Astra gpt-6-astra · effort ultra срез: 2026-09-21 источников: 66 слов: 13385 complete

What-if анализ и сценарное моделирование: подходы и практики

Сценарии исследуют разные контексты, what-if рассчитывает условные последствия, а прогноз оценивает ожидаемое будущее. Для SMB предложена связка модели драйверов, допущений, решений и триггеров; универсальный эффект на прибыль не доказан.

Вердикт

Для слоя планирования SMB целесообразна связка «разные контексты → модель драйверов → сравнение действий → сигналы и пересмотр». Это авторский вывод из сопоставления методов, а не общепринятый единый стандарт гипотеза. Сценарии исследуют возможные условия и меняют представления руководителей, тогда как прогноз оценивает ожидаемую траекторию при оговорённых условиях; это различение поддерживается действующей практикой Shell и OSPA факт [S1, S2]. Для большинства простых оперативных решений отправной точкой служат прозрачная экономика, one-/multi-way what-if и break-even, а не сложная симуляция гипотеза.

Сложность следует добавлять по механизму неопределённости. Распределения нужны для обоснованного риска, сценарии контекста — для структурных изменений, SD/DES/ABM — когда существенны накопления, очереди или взаимодействие агентов гипотеза. Главная ограничивающая граница — недостаток причинных доказательств универсального улучшения результатов компаний именно от scenario planning; сильнее подтверждены отдельные процессы обучения и прогнозных суждений эмпирика [S3, S4]. Самая сильная альтернатива для обратимых решений с быстрым откликом — простой прогноз с резервом и ограниченный эксперимент, который создаёт новые данные гипотеза.

Для продукта приоритетны происхождение допущений, ограничения, версии и проверка фактом. LLM полезны как интерфейс извлечения, критики и запуска расчётов; их способность писать убедительные тексты не подтверждает правильность бизнес-выводов гипотеза. Уверенность высокая в различиях методов и необходимости явно задавать условия расчёта, средняя в предложенной архитектуре переноса между тремя сегментами и низкая в обещании измеримого универсального ROI без локальной проверки гипотеза.

Что это и как работает

Философия: проверять решения, а не угадывать единственное будущее

Scenario planning — организованное исследование нескольких возможных контекстов для сегодняшнего решения. Shell прямо отделяет свои сценарии от прогнозов, стратегии и бизнес-плана: они служат одним из входов стратегического обсуждения. Это описание практики самой компании, а не независимое доказательство её эффективности факт [S1].

What-if — условный расчёт последствий. Вопрос имеет форму «если изменятся входы или правило действия, что выдаст данная модель?»: результат истинен относительно её структуры и допущений, а не автоматически относительно мира гипотеза.

Понятие На какой вопрос отвечает Результат Что нельзя подменять
Прогноз Что ожидается при имеющихся данных и оговорённых условиях? Точка, интервал или распределение с датой формирования Целью, желанием собственника или безусловной гарантией
Сценарий контекста Какие разные условия способны изменить решение? Согласованное описание мира и траектории к нему Только тремя процентами роста выручки
What-if Что получится при заданных входах и действиях? Условный результат модели Доказательством причинного эффекта вмешательства
План Что будет сделано, кем, когда и за какие ресурсы? Обязательства и условия пересмотра Прогнозом того, что точно произойдёт
Бюджет Какие ресурсы разрешено использовать? Версия финансовых ограничений Наиболее честной текущей оценкой будущего
Решение / policy Какой вариант или правило реакции выбрать? Действие сейчас либо функция наблюдаемых сигналов Сценарием внешнего мира

Таблица — проектная таксономия для продукта. Она синтезирует разделение сценария и плана у Shell, процесс OSPA и логику driver-based planning; границы сущностей предлагаются автором гипотеза [S1, S2, S5].

Ось неопределённости Практический смысл Последствие для метода
Риск с обоснованными вероятностями Модель исходов достаточно устойчива, распределение оценено и проверяется Monte Carlo, decision analysis, вероятностный прогноз
Эпистемическая неопределённость Не хватает знания о параметрах или структуре Диапазоны, альтернативные модели, сбор информации, чувствительность
Глубокая неопределённость Нет согласия о механизмах, вероятностях или критериях успеха Exploratory scenarios, robust decision making, адаптивные действия
Случайная вариативность Даже при хорошей модели погода, длительности и спрос меняются Распределения и повторные симуляции, запас устойчивости
Неоднозначность целей Прибыль, качество, нагрузка и сохранение команды конфликтуют Явные критерии и границы приемлемости до расчёта

Риск и неопределённость здесь — рабочее различение, а не универсальный словарь. Случайная и эпистемическая части часто смешаны; увеличение числа прогонов не устраняет ошибку механизма или неизвестный режим рынка гипотеза. RAND предлагает искать уязвимости решений в большом пространстве будущих условий и оценивать устойчивость при альтернативных предположениях факт [S6].

Школы и способы построения сценариев

Подход Вход → процедура → выход Допущения и точка поломки Основание
Shell / Pierre Wack, intuitive logics Стратегический вопрос, тренды, предопределённые элементы, неопределённости → разные причинные истории → изменение представлений руководителей Если истории не затрагивают действующие убеждения и решения, остаётся литературное упражнение Официальное описание Shell; атрибуция Wack проверена по издательской аннотации факт [S1, S7]
Peter Schwartz / традиция GBN Фокусное решение, факторы среды → отбор важных неопределённостей, сюжетов и индикаторов → небольшой набор различающихся миров Простота 2×2 помогает обсуждению, но две оси не обязаны исчерпывать систему; GBN здесь название традиции, не рекомендация действующего поставщика Книга подтверждена по издательской странице; конкретная техника 2×2 — по открытому toolkit факт [S8, S9]
Paul Schoemaker Горизонт и участники → тренды и неопределённости → темы сценариев → проверка согласованности → уточнение информации и количественных моделей Комбинации экстремумов первоначально полезны, но логически невозможные комбинации необходимо отбрасывать Авторская методическая статья, не сравнительное испытание мнение [S10]
Oxford Scenario Planning Approach, Ramírez–Wilkinson Сначала пользователь, назначение и ситуация → отделение среды взаимодействий от внешнего контекста → совместное переосмысление → новые варианты действий Plausibility устанавливается через аргументацию; присвоение процентов целым историям в этой школе отвергается Позиция школы, не запрет вероятностей во всех методах мнение [S2]
Матрица 2×2 Две важные неопределённости с осмысленными полюсами → четыре сочетания → причинные истории и последствия Оси не должны быть одним и тем же фактором под разными именами; пустой квадрант нельзя заполнять вопреки физике Процедура toolkit факт [S9]; ограничения выбора осей — авторская проверка гипотеза
General Morphological Analysis, Tom Ritchey Параметры и дискретные состояния → морфологическое поле → cross-consistency assessment пар → допустимые конфигурации Отсечение несовместимых пар сокращает пространство; оно не доказывает вероятность конфигурации и может пропустить противоречие высшего порядка Авторское описание метода факт [S11]; последнее ограничение — логический вывод гипотеза
Cross-impact / Cross-Impact Balances, CIB Состояния факторов и экспертные оценки направленных влияний → матрица → поиск конфигураций, где выбранные состояния не уступают альтернативам по суммарной поддержке CIB проверяет согласованность внутри заданной сети; баллы влияния не становятся вероятностями и не доказывают причинность Официальное описание алгоритма факт [S12]

Exploratory и normative — разные направления вопроса. Первое исследует «что может случиться», второе — «какое будущее желательно и как к нему прийти»; backcasting начинает с желаемого состояния и восстанавливает необходимые промежуточные изменения факт [S9]. В продукте полезно хранить orientation, чтобы целевой сценарий не смешивался с внешним контекстом или прогнозом гипотеза.

Качественное и количественное дополняют друг друга. История объясняет изменение механизма спроса, труда или предложения; численная модель проверяет следствия для мощности, денег и сроков. Сценарий может менять структуру модели, а не только значения её коэффициентов гипотеза.

Как собирать входы

Метод Механика Результат и ограничение
Horizon scanning Регулярно собирать внешние сигналы, фиксировать источник, горизонт, механизм влияния и контраргумент Реестр наблюдений, а не список модных слов; пропуск неудобных источников сужает пространство сценариев факт [S9]
Delphi Несколько раундов экспертных оценок с обратной связью и возможностью пересмотра Карта согласия и расхождения; консенсус не равен истинности факт [S9]; последнее — методологическое ограничение гипотеза
Разбор факта и base rates Сопоставить прежние оценки с исходами, найти похожие случаи Внешняя точка отсчёта для диапазонов, а не подгонка под желаемую историю гипотеза
Интервью с операционными ролями Спросить, какое допущение ломает план и что видно раньше финансового результата Ограничения и ранние сигналы, которые не видны в сводном P&L гипотеза

Driver-based planning и rolling forecast

Driver-based model связывает операционные причины с результатом. AFP описывает модели с небольшим набором входов, влияющих на финансовые выходы; полезность зависит от обоснованности связей и качества данных, а обещание большей точности само по себе не является результатом испытания мнение [S5].

Контекст s → внешние входы Xs(t)
Решение a → управляемые входы и правила Ua(t)
Модель m + допущения θ + ограничения C → Y(s,a,m,θ,t)
Y → сравнение вариантов по критериям → выбранное действие
Наблюдения → проверка допущений и сигналов → новая версия, без стирания старой

Rolling forecast сдвигает горизонт при поступлении факта. Обновляется оценка ожидаемых результатов, а не автоматически разрешённые расходы; частоту следует выбирать по скорости получения полезной информации мнение [S13]. Для SMB предлагается отдельно хранить факт, прогноз, утверждённый бюджет и варианты расчёта, связанные одной моделью драйверов гипотеза.

Корреляционный драйвер не обязательно является рычагом управления. Если продажи исторически растут вместе с рекламным бюджетом, простая замена бюджета не доказывает, что продажи вырастут по прежнему коэффициенту: бюджет мог увеличиваться в ответ на спрос. Для такого what-if требуется допущение о причинном механизме, эксперимент либо диапазон альтернативных откликов гипотеза.

Количественные методы: от одного входа до динамической системы

Метод Входы и процедура Что означает выход Где ломается
One-way what-if / tornado Меняется один вход, остальные фиксируются; диапазоны эффектов сортируются Чувствительность конкретного выхода около выбранной базы Ранг зависит от диапазона и базы; взаимодействия пропущены. В Crystal Ball tornado именно так отличается от sensitivity по корреляциям прогонов факт [S14]
Multi-way what-if Сетка сочетаний двух или нескольких входов, пересчёт ограничений Поверхность результата и пороги смены решения Число комбинаций растёт; сетка не задаёт вероятности и может включать невозможные миры гипотеза
Global sensitivity Исследуется совместное пространство входов; screening Morris или разложение дисперсии Sobol Влияние входов и взаимодействий в пределах заданного распределения Стандартное разложение Sobol предполагает независимость входов; при зависимостях нужна подходящая процедура, иначе атрибуция неоднозначна факт [S15]
Break-even Уравнение результата решается относительно цены, объёма, урожайности или удержания Граница выполнимости, не вероятность достижения Постоянные и переменные затраты, период и мощность должны совпадать. Для одной услуги Q_BE = F/(p−v), если p>v факт [S16]
Monte Carlo Выборка совместных входов → расчёт модели на каждом прогоне → распределение выходов Условные квантили, вероятность убытка или нарушения ограничения Неверная зависимость, хвосты, пропущенный режим и структура модели сохраняют ошибку при любом количестве прогонов гипотеза; программная реализация факт [S17]
System dynamics Запасы, потоки, обратные связи, задержки и начальные условия → интегрирование во времени Траектории и последствия правил управления Хорошее совпадение с прошлым не устанавливает правильность причинного механизма; нужны разные тесты мнение [S18]
Discrete-event simulation, DES Клиенты/работы, события, очереди, длительности, ресурсы и календарь → продвижение времени по событиям Ожидание, пропускная способность, отказы и загрузка Средние длительности скрывают очереди; распределения, warm-up и начальное состояние должны соответствовать задаче факт [S19]; ограничение авторское гипотеза
Agent-based modeling, ABM Разнородные агенты, состояния, сеть и правила взаимодействий → многократные прогоны Возникающие общие паттерны и распределения Правдоподобное поведение отдельных агентов не доказывает правильность агрегата; слишком много неподтверждённых правил факт [S19]; ограничение авторское гипотеза

В системной модели накопления должны сохраняться. Простейшая дискретная запись: stock[t+1] = stock[t] + inflow[t] − outflow[t]; потоки здесь уже интегрированы за шаг. Если поток задан в единицах в день, при недельном шаге требуется умножение на длительность; это отдельная автоматическая проверка гипотеза.

Точка и распределение дают разные ответы при ограничениях. Иллюстрация: спрос равен 0 или 200 с одинаковыми вероятностями, запас — 100; средний спрос 100, но ожидаемые продажи E[min(D,100)] = 50, а расчёт по среднему даёт 100. Это собственный расчёт механизма flaw of averages, который популяризирует Sam Savage, а не измеренный бизнес-кейс гипотеза [S20].

