title hereivm108.informatik.htw-dresden.de/wiedem/fileadmin/lehre/simmaster/120619_social...product...

2012-06-20

# 1

Analyx 0

Social Simulation mit Multiagentensystemen

Modellierung und Simulation des realen

Kundenverhaltens mit Multiagentensystemen

Aleksandar Ivanov

Berlin, 19.06.2012

Poznan | Berlin | Boston

Analyx 1

Agenda

• Beispiele für Social Simulation

• Allgemeine Prinzipien von Agenten und

Multiagentensystemen (MAS)

• Social MAS zur Modellierung von Menschen und

menschlichen Entscheidungen

• Beispiel „Deutsche Telekom“

• Beispiel „Deutscher Arbeitsmarkt“

• Praktische Herausforderungen

Analyx 2 2

Inputs Multi-source

Nutzen in 5 Bereichen Klarer Fokus

Expertise modern mit anwendbaren Ergebnissen

1 2 3

Daten

Experten

Crowd

Akquisition & Bindung

Produkt, Portfolio & Preis

akurate Bedarfsplanung

Standortauswahl &

Standortcontrolling

Marketing Mix Optimierung

Innovative Verfahren

Orientierung an Top-

Management

klarer Fokus auf definierte

Anwendungsbereiche

Service aus einer Hand:

Datenbearbeitung, Methodik,

Visualisierung Web

Mit prognoseorientierter Analytik verbessern wir das

Ergebnis von Unternehmen in Konsumbranchen

Strategic Predictive

Customer Insights

Analyx 3 •3

Bereich Ansatz Referenz

Akquisition

& Bindung

Campaign

Worx

Produkt,

Portfolio &

Preis

Product

Worx

Bedarfs-

planung

Demand

Worx

Standort-

wahl &

-controlling

Location

Worx

Marketing

Mix

Promo

Worx

• Analyx

BEISPIELE

18% Reduzierung

Kundenkündigung

Improved hit rate

despite lower

market research cost

15 %-Punkte höhere

Planungsgenauigkeit;

EBIT-Steigerung um

mehrere Millionen EUR

9% Erhöhung der

Flächenproduktivität

3.5 Millionen EUR

EBIT-Effekt

(nur Deutschland)

Erfolg

Leading German

apparel retailer

weitere

Namhafte Branchenführer erzielten mit Analyx nachhaltige

Erfolge in diesen 5 speziellen Anwendungsbereichen

Global White

Goods Firm

Analyx 4 4

3 Standorte in 3 Analytikzentren

Poland

Berlin Poznan

USA

Boston

Analyx US

Spike: Advanced market

simulation & Complexity science

Consulting for US clients

Links into MIT and Santa Fe Institute

Analyx Germany

Spike: Social Forecasting &

Social Media predictions

Consulting for Western Europe

Links into German academia

Germany

Analyx Poland

Spike: Data-driven prediction,

Data mining & Econometrics

Consulting for Eastern Europe

Partnerships with Poland’s leading

economics and technical universities

Analyx 5

Social Simulation simuliert menschliches Verhalten in Gemeinschaften: Märkte, Länder, Kommunen u. v. a. m.

2012-06-20

# 2

Analyx 6

Wie kann man menschliches Verhalten simulieren?

? Analyx 7

„Wo liegt die Schmerzgrenze beim Kunden?“

„Was ist wichtiger: Bandbreite oder Preis?“

„Sollten wir Köln mit Glasfaser ausstatten?“

„Welchen Marktanteil haben wir in 2014?“

Beispiel: Simulation des Telekommunikationsmarkets für die Deutsche Telekom

Analyx 8

Warum ein Multiagentensystem für diese Fragen?

• Komplexer Markt mit vielen Einflussfaktoren

• Daten, Umfragen und Statistisches Analysen allein reichen nicht

• Bauchgefühl liegt meist daneben

• Menschliche Gehirne sind mit der Komplexität überfordert

Analyx 9

Wie entscheidet sich ein Agent für einen Tarif ?

Nächster Agent

Gespräche mit Freunden

Start

Habe ich V, I oder TV

Nutzung

Bin ich zufrieden mit

V, I, T ?

