---
title: "What-if анализ и сценарное моделирование: подходы и практики"
slug: "what-if-scenario-modeling"
participant: fable
model: "claude-fable-5-1"
effort: "max"
date: 2026-09-21
cutoff: 2026-09-21
language: ru
sources_read: 117
status: complete
summary: "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."
---

# What-if анализ и сценарное моделирование: подходы и практики

## 0. Вердикт {#verdict}

**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.

## 1. Что это и как работает {#basics}

### 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}.

## 2. Актуальность и доказательная база на дату среза {#evidence}

### 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}.

## 3. Где применимо и где нет, плюсы и минусы {#fit}

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].

## 4. Альтернативы и дерево решений {#alternatives}

### 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)

## 5. Практическое применение {#practice}

### 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} |

## 6. Артефакты {#artifacts}

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].

## 7. С чем используется в связке {#combo}

### 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.

## 8. Метрики здоровья и антипаттерны {#health}

| 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].

## 9. Инструменты и софт {#tools}

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.

## 10. Адаптация под LLM и агентов {#llm}

### 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.

```yaml
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.

## 11. Происхождение, ключевые фигуры, что читать {#origins}

### 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].

## 12. Открытые вопросы и границы уверенности {#open-questions}

### 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.

## 13. Реестр источников {#sources}

| ID | Название | Автор или издатель | URL | Дата публикации | Дата доступа | Доступ | Что подтверждает |
|---|---|---|---|---|---|---|---|
| S1 | Introduction to What-If Analysis | Microsoft Support | https://support.microsoft.com/en-us/office/introduction-to-what-if-analysis-22bffa5f-e891-4acc-bf7a-e4645c446fb4 | без даты | 2026-09-21 | полный текст | раздел 1: три инструмента what-if в Excel, лимит 32 ячеек; раздел 9: таблицы как референс |
| S2 | Scenarios: Uncharted Waters Ahead | Pierre Wack, Harvard Business Review | https://hbr.org/1985/09/scenarios-uncharted-waters-ahead | 1985-09 | 2026-09-21 | фрагмент | раздел 1: критика прогнозов; раздел 11: первоисточник Shell |
| S3 | Scenario Planning (Futures Garden) | Johannes Kleske | https://garden.johanneskleske.com/scenario-planning | 2026-09-13 | 2026-09-21 | полный текст | раздел 1: predetermined elements, critical uncertainties, microcosm, школы; раздел 8: критика (anchoring, plausibility trap) |
| S4 | Pierre Wack | Wikipedia | https://en.wikipedia.org/wiki/Pierre_Wack | без даты | 2026-09-21 | полный текст | раздел 1 и 11: биография, статьи 1985, нефтяные шоки |
| S5 | Scenario Planning: A Tool for Strategic Thinking | Paul J. H. Schoemaker, MIT Sloan Management Review | https://sloanreview.mit.edu/article/scenario-planning-a-tool-for-strategic-thinking/ | 1995 | 2026-09-21 | фрагмент | раздел 1: определение, overconfidence и tunnel vision; раздел 11 |
| S6 | Scenario planning: an answer to turmoil? | Saïd Business School, University of Oxford | https://www.sbs.ox.ac.uk/oxford-answers/scenario-planning-answer-turmoil | без даты | 2026-09-21 | полный текст | раздел 1: OSPA, TUNA, контекстная среда, 50–80 % внимания контексту |
| S7 | Agricultural Baseline: Questions and Answers | USDA Economic Research Service | https://ers.usda.gov/topics/farm-economy/agricultural-baseline/questions-answers | без даты | 2026-09-21 | полный текст | раздел 1: baseline как «один правдоподобный сценарий», условные допущения; раздел 5: агро |
| S8 | Evaluating the OECD–FAO and USDA agricultural baseline projections | Xiaoyi Fang, Ani L. Katchova, Q Open (Oxford Academic) | https://academic.oup.com/qopen/article/3/2/qoad029/7382246 | 2023 | 2026-09-21 | полный текст | раздел 1: позиция OECD-FAO «правдоподобные сценарии»; раздел 2: точность baseline по горизонтам, малые выборки |
