Hlavní článek blogu:
Rozhodování pomocí umělé inteligence – proč je dnes nutné strategická rozhodnutí vypočítávat
Shrnutí: Kvalita rozhodnutí závisí na zvážených alternativách
Jak mohou podniky, představenstva a veřejná správa zajistit, že z četných možných opatření skutečně vyberou tu ekonomicky či společensky nejvhodnější kombinaci?
Strategické rozhodování se tradičně opírá o zkušenosti, odborné znalosti, intuici, obchodní analýzy, modely v Excelu a diskuse v řídících orgánech.
Tyto nástroje zůstávají nepostradatelné. Narážejí však na praktické limity, jakmile o omezené zdroje souběžně soupeří četné investice, projekty a opatření.
Výzva nespočívá nutně v nedostatku informací nebo nedostatečné rozhodovací kompetenci.
Spočívá v matematické složitosti rozhodovacího prostoru.
Podnik s 50 plánovanými investičními projekty čelí v zjednodušeném binárním modelu více než bilionu možných kombinací projektů.
Žádné představenstvo, žádný investiční výbor ani žádný komunální rozhodovací orgán nedokáže tyto alternativy zcela prozkoumat prostřednictvím diskusí nebo ručních srovnání.
Rozhodující otázka proto již nezní výlučně:
„Které projekty jsou obzvláště důležité nebo ekonomicky atraktivní?“
Není-liž:
„Která kombinace všech dostupných projektů dosáhne za našich rozpočtových, zdrojových a strategických podmínek nejlepšího možného celkového výsledku?“
Právě zde přichází ke slovu matematická optimalizace rozhodování podporovaná umělou inteligencí.
StratePlan kombinuje metody operačního výzkumu s přístupy založenými na umělé inteligenci, aby systematicky analyzoval komplexní projektová portfolia a vypočítal ekonomicky efektivní kombinace.
Cílem není nahradit lidská rozhodnutí, ale zásadně zlepšit jejich matematický základ.
1. Klíčový problém moderního rozhodování: jednotlivá rozhodnutí jsou rozhodnutími na úrovni portfolia
V mnoha organizacích se strategická rozhodnutí stále posuzují jednotlivě.
Investiční projekt se hodnotí na základě návratnosti investic (ROI). Opatření v oblasti digitalizace dostává strategické skóre. Projekt komunální infrastruktury se řadí podle naléhavosti.
Tato jednotlivá hodnocení jsou důležitá.
Neodpovídají však automaticky na otázku, která kombinace všech opatření přinese nejlepší celkový výsledek.
Důvod je jednoduchý: projekty si navzájem konkurují.
Vyžadují kapitál, personál, čas, technické kapacity a pozornost ze strany organizace.
Pokud se opatření realizuje, nejsou zdroje vynaložené na něj k dispozici pro jiné projekty.
Tím vznikají vzájemné interakce mezi jednotlivými rozhodnutími.
Jednotlivé projekty, které jsou ekonomicky nejatraktivnější, proto nutně nevytvářejí ekonomicky nejlepší celkové portfolio.
Projekt s vysokou individuální návratností může například vyžadovat tolik kapitálu, že již nebude možné financovat několik jiných projektů s vyšší kombinovanou čistou přidanou hodnotou.
Strategické rozhodování se proto musí odehrávat na úrovni portfolia.
Klíčová otázka pro management zní:
Která kombinace našich dostupných opatření přinese v rámci stávajících omezení nejvyšší celkový ekonomický nebo společenský přínos?
2. Proč se rozhodovací prostor exponenciálně rozšiřuje: Matematický princip 2^N
Počet možných kombinací projektů nerostl lineárně s počtem projektů.
V zjednodušeném binárním rozhodovacím modelu může být každý projekt buď realizován, nebo nerealizován.
Při N nezávisle volitelných projektech vzniká teoreticky 2^N možných kombinací.
