Прогнозирование развития технологий

Все большее число предприятий и, к счастью, не только на Западе, но и в России начинают понимать, что технологии и особенно стоящая за ними интеллектуальная собственность представляют собой важную часть корпоративных активов, которыми можно и следует управлять аналогично управлению финансами, оборудованием, персоналом.

Значительную роль в управлении технологией (технологическом менеджменте) играют прогнозирование и стратегическое планирование бизнеса. Уже на начальной стадии инновационного проекта ожидаемые параметры разработки следует сопоставить с прогнозируемым развитием соответствующих технологий и продуктов. Результаты подобного прогнозирования имеют общестратегическое значение при разработке долгосрочных программ и формулирования концепций развития ключевых технологий фирмы. К сожалению, методы и инструменты технологического планирования и прогнозирования являются недостаточно известными среди менеджеров.

Технологическое прогнозирование определяют как “предсказание будущих характеристик используемых машин, технологий или методов”. При этом акцент делается на практических приложениях технологий, на конкретных характеристиках, параметрах, достигаемых возможностях. В другом определении технологическое прогнозирование представляет собой усилия по “проецированию технологических возможностей [на нужный отрезок времени] с целью предсказания возможных открытий и инноваций”. Действительно, в узком смысле прогнозирование означает предсказание, однако в более широком смысле прогноз подразумевает некое описание ожиданий и оценку необходимых условий их реализации.

В нижеприведенном рассмотрении прогноз технологий, или технологическое прогнозирование, подразумевает процесс создания описаний будущего. Это описание выражают словами или цифрами, относящимися к параметрам и области использования машин, процессов и прикладных наук.

Оценки технологии, проводимые с целью выявления коммерческого потенциала разработки, невозможны без понимания эволюции соответствующих продуктов или технологий во времени и прогнозирования их новых параметров качества. Поскольку цель любой новой технологии или инновационного проекта - усиление конкурентоспособности, а осуществление технологической разработки часто занимает годы, важно, чтобы к моменту его завершения цель проекта (достижение каких-то определенных конкурентных преимуществ) оставалась по-прежнему актуальной, а достигнутые параметры сохраняли превосходство по отношению к возможным конкурентам.

Итак, задачи, которые решает аналитик при прогнозировании успеха новой технологии, обычно включают:

проведение сравнительного анализа (определение технического уровня) планируемой разработки

анализ внешних тенденций в процессе выполнения разработки, которая должна сохранить свою конкурентоспособность и к моменту ее завершения, а также

экспертные суждения о возможных последствиях проводимой разработки или продуктов для компании и экономики в целом.

1 Определение сравнительного уровня разработки

Определение сравнительного уровня разработки всегда было неотъемлемой частью технико-экономического обоснования постановки НИОКР в план бюджетного финансирования советских и российских исследовательских организаций. Условность такого сравнительного анализа заключалась в том, что при этом, как правило, не учитывались возможное развитие конкурентных продуктов или их заменителей, а также эволюция технологий в конкурирующих организациях и/или странах.

Определение сравнительного уровня разработки на любой стадии коммерциализации, связанной с вовлечением новых ресурсов, требует выполнения следующих шагов:

Выявление всего набора критических параметров технологии или продукта, определяющих их конкурентоспособность

Формализованное описание этих параметров (в виде так называемых Check-list или Fact Sheet - см. Приложение 1)

Сопоставление этих параметров с соответствующими характеристиками, достигнутыми основными конкурентами

Определение возможного развития или эволюции технологии или продукта по сравнению с описанными в Check-list’е за время предполагаемого осуществления разработки.

Помимо технических параметров, категории оценки “перспективности” проекта должны содержать такие характеристики как

Оценки необходимых затрат

Доказанная “рыночность проекта” (ситуация на рынке, подтвержденный интерес потребителей к данной области технологий, продукту, области применения; полезность для общества)

Соотношение рисков и ожидаемых выгод

Техническая осуществимость управления проектом (график осуществления и имеющиеся ресурсы)

2 Основные особенности и области применения прогнозирования технологий

Описание результатов технологического прогноза содержит четыре обязательных элемента:

Оговоренный период времени (пять, семь, десять лет)

Прогноз общей ситуации в конкретной области технологий

Прогнозируемые характеристики качества технологии или продукта - по возможности в виде количественных параметров

Вероятность указанных изменений к оговоренному времени.

