Прогнозная аналитика

Прогнозная аналитика помогает компаниям заглядывать в будущее или заглядывать "за угол" с разумной степенью точности. Эта возможность всегда была важна, но теперь становиться очень важной. Порой компаниям приходилось преодолевать серьезные сбои в торговле, сбои в цепочке поставок, переживать внезапные скачки спроса, сталкиваться с новыми рискаии и проблемами. Действенные, точные прогнозы необходимы, чтобы помочь лицам, принимающим решения, ориентироваться в мире, где быстрые изменения и волатильность рынка стали постоянными.

Определение прогнозной аналитики.

Прогнозная (предиктивная) аналитика - это ветвь расширенной аналитики, которая делает прогнозы о будущих событиях, поведении и результатах. Для анализа текущих и исторических данных, для оценки вероятности того, что что-то произойдет используются статистические методы, включая алгоритмы машинного обучения и сложное прогнозное моделирование.

Прогностическая аналитика актуальна для большинства отраслей и имеет множество применений, в том числе для решения таких задач:

• Снижение оттока сотрудников и клиентов.
• Выявление клиентов, которые с наибольшей вероятностью не выполнят платежи.
• Прогнозирования продаж.
• Определение оптимальных цен.
• Планирование техническое обслуживание или замены оборудования.

Пример прогнозной аналитики в "графическом" исполнении:

Прогнозная аналитика сегодня

Согласно исследованию Allied Market Research , прогнозируется, что к 2027 году мировой рынок прогнозной аналитики достигнет 35,45 млрд долларов США, при этом среднегодовой темп роста (CAGR) составит 21,9%. Прогнозная аналитика хорошо применяется в местах, где генерируются огромные объемы данных, используются мощные компьютеры, а программное обеспечение - интерактивное и простое в использовании.

Компании собирают огромные объемы данных различного типа - от традиционных структурированных данных до неструктурированных массивов, таких как данные Интернета вещей (IoT), текст, видео и еще кое-что. Прогнозная аналитика может объединить данные из разных источников, может анализировать большие объемы данных, позволяет получать более точные прогнозы и далать более глубокие и действенные выводы.

Ключевым элементом для моделей прогнозной аналитики явлются облачные технологии, прежде всего в силу того, что облако позволяет подключать различные источники данных. Плюс, облачные хранилища и озера данных предоставляют более эффектиное, экономичное и масштабируемое хранение данных по сравнению с хранением данных в локальных базах данных.

Сегодняшняя прогнозная аналитика «дополнена» технологиями искусственного интеллекта (ИИ), такими как машинное обучение, глубокое обучение и нейронные сети. Эта расширенная аналитика может быстро анализировать большие объемы данных, выявлять идеи, которые люди могут упустить, точнее оценивать вероятность будущих событий. Они также автоматизируют сложные этапы процесса построения и тестирования моделей прогнозной аналитики.

Обработка естественного языка с помощью ИИ позволяет пользователям на разговорном языке задавать вопросы и получать ответы, что делает гораздо проще интерпретацию данных и понимание ответов. Исторически инструменты и методы, лежащие в основе прогнозной аналитики, были настолько сложными, что только специалисты по данным и профессиональные аналитики могли использовать их эффективно. Но с помощью расширенной аналитики бизнес-пользователи с минимальным обучением теперь могут генерировать точные прогнозы и принимать разумные, дальновидные решения без помощи специалистов ИТ. Преимущество, которое нельзя игнорировать в условиях жесткой конкуренции на рынке.

Примеры прогнозной аналитики

Прогнозная аналитика применима и ценится практически во всех отраслях - от финансовых услуг до авиакосмической отрасли. Прогностические модели используются для прогнозирования запасов, управления ресурсами, установки цен на билеты, управления техническим обслуживанием оборудования, разработки моделей кредитного риска и многого другого. Они помогают компаниям снизить риски, оптимизировать операции и увеличивать доход.

Прогнозная аналитика в HR

С помощью прогнозной аналитики данные о людях можно проанализировать, чтобы определить, соответствует ли потенциальный сотрудник культурной среде, какие сотрудники рискуют покинуть организацию, нужно ли компании повышать квалификацию сотрудника.

Прогнозная аналитика в здравоохранении

Используя прогнозную аналитику, руководители здравоохранения могут улучшить принятие финансовых и операционных решений, оптимизировать уровни запасов, улучшить укомплектования персоналом, более эффективно управлять цепочками поставок, прогнозировать потребности в обслуживании медицинского оборудования. Прогностическая аналитика также позволяет улучшить клинические результаты за счет выявления ранних признаков ухудшения состояния пациента, выявления пациентов с риском повторной госпитализации и повышения точности диагностики и лечения пациентов.

Прогнозная аналитика в ритейле

Розничные продавцы собирают огромное количество информации о покупателях как в Интернете, так и в реальном мире, например отслеживая, как покупатели перемещаются по магазину. Другая отслеживаемая информация включает контактные данные клиентов в точке продажи, их активность в социальных сетях, то, что они купили, как часто они покупают или посещают магазин. Используя прогнозную аналитику, розничные продавцы могут использовать эти данные для решения разных задач, от оптимизации запасов и прогнозирования доходов до поведенческой аналитики, таргетинга покупателей и обнаружения мошенничества.

Прогнозная аналитика в маркетинге

Модели, созданные с помощью прогнозной аналитики, чрезвычайно ценны для маркетологов, поскольку они делают маркетинговые кампании более целенаправленными и эффективными в мире, где клиенты могут заказывать то, что они хотят, когда они хотят, практически из любого места в Интернете. Прогнозная маркетинговая аналитика обеспечивает сегментацию клиентов, оценку потенциальных клиентов, привлечение новых клиентов, рекомендации по контенту и рекламе, а также персонализацию предложения и продаж. Маркетологи могут использовать данные клиентов для организации акций, рекламных кампаний, рассылки предложений по другим продуктам, которые могут понравиться клиентам.

Прогнозная аналитика в цепочке поставок

Прогнозная аналитика стала незаменимой для управления гибкой и устойчивой цепочкой поставок и предотвращения сбоев в поставках. Она анализирует массивные наборы данных из множества различных источников для создания точных прогнозов спроса и предложения, определения оптимальных уровней запасов, улучшения логистики и своевременности поставок.

Основные этапы процесса построения моделей прогнозной аналитики

Процесс построения прогнозной аналитики включает в себя

• Определение целей или задач моделей прогнозной аналитики.
• Сбор и очистку огромных объемов данных.
• Построение прогнозных моделей с использованием сложных прогнозных алгоритмов и методов.
• Ввод в эксплуатацию моделей.
• Мониторинг и улучшение моделей. 

