2012-06-20 - HTW Dresdenivm108.informatik.htw-dresden.de/wiedem/fileadmin/Lehre/... ·...
Transcript of 2012-06-20 - HTW Dresdenivm108.informatik.htw-dresden.de/wiedem/fileadmin/Lehre/... ·...
2012-06-20
# 1
Analyx 0
Social Simulation mit Multiagentensystemen
Modellierung und Simulation des realen
Kundenverhaltens mit Multiagentensystemen
Aleksandar Ivanov
Berlin, 19.06.2012
Poznan | Berlin | Boston
Analyx 1
Agenda
• Beispiele für Social Simulation
• Allgemeine Prinzipien von Agenten und
Multiagentensystemen (MAS)
• Social MAS zur Modellierung von Menschen und
menschlichen Entscheidungen
• Beispiel „Deutsche Telekom“
• Beispiel „Deutscher Arbeitsmarkt“
• Praktische Herausforderungen
2012-06-20
# 2
Analyx 2 2
Inputs Multi-source
Nutzen in 5 Bereichen Klarer Fokus
Expertise modern mit anwendbaren Ergebnissen
1 2 3
Daten
Experten
Crowd
Akquisition & Bindung
Produkt, Portfolio & Preis
akurate Bedarfsplanung
Standortauswahl &
Standortcontrolling
Marketing Mix Optimierung
Innovative Verfahren
Orientierung an Top-
Management
klarer Fokus auf definierte
Anwendungsbereiche
Service aus einer Hand:
Datenbearbeitung, Methodik,
Visualisierung Web
Mit prognoseorientierter Analytik verbessern wir das
Ergebnis von Unternehmen in Konsumbranchen
Strategic Predictive
Customer Insights
Analyx 3 •3
Bereich Ansatz Referenz
Akquisition
& Bindung
Campaign
Worx
Produkt,
Portfolio &
Preis
Product
Worx
Bedarfs-
planung
Demand
Worx
Standort-
wahl &
-controlling
Location
Worx
Marketing
Mix
Promo
Worx
• Analyx
BEISPIELE
18% Reduzierung
Kundenkündigung
Improved hit rate
despite lower
market research cost
15 %-Punkte höhere
Planungsgenauigkeit;
EBIT-Steigerung um
mehrere Millionen EUR
9% Erhöhung der
Flächenproduktivität
3.5 Millionen EUR
EBIT-Effekt
(nur Deutschland)
Erfolg
Leading German
apparel retailer
weitere
Namhafte Branchenführer erzielten mit Analyx nachhaltige
Erfolge in diesen 5 speziellen Anwendungsbereichen
Global
White
Goods Firm
2012-06-20
# 3
Analyx 4 4
3 Standorte in 3 Analytikzentren
Poland
Berlin Poznan
USA
Boston
Analyx US
Spike: Advanced market
simulation & Complexity
science
Consulting for US clients
Links into MIT and
Santa Fe Institute
Analyx Germany
Spike: Social Forecasting &
Social Media predictions
Consulting for Western Europe
Links into German academia
Germany
Analyx Poland
Spike: Data-driven prediction,
Data mining & Econometrics
Consulting for Eastern Europe
Partnerships with Poland’s leading
economics and technical universities
Analyx 5
Social Simulation simuliert menschliches Verhalten in Gemeinschaften: Märkte, Länder, Kommunen u. v. a. m.
2012-06-20
# 4
Analyx 6
Wie kann man menschliches Verhalten simulieren?
? Analyx 7
„Wo liegt die Schmerzgrenze beim Kunden?“
„Was ist wichtiger: Bandbreite oder Preis?“
„Sollten wir Köln mit Glasfaser ausstatten?“
„Welchen Marktanteil haben wir in 2014?“
Beispiel: Simulation des Telekommunikationsmarkets für die Deutsche Telekom
2012-06-20
# 5
Analyx 8
Warum ein Multiagentensystem für diese Fragen?
• Komplexer Markt mit vielen Einflussfaktoren
• Daten, Umfragen und Statistisches Analysen allein reichen nicht
• Bauchgefühl liegt meist daneben
• Menschliche Gehirne sind mit der Komplexität überfordert
Analyx 9
Wie entscheidet sich ein Agent für einen Tarif ?