| S9 | Knightian uncertainty | Wikipedia | https://en.wikipedia.org/wiki/Knightian_uncertainty | без даты | 2026-09-21 | полный текст | раздел 1: риск против неопределённости, цитата Найта 1921 |
| S10 | About Us | Society for Decision Making under Deep Uncertainty | https://www.deepuncertainty.org/about/ | без даты | 2026-09-21 | полный текст | раздел 1: определение глубокой неопределённости |
| S11 | Probability management | Wikipedia | https://en.wikipedia.org/wiki/Probability_management | без даты | 2026-09-21 | полный текст | раздел 1: SIP, SLURP, SIPmath 2.0 (2016) и 3.0, flaw of averages, Shell 2005 |
| S12 | ProbabilityManagement.org | ProbabilityManagement.org (нонпрофит) | https://www.probabilitymanagement.org/ | без даты | 2026-09-21 | полный текст | раздел 1: определение flaw of averages, инструменты ChanceCalc и SIPmath Modeler Tools; раздел 9 |
| S13 | The Role of Calibration in Risk Analysis | Hubbard Decision Research | https://hubbardresearch.com/the-role-of-calibration-in-risk-analysis/ | без даты | 2026-09-21 | полный текст | раздел 1: определение калибровки, переоценка уверенности; раздел 2: более 3000 обученных (вендор) |
| S14 | The Futures Toolkit (HTML) | UK Government Office for Science | https://gov.uk/government/publications/futures-toolkit-for-policy-makers-and-analysts/the-futures-toolkit-html | 2024-08-29 | 2026-09-21 | полный текст | раздел 1: определения horizon scanning и backcasting, 12 инструментов, три вопроса; раздел 7 |
| S15 | Backcasting | Wikipedia | https://en.wikipedia.org/wiki/Backcasting | без даты | 2026-09-21 | полный текст | раздел 1: определение Robinson, отличие от прогноза, ограничения |
| S16 | Scenario planning | Wikipedia | https://en.wikipedia.org/wiki/Scenario_planning | без даты | 2026-09-21 | полный текст | раздел 1: процесс Шварца, матрица неопределённостей, 2–3 сценария, критика; раздел 11: Kahn, Berger |
| S17 | General Morphological Analysis (MA) | Tom Ritchey, Swedish Morphological Society | https://www.swemorph.com/ma.html | без даты | 2026-09-21 | полный текст | раздел 1: процедура GMA, cross-consistency assessment, размеры полей, ограничения |
| S18 | Cross-impact analysis | Wikipedia | https://en.wikipedia.org/wiki/Cross-impact_analysis | без даты | 2026-09-21 | полный текст | раздел 1: Gordon и Helmer 1966, процедура, 10–40 событий, ограничения |
| S19 | Delphi method | Wikipedia | https://en.wikipedia.org/wiki/Delphi_method | без даты | 2026-09-21 | полный текст | раздел 1: процедура, RAND, смешанные данные о точности, real-time Delphi |
| S20 | Tornado diagram | Wikipedia | https://en.wikipedia.org/wiki/Tornado_diagram | без даты | 2026-09-21 | полный текст | раздел 1: построение, one-way, игнорирование взаимодействий |
| S21 | Sensitivity analysis | Wikipedia | https://en.wikipedia.org/wiki/Sensitivity_analysis | без даты | 2026-09-21 | полный текст | раздел 1: OAT против глобальных методов, Sobol, Morris, покрытие менее 1 % при пяти входах |
| S22 | Salon Break-Even Analysis: When You'll Start Making Money | DINGG (блог вендора ПО для салонов) | https://dingg.app/blogs/salon-break-even-analysis-when-will-you-start-making-money | 2026-06-15 | 2026-09-21 | полный текст | раздел 1: ошибки break-even; раздел 5: сценарии загрузки 40/60/80 %, ориентиры по месяцам (вендор) |
| S23 | Driver-Based Forecasting in FP&A: Common Pitfalls and Practical Solutions | Milind Karnik, FP&A Trends | https://fpa-trends.com/article/driver-based-forecasting-fpa | 2026-01-20 | 2026-09-21 | полный текст | раздел 1: определение, выбор драйверов, четыре ошибки, связь со сценариями |
| S24 | The Future of Agile FP&A: Top Trends Shaping FP&A in 2025 and Beyond | Olga Rudakova, FP&A Trends | https://fpa-trends.com/article/top-trends-shaping-fpa-2025-and-beyond | 2024-11-29 | 2026-09-21 | полный текст | раздел 1 и 2: 61 % rolling forecast, 24 % обновляют по триггерам, 3 % сценарное управление в реальном времени, 12 % годовой план |
| S25 | Business Dynamics | John D. Sterman, MIT Sloan (страница книги) | https://mitmgmtfaculty.mit.edu/jsterman/business-dynamics/ | 2000 | 2026-09-21 | полный текст | раздел 1: запасы, потоки, обратная связь, задержки, ментальные модели; раздел 11 |
| S26 | Beer distribution game | Wikipedia | https://en.wikipedia.org/wiki/Beer_distribution_game | без даты | 2026-09-21 | полный текст | раздел 1 и 2: результат Sterman 1989, плохие результаты даже при полной информации |
