سناریوپردازی و تحلیل حساسیت در تصمیم‌های اقامتگاه

وقتی آینده معلوم نیست، دو ابزار کمک می‌کنند: سناریوپردازی چند آینده‌ی باورپذیر می‌سازد تا تصمیم را در برابر همه‌ی آن‌ها آزمایش کنید، و تحلیل حساسیت نشان می‌دهد کدام فرض (اشغال، قیمت، هزینه ثابت) بیشترین اثر را روی نتیجه دارد و باید جدی‌تر بررسی شود. هیچ‌کدام آینده را پیش‌بینی نمی‌کنند؛ هدفشان این است که تصمیم شما با اولین شوک فرو نریزد و وقت و پول تحقیقتان را روی فرض‌های مهم خرج کنید.

این درس در سری مدیریت علمی اقامتگاه بعد از تحلیل کسب‌وکار بر پایه‌ی داده می‌آید و ادامه‌اش مدیریت ریسک است. مدل مالی پایه (سرمایه‌ی اولیه، سربه‌سر، ROI) را در امکان‌سنجی اقامتگاه و ROI می‌توانید ببینید؛ اینجا همان منطق را در شرایط نامطمئن به کار می‌بریم. همه‌ی اعداد مثال‌ها فرضی و گردشده‌اند، نه آمار بازار ایران. آخرین بازبینی: ۲ آبان ۱۴۰۵.

هدف‌های یادگیری این درس

پس از این درس باید بتوانید:

1. فرق پیش‌بینی، سناریو و تحلیل حساسیت را توضیح دهید.

2. سه سناریوی مالی (خوش‌بینانه، پایه، بدبینانه) برای یک ملک بسازید و سود هرکدام را حساب کنید.

3. جدول تورنادو بکشید و مهم‌ترین فرض را پیدا کنید.

4. نقطه‌ی سربه‌سر و شب لازم برای رسیدن به بازده هدف را محاسبه کنید.

5. ارزش اطلاعات (EVPI) را برای تصمیم «بخرم یا نه» حساب کنید.

ریشه‌ی علمی: از رند تا شل

سناریونویسی در مدیریت ریشه‌ای نظامی دارد. فارِبر و لاخیاکیا (۲۰۰۸، پژوهشگران دانشگاه ایالتی پنسیلوانیا، در یک مقاله‌ی دسترسی‌آزاد arXiv) می‌نویسند مفهوم سناریو در دهه‌ی ۱۹۶۰ در مؤسسه‌ی رند به‌عنوان ادامه‌ی تحلیل سیستم‌ها شکل گرفت، چون روش‌های قبلی که یک هدف را بهینه می‌کردند یا فقط احتمال نتایج را وزن می‌دادند، برای آینده‌ی نامطمئن کافی نبودند؛ هرمان کان، که از ۱۹۴۷ تا ۱۹۶۱ در رند کار می‌کرد و پدر تحلیل سناریو شناخته می‌شود، آن را برای تفکر درباره‌ی جنگ هسته‌ای به کار برد. کان و وینر (۱۹۶۷) سناریو را «توالی فرضی رویدادها» می‌دانند که برای متمرکزکردن توجه بر فرایندهای علّی و نقطه‌های تصمیم ساخته می‌شود. همان مقاله روایت می‌کند که شل در میانه‌ی دهه‌ی ۱۹۷۰ این روش را توسعه داد: پیش از آن سامانه‌ای به نام UPM داشت که فقط حدود شش سال جلو را با فرض «دنیای آشنا و قابل‌پیش‌بینی» می‌دید، و هدف سناریو به گفته‌ی پی‌یر واک (هاروارد بیزنس ریویو، ۱۹۸۵) تغییر فرض‌های تصمیم‌گیرندگان درباره‌ی نحوه‌ی کار دنیا بود. این روایت را از نقل مقاله‌ی دیگری می‌خوانیم و متن کامل مقاله‌ی واک را (پشت پرداخت) نخواندیم. پل شوماکر در مجله‌ی اسلون ام‌آی‌تی (۱۹۹۵) سناریوپردازی را روشی منضبط برای تصور آینده‌های ممکن می‌نامد که با اعتمادبه‌نفس کاذب و دید تونلی مقابله می‌کند (خلاصه‌ی ناشر). پیتر شوارتز، برنامه‌ریز سناریوی پیشین شل، در The Art of the Long View (چاپ نخست ۱۹۹۱، ویراست تازه ۱۹۹۸) فرایند را شرح داد؛ فارِبر و لاخیاکیا آن را چنین خلاصه می‌کنند: از یک موضوع کانونی شروع کنید، عوامل مؤثر محلی و جهانی را فهرست کنید، آن‌ها را بر پایه‌ی اهمیت و عدم قطعیت رتبه بدهید، عوامل «از پیش تعیین‌شده» را در همه‌ی سناریوها نگه دارید و برای مهم‌ترین و نامطمئن‌ترین عوامل منطق داستان را بنویسید. این همان منطق ماتریس دو محوری است که در بخش بعد برای اقامتگاه به کار می‌بریم.