Nächster Agent
Gespräche mit Freunden
Start
Habe ich
V, I oder TV
Nutzung
Bin ich
zufrieden mit
V, I, T ?
V, I und/oder T
Tarif ändern
Hallo, mein Name ist
Agent 1, ich bin 32
Jahre alt, männlich
und bin 1&1 Kunde.
Ich nutze meine
Produkte (Telefon
und Internet)
täglich…
„Wie lange läuft
mein Vertrag
noch?“
2012-06-20
# 6
Analyx 10
Der Output: Marktanteile, Umsätze, Entwicklung der Kundenbasis
Analyx 11
Beispiel: Simulation des deutschen Arbeitsmarktes für die Bertelsmann Stiftung
Für Dokumentation: Qualifikationsstruktur der Arbeitsnachfrage
0%
10%
20%
30%
40%
50%
60%
70%
80%
1999 2003 2007 2011 2015 2019 2023 2027 2031 2035
Nachfrageseite Angebotsseite
Gering
Einzelne Jobs Einzelne PersonenGesamtstellenzahl nach
Qualifikationen
Mittel
Hoch
2012-06-20
# 7
Analyx 12
Beispiel: Simulation des deutschen Arbeitsmarktes für die Bertelsmann Stiftung
Alter Geburt, Altern, Tod
Geschlecht Konstant
Nationalität Einbürgerungsentscheidung
Qualifikation Bildungsentscheidung
Partizipation Partizipationsentscheidung
Erwerbsstatus Job-Such- und Matching-Prozess
Job-Beendigungs-Enscheidung
Besch.-Dauer Wachsende Berufserfahrung mit
zunehmendem Alter
Attribute Prozesse: Dynamik der Attribute Exemplarische
Agenten
Analyx 13
Beispiel: Simulation des deutschen Arbeitsmarktes für die Bertelsmann Stiftung
Arbeitslosenquote (ILO) für Erwerbspersonen
zw. 15-64, in Prozent
0%
5%
10%
15%
20%
25%
30%
Mittel 2000-2005 Mittel 2030- 2035
ALQ Deutsche ALQ Ausländer
2012-06-20
# 8
Analyx 14
Agenda
• Beispiele für Social Simulation
• Allgemeine Prinzipien von Agenten und
Multiagentensystemen (MAS)
• Social MAS zur Modellierung von Menschen und
menschlichen Entscheidungen
• Beispiel „Deutsche Telekom“
• Beispiel „Deutscher Arbeitsmarkt“
• Praktische Herausforderungen
Analyx 15
Was ist ein Agent?
Ein Software-Agent ist ein Computerprogramm, das zu gewissem eigenständigem (autonomem)
Verhalten fähig ist.
Quelle: Wikipedia.de
2012-06-20
# 9
Analyx 16
Arten von Agenten
Quelle: Wikipedia.de
Reaktive Agenten
Adaptive Agenten
Kognitive Agenten
autonom –arbeitet unabhängig vo User reaktiv –reagiert auf Änderungen der
Umgebung robust – gegen äußere und innere Störungen adaptiv – eigenen Einstellungen
(=Parameterwerte) ändern kognitiv – Lernen aufgrund getätigter
Entscheidungen/Beobachtungen proaktiv –führt Aktionen aufgrund eigener Initiative aus sozial – Kommunikation mit anderen Agenten
Analyx 17
Ein Agent ist als Programm aufgebaut, wie jedes andere Programm
Alter Altern
Geschlecht Konstant
Nationalität Entscheiden, wann man Einbürgerungsantrag stellt
Qualifikation Bildungsentscheidung
Partizipation Partizipationsentscheidung
Erwerbsstatus Job-Such- und Matching-Prozess Job-Beendigungs-Enscheidung
Parameter Prozesse: Methoden, Funktionen
2012-06-20
# 10
Analyx 18
Reaktiver Agent
Quelle: Wikipedia.de Analyx 19
Kognitiver Agent
SensorPerception
Social Status Emotion PhysisCognition
ActorBehaviour
ThinkingZS
ZC
G C PC
FC
FS
FE
FP
ZE
ZP
Z: StateF: State Transition Function
G: GoalsP: Action Plans
Causal Dependencies
Information Flow
Schmidt: Modeling Human Behavior
Komplexe
Daten-
strukturen
Komplexe
Funktionen
2012-06-20
# 11
Analyx 20
Was ist ein Multiagentensystem (MAS)?
