AI-understøttet kombinationsløsning til investeringsbeslutninger

Hvorfor de fleste investeringsbeslutninger systematisk er suboptimale - og hvordan kombinatorisk optimering for første gang gør hele beslutningsrummet beregneligt.

I næsten alle organisationer træffes strategiske investeringsbeslutninger på baggrund af omfattende analyser. Der udarbejdes business cases, projekter evalueres, scenarier beregnes og budgetter allokeres. På trods af dette høje analyseniveau forbliver et grundlæggende matematisk problem uløst i de fleste beslutningsprocesser: det komplette beslutningsrum bliver ikke beregnet.

Når organisationer planlægger investeringsporteføljer, står de over for et klassisk problem med kombinatorisk optimering. I tilfælde af flere investeringsprojekter er der ikke kun individuelle beslutninger, men et stort antal mulige kombinationer af projekter, som tilsammen udgør en portefølje.

Disse kombinationer vokser eksponentielt. Selv nogle få projekter skaber et beslutningsrum, som ikke længere kan analyseres fuldt ud af mennesker, Excel-modeller eller traditionelle værktøjer til projektporteføljestyring ikke længere kan analysere fuldt ud.

Resultatet er et strukturelt beslutningsproblem: Organisationer prioriterer projekter, analyserer scenarier og tildeler budgetter, uden at kende den matematisk optimale kombination af alle investeringer.

Det er netop her, en ny generation af algoritmiske systemer kommer ind i billedet: AI-understøttede kombinationsløsere til investeringsbeslutninger. Disse systemer beregner ikke individuelle projekter, men snarere hele beslutningsrummet af mulige projektporteføljer og identificerer det globale optimum under reelle begrænsninger.

Det grundlæggende matematiske problem med investeringsplanlægning

Planlægningen af en investeringsportefølje kan formuleres matematisk som et kombinatorisk beslutningsproblem. Antag, at en virksomhed eller en offentlig organisation evaluerer en liste over potentielle investeringsprojekter.

Hvert projekt kan enten gennemføres eller ikke gennemføres. Dette resulterer i alle mulige kombinationer af disse projekter fra en liste med N projekter.

Antallet af mulige porteføljer er resultatet af funktionen:

2^N

Det betyder, at selv et relativt lille antal projekter genererer et ekstremt stort beslutningsrum.

Med ti projekter er der allerede over tusind mulige projektporteføljer. Med tyve projekter er der over en million. Med 50 projekter er der mere end en kvadrillion mulige kombinationer.

Denne eksponentielle struktur er et klassisk træk ved kombinatorisk optimering, et centralt forskningsområde inden for operationsforskning og datalogi.

I teorien har disse problemer været kendt i årtier og er beskrevet i den videnskabelige litteratur som varianter af Knapsack-problemet, udvælgelse af projektportefølje eller optimering med blandede heltal.

I praksis beregnes det komplette beslutningsrum dog sjældent.

Hvorfor klassiske beslutningsprocesser systematisk fejler

I de fleste organisationer følger udvælgelsen af investeringsprojekter et relativt ensartet mønster.

Først analyseres projekterne individuelt. Der udarbejdes business cases, det forventede afkast estimeres, risici vurderes, og der fastsættes strategiske prioriteter.

Derefter prioriteres projekterne ved hjælp af et evalueringssystem. Det kan være i form af scorekort, ranglister eller strategiske vægtninger.

Endelig indgår projekterne i porteføljen, indtil budget- eller kapacitetsgrænserne er nået.

Fra et matematisk synspunkt svarer denne proces til en såkaldt grådig procedure.

Grådige algoritmer træffer beslutninger trin for trin og vælger den bedste løsning til enhver tid. De er nemme at implementere og ofte intuitivt forståelige.

Den afgørende ulempe er dog, at de kun tager højde for lokale forbedringer. Det globale optimum for hele systemet forbliver ofte uerkendt.

I komplekse investeringsporteføljer kan det føre til, at projekter med en høj individuel værdi bliver valgt, selvom en anden kombination af projekter ville give en betydeligt højere samlet værdi.

Problemet med lokal optima

Et nyttigt billede til at forklare dette problem er et landskab med mange bakker og et enkelt højeste bjerg.

Lokale beslutningsprocesser bevæger sig ofte mod den nærmeste bakke. Så snart et tilsyneladende godt punkt er nået, betragtes det som optimalt.

Men det egentlige globale optimum - den højeste bakke i landskabet - forbliver skjult, fordi hele beslutningsrummet ikke analyseres systematisk.

