Что может помешать успешно реализовать проект по оптимизационному моделированию?

1. Проверка гипотез с помощью сценарного анализа до окончания калибровки модели

Первые результаты работы модели зачастую вызывают желание проверить и оптимизировать с ее помощью все, везде и сразу. Важно помнить, что неоткалиброванная модель – это, по сути, не готовая модель. Можно получить на ней одни результаты, а после калибровки – совершенно другие, поскольку там будут разные предпосылки и другая бизнес-логика.

2. Игнорирование необходимости ведения реестров сценариев и версионности моделей

В ходе проекта число сценариев, которые просчитывает команда, может исчисляться десятками. Очень важно вести реестр сценариев, чтобы понимать, в чем отличия между версиями, и что какое именно изменение повлияло на результат в том или ином случае.

3. Игнорирование периода поддержки модели со стороны консультантов после окончания проекта

Сразу по окончании проекта внутренняя экспертиза может быть еще недостаточной для полного погружения во все тонкости работы модели для ее доработки и проверки сценариев. Реальное обучение происходит, когда человек, который в компании работает с моделью, сталкивается со сложным случаем – и у него должна быть возможность обратиться к помощи консультантов на этом этапе. 

4. Отсутствие понимания необходимости развития внутренней экспертизы

Из-за того, что становление своего центра экспертизы требует времени, иногда компании готовы продолжать оплачивать работу консультантов, а не растить своих специалистов. Однако только внутренний центр экспертизы дает бизнесу максимум эффективности, потому что на выходе мы имеем специалиста, который одновременно глубоко понимает модель и погружен в специфику конкретного бизнеса и компании.

5. Отсутствие представления результатов модели топ-менеджменту в наглядной форме

Крайне важно говорить с топ-менеджментом на его языке и представлять результаты работы модели  лаконично, наглядно и с понятными бизнес-смыслами. Кроме того, нужно всегда проверять результаты с бизнес-экспертами, потому что они являются носителями знаний об отрасли и только они подскажут, если модель выдала результат, далекий от реальности. 

6. Отсутствие четкого понимания целей проекта у заказчика/спонсора и у конечных пользователей - тех, кто использует результаты модели в своей работе

Чтобы не попасть в ситуацию, когда проект будет почти завершен, и вдруг выяснится, что его результаты в принципе не отвечают первоначальным требованиям заказчика, на начальном этапе проекта нужно проявить определенную дотошность и скрупулезность, выясняя образ желаемого результата. 

7. Боязнь сбора данных недостаточной точности, неготовность к применению допущений и предпосылок

При старте проекта команда, ответственная за сбор данных, часто ожидает, что для работы модели надо собрать максимально детализированные большие данные. На самом деле это не так: есть набор различных инструментов для работы с данными, поэтому можно и нужно уметь агрегировать, а также принимать допущения и предпосылки.

Автор — Дмитрий Красилов, генеральный директор Lamacon

Напоминаем, что с экспертами компании Lamacon в рамках вебинара на DairyTech Connect мы разбирали, как математические двойники помогают поставщикам готовой продукции сокращать затраты в цепочках поставок на 5 – 10%. Переходите по гиперссылке и узнайте больше о том, как оптимизировать логистику и выявлять потребность в новых логистических и производственных объектах.

Источник материала — Телеграм-канал Дмитрия Красилова