مدل کردن متغیرهای نرم

مدیران باهوش وقتی برای اولین بار با مدل‌سازی دینامیک سیستم روبرو می‌شوند، معمولا می‌پرسند:” چطور می‌توانید به مدل خود اعتماد داشته باشید، آن هم وقتی که این تخمین‌های کلی از متغیرهایی را وارد آن می‌کنید که اندازه‌گیریشان بسیار سخت است؟ پاسخ در فرآیند مدل کردن متغیرهای نرم است که در ادامه به توضیح آن می‌پردازیم.

احتمالا این یکی از مهم‌ترین سوالاتی ست که یک شخص تصمیم‌گیرنده در سازمان موقع تفکر درباره امکان و چگونگی استفاده از مدلسازی سیستم دینامیک، با آن مواجه می‌شود. در محیط رقابتی امروز، حتی اندکی درصدها پایین‌تر از اهداف تعیین شده باشد، می‌تواند نتایجی مثل از دست رفتن پاداش سالیانه، ترفیع نگرفتن شخص یا مواردی بدتر در به بار آورد. به طور طبیعی بسیاری از افراد یک فرآیند مدل‌سازی را که به ظاهر از عوامل کیفی به قیمت کاهش دقت استفاده می‌کند، زیر سوال می‌برند.

به همین خاطر احتمال خطای اندازه‌گیری یک موضوع قابل تامل در مدل کردن متغیرهای نرم است. رویکردهای تحلیلی سنتی معمولا عوامل کیفی را به خاطر دشواری اندازه‌گیری و کاهش دقت نتایج مدل، نادیده می‌گیرند. اما در چنین حالتی اهمیت خطای اندازه‌گیری کاهش می‌یابد:”وقتی که تمرکز بررسی‌ها از حالت کنونی سیستم به سمت فهم رفتار آن در طول زمان می‌رود”. و این در بسیاری مواقع همان هدف یک مدل در دینامیک‌های سیستم است.

خطای اندازه‌گیری

در تحلیل‌های سنتی کسب و کار، مدل‌های مفهومی (قلم و کاغذی) ممکن بود آمیخته‌ای از عوامل کیفی و کمی را توامان داشته باشند. اما چنین مدل‌هایی خیلی از مرحله تئوری فراتر نرفتند.

در مدل‌های سنتی رسمی (کامپیوتری) هم، یا عوامل کیفی زیر فرضیات کیفی مدفون شده یا کلا کنار گذاشته می‌شدند. در نتیجه سازمان‌ها در طول زمان بیشتر توان تحلیلی خود را روی متغیرهای سخت قابل اندازه‌گیری متمرکز کردند (مثلا، خروجی تولید، تعداد کد برنامه‌نویسی و یا جریان وجوه نقد). در این میان متغیرهای نرم (مانند روحیه کارکنان، کارایی برنامه یا رضایت مشتری) مغفول ماندند.

اما این عوامل نرم به طور قطع از اجزاء مهم ساختار سیستمی هستند: آن‌ها می‌توانند عملکرد سیستم را به شدت تحت تاثیر قرار دهند. به همین خاطر یکی از گام‌اهی کلیدی در فهم سیستم‌های اجتماعی پویا ساخت و استفاده از معیارهای اندازه‌گیری ساده و در عین حال واضح و ملموس برای متغیرهای کیفی است.

نا گفته می‌دانیم که هر اندازه‌گیری مقادیری خطا دارد. برای متغیرهایی که واحدهای مشخصی برایشان هست (مثل متر، کیلوگرم، لیتر، ولت و …) خطای اندازه‌گیری تابعی از دقت وسیله اندازه‌گیری خواهد بود. مثلا خط‌کشی که حداقل طول یک میلی‌متر را اندازه می‌گیرد، خطای آن تقریبی کمتر از یک میلی‌متر خواهد بود. اینکه چنین میزان خطایی زیاد باشد یا خیر، بستگی به چیزی که اندازه می‌زنیم و هدفمان دارد.

برای مدل کردن متغیرهای نرم که واحدهای اندازه‌گیری تعیین شده‌ای ندارند، این خطا از دو منبع دیگر ایجاد نشئت می‌گیرد: تعریف واحد اندازه‌گیری و ایجاد ابزار اندازه‌گیری. برای مثال وقتی می‌خواهیم رضایت مشتری را حساب کنیم، باید یک واحد اختراع کنیم؛ با نام شاخص رضایت مشتری. پس در نتیجه برگزاری تحقیقاتی نظیر گروه‌های تمرکز، پرسش‌نامه و … باید به عددی برسیم که به طور واقعی میزان رضایت مشتریان ما را نشان دهد.

هر دو این گام‌ها پتانسیل خطا را در خود دارند. که این علاوه بر خطای اندازه‌گیری ذکر شده پیش از این است. به همین خاطر افراد وجود چنین خطاهایی را بهانه‌ای برای حذف متغیرهای کیفی از مدل کامپیوتری، قرار می‌دهند.

