Leestijd12 minuten leestijd

Wat kan ik met: agent-based modeling?

Een steeds groter deel van het data science jargon bestaat uit methoden en technieken uit de statistiek, machine learning (ML) en artificial intelligence (AI). Klinken indrukwekkend, en zijn dat vaak ook. Maar wat is het nu precies en waar kan je het eventueel voor gebruiken?

Sociale processen

Er valt weinig af te dingen op de dooddoener dat we over steeds meer data kunnen beschikken. Dat is belangrijk, maar misschien nog wel belangrijker is dat we kunnen beschikken over andersoortige data. Naast transactionele data, die zoals de naam al zegt transacties tussen individuen en een organisatie vastleggen (een aankoop, het aantal gewerkte uren van een medewerker, de uitbetaling van een verzekeringsclaim, etc.), beschikken we namelijk steeds meer over gedragsdata (hoe gedraagt een klant zich op de website, reviews van aankopen, etc.). En juist deze data zou ons moeten helpen in het leren kennen en begrijpen van onze klant; de basis onder ieder bedrijfsmodel.

We willen weten hoe we ons merk kunnen laten groeien, hoe we de loyaliteit van onze klanten kunnen verhogen, wat de belangrijkste overwegingen in een beslissing zijn, en hoe we dit alles op positieve wijze kunnen beïnvloeden. Kortom, we willen de sociale en psychologische processen die van invloed zijn op onze klant en dus onze organisatie begrijpen, om vanuit dit begrip de uitwerking van onze strategische keuzen te kunnen voorspellen en zo (het succes van) de organisatie beheersbaar en stuurbaar te houden.

Deze onderliggende processen hebben veelal te maken met voorkeuren, meningen, beïnvloeding. Allemaal processen waarvan we weten dat ze niet zozeer afhangen van expliciete keuzen van individuen zelf, maar veel meer van interactie tussen individuen over tijd. Sterker nog, de collectieve uitkomst van dit soort processen is vaak anders dan wat er individueel werd verwacht of gewenst. Denk aan discussies waar elk van de betrokkenen verwacht dat ‘een klein beetje bozer worden’ er voor zal zorgen dat de andere partij toegeeft en een conflict in de kiem wordt gesmoord; maar de situatie in werkelijkheid totaal ontploft. Of bekend onderzoek naar het zogenaamde omstandereffect: iedereen neemt aan dat de ander ingrijpt met als collectieve uitkomst dat niemand helpt terwijl dit nu net niemands intentie was.1 Of het bekende economische fenomeen free riding, waarbij iedereen gebruik maakt van een vrij beschikbare dienst (zoals publieke radio) maar niemand hiervoor betaalt. De door niemand gewenste collectieve uitkomst is dat de dienst verdwijnt.

Twee zienswijzen

En hier komen we aan bij een T-splitsing. Het merendeel van de theorie over sociale processes en de uitkomst hiervan (gewoonten, instituties, groepen, de maatschappij, etc.) gaat er vanuit dat de sociale wereld bestaat uit ‘stabiele entiteiten’. Het verklaren van de precieze vorm van deze bouwblokken gebeurt met teleologische argumenten; een ingewikkelde term voor het principe ‘vorm volgt uit functie’. Op deze manier verklaren (en dus begrijpen) waarom een vork tanden heeft gaat ongeveer als volgt: het ontwerp van de vork helpt mensen bepaald voedsel te eten; in dit voedsel prikken om mensen te helpen eten is waar vorken voor bedoeld zijn. Punt. De functie verklaart de vorm en veranderingen in vorm komen door wijzigingen in (in de toekomst gewenst) gebruik. Terugkijken om te begrijpen is niet nodig.

De andere zienswijze beschouwt de uitkomsten van sociale processen als gebeurtenissen (enactments) die continue inspanning en herbevestiging vergen om te blijven bestaan. Een groep die wordt gedefinieerd door het met z’n allen dragen van een hoed houdt op te bestaan als men stopt de hoed te dragen. Zelfs ogenschijnlijk stabiele instituties als religie of geld hebben inspanning en herbevestiging nodig om te blijven bestaan. Zoals Georg Simmel schreef kan je deze processen verklaren middels:2

“the notion of societal production, according to which all these phenomena emerge in interaction among men, or sometimes, indeed, are such interactions”.