В практической деятельности руководителей фирм, разработчиков планов технологической стратегии (см. тему 6) и аналитиков критическим является относительная точность используемых методов прогнозирования. Многие из возникающих вопросов связаны и с тем, что инструменты и общая методология стратегического управления технологией как корпоративным ресурсом или основным активом малой компании еще не вошла “в плоть и кровь” как, например, инструменты финансового управления.

Специалисты в области прогнозирования технологий следующим образом обобщают свой практический опыт:

Ни один специалист в области прогнозирования или аналитик не полагается на какой-то один из методов. В зависимости от предмета, цели анализа и имеющихся ресурсов, следует использовать одновременно несколько различных методов.

Различия в результатах применяемых методов и приемов, как и использовании полученных выводов, чаще связаны с предметом анализа и корпоративной культурой, чем совершенством соответствующего метода.

Существует растущий зазор между аналитиком, поставляющим необходимую информацию в достаточно сложном и часто неоднозначном виде, и менеджером, принимающим решения, которому нужна входная информация в виде, пусть приблизительных, но быстрых ответов на критические вопросы.

Существует более 20 различных методов прогнозирования, отличающихся конкретными преимуществами и недостатками, которые в целях последующего рассмотрения удобно объединить в три большие группы:

Анализ тенденций

Экспертные оценки

Многовариантные методы анализа.

Общие замечания о наблюдаемой практике использования методов прогнозирования в целом сводятся к следующему:

Цели прогнозирования должны быть сформулированы до выбора соответствующего метода их достижения. Для правильного выбора метода и применения полученных результатов сначала надо задаться вопросом: “В чем вопрос?”, и затем “Что мы намереваемся делать с ответом?”.

Следует использовать сочетание методов, поскольку ни один метод не может ответить на все вопросы. Конкретный набор методов анализа тенденций, экспертных оценок и многовариантного анализа в большой степени зависит от квалификаций аналитика и менеджера, а также корпоративного климата.

На технологии в широком смысле этого слова и особенно их конечные продукты существенно влияют факторы нетехнического характера (общая среда бизнеса, экономика, политика, общественная ситуация и законодательство, социальные предпочтения и др.), поэтому методы технологического прогнозирования должны также включать соответствующие элементы экономического прогнозирования, анализа политической ситуации и маркетинговых исследований.

В идеальном случае прогноз развития технологий и стратегический анализ выполняют три задачи: предоставляют прогноз будущей технологической среды, предлагают менеджерам альтернативные варианты технологических стратегий, а также оценивают эти стратегии с точки зрения возможности получения желаемых результатов.

Почти все методы технологического прогнозирования и стратегического анализа (кроме анализа патентных тенденций и S-кривых) могут также использоваться для целей прогнозирования других тенденций.

3 Анализ тенденций

Анализ тенденций остается наиболее распространенным подходом к прогнозированию технологий. Его базовые предпосылки просты: надо собрать уместные исторические данные и затем графически или в численной форме спроецировать соответствующие изменения на будущее. Несмотря на различия конкретных методик, все конкретные приемы анализа тенденций имеют ряд общих допущений и особенностей, а именно:

Будущее представляется непрерывным продолжением недавнего прошлого (и, следовательно, на него распространяются установленные ранее закономерности).

Существует только один вариант будущего, и он предсказуем, если правильно понять законы происходящих изменений, выявленных при анализе тенденций.

Оба допущения достаточно уязвимы для критики, но в целом любой анализ тенденций может привести к неправильным результатам, если не учитывает причинно-следственные связи.

К методам анализа тенденций относятся:

экстраполяция тенденций

периодические повторяющиеся во времени сериальные оценки

регрессионный анализ

построение эконометрических моделей

динамика систем

S-кривые

исторические аналогии

матрицы входа-выхода

анализ патентных тенденций

анализ научно-технической литературы

3.1 Экстраполяция тенденций

Метод основан на экстраполяции изменения искомой переменной (или нескольких переменных) во времени на нужный период времени.

Экстраполяцию тенденций используют для прогнозирования параметров эффективности технологий, уровня продаж данного продукта, длительности разработки конкретной технологии. На практике почти каждая (и не только западная) компания во всех отраслях промышленности собирает информацию об исторических тенденциях изменений важных переменных, используя ее в качестве стартовой точки неких стратегических решений. Простые экстраполяционные графики служат для многих компаний полезными “квалифицированными подсказками”.