Как обосновывать Monte Carlo

  1. Сначала определить событие. «Убыток в конце месяца» и «хотя бы один кассовый разрыв за сезон» — разные выходы; второй требует траектории денег и дат платежей гипотеза.
  2. Отделить происхождение диапазонов. Исторические данные, экспертная оценка и специально жёсткий стресс — разные основания; min/max сценария не следует автоматически превращать в P5/P95 гипотеза.
  3. Калибровать суждения повторением и обратной связью. Для заявленных 90%-ных интервалов ожидается около 90% покрытий на сопоставимом наборе вопросов; Hubbard Decision Research предлагает обучение такой калибровке. Заявления поставщика об успешности обучения не равны независимому доказательству переноса на конкретный бизнес вендор [S21].
  4. Сохранять зависимости. Цены и урожай, приобретение и отток клиентов, отсутствие сотрудников и отмены визитов могут зависеть друг от друга; последовательность плохих месяцев нельзя заменять независимыми месячными жеребьёвками гипотеза.
  5. Проверять сходимость и структурную устойчивость отдельно. Стабильность P95 между seeds означает вычислительную стабильность, но не достоверность хвоста; альтернативные структуры и распределения запускаются как отдельные эксперименты гипотеза.

Число прогонов — параметр вычисления, а не значок качества. Для независимых Bernoulli-индикаторов нарушения Monte Carlo standard error приблизительно равна sqrt(p_hat(1−p_hat)/N); это ошибка симуляционного оценивания внутри модели, не интервал полной неопределённости бизнеса гипотеза. Если событие не встретилось, оценка нулевой частоты не доказывает невозможности редкого события гипотеза.

Методы выбора и организационной проверки

Метод Процедура и полезный результат Допущение / ограничение Основание
Decision analysis, Howard; дерево решений Выборы, случайные события, информация и полезность; сворачивание дерева от конца Нельзя позволять раннему решению использовать ещё неизвестный исход; требуется явная функция ценности Атрибуция influence diagrams подтверждена аннотацией факт [S22]; прикладная схема — гипотеза
Real options Оплатить право пилотировать, отложить, расширить или остановить; моделировать последующее решение после сигнала Опцион имеет стоимость, срок и ограничения исполнения; «потом наймём» не опцион без доступного ресурса Методическая работа de Neufville факт [S23]
Stress testing Задать тяжёлый согласованный шок и проверить результат/восстановление Стресс не обязан быть наиболее вероятным; выбранный шок не покрывает все пути отказа Официальная практика Bank of England факт [S24]
Reverse stress testing Задать неприемлемый исход и найти сочетания условий, ведущие к нему Найденные условия ещё требуют оценки правдоподобия; банковские требования не переносятся как обязанность SMB Механизм факт [S24]; перенос — гипотеза
Pre-mortem, Gary Klein Представить, что план провалился; независимо собрать причины, обсудить и пересмотреть план Генерирует гипотезы отказа, а не вероятности; полезность зависит от возможности говорить против принятого плана Авторская процедура мнение [S25]
Wargaming Участники играют клиентов, конкурентов, поставщиков; ходы и ответы меняют состояние Выигрыш участника не прогноз рынка; роль, информация, правила и adjudication влияют на результат Руководство практики факт [S26]
Red teaming Независимая роль проверяет допущения, пропуски и способы разрушить план; может применять wargaming Нужны аргументы и журнал изменений, иначе критика становится ритуалом или борьбой статусов Руководство практики факт [S26]; ограничение — гипотеза
Backcasting Желаемое состояние → необходимые промежуточные условия → шаги от настоящего Неподконтрольное условие нельзя объявить задачей команды; обратный путь проверяется прямой моделью Механизм факт [S9]; проверка — гипотеза

Правило выбора не следует из симулятора. При обоснованных вероятностях допустимо a* = argmax E[U(Y_a)]; линейная полезность означает нейтральность к риску, а не универсальную рациональность. При спорных вероятностях можно сравнить maximin, minimax regret и достижение минимально приемлемых результатов, явно показав цену осторожности гипотеза.

RDM совместим с вероятностным анализом. Groves и Lempert начинают с кандидатов действий, находят области провала и затем обсуждают компромиссы, в том числе вероятностные пороги, меняющие предпочтение факт [S27]. Иллюстрация: действие A даёт 100 в хорошем мире и −100 в плохом, B всегда даёт 40; при линейной полезности A лучше лишь при вероятности плохого мира менее 30%, без необходимости притворяться, что эта вероятность точно известна гипотеза.

Ценность измерения определяется возможностью изменить решение. В предлагаемой схеме совершенная информация имеет верхнюю границу ценности EVPI = E[max_a U(a,X)] − max_a E[U(a,X)]; реальное исследование даёт неполный сигнал Z и оценивается как EVSI = E_Z[max_a E[U(a,X) | Z]] − max_a E[U(a,X)]. Измерение оправдано, когда улучшение с учётом его цены и задержки достаточно существенно; большой вклад входа в разброс результата сам по себе не означает высокую ценность измерения гипотеза.

Digital twin — среда поддержания и применения модели, а не ещё один способ назначить вероятности. NIST подчёркивает синхронизацию и необходимость валидации цифровых двойников; достоверность нельзя выводить из наличия красивого интерфейса или телеметрии факт [S28]. Для SMB двойник оправдан, когда состояние существенно меняется между решениями и регулярная синхронизация меняет выбор; иначе достаточно версионируемой модели и периодического импорта факта гипотеза.

Связь с действиями

Рабочий цикл заканчивается правилом реакции. Предлагаемая последовательность: решение → разные контексты → модель последствий → сравнение действий → наблюдаемый сигнал → срок реакции и владелец → проверка фактом. Набор историй без последних звеньев не образует слоя управления гипотеза.

Элемент Пример-иллюстрация Проверка
Ранний сигнал Снижение записей на будущие недели Доступен раньше соответствующей потери выручки
Триггер Порог держится два последовательных пересмотра Есть окно, допустимая задержка и правило при пропуске данных
Ответ Управляющий использует waitlist и меняет предложение свободных часов Есть владелец, ресурс и ожидаемый срок эффекта
Срок исполнения До окончательного закрытия расписания Реакция ещё способна повлиять на исход
Проверка Сопоставить ожидаемые и выполненные визиты, маржу и отмены Сохранена версия оценки до события, а не переписанный задним числом план

Все параметры этой таблицы — предложение методологии. Их нужно выбирать по доступности данных и задержке управленческого действия, а не по универсальной периодичности гипотеза.

Актуальность и доказательная база на дату среза

Что действительно известно об эффективности

Уверенность выше в механике методов, чем в универсальном эффекте на прибыль. Обзор обзоров Cordova-Pozo и Rouwette включает 13 обзоров, поиск по пяти базам до публикаций 2021 года; только четыре обзора затрагивали оценку эффективности. Авторы отмечают дефицит прозрачных исследований эффектов, неоднородность методов и перевес успешных самоописаний эмпирика [S3].

Источник и дизайн Результат Что разрешает заключить Ограничение
Chermack et al., 2017: нерандомизированный pre/post, четыре организации с вмешательством и четыре сравнения, 48 и 44 участника Самооценка resilience в группе сценариев выросла с 3,91 до 4,20; заявлено p=0,02 Сценарная работа может менять восприятие собственной адаптивности Добровольцы, самоотчёт, различие исходных уровней; «значимо в одной группе, незначимо в другой» не доказывает различия эффектов. В статье также есть несогласованность степеней свободы t-теста с n, поэтому точная величина эффекта не принимается без исходных данных эмпирика [S29]
Rohrbeck–Kum, 2018: 83 европейские многонациональные компании, данные 2008 → 2015; финансовые данные доступны для 70, капитализация для 42 Авторы сообщают прибыльность выше средней на 33% и рост капитализации 75% против среднего 25%, то есть втрое Есть наблюдательная связь broader foresight-capability с результатами Компании с выручкой свыше €100 млн; это комплекс практик, а не отдельно сценарии. Не рандомизировано, есть отсев; перенос на SMB и причинный эффект не установлены эмпирика [S30]
AFP, кейс производственной компании, 2024: рассказ участника Подготовка информации сокращена с четырёх дней до четырёх часов; команда из семи человек поддерживает более 75 dashboards Иллюстрирует рабочую связку драйверов, автоматизации данных и обсуждения Компания не названа, нет контроля и независимого аудита; эффект нельзя приписать только модели драйверов мнение [S31]
California Management Review, специальный выпуск 2026: вводная статья ведущих исследователей Акцент на решениях, обучении и работе с неопределённостью; AI назван недостаточно исследованной областью Подтверждает живую исследовательскую повестку к срезу Редакторский синтез и позиция сторонников метода, не новый эксперимент мнение [S32]

Для малых компаний трёх целевых сегментов прямого доказательства единой методологии не найдено. Нельзя выдавать результаты крупных многонациональных компаний или геополитического forecasting за доказанный ROI для салона и небольшой продуктовой команды гипотеза.

Распространённость и траектория 2016–2026

Период / сегмент Проверяемое наблюдение Вывод с границей
2016–2020, стратегическая работа OSPA оформляет сценарии как совместное переосмысление ситуации; в 2020 школа подчёркивает итеративность и отказ от вероятностей целых историй мнение [S33, S2] Это развитие дисциплины, а не замена всех количественных методов
2023–2026, сценарное планирование Обзор 2023 и выпуск CMR 2026 продолжают обсуждать эффективность и связь с решениями факт [S3, S32] Метод действующий; репрезентативного временного ряда внедрения в SMB не найдено
2024–2025, FP&A Официальные материалы AFP описывают модели драйверов; обследование и дискуссия AFP показывают сосуществование EPM и таблиц факт [S5, S34] Распространение ПО не равно зрелости сценарной практики
Агро DSSAT, APSIM и институциональные outlook дают существующие механизмы работы с погодой, управлением и ценами Конкретные основания и ограничения приведены в отраслевой практике ниже
Продуктовая разработка Переносимы модели когорт, adoption, пропускной способности и churn Массовость формального scenario planning именно в небольших software-командах не установлена
Салоны красоты Доступны данные записей, длительностей и выручки для операционных what-if Репрезентативных исследований применения сценарной методологии салонами не найдено

Последние три строки — границы переноса, а не измеренные рыночные тренды. Расчётные схемы для них предлагаются как проверяемые иллюстрации гипотеза.

Масштаб распространения инструментов измерен лучше, чем качество сценариев. В открытом резюме AFP 2025 указаны 362 ответа FP&A-практиков: 96% используют таблицы для планирования, 71% — EPM хотя бы ежеквартально, 23% — AI ежедневно, еженедельно или ежемесячно. Это самоотбор участников профессионального обследования, не перепись компаний и не отдельная выборка SMB; полный отчёт и микроданные недоступны в этом исследовании эмпирика [S35].

Споры, влияющие на проектирование продукта

Вероятностные суждения и анализ модели имеют отдельную эмпирическую базу. Она не должна использоваться как доказательство любого сценарного workshop гипотеза.

Исследование Дизайн и наблюдение Ограничение
Mellers et al., включая Tetlock, 2014 Двухлетний турнир, случайное назначение обучения/взаимодействия, 199 разрешившихся вопросов; в анализируемой survey-части 1593 и 943 участника по годам. Обучение вероятностям и командная работа улучшали Brier; в первый год probability training превосходило scenario training Геополитические вопросы, образованная самоотобранная выборка; это не проверка стратегического планирования компаний. Всего вместе с market traders было 2246 и 1648, но рынки в этой статье не анализируются эмпирика [S4]
Saltelli et al., 2017 Из 324 просмотренных работ включено 280; 57 подтверждённых случаев one-at-a-time для нелинейных моделей и 125 неясных по методу/линейности Популярное «65% неверны» объединяет подтверждённые и неясные случаи; выборка высокоцитируемых работ не представляет все бизнес-модели эмпирика [S15]
FarmDESIGN, Groot et al., 2012 Биоэкономическая модель одной смешанной фермы 96 га, четыре цели, Pareto-компромиссы; проверялись конструкция и результаты Демонстрация решения конфликтующих целей, не причинное измерение прироста прибыли от внедрения; первичный пример архитектуры whole-farm, без утверждения об актуальном состоянии её ПО эмпирика [S36]

В 2024–2026 заметнее стала связка текста, расчёта и проверки. OECD–FAO 2026 использует Aglink-Cosimo для baseline и отдельного adverse scenario; USDA 2026 прямо называет свой baseline условным сценарием, предполагающим нормальную погоду и отсутствие новых шоков факт [S37, S38]. NIST в материалах 2025–2026 подчёркивает валидацию цифровых двойников, а в документации Pigment и объявлении @RISK появились конкретные агенты поверх моделей; это развитие реализации, не доказанный скачок качества решений факт [S28, S39]; наличие @RISK Agent beta заявлено поставщиком вендор [S40].