| S27 | All Models Are Wrong: Reflections on Becoming a Systems Scientist | John D. Sterman, MIT | http://web.mit.edu/jsterman/www/All_Models.html | 2002 | 2026-09-21 | полный текст | раздел 1: модели как проверка ментальных моделей, смирение; раздел 8 |
| S28 | Discrete-event simulation | Wikipedia | https://en.wikipedia.org/wiki/Discrete-event_simulation | без даты | 2026-09-21 | полный текст | раздел 1: компоненты DES, применения, правило остановки |
| S29 | Agent-based model | Wikipedia | https://en.wikipedia.org/wiki/Agent-based_model | без даты | 2026-09-21 | полный текст | раздел 1: свойства ABM, диффузия, проблемы валидации |
| S30 | AnyLogic | Wikipedia | https://en.wikipedia.org/wiki/AnyLogic | без даты | 2026-09-21 | полный текст | раздел 1 и 9: три метода в одной модели, редакции PLE и Professional |
| S31 | Digital twin | Wikipedia | https://en.wikipedia.org/wiki/Digital_twin | без даты | 2026-09-21 | полный текст | раздел 1: определение, синхронизация, критика размытости термина |
| S32 | ISO 23247 Digital Twin Framework for Manufacturing | AP238.org | https://www.ap238.org/iso23247/ | без даты | 2026-09-21 | полный текст | раздел 1: четыре части стандарта, синхронизация, what-if |
| S33 | Digital Twins in Agriculture and Forestry: A Review | Tagarakis et al., Sensors 24(10):3117 (PMC) | https://pmc.ncbi.nlm.nih.gov/articles/PMC11125315/ | 2024-05 | 2026-09-21 | полный текст | раздел 1, 2 и 5: 34 работы, одна система готова к развёртыванию, уровни DM/DS/DT |
| S34 | Decision quality | Wikipedia | https://en.wikipedia.org/wiki/Decision_quality | без даты | 2026-09-21 | полный текст | раздел 1: шесть элементов качества решения, Howard 1966 |
| S35 | Expected value of perfect information | Wikipedia | https://en.wikipedia.org/wiki/Expected_value_of_perfect_information | без даты | 2026-09-21 | полный текст | раздел 1: формула EVPI, интерпретация |
| S36 | Real options valuation | Wikipedia | https://en.wikipedia.org/wiki/Real_options_valuation | без даты | 2026-09-21 | полный текст | раздел 1: типы опционов, методы, ограничения |
| S37 | Making Real Options Valuation a Real Option | Aspinall, Meyer, Southam, Ivey Business Journal | https://iveybusinessjournal.com/making-real-options-valuation-a-real-option/ | 2023-01 | 2026-09-21 | полный текст | раздел 1 и 2: 1,6 % CFO Fortune 1000 в 2002, барьеры применения |
| S38 | Stress testing principles | Basel Committee on Banking Supervision, BIS | https://www.bis.org/bcbs/publ/d450.htm | 2018-10-17 | 2026-09-21 | полный текст | раздел 1: «severe but plausible», reverse stress testing, использование результатов |
| S39 | Pre-mortem | Wikipedia | https://en.wikipedia.org/wiki/Pre-mortem | без даты | 2026-09-21 | полный текст | раздел 1: процедура, prospective hindsight, ограничение |
| S40 | Performing a Project Premortem | Gary Klein, Harvard Business Review | https://hbr.org/2007/09/performing-a-project-premortem | 2007-09 | 2026-09-21 | фрагмент | раздел 1: идея premortem; раздел 11 |
| S41 | A guide to business wargaming for strategy planning | Alex Walton, Charley Gale, Competitive Intelligence Alliance | https://www.competitiveintelligencealliance.io/business-wargaming/ | 2026-09-16 | 2026-09-21 | полный текст | раздел 1: этапы, команды, роли (мнение практиков) |
| S42 | Business war games | Wikipedia | https://en.wikipedia.org/wiki/Business_war_games | без даты | 2026-09-21 | полный текст | раздел 1: три школы (BIW, BIG, BIB), умеренная неопределённость |
| S43 | Robust decision-making | Wikipedia | https://en.wikipedia.org/wiki/Robust_decision-making | без даты | 2026-09-21 | полный текст | раздел 1: exploratory modeling, scenario discovery, робастность вместо оптимальности |
| S44 | Dynamic Adaptive Policy Pathways (DAPP) | Uncertain Futures (uncertainfutures.github.io) | https://uncertainfutures.github.io/theory/DAPP/ | без даты | 2026-09-21 | полный текст | раздел 1 и 6: adaptation tipping points, signposts, triggers, monitoring plan |
| S45 | Assumption-based planning | Wikipedia | https://en.wikipedia.org/wiki/Assumption-based_planning | без даты | 2026-09-21 | полный текст | раздел 1 и 6: определение допущения по RAND, процесс выявления и тестирования |