При наличии необходимых данных экстраполяция тенденций - достаточно недорогой и быстрый метод. С учетом простоты обработки данных этот метод используют как первую ступень технологического прогнозирования, получения некоего первого приближения.

В данном случае вряд ли эта экстраполяция будет справедлива и во все последующие годы, поэтому надо предположить, что действительные значения будут ниже.

Основным недостатком метода анализа тенденций является то, что любые экстраполяции справедливы только на малые отрезки времени. Поскольку характер влияния внешних обстоятельств на рассматриваемые переменные непостоянен во времени, постольку наилучшие результаты могут быть получены при использовании данного метода в близких прогнозах (несколько кварталов, один год).

3.2 Сериальные оценки

Метод основан на использовании однотипных данных, полученных в разные отрезки времени, и переносит метод экстраполяции тенденций на одну ступень дальше, позволяя с помощью статистических методов отличить систематические изменения от случайных. Полученные систематические изменения проецируются на будущее, где время принимается в качестве некоторой искусственной меры всех факторов, влияющих на прогнозируемую переменную.

В последнее время разработано достаточно большое количество статистических методов, позволяющих “экстрагировать” систематические линейные, логарифмические или экспоненциальные изменения на фоне квартальных, сезонных, разовых и других несистематических изменений.

Пример таких сериальных оценок в течение длительного времени приведен на рис.1.

Видна общая тенденция к увеличению на фоне больших и меньших циклов сезонных и других изменений. Существующие программные средства “смещения среднего”, экспоненциального сглаживания, многофакторного регрессионного анализа и др. позволяют получить сглаженную кривую, в частности, для прогнозирования в приведенном примере изменения потребления газет и за пределы 1980 года.

Основной недостаток этого метода, как и метода экстраполяции тенденций, определяющий ограниченное его использование только для краткосрочных прогнозов, - невозможность получения каких-либо причинно-следственных связей для объяснения полученных результатов. Он несколько более трудоемок, чем предыдущий, однако быстрое развитие компьютерных средств и простота получения первичных оценок обусловливают его несомненную эффективность и растущее использование в качестве первой ступени прогноза.

3.3 Регрессионный анализ

Регрессионный анализ можно считать обобщенной формой сериальных оценок, однако, регрессионные выражения позволяют прогнозировать изменение прогнозируемой переменной в виде функции (одной и более) других переменных, то есть в ситуации, когда прогнозируемая переменная находится в какой-то зависимости от другой переменной. Основной задачей регрессионного анализа является выявление этой зависимости.

Многочисленные пакеты программ статистической обработки и регрессионного анализа делают использование этого метода простым и недорогим.

Основой применения методов регрессионного анализа является наличие рядов (как правило, временных) значений переменных, взаимозависимость между которыми исследуется в ходе анализа. При этом выявляется лишь математическая форма данной зависимости, в которой, как правило, не отражается действительная причинно-следственная связь между рассматриваемыми переменными.

Получение качественного прогноза на основе регрессионного анализа зависит от правильного выбора независимых переменных, а также знания их возможных значений.

Регрессионный анализ непригоден для прогнозирования в тех случаях, когда неизвестны будущие значения независимых переменных. Таким образом, регрессионный анализ, в частности, не очень полезен для определения времени выведения нового продукта на рынок или предсказания того, какие новые технологические процессы возникнут через пять лет.

При наличии необходимых данных и некоторых дополнительных усилий по обработке данных регрессионный анализ дает более качественные прогнозы, чем метод экстраполяции тенденций и сериальные оценки, позволяя осуществлять средне- и долгосрочный прогноз.

3.4 Эконометрика

Этот метод позволяет группировать несколько полученных регрессионных выражений в некую модель более широких взаимосвязей. Например, необходимо узнать, сколько, по-видимому, будет весить портативный персональный компьютер в следующем году или через три года. Базовое уравнение для получения прогноза позволяет рассматривать вес компьютера в виде функции веса источника питания, диска, экрана, числа и веса дисководов. В свою очередь, вес источника питания может быть прогнозирован, по крайней мере, отчасти, в функции темпа технического прогресса натриево-серных батарей и, например, повышения температуры сверхпроводимости (стремясь к достижению сверхпроводимости при комнатной температуре). В третьем уравнении можно связать динамику параметров технического прогресса и весовые характеристики плоского экрана. В четвертом уравнении можно, например, описать скорость развития новых сверхпроводящих материалов. Необходимый прогноз относительно будущего веса портативного компьютера требует одновременного решения всех этих уравнений.

