War gaming simulation (симуляция конкурентной войны) выросла из узкого места штабных игр: им не хватает времени. Чешские исследователи Йозеф Черны, Владимир Враб и Ян Зезула (J. Cerny, V. Vráb, J. Zezula) в статье 2023 года «A War Gaming in the Context of a Computer Simulation of Combat» называют военную игру уважаемым инструментом подготовки решений командира. При этом её подготовка, проведение и разбор требуют точной организации и большого запаса времени, а в динамичной обстановке этого запаса нет. Авторы встроили в фазу проведения игры конкретную систему компьютерной симуляции боя и разобрали, при каких теоретических условиях её результатам можно доверять. Эксперимент показал, что протестированная система для такой работы пригодна.
Директор, который выбирает цену, канал сбыта или момент выхода на рынок, упирается в ту же проблему. Живой разбор реакции конкурента занимает дни и даёт одну версию будущего. Симуляция конкурентной войны прогоняет каждый стратегический вариант через компьютерную модель, в которой поведение соперников записано явными правилами. На выходе получается не прогноз-точка, а распределение исходов: ожидаемый результат и риск худшего сценария. В бизнес-стратегии этот подход связан с Марком Чуссилом (Mark Chussil) из компании Advanced Competitive Strategies. В 1986 году он вместе с профессором Уортонской школы бизнеса Дэвидом Райбстайном создал систему ValueWar™, которая соединила стратегическое мышление с компьютерной симуляцией.
Ниже разобраны обе линии происхождения метода, его принципы, слабые места и типовые ошибки. Есть шестинедельный план внедрения и пошаговая инструкция к фрейму OrgDevTools, где варианты решений сравниваются по ожидаемому исходу с поправкой на риск.
Происхождение и исследовательская база War Gaming Simulation
У метода две корневые линии. Первая — военная: оттуда пришёл сам термин и почти все научные работы в материалах. Вторая — бизнес-стратегическая, её представляет Марк Чуссил. Англоязычная поисковая выдача по запросу почти целиком военная, учебная и любительская. Руководителю полезно знать обе линии: военные исследования честнее говорят об условиях, при которых симуляции можно верить.
Бизнес-линия: Марк Чуссил, ValueWar и Cyborg Strategy
ValueWar™, созданная Чуссилом и Райбстайном в 1986 году, решала типичную для стратегического планирования задачу. Возможных ходов и ответов на рынке слишком много, чтобы перебрать их в голове или на совещании. Система взяла от стратегического анализа постановку вопроса, а от компьютера — способность быстро перебирать комбинации. Позже Чуссил развил эту идею в концепцию Cyborg Strategy™. В ней человек принимает решения и формулирует допущения, а машина просчитывает множество итераций и показывает, что из этих решений может получиться.
Стоит чётко отделить этот метод от живой ролевой игры. В OrgDevTools есть отдельная методика «Стратегическая военная игра» по Я. Макмиллану. Там команда сама разыгрывает роль конкурента в одном структурированном раунде, спорит и аргументирует его ходы. В симуляции Чуссила реакция конкурента заранее формализована как алгоритм, который многократно прогоняется по разным условиям. Живая игра даёт глубину понимания мотивов соперника, симуляция — ширину охвата возможных исходов.
В материалах нет первичной публикации Чуссила с формулами или устройством моделей ValueWar. Поэтому конкретные параметры его систем здесь не приводятся: описание держится на общей характеристике подхода. Устройство метода в деталях лучше видно по военным работам, где сходная логика описана открыто.
Военная линия: симуляция как опора штабной игры
Работа Черны, Враба и Зезулы не описывает подготовку военной игры. Она сосредоточена на фазе проведения: как использовать в ней конкретную систему симуляции боя, при каких теоретических условиях результаты считать валидными и сколько времени это экономит. Для бизнеса из неё следует главный вывод: симуляцию ценят не за «точное предсказание», а за возможность быстрее и объективнее сравнить варианты действий в пределах времени, отведённого на решение.
Норвежский институт оборонных исследований FFI описал похожую связку в докладе «Simulation-Supported Wargaming for Analysis of Plans». Его авторы — Сольвейг Брувол (Solveig Bruvoll), Йо Ханнай (Jo E. Hannay) и коллеги. Система SWAP анализирует планы операций с опорой на симуляцию. Передвижение подразделений и бой моделирует коммерческий программный каркас компьютерных сил (Computer Generated Forces) VR-Forces. Его выбрали, потому что он поддерживает агрегированное моделирование, совместим со стандартом HLA и настраивается под задачи. Планировщик маршрутов размечает участки пути по скорости и сравнивает расчётное время с тем, что заложено в приказе. Это прямая аналогия бизнес-симуляции: план проверяется не мнением, а расчётом, который показывает расхождение между замыслом и вероятной реальностью.