Процесс построения моделей - традиционно сложный процесс. Но он становится все более автоматизированным и более доступным для среднего бизнес-пользователя благодаря новым технологиям искусственного интеллекта. Тем не менее, компаниям все еще могут потребоваться специалисты ИТ на определенных этапах ипостроения моделей.

Определение целей проекта

Каков желаемый результат? Какую проблему пытаемся решить? Первым шагом является определение целей, результатов, объема и необходимых данных.

Сбор данных

Сбор необходимых данные в одном месте. Подключение данных из различных источников - от транзакционных систем и датчиков до журналов колл-центров.

Очистка и подготовка данных

Очистка, подготовка и интегрирование данных для анализа. Удаление выбросов, определение недостающей информации для улучшения качества прогнозных данных.

Построение и тестированиее модели

Создание прогнозной модели, обучение модели на подготовленом наборе данных, тестирование модели. Оценка точности модели. Для создания безошибочной модели может потребоваться несколько итераций обучения модели.

Ввод модели в эксплуатацию

Ввод в эксплуатацию прогнозной модели и применение модели к новым данным. Получение результатов и отчетов. Автоматизация принятия решений на основе результатов прогнозной модели.

Мониторинг и улучшение модели

Регулярная проверка модели, оценка производительности модели. Убедитесь, что модель дает ожидаемые результаты. При необходимости уточните и оптимизируйте модель.

Предиктивная и предписывающая аналитика

Что дальше после создания и развертывания прогнозных моделей, которые генерируют точные и своевременные прогнозы? Многие компании рассматривают предписывающую аналитику как следующий логический шаг.

Предиктивная аналитика помогает вам определить, что может произойти дальше, тогда как предписывающая аналитика может сказать вам, что с этим делать - или как вы могли бы достичь лучшего результата, если бы вы сделали X, Y или Z. Этот тип расширенной аналитики основан на прогнозной аналитике. и принимает во внимание множество, множество различных факторов, чтобы предписать наилучший возможный курс действий или решения.

Более подробно изложено тут "What Is Predictive Analytics?"

https://insights.sap.com/what-is-predictive-analytics/?source=email-sapflash-topic1-20210315&sap-outbound-id=3101C5967735A6EF4E7127F80FE58517150C6A70&smc_campaign_id=0000015938&source=email-smc

* * *

Экономическая ценность цифры

Ниже "сэмпл" из книги "21 урок для XXI века". Юваль Ной Харари   

...развитие искусственного интеллекта может уничтожить экономическую ценность и политическое влияние большинства людей. В то же время развитие биотехнологий позволит превратить экономическое неравенство в биологическое. Сверхбогатые люди в конечном счете найдут действительно достойное применение своему богатству. Раньше они могли купить лишь символы статуса, но вскоре у них появится возможность купить саму жизнь. Если новые препараты для продления жизни или улучшения физических и когнитивных способностей будут очень дорогими, может образоваться глубокая биологическая пропасть между богатыми и бедными.

На протяжении всей истории человечества богачи и аристократы считали себя лучше остальных и утверждали, что именно поэтому власть принадлежит им. Как мы знаем, это неправда. Средний герцог был не более талантлив, чем средний крестьянин, а своим высоким положением он был обязан несправедливой юридической и экономической дискриминации. Тем не менее не исключено, что в 2100 году богатые действительно станут более талантливыми, умными и креативными личностями, чем обитатели трущоб. После того как образуется реальная пропасть между способностями богатых и бедных, преодолеть ее будет практически невозможно.

Таким образом, эти два процесса – биоинженерия и развитие искусственного интеллекта – совокупно могут привести к разделению человечества на небольшой класс суперлюдей и массовый низший класс бесполезных Homo sapiens. Ситуацию усугубляет то обстоятельство, что по мере утраты массами экономического значения и политической власти государство лишается по крайней мере части стимулов для инвестиций в здоровье, образование и благополучие людей. Изобилие очень опасно. В этом случае судьба масс будет зависеть от доброй воли немногочисленной элиты. Эта добрая воля, вполне вероятно, продержится пару десятилетий или даже больше. Но где гарантия, что в период кризиса – например, климатической катастрофы – элита устоит перед искушением выбросить лишних людей за борт?

Если мы не хотим, чтобы все богатства и власть концентрировались в руках немногочисленной элиты, нам необходимо регулировать владение данными. В древности самым ценным активом была земля, и политические силы сражались за контроль над ней; если в руках слишком маленького числа людей оказывалось слишком много земли, общество делилось на аристократов и простонародье. В новейшую эпоху машины и заводы стали более ценными, чем земля, и политическая борьба велась за контроль над этими жизненно важными средствами производства. Если слишком много машин оказывается в руках слишком маленького числа людей, общество делится на капиталистов и пролетариев. В XXI веке место земли и машин как главного актива займет информация и политики будут бороться за контроль над потоками данных. Если данные сконцентрируются в руках слишком маленького числа людей, человечество разделится на разные виды.

В отдаленном будущем цифровые гиганты, объединив огромные массивы данных и огромные вычислительные мощности, смогут проникать в самые глубокие тайны жизни, а затем использовать это знание не только для того, чтобы делать за нас выбор и манипулировать нами, но и для переделки органической жизни и создания ее неорганических форм. В краткосрочной перспективе цифровые гиганты еще будут нуждаться в продаже рекламы, но уже сейчас они часто оценивают приложения, товары и компании исходя не из того, сколько денег они на этом заработали, а из того, как много данных сумели на этом собрать. Популярное приложение сегодня может не соответствовать бизнес-модели или даже быть убыточным, но, если оно способствует сбору данных, завтра его ценность будет исчисляться миллиардами долларов[79]. Даже если сегодня вы не знаете, как заработать на накопленной информации, собирать ее все равно стоит, поскольку в будущем она даст вам ключ к контролю над меняющейся жизнью. Я не уверен, что цифровые гиганты преследуют именно такие цели, но их действия говорят о том, что сбор данных значит для них больше, чем доллары и центы.

Обычному человеку трудно сопротивляться этому процессу. Сегодня люди с готовностью отдают свой самый ценный актив – личные данные – в обмен на бесплатную почтовую программу и забавные видео с котиками. Точно так же коренные жители Африки и Америки наивно отдавали европейским колонизаторам целые страны в обмен на цветные бусы и дешевые безделушки. Если потом простые люди попытаются заблокировать поток данных, то выяснится, что сделать это очень трудно, особенно если алгоритмы начнут принимать за них все решения, в том числе касающиеся здоровья и физического выживания.

Слияние людей и компьютеров может стать настолько полным, что люди, отсоединившись от сети, просто не выживут. Они будут подключены к ней еще в утробе матери, а если захотят отключиться, то страховые агентства откажутся заключать с ними договоры, работодатели не примут на работу, а медицинские учреждения не станут их обслуживать. В битве между здоровьем и приватностью здоровье, скорее всего, одержит легкую победу.