| S46 | The Good Judgment Project | Wikipedia | https://en.wikipedia.org/wiki/The_Good_Judgment_Project | без даты | 2026-09-21 | полный текст | раздел 1 и 2: дизайн IARPA ACE, 35–72 %, 30 % против аналитиков, training/teaming/tracking |
| S47 | Versions and Scenarios | Pigment Knowledge Base | https://kb.pigment.com/docs/versions-scenarios | без даты | 2026-09-21 | полный текст | раздел 1 и 9: различие версий и сценариев (вендор) |
| S48 | 2025 FP&A Benchmarks: Where We Are, Where Leaders Are Going | FP&A Trends | https://fpa-trends.com/article/2025-fpa-benchmarks-and-trends | 2025 | 2026-09-21 | полный текст | раздел 2: 17 % driver-based, 77 % довольны прогнозами, 46 % времени на данные, 29 % более 10 дней, 11 % интегрированное планирование |
| S49 | A Practical Guide to Scenario Planning: The 'When', the 'Why' and the 'How' | Milind Karnik, FP&A Trends | https://fpa-trends.com/article/scenario-planning-when-why-and-how | 2025-02-18 | 2026-09-21 | полный текст | раздел 2 и 5: триггеры запуска (COVID, инфляция), роли |
| S50 | From What-If to What's Next: Scenario Management for Modern FP&A | Sonia Moscatelli-Diwane, FP&A Trends | https://fpa-trends.com/article/what-if-whats-next-scenario-management-modern-fpa | 2025-10-20 | 2026-09-21 | полный текст | раздел 2 и 5: 5–10 драйверов, триггеры переключения, playbooks, ежедневные прогоны |
| S51 | OECD-FAO Agricultural Outlook 2025-2034 | Knowledge for Policy, European Commission | https://knowledge4policy.ec.europa.eu/publication/oecd-fao-agricultural-outlook-2025-2034_en | 2025-07-22 | 2026-09-21 | полный текст | раздел 2: дата выпуска, сценарные симуляции, 14 % рост производства |
| S52 | Methodology: OECD-FAO Agricultural Outlook 2025-2034 | OECD, FAO | https://www.oecd.org/en/publications/2025/07/oecd-fao-agricultural-outlook-2025-2034_3eb15914/full-report/methodology_dda29caa.html | 2025-07 | 2026-09-21 | фрагмент | раздел 2: частичный стохастический анализ на Aglink-Cosimo (виден только фрагмент в поисковой выдаче, страница отвечала 403) |
| S53 | DSSAT Overview | DSSAT Foundation | https://dssat.net/about/ | 2026-07-01 | 2026-09-21 | полный текст | раздел 2, 5 и 9: 45+ культур, v4.8.6, входы, приложения анализа, бесплатность |
| S54 | Insights into the value of seasonal climate forecasts to agriculture | Darbyshire et al., Australian Journal of Agricultural and Resource Economics (IDEAS/RePEc) | https://ideas.repec.org/a/ags/aareaj/342931.html | 2020 | 2026-09-21 | аннотация | раздел 2 и 5: ценность прогнозов низкая и вариабельная, фокус на азоте для пшеницы |
| S55 | Introduction to the Bass Diffusion Model | PyMC-Marketing documentation | https://www.pymc-marketing.io/en/stable/notebooks/bass/bass_example.html | без даты | 2026-09-21 | полный текст | раздел 2 и 5: уравнение, типичные p 0,01–0,03 и q 0,3–0,5, ограничения |
| S56 | How to Stress-Test Your SaaS Financial Model Before a Fundraise | Gene Godick, G-Squared Partners | https://www.gsquaredcfo.com/blog/stress-test-financial-model | 2026-06 | 2026-09-21 | полный текст | раздел 2 и 5: драйверы churn, CAC, три стресс-сценария, runway (мнение консультантов) |
| S57 | 7 Hair Salon KPIs: Hit Breakeven in 13 Months | Financial Models Lab (продавец шаблонов) | https://financialmodelslab.com/blogs/kpi-metrics/hair-salon | без даты | 2026-09-21 | полный текст | раздел 2 и 5: загрузка 75 %+, труд ниже 55 %, формула break-even (вендор) |
| S58 | ForecastBench: A Dynamic Benchmark of AI Forecasting Capabilities | Karger, Bastani, Yueh-Han, Jacobs, Halawi, Zhang, Tetlock; arXiv | https://arxiv.org/abs/2409.19839 | 2025-02-28 | 2026-09-21 | аннотация | раздел 2 и 10: 1000 вопросов, Brier 0,096 / 0,121 / 0,122 |
| S59 | AI models have likely reached parity with superforecasters on ForecastBench | Forecasting Research Institute (Substack) | https://forecastingresearch.substack.com/p/ai-models-have-likely-reached-parity | 2026-07-16 | 2026-09-21 | полный текст | раздел 2 и 10: модели, неотличимые от суперпрогнозистов, dataset против market вопросов, оговорки |
| S60 | FutureEval Spring results: Pros beat bots, but the gap is closing | Ben Wilson, John Bash (Metaculus), LessWrong | https://www.lesswrong.com/posts/wZBbDqzfBjYG58CxK/futureeval-spring-results-pros-beat-bots-but-the-gap-is | 2026-09-09 | 2026-09-21 | полный текст | раздел 2 и 10: 173 бота, 297 вопросов, разница 1,25 балла, p=0,247 |