Tento řád se projeví již při relativně malém počtu projektů:
- 7 projektů: 2^7 = 128 kombinací
- 10 projektů: 2^10 = 1 024 kombinací
- 20 projektů: 2^20 = 1 048 576 kombinací
- 30 projektů: 2^30 = 1 073 741 824 kombinací
- 40 projektů: 2^40 = 1 099 511 627 776 kombinací
- 50 projektů: 2^50 = 1 125 899 906 842 624 kombinací
- 100 projektů: 2^100 = přibližně 1,27 × 10^30 kombinací
Při 50 projektech tedy existuje přibližně 1,126 biliónů teoreticky možných kombinací projektů.
Ne každá kombinace je však přípustná z důvodu rozpočtových omezení, omezených zdrojů nebo závislostí mezi projekty.
Tento řád však ukazuje, proč klasické rozhodovací postupy mohou zohlednit pouze omezenou část celého prostoru možných řešení.
Skutečnou výzvou není individuální hodnocení 50 projektů. Spočívá v určení nejlepší možné přípustné kombinace těchto 50 projektů.
3. Proč zkušenosti, intuice a řídící orgány samy o sobě nestačí
Zkušenosti a odborné znalosti jsou základními pilíři dobrého řízení podniku.
Pomáhají při odhadování rizik, formulování strategických cílů a kritickém posuzování ekonomických předpokladů.
Lidská rozhodovací schopnost má však své matematické limity.
Představenstvo může analyzovat jednotlivé investiční projekty, diskutovat o jejich výhodách a nevýhodách a porovnávat různé scénáře.
Nemůže však důkladně prozkoumat miliony či miliardy různých kombinací projektů.
V praxi se proto často přistupuje ke zjednodušením:
- Projekty se třídí podle jednotlivých ukazatelů.
- Podrobněji se zkoumají pouze údajně nejdůležitější opatření.
- Alternativní kombinace projektů se sestavují ručně.
- Investiční rozpočty se rozdělují mezi jednotlivé obchodní oblasti.
- Strategické priority se stanovují na základě vážení nebo rozhodnutí příslušných orgánů.
Tyto postupy mohou být z organizačního hlediska smysluplné a nezbytné.
Nezaručují však, že vybraná kombinace projektů dosáhne maximálního možného celkového přínosu.
Meze lidského rozhodování v případě komplexních portfolií nespočívají primárně v nedostatku znalostí, ale v omezené schopnosti porovnávat exponenciálně velké množství alternativ.
Matematická optimalizace proto doplňuje lidskou rozhodovací kompetenci o systematické prozkoumání prostoru možných řešení.
4. Jednoduchý příklad: Proč nejlepší jednotlivé rozhodnutí není nutně nejlepším celkovým rozhodnutím
Podnik disponuje investičním rozpočtem ve výši 10 milionů eur.
Na výběr jsou tři projekty.
| Projekt | Investice | Čistý přínos hodnoty |
|---|---|---|
| Projekt A | 7 mil. € | 4 mil. € |
| Projekt B | 5 milionů € | 3 mil. € |
| Projekt C | 5 milionů € | 3 mil. € |
Projekt A má nejvyšší jednotlivý čistý přínos.
Pokud bude vybrán projekt A, zbude v rozpočtu 3 miliony eur. Tyto prostředky nestačí na žádný z ostatních projektů.
Celková čistá hodnotová přidaná hodnota tedy činí 4 miliony eur.
Matematická analýza možných kombinací však ukazuje ekonomicky výhodnější alternativu.
Projekty B a C společně vyžadují 10 milionů eur a dosahují kombinovaného čistého přínosu hodnoty ve výši 6 milionů eur.
Za předpokladu, že se jedná o nezávislé projekty a bez dalších omezení, je kombinace B + C optimální pro maximalizaci čistého přínosu.
Matematicky optimalizovaná kombinace projektů tak generuje o 50 % vyšší čistý přínos hodnoty ve srovnání s původním výběrem.
Společnost k tomu nepotřebuje žádný dodatečný investiční kapitál.
Stačí pouze zvolit jinou kombinaci stávajících projektů.
Tento příklad ukazuje: Ekonomicky smysluplné jednotlivé rozhodnutí může být na úrovni portfolia přesto suboptimální.
