Systeemdynamica
“Let's face it, the universe is messy. It is nonlinear, interconnected, and chaotic. It is dynamic. […] That's what makes the world interesting, that's what makes it beautiful, and that’s what makes it work.”Donella Meadows
Systeemdynamica is een denkwijze en een set van methodes gericht op het begrijpen van het gedrag van systemen. Op deze pagina nemen we je eerst even mee in wat het gedrag van systemen complex maakt, voordat we verder ingaan op de twee centrale onderdelen van systeemdynamica: systeemdenken en simulaties. Tot slot staan we nog stil bij de samenwerking tussen AI en simulaties en waarom deze methoden elkaar goed aanvullen!
Complex adaptive systems
De wereld zit vol met systemen waarin verschillende actoren (mensen/organisaties/...) op meerdere manieren verbonden zijn met elkaar (complex) en op hun omgeving reageren (adaptief). Vaak zien we dat de actoren van elkaar en van het verleden kunnen leren en in staat zijn om zichzelf te (her)organiseren, waardoor deze systemen verrassend weerbaar zijn tegen allerlei externe en interne veranderingen. Denk bijvoorbeeld aan de economie (bedrijven komen en gaan), supply chains (je stapt over op een andere leverancier als je ontevreden bent), organisaties (je aanbod evolueert), natuurlijke ecosystemen, etc.
Veel van deze systemen werken met een handvol en vaak relatief eenvoudige lokale beslissingsregels. Dat migrerende vogels in een V-formatie vliegen, komt doordat de tweede vogel en alle daaropvolgende vogels een positie kiezen waar zij het minste energie verbruiken: achter de vleugels van de voorste vogel ontstaat een opwaartse luchtstroom, waardoor de vogel daarachter meer kan zweven. Als je meer wilt weten over hoe deze lokale beslissingen tot complex en weerbaar gedrag op systeemniveau kan leiden, kunnen we dit filmpje van Kurzgesagt over emergence aanraden.
Als je de lokale beslissingsregels begrijpt en dit weet te vangen in een simulatie, kun je gaan testen hoe dit systeem (waarschijnlijk) gaat reageren op externe of interne veranderingen. Sterker nog, een kenmerk van deze systemen is dat je het gedrag van het systeem alleen kunt begrijpen als je het gedrag van de subsystemen en de interacties daartussen begrijpt.
"You can't understand a system until you try to change it."Kurt Lewin
Systeemdenken
Een van de manieren om het gedrag van systemen beter te begrijpen, is systeemdenken. Deze methode richt zich op het kwalitatief in kaart brengen van de causale relaties tussen de onderdelen en eigenschappen van een systeem. Als je dit met een grotere groep doet in een zogeheten group-model building (GMB) workshop, ontstaat er in eerste instantie vaak een 'spaghettidiagram' (zie de foto hieronder/hiernaast, ik denk dat we niet uit hoeven te leggen waarom men dit een spaghettidiagram noemt).
Het doel van de exercitie is tweeledig: in eerste instantie wil je met elkaar de gehele olifant in kaart brengen. In de parabel van de olifant en de blinden lukt het ze niet om het eens te worden over wat ze nu eigenlijk voelen: de eerste persoon denkt dat het een boom is (staat naast z'n been), de tweede een slang (slurf), enzovoorts. Waarmee we niet willen zeggen dat mensen bij bedrijven blind zijn, integendeel; de meeste mensen begrijpen uitstekend hoe hun eigen werk en afdeling functioneert. Maar dat betekent niet dat iedereen automatisch ook een beeld heeft van hoe andere afdelingen en andere bedrijven hun werk uitvoeren - en hoe hun werk beïnvloed wordt door hoe jij je werk uitvoert. In een GMB-sessie maak je dit expliciet en krijgen alle betrokkenen een gemeenschappelijk beeld van het systeem.
In tweede instantie wil je uit dit overzicht de belangrijkste feedback loops destilleren en inspiratie opdoen voor hoe je effectief in het systeem kunt interveniëren (leverage points). Hierbij maken we het onderscheid tussen reinforcing feedback loops en balancing feedback loops. Reinforcing loops zijn zelfversterkend: als je rente krijgt over het geld dat je op de bank hebt staan, heb je aan het eind van het jaar meer geld, waardoor je volgend jaar nóg meer rente krijgt, etc. Reinforcing feedback loops zijn de bron van exponentiële groei. Daar tegenover heb je balancing loops, processen die het systeem terugbrengen richting een gewenste staat of equilibrium: als de douche te warm staat, draai je de temperatuur iets lager en als het (vervolgens) te koud is, draai je hem iets warmer. Doordat de wereld vol zit met deze balancing loops, blijft geen enkel proces eindeloos exponentieel groeien.
