایش استفاده از ظرفیت، هزینه هر واحد نزول می‌یابد که خود سود بیشتر و قابلیت سرمایه‌گذاری در ظرفیت بیشتر را به همراه دارد (B2)

 

با این حال سایر افراد حس می‌کردند اگر بهره‌کشی از واحد تولید در حد بالا ادامه یابد، قابلیت پاسخ به تغییرات مشتریان (انعطاف‌پذیری) نزول خواهد داشت؛ و در نهایت به اعتبار شرکت به عنوان یک تامین‌کننده خوب لطمه بزند و فروش را کاهش دهد (B2 در تئوری 2).

آن‌ها همچنین باور داشتند که افزایش بار تولید، سطح استرس را در سازمان افزایش می‌دهد و در انتها با فرسودن کیفیت، بیش از پیش به اعتبار ضربه می‌زند (B5).

تئوری ۱

 

تئوری ۲

 

3- پیچیدگی دینامیک (پویا) را ارزیابی کنیم

برخی از موقعیت‌های با فرضیات چندگانه زمانی خودشان را حل و فصل می‌کنند که طرف‌های متفاوت با همکاری یکدیگر هر داستان را ترسیم کرده و به این نتیجه می‌رسند که یکی از آن‌ها کاملا دقیق است.

اما در مواقعی که هر دو مجموعه از وابستگی‌های متقابل قابل تایید هستند و هنوز عدم قطعیت و عدم توافق وجود دارد، کار بیشتری برای حل معما لازم است.

 

اگر عدم قطعیت صرفا پیرامون یک عدد (مثلا داده‌های دقیق هزینه) یا احتمال یک خروجی نسبت به دیگری باشد، با یک مشکل ایستا (استاتیک) مواجه هستیم و تکنیک‌هایی نظیر تحلیل تصمیم می‌تواند مناسب باشد.

از طرفی شبیه سازی مدل زمانی موثر است که پیچیدگی دینامیک داشته باشیم. جایی که رابطه بین علت و معلول نامشخص است و نتایج در طول زمان بدیهی نیستند.

 

برای اینکه مطمئن شویم آیا پیچیدگی دینامیک وجود دارد یا خیر، باید ببینیم عدم قطعیت یا عدم توافق، در چه زمانی، پیرامون چه حلقه بازخوردی وجود دارد که قدرت یافته است (به عبارت دیگر، ممکن است تاثیر بلند مدت با آثار کوتاه مدت متفاوت باشد).

اگر با چنین چیزی مواجه باشیم، درجه‌ای از پیچیدگی دینامیک وجود دارد و بهتر است از شبیه سازی مدل استفاده کنیم.

 

در مثال کارخانه، یک حوزه عدم قطعیت تاثیر استراتژی‌های متنوع بهره‌برداری از ظرفیت در بلند مدت بر روی اعتبار شرکت و فروش آن، بود.

اهمیت این تاخیر زمانی نشان دهنده درجه‌ای از پیچیدگی دینامیک است که استفاده از مدلسازی را تا حدودی ضروری می‌کند.

 

4- مدل شبیه سازی را ایجاد کنیم

در این مرحله دیگر آماده هستیم که برای ایجاد مدل اقدام کنیم.

اول از همه تلاش خود برای ساخت مدل را روی این سوال متمرکز می‌کنیم: چه چیزی نیاز است یادبگیریم تا بتوانیم معما را حل کنیم؟ پاسخ به این سوال، هدف را پیش روی ما قرار می‌دهد.

 

وقتی هدف خود را تعیین کردیم، می‌توانیم مرزهای مدلسازی را با مشخص کردن موارد زیر، تعریف کنیم:

  • تصمیمات کلیدی: همان سیاست‌های حیاتی که سازمان اتخاذ می‌کند.
  • شاخص‌های مهم: چه چیزی از سیستم را باید بررسی کنید تا بتوانید تصمیم را ارزیابی نمایید.
  • عدم قطعیت‌ها: شکننده‌ترین فرضیات درباره روابط یا دنیای بیرون.

 

در مثال استفاده از ظرفیت، افراد متوجه شدند با دانستن تاثیر کوتاه مدت و بلند مدت نحوه بهره‌برداری از ظرفیت بر روی فروش و سود، قادر خواهند بود معمای پیش رو را حل کنند.

تصمیم ابتدایی آن‌ها این بود که یک هدف مشخص را برای بهره‌کشی انتخاب کنند (تولید دلخواه نسبت به ظرفیت)، که بتوان آن را با نگاه به رفتار بلند مدت فروش و اعتبار سازمان، ارزیابی کنند.

 

عدم قطعیت‌های کلیدی شرکت، شامل تقاضا و حساسیت مشتری می‌شد. چرا که آن‌ها نمی‌دانستند بازار دقیقا چطور رفتار خواهد کرد. از طرفی بهره‌برداری‌های متفاوت، به شدت بستگی به فرضیات آن‌ها درباره حساسیت مشتری نسبت به قیمت، کیفیت و انعطاف‌پذیری داشت.

وقتی ناحیه تمرکز و مرز مدل خود را تعیین کردیم، آماده هستیم تا مدلسازی را با تعیین روابط بین متغیرهای مهم، شروع کنیم. مثل رابطه بین انعطاف‌پذیری در تولید و اعتبار سازمانی، در مثالی که داشتیم.

