التحليلات التنبؤية والتوقّع
تساعد التوقعات والتنبؤات بالطلب والسعة والحوادث ومخاطر التغيير الفرق على الاستعداد، لكنها غير مؤكدة بطبيعتها؛ فابدأ بخطوط أساس بسيطة، وأظهر نطاقات بدل أرقام مفردة، وتحقق مقابل بيانات محجوزة، وراقب الانجراف، واجعل قاعدة القرار صريحة قبل إجراء التوقع.
لماذا يهم هذا
الفرق الخدمية تستعد دائمًا لشيء ما. كم اتصالًا سيصل في الأسبوع الأول من الفصل الجديد؟ متى سيمتلئ التخزين؟ أي التغييرات يرجح أن تسبب حوادث؟ كم شخصًا ينبغي أن يكون مناوبًا أثناء التخفيضات؟ قرارات الموظفين والسعة والمخاطر كلها قائمة على معتقدات عن المستقبل، سواء ذكرها أحد أم لا.
يجعل التنبؤ هذه المعتقدات صريحة وقابلة للاختبار. فتوقع حجم تذاكر الشهر القادم، بنطاق، يمكن مقارنته بما يحدث وتحسينه. ونموذج يقيّم مخاطر تغيير يمكن فحصه مقابل التغييرات التي فشلت. وإذا أُحسن، يستبدل الحدس بالدليل. وإذا أُسيء، يستبدل الحدس بثقة زائفة: رقم واحد بمنزلتين عشريتين، أنتجه نموذج لا يستطيع أحد شرحه، يوثق به لأنه يبدو علميًا.
تخطئ التنبؤات لأسباب عادية. لم يحتوِ الماضي على النمط المهم. أو يلائم النموذج الضجيج. أو يكسر إطلاق أو تغيير سياسة أو انقطاع العلاقة التي تعلمها النموذج. أو يُتوقع حدث نادر بأداة صُنعت لأحداث شائعة. يصف هذا الموضوع الأنواع الرئيسة للتوقع والتنبؤ في إدارة الخدمات، والأساليب بعبارات بسيطة، والعادات التي تبقيها صادقة. وهو يبني على التحليلات (الموضوع 7.1 — التحليلات لإدارة الخدمات) وتخطيط السعة (الموضوع 3.11 — التوافر والسعة والأداء)، ويتصل بـAIOps (الموضوع 5.2 — AIOps) وباقتصاديات السحابة (الموضوع 4.5 — الإدارة المالية وFinOps).
المفاهيم الأساسية
التوقع والتنبؤ. يقدّر التوقع القيم المستقبلية لكمية عبر الزمن، مثل الطلب الشهر القادم. ويقدّر التنبؤ، بصورة أعم، مجهولًا، مثل هل سيفشل تغيير. وتصف ويكيبيديا التوقع والتحليلات التنبؤية. كلاهما يستخدم أنماطًا في بيانات الماضي، وكلاهما غير مؤكد.
السلاسل الزمنية. بيانات تُسجَّل على فواصل منتظمة. وتصف ويكيبيديا تحليل السلاسل الزمنية. كثير من كميات الخدمة، مثل أعداد التذاكر اليومية، سلاسل زمنية ذات اتجاه (ارتفاع أو هبوط طويل المدى) وموسمية (دورات منتظمة، أسبوعية أو سنوية مثلًا) وضجيج. وتصف ويكيبيديا الموسمية. تحتاج التوقعات إلى مراعاة الثلاثة.
خطوط الأساس. أبسط توقع يمكن أن ينجح: «الأسبوع القادم سيشبه هذا الأسبوع»، أو «هذا الشهر سيشبه الشهر نفسه من العام الماضي، معدلًا بحسب النمو». يصعب بصورة مفاجئة التفوق على خطوط الأساس. قارن دائمًا أسلوبًا متطورًا بخط أساس؛ فإن لم يتفوق بوضوح، فاستخدم خط الأساس.
الأساليب الكلاسيكية. تقنيات مثل التمهيد الأسي ونماذج الانحدار الذاتي والمتوسط المتحرك المتكامل (ARIMA)، التي تصفها ويكيبيديا، تعالج الاتجاه والموسمية لسلاسل كثيرة ويصعب غالبًا التفوق عليها بأدوات أعقد. وهي أيضًا أسهل شرحًا.