Ein MAS ist ein System aus mehreren gleichartigen oder unterschiedlich spezialisierten
Software-Agenten, die kollektiv agieren – miteinander oder gegeneinander.
Analyx 21
Beispiel für ein MAS: Roboter als Agenten, die mit der physischen Welt und
anderen Robotern interagieren können
2012-06-20
# 12
Analyx 22
Beispiel für ein MAS: Roboter als Agenten, die mit der physischen Welt und
anderen Robotern interagieren können
Analyx 23
Marktumgebung: Kommunikationskanäle,
Wettbewerber usw.
Simulierte
intelligente
Kunden
Produkte &
Preise
Simulierte
Unternehmen
Beispiel für Soziale MAS: Virtuelle Märkte, Unternehmen und Menschen „im
Computern“ simulieren
Bin ich Intensiv- oder
Gelegenheitsnutzer?
Will ich etablierten
Anbieter oder einen
Newcomer testen?
Wieviel kann/will ich
ausgeben?
Welche Produkte haben
meine Freunde/Familie?
2012-06-20
# 13
Analyx 24
Agenda
• Beispiele für Social Simulation
• Allgemeine Prinzipien von Agenten und
Multiagentensystemen (MAS)
• Social MAS zur Modellierung von Menschen und
menschlichen Entscheidungen
• Beispiel „Deutsche Telekom“
• Beispiel „Deutscher Arbeitsmarkt“
• Praktische Herausforderungen
Analyx 25
Einordnung von MAS-Simulationen
Statische Simulation
Monte-Carlo-Simulation
Dynamische Simulation
• Kontinuierliche Simulation
• Diskrete Simulation
Hybride Simulation
2012-06-20
# 14
Analyx 26
Was braucht man für die Modellierung von sozialen Systemen?
• Technik: Objekt-orientierte Programmierung und Frameworks
• Agententheorie: KI, Kognitivie Architekturen
• Systemtheorie: Umweltmodelle, Makromodelle
• Fachwissen: Psychologie, Marketing, BWL, VWL, Soziologie
• Daten: Befragungen, Ergebnisse psychologischer Experimente, volksw. Daten,
Daten über Wettbewerber und Produkte des Markets
• Datenanalyse: Statistik, Data Mining, Visualisierung
Analyx 27
Technik: Objekt-orientierte Programmierung und Frameworks, z. B. RePast
oder NetLogo
2012-06-20
# 15
Analyx 28
Agententheorie: BDI-Modell
Belief
• Weltwissen
• Wissens-repräsentation
Desire
• Ziele
• Handlungs-alternativen
Intention
• Plan-Datenbank
• Funktionen
Analyx 29
Agententheorie: PECS-Modell - Physical conditions, Emotional state,
Cognitive capabilities, Social status
SensorPerception
Social Status Emotion PhysisCognition
ActorBehaviour
ThinkingZS
ZC
G C PC
FC
FS
FE
FP
ZE
ZP
Z: StateF: State Transition Function
G: GoalsP: Action Plans
Causal Dependencies
Information Flow
2012-06-20
# 16
Analyx 30
Agententheorie in der Praxis ist viel Papier und der Programm-Code, den
man daraus macht
Analyx 31
Die Erstellung von Social MAS sind interdisziplinäre Großprojekte
1. Ziel des Modells klar definieren
2. Target kennenlernen und erste Modell-Skizzen
3. Detailliertes Paper model und Datenbedarf
4. Fast Prototyping mit sehr groben Daten
5. Datenverfügbarkeit prüfen und Paper model anpassen basierend auf Erkenntnissen
des Prototypen und gemäß den Datenrestriktionen
6. Datenerhebung und –vorbereitung
7. Datenanalyse
8. Paper model verbessern gemäß den Erkenntnissen aus den Datenanalysen
9. Version 1 des Paper models implementieren und verifizieren
10. Validierung des Modelloutputs
11. Version 2 implementieren …
2012-06-20
# 17
Analyx 32
Agenda
• Beispiele für Social Simulation
• Allgemeine Prinzipien von Agenten und
Multiagentensystemen (MAS)
• Social MAS zur Modellierung von Menschen und
menschlichen Entscheidungen
• Beispiel „Deutsche Telekom“
• Beispiel „Deutscher Arbeitsmarkt“
• Praktische Herausforderungen
Analyx 33
Bespiel Deutsche Telekom
Modellierung
Datenanalyse
Implementierung
2012-06-20
# 18
Analyx 34
Target verstehen: Mögliche Bestandteile eines Marktmodells im
Telekommunikationsmarkt
Individual-Daten
• Alter
• Einkommen
• Preis-Sensitivität
• Online-Involvement
• Provider-Präferenz
• Mobilfunk/Online-Bedarf
Marktumfeld
• Tarife der Anbieter
• Anbieter-Image
• Kommunikationskanäle, z. B.
