Analiza wpływów krzyżowych: jak zbudować macierz wpływów krzyżowych

Wersja angielska (English version)
Analiza wpływów krzyżowych polega na zestawieniu każdego trendu z badania z każdym innym, para po parze, aby ustalić, które kombinacje mają znaczenie. Większość zespołów strategicznych potrafi wymienić pięć czy dziesięć sił zmieniających ich rynek. Niewiele zastanowiło się, co się stanie, gdy dwie z tych sił uderzą jednocześnie. Macierz wpływów krzyżowych zmusza do zadania tego pytania dla każdej pary i to z niej zwykle pochodzą najbardziej zaskakujące wnioski projektu foresightowego.
W skrócie
- Czym jest: siatką, w której te same trendy, zdarzenia lub prognozy wypisane są w wierszach i w kolumnach. Każda komórka określa, czy element z wiersza czyni element z kolumny bardziej prawdopodobnym, mniej prawdopodobnym, czy pozostaje bez wpływu.
- Kto ją wymyślił: Theodore J. Gordon i Olaf Helmer w 1966 roku, projektując grę o przyszłości pod nazwą Future dla Kaiser Aluminum & Chemical Corporation. Gordon i Howard Hayward opublikowali pierwszą wersję komputerową w czasopiśmie Futures w 1968 roku.
- Do czego służy: do wychwytywania interakcji między trendami, których nikt nie miał za zadanie obserwować, oraz do sprawdzania, czy zestaw scenariuszy jest spójny.
- Ile trwa: siatka 6 na 6 ma 30 par i mieści się w jednym popołudniu. Siatka 20 na 20 ma 380 par i wymaga zespołu oraz kilku sesji.
- Gdzie się mieści: po zebraniu trendów i ocenie prognoz, a przed budową scenariuszy. To odpowiednik dla wielu trendów koła przyszłości (po angielsku), które śledzi jedną zmianę na zewnątrz.

Co robi analiza wpływów krzyżowych

Każdy projekt foresightowy tworzy listę: starzenie się społeczeństwa, tańsze czujniki, nowe regulacje, niedobór wykwalifikowanych pracowników, zmiana wartości konsumentów. Lista to łatwa część. Trudność polega na tym, jak pisałem w Future, Inc. (AMACOM, 2007), że konsekwencje stają się widoczne dopiero wtedy, gdy wszystkie informacje zostaną zebrane i „superpołączone”. Ludzie śledzą trendy pojedynczo, w osobnych działach i osobnych raportach. Zagrożenia i szanse kryją się w przestrzeniach między nimi.
Analiza wpływów krzyżowych to sposób na celowe wypełnienie tych przestrzeni. W książce opisałem ją jako tabelę, która „zmusza do zestawienia każdego trendu, każdej prognozy czy dzikiej karty ze wszystkimi innymi, które wyszły na jaw w toku analizy”. Moim przykładem była przyszłość produkcji zbóż, z trzema trendami: rosnącą mocą obliczeniową, globalizacją produkcji zboża i starzeniem się społeczeństwa. Siatka narzuca trzy pytania. Co się dzieje, gdy moc obliczeniowa spotyka się ze światową produkcją zboża? Gdy spotyka się ze starzeniem społeczeństwa? Gdy światowa produkcja spotyka się ze starzeniem?
Niektóre pary nic nie dają. Emeryci i pszenica w Mongolii wyglądają na ślepą uliczkę, dopóki nie zapytamy, czy emeryci mogliby prowadzić zaawansowane technologicznie gospodarstwa. O to właśnie chodzi. Przyszłość jest zwykle dziwniejsza, niż się spodziewamy, więc warto zaczynać od nietypowych zestawień, a macierz to jedyne znane mi narzędzie, które gwarantuje, że przyjrzymy się im wszystkim.
Skąd pochodzi metoda
Analiza wpływów krzyżowych narodziła się w tym samym kręgu związanym z RAND, z którego wyszła metoda delficka. Metoda delficka zbiera oceny ekspertów co do tego, czy poszczególne zdarzenia nastąpią. Jej słabością jest traktowanie każdego zdarzenia tak, jakby istniało w oderwaniu od innych. Gordon zapytał, czy prognozowanie nie mogłoby zamiast tego opierać się na tym, jak przyszłe zdarzenia na siebie oddziałują.