أساليب التعلم الآلي. الأساليب التي تتعلم الأنماط من متغيرات كثيرة، مثل أشجار الانحدار أو الشبكات العصبية، يمكنها استخدام معلومات إضافية، مثل الفعاليات المخططة. وتصف ويكيبيديا تحليل الانحدار والتعلم الآلي عمومًا. قد تُحسن حين تتوافر بيانات وفيرة ذات صلة، وقد تفرط في الملاءمة حين لا تتوافر. انظر الموضوع 5.1 — الذكاء الاصطناعي في إدارة الخدمات.
فرط الملاءمة والتحقق. النموذج الذي يطابق الماضي بإفراط، بما فيه ضجيجه، يؤدي ضعيفًا على البيانات الجديدة. وتصف ويكيبيديا فرط الملاءمة. والدفاع أن تحجز بيانات لم يرها النموذج، في مجموعات تدريب وتحقق واختبار منفصلة، كما تصف ويكيبيديا، وأن تختبر على فترات أحدث من التي بُني بها النموذج. وللسلاسل الزمنية يسمى ذلك الاختبار الرجعي؛ وتصفه ويكيبيديا.
التسرب. استخدام معلومات في النموذج لا تتوافر وقت التنبؤ، مثل حقل يُملأ بعد حل الحادث. وتصف ويكيبيديا التسرب في التعلم الآلي. وهو ينتج نتائج اختبار مبهرة وتوقعات عديمة الفائدة.
عدم اليقين والفترات. التوقع توزيع احتمالات لا رقم. وتعطي فترة التنبؤ، التي تصفها ويكيبيديا، نطاقًا يُتوقع أن يحتوي النتيجة باحتمال معلن. أبلغ بنطاقات، مثل «بين 8,000 و9,500 اتصال، والأرجح 8,700». وتحاكي أساليب مونت كارلو، التي تصفها ويكيبيديا، كثيرًا من المستقبلات الممكنة لإظهار نطاق.
السيناريوهات. للأشياء التي تعتمد على قرارات أو أحداث، مثل إطلاق، يطور تخطيط السيناريوهات، الذي تصفه ويكيبيديا، بضع قصص معقولة ويخطط لكل منها، بدل توقع واحد. استخدم السيناريوهات حين قد يختلف المستقبل في النوع عن الماضي.
مقاييس الدقة. تقارن المقاييس الشائعة التوقعات بالنتائج، مثل متوسط الخطأ المطلق النسبي الذي تصفه ويكيبيديا، ونسبة النتائج الواقعة في النطاق المعلن. ولكل منها ضعف: فالخطأ النسبي غير مستقر حين تقترب القيم من الصفر. اختر مقاييس تطابق كيف تكلّفك الأخطاء.
التصنيف ودرجات المخاطر. التنبؤ بهل سيحدث شيء، مثل فشل تغيير أو خرق تذكرة لهدفها، ينتج درجة. وتصف ويكيبيديا الدقة والاستدعاء، وهما طريقتا خطأ هذه التنبؤات: الإنذارات الكاذبة والتفويتات. تصعب الأحداث النادرة هذا: وتصف ويكيبيديا مغالطة المعدل الأساسي، حيث ينتج كاشف يبدو جيدًا إنذارات كاذبة في أغلبها حين يكون الحدث نادرًا. قرر كلفة كل نوع خطأ قبل اختيار عتبة.
المعايرة. تكون درجة المخاطر معايَرة إن حدث فعلًا نحو 20 في المئة من العناصر التي أُعطيت 20 في المئة. وتصف ويكيبيديا المعايرة في الإحصاء. درجة ترتب جيدًا وغير معايرة قد تضلل من يقرؤها احتمالًا.
الانجراف. تتغير العلاقات حين تتغير الخدمات والمستخدمون والأدوات. وتصف ويكيبيديا انجراف المفهوم. قد يفشل نموذج عمل العام الماضي بعد إطلاق منتج جديد. راقب الدقة عبر الزمن، وأعد التدريب أو البناء حين تنخفض.
الأحداث النادرة والمتطرفة. تؤدي النماذج المدربة على تاريخ عادي ضعيفًا في الأحداث غير المعتادة جدًا. وتصف ويكيبيديا نظرية البجعة السوداء، فكرة أن الأحداث النادرة عالية الأثر لا يمكن التنبؤ بها من بيانات عادية. لا تعتمد على التوقعات لمخاطر الذيل؛ استخدم السيناريوهات واختبارات الإجهاد والتدريبات. انظر الموضوع 3.12 — إدارة استمرارية الخدمة.