دو تعریف رقیب را جدا کنید: پیش‌بینی (forecast) یک عدد محتمل می‌دهد؛ سناریو چند داستان سازگار از آینده است که هرکدام ممکن است رخ دهد، و لزوماً احتمال ندارد. تحلیل حساسیت (sensitivity analysis) طبق سالتلی و همکاران (۲۰۱۹، Environmental Modelling & Software) اهمیت نسبی ورودی‌ها و فرض‌های مدل را نشان می‌دهد و با تحلیل عدم قطعیت فرق دارد، که فقط می‌پرسد «پیش‌بینی چقدر نامطمئن است». یکی نگاه کیفی-روایی است، دیگری عددی؛ بهترین تحلیل هر دو را کنار هم می‌گذارد. یک تعریف نزدیک‌تر به ذهن مدیران هم هست: در کتاب درسی رایگان OpenStax (اصول مدیریت، بخش ۱۷٫۳) برنامه‌ریزی اضطراری (سناریو یا «چه می‌شود اگر») یعنی تدوین راه‌های جایگزین برای وقتی که فرض‌های برنامه غلط از آب درآید، و گفته می‌شود بیشتر این برنامه‌ها هرگز اجرا نمی‌شوند ولی ارزششان در آمادگی است. سناریوپردازی بزرگ‌تر است: فقط پشتیبان یک برنامه نیست، خودِ برنامه را زیر سؤال می‌برد.

محدودیت صادقانه: کان در دفاع از روش می‌گوید سناریو ابزار پیش‌بینی نیست، ابزاری برای تحریک و انضباط‌دادن به تخیل است و اگر سناریویی از واقعیت دور باشد، نقد باید متوجه همان سناریو باشد نه روش (نقل فارِبر و لاخیاکیا از کان ۱۹۹۰). نقد جدی‌تر این است که سناریو ذهنی است و کارایی‌اش در ادبیات بیشتر موردی گزارش شده تا آزمون‌شده؛ برای این گزاره منبع بازشده‌ی اولیه نداریم. به هر حال سناریو بدون تغییر در تصمیم، تزیین است.

سناریوپردازی: چهار گام ساده برای اقامتگاه

شل ابتدا عوامل پیش‌ران را شناسایی می‌کند، آن‌ها را در چارچوب می‌گذارد، چند سناریوی کوچک می‌سازد و به دو یا سه سناریوی نهایی می‌رساند. نسخه‌ی عملی برای میزبان:

1. سؤال تصمیم: دقیق (مثلاً «این ویلا را بخرم؟»).

2. عدم قطعیت‌های حیاتی: دو چیزی که هم مهم‌اند هم نامعلوم (مثل تقاضای سفر در منطقه و تعداد واحدهای رقیب جدید). چیزهایی که معلوم‌اند (مثل حجم ظرفیت ملک) سناریو نیستند.

3. ماتریس ۲×۲: هر محور دو حالت؛ چهار سناریو، هرکدام اسم و داستان کوتاه.

4. پیامد عددی و علائم هشدار: هر سناریو را به اشغال، نرخ و هزینه ترجمه کنید و بنویسید کدام نشانه‌ی زودرس یعنی در آن سناریو هستید.