V, I und/oder T Tarif ändern

Hallo, mein Name ist Agent 1, ich bin 32

Jahre alt, männlich

und bin 1&1 Kunde.

Ich nutze meine Produkte (Telefon

und Internet)

täglich…

„Wie lange läuft mein Vertrag

noch?“

Analyx 10

Der Output: Marktanteile, Umsätze, Entwicklung der Kundenbasis

Analyx 11

Beispiel: Simulation des deutschen Arbeitsmarktes für die Bertelsmann Stiftung

Für Dokumentation: Qualifikationsstruktur der Arbeitsnachfrage

0%

10%

20%

30%

40%

50%

60%

70%

80%

1999 2003 2007 2011 2015 2019 2023 2027 2031 2035

Nachfrageseite Angebotsseite

Gering

Einzelne Jobs Einzelne PersonenGesamtstellenzahl nach

Qualifikationen

Mittel

Hoch

2012-06-20

# 3

Analyx 12


Alter Geburt, Altern, Tod

Geschlecht Konstant

Nationalität Einbürgerungsentscheidung

Qualifikation Bildungsentscheidung

Partizipation Partizipationsentscheidung

Erwerbsstatus Job-Such- und Matching-Prozess Job-Beendigungs-Enscheidung

Besch.-Dauer Wachsende Berufserfahrung mit

zunehmendem Alter

Attribute Prozesse: Dynamik der Attribute Exemplarische

Agenten

Analyx 13


Arbeitslosenquote (ILO) für Erwerbspersonen

zw. 15-64, in Prozent

0%

5%

10%

15%

20%

25%

30%

Mittel 2000-2005 Mittel 2030- 2035

ALQ Deutsche ALQ Ausländer

Analyx 14

Agenda









Analyx 15

Was ist ein Agent?

Ein Software-Agent ist ein Computerprogramm, das zu gewissem eigenständigem (autonomem)

Verhalten fähig ist.

Quelle: Wikipedia.de Analyx 16

Arten von Agenten

Quelle: Wikipedia.de

Reaktive Agenten

Adaptive Agenten

Kognitive Agenten

autonom –arbeitet unabhängig vo User reaktiv –reagiert auf Änderungen der

Umgebung robust – gegen äußere und innere Störungen adaptiv – eigenen Einstellungen

(=Parameterwerte) ändern kognitiv – Lernen aufgrund getätigter

Entscheidungen/Beobachtungen proaktiv –führt Aktionen aufgrund eigener Initiative aus sozial – Kommunikation mit anderen Agenten

Analyx 17

Ein Agent ist als Programm aufgebaut, wie jedes andere Programm

Alter Altern

Geschlecht Konstant

Nationalität Entscheiden, wann man Einbürgerungsantrag stellt




Parameter Prozesse: Methoden, Funktionen

2012-06-20

# 4

Analyx 18

Reaktiver Agent

Quelle: Wikipedia.de Analyx 19

Kognitiver Agent

SensorPerception

Social Status Emotion PhysisCognition

ActorBehaviour

ThinkingZS

ZC

G C PC

FC

FS

FE

FP

ZE

ZP

Z: StateF: State Transition Function

G: GoalsP: Action Plans

Causal Dependencies

Information Flow

Schmidt: Modeling Human Behavior

Komplexe Daten-

strukturen

Komplexe Funktionen

Analyx 20

Was ist ein Multiagentensystem (MAS)?

Ein MAS ist ein System aus mehreren gleichartigen oder unterschiedlich spezialisierten

Software-Agenten, die kollektiv agieren – miteinander oder gegeneinander.

Analyx 21

Beispiel für ein MAS: Roboter als Agenten, die mit der physischen Welt und

anderen Robotern interagieren können

Analyx 22

Beispiel für ein MAS: Roboter als Agenten, die mit der physischen Welt und

anderen Robotern interagieren können

Analyx 23

Marktumgebung: Kommunikationskanäle,

Wettbewerber usw.

Simulierte intelligente

Kunden

Produkte & Preise

Simulierte Unternehmen

Beispiel für Soziale MAS: Virtuelle Märkte, Unternehmen und Menschen „im

Computern“ simulieren

Bin ich Intensiv- oder

Gelegenheitsnutzer?