الطوابير والسعة. يغذي توقع الطلب قرارات السعة. وتربط نظرية الطوابير وقانون ليتل، اللذان تصفهما ويكيبيديا، بين الطلب والسعة والانتظار. انظر الموضوع 3.11 — التوافر والسعة والأداء والموضوع 2.3 — التدفق وكانبان.
القرارات أولًا. لا يفيد التوقع إلا إن غيّر قرارًا. قبل بنائه، اكتب القرار الذي يُعلمه، وعتبات الإجراء، وماذا ستفعل عند كل منها. فإن لم يتغير شيء، فلا تتوقع.
الحكم البشري. يعرف الناس عن إطلاقات وتغييرات سياسة وفعاليات لم يرها أي نموذج. اجمع مخرجات النموذج مع الحكم، وسجّل التعديلات، وافحص لاحقًا هل أفادت.
كيف تتلاءم العدسات. التنبؤ الجانب الاستشرافي للتحليلات. وتعامل الممارسة الرشيقة التوقع فرضية تُحدَّث كثيرًا. وتوسع تقنيات الذكاء الاصطناعي ما يمكن التنبؤ به، تحت المراجعة ومع التنبيهات أعلاه. ويمكن للأتمتة أن تتصرف بناءً على التنبؤات، مثل التوسع قبل الطلب، بحدود.
أفضل الممارسات
- اذكر القرار والعتبات أولًا. اكتب أي إجراء يطلقه كل نطاق من التوقع ومن يقرر. وتخطَّ التوقعات التي لن تغير شيئًا.
- ابدأ بخط أساس. ابنِ توقعًا بسيطًا، مثل نمط العام الماضي معدلًا بالنمو، وقِس خطأه. واستخدمه المعيار الواجب التفوق عليه.
- فضّل الأساليب التي تستطيع شرحها. استخدم أساليب كلاسيكية أو نماذج بسيطة إلا إن كانت المعقدة أفضل بوضوح على بيانات محجوزة. وكن قادرًا على القول، بعبارات بسيطة، ما الذي يقود التوقع.
- تحقق بصدق. احجز أحدث فترة، وأجرِ اختبارًا رجعيًا عبر عدة فترات، وافحص التسرب. وأبلغ بالخطأ على بيانات لم يرها النموذج.
- أظهر النطاقات والسيناريوهات. أعطِ قيمة أرجح ونطاقًا معقولًا. واستخدم السيناريوهات حيث قد تغير الأحداث النمط. ولا تعرض دقة زائفة.
- ضمّن الأحداث المعروفة. أضف الإطلاقات والمواعيد النهائية والعطلات والحملات من الذين يعرفونها. وسجّل التعديلات المجراة بالحكم.
- طابق العتبة بكلفة الأخطاء. لدرجات المخاطر، قرر كلفة الإنذارات الكاذبة والتفويتات، وضع العتبة وفقًا لذلك، وافحص المعايرة.
- راقب الدقة والانجراف. قارن كل توقع بالنتيجة، وتتبع الخطأ عبر الزمن، وأعد التدريب أو البناء حين تنخفض الدقة. واحتفظ بسجل للتوقعات ليمكن تدقيقها.
- لا تفرط في الثقة بتنبؤات الأحداث النادرة. استخدم السيناريوهات واختبارات الإجهاد والتدريبات للأحداث الشديدة غير المرجحة.
- أغلق الحلقة مع القرارات. سجّل القرار المتخذ والنتيجة، واستخدمهما لتحسين التوقع وقاعدة القرار.
أسئلة للنقاش مع فريقك
أي القرارات نتخذها اليوم بناءً على تخمين عن المستقبل، وماذا سنفعل بصورة مختلفة بتخمين أفضل؟ اسردها: الموظفون والسعة وتوقيت الإصدار. توقّع عدة قرارات. وتابع باختيار واحد وكتابة قاعدة القرار.
ما دقة آخر ثلاثة توقعات لنا، وكيف عرفنا؟ اطلب الأرقام. توقّع أن أحدًا لم يفحص. وتابع بمقارنة التوقعات السابقة بالفعلي والاتفاق على الاحتفاظ بسجل.