По мере того как будет увеличиваться поток данных, поступающих к умным машинам от биометрических датчиков, корпорации и правительственные учреждения научатся понимать вас, манипулировать вами, принимать за вас решения. Но что еще важнее, они смогут расшифровать глубинные механизмы работы тела и мозга и таким образом получить власть над жизнью. Если мы хотим помешать немногочисленной элите монополизировать возможности, которые раньше приписывали богам, и не хотим, чтобы человечество разделилось на биологические касты, необходимо ответить на главный вопрос: кто владеет информацией? Кому принадлежат данные о нашей ДНК, нашем мозге и нашей жизни – нам, правительству, корпорации или человеческому сообществу?

Позволив государству национализировать данные, мы, вероятно, ограничим власть корпораций, но в результате получим ползучую цифровую диктатуру.

Частная собственность на персональные данные выглядит более привлекательным вариантом, чем приведенные выше, но не совсем понятно, что это значит.

Как же нам двигаться вперед и справиться с вызовами, которые несут с собой революции в ИТ и биотехнологиях?

Регрессионная модель и эффект управления

Допустим мы имеем некоторый набор переменных и исторические данные.
Мы строим регрессионную модель.
Предположим, что регрессионная модель показывает неблагоприятное развитие событий.
Мы наблюдаем развитие событий и оказывается, что новые данные полностью соответствуют регрессионной модели.
Но мы ожидаем, что лицам, которым поручено управлять, должны были предпринять некоторые управляющие воздействия и переломить неблагоприятных ход событий.
Но регрессионная модель показывает - ничего не изменилось.

Такой ход событий говорит о том, что мы можем иметь две ситуации:

1. Реально события не управляют.
2. Инерция процесса настолько велика, что управляющие воздействия неэффективны или не способны переломить инерцию процесса.

Таким образом, ситуация, в которой оправдывается неблагоприятный прогноз в силу регрессионной модели, говорит о неэффективности управления.

В построении модели могут участвовать как эндогенные (внутренние) так и экзогенные (внешние) переменные. 

Внутренние переменные свидетельствуют о инерции процесса. "Мощность" инерции можно оценить как степень объясненной дисперсии наблюдаемой величины за счет соответствующей эндогенной переменной.

Внешние переменные - управляющие переменные. Степень объясненной дисперсии за счет экзогенных переменных свидетельствуют о возможностях управления. Следует также отметить, оценка влияния экзогенных переменных в конкретной точке может лучше описывать возможности управления, нежели объясненная дисперсия. Связано это с тем, что степень накопленной инерции зависит от конкретной точки, а объясненная дисперсия описывает процесс в среднем и в режиме активного управления следует аккуратно оценивать интервал осреднения, уменьшая его по возможности.

Данные рассуждения работают, если 

1. Удалось определить представительный набор факторов.
2. Удалось получить достаточный для построения модели набор данных: исторических или полученных в результате планирования эксперимента.
3. Удалось классифицировать факторы с точки зрения эндогенности и экзогенности.

Если строится одно регрессионное уравнение, то эндогенность можно оценить с помощью авторегрессионных уравнений.

Если строится система регрессионных уравнений, то процедура построения регрессионных уравнений подразумевает построения набора модели, в которой в качестве оцениваемых величин поочередно или по выбору исследователя выбираются разные переменные выборки.

Если у исследователя уже имеется некоторая абстрактная математическая модель, то решается задача идентификации параметров модели.

В связи с этим возникает подход к оценки - хорош ли прогноз.

Зачастую к прогнозу предъявляются претензии - прогноз не оправдался.

Но всегда ли прогноз должен оправдываться на радость автора прогноза?

Навряд ли.

Очень много прогнозов строятся именно с тем, чтобы они не оправдались. И для этого и нужно управление процессом. А вот если неблагоприятный прогноз оправдалась, то вероятно - никто не управлял процессом. Или "противник" добился своего, если прогноз описывает схватку противоборствующих сторон.

* * *

Что такое модель?
Демистифицирующее моделирование: как количественные модели могут - и не могут - объяснить мир. 25 июня 2020 г. | Статья

Ключевая особенность модели - упрощение реальности.

Можно сказать, что модель - это своеобразная карта. Карта с небольшим числом данных, но таким данными, которые помогают принимать решения - как быстрее добраться до пункта назначения. На с помощью чего добраться до цели - это ваше решение.

Модель - оно же представление реальной системы, описываемое математическими уравнениями. С помощью модели можно проверить гипотезы и предположения о поведении системы. Например, экономические модели описывают взаимодействия внутри экономики, что позволяет экономистом оценить влияние факторов на экономические результаты.

Второе эффект модели состоит в том, что с помощью модели можно ограничить набор переменных, выделив именно те, которые имеют значение в исследовании конкретных вопросов.

Следующее полезное свойство модели - оценка чувствительности. С помощью модели можно оценить эффект изменения результата в зависимости от изменения фактора. Причем, важно не столько количественная, а качественная оценка - насколько значительны изменения в силу изменений входных факторов.

Модели могут использоваться для аргументирования сценариев и политик, так как модели показывают зависимость результата от разных предположений.

Подводные камни, которых следует избегать при использовании моделей

Модель - это просто инструмент. Ценность модели зависит от способа ее использования.

Модели основывается на трех основных компонента:

• исходные данные, используемые для построения модели,
• выбор формы (структуры) модели (вида уравнений),
• рассчитанные параметры (коэффициент) модели.

Каждый из этих факторов основан на предположениях, которые стоит принимать во внимание и не считать модель "истиной".

• Модель не может исправить плохие данные. 
• Модель может быть основана на неверных предположения о виде уравнений, о ее структуре. Рассчитанные коэффициенты могут содержать систематические ошибки, а "точные" значения коэффициентов должны быть заменены доверительными интервалами.

Модели предназначены не для устранения неопределенности, а для ограничения неопределенности. Но неопределенность может возникнуть из-за самой структуры модели, основных допущений и постоянных входных данных.

Финансовое планирование в условиях спада

Стратегия — это комплекс мероприятий, который отвечает на главный вопрос: где ты хочешь оказаться, с какими результатами?

Менеджеры, думающие о будущем компании, должны представлять, куда они планируют прийти и когда. Это понимание заставляет их разрабатывать действия, чтобы добраться из точки А в точку Б. Но когда у вас такая неопределенность, как сегодня, и вы не знаете, чего ждать, то заниматься стратегией — дело бессмысленное.

Финансовое планирование и управление эффективностью в беспрецедентный период потрясений  всегда требует нового и системного подхода, который позволит финансовому директору и финансовому отделу быстро предупредить компанию о возникающих проблемах и вариантах.