  • Plausibility против probability. OSPA сознательно не назначает вероятности сценариям; количественное принятие решений может требовать распределений. Решение конфликта — хранить условные распределения внутри контекста отдельно от необязательных весов контекстов, а не принуждать все истории суммироваться к 100% мнение [S2]; архитектурный вывод гипотеза.
  • Обучение против измеримого результата. Хороший workshop может изменить представления и всё же не улучшить решения. Проверка должна охватывать изменённые действия, сохранённые альтернативы и своевременность реакции, а не только удовлетворённость встречей гипотеза [S3].
  • Простота против полноты. Удобная матрица может скрыть сочетания факторов; морфология и CIB расширяют охват ценой экспертного труда и вычислений факт [S11, S12].
  • Непрерывность против постоянной суеты. Пересчитывать модель после каждого шума не обязательно полезно: обновление нужно привязать к существенному факту, сроку годности допущения или смене решения гипотеза.

Где применимо и где нет, плюсы и минусы

Ниже — авторская карта применимости классов методов. Это рекомендации из описанных механизмов, не установленные отраслевые нормативы гипотеза.

Подходит, когда

  • Параметры меняются, механизм достаточно понятен. Driver-based what-if и break-even быстро показывают границу цены, загрузки или затрат.
  • Есть несколько устойчивых источников вариативности. Monte Carlo полезен для риска нарушения лимита, если обоснованы распределения и зависимости.
  • Возможна смена правил игры. OSPA, intuitive logics, морфология или CIB помогают проверить несколько структурно разных миров.
  • Результат зависит от накопления и задержки. System dynamics позволяет исследовать рост клиентской базы, истощение ресурсов или петлю «перегрузка → качество → churn».
  • Главное ограничение — очереди и конкретные ресурсы. DES или модель расписания выявляет проблемы, скрытые месячной средней загрузкой.
  • Поведение разных участников и связи между ними существенны. ABM либо ограниченный wargame оправданы, если суммарная модель теряет механизм взаимодействий.
  • Ошибка необратима, а информацию можно получить позже. Дерево решений и реальные опционы сравнивают полное обязательство с пилотом, отсрочкой и поэтапным расширением.

Не подходит, когда

  • Нет решения, которое может измениться. Большой сценарный проект станет производством документов; достаточно реестра наблюдений до появления выбора.
  • Нужен точный ответ на неизвестный причинный эффект. Симуляция на неподтверждённой связи не заменит тест цены или локальный агрономический опыт.
  • Источники данных ещё не согласованы. Детальный расчёт на разных определениях выручки, клиента или рабочего часа увеличивает ложную точность.
  • Владельцы не готовы пересматривать действия. Сигналы не сработают, если бюджет и договорённости считаются неизменными при любом результате.
  • Стоимость анализа выше цены обратимой ошибки. Для малого изменения расписания полезнее ограниченная проба с быстрым разбором факта, чем ABM.
  • Валидация дорогой модели невозможна в нужный срок. Для разового решения простой диапазон и запас устойчивости могут быть честнее цифрового двойника.

Плюсы

  • Делает допущения видимыми. Команда обсуждает спорный драйвер и его основание, а не только итоговую цифру бюджета.
  • Показывает границы решений. Порог безубыточности или смены варианта полезнее уверенной точки, скрывающей уязвимость.
  • Сохраняет альтернативы. Подготовленный ответ на внешний сигнал сокращает объём анализа в момент изменения ситуации.
  • Соединяет операционные и финансовые последствия. Одна модель показывает, как доступность мастеров, инженерные дни или урожай влияют на итог.
  • Поддерживает проверяемую автоматизацию. Входы, версии и результаты можно сравнивать независимо от текста LLM.

Минусы

  • Имеет стоимость поддержки. Даже небольшая модель требует владельца, обновления факта и проверки единиц.
  • Позволяет спрятать предвзятость в структуру. Выбор осей, диапазонов и исключённых действий способен заранее определить победителя.
  • Сложные модели труднее опровергать. Дополнительные параметры и поведенческие правила могут повысить правдоподобие без роста достоверности.
  • Числа создают избыточное доверие. Квантиль или вероятность с десятичными знаками не отражают автоматически структурную неопределённость.
  • Эффект трудно причинно измерить. Успешный исход может быть удачей, а плохой — следствием маловероятного, но учтённого риска; нужна запись качества решения до исхода гипотеза [S3].

Альтернативы и дерево решений

Предмет — не единичный алгоритм, поэтому сравниваются способы организовать решение под неопределённостью. Первая строка — предлагаемая связка; остальные семь строк — прямые рабочие альтернативы для той же задачи. Сравнение и выбор ниже — авторский синтез механизмов раздела 1 гипотеза.

Подход Когда предпочтительнее Данные и горизонт Выигрыш относительно связки Цена и ограничение
Сценарии контекста + driver-based what-if + триггеры Внешние режимы и операционная экономика одновременно влияют на решение От недели до нескольких сезонов; смешанные данные Соединяет разные миры, расчёт и действие Требует согласовать версии и владельцев
Прогноз + резерв по диапазону/распределению исходов Механизм стабилен, повторы часты, ошибка обратима История, короткий горизонт Дешевле в поддержке; точность легко проверять Слабо защищает от структурного разрыва; термин интервала выбирается по реальной статистической модели
One-/multi-way sensitivity + break-even Требуется решение по цене, объёму или ресурсу Немного драйверов, день–сезон Самый прозрачный порог и быстрый старт Нет вероятности результата, ограничен охват взаимодействий
Probabilistic model + Monte Carlo + decision analysis Распределения обоснованы, потери существенны Повторы/экспертная калибровка, любой моделируемый горизонт Риск лимита, квантили, ожидаемая полезность Зависит от распределений, структуры и предпочтений
Качественные OSPA / intuitive logics / 2×2 Контекст может качественно измениться, мало надёжных чисел Сигналы и эксперты, месяцы–годы Лучше выявляет скрытые рамки проблемы Без расчёта трудно проверить ресурсы и бюджет
Морфология + CIB / scenario discovery + RDM Много зависимых факторов или спорны вероятности Экспертные влияния либо ансамбль моделей Систематический поиск конфигураций и уязвимостей Значимая аналитическая работа; охват ограничен введёнными факторами
SD / DES / ABM, при необходимости digital twin Временная динамика, очереди или сеть определяют результат Подробные операционные данные, шаг минуты–сезоны Воспроизводит механизм, потерянный в сводной формуле Дорого моделировать и валидировать; двойник добавляет синхронизацию
Пилот / эксперимент + последовательное решение Неизвестен причинный отклик, можно ограничить ущерб Данные ещё предстоит собрать, короткие циклы Даёт новое наблюдение вместо уточнения предположений Задерживает полный запуск; не всякий риск допускает безопасный эксперимент

Дерево решений

  • Если никакое доступное действие не меняется от результата анализа→реестр сигналов и простой прогноз; полноценный сценарный проект не запускать.
  • Если критично не пересечь порог выживания или исполнения обязательств→reverse stress test, затем проверка конкретных мер восстановления.
    • Если вероятности обоснованы повторными данными→Monte Carlo траекторий + вероятность нарушения лимита + стресс вне исторического диапазона.
    • Если вероятности спорны→несколько тяжёлых согласованных контекстов + RDM с границами приемлемости и триггерами.
  • Если неизвестен отклик на собственное действие, например на цену→ограниченный эксперимент + decision tree с обновлением допущений.
    • Если эксперимент невозможен или ошибка необратима→диапазон альтернативных откликов + sensitivity + реальный опцион на этапное обязательство.
  • Если спор идёт о внешнем механизме и возможны разные режимы→сценарии контекста.
    • Если нужны разные взгляды на саму проблему, а чисел мало→OSPA с пользователем решения и независимой критикой.
    • Если две неопределённости дают содержательно разные миры→2×2 + проверка согласованности + модель драйверов.
    • Если существенных состояний и взаимосвязей больше→морфологическое поле с cross-consistency; при направленных влияниях — CIB.
  • Если механизм достаточно устойчив→выбрать минимальную расчётную модель.
    • Если несколько входов почти линейно меняют итог→one-way tornado + break-even.
    • Если есть ограничение, нелинейность или взаимодействие→multi-way grid; при высокой цене ошибки — global sensitivity.
    • Если нужен именно риск результата и есть основания распределений→Monte Carlo с зависимостями и проверкой калибровки.
  • Если агрегированная модель теряет важный механизм→симуляция нужного класса.
    • Если важны запасы, потоки и задержки→system dynamics.
    • Если важны очереди, расписание и совместимость ресурсов→DES или оптимизация расписания с симуляционной проверкой.
    • Если важны различия агентов и взаимодействие в сети→ABM; если данных о правилах нет → wargame как генератор гипотез, затем сбор данных.
    • Если состояние быстро меняется и синхронизация влияет на повторные решения→валидированная симуляция + digital twin; иначе → периодический импорт факта.
  • Если доступна только очень малая команда и решение обратимо→таблица драйверов + два контрастных what-if + один порог реакции как стартовая иллюстрация масштаба.
  • Если команда больше, но решения и зависимости остаются простыми→та же таблица с версиями и владельцами; увеличение штата само по себе не основание для усложнения метода.

Горизонт выбирается по инерции решения, а не по шаблону. У посева он включает сезон, у найма — срок выхода на продуктивность, у салона — время изменения доступных часов; долгосрочное строительство или изменение бизнес-модели требует отдельного слоя контекста гипотеза.

Практическое применение

Минимальный рабочий процесс для компании

Предлагаемый процесс — адаптация для 5–500 человек, а не измеренный отраслевой стандарт. Он сохраняет разделение контекста, расчёта и решения, но размер встречи и количество сценариев подчинены цене ошибки гипотеза.

Шаг Действие и результат Ответственный Иллюстрация трудоёмкости
1. Зафиксировать выбор Решение, deadline, допустимые действия, критерии, худший приемлемый исход Собственник / владелец решения 30–60 минут
2. Собрать исходную экономику Единицы, календарь, наблюдения, причинные связи, ограничения Операционный владелец + аналитик Полдня–два дня для простой модели
3. Вытащить неопределённость Реестр допущений, данные против мнений, неизвестные механизмы Владельцы драйверов Одна короткая рабочая сессия
4. Выбрать метод Дерево раздела 4; написать разные контексты или диапазоны Владелец решения + критик От часа для сетки до нескольких сессий для контекста
5. Посчитать действия Матрица «контекст × действие», пороги, ресурсная выполнимость Аналитик / model owner По сложности модели, без общей нормы
6. Проверить Pre-mortem, альтернативные объяснения, экстремальные входы и факты вне калибровки Человек, не автор расчёта Отдельная проверка до решения
7. Принять и назначить реакцию Решение, ранние сигналы, триггеры, ресурсы, сроки Владелец решения 30–60 минут
8. Сохранить и обновлять Неизменяемая версия, журнал причин пересмотра, сопоставление с фактом Model owner + владельцы допущений Иллюстрация: 30 минут в неделю на активный риск

Один человек может совмещать роли, но проверка должна отличаться от создания. Для маленького салона достаточно управляющего и администратора; продукту нужны коммерческий и инженерный владельцы; ферме — агроном и человек, отвечающий за деньги. Для более крупной компании добавляются права на сущности и отдельный владелец интеграций, а не обязательный сценарный комитет гипотеза.

Масштаб Предлагаемая форма Ритм — иллюстрация, не норма
5–20 человек Один рабочий файл, реестр допущений рядом, журнал решений Короткая проверка активных сигналов еженедельно; полный пересчёт при существенном изменении
20–100 человек Общая модель, владельцы драйверов, импорт факта, доступ по ролям Месячный rolling forecast; сценарии контекста перед важными обязательствами
100–500 человек Версии моделей и данных, интеграции, независимая проверка значимых изменений Единый календарь факта и forecast; событийный пересмотр сценариев

Стоимость входа состоит прежде всего из времени и качества данных. Иллюстрация первого цикла: 8 часов владельца и 16 часов аналитика при условной внутренней ставке 30 денежных единиц в час дают 720 денежных единиц без лицензий; это способ учёта стоимости, не оценка рыночной цены внедрения гипотеза. Симуляция с отсутствующими данными о длительностях, почве или отклике клиентов не имеет надёжной оценки трудоёмкости до обследования данных гипотеза.

Агро: выбор до посева, пересмотр после наблюдений

Урожайность должна быть выходом агрономических предпосылок. DSSAT использует погоду, почву, сорт и управление и требует проверки относительно наблюдений; APSIM показывает what-if по сроку сева, удобрениям, густоте и влажности факт [S41, S42]. Whole-farm слой добавляет землю, труд, воду, затраты и конфликтующие цели, как в FarmDESIGN факт [S36].

Отраслевой outlook задаёт контекст, а не урожай конкретного поля. USDA Projections to 2035 опубликован в феврале 2026 с основными исходными данными до November 2025 WASDE; дата публикации, дата данных и горизонт различаются. OECD–FAO 2026–2035 опубликован 29 июня 2026 и включает отдельный неблагоприятный сценарий факт [S38, S37].

