Konsten att modellera effektivt

I alla tider har människan försökt att förstå världen och dess skeenden genom att beskriva den i form av modeller. En bra modell gör det lättare att ta rätt beslut och ger därmed stora fördelar, medan en dålig modell ger felaktiga förutsägelser och leder till att fel beslut fattas.

Vi har till exempel haft stor nytta av att kunna förutsäga årets gång med hjälp av solkalendern. Samtidigt har människan i århundraden missletts av astrologiska kalendrar, trots att de båda utgår från samma grund, det vill säga himlakropparnas rörelse. Även vid modellering med Opus Suite är det viktigt att använda grundmodellen på ett klokt sätt och bygga sin modell effektivt för att få ett bra beslutsunderlag.

I den tid av big data vi lever i har behovet av bra och effektiva modeller ytterligare accentuerats. Det är idag lätt att samla ihop, spara och processa mycket stora datamängder, men det är fortfarande svårt att använda denna stora datamängd på rätt sätt och att omvandla den till relevanta underlag för beslut. För att lyckas med det krävs effektiv modellering.

Effektiv modellering innebär att man lyckas skapa en modell som snabbt, träffsäkert och effektivt kan ge de svar som efterfrågas. En effektiv modell ska också gå att anpassa till förändringar som sker i frågeställningar och data.

Den modell som utgör ryggraden i Opus Suite är omfattande och ger en hög grad av flexibilitet till användaren. Modellen ger därmed stora möjligheter att spegla de scenarier och faser som drift och underhåll av tekniska system innebär. Flexibiliteten medför dock också en risk att tappa fokus på att bygga en effektiv modell och istället försöka lägga in så mycket tillgänglig information som möjligt. Det är förstås viktigt att få med många olika aspekter i modellen men inte mer än att det går att förstå och förklara effekterna av det som matas in. Fokus måste hela tiden vara på den uppgift som ska lösas och för att kunna göra detta kommer här ett antal konkreta tips på punkter att hålla i åtanke.

Fokusera på frågeställningen

En viktig första ansats, som också måste behållas under hela modelleringen, är att fastställa vilken frågeställning som ska besvaras. Det är lätt att tappa detta fokus om modelleringen styrs av vilken data som är tillgänglig eller av individers uppfattning av vad som är viktigt att ta med i alltför stor utsträckning. Under modelleringen ändras ofta frågeställningar med ny input och nya insikter, och då är det viktigt att modellen justeras och är följsam för att stödja detta.

Börja tidigt

För att lyckas få ut så kompletta och tydliga resultat som möjligt från sin modell är det viktigt att börja tidigt. Att modellera innebär förutom att få svar också att lära sig mer. Ju tidigare arbetet påbörjas desto fler möjligheter ges att förstå modellen och resultaten samt att komplettera modellen med data som saknas. Genom att börja tidigt har man också större möjligheter att förstå sin frågeställning bättre och justera den successivt mot de egentliga behoven.

Begränsa komplexiteten

För att vara säker på att modellen verkligen svarar på den frågeställning som föreligger är det viktigt att begränsa komplexiteten. En alltför stor och komplex modell gör det svårt att förstå orsak och verkan mellan indata och resultat.

Arbeta iterativt

För att hela tiden behålla kontrollen över modellen så bör modellutvecklingen betraktas som en kontinuerlig iterativ process. Det är fel att tro att det går att bygga en komplett modell direkt och köra den för att få bra resultat. Genom upprepningar uppnår man kontinuerliga förbättringar och ökad förståelse.

Gradvis förfining

En omfattande och tidskrävande uppgift i arbetet med att ta fram ett beslutsunderlag är att samla in och bearbeta data med tillräckligt hög kvalitet. Fokus i detta arbete bör ligga på data som modellen och frågeställningen kräver. Det är bättre att börja modellera med grova uppskattningar, än att försöka skapa en komplett datamängd med perfekt kvalitet. Det finns annars en överhängande risk att fastna i datainsamling. För att uppnå bra resultat bör indata istället successivt förfinas och modellen bör användas för att utvärdera var mer detaljerad och exakt data är mest viktig. I realiteten är det så att modellen och dess resultat är det bästa verktyget för att snabbt öka kvaliteten på indata och hjälper till att fokusera på var det behövs mer noggrannhet och var det behövs mer detaljer.

Ifrågasätt modellen och resultaten

Under hela analysarbetet bör både modellen i sig och resultaten ifrågasättas. Genom att kritiskt granska resultaten och försöka förklara varför de ser ut som de gör eller genom att titta på hur en förändring av indata påverkar resultaten och försöka förklara det, blir man ofta överaskad av de många insikter som kan komma och hur intuitiva förväntningar kanske inte alltid stämmer. För att kunna ifrågasätta modellen effektivt är det också bra att utmana sig själv. Grundmodellen Opus Suite är omfattande och sambanden mellan de olika delarna komplexa och det är därför viktigt att hela tiden försöka lära sig mer av hur modellen beter sig även för den erfarne modelleraren.

Verifiera modellen

Slutligen bör modellen verifieras genom att ta fram nyckeltal från resultaten som går att verifiera mot verklig eller beräknad data. Det finns många olika sätt att göra detta på. Alla modeller skiljer sig åt och det gäller därmed också det bästa sättet att verifiera dem. Ett exempel på sätt att verifiera modellen kan vara att se till att antalet underhållsåtgärder som modellen förutspår är rimliga, eller att lagernivåerna som föreslås inte avviker alltför mycket från befintliga eller förväntade lager. För varje modell bör det dock tas fram egna verifieringskriterier.

Sammanfattning

Det är en stor och utmanande uppgift att bygga effektiva modeller för komplexa och omfattande scenarier, särskilt med den allt större mängd data som finns tillgänglig. Genom att behålla fokus på vilka frågor som ska besvaras, vara följsam genom ett iterativt arbete och hela tiden behålla kontrollen över hur modellen utvecklas, går det att snabbt och effektivt generera ett beslutsunderlag som är tydligt, korrekt och ger en stor nytta. Genom att hålla sig till de punkter som föreslås ovan är det lättare att uppnå en effektiv modell och då blir det enklare att navigera så att bättre resultat snabbare uppnås snabbare.