В частности, группа финансового планирования должна сосредоточиться на следующих шагах:

• получить четкое представление о исходной (стартовой) позиции компании; 
• создать базу фактов и использовать ее для разработки сценариев; 
• создать финансовый план;
• согласовать финансовый план с «направлением движения»; 
• определить лучшие действия и лучшие подходы;
• определите «триггерные точки» - точки в которых необходимо скорректировать и адаптировать прогнозы и финансовые планы.

Разработка сценариев

Один из важных вопросов является вопрос разработки сценариев.
Тут важно иметь надежную базу фактов. Тогда группа финансового планирования сможет смоделировать три или четыре сценария будущих событий:

• лучший случай (оптимистичный), 
• наихудший случай (пессимистичный), инерционный (траектория движения в условиях реализации текущего плана),
• наиболее вероятный случай.

Если удасться разработать все четыре сценария, то группа аналаиза может гарантировать, что исследуется широкий спектр результатов.

Каждый сценарий должен оцениваться по трем измерениям:

• глубина спада, 
• продолжительность спада и 
• время, необходимое для восстановления.

Каждый сценарий также должен точно отражать отправную точку компании.

Определение «триггерных точек»

Во время кризиса группа финансового планирования должна внимательно следить за ликвидностью компании и показателями ее прибыли, а также любыми изменениями на рынке. Руководители могут попасть в ловушку привычки и продолжать отслеживать несколько "старых" ключевых показателей эффективности (KPI), которые в условиях спада могут перестать быть эффективными.
Поэтому группа финансовому планированию должна проверить и при необходимости формально определить новые значимые показатели.
Переход от старых KPI к новым и определеяет триггерные точки.

Факторы, xарактеристики климатического риска

Погода меняется. Те или иные климатические явления бьют новые рекорды.
Специалисты спорят - что нас ожидает: потепление или похолодание.
С точки же зрения анализа факторов климатического риска - это особенно то и не важно.

Поэтому
Семь характеристик (факторов) климатического риска:

• Динамические характеристики увеличения риска. Климатические риски растут во всем мире, но некоторые страны могут найти некоторые выгоды в этом процессе: такие как увеличение урожайности в Канаде, России и некоторых частях Северной Европы.
• Пространственные характеристики. Климатические опасности проявляются локально. Существуют значительные различия между странами и даже внутри стран. Прямые последствия физического климатического риска должны оцениваться для географически определенного района.
• Нестационарность процесса изменения. Финансовые рынки, компании, правительства и частные лица принимают и принимали решения на фоне стабильного климата. Но предстоящий физический климатический риск постоянно меняется и нестационарен. Замена стабильной среды средой с постоянными изменениями означает, что принятие решений на основе прошлого опыта может оказаться ненадежным. Например, инженерные параметры проектирования инфраструктуры могут нуждаться в переопределении, банкам, возможно, придется скорректировать предположения о долгосрочной ипотеке.
• Нелинейность. Физиологические, антропогенные и экологические системы развивались или оптимизировались с течением времени с учетом определенных границ изменения среды. Теперь эти границы могут нарушиться. И если ситуация оказжется за пределами пороговых значений, системы могут либо сбоить, либо сломаться и перестать работать. Например, здания, спроектированные с учетом паводковых вод определенной высоты, не смогут выдержать более высоких наводнений; зерновые культуры, выращенные в мягком климате, засохнут при более высоких температурах. Адаптацию техногенных систем можно конечно провести за некоторое время, но природные системы могут не успевать адаптироваться.
• Системность. Изменение климата может иметь косвенные последствия для регионов и секторов через взаимосвязанные социально-экономические и финансовые системы. Например, наводнение может не только повредить жилье, но и поднять расходы на страхование, снизить стоимость недвижимости и снизить доходы от налога на имущество. Цепочки поставок являются уязвимыми системами, так как они могут зависет от критических производственных объектов.
• Регрессивность воздейстия (обратный эффект в силу положительных обратных связей). Беднейшие общины и население мира в этом плане являются наиболее уязвимыми и страны с развивающейся экономикой столкнуться с большим потенциальным воздействием на продуктивность и жизнеспособность их экономик. Беднейшие страны часто полагаются на эксплуатацию "природного капитала",  а климатические изменения затронут именно природную среду.
• Неподготовленность. Наше общество не сталкивалось с такой угрозой, как изменение климата, и мы не готовы к такому повороту событий. Хотя компании и сообщества уже адаптируются к прогнозируемым изменениям, но возможно темпы и масштабы адаптации не достаточно. А также возможно, адапатация может проводится не в том направлении.

Задача противостояния климатическим рискам становится еще более сложной в условиях действия нескольких или всех факторов риска. Причем, наиболее вероятным будет воздействие всех факторов рисков ввиду их высокой связности. Тем более, что выделение данных видов рисков скорее дань редукционизму и проведено сугубо мысленно - в природе все это одно целое.

На 99% данная материал данной заметки - это перевод статьи Confronting climate risk. Обзор McKensey.

Кое что, конечно добавил от себя - в пределах 1%

4 тренда цифровизации в 2020 году

Здесь 4 тренда цифровизации в 2020 году.

4 Trends That Will Enable Digital Operations in 2020

Это может быть полезно в деле создания новых операционных моделей.

1. Дополненная реальность.
Хотя это и кажется неким трюком, но уже просматриваются практическое применение в сфере услуг, в розничной торговле и даже в промышленности. Непосредственное применение дополненная реальность находит применение в электронной коммерции: потребители могут увидеть приобретаемые товра, виртуально примерить одежду и акссесуары, оценить интерьеры. Вообщем, смоделировать предполагаемое потребление приобретаемых товаров.
В промышленности дополненная реальность позволяет техническому персоналу получить дополнительные сведения и инструкции об обслуживаемом оборудовании.

2.  "Продвинутая" аналитика.
Прежде всего продвинутая аналита используется для прогнозирования.
Затем - искусственный интеллект и машинное обучение.

3. Интернет вещей.
SAP подготовил такой слайд, представляющий эволюцию IoT применительно в разрезе стадий индустриальной революции:

Интернет вещей можно определить как систему устройств, подключенных через сеть, с возможностью передачи данных по сети без участия человека. Существует множество вариантов использования того, как IoT может трансформировать бизнес-модели в каждой отрасли.
«Умные дома» и «умные города» уже не научная фантастика и больше похожи на реальность. Например, IoT позволяет датчикам и устройствам дома самостоятельно регулировать температуру или освещение. Такие компании, как Fitbit и Apple, используют IoT для сбора данных о здоровье.
Известны реализации «умных складов», использующих устройства IoT.