Will ich etablierten

Anbieter oder einen Newcomer testen?

Wieviel kann/will ich

ausgeben?

Welche Produkte haben

meine Freunde/Familie?

2012-06-20

# 5

Analyx 24

Agenda









Analyx 25

Einordnung von MAS-Simulationen

Statische Simulation

Monte-Carlo-Simulation

Dynamische Simulation

• Kontinuierliche Simulation

• Diskrete Simulation

Hybride Simulation

Analyx 26

Was braucht man für die Modellierung von sozialen Systemen?

• Technik: Objekt-orientierte Programmierung und Frameworks

• Agententheorie: KI, Kognitivie Architekturen

• Systemtheorie: Umweltmodelle, Makromodelle

• Fachwissen: Psychologie, Marketing, BWL, VWL, Soziologie

• Daten: Befragungen, Ergebnisse psychologischer Experimente, volksw. Daten,

Daten über Wettbewerber und Produkte des Markets

• Datenanalyse: Statistik, Data Mining, Visualisierung

Analyx 27

Technik: Objekt-orientierte Programmierung und Frameworks, z. B. RePast

oder NetLogo

Analyx 28

Agententheorie: BDI-Modell

Belief

• Weltwissen

• Wissens-repräsentation

Desire

• Ziele

• Handlungs-alternativen

Intention

• Plan-Datenbank

• Funktionen

Analyx 29

Agententheorie: PECS-Modell - Physical conditions, Emotional state,

Cognitive capabilities, Social status

SensorPerception

Social Status Emotion PhysisCognition

ActorBehaviour

ThinkingZS

ZC

G C PC

FC

FS

FE

FP

ZE

ZP

Z: StateF: State Transition Function

G: GoalsP: Action Plans

Causal Dependencies

Information Flow

2012-06-20

# 6

Analyx 30

Agententheorie in der Praxis ist viel Papier und der Programm-Code, den

man daraus macht

Analyx 31

Die Erstellung von Social MAS sind interdisziplinäre Großprojekte

1. Ziel des Modells klar definieren

2. Target kennenlernen und erste Modell-Skizzen

3. Detailliertes Paper model und Datenbedarf

4. Fast Prototyping mit sehr groben Daten

5. Datenverfügbarkeit prüfen und Paper model anpassen basierend auf Erkenntnissen

des Prototypen und gemäß den Datenrestriktionen

6. Datenerhebung und –vorbereitung

7. Datenanalyse

8. Paper model verbessern gemäß den Erkenntnissen aus den Datenanalysen

9. Version 1 des Paper models implementieren und verifizieren

10. Validierung des Modelloutputs

11. Version 2 implementieren …

Analyx 32

Agenda









Analyx 33

Bespiel Deutsche Telekom

Modellierung

Datenanalyse

Implementierung

Analyx 34

Target verstehen: Mögliche Bestandteile eines Marktmodells im

Telekommunikationsmarkt

Individual-Daten

• Alter • Einkommen

• Preis-Sensitivität

• Online-Involvement • Provider-Präferenz

• Mobilfunk/Online-Bedarf

Marktumfeld

• Tarife der Anbieter • Anbieter-Image

• Kommunikationskanäle, z. B.

Direktmarketing vs. Massenwerbung

• Konjunkturelle Situation usw.

Kognitive Architektur: Wie entscheidet ein Kunde?

Wahrnehmung

• Brand perception

• Brand image

• Preiswahrneh-

mung

• Selbstbild

Alternativen-

Auswahl

• Available Set

• Awareness Set

• Evoked Set

• Consider. Set

• Preisverarbeitung

• Entscheidung

Gedächtnis

• Erfahrungen mit

Produkten

• Marken-

Erfahrungen

• Voraussetzung

für Lernprozesse

Lernprozesse

• Zufriedenheit mit

aktuellem Tarif

• Anpassung der

Präferenzen bei

Unzufriedenheit

• Evolution des

Anbieter-Images

Interaktion der simulierten Kunden miteinander

• Mund-zu-Mund-Propaganda • Netzwerk-Marketing-Strategien prüfbar usw.