| S61 | Effect of Scenario Planning on Field Experts' Judgment of Long-range Investment Decisions | Phadnis, Caplice, Sheffi, Singh; MIT DSpace (Strategic Management Journal) | https://dspace.mit.edu/handle/1721.1/96020 | 2015 | 2026-09-21 | аннотация | раздел 2: три полевых эксперимента, сдвиг суждений, предпочтение гибких опций |
| S62 | Cognitive benefits of scenario planning: Its impact on biases and decision quality | Philip Meissner, Torsten Wulf; Technological Forecasting and Social Change 80(4) | https://www.sciencedirect.com/science/article/abs/pii/S0040162512002375 | 2013 | 2026-09-21 | фрагмент | раздел 2: снижение framing bias, качество решения, только полный процесс (аннотация видна лишь в поисковой выдаче, страница отвечала 403) |
| S63 | Corporate foresight and its impact on firm performance: A longitudinal analysis | René Rohrbeck, Menes Etingue Kum; Technological Forecasting and Social Change 129 (IDEAS/RePEc) | https://ideas.repec.org/a/eee/tefoso/v129y2018icp105-116.html | 2018 | 2026-09-21 | аннотация | раздел 2: лонгитюд 2008–2015, готовность к будущему как предиктор результатов |
| S64 | Does the intuitive logics method – and its recent enhancements – produce "effective" scenarios? | Wright, Bradfield, Cairns; Technological Forecasting and Social Change 80(4) (Strathprints) | https://strathprints.strath.ac.uk/44829/ | 2013 | 2026-09-21 | аннотация | раздел 2 и 8: три цели сценарных интервенций, «scenario planning is a misnomer» |
| S65 | The origins and evolution of scenario techniques in long range business planning | Bradfield, Wright, Burt, Cairns, van der Heijden; Futures 37(8) (Strathprints) | https://strathprints.strath.ac.uk/3993/ | 2005 | 2026-09-21 | аннотация | раздел 2 и 11: «методологический хаос», три школы |
| S66 | Conjunction fallacy | Wikipedia | https://en.wikipedia.org/wiki/Conjunction_fallacy | без даты | 2026-09-21 | полный текст | раздел 2 и 8: детализация повышает субъективную и снижает реальную вероятность |
| S67 | Philip E. Tetlock | Wikipedia | https://en.wikipedia.org/wiki/Philip_E._Tetlock | без даты | 2026-09-21 | полный текст | раздел 2 и 11: 284 эксперта, 28 000 прогнозов, горизонты EPJ против GJP |
| S68 | Calibration Training | Hubbard Decision Research | https://hubbardresearch.com/calibration-training/ | без даты | 2026-09-21 | полный текст | раздел 2 и 5: 3–4 часа асинхронного обучения, «тысячи обученных», цена не раскрыта (вендор) |
| S69 | Reference class forecasting | Wikipedia | https://en.wikipedia.org/wiki/Reference_class_forecasting | без даты | 2026-09-21 | полный текст | раздел 2 и 7: outside view, пример трамвая Эдинбурга |
| S70 | Are we focusing on the right parameters? Insights from Global Sensitivity Analysis of a Functional-Structural Plant Model | in silico Plants (Oxford Academic) | https://academic.oup.com/insilicoplants/article/6/2/diae011/7712701 | 2024 | 2026-09-21 | полный текст | раздел 2: критика OAT со ссылкой на Saltelli и Annoni 2010, 12–14 значимых из 52 параметров |
| S71 | Wisdom of the silicon crowd: LLM ensemble prediction capabilities rival human crowd accuracy | Schoenegger, Tuminauskaite, Park, Bastos, Tetlock; Science Advances 10(45) (LSE Research Online) | https://researchonline.lse.ac.uk/id/eprint/125626/ | 2024-11-08 | 2026-09-21 | аннотация | раздел 2 и 10: 12 LLM, 31 вопрос, 925 людей, +17–28 % от медианы людей |
| S72 | Pitfalls in Evaluating Language Model Forecasters | Paleka, Goel, Geiping, Tramèr; arXiv | https://arxiv.org/abs/2506.00723 | 2025-05-31 | 2026-09-21 | аннотация | раздел 2 и 10: временные утечки, разрыв с реальным прогнозированием |
| S73 | Leveraging Large Language Models for Automated Causal Loop Diagram Generation | Ning-Yuan Georgia Liu, David R. Keith; arXiv | https://arxiv.org/abs/2503.21798 | 2025-03-23 | 2026-09-21 | аннотация | раздел 2 и 10: качество CLD для простых структур сопоставимо с экспертным |
| S74 | A System Dynamics Bot for Constructing Causal Loop Diagrams | Hosseinichimeh, Majumdar, Williams, Ghaffarzadegan; arXiv | https://arxiv.org/abs/2402.11400 | 2024-02-17 | 2026-09-21 | аннотация | раздел 2 и 10: около 60 % связей и петель, 20 диаграмм и 30 ответов |