4. Роботизация - Robotic Process Automation (RPA).
RPA определяется как «применение технологии, управляемой бизнес-логикой и структурированными входными данными, направленной на автоматизацию бизнес-процессов». По сути, утомительные рутинные задачи, которые выполнялись человеком в прошлом, теперь могут быть автоматически обрабатываться программным обеспечением или роботизированной машиной.

Предиктивная аналитика и риск-мененджмент

Модели предиктивного анализа использующие модели, построенные на математических функциях, в подавляющем большинстве не содержат в записи функции момент инцидентов, или, как будем писать далее, не содержат в своей структуре момента краха.
Что плохо с точки зрения риск-менеджмента.
Хотелось бы явно иметь момент краха, представленного формулой, а также последствия краха.

Такие модели были предствалены в книге Д.Сорнетте "Как предсказывать крахи финансовых рынков". Отметим, что данные модели применимы не только для финансовых рынков, с равным успехом они применяются в физики, в геологии, возможно, в других областях естествознания.

После выхода книги работа продолжалась, модели совершенстовались.
Опираясь на работу Modified Profile Likelihood Inference and Interval Forecast of the Burst of Financial Bubbles. Vladimir Filimonova, Guilherme Demosa, Didier Sornette представим модель

LPPLS - Long-Periodic Power Low Singularity.

Модель описывается уравнением, вытекающим из решения уравнения диффузионного процесса со скачками (jump-diffusion model)/

Уравенением модели имеет следующий вид:

Это уравнение следует из модели диффузионного процесса со скачками:

t - время, в годах, дробная часть есть доля года.
p(t) - цены.
μ(t) - коэффициент дрейфа.
σ(t) - волатильность.
dW - приращение независимого случайного винеровского процесса.
dj - скачок, рассматриваемый как функция Хэвисайда xi(t_c-t).
t_c - время скачка. Означает "критическое время" или время краха "пузыря".
k - амплитуда скачка.

Математическое ожидание dj определяет функцию степени опасности:

M[dj]=h(t)dt.

Данная функция может быть описана следующим уравнением:

α, β, ω и φ некоторые параметры.
Множитель, обозначенный (а) представляет собой степенной закон роста, множитель (b) - колебательная составляющая.

Предполагая, что M[dp]=0 (например, это справедливо для эффективных рынков), получим что

μ(t)=k*h(t).

В предположении, что крах находится в будущем (за пределами исторических данных, на которых строится модель), получается исходное уравнение:

В этом уравнении 

Заметим, что уравнение описывает средние цены (а не действительные цены) и строго говоря не может применяться после времени краха t_c.

Однако, в практических целях удобнее использовать следующие уравнение, снимающее ограничения по времени модели:

Данная модель содержит три линейных параметра, - A, B, C, и четыре нелинейных параметра {m, ω, t_c, φ}. Идентификация параметров проводится в два этапа. Один этап предполагает определение параметров A, B, C для фиксированных параметров {m, ω, t_c, φ}. После определения A, B, C решается задача нелинейной оптимизации параметров {m, ω, t_c, φ}. Это очень сложная задача. Можно конечно использовать метод "грубой силы" - определить сетку значений параметров и затем детерминированным или случайным перебором организовать поиск субоптимального значения. После выбора параметров, кстати, можно опять пересчитать линейные параметры и уточнить значения нелинейных параметров.
Однако не все так плохо и в цитированной выше статье предложен "строгий" метод решения оптимизационной задачи. Также до выхода статьи решение оптимизационной задачи проводилось с использованием метаэвристических методов.

В развитие модели в статье предложено модифицировать базовую функцию, а именно раскрыть косинус:

Тогда формула приобретает вид:

В этой формуле только три нелинейных параметра {m, ω, t_c} и четыре нелинейных - A, B, C₁, C₂. Вроде бы небольшие изменения - но улучшение значительное.

Ограничения на параметры:

Так как интеграл от h(t) должен быть положительным и это есть вероятность, то это накладывает ограничения на m. В частности, 0<m<1. Приблизительно же - 0.1<m<0.9.
B<0 в силу супер-экспоненциального закона.
Кроме того, имеет место демпфирующий параметр, который связывает ряд параметров:

В статьях приводится оценки, полученные по результатам анализа исторических данных:

В статье предлагается для частоты следующий диапазон: [6,13].
Качество модели может оценивается, например, остаточной суммой квадратов:

Доверительный интернал может быть получен по обычным статистическим формалам (например, хи-квадрат).

График распределения, построенный по формуле имеет примерно такой вид:

Примечание. Параметры модели графика: A=327, B=-1.015, C=0.45 (C₁=0.243136, C₂=0.3786619), {m=0.8 и 0.4, ω=9, t_c=87.65, φ=1}.

Для полноты картины приведу формулы из книги Д.Сорнетте "Как предсказывать крахи финансовых рынков".

Простой экспоненциальный закон.

Формула:

Примерный вид закона:

Примечание. Параметры модели графика: A=327, B=-10, {m=0.8 и 0.4, t_c=87.65}.

Линейная логопериодическая функция.

Формула:

Примерный вид графика:

Примечание. Параметры модели графика: A=327, B=-10, C=0.45,  {m=0.8 и 0.4, ω=9, t_c=87.65, φ=1}.

Нелинейная логопериодическая функция

Формула:

Примерный вид графика:

Примечание. Параметры модели графика: A=327, B=-10, C=0.45,  {m=0.8 и 0.4, ω=9, t_c=87.65, φ=1, Δ=20}.

Утверждается, что переменная t_c зависит от локальных максимумов функции log(p(t)). Обозначим t_n, t_n+1, t_n+2 три последовательных максимума. Тогда

Кроме того, следующее значение локального максимума предсказывается на основе трех предыдущих локальных максимумов:

Обобщенная нелинейная логопериодическая функция

Формула:

Примерный вид графика:

Примечание. Параметры модели графика: A=327, B=-1., C=0.45 , {m=0.8 и 0.4, ω=9, t_c=87.65, φ=1}.

Рекомендации по области действия

Не стоит уповать, что данные модели способны предсказать все или большинство крахов.

Первое.

Предсказание с большой степенью вероятности возможно для тех процессов, характер которых определяется эндогенными (внутренними) факторами. Если воспользоваться физической аналогий, для экстраполяции используется "инерция" прогнозируемого процесса. 

Соответственно, экстраполяция тем точнее, чем больше "инерция" процесса. С другой стороны, это говорит о том, что процесс определяется статистическими характеристиками и нет акторов, обладающих достаточными ресурсами для изменения протекания процессов. Примером такого процесса является фондовый рынок с большим количеством участников.

Второе.