Analyx 35

Datenbedarf -> Datenverfügbarkeit -> Datenbasis

DTAG und Hauptwettbewerber (96% des PK-Festnetzmarktes)

Alle Haupttarife mit den relevanten Tarifeigenschaften :

Grundpreis

Nutzungspreis

Bandbreite

Tel.-AS. Variante

TV-Ausprägung

MVLZ

Kündigungsfrist

Rabatte

etc.

15.000 Tarife auf Monatsbasis von 2007 – heute

Relative und absolute Preisabstände

Berücksichtigung der Tarife nach regionaler Verfügbarkeit

Tarifdatenbank

Anzahl der Wechsler pro Monat von Tarif x nach Tarif y auf Bundesebene

Kategorisierung nach Art des Wechsels z.B. :

Upgrade

Downgrade

Neukunde

Churner

Kundenbestände zum Ende jeden Monats pro Tarif

Berücksichtigung von realen Verfügbarkeiten pro Tarif sogar auf PLZ-Ebene

Gesamtumsatz und Umsatz nach Produktklassen

Kundenbestände u. Wechslerdaten

Jährliche, repräsentative Befragung der deutschen Haushalte

Soziodemografische Erhebungen:

Haushaltsgröße

Alter

Geschlecht

Einkommen

Wohnort

Bildung

Beruf

Nutzungsverhalten

TK-Ausgaben

TK-Produkte

etc.

~ 320 Attribute pro befragtem Haushalt

Telebasics Home

Demografische und gesamtwirtschaftliche Entwicklung nach regionaler Gliederung (97 Raumeinheiten)

Private Konsumausgaben (insb. Medien und Konsum)

Mediennutzung nach Alter, Einkommen u.a.

Anschlussgrade unterschiedlicher Medien/Technologien

Entwicklung Anzahl/Größe Privathaushalte

Regionale Marktunterschiede

Marktdaten

2012-06-20

# 7

Analyx 36

Datenanalyse: Vorgehensweise am Beispiel der Kündigungswahrscheinlichkeit eines Kunden (Churn probability)

Benennung der Indikatoren

Faktoren- analyse

Aufstellung von Hypothesen

Regressions-analyse

Kontrolle

Die Churnrate im SP-Layer ist abhängig von

…

iJkJikikik xbxbxbbkz ...22110

Faktor 1 Faktor 2 Faktor 3 Faktor 4 Faktor 5 Faktor 6 Faktor 7 Faktor 8 Faktor 9

Faktor 10

10%

-15%

9%

6%

1 2 3 4 5

Analyx 37

Soft knowledge aus

Erfahrung & Mafo

Konsistent vernetzte Erkenntnisse aus Daten &

Erfahrung

Fast Prototyping eines Agenten basierend auf den ersten Erkenntnissen

Kaufentscheidung

• WENN Alter>42 UND

Einkommen <15.000

DANN Suche No-name Produkt

• WENN Involvement hoch

DANN vergleiche Preise

Nutzung

• WENN Intensivnutzung

DANN Produkterfahrung hoch

gewichten

• WENN Monatsrechnung zu hoch

DANN Zunahme Unzufriedenheit

Gedächtnis

• WENN Freunde positive

Nutzungs-Erfahrungen

DANN Marken-Image revidieren

Weitere Bereiche …

Gedächtnis • Erfahrungen

• Formung & Evolution

des Markenimages • Lernen & Adaption

Produktnutzung z5 < p ?

Wähle ausvalid-tarife einen

Tarif mittelspreisverarbeitung1

p-netzusers-pref > users-lim

Wähle aus valid-tarife

mit netz = netzpref

einen mittels

preisverarbeitung2


mit p-netzusers >=

p-netzusers-pref einen

Tarif mittels

preisverarbeitung2

Nein (eher hoch

Involvierte) Ja (eher gering

Involvierte)

Nein

(Nicht-Konservative)Ja

(Konservative)

z6

netzpref leer?Wähle aus valid-tarife

mit mlz <= maxmlz

einen Tarif mittels

preisverarbeitung2


einen Tarif mittels

preisverarbeitung2

z6 < 0,5 z6 >= 0,5

Nein. Ja.