Иллюстрация: ферма выбирает сорт для 100 га до заказа семян. Обычный сорт стоит 700/га, постоянные затраты — 20 000; устойчивый дороже на 30/га. Условные урожаи обычного/устойчивого — 6/5,8 т/га в нормальную погоду и 4/4,8 при засухе; это придуманные параметры, которые перед практическим применением требуют местных опытов гипотеза.

Результат = площадь × урожайность × цена − площадь × затраты_на_га − постоянные_затраты
Regret(действие, мир) = лучший результат среди допустимых действий в этом мире − результат действия
Мир — все числа иллюстративны Цена за т Обычный сорт: результат Устойчивый: результат Regret обычного Regret устойчивого
Нормальная погода, низкая цена 200 30 000 23 000 0 7 000
Засуха, низкая цена 200 −10 000 3 000 13 000 0
Нормальная погода, высокая цена 250 60 000 52 000 0 8 000
Засуха, высокая цена 250 10 000 27 000 17 000 0

Среди двух действий «вся площадь одним сортом» minimax regret выбирает устойчивый. Иллюстрация: максимальный regret равен 8 000 вместо 17 000; лучший возможный результат выше у обычного сорта, поэтому слово «лучше» требует критерия гипотеза. Если допустимо линейное смешение без дополнительных издержек, иллюстрация 32 га обычного и 68 га устойчивого уменьшает максимальный regret до 5 440; это демонстрирует влияние набора действий, а не обещание полезности диверсификации любой фермы гипотеза.

Триггер должен уважать сезонную необратимость. Иллюстрация: ниже 4,5 т/га при зафиксированной цене 200 обычный сорт не покрывает указанные затраты; после посева этот сигнал запускает пересмотр cash-flow и мер управления влагой, а не смену сорта задним числом. Агроном владеет оценкой урожайности, финансовый владелец — календарём платежей; итоговая сезонная маржа не гарантирует отсутствия кассового разрыва гипотеза.

Продуктовая разработка: adoption, churn и доступная мощность

Bass model описывает диффузию первых приобретений, а не активную базу SaaS. В авторском комментарии используется механизм внешнего и внутреннего влияния; исходная работа проверяла 11 категорий consumer durables, что не является валидацией churn-модели софта факт [S43]; сведения об исходной проверке доступны только в аннотации эмпирика [S44].

dN/dt = (p + q·N/m)·(m − N)
N — накопленные первые adopters; m — потенциал рынка; p,q — коэффициенты 1/время.
Активные[t+1] = активные[t] − ушедшие[t] + новые[t] + реактивации[t].
MRR_end = active_end × monthly_price  (только для одинаковой цены и без expansion/contraction).

Активная база и накопленная диффузия хранятся раздельно. Stripe выделяет new, expansion, contraction, churn и reactivation MRR; это полезный референс учётных сущностей, а не доказательство коммерческих эффектов сценариев факт [S45]. Для новой категории продукта неизвестный размер рынка m и ранние наблюдения делают точную S-кривую особенно ненадёжной мнение [S43].

Иллюстрация одного месяца Сохранить цену Повысить цену при ослаблении спроса
Клиенты на начало 1000 1000
Churn начальной когорты 3% 6%
Новые активные к концу 100 80
Клиенты на конец 1070 1020
Месячная цена 50 55
MRR на конец 53 500 56 100
Условный полный следующий месяц после затрат 10/клиент и постоянных 40 000 2 800 5 900

Это run-rate на конец, не выручка и прибыль прошедшего месяца. Иллюстрация предполагает отсутствие churn у новых клиентов до конца месяца, единую цену, отсутствие расширений и одинаковую стоимость обслуживания; коммерческие отклики на цену являются отдельными допущениями гипотеза.

Релизная мощность рассчитывается отдельно. Иллюстрация: четыре инженера × 20 дней × 75% доступности = 60 engineer-days при работе на 72 дня; релиз не помещается. Пятый инженер при той же доступности 75% и сразу одинаковой продуктивности даёт суммарно 75 дней, но дополнительные постоянные затраты 8 000 превращают второй коммерческий вариант из +5 900 в −2 100 за условный полный месяц; предположение о мгновенном выходе на продуктивность требует отдельной проверки гипотеза. Достаточность суммарных дней — необходимая проверка ресурса, а не гарантия срока при последовательных задачах и зависимостях гипотеза.

Сценарная дорожная карта связывает ветви с наблюдениями. Иллюстрация: владелец продукта проверяет удержание зрелой когорты новой цены, технический владелец — доступную мощность; при недостатке мощности сокращается scope или сдвигается срок, а прогноз adoption пересчитывается с новым временем релиза. Календарный релиз и коммерческий эффект не объединяются в одно допущение «команда успеет — спрос вырастет» гипотеза.

Салон: подробная операционная иллюстрация

Пример начинается с продаваемых часов, а не с процента роста выручки. Иллюстрация: четыре мастера × 20 дней × восемь уже очищенных от перерывов продаваемых часов = 640 одночасовых слотов; услуги одинаковы, квалификация взаимозаменяема, кресел хватает. Спрос — 520 записей, явка 90%, цена 40, переменные затраты 20 на выполненную услугу, постоянные — 8 000; сдельная часть 14 уже входит в переменные затраты и повторно не прибавляется к постоянным гипотеза.

Принято записей = min(спрос на записи, доступные слоты)
Ожидаемо выполнено = принято записей × вероятность явки
Ожидаемый результат = ожидаемо выполнено × (цена − переменные затраты) − постоянные
Break-even выполненных услуг = постоянные / маржинальный доход на услугу
Сценарий — иллюстрация Слоты Спрос Явка Ожидаемые услуги Ожидаемый результат
Исходный 640 520 90% 468 1 360
Один мастер недоступен 480 520 90% 432 640
Улучшение явки 640 520 95% 494 1 880
Цена 44, спрос падает до 450 640 450 90% 405 1 720

Пример порога: 400 выполненных услуг покрывают затраты. При явке 90% нужно не менее 445 принятых записей, чтобы покрыть затраты в ожидании; непрерывный порог booked-utilization — 69,44% при 640 слотах и 92,59% при 480. Это не гарантия фактической безубыточности: распределение явок и общие причины отмен рассчитываются отдельно гипотеза.

Средняя месячная загрузка не проверяет расписание. Если востребованный мастер доступен утром, а спрос приходится на вечер, суммарные свободные часы не делают запись выполнимой. Square демонстрирует существующие сущности длительности, сотрудника, no-show и экспорта истории; для реального салона следует считать интервалы по квалификациям и ресурсам, при сложных очередях — DES факт [S46]; рекомендация — гипотеза.

Иллюстрация рабочего цикла Конкретное действие
Первое внедрение Управляющий проверяет экономику одной услуги; администратор выгружает записи, явки и длительности; вместе сверяют определение продаваемого часа
Еженедельный сигнал Ожидаемый маржинальный доход от визитов на следующие две недели сопоставляется с постоянными затратами именно этих двух недель
Реакция Администратор активирует waitlist и предлагает свободные окна; изменение цены рассматривается отдельным вариантом с изменением спроса
Проверка спустя месяц Сопоставляются прежняя версия ожиданий, принятые записи, фактические явки, выручка и переменные затраты
Пересмотр через несколько месяцев Если отклонения систематически связаны с мастером/временем/услугой, агрегированная модель заменяется сегментами или расписанием

Поведение после нескольких месяцев — гипотеза процесса, а не наблюдательный кейс салона. Ошибки первого применения: повторный учёт зарплаты, загрузка без календаря, повышение цены без отклика спроса, отсутствие снимка прежних допущений и пересмотр триггера уже после результата гипотеза. В опубликованном производственном кейсе AFP полезным оказался быстрый цикл включения факта и общего понимания драйверов, но его эффект и масштаб нельзя напрямую переносить на эти иллюстрации мнение [S31].

Интерактивная проверка приложена: scenario-demo.html меняет драйверы трёх иллюстраций и показывает результаты, ограничения и JSON. В демонстрации реализована арифметика; методология и структура будущего продукта имеют статус предложения, согласование с пользователем не заявляется гипотеза.

Артефакты

Артефакты ниже — предлагаемая информационная архитектура. Единицей работы считается связка решения, допущений и воспроизводимого расчёта; рассказ о будущем служит понятным человеку представлением этой связки гипотеза.

Артефакт Назначение и обязательные поля Жизненный цикл Пример заполнения — иллюстрация
Decision brief id, вопрос, варианты, горизонт, крайний срок, критерий, ограничения, владелец Владелец создаёт до модели; закрывает решением, сохраняет отвергнутые варианты и основание farm-seed-1: сорт до заказа; минимум regret, нельзя менять сорт после посева
Реестр допущений id, утверждение, тип знания, источник, дата данных/доступа, область применимости, значение/диапазон, единица, владелец, уверенность с основанием, дата проверки Владелец предлагает; критик проверяет; новая версия при изменении; устаревшее сохраняется с причиной salon-show-1: явка 0,90, условная оценка, администратор, пересмотр после месяца
Модель драйверов Входы, вычисляемые показатели, формулы, размерности, единицы, лаги, ограничения, граница модели, версия Model owner создаёт и тестирует; структурная правка — новая версия, не тихая замена формулы product-v1: начальная когорта, новые, churn, MRR; мощность релиза отдельным блоком
Набор сценариев Фокусный вопрос, horizon, orientation, контекст, механизм, отличия, общий baseline, overrides, доказательства/контраргументы, возможные сигналы Авторы создают набор; участники критикуют; сценарий архивируется по утрате полезности, не только «не сбылся» farm-dry-low: засуха + цена 200; вероятность не задана
What-if лист / experiment Модель, входные диапазоны, вариации, фиксированные параметры, матрица действий/миров, ожидаемые инварианты, результат Аналитик создаёт; движок запускает; неизменяемый run связан с версией salon-price-test: цена 44 вместе со спросом 450, результат 1720
Карта сигналов и триггеров Метрика, источник, окно, порог, persistence, missing-data rule, срок реакции, owner, action, ограничение ресурса, отмена тревоги Владелец действия утверждает перед использованием; логируются наблюдения, срабатывания, отмены и исполнения booking-warning: ожидаемые услуги ниже количества безубыточности соответствующего периода → waitlist
Журнал решений и проверки фактом Дата оценки, run ID, доступная тогда информация, решение, критерий, ожидаемые исходы, actual, объяснение отклонения, follow-up Снимок до действия; факты добавляются позже; прежние ожидания не редактируются Churn оказался выше допущения: отдельно ошибка модели, цена, состав когорты и задержка релиза
Карточка валидации модели Область применимости, проверочные данные, version, тесты, ошибки, структурные ограничения, проверяющий До использования и при дрейфе; сохраняется вместе с моделью Утверждение «есть арифметический тест» не означает «отклик спроса валидирован»

Набор сценариев и вероятностная модель — разные артефакты. Для exploratory worlds probability=null означает отсутствие назначенной вероятности; равные веса для удобства сравнения нужно называть аналитическими весами, а не вероятностями. Для распределения сохраняются family, параметры, единицы, границы, зависимости, происхождение и область калибровки гипотеза.

Один и тот же набор полей в трёх сегментах

Поле Агро — иллюстрация Продукт — иллюстрация Салон — иллюстрация
Решение Выбрать сорт Цена и дополнительный инженер Расписание и работа с явкой
Внешний контекст Погода × рыночная цена Adoption и реакция клиентов Доступность мастера и спрос
Допущение Урожай 4 т/га при засухе Churn начальной когорты 6% Явка 90%
Драйвер Гектары, т/га, цена/т Клиенты, цена, engineer-days Слоты, записи, цена/услугу
Ограничение Площадь 100 га, дата заказа Релиз требует 72 engineer-days Не более доступных слотов и совместимых ресурсов
Выход Маржа, cash по датам, regret MRR, run-rate, достижимость релиза Услуги, результат, порог записей
Проверка фактом Поле/сорт/сезон и фактические цены Зрелая когорта и завершённая работа Записи, явки, фактическая длительность
Реакция После посева — меры влагоснабжения/денег Пересмотр цены/scope/срока Waitlist, предложение свободных окон

Источник допущения не должен исчезать при экспорте. Например, USDA normal weather — допущение внешнего baseline, а не наблюдение об ожидаемой погоде конкретного поля; такая потеря смысла создаст ошибку даже при корректном JSON гипотеза [S38].

Жизненный цикл и граница валидации

Допущение: proposed → reviewed → active → challenged → superseded / retired
Модель: draft → computationally_checked → empirically_evaluated → released → deprecated
Сценарий: draft → internally_consistent → decision_reviewed → monitoring → archived
Run: created → validated_inputs → computed → checked → frozen
Триггер: proposed → approved → monitoring → fired → acted / dismissed → reviewed

Названия статусов — предложение, не универсальный стандарт. Согласованность текста, корректность программы, эмпирическая адекватность и право выполнять действие отмечаются независимо; один флаг validated=true скрывает важные различия гипотеза. APSIM отдельно требует predicted-versus-observed validation и sensibility tests для непокрытых данных, а также единицы переменных — полезный отраслевой референс этой границы факт [S47].