5. Rozhodování s využitím umělé inteligence: Od stanovení priorit k matematické optimalizaci
Rozhodování podporované umělou inteligencí může plnit různé úkoly.
Generativní AI například pomáhá při analýze informací, formulování návrhů rozhodnutí nebo shrnutí složitých situací.
Prognózní modely dokážou odhadnout budoucí vývoj.
Matematická optimalizace rozhodování naopak sleduje jiný cíl.
Zkoumá, která kombinace dostupných alternativ jednání v rámci definovaných omezení nejlépe splňuje určitou cílovou funkci.
K tomu je rozhodovací úloha popsána jako matematický model.
Typickými složkami jsou:
- Rozhodovací proměnné: Které projekty budou realizovány?
- Cílová funkce: Jaký celkový ekonomický nebo společenský přínos má být maximalizován?
- Rozpočtová omezení: Kolik kapitálu je k dispozici?
- Omezení zdrojů: Jaké personální a technické kapacity jsou k dispozici?
- Závislosti mezi projekty: Která opatření musí být realizována společně nebo v určitém pořadí?
- Strategické zadání: Které projekty nebo cíle dopadu je třeba zohlednit?
Z těchto údajů vzniká kombinatorický optimalizační problém.
Vhodné algoritmy prohledávají či analyzují matematický prostor řešení a určují výkonné přípustné kombinace projektů.
V závislosti na struktuře problému a použitém postupu lze najít prokazatelně globální nebo přibližně optimální řešení.
K tomu není v zásadě nutný úplný individuální výpočet všech 2^N kombinací.
Rozhodujícím pokrokem je matematické zkoumání komplexních rozhodnutí týkajících se portfolia namísto pouhého porovnávání několika ručně vybraných scénářů.
6. Jak StratePlan matematicky optimalizuje strategická rozhodnutí
StratePlan byl vyvinut za účelem zkoumání komplexních investičních a projektových portfolií pomocí matematických optimalizačních metod.
Tato technologie kombinuje přístupy z oblasti operačního výzkumu s postupy založenými na umělé inteligenci za účelem efektivního hledání výkonných kombinací projektů.
Pro základní ekonomický optimalizační model jsou zpočátku potřebné pouze tři údaje pro každý projekt:
- ID projektu: Jednoznačná identifikace projektu
- Náklady: Plánované výdaje, resp. investice
- Příjmy: Očekávané příjmy nebo ekonomické výnosy
Dále se definuje dostupný investiční rozpočet.
Údaje lze například převzít ze stávajících investičních plánů v Excelu.
StratePlan zkoumá možné kombinace projektů a vypočítává složení portfolia podle zvolené cílové funkce.
V případě volby „Maximize Net Contribution“ je v centru pozornosti maximalizace celkového očekávaného čistého přínosu.
ROI portfolia lze doplňkově vykazovat jako ekonomický ukazatel.
Rozšířené modely mohou zohledňovat další omezení a hodnotící parametry:
- závislosti mezi projekty
- Strategická vážení
- Omezení zdrojů a kapacit
- Víceleté investiční rozpočty
- Časová omezení
- Kritéria rizika a udržitelnosti
Výsledkem není pouhý žebříček jednotlivých projektů, ale matematicky vypočítaná kombinace projektů v rámci definovaných podmínek.
StratePlan tak doplňuje strategické rozhodování o úroveň matematické optimalizace.
7. Živě na zasedání představenstva: Okamžitý výpočet strategických scénářů
Matematická optimalizace rozhodování je obzvláště cenná, pokud se využívá přímo na zasedáních vedení a představenstva.
Představme si průmyslový koncern se 100 plánovanými investičními projekty.
Součet všech investičních požadavků přesahuje dostupný rozpočet na kapitálové výdaje (CAPEX).
Vedení musí rozhodnout, které projekty budou realizovány.
StratePlan nejprve vypočítá optimalizovanou kombinaci projektů na základě stávajících ekonomických předpokladů.
Na zasedání představenstva lze následně prozkoumat různé scénáře.