Entscheidung

Einkaufsliste leer?

Betrete Supermarkt

Laufe durch Regale

Impuls

Kauf?

Suche einen Artikel aus Einkaufsliste

Artikel

gefunden?

Preis und Marke wählen

Aktualisiere Warenkorb

Nein

Nein

Nein

Ja

Ja

Ja

Ja

Unzu- friedenheit zu

groß?

Analyx 38

Prototyp-Agenten in ein MAS mit anderen Agenten und einer Umwelt

laufen lassen

• Nächster Agent

• Gespräche mit Freunden

• Start

• Habe ich • V,I oder TV

• Nutzung

• Bin ich zufrieden mit • V, I, T ?

• V, I und/oder T • Tari f ändern

Simulierte Wettbewer

Produkte und Preise

Intelligente Agenten

Entscheidungs-logik

Analyx 39

Ergebnisse des Prototypen mit Realdaten vergleichen

Real-daten

Modell-Output

Mikro-Validierung Entscheiden einzelne Agenten „richtig“?

Makro-Validierung Verhält sich das Gesamtsystem „richtig“?

1992 1995 2000 2005 2010

Analyx 40


Weiterentwicklung der kognitiven Architektur

der Agenten

Analyx 41

Entscheidungsprozess eines Agenten

Start

Nächster Kunde

Nutze V, I, T


Neuen Tarif wählen V, I, und/oder T

J

J

N

N

Habe ich V, I, T?

Bin ich zufrieden

mit V, I, T?

N ex t Consume r

N

S t a rt

D o I have V , I , T?

T a lk to Friends

U t iliz e V, I, T

A m I sa tisfied w i t h my V, I, T?

S h op for new V , I , and/or T

Y

N

Y

U s age = N(V oice Usage of Consumer, X%) [ C a p a t 0]

T i m e to p a y this time

s t e p ?

Y

D e t er mine amount to p a y ba sed on Usage

. yi ncome

amountnceCostRel eva

N

Co n tinue

C a l ibra tion V a r ia ble

N e x t Consume r

N

S t a rt


T a lk to Friends

U t iliz e V, I, T



Y

N

Y

G o tr ough list of frie nds

Ch o ose probabilistica lly which D e c is ion Attribute to ta lk a bout

A t t ribute Re levanc e += (Friend‘s Rel. – old Attr. R el.) * Co nsumer Rec eptiv ene ss * F rie nd‘s Pe rsuas ive ness

O t h er A t t ribute s to ta lk

a b out?

B r a nd Per ception += (Friend‘s B rPer c. – old BrPer c.) * Co nsumer Rec eptiv ene ss * F rie nd‘s Pe rsuas ive ness

O t h er A t t ribute s to ta lk

a b out?

Co n tinue

N

Y

N

Y

N e x t Consume r

N

S t a rt


T a lk to Friends

U t iliz e V, I, T



Y

N

Y

G o tr ough V , I and T

Co n sume r S t i ckines s > S a tisfa ction w i t h V , I or

T ?

Co n tinue

Y

N Co n sume r a l low ed to

l e a ve ?

Y

S e t Flexibility R e l e vanc e = x G o Shopping

N

Co n sume r C a l ibra tion V a r ia ble

t ri but eDeci si onAt i

ii

MaxValue

PlanVa luelevanceonSa tisfacti Re

N ex t Consume r

N

S t a rt


T a lk to Friends

U t iliz e V, I, T



Y

N

Y

C r e a te initia l Choice Se t with a l l plans a cc ording to Table 4.1

R em ove a ll plans not availa ble i n the a rea of the Cons ume r

R em ove a ll plans with brands n o t know n to the Consumer

R em ove a ll plans with Consume r c an‘t a f ford: Cost > X% of Income

Crea te a ll possible combina tions with current plan(s) Consumer is happy with

Co n sume r in C a t egory A?

Ch o ose plan(s ) W i t h Utility Me thod

F i na l Choic e

R e d uc e Choice Se t w i t h EA B Me thod

N

Y

Ca l ibra tion V a r ia ble

N e x t Consume r

N

S t a rt


T a lk to Friends

U t iliz e V, I, T



Y

N

Y



s t e p ?