Эрнест Пейдж (Ernest H. Page) из корпорации MITRE в работе «Modeling and Simulation, Experimentation, and Wargaming: Assessing a Common Landscape» рассматривает моделирование и симуляцию, эксперименты и военные игры как общее поле, а не как конкурирующие методы. MITRE разрабатывает среду NERVE, которая связывает площадки для экспериментов и военных игр с доступом к реальным данным. Исследовательская лаборатория ВВС США (AFRL), о которой рассказывает Г. Дарл Льюис (G. Darl Lewis), выделила под военные игры, моделирование, симуляцию и анализ отдельную лабораторию. Её задачи сформулированы так: проверять больше концепций быстрее, не дожидаясь «настоящего» оборудования, усиливать анализ с участием человека (Human-in-the-Loop) и соединять виртуальные и конструктивные модели, где рядом работают операторы-люди и искусственный интеллект.
Алгоритмический противник и искусственный интеллект
Следующий шаг — противник, который сам учится. Сюле Гао, Жуй Ван и Чжао-Хуэй Лю (Xule Gao, Rui Wang, Zhao-Hui Liu) в работе 2024 года описывают военную симуляцию как среду с неопределённостью и асимметричной игрой. Они применили глубокое обучение с подкреплением, чтобы генерировать боевые стратегии. Авторы решали три проблемы: сложные команды, редкие сигналы вознаграждения и координацию нескольких агентов. Для этого они извлекали признаки обстановки, проектировали функции вознаграждения под конкретные задачи и обучали агентов алгоритмом MAPPO (Multi-Agent Proximal Policy Optimization). В сухопутной симуляции метод показал хорошую долю побед.
Отчёт RAND RRA423-1 показывает, как устроены такие игры на практике. Исследователи разыгрывали сценарии с автономными боевыми машинами. Автономия была только у атакующей синей стороны. Главным в моделировании стали правила управления машинами, а огневая мощь, подвижность и защищённость отошли на второй план. Красная сторона оказалась перед дилеммой. Огонь по роботизированным машинам обычно их выводил из строя, но ослаблял синих меньше, чем огонь по тяжёлым машинам с экипажем. Кроме того, такой огонь раскрывал позиции красных раньше, чем синие подходили на дистанцию эффективного ответа. Механических рекомендаций игра не дала: она выявила структуру выбора, которую трудно увидеть заранее.
Самая трезвая позиция в материалах — статья RAND 2022 года в Journal of Defense Modeling and Simulation. Её авторы предлагают исследовательскую программу, в которой моделирование, симуляция, игры и анализ переплетены. Агенты с искусственным интеллектом строятся с учётом опыта военных игр, а игры получают подсказки от анализа на моделях. Авторы предостерегают от распространённых практик машинного обучения. По их словам, надёжных эмпирических данных о будущих кризисах и конфликтах нет. Объяснимость нужна и подсказкам для игроков, и агентам внутри моделей, поэтому предпочтителен искусственный интеллект на основе когнитивного моделирования, где машинное обучение лишь дополняет и настраивает структуру. Наконец, авторы призывают очень осторожно выбирать вопросы, которые задают играм и моделям. Модели, симуляции и игры останутся несовершенными, иногда заметно. Но ими можно пользоваться так, чтобы повышать качество решений.
Игровые модели решений о закупках и инвестициях
Ближе всего к бизнес-задачам работа Пола Вьенхаге, Хизер Баркомб и Карела Маршалла (Paul Vienhage, Heather Barcomb, Karel Marshall) 2017 года. Они реализовали в MATLAB игровую модель закупок, которую разработала The Aerospace Corporation: связку UGAF-AGMF и её движок военных игр (War-Gaming Engine). Каждую игру можно провести с позиции заказчика — органа закупок Министерства обороны — или с позиции отдельного подрядчика. Модель ищет стратегию, которая сочетает низкую совокупную стоимость владения с инновационными решениями и при этом закрывает потребности конечного пользователя. Авторы также описывают байесовский подход к военным играм в закупках (Bayesian Acquisition War-Gaming). Для руководителя здесь важны две идеи: одну и ту же игру полезно прогонять с позиции каждой стороны, а цель модели — найти устойчивую стратегию, а не угадать будущее.
Данные и повторное использование моделей
Кайса Лиековуори, Сами Раутио и Аату Хярконен (Kaisa Liekovuori, S. Rautio, Aatu Härkönen) в 2021 году изучали Центр морской войны Финляндии. Там работают изолированные системы военного моделирования с чувствительными данными. Задача исследования — создать единую общую базу параметров для программ разного уровня детализации: от высокоуровневой симуляции сценариев до симуляции систем систем и физического моделирования отдельных систем. Ещё три работы — Сюэ-Фэн Сюя (2007), Ц. Гуаня (2006) и Цзюань Чжэн (2006) — посвящены управлению ресурсами военно-космических симуляций, их совместному использованию и повторному применению программных компонентов. Для бизнеса вывод простой: допущения о рынке и конкурентах стоит хранить в одном месте, иначе разные модели компании будут спорить друг с другом из-за разных исходных цифр.