Direktmarketing vs.
Massenwerbung
• Konjunkturelle Situation usw.
Kognitive Architektur: Wie entscheidet ein Kunde?
Wahrnehmung
• Brand perception
• Brand image
• Preiswahrneh-
mung
• Selbstbild
Alternativen-
Auswahl
• Available Set
• Awareness Set
• Evoked Set
• Consider. Set
• Preisverarbeitung
• Entscheidung
Gedächtnis
• Erfahrungen mit
Produkten
• Marken-
Erfahrungen
• Voraussetzung
für Lernprozesse
Lernprozesse
• Zufriedenheit mit
aktuellem Tarif
• Anpassung der
Präferenzen bei
Unzufriedenheit
• Evolution des
Anbieter-Images
Interaktion der simulierten Kunden miteinander
• Mund-zu-Mund-Propaganda
• Netzwerk-Marketing-Strategien prüfbar usw.
Analyx 35
Datenbedarf -> Datenverfügbarkeit -> Datenbasis
DTAG und Hauptwettbewerber (96% des PK-Festnetzmarktes)
Alle Haupttarife mit den relevanten Tarifeigenschaften :
Grundpreis
Nutzungspreis
Bandbreite
Tel.-AS. Variante
TV-Ausprägung
MVLZ
Kündigungsfrist
Rabatte
etc.
15.000 Tarife auf Monatsbasis von 2007 – heute
Relative und absolute Preisabstände
Berücksichtigung der Tarife nach regionaler Verfügbarkeit
Tarifdatenbank
Anzahl der Wechsler pro Monat von Tarif x nach Tarif y auf Bundesebene
Kategorisierung nach Art des Wechsels z.B. :
Upgrade
Downgrade
Neukunde
Churner
Kundenbestände zum Ende jeden Monats pro Tarif
Berücksichtigung von realen Verfügbarkeiten pro Tarif sogar auf PLZ-Ebene
Gesamtumsatz und Umsatz nach Produktklassen
Kundenbestände u. Wechslerdaten
Jährliche, repräsentative Befragung der deutschen Haushalte
Soziodemografische Erhebungen:
Haushaltsgröße
Alter
Geschlecht
Einkommen
Wohnort
Bildung
Beruf
Nutzungsverhalten
TK-Ausgaben
TK-Produkte
etc.
~ 320 Attribute pro befragtem Haushalt
Telebasics Home
Demografische und gesamtwirtschaftliche Entwicklung nach regionaler Gliederung (97 Raumeinheiten)
Private Konsumausgaben (insb. Medien und Konsum)
Mediennutzung nach Alter, Einkommen u.a.
Anschlussgrade unterschiedlicher Medien/Technologien
Entwicklung Anzahl/Größe Privathaushalte
Regionale Marktunterschiede
Marktdaten
2012-06-20
# 19
Analyx 36
Datenanalyse: Vorgehensweise am Beispiel der Kündigungswahrscheinlichkeit eines Kunden (Churn probability)
Benennung der Indikatoren
Faktoren- analyse
Aufstellung von Hypothesen
Regressions-analyse
Kontrolle
Die Churnrate im SP-Layer ist abhängig von
…
iJkJikikik xbxbxbbkz ...22110
Faktor 1 Faktor 2 Faktor 3 Faktor 4 Faktor 5 Faktor 6 Faktor 7 Faktor 8 Faktor 9
Faktor 10
10%
-15%
9%
6%
1 2 3 4 5
Analyx 37
Soft knowledge aus
Erfahrung & Mafo
Konsistent vernetzte Erkenntnisse aus Daten &
Erfahrung
Fast Prototyping eines Agenten basierend auf den ersten Erkenntnissen
Kaufentscheidung
• WENN Alter>42 UND
Einkommen <15.000
DANN Suche No-name Produkt
• WENN Involvement hoch
DANN vergleiche Preise
Nutzung
• WENN Intensivnutzung
DANN Produkterfahrung hoch
gewichten
• WENN Monatsrechnung zu hoch
DANN Zunahme Unzufriedenheit
Gedächtnis
• WENN Freunde positive
Nutzungs-Erfahrungen
DANN Marken-Image revidieren
Weitere Bereiche …
Gedächtnis • Erfahrungen
• Formung & Evolution
des Markenimages
• Lernen & Adaption
Produktnutzung z5 < p ?