| S75 | Anaplan Introduces New Suite of Role-Based AI Agents | Anaplan (пресс-релиз) | https://www.anaplan.com/news/anaplan-introduces-new-suite-role-based-ai-agents/ | 2025-12-09 | 2026-09-21 | полный текст | раздел 2, 9 и 10: CoModeler, ролевые агенты, человеческий надзор (вендор) |
| S76 | AI-Driven Scenario Planning: The Future of Business Strategy | Pigment (блог) | https://www.pigment.com/blog/ai-for-scenario-planning | 2026-09-03 | 2026-09-21 | полный текст | раздел 2 и 10: заявления о генерации сценариев за минуты, оговорки о данных (вендор) |
| S77 | Cube: Agentic FP&A platform | Cube Software (сайт) | https://www.cubesoftware.com/ | без даты | 2026-09-21 | полный текст | раздел 2 и 9: spreadsheet-native, четыре типа агентов, MCP, интеграции (вендор) |
| S78 | Extended Planning and Analysis (xP&A) | Lucanet (сайт, редирект с causal.app) | https://www.lucanet.com/en/solutions/extended-planning-and-analysis/ | без даты | 2026-09-21 | полный текст | раздел 2 и 9: судьба Causal, сценарии и Modeler Agent (вендор) |
| S79 | Living in the Futures | Angela Wilkinson, Roland Kupers; Harvard Business Review | https://hbr.org/2013/05/living-in-the-futures | 2013-05 | 2026-09-21 | фрагмент | раздел 2 и 11: UPM 1965 и выход за горизонт прогноза |
| S80 | A Faster Way to Build Future Scenarios | Ramírez, Lang, Köhler, Mennell; MIT Sloan Management Review | https://sloanreview.mit.edu/article/scenario-planning-examples/ | 2025-12-09 | 2026-09-21 | фрагмент | раздел 2 и 10: ускоренный процесс с GenAI, кейсы Fazer и Unum |
| S81 | Use GenAI to Improve Scenario Planning | Finkenstadt, Eapen, Sotiriadis, Guinto; Harvard Business Review | https://hbr.org/2023/11/use-genai-to-improve-scenario-planning | 2023-11 | 2026-09-21 | фрагмент | раздел 2 и 10: три недостатка традиционного процесса, роль GenAI |
| S82 | LLM-Generated Counterfactual Stress Scenarios for Portfolio Risk Simulation via Hybrid Prompt-RAG Pipeline | Masoud Soleimani; arXiv | https://arxiv.org/abs/2512.07867 | 2025-11-26 | 2026-09-21 | аннотация | раздел 2 и 10: макросценарии G7, проверки правдоподобия, ANOVA |
| S83 | Generative AI-assisted Participatory Modeling in Socio-Environmental Planning under Deep Uncertainty | Pei, Lipovetzky, Rojas-Arevalo, de Haan, Moallemi; arXiv | https://arxiv.org/abs/2603.17021 | 2026-03-19 | 2026-09-21 | аннотация | раздел 2 и 10: извлечение компонентов моделей, итерации с проверкой человеком |
| S84 | Simulating Policy Impacts: Developing a Generative Scenario Writing Method to Evaluate the Perceived Effects of Regulation | Barnett, Kieslich, Diakopoulos; arXiv | https://arxiv.org/abs/2405.09679 | 2024-07 | 2026-09-21 | аннотация | раздел 2 и 10: GPT-4 сценарии, оценка 234 участниками |
| S85 | The Flaw of Averages | Sam L. Savage, Harvard Business Review | https://hbr.org/2002/11/the-flaw-of-averages | 2002-11 | 2026-09-21 | фрагмент | раздел 2 и 8: планы на средних «обычно идут не так» |
| S86 | Augmented foresight: The transformative power of generative AI for anticipatory governance | Lucia Vesnic-Alujevic, European Parliamentary Research Service | https://www.europarl.europa.eu/thinktank/en/document/EPRS_BRI(2025)774665 | 2025-07-15 | 2026-09-21 | полный текст | раздел 2 и 10: возможности и риски GenAI в форсайте, человеческий надзор |
| S87 | Types of scenario planning and their effectiveness: A review of reviews | Kathya Cordova-Pozo, Etienne Rouwette; Futures (запись OpenAlex) | https://api.openalex.org/works?search=Types%20of%20scenario%20planning%20and%20their%20effectiveness%20a%20review%20of%20reviews&per-page=1 | 2023 | 2026-09-21 | аннотация | раздел 3 и 12: доказательства эффективности есть, влияние конкретных техник не установлено, концептуальная путаница |
| S88 | AI-assisted scenario generation for strategic planning | Matthew J. Spaniol, Nicholas J. Rowland; Futures & Foresight Science 5(2) (запись OpenAlex) | https://api.openalex.org/works?search=AI-assisted%20scenario%20generation%20for%20strategic%20planning%20Spaniol%20Rowland&per-page=1 | 2023 | 2026-09-21 | аннотация | раздел 3 и 10: сценарии от ИИ почти бесплатны, качество зависит от исходного материала, ИИ не заменит сценаристов |