Scénář A: Maximální celkový ekonomický přínos
Finanční ředitel se ptá:
„Která kombinace našich plánovaných investic dosáhne při stávajícím rozpočtu na kapitálové výdaje (CAPEX) nejvyššího očekávaného čistého přínosu?“
StratePlan vypočítá odpovídající kombinaci projektů.
Vedení obdrží přehled vybraných projektů, potřebného kapitálového vkladu a očekávaného celkového ekonomického přínosu.
Scénář B: Snížený investiční rozpočet
Generální ředitel klade otázku:
„Co se stane, pokud budeme muset snížit náš investiční rozpočet o 15 %?“
Rozpočtové omezení se upraví.
StratePlan znovu vypočítá portfolio.
Vedení může sledovat, které projekty budou vyřazeny a jak se změní očekávaný čistý přínos.
Scénář C: Závazné zohlednění strategických projektů
Další člen představenstva se ptá:
„Jak se změní naše optimální kombinace projektů, pokud budou muset být určité strategické investice realizovány bezpodmínečně?“
Příslušné projekty jsou zohledněny jako závazná omezení.
Portfolio se znovu optimalizuje.
Porovnání ukazuje, jaké ekonomické dopady má tento dodatečný strategický předpoklad v rámci modelu.
Scénář D: Dodatečný investiční kapitál
Finanční ředitel se ptá:
„Jaký dodatečný ekonomický přínos bychom mohli dosáhnout, pokud bychom zvýšili náš rozpočet na kapitálové výdaje (CAPEX) o dalších 20 milionů eur?“
Rozpočet se upraví a provede se nový výpočet.
Vedení může porovnat modelovaný dodatečný přínos s potřebnou kapitálovou investicí.
Scénář E: Změněné strategické priority
Představenstvo se ptá:
„Jak se změní naše portfolio, pokud budeme klást větší důraz na digitalizaci, energetickou účinnost nebo určité oblasti růstu?“
Příslušné parametry se upraví.
StratePlan vypočítá novou kombinaci projektů a umožní srovnání s předchozími scénáři.
Změnit rozpočet. Upravit strategické zadání. Přepočítat portfolio. Porovnat ekonomické dopady.
Tak se ze statického investičního plánování stává dynamický základ pro strategická rozhodnutí.
8. Ex-ante rozhodování: Určení nejlepší kombinace před realizací
Tradiční řízení podniku se často soustředí na dodatečné vyhodnocení již přijatých rozhodnutí.
Controlling zkoumá tržby, EBIT, ROI, návratnost investic a odchylky od rozpočtu.
Tyto ukazatele ukazují, jakých ekonomických výsledků bylo dosaženo.
Neodpovídají však automaticky na otázku, zda by jiná kombinace projektů byla úspěšnější.
Matematická ex ante optimalizace proto začíná již před vázáním kapitálu.
Zkoumá, která kombinace plánovaných opatření v rámci dostupných zdrojů přinese nejvyšší očekávaný celkový přínos.
Změna úhlu pohledu je zásadní.
Ex post: „Jak úspěšné bylo naše rozhodnutí?“
Ex ante: „Které rozhodnutí slibuje podle našich předpokladů nejlepší celkový výsledek?“
Díky matematické optimalizaci portfolia mohou podniky porovnávat alternativní kombinace projektů již před jejich realizací.
To může pomoci omezit nesprávné alokace ekonomických zdrojů a odhalit nevyužitý potenciál tvorby přidané hodnoty.
Kvalita strategických rozhodnutí se tak nehodnotí až po jejich realizaci, ale je systematicky zkoumána již v rámci rozhodovacího procesu.
9. Alternativní náklady: Kolik stojí neoptimální rozhodnutí?
Každé investiční rozhodnutí vázá kapitál a zdroje.
Tento kapitál pak již není k dispozici pro jiné projekty.
Tím vznikají oportunitní náklady.
Popisují ušlý přínos nejlepší alternativy, která nebyla zvolena.
Podnik může vybrat ekonomicky atraktivní projekty a přesto nevyužít značnou dodatečnou přidanou hodnotu.