خطای حذف متغیرهای کیفی

هرچند که عوامل کیفی نسبت ب انواع کمی، بیشتر مستعد خطای اندازه‌گیری هستند، نباید تنها به همین دلیل آن‌ها را حذف کنیم. میزان بازتولید رفتار سیستم توسط مدل (و به تبع آن مفید بودن مدل) بستگی به چیزهایی بیش از دقت اندازه گیری دارد.

از طرفی اندازه‌گیری یک منبع مهم، اما ایستا از خطا در مدل‌هاست. به همین خاطر خطای اندازه‌گیری در یک زمان بر همین خطا در زمان دیگر یا تاثیری ندارد یا تاثیرش بسیار کم است. مثلا خطا در اندازه گرفتن کارایی کارخانه در این ماه (که معادل زمان کاری تقسیم بر زمان کل است) تحت تاثیر خطای اندازه‌گیری ماه قبل و بعد نیست.  همچنین وسایل اندازه‌گیری که خوب طراحی شده باشند بدون سوءگیری (بایاس) عمل می‌کنند؛ امکان نشان دادن مقدار بیشتر از واقعیت به اندازه امکان کمتر نشان دادن آن است.

یک خطای اندازه‌گیری ایستا و بدون بایاس تاثیر نسبی اندکی بر روی تصویر رفتار دینامیک سیستم دارد (رفتار در طول زمان). ولی حذف کامل یک عامل کیفی احتمالا به معنی کنار گذاشتن یک حلقه بازخورد تاثیرگذار است؛ که نتیجه‌اش ایجاد یک منبع دینامیک خطا در مدل است. برخلاف خطاهای اندازه‌گیری، خطاهای دینامیک در طول زمان انباشته می‌شوند و اعتبار مدل را به سرعت از بین می‌برند.

مثلا متغیر روحیه کارمندانرا در نظر بگیرید (مثل شکل). با کاهش سودآوری، دخالت مدیریت افزایش می‌یابد. در پاسخ به کنترل بیشتر از جانب مدیران، روحیه کارمندان کاهیده می‌شود، که نزول در بهره‌وریف کیفیت و نهایتا سودآوری را به همراه دارد. در نتیجه حذف این متغیر از مدل یعنی نادیده گرفتن یک فرآیند تقویت‌شونده مهم که منجر به سطحی غیرقابل قبول از خطا در مدل می‌شود.

آیا می‌توان روحیه کارکنان و تاثیر آن را بر روی متغیرهای مرتبط به طور دقیق اندازه گرفت؟ نه. آیا فرآیندهایی که توصیف کردیم واقعی هستند؟ قطعا. هرچند باید نگران دقیق نبودن خروجی یک مدل دینامیکی باشیم که متغیرهای کیفی در خود دارد، اما این نکته هم قطعیست که: مدلی با متغیرهای نرم کاملا حذف شده، قطعا به کار ما نمی‌آید.

مقیاس‌های کمی برای متغیرهای کیفی

حال که متوجه اهمیت عوامل کیفی شدیم، چطور آن‌ها را در یک مدل کامپیوتری استفاده کنیم؟ هر چند که بیشتر مدیران می‌توان حدسیاتی درباره متغیرهای کیفی (مثلا تمرکز بازار داشته باشند)، معمولا برای استفاده از آن‌ها در یک مدل کامپیوتری راحت نیستند. با این وجود برای بسیاری از این متغیرها، یک تخمین از طرف تیمی با تجربه از مدیران تنها داده در دسترس است و معمولا بازتاب خوبی از وضعیت سیستم ارائه می‌کند. در کمترین حالت چنین داده‌هایی از این نظر اهمیت دارد که معرف مدل ذهنی مدیرانیست که در فرآیند مدل‌سازی مشارکت دارند.

متغیرهای مقیاس شده

یکی از سریع‌ترین راه‌ها برای استفاده از متغیرهای کیفی در مدل، ایجاد یک متغیر مقیاس شده است. برای این کار، مقدار این متغیر را در یک زمان خاصی (معمولا در شروع شبیه‌سازی) معادل 1 قرار می‌دهیم. سپس می‌توانیم متغیرهایی که روی این متغیر مقیاس شده اثر دارند را شناسایی کرده و یک رابطه گرافیکی یا ریاضوی بین آن‌ها پیدا می‌کنیم.