Wähle ausvalid-tarife einen
Tarif mittelspreisverarbeitung1
p-netzusers-pref > users-lim
Wähle aus valid-tarife
mit netz = netzpref
einen mittels
preisverarbeitung2
Wähle aus valid-tarife
mit p-netzusers >=
p-netzusers-pref einen
Tarif mittels
preisverarbeitung2
Nein (eher hoch
Involvierte) Ja (eher gering
Involvierte)
Nein
(Nicht-Konservative)Ja
(Konservative)
z6
netzpref leer?Wähle aus valid-tarife
mit mlz <= maxmlz
einen Tarif mittels
preisverarbeitung2
Wähle aus valid-tarife
einen Tarif mittels
preisverarbeitung2
z6 < 0,5 z6 >= 0,5
Nein. Ja.
Entscheidung
Einkaufsliste leer?
Betrete Supermarkt
Laufe durch Regale
Impuls
Kauf?
Suche einen Artikel aus Einkaufsliste
Artikel
gefunden?
Preis und Marke wählen
Aktualisiere Warenkorb
Nein
Nein
Nein
Ja
Ja
Ja
Ja
Unzu- friedenheit zu
groß?
2012-06-20
# 20
Analyx 38
Prototyp-Agenten in ein MAS mit anderen Agenten und einer Umwelt
laufen lassen
• Nächster Agent
• Gespräche mit Freunden
• Start
• Habe ich • V,I oder TV
• Nutzung
• Bin ich zufrieden mit • V, I, T ?
• V, I und/oder T • Tarif ändern
Simulierte Wettbewer
Produkte und Preise
Intelligente Agenten
Entscheidungs-logik
Analyx 39
Ergebnisse des Prototypen mit Realdaten vergleichen
Real-
daten
Modell-
Output
Mikro-Validierung Entscheiden einzelne Agenten „richtig“?
Makro-Validierung Verhält sich das Gesamtsystem „richtig“?
1992 1995 2000 2005 2010
2012-06-20
# 21
Analyx 40
Bespiel Deutsche Telekom
Weiterentwicklung der kognitiven Architektur
der Agenten
Analyx 41
Entscheidungsprozess eines Agenten
Start
Nächster Kunde
Nutze V, I, T
Gespräche mit Freunden
Neuen Tarif wählen V, I, und/oder T
J
J
N
N
Habe ich V, I, T?
Bin ich zufrieden
mit V, I, T?
Nex t Consumer
N
S t art
Do I have V , I , T?
Talk to Friends
U t i lize V, I, T
A m I satisfied w it h my V, I, T?
S h o p for new V , I , and/or T
Y
N
Y
U s age = N(Voic e Usage of Consumer, X%) [ C ap at 0]
Time to p ay this time
s t ep?
Y
Det ermine amount to p ay based on Usage
. yi ncome
amountnceCostRel eva
N
C o ntinue
C al ibration V ar iable
Nex t Consumer
N
S t art
Do I have V , I , T?
Talk to Friends
U t i lize V, I, T
A m I satisfied w it h my V, I, T?
S h o p for new V , I , and/or T
Y
N
Y
Go trough l ist of friends
C h o ose probabi listic al ly which Dec ision Attribute to ta lk about
A t tribute Re levance += (Friend‘s Rel. – old Attr. Re l.) * C o nsumer Receptiveness * F r iend‘s Persuasiveness
Ot h er A t tributes to talk
ab o ut?