Что ещё называют war gaming simulation
Поиск по этому запросу выдаёт и вещи, далёкие от стратегии компании. Их полезно знать, чтобы не путать жанры.
Учебные курсы. Институт международных отношений Университета Вест-Индии предлагал курс INRL 6103 «Diplomacy and War-gaming Simulation» в первом семестре 2020/2021 учебного года для магистрантов всех факультетов.
Погружающие академические симуляции. Компания Valens проводит симуляции и военные игры в вузах. Участники из American University и Carnegie Mellon University весной 2021 года хвалили реалистичность: ленту новостей, брифинги, твиты с аргументами обеих сторон, ощущение настоящей работы. Это ролевой жанр, где ценность создаёт вовлечённость, а не расчёт.
Физические системы имитации боя. Компания Central War Gaming группирует свои симуляционные системы по разделам: техника безопасности (Safety First), смешанные системы (Mixed Systems), страйкбол (Airsoft), системы UTM и MILES, настольные и дистанционные настольные игры (Tabletop and Remote Tabletop). К анализу стратегии это отношения не имеет.
Отраслевые публикации о тренажёрах. В выдаче есть статья «Simulators: The war games» на портале Geospatial World. Его рубрики о ГИС и Джеке Дэнджермонде, геоаналитике для 5G и устойчивом развитии относятся к навигации сайта, а не к методу. Встречается и доклад SAE «Conjunctive war gaming» — в материалах от него есть только название.
Симуляция конкурентной войны отвечает не на вопрос «что будет», а на вопрос «какой из наших вариантов выдерживает больше правдоподобных будущих».
Ключевые идеи и принципы War Gaming Simulation
Принцип: распределение исходов вместо одного прогноза
Классический бизнес-план содержит один сценарий: цену, долю, выручку. Симуляция прогоняет то же решение через множество вариаций. Меняются допущения о реакции конкурентов, о чувствительности спроса к цене, о случайных колебаниях рынка. В итоге получается набор результатов, по которому видно, где сосредоточена основная масса исходов, насколько широк разброс и как выглядит плохой хвост. Итерация — один прогон модели при конкретном наборе допущений. Распределение исходов — совокупность результатов всех прогонов. Решение принимают по форме распределения, а не по одной цифре.
Принцип: модель реакции конкурента записана явными правилами
В живой игре реакцию конкурента придумывают люди по ходу обсуждения. В симуляции её нужно заранее записать как правило. Удобно разбить его на четыре элемента:
Сигнал (триггер) — что конкурент замечает: рост нашей доли, снижение цены, запуск продукта в его сегменте.
Порог — при каком масштабе сигнала он начинает действовать: например, после роста нашей доли на несколько процентных пунктов за квартал.
Ответ — что именно он делает и в каком размере: снижает цену, усиливает рекламу, выпускает аналог.
Задержка — через сколько периодов наступает ответ.
Явная запись дисциплинирует. Допущение «конкурент не ответит», которое в презентации прячется между строк, в модели превращается в правило, и его приходится защищать. Если у команды нет данных для правила, это выясняется ещё до прогонов.
Принцип: Cyborg Strategy — человек плюс машина
Чуссил не предлагал отдать стратегию алгоритму. В Cyborg Strategy роли разделены. Человек формулирует варианты, выбирает, какие реакции конкурентов правдоподобны, и интерпретирует результат. Машина перебирает итерации в объёме, который недоступен ручному анализу. Военные источники пришли к той же связке. Лаборатория AFRL прямо ставит задачу усилить анализ с участием человека. Норвежская SWAP — это игра, поддержанная симуляцией, а не симуляция вместо игры. Авторы RAND видят моделирование, игры и анализ как переплетённые методы.
Принцип: ожидаемый исход и риск худшего сценария — разные величины
Ожидаемый исход (expected outcome) — средний результат варианта по всем прогонам. Риск худшего сценария (downside risk) — насколько плохим окажется результат в неблагоприятных, но правдоподобных прогонах. Результат с поправкой на риск (risk-adjusted outcome) объединяет обе величины. Простейший способ — вычесть из ожидаемого исхода размер риска, если они выражены в одних единицах. Вариант с высоким средним и катастрофическим хвостом может оказаться хуже скромного, но устойчивого. Компании с небольшим запасом прочности худший сценарий важнее среднего: от среднего она не разорится, а от хвоста может.