Ofwel, om uitkomsten van sociale processen te begrijpen moet je begrijpen hoe deze tot stand zijn gekomen. Je gebruikt hier generatieve argumenten voor, waarbij de ontstaansgeschiedenis invloed blijft behouden op de huidige vorm. Een generatieve verklaring voor het gebruik dat we mensen begroeten door hen de hand te schudden gaat ongeveer als volgt: in het verleden was het nodig te laten zien dat je ongewapend was en goede bedoelingen had. Dit deden we door een open hand uit te steken. Ooit dus functioneel, nu een gewoonte geworden. Het doel is verdwenen, maar het gebruik is gebleven.

Voorbeeld: polarisatie in groepen

Het volgende patroon zien we vaak in groepsdiscussies: meningen van groepsleden bewegen over tijd in de richting van een initiële meerderheid. Een gebruikelijke verklaring voor dit patroon wordt als volgt opgebouwd: een groot aantal groepsdiscussies wordt geobserveerd en er worden zoveel mogelijk aspecten gemeten. Op basis van de verzamelde data kan een vergelijking worden afgeleid die stelt dat een initiële meerderheid van 8 in een groep van 12 na x minuten discussie een meerderheid van 10 uit 12 wordt.3 Alhoewel we nu meer kennis hebben over dit fenomeen en voorspellingen kunnen doen die we eerder niet konden doen, is deze kennis ‘top-down’. We weten niet echt wat er onder de motorkap gebeurt.

Agent-based modeling (ABM) is een methode die juist ‘bottom-up’ en dus generatief probeert te verklaren. De kern van de methode draait om agenten: autonome software-objecten die met elkaar interacteren in een relevante omgeving.4 Agenten hebben eigen doelen, eenvoudige beslisregels, en een beperkte rationaliteit. Ze kunnen niet, zoals de economische wetenschap veronderstelt, alles op elk moment doorrekenen en de volledige toekomst kansgebaseerd in kaart brengen. Agenten zijn, net als mensen, cognitief beperkt.5 Om groepspolarisatie te verklaren begint ABM met het specificeren van agenten. Hoe eenvoudiger, hoe beter; complexiteit volgt vanzelf uit interactie. De enige beslisregels die nodig blijken om patronen van polarisatie te creëren precies zoals in de praktijk waargenomen zijn een individuele drang naar conformisme (en dus afkeer van onenigheid) en het gegeven dat de invloed op de mening van een individu toeneemt met groepsomvang: 10 eensgezinde mensen die je proberen te overtuigen heeft meer effect dan een enkeling die dit probeert. In een simulatie (ook wel artificial society genoemd) laten we deze eenvoudige agenten vervolgens met elkaar interacteren en zien we precies de patronen ontstaan die we probeerde te verklaren.6

Hebben we nu de verklaring? Nee. We hebben een verklaring. Of formeel: we hebben een microspecificatie die in staat is het macropatroon waarin we geïnteresseerd zijn te genereren (‘bottom-up’). Misschien zijn er meer, misschien zijn er andere die (nog) beter aansluiten bij wat we weten uit de psychologie. Maar hoe dan ook begrijpen we nu iets over polarisatie dat we nooit te weten zouden kunnen komen met klassieke methoden. Als dit fenomeen belangrijk zou zijn voor onze organisatie hebben we hiermee een inzicht in onze klanten verworven waarbij we aan kunnen sluiten en waarop we kunnen sturen; meer dan een (‘top-down’) beschrijving van de uitkomst.

“Explanation is not achieved by a description of the patterns of regularity, no matter how meticulous and adequate, nor by replacing this description by other abstractions congruent with it, but by exhibiting what makes the pattern, i.e., certain processes. To study social forms, it is certainly necessary but hardly sufficient to be able to describe them. To give an explanation of social forms, it is sufficient to describe the processes that generate the form”.7

Voorbeeld: segregatie

Segregatie van buurten is een groot sociaal economisch probleem in het na-oorlogse Amerika waar heel veel onderzoek naar is gedaan. Bijna universeel werd gevonden dat naarmate de ethnische diversiteit in een buurt hoger was, de segregatie extremer werd. Met als (zo lijkt het) onvermijdelijke conclusie dat xenofobie de drijvende kracht achter segregatie is. Echter, al het geformuleerde beleid om dit op te lossen bleek hopeloos ineffectief.