Br an d Perception += (Friend‘s BrPerc. – old BrPerc .) * C o nsumer Receptiveness * F r iend‘s Persuasiveness
Ot h er A t tributes to talk
ab o ut?
C o ntinue
N
Y
N
Y
Nex t Consumer
N
S t art
Do I have V , I , T?
Talk to Friends
U t i lize V, I, T
A m I satisfied w it h my V, I, T?
S h o p for new V , I , and/or T
Y
N
Y
Go trough V , I and T
C o n sumer S t ickiness > S at isfaction w it h V, I or
T?
C o ntinue
Y
N C o n sumer a l lo wed to
leav e ?
Y
S e t Flexibi lity R e levance = x Go S hopping
N
C o n sumer C al ibration V ar iable
t ri but eDeci si onAt i
ii
MaxValue
PlanVa luelevanceonSa tisfacti Re
Nex t Consumer
N
S t art
Do I have V , I , T?
Talk to Friends
U t i lize V, I, T
A m I satisfied w it h my V, I, T?
S h o p for new V , I , and/or T
Y
N
Y
C r eate initia l Choic e Set with a l l p lans ac cording to Table 4.1
R emove al l plans not available in t he area of the Consumer
R emove al l plans with brands n o t known to the Consumer
R emove al l plans with Consumer can‘t af ford: Cost > X% of Income
Create all possible combinations with current plan(s) Consumer is happy with
C o n sumer in C at egory A?
C h o ose plan(s) Wit h Utility Method
F in al Choic e
R ed uce Choice Set w it h EAB Method
N
Y
C al ibration V ar iable
Nex t Consumer
N
S t art
Do I have V , I , T?
Talk to Friends
U t i lize V, I, T
A m I satisfied w it h my V, I, T?
S h o p for new V , I , and/or T
Y
N
Y
U s age = N(Voic e Usage of Consumer, X%) [ C ap at 0]
Time to p ay this time
s t ep?
Y
Det ermine amount to p ay based on Usage
. yi ncome
amountnceCostRel eva
N
C o ntinue
C al ibration V ar iable
P er formance Relevance += Usage*u * I mpact Factor from Graph 1.2
Br an d Perception += Usage*v * I mpact Factor from Graph 1.2
Nex t Consumer
N
S t art
Do I have V , I , T?
Talk to Friends
U t i lize V, I, T
A m I satisfied w it h my V, I, T?
S h o p for new V , I , and/or T
Y
N
Y
U s age = N(Voic e Usage of Consumer, X%) [ C ap at 0]
Time to p ay this time
s t ep?
Y
Det ermine amount to p ay based on Usage
. yi ncome
amountnceCostRel eva
N
C o ntinue
C al ibration V ar iable
P er formance Relevance += Usage*u * I mpact Factor from Graph 1.1
Br an d Perception += Usage*v * I mpact Factor from Graph 1.1
N
C al ibration V ar iable
C r eate initia l Choic e Set with a l l p lans ac cording to Tanle 1.0
R emove al l plans not available in t he area of the Consumer
R emove al l plans with brands n o t known to the Consumer
R emove al l plans Consumer c an‘t af ford: Cost > X% of Income
C r eate all possible combinations with cu r rent plan(s) Consumer is happy with
C o n sumer in C at egory A?
R ed uce Choice Set w it h EAB Method
C h o sse plan(s) w it h Uti lity Method
F in al Choic e
t r i but eDeci si onAt i
ii
MaxVa lue
PlanVa luelevanceUtility Re
:Utilityhighest with ncombinatioT I, V, Choose
R an k Decision Attributes p r o babi listic al ly based o n Re levance values
Go through Decision A t tributes by rank
R e lax C r iterion
E l iminate al l plans that d o n ‘t satisfy the Crite rion f o r this Dec ision Attribute
Tig hten C r iterion
A n y plans left in C hoice Set?
A n y Decision A t tributes left?
S ize of C h o ic e Set < X
C o ntinue
S t art over C o ntinue
N
N
Y Y
Y Y
N
M ax imum of C h o ic e Set
Überblick über den Entscheidungsprozess
2012-06-20
# 22
Analyx 42
Entscheidungspfade
Start
Nächster Kunde
Nutze V, I, T
Gespräche mit Freunden
Neuen Tarif wählen V, I, oder T
J
J
N
N
Habe ich V, I, T?