Systeemdynamische simulaties
De leden van SD&Co zijn gespecialiseerd in systeemdynamisch simuleren. Dat betekent dat we het spaghettidiagram digitaal tot leven wekken zodat het mogelijk wordt om te experimenteren met hoe het systeem reageert op veranderingen. Dit kan in verschillende softwarepakketten, zoals Silico (toegankelijk, geschikt voor kleinere modellen), Vensim (meer analyseopties), AnyLogic (te koppelen aan andere simulatiemethoden), etc.
Systeemdynamica is in de jaren '50 van de vorige eeuw ontwikkeld door een wetenschapper op MIT, Jay Forrester, toen de eerste computers beschikbaar kwamen. Hij heeft de simulatiemethode in eerste instantie gebruikt om het bullwhip effect in supply chains te analyseren (zie dit whitepaper en/of deze simulatie). Later is de methode ook gebruikt om allerlei processen binnen en tussen bedrijven te begrijpen (industrial dynamics & business dynamics), evenals het gedrag van steden (urban dynamics), de economie (limits to growth), klimaatverandering (En-ROADS), etc. Alhoewel kleine modellen al nuttig kunnen zijn, bevatten de meeste van deze modellen tussen de 500 en 20.000 variabelen.
"Management is on the verge of a major breakthrough in understanding how industrial company success depends on the interaction between flows of information, materials, money, manpower and capital equipment."Jay Forrester, 1958
Speciale aandacht gaat daarbij uit naar accumulatieprocessen, ook wel stocks genoemd. Denk hierbij bijvoorbeeld aan fysieke hoeveelheden, zoals je voorraad grondstoffen en eindproducten, het aantal medewerkers dat je in dienst hebt of de hoeveelheid CO2 in de lucht. Maar ook minder tastbare dingen accumuleren, zoals de hoeveelheid geld op je bankrekening, het aantal fouten in een database of jouw vertrouwen dat je leverancier op tijd en met de juiste kwaliteit levert. Deze stocks hebben een geheugen (de waarde van vandaag is hetzelfde als gisteren, plus/min wat erbij is gekomen/eraf is gegaan) en creëren daarmee vertragingen, maar ook stabiliteit, binnen een systeem.
Als je de simulatie eenmaal ontwikkeld hebt, wordt het mogelijk om ontwerpkeuzes (of beleidsmaatregelen) en scenario's te testen. Ontwerpkeuzes zijn de dingen die je zelf kunt beïnvloeden, zoals de capaciteit van een team, de logica waarmee een proces aangestuurd wordt of het doel dat het systeem nastreeft. Scenario's zijn gebaseerd op mogelijke veranderingen in de wereld om ons heen, waarmee we kunnen testen of de ontwerpkeuzes onder alle scenario’s goed blijft functioneren. Werkt het systeem ook nog goed als de vraag toe- of afneemt, de prijs verandert, grondstoffen tijdelijk niet beschikbaar zijn, er nieuwe regelgeving komt, etc.?
AI en simulaties
Maar waarom zouden we een simulatiemodel voor ons vraagstuk gaan maken als we het ook aan ChatGPT kunnen vragen of een algoritme kunnen trainen op onze data? Als je die mogelijkheid hebt, zeker doen! Wij zijn ook fan van AI.
In de tabel hieronder hebben we enkele verschillen tussen AI en systeemdynamische simulaties beschreven. Samenvattend: wij zien systeemdynamische simulaties als uitstekende aanvulling op AI.