| S89 | The effects of scenario planning on participant decision-making style | Thomas J. Chermack, Kim Nimon; Human Resource Development Quarterly (запись OpenAlex) | https://api.openalex.org/works?search=Scenario%20planning%20in%20organizations%20Chermack%20cognitive%20effects%20experiment&per-page=3 | 2008 | 2026-09-21 | аннотация | раздел 3: квазиэксперимент, сдвиг к интуитивному стилю решений |
| S90 | Rolling Forecast Guide: FP&A Best Practices | Wall Street Prep | https://www.wallstreetprep.com/knowledge/rolling-forecast-best-practices-guide-fpa-professionals/ | 2024-02-20 | 2026-09-21 | полный текст | раздел 4, 5 и 8: горизонты, точность 1–3 месяца, шаги внедрения, ошибки (учебный материал) |
| S91 | Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis | Lempert, Popper, Bankes; RAND (запись OpenAlex) | https://api.openalex.org/works?search=Lempert%20Popper%20Bankes%20Shaping%20the%20next%20one%20hundred%20years%20new%20methods%20quantitative%20long-term%20policy%20analysis&per-page=1 | 2003 | 2026-09-21 | аннотация | раздел 4 и 11: происхождение RDM, робастные стратегии вместо предсказаний |
| S92 | Assumption Log Template | Project Management Docs | https://www.projectmanagementdocs.com/template/project-documents/assumption-log/ | без даты | 2026-09-21 | полный текст | раздел 5 и 6: поля assumption log, связь с реестром рисков |
| S93 | A study of the linkages between rolling budget forms, uncertainty and strategy | Bhimani, Sivabalan, Soonawalla; British Accounting Review 50(3) (LSE Research Online) | https://researchonline.lse.ac.uk/id/eprint/85693/ | 2017 | 2026-09-21 | аннотация | раздел 5 и 8: опрос 182 компаний, месячные против квартальных rolling budgets |
| S94 | An overview of APSIM, a model designed for farming systems simulation | Keating et al., European Journal of Agronomy 18(3–4) (Charles Sturt University research output) | https://researchoutput.csu.edu.au/en/publications/an-overview-of-apsim-a-model-designed-for-farming-systems-simulat/ | 2003 | 2026-09-21 | аннотация | раздел 5 и 9: назначение APSIM, применения, оценка ценности сезонных прогнозов |
| S95 | Description and Validation of the Moorepark Dairy System Model | Shalloo, Dillon, Rath, Wallace; Journal of Dairy Science 87(6) (запись OpenAlex) | https://api.openalex.org/works?search=Description%20and%20validation%20of%20the%20Moorepark%20Dairy%20System%20Model&per-page=1 | 2004 | 2026-09-21 | аннотация | раздел 5: стохастический бюджет фермы, Monte Carlo, 99,2 % чувствительности к цене |
| S96 | Australian Farm Optimisation Model: Introduction | AFO documentation (Read the Docs) | https://australian-farm-optimising-model.readthedocs.io/en/latest/introduction.html | без даты | 2026-09-21 | полный текст | раздел 5 и 9: преемник MIDAS, LP с ценовой и погодной неопределённостью, open source |
| S97 | Introduction to CLEM (Crop Livestock Enterprise Model) | APSIM Initiative | https://www.apsim.info/clem/Content/Resources/Documents/Introduction%20to%20CLEM%202page.pdf | без даты | 2026-09-21 | фрагмент | раздел 5 и 9: модель предприятия фермы: деньги, труд, скот, культуры |
| S98 | Cube Pricing | Cube Software | https://www.cubesoftware.com/pricing | без даты | 2026-09-21 | полный текст | раздел 5 и 9: планы Bronze, Silver, Gold без публичных цен (вендор) |
| S99 | Vensim: Purchase | Ventana Systems | https://vensim.com/purchase/ | без даты | 2026-09-21 | полный текст | раздел 5, 9 и 12: цены PLE 50 $, PLE Plus 169 $, Professional 1195 $, DSS 1995 $ (вендор) |
| S100 | Calibrating Chat GPT for Its Overconfidence | Hubbard Decision Research | https://hubbardresearch.com/chat-gpt-ai-calibration/ | 2023 | 2026-09-21 | полный текст | раздел 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) |
| S101 | Versions | Anaplan Technical Documentation (Anapedia) | https://help.anaplan.com/versions-19b4391f-5257-40ee-8dfb-36f0ab426c8f | без даты | 2026-09-21 | полный текст | раздел 9: Actual и Forecast по умолчанию, версии под сценарии, switchover, Bulk Copy, variance reports (вендор) |
| S102 | @RISK: Monte Carlo Simulation Software for Excel | Lumivero | https://lumivero.com/products/at-risk/ | без даты | 2026-09-21 | полный текст | раздел 9: функции, Industrial-редакция, 150 000+ пользователей, скидка до 2026-09-15 (вендор) |