مثلا فرض کنید شاخصی را برای رضایت مشتری ایجاد می‌کنیم که در شروع شبیه‌سازی مقدار آن عدد 1 است. توجه داشته باشید که سعی نداریم بگوییم میزان رضایت مشتری کم یا زیاد است؛ بلکه صرفا به دنبال یک نقطه شروعیم. سپس تعیین می‌کنیم که نسبت مشتریان به تعداد نفرات مرکز تماس یک عامل کلیدی در رضایت مشتریان است. سوما می‌پرسیم که (در حالت برابر) چه نسبتی رضایت مشتری را در “1” ثابت نگه می‌دارد و در صورت تغییر این مقدار چه اتفاقی می‌افتد؟

مثلا اگر نسبت تعداد مشتریان به تعداد افراد مرکز تماس برای حالت پایدار 200 باشد، تیم مدیریت می‌تواند اثر لغزش نسبت به 300 را تخمین بزند: رضایت به میزان 20 درصد افت می‌کند. وقتی مدل را اجرا می‌کنیم، بر اساس رفتار متغیر مقیاس شده نسبت به عدد “1” در هر زمانی، متوجه می‌شویم که آیا رضایت بالا می‌رود، پایین می‌آید، نوسان می‌کند و یا ثابت می‌ماند.

فرموله کردن یک معادله صریح یا رابطه‌ای گرافیکی بین یک متغیر کیفی و ایجاد کنندگان آن، فرصتی را برای تیم مدیریتی فراهم می‌کند که مدل‌های ذهنی خود درباره کسب و کار را به اشتراک گذاشته و تلاش کنند به فهمی مشترک برسند. در خلال مدلسازی، فرضیات متفاوت درباره قدرت این روابط قابل آزمودن خواهند بود.

ارزیابی مدل‌ها

 

اگر شما مسئول ساخت و مدیریت مدل‌ها هستیدجایگزین‌های مختلف را به تصمیم‌گیرندگان ارائه دهید: روش قدیمی مدل‌سازی یا روش جدید به همراه تاثیر متغیرهای کیفی. هر دو نوع را موازی استفاده کنید تا طرز تفکر و فرضیاتی که در هر یک به کار رفته را بررسی کرده و بینش جدید دباره سازمان و کسب و کارش بدست آورید. به دنبال فرصتی باشید تا رویکرد مدیریت ارشد را از مدل‌سازی به عنوان یک ابزار پیش‌بینی به سمت استفاده از آن برای آزمودن ایده‌ها، جست و جو برای استراتژی و یادگیری نحوه عملکرد سیستم‌ها پیش ببرید.

اگر شما تصمیم‌گیرنده هستید، سوالاتی سخت‌گیرانه درباره فرضیاتی که در مدل‌ها به کار رفته بپرسید؛ مخصوصا در خصوص عوامل کیفی. برای مثال ببینید آیا روحیات کارکنان و تاثیر آن در بهره‌وری در مدل کسب و کار شما وارد شده یا خیر. اگر نه، چرا؟ در انتها (اما نه از نظر اهمیت) لازم است به دنبال راه‌هایی برای رها کردن تیم خود از تفکر غالب حساب و کتاب کمی باشید. اسناد حسابداری ابزارهای مهم و مفیدی هستند؛ اما تیم‌های مدیریتی امروز نیازمند گستره‌ای از ابزارها بوده و اینکه چطور عوامل کیفی و نرم را وارد تفکر خود کنند.

 

 

سایر مطالب تحلیل دینامیک‌های سیستم:

  1. نمودارهای علت و معلولی: سیستم بر روی کاغذ
  2. علیت در مقابل همبستگی: بستنی عامل ارتکاب قتل
  3. تعیین قطبیت رابطه: بازخورهای مثبت و منفی
  4.  نامگذاری حلقه های علیت: جلوگیری از جنگ سازمانی
  5. نامگذاری متغیرهای نمودار علیت
  6. تاخیر در سیستم: بنزین با قیمت بالا یا پایین؟!
  7. دینامیک‌های سیستم و آموزگاران مدارس
    1. آموزش دانش‌آموز محور
    2. طبیعت سیستم‌ها
    3. اشتباهات سیستمی
    4. مدل‌ها در همه جا
    5. مدل‌های کامپیوتری
    6. منابع اطلاعاتی و فراگیری مدل‌ها
    7. ساختارهای عمومی و معادلات دیفرانسیل
    8. مرور مقاله آموزش دینامیک‌ها سیستم در مدارس – جی فارستر
  8. معرفی دوره خودآموز دینامیک‌های سیستم: دانشگاه MIT
  9. شبیه ساز پرواز مدیریتی
  10. مدل کردن متغیرهای نرم
  11. از ابزارهای حسابداری تا مدل های دینامیک سیستم
  12. چه زمانی شبیه سازی دینامیک سیستم انجام دهیم؟
  13. از عوامل کلیدی موفقیت تا حلقه های کلیدی موفقیت
  14. از حلقه های علت و معلولی تا مدل کامپیوتری سیستم – 1
  15. از نمودار علت و معلولی تا مدل های کامپیوتری سیستم – 2

دیدگاهتان را بنویسید

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