Bin ich zufrieden
mit V, I, T?
Entscheidungspfade des Agentenbasierten Modells
Analyx 43
Agenten in einem MAS mit anderen Agenten und detaillierten Umweltdaten
laufen lassen
• Nächster Agent
• Gespräche mit Freunden
• Start
• Habe ich • V,I oder TV
• Nutzung
• Bin ich zufrieden mit • V, I, T ?
• V, I und/oder T • Tarif ändern
Simulierte Unternehmen
Produkte und Preise
Intelligente Agenten
Entscheidungs-logik
Input aus Telebasics Home Tarifdatenbank Wechslerdaten
2012-06-20
# 23
Analyx 44
Validierung des Gesamtmodells
1.Mikrovalidierung
2.Makrovalidierung
3.Szenarien und Extremvarianten
Analyx 45
Bespiel Deutsche Telekom
Ergebnisse und Tool
2012-06-20
# 24
Analyx 46
Tool
Tarifmaske Executive Summary
Wechsler-matrix
KPI Charts
Analyx 47
Anwendung durch das Management der Deutschen Telekom
Erkenntnis der Simulation des Dynamischen Marktmodells.
Sollten wir den Preis des
Call & Surf Comfort um 5 € senken?
2012-06-20
# 25
Analyx 48
Ergebnisse
Baseline Szenario KPIs
Analyx 49
Wechslermatrix
2012-06-20
# 26
Analyx 50
Agenda
• Beispiele für Social Simulation
• Allgemeine Prinzipien von Agenten und
Multiagentensystemen (MAS)
• Social MAS zur Modellierung von Menschen und
menschlichen Entscheidungen
• Beispiel „Deutsche Telekom“
• Beispiel „Deutscher Arbeitsmarkt“
• Praktische Herausforderungen
Analyx 51
Simulation des deutschen Arbeitsmarktes Wie wirkt sich Zuwanderung auf die Beschäftigung aus?
Für Dokumentation: Qualifikationsstruktur der Arbeitsnachfrage
0%
10%
20%
30%
40%
50%
60%
70%
80%
1999 2003 2007 2011 2015 2019 2023 2027 2031 2035
Nachfrageseite Angebotsseite
Gering
Einzelne Jobs Einzelne PersonenGesamtstellenzahl nach
Qualifikationen
Mittel
Hoch
2012-06-20
# 27
Analyx 52
Simulation des deutschen Arbeitsmarktes Merkmale eines Agenten
Alter Geburt, Altern, Tod
Geschlecht Konstant
Nationalität Einbürgerungsentscheidung
Qualifikation Bildungsentscheidung
Partizipation Partizipationsentscheidung
Erwerbsstatus Job-Such- und Matching-Prozess
Job-Beendigungs-Enscheidung
Besch.-Dauer Wachsende Berufserfahrung mit
zunehmendem Alter
Attribute Prozesse Reale menschliche Vorbilder
für die intelligenten Agenten
Analyx 53
Simulierte Zuwanderungs-Szenarien des deutschen Arbeitsmarktes
Ausländeranteil bei Personen zw. 0-64, in Prozent
0,0% 5,0% 10,0% 15,0% 20,0% 25,0% 30,0% 35,0% 40,0%
START 2000
BASELINE
BASELINE ohne EU12
Nettozuw anderung Null
Deutschland läuft leer
Deutschland läuft leer Umkehrung
Bevölkerung konstant halten
Maximale Zuw anderung
Maximale Zuw anderung Nicht-EU
Bildung Hoch A
Bildung Hoch B
Festung Europa
2012-06-20
# 28
Analyx 54
Simulierte Zuwanderungs-Szenarien des deutschen Arbeitsmarktes
Migration von Personen im Alter zwischen 0-64, absolut
0 500 000 1 000 000 1 500 000 2 000 000 2 500 000 3 000 000
START 2000
BASELINE
BASELINE ohne EU12
Nettozuw anderung Null
Deutschland läuft leer
Deutschland läuft leer Umkehrung
Bevölkerung konstant halten
Maximale Zuw anderung
Maximale Zuw anderung Nicht-EU
Bildung Hoch A
Bildung Hoch B
Festung Europa
Immigranten Emigranten
Analyx 55
Simulierte Zuwanderungs-Szenarien des deutschen Arbeitsmarktes
Arbeitslosequote (ALQ), in Prozent