In 1971 kwam Schelling met een radicaal ander inzicht op basis van ABM, mooi weergegeven in deze simulatie. De heersende opinie was dat mensen een gelijkheid in hun lokale buurt wilde zien van 90% of hoger. De tolerantie voor, bijvoorbeeld, iemand met een andere afkomst was dus gering (<10%). Schelling werkte echter met een gewenste gelijkheid van 30%, wat zich vertaalt in een bijzonder hoge tolerantie. De enige aanname was dat mensen liever niet de absolute minderheid in hun eigen buurt willen zijn. Bijna het tegenovergestelde van xenofobie dus. het eenvoudige model van Schelling liet echter extreme segregatie als enige uitkomst zien; precies van het type zoals in praktijk waargenomen.8

Naast een Nobelprijs voor Schelling kregen we een dieper begrip van deze sociale dynamiek. Segregatie volgt ook wanneer er geen enkele sprake is van xenofobie. Verder is het helemaal niet zo dat ruimtelijk zeer geordende patronen altijd het gevolg zijn van een overkoepelend orgaan dat stuurt (woningcorporatie, overheid). Deze kunnen ook volgen uit de interacties van individuen die elk hele andere doelstellingen hebben (self-organization). En tenslotte bleek dat de individuele perceptie van ‘buurt’ erg belangrijk is in het voorkomen van segregatie: een ruimer begrip van ‘buurt’ (niet alleen de directe buren) is de meest effectieve manier om segregatie tegen te gaan. Een buurtbarbecue blijkt dus ineens een effectief beleidsmiddel (en dergelijke initiatieven worden in Nederland terecht gestimuleerd vanuit de lokale overheid)!

Conclusie

Succes van een organisatie hangt nauw samen met aansluiting op de klantwens. En dit vraagt om een diepe kennis van de klant. Hoe neemt de klant bepaalde beslissingen? Welke aanbieding moet ik deze klant doen? Hoe krijg ik loyale klanten? Hoe kan ik mijn merk positief laden onder een grote groep mensen? Allemaal sociale processen die we graag beter willen begrijpen en waarin we misschien wel in willen grijpen om bepaalde uitkomsten te sturen. ABM is een methode die hier nauw bij aansluit. Gericht op de onstaansdynamiek van sociale patronen geeft het inzicht in de onderliggende processen die, onder interactie, leiden tot het patroon dat we proberen te begrijpen. Daarnaast biedt het de mogelijkheid experimenten uit te voeren die in praktijk niet haalbaar zijn, zoals het variëren van de gewenste gelijkheid of de definitie van ‘buurt’ in het model van Schelling. Hiermee kan een organisatie dus strategische keuzen toetsen voor deze worden uitgevoerd; een krachtig wapen in tijden waar een foute koers snel pijnlijk wordt.


  1. Zie bijvoorbeeld de introductie op Wikipedia hierover. 
  2. Georg Simmel is een van de grondleggers van dit gedachtengoed in de sociale wetenschappen. Zie bijvoorbeeld The Sociology of Georg Simmel van K. Wolff (1950) voor een toegankelijke introductie. Quote komt eveneens uit dit boek. 
  3. Het is uiteraard mogelijk dat we iets dergelijks kunnen voorspellen voor groepen van verschillend formaat, mogelijk afhankelijk van de samenstelling in termen van geslacht, etc. maar dit verandert niets wezenlijks aan het voorbeeld of de fundamentele beperkingen. 
  4. De link naar objectgeöriënteerd programmeren (OOP) wordt snel gelegd en is terecht. Een agent is typisch een object. 
  5. Zie de prachtige illustratie van de meest bekende afwijkingen van volledige rationaliteit die nu bekend zijn voor een idee. 
  6. Nowak, A., Szamrej, J., en Latané, B., 1990: “From private attitude to public opinion: A dynamic theory of social impact”, Psychological Review, 97(3). 
  7. Barth, F., 1981: Process and Form in Social Life: Selected Essays of Fredrik Barth, Routlegde & Kegan Paul. 
  8. Schelling, T., 1971: “Dynamic models of segregation”, Journal of Mathematical Sociology, 1(1). 
Menu
Vind ons op