| AI | Systeemdynamische simulaties | |
|---|---|---|
| Historische data | Essentieel voor het trainen van het algoritme | Helpt in het creëren van de simulatie, maar ook zonder historische data kan een nuttige simulatie ontwikkeld worden |
| Begrip van het systeem | Niet/beperkt nodig voor het ontwikkelen van het algoritme | Essentieel voor het ontwikkelen van de simulatie en het vertalen van de resultaten naar ‘actionable insights’ |
| Transparantie | Meestal ‘black box’; alleen bij ‘explainable AI’ zie je (deels) hoe het algoritme tot de aanbeveling komt | ‘White box’, volledig transparant; bij elke variable zie je hoe deze berekend wordt en hoe deze zich gedraagt over de tijd |
| Relaties | Gebaseerd op correlaties: wat komt (in de trainingsdata) vaak voor samen? | Gebaseerd op causatie: wat veroorzaakt wat? |
| Type vraagstuk | Met name gebruikt voor operationele vragen, soms ook voor tactische of strategische vragen | Met name gebruikt voor tactische of strategische vragen, soms ook voor operationele vragen |
Historische data
Essentieel voor het trainen van het algoritme
Helpt in het creëren van de simulatie, maar ook zonder historische data kan een nuttige simulatie ontwikkeld worden
Begrip van het systeem
Niet/beperkt nodig voor het ontwikkelen van het algoritme
Essentieel voor het ontwikkelen van de simulatie en het vertalen van de resultaten naar ‘actionable insights’
Transparantie
Meestal ‘black box’; alleen bij ‘explainable AI’ zie je (deels) hoe het algoritme tot de aanbeveling komt
‘White box’, volledig transparant; bij elke variable zie je hoe deze berekend wordt en hoe deze zich gedraagt over de tijd
Relaties
Gebaseerd op correlaties: wat komt (in de trainingsdata) vaak voor samen?
Gebaseerd op causatie: wat veroorzaakt wat?
Type vraagstuk
Met name gebruikt voor operationele vragen, soms ook voor tactische of strategische vragen
Met name gebruikt voor tactische of strategische vragen, soms ook voor operationele vragen
Wij maken zelf ook graag gebruik van AI in het simulatieproces. Zo kan AI bijvoorbeeld helpen met het creëren van procesbeschrijvingen, het vertalen van ruwe data naar parameters voor de simulatie en het brainstormen over relevante scenario's. Ook kan een solver in het simulatiemodel op zoek gaan optimale ontwerpkeuzes, om vervolgens mee te denken over hoe je dit in de praktijk kunt realiseren (het verhogen van de capaciteit kan bijvoorbeeld op meerdere manieren).
In de afgelopen jaren hebben wij simulaties met name toegepast bij tactische en strategische vraagstukken waarbij het antwoord niet te vinden was in historische data (waardoor AI dus geen optie was). Historische data kunnen je beperkt helpen als het systeem in de toekomst verandert (of het systeem er überhaupt nog niet is).
Onze visie
Wij geloven dat veel vraagstukken van deze tijd gebaat zijn bij systeemdenken en systeemdynamisch simuleren. De grote vragen hebben betrekking op complexe en adaptieve systemen met meerdere belanghebbenden en meerdere (soms tegenstrijdige) belangen, waardoor het waardevol kan zijn eerst digitaal te experimenteren met beoogde veranderingen.
Door samen een simulatiemodel te ontwikkelen en te analyseren, krijg je een beter begrip van hoe het systeem functioneert, hoe het op veranderingen zal reageren en hoe het verbeterd kan worden. Maar dat kan echt alleen samen: alleen jullie weten hoe jullie systeem werkt.
"Every model is a simplification of reality, but some are useful."Jay Forrester
Meer lezen?
- Thinking in systems, Donella Meadows: een uitstekende introductie in systeemdenken, waarbij ze op het einde ook uitgebreid stilstaat bij wat voor type interventies het grootste effect kunnen hebben op het gedrag van het systeem (leverage points).
- Business dynamics, John Sterman: als je zelf wilt leren hoe je systeemdynamische simulatiemodellen kunt ontwikkelen, is dit boek een perfect begin. Het legt niet alleen de methode erg goed uit (in 9 hoofdstukken), maar past het vervolgens ook toe op allerlei organisatieprocessen (in 12 hoofdstukken).
- Supply Chain Dynamics, Henk Akkermans: in dit boek word je meegenomen in de dynamiek van supply chains met behulp van 9 advies- en onderzoeksprojecten. Centraal hierin staan hoe bedrijven omgaan met plotselinge veranderingen in de vraag, hoe kwaliteit van werk en werkdruk (workload) elkaar beïnvloeden en wat de rol is van vertrouwen in buyer-supplier relationships.
Volgende stap
Klaar om uw systeem digitaal tot leven te brengen?
Laten we samen verkennen hoe een digital twin kan helpen met de verdere ontwikkeling van uw systeem.
Stationsplein 45, Unit A4.004
3013 AK Rotterdam