مثال اقامتگاهی: فرض کنید خرید یک ویلای ۶ میلیارد تومانی در شمال را بررسی می‌کنید. محور اول: تقاضای سفر منطقه (رشد یا افت). محور دوم: عرضه‌ی رقیب جدید (کم یا زیاد). چهار سناریو: «بازار داغ، رقیب کم» (خوش‌بینانه)، «بازار داغ، رقیب زیاد» (اشغال خوب، نرخ فشرده)، «بازار سرد، رقیب کم» (نرخ حفظ، اشغال کم) و «بازار سرد، رقیب زیاد» (بدبینانه). برای محاسبه، چهار سناریو را به سه سناریوی مالی خلاصه می‌کنیم: خوش‌بینانه، پایه، بدبینانه؛ ایراد این خلاصه‌سازی این است که سناریوی میانی «پایه» اغلب به عنوان پیش‌بینی خوانده می‌شود و ذهن را لنگر می‌کند؛ پس در گزارش، پایه را «محتمل‌ترین» ننامید، «مرجع» بنامید.

خطای رایج: سناریوی بدبینانه‌ای که واقعاً بد نیست (۱۰٪ کمتر از پایه). بدبینانه باید شما را ناراحت کند؛ در مثال بالا اشغال حدود ۳۸٪ می‌شود.

مدل عددی: درآمد، هزینه و سود

برای ارزیابی هر سناریو، مدل ساده‌ی زیر کافی است:

سود عملیاتی سالانه = شب فروخته‌شده × (نرخ هر شب − هزینه‌ی متغیر هر شب فروخته‌شده) − هزینه‌ی ثابت سالانه

هزینه‌ی ثابت یعنی چیزی که فروش کم هم باید بپردازید (نگهداری، قبض ثابت، مدیریت، بیمه، مالیات)؛ متغیر یعنی نظافت، مصرف و کمیسیون هر شب. جزئیات تفکیک در سود واقعی اقامتگاه هست.

مثال اقامتگاهی: فرض کنید سرمایه‌ی کل ۶٬۰۰۰ میلیون تومان (خرید و مبلمان)، هزینه‌ی ثابت سالانه ۴۲۰، هزینه‌ی متغیر هر شب فروخته‌شده ۰٫۹ میلیون تومان است. (واحد جدول‌ها میلیون تومان.)

محاسبه‌ی بدبینانه گام به گام: درآمد ۱۴۰ × ۵٫۴ = ۷۵۶؛ هزینه‌ی متغیر ۱۴۰ × ۰٫۹ = ۱۲۶؛ سود ۷۵۶ − ۱۲۶ − ۴۲۰ = ۲۱۰؛ بازده ۲۱۰ ÷ ۶٬۰۰۰ = ۳٫۵٪. خوش‌بینانه: ۲۴۰ × ۶٫۶ = ۱٬۵۸۴؛ ۲۴۰ × ۰٫۹ = ۲۱۶؛ سود ۱٬۵۸۴ − ۲۱۶ − ۴۲۰ = ۹۴۸؛ بازده ≈ ۱۵٫۸٪. دامنه‌ی سود (۲۱۰ تا ۹۴۸) تقریباً ۴٫۵ برابر است، یعنی یک عدد واحد «بازده ۱۰٪» گمراه‌کننده است.

خطای رایج: تغییر دادن هم‌زمان همه‌ی فرض‌ها در یک جهت. در واقعیت اشغال و نرخ همبسته‌اند؛ اما هم‌جهتی کامل بدبینانه‌ترین ترکیب را می‌دهد، که برای آزمون تحمل مفید است ولی نباید با «محتمل» اشتباه شود.