Распределения можно переносить как данные. SIPmath у Probability Management задаёт референс stochastic information packets и зависимостей; для собственного продукта подходит как ориентир обмена вероятностными объектами, без принятия вендорских обещаний эффективности факт [S20]. Предлагаемый минимум воспроизводимости: snapshot входов, model version, engine version, seed для стохастического запуска, набор допустимых действий, критерий выбора и hash артефактов гипотеза.

С чем используется в связке

Связка Что предшествует Что следует Возможный конфликт
Scanning → сценарии → модель драйверов Сигналы и отдельные факты Численная проверка действий и ресурсов Красивый рассказ навязывает коэффициенты без основания
Forecast → what-if → rolling forecast Прогноз условно ожидаемой траектории Новая оценка после факта Замена прогноза желаемым бюджетом уничтожает проверку точности
Premortem / red team → стресс Согласованный кандидат плана Уязвимости, сигналы и меры Критик придумывает невероятные катастрофы без связи с решением
Decision analysis → real options Последовательность информации и обязательств Пилот, отсрочка, расширение, остановка Модель использует будущий исход раньше получения информации
RDM → adaptive pathways Карта условий, где стратегии проваливаются Переходы между действиями по сигналам Доля успешных sampled worlds выдаётся за вероятность успеха
Сценарии → бюджет и календарь ресурсов Выбранное действие и ограничения Резерв, этапность, условия перераспределения Бюджет автоматически переписывается каждым черновым сценарием
Эксперимент → обновление допущения Неизвестная реакция, безопасный тест Диапазон причинного эффекта и новая версия Подгонка модели на тех же данных объявляется внешней валидацией
SD / DES / ABM → digital twin Проверенная модель и решение о частоте обновления Синхронизация состояния и повторные what-if Свежесть телеметрии принимается за адекватность механизма

Таблица — авторская композиция методов. Механика реальных опционов, RDM, premortem и модельных проверок имеет первичные основания; конкретные интерфейсы для SMB предлагаются в этом исследовании гипотеза [S23, S27, S25, S18].

Связь с OKR, roadmap, деревом метрик и OST ограничена обменом сущностями. Из планирования поступают ограничения, диапазоны и условные ветви; обратно — цели, кандидаты действий и проверенные гипотезы. Сценарная вероятность не должна автоматически превращаться в приоритет, а желаемая метрика — в прогноз гипотеза.

Метрики здоровья и антипаттерны

Метрики разделяют три объекта: расчёт, суждения и управленческий процесс. Все численные нормы ниже, кроме математического определения калибровки, — локальные ориентиры, которые требуется установить до наблюдения результата гипотеза.

Признак Здоровая норма Симптом деградации Источник
Связь с решением У каждого активного набора есть действие, владелец и дата; ориентир: не хранить активный сценарий без назначения Сценарии обсуждаются, решения не меняются Авторский ориентир гипотеза
Происхождение допущений Для существенных входов указаны источник/условность, единицы, дата и владелец В модели неизвестные константы и «так договорились» Авторский ориентир гипотеза
Проверка модели Размерности, экстремальные условия, ограничения, сравнение с отложенными наблюдениями Только совпадение с обучающей историей Практические рекомендации мнение [S18]; пример требований факт [S47]
Покрытие интервалов Для сопоставимых 90%-ных оценок доля покрытий близка к 90% с учётом размера и зависимости выборки Большинство фактов вне узких интервалов Определение/практика калибровки факт [S21]
Вероятностные прогнозы Brier = mean((p−y)^2), шкала 0–1 для бинарного исхода; сравнивать с base-rate baseline и одинаковыми вопросами Красивые вероятности без даты, исхода и шкалы Авторское соглашение гипотеза; другая шкала 0–2 у Mellers требует пересчёта факт [S4]
Чувствительность выбора Известны пороги, меняющие предпочтительное действие Tornado есть, но никто не знает, что делать иначе Авторский ориентир гипотеза
Сигналы и реакция Время от появления наблюдаемого сигнала до последнего момента эффективного действия превышает задержку данных + обсуждение + исполнение Триггер срабатывает после момента, когда можно было действовать Авторский ориентир гипотеза
Тревоги Записываются fired/acted/dismissed, ложные и пропущенные сигналы Порог постоянно передвигают; неизвестно, кто реагирует Авторский ориентир гипотеза
Проверка фактом Отдельно ошибка входа, структуры, исполнения и внешнего шока; исходный snapshot сохранён Старая оценка заменена новой, прошлые ошибки исчезли Авторский ориентир гипотеза
Стоимость процесса Часы/лицензии/интеграции сопоставляются с ценой изменения решения Поддержка сложнее и дороже задачи Авторский ориентир гипотеза

Brier не оценивает качество exploratory-сценария. Для неполного набора контекстов полезнее различимость, согласованность, покрытие решающих неопределённостей и выявленные изменения действия; для прогнозных утверждений — калибровка и proper scores. Ex-post regret одного решения не отделяет удачу от качества процесса, поэтому нужен журнал ex-ante оснований гипотеза.

Антипаттерны

«Сценарий назначен прогнозом»

Как выглядит: руководитель спрашивает, какой из четырёх миров «правильный», и требует распределить 100% без основания.

Почему возникает: управленческий запрос на одну цифру смешивает exploratory worlds с вероятностным прогнозом.

Как чинить: отдельно хранить контексты, условные расчёты и проверяемые прогнозные вопросы; null оставлять null.

Когда менять практику: если неопределённость сводится к повторяемой вариативности, перейти к вероятностному forecast; иначе сохранить контексты без ложных процентов. Это авторская рекомендация гипотеза.

«Базовый план плюс-минус процент»

Как выглядит: три колонки выручки отличаются на 10%, штат и причинная экономика одинаковы — иллюстрация.

Почему возникает: копирование бюджета проще обсуждения механизма изменения спроса или доступности ресурсов.

Как чинить: менять драйверы, зависимости и ограничения; показать условия смены предпочтительного действия либо обосновать его устойчивость во всём рассмотренном пространстве.

Когда менять практику: если проценты действительно достаточны для простого риска, назвать работу sensitivity analysis и не устраивать сценарный workshop. Это авторская рекомендация гипотеза.

«Точность симуляции вместо достоверности»

Как выглядит: миллион прогонов выдаёт риск 2,731% при неизвестном распределении — иллюстрация.

Почему возникает: малую вычислительную ошибку путают с точностью модели мира.

Как чинить: раскрыть происхождение распределений, зависимости и альтернативные структуры; округлять результат по качеству знания.

Когда менять практику: если распределения не защищаются данными или калиброванными суждениями, использовать диапазоны, stress/RDM и сбор информации. Это авторская рекомендация гипотеза.

«Сценарии для отчёта»

Как выглядит: завершён красивый документ, но нет бюджета реакции, owner и даты повторной проверки.

Почему возникает: оценивается качество презентации, а не изменение поведения.

Как чинить: каждую существенную уязвимость связать с действием, сигналом и сроком; неактуальные истории архивировать.

Когда менять практику: если решения уже фиксированы и не могут быть пересмотрены, сократить работу до конкретного contingency plan и мониторинга. Это авторская рекомендация гипотеза.

«Модель без памяти»

Как выглядит: коэффициенты меняются в единственном файле, каждый новый forecast объявляется «всегда ожидавшимся».

Почему возникает: нет реестра допущений и immutable runs, а признание ошибки воспринимается как некомпетентность.

Как чинить: сохранить старую версию, источник изменения и исход; отдельно оценивать человека, гипотезу и исполнение.

Когда менять практику: если ручной файл перестал сохранять происхождение и историю, перенести реестр и runs в версионируемое хранилище; усложнение математики эту проблему не решает. Это авторская рекомендация гипотеза.

Инструменты и софт

Инструменты здесь — референсы реализации сущностей, не рейтинг рынка. Проверка выполнена 2026-09-21 по официальным страницам; приложения не разворачивались, интеграции и договорные права не тестировались. Цена лицензии не включает подготовку данных, построение модели и её поддержку гипотеза.

Продукт Сущности и ключевые операции Интеграции Ограничения и цена входа на 2026-09-21
Anaplan Model → Modules → Line items; Time, Versions, Lists; разделение Input/Driver/Output, пересчёт и сравнение версий факт [S48] Data Orchestrator: импорт, преобразование и загрузка из файлов, баз/хранилищ и других моделей факт [S49] Нужны model builder и владелец данных — оценка внедрения гипотеза. Численная публичная цена в проверенном потоке не установлена, pricing ведёт на contact факт [S50]
Pigment Applications, Blocks, Metrics, Boards; Shared/Local Scenarios с изменением inputs/formulas и сравнением. Общая структура и списки; формулы между сценариями не рассчитываются, Local/Shared не конвертируются факт [S51] Импорт и классы ERP/CRM/HRIS/API описаны официально, но часть карточек коннекторов помечена roadmap; доступность конкретного подключения требует отдельной проверки факт [S52] Подходит как референс scenario overlay, не произвольных структурных веток гипотеза. На странице demo/contact численного тарифа нет факт [S53]
@RISK Excel inputs с распределениями/зависимостями, outputs, Monte Carlo, fitting, sensitivity/tornado; оптимизация в соответствующей конфигурации факт [S17] Excel, XDK; отдельный AI connector описан в разделе 10 Нужна проверенная табличная экономика и вероятностная компетенция гипотеза. Платная годовая подписка; численные цены в индексе магазина не подтверждены прямым отображением, поэтому надёжная сумма не приводится факт [S54]
AnyLogic Агенты, события/очереди/ресурсы, stocks/flows; parameter variation, Monte Carlo, sensitivity, calibration, compare runs факт [S55] Excel, текст, базы, GIS, Cloud/export описаны в официальном сравнении Нужен специалист по симуляции гипотеза. Professional — по запросу; PLE имеет ограничения и предназначена для обучения, её нельзя считать бесплатной коммерческой лицензией SMB факт [S55, S56]

Остальные референсы закрывают отдельные слои. Их наличие не заменяет проверку выбора метода гипотеза.

Категория / продукт Что взять как референс Ограничение
Электронные таблицы Прозрачная модель небольшого числа драйверов, one-/two-way расчёты, отдельный журнал Версии, права и происхождение быстро становятся ручной обязанностью; распространённость подтверждена AFP эмпирика [S35]
Cube Excel/Google Sheets поверх измерений, сценариев и ролей; текущие Bronze/Silver/Gold — quote, API указан дополнением Общий текст и карточки планов расходятся по MCP, состав пакета не установлен; старые публичные суммы не приняты за текущий тариф факт [S57]
Causal / Lucanet Модель финансовых драйверов как часть более широкой xP&A-среды Приобретение Causal объявлено 31.10.2024; прежние standalone positioning и free tiers не принимаются за состояние на срез факт [S58]
Oracle Crystal Ball Spreadsheet assumptions, forecasts, Monte Carlo/sensitivity; Decision Optimizer для оптимизации с ограничениями Доступна trial, численный тариф в прочитанной странице не установлен; состояние развития не выводится из слов конкурентов факт [S59]
Vensim Stocks/flows, views, sensitivity и управляющие sliders; PLE+ поддерживает связь с Excel В официальном магазине PLE+ $169, Professional $1195, DSS $1995 за новую лицензию; налоги, поддержка и полная стоимость не проверены факт [S60, S61]
DSSAT / APSIM Модели crop-management для аграрных экспериментов Нужны местные данные, параметры сорта/почвы и проверка наблюдениями; не готовый финансовый план фермы факт [S41, S47]

Выбор масштаба — авторская рекомендация. Соло: таблица с явными допущениями, затем @RISK/Crystal Ball или код при необходимости распределений. Команда: общий реестр, версии и модель драйверов, при существенных правах/интеграциях — FP&A-платформа; организация: те же принципы с управлением данными и изменениями. AnyLogic/Vensim выбираются по нужному механизму, а не по размеру компании гипотеза.

Адаптация под LLM и агентов

Что существует на дату среза

LLM уже подключаются к расчётным моделям, но доказанность бизнес-результата отстаёт от продукта. Документация Pigment AI обновлена 02.09.2026: описаны Modeler, Analyst, Custom Agents, Missions и MCP; агенты работают в контексте прав пользователя факт [S39]. Lumivero 04.05.2026 объявил beta @RISK Agent: Claude через MCP получает структуру Excel-модели и результаты, помогает анализу; коннектор заявлен без доплаты клиентам @RISK, LLM предоставляет пользователь вендор [S40].