Предсказательные схемы и связанные с ними прогнозы должны определяться в вероятностных терминах. Модель дает одну потенциальную траекторию, которая экстраполирует прошлое с высокой степенью вероятности, но это отнюдь не детерминистическая модель будущего как функция прошлого. Это - среднее.

Это предопределяет необходимость построения интервальных оценок, сценариев, распределений сценариев.

Третье.

Очень трудно судить о ложном прогнозе краха. Крах прогнозируется в вероятностью. Соответствено, с обратной вероятностью можно избежать крах и "пузырь" может "рассосаться". Так как невозможно с достоверностью судить о точности прогноза, стоит проявлять разумную осмотрительность в том случае, когда модель начинает сигнализировать о наличии эндогенных факторов, которые способствуют образованию пузыря и вытекающего из этого возможного краха.

Война прогнозов

Размышляя Глобальном отчете о рисках, натолкнулся на такие строки С.Переслегина (и компания) в его Сумме стратегий.

Во-первых, речь шла об управлении будущим, в частности, посредством прогнозов. Так как миром правит рынок, авторы и Будущее поместило в рыночные рамки. Впрочем, судя по содержанию, все таки речь видимо идет о некоторой версии стратегии развития, подаваемой под видом прогноза.

Во-вторых.

...на рынке Будущего, как и на любом другом, происходит нормальное управление спросом. Это значит тренды, бренды, красивая обертка и интеллектуально привлекательное содержание. А способность донести до аудитории выводы и рекомендации на доступном ей уровне важнее их оригинальности, содержания и прогностической ценности.

В-третьих.

 ...конечном итоге даже в прямом опросе опрашиваемые эксперты могут честно отвечать на поставленные вопросы; фишка в том, как эти вопросы сформулированы и кто и как обрабатывает результаты. Кроме того, помимо прямого обмана, передергивания фактов и подправления трендов, ложных выводов и прочих нечестных действий в арсенале прогностического агрессора есть мощнейшее оружие – честное мнение, основанное на некорректных посылках. Вот этого я насмотрелся в Америке, специализирующейся на профессионалах, для которых шаг в сторону от их детища – белое поле в тумане. Вокруг этих важных персон, технологов и менеджеров снуют заядлые информационщики, подтаскивая им удобные клише для освоения любого тумана. А честные бизнесмены, конгрессмены и прочие «мены» страстно поют славу Пути, ведущему в пропасть, оставаясь честными и неподкупными американцами, англосаксонской элитой мира.

Например, участники прогнозирования могут совершенно честно и открыто превозносить тот или иной тренд.

В четвертых, авторы выделили три типа войн, которым дали красивые названия, оживив греческих богов. Три типа войн, в развитии, типа как до- и паровая эра, индустривальная и постиндустривальная эры. И вот "последний" тип войн авторами назван "войной Афины". И этот тип войны провозглашен "почти невидимым". С моей точки зрения, лишнее придумано, судя по толкованиям - это просто информационная война, включающая в себя и другие виды войн, но не на физическом плане. Тут можно мыслить и дипломатические, и пропагандисткие войны, все, что влияет на мировоззрение граждан и элит.
И вот продолжаю цитировать

Но сколько бы я не хаял американ, я видел и чуял кожей, что прогностическое оружие – порождение «войны Афины» у них обладает чудовищной эффективностью в разных измерениях.

А вот тут эффект информационной дезинформационной компании

...грамотно примененная серия прогнозов способна подтолкнуть противника к разработке заведомо невыигрышных стратегий в военной сфере. Заставить его уверовать, что невыгодно инвестировать в уже занятые и переделенные рыночные и технологические ниши и даже выбрать стратегию развития, которая заведомо играет в вашу пользу.

В-пятых. Диагноз авторов. Опять же, уместно применить вместо "прогнозирования" - "выработку стратегии развития".

С точки зрения «войны Афины» отсутствие собственного прогнозирования в стране сравнимо с отсутствием собственной разведки.

В-шестых. Довольно "женский" аргумент (типа - все уже...). Скорее, базируются на собственных стратегиях. Не все они обязаны быть выигрышными, все-таки противоборство наличествует.

все страны-мировые лидеры – что США, что Япония, что Китай, что Бразилия, что ЕС – так или иначе, живут по собственным прогнозам.

В седьмых. Это конечно уже гиперболизация на грани...

...высокий уровень развития «стратегического наступательного прогностического оружия» в стране вполне заменяет ядерный щит.

В-восьмых. В следущей цитате авторы противоречат себе. Оказывается, что не прогнозирование заменяет ядерный щит, а конкретные технологии, которые обеспечивают воздействие на живую силу противника.
Судите сами.

Соединенные Штаты используют долгосрочное прогнозирование для формирования рынков технологий, при этом обеспечивая себе там стратегическое преимущество. В настоящее время именно США являются основными двигателями «технологического мейнстрима»: триады био-, нано-, и информационных технологий как технологической платформы для будущего развития мира. Используется долгосрочное прогнозирование и для прямого давления: как вам понравится, к примеру, прочесть в отчете RAND  о высокой вероятности распада вашей страны в течение десяти лет вследствие, скажем, низкого уровня развития демократии?

В чем же парадокс?
А парадокс на самом деле еще не был озвучен.
И состоит он в том, что когда фирма идентифицирует риски, она тут же разрабатывает мероприятия по управлению рисками.

Так вот, вроде как эксперты Всемирного форума в Давосе идентифицировали риски. Вопрос - а где же мероприятия по управлению рисками.
Например, если самый высокий риск, это война, почему у самой могучей армии военный бюджет растет и растет, и отнюдь не в секторе оборонительных мероприятий, а в секторе наступательных?
Или объявлены не совсем риски, а программа действий под соусом рисков?

***

Ортега-и-Гассет Хосе. Восстание масс.

Человек во все времена прибегал к насилию; часто это бывало преступлением, и нас эти случаи не интересуют. Но иногда насилие служило защите правды и справедливости, и прибегали к нему тогда, когда все остальные средства были исчерпаны. Очень жаль, что человеческая натура вынуждает прибегать в таких случаях к насилию; но, с другой стороны, нельзя отрицать, что это — наивысшая дань истине и справедливости, ибо такое насилие не что иное, как жест отчаяния. Сила применяется как ultima ratio. Это выражение употребляют почему-то большей частью в ироническом смысле, но оно хорошо выражает то предпочтение, которое всегда давалось разуму перед силой. Цивилизация не что иное, как попытка свести силу на роль ultima ratio. Теперь это становится нам совершенно ясным, так как "прямое действие" выворачивает этот термин наизнанку и провозглашает силу prima ratio, первым доводом, т. е., в сущности, доводом единственным. Это норма, которая отменяет все остальные нормы, все промежуточные этапы между целью и ее достижением. Это — Великая Хартия варварства.