| S103 | Oracle Crystal Ball Installation and Licensing Guide: About Crystal Ball | Oracle | https://docs.oracle.com/cd/E57185_01/CBREG/ch01s01.html | без даты | 2026-09-21 | фрагмент | раздел 9: определение продукта как программы прогнозирования и анализа рисков в Excel (вендор) |
| S104 | Vensim Software | Ventana Systems | https://vensim.com/vensim-software/ | без даты | 2026-09-21 | полный текст | раздел 9: редакции и возможности, Vensim 10.4.0 (вендор) |
| S105 | EMAworkbench | Jan Kwakkel, TU Delft (GitHub) | https://github.com/quaquel/EMAworkbench | без даты | 2026-09-21 | полный текст | раздел 9 и 10: exploratory modeling, коннекторы, BSD-3, 154 звезды |
| S106 | PySD | SDXorg (GitHub) | https://github.com/SDXorg/pysd | без даты | 2026-09-21 | полный текст | раздел 9 и 10: модели Vensim и XMILE в Python, MIT, 460 звёзд |
| S107 | Approaching Human-Level Forecasting with Language Models | Halawi, Zhang, Yueh-Han, Steinhardt; arXiv | https://arxiv.org/abs/2402.18563 | 2024-02-28 | 2026-09-21 | аннотация | раздел 10: система с поиском и агрегированием приближается к толпе прогнозистов |
| S108 | forecasting-tools | Metaculus (GitHub) | https://github.com/Metaculus/forecasting-tools | без даты | 2026-09-21 | полный текст | раздел 10: фреймворк ботов-прогнозистов, MIT, 80 звёзд |
| S109 | Herman Kahn | Wikipedia | https://en.wikipedia.org/wiki/Herman_Kahn | без даты | 2026-09-21 | полный текст | раздел 11: RAND, Hudson Institute 1961, «The Year 2000» 1967 |
| S110 | Scenarios: Shooting the Rapids | Pierre Wack, Harvard Business Review | https://hbr.org/1985/11/scenarios-shooting-the-rapids | 1985-11 | 2026-09-21 | фрагмент | раздел 11 и 12: вторая статья Вака, decision scenarios |
| S111 | Peter Schwartz (futurist) | Wikipedia | https://en.wikipedia.org/wiki/Peter_Schwartz_(futurist) | без даты | 2026-09-21 | полный текст | раздел 11: Shell 1982, GBN 1988, «The Art of the Long View» 1991 |
| S112 | Psychological Strategies for Winning a Geopolitical Forecasting Tournament | Mellers et al., Psychological Science (запись OpenAlex) | https://api.openalex.org/works?search=Mellers%20psychological%20strategies%20for%20winning%20a%20geopolitical%20forecasting%20tournament&per-page=1 | 2014 | 2026-09-21 | аннотация | раздел 11: тренинг, команды и отслеживание как факторы точности |
| S113 | Strategic Reframing: The Oxford Scenario Planning Approach | Rafael Ramírez, Angela Wilkinson; Oxford University Press (запись OpenAlex) | https://api.openalex.org/works?search=Strategic%20Reframing%20The%20Oxford%20Scenario%20Planning%20Approach&per-page=1 | 2016-03-24 | 2026-09-21 | аннотация | раздел 11 и 12: OSPA, TUNA, обучение через рефрейминг, шесть кейсов |
| S114 | Dynamic adaptive policy pathways: A method for crafting robust decisions for a deeply uncertain world | Haasnoot, Kwakkel, Walker, ter Maat; Global Environmental Change 23(2) (запись OpenAlex) | https://api.openalex.org/works?search=Dynamic%20adaptive%20policy%20pathways%20method%20for%20crafting%20robust%20decisions%20Haasnoot&per-page=1 | 2013 | 2026-09-21 | аннотация | раздел 11 и 12: первоисточник DAPP, кейс дельты Рейна |
| S115 | How to avoid a perfunctory sensitivity analysis | Andrea Saltelli, Paola Annoni; Environmental Modelling & Software (запись OpenAlex) | https://api.openalex.org/works?search=How%20to%20avoid%20a%20perfunctory%20sensitivity%20analysis&per-page=1 | 2010 | 2026-09-21 | фрагмент | раздел 11 и 12: библиографическая запись, 980 цитирований; аннотация в записи отсутствует |
| S116 | Back to the future: Temporal perspective in the explanation of events | Mitchell, Russo, Pennington; Journal of Behavioral Decision Making 2(1) (запись OpenAlex) | https://api.openalex.org/works?search=Back%20to%20the%20future%20temporal%20perspective%20in%20the%20explanation%20of%20events&per-page=1 | 1989 | 2026-09-21 | аннотация | раздел 12: prospective hindsight описан качественно, числа 30 % в аннотации нет |
| S117 | Scenario types and techniques: Towards a user's guide | Börjeson, Höjer, Dreborg, Ekvall, Finnveden; Futures 38(7) (запись OpenAlex) | https://api.openalex.org/works?search=Scenario%20types%20and%20techniques%20towards%20a%20user%27s%20guide&per-page=1 | 2006 | 2026-09-21 | фрагмент | раздел 12: библиографическая запись, страницы 723–739; аннотация недоступна |

## 14. Словарь терминов {#glossary}

- **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.