Matematická optimalizace portfolia umožňuje porovnat původně plánované investiční portfolio s optimalizovanou kombinací projektů.
Při tom lze mimo jiné porovnat následující ukazatele:
- Celková investiční potřeba
- Očekávaná čistá přidaná hodnota
- Návratnost investic do portfolia
- Vybrané a nevybrané projekty
- Zbývající rozpočtové rezervy
- Ekonomické rozdíly mezi alternativními portfolii
Rozdíl mezi modelovanými výsledky ukazuje, jaký potenciál pro ekonomické zlepšení existuje na základě použitých předpokladů.
Je-li globální optimum matematicky prokázáno, lze v rámci modelu přesně určit, jak daleko je zvolená kombinace projektů od tohoto optima.
U přibližně optimálních řešení se nejprve vypočítá rozdíl oproti nejlepšímu nalezenému řešení.
Rozhodující přidanou hodnotou je to, že se tak již před realizací odhalí možné ekonomické nevýhody rozhodnutí o portfoliu.
10. Analýza citlivosti: Jak robustní je matematicky optimalizované rozhodnutí?
Strategická rozhodnutí vycházejí z předpokladů o budoucím vývoji.
Investiční náklady mohou vzrůst. Očekávané výnosy mohou být nižší. Zdroje mohou být omezenější. Strategické priority se mohou změnit.
Proto by matematická optimalizace neměla zohledňovat pouze jeden jediný scénář.
Cílenými změnami vstupních parametrů lze simulovat různé ekonomické vývojové scénáře.
Typické otázky jsou:
- Které projekty zůstanou součástí portfolia i při sníženém rozpočtu?
- Které investice reagují obzvláště citlivě na rostoucí náklady?
- Jak se mění čistý přínos hodnoty při nižších očekávaných příjmech?
- Jaká kombinace projektů vznikne při změně strategického vážení?
- Která opatření zůstávají ekonomicky atraktivní v různých scénářích?
Tyto analýzy citlivosti mohou ukázat, jak stabilní zůstává vypočítaná kombinace projektů při změně rámcových podmínek.
Dobré strategické rozhodnutí proto zohledňuje nejen nejlepší výsledek při jednom konkrétním předpokladu, ale také dopady možných změn.
11. Praktická reference: Areál Klybeck v Basileji – přibližně o 63 % vyšší návratnost investic
Jaký ekonomický potenciál může matematická optimalizace portfolia přinést, ilustruje reference StratePlan týkající se areálu Klybeck v Basileji.
V rámci optimalizace portfolia pro společnosti Central Real Estate AG a Swiss Life AG byly matematicky analyzovány stávající investiční a projektové alternativy.
Modelovaný výsledek:
- Původní návratnost investic: 7,0 %
- Optimalizovaná návratnost investic: 11,4 %
- Relativní zlepšení výnosu: přibližně 63 %
- Dodatečný modelovaný ekonomický přínos: přibližně 30 milionů CHF
Zlepšení bylo modelováno na základě změněné kombinace stávajících investičních alternativ při zachování stejného rozpočtu.
Tyto výsledky specifické pro daný projekt nepředstavují obecnou záruku výnosu.
Hlavní poznatek: Vyšší celkový ekonomický přínos lze dosáhnout již pouhou lepší kombinací stávajících investičních alternativ – bez dodatečného investičního rozpočtu.
12. Rozhodování s využitím umělé inteligence v podnicích a ve veřejné správě
Matematická optimalizace rozhodování je relevantní všude tam, kde o omezené finanční nebo provozní zdroje soupeří řada opatření.
Průmysl a strategické plánování CAPEX
Investice do strojů, výrobní kapacity, automatizační projekty a rozšíření provozoven je třeba vybírat v rámci společných investičních rozpočtů.
Matematická optimalizace portfolia může pomoci identifikovat ekonomicky výkonnější kombinace těchto opatření.
Digitalizace a transformace pomocí umělé inteligence
Podniky často disponují četnými potenciálními projekty v oblasti umělé inteligence a digitalizace.