ما أبسط توقع يمكن أن ينجح لهذا، وكم ينبغي أن يكون النموذج المعقد أفضل ليبرر نفسه؟ ابنِ خط الأساس. توقّع أن يؤدي أداءً محترمًا. وتابع بوضع حد أدنى من التحسن لاعتماد أي شيء أعقد.
ما الأحداث التي نعرفها ولا يعرفها نموذج دُرِّب على التاريخ؟ اسرد الإطلاقات والمواعيد وتغييرات السياسة. توقّع الكثير. وتابع بتقرير كيفية تضمينها، مدخلات أو تعديلات.
كيف ستُستخدم درجة مخاطر للتغييرات، وما كلفة الإنذار الكاذب مقابل التفويت؟ ناقش بعبارات ملموسة. توقّع آراء مختلفة. وتابع بالاتفاق على عتبة ومراجعة نتائج الشهر الأول.
أين يمكن أن يساعدنا الذكاء الاصطناعي في التوقع أو التنبؤ، وكيف سنعرف أنه أخطأ؟ يستطيع الذكاء الاصطناعي ملاءمة أنماط معقدة وابتكارها أيضًا. اطلب المقارنة بخطوط الأساس وخطة مراقبة الانجراف. وتابع بتشغيل توقع ذكاء اصطناعي بجانب الأسلوب الحالي لربع سنة.
في الممارسة: مثال على إدارة الخدمات
تدير وكالة وطنية لقروض الطلاب مكتب دعم هادئًا معظم العام ومرهقًا في الأسبوعين قبل الموعد النهائي السنوي للتقديم. حتى الآن، كان رئيس المكتب يوظف الذروة بتذكر تجربة العام الماضي وإضافة هامش. قبل عامين كان المكتب ناقص الموظفين، وفي العام الماضي أفرط في الإنفاق على الوكلاء المؤقتين.
يبدأ محلل الخدمة، المطلوب منه تحسين التوقع، بالقرار: كم وكيلًا يُحجزون قبل ستة أسابيع، بخطوات من خمسة، مع تعديل نهائي قبل أسبوعين. ويبني خط أساس: لكل يوم في السنوات الأربع الأخيرة، عدد الاتصالات نسبة إلى الأيام المتبقية للموعد النهائي، مقيَّسًا بعدد المتقدمين حتى الآن. وعلى بيانات محجوزة من العام السابق، خطأ خط الأساس في أسبوع الذروة 18 في المئة. وتجرب نموذجًا أعقد يضيف الطقس وإشارات وسائل التواصل الاجتماعي ويوم الأسبوع. وعلى السنة المحجوزة نفسها، يحسّن الخطأ إلى 15 في المئة، لكنه في العام الذي قبله أسوأ من خط الأساس، ولا يستطيع أحد تفسير السبب. فتختار خط الأساس بتعديل بسيط لعدد المتقدمين الجدد، وتُري الرئيس نطاقًا: من 11,000 إلى 14,500 اتصال في أسبوع الذروة، والأرجح 12,500.
وتسأل الأعمال عن الأحداث المعروفة. سيُطلق نموذج إلكتروني جديد قبل أسبوعين من الموعد النهائي، وقد يرفع الاتصالات أو يخفضها. فتبني سيناريوهين: أحدهما يخفض فيه النموذج الاتصالات 15 في المئة، والآخر يضيف فيه 10 في المئة بسبب الارتباك. ويحجز الرئيس لمنتصف النطاق، مع مجموعة وكلاء مناوبين للسيناريو الأعلى. ويسجل المحلل التوقع والسيناريوهات والقرار.
ما الذي يتغير: الاتصالات الفعلية في أسبوع الذروة 13,800، ضمن النطاق، ويحقق المكتب هدفه دون إفراط في الإنفاق. وما يظل صعبًا: أضاف إطلاق النموذج ارتباكًا فعلًا، وهو ما توقعه السيناريو الأعلى وحده؛ ويعتمد التوقع على بيانات عن المتقدمين تصل متأخرة؛ وطلب مدير كبير رقمًا واحدًا، فأعطته به النطاق. وتسجل الخطأ، 10 في المئة مقابل القيمة الأرجح، وتخطط لمقارنته بخط الأساس وبعام قادم.