تحلیل حساسیت: کدام فرض مهم‌تر است؟

روش ساده، «یک‌بار یک متغیر»: هر ورودی را از حالت پایین به بالا ببرید در حالی که بقیه روی مقدار مرجع می‌مانند و سود را ثبت کنید. بزرگی تغییر سود در هر متغیر را به‌صورت میله می‌کشند و از بزرگ به کوچک مرتب می‌کنند؛ شکل شبیه گردباد می‌شود (نمودار تورنادو). راهنمای CASRAI (که در اقتصاد سلامت نمودار تورنادو را روش استاندارد گزارش تحلیل حساسیت یک‌طرفه می‌داند) ساخت آن را همین‌طور شرح می‌دهد: مدل را با مقدار مرجع اجرا کنید، هر ورودی را جدا روی حد پایین و بالا ببرید، بقیه را سر جایشان نگه دارید و میله‌ها را به ترتیب پهنای تغییر خروجی مرتب کنید. همان راهنما هشدار می‌دهد این نمودار اثر متقابل ورودی‌ها، همبستگی میان آن‌ها و احتمال ترکیب‌های نامطلوب را نشان نمی‌دهد و اعتبارش به نحوه‌ی انتخاب بازه‌ها بسته است. سالتلی و همکاران (۲۰۱۹) در مرور ۲۸۰ مقاله‌ی پراستناد نشان دادند ۴۱٪ تحلیل‌ها از روش «سراسری» (که همه‌ی ورودی‌ها را هم‌زمان در فضای ممکن می‌چرخاند)، ۳۴٪ از روش یک‌بار یک متغیر و بقیه نامشخص بودند؛ و استدلال می‌کنند روش یک‌بار یک متغیر فقط برای مدل خطی کافی است. روش‌های سراسری (مثل شاخص‌های سوبول بر پایه‌ی واریانس خروجی) از ابزارهای اکسل ساده فراتر می‌روند، ولی مدل ما هم خطی نیست: سود با ضرب شب در نرخ ساخته می‌شود، پس اثر متقابل دارد (محاسبه‌ی آن را در بخش بعد می‌بینید).

مثال اقامتگاهی: در همان ویلا، سود مرجع ۶۰۰ است. هر متغیر را در بازه‌ی فرضی خودش حرکت می‌دهیم:

نمونه‌ی محاسبه: شب ۱۴۰ → ۱۴۰ × (۶٫۰ − ۰٫۹) − ۴۲۰ = ۱۴۰ × ۵٫۱ − ۴۲۰ = ۷۱۴ − ۴۲۰ = ۲۹۴. نرخ ۵٫۴ → ۲۰۰ × (۵٫۴ − ۰٫۹) − ۴۲۰ = ۹۰۰ − ۴۲۰ = ۴۸۰. هزینه‌ی متغیر ۱٫۱ → ۲۰۰ × ۴٫۹ − ۴۲۰ = ۵۶۰. ترتیب میله‌ها: اشغال (۵۱۰)، نرخ (۲۴۰)، هزینه‌ی ثابت (۱۲۰)، هزینه‌ی متغیر (۸۰). نتیجه‌ی مدیریتی: وقت تحقیق را به برآورد شب فروخته‌شده بدهید، نه به چانه‌زنی روی هزینه‌ی نظافت.

دو نکته‌ی دقت: اول، ترتیب میله‌ها به بازه‌های شما وابسته است؛ بازه‌ی اشغال را وسیع‌تر گرفتیم چون نامعلوم‌تر است، که طبیعی ولی ذهنی است. دوم، اگر به‌جای بازه‌ی عددی «یک درصد تغییر» را بسنجیم تصویر عوض می‌شود: یک درصد افزایش شب فروخته‌شده (۲ شب) سود را ۲ × ۵٫۱ = ۱۰٫۲ میلیون بالا می‌برد (۱٫۷٪ از ۶۰۰)، در حالی که یک درصد افزایش نرخ (۰٫۰۶) سود را ۲۰۰ × ۰٫۰۶ = ۱۲ میلیون (۲٫۰٪) بالا می‌برد، چون افزایش نرخ هزینه‌ی متغیر ندارد. پس «حساس‌ترین متغیر» هم به واحد اندازه‌گیری بستگی دارد. ارتباط این با رفتار تقاضا در کشش قیمتی و قیمت‌گذاری پویا است: بالا بردن قیمت وقتی تقاضا کم‌کشش است ارزان‌ترین اهرم سود است.

جدول دومتغیره و سربه‌سر

جدول دومتغیره دو متغیر کلیدی را هم‌زمان تغییر می‌دهد و اثر ترکیبی را نشان می‌دهد؛ سربه‌سر هم از همین فرمول می‌آید: سود صفر وقتی شب × (نرخ − متغیر) = ثابت.