Y


. yi ncome


N

Co n tinue


P e r formance Re levanc e += Usage*u * I mpa ct Fa ctor from Graph 1.2

B r a nd Per ception += Usage *v * I mpa ct Fa ctor from Graph 1.2

N e x t Consume r

N

S t a rt


T a lk to Friends

U t iliz e V, I, T



Y

N

Y



s t e p ?

Y


. yi ncome


N

Co n tinue


P e r formance Re levanc e += Usage*u * I mpa ct Fa ctor from Graph 1.1

B r a nd Per ception += Usage *v * I mpa ct Fa ctor from Graph 1.1

N

Ca l ibra tion V a r ia ble

C r e a te initia l Choice Se t with a l l plans a cc ording to Tanle 1.0

R em ove a ll plans not availa ble i n the a rea of the Cons ume r

R em ove a ll plans with brands n o t know n to the Consumer

R em ove a ll plans Consume r can‘t a f ford: Cost > X% of Income

C r e a te a ll possible combinations w ith c u r r ent plan(s) Consumer is happy with

Co n sume r in C a t egory A?

R e d uc e Choice Se t w i t h EA B Me thod

Ch o ss e plan(s) w i t h Utility Me thod

F i na l Choic e

t r i but eDeci si onAt i

ii

MaxVa lue

PlanVa luelevanceUtility Re

:Utilityhighest with ncombinatioT I, V, Choose

R a nk De cision A ttribute s p r o babilistica lly base d o n Re levanc e value s

G o through De cis ion A t t ribute s by rank

R e l a x C r i t erion

E l imina te a ll plans that d o n‘t satisfy the Crite rion f o r this Dec ision Attr ibute

T i ghte n C r i t erion

A n y plans left i n Choic e Se t?

A n y Dec ision A t t ribute s le ft?

S i z e of Ch o ic e Se t < X

Co n tinue

S t a rt ove r Co n tinue

N

N

Y Y

Y Y

N

M a ximum of Ch o ic e Se t

Überblick über den Entscheidungsprozess

2012-06-20

# 8

Analyx 42

Entscheidungspfade

Start

Nächster Kunde

Nutze V, I, T


Neuen Tarif wählen V, I, oder T

J

J

N

N

Habe ich V, I, T?

Bin ich zufrieden

mit V, I, T?

Entscheidungspfade des Agentenbasierten Modells

Analyx 43

Agenten in einem MAS mit anderen Agenten und detaillierten Umweltdaten

laufen lassen

• Nächster Agent

• Gespräche mit Freunden

• Start

• Habe ich

• V,I oder TV

• Nutzung

• Bin ich zufrieden mit

• V, I, T ?

• V, I und/oder T

• Tarif ändern

Simulierte Unternehmen

Produkte und Preise

Intelligente Agenten

Entscheidungs-logik

Input aus Telebasics Home Tarifdatenbank Wechslerdaten

Analyx 44

Validierung des Gesamtmodells

1. Mikrovalidierung

2. Makrovalidierung

3. Szenarien und Extremvarianten

Analyx 45


Ergebnisse und Tool

Analyx 46

Tool

Tarifmaske Executive Summary

Wechsler-matrix

KPI Charts

Analyx 47

Anwendung durch das Management der Deutschen Telekom

Erkenntnis der Simulation des Dynamischen Marktmodells.

Sollten wir den Preis des

Call & Surf Comfort um 5 € senken?

2012-06-20

# 9

Analyx 48

Ergebnisse

Baseline Szenario KPIs

Analyx 49

Wechslermatrix

Analyx 50

Agenda









Analyx 51

Simulation des deutschen Arbeitsmarktes Wie wirkt sich Zuwanderung auf die Beschäftigung aus?

