Совершенствование сценарного планирования инструментами машинного обучения

Современная деловая среда предстает изменчивой, неопределенной, сложной и неоднозначной. Классические подходы к построению прогнозов, на основе которых пишутся возможные сценарии будущего, в современной VUCA-реальности неэффективны ввиду того, что они не могут распознать изменяющийся контекст событий. Целью исследования является разработка методического аппарата сценарного планирования, который будет эффективен в мире VUCA. Cтатья посвящена обоснованию нового подхода к разработке сценариев, в котором вместо причинно-следственных связей используется контекст, а опыт, понимаемый через историю событий, используется для лучшего понимания этого контекста. Такой подход был назван эволюционно-контекстным. В качестве методического обеспечения используются рекуррентные нейронные сети с большой (долгой) кратковременной памятью (LSTM). В результате авторы приходят к выводу, что при оптимальном количестве циклов обучения модель LSTM предоставляет достаточно качественные прогнозы. Более того, с ростом количества факторов, характеризующих контекст, который складывается в ходе эволюции рассматриваемого объекта исследования, качество и точность прогнозирования увеличиваются.

The modern business environment is volatile, uncertain, complex, and ambiguous. Classical approaches to forecasting, on the basis of which possible scenarios of the future are written, are ineffective in today's VUCA reality due to the fact that they cannot recognize the changing context of events. The research objective was to develop a methodological apparatus of scenario planning that will be effective in the VUCA world. The article focuses on justifying a new approach to scenario development that uses context instead of causality; and experience, understood through the history of events, is used to better understand this context. This approach has been called evolutionary contextual. Recurrent neural networks with long short-term memory (LSTM) are used as the methodological framework. As a result, the authors conclude that for an optimal number of training cycles, the LSTM model provides sufficiently high quality predictions. In addition, the quality and accuracy of the predictions improve as the number of factors characterizing the context that develops during the evolution of the object under study increases.