Pierwszą odpowiedzią była gra planszowa. W 1966 roku Kaiser Aluminum zamówił grę o przyszłości z okazji dwudziestolecia firmy, a Gordon, Helmer i Hans Goldschmidt zaprojektowali Future. Zmiany technologiczne i społeczne rozstrzygały w niej prawdopodobieństwa i specjalna kostka, a każda zmiana, która się urzeczywistniła, zmieniała szanse pozostałych. W 1968 roku Gordon i Hayward zaprogramowali to podejście na UCLA i opublikowali w Futures artykuł „Initial Experiments with the Cross Impact Matrix Method of Forecasting”. Jego główna myśl: wystąpienie jednego zdarzenia zmienia prawdopodobieństwo innych, a te zmiany można zapisać, komórka po komórce.
Od tego czasu metoda rozgałęziła się:
- Probabilistyczna analiza wpływów krzyżowych. Pierwotny nurt. Eksperci szacują prawdopodobieństwo początkowe każdego zdarzenia oraz to, o ile każde z nich podniosłoby lub obniżyło prawdopodobieństwo pozostałych, a następnie komputer wielokrotnie rozgrywa macierz. Gordon napisał później standardowy opis metody do Futures Research Methodology wydanej przez Millennium Project.
- Analiza strukturalna. Szkoła francuska kojarzona z Michelem Godetem używa siatki wpływów, a nie prawdopodobieństw, by uszeregować, które zmienne napędzają system, a które jedynie na niego reagują.
- Bilanse wpływów krzyżowych. Wolfgang Weimer-Jehle z Uniwersytetu w Stuttgarcie przedstawił w 2006 roku w Technological Forecasting and Social Change wersję jakościową. Wykorzystuje ona siatkę do sprawdzenia, które kombinacje wyników są wewnętrznie spójne, co czyni z niej narzędzie weryfikacji scenariuszy.
- Wersja wywiadowcza. Structured Analytic Techniques for Intelligence Analysis Heuera i Phersona, podręcznik szeroko stosowany przez analityków wywiadu, zalicza macierz wpływów krzyżowych do technik podstawowych, służących zrozumieniu, jak zmienne danego problemu oddziałują na siebie.
Zastosowanie do sprawdzania spójności zasługuje na chwilę uwagi. W 2012 roku Vanessa Schweizer i Elmar Kriegler zastosowali bilanse wpływów krzyżowych do tych samych informacji, z których około 2000 roku korzystali autorzy scenariuszy emisji IPCC. Stwierdzili, że wzrost oparty na węglu był wówczas wyraźnie widoczną możliwą przyszłością, niedostatecznie reprezentowaną w opublikowanych scenariuszach, a część tych scenariuszy nie była wewnętrznie spójna. Starannie wypełniona siatka może wychwycić to, co umknęło utalentowanemu zespołowi autorów.
Jak przeprowadzić analizę wpływów krzyżowych krok po kroku

- Wybierz elementy. Zacznij od trendów, prognoz i dzikich kart, które wyłoniły się z badań. Lista powinna być na tyle krótka, by dało się ją dokończyć: od sześciu do dwunastu elementów w pierwszym podejściu. Każdy sformułuj precyzyjnie. „Sztuczna inteligencja” to za mało; „do 2030 roku większość rutynowych badań obrazowych najpierw ocenia oprogramowanie” to stwierdzenie, z którego można wyprowadzać wnioski.
- Zbuduj siatkę. Wypisz elementy z lewej strony i w tej samej kolejności u góry. Zacieniuj przekątną: element nie oddziałuje sam na siebie.
- Wypełnij każdą komórkę, wiersz po wierszu. Przy każdej komórce zadaj jedno pytanie: jeśli wydarzy się element z wiersza, czy element z kolumny stanie się bardziej prawdopodobny, mniej prawdopodobny, czy ani jedno, ani drugie? Zaznacz to strzałką w górę, strzałką w dół lub kropką. Jeśli potrzebujesz większej precyzji, użyj skali od −3 do +3. Czytaj siatkę tylko w jednym kierunku: wpływ A na B to inne pytanie niż wpływ B na A.
- Do każdej silnej komórki napisz jedno zdanie. Strzałka to tylko znacznik; zdanie jest wnioskiem. „Niedobór lekarzy i pielęgniarek skłania szpitale do szybszego wdrażania narzędzi opisu badań opartych na sztucznej inteligencji, niż zrobiłyby to w innym przypadku” to teza, o którą komitet planistyczny może się spierać.
- Odczytaj wiersze i kolumny. Wiersz pełen strzałek to siła napędowa: porusza wiele innych rzeczy. Kolumna pełna strzałek jest wrażliwa: porusza ją wiele rzeczy. Dwa elementy, które wzajemnie się wzmacniają, tworzą pętlę, a w pętlach zmiana przyspiesza ponad wszelkie prognozy liniowe.