Эмпирика Что исследовано Что нельзя заключить
Kozachek, Futures 2026 1080 человеческих коротких scenario theses из 238 reports и 3240 GPT-тезисов; Delphi 42 специалистов. Отмечены технологический уклон и слабое различение горизонтов Это оценка текстов и восприятия, не целых процессов или финансовых решений. Прочитан индексированный фрагмент, полный текст не проверен; GPT-3/3.5/4 не представляют все модели сентября 2026 эмпирика [S62]
ForecastBench, v5 от 28.02.2025 500 public и 39 superforecasters; 200 вопросов, 498 результатов по горизонтам 7/30/90/180 дней. Brier медианного агрегата SF 0,096, лучшего варианта Claude-3.5-Sonnet-20240620 — 0,122, p<0,001; вариант модели использовал crowd freeze values и scratchpad Это не средний балл отдельного человека и не рейтинг моделей на срез. Для части неразрешённых market-вопросов используются community aggregates; модель также получала коллективные прогнозы на входе, поэтому результат не трактуется как полностью независимое предсказание эмпирика [S63]
Ball et al., препринт 2025 14 моделей с white-box доступом к внутренним представлениям; probe-анализ связи persona-to-party в немецком электоральном контексте, проблемы вариативности и чувствительности формулировкам Не исследование SaaS-покупателей или всех API-моделей, но основание не принимать синтетическую популяцию за наблюдённый спрос без отдельной валидации эмпирика [S64]

Открытый код существует для отдельных компонентов. dannyallover/llm_forecasting реализует поиск новостей, отбор, рассуждение и агрегацию прогнозов; dpaleka/consistency-forecasting — проверки согласованности прогнозов. На 21.09.2026 прочитаны публичные README, commits не закреплены и код не запускался; это исследовательские референсы, не готовый сценарный слой компании факт [S65, S66].

Разделение труда

Задача Разумная автоматизация Что остаётся проверять человеку
Извлечение допущений Найти утверждения в документах, предложить поля, владельцев и ссылки на фрагменты Действительно ли это допущение, а не факт/цель/обязательство
Генерация сценариев Несколько разных механизмов, контраргументы, missing drivers Правдоподобие, существенные пропуски, релевантность решению
Критика Противоречия истории и входов, дубликаты осей, неявное знание будущего Причинность, допустимость вариантов, независимость критики
What-if Предложить patch входов и вызвать разрешённый движок Обоснованность диапазонов и решений
Интерпретация Объяснить разницу результатов со ссылками на run и drivers Смысл вывода и достаточность модели
Мониторинг Извлекать сигналы, сверять пороги, создавать проект реакции Важность сигнала, право менять бюджет/расписание/обязательства

Таблица — предлагаемая архитектура, а не доказанный универсальный workflow. Несколько агентов одной модели не образуют независимую экспертную выборку; согласие между ними не измеряет вероятность. Для критики полезнее разные источники, разные явные предпосылки и независимые вычислительные проверки гипотеза.

Машиночитаемая модель — предложение

Предлагается разделять сущности вместо хранения одного большого текста сценария. Каждая из следующих сущностей имеет собственную версию и происхождение; JSON — средство представления, не подтверждение истинности гипотеза.

Сущность Минимальные поля Смысл
Context id, orientation, horizon, mechanism, sourceRefs, probability Внешний мир; null разрешён и не равен нулю
Decision id, action, owner, decidedAt, informationAvailableAt, constraints Управляемый выбор, отделённый от внешнего мира
Assumption id, kind, value или distribution, unit, source, owner, asOf, reviewAt, scope Наблюдение, elicited assessment и условная иллюстрация различаются
Driver / Formula id, unit, timeBasis, dimension, expressionAst, dependencies Вход либо вычисляемый показатель; проверяемая формула вместо произвольного кода
ModelVersion id, version, boundary, timeStep, initialState, constraints, validationRefs Структура механизма и область его применимости
Scenario contextId, modelVersion, assumptionOverrides, decisionIds, status Связка мира с моделями и допустимыми действиями
Run id, ссылки, inputHash, engineVersion, seed, sampleDesign, outputs, diagnostics Воспроизводимый расчёт; Monte Carlo и детерминированный режим различаются
Trigger metric, operator, threshold, window, persistence, missingData, owner, action, leadTime Наблюдаемый критерий реакции
Observation / Review observedAt, availableAt, actual, priorRunId, assessment, changeReason Факт и последующая проверка без стирания прошлого

Ниже — сокращённая иллюстрация соглашений, а не JSON Schema и не готовый контракт API. Полный исполняемый учебный пример с формулами и допущениями приложен как scenario-model-example.json; validate-example.py проверяет его числовые и ссылочные ограничения гипотеза.

{
  "schemaVersion": "proposal-1",
  "context": {
    "id": "salon-context-1",
    "orientation": "exploratory",
    "probability": null
  },
  "decision": {
    "id": "keep-schedule",
    "action": "keep_schedule",
    "owner": "salon-manager"
  },
  "model": {
    "id": "salon-monthly",
    "version": "1.0",
    "timeStep": "month"
  },
  "inputs": {
    "slots": 640,
    "bookings": 520,
    "show_rate": 0.9,
    "price": 40,
    "variable_cost": 20,
    "fixed": 8000
  },
  "outputs": {
    "completed_expected": 468,
    "profit_expected": 1360,
    "break_even_completed": 400,
    "loss_probability": null
  },
  "provenance": "illustration; all values assumed"
}

Один набор ожидаемых значений не позволяет вычислить вероятность убытка. Для этого нужны распределение и зависимость явок, неопределённость спроса, длительностей и прочих существенных величин; поле loss_probability поэтому пустое, несмотря на известную среднюю прибыль гипотеза.

Что проверяется автоматически

Уровень Автоматическая проверка Что этим не доказано
Структура Обязательные поля, типы, уникальные IDs, разрешимые ссылки, версии и перечисления Полнота картины будущего
Размерности Валюта и база цен, единицы и шаг времени, поток против запаса Правильность экономического механизма
Формулы Разрешённые AST-операции, допустимые зависимости, отсутствие необъявленных циклов; явный solver для алгебраической петли Что найденная зависимость причинная
Ограничения Неотрицательные ресурсы, show/churn в [0,1], served≤capacity, сохранение stocks/flows Что ограничения мира перечислены полностью
Вероятности Нормировка только для заявленного полного взаимоисключающего набора; согласованность связанных событий Правильность исходных вероятностей
Зависимости Симметрия/диагональ и положительная полуопределённость корреляционной матрицы; согласованный sample design Адекватность хвостовых и временных зависимостей
Время и информация Observation availableAt не позже решения, которое его использует; реакции успевают до deadline Возможность получить сигнал в реальном процессе
Сравнение действий Общие внешние условия, горизонт, единицы и критерий; одинаковые правила проверки с учётом изменения ресурсов и затрат каждым действием Что набор действий достаточно широк
Воспроизводимость Snapshot, hashes, engine, seed и версия приводят к тому же результату в заданной среде Переносимость на другой движок или истинность мира
Проверка фактом Error, coverage, Brier для разрешённых вопросов; флаги дрейфа и просроченных допущений Причину отклонения без дополнительного анализа

Эти проверки — проектные требования, лишь часть реализована в учебном валидаторе. В нём проверяются ссылки, версия, единицы его простых формул, границы входов и совпадение арифметики; общая система вероятностей, журнал прав, причинная валидация и производственное хранение не реализованы гипотеза.

Безопасный и проверяемый цикл агента

  1. Получить ограниченный контекст. Агент читает разрешённую версию модели, источники и задачу решения; внешние документы считаются данными, а не инструкциями гипотеза.
  2. Предложить изменение. Выход агента — patch с причиной, источником, полями неопределённости и перечнем затронутых формул, а не скрытая правка модели гипотеза.
  3. Проверить и рассчитать. Детерминированный валидатор блокирует некорректные входы; расчётный движок считает outcomes и diagnostics; LLM не подставляет собственную арифметику в сохранённый run гипотеза.
  4. Сравнить и объяснить. Агент приводит run IDs, изменённые драйверы, допущения и альтернативы; отрицательные результаты сохраняются гипотеза.
  5. Разделить расчёт и исполнение. Право моделировать не даёт права нанимать сотрудника, менять цены или бюджет; фактическое действие подчиняется уже установленным полномочиям компании гипотеза.

Недопустимая автоматизация — превращать выдуманную уверенность в данные. Нельзя получать «вероятность рынка» из уверенного текста, считать синтетических клиентов наблюдаемой выборкой или позволять агенту менять факты ради согласованности модели гипотеза. Проверка источников, раздельные полномочия, воспроизводимые runs и обратная связь важнее количества ролей в агентной дискуссии гипотеза.

Происхождение, ключевые фигуры, что читать

История важна здесь как объяснение действующих различий. Wack и Shell отвечали на ограниченность привычного прогноза при изменении внешней среды; Schwartz сделал сценарную работу доступнее управленцам; Schoemaker систематизировал построение и проверку альтернатив. Эти линии не отменены более новыми OSPA, моделями драйверов и вероятностными инструментами факт [S7, S8, S10]; вывод о совместимости — гипотеза.

За 2016–2026 акцент смещается к интеграции с решениями, регулярному обновлению и вычислительным средам. Книга Ramírez–Wilkinson 2016 фиксирует OSPA как процесс переосмысления, а текущая повестка 2026 сохраняет вопросы полезности, обучения и AI открытыми. Это описание прочитанных работ, не количественная оценка скорости распространения мнение [S33, S32].

  • Wack, Scenarios: Uncharted Waters Ahead (1985). Каноническая постановка проблемы; здесь прочитана издательская аннотация, полная статья не заявляется прочитанной факт [S7].
  • Schwartz, The Art of the Long View. Практическая сценарная традиция; проверена издательская страница издания 1996, не содержание полной книги факт [S8].
  • Schoemaker, Scenario Planning: A Tool for Strategic Thinking (1995). Открытая авторская статья полезна как последовательность построения и проверки сценариев мнение [S10].
  • Ramírez и Wilkinson, Strategic Reframing (2016). Основной источник OSPA; аннотация и открытые объяснения школы помогают понять purpose-first и отказ от процентов целых миров, книга целиком недоступна факт [S33, S2].
  • Ritchey, General Morphological Analysis. Практический вход в структурирование качественных конфигураций вместо произвольного списка сюжетов мнение [S11].
  • Howard и Matheson, Influence Diagrams. Канонический референс формального разделения выбора, случайности и информации; здесь доступна аннотация факт [S22].
  • Sterman, All Models Are Wrong. Критический текст о границах модели и многократных видах проверки, полезный против доверия одному backtest мнение [S18].
  • Hubbard Decision Research, The Role of Calibration in Risk Analysis; Savage / Probability Management, Chancification. Первый — практический источник калибровки с коммерческой заинтересованностью, второй — референс передачи распределений и зависимостей как данных мнение [S21, S20].
  • Klein, Pre-Mortem Method; Mellers et al. с Tetlock, Psychological Strategies. Разделение генерации причин провала и экспериментально исследуемой точности прогнозных суждений мнение [S25, S4].
  • Cordova-Pozo и Rouwette (2023); Saltelli et al. (2017). Два наиболее полезных критических чтения: ограничения доказательств scenario planning и некорректное применение sensitivity analysis мнение [S3, S15].
  • UK Futures Toolkit (2024). Открытые процедуры и формы; длительности и горизонт публичной политики нельзя механически переносить в малую компанию мнение [S9].
  • ForecastBench v5 (2025); Kozachek (2026). Различение точности probabilistic forecasting и свойств LLM-сценарных текстов; полезны прежде всего границами выводов мнение [S63, S62].

Открытые вопросы и границы уверенности

Срез исследования — 2026-09-21; отсутствие результата поиска не доказывает отсутствия практики. Поиск целевой, а не систематический обзор всей мировой литературы; источники отбирались для механизмов, доказательств и переносимости в продукт. Подпоиски выполнялись внутри Astra, ответ другого участника исследования не использовался.

Граница Что известно / не установлено Что изменило бы вывод
ROI для SMB Не найдена сильная причинная оценка одной сценарной методологии сразу для трёх целевых сегментов Проспективное сравнение решений/команд с учётом изначальной сложности, затрат и соблюдения процесса
Эмпирика сценарного планирования Квазиэксперименты и наблюдательные исследования поддерживают отдельные эффекты; нет основания обещать универсальный процент прибыли Репликации, объективные исходы, независимые данные, явная контрольная стратегия
Локальная модель Все отраслевые числа — иллюстрации; эластичность, урожаи сортов, продуктивность новичка и явки не измерялись Собственные наблюдения, локальные опыты и временно отложенная проверка
Распределения и зависимости Без данных нельзя установить хвосты, временную корреляцию и structural breaks Проверяемые источники диапазонов и альтернативные структуры
LLM Нет сравнительной оценки всех актуальных моделей на сентябрь 2026 для решений SMB; использованы конкретные опубликованные выборки Prospective evaluation на заранее сохранённых сценариях, фактах и экономических решениях
Книги и статьи Wack, Schwartz, Oxford book, Howard и Bass 1969 — аннотации; полное чтение не заявляется Доступ к полным текстам мог бы уточнить атрибуции и детали, но не заменил бы эмпирику эффективности
ScienceDirect и OUP Некоторые прямые открытия дают ошибку; обзор 2023 и Kozachek прочитаны по доступным индексированным фрагментам, не целиком Полный текст для проверки методов/таблиц; до этого спорные детали не считаются установленными
Продукты и цены Проверены официальные страницы, не tenant и договор; численная цена @RISK видна только фрагментарно и не принята за установленную Демонстрационный доступ и предложение поставщика, если выбор ПО станет отдельной задачей
Динамические страницы и GitHub Недатированная документация фиксирует увиденное при доступе, не историю всех функций; README без закреплённого commit Архив версии, release notes и проверяемый запуск
Демонстрация Арифметика и программные ограничения проверены локально; визуальная проверка в настоящем браузере не выполнялась Пользовательское тестирование и проверка в целевых браузерах

Предлагаемая методология требует пилота на реальных решениях. Критерий пересмотра — не совпадение всего мира с одной историей, а обнаружение недостающего механизма, просроченного сигнала, недопустимого действия или дорогой поддержки без влияния на решение гипотеза.

Границы доступа отражены в реестре. «Полный текст» для веб-документа означает доступность и чтение содержательной страницы; для длинных документов проверялись релевантные разделы, не каждая таблица. «Фрагмент» и «аннотация» не повышены до полного доступа из-за наличия поискового результата.

Учёт работы: 94 поисковых запроса и 132 операции открытия веб-страниц, включая повторные и неуспешные. Итоговый реестр содержит 66 источников: 47 с доступным полным текстом страницы/документа/README, 14 фрагментов и пять аннотаций; просмотренные, но не использованные материалы не включены. Использованы web search/open/find, локальные PowerShell/Python/Node.js и apply_patch; локальная проверка формы, арифметика трёх примеров и восемь отрицательных проверок JSON пройдены.

Самопроверка отделена от харнесса: результат записан в self-validation-by-astra.json. Проверены все 15 заголовков, front matter, ссылки и порядок 66 источников, обязательные структуры, существование приложений и отсутствие заглушек; официальный валидатор исследования из родительской папки не запускался в силу границы доступа участника.

Реестр источников

IDНазваниеАвтор или издательURLПубликацияДоступ (дата)Вид доступаЧто подтверждает
S1What are Shell Scenarios?Shellshell.com/news-and-insights/scenarios/what-are-shell-scen…без даты2026-09-21полный текст0–2: назначение сценариев, границы и корпоративная практика
S2Scenario planning: an answer to turmoil?Saïd Business School, University of Oxfordsbs.ox.ac.uk/oxford-answers/scenario-planning-answer-turmoil2020-01-282026-09-21полный текст1, 7, 11: OSPA, plausibility, contextual/transactional environment
S3Types of scenario planning and their effectiveness: A review of reviewsKathya Cordova-Pozo, Etiënne A.J.A. Rouwette; Futuresdoi.org/10.1016/j.futures.2023.1031532023-052026-09-21фрагмент0, 2, 11: 13 обзоров, ограничения оценки эффективности; доступен развёрнутый индексированный текст, прямое открытие ошибочно
S4Psychological Strategies for Winning a Geopolitical Forecasting TournamentBarbara Mellers et al., включая Philip E. Tetlockfaculty.wharton.upenn.edu/wp-content/uploads/2015/07/2014…2014-03-212026-09-21фрагмент2, 8: рандомизированные условия обучения, 199 вопросов, состав выборки, шкала Brier
S5AFP FP&A Guide to Driver-based Models and PlansAssociation for Financial Professionalsfinancialprofessionals.org/training-resources/resources/g…2024-03-052026-09-21фрагмент1: модель драйверов; прочитана открытая страница, не закрытый guide
S6Robust Decision MakingRANDrand.org/pubs/tools/TL320/tool/robust-decision-making.htmlбез даты2026-09-21полный текст0, 1, 4, 7: уязвимости и робастные решения
S7Scenarios: Uncharted Waters AheadPierre Wack; Harvard Business Reviewstore.hbr.org/product/scenarios-uncharted-waters-ahead/855161985-09-012026-09-21аннотация11: атрибуция Wack, полная статья не прочитана
S8The Art of the Long ViewPeter Schwartz; Penguin Random Housepenguinrandomhouse.com/books/162919/the-art-of-the-long-v…1996-04-152026-09-21аннотация1, 11: издание и сценарный подход; книга не прочитана
S9The Futures Toolkit HTML, edition 2024UK Government Office for Sciencegov.uk/government/publications/futures-toolkit-for-policy…2024-08-292026-09-21полный текст1, 5–8, 11: scanning, Delphi, 2×2, backcasting, windtunnelling
S10Scenario Planning: A Tool for Strategic ThinkingPaul J. H. Schoemaker; Sloan Management Reviewftms.edu.my/images/Document/MOD001074%20-%20Strategic%20M…19952026-09-21полный текст1, 11: процесс, согласованность сценариев
S11General Morphological Analysis: A general method for non-quantified modelingTom Ritchey; Swedish Morphological Societyswemorph.com/ma.html20132026-09-21полный текст1, 11: морфологическое поле и cross-consistency assessment
S12CIB Analysis — Step-by-Step: Scenario constructionWolfgang Weimer-Jehle; CIB-Lab, University of Stuttgartcross-impact.org/english/CIB_e_Alg_4.htmбез даты2026-09-21полный текст1: алгоритм балансов и согласованность, не вероятности
S13Implementing a Rolling Forecast — Key TakeawaysAssociation for Financial Professionalsfinancialprofessionals.org/training-resources/resources/g…без даты2026-09-21полный текст1, 7: принципы rolling forecast
S14Measuring Variable Effects with the Tornado Analysis ToolOracledocs.oracle.com/cd/E52437_01/en/crystal_ball_users_guide/…без даты2026-09-21полный текст1, 9: tornado как OAT в Crystal Ball; отличие от correlation-based sensitivity
S15Why So Many Published Sensitivity Analyses Are False. A Systematic Review of Sensitivity Analysis PracticesAndrea Saltelli et al.arxiv.org/pdf/1711.113592017-11-302026-09-21фрагмент1, 2, 8: OAT против global sensitivity; обзор 280 публикаций и ограничения выборки
S16Break-even pointU.S. Small Business Administrationlegacy.sba.gov/business-guide/plan-your-business/calculat…без даты2026-09-21полный текст1, 5: формула fixed costs / (price − variable cost), разделение смешанных затрат
S17Risk analysis software in Excel — @RISKLumiverolumivero.com/products/at-risk/без даты2026-09-21полный текст9: Monte Carlo, distributions, correlations, outputs, fitting, XDK, optimization
S18All Models Are Wrong: Reflections on Becoming a Systems ScientistJohn D. Stermanweb.mit.edu/jsterman/www/All_Models_Are_Wrong_(SDR).pdf20022026-09-21фрагмент1, 8, 11: stocks/flows, границы и тестирование системной модели
S19The Big Book of Simulation Modeling: Chapter 2 — Three methods in simulation modelingAndrei Borshchev / The AnyLogic Companyanylogic.com/upload/books/new-big-book/2-three-methods-in…без даты2026-09-21фрагмент1, 4, 9: механика SD, DES, ABM, ресурсы и очереди
S20Chancification: Wiring Your Organization for ProbabilityProbability Management / Sam Savageprobabilitymanagement.org/chancificationбез даты2026-09-21полный текст1, 6, 10: SIPmath, распределения как данные, зависимости
S21The Role of Calibration in Risk AnalysisPeter Mallik, Kathleen Schmidt / Hubbard Decision Researchhubbardresearch.com/the-role-of-calibration-in-risk-analy…2026-02-192026-09-21полный текст1, 2: калиброванные оценки; AIE и value of information; данные поставщика обучения
S22Influence DiagramsRonald A. Howard, James E. Mathesongsbpreserve.stanford.edu/view/61825/influence-diagrams2005-09-012026-09-21аннотация1, 11: авторская атрибуция influence diagrams, формальное описание решений
S23Real Options: Dealing With Uncertainty in Systems Planning and DesignRichard de Neufvilleweb.mit.edu/ardent/www/Real_opts_papers/delftpaperpublica…20032026-09-21фрагмент1, 4, 7: реальный опцион, цена и исполнение гибкости, ограничения оценки
S24The Bank of England’s approach to stress testing the UK banking systemBank of Englandbankofengland.co.uk/stress-testing/2024/boes-approach-to-…2024-11-292026-09-21фрагмент1, 2: действующий подход с 2025, stress и reverse stress, определение уязвимости
S25Pre-Mortem Method of Risk AssessmentGary Kleingary-klein.com/premortemбез даты2026-09-21полный текст1, 7, 11: premortem, авторство и процедура
S26Wargaming HandbookUK Ministry of Defenceassets.publishing.service.gov.uk/government/uploads/syste…2017-082026-09-21фрагмент1, 7: wargaming, red teaming и интерпретация результатов
S27A New Analytic Method for Finding Policy-Relevant ScenariosDavid G. Groves, Robert J. Lempertrand.org/content/dam/rand/pubs/reprints/2007/RAND_RP1244.pdf20072026-09-21фрагмент1, 4: RDM, связь с expected utility, пороги вероятностей и scenario discovery
S28Validating and AdvancementNISTnist.gov/digital-twins/validating-and-advancement2026-02-132026-09-21полный текст1, 2, 9: доверие к digital twins, синхронизация и валидация
S29The effects of scenario planning on participant reports of resilienceThomas J. Chermack, Laura M. Coons, Gregory O’barr, Shiva Khatamichermackscenarios.com/wp-content/uploads/2020/10/The-effe…20172026-09-21полный текст2: квазиэксперимент, 48+44 участника, самоотчёты и ограничения
S30Corporate foresight and its impact on firm performance: A longitudinal analysisRené Rohrbeck, Menes Etingue Kum; Technological Forecasting and Social Changepure.au.dk/ws/portalfiles/portal/179651094/Rohrbeck_Corpo…2018-042026-09-21полный текст2: выборка 83, прибыль 70, капитализация 42; наблюдательная связь 2008–2015
S31Creating Alignment and Transparency Through a Driver-Based ModelAFP Member; Association for Financial Professionalsfinancialprofessionals.org/training-resources/resources/a…2024-03-052026-09-21полный текст2, 5: самоотчёт компании; четыре дня → четыре часа
S32Scenario Planning for Strategic Decision-Making, Learning, and Managing UncertaintyChermack, Crawford, Haigh, Phadnis, Ramírez, Schoemaker; California Management Reviewjournals.sagepub.com/doi/10.1177/000812562614329332026-05-062026-09-21полный текст2, 10–11: актуальные споры, решения и обучение, недостаток исследований AI
S33Strategic Reframing: The Oxford Scenario Planning ApproachRafael Ramírez, Angela Wilkinson; Oxford University Pressacademic.oup.com/book/96162016-03-012026-09-21аннотация11: библиография и замысел OSPA; книга не прочитана
S34Why Aren’t FP&A Teams Using the EPM Tools They Bought?AFP Staff; Association for Financial Professionalsafponline.org/training-resources/resources/articles/Detai…2025-05-052026-09-21полный текст2, 9: использование EPM и таблиц, ограничения переноса на SMB
S352025 AFP FP&A Benchmarking Survey Report: Technology & DataAssociation for Financial Professionalsafponline.org/training-resources/resources/survey-researc…20252026-09-21фрагмент2: открытое резюме, 362 ответа, таблицы 96%, EPM 71%; полный отчёт не прочитан
S36Multi-objective optimization and design of farming systemsJeroen C.J. Groot, Gerard J.M. Oomen, Walter A.H. Rossing / Agricultural Systemshumidtropics.cgiar.org/wp-content/uploads/downloads/2014/…2012-072026-09-21полный текст1, 2, 5: whole-farm модель, Pareto trade-offs, кейс 96 га, цикл работы с фермером и ограничения валидации
S37Agricultural and food markets: Trends and prospects — OECD-FAO Agricultural Outlook 2026–2035OECD / FAOoecd.org/en/publications/oecd-fao-agricultural-outlook-20…2026-06-292026-09-21полный текст1, 2, 5: baseline с предпосылками, adverse scenario, вариативность исторических доходов как условная вероятностная модель
S38USDA Agricultural Projections to 2035USDAers.usda.gov/sites/default/files/_laserfiche/outlooks/113…2026-022026-09-21полный текст1, 2, 5: официальный baseline прямо определён как условный сценарий, а не прогноз; нормальная погода, политика, отсутствие новых шоков
S39Pigment AIPigmentkb.pigment.com/docs/pigment-ai2025-04-232026-09-21полный текст9, 10: обновление 2026-09-02, Modeler/Analyst/Custom Agents, Missions, MCP, права
S40Introducing @RISK Agent: The intelligence layer behind better decisionsLumiverolumivero.com/resources/blog/introducing-risk-agent-the-in…2026-05-042026-09-21полный текст10: beta Claude/MCP к @RISK, интерпретация/review; connector без доплаты, свой LLM; вендор
S41DSSAT OverviewDSSAT Foundationdssat.net/about/без даты2026-09-21полный текст1, 5, 9: входы crop model, what-if по управлению, обязательность сверки с наблюдениями; версия 4.8.6 от 2026-07-01
S42Module 4: Sowing A CropAPSIM Initiativedocs.apsim.info/docs/user-tutorials/module4/modulefourtut…без даты2026-09-21полный текст1, 5, 9: явный what-if эксперимент по удобрениям, срокам сева, норме высева, стартовой влажности
S43Comments on ‘A New Product Growth for Model Consumer Durables’: The Bass ModelFrank M. Bass / Management Sciencepubsonline.informs.org/doi/pdf/10.1287/mnsc.1040.03002004-122026-09-21полный текст1, 5, 11: механизм диффузии, проблема трёх параметров на трёх наблюдениях, price sensitivity как planning tool
S44A New Product Growth for Model Consumer DurablesFrank M. Bass / Management Sciencepubsonline.informs.org/doi/10.1287/mnsc.15.5.2151969-01-012026-09-21аннотация1, 2, 11: исходная модель начальных покупок, тест на 11 категориях consumer durables
S45What is MRR, or monthly recurring revenue? How to calculate, increase and use MRR to guide growthStripestripe.com/en-ch/resources/more/what-is-monthly-recurring…2026-05-112026-09-21полный текст5, 6: MRR и компоненты new, expansion, contraction, churn, reactivation; только референс практики вендора
S46Adjust your appointment settingsSquare Support Centersquareup.com/help/us/en/article/5351-manage-your-square-a…без даты2026-09-21полный текст5, 6, 9: референс длительностей услуг, назначения сотрудников, no-show и экспорта истории
S47Science contributionsAPSIM Initiativedocs.apsim.info/docs/contribute/science-contributionsбез даты2026-09-21полный текст1, 6, 8, 10: единицы переменных, validation против факта, sensibility tests за пределами данных
S48ModulesAnaplan / Anapediahelp.anaplan.com/modules-5d25099d-15ae-426c-ade1-33b658f5…2025-09-042026-09-21полный текст6, 9: модели, модули, Time/Versions/Lists, input/driver/output
S49Anaplan Data OrchestratorAnaplan / Anapediahelp.anaplan.com/anaplan-data-orchestrator-c6188479-0975-…2026-09-032026-09-21полный текст9: импорт, трансформация, загрузка моделей и внешние источники
S50Contact Anaplan OfficesAnaplananaplan.com/contact/без даты2026-09-21полный текст9: pricing URL переадресует на contact, численная цена публично не установлена
S51Get started with Scenarios in PigmentPigmentkb.pigment.com/docs/get-started-scenarios2025-08-222026-09-21полный текст1, 6, 9: Shared/Local scenarios, сравнение inputs/formulas, общая структура и ограничения
S52Unified Business Planning with Data IntegrationsPigmentpigment.com/integrationsбез даты2026-09-21полный текст9: классы integrations; roadmap-ярлыки не следует считать подтверждением доступного connector
S53Pigment — Book a demoPigmentpigment.com/contactбез даты2026-09-21полный текст9: публичный вход через demo/contact, численный тариф не установлен
S54Buy @RISK softwareLumivero Shopshop.lumivero.com/risk-and-decision/at-riskбез даты2026-09-21фрагмент9: annual subscriptions; цены $2900/$3500 лишь в индексированном фрагменте, прямой renderer их не вывел
S55Download AnyLogicThe AnyLogic Companyprd.anylogic.fr/downloads/без даты2026-09-21полный текст9: multimethod, experiments, imports/export, commercial quote, PLE ограничения; релиз 8.9.9 2026-06-18
S56AnyLogic Editions: PLE, Researcher, ProfessionalThe AnyLogic Companyanylogic.help/anylogic/ui/editions.htmlбез даты2026-09-21фрагмент9: PLE только classroom/personal learning, commercial/private research Professional
S57Transparent and Upfront PricingCubecubesoftware.com/pricingбез даты2026-09-21полный текст9: Bronze/Silver/Gold quote-only, Excel/Sheets, scenarios, roles, API add-on, integrations
S58Causal, key player in the financial planning and analysis market, becomes part of the Lucanet GroupLucanetlucanet.com/en/press-releases/causal-joins-the-lucanet-gr…2024-10-312026-09-21полный текст9: приобретение Causal, развитие xP&A CFO Platform
S59Crystal BallOracleoracle.com/applications/crystalball/без даты2026-09-21полный текст9: spreadsheet Monte Carlo, forecasting, Decision Optimizer, trial
S60Vensim PLE PlusVentana Systemsvensim.com/vensim-ple-plus/без даты2026-09-21полный текст9: data connectivity, Monte Carlo sensitivity, views, flight simulator controls
S61Vensim storeVentana Systemsvensim.com/store/без даты2026-09-21полный текст9: отображаемые цены новых лицензий PLE+ $169, Professional $1195, DSS $1995
S62Entering the age of hybrid futures: A comparative study of human and GPT-generated scenariosDiana Kozachek / Futuresdoi.org/10.1016/j.futures.2025.1037052026-022026-09-21фрагмент2, 10: 1080 human и 3240 GPT scenario theses, Delphi N=42; фрагмент Methods через официальный поисковый индекс, прямой open не работает, полный текст не прочитан
S63ForecastBench: A Dynamic Benchmark of AI Forecasting Capabilities (v5; ICLR 2025)Ezra Karger et al.arxiv.org/html/2409.19839v52025-02-282026-09-21полный текст2, 10: v5; 500 public, 39 superforecasters; 200 вопросов и 498 результатов на 4 горизонтах; медианный агрегат SF Brier 0.096 против Claude 0.122, p<0.001
S64Human Preferences in Large Language Model Latent Space: A Technical Analysis on the Reliability of Synthetic Data in Voting Outcome PredictionSarah Ball, Simeon Allmendinger, Frauke Kreuter, Niklas Kühlarxiv.org/html/2502.16280v12025-02-222026-09-21полный текст2, 10: 14 white-box LLM, немецкий электоральный контекст, вариативность и чувствительность prompts; препринт
S65llm_forecastingDanny Halawi et al.github.com/dannyallover/llm_forecastingбез даты2026-09-21полный текст10: публичный код к NeurIPS 2024; news retrieval, relevance, reasoning, aggregation
S66consistency-forecastingDavid Paleka et al.github.com/dpaleka/consistency-forecastingбез даты2026-09-21полный текст10: публичный референс проверки согласованности вероятностных прогнозов