Hlavní výzvou je vybrat ta opatření, která společně přinesou nejvyšší ekonomický přínos v rámci dostupných zdrojů.
Nemovitosti a realitní trh
Projektový rozvoj, sanace, modernizace a investice do lokalit lze optimalizovat v rámci společného kapitálového rozpočtu.
Výběr jednotlivých projektů přitom ovlivňuje možnosti financování celého portfolia.
Energetika a infrastruktura
Energetické projekty, investice do sítí, opatření na zvýšení účinnosti a modernizace infrastruktury často vyžadují dlouhodobé vázání kapitálu.
Matematická optimalizace může pomoci porovnat různé kombinace investic s ohledem na ekonomická a technická omezení.
Obce a veřejné rozpočty
Města a obce musí financovat četné investiční záměry v rámci omezených rozpočtových prostředků.
Školy, silnice, správní budovy, infrastruktura a sociální zařízení soupeří o stejné veřejné zdroje.
Výzvou je skloubit finanční omezení s politickými prioritami, zákonnými povinnostmi a cíli společenského dopadu.
Matematická optimalizace portfolia dokáže v tomto případě vypočítat různé kombinace opatření a zviditelnit dopady změn rozpočtových a váhových parametrů.
Společná otázka zní: Která kombinace dostupných opatření dosáhne za definovaných rámcových podmínek nejvyššího celkového ekonomického nebo společenského přínosu?
13. Simulace rozpočtu a souběžná optimalizace komunálních investičních programů
Zvláště zajímavé je propojení matematické optimalizace portfolia se simulací veřejných rozpočtů.
Místní rozhodovací orgány pravidelně čelí výzvě, jak financovat četné investiční záměry s omezenými rozpočtovými prostředky.
Příklad:
Město disponuje investičním rozpočtem ve výši 81 milionů eur.
Zároveň má na výběr 50 plánovaných projektů s celkovou investiční potřebou 220 milionů eur.
Klíčová otázka nezní pouze, které projekty se jeví jako politicky nebo odborně obzvláště důležité.
Která kombinace těchto 50 projektů přinese v rámci dostupného rozpočtu nejvyšší definovaný celkový ekonomický nebo společenský přínos?
Při 50 binárních rozhodnutích o projektech vzniká teoreticky 2^50 = 1 125 899 906 842 624 možných kombinací.
Matematická optimalizace portfolia umožňuje prozkoumat různé přípustné kombinace projektů v rámci definovaných rozpočtových a efektivnostních omezení.
Souběžnou simulací rozpočtu lze zohlednit změněné finanční rámcové podmínky.
Například:
- Jak se změní optimální výběr projektů při sníženém investičním rozpočtu?
- Jaké další projekty by bylo možné financovat v případě vyšších příjmů?
- Jaké ekonomické nebo společenské dopady vyplývají ze závazných politických projektů?
- Jak se změní portfolio v případě většího důrazu na vzdělávání, infrastrukturu nebo ochranu klimatu?
- Která kombinace projektů dosahuje v rámci dostupného rozpočtu nejvyšší modelované celkové užitečnosti?
Výsledky závisí na kvalitě vstupních dat a definici ekonomických či společenských cílových veličin.
Propojení rozpočtové simulace a matematické optimalizace portfolia může politickým rozhodovatelům pomoci srozumitelně porovnávat alternativní balíčky opatření a systematicky zkoumat dopad omezených rozpočtových prostředků.
14. Od Business Intelligence k Decision Intelligence
Business Intelligence zkoumá převážně ekonomický vývoj organizace.
Co se stalo? Které KPI se změnily? Kde dochází k odchylkám od plánu?
Decision Intelligence rozšiřuje tuto perspektivu o systematickou podporu budoucích rozhodnutí.
Jaké alternativy jsou k dispozici? Jaká omezení platí? Která kombinace projektů nejlépe splňuje definované cíle?
StratePlan doplňuje stávající systémy ERP, controllingu a Business Intelligence o úroveň matematické optimalizace.
Potřebná projektová data lze zpočátku poskytnout prostřednictvím jednoduchých tabulek v Excelu.