- Przepuść wyniki przez filtr STEEP. W Future, Inc. zalecam powrót do społeczeństwa, technologii, gospodarki, ekologii i polityki, by przefiltrować to, co się znalazło. Większość siatek pełna jest technologii i gospodarki. Jeśli komórki społeczne i polityczne są puste, to właśnie stamtąd przyjdzie kolejna niespodzianka.
- Przełóż wyniki na decyzje i sygnały do obserwacji. Zakreśl interakcje, które zmieniłyby decyzję podejmowaną teraz. Staną się one szkieletem scenariuszy i wskaźnikami, które śledzisz.
Przykład w praktyce: grupa szpitalna patrząca na rok 2035
Oto niewielka siatka, jaką mogłaby narysować regionalna grupa szpitalna. Jej cztery elementy to trendy, które planiści już śledzą: starzejąca się populacja pacjentów, niedobór lekarzy i pielęgniarek, narzędzia diagnostyczne oparte na sztucznej inteligencji oraz zdalne monitorowanie pacjentów w domu. Strzałki są przykładowymi ocenami analityka, a nie danymi.
Z lektury wierszy wyłaniają się trzy rzeczy. Starzenie się pacjentów zwiększa obciążenie personelu i opieki domowej. Kluczową siłą napędową jest jednak niedobór kadr: to jedyny element, który popycha grupę jednocześnie ku narzędziom sztucznej inteligencji i ku zdalnemu monitorowaniu, bo oba pozwalają nielicznym pielęgniarkom i lekarzom objąć opieką więcej pacjentów. Narzędzia sztucznej inteligencji i zdalne monitorowanie wzajemnie się wzmacniają: monitorowanie wytwarza strumień danych, który na dużą skalę może odczytać tylko oprogramowanie, a oprogramowanie sprawia, że monitorowanie ma sens. Oba łagodzą też niedobór, który je napędził.
Żaden z tych wniosków nie pojawia się na liście trendów. Oglądane pojedynczo, wyglądają dla planisty jak cztery odrębne projekty w czterech odrębnych budżetach. Siatka pokazuje jeden system: napędzaną niedoborem kadr pętlę, która przenosi opiekę z budynku szpitala do domu pacjenta. Pytanie strategiczne nie brzmi już „czy kupić narzędzie oparte na sztucznej inteligencji?”, lecz „czy jesteśmy gotowi prowadzić szpital, w którym coraz większa część pacjentów nie leży w łóżku?”.
Najczęstsze błędy
- Zbyt duża siatka. Dwadzieścia elementów to 380 komórek. Zespoły się męczą, zaczynają wszędzie stawiać kropki i siatka przestaje mówić prawdę. Podziel duże badanie na grupy i krzyżuj je etapami.
- Wypełnianie w pojedynkę. W książce nazwałem wyprowadzanie konsekwencji „sportem zespołowym”. Siatka wypełniona przez jednego analityka zapisuje założenia jednego analityka. Pięć do dziesięciu osób o różnym doświadczeniu będzie się spierać o komórki, a te spory są cenniejsze niż strzałki.
- Mylenie korelacji z przyczynowością. Komórka mówi, że jeden element czyni inny bardziej lub mniej prawdopodobnym. Nie dowodzi mechanizmu. Do każdej silnej komórki napisz zdanie, by rozumowanie dało się sprawdzić.
- Pisanie frazesów. „Konkurencja się zaostrzy” to nie jest wpływ krzyżowy. „Wszystko będzie bardziej wydajne” też nie. Pytaj, dlaczego i w jakim stopniu.
- Zatrzymanie się na siatce. Macierz jest środkiem. Jeśli nie zmienia scenariusza, decyzji ani listy sygnałów do obserwacji, popołudnie zostało zmarnowane.
Czego analiza wpływów krzyżowych uczy o budowaniu funkcji wywiadowczej
Większość organizacji gromadzi informacje w silosach. Zespół regulacyjny śledzi regulatorów, zespół technologiczny dostawców, a dział sprzedaży klientów. Każdy przygotowuje solidny raport, ale nikt nie dostaje pieniędzy za czytanie tych raportów jednego w świetle drugiego. Analiza wpływów krzyżowych to właśnie ta praca, zapisana jako procedura.
Funkcja wywiadowcza, która z niej korzysta, zyskuje trzy rzeczy. Wychwytuje interakcje między ustaleniami różnych działów wcześniej niż konkurencja. Ma zapis własnych założeń, komórka po komórce, który może przejrzeć, gdy wydarzenia pokażą, że część z nich była błędna. I otrzymuje krótką listę zmiennych napędowych do obserwacji, a tego właśnie kierownictwo naprawdę oczekuje od pracy foresightowej: nie czterdziestu trendów, lecz czterech, które poruszają resztę.
Najczęściej zadawane pytania
Czym jest analiza wpływów krzyżowych?