Умные роботы

А основу прогресса составляют, как известно, три вещи: 

технология, 

капиталовложения и

 фундаментальные запросы людей.

Харуки Мураками. Пинбол-1973.

Южно-корейское понимание "умного робота".
"механическое устройство, которое самостоятельно воспринимает внешнюю среду, распознает обстоятельства, в которых работает и движется самостоятельно".

Примечательно, что появление умных роботов изменяет культуру.
В данном случае, культура изменяется ввиду появления на сцене новых актеров.
И...

Культуру нельзя исправить. Наоборот, опыт показывает, что культура изменяется после того, как организация пытается распутать сложные проблемы бизнеса. Культура изменяется согласно новому курсу.
Культура не виновата. Джей Лорш, Эмили Мактэгью

В частности, в роботы предлагают встроить "черный ящик" для записи функционирования робота и совершенных им действий.
А также встроить "красную кнопку" для аварийного отключения (непонятно роль этой кнопки у военных роботов).
В части коммуникаций умного робота и человека - неопределенное требование к человеку прямо, к роботу косвенно: "Человек не должен умалять человеческое достоинство общение с роботами".
Что бы это значило?
Оттолкнемся от данного утверждения

Я утверждал, и я все больше верю, что человеческое общество по самой сущности своей всегда аристократично — хочет оно этого или нет; больше того: оно лишь постольку общество, поскольку аристократично, и перестает быть обществом, когда перестает быть аристократичным.
Хосе Ортега-и-Гассет
Восстание масс

Видимо, умаление человеческого достоинства может происходить в силу аристократичного положения умных роботов. Осталось лишь разобрать подобные ситуации.

Строительные блоки построения прогнозов

5 направлений будущего развития

• технологическое (включая организацию производства),
• экономическое,
• социальное,
• политическое,
• экологическое.

Каждая из пяти профессиональных групп - технологи, экономисты, социалисты, политологи, экологи - разрабатывают прогнозы (и основанные на них проекты стратегических решений) независимо друг от друга.

И вот один из прогнозов, в котором предпринята попытка обобщить все виды прогнозов.
В этом прогнозе с помощью картинки представлено технологическое будущее

Источник. Переосмысление будущего
Это ж рисунок, но на белом фоне

Данный рисунок презентует "строительные" блоки будущего, которые каждый, если он не согласен с представленным Франком Дианой трендом, вправе предложить свой.
Но нужно торопиться. Рост - суперэкспоненциальный.
В самом деле, взгляните сюда

Будущее, всегда связано с сдвигом и мышления, и бизнеса, и показателей бизнеса.

Традиционный подход --> Возможная связь --> Машина роста

Прибыль  --> Первичный драйвер --> Создание стоимости

Устранение риска --> Оценка риска -->  Принятие риска

Стабильность --> Ожидания бизнеса --> Адаптивность

Стандартизация --> --Метод --> Персонализация

Линейный выход --> Воздействие --> Экспоненциальный выход

* * *

Нанотехнологии. 
Будущее.