أربع زوايا نظر
فرق المنتج والتسليم
أخبروا المحللين بالإطلاقات والتغييرات والحملات مبكرًا، فهي تحرك الطلب والمخاطر. وقدموا البيانات التي تحتاجها التنبؤات، واستخدموا درجات المخاطر محفزات للأسئلة لا أحكامًا.
فرق الخدمة والعمليات
استخدموا التوقعات لتخطيط الموظفين والسعة، بهامش للسيناريو الأعلى. وأبلغوا أين أخطأت التوقعات ولماذا، ليتحسن الأسلوب.
القيادة والحوكمة
اطلبوا القرار وخط الأساس والنطاق وسجل الدقة. وتقبلوا عدم اليقين. وموّلوا البيانات والوقت لفحص التوقعات. ولا تطالبوا بأرقام مفردة.
العملاء والمستخدمون
تستفيدون حين يستعد المزودون للذروات والمخاطر. أخبروا المزود بخططكم التي قد تؤثر في الطلب، مثل الحملات، وأبلغوا عن المشكلات التي توحي بأن توقعًا كان خاطئًا.
الرشاقة والذكاء الاصطناعي والأتمتة والتحليلات
الرشاقة
عامل التوقعات فرضيات، وحدّثها كثيرًا، وافحصها بعد كل فترة. وأشرك أصحاب المصلحة في الافتراضات. تنبيه: إعادة التوقع باستمرار دون تسجيل التوقعات السابقة تخفي مقدار خطئها.
الذكاء الاصطناعي
يمكن لأساليب الذكاء الاصطناعي نمذجة متغيرات كثيرة وإشارات غير منظمة وصياغة ملخصات التوقعات، تحت المراجعة. سمِّ مالكًا، وقارن بخطوط الأساس، وراقب الانجراف. تنبيه: توقع ذكاء اصطناعي بلا نطاق أو اختبار على بيانات محجوزة تخمين بسطح مصقول. انظر الموضوع 5.1 — الذكاء الاصطناعي في إدارة الخدمات.
الأتمتة
أتمت جمع البيانات وتشغيل التوقعات والتنبيهات المجدولة، وحيث يكون آمنًا، إجراءات مثل التوسع قبل الحمل المتوقع، بحدود. تنبيه: قد يهدر إجراء آلي على توقع خاطئ مالًا أو يسبب ضررًا؛ فضع حدودًا وراجع. انظر الموضوع 6.1 — استراتيجية الأتمتة.
التحليلات
قِس خطأ التوقع وتغطية الفترات ومعايرة درجات المخاطر وقيمة القرارات المتخذة. تنبيه: قد يفشل نموذج بمتوسط خطأ منخفض عند الذروات الأهم؛ فقيّم حيث تكلّف الأخطاء أكثر. انظر كتاب Service Management Metrics والموضوع 7.1 — التحليلات لإدارة الخدمات.
أنماط الإخفاق الشائعة
- توقعات لا تغير شيئًا. لا قرار يعتمد عليها. ابدأ من القرار.
- نموذج معقد بلا خط أساس. لا يؤدي أفضل من بسيط. قارن دائمًا.
- فرط الملاءمة والتسرب. نتائج اختبار رائعة وواقع رديء. احجز بيانات أحدث وافحص المدخلات.
- أرقام مفردة. دقة زائفة. أظهر النطاقات والسيناريوهات.
- تجاهل الأحداث المعروفة. يفوّت نموذج إطلاقًا. أضف ما يعرفه الناس.
- لا مراقبة. يمر الانجراف دون ملاحظة. تتبع الدقة عبر الزمن.
- الوثوق بتنبؤات الأحداث النادرة. يُسعَّر خطر الذيل خطأ. استخدم السيناريوهات والتدريبات.