مثال اقامتگاهی (اثر متقابل، یعنی همان چیزی که تورنادو نمی‌بیند): در جدول تورنادو بالا، بالا بردن فقط شب فروخته‌شده از ۲۰۰ به ۲۴۰ سود را ۲۰۴ میلیون زیاد می‌کند (۸۰۴ − ۶۰۰) و بالا بردن فقط نرخ به ۶٫۶ آن را ۱۲۰ میلیون (۷۲۰ − ۶۰۰). جمعشان ۳۲۴ می‌شود، یعنی سود ۹۲۴. ولی وقتی هر دو هم‌زمان بالا بروند، سود واقعی ۲۴۰ × ۵٫۷ − ۴۲۰ = ۹۴۸ است؛ ۲۴ میلیون بیشتر، چون شب‌های بیشتر با نرخ بالاتر فروخته می‌شوند. در سمت بدبینانه (۱۴۰ شب و نرخ ۵٫۴) جمع اثرهای جدا ‎−۴۲۶ است (سود ۱۷۴) ولی سود واقعی ۲۱۰ است، یعنی ۳۶ میلیون بهتر از آنچه جمع میله‌ها نشان می‌دهد (دو کاهش هم‌زمان، هم‌پوشانی دارند). در این مدل کوچک خطا اندک است، اما نشان می‌دهد چرا سالتلی و همکاران برای مدل‌های غیرخطی روش یک‌بار یک متغیر را کافی نمی‌دانند.

مثال اقامتگاهی: سود سالانه برای ترکیب‌های نرخ و شب فروخته‌شده (فرض کنید حداقل بازده مطلوب شما ۸٪ سرمایه یعنی ۴۸۰ میلیون است؛ عدد فرضی است و معیار واقعی شما با گزینه‌های دیگر و تورم تعیین می‌شود):

نمونه: ۱۷۰ × ۵٫۱ − ۴۲۰ = ۸۶۷ − ۴۲۰ = ۴۴۷. سربه‌سر عملیاتی در نرخ ۶٫۰: ۴۲۰ ÷ ۵٫۱ ≈ ۸۲٫۴، یعنی ۸۳ شب (اشغال ≈ ۲۲٫۷٪). برای رسیدن به سود ۴۸۰ نیاز به شب ۹۰۰ ÷ ۵٫۱ ≈ ۱۷۶٫۵ → ۱۷۷ شب در نرخ ۶٫۰ داریم؛ در نرخ ۵٫۴ برابر ۹۰۰ ÷ ۴٫۵ = ۲۰۰ و در نرخ ۶٫۶ برابر ۹۰۰ ÷ ۵٫۷ ≈ ۱۵۸ شب. یعنی ۱۰٪ تغییر نرخ، شب لازم را از ۲۰۰ به ۱۵۸ می‌رساند؛ نرخ در ملک‌هایی که اهرم هزینه‌ی ثابت دارند ضربه‌گیر قوی‌تری از اشغال است.

ارزش تصمیم در عدم قطعیت: EVPI

بعد از سناریوها سؤال این است: آیا خرید اطلاعات بیشتر ارزش دارد؟ مثلاً سفارش یک مطالعه‌ی بازار. ارزش مورد انتظار اطلاعات کامل (EVPI) سقف قیمتی است که ارزش دارد برای رفع عدم قطعیت بپردازید: EVPI = ارزش مورد انتظار با اطلاعات کامل − ارزش مورد انتظار بدون آن (EMV). این مقدار هرگز منفی نیست. در جزوه‌ی درس «تکنیک‌های تصمیم مهندسی» دانشگاه ایلینوی (گراس) همین تعریف آمده است: EVPI برابر ارزش مورد انتظار تصمیمِ همراه با اطلاعات کامل منهای ارزش مورد انتظار تصمیمِ بدون اطلاعات اضافی؛ ارزش هر اطلاعات واقعی (ناقص) همیشه نامنفی است و از EVPI کوچک‌تر. جزوه‌ی «ارزش اطلاعات کامل» درس ESD.72 دانشگاه MIT (آپوستولاکیس، ۲۰۰۷) این را با «غیب‌گوی همیشه درست» تصویر می‌کند: او بی‌آن‌که احتمال‌ها را عوض کند نتیجه را از پیش می‌گوید، پس محاسبه را باید «پیش از استخدام غیب‌گو» انجام داد، یعنی با احتمال‌های فعلی خودتان. در مثال خود جزوه، ارزش مورد انتظار با اطلاعات کامل ۱۹۵ هزار دلار و بدون اطلاعات ۱۵۰ هزار دلار است، پس EVPI برابر ۴۵ هزار دلار و هزینه‌ی هر نظرسنجی‌ای باید کمتر از آن باشد تا بصرفد. ما فقط دو جزوه‌ی درسی را باز کردیم؛ مقاله‌های کلاسیک ارزش اطلاعات را نخواندیم و تاریخچه‌ی آن را نمی‌آوریم.