0,0% 5,0% 10,0% 15,0% 20,0% 25,0%
START 2000
BASELINE
BASELINE ohne EU12
Nettozuw anderung Null
Deutschland läuft leer
Deutschland läuft leer Umkehrung
Bevölkerung konstant halten
Maximale Zuw anderung
Maximale Zuw anderung Nicht-EU
Bildung Hoch A
Bildung Hoch B
Festung Europa
Arbeitslosequote (ALQ) insgesamt ALQ Deutsche ALQ Ausländer
2012-06-20
# 29
Analyx 56
Baseline-Szenario
Bevölkerungszahl, absolut
0
10 000 000
20 000 000
30 000 000
40 000 000
50 000 000
60 000 000
70 000 000
80 000 000
90 000 000
100 000 000
2000 2035
Bevölkerung Erwerbspersonen 15-64, absolut
Analyx 57
Baseline-Szenario
Arbeitslosenquote (ILO) für Erwerbspersonen
zw. 15-64, in Prozent
0%
5%
10%
15%
20%
25%
30%
Mittel 2000-2005 Mittel 2030- 2035
ALQ Deutsche ALQ Ausländer
2012-06-20
# 30
Analyx 58
Baseline-Szenario
Arbeitslosenquote (ILO) für Erwerbspersonen
zw. 15-64, in Prozent
0%
5%
10%
15%
20%
25%
30%
Mittel 2000-2005 Mittel 2030- 2035
ALQ insgesamt ALQ Gering-QualifizierteALQ Mittel-Qualifizierte ALQ Hoch-Qualifizierte
Analyx 59
Agenda
• Beispiele für Social Simulation
• Allgemeine Prinzipien von Agenten und
Multiagentensystemen (MAS)
• Social MAS zur Modellierung von Menschen und
menschlichen Entscheidungen
• Beispiel „Deutsche Telekom“
• Beispiel „Deutscher Arbeitsmarkt“
• Praktische Herausforderungen
2012-06-20
# 31
Analyx 60
Social Simulation und MAS im praktischen Alltag
• Wir wissen nicht, wie Menschen wirklich denken
• Die Datenlage ist viel schlechter als in den Naturwissenschaften
• Experimente sind kaum möglich
• Zusammenhänge ändern sich ständig, Naturgesetze dagegen sind konstant
• Simulationen sind in der Geschäftswelt wenig verbreitet
• Simulations-Experten mit zusätzlichem interdisziplinärem Wissen gibt es kaum
Analyx 61
Social Simulation und MAS im praktischen Alltag
• Wir wissen nicht, wie Menschen wirklich denken
• Die Datenlage ist viel schlechter als in den Naturwissenschaften
• Experimente sind kaum möglich
• Zusammenhänge ändern sich ständig, Naturgesetze dagegen sind konstant
• Simulationen sind in der Geschäftswelt wenig verbreitet
• Simulations-Experten mit zusätzlichem interdisziplinärem Wissen gibt es kaum
0
10
20
30
40
50
60
70
Haben Sie das Licht gesehen? Haben Sie ein Licht gesehen?
2012-06-20
# 32
Analyx 62
Social Simulation und MAS im praktischen Alltag
• Wir wissen nicht, wie Menschen wirklich denken
• Die Datenlage ist viel schlechter als in den Naturwissenschaften
• Experimente sind kaum möglich
• Zusammenhänge ändern sich ständig, Naturgesetze dagegen sind konstant
• Simulationen sind in der Geschäftswelt wenig verbreitet
• Simulations-Experten mit zusätzlichem interdisziplinärem Wissen gibt es kaum
Analyx 63
Weiterführende Infos
• Einstiegsliteratur: Simulation for the Social Scientist, Troitzsch, Gilbert
• Journals: Journal of Artificial Societies and Social Simulation http://jasss.soc.surrey.ac.uk
• Online: Website von Prof. Leigh Tesfatsion http://www2.econ.iastate.edu/tesfatsi/ace.htm
• Simulationsumgebungen:
o RePast Simphony: umfassend, komplex, OpenSource
o NetLogo: einfach, kostenfrei
o Anylogic: umfassend, besser dokumentiert als RePast, kommerziell