Für Dokumentation: Qualifikationsstruktur der Arbeitsnachfrage

0%

10%

20%

30%

40%

50%

60%

70%

80%

1999 2003 2007 2011 2015 2019 2023 2027 2031 2035

Nachfrageseite Angebotsseite

Gering

Einzelne Jobs Einzelne PersonenGesamtstellenzahl nach

Qualifikationen

Mittel

Hoch

Analyx 52

Simulation des deutschen Arbeitsmarktes Merkmale eines Agenten

Alter Geburt, Altern, Tod

Geschlecht Konstant

Nationalität Einbürgerungsentscheidung




Besch.-Dauer Wachsende Berufserfahrung mit

zunehmendem Alter

Attribute Prozesse Reale menschliche Vorbilder

für die intelligenten Agenten

Analyx 53

Simulierte Zuwanderungs-Szenarien des deutschen Arbeitsmarktes

Ausländeranteil bei Personen zw. 0-64, in Prozent

0,0% 5,0% 10,0% 15,0% 20,0% 25,0% 30,0% 35,0% 40,0%

START 2000

BASELINE

BASELINE ohne EU12

Nettozuw anderung Null

Deutschland läuft leer

Deutschland läuft leer Umkehrung

Bevölkerung konstant halten

Maximale Zuw anderung

Maximale Zuw anderung Nicht-EU

Bildung Hoch A

Bildung Hoch B

Festung Europa

2012-06-20

# 10

Analyx 54


Migration von Personen im Alter zwischen 0-64, absolut

0 500 000 1 000 000 1 500 000 2 000 000 2 500 000 3 000 000

START 2000

BASELINE

BASELINE ohne EU12







Bildung Hoch A

Bildung Hoch B

Festung Europa

Immigranten Emigranten

Analyx 55


Arbeitslosequote (ALQ), in Prozent

0,0% 5,0% 10,0% 15,0% 20,0% 25,0%

START 2000

BASELINE

BASELINE ohne EU12







Bildung Hoch A

Bildung Hoch B

Festung Europa

Arbeitslosequote (ALQ) insgesamt ALQ Deutsche ALQ Ausländer

Analyx 56

Baseline-Szenario

Bevölkerungszahl, absolut

0

10 000 000

20 000 000

30 000 000

40 000 000

50 000 000

60 000 000

70 000 000

80 000 000

90 000 000

100 000 000

2000 2035

Bevölkerung Erwerbspersonen 15-64, absolut

Analyx 57

Baseline-Szenario



0%

5%

10%

15%

20%

25%

30%

Mittel 2000-2005 Mittel 2030- 2035

ALQ Deutsche ALQ Ausländer

Analyx 58

Baseline-Szenario



0%

5%

10%

15%

20%

25%

30%

Mittel 2000-2005 Mittel 2030- 2035

ALQ insgesamt ALQ Gering-QualifizierteALQ Mittel-Qualifizierte ALQ Hoch-Qualifizierte

Analyx 59

Agenda









2012-06-20

# 11

Analyx 60

Social Simulation und MAS im praktischen Alltag

• Wir wissen nicht, wie Menschen wirklich denken

• Die Datenlage ist viel schlechter als in den Naturwissenschaften

• Experimente sind kaum möglich

• Zusammenhänge ändern sich ständig, Naturgesetze dagegen sind konstant

• Simulationen sind in der Geschäftswelt wenig verbreitet

• Simulations-Experten mit zusätzlichem interdisziplinärem Wissen gibt es kaum

Analyx 61








0

10

20

30

40

50

60

70

Haben Sie das Licht gesehen? Haben Sie ein Licht gesehen?

Analyx 62








Analyx 63

Weiterführende Infos

• Einstiegsliteratur: Simulation for the Social Scientist, Troitzsch, Gilbert

• Journals: Journal of Artificial Societies and Social Simulation http://jasss.soc.surrey.ac.uk

• Online: Website von Prof. Leigh Tesfatsion http://www2.econ.iastate.edu/tesfatsi/ace.htm

• Simulationsumgebungen:

o RePast Simphony: umfassend, komplex, OpenSource

o NetLogo: einfach, kostenfrei

o Anylogic: umfassend, besser dokumentiert als RePast, kommerziell

http://jasss.soc.surrey.ac.uk/

http://www2.econ.iastate.edu/tesfatsi/ace.htm

http://www2.econ.iastate.edu/tesfatsi/ace.htm

title hereivm108.informatik.htw-dresden.de/wiedem/fileadmin/lehre/simmaster/120619_social...product...

Documents