مثال اقامتگاهی: تصمیم: خرید ویلا یا سرمایه‌گذاری جایگزین با سود تضمین‌شده‌ی سالانه ۴۸۰ (۸٪ از ۶٬۰۰۰). احتمال‌های ذهنی (فرضی): خوش‌بینانه ۲۵٪، مرجع ۵۰٪، بدبینانه ۲۵٪.

- EMV خرید = ۰٫۲۵ × ۹۴۸ + ۰٫۵ × ۶۰۰ + ۰٫۲۵ × ۲۱۰ = ۲۳۷ + ۳۰۰ + ۵۲٫۵ = ۵۸۹٫۵. - EMV جایگزین = ۴۸۰. بدون اطلاعات: خرید. - با اطلاعات کامل: اگر بدانیم بدبینانه است، جایگزین (۴۸۰)، وگرنه خرید. ارزش = ۰٫۲۵ × ۴۸۰ + ۰٫۵ × ۶۰۰ + ۰٫۲۵ × ۹۴۸ = ۱۲۰ + ۳۰۰ + ۲۳۷ = ۶۵۷. - EVPI = ۶۵۷ − ۵۸۹٫۵ = ۶۷٫۵ میلیون تومان در سال.

یعنی مطالعه‌ی بازاری که به هر قیمتی تنها ۱۰ میلیون هزینه دارد می‌تواند کاملاً منطقی باشد، ولی هیچ مطالعه‌ای ۶۷٫۵ میلیون نمی‌ارزد، چون سقف است. (این محاسبه فرض می‌کند شما بی‌طرف نسبت به ریسک هستید؛ اگر زیان ۲۱۰ برایتان از سود ۹۴۸ دردناک‌تر است، مدل را با تابع مطلوبیت تعدیل کنید.)

مطالعه‌ی موردی (فرضی): تصمیم خرید ویلا

با ترکیب بخش‌های قبل، یادداشت تصمیم این است:

• سؤال: خرید ویلا با سرمایه‌ی ۶٬۰۰۰ میلیون تومان.

• سناریوها: سود ۲۱۰ تا ۹۴۸ (بازده ۳٫۵٪ تا ۱۵٫۸٪)، مرجع ۶۰۰.

• حساسیت: اشغال مهم‌ترین عامل؛ پس قبل از خرید، سه تا پنج واحد مشابه همان منطقه را ببینید و ببینید بعد از دو سال چند شب پر بوده‌اند (بنچ‌مارکینگ).

• آزمون شوک: فرض کنید یک شوک (بحران یا بسته‌شدن جاده) شب فروخته‌شده را به ۶۰ برساند و نرخ ۵٫۴ بماند: سود ۶۰ × ۴٫۵ − ۴۲۰ = ۲۷۰ − ۴۲۰ = ‎−۱۵۰. یعنی در بدترین سال ۱۵۰ میلیون زیان. پس ذخیره‌ی نقدی دست‌کم ۱۵۰ میلیون (یک سال هزینه‌ی ثابت پوشش‌داده‌نشده) لازم است؛ اگر نیست، سناریوی بدبینانه شما را با وام یا فروش اجباری روبه‌رو می‌کند.

• علائم هشدار (از گام ۴ سناریو): اگر تا ۶ ماه پس از شروع، شب فروخته‌شده کمتر از ۷۰ باشد (نصف ۱۴۰ بدبینانه)، برنامه‌ی «بدبینانه» را اجرا کنید: کاهش هزینه‌ی ثابت، افزودن کانال و بازنگری قیمت.