Принцип: валидность модели проверяется до прогонов
Черны, Враб и Зезула отдельно разбирают теоретические условия, при которых результатам симуляции можно доверять. Для бизнеса это означает: прежде чем сравнивать варианты, проверьте модель на прошлом. Запустите её с допущениями двухлетней давности и посмотрите, воспроизводит ли она известные события — ценовую войну, реакцию лидера на новичка, падение доли. Если модель не объясняет прошлое, её выводам о будущем верить рано.
Принцип: объяснимость важнее сложности
Авторы RAND предпочитают модели, структуру которых задаёт понимание логики решений, а машинное обучение лишь дополняет и настраивает. Обученный агент из работы Гао и коллег может выигрывать, но руководителю нужно знать, почему вариант проигрывает в определённой группе прогонов. Хорошая бизнес-симуляция позволяет пройти от неудачного исхода назад к правилу реакции, которое его вызвало. Если модель выдаёт рекомендацию без объяснения, на совещании её отвергнут или примут на веру. Оба исхода плохи.
Принцип: игра с позиции каждой стороны
Игровая модель закупок Aerospace Corporation проводится и с позиции заказчика, и с позиции подрядчика. Тот же приём полезен в бизнесе. Прогоните модель не только с вашей стороны, но и со стороны главного конкурента: какой ход оптимален для него при ваших возможных действиях? Если его лучший ответ разрушает ваш лучший вариант, это видно сразу. Разделение на стороны близко к логике Red Team / Blue Team, но здесь вместо красной команды работает алгоритм.
Принцип: единые данные на разных уровнях детализации
Финская работа о базе параметров показывает: модели разного масштаба должны питаться одними исходными данными. В компании роль модели высокого уровня играет рынок и отрасль, которые удобно описывать через модель пяти сил Портера. Роль системного уровня — отдельный продукт, регион, канал. Если оценка эластичности спроса в маркетинговой модели не совпадает с цифрой в финансовой, симуляция сравнивает не варианты, а расхождения между отделами.
Сила метода — не в количестве прогонов, а в том, что каждое допущение о конкуренте становится видимым и проверяемым.
Ограничения, слепые зоны и критика War Gaming Simulation
Качество выводов ограничено качеством допущений. Модель на неверных правилах реакции конкурента выдаёт неверные выводы так же уверенно, как верные, только в промышленном масштабе. Тысяча прогонов на плохих допущениях не надёжнее одного продуманного разговора о конкуренте. Принцип «мусор на входе — мусор на выходе» (garbage in, garbage out) здесь работает в полную силу.
Иллюзия точности. Распределение с десятыми долями процента выглядит научно. Но если правило «конкурент снижает цену на 5%» взято из одного эпизода трёхлетней давности, точность графика ложная. Чем красивее визуализация, тем строже нужно спрашивать, откуда взялись входные цифры.
Нет эмпирических данных о будущем. Авторы RAND прямо пишут об отсутствии надёжных эмпирических данных о будущих кризисах и конфликтах. Для бизнеса это значит: правила реакции конкурентов калибруются по прошлому, а самые опасные ходы — те, которых в прошлом не было. Симуляция хорошо исследует пространство известных реакций и плохо находит неизвестные.
Нестандартное поведение соперника. Алгоритм плохо воспроизводит иррациональные ходы, личные амбиции руководителя конкурента и политику внутри его компании. Живая ролевая игра улавливает это лучше, потому что люди склонны переносить в роль собственные эмоции и логику. Если вопрос упирается в мотивы конкретного человека, одной симуляции мало.
Выученная стратегия не равна реалистичной. Агенты с обучением с подкреплением, как в работе Гао и коллег, оптимизируют функцию вознаграждения, заданную исследователями, и измеряются долей побед. Реальный конкурент оптимизирует свою, часто неизвестную нам, цель. Высокая доля побед говорит о качестве обучения в рамках модели, а не о сходстве с поведением реального рынка.
Расхождение популярного пересказа и источников. В популярных изложениях, в том числе в прежней версии этой статьи, компьютерная симуляция противопоставлена живой игре: мол, машина исследует решения лучше неподготовленного человеческого разума. Источники в материалах так не считают. Норвежская SWAP — игра, поддержанная симуляцией. AFRL соединяет операторов-людей и искусственный интеллект. RAND предлагает рассматривать модели, симуляции, игры и анализ как переплетённые методы. Сам Чуссил назвал свою концепцию Cyborg Strategy — союз человека и машины. Правильная рамка — разделение труда, а не соревнование.
Слабая открытая документация бизнес-линии. Военная линия описана в рецензируемых статьях с методикой и условиями валидности. По бизнес-линии в материалах есть только общая характеристика систем Чуссила, без опубликованных выборок и сравнительных исследований эффективности. Утверждения о том, насколько бизнес-симуляции улучшают решения, проверить по ним нельзя.
Цена построения модели. Черны и коллеги показали экономию времени на фазе проведения игры. Но прежде симуляцию нужно построить и проверить, а это отдельный проект. Для разового решения с небольшими ставками он может не окупиться.
Чем War Gaming Simulation не является. Это не прогноз продаж и не машина, которая выдаёт «правильную стратегию». Это и не живая ролевая игра, где команда разыгрывает конкурента. Метод не заменяет тестирование стратегических допущений, а опирается на него. Это способ систематически сравнить заранее сформулированные варианты по устойчивости к разным реакциям конкурентов.
Если вопрос про цифры — масштаб, разброс, хвосты, — нужна симуляция. Если вопрос про людей — мотивы, амбиции, политику, — нужна живая игра. Обычно нужны оба.
Типовые ошибки при работе с War Gaming Simulation
Ошибка 1: верят результату без проверки допущений.
Команда воспринимает вывод симуляции как объективный факт и забывает, что он целиком зависит от заложенных правил реакции конкурентов. Компьютерный график легитимирует предположения, которые никто не проверял. Решение принимается на основе слабых гипотез, но с уверенностью, будто их проверили.
Как избежать
ведите реестр допущений, где у каждого правила указаны источник, дата и степень уверенности. Перед совещанием пройдитесь по трём самым влиятельным правилам. Найти их помогает анализ чувствительности: какое допущение сильнее всего меняет итог.
Ошибка 2: закладывают одну реакцию конкурента.
В модель заносят единственную, наиболее вероятную реакцию соперника и прогоняют её тысячу раз со случайным шумом. Получается не распределение по разным стратегиям конкурента, а один сценарий с погрешностью. Главное преимущество метода — исследование пространства реакций — теряется.
Как избежать
для каждого ключевого конкурента опишите минимум три модели поведения — пассивную, соразмерную и агрессивную. Прогоняйте варианты решения по каждой из них. Отдельно смотрите, какой вариант выдерживает агрессивного соперника.
Ошибка 3: выбирают по среднему, игнорируя хвост.
Решение принимают по наибольшему ожидаемому результату. Вариант, который в среднем приносит больше, но в каждом десятом прогоне ведёт к ценовой войне с потерей маржи, выглядит лучшим. Компания делает ставку, которую не может себе позволить проиграть.
Как избежать
по каждому варианту фиксируйте и ожидаемый исход, и риск худшего сценария в одних единицах. Сравнивайте варианты по результату с поправкой на риск. Заранее договоритесь, какой худший исход для компании неприемлем при любом среднем.
Ошибка 4: ставят симуляцию на место живой игры или наоборот.
Там, где решающими будут личные мотивы руководителя конкурента, компания полагается на алгоритм и упускает реализм. Обратный перекос тоже встречается: живая игра проводится один раз, и её единственный сценарий принимают за закономерность. В обоих случаях метод отвечает не на тот вопрос.
Как избежать
живую игру проводите, чтобы понять логику и мотивы конкурентов. Выводы из неё переводите в правила симуляции и уже симуляцией проверяйте масштаб и разброс исходов. Оспорить выбранный вариант с человеческой стороны помогает Premortem Analysis: «прошёл год, вариант провалился — почему?»
Ошибка 5: не обновляют модель.
Модель реакции строят один раз под конкретное решение и больше не трогают. Через год у конкурента новый руководитель, другая структура затрат и другие приоритеты, а модель всё ещё предполагает прежнее поведение. Её используют для следующих решений, и ошибка накапливается.
Как избежать
назначьте владельца модели. Раз в квартал сверяйте предсказанные реакции с фактическими ходами конкурентов и правьте правила там, где они разошлись. Каждое расхождение записывайте: эта история — лучший материал для калибровки.
Ошибка 6: спрашивают у модели прогноз вместо сравнения.
Руководство ждёт ответа на вопрос «какая будет выручка в следующем году». Модель выдаёт цифру, её вносят в бюджет, а потом удивляются промаху. Авторы RAND предупреждают: к выбору вопросов для игр и моделей нужно подходить с большой осторожностью. Абсолютные значения — самое ненадёжное, что выдаёт симуляция.
Как избежать
формулируйте вопрос сравнительно: «какой из вариантов A, B и C устойчивее к агрессивному ответу лидера». Относительный порядок вариантов переживает ошибки калибровки куда лучше, чем абсолютные цифры.
План внедрения War Gaming Simulation
Неделя 1: вопрос и варианты. Сформулируйте одно конкретное решение, которое нужно принять: цена, вход в сегмент, запуск продукта. Запишите три–пять взаимоисключающих вариантов, включая консервативный («ничего не менять»). Определите единицу результата — например, валовую прибыль за 12 месяцев — и горизонт расчёта. Договоритесь, какой худший исход для компании неприемлем.
Неделя 2: модели реакции конкурентов. Выберите двух–трёх ключевых соперников. Для каждого запишите правила реакции по схеме «сигнал — порог — ответ — задержка» в трёх версиях: пассивной, соразмерной и агрессивной. Опирайтесь на историю их прошлых ходов. Где истории нет, пометьте правило как гипотезу. Если команда хочет сначала понять мотивы конкурентов, проведите короткую живую игру и переведите её выводы в правила.
Неделя 3: сборка модели и проверка на прошлом. Соберите модель — для первого раза хватит таблицы со случайными колебаниями ключевых параметров. Прогоните её на данных прошлых периодов и проверьте, воспроизводит ли она известные события. Правила, которые не объясняют прошлое, исправьте или отметьте как ненадёжные.
Неделя 4: прогоны. Прогоните каждый вариант решения по всем моделям реакции, варьируя чувствительность спроса и внешние колебания. По каждому варианту зафиксируйте ожидаемый исход и риск худшего сценария в одних единицах. Отдельно выпишите, какое правило конкурента порождает самые плохие исходы.
Неделя 5: сравнение и вызов. Сравните варианты по результату с поправкой на риск. Проверьте, меняется ли порядок вариантов при изменении самого спорного допущения. Если меняется, это допущение нужно уточнить до решения. Устройте сессию сомнения: попросите коллег, не участвовавших в построении модели, оспорить лучший вариант.
Неделя 6: решение и сигналы. Примите решение и запишите, при каких допущениях оно остаётся лучшим. Для каждого ключевого допущения определите ранний сигнал: какой ход конкурента или показатель рынка покажет, что модель ошиблась. Назначьте владельца модели и дату первой сверки.
Далее: поддержание и обновление. Раз в квартал сверяйте предсказанные реакции конкурентов с фактическими и правьте правила. Перед каждым крупным решением используйте существующую модель как основу и не стройте новую с нуля. Ведите общую базу допущений, чтобы маркетинговые, финансовые и стратегические расчёты опирались на одни цифры.
Хороший итог шестинедельного цикла — не «правильный ответ», а решение, для которого известно, при каких условиях оно перестаёт быть лучшим.
Как реализовать этот план с помощью фрейма «War Gaming Simulation» в OrgDevTools
Фрейм — бесплатный тренажёр на сайте. Отдельного инструмента с ним в OrgDevTools нет. Симуляцию фрейм не прогоняет. Он сводит её результаты в матрицу «вариант × реакция конкурента», сам считает ожидаемый исход, худший случай и разброс и выбирает вариант, который выдерживает допустимый минимум.
Вкладка «1. Реакции конкурентов» — неделя 2: модели реакции конкурентов
При открытии список пуст. Кнопка «+ реакция» добавляет строку из трёх полей:
название, например «Снизит цену на 10%»;
правило срабатывания: при каком нашем шаге и почему конкурент так ответит;
вероятность в процентах, от 0 до 100.
Крестик удаляет строку. Ниже фрейм показывает сумму вероятностей. Она зелёная, если отличается от 100% не больше чем на 1 п.п., и оранжевая в остальных случаях. В расчёт идут только реакции с названием.
Схему «сигнал — порог — ответ — задержка» пишите в поле правила. Пассивную, соразмерную и агрессивную версии поведения заводите отдельными реакциями. Внизу вкладки есть свободный список «Заметки о моделях поведения конкурентов» для истории ходов и гипотез. В расчёт он не входит.
Вкладка «2. Варианты × реакции» — недели 1 и 4: варианты и прогоны
Строки таблицы — ваши варианты, их добавляет кнопка «+ вариант». Столбцы — реакции с указанием вероятностей. В каждую ячейку вносите результат варианта при этой реакции в одной метрике, выбранной на неделе 1. Названия вариантов заполняйте на неделе 1, числа — на неделе 4.
Вкладка «3. Выбор» — неделя 5: сравнение и вызов
Сверху задаётся допустимый минимум: результат, который компания выдержит при худшей реакции. Это неприемлемый исход из недели 1. Таблица отсортирована по ожиданию и показывает:
ожидание — среднее исходов, взвешенное по вероятностям и делённое на их фактическую сумму;
худший случай и реакцию, которая к нему приводит;
разброс σ — взвешенное стандартное отклонение;
отметку «выдерживает» или «ниже».
Фрейм выбирает вариант с наибольшим ожиданием среди тех, чей худший случай не ниже минимума. Равенство минимуму проходит. Строка выбора подсвечена зелёным с пометкой «← выбор», непрошедшие — красным. Это рабочая настройка фрейма. σ показывается, но на выбор не влияет.
Вкладка «Визуализация» — неделя 5: разброс наглядно
У каждого варианта есть полоса от худшего до лучшего исхода. Кружки на ней — исходы при реакциях: чем вероятнее реакция, тем крупнее кружок. Прямоугольник отмечает ожидание и у выбранного варианта окрашен зелёным. Заданный минимум показан красной пунктирной линией.
Вкладка «Итоги» — неделя 6: решение и сигналы
Вердикт проверяет условия по порядку и останавливается на первом невыполненном:
реакций меньше двух — 💡 опишите хотя бы две;
сумма вероятностей отличается от 100% больше чем на 1 п.п. — ⚠️ распределение исказится;
у реакции нет правила — ⚠️ «Модель без правил — гадание»;
вариантов меньше двух — 💡 добавьте ещё;
исходы варианта заполнены не при всех реакциях — ⚠️ расчёт невозможен;
минимум не задан — ⚠️ фрейм показывает лучший по ожиданию вариант и его худший случай и просит задать минимум;
минимум не проходит ни один вариант — 🔴 нужен вариант с защитой от худшей реакции;
лучший по ожиданию вариант ниже минимума — ⚠️ фрейм называет реакцию, которая его проваливает, и предлагает другой выбор;
иначе — ✅ выбор и реакция, за сигналами которой стоит следить.
Числа выводятся максимум с одним знаком после запятой. Ниже стоят счётчики реакций, вариантов и допустимых вариантов. Кнопка «Создать задачу» ставит задачу «Подготовить запуск варианта «…» и сигналы реакции конкурентов». Если допустимого варианта нет, задача называется «Разработать вариант, устойчивый к худшей реакции конкурента». В описание задачи попадает текст вердикта.
Чего фрейм не делает
Не прогоняет итерации: реакции для него — несколько дискретных сценариев.
Не разбирает правило на элементы. Это один текстовый фрагмент, и в расчёт он не входит.
Не различает конкурентов: совместные ходы нескольких соперников придётся заводить отдельными реакциями.
Не учитывает вероятность худшего случая: для проверки минимума редкий провал весит столько же, сколько частый.
Не проверяет модель на прошлом, не считает чувствительность и не хранит квартальные сверки.
Стёртое число в ячейке матрицы превращается в 0 и считается заполненным.
Заполнили фрейм? Сохраните, чтобы не потерять
Книги по теме War Gaming Simulation
Монографий о методе Чуссила в материалах нет, а системы ValueWar™ и Cyborg Strategy™ описаны там без библиографии. Ниже — исследовательские работы, на которых держится эта статья.
Й. Черны, В. Враб, Я. Зезула — «A War Gaming in the Context of a Computer Simulation of Combat» (2023). Отсюда условия валидности результатов симуляции и идея экономии времени на фазе проведения игры.
П. Вьенхаге, Х. Баркомб, К. Маршалл — «War-gaming application for future space systems acquisition: MATLAB implementation of war-gaming acquisition models and simulation results» (2017). Отсюда приём прогона одной игры с позиции каждой стороны и поиск устойчивой стратегии.
С. Гао, Ж. Ван, Ч.-Х. Лю — «A Land-Based War-Gaming Simulation Method Based on Multi-Agent Proximal Policy Optimization» (2024). Отсюда пример обучаемого алгоритмического противника и ограничения такого подхода.
К. Лиековуори, С. Раутио, А. Хярконен — «Shared Parameter Database of War Gaming Software: Case Study on Commercial Simulation Databases» (2021). Отсюда принцип единой базы допущений для моделей разного уровня детализации.
%22%2F%3E%3Ccircle%20cx%3D%22202%22%20cy%3D%22-89%22%20r%3D%22-5%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.05%22%2F%3E%3Ccircle%20cx%3D%22152%22%20cy%3D%22-212%22%20r%3D%2256%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.08%22%2F%3E%3Ccircle%20cx%3D%22184%22%20cy%3D%22-332%22%20r%3D%22-12%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.11%22%2F%3E%3Crect%20x%3D%2240%22%20y%3D%2248%22%20width%3D%22124%22%20height%3D%2230%22%20rx%3D%2215%22%20fill%3D%22%234f46e5%22%2F%3E%3Ctext%20x%3D%2258%22%20y%3D%2268%22%20font-size%3D%2215%22%20font-weight%3D%22700%22%20fill%3D%22%23fff%22%20letter-spacing%3D%220.8%22%3E%D0%9C%D0%95%D0%A2%D0%9E%D0%94%D0%98%D0%9A%D0%90%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22150%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3E%D0%A1%D1%82%D1%80%D0%B0%D1%82%D0%B5%D0%B3%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D0%B2%D0%BE%D0%B5%D0%BD%D0%BD%D0%B0%D1%8F%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22198%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3E%D0%B8%D0%B3%D1%80%D0%B0%20(War%20Gaming)%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22372%22%20font-size%3D%2215%22%20font-weight%3D%22600%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%22.75%22%3Eorgdevtools.ru%3C%2Ftext%3E%3C%2Fsvg%3E)
%22%2F%3E%3Ccircle%20cx%3D%22616%22%20cy%3D%2288%22%20r%3D%2272%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.05%22%2F%3E%3Ccircle%20cx%3D%22467%22%20cy%3D%2291%22%20r%3D%22123%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.08%22%2F%3E%3Ccircle%20cx%3D%22635%22%20cy%3D%2224%22%20r%3D%2274%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.11%22%2F%3E%3Crect%20x%3D%2240%22%20y%3D%2248%22%20width%3D%22124%22%20height%3D%2230%22%20rx%3D%2215%22%20fill%3D%22%234f46e5%22%2F%3E%3Ctext%20x%3D%2258%22%20y%3D%2268%22%20font-size%3D%2215%22%20font-weight%3D%22700%22%20fill%3D%22%23fff%22%20letter-spacing%3D%220.8%22%3E%D0%9C%D0%95%D0%A2%D0%9E%D0%94%D0%98%D0%9A%D0%90%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22150%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3E%D0%A1%D1%82%D1%80%D0%B0%D1%82%D0%B5%D0%B3%D0%B8%D1%8F%20%D0%BD%D0%B0%20%D0%BE%D1%81%D0%BD%D0%BE%D0%B2%D0%B5%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22198%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3E%D1%81%D1%86%D0%B5%D0%BD%D0%B0%D1%80%D0%B8%D0%B5%D0%B2%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22246%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3E(Scenario-Based%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22294%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3EStrategy%2C%20%D0%9F.%20%D0%A8%D0%B2%D0%B0%D1%80%D1%86)%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22372%22%20font-size%3D%2215%22%20font-weight%3D%22600%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%22.75%22%3Eorgdevtools.ru%3C%2Ftext%3E%3C%2Fsvg%3E)
%22%2F%3E%3Ccircle%20cx%3D%22590%22%20cy%3D%22225%22%20r%3D%2281%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.05%22%2F%3E%3Ccircle%20cx%3D%22501%22%20cy%3D%22280%22%20r%3D%22140%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.08%22%2F%3E%3Ccircle%20cx%3D%22490%22%20cy%3D%2281%22%20r%3D%22131%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.11%22%2F%3E%3Crect%20x%3D%2240%22%20y%3D%2248%22%20width%3D%22124%22%20height%3D%2230%22%20rx%3D%2215%22%20fill%3D%22%234f46e5%22%2F%3E%3Ctext%20x%3D%2258%22%20y%3D%2268%22%20font-size%3D%2215%22%20font-weight%3D%22700%22%20fill%3D%22%23fff%22%20letter-spacing%3D%220.8%22%3E%D0%9C%D0%95%D0%A2%D0%9E%D0%94%D0%98%D0%9A%D0%90%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22150%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3ERed%20Team%20%2F%20Blue%20Team%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22198%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3EAnalysis%20(%D0%9C.%20%D0%97%D0%B5%D0%BD%D0%BA%D0%BE)%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22372%22%20font-size%3D%2215%22%20font-weight%3D%22600%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%22.75%22%3Eorgdevtools.ru%3C%2Ftext%3E%3C%2Fsvg%3E)
%22%2F%3E%3Ccircle%20cx%3D%22319%22%20cy%3D%22-271%22%20r%3D%22-12%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.05%22%2F%3E%3Ccircle%20cx%3D%22167%22%20cy%3D%221%22%20r%3D%2233%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.08%22%2F%3E%3Ccircle%20cx%3D%22110%22%20cy%3D%22-72%22%20r%3D%2268%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%220.11%22%2F%3E%3Crect%20x%3D%2240%22%20y%3D%2248%22%20width%3D%22124%22%20height%3D%2230%22%20rx%3D%2215%22%20fill%3D%22%234f46e5%22%2F%3E%3Ctext%20x%3D%2258%22%20y%3D%2268%22%20font-size%3D%2215%22%20font-weight%3D%22700%22%20fill%3D%22%23fff%22%20letter-spacing%3D%220.8%22%3E%D0%9C%D0%95%D0%A2%D0%9E%D0%94%D0%98%D0%9A%D0%90%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22150%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3EPremortem%20Analysis%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22198%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3E(%D0%9F%D1%80%D0%B5%D0%B4%D1%81%D0%BC%D0%B5%D1%80%D1%82%D0%BD%D1%8B%D0%B9%20%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%2C%20%D0%93.%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22246%22%20font-size%3D%2238%22%20font-weight%3D%22800%22%20fill%3D%22%230f2b3d%22%3E%D0%9A%D0%BB%D0%B5%D0%B9%D0%BD)%3C%2Ftext%3E%3Ctext%20x%3D%2240%22%20y%3D%22372%22%20font-size%3D%2215%22%20font-weight%3D%22600%22%20fill%3D%22%234f46e5%22%20fill-opacity%3D%22.75%22%3Eorgdevtools.ru%3C%2Ftext%3E%3C%2Fsvg%3E)