Предисловие к роману: Крайтон М. Рой: Эксмо Москва 2004

Выражение «мир вокруг нас постоянно эволюционирует» воспринимается как банальность. Мы редко задумываемся над его истинным смыслом. Например, мы обычно не думаем о том, что заразное заболевание видоизменяется по мере распространения эпидемии. Мы не думаем и о том, что эволюционные изменения у растений и животных проявляются на протяжении нескольких дней или недель - хотя на самом деле так и происходит. И мы обычно не задумываемся о том, что в окружающем нас зеленом мире ведется непрерывная ожесточенная химическая война - растения непрерывно вырабатывают новые яды для борьбы с нападениями насекомых, а насекомые вырабатывают устойчивость к новым ядам. Однако именно так все обстоит в реальности.Если задуматься об истинной сущности природы - если осознать истинное значение эволюции, - то мы увидим мир, в котором каждый вид растений, насекомых или животных каждое мгновение изменяется, в ответ на изменения каждого другого вида растений, насекомых и животных. Целые популяции живых организмов возникают и исчезают, постоянно видоизменяясь. Эти бесконечные, непрекращающиеся изменения, такие же неотвратимые и неизбежные, как приливы и отливы, образуют мир, в котором всякое проявление человеческой деятельности приводит к непредсказуемым заранее последствиям. Система, которую мы называем биосферой, настолько сложна, что предопределить последствия нашего влияния на нее не представляется возможным. Такая неопределенность характерна для всех сложных систем, включая системы, созданные человеком.Именно поэтому даже наши самые продуманные и просчитанные действия в прошлом имели нежелательные последствия - как потому, что мы не полностью понимали суть процесса, так и потому, что постоянно изменяющийся мир реагировал на наши действия самым неожиданным образом. С этой точки зрения история защиты окружающей среды обескураживает настолько же, как и история загрязнения окружающей среды. И те, кто спорят, например, о том, что промышленная политика чистой вырубки лесов наносит больше вреда природе по сравнению с экологической политикой тушения пожаров, совершенно не учитывают тот факт, что обе политики тщательно продуманы и обе необратимо изменяют девственные леса. Обе эти политики отмечены упрямым эгоизмом, свойственным любому взаимодействию человека с окружающей средой.То, что биосфера реагирует на наши действия непредсказуемым образом, - еще не повод для бездействия. Однако это серьезный повод для осторожности в действиях, повод выработать отношение ко всему, во что мы верим и что мы делаем, как к сложному эксперименту. К несчастью, в прошлом наш вид отличался потрясающей неосторожностью. Трудно поверить, что в будущем мы будем вести себя совершенно по-другому.Нам кажется, будто мы знаем, что делаем. Мы всегда так думали. И похоже, до нашего сознания так никогда и не дойдет, что если мы могли ошибаться в прошлом - значит, ошибки возможны и в будущем. Вместо этого каждое новое поколение списывает ошибки прошлого на недалекость и глупость своих предшественников, а потом самонадеянно совершает новые ошибки - свои собственные.Когда-нибудь в двадцать первом столетии наше основанное на самообмане безрассудство вступит в конфликт с нашей все возрастающей технологической мощью. И вероятнее всего, этот конфликт затронет области, касающиеся нанотехнологий, биотехнологий и компьютерных технологий. Эти три области имеют нечто общее - они способны производить и выпускать в окружающую среду самовоспроизводящиеся продукты.Мы уже несколько лет имеем дело с первым из подобных самовоспроизводящихся объектов - с компьютерными вирусами. Кроме того, накопился некоторый практический опыт с проблемами биотехнологий. Недавно поступили сообщения о том, что гены модифицированной кукурузы обнаружены в обычной, естественной мексиканской кукурузе - вопреки запрещающим законам и вопреки всем усилиям, направленным на то, чтобы предотвратить подобное явление. И это только начало предстоящей человечеству долгой и трудной борьбы с вышедшими из-под контроля продуктами наших собственных технологий. В то же время давняя убежденность в безопасности биотехнологий - эти взгляды распространяло большинство биологов начиная с семидесятых годов - сейчас подвергается сомнению.Нанотехнология - самая новая из трех перечисленных технологий и в некотором смысле наиболее радикальная. Задача этой науки - создание технических устройств чрезвычайно малых размеров, порядка ста нанометров, - а это сто миллиардных частей метра. Такие машины должны быть примерно в тысячу раз меньше толщины человеческого волоса. Ученые рассчитывают, что подобные крошечные машины будут создавать все, что угодно, - от миниатюрных деталей для компьютеров и новых лекарств против рака до качественно нового оружия.Концепция нанотехнологий впервые прозвучала в тысяча девятьсот пятьдесят девятом году, в речи Ричарда Фейнмана под названием «На дне полно места». <Feynman,R.P., «There's Plenty of Room at the Bottom». Eng. and Sci. 23 (1960), p. 22.> Сорок лет спустя это научное направление все еще находилось в зародышевой стадии развития, несмотря на постоянную мощную рекламу в прессе. Но теперь начали появляться первые практические результаты, и финансирование направления резко возросло. Мощные корпорации, такие, как IBM, Fujitsu и Intel, вкладывают деньги в новые исследования. Американское правительство за последние два года потратило на нанотехнологии миллиард долларов.Тем временем нанотехнологий уже используются для производства солнцезащитных экранов, устойчивых к загрязнению тканей и композитных материалов для автомобилей. Вскоре их начнут использовать для изготовления компьютеров и накопительных устройств сверхмалых размеров.И некоторые из долгожданных «чудесных» продуктов уже начали появляться. В 2002 году одна из компаний создала самоочищающееся оконное стекло; другая компания произвела нанокристаллическую повязку для ран, с противовоспалительными и антимикробными свойствами.На настоящий момент нанотехнологий в основном применяются для создания особых материалов - но их возможности простираются гораздо дальше. Уже не одно десятилетие обсуждается возможность создания самовоспроизводящихся машин. В 1980 году в газете NASA обсуждалось несколько методов, с помощью которых такие машины можно будет производить. Десять лет назад двое известных ученых восприняли эту проблему вполне серьезно:«В ближайшие пятьдесят - сто лет, вероятно, появится новый класс организмов. Это будут искусственные организмы - в том смысле, что изначально они были спроектированы и созданы человеком. Тем не менее им будет присуща способность к воспроизводству, они будут эволюционировать в нечто отличное от своей изначальной формы; они будут живыми в полном смысле этого слова… Эволюционные изменения будут происходить невероятно быстро… Воздействие на человечество и на биосферу может оказаться огромным, гораздо более значительным, чем воздействие промышленной революции, ядерного оружия и загрязнения окружающей среды. Мы должны уже сейчас предпринять шаги для того, чтобы удержать под контролем распространение искусственных организмов…»<Farmer, J Doyne, and Alletta d'A Belin, «Artificial Life The Coming Evolution» in «Artificial Life II», edited by С G Langton, С Taylor, J D Farmer, and S Rasmundssen Santa Fe Studies in the Sciences of Complexity, Proc Vol X, Redwood City, Calif Addison-Wesley, 1992, p 815>И ведущий сторонник нанотехнологий К. Эрик Дрекслер тоже высказывает подобные опасения:«Очень многих людей, и меня в том числе, весьма беспокоит влияние этих технологий на будущее. Мы говорим о столь глобальных изменениях, что наше общество может не совладать с их последствиями, - и вероятность этого очень велика». К. Eric Drexler, «Introduction to Nanotechnology: Toward Molecular Manufacturing (Proceeding of the First General Conference on Nanotecnology: Development, Applications and Opportunities), edited by Markus Krummenacker and James Lewis, New York: Wiley & Sons, 1995, p. 21.Даже по самым оптимистичным (или самым ужасным) прогнозам, подобные организмы появятся в нашей жизни уже в ближайшие десятилетия. Остается только надеяться, что ко времени их появления будут выработаны международные средства контроля за самовоспроизводящимися технологиями. Следует ожидать, что контролирующие органы будут включать в себя мощные силовые структуры - мы уже научились обходиться с создателями компьютерных вирусов с жестокостью, немыслимой двадцать лет назад. Мы научились сажать хакеров за решетку. Вскоре к ним присоединятся и сбившиеся с пути истинного биотехнологи.Но, конечно же, вполне возможно, что мы не сумеем организовать действенную систему контроля. Или что кто-то создаст самовоспроизводящиеся искусственные организмы гораздо раньше, чем мы можем предполагать. В таком случае трудно предсказать, какими будут последствия. 

Майкл Крайтон. Лос-Анджелес, 2002

Неопределенность в менеджменте

Как то встретилось: "неопределенность" и "абсолютная неопределенность".

Добро бы, если бы еще не стояло бы рядом "вероятное".
Тут то и случился казус.
Если бы было просто вероятное, то померили бы энтропию как логарифм вероятности и чем выше (нужно учитывать, что нужно брать с минусом), тем "типа" неопределеннее. Но бесконечность отвечает нулевой вероятности, а это однако уже определенность. Неувязочка получается.

"Неопределенность" - это более неопределенное чем выбор из множества мыслимого.

Хорошая неопределенность не допустит никакой определенности, тем более выбора из какого-то, уже определенного, множества допустимых ситуаций, решений или состояний.

Часто просто имеется богатая "возможность выбора", нежели "неопределенность".
И "неизвестность", в которой воплотится "действительность", как одна из "возможностей".

Тут могут помочь категории "случайного, неопределенного и необходимого", а также категории "возможного" и "действительного" (я имею ввиду главу "категории" учебника философии).

Есть еще неопределенность в стиле "куда податься?".
Тогда
формулируем две задачи:

Первая задача
должна звучать определеннее.
А именно, изучение обстановки.
От того, как изучишь, от этого из зависит степень (множество нельзя говорить в этом случае!) оставшихся неопределенностей.

Вторая задача
ориентирование: где сам находишься в этой самой обстановке.
Изученной в первой задаче или неизученной, но самоуверенно полагаемой известной "спортсмену".
Причем "находиться" стоит расширить и понимать не только положение "во времени и пространстве", а также наличие и инвентаризацию наличных сил и средств.

Дальше неопределенность в действиях должна рассеяться как туман.
Или "ежик в тумане".

------

О знании

О, счастлив тот, кому дана отрада -
Надежда выбраться из непроглядной тьмы!
Что нужно нам, того не знаем мы,
Что ж знаем мы, того для нас не надо.
Гете. Фауст.