Эконометрика позволяет построить обобщенную причинно-следственную модель, использующую многие переменные и набор многофакторных регрессий.

Методы эконометрики наиболее эффективны, если 1)возможно выявление причинно-следственных связей между рассматриваемыми параметрами исследуемого объекта 2)возможно предсказать направление изменений этих “причинных” переменных. 3) можно описать факторы, влияющие на значения причинных переменных.

Построение такой модели более трудоемко и дорого, чем использование предыдущих методов, однако важным преимуществом эконометрических подходов является то, что характер выявленных взаимосвязей не меняется со временем, и полученная выверенная модель может быть использована для следующих или предыдущих по времени циклов (в пределах правомерности предсказаний изменений независимых переменных и отсутствия влияния не учитываемых параметров: например, политико-экономической ситуации).

4 Моделирование динамики объектов прогноза

Соответствующие решения основаны на кибернетических теориях и методах анализа систем, предполагающих, что большинство событий взаимосвязаны. В соответствие с этим факторы и влияющие переменные моделей динамики системы и соответствующие связи и взаимодействия рассматриваются в виде группы петель обратной связи.

Известны компьютерные модели роста мировой динамики, динамики развития производственного предприятия, социально-экономического развития страны или группы стран. Модели, полученные с использованием динамики систем, полезны для понимания характера взаимодействия различных факторов и стратегического анализа объекта прогнозирования.

Динамические закономерности могут моделироваться как аналитически, так и на качественном уровне в форме исторических аналогий, экспертных суждений и пр.

4.1 S-кривые

Анализ, получивший название S-кривых, основан на известных закономерностях, по которым технология, выводимая на рынок, имеет определенный цикл жизни, в рамках которого доля соответствующего рынка растет сначала медленно, потом быстро, а затем перестает расти и/или начинает уменьшаться.

Во многих работах показано, что эти закономерности не всегда применимы, а в тех случаях, когда применимы, их нельзя воспринимать слишком буквально. И в то же время прогнозы на основании S-кривых помогли некоторым компаниям в конкурентной борьбе, а игнорирование этих закономерностей нанесло ущерб другим.

Модель S-кривой может быть применена не только к проникновению на рынок новых продуктов, но и к скорости распространения использования новой технологии как одного из видов продуктов или к параметрам новой технологии.

На рис.2 представлено семейство кривых для отдельных технологий, характеризующих развитие средств перемещения, где скорость движения оценивается в долях от скорости света. Обобщенная кривая дает картину изменения скорости перемещения, асимптотически приближающейся со временем к скорости света. Во многих моделях прогнозирования технологий существуют такие физические или естественные ограничения, как, например, доля рынка, которая не может быть более 100%.

Ключом к эффективному прогнозированию с помощью S-кривых является наличие предыдущего опыта использования аналогичных технологий. Например, для прогнозирования развития скорости нового сверхзвукового самолета, использующего в качестве топлива метанол, полезно изучить историю первого турбинного самолета, относящуюся к 1936 году, убедиться, что первое реальное использование этого самолета относится к 1940-му году, а затем еще десять лет ушло на увеличение мощности турбины и совершенствование конструкции самолета, в течение которых постепенно увеличивалась скорость полета. Далее можно предположить, что освоение и развитие сверхзвукового самолета потребует столько же лет на коммерциализацию и последующее совершенствование.

В этом примере виден и основной недостаток метода - неопределенность в том, насколько прежняя технология сопоставима с принципиально новым претендентом на рынке.

Несмотря на редкость использования S-кривых непосредственно для целей технологического прогнозирования, полезно рассмотрение таких кривых для решений в области НИОКР и прогнозирования непредвиденных случаев.

Наиболее значимой пользой этого метода является напоминание о том, что скорости проникновения на рынок, диффузии технологий или увеличения технологических параметров не могут расти бесконечно.

4.2 Исторические аналогии

Известное на Западе выражение гласит: ”Те, кто не помнит прошлого, обречены его повторять”. В этой связи широко принятой практикой обучения менеджменту является изучение исторических аналогий на примере широко публикуемых на Западе Case Studies (исследований конкретных ситуаций). Большое число конкретных ситуаций для 1700 компаний в различных отраслях промышленности обобщено, в частности, в виде (правда, очень элитарной и