• تصمیم: خرید فقط اگر قیمت خرید یا سرمایه‌ی لازم طوری باشد که سود بدبینانه هنوز مثبت و ذخیره‌ی شوک تأمین باشد؛ در غیر این صورت چانه‌زنی روی قیمت یا شروع با واحد کوچک‌تر.

تمرین برای شما

1. سه سناریو: برای ملک خودتان (یا ملکی که قصد خریدش را دارید) سه سناریو با شب فروخته‌شده، نرخ، هزینه‌ی متغیر و ثابت بنویسید و سود را حساب کنید. راهنما: بدبینانه باید دردناک باشد.

2. سربه‌سر: با فرمول شب = ثابت ÷ (نرخ − متغیر)، سربه‌سر ملکتان را در سه نرخ حساب کنید. راهنما: برای مثال بالا در نرخ ۵٫۴ برابر ۴۲۰ ÷ ۴٫۵ ≈ ۹۳٫۳ شب است.

3. تورنادو: چهار متغیر کلیدی را ±۲۰٪ تغییر دهید و میله‌ها را مرتب کنید. راهنما: در مثال ما شب فروخته‌شده ±۲۰٪ یعنی ۱۶۰ تا ۲۴۰ شب: ۱۶۰ × ۵٫۱ − ۴۲۰ = ۳۹۶ و ۲۴۰ × ۵٫۱ − ۴۲۰ = ۸۰۴؛ دامنه ۴۰۸.

4. EVPI: گزینه‌ی A سود ۱۰۰ یا ۳۰۰ و گزینه‌ی B سود ثابت ۲۰۰ در دو حالت هم‌احتمال. EVPI چقدر است؟ راهنما: EMV هر دو ۲۰۰؛ با اطلاعات کامل ۰٫۵ × ۲۰۰ + ۰٫۵ × ۳۰۰ = ۲۵۰؛ EVPI = ۵۰.

5. علائم هشدار: برای سناریوی بدبینانه‌ی خودتان دو علامت زودرس و عدد آستانه‌ی هرکدام تعریف کنید.

جمع‌بندی درس

• سناریو آینده‌ی ممکن است، نه پیش‌بینی؛ ارزشش در تغییر تصمیم است.

• دو محور نامعلوم و مهم، چهار سناریو؛ سپس به عدد برگردانید و علائم هشدار بنویسید.

• سود = شب × (نرخ − متغیر) − ثابت؛ تغییر یک فرض به‌تنهایی ساده، ولی اثر متقابل را نمی‌بیند.

• تورنادو نشان می‌دهد کجا تحقیق بیشتر ارزش دارد؛ ترتیبش به بازه‌ها و واحدها وابسته است.

• سربه‌سر و جدول دومتغیره حاشیه‌ی ایمنی را نشان می‌دهند.

• EVPI سقف ارزش اطلاعات است؛ مطالعه‌ی ارزان‌تر از سقف ممکن است صرف کند.

• آزمون شوک و ذخیره‌ی نقدی، سناریوی بدبینانه را قابل‌زنده‌ماندن می‌کند.

درس بعدی

شوک‌ها و بدترین سناریوها را باید سازمان‌یافته مدیریت کرد: مدیریت ریسک در کسب‌وکار اجاره اقامتگاه (ISO 31000). نقشه‌ی کل مسیر: مدیریت علمی کسب‌وکار اجاره اقامتگاه؛ نقشه راه.

شاه‌کلید در این مسیر

شاه‌کلید ابزار شبیه‌سازی سناریو ندارد. اما شب‌های فروخته‌شده، درآمد و هزینه‌های واقعی هر واحد را ثبت می‌کند؛ این اعداد جای فرض‌های مدل را بعد از شروع می‌گیرند و باعث می‌شوند علائم هشدار را با داده بسنجید.

سؤال‌های پرتکرار

چند سناریو کافی است؟

دو تا چهار. بیشتر از آن تصمیم‌گیر را گیج می‌کند و تفاوتشان معنادار نمی‌ماند.

احتمال هر سناریو را چطور تعیین کنم؟

در رویکرد شل معمولاً احتمال نمی‌دهند؛ وقتی برای EVPI لازم می‌شود، آن‌ها را ذهنی و صریح بنویسید و حساسیت نتیجه را به آن‌ها هم بسنجید.