Metodą badań nad przyszłością, która umieszcza trendy, zdarzenia lub prognozy w siatce i para po parze ocenia, czy każdy element czyni pozostałe bardziej prawdopodobnymi, mniej prawdopodobnymi, czy ich nie zmienia. Wynik pokazuje, które elementy napędzają system i które kombinacje zasługują na strategiczną uwagę.
Kto wymyślił analizę wpływów krzyżowych?
Theodore J. Gordon i Olaf Helmer, obaj wcześniej związani z RAND Corporation, opracowali ją w połowie lat sześćdziesiątych, projektując dla Kaiser Aluminum grę o przyszłości Future. Gordon i Howard Hayward opublikowali pierwszą wersję komputerową w Futures w 1968 roku.
Czym jest macierz wpływów krzyżowych?
Siatką stanowiącą rdzeń metody. Te same elementy występują w wierszach i w kolumnach, a każda komórka zapisuje wpływ elementu z wiersza na element z kolumny w postaci strzałki, znaku, oceny punktowej lub prawdopodobieństwa warunkowego.
Czym różni się od koła przyszłości?
Koło przyszłości zaczyna od jednej zmiany i śledzi jej skutki na zewnątrz, pierścień po pierścieniu. Analiza wpływów krzyżowych zaczyna od wielu zmian i bada, jak na siebie oddziałują. Wiele projektów korzysta z obu: z koła dla najważniejszej pojedynczej siły napędowej, z macierzy dla całego zestawu.
Ile elementów powinna mieć macierz wpływów krzyżowych?
Od sześciu do dwunastu w pierwszym podejściu. Liczba komórek rośnie z kwadratem długości listy: siatka z 12 elementami wymaga już 132 ocen. Większe badania można podzielić na grupy.
Czy do analizy wpływów krzyżowych potrzebne jest oprogramowanie?
Nie. Do siatki jakościowej wystarczy tablica lub duży arkusz papieru. Oprogramowanie przydaje się w wersjach probabilistycznych, które symulują tysiące przebiegów, albo w metodach badania spójności z wieloma zmiennymi, takich jak bilanse wpływów krzyżowych.
Współpraca z Competitive Futures
Competitive Futures prowadzi projekty foresightowe i warsztaty dla kadry kierowniczej, podczas których zespoły budują siatki wpływów krzyżowych dla własnych rynków, na podstawie własnych trendów. Jeśli Twoja organizacja śledzi wiele trendów i chce wiedzieć, które kombinacje mają znaczenie, skontaktuj się z firmą (po angielsku).
Warto przeczytać
- Koło przyszłości: jak odwzorować skutki zmian drugiego i trzeciego rzędu (po angielsku)
- Planowanie scenariuszowe (po angielsku)
- Mapowanie systemów na potrzeby strategii (po angielsku)
- Jak ocenić prognozę (po angielsku)
- Macierz wpływu i prawdopodobieństwa w planowaniu scenariuszowym (po angielsku)
- Analiza trendów STEEP (po angielsku)
Bibliografia
- Garland, Eric. Future, Inc.: How Businesses Can Anticipate and Profit from What’s Next. New York: AMACOM, 2007. Chapter 5, “Strategic Implications.”
- Gordon, T. J., and H. Hayward. “Initial Experiments with the Cross Impact Matrix Method of Forecasting.” Futures 1, no. 2 (1968): 100–116. https://doi.org/10.1016/S0016-3287(68)80003-5
- Gordon, Theodore J. “Cross-Impact Analysis.” In Futures Research Methodology, Version 3.0, edited by Jerome C. Glenn and Theodore J. Gordon. Washington, DC: The Millennium Project, 2009. https://www.millennium-project.org/futures-research-methodology-version-3-0/
- Dayé, Christian. Experts, Social Scientists, and Techniques of Prognosis in Cold War America. Cham: Palgrave Macmillan, 2020. https://doi.org/10.1007/978-3-030-32781-1
- Weimer-Jehle, Wolfgang. “Cross-Impact Balances: A System-Theoretical Approach to Cross-Impact Analysis.” Technological Forecasting and Social Change 73, no. 4 (2006): 334–361.
- Schweizer, Vanessa J., and Elmar Kriegler. “Improving Environmental Change Research with Systematic Techniques for Qualitative Scenarios.” Environmental Research Letters 7 (2012): 044011.
- Heuer, Richards J., Jr., and Randolph H. Pherson. Structured Analytic Techniques for Intelligence Analysis. 3rd ed. Thousand Oaks, CA: CQ Press, 2020.
Ta strona jest częścią przewodnika po strategicznym foresighcie (po angielsku) Competitive Futures.