 

5- واگرایی: فرضیات را بیازماییم

وقتی مدل را ساختیم، می‌توانیم شروع به آزمودن فرضیات متفاوتی کنیم که در پس تئوری‌های علیت ما وجود دارد. بدین ترتیب می‌توانیم تاثیر این روابط بینابینی را در طول زمان ببینیم.

در این مرحله، سعی می‌کنیم واگرا باشیم: تلاش برای آزمودن سناریوهای مختلف که هر یک می‌تواند منجر به سوالات و آزمایش‌های جدید شود.

 

در مثال بالا، با استفاده از ابزار شبیه‌سازی که طراحی کرده‌ بودند، تیم مدیریتی قادر بود سطوح بهره‌برداری متفاوت را، با استفاده از فرضیات متفاوت درباره حساسیت بازار و مشتری، تست کند.

در سناریوی اول، گروه دو فرض تشدید کننده در نظر گرفت:

  • هیچ تغییری در اندازه کلی بازار به وجود نخواهد آمد
  • سازمان نمی‌تواند ظرفیت جدید ایجاد کند

 

سپس شبیه‌ساز را اجرا کردند و اهداف متفاوت بهره‌برداری از ظرفیت را آزمودند: ۷۰٪، ۷۵٪، ۷۸٪ و ۸۲٪ از حداکثر ظرفیت ممکن.

هنگام اجرای شبیه‌ساز متوجه شدند وقتی کارخانه با ۷۰٪ یا ۷۵٪ حداکثر ظرفیت کار می‌کند، می‌تواند سطح تعیین شده‌ای از تولید را حفظ کند.

 

اما در ۷۸٪ و ۸۲٪، بعد از گذشت یک بازه زمانی، نوسانی رخ می‌داد:

تعداد سفارشات به شدت شروع به کاهش می‌کرد و سپس به آرامی به حالت قبلی باز می‌گشت (سناریوی 1 در شکل زیر).

 

با توجه به این نتایج، گروه به فرضیه رسید که در سطوح بالا از بهره‌برداری ظرفیت، کارخانه در پاسخ به تقاضای مشتریان انعطاف‌پذیر نخواهد بود؛ که اعتبار شرکت را تحت تاثیر قرار می‌دهد و منجر به نزول فروش خواهد شد.

وقتی تعداد سفارشات به زیر هدف تعیین شده برای بهره‌برداری می‌رسد، کارخانه زمان لازم را برای بهبود انعطاف‌پذیری و کیفیت، خواهد داشت.

 

به مرورر زمان اعتبار و میزان فروش آن باز می‌گردد تا اینکه دوباره به موقعیت بهره‌کشی بالا و انعطاف‌پذیری کم می‌رسد و چرخه دوباره تکرار می‌شود.

در سناریوی دوم، گروه همان چهار هدف بهره‌برداری را آزمود، اما فرضیات جدیدی گذاشت:

  • بازار به طور مداوم رشد خواهد کرد
  • با بیشتر شدن تقاضای پیش‌بینی شده نسبت ظرفیت کنونی، شرکت ظرفیتش را افزایش خواهد داد

 

در کمال تعجب، وقتی این شبیه‌سازی را اجرا کردند، متوجه شدند که در طولانی مدت، سطح پایین‌تر برای هدف بهره‌برداری، فروش بسیار بیشتری را در پی خواهد داشت.

 

از همین موضوع آن‌ها به این فرضیه رسیدند که در سطح پایین‌تری از بهره‌کشی، تقاضای پاسخ داده نشده بیشتری وجود خواهد داشت، که منجر به پیش‌بینی‌های خوش‌بینانه‌تر و سرمایه‌گذاری بیشتر، ظرفیت بالاتر در کارخانه و اعتبار بهتر به عنوان یک تامین کننده مورد اعتماد می‌شود.

 

6- همگرایی: معما را حل کنیم

آزمودن سناریوهای متفاوت به ما اجازه خواهد داد فرضیات را جست‌وجو کرده و به جمع‌اوری داده بپردازیم. اما فهم بیشتر درباره رفتار در طول زمان تنها زمانی مفید است که به پیشرفت در حل معما، کمک کند.

به همین خاطر مرحله واگرایی باید با مرحله همگرایی همراه باشد که در آن گروه، به یک جمع‌بندی بر روی سیاست‌هایی می‌رسد که بیشترین رفتار دلخواه کوتاه و بلند مدت را، برای سناریوهای با بیشترین احتمال وقوع در آینده، ایجاد می‌کند.

 

در مثالِ ظرفیت تولید، تیم متوجه شد که یک سطح بهینه برای بهره‌برداری وجود دارد؛ که بالاتر از آن، سازمان با نوسانات ناخواسته‌ای مواجه خواهد شد.

تصمیم آن‌های برای این معما بدین صورت شد که سطح بهره‌برداری را در سطحی تثبیت کنند که نیاز به زیر بار کاری رفتن کارخانه را با نیاز به حفظ انعطاف‌پذیری و اعتبار، متعادل کند.

 

در این نمونه موردی استفاده از مدل شبیه‌سازی، تیم را قادر ساخت که به طور موثر موضوعی را هدف قرار دهد که مدت طولانی در کارخانه، مورد بحث بود. از طرفی سیاستی طراحی شد که مورد پذیرش تمام طرف‌های درگیر در داستان بود.

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *