Fable claude-fable-5-1 · effort max срез: 2026-09-21 источников: 117 слов: 19451 complete

What-if анализ и сценарное моделирование: подходы и практики

Сценарии и what-if как один слой планирования: реестр допущений, модель драйверов, 2–4 сценария с разной логикой, Monte Carlo вместо среднего, signposts и триггеры с планами реакции, журнал проверки фактом. Доказано влияние сценариев на суждения и калибруемость вероятностных оценок; прямого улучшения качества решений конкретной техникой не доказано, эмпирики по малым компаниям нет. LLM к 2026 году неотличимы от суперпрогнозистов на части задач и строят структуру моделей из текста, но числа должна считать модель, а не языковая модель.

Вердикт

Что это. What-if анализ и сценарное моделирование — один слой планирования с двумя концами: качественные сценарии задают согласованные наборы допущений о мире, а what-if по модели драйверов переводит их в числа, распределения и триггеры. Актуальная философия на сентябрь 2026 года: сценарий не прогноз, риск не неопределённость, среднее не распределение, а сценарий без триггера и плана реакции — эссе. Для компании 5–500 человек рабочая связка одна и та же от агрохозяйства до салона: реестр допущений, модель из 5–10 драйверов, два-четыре сценария с разной логикой, Monte Carlo и совместные вариации, reverse stress test, карта signposts и триггеров, журнал проверки фактом.

Главные выводы:

  • Доказано. Сценарии сдвигают суждения экспертов к гибким опциям и снижают framing bias, тренинг с учётом точности улучшает вероятностные суждения, а готовность к будущему коррелирует с результатами фирм.
  • Не доказано. Нет контролируемых данных о том, что конкретная сценарная техника улучшает качество решений, и нет эмпирики по малым компаниям, салонам и продуктовым командам, где источники — практики и вендоры.
  • Ключевое ограничение когнитивное: детализированный сценарий кажется вероятнее, чем он есть, участники якорятся на базовом варианте, а некалиброванные диапазоны делают Monte Carlo умножителем самоуверенности.
  • Самая сильная альтернатива — робастное и адаптивное планирование (RDM, DAPP) для капитальных решений с моделью и rolling forecast с турнирными вероятностями для коротких горизонтов, причём обе отдают предмету идею триггеров.
  • LLM к 2026 году неотличимы от суперпрогнозистов на части проверяемых вопросов и строят структуру моделей из текста, поэтому генерация и критика сценариев, извлечение допущений и мониторинг signposts автоматизируются, а рамка, владение допущениями и решение остаются людям.

Уверенность в философии и таксономии высокая, потому что они подтверждены первоисточниками и обзорами. Уверенность в переносимости на все три сегмента и в машиночитаемой схеме средняя, потому что схема предложена автором и не испытана, а примеры иллюстративны.

Что это и как работает

1.1. Два предмета под одной крышей

What-if анализ — это проверка того, как меняется результат модели при изменении её входов. В простейшей форме это три инструмента электронной таблицы: Scenario Manager хранит наборы значений входов (до 32 ячеек на сценарий), Data Table перебирает одну или две переменные, Goal Seek подбирает один вход под заданный результат факт [S1]. What-if отвечает на вопрос «что будет с результатом, если вход примет значение X» и молчаливо предполагает, что структура модели верна. Он не говорит, насколько правдоподобно значение X и что делать, если оно наступит.

Сценарное планирование — дисциплина построения нескольких внутренне согласованных описаний будущего, нужных не для угадывания исхода, а для изменения представлений тех, кто принимает решения. Пьер Вак, руководитель планирования Shell, противопоставлял сценарии прогнозам: прогнозы исходят из того, что завтрашний мир похож на сегодняшний, и с начала 1970-х ошибки прогнозов стали «более частыми и порой драматическими по масштабу» факт [S2]. Вак разделял predetermined elements (предопределённые элементы: то, что уже произошло и проявится в любом правдоподобном будущем) и critical uncertainties (критические неопределённости: факторы с большим влиянием и неизвестным исходом); цель сценария — дойти до «микрокосма» руководителя, его внутренней модели мира, и перестроить её факт [S3, S4].

Схоже определяет предмет Шумейкер: сценарное планирование — «дисциплинированный метод воображения возможных будущих», направленный против самоуверенности и туннельного зрения, характерных для многих решений факт [S5]. Оксфордский подход (Oxford Scenario Planning Approach, OSPA) добавляет социальное измерение: сценарии — это процесс совместного обучения в условиях TUNA (turbulence, uncertainty, novelty, ambiguity), где качественное осмысление контекста предшествует количественному моделированию, а 50–80 % внимания уходит на контекстную среду, а не на сам план мнение [S6].

Связка двух предметов такая: сценарий задаёт согласованный набор допущений о внешнем мире, what-if переводит эти допущения через модель драйверов в числа, а решение и триггеры замыкают контур гипотеза. Дальше в отчёте оба предмета рассматриваются как один слой планирования с двумя концами: качественным и количественным.

1.2. Четыре различения, на которых держится философия

Различение Суть Практическое следствие Источник
Прогноз против сценария Прогноз — утверждение о наиболее вероятном значении при сохранении структуры. Сценарий — правдоподобная согласованная траектория при явно заданных допущениях USDA называет свои десятилетние проекции «одним правдоподобным сценарием», а не прогнозом: без шоков, со сглаженной макроэкономикой, неизменной политикой и нормальной погодой факт [S7]. OECD-FAO позиционирует baseline как «правдоподобные и согласованные сценарии», а не как «точные погодовые прогнозы» факт [S8] [S7, S8]
Риск против неопределённости По Найту риск измерим (известны шансы), неопределённость неизмерима (шансов знать нельзя) факт [S9]. Глубокая неопределённость — когда стороны не знают или не согласны насчёт модели системы, распределений входов и того, какие последствия важны факт [S10] Для риска годятся распределения и Monte Carlo; для неопределённости — сценарии, робастность и адаптивные пути [S9, S10]
Точечная оценка против распределения «Flaw of averages»: подстановка одного среднего числа вместо распределения даёт систематически неверный результат, математическая основа — неравенство Йенсена факт [S11, S12] Неопределённые входы хранятся как распределения или массивы реализаций (SIP), а не как «базовые значения» [S11, S12]
Калиброванное суждение против уверенного Калибровка означает, что заявленные 90 % интервалы содержат истину примерно в 90 % случаев; нетренированные эксперты систематически переоценивают уверенность факт [S13] Диапазоны в реестре допущений должны идти от калиброванных людей или от данных, иначе Monte Carlo умножает самоуверенность [S13]
Exploratory против normative Exploratory-сценарии спрашивают «что может случиться», normative — «как прийти к заданной цели». Backcasting — нормативный инструмент: сначала желаемое будущее, затем шаги назад к настоящему факт [S14, S15] Для планирования компании нужны оба: exploratory для внешней среды, normative для целей и дорожных карт [S14, S15]

1.3. Таксономия подходов с механикой

Ниже все классы, входящие в границы темы, с входами, процедурой, смыслом результата, допущениями и точками поломки. Классы сгруппированы по тому, что они делают с неопределённостью: описывают, измеряют, симулируют, структурируют решение или проверяют план.

Класс A. Качественные сценарии: описать пространство будущего

Метод Входы Процедура Что означает результат Допущения Где ломается
Intuitive logics (Shell, GBN) Фокусное решение, движущие силы, экспертные интервью Восемь шагов Шварца: фокусный вопрос, ключевые факторы, макросилы, ранжирование по важности и неопределённости, выбор логик сценариев (часто матрица 2×2 из двух критических неопределённостей), проработка, следствия, ведущие индикаторы и signposts факт [S16] Два-четыре нарратива, каждый согласован внутри и отличается по логике, а не по «оптимизму» Ключевые неопределённости выявлены и сводимы к нескольким осям; участники способны отказаться от «официального будущего» Сценарии читаются как прогнозы; более четырёх сценариев; нет привязки к решению; выбранные оси оказываются не самыми важными мнение [S3, S16]
OSPA (Oxford) Контекстная среда (силы вне влияния), транзакционная среда (партнёры, клиенты), ментальные рамки участников Итеративный цикл: рефрейминг и репресепция вместе с «учеником» (learner), качественное до количественного, повторные итерации Новые рамки восприятия и репетированные ответы, а не план Условия TUNA; готовность руководства учиться, а не защищать план Когда организации нужен точный расчёт, а не переосмысление; когда нет времени на итерации мнение [S6]
General Morphological Analysis (Ritchey) 6–10 параметров по 3–5 значений Морфологическое поле всех комбинаций, затем cross-consistency assessment: попарная проверка совместимости значений, отсев противоречивых, получение solution space факт [S17] Множество внутренне согласованных конфигураций, из которых собираются сценарии Параметры определены чётко; группа мультидисциплинарна; есть фасилитатор Размытые параметры дают «мусор на входе»; не подходит для чисто количественных задач факт [S17]
Cross-impact analysis 10–40 событий с базовыми и условными вероятностями Матрица условных вероятностей, симуляция Monte Carlo, отбор вероятных комбинаций факт [S18] Согласованные наборы событий с оценкой вероятности Эксперты умеют оценивать условные вероятности Качество экспертных вероятностей; математические ограничения при отрицательных влияниях факт [S18]
Delphi Панель экспертов, вопросник Анонимные раунды с обратной связью и статистикой группы до критерия остановки факт [S19] Сходящаяся оценка и разброс мнений Панель компетентна; анонимность снимает давление Давление к консенсусу; некомпетентная панель; смешанные результаты точности факт [S19]
Horizon scanning Потоки новостей, патенты, регуляторика, PESTLE Систематический сбор слабых сигналов и трендов для выявления угроз и возможностей факт [S14] Список сигналов с оценкой значимости; вход для сценариев Сигналы распознаваемы заранее Информационный шум; сигналы без владельца и без решения

Класс B. Количественный what-if: измерить чувствительность

Метод Входы Процедура Что означает результат Допущения Где ломается
One-way what-if и tornado Модель, низкое, базовое и высокое значение каждого входа Каждый вход варьируется при фиксированных остальных; размахи выхода сортируются по величине факт [S20] Ранжирование драйверов по влиянию на результат Влияния независимы и близки к линейным Не ловит взаимодействия; при пяти входах покрывает менее 1 % пространства входов факт [S20, S21]
Multi-way what-if и глобальная чувствительность Диапазоны всех входов Совместное варьирование (Morris screening, индексы Sobol) с разложением дисперсии выхода по входам факт [S21] Доля дисперсии результата, объяснённая каждым входом и взаимодействиями Диапазоны входов заданы честно Дорого для тяжёлых моделей; требует статистического дизайна
Break-even Постоянные затраты, маржа вклада, цена, объём Объём или загрузка, при которых результат равен нулю; варианты по загрузке Порог, ниже которого модель не работает Постоянные и переменные затраты разделены верно Смешение комиссионной и окладной оплаты, недоучёт постоянных затрат мнение [S22]
Driver-based planning Немногие материальные драйверы, которыми руководство управляет и которые понимает Результаты выражаются как функции драйверов; сценарии — наборы значений драйверов; rolling forecast обновляет их регулярно факт [S23] Прогноз, объяснимый через «почему», а не только «что» Драйверы независимы и стабильны; связи известны Перегрузка драйверами «под всех», зависимость от Excel, невозможность быстро прогнать сценарий, устаревание связей при смене бизнеса мнение [S23]
Rolling forecast Фактические данные, драйверы, горизонт 12–18 месяцев Регулярное обновление прогноза со сдвигом горизонта вместо годового бюджета Постоянно актуальный базовый сценарий Есть ритм и владельцы; данные приходят вовремя Ритм без решений превращается в отчётность; 61 % компаний в опросе FP&A Trends заявляют регулярный rolling forecast, но лишь 3 % — сценарное управление в реальном времени эмпирика [S24]

Класс C. Вероятностное моделирование: измерить распределение

Метод Входы Процедура Что означает результат Допущения Где ломается
Monte Carlo Распределения входов, корреляции Тысячи прогонов модели со случайными реализациями входов Распределение результата: вероятность убытка, хвосты, диапазон Распределения и корреляции заданы осмысленно Некалиброванные входы; игнорирование корреляций; ложная точность выхода при мусорных входах мнение [S11, S13]
Probability management и SIPmath SIP — массив реализаций с метаданными; SLURP — набор SIP с сохранёнными связями Неопределённость хранится как данные и складывается арифметически; стандарт SIPmath 2.0 (2016) и 3.0 на JSON факт [S11, S12] Переносимые между моделями распределения, «подчиняющиеся законам арифметики и вероятности» Есть источник реализаций (данные или калиброванные эксперты) Дисциплина ведения библиотек; редкость компетенции
Калиброванные оценки (Hubbard) Экспертные 90 % интервалы Тренировка калибровки, затем измерение там, где высока ценность информации (Applied Information Economics) вендор [S13] Диапазоны, которым можно доверять как входам Monte Carlo Калибровка переносима между задачами Эксперты без тренировки; оценка того, что уже измеримо дешевле

Класс D. Динамические симуляции: увидеть поведение во времени

Метод Входы Процедура Что означает результат Допущения Где ломается
Системная динамика (Sterman) Запасы, потоки, петли обратной связи, задержки, нелинейности Формальная модель структуры, симуляция поведения, проверка ментальных моделей факт [S25] Траектории во времени: колебания, насыщение, запаздывающие эффекты Структура известна лучше, чем будущие значения Люди систематически неверно воспринимают обратную связь и задержки: в «пивной игре» команды генерируют колебания даже при полной информации эмпирика [S26, S27]
Дискретно-событийное моделирование (DES) События, очереди, сущности, ресурсы, распределения времени Часы прыгают от события к событию; накапливаются статистики по многим прогонам факт [S28] Пропускная способность, ожидания, загрузка ресурсов как распределения Процесс описывается очередями и ресурсами Нет правила остановки; нет данных о распределениях времени [S28]
Агентное моделирование (ABM) Гетерогенные агенты, правила, топология взаимодействий, среда Симуляция микроповедения, наблюдение эмерджентных макроэффектов факт [S29] Диффузия, сетевые эффекты, рынки «снизу вверх» Правила агентов известны и калибруемы Верификация и валидация: похожие модели дают разные результаты; вычислительная стоимость [S29]
Мультиметодные среды Все три парадигмы в одной модели Комбинация SD, DES и ABM (например, AnyLogic) факт [S30] Модель уровня «управленческий тренажёр» Есть компетенция моделирования Стоимость входа для компании 5–500 человек
Цифровой двойник Синхронизированные данные физического объекта, модель Виртуальная модель, обновляемая данными объекта, с обратной связью; ISO 23247 задаёт рамку для производства факт [S31, S32] Среда для what-if на актуальном состоянии объекта Синхронизация и качество данных В агросекторе технология в зачаточном состоянии: из 34 работ 2018–2023 лишь одна система готова к развёртыванию, большинство — «цифровые тени» без обратной связи эмпирика [S33]

Класс E. Структуры решений под неопределённостью

Метод Входы Процедура Что означает результат Допущения Где ломается
Decision analysis и деревья решений (Howard) Альтернативы, вероятности, ценности Шесть элементов качества решения: рамка, альтернативы, информация, ценности и компромиссы, рассуждение, приверженность действию факт [S34]; дерево с ожидаемыми значениями Лучшая альтернатива при явных вероятностях и ценностях; качество решения отделено от исхода Вероятности и ценности выразимы Ложные вероятности; «правильный» ответ без приверженности
Ценность информации (EVPI) Дерево решений с неопределённостями EVPI = ожидаемая ценность с идеальной информацией минус без неё; верхняя граница цены за информацию факт [S35] Что стоит измерять перед решением, а что нет Модель решения адекватна Игнорируется, когда измерение «и так понятно»
Реальные опционы Неопределённость, гибкость (отложить, расширить, свернуть, переключить) Оценка биномиальной решёткой, Black-Scholes, Monte Carlo или деревом решений факт [S36] Ценность гибкости, которой нет в статичном NPV Высокая неопределённость и реальная возможность управлять опционом В 2002 году лишь 1,6 % финансовых директоров Fortune 1000 применяли метод; барьеры — сложность, «чёрный ящик», отсутствие экспертизы эмпирика [S37]

Класс F. Проверка плана: где он ломается

Метод Входы Процедура Что означает результат Допущения Где ломается
Стресс-тест Базовая модель, «суровые, но правдоподобные» сценарии Прогон модели через шок, оценка запаса прочности; принципы Базельского комитета 2018 требуют управления, методологии и использования результатов в решениях факт [S38] Насколько план выдерживает шок Шок задан правдоподобно Шок задан удобно; результаты не влияют на решения
Reverse stress test Точка нежизнеспособности бизнеса От заданного провала назад к сценариям, которые к нему ведут, и к их правдоподобию факт [S38] Карта уязвимостей бизнес-модели Провал определён конкретно Абстрактный провал без числа; нет плана смягчения
Pre-mortem (Klein) Проект или план, команда Команда допускает, что план уже провалился, и перечисляет причины «что пошло не так» вместо «что может пойти не так» факт [S39, S40] Список рисков, высказанных без давления группы Психологическая безопасность высказывания Если провал невозможен, найденные угрозы могут быть нереальными [S39]
Wargaming Стратегия, команды «компания», «конкуренты», «контроль», «рынок» Несколько раундов ходов и контрходов; рынок распределяет доли; разбор факт [S41, S42] Проверенная на реакцию соперников стратегия Умеренная неопределённость и известные конкуренты Быстро меняющиеся рынки; дорогая подготовка [S42]
Backcasting Желаемое будущее От цели назад к шагам и политикам факт [S15] Путь к цели с проверкой выполнимости Цель определена Локальные принципы порождают проблемы в других местах [S15]

Класс G. Адаптивное планирование при глубокой неопределённости

Метод Входы Процедура Что означает результат Допущения Где ломается
Robust Decision Making (RAND) Модель как генератор случаев, множество будущих Exploratory modeling: прогон стратегий через тысячи будущих; scenario discovery: статистический поиск условий провала факт [S43] Стратегия, которая приемлема во многих будущих, и карта её уязвимостей Есть симуляционная модель и несколько стратегий Нет модели; одна стратегия; предпочтение «оптимума»
Dynamic Adaptive Policy Pathways Adaptation tipping points, набор действий Карта путей, signposts (что отслеживать) и triggers (пороговые значения), план мониторинга и contingency-действия факт [S44] Последовательности решений с точками переключения Условия провала действий можно задать заранее Без мониторинга карта путей мертва
Assumption-Based Planning Явные и неявные допущения плана Выделение критичных допущений, тесты, signposts, действия при нарушении факт [S45] План с известными «несущими» допущениями Допущения можно вытащить наружу Реестр без владельцев и без проверки

Класс H. Калибровка суждений

Метод Входы Процедура Что означает результат Допущения Где ломается
Superforecasting (Tetlock) Вопросы с проверяемым разрешением, вероятности Тренинг, команды, отслеживание и агрегирование; точность по Brier score эмпирика [S46] Калиброванные вероятности событий как входы сценариев и триггеров Вопросы формулируются проверяемо Вопросы без срока и критерия разрешения; отсутствие обратной связи по факту

1.4. Как сценарии соединяются с решениями

Сценарий без решения — эссе. В интуитивной логике связка задана последними шагами: следствия для фокусного решения и выбор ведущих индикаторов и signposts, по которым видно, какой сценарий разворачивается факт [S16]. В адаптивном планировании эта связка формализована: у каждого действия есть adaptation tipping point (условия, при которых оно перестаёт работать), signposts (какие переменные наблюдать) и triggers (пороги, запускающие переход к другому пути) факт [S44]. Assumption-Based Planning делает то же на уровне допущений: критичное допущение получает signpost и заранее продуманные действия на случай нарушения факт [S45].

Из этого следует минимальная структура связи, которую можно сделать машиночитаемой гипотеза:

  • Сценарий = набор допущений о внешних драйверах + логика их сочетания.
  • Допущение = утверждение о будущем с диапазоном, владельцем, датой проверки и источником.
  • Драйвер = переменная модели, через которую допущение попадает в результат.
  • Signpost = наблюдаемая метрика, отличающая один сценарий от другого.
  • Trigger = порог signpost, который запускает заранее описанный план реакции.
  • План реакции = действия с ответственным, сроком и стоимостью, привязанные к триггеру.

1.5. Связь с моделью драйверов

Модель драйверов — это место, где сценарии становятся числами. Практика FP&A требует немногих материальных драйверов, которые руководство «понимает, оспаривает и на которые влияет», и именно такая модель «позволяет быстро прогонять сценарии» мнение [S23]. Полная схема выглядит так гипотеза:

  1. Дерево результатов: выручка, маржа, денежный поток, загрузка.
  2. Драйверы: цена, объём, конверсия, отток, урожайность, загрузка кресел.
  3. Допущения: диапазон каждого драйвера с источником и датой.
  4. Сценарии: именованные наборы значений допущений, согласованные между собой.
  5. What-if: одиночные и совместные вариации драйверов внутри сценария.
  6. Распределения: там, где драйвер измерим, вместо точки хранится диапазон или SIP.

1.6. Чем предмет не является

  • Не статистическое прогнозирование. Временные ряды и ML дают вход в базовый сценарий, но не описывают альтернативные структуры мира гипотеза.
  • Не оценка деривативов. Реальные опционы заимствуют математику опционов, но для компании 5–500 человек рабочая форма — дерево решений с ценностью гибкости, а не Black-Scholes мнение [S37].
  • Не версия бюджета. Версия — административная копия плана (например, «бюджет», «прогноз Q2»); сценарий — согласованный набор допущений о мире. Инструменты разводят эти понятия: в Pigment сценарии служат быстрым ad-hoc сравнениям, а версии — повторяемым циклам планирования вендор [S47].
  • Не оптимизация. Целевые модели (например, whole-farm LP) ищут максимум прибыли при заданных условиях, а сценарии проверяют, что случится при других условиях гипотеза.

Актуальность и доказательная база на дату среза

2.1. Распространённость по сегментам и тренд

Финансовое планирование (FP&A). По опросу FP&A Trends конца 2024 года 61 % организаций регулярно обновляют rolling forecast, 24 % обновляют прогноз по внутренним или внешним триггерам, 3 % имеют прогнозирование на данных реального времени со сценарным управлением, а 12 % держатся единого годового плана эмпирика [S24]. Опрос 2025 года того же издания: полностью driver-based модели есть лишь у 17 %, при этом 77 % пользователей таких моделей оценивают свои прогнозы как хорошие или отличные; 46 % времени FP&A уходит на сбор и проверку данных, 29 % организаций тратят более 10 дней на один прогноз, и только 11 % полностью связали стратегическое, финансовое и операционное планирование эмпирика [S48]. Это отраслевой опрос без раскрытой методологии выборки, поэтому числа — ориентир, а не измерение популяции.

Практики описывают тренд так: крупные сценарные упражнения запускаются значимыми событиями, которые делают текущие бюджеты устаревшими: COVID-19 в 2020 году, инфляция и рост ставок в 2022 году мнение [S49]. Рабочая форма 2025 года — «scenario management»: 5–10 ключевых драйверов, определённые триггеры переключения между сценариями, playbooks по рискам и возможностям, ежедневные прогоны альтернатив при тарифных изменениях мнение [S50]. Тренд растущий по частоте упоминаний, но доля компаний с реальным сценарным управлением остаётся малой (3 % по опросу выше).

Агросектор. Здесь сценарии институционализированы на уровне отраслевых outlook-отчётов и валидированных моделей:

  • USDA ежегодно в феврале выпускает десятилетние проекции как «один правдоподобный сценарий» при условных допущениях факт [S7].
  • OECD-FAO выпускает десятилетний outlook (издание 2025–2034 вышло 22 июля 2025 года) со сценарными симуляциями, например совместимость ликвидации недоедания к 2034 году со снижением выбросов на 7 % факт [S51]. По описанию методологии baseline дополнен частичным стохастическим анализом, где ключевые переменные варьируются по исторической дисперсии; страница методологии отвечала 403, число прогонов не проверено факт [S52].
  • Модели урожайности зрелые: DSSAT v4.8.6 вышла 1 июля 2026 года, включает модели более 45 культур и «виртуальные эксперименты за минуты» для what-if по срокам сева, азоту и орошению факт [S53].
  • Цифровые двойники ферм, напротив, в зачаточном состоянии эмпирика [S33].
  • Экономическая ценность сезонных климатических прогнозов для решений фермы «часто низкая и сильно вариабельная» и зависит от точности прогноза, отрасли и текущих условий эмпирика [S54].

Продуктовая разработка. Модель диффузии Bass остаётся стандартным способом описать adoption: параметры p (внешнее влияние, типично 0,01–0,03) и q (имитация, типично 0,3–0,5) взяты из эмпирических исследований потребительских товаров и технологий факт [S55]. В SaaS-практике консультанты рекомендуют стресс-тест модели через удвоение оттока, рост CAC и потерю крупнейшего клиента, с выводом ARR, runway и burn по каждому случаю мнение [S56]. Эмпирики о доле продуктовых компаний, ведущих сценарии, не найдено.

Салон красоты. Практика существует на уровне шаблонов и вендорских блогов: три сценария загрузки 40/60/80 %, ориентир 5 месяцев до безубыточности и тревога после 8 месяцев вендор [S22]; целевая загрузка мастера 75 %+, доля труда ниже 55 % выручки вендор [S57]. Это не эмпирика, а ориентиры продавцов шаблонов и ПО.

LLM и агенты. Прогнозирующие способности моделей за два года прошли путь от отставания на ForecastBench до статистической неразличимости с суперпрогнозистами на части задач и незначимого отставания от профессионалов Metaculus эмпирика [S58, S59, S60]; подробности в 2.2. Вендоры FP&A с конца 2025 года выпускают агентов для сценарного анализа (подробно в 2.3).

2.2. Научная и эмпирическая база

Что доказано о сценарном планировании

Исследование Дизайн Результат Ограничения
Phadnis, Caplice, Sheffi, Singh, Strategic Management Journal 2015 Три полевых эксперимента с отраслевыми экспертами, оценивающими долгосрочные инвестиционные решения Множественные сценарии не меняют общую уверенность экспертов, но суждение сдвигается в сторону того, как инвестиция ведёт себя в показанном сценарии; после нескольких сценариев эксперты предпочитают более гибкие опции эмпирика [S61] Эффект модерируется исходной уверенностью; прочитана аннотация
Meissner, Wulf, Technological Forecasting and Social Change 2013 Эксперимент со сценарным процессом в стратегическом решении Сценарное планирование снижает framing bias и повышает качество решения; эффект даёт только полное применение процесса эмпирика [S62] Доступна только аннотация через поисковую выдачу; размер выборки не проверен
Rohrbeck, Kum, Technological Forecasting and Social Change 2018 Лонгитюд: «готовность к будущему» измерена в 2008 году, результаты фирм в 2015 году Готовность к будущему — «мощный предиктор» превосходной прибыльности и роста капитализации эмпирика [S63] Корреляционный дизайн; часто цитируемые 33 % и 200 % видны только во вторичных пересказах, в аннотации их нет; число фирм не проверено
Wright, Bradfield, Cairns, Technological Forecasting and Social Change 2013 Синтез литературы по intuitive logics и его расширениям Метод достигает целей «понимание причинности» и «вызов привычному мышлению», но ни одно расширение, кроме multi-attribute value analysis, не адресует напрямую цель «улучшить решение»; термин «scenario planning» назван misnomer эмпирика [S64] Обзор, а не эксперимент
Bradfield и соавторы, Futures 2005 Историко-методологический обзор В поле «методологический хаос» с противоречивыми определениями; выделены три школы техник факт [S65] Аннотация

Итог по сценариям: доказано влияние на суждения и рамки, доказана связь корпоративного форсайта с результатами на уровне корреляции, не доказано прямое улучшение качества решений в контролируемых условиях за пределами одного-двух экспериментов гипотеза.

Что доказано о суждениях и калибровке

  • Детализированные сценарии кажутся вероятнее, чем они есть. Conjunction fallacy (Tversky и Kahneman, 1983): добавление деталей делает сценарий правдоподобнее для человека и математически менее вероятным эмпирика [S66]. Это главный когнитивный риск нарративных сценариев.
  • Эксперты плохо прогнозируют на 3–5 лет. В исследовании Тетлока 1984–2003 годов 284 эксперта дали около 28 000 прогнозов и оказались лишь немного точнее случайности и обычно хуже простых экстраполяций эмпирика [S67]. На горизонте до 12 месяцев картина иная: в турнире IARPA 2011–2015 годов команда Good Judgment была на 35–72 % точнее других исследовательских команд и, по сообщениям, на 30 % точнее аналитиков с доступом к секретной информации; работали тренинг, команды и алгоритмическое агрегирование эмпирика [S46, S67].
  • Калибровку можно тренировать. Hubbard Decision Research заявляет более 3000 обученных и типичное улучшение после упражнений с обратной связью; числа «до и после» на открытых страницах не приведены вендор [S13, S68].
  • Внешний взгляд бьёт внутренний. Reference class forecasting: распределение результатов похожих проектов вместо детального плана; в проекте трамвая Эдинбурга внутренняя оценка резерва была 25 %, оценка по референтному классу — 57 % на 80-м процентиле, фактическая стоимость превысила и её эмпирика [S69].
  • Обратную связь и задержки люди воспринимают неверно. В «пивной игре» команды генерируют колебания и высокие издержки даже при полной информации эмпирика [S26].

Что доказано о количественных методах

  • One-at-a-time чувствительность недостаточна. Обзоры Saltelli показывают, что большинство опубликованных анализов чувствительности выполнены без статистического дизайна, по одному фактору, и не видят взаимодействий; в модели растения из 52 параметров только 12–14 оказались значимыми, что OAT не выявил бы эмпирика [S70, S21].
  • Точность baseline-проекций падает с горизонтом. Для риса и пшеницы в ЕС, США и Китае ошибка проекций USDA и OECD-FAO растёт с горизонтом, есть систематические смещения по регионам; при горизонте 9 лет лишь 7 наблюдений эмпирика [S8].
  • Реальные опционы почти не используются. 1,6 % финансовых директоров Fortune 1000 в 2002 году; авторы 2023 года считают, что ситуация мало изменилась эмпирика [S37].
  • Pre-mortem опирается на prospective hindsight. Эффект показан Mitchell, Russo и Pennington в 1989 году; часто цитируемая цифра «+30 % причин» в первоисточнике не проверена факт [S39].
  • Цифровые двойники в агро — прототипы. Из 34 работ 2018–2023 годов одна система готова к развёртыванию, 21 прототип, 12 концепций; большинство — «цифровые тени» без обратной связи эмпирика [S33].

Что доказано о LLM в прогнозировании и моделировании

Исследование Дизайн Результат
ForecastBench, ICLR 2025 (Karger и соавторы) 1000 автоматически генерируемых вопросов о будущем, ночное обновление лидерборда На старте (N=200) суперпрогнозисты Brier 0,096, публика 0,121, лучшая LLM 0,122; эксперты статистически лучше (p<0,001) эмпирика [S58]
Forecasting Research Institute, июль 2026 Тот же бенчмарк, обновлённые модели Несколько систем статистически неотличимы от суперпрогнозистов на dataset-вопросах; market-вопросы остаются труднее; данные людей собраны в 2024 году, интервалы сильно перекрываются эмпирика [S59]
Metaculus FutureEval, весна 2026 173 бота, 297 вопросов, 10 профессионалов на 99 общих вопросах Профессионалы впереди на 1,25 балла на вопрос, разница незначима (p=0,247); годом ранее разрыв был 20 баллов эмпирика [S60]
Schoenegger и соавторы, Science Advances 2024 Ансамбль 12 LLM против 925 людей на 31 бинарном вопросе за 3 месяца LLM-«толпа» неотличима от человеческой; показ медианы людей повышает точность GPT-4 и Claude 2 на 17–28 %; у моделей найден acquiescence bias эмпирика [S71]
Paleka и соавторы, 2025 Методологический разбор оценок Утечки во времени и разрыв между бенчмарком и реальным прогнозом; призыв к осторожности с заявлениями о «паритете» эмпирика [S72]
Liu, Keith, 2025; Hosseinichimeh и соавторы, 2024 LLM строит causal loop diagrams из текста; сравнение с экспертными Для простых структур качество сопоставимо с экспертным; «System Dynamics Bot» находит около 60 % связей и петель эмпирика [S73, S74]

2.3. Практическая база: отчёты, кейсы, вендоры

  • Практика FP&A описана в статьях практиков: роли (владелец CFO или CEO, дивизиональные CFO, корпоративный FP&A как мост, моделисты), запуск по событиям, ежедневные прогоны при тарифах, 5–10 драйверов и триггеры переключения мнение [S49, S50].
  • Вендоры FP&A с конца 2025 года заявляют агентов: Anaplan представила 9 декабря 2025 года CoModeler и ролевых аналитиков, которые «моделируют сценарии», выявляют отклонения и «выполняют одобренные изменения» при человеческом надзоре вендор [S75]; Pigment утверждает, что ИИ «генерирует множество сценариев за минуты», признавая, что чёрные лебеди не предсказуемы и нужны качественные данные вендор [S76]; Cube называет себя «agentic FP&A platform» с четырьмя типами агентов и интеграцией через MCP вендор [S77]; Causal после поглощения перенаправляет на Lucanet xP&A с «Modeler Agent» вендор [S78].
  • Shell ещё в 1965 году внедрила компьютеризированное планирование UPM и вскоре поняла, что многие обязательства выходят за шестилетний горизонт прогноза, что и привело к сценариям факт [S79]; полный текст статьи Wilkinson и Kupers закрыт подпиской.
  • Ускоренные сценарии с GenAI. Ramírez и соавторы в декабре 2025 года описали ускоренный процесс с фокусом на конечных пользователях стратегии, выявлением скрытых допущений и применением генеративного ИИ, с кейсами Fazer и Unum мнение [S80]; HBR в 2023 году предлагает GenAI для стадий создания сценариев и генерации стратегий, полный текст закрыт мнение [S81].
  • Исследовательские прототипы LLM-сценариев: генерация макроэкономических стресс-сценариев для G7 с проверками правдоподобия и ANOVA-разложением дисперсии эмпирика [S82]; извлечение компонентов моделей из описаний заинтересованных сторон с «приемлемыми результатами после нескольких итераций с человеческой проверкой» эмпирика [S83]; генерация сценариев политики с оценкой 234 участниками по серьёзности, правдоподобию, масштабу эмпирика [S84].

2.4. Мнение отрасли: кто поддерживает, кто критикует

  • За. Оксфордская школа считает сценарии ответом на TUNA и процессом обучения [S6]. Практики FP&A считают одноточечные планы устаревающими «почти сразу» [S50]. Вендоры продают сценарии как функцию платформ [S75, S76, S77].
  • Против: связь с решением. Wright и соавторы: intuitive logics не доводит до решения [S64].
  • Против: когнитивные ловушки. Сценарии используются как прогнозы, участники «якорятся» на одном сценарии, самые трансформирующие изменения кажутся неправдоподобными, чёрные лебеди остаются вне поля мнение [S3]. Технике не хватает научной проверки, а прогнозы меняют поведение и самоопровергаются мнение [S16].
  • Против: ложная точность. Savage: планы на средних значениях «обычно идут не так» мнение [S85, S11]. Sterman: все модели ошибочны, нужна дисциплина и смирение мнение [S27].
  • С оговорками: технологии. Термин «цифровой двойник» размывается до маркетинга [S31, S33]. Европарламент о GenAI в форсайте: галлюцинации, гомогенизация перспектив, самоуверенность, необходимость человеческого надзора мнение [S86].

2.5. Главные споры

  1. Сценарии как обучение или как инструмент решения. OSPA настаивает на первом [S6], Wright и соавторы требуют второго и предлагают multi-attribute value analysis [S64]. Для компании 5–500 человек спор решается связкой: нарратив для рамки, драйверы и триггеры для решения гипотеза.
  2. Ставить ли вероятности на сценарии. Школа Shell избегает вероятностей ради правдоподобия [S3]; cross-impact и суперпрогнозирование строятся на вероятностях [S18, S46]. Компромисс практики: вероятности на измеримые signposts, а не на нарративы гипотеза.
  3. Сколько сценариев. Два-четыре нарратива [S16] против тысяч будущих в exploratory modeling [S43]. Это разные инструменты: первые для рамки, вторые для проверки робастности.
  4. Достигли ли LLM паритета с людьми в прогнозах. Данные за 2026 год говорят о неразличимости на части задач [S59, S60], методологи предупреждают об утечках и разрыве с реальностью [S72].
  5. Мало драйверов или полная модель. Практики FP&A за «немногие материальные драйверы» [S23], глобальная чувствительность требует варьировать все входы совместно [S70]. Совместимо: мало драйверов в плане, полный набор в анализе чувствительности модели гипотеза.

2.6. Что изменилось за 2016–2026 и как это влияет на выводы

  • 2016. Вышла книга Ramírez и Wilkinson об OSPA; принят стандарт SIPmath 2.0 для хранения неопределённости как данных факт [S6, S11].
  • 2020–2022. COVID-19 и инфляция стали триггерами массового возврата к сценариям в FP&A мнение [S49]; rolling forecast стал нормой для большинства опрошенных эмпирика [S24].
  • 2024–2026. LLM прошли путь от Brier 0,122 против 0,096 у суперпрогнозистов до статистической неразличимости на части вопросов эмпирика [S58, S59, S60]; появились LLM-инструменты для построения causal loop diagrams [S73, S74]; вендоры FP&A выпустили агентов [S75, S76, S77]; исследователи OSPA описали ускоренный сценарный процесс с GenAI [S80].
  • 2026. DSSAT v4.8.6 (июль) и продолжение работ по цифровым двойникам ферм при сохраняющейся незрелости факт [S53, S33].

Следствие для выводов: стоимость генерации сценариев и прогонов what-if упала, а дефицитом стали калиброванные допущения, согласованность сценариев и связка с решениями через триггеры. Именно на них строятся артефакты и машиночитаемая структура в разделах 6 и 10 гипотеза.

Где применимо и где нет, плюсы и минусы

Предмет оценки здесь — связка «сценарии + what-if по модели драйверов + триггеры» как слой планирования компании. Отдельные методы из таксономии раздела 1 оцениваются внутри пунктов.

Подходит, когда

  • Решение долгосрочное и необратимое, а внешняя среда неопределённа, а не просто рискованна. Сценарии меняют рамку восприятия и сдвигают экспертов к более гибким опциям после нескольких сценариев эмпирика [S61]; при глубокой неопределённости распределений нет, и прогноз заменяется набором правдоподобных будущих [S10, S43].
  • Есть несколько материальных драйверов, которыми руководство управляет. Тогда what-if по модели драйверов даёт ответ за минуты и объясняет «почему», а не только «что» мнение [S23]; 77 % компаний с такими моделями довольны прогнозами эмпирика [S48].
  • Горизонт до 12–18 месяцев для количественной части. Точность суждений на таком горизонте поддаётся тренировке и агрегированию эмпирика [S46, S67], тогда как на 3–5 годах эксперты едва лучше случайности [S67]. Дальше работают нарративные сценарии, а не числа.
  • Неопределённость измерима хотя бы диапазонами. Тогда Monte Carlo и SIP превращают диапазоны в распределение результата, а не в «базовый случай» с иллюзией точности факт [S11, S12].
  • Есть операционная модель с очередями, ресурсами или обратной связью. Салонное расписание, ёмкость команды, севооборот и запасы — задачи DES, системной динамики и агромоделей, где what-if по таблице врёт из-за задержек и нелинейностей эмпирика [S26, S28, S53].
  • Организация готова связывать сценарии с действиями. Signposts, триггеры и заранее описанные реакции — то, что отличает работающее адаптивное планирование от отчёта факт [S44, S45].
  • Нужно снять давление группы перед крупным решением. Pre-mortem и wargaming дают формат, в котором сомнения высказываются без риска для говорящего факт [S39, S41].

Не подходит, когда

  • Нужен точный краткосрочный прогноз спроса, продаж или загрузки на недели. Здесь работают статистика и ML на исторических данных; сценарии лишь задают, в каком режиме мира действует прогноз гипотеза. Обзоры показывают, что доказательства эффективности сценарного планирования есть, но влияние конкретных техник не установлено эмпирика [S87].
  • Руководство ждёт от сценариев ответа «что будет». Сценарии, прочитанные как прогноз, порождают якорение на одном варианте и ложную точность мнение [S3]; детализированный нарратив кажется вероятнее, чем он есть эмпирика [S66].
  • Нет владельца допущений и ритма проверки фактом. Модель без реестра допущений становится «Excel с числами, в которые никто не верит»; практики называют зависимость от Excel и невозможность быстро прогнать сценарий типичными провалами мнение [S23].
  • Команда меньше пяти человек и решение обратимо. Стоимость сценарного процесса (интервью, воркшопы, модель) выше цены ошибки; достаточно what-if в таблице и pre-mortem гипотеза.
  • Драйверы сильно взаимодействуют, а анализ ограничен one-at-a-time. Tornado не видит взаимодействий и покрывает менее 1 % пространства входов факт [S20, S21]; нужны совместные вариации или Monte Carlo.
  • Данных для калибровки нет и калибровать некого. Некалиброванные интервалы делают Monte Carlo умножителем самоуверенности мнение [S13].
  • Организация хочет «оптимальный план». Робастность и адаптивность противоречат поиску одного оптимума; RDM прямо заменяет «predict-then-act» на «vulnerability-and-response» факт [S43].

Плюсы

  • Меняет рамку, а не только числа. Экспериментально показанный сдвиг суждений и предпочтение гибких опций эмпирика [S61]; снижение framing bias при полном процессе эмпирика [S62].
  • Даёт объяснимый прогноз. Driver-based модель отвечает на «почему изменилось» и позволяет быстро прогонять сценарии мнение [S23].
  • Переводит неопределённость в данные. SIP и распределения складываются арифметически и переносятся между моделями факт [S11].
  • Соединяется с решением. Signposts и триггеры делают план реакции частью сценария, а не отдельным документом факт [S44].
  • Дёшево генерируется. LLM генерируют «многочисленные сценарии практически бесплатно», хотя качество зависит от исходного материала пользователя мнение [S88]; для простых структур LLM строят causal loop diagrams экспертного качества эмпирика [S73].
  • Тренируемая точность. Тренинг, команды и отслеживание дали крупнейшее в литературе улучшение точности суждений эмпирика [S46].

Минусы

  • Цена процесса. Полноценные сценарные интервенции требуют интервью, воркшопов и итераций; ускоренные форматы появились только в 2025 году и описаны их авторами, а не независимо проверены мнение [S80].
  • Слабая связь с решением у классического метода. Intuitive logics не адресует напрямую улучшение решений, кроме расширения через multi-attribute value analysis эмпирика [S64].
  • Когнитивные ловушки. Conjunction fallacy, якорение на «базовом» сценарии, plausibility trap [S66, S3]; участие в сценарном процессе сдвигает стиль решений к более интуитивному, что не всегда желательно эмпирика [S89].
  • Ложная точность количественной части. Планы на средних значениях систематически ошибаются [S85]; OAT-чувствительность «перфункторна» в большинстве публикаций эмпирика [S70].
  • Модель как чёрный ящик. Реальные опционы почти не прижились из-за сложности и непрозрачности эмпирика [S37]; ABM трудно валидировать [S29].
  • Хрупкость к неучтённому. Сценарии исследуют воображённое пространство, чёрные лебеди остаются вне его мнение [S3]; цифровые двойники обещают больше, чем дают, особенно в агро эмпирика [S33].

Альтернативы и дерево решений

4.1. Прямые альтернативы

Альтернативы — другие способы думать о будущем в планировании компании, которые могут заменить связку «сценарии + what-if + триггеры» или конкурировать с ней за место в процессе.

Подход Тип неопределённости Горизонт Требование к данным Цена входа Связь с решением Пригодность для LLM и машиночитаемости Когда целесообразнее предмета
Сценарии + what-if по драйверам + триггеры (предмет) Риск и глубокая неопределённость 1–36 месяцев количественно, дальше нарративно Драйверы и диапазоны Средняя Через signposts и планы реакции [S44] Высокая: сценарии, допущения, драйверы как данные Базовый выбор для компании 5–500 человек с нетривиальной внешней средой гипотеза
Единый годовой план и план-факт Предполагает стабильность 12 месяцев Факт прошлого года Низкая Через отклонения от плана Средняя Стабильная среда, простой бизнес; так живут 12 % опрошенных эмпирика [S24]
Rolling forecast без сценариев Риск 12–18 месяцев, надёжнее всего 1–3 месяца мнение [S90] Регулярный факт, драйверы Низкая-средняя Через обновление прогноза Высокая Когда главное — свежесть базового прогноза, а альтернативные миры не влияют на решения
Статистическое и ML-прогнозирование с интервалами Риск при стационарности Недели-месяцы История достаточной длины Средняя Через интервалы прогноза Высокая Краткосрочный спрос, загрузка, продажи; вход в базовый сценарий, а не замена
Турниры прогнозов, prediction markets, суперпрогнозирование Риск с проверяемыми вопросами До 12 месяцев [S67] Проверяемые вопросы, обратная связь Низкая Вероятности на signposts Высокая; LLM уже неотличимы от суперпрогнозистов на части задач [S59] Когда нужны калиброванные вероятности отдельных событий, а не картины мира
Робастное и адаптивное планирование (RDM, DAPP) Глубокая Годы-десятилетия Симуляционная модель, много прогонов Высокая Прямая: пути, tipping points, триггеры [S44] Высокая: exploratory modeling — это перебор в коде [S43] Инфраструктурные и капитальные решения, где есть модель и несколько стратегий; корни в RAND 2003 факт [S91]
Decision analysis, деревья решений, реальные опционы Риск с известными вероятностями Любой Вероятности и ценности Средняя-высокая Прямая: выбор альтернативы, EVPI [S34, S35] Высокая для деревьев Единичное крупное решение с явными развилками; реальные опционы редко приживаются [S37]
Симуляция как основа (SD, DES, ABM, цифровой двойник) Структурная сложность Месяцы-годы Структура процесса, распределения Высокая Через прогон политик Средняя: модель в коде, но требует моделиста Операционные системы с очередями и обратной связью; агро, производство, расписание [S25, S28, S53]
Эксперименты и эффектуация вместо планирования Кнайтовская неопределённость Недели Возможность дешёвых проб Низкая Прямая: действие вместо прогноза Средняя Ранние продукты и новые рынки, где контролируемые пробы дешевле любых моделей мнение [S9]

Для каждой альтернативы относительно предмета:

  • Годовой план. Плюсы: дешевизна, понятность. Минусы: устаревает «почти сразу» [S50], не имеет реакции на изменение мира.
  • Rolling forecast без сценариев. Плюсы: свежий базовый прогноз, ритм. Минусы: один мир; практики советуют не привязывать вознаграждение к прогнозу, иначе точность падает мнение [S90].
  • Статистика и ML. Плюсы: точность на коротком горизонте, автоматизация. Минусы: молчит о структурных сдвигах; на 3–5 лет эксперты и алгоритмы одинаково слабы [S67].
  • Турниры и суперпрогнозирование. Плюсы: измеримая точность, дешёвая калибровка. Минусы: нужны проверяемые вопросы, нет картины взаимосвязей.
  • RDM и DAPP. Плюсы: прямая связь с решением, робастность. Минусы: нужна модель и компетенция; для компании 5–500 человек чаще избыточно, но идея signposts и триггеров переносится гипотеза.
  • Decision analysis и опционы. Плюсы: ясная логика выбора, ценность информации. Минусы: вероятности часто фиктивны; низкое принятие сложных методов [S37].
  • Симуляция. Плюсы: показывает поведение во времени, ловит задержки. Минусы: стоимость и валидация [S29].
  • Эксперименты. Плюсы: реальность вместо модели. Минусы: невозможны для необратимых и дорогих решений.

Дерево решений

  • Если решение обратимо и дешевле недели работы→what-if в таблице по 3–5 драйверам, без сценариев; pre-mortem на 30 минут перед стартом
  • Если решение необратимо или дороже квартала выручки:
    • Если неопределённость измерима диапазонами (цены, урожайность, отток с историей):
      • Если есть операционная структура с очередями или обратной связью (расписание, ёмкость, запасы, севооборот)→симуляция (DES или SD, в агро — DSSAT/APSIM) + Monte Carlo по входам + tornado и глобальная чувствительность
      • Иначе→модель драйверов + калиброванные диапазоны + Monte Carlo (SIP), три-четыре именованных сценария как срезы распределения, триггеры на измеримых signposts
    • Если неопределённость глубокая (структура рынка, регуляторика, технология без истории):
      • Если есть симуляционная модель и несколько стратегий→RDM: exploratory modeling и scenario discovery, затем адаптивные пути DAPP
      • Если модели нет:
        • Если горизонт больше двух лет→intuitive logics или OSPA: 2–4 нарративных сценария, signposts, ежеквартальная проверка, backcasting для целевого сценария
        • Иначе→сценарии как наборы допущений на модели драйверов, reverse stress test до точки нежизнеспособности, триггеры и playbooks
  • Если нужен ответ на единичный вопрос с проверяемым исходом (тендер, регуляторное решение, релиз конкурента)→калиброванная вероятность командой и LLM-агрегатом, Brier-учёт, без сценарного процесса
  • Если решение — крупная ставка с явными развилками (купить или арендовать, строить сейчас или через год)→дерево решений с EVPI; ценность гибкости считать деревом, не Black-Scholes
  • Если конкурент или регулятор ответит на ваш ход→wargaming на один-два дня поверх сценариев
  • Если нужен план к заданной цели (выход на безубыточность, сертификация, сезон)→backcasting от цели поверх базового сценария
  • Если команда меньше пяти человек→та же связка в сжатой форме: одна таблица допущений, три сценария, пять signposts, ежемесячный пересмотр
  • Иначе→предмет исследования в полной форме: реестр допущений, модель драйверов, набор сценариев, карта триггеров, журнал проверки фактом (раздел 6)

Практическое применение

5.1. Порядок внедрения в компании 5–500 человек

  1. Фокусное решение и горизонт. Сценарный процесс начинается с решения, а не с «будущего вообще» факт [S16]. Для компании это: структура посевов на сезон, найм и цена на год, открытие второй точки.
  2. Модель драйверов. 5–10 драйверов, которые определяют большую часть результата и на которые руководство влияет мнение [S50, S23]. Результаты (выручка, маржа, денежный поток, загрузка) выражаются как функции драйверов.
  3. Реестр допущений. Каждый драйвер получает диапазон, владельца, дату проверки и источник. Шаблон assumption log из проектной практики содержит ID, категорию, формулировку, ответственного, срок проверки, статус и действия и ведётся вместе с реестром рисков, а не вместо него факт [S92]. Диапазоны дают либо данные, либо калиброванные люди; калибровочный тренинг занимает 3–4 часа асинхронно вендор [S68].
  4. Базовый сценарий как rolling forecast. Горизонт 12–18 месяцев, обновление ежемесячно или ежеквартально; надёжнее всего первые 1–3 месяца мнение [S90]. В опросе 182 компаний с rolling budget месячная форма была связана с неопределённостью и стратегией, а квартальная использовалась скорее символически или под внешние требования эмпирика [S93]. Для компании 5–500 человек это довод за месячный ритм.
  5. Альтернативные сценарии. Два-четыре нарратива по критическим неопределённостям либо именованные наборы значений допущений; при большом числе параметров согласованность проверяется попарно, как в морфологическом анализе факт [S16, S17].
  6. What-if и чувствительность. Сначала tornado по одному драйверу, затем совместные вариации и Monte Carlo по диапазонам, потому что OAT не видит взаимодействий факт [S20, S21, S11].
  7. Стресс и reverse stress. Каждый сценарий прогоняется через шок, затем ищется сочетание драйверов, при котором бизнес нежизнеспособен факт [S38].
  8. Триггеры и планы реакции. Для каждого сценария — signposts (что наблюдать), triggers (пороги) и playbook (кто, что, когда) факт [S44, S50].
  9. Ритм и владельцы. См. таблицу 5.3.
  10. Проверка фактом. Журнал: что предполагали, что вышло, что меняем в диапазонах; для вероятностных суждений — Brier score, как в турнирах прогнозов эмпирика [S46].

5.2. Роли и где живут допущения

Роль Кто в компании 5–500 человек Что делает Где живёт результат
Владелец процесса CEO, CFO или COO Выбирает фокусные решения, утверждает триггеры и playbooks Набор сценариев, карта триггеров
Владелец модели Финансист, аналитик или продакт Ведёт модель драйверов, прогоняет what-if, обновляет базовый сценарий Модель, what-if лист
Владельцы допущений Руководители функций: агроном, руководитель продаж, администратор салона Дают диапазоны, проверяют их фактом в срок Реестр допущений
Красная команда Любые 3–5 человек не из авторов плана Pre-mortem, reverse stress, оппонирование сценариям Журнал проверок
Наблюдатель сигналов Тот, у кого есть данные: закупщик, маркетолог, агроном Обновляет signposts Дашборд триггеров

Практики FP&A описывают похожий состав: владелец (CFO или CEO), дивизиональные CFO и руководители FP&A, корпоративный FP&A как мост между дивизионами и руководством, моделисты мнение [S49]. Допущения живут в реестре, привязанном к модели, а не в слайдах и не в головах; это единственное место, где их можно проверить фактом.

5.3. Ритм

Ритм Что происходит Кто Артефакт
Еженедельно (для бизнеса с быстрым циклом, например салона) Обновление signposts, сравнение факта с базовым сценарием Наблюдатель сигналов, владелец модели Дашборд триггеров
Ежемесячно Обновление rolling forecast, what-if по отклонениям, проверка допущений с наступившей датой Владелец модели, владельцы допущений Реестр допущений, журнал
Ежеквартально Пересмотр набора сценариев и триггеров, pre-mortem перед крупными решениями квартала Владелец процесса, красная команда Набор сценариев, карта триггеров
Ежегодно и по событию Пересмотр рамки и критических неопределённостей, reverse stress test Руководство Сценарная матрица

Внеплановый запуск полного цикла происходит по событию, которое делает текущий план устаревшим; практики называют COVID-19, инфляцию 2022 года и запуск продукта мнение [S49].

5.4. Три сквозных примера

Все числа ниже — иллюстрация, придуманная для показа структуры, а не данные реальных компаний.

Агро (раскрыт глубже): хозяйство 2000 га, 35 человек

Фокусное решение. Структура посевов и закупка азота на сезон, доля форвардных продаж. Ошибка стоит сезона, решение необратимо после сева, неопределённость измерима диапазонами: это ветка «симуляция + Monte Carlo» из дерева решений.

Модель драйверов (иллюстрация). Пшеница 1200 га, подсолнечник 800 га. Драйверы: урожайность пшеницы, цена пшеницы, цена азота, затраты на ГСМ, дисконт за качество при мокрой уборке. Источники значений по слоям:

  • Урожайность в зависимости от погоды, срока сева и дозы азота даёт агромодель: DSSAT позволяет «виртуальные эксперименты за минуты» по срокам сева, азоту и орошению на многолетних рядах погоды факт [S53]; APSIM с самого начала проектировался для оценки экономических и экологических исходов управления при климатическом риске и для оценки ценности сезонных прогнозов факт [S94].
  • Цены: baseline USDA или OECD-FAO как один сценарий с явными допущениями, вокруг него — историческая дисперсия факт [S7, S52].
  • Распределение прибыли считается стохастическим бюджетом фермы: в модели ирландской молочной фермы 2004 года прибыль оказалась почти полностью чувствительна к цене молока (частный коэффициент детерминации 99,2 %), а не к качеству корма эмпирика [S95].
  • Распределение площадей при ограничениях на землю, труд и севооборот даёт whole-farm LP: преемник MIDAS учитывает ценовую и погодную неопределённость и отношение фермера к риску факт [S96]; для труда, денег и скота на уровне предприятия есть CLEM в APSIM факт [S97].

Реестр допущений (иллюстрация, 80 % интервалы).

Допущение Диапазон Источник Владелец Проверка
Урожайность пшеницы 2,8–4,6 т/га Прогон DSSAT на 30 лет погоды Агроном После уборки
Цена пшеницы на уборке 190–260 $/т Baseline outlook плюс дисперсия 10 лет Коммерческий директор Ежемесячно по форвардам
Цена азота 350–520 $/т Индекс удобрений Закупщик Ежемесячно
Дисконт за качество при мокрой уборке 0–12 % Опыт трёх лет Агроном После уборки

Сценарии (иллюстрация).

Сценарий Урожайность, т/га Цена, $/т Азот, $/т Маржа, $/га
Базовый: нормальная погода, baseline цен 3,7 225 430 380
Засуха: низкая влага при севе 2,3 255 430 90
Дорогой азот, дешёвое зерно 3,7 190 520 120
Мокрая уборка 3,9 225 с дисконтом 10 % 430 210

Триггеры и планы реакции (иллюстрация). Триггер ставится на измеренную величину, а не на прогноз, потому что ценность сезонных прогнозов для решений «часто низкая и сильно вариабельная» эмпирика [S54]: влага в метровом слое при севе ниже 60 мм → доза азота минус 20 % и перенос 200 га под подсолнечник; форвардная цена выше 240 $/т → продать 30 % ожидаемого урожая; индекс удобрений выше 500 → закупка азота переносится на второй транш. Reverse stress: сочетание урожайности ниже 2,0 и цены ниже 180 даёт отрицательный денежный поток на уборке; в Monte Carlo такое сочетание выпадает примерно в 7 % прогонов (иллюстрация), план реакции — страхование урожая и кредитная линия, открытая до сева.

Проверка фактом. После уборки в журнал записываются фактическая урожайность, цена и дисконт против диапазонов; если факт вышел за 80 % интервал два сезона из трёх, диапазоны расширяются, а источник допущения пересматривается.

Продуктовая разработка: SaaS, 45 человек, ARR 2,4 млн €

Фокусное решение. Найм в продажи и инженерию на 12 месяцев и цена нового модуля. Драйверы: новые клиенты в месяц (12), месячный отток (1,8 %), расширение (0,5 %), ARPA (500 € в месяц), CAC (6 тыс. €), выход продавца на план (4 месяца), ёмкость инженерии (6 команд, два релиза в квартал). Все числа — иллюстрация.

Adoption нового модуля. Модель Bass с потенциалом m = 1500 аккаунтов, p = 0,02, q = 0,35 (иллюстрация в типичных диапазонах p 0,01–0,03 и q 0,3–0,5 факт [S55]) даёт S-образную кривую с пиком продаж через год с небольшим; сценарии строятся сдвигом p (маркетинг) и q (сарафан).

Сценарии и стресс (иллюстрация). Консультанты рекомендуют три стресса: удвоение оттока, рост CAC, потеря крупнейшего клиента, с выводом ARR, runway и burn по каждому мнение [S56].

Сценарий Отток, % в месяц CAC, тыс. € ARR через 12 месяцев, млн € Runway, месяцев
Базовый 1,8 6 3,1 22
Отток ×2 3,6 6 2,6 14
CAC +50 % 1,8 9 2,9 17
Потеря топ-клиента (−8 % ARR) 1,8 6 2,85 16

Триггеры (иллюстрация). Отток выше 2,5 % два месяца подряд → playbook удержания и заморозка изменения цены; покрытие пайплайна ниже 3× квартальной цели → пауза найма в продажи; сдвиг релиза больше четырёх недель → сокращение объёма, а не найм. Ёмкость команды считается простой моделью пропускной способности; дискретно-событийная модель здесь избыточна.

Салон красоты: 8 кресел, 11 мастеров

Фокусное решение. Расписание, штат и цена на квартал. Ёмкость задаёт расписание: 8 кресел × 11 часов × 30 дней = 2640 кресло-часов в месяц; при средней услуге 1,5 часа максимум 1760 визитов (иллюстрация).

Break-even (иллюстрация). Средний чек 3200 ₽, маржа вклада 60 % (материалы 12 %, комиссия мастера 28 %), то есть 1920 ₽ с визита; постоянные затраты 1,3 млн ₽ в месяц. Точка безубыточности: 1 300 000 / 1920 = 677 визитов, или 38 % загрузки. Ошибка, о которой предупреждают продавцы салонного ПО: комиссионная оплата — переменная, оклад — постоянная, их смешение ломает расчёт вендор [S22].

Сценарий загрузки Визитов в месяц Прибыль, ₽ в месяц
Пессимистичный 40 % 704 51 680
Реалистичный 60 % 1056 727 520
Оптимистичный 80 % 1408 1 403 360

Три уровня загрузки взяты из вендорской практики вендор [S22]; ориентир загрузки мастера 75 %+ и доля труда ниже 55 % выручки — также вендорские ориентиры, а не эмпирика вендор [S57].

Расписание как ограничение. Средняя загрузка 60 % скрывает, что вечер пятницы и суббота заняты на 95 %, а утро буднего дня — на 25 %: спрос теряется в пике и простаивает в провале. Это задача очередей и ресурсов, где помогает дискретно-событийная модель: пропускная способность, ожидания и загрузка как распределения факт [S28]. Рычаги: сдвиг смен, цена вне пика, запись на повторный визит.

Триггеры (иллюстрация). Загрузка ниже 50 % четыре недели подряд → акция вне пика и сокращение смен; доля повторной записи ниже 50 % → разбор качества; уход мастера, на которого приходится более 15 % визитов → план передачи клиентов; тест цены +10 %: если падение визитов меньше 6 %, цена остаётся.

5.5. Типичные ошибки первого применения

  • Три процента к одному плану. «Оптимистичный, базовый, пессимистичный» как ±10 % к выручке — это не сценарии, а чувствительность одного мира; сценарии различаются логикой, а не знаком мнение [S16, S3].
  • Допущения без владельцев и дат. Реестр заполнен один раз и не проверяется; шаблон assumption log требует ответственного и срока проверки факт [S92].
  • Только one-at-a-time. Tornado без совместных вариаций пропускает взаимодействия: засуха и дорогой азот приходят вместе факт [S21].
  • Прогноз привязан к бонусам. Практики предупреждают, что это снижает точность прогноза мнение [S90].
  • Слишком много драйверов. Модель «под всех» становится необновляемой мнение [S23].
  • Signposts без наблюдателя. Карта триггеров есть, данных для неё никто не собирает; в DAPP мониторинг — обязательная часть метода факт [S44].
  • Сценарий читается как прогноз. Руководство спрашивает «какой из них будет» мнение [S3].

5.6. Что происходит через месяцы

  • Месячный rolling budget остаётся связанным со стратегией и неопределённостью, квартальный вырождается в символ эмпирика [S93].
  • Организации с driver-based моделями чаще довольны прогнозами (77 % против общего уровня) эмпирика [S48]; 24 % обновляют прогноз по триггерам, а не по календарю эмпирика [S24].
  • Участники сценарного процесса сдвигаются к более интуитивному стилю решений эмпирика [S89]; это довод держать количественную часть и журнал проверки фактом рядом с нарративами гипотеза.
  • Сценарии устаревают: без ежеквартального пересмотра набор сценариев превращается в отчёт, и следующий кризис снова запускает процесс «с нуля» гипотеза.

5.7. Стоимость входа

Статья Оценка Источник
Время руководства Фокусное решение и сценарии: 2–4 воркшопа по полдня в первый квартал, затем квартальный пересмотр гипотеза
Калибровка оценщиков 3–4 часа асинхронно на человека вендор [S68]
Модель драйверов Электронная таблица: дни; платформа FP&A: недели, цены по запросу вендор [S98, S1]
Симуляция Vensim: PLE 50 $ коммерчески, PLE Plus 169 $, Professional 1195 $, DSS 1995 $ за пользователя с годом поддержки вендор [S99]; AnyLogic PLE бесплатна для обучения [S30]; DSSAT бесплатен [S53] вендорские страницы
Компетенции Моделист (таблица или Python), фасилитатор сценарного воркшопа, владельцы данных для signposts гипотеза

Артефакты

Семь артефактов образуют один связанный набор: реестр допущений питает модель драйверов, модель порождает сценарии и what-if, карта триггеров связывает сценарии с действиями, журнал и запись стресс-теста замыкают контур проверкой фактом. Поля ниже — предложение автора, собранное из практик assumption log [S92], Assumption-Based Planning [S45], DAPP [S44], probability management [S11] и FP&A [S50]; там, где поле взято из источника, стоит ссылка.

6.1. Реестр допущений

Назначение. Единственное место, где живут утверждения о будущем, на которых стоит план. Отличает предопределённые элементы от критических неопределённостей [S3] и «несущие» допущения от второстепенных [S45].

Поле Значение Откуда
id Уникальный идентификатор assumption log [S92]
statement Формулировка допущения одним предложением [S92]
kind predetermined или critical_uncertainty Wack [S3]
load_bearing Ломает ли план нарушение допущения: да/нет ABP [S45]
driver Ссылка на драйвер модели, через который допущение действует предложение автора
range p10, p50, p90 или ссылка на распределение/SIP калибровка [S13], SIP [S11]
unit Единица измерения предложение автора
source Данные, модель, калиброванная оценка, внешний outlook предложение автора
owner Ответственный за диапазон и проверку [S92]
logged_at, check_at Дата внесения и дата проверки фактом [S92]
status open, validated, broken, retired [S92]
impact_if_wrong Что происходит с результатом при выходе за диапазон предложение автора
signpost Ссылка на сигнал, по которому допущение проверяется до срока ABP [S45], DAPP [S44]

Жизненный цикл. Создаётся при построении модели; обновляется ежемесячно владельцами; статус broken запускает пересмотр сценариев; retired при смене бизнеса. Пример строки (иллюстрация): «A-07: цена пшеницы на уборке 190–260 $/т, critical_uncertainty, load_bearing = да, драйвер price_wheat, источник — baseline outlook плюс дисперсия, владелец — коммерческий директор, проверка ежемесячно по форвардам, статус open».

6.2. Модель драйверов

Назначение. Перевод допущений в результаты; место, где what-if становится числом.

Поле Значение
node_id, name Узел дерева: результат или драйвер
type outcome, driver, external
formula Как узел считается из дочерних
unit Единица
assumption Ссылка на строку реестра для внешних драйверов
data_source, cadence Откуда факт и как часто обновляется
elasticity Оценка чувствительности результата к узлу из tornado

Жизненный цикл. Строится один раз, пересматривается при смене бизнеса; практики предупреждают о перегрузке драйверами и зависимости от Excel мнение [S23]. Пример (иллюстрация, салон): прибыль ← выручка − переменные − постоянные; выручка ← визиты × средний чек; визиты ← кресло-часы × загрузка / длительность услуги; кресло-часы ← кресла × часы × дни.

6.3. Сценарная матрица и набор сценариев

Назначение. Именованные согласованные наборы допущений, отличающиеся логикой, а не знаком. В интуитивной логике сценарии выбираются по двум критическим неопределённостям и дополняются ведущими индикаторами факт [S16].

Поле Значение
scenario_id, name Короткое запоминающееся имя
logic Оси матрицы или ключевая логика
assumption_set Значения (или диапазоны) по каждой строке реестра
predetermined Общие для всех сценариев элементы
narrative Один абзац: как мир пришёл к этому
signposts Список сигналов, отличающих сценарий
implications Следствия для фокусного решения
response_plan Ссылка на playbook
status, reviewed_at active, retired; дата пересмотра

Жизненный цикл. Создаётся на воркшопе, пересматривается ежеквартально, retired при сходимости мира к одному из сценариев или потере релевантности. Пример (иллюстрация, продукт): оси «ИИ коммодитизирует основную функцию: да/нет» × «бюджеты корпоративных клиентов: растут/сжимаются» дают четыре сценария с разными наборами оттока, CAC и цены.

6.4. What-if лист

Назначение. Учёт прогонов модели, чтобы результаты не терялись и повторялись.

Поле Значение
run_id, run_at, author Идентификация прогона
base_scenario Сценарий, от которого отклоняемся
changes Список: драйвер, было, стало
mode one_way, multi_way, monte_carlo, stress, reverse_stress
outputs Значения результатов и дельты к базе
decision Какое решение прогон обслуживал

Жизненный цикл. Записывается при каждом прогоне; хранится до пересмотра модели; экспортируется в журнал при принятии решения. Пример (иллюстрация, салон): run 2026-09-12, база «реалистичный 60 %», изменение: цена +10 %, mode one_way, результат: прибыль +180 тыс. ₽ при неизменных визитах, решение: тест цены на месяц с триггером «падение визитов больше 6 %».

6.5. Карта триггеров и сигналов раннего предупреждения

Назначение. Связь сценариев с действиями: signposts как наблюдаемые переменные, triggers как пороговые значения, при которых включается заранее описанный ответ факт [S44]; в FP&A — «триггеры переключения между сценариями» и playbooks мнение [S50].

Поле Значение
signpost_id, metric Что наблюдаем
data_source, frequency Откуда и как часто
threshold, direction, persistence Порог, направление, сколько периодов подряд
indicates Какой сценарий сигнал делает вероятнее
playbook Действия: кто, что, срок, стоимость
owner Кто отслеживает
last_value, state Последнее значение; состояние: green, watch, triggered

Жизненный цикл. Создаётся вместе с набором сценариев; обновляется по частоте сигнала; переход в triggered фиксируется в журнале с принятым действием. Пример (иллюстрация, агро): signpost «влага в метровом слое при севе», источник — датчики, порог ниже 60 мм, persistence 1, indicates «Засуха», playbook «доза азота −20 %, 200 га под подсолнечник», владелец — агроном.

6.6. Журнал сценариев и проверки фактом

Назначение. Замыкание контура: что предполагали, что вышло, что меняем. Для вероятностных суждений — учёт точности по Brier score, как в турнирах прогнозов эмпирика [S46].

Поле Значение
entry_id, date Запись
object Ссылка на допущение, сценарий, триггер или прогон
expected Диапазон или вероятность
actual Факт
within_range Да/нет; для вероятностей — вклад в Brier
lesson Почему промахнулись
change Что изменено: диапазон, источник, драйвер, триггер

Жизненный цикл. Пополняется при каждой дате проверки и каждом срабатывании триггера; квартальный обзор журнала — вход в пересмотр сценариев. Пример (иллюстрация): «A-07 ожидали 190–260, факт 268, вне диапазона; причина — экспортные ограничения соседней страны, не учтённые в источнике; изменение — добавлен signpost по экспортной политике, диапазон расширен до 180–290».

6.7. Запись стресс-теста и reverse stress test

Назначение. Фиксация, при каких сочетаниях драйверов бизнес нежизнеспособен и что с этим сделано; регуляторные принципы требуют, чтобы результаты стресс-тестов использовались в решениях, а не хранились факт [S38].

Поле Значение
failure_definition Конкретная точка провала: отрицательный денежный поток три месяца, ковенант, уход ключевого персонала
combos Найденные сочетания драйверов, ведущие к провалу
plausibility Доля прогонов Monte Carlo или экспертная оценка
mitigations Действия до наступления и после
reviewed_at Дата пересмотра

Все семь артефактов различают версию плана и сценарий: версия — административная копия («бюджет 2027», «прогноз Q3»), сценарий — набор допущений о мире; инструменты планирования разводят эти сущности явно вендор [S47].

С чем используется в связке

7.1. Что предшествует

  • Horizon scanning и driver mapping дают список сил и слабых сигналов, из которых выбираются критические неопределённости; в британском Futures Toolkit это инструменты этапа «что меняется» перед сценариями факт [S14].
  • Delphi и структурированные интервью дают экспертные оценки и разброс мнений как вход в допущения; давление к консенсусу — известный побочный эффект факт [S19].
  • Reference class forecasting даёт базовые ставки для диапазонов вместо «внутреннего взгляда» на собственный план эмпирика [S69].
  • Калибровочный тренинг делает экспертные интервалы пригодными для Monte Carlo вендор [S13, S68].
  • Данные и rolling forecast дают базовый сценарий, вокруг которого строятся альтернативы мнение [S90].

7.2. Что идёт параллельно

  • Driver-based модель и rolling forecast — рабочая форма количественного what-if; сценарии — наборы значений её драйверов мнение [S23].
  • Monte Carlo и SIPmath — способ хранить и складывать неопределённость входов как данные факт [S11].
  • Симуляции (SD, DES, ABM, агромодели) — среда для what-if там, где табличная модель врёт из-за задержек и очередей [S25, S28, S53].
  • Superforecasting и турниры — калиброванные вероятности для signposts и отдельных событий; LLM-агрегаты уже сопоставимы с человеческой толпой эмпирика [S46, S71].

7.3. Что следует

  • Pre-mortem перед фиксацией решения и wargaming перед ходом, на который ответят конкуренты факт [S39, S42].
  • Backcasting от целевого сценария к дорожной карте факт [S15].
  • Playbooks и планы реакции, привязанные к триггерам факт [S44].
  • Бюджет, OKR, дорожная карта, дерево метрик и OST — интерфейсы, исследованные отдельно: бюджет принимает базовый сценарий как версию плана, OKR берут цели из нормативного сценария, дерево метрик поставляет signposts, дорожная карта получает ветвления по триггерам гипотеза.
  • Реестр рисков — assumption log ведётся рядом с ним, а не вместо факт [S92].

7.4. Конфликты и несовместимости

  • Прогноз, привязанный к вознаграждению. Если премия зависит от попадания в прогноз, прогноз становится переговорной позицией, а не оценкой мнение [S90].
  • Оптимизатор против сценариев. Whole-farm LP или solver ищут максимум при заданных условиях; без внешнего набора сценариев результат оптимизации хрупок, поэтому оптимизацию гоняют внутри каждого сценария, а не вместо них гипотеза; преемник MIDAS для этого добавил ценовую и погодную неопределённость факт [S96].
  • ML-прогноз без режима мира. Статистический прогноз молчит о структурных сдвигах; на 3–5 годах и эксперты, и экстраполяции слабы эмпирика [S67]. Прогноз живёт внутри базового сценария, а не вместо набора.
  • Годовой бюджет, замороженный на год, против rolling forecast. Две правды о будущем в одной компании; практики рекомендуют один процесс с версиями [S47, S90].
  • Нарратив против числа. Детализированный сценарий кажется вероятнее [S66], а сценарный процесс сдвигает стиль решений к интуитивному [S89]; лечится журналом проверки фактом и Brier-учётом.
  • Реальные опционы «по учебнику». Математика опционов почти не приживается в компаниях [S37]; в связке остаётся дерево решений с ценностью гибкости.

Метрики здоровья и антипаттерны

Признак Здоровая норма Симптом деградации Источник
Число драйверов в модели плана 5–10 материальных драйверов Десятки драйверов «под всех», модель обновляется раз в год практики FP&A мнение [S50, S23]
Число активных сценариев 2–4 нарратива с разной логикой Один базовый с ±10 %, либо больше пяти неразличимых [S16]; ориентир автора
Горизонт и ритм базового прогноза 12–18 месяцев, обновление ежемесячно; квартальный ритм вырождается в символ Годовой план без обновления; прогноз старше квартала мнение [S90]; эмпирика [S93]
Время на один цикл прогноза Меньше двух дней (15 % организаций); норма-ориентир для 5–500 человек — один день Более 10 дней (29 % организаций) эмпирика [S48]
Доля времени на сбор данных против анализа Меньше половины 46 % и выше, как в среднем по опросу эмпирика [S48]
Калибровка владельцев допущений 90 % интервалы содержат факт примерно в 90 % случаев Попадания около 50–60 %, как у нетренированных людей и моделей факт [S13]; вендор [S100]
Доля допущений с владельцем и датой проверки 100 % несущих допущений Допущения без владельца, статусы не меняются [S92, S45]
Доля допущений, проверенных фактом в срок Более 80 % за квартал (ориентир автора) Реестр не обновлялся с момента создания ориентир автора
Точность вероятностных суждений Brier score ведётся и падает со временем Вероятности не записываются, «мы так и думали» после факта эмпирика [S46]
Анализ чувствительности Совместные вариации или Monte Carlo хотя бы раз в квартал Только tornado по одному драйверу факт [S21, S70]
Триггеры с наблюдателем и данными 100 % триггеров имеют источник данных и владельца; срабатывания фиксируются Карта триггеров без данных; срабатывания замечены постфактум [S44]
Пересмотр набора сценариев Ежеквартально и по событию Сценарии старше года; следующий кризис запускает процесс «с нуля» ориентир автора; мнение [S49]
Использование результатов стресс-тестов Каждый reverse stress test породил действие или решение «принять риск» Результаты хранятся, решения не меняются факт [S38]

Антипаттерны

Сценарий как прогноз

Как выглядит. На совете директоров спрашивают: «Так какой из трёх сценариев будет?» Команда отвечает «базовый», ему присваивают 70 %, остальные два забывают. Через полгода мир идёт четвёртым путём, и сценарии объявляют бесполезными.

Почему возникает. Прогноз — привычная форма мышления, а сценарий требует держать несколько будущих одновременно; детализированный нарратив к тому же кажется вероятнее, чем он есть эмпирика [S66]; критики фиксируют якорение на одном сценарии как типовой провал мнение [S3].

Как чинить. Убрать вероятности с нарративов и перенести их на измеримые signposts; каждому сценарию дать план реакции; в журнале записывать, какие signposts сработали, а не «какой сценарий сбылся».

Когда менять практику. Если руководство после двух циклов продолжает требовать «один ответ», перейти на rolling forecast с интервалами и турнирные вероятности по ключевым событиям, а нарративные сценарии оставить для ежегодной рамки.

Ложная точность: модель без реестра допущений

Как выглядит. Таблица на сорок листов даёт прибыль 12 437 512 ₽ на следующий год. Откуда взялся отток 1,8 % и цена азота, никто не помнит; когда факт расходится, спорят о формулах, а не о допущениях.

Почему возникает. Одно среднее число в ячейке проще распределения; так работает «flaw of averages» мнение [S85, S11]; нетренированные оценщики самоуверенны факт [S13]; чувствительность считают по одному входу эмпирика [S70].

Как чинить. Вынести все внешние входы в реестр с диапазонами, владельцами и датами; хранить диапазоны как SIP или p10/p50/p90; показывать результат как распределение и вероятность недостижения порога; прогонять совместные вариации.

Когда менять практику. Если через квартал реестр по-прежнему пуст, модель слишком велика для компании: сократить до 5–10 драйверов и таблицы на один экран.

Сценарии для отчёта

Как выглядит. Красивый документ с четырьмя сценариями и картинками лежит в папке «Стратегия 2026». Бюджет, найм и закупки считаются от одного плана; триггеров нет; через год документ обновляют, потому что «пора».

Почему возникает. Классический intuitive logics не доводит до решения без специальных расширений эмпирика [S64]; сценарный воркшоп даёт ощущение сделанной работы; мониторинг signposts требует рутины и владельца, которых нет.

Как чинить. Для каждого сценария — карта триггеров с источником данных и playbook; ежемесячный обзор signposts в том же ритуале, где обсуждают факт; бюджет и найм привязать к триггерам («найм в продажи открывается при покрытии пайплайна 3×»).

Когда менять практику. Если за два квартала ни один триггер не сработал и не обсуждался, сценарии не нужны в текущем виде: оставить один базовый rolling forecast и reverse stress test раз в год.

Единственный базовый сценарий с процентами

Как выглядит. «Оптимистичный +10 %, пессимистичный −10 %» к выручке при тех же затратах и той же структуре. Все три варианта имеют одинаковые действия.

Почему возникает. Проценты к плану дешевле, чем поиск критических неопределённостей; в опросах 12 % организаций живут единым годовым планом эмпирика [S24].

Как чинить. Найти две критические неопределённости с разными следствиями для решения и построить сценарии по ним факт [S16]; для количественной части — совместная вариация драйверов и Monte Carlo вместо процентов к итогу; консультанты по SaaS прямо советуют менять драйверы, а не масштабировать результат мнение [S56].

Когда менять практику. Если бизнес действительно однофакторный (одна цена, один объём), проценты допустимы, но тогда нужен reverse stress test: при каком объёме модель ломается.

What-if без проверки фактом

Как выглядит. Прогоны делаются перед каждым решением, результаты уходят в презентацию, а через полгода никто не сравнивает, что вышло. Диапазоны в реестре те же, что три года назад.

Почему возникает. Проверка фактом неприятна и не имеет владельца; в турнирах точность растёт именно от отслеживания результатов и обратной связи эмпирика [S46], а без неё интервалы остаются самоуверенными.

Как чинить. Журнал проверки как обязательный шаг ежемесячного цикла; Brier score для вероятностных суждений; правило: диапазон, промахнувшийся два раза из трёх, расширяется и меняет источник.

Когда менять практику. Если журнал ведётся, но диапазоны не сужаются за год, проблема в источнике данных, а не в процессе: заменить экспертные оценки данными или референтным классом [S69].

Инструменты и софт

Инструменты здесь — референсы того, как практики реализованы в софте, а не обзор рынка. Цены проверены 2026-09-21; где цена не опубликована, это сказано.

9.1. Категории

Категория Что реализует из практики Продукты-референсы
Электронные таблицы One-way и two-way what-if, наборы сценариев, подбор входа Excel: Scenario Manager, Data Table, Goal Seek, Solver [S1]
FP&A-платформы Модель драйверов, версии и сценарии, rolling forecast, агенты Anaplan, Pigment, Cube, Lucanet (бывший Causal)
Monte Carlo в таблице Распределения входов, корреляции, tornado, стресс @RISK, Oracle Crystal Ball, SIPmath Modeler Tools и ChanceCalc
Симуляционные среды Системная динамика, DES, ABM Vensim, AnyLogic, PySD
Exploratory modeling Перебор тысяч будущих, scenario discovery EMA Workbench
Отраслевые агромодели Урожайность, севооборот, whole-farm DSSAT, APSIM и CLEM, AFO
LLM-агенты для прогнозов Калиброванные вероятности по вопросам forecasting-tools (раздел 10)

9.2. Функциональный разбор ведущих продуктов

Excel What-If Analysis.

  • Сущности: сценарий как набор до 32 изменяемых ячеек, таблица данных на одну-две переменные, Goal Seek на один вход, Solver для нескольких переменных с ограничениями факт [S1].
  • Операции: подстановка сценария, сводный отчёт по сценариям.
  • Ограничения: нет реестра допущений, нет распределений без надстроек, нет триггеров.
  • Цена входа: уже имеющаяся лицензия Microsoft 365, отдельно не проверялась.
  • Для кого: соло и команда до пяти человек.

Anaplan.

  • Сущности: модель с измерениями, среди которых Versions — обязательное измерение с версиями Actual и Forecast по умолчанию; дополнительные версии создаются под сценарии, между ними строятся variance reports; у версии есть switchover-дата, до которой данные совпадают с фактом, и Bulk Copy для копирования вендор [S101].
  • ИИ: с декабря 2025 года CoModeler (модель из текста) и ролевые агенты, которые «моделируют сценарии», находят отклонения и выполняют одобренные изменения при человеческом надзоре вендор [S75].
  • Ограничения: версия и сценарий — одно и то же измерение, реестр допущений и триггеры — дело моделиста.
  • Цена: по запросу. Для кого: организации от сотен человек.

Pigment.

  • Сущности: Versions как измерение для повторяемых циклов планирования и Scenarios как быстрые ad-hoc сравнения без изменения структуры модели; сценарии имеют не всю функциональность измерения и ограничены в блоках данных и формулах; версия прогноза может иметь несколько сценариев вендор [S47].
  • ИИ: вендор заявляет генерацию «множества сценариев за минуты», признавая зависимость от качества данных вендор [S76].
  • Цена: по запросу. Для кого: команда FP&A от нескольких человек.

Cube.

  • Позиционирование: «agentic FP&A platform», модели остаются в Excel и Google Sheets, платформа даёт управляемый слой данных, сценарии «из живого факта с помеченными допущениями», driver-based планирование вендор [S77].
  • ИИ и интеграции: четыре типа агентов (данные, анализ, планирование, коммуникации), учётные системы, CRM, хранилища, ИИ-ассистенты через MCP вендор [S77].
  • Цена: тарифы Bronze, Silver, Gold без публичных цен, все включают агентов и MCP-сервер вендор [S98].
  • Для кого: команда 5–50 человек, живущая в таблицах.

Lucanet (бывший Causal).

  • Адрес causal.app перенаправляет на страницу xP&A Lucanet: многомерное планирование с формулами на естественном языке, сценарный анализ, variance-анализ по нескольким сценариям, Modeler Agent; цены не раскрыты вендор [S78].
  • Причина упоминания: Causal был референсом хранения диапазонов неопределённости в модели; после поглощения этот функционал нужно проверять заново.

@RISK (Lumivero).

  • Функции: надстройка Excel с более чем 90 распределениями, подгонкой распределений, корреляциями и копулами, tornado и анализом чувствительности, сценарным и стресс-анализом; в Industrial-редакции временные ряды и оптимизация под неопределённостью RISKOptimizer вендор [S102].
  • Заявления и цена: 150 000+ пользователей; цена не опубликована, на странице была объявлена скидка 10–20 % на подписку с 18 августа по 15 сентября 2026 года вендор [S102].
  • Для кого: аналитик в компании любого размера, живущий в Excel.

Oracle Crystal Ball. По документации — «графически ориентированная программа прогнозирования и анализа рисков» в Microsoft Excel вендор [S103]. Цена на открытой странице не найдена: страница продукта отвечала 403.

SIPmath (ProbabilityManagement.org). ChanceCalc — надстройка Excel для арифметики с неопределённостью «обычными нажатиями клавиш», SIPmath Modeler Tools для генерации SIP, стандарты 2.0 и 3.0 факт [S12, S11]. Статус бесплатности инструментов на странице не указан.

Vensim (Ventana Systems).

  • Редакции: PLE, PLE Plus, Professional, DSS и бесплатный Model Reader; возможности: проверка размерностей и Reality Check, Causal Tracing, массивы, Monte Carlo чувствительность, оптимизация, SyntheSim вендор [S104].
  • Цены: PLE 50 $ коммерчески и бесплатно для образования, PLE Plus 169 $, Professional 1195 $, DSS 1995 $ за пользователя с годом обновлений вендор [S99].
  • Для кого: команда, у которой есть задача с обратной связью и один человек, готовый строить модель.

AnyLogic. Мультиметодная среда: SD, DES и ABM в одной модели, Java для расширений; PLE бесплатна для обучения с ограничением размера модели, Professional 8.9.9 факт [S30]. Цена Professional не опубликована на открытых страницах: страница загрузок отвечала 403. Для кого: организация с задачей логистики, производства, потоков клиентов.

DSSAT, APSIM, AFO.

  • DSSAT: бесплатная система с моделями более 45 культур, приложениями сезонного, пространственного, ротационного анализа и климатических сценариев, версия 4.8.6 от 1 июля 2026 года факт [S53].
  • APSIM: модульный симулятор ферм для решений при климатическом риске [S94]; CLEM добавляет уровень предприятия: деньги, труд, скот [S97].
  • AFO: open source на Python и Pyomo, whole-farm LP с ценовой и погодной неопределённостью; солвер CPLEX проприетарный, GLPK — открытая альтернатива факт [S96].

EMA Workbench и PySD. EMA Workbench: Python-библиотека для exploratory modeling и robust decision making с коннекторами к Vensim, NetLogo, Simio и Excel, лицензия BSD-3, 154 звезды, TU Delft факт [S105]. PySD: запуск моделей Vensim и XMILE в Python, лицензия MIT, 460 звёзд факт [S106]. Это путь к машиночитаемым сценариям: модель в коде, прогоны как данные.

9.3. Что выбрать

  • Соло и до пяти человек. Excel с реестром допущений на отдельном листе, Scenario Manager для трёх сценариев, ChanceCalc или @RISK для диапазонов, pre-mortem без софта.
  • Команда 5–50 человек. Cube или Pigment поверх таблиц для версий и сценариев; @RISK для Monte Carlo; Vensim PLE Plus, если есть задача с обратной связью; в агро — DSSAT или APSIM для урожайности; собственный реестр допущений и карта триггеров как данные, потому что платформы их не ведут как отдельные сущности гипотеза.
  • Организация 50–500 человек. Anaplan или Pigment с Versions и variance reports, модель в коде для exploratory modeling (EMA Workbench, PySD) там, где решения капитальные; AnyLogic для операционных систем; журнал проверки фактом как обязательный слой независимо от платформы.

Адаптация под LLM и агентов

10.1. Что уже автоматизируется и с какими доказательствами

Задача Состояние на сентябрь 2026 Доказательство
Генерация сценариев-нарративов ИИ генерирует «многочисленные сценарии практически бесплатно», качество зависит от исходного материала пользователя, полная замена сценаристов маловероятна мнение [S88]; GPT-4 писал сценарии политики, которые 234 участника оценили по серьёзности, правдоподобию и масштабу эмпирика [S84] Практика и один пользовательский эксперимент
Генерация стресс-сценариев Макросценарии для G7 через структурированный промпт и поиск, с проверками правдоподобия и ANOVA-разложением: вариативность определяется составом портфеля и дизайном промпта, а не поиском эмпирика [S82] Исследовательский прототип
Извлечение структуры модели из текста LLM строит causal loop diagrams экспертного качества для простых структур эмпирика [S73]; «System Dynamics Bot» находит около 60 % связей и петель эмпирика [S74]; извлечение компонентов модели из описаний заинтересованных сторон даёт приемлемый результат после итераций с человеком эмпирика [S83] Три исследования 2024–2026
Вероятностные прогнозы по вопросам Система с поиском и агрегированием «приближается к толпе прогнозистов и в некоторых условиях превосходит её» эмпирика [S107]; на ForecastBench к июлю 2026 года несколько моделей статистически неотличимы от суперпрогнозистов на dataset-вопросах [S59]; на Metaculus весной 2026 года профессионалы впереди на незначимую величину [S60]; ансамбль 12 LLM неотличим от 925 людей, а показ медианы людей повышает точность на 17–28 % [S71] Бенчмарки с оговорками [S72]
Ускоренный сценарный процесс Авторы OSPA описали ускоренный формат с GenAI и кейсами Fazer и Unum мнение [S80]; HBR предлагает GenAI для создания сценариев и генерации стратегий мнение [S81] Описания практиков без независимой проверки
Агенты в платформах планирования Anaplan: CoModeler и ролевые аналитики, «выполняют одобренные изменения» при надзоре вендор [S75]; Pigment: сценарии «за минуты» вендор [S76]; Cube: четыре типа агентов и MCP вендор [S77] Вендорские заявления
Сканирование горизонта Европарламент: GenAI помогает выявлять тренды и слабые сигналы и строить нарративы, при рисках галлюцинаций и гомогенизации мнение [S86] Аналитический брифинг

10.2. Что остаётся человеку

  • Фокусное решение и рамка. Сценарий без решения — эссе; выбор решения и критических неопределённостей делает руководство [S16, S6].
  • Владение допущениями. Диапазон должен иметь владельца, который отвечает за проверку фактом [S92]; модель может предложить диапазон, но не отвечает за него.
  • Правдоподобие и согласованность. Пользовательские оценки правдоподобия [S84] и попарная проверка совместимости [S17] — работа людей с помощью модели, а не наоборот.
  • Решение и действие. Вендоры сами ограничивают агентов «одобренными изменениями» и надзором [S75]; брифинг Европарламента настаивает на человеческом надзоре [S86].
  • Данные для signposts. Триггер без источника данных не работает [S44]; LLM может читать новости, но не заменяет датчик влажности или учёт визитов.

10.3. Чему нельзя доверять

  • Самоуверенность интервалов. 90 % интервалы ChatGPT 4 содержали ответ в 60 % случаев; обучение стратегиям калибровки ухудшило результат, а числовая поправка дала 89,3 % ценой очень широких интервалов вендор [S100].
  • Человеческие искажения. У моделей найден acquiescence bias эмпирика [S71]; гомогенизация перспектив и уверенный тон мнение [S86].
  • Заявления о паритете. Оценки страдают от временных утечек и разрыва с реальным прогнозированием эмпирика [S72]; на market-вопросах модели по-прежнему слабее [S59].
  • Числа, порождённые текстом. Результат what-if должен считать код модели, а не языковая модель; это следует из назначения LLM как генератора структуры и текста, а не калькулятора гипотеза.
  • Сценарии без структуры. Текст, названный сценарием, не является им без набора допущений, логики и signposts; критерий «является ли это сценарием по традиционным определениям» поднимают сами исследователи мнение [S88].

10.4. Рабочие связки для компании 5–500 человек

  1. Извлечение допущений. LLM читает планы, письма и презентации и выдаёт кандидатов в реестр в схеме раздела 10.5 с полем source; человек подтверждает, назначает владельца и диапазон гипотеза. Аналог — извлечение компонентов моделей из описаний [S83].
  2. Генератор и критик сценариев. Один агент предлагает сценарии по заданным критическим неопределённостям, второй проверяет попарную совместимость значений допущений и отсутствие «оптимистичный/пессимистичный» вырождения; результат — кандидаты для воркшопа, не финальный набор гипотеза.
  3. Автоматический what-if по модели драйверов. Агент формулирует прогоны (one-way, совместные, стресс), код модели их исполняет (таблица, PySD, EMA Workbench [S105, S106]), агент пишет объяснение и предлагает триггеры; числа берутся только из прогона гипотеза.
  4. Мониторинг signposts. Агент сканирует источники и отмечает изменения, которые приближают триггер; для бинарных сигналов — ансамбль моделей плюс медиана людей, что повышает точность [S71].
  5. Проверка фактом. Агент сверяет наступившие даты проверки, считает попадания и Brier score, готовит квартальный разбор журнала гипотеза.

10.5. Машиночитаемая структура сценариев и допущений

Схема ниже — предложение автора гипотеза, собранное из полей раздела 6. Формат YAML для читаемости, эквивалентен JSON.

assumption:
  id: A-07
  statement: "Цена пшеницы на уборке 2027"
  kind: critical_uncertainty        # predetermined | critical_uncertainty
  load_bearing: true
  driver: price_wheat
  unit: USD/t
  range:                            # либо sip_ref: sips/price_wheat_2027.csv
    p10: 190
    p50: 225
    p90: 260
  source:
    type: outlook_plus_variance
    ref: "USDA baseline 2035, дисперсия за 10 лет"
  owner: commercial_director
  logged_at: 2026-09-01
  check_at: 2027-08-15
  status: open                      # open | validated | broken | retired
  signposts:
    - SP-02

driver:
  id: price_wheat
  type: external                    # outcome | driver | external
  formula: null
  unit: USD/t
  cadence: monthly

scenario:
  id: SC-drought
  name: "Засуха"
  logic:
    axis_1: "влага при севе: низкая"
    axis_2: "цены: baseline"
  assumption_values:
    A-01: 2.3
    A-07: 255
    A-12: 430
  predetermined:
    - P-01
    - P-03
  narrative: "..."
  signposts:
    - SP-01
    - SP-02
  implications:
    - "маржа 90 $/га"
    - "дефицит оборотных средств в августе"
  response_plan: PB-03
  status: active
  reviewed_at: 2026-09-15

signpost:
  id: SP-01
  metric: soil_moisture_1m_at_sowing
  unit: mm
  data_source:
    type: sensor
    ref: "поле 3, датчик 12"
  frequency: weekly
  trigger:
    op: "<"
    threshold: 60
    persistence: 1
  indicates: SC-drought
  playbook: PB-03
  owner: agronomist
  state: green                      # green | watch | triggered

playbook:
  id: PB-03
  actions:
    - what: "доза азота −20 %"
      who: agronomist
      by: "sowing+7d"
      cost: 0
    - what: "200 га под подсолнечник"
      who: agronomist
      by: "sowing"
      cost: 0
  preconditions:
    - "семена подсолнечника в наличии"

run:
  id: R-118
  run_at: 2026-09-12
  base_scenario: SC-base
  mode: monte_carlo                 # one_way | multi_way | monte_carlo | stress | reverse_stress
  changes:
    - driver: price_wheat
      from: 225
      to: "sip:price_wheat_2027"
  outputs:
    margin_per_ha:
      p10: 60
      p50: 380
      p90: 610
    p_negative_cashflow: 0.07
  decision: D-2027-nitrogen

journal_entry:
  id: J-041
  date: 2027-08-20
  object: A-07
  expected:
    p10: 190
    p90: 260
  actual: 268
  within_range: false
  lesson: "экспортные ограничения не учтены источником"
  change: "range p10 180, p90 290; добавлен SP-05"

Что проверяется автоматически.

Проверка Правило
Схема Все обязательные поля присутствуют, ссылки разрешаются на существующие объекты
Монотонность диапазона p10 < p50 < p90; единицы совпадают с драйвером
Несущие допущения Каждое load_bearing имеет owner, check_at в будущем и хотя бы один signpost
Полнота сценария Каждый активный сценарий задаёт значение каждой critical_uncertainty
Вырождение Набор сценариев отклоняется, если сценарии различаются только знаком отклонения от базового по всем драйверам
Совместимость Объявленные правила несовместимости пар значений (аналог cross-consistency assessment [S17]) не нарушены
Правдоподобие значений Значение сценария внутри p1–p99 допущения, иначе помечается как stress
Триггеры У каждого триггера есть data_source, frequency, owner и playbook; persistence задана
Числа outputs есть только у объектов run, порождённых исполнением модели; текстовые поля не содержат чисел без ссылки на run
Проверка фактом Просроченные check_at и триггеры в состоянии watch поднимаются в отчёт; Brier считается по вероятностным записям
Дрейф Допущение, промахнувшееся дважды из трёх проверок, помечается для пересмотра источника

Чего проверить нельзя автоматически: правдоподобие нарратива, полноту набора критических неопределённостей, честность диапазонов. Это остаётся людям и журналу.

10.6. Инструменты и репозитории

Инструмент Что делает Лицензия и метрики Дата доступа
forecasting-tools (Metaculus) Фреймворк ботов-прогнозистов с поиском, обёрткой LLM, учётом затрат и калибровкой; интеграция с турнирами FutureEval MIT, 80 звёзд, 242 коммита факт [S108] 2026-09-21
EMA Workbench (TU Delft) Exploratory modeling, scenario discovery, коннекторы к Vensim, NetLogo, Simio, Excel BSD-3, 154 звезды [S105] 2026-09-21
PySD Модели Vensim и XMILE в Python, интеграция с данными и ML MIT, 460 звёзд [S106] 2026-09-21
PyMC-Marketing, модуль Bass Байесовская оценка модели диффузии с распределениями параметров Документация проекта [S55] 2026-09-21
Anaplan CoModeler, Pigment AI, Cube agents Модель из текста, сценарии и объяснения внутри платформ Вендорские заявления [S75, S76, S77] 2026-09-21

Заметных открытых репозиториев, реализующих полный контур «реестр допущений → сценарии → триггеры → журнал» для компаний, не найдено; ближайшие аналоги — EMA Workbench для перебора будущих и forecasting-tools для вероятностей.

Происхождение, ключевые фигуры, что читать

11.1. Какую боль решал предмет и что из этого живо

Сценарии родились из провала прогнозов. Герман Кан в RAND 1950-х «думал о немыслимом» — ядерной войне — через сценарии, в 1961 году основал Hudson Institute, а в 1967 году с Wiener выпустил «The Year 2000» факт [S109]. Shell в 1965 году внедрила компьютеризированное планирование UPM и быстро увидела, что обязательства выходят за шестилетний горизонт прогноза факт [S79]; Пьер Вак с Ньюлендом построили сценарную систему, которая подготовила компанию к нефтяным шокам 1970-х, и в 1985 году описали её в двух статьях HBR факт [S4, S2, S110]. Боль актуальна и сегодня: на 3–5 лет эксперты едва лучше случайности эмпирика [S67].

Этапы эволюции.

Период Событие Что осталось в практике
1950–1960-е Кан и RAND; Delphi (Helmer, Dalkey); cross-impact (Gordon, Helmer, 1966); Gaston Berger и La Prospective во Франции Сценарий как согласованный нарратив; экспертные раунды; матрицы взаимовлияний [S109, S19, S18, S16]
1970–1985 Shell и Вак: predetermined elements, critical uncertainties, «микрокосм» руководителя Сценарии как инструмент изменения рамки, а не прогноза [S3, S4]
1988–1995 Питер Шварц, ex-Shell, основал GBN (1988) и написал «The Art of the Long View» (1991) факт [S111]; Шумейкер систематизировал метод в Sloan Management Review (1995) [S5] Восемь шагов, матрица 2×2, ведущие индикаторы [S16]
2000-е Бредфилд и соавторы зафиксировали «методологический хаос» и три школы (2005) [S65]; RAND: RDM (2003) [S91]; Sterman «Business Dynamics» (2000) [S25]; Savage «flaw of averages» (2002) [S85]; probability management (2006) [S11] Разделение школ; робастность вместо предсказания; неопределённость как данные
2010-е Wright и соавторы: intuitive logics не доводит до решения (2013) [S64]; DAPP (2013) [S44]; Good Judgment Project (2011–2015) [S46, S112]; Ramírez и Wilkinson: OSPA (2016) [S113]; SIPmath 2.0 (2016) [S11] Триггеры и пути; калибровка суждений; сценарии как обучение
2020–2026 COVID-19 возвращает сценарии в FP&A [S49]; обзор обзоров 2023 [S87]; LLM-прогнозы выходят на паритет с суперпрогнозистами на части задач (2024–2026) [S58, S59, S60]; агенты в платформах планирования (2025–2026) [S75] Сценарии как данные; агенты как генераторы и мониторы

11.2. Ключевые фигуры

  • Herman Kahn — сценарии как метод мышления о немыслимом, RAND и Hudson Institute [S109].
  • Pierre Wack (1922–1997) — Shell, «Scenarios: Uncharted Waters Ahead» и «Scenarios: Shooting the Rapids» (1985), предопределённые элементы и критические неопределённости, изменение микрокосма руководителей [S4, S2, S110, S3].
  • Peter Schwartz — Shell (с 1982), GBN (1988), «The Art of the Long View» (1991), матрица 2×2 и восемь шагов [S111, S16].
  • Paul Schoemaker — «Scenario Planning: A Tool for Strategic Thinking» (1995), сценарии против самоуверенности и туннельного зрения [S5].
  • Rafael Ramírez и Angela Wilkinson — OSPA, «Strategic Reframing» (2016), TUNA, обучение через рефрейминг [S113, S6]; в 2025 году — ускоренный процесс с GenAI [S80].
  • Tom Ritchey — general morphological analysis и cross-consistency assessment, Swedish Morphological Society [S17].
  • John Sterman — системная динамика, «Business Dynamics» (2000), «All models are wrong» (2002), пивная игра [S25, S27, S26].
  • Sam Savage — «flaw of averages», SIP и probability management [S85, S11, S12].
  • Douglas Hubbard — калибровка оценщиков, Applied Information Economics [S13, S68].
  • Ronald Howard — decision analysis (термин 1966), influence diagrams, качество решения [S34].
  • Robert Lempert — Robust Decision Making, exploratory modeling [S91, S43].
  • Marjolijn Haasnoot — Dynamic Adaptive Policy Pathways, signposts и triggers [S44, S114].
  • Philip Tetlock и Barbara Mellers — «Expert Political Judgment» (2005), Good Judgment Project, суперпрогнозирование [S67, S46, S112].
  • Gary Klein — pre-mortem (2007) [S40, S39].
  • George Wright и Ron Bradfield — критический анализ intuitive logics и история школ [S64, S65].
  • Andrea Saltelli — глобальный анализ чувствительности против «перфункторного» OAT [S115, S70].

11.3. Что читать

  • Wack, «Scenarios: Uncharted Waters Ahead» и «Shooting the Rapids» (HBR 1985) — первоисточник философии «сценарии меняют рамку, а не предсказывают»; полный текст платный [S2, S110].
  • Wilkinson, Kupers, «Living in the Futures» (HBR 2013) — сорок лет сценариев Shell изнутри; полный текст платный [S79].
  • Schoemaker, «Scenario Planning: A Tool for Strategic Thinking» (1995) — каноническая процедура и критерии сценариев [S5].
  • Schwartz, «The Art of the Long View» (1991) — восемь шагов и матрица; описание книги [S111], процесс [S16].
  • Ramírez, Wilkinson, «Strategic Reframing» (2016) — OSPA и TUNA; читать за социальную сторону сценариев [S113, S6].
  • Bradfield и соавторы (2005) и Cordova-Pozo, Rouwette (2023) — карта школ и состояние доказательств [S65, S87].
  • Wright, Bradfield, Cairns (2013) — почему классический метод не доводит до решения [S64].
  • Phadnis и соавторы (2015), Meissner и Wulf (2013), Rohrbeck и Kum (2018) — три главных эмпирических результата [S61, S62, S63].
  • Lempert, Popper, Bankes (2003) и Haasnoot и соавторы (2013) — робастность и адаптивные пути с триггерами [S91, S114, S44].
  • Sterman, «Business Dynamics» (2000) и «All models are wrong» (2002) — почему интуиция ошибается в системах с обратной связью [S25, S27].
  • Savage, «The Flaw of Averages» (HBR 2002) и стандарт SIPmath — неопределённость как данные [S85, S11, S12].
  • Hubbard, калибровка — как сделать экспертные интервалы пригодными для расчёта [S13, S68].
  • Tetlock, Mellers и соавторы (2014), Good Judgment Project — что делает суждения точнее [S112, S46].
  • Klein, «Performing a Project Premortem» (2007) — самый дешёвый метод проверки плана [S40].
  • Ritchey, General Morphological Analysis — согласованность многопараметрических сценариев [S17].
  • Saltelli, Annoni, «How to avoid a perfunctory sensitivity analysis» (2010) — почему tornado недостаточно [S115, S70].
  • UK Futures Toolkit (2024) — практический набор инструментов с путями выбора [S14].
  • Forecasting Research Institute (2026) и Paleka и соавторы (2025) — где LLM-прогнозы сейчас и почему к этому осторожно [S59, S72].
  • Vesnic-Alujevic, «Augmented foresight» (2025) — риски GenAI в форсайте [S86].
  • Fang, Katchova (2023); Keating и соавторы (2003); DSSAT — агросценарии: точность outlook и модели урожайности [S8, S94, S53].

Открытые вопросы и границы уверенности

12.1. Что не удалось проверить

  • Закрытые первоисточники. Полные тексты статей HBR (Wack 1985 [S2, S110], Wilkinson и Kupers 2013 [S79], Klein 2007 [S40], Savage 2002 [S85], Finkenstadt и соавторы 2023 [S81]), статьи Шумейкера в Sloan Management Review [S5] и статьи Ramírez и соавторов в MIT SMR 2025 [S80] доступны только фрагментами; их PDF-версии инструмент чтения не разобрал. Книга Ramírez и Wilkinson прочитана на уровне аннотации [S113].
  • Аннотации через поисковую выдачу. Meissner и Wulf 2013 [S62] и методология OECD-FAO [S52] цитируются по фрагментам из поисковой выдачи, потому что страницы издателей отвечали 403. Числа 33 % и 200 % из Rohrbeck и Kum [S63] в аннотации отсутствуют и в отчёте не используются как факт.
  • Цифра «+30 %» для pre-mortem. Аннотация Mitchell, Russo и Pennington 1989 описывает эффект prospective hindsight качественно и не содержит числа 30 % факт [S116]; популярная цифра остаётся непроверенной.
  • Типология Börjeson и соавторов. Запись найдена (Futures 38(7), 2006, 723–739), аннотация в открытых записях отсутствует факт [S117]; деление на predictive, explorative и normative в отчёте опирается на Futures Toolkit и Wikipedia [S14, S15].
  • DAPP и Saltelli. Haasnoot и соавторы прочитаны по аннотации [S114], Saltelli и Annoni — только библиографическая запись [S115]; их выводы взяты через вторичные страницы [S44, S70].
  • Недоступные сайты. Gartner (сценарное планирование CFO), ICAEW и FRC (reverse stress testing для компаний), Shell (страница сценариев), goodjudgment.com, RAND, ScienceDirect и Wiley отвечали 403 или 404; Semantic Scholar API ограничивал запросы. Поэтому регуляторная сторона reverse stress testing для нефинансовых компаний описана только через принципы Базельского комитета [S38].
  • Цены. Anaplan, Pigment, Cube, Lucanet, @RISK, AnyLogic Professional не публикуют цены; проверены только Vensim [S99] и бесплатность DSSAT [S53].

12.2. Где источники противоречат друг другу

  • Паритет LLM с суперпрогнозистами. Forecasting Research Institute говорит о статистической неразличимости на dataset-вопросах [S59], Metaculus фиксирует незначимое преимущество людей [S60], Paleka и соавторы предупреждают об утечках в оценках [S72]. Вывод отчёта: паритет вероятен на коротких проверяемых вопросах, не доказан для бизнес-вопросов компании.
  • Польза сценариев. Лонгитюд Rohrbeck и Kum показывает сильную связь готовности к будущему с результатами [S63]; Wright и соавторы считают, что метод не доводит до решения [S64]; обзор обзоров говорит, что доказательства есть, но влияние конкретных техник не установлено [S87]. Противоречие снимается различием объектов: корпоративный форсайт как способность против одной техники.
  • Обучение или решение. OSPA ставит обучение выше решения [S6], практики FP&A требуют триггеров и playbooks [S50]. Отчёт соединяет оба через артефакты раздела 6, что само по себе гипотеза.
  • Ценность прогнозов в агро. Darbyshire и соавторы находят ценность сезонных прогнозов низкой и вариабельной [S54], при этом агромодели рекламируют what-if по погоде [S53]. Разрешение: what-if по измеренным условиям полезен, триггеры на прогнозы — нет.
  • Калибровка. Данные об эффекте тренинга калибровки идут от вендора [S13, S68, S100]; независимой репликации в этом исследовании не найдено.

12.3. Какие проверки могли бы изменить выводы

  • Контролируемое исследование сценарного процесса с измерением качества решений в компаниях 5–500 человек, а не у студентов и экспертов крупных фирм.
  • Независимая оценка калибровочных тренингов и их переноса на бизнес-оценки.
  • Данные о доле малых и средних компаний со сценарным управлением: опросы FP&A Trends не раскрывают состав выборки [S24, S48].
  • Оценка LLM-прогнозов на внутренних бизнес-вопросах (отток, загрузка, урожайность) с контролем утечек.
  • Полевые проверки машиночитаемой структуры раздела 10.5: она предложена автором и не испытана.

12.4. Границы примеров и статус

Все числа в примерах разделов 5 и 6 — иллюстрации. Для салонов красоты найдены только вендорские ориентиры [S22, S57], для продуктовой разработки — консультантские рекомендации [S56] и модель Bass [S55]; эмпирических исследований сценарной практики в этих сегментах не найдено. Агросегмент опирается на институциональные outlook-отчёты и валидированные модели, но и там ценность прогнозов для решений спорна. Статус исследования — complete: все разделы заполнены по доступным источникам, ограничения доступа перечислены выше.

Реестр источников

IDНазваниеАвтор или издательURLПубликацияДоступ (дата)Вид доступаЧто подтверждает
S1Introduction to What-If AnalysisMicrosoft Supportsupport.microsoft.com/en-us/office/introduction-to-what-i…без даты2026-09-21полный текстраздел 1: три инструмента what-if в Excel, лимит 32 ячеек; раздел 9: таблицы как референс
S2Scenarios: Uncharted Waters AheadPierre Wack, Harvard Business Reviewhbr.org/1985/09/scenarios-uncharted-waters-ahead1985-092026-09-21фрагментраздел 1: критика прогнозов; раздел 11: первоисточник Shell
S3Scenario Planning (Futures Garden)Johannes Kleskegarden.johanneskleske.com/scenario-planning2026-09-132026-09-21полный текстраздел 1: predetermined elements, critical uncertainties, microcosm, школы; раздел 8: критика (anchoring, plausibility trap)
S4Pierre WackWikipediaen.wikipedia.org/wiki/Pierre_Wackбез даты2026-09-21полный текстраздел 1 и 11: биография, статьи 1985, нефтяные шоки
S5Scenario Planning: A Tool for Strategic ThinkingPaul J. H. Schoemaker, MIT Sloan Management Reviewsloanreview.mit.edu/article/scenario-planning-a-tool-for-…19952026-09-21фрагментраздел 1: определение, overconfidence и tunnel vision; раздел 11
S6Scenario planning: an answer to turmoil?Saïd Business School, University of Oxfordsbs.ox.ac.uk/oxford-answers/scenario-planning-answer-turmoilбез даты2026-09-21полный текстраздел 1: OSPA, TUNA, контекстная среда, 50–80 % внимания контексту
S7Agricultural Baseline: Questions and AnswersUSDA Economic Research Serviceers.usda.gov/topics/farm-economy/agricultural-baseline/qu…без даты2026-09-21полный текстраздел 1: baseline как «один правдоподобный сценарий», условные допущения; раздел 5: агро
S8Evaluating the OECD–FAO and USDA agricultural baseline projectionsXiaoyi Fang, Ani L. Katchova, Q Open (Oxford Academic)academic.oup.com/qopen/article/3/2/qoad029/738224620232026-09-21полный текстраздел 1: позиция OECD-FAO «правдоподобные сценарии»; раздел 2: точность baseline по горизонтам, малые выборки
S9Knightian uncertaintyWikipediaen.wikipedia.org/wiki/Knightian_uncertaintyбез даты2026-09-21полный текстраздел 1: риск против неопределённости, цитата Найта 1921
S10About UsSociety for Decision Making under Deep Uncertaintydeepuncertainty.org/about/без даты2026-09-21полный текстраздел 1: определение глубокой неопределённости
S11Probability managementWikipediaen.wikipedia.org/wiki/Probability_managementбез даты2026-09-21полный текстраздел 1: SIP, SLURP, SIPmath 2.0 (2016) и 3.0, flaw of averages, Shell 2005
S12ProbabilityManagement.orgProbabilityManagement.org (нонпрофит)probabilitymanagement.org/без даты2026-09-21полный текстраздел 1: определение flaw of averages, инструменты ChanceCalc и SIPmath Modeler Tools; раздел 9
S13The Role of Calibration in Risk AnalysisHubbard Decision Researchhubbardresearch.com/the-role-of-calibration-in-risk-analy…без даты2026-09-21полный текстраздел 1: определение калибровки, переоценка уверенности; раздел 2: более 3000 обученных (вендор)
S14The Futures Toolkit (HTML)UK Government Office for Sciencegov.uk/government/publications/futures-toolkit-for-policy…2024-08-292026-09-21полный текстраздел 1: определения horizon scanning и backcasting, 12 инструментов, три вопроса; раздел 7
S15BackcastingWikipediaen.wikipedia.org/wiki/Backcastingбез даты2026-09-21полный текстраздел 1: определение Robinson, отличие от прогноза, ограничения
S16Scenario planningWikipediaen.wikipedia.org/wiki/Scenario_planningбез даты2026-09-21полный текстраздел 1: процесс Шварца, матрица неопределённостей, 2–3 сценария, критика; раздел 11: Kahn, Berger
S17General Morphological Analysis (MA)Tom Ritchey, Swedish Morphological Societyswemorph.com/ma.htmlбез даты2026-09-21полный текстраздел 1: процедура GMA, cross-consistency assessment, размеры полей, ограничения
S18Cross-impact analysisWikipediaen.wikipedia.org/wiki/Cross-impact_analysisбез даты2026-09-21полный текстраздел 1: Gordon и Helmer 1966, процедура, 10–40 событий, ограничения
S19Delphi methodWikipediaen.wikipedia.org/wiki/Delphi_methodбез даты2026-09-21полный текстраздел 1: процедура, RAND, смешанные данные о точности, real-time Delphi
S20Tornado diagramWikipediaen.wikipedia.org/wiki/Tornado_diagramбез даты2026-09-21полный текстраздел 1: построение, one-way, игнорирование взаимодействий
S21Sensitivity analysisWikipediaen.wikipedia.org/wiki/Sensitivity_analysisбез даты2026-09-21полный текстраздел 1: OAT против глобальных методов, Sobol, Morris, покрытие менее 1 % при пяти входах
S22Salon Break-Even Analysis: When You'll Start Making MoneyDINGG (блог вендора ПО для салонов)dingg.app/blogs/salon-break-even-analysis-when-will-you-s…2026-06-152026-09-21полный текстраздел 1: ошибки break-even; раздел 5: сценарии загрузки 40/60/80 %, ориентиры по месяцам (вендор)
S23Driver-Based Forecasting in FP&A: Common Pitfalls and Practical SolutionsMilind Karnik, FP&A Trendsfpa-trends.com/article/driver-based-forecasting-fpa2026-01-202026-09-21полный текстраздел 1: определение, выбор драйверов, четыре ошибки, связь со сценариями
S24The Future of Agile FP&A: Top Trends Shaping FP&A in 2025 and BeyondOlga Rudakova, FP&A Trendsfpa-trends.com/article/top-trends-shaping-fpa-2025-and-be…2024-11-292026-09-21полный текстраздел 1 и 2: 61 % rolling forecast, 24 % обновляют по триггерам, 3 % сценарное управление в реальном времени, 12 % годовой план
S25Business DynamicsJohn D. Sterman, MIT Sloan (страница книги)mitmgmtfaculty.mit.edu/jsterman/business-dynamics/20002026-09-21полный текстраздел 1: запасы, потоки, обратная связь, задержки, ментальные модели; раздел 11
S26Beer distribution gameWikipediaen.wikipedia.org/wiki/Beer_distribution_gameбез даты2026-09-21полный текстраздел 1 и 2: результат Sterman 1989, плохие результаты даже при полной информации
S27All Models Are Wrong: Reflections on Becoming a Systems ScientistJohn D. Sterman, MITweb.mit.edu/jsterman/www/All_Models.html20022026-09-21полный текстраздел 1: модели как проверка ментальных моделей, смирение; раздел 8
S28Discrete-event simulationWikipediaen.wikipedia.org/wiki/Discrete-event_simulationбез даты2026-09-21полный текстраздел 1: компоненты DES, применения, правило остановки
S29Agent-based modelWikipediaen.wikipedia.org/wiki/Agent-based_modelбез даты2026-09-21полный текстраздел 1: свойства ABM, диффузия, проблемы валидации
S30AnyLogicWikipediaen.wikipedia.org/wiki/AnyLogicбез даты2026-09-21полный текстраздел 1 и 9: три метода в одной модели, редакции PLE и Professional
S31Digital twinWikipediaen.wikipedia.org/wiki/Digital_twinбез даты2026-09-21полный текстраздел 1: определение, синхронизация, критика размытости термина
S32ISO 23247 Digital Twin Framework for ManufacturingAP238.orgap238.org/iso23247/без даты2026-09-21полный текстраздел 1: четыре части стандарта, синхронизация, what-if
S33Digital Twins in Agriculture and Forestry: A ReviewTagarakis et al., Sensors 24(10):3117 (PMC)pmc.ncbi.nlm.nih.gov/articles/PMC11125315/2024-052026-09-21полный текстраздел 1, 2 и 5: 34 работы, одна система готова к развёртыванию, уровни DM/DS/DT
S34Decision qualityWikipediaen.wikipedia.org/wiki/Decision_qualityбез даты2026-09-21полный текстраздел 1: шесть элементов качества решения, Howard 1966
S35Expected value of perfect informationWikipediaen.wikipedia.org/wiki/Expected_value_of_perfect_informationбез даты2026-09-21полный текстраздел 1: формула EVPI, интерпретация
S36Real options valuationWikipediaen.wikipedia.org/wiki/Real_options_valuationбез даты2026-09-21полный текстраздел 1: типы опционов, методы, ограничения
S37Making Real Options Valuation a Real OptionAspinall, Meyer, Southam, Ivey Business Journaliveybusinessjournal.com/making-real-options-valuation-a-r…2023-012026-09-21полный текстраздел 1 и 2: 1,6 % CFO Fortune 1000 в 2002, барьеры применения
S38Stress testing principlesBasel Committee on Banking Supervision, BISbis.org/bcbs/publ/d450.htm2018-10-172026-09-21полный текстраздел 1: «severe but plausible», reverse stress testing, использование результатов
S39Pre-mortemWikipediaen.wikipedia.org/wiki/Pre-mortemбез даты2026-09-21полный текстраздел 1: процедура, prospective hindsight, ограничение
S40Performing a Project PremortemGary Klein, Harvard Business Reviewhbr.org/2007/09/performing-a-project-premortem2007-092026-09-21фрагментраздел 1: идея premortem; раздел 11
S41A guide to business wargaming for strategy planningAlex Walton, Charley Gale, Competitive Intelligence Alliancecompetitiveintelligencealliance.io/business-wargaming/2026-09-162026-09-21полный текстраздел 1: этапы, команды, роли (мнение практиков)
S42Business war gamesWikipediaen.wikipedia.org/wiki/Business_war_gamesбез даты2026-09-21полный текстраздел 1: три школы (BIW, BIG, BIB), умеренная неопределённость
S43Robust decision-makingWikipediaen.wikipedia.org/wiki/Robust_decision-makingбез даты2026-09-21полный текстраздел 1: exploratory modeling, scenario discovery, робастность вместо оптимальности
S44Dynamic Adaptive Policy Pathways (DAPP)Uncertain Futures (uncertainfutures.github.io)uncertainfutures.github.io/theory/DAPP/без даты2026-09-21полный текстраздел 1 и 6: adaptation tipping points, signposts, triggers, monitoring plan
S45Assumption-based planningWikipediaen.wikipedia.org/wiki/Assumption-based_planningбез даты2026-09-21полный текстраздел 1 и 6: определение допущения по RAND, процесс выявления и тестирования
S46The Good Judgment ProjectWikipediaen.wikipedia.org/wiki/The_Good_Judgment_Projectбез даты2026-09-21полный текстраздел 1 и 2: дизайн IARPA ACE, 35–72 %, 30 % против аналитиков, training/teaming/tracking
S47Versions and ScenariosPigment Knowledge Basekb.pigment.com/docs/versions-scenariosбез даты2026-09-21полный текстраздел 1 и 9: различие версий и сценариев (вендор)
S482025 FP&A Benchmarks: Where We Are, Where Leaders Are GoingFP&A Trendsfpa-trends.com/article/2025-fpa-benchmarks-and-trends20252026-09-21полный текстраздел 2: 17 % driver-based, 77 % довольны прогнозами, 46 % времени на данные, 29 % более 10 дней, 11 % интегрированное планирование
S49A Practical Guide to Scenario Planning: The 'When', the 'Why' and the 'How'Milind Karnik, FP&A Trendsfpa-trends.com/article/scenario-planning-when-why-and-how2025-02-182026-09-21полный текстраздел 2 и 5: триггеры запуска (COVID, инфляция), роли
S50From What-If to What's Next: Scenario Management for Modern FP&ASonia Moscatelli-Diwane, FP&A Trendsfpa-trends.com/article/what-if-whats-next-scenario-manage…2025-10-202026-09-21полный текстраздел 2 и 5: 5–10 драйверов, триггеры переключения, playbooks, ежедневные прогоны
S51OECD-FAO Agricultural Outlook 2025-2034Knowledge for Policy, European Commissionknowledge4policy.ec.europa.eu/publication/oecd-fao-agricu…2025-07-222026-09-21полный текстраздел 2: дата выпуска, сценарные симуляции, 14 % рост производства
S52Methodology: OECD-FAO Agricultural Outlook 2025-2034OECD, FAOoecd.org/en/publications/2025/07/oecd-fao-agricultural-ou…2025-072026-09-21фрагментраздел 2: частичный стохастический анализ на Aglink-Cosimo (виден только фрагмент в поисковой выдаче, страница отвечала 403)
S53DSSAT OverviewDSSAT Foundationdssat.net/about/2026-07-012026-09-21полный текстраздел 2, 5 и 9: 45+ культур, v4.8.6, входы, приложения анализа, бесплатность
S54Insights into the value of seasonal climate forecasts to agricultureDarbyshire et al., Australian Journal of Agricultural and Resource Economics (IDEAS/RePEc)ideas.repec.org/a/ags/aareaj/342931.html20202026-09-21аннотацияраздел 2 и 5: ценность прогнозов низкая и вариабельная, фокус на азоте для пшеницы
S55Introduction to the Bass Diffusion ModelPyMC-Marketing documentationpymc-marketing.io/en/stable/notebooks/bass/bass_example.htmlбез даты2026-09-21полный текстраздел 2 и 5: уравнение, типичные p 0,01–0,03 и q 0,3–0,5, ограничения
S56How to Stress-Test Your SaaS Financial Model Before a FundraiseGene Godick, G-Squared Partnersgsquaredcfo.com/blog/stress-test-financial-model2026-062026-09-21полный текстраздел 2 и 5: драйверы churn, CAC, три стресс-сценария, runway (мнение консультантов)
S577 Hair Salon KPIs: Hit Breakeven in 13 MonthsFinancial Models Lab (продавец шаблонов)financialmodelslab.com/blogs/kpi-metrics/hair-salonбез даты2026-09-21полный текстраздел 2 и 5: загрузка 75 %+, труд ниже 55 %, формула break-even (вендор)
S58ForecastBench: A Dynamic Benchmark of AI Forecasting CapabilitiesKarger, Bastani, Yueh-Han, Jacobs, Halawi, Zhang, Tetlock; arXivarxiv.org/abs/2409.198392025-02-282026-09-21аннотацияраздел 2 и 10: 1000 вопросов, Brier 0,096 / 0,121 / 0,122
S59AI models have likely reached parity with superforecasters on ForecastBenchForecasting Research Institute (Substack)forecastingresearch.substack.com/p/ai-models-have-likely-…2026-07-162026-09-21полный текстраздел 2 и 10: модели, неотличимые от суперпрогнозистов, dataset против market вопросов, оговорки
S60FutureEval Spring results: Pros beat bots, but the gap is closingBen Wilson, John Bash (Metaculus), LessWronglesswrong.com/posts/wZBbDqzfBjYG58CxK/futureeval-spring-r…2026-09-092026-09-21полный текстраздел 2 и 10: 173 бота, 297 вопросов, разница 1,25 балла, p=0,247
S61Effect of Scenario Planning on Field Experts' Judgment of Long-range Investment DecisionsPhadnis, Caplice, Sheffi, Singh; MIT DSpace (Strategic Management Journal)dspace.mit.edu/handle/1721.1/9602020152026-09-21аннотацияраздел 2: три полевых эксперимента, сдвиг суждений, предпочтение гибких опций
S62Cognitive benefits of scenario planning: Its impact on biases and decision qualityPhilip Meissner, Torsten Wulf; Technological Forecasting and Social Change 80(4)sciencedirect.com/science/article/abs/pii/S004016251200237520132026-09-21фрагментраздел 2: снижение framing bias, качество решения, только полный процесс (аннотация видна лишь в поисковой выдаче, страница отвечала 403)
S63Corporate foresight and its impact on firm performance: A longitudinal analysisRené Rohrbeck, Menes Etingue Kum; Technological Forecasting and Social Change 129 (IDEAS/RePEc)ideas.repec.org/a/eee/tefoso/v129y2018icp105-116.html20182026-09-21аннотацияраздел 2: лонгитюд 2008–2015, готовность к будущему как предиктор результатов
S64Does the intuitive logics method – and its recent enhancements – produce "effective" scenarios?Wright, Bradfield, Cairns; Technological Forecasting and Social Change 80(4) (Strathprints)strathprints.strath.ac.uk/44829/20132026-09-21аннотацияраздел 2 и 8: три цели сценарных интервенций, «scenario planning is a misnomer»
S65The origins and evolution of scenario techniques in long range business planningBradfield, Wright, Burt, Cairns, van der Heijden; Futures 37(8) (Strathprints)strathprints.strath.ac.uk/3993/20052026-09-21аннотацияраздел 2 и 11: «методологический хаос», три школы
S66Conjunction fallacyWikipediaen.wikipedia.org/wiki/Conjunction_fallacyбез даты2026-09-21полный текстраздел 2 и 8: детализация повышает субъективную и снижает реальную вероятность
S67Philip E. TetlockWikipediaen.wikipedia.org/wiki/Philip_E._Tetlockбез даты2026-09-21полный текстраздел 2 и 11: 284 эксперта, 28 000 прогнозов, горизонты EPJ против GJP
S68Calibration TrainingHubbard Decision Researchhubbardresearch.com/calibration-training/без даты2026-09-21полный текстраздел 2 и 5: 3–4 часа асинхронного обучения, «тысячи обученных», цена не раскрыта (вендор)
S69Reference class forecastingWikipediaen.wikipedia.org/wiki/Reference_class_forecastingбез даты2026-09-21полный текстраздел 2 и 7: outside view, пример трамвая Эдинбурга
S70Are we focusing on the right parameters? Insights from Global Sensitivity Analysis of a Functional-Structural Plant Modelin silico Plants (Oxford Academic)academic.oup.com/insilicoplants/article/6/2/diae011/771270120242026-09-21полный текстраздел 2: критика OAT со ссылкой на Saltelli и Annoni 2010, 12–14 значимых из 52 параметров
S71Wisdom of the silicon crowd: LLM ensemble prediction capabilities rival human crowd accuracySchoenegger, Tuminauskaite, Park, Bastos, Tetlock; Science Advances 10(45) (LSE Research Online)researchonline.lse.ac.uk/id/eprint/125626/2024-11-082026-09-21аннотацияраздел 2 и 10: 12 LLM, 31 вопрос, 925 людей, +17–28 % от медианы людей
S72Pitfalls in Evaluating Language Model ForecastersPaleka, Goel, Geiping, Tramèr; arXivarxiv.org/abs/2506.007232025-05-312026-09-21аннотацияраздел 2 и 10: временные утечки, разрыв с реальным прогнозированием
S73Leveraging Large Language Models for Automated Causal Loop Diagram GenerationNing-Yuan Georgia Liu, David R. Keith; arXivarxiv.org/abs/2503.217982025-03-232026-09-21аннотацияраздел 2 и 10: качество CLD для простых структур сопоставимо с экспертным
S74A System Dynamics Bot for Constructing Causal Loop DiagramsHosseinichimeh, Majumdar, Williams, Ghaffarzadegan; arXivarxiv.org/abs/2402.114002024-02-172026-09-21аннотацияраздел 2 и 10: около 60 % связей и петель, 20 диаграмм и 30 ответов
S75Anaplan Introduces New Suite of Role-Based AI AgentsAnaplan (пресс-релиз)anaplan.com/news/anaplan-introduces-new-suite-role-based-…2025-12-092026-09-21полный текстраздел 2, 9 и 10: CoModeler, ролевые агенты, человеческий надзор (вендор)
S76AI-Driven Scenario Planning: The Future of Business StrategyPigment (блог)pigment.com/blog/ai-for-scenario-planning2026-09-032026-09-21полный текстраздел 2 и 10: заявления о генерации сценариев за минуты, оговорки о данных (вендор)
S77Cube: Agentic FP&A platformCube Software (сайт)cubesoftware.com/без даты2026-09-21полный текстраздел 2 и 9: spreadsheet-native, четыре типа агентов, MCP, интеграции (вендор)
S78Extended Planning and Analysis (xP&A)Lucanet (сайт, редирект с causal.app)lucanet.com/en/solutions/extended-planning-and-analysis/без даты2026-09-21полный текстраздел 2 и 9: судьба Causal, сценарии и Modeler Agent (вендор)
S79Living in the FuturesAngela Wilkinson, Roland Kupers; Harvard Business Reviewhbr.org/2013/05/living-in-the-futures2013-052026-09-21фрагментраздел 2 и 11: UPM 1965 и выход за горизонт прогноза
S80A Faster Way to Build Future ScenariosRamírez, Lang, Köhler, Mennell; MIT Sloan Management Reviewsloanreview.mit.edu/article/scenario-planning-examples/2025-12-092026-09-21фрагментраздел 2 и 10: ускоренный процесс с GenAI, кейсы Fazer и Unum
S81Use GenAI to Improve Scenario PlanningFinkenstadt, Eapen, Sotiriadis, Guinto; Harvard Business Reviewhbr.org/2023/11/use-genai-to-improve-scenario-planning2023-112026-09-21фрагментраздел 2 и 10: три недостатка традиционного процесса, роль GenAI
S82LLM-Generated Counterfactual Stress Scenarios for Portfolio Risk Simulation via Hybrid Prompt-RAG PipelineMasoud Soleimani; arXivarxiv.org/abs/2512.078672025-11-262026-09-21аннотацияраздел 2 и 10: макросценарии G7, проверки правдоподобия, ANOVA
S83Generative AI-assisted Participatory Modeling in Socio-Environmental Planning under Deep UncertaintyPei, Lipovetzky, Rojas-Arevalo, de Haan, Moallemi; arXivarxiv.org/abs/2603.170212026-03-192026-09-21аннотацияраздел 2 и 10: извлечение компонентов моделей, итерации с проверкой человеком
S84Simulating Policy Impacts: Developing a Generative Scenario Writing Method to Evaluate the Perceived Effects of RegulationBarnett, Kieslich, Diakopoulos; arXivarxiv.org/abs/2405.096792024-072026-09-21аннотацияраздел 2 и 10: GPT-4 сценарии, оценка 234 участниками
S85The Flaw of AveragesSam L. Savage, Harvard Business Reviewhbr.org/2002/11/the-flaw-of-averages2002-112026-09-21фрагментраздел 2 и 8: планы на средних «обычно идут не так»
S86Augmented foresight: The transformative power of generative AI for anticipatory governanceLucia Vesnic-Alujevic, European Parliamentary Research Serviceeuroparl.europa.eu/thinktank/en/document/EPRS_BRI(2025)77…2025-07-152026-09-21полный текстраздел 2 и 10: возможности и риски GenAI в форсайте, человеческий надзор
S87Types of scenario planning and their effectiveness: A review of reviewsKathya Cordova-Pozo, Etienne Rouwette; Futures (запись OpenAlex)api.openalex.org/works?search=Types%20of%20scenario%20pla…20232026-09-21аннотацияраздел 3 и 12: доказательства эффективности есть, влияние конкретных техник не установлено, концептуальная путаница
S88AI-assisted scenario generation for strategic planningMatthew J. Spaniol, Nicholas J. Rowland; Futures & Foresight Science 5(2) (запись OpenAlex)api.openalex.org/works?search=AI-assisted%20scenario%20ge…20232026-09-21аннотацияраздел 3 и 10: сценарии от ИИ почти бесплатны, качество зависит от исходного материала, ИИ не заменит сценаристов
S89The effects of scenario planning on participant decision-making styleThomas J. Chermack, Kim Nimon; Human Resource Development Quarterly (запись OpenAlex)api.openalex.org/works?search=Scenario%20planning%20in%20…20082026-09-21аннотацияраздел 3: квазиэксперимент, сдвиг к интуитивному стилю решений
S90Rolling Forecast Guide: FP&A Best PracticesWall Street Prepwallstreetprep.com/knowledge/rolling-forecast-best-practi…2024-02-202026-09-21полный текстраздел 4, 5 и 8: горизонты, точность 1–3 месяца, шаги внедрения, ошибки (учебный материал)
S91Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy AnalysisLempert, Popper, Bankes; RAND (запись OpenAlex)api.openalex.org/works?search=Lempert%20Popper%20Bankes%2…20032026-09-21аннотацияраздел 4 и 11: происхождение RDM, робастные стратегии вместо предсказаний
S92Assumption Log TemplateProject Management Docsprojectmanagementdocs.com/template/project-documents/assu…без даты2026-09-21полный текстраздел 5 и 6: поля assumption log, связь с реестром рисков
S93A study of the linkages between rolling budget forms, uncertainty and strategyBhimani, Sivabalan, Soonawalla; British Accounting Review 50(3) (LSE Research Online)researchonline.lse.ac.uk/id/eprint/85693/20172026-09-21аннотацияраздел 5 и 8: опрос 182 компаний, месячные против квартальных rolling budgets
S94An overview of APSIM, a model designed for farming systems simulationKeating et al., European Journal of Agronomy 18(3–4) (Charles Sturt University research output)researchoutput.csu.edu.au/en/publications/an-overview-of-…20032026-09-21аннотацияраздел 5 и 9: назначение APSIM, применения, оценка ценности сезонных прогнозов
S95Description and Validation of the Moorepark Dairy System ModelShalloo, Dillon, Rath, Wallace; Journal of Dairy Science 87(6) (запись OpenAlex)api.openalex.org/works?search=Description%20and%20validat…20042026-09-21аннотацияраздел 5: стохастический бюджет фермы, Monte Carlo, 99,2 % чувствительности к цене
S96Australian Farm Optimisation Model: IntroductionAFO documentation (Read the Docs)australian-farm-optimising-model.readthedocs.io/en/latest…без даты2026-09-21полный текстраздел 5 и 9: преемник MIDAS, LP с ценовой и погодной неопределённостью, open source
S97Introduction to CLEM (Crop Livestock Enterprise Model)APSIM Initiativeapsim.info/clem/Content/Resources/Documents/Introduction%…без даты2026-09-21фрагментраздел 5 и 9: модель предприятия фермы: деньги, труд, скот, культуры
S98Cube PricingCube Softwarecubesoftware.com/pricingбез даты2026-09-21полный текстраздел 5 и 9: планы Bronze, Silver, Gold без публичных цен (вендор)
S99Vensim: PurchaseVentana Systemsvensim.com/purchase/без даты2026-09-21полный текстраздел 5, 9 и 12: цены PLE 50 $, PLE Plus 169 $, Professional 1195 $, DSS 1995 $ (вендор)
S100Calibrating Chat GPT for Its OverconfidenceHubbard Decision Researchhubbardresearch.com/chat-gpt-ai-calibration/20232026-09-21полный текстраздел 8 и 10: 90 % интервалы ChatGPT 4 содержали ответ в 60 % случаев, люди 52 %, после тренинга 78 %; поправка до 89,3 % ценой очень широких интервалов (вендор)
S101VersionsAnaplan Technical Documentation (Anapedia)help.anaplan.com/versions-19b4391f-5257-40ee-8dfb-36f0ab4…без даты2026-09-21полный текстраздел 9: Actual и Forecast по умолчанию, версии под сценарии, switchover, Bulk Copy, variance reports (вендор)
S102@RISK: Monte Carlo Simulation Software for ExcelLumiverolumivero.com/products/at-risk/без даты2026-09-21полный текстраздел 9: функции, Industrial-редакция, 150 000+ пользователей, скидка до 2026-09-15 (вендор)
S103Oracle Crystal Ball Installation and Licensing Guide: About Crystal BallOracledocs.oracle.com/cd/E57185_01/CBREG/ch01s01.htmlбез даты2026-09-21фрагментраздел 9: определение продукта как программы прогнозирования и анализа рисков в Excel (вендор)
S104Vensim SoftwareVentana Systemsvensim.com/vensim-software/без даты2026-09-21полный текстраздел 9: редакции и возможности, Vensim 10.4.0 (вендор)
S105EMAworkbenchJan Kwakkel, TU Delft (GitHub)github.com/quaquel/EMAworkbenchбез даты2026-09-21полный текстраздел 9 и 10: exploratory modeling, коннекторы, BSD-3, 154 звезды
S106PySDSDXorg (GitHub)github.com/SDXorg/pysdбез даты2026-09-21полный текстраздел 9 и 10: модели Vensim и XMILE в Python, MIT, 460 звёзд
S107Approaching Human-Level Forecasting with Language ModelsHalawi, Zhang, Yueh-Han, Steinhardt; arXivarxiv.org/abs/2402.185632024-02-282026-09-21аннотацияраздел 10: система с поиском и агрегированием приближается к толпе прогнозистов
S108forecasting-toolsMetaculus (GitHub)github.com/Metaculus/forecasting-toolsбез даты2026-09-21полный текстраздел 10: фреймворк ботов-прогнозистов, MIT, 80 звёзд
S109Herman KahnWikipediaen.wikipedia.org/wiki/Herman_Kahnбез даты2026-09-21полный текстраздел 11: RAND, Hudson Institute 1961, «The Year 2000» 1967
S110Scenarios: Shooting the RapidsPierre Wack, Harvard Business Reviewhbr.org/1985/11/scenarios-shooting-the-rapids1985-112026-09-21фрагментраздел 11 и 12: вторая статья Вака, decision scenarios
S111Peter Schwartz (futurist)Wikipediaen.wikipedia.org/wiki/Peter_Schwartz_(futurist)без даты2026-09-21полный текстраздел 11: Shell 1982, GBN 1988, «The Art of the Long View» 1991
S112Psychological Strategies for Winning a Geopolitical Forecasting TournamentMellers et al., Psychological Science (запись OpenAlex)api.openalex.org/works?search=Mellers%20psychological%20s…20142026-09-21аннотацияраздел 11: тренинг, команды и отслеживание как факторы точности
S113Strategic Reframing: The Oxford Scenario Planning ApproachRafael Ramírez, Angela Wilkinson; Oxford University Press (запись OpenAlex)api.openalex.org/works?search=Strategic%20Reframing%20The…2016-03-242026-09-21аннотацияраздел 11 и 12: OSPA, TUNA, обучение через рефрейминг, шесть кейсов
S114Dynamic adaptive policy pathways: A method for crafting robust decisions for a deeply uncertain worldHaasnoot, Kwakkel, Walker, ter Maat; Global Environmental Change 23(2) (запись OpenAlex)api.openalex.org/works?search=Dynamic%20adaptive%20policy…20132026-09-21аннотацияраздел 11 и 12: первоисточник DAPP, кейс дельты Рейна
S115How to avoid a perfunctory sensitivity analysisAndrea Saltelli, Paola Annoni; Environmental Modelling & Software (запись OpenAlex)api.openalex.org/works?search=How%20to%20avoid%20a%20perf…20102026-09-21фрагментраздел 11 и 12: библиографическая запись, 980 цитирований; аннотация в записи отсутствует
S116Back to the future: Temporal perspective in the explanation of eventsMitchell, Russo, Pennington; Journal of Behavioral Decision Making 2(1) (запись OpenAlex)api.openalex.org/works?search=Back%20to%20the%20future%20…19892026-09-21аннотацияраздел 12: prospective hindsight описан качественно, числа 30 % в аннотации нет
S117Scenario types and techniques: Towards a user's guideBörjeson, Höjer, Dreborg, Ekvall, Finnveden; Futures 38(7) (запись OpenAlex)api.openalex.org/works?search=Scenario%20types%20and%20te…20062026-09-21фрагментраздел 12: библиографическая запись, страницы 723–739; аннотация недоступна

Словарь терминов

What-if analysis анализ «что если»
проверка того, как меняется результат модели при изменении её входов; в таблицах — Scenario Manager, Data Table, Goal Seek.
Scenario planning сценарное планирование
построение нескольких внутренне согласованных описаний будущего для изменения рамки восприятия и подготовки решений, а не для предсказания.
Intuitive logics интуитивная логика
школа сценариев Shell и GBN: движущие силы, критические неопределённости, 2–4 нарратива, ведущие индикаторы.
OSPA, Oxford Scenario Planning Approach Оксфордский подход
сценарии как итеративное обучение через рефрейминг в условиях TUNA.
TUNA turbulence, uncertainty, novelty, ambiguity
условия турбулентности, неопределённости, новизны и неоднозначности, для которых предназначен OSPA.
Predetermined elements предопределённые элементы
факторы, уже заданные прошлым и общие для всех правдоподобных сценариев.
Critical uncertainties критические неопределённости
факторы с большим влиянием и неизвестным исходом, по которым сценарии различаются.
Microcosm микрокосм
внутренняя модель мира руководителя, на изменение которой направлены сценарии по Ваку.
Exploratory scenario исследовательский сценарий
отвечает на вопрос «что может случиться».
Normative scenario нормативный сценарий
отвечает на вопрос «как прийти к заданной цели»; инструмент — backcasting.
Backcasting обратное планирование
от желаемого будущего назад к шагам в настоящем.
Horizon scanning сканирование горизонта
систематический сбор слабых сигналов и трендов как вход в сценарии.
Delphi метод Дельфи
анонимные раунды экспертных оценок с обратной связью до сходимости.
Cross-impact analysis анализ взаимовлияний
матрица условных вероятностей событий и симуляция их сочетаний.
General Morphological Analysis, GMA общий морфологический анализ
перебор конфигураций параметров с попарной проверкой совместимости.
Cross-consistency assessment, CCA оценка перекрёстной согласованности
попарная проверка значений параметров в GMA для отсева противоречивых комбинаций.
Driver-based planning планирование от драйверов
результаты выражаются как функции немногих материальных драйверов.
Rolling forecast скользящий прогноз
регулярно обновляемый прогноз с постоянным горизонтом 12–18 месяцев.
Tornado diagram торнадо-диаграмма
ранжирование входов по размаху влияния на результат при вариации по одному.
One-at-a-time, OAT по одному фактору
локальный анализ чувствительности, не видящий взаимодействий.
Global sensitivity analysis глобальный анализ чувствительности
совместная вариация входов; индексы Sobol, скрининг Morris.
Break-even точка безубыточности
объём или загрузка, при которых прибыль равна нулю.
Monte Carlo метод Монте-Карло
многократный прогон модели со случайными реализациями входов для получения распределения результата.
SIP, Stochastic Information Packet стохастический информационный пакет
массив реализаций неопределённой величины с метаданными.
SLURP библиотека SIP с сохранёнными связями
набор SIP, сохраняющий корреляции между величинами.
SIPmath стандарт SIPmath
открытый стандарт хранения и арифметики неопределённости как данных.
Flaw of averages ошибка средних
систематическая ошибка планов, подставляющих одно среднее число вместо распределения.
Calibration калибровка
свойство оценщика, чьи 90 % интервалы содержат истину примерно в 90 % случаев.
Applied Information Economics, AIE прикладная информационная экономика
метод Хаббарда: решение, калиброванные оценки, ценность информации, измерение, решение.
EVPI, expected value of perfect information ожидаемая ценность полной информации
верхняя граница цены, которую стоит платить за информацию перед решением.
Decision analysis анализ решений
формальная структура выбора с альтернативами, вероятностями и ценностями; decision quality — качество решения в момент принятия.
Real options реальные опционы
ценность права отложить, расширить, свернуть или переключить инвестицию.
System dynamics системная динамика
моделирование запасов, потоков, обратной связи и задержек.
Stocks and flows запасы и потоки
накопления и скорости их изменения — базовые элементы системной динамики.
Beer game пивная игра
учебная симуляция цепочки поставок, показывающая неверное восприятие обратной связи.
Discrete-event simulation, DES дискретно-событийное моделирование
модель системы как последовательности событий с очередями и ресурсами.
Agent-based modeling, ABM агентное моделирование
симуляция взаимодействующих агентов с простыми правилами и эмерджентным поведением.
Digital twin цифровой двойник
виртуальная модель объекта, синхронизированная с ним данными; в агро — в основном «цифровые тени».
Stress test стресс-тест
прогон плана через суровый, но правдоподобный шок.
Reverse stress test обратный стресс-тест
от заданной точки провала назад к сценариям, которые к нему ведут.
Pre-mortem пре-мортем
команда допускает, что план провалился, и ищет причины.
Prospective hindsight проспективный ретроспективный взгляд
объяснение будущего события так, будто оно уже произошло.
Wargaming деловая военная игра
раунды ходов и контрходов команд «компания», «конкуренты», «рынок».
Robust Decision Making, RDM робастное принятие решений
поиск стратегий, приемлемых во многих будущих, вместо оптимума в одном.
Exploratory modeling исследовательское моделирование
прогон модели через тысячи комбинаций неопределённостей.
Scenario discovery обнаружение сценариев
статистический поиск условий, при которых стратегия проваливается.
Dynamic Adaptive Policy Pathways, DAPP динамические адаптивные пути
карта последовательностей решений с точками переключения.
Adaptation tipping point точка отказа действия
условия, при которых действие перестаёт достигать цели.
Signpost сигнальный индикатор
наблюдаемая переменная, отличающая один сценарий от другого.
Trigger триггер
пороговое значение signpost, запускающее заранее описанный план реакции.
Playbook план реакции
действия с ответственным, сроком и стоимостью, привязанные к триггеру.
Assumption-Based Planning, ABP планирование от допущений
выявление несущих допущений плана, signposts и действий при их нарушении.
Load-bearing assumption несущее допущение
допущение, нарушение которого ломает план.
Assumption log реестр допущений
проектный документ с допущениями, владельцами, сроками проверки и статусами.
Superforecasting суперпрогнозирование
практика калиброванных вероятностных прогнозов с тренингом, командами и учётом точности.
Brier score оценка Брайера
мера точности вероятностных прогнозов; ниже — лучше.
Reference class forecasting прогноз по референтному классу
оценка по распределению исходов похожих прошлых случаев.
Conjunction fallacy ошибка конъюнкции
детализированный сценарий кажется вероятнее, хотя каждая деталь снижает вероятность.
Knightian uncertainty кнайтовская неопределённость
неопределённость, для которой вероятности неизвестны и не могут быть известны.
Deep uncertainty глубокая неопределённость
стороны не знают или не согласны насчёт модели, распределений и важных последствий.
Baseline projection базовая проекция
институциональный «один правдоподобный сценарий» при условных допущениях, как у USDA и OECD-FAO.
Bass diffusion model модель диффузии Басса
S-образная кривая adoption с параметрами потенциала m, инновации p и имитации q.
Whole-farm model модель фермы целиком
биоэкономическая модель хозяйства, часто на линейном программировании (LP), для распределения земли, труда и денег.
Causal loop diagram диаграмма причинных петель
качественная схема обратных связей системы.
FP&A, xP&A финансовое планирование и анализ; расширенное планирование
функция и класс платформ планирования компании.
Versions vs scenarios версии против сценариев
версия — административная копия плана; сценарий — согласованный набор допущений о мире.
MCP Model Context Protocol
протокол подключения ИИ-ассистентов к данным и инструментам платформ.
ARR, CAC, churn, runway годовая повторяющаяся выручка, стоимость привлечения клиента, отток, запас месяцев до исчерпания денег
драйверы SaaS-модели в примере раздела 5.
Utilization загрузка
доля занятых кресло-часов или рабочего времени мастера в салоне.