تحلیل حساسیت با اکسل شدنی است؟

بله: جدول دومتغیره و محاسبه‌ی یک‌بار یک متغیر. روش‌های سراسری و شبیه‌سازی مونت‌کارلو ابزار بیشتری می‌خواهند.

اگر داده‌ای از بازار ندارم؟

منبع رسمی ایرانی‌ای برای اشغال و نرخ اقامتگاه‌های مشابه پیدا نکردیم؛ از بنچ‌مارک واحدهای شبیه خودتان استفاده کنید و بازه‌ها را وسیع بگیرید.

منابع

• Wack, P. (1985). Scenarios: Uncharted Waters Ahead. Harvard Business Review, September 1985 — صفحه‌ی خلاصه‌ی ناشر.

• Schoemaker, P. J. H. (1995). Scenario Planning: A Tool for Strategic Thinking. MIT Sloan Management Review, Winter 1995 — صفحه‌ی خلاصه‌ی ناشر.

• Farber, D. & Lakhtakia, A. (2008). Scenario Planning and Nanotechnological Futures — دانشگاه ایالتی پنسیلوانیا، مقاله‌ی دسترسی‌آزاد arXiv (تاریخچه‌ی رند و شل، نقل از واک، کان و شوارتز، گام‌های ساخت سناریو).

• Saltelli, A. et al. (2019). Why so many published sensitivity analyses are false: A systematic review of sensitivity analysis practices. Environmental Modelling & Software, 114, 29–39 — متن کامل (تعریف تحلیل حساسیت، محدودیت روش یک‌بار یک متغیر، مرور ۲۸۰ مقاله).

• CASRAI — Tornado diagram sensitivity analysis (راهنمای ساخت و محدودیت‌های نمودار تورنادو).

• Gross, G. — ECE 307 Techniques for Engineering Decisions, Lecture 15 (ارزش اطلاعات و EVPI)، دانشگاه ایلینوی در اوربانا-شمپین.

• Apostolakis, G. E. (2007). DA 2: The Value of Perfect Information — MIT OpenCourseWare، ESD.72 Engineering Risk-Benefit Analysis (نسخه‌ی آینه‌ای).

• OpenStax — Principles of Management، بخش ۱۷٫۳ Types of Plans (برنامه‌ریزی اضطراری یا «چه می‌شود اگر»).

آنچه نتوانستیم تأیید کنیم

متن کامل مقاله‌های واک و شوماکر پشت پرداخت است و فقط خلاصه‌ی ناشر خوانده شد؛ آنچه از واک، کان و شوارتز آوردیم از نقل‌قول‌های مقاله‌ی فارِبر و لاخیاکیا است، نه از متن اصلی. صفحه‌ی ناشر کتاب شوارتز باز نشد؛ سال چاپ نخست (۱۹۹۱) و ویراست ۱۹۹۸ را از فهرست منابع همان مقاله گرفتیم. صفحه‌ی شل برای تاریخچه‌ی سناریو باز نشد (۴۰۴) و صفحه‌ی دانشگاه پلی‌تکنیک فرانسه درباره‌ی شل و بحران نفتی ۱۹۷۳ در زمان مقرر باز نشد؛ پس ادعای رایج «شل شوک نفتی را پیش‌بینی کرد» را در متن نیاوردیم. مقاله‌ی بردفیلد و همکاران (۲۰۰۵) درباره‌ی مکتب‌های سناریو دسترسی‌آزاد نداشت. صفحه‌ی PMC برای راهنمای ویلسون (۲۰۱۵) درباره‌ی ارزش اطلاعات بررسی ربات داشت و آن را دور نزدیم؛ صفحه‌ی ISPOR فقط چکیده را نشان داد. شواهد تجربی کارایی سناریوپردازی را در منبع بازشده نیافتیم. فقط یک منبع بازشده («میانه‌ی دهه‌ی ۱۹۷۰») تاریخ راه‌اندازی سناریو در شل را داده بود؛ سال دقیق را تأیید نکردیم. منبع رسمی ایرانی برای اشغال و نرخ بازار نیافتیم؛ همه‌ی اعداد مثال‌ها فرضی‌اند.