نموذج النضج
| البُعد | البدء | التطوير | التوحيد | الإدارة | التنسيق |
|---|---|---|---|---|---|
| القرارات وخطوط الأساس | تخمين | بعض التوقعات | توقعات مرتبطة بقرارات مسماة، بخطوط أساس | تُراجع قيمة التوقعات | توقعات مدمجة في التخطيط عبر الخدمات |
| الأسلوب والتحقق | بلا فحص | أساليب أساسية | أساليب قابلة للشرح واختبار رجعي وفحوص تسرب | تُقارن الأساليب وتُحسَّن | تُختار الأساليب وتُراقب عبر محفظة |
| عدم اليقين | أرقام مفردة | بعض النطاقات | النطاقات والسيناريوهات معيار | تُقاس تغطية الفترات والمعايرة | يُستخدم عدم اليقين في قرارات آلية بحدود |
| المراقبة | لا شيء | مراجعة عرضية | تُتتبَّع الدقة والانجراف | يُطلق الدليل إعادة التدريب والبناء | تقييم مستمر عبر النماذج |
قائمة التحقق
- يسمّي كل توقع القرار والعتبات التي يُعلمها.
- نقارن كل نموذج بخط أساس بسيط.
- نتحقق على بيانات أحدث محجوزة ونفحص التسرب.
- نبلّغ بنطاقات ونستخدم السيناريوهات حيث قد تغير الأحداث الأنماط.
- الأحداث المعروفة من الأعمال مضمّنة أو مسجلة تعديلات.
- لدرجات المخاطر عتبة موضوعة بكلفة الإنذارات الكاذبة والتفويتات، ونفحص المعايرة.
- نسجل التوقعات ونقارنها بالنتائج ونراقب الانجراف.
- نستخدم السيناريوهات والتدريبات للأحداث النادرة الشديدة.
موجّهات الذكاء الاصطناعي
ابنِ خط أساس من البيانات.
Here is a monthly count of [quantity] for the last [number] years: [paste].
Describe the trend and seasonal pattern, produce a simple baseline forecast for the next [period] (state the method and show the calculation), and give an approximate range based on the spread in past years. Do not use any method that needs data I have not provided.
List what you are unsure of.
افحص تقرير توقع.
Here is a forecast report and how it was built: [paste].
List problems: no baseline comparison, no validation on held-back data, possible leakage, single numbers without ranges, missing known events, and claims that are stronger than the evidence. Quote the text for each. Do not redo the forecast.
List what you are unsure of.
صُغ سيناريوهات.
The decision: [describe]. The uncertain event: [describe]. What we know: [list].
Draft three scenarios (low, middle, high) with the assumption behind each, what we would see early if it were happening, and how our plan would differ. Do not assign probabilities.
List what you are unsure of.
مهارات الذكاء الاصطناعي
- demand-forecasting: استخدمها لتقدير الطلب المستقبلي بعدم يقين معلن.
- capacity-planning: استخدمها لتحويل التوقعات إلى قرارات سعة.
- trend-analysis: استخدمها لتحليل الاتجاهات والموسمية.
- statistical-analysis: استخدمها لاختيار الأساليب وفحصها.
- budget-forecasting: استخدمها لتوقع الكلفة بافتراضات.
المصادر الرئيسة
- Rob J. Hyndman and George Athanasopoulos, Forecasting: Principles and Practice (free online at otexts.com/fpp3): نص واضح وعملي عن أساليب التوقع.
- Nate Silver, The Signal and the Noise (2012): عرض مقروء للتنبؤ ومزالقه.
- Wikipedia, "Forecasting" and "Overfitting": نظرات عامة على الميدان وفخه الرئيس.
- Wikipedia, "Prediction interval": كيف يُعبَّر عن عدم اليقين.
المراجع
- Forecasting — Wikipedia — https://en.wikipedia.org/wiki/Forecasting
- Predictive analytics — Wikipedia — https://en.wikipedia.org/wiki/Predictive_analytics
- Time series — Wikipedia — https://en.wikipedia.org/wiki/Time_series
- Seasonality — Wikipedia — https://en.wikipedia.org/wiki/Seasonality
- Exponential smoothing — Wikipedia — https://en.wikipedia.org/wiki/Exponential_smoothing
- Autoregressive integrated moving average — Wikipedia — https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average
- Overfitting — Wikipedia — https://en.wikipedia.org/wiki/Overfitting
- Backtesting — Wikipedia — https://en.wikipedia.org/wiki/Backtesting
- Prediction interval — Wikipedia — https://en.wikipedia.org/wiki/Prediction_interval
- Scenario planning — Wikipedia — https://en.wikipedia.org/wiki/Scenario_planning
- Concept drift — Wikipedia — https://en.wikipedia.org/wiki/Concept_drift
- Base rate fallacy — Wikipedia — https://en.wikipedia.org/wiki/Base_rate_fallacy