Díky tomu mohou podniky a veřejné instituce využít stávající investiční plány jako výchozí bod pro systematickou optimalizaci portfolia.
Rozhodující rozdíl spočívá v tom, že se neměří pouze ekonomické důsledky již přijatých rozhodnutí, ale alternativní rozhodnutí se před jejich realizací matematicky analyzují.
15. Závěr: Strategická rozhodnutí vyžadují matematický základ
Strategické rozhodování se s rostoucím počtem projektů a omezení stává stále komplexnějším.
Zkušenosti, odborné znalosti a manažerské kompetence zůstávají nepostradatelné.
Samotné však nestačí k systematickému zkoumání exponenciálně velkých rozhodovacích prostorů.
Již při 50 projektech vzniká více než jeden bilión teoreticky možných kombinací.
Izolované hodnocení jednotlivých projektů proto automaticky neodpovídá na otázku, jaké je nejlepší možné celkové portfolio.
Matematická optimalizace rozhodování umožňuje analyzovat komplexní portfolia investic a opatření s ohledem na ekonomické cíle, dostupné rozpočty a definovaná omezení.
StratePlan k tomu kombinuje metody z oblasti operačního výzkumu s přístupy založenými na umělé inteligenci.
Díky tomu mohou podniky, představenstva a veřejní rozhodovatelé vypočítat alternativní kombinace projektů, porovnat různé scénáře a identifikovat nevyužitý ekonomický či společenský potenciál.
Rozhodující otázka již nezní: Které projekty považujeme za nejlepší?
ale: Která kombinace našich dostupných projektů dosáhne za daných podmínek nejlepšího možného celkového výsledku?
Právě zde začíná přechod od klasického stanovování priorit projektů k matematické optimalizaci rozhodování.
StratePlan – Stejné projekty. Stejný rozpočet. Optimální kombinace. Lepší výsledky.
Často kladené otázky – Rozhodování s pomocí AI
Co konkrétně znamená rozhodování s pomocí umělé inteligence?
Rozhodování s pomocí umělé inteligence popisuje využití algoritmických systémů na podporu komplexních rozhodnutí.
V oblasti matematické optimalizace portfolia se v rámci společného modelu zkoumají dostupné alternativy postupu, ekonomické cíle a omezení.
Cílem je identifikovat co nejvýkonnější přípustnou kombinaci opatření.
Jak se rozhodování podporované umělou inteligencí liší od klasických analýz?
Klasické rozhodovací procesy často porovnávají jednotlivé projekty nebo několik předem připravených scénářů.
Matematická optimalizace portfolia naproti tomu zkoumá kombinaci různých opatření v rámci společných rozpočtových a zdrojových omezení.
Díky tomu mohou vyniknout ekonomicky atraktivnější alternativy, které by při pouhém posuzování jednotlivých projektů zůstaly bez povšimnutí.
Co znamená 2^N při strategickém rozhodování?
2^N popisuje počet teoreticky možných kombinací při N nezávislých binárních rozhodnutích.
Každý projekt může být buď vybrán, nebo nevybrán.
Při 20 projektech vzniká 2^20 = 1 048 576 možných kombinací.
Při 50 projektech vzniká 2^50 = 1 125 899 906 842 624 možných kombinací.
Skutečně přípustné kombinace závisí na definovaných omezeních.
Musí AI skutečně vypočítat všechny 2^N kombinací jednotlivě?
Ne.
Moderní matematické optimalizační metody dokážou efektivně prozkoumat rozsáhlé rozhodovací prostory, aniž by musely každou teoreticky možnou kombinaci jednotlivě a úplně vyhodnotit.
Která metoda je vhodná, závisí na matematické struktuře problému a definovaných okrajových podmínkách.
Dokáže umělá inteligence vypočítat globální optimum rozhodnutí?
Při použití vhodných matematických modelů a optimalizačních postupů lze globální optimum vypočítat a prokázat.
U obzvláště složitých problémů lze použít i přibližně optimální řešení.
Závěr o kvalitě řešení proto musí odpovídat použitému postupu a existujícímu důkazu optimality.