Словарь терминов

What-if analysis анализ «что, если»
вычисление последствий заданного изменения входов, правил или структуры модели.
Scenario planning сценарное планирование
исследование разных возможных будущих контекстов ради сегодняшних решений.
Forecast прогноз
оценка будущего при известной информации и оговорённых условиях, допускающая точку или распределение.
Exploratory / normative исследовательский / целевой
направление сценария от возможных изменений либо от желаемого будущего.
Plausibility правдоподобие
аргументированная возможность сценария, не численная вероятность его наступления.
OSPA Оксфордский подход
сценарная работа через совместное переосмысление рамки ситуации и вариантов действий.
GBN Global Business Network
связанная со Schwartz историческая профессиональная традиция сценарной работы.
Driver-based planning планирование по драйверам
расчёт результатов через операционные входы и зависимости.
FP&A / EPM / xP&A финансовое планирование и анализ / управление эффективностью / расширенное планирование
функции и программные среды объединения финансовых и операционных планов.
Rolling forecast скользящий прогноз
регулярное добавление нового периода к горизонту после обновления факта.
Baseline базовая линия
явно определённая версия условий для сравнения, не обязательно наиболее вероятное будущее.
Horizon scanning сканирование горизонта
систематический сбор внешних сигналов возможных изменений.
Delphi метод Дельфи
несколько раундов экспертных оценок с обратной связью и пересмотром.
Morphological analysis / CCA морфологический анализ / проверка попарной совместимости
построение пространства состояний и отсечение несовместимых сочетаний.
Cross-impact / CIB перекрёстные влияния / баланс влияний
работа с взаимными воздействиями факторов; CIB ищет согласованные конфигурации заданной сети.
Sensitivity analysis / OAT анализ чувствительности / по одному фактору
исследование изменения выхода вслед за входами; OAT фиксирует остальные значения.
Tornado диаграмма «торнадо»
ранжированные полосы эффектов изменения входов; способ расчёта зависит от инструмента.
Morris / Sobol методы глобальной чувствительности
screening значимых факторов и оценка вкладов в дисперсию с определёнными математическими предпосылками.
Monte Carlo Монте-Карло
оценивание распределений результатов через повторную случайную выборку входов.
Calibration / coverage калибровка / покрытие
согласование заявленных вероятностей или уровней интервалов с частотой исходов в сопоставимых повторениях.
Epistemic uncertainty неопределённость знания
незнание параметров, механизмов или структуры модели.
Deep uncertainty глубокая неопределённость
отсутствие согласия о моделях, вероятностях или ценностях для выбора.
Flaw of averages ошибка усреднения
подстановка средних входов в нелинейную модель может не дать среднего выхода.
System dynamics / stock / flow системная динамика / запас / поток
моделирование накоплений, их изменений, задержек и обратных связей.
DES дискретно-событийная симуляция
моделирование процессов через события, очереди и ограниченные ресурсы.
ABM агентное моделирование
моделирование системы через состояния и взаимодействия неоднородных участников.
Warm-up начальный переходный период
участок симуляции до исследуемого режима; нужен не во всех задачах.
Digital twin цифровой двойник
связанная с состоянием реального объекта модель, используемая для мониторинга и исследования действий.
Decision analysis / influence diagram анализ решений / диаграмма влияния
формальная организация выбора, неопределённости, информации и ценности.
Expected utility ожидаемая полезность
математическое ожидание ценности результата по выбранной вероятностной модели.
Real option реальный опцион
заранее созданное право без обязанности выполнить дальнейшее действие на определённых условиях.
Value of information / EVPI / EVSI ценность информации / ожидаемая ценность совершенной информации / ожидаемая ценность выборочной информации
улучшение выбора благодаря полному знанию либо неполному наблюдаемому сигналу; расходы на получение информации учитываются отдельно.
RDM робастное принятие решений
поиск решений и адаптаций, сохраняющих приемлемость при широком наборе предположений.
Regret / minimax regret / maximin сожаление / минимум максимального сожаления / максимум худшего результата
критерии сравнения действий относительно лучшего в каждом мире либо собственного худшего исхода.
Adaptive pathways адаптивные пути
последовательности действий с переходами, зависящими от наблюдаемых условий.
Stress / reverse stress test прямой / обратный стресс-тест
расчёт последствия тяжёлых условий либо поиск условий, приводящих к неприемлемому результату.
Pre-mortem предварительный разбор провала
поиск причин воображаемого уже случившегося провала плана.
Wargaming / adjudication ролевая стратегическая игра / разрешение результатов ходов
проверка взаимодействий решений участников по установленным правилам.
Red teaming независимая критическая проверка
организованное оспаривание допущений, ограничений и устойчивости плана.
Backcasting / windtunnelling обратное построение пути / проверка в сценариях
поиск шагов к целевому будущему и испытание варианта действий в разных контекстах.
Break-even / contribution / P&L безубыточность / маржинальный доход / отчёт о прибылях и убытках
порог покрытия затрат, выручка за вычетом переменных затрат и финансовый результат периода.
Cash-flow денежный поток
поступления и выплаты по времени; отличается от прибыли.
Adoption / churn / cohort принятие продукта / отток / когорта
первые использования, уход активных клиентов и группа с общим стартовым условием.
MRR / run-rate месячная повторяющаяся выручка / темп результата
нормированный месячный объём подписок и экстраполяция текущего состояния на полный период.
Scope / capacity / engineer-days объём работ / мощность / инженерные дни
содержание релиза, доступный ресурс и условная единица инженерной трудоёмкости.
No-show / show-up / waitlist неявка / явка / лист ожидания
состояния записи клиента и очередь для заполнения освободившихся окон.
Whole-farm / Pareto frontier модель всей фермы / Парето-граница
совместная экономика и ресурсы хозяйства; набор альтернатив без улучшения одной цели без ухудшения другой.
Trigger / lead time / persistence триггер / время упреждения / устойчивость сигнала
условие реакции, доступный запас времени и требуемая длительность подтверждения.
Brier score / proper score оценка Брайера / корректная оценочная функция
способ оценить вероятностные прогнозы, стимулирующий честное сообщение вероятностей.
Base rate базовая частота
частота события в подходящем классе сравнения, используемая как исходная точка.
Backtest / drift / structural break проверка на прошлом / дрейф / структурный разрыв
проверка на исторических данных, изменение распределений и смена механизма.
LLM / MCP большая языковая модель / протокол контекста модели
текстовый агент и интерфейс доступа к инструментам и данным.
AST / schema / patch абстрактное синтаксическое дерево / схема / изменение
формальная запись вычисления, структура допустимых данных и явное предложение правки.
Snapshot / immutable run / provenance снимок / неизменяемый расчёт / происхождение
сохранённые входы и результаты с историей основания и версии.
Seed / sample design / copula начальное состояние генератора / схема выборки / копула
средства воспроизводимости, формирования прогонов и описания зависимости распределений.
SIPmath формат стохастических информационных пакетов
референс представления и обмена распределениями и зависимостями.
Non-anticipativity неупреждение информации
запрет использовать ещё неизвестное наблюдение при выборе более раннего действия.
ROI / TCO отдача на инвестицию / полная стоимость владения
результат относительно затрат и совокупность лицензий, внедрения и поддержки.