Nahrazuje umělá inteligence rozhodnutí vedení?
Ne.
Vedení definuje ekonomické a strategické cíle, stanoví omezení a vyhodnocuje výsledky.
Matematická optimalizace podporovaná umělou inteligencí poskytuje další podklady pro rozhodování.
Konečná odpovědnost zůstává na příslušných vedoucích pracovnících, resp. politických rozhodovatelích.
Pro jaká rozhodnutí je matematická umělá inteligence obzvláště vhodná?
Je obzvláště relevantní pro komplexní rozhodnutí týkající se portfolia s četnými konkurenčními projekty a omezenými zdroji.
Typickými oblastmi použití jsou plánování kapitálových výdajů (CAPEX), portfolia digitalizace, případy použití umělé inteligence, průmyslové investice, realitní projekty, energetické programy a plánování komunálních rozpočtů.
Co znamená rozhodování ex ante?
Ex ante znamená posoudit rozhodnutí ještě před jeho realizací.
Při matematické optimalizaci portfolia se vypočítávají alternativní kombinace projektů ještě předtím, než dojde k vázání kapitálu nebo zahájení opatření.
Díky tomu lze včas odhalit ekonomické dopady různých rozhodnutí.
Jak spolehlivé jsou výsledky rozhodování podporované umělou inteligencí?
Kvalita výsledků závisí na vstupních datech, definici cílového funkčního výrazu, modelování omezení a použité optimalizační metodě.
Matematická optimalizace umožňuje reprodukovatelné a sledovatelné výpočty.
Analýzy citlivosti navíc mohou ukázat, jak se výsledky vyvíjejí při změně předpokladů.
Je rozhodování podporované umělou inteligencí smysluplné pouze pro velké koncerny?
Ne.
I střední podniky, obce a další organizace mohou těžit z matematické optimalizace portfolia.
Rozhodující není pouze velikost organizace, ale také složitost rozhodnutí a počet konkurenčních opatření.
Jaké údaje potřebuje StratePlan pro první výpočet?
Pro základní ekonomický optimalizační model jsou nejprve potřebné tři údaje pro každý projekt:
- ID projektu
- Výdaje – plánované výdaje
- Příjmy – očekávané příjmy, resp. ekonomické výnosy
Dále se stanoví dostupný investiční rozpočet.
Složitější modely mohou zohledňovat další omezení a hodnotící parametry.
Může StratePlan simulovat různé rozpočtové scénáře?
Ano. Různé rozpočtové limity lze modelovat jako alternativní scénáře.
Díky tomu lze prozkoumat, jaká kombinace projektů bude vybrána při nižším nebo vyšším investičním rozpočtu a jak se změní očekávaný celkový ekonomický přínos.
Jaký je rozdíl mezi prioritizací projektů a optimalizací portfolia?
Prioritizace projektů vytváří pořadí jednotlivých opatření.
Optimalizace portfolia zkoumá, která kombinace těchto opatření dosahuje v rámci definovaných omezení nejlepšího celkového výsledku.
Nejlepší pořadí tedy nemusí automaticky znamenat nejlepší projektové portfolio.
Jaký je nejdůležitější závěr pro generální ředitele, finanční ředitele a rozhodovací orgány ve veřejném sektoru?
Složité strategické rozhodnutí by nemělo vycházet výhradně z hodnocení jednotlivých projektů nebo několika ručně vybraných scénářů.
Matematická optimalizace portfolia umožňuje systematické zkoumání alternativních kombinací projektů a vytváří tak další základ pro fundovaná rozhodnutí.
Umělá inteligence nenahrazuje odpovědnost. Může však pomoci odhalit ekonomicky nebo společensky výhodnější alternativy jednání.
Která kombinace vašich projektů přinese nejlepší výsledek?
Zjistěte, která kombinace vašich plánovaných investičních projektů může v rámci vašeho dostupného rozpočtu dosáhnout nejvyššího očekávaného čistého přínosu.
Začněte s vlastními projektovými údaji a porovnejte matematicky optimalizované investiční scénáře.
Můžete zdarma optimalizovat až 15 projektů.