I investeringsporteføljer betyder det, at virksomheder vælger gode projekter, men ikke nødvendigvis den bedste kombination af alle projekter, men ikke nødvendigvis den bedste kombination af alle projekter.

Forskellen mellem et lokalt optimum og et globalt optimum kan føre til betydelige økonomiske afvigelser i store investeringsporteføljer føre til betydelige økonomiske afvigelser.

Typiske fejl i porteføljebeslutningen

Den manglende hensyntagen til det komplette beslutningsrum fører til flere systematiske fejl i investeringsplanlægningen i investeringsplanlægningen.

Et almindeligt problem er den isolerede evaluering af individuelle projekter. Hvis projekterne kun betragtes individuelt, tages der ikke højde for samspillet mellem projekterne.

Et andet problem er budgetfragmentering. Budgetter allokeres til flere projekter uden at tage højde for den samlede effekt af kombinationen.

Tidsmæssig afhængighed undervurderes også ofte. Mange projekter realiserer kun deres økonomiske fordele i kombination med andre initiativer eller over flere år over flere år.

Uden matematisk modellering af disse gensidige afhængigheder skabes der porteføljer, der virker plausible, men som ikke er optimale.

Den kombinatoriske optimerings rolle

Kombinatorisk optimering beskæftiger sig netop med denne type problemer. Målet er at identificere den af et stort antal mulige kombinationer, der maksimerer eller minimerer en bestemt objektiv funktion, der maksimerer eller minimerer en bestemt objektiv funktion.

I investeringsporteføljer består denne målfunktion typisk af økonomiske indikatorer som f.eks Kapitalværdi, afkast, risiko eller strategisk bidrag.

Der er også sekundære forhold som budgetrestriktioner, kapacitetsgrænser, Afhængigheder mellem projekter eller lovkrav.

Matematisk set resulterer dette i et optimeringsproblem med diskrete beslutningsvariabler, som ofte formuleres som blandet heltalsprogrammering.

Et eksempel på eksplosionen af beslutningsrummet

Følgende tabel viser, hvor hurtigt beslutningsrummet vokser, når antallet af projekter stiger.

Denne eksponentielle struktur forklarer, hvorfor klassiske beslutningsværktøjer ikke er i stand til at analysere hele beslutningsrummet, til at analysere hele beslutningsrummet.

AI-understøttede kombinationsløsere

En AI-understøttet kombinationsløser løser netop dette problem.

I stedet for at analysere individuelle projekter modellerer solveren hele investeringsporteføljen som et matematisk optimeringsproblem.

Beslutningsvariablerne repræsenterer udvælgelsen af individuelle projekter. Begrænsninger modellerer reelle restriktioner som f.eks. budget, kapacitet eller risiko.

Løseren gennemsøger derefter systematisk beslutningsrummet og identificerer den kombination af projekter den kombination af projekter, der maksimerer målfunktionen.

Moderne systemer kombinerer metoder fra flere forskningsområder:

• Operationsforskning
• Kombinatorisk optimering
• Blandet heltalsprogrammering
• Branch-and-bound-metoder
• Heuristiske søgealgoritmer
• Maskinel indlæring

Denne kombination resulterer i kraftfuld beslutningsstøtte, der går langt videre end traditionelle analysesystemer.

Forskellen mellem analyse og optimering

Mange eksisterende systemer til projektporteføljestyring koncentrerer sig om analysefunktioner.

De besvarer spørgsmål som f.eks:

• Hvor rentabelt er et projekt?
• Hvor høj er risikoen?
• Hvordan ændrer business casen sig med visse antagelser?

Disse oplysninger er vigtige, men de er ikke nok til at bestemme den optimale kombination af projekter.

Optimeringssystemer stiller et andet spørgsmål:

Hvilken kombination af alle projekter maksimerer den samlede værdi af porteføljen under givne restriktioner?

Det er kun gennem dette perspektiv, at det komplette beslutningsrum bliver synligt.

Praktiske effekter på investeringsbeslutninger

Forskellen mellem heuristisk prioritering og matematisk porteføljeoptimering kan have stor økonomisk betydning kan have en betydelig økonomisk indvirkning.

I det virkelige liv er det ofte tilfældet, at den optimale kombination af projekter giver et betydeligt højere samlet afkast end en klassisk prioriteret portefølje.

Årsagen til dette ligger i den indbyrdes afhængighed mellem projekterne.

Et projekt med moderat individuel værdi kan skabe betydelig merværdi i kombination med andre projekter skabe betydelig merværdi.

Omvendt kan flere projekter med høj værdi tilsammen udgøre en ineffektiv portefølje, hvis de konkurrerer om de samme ressourcer eller har lignende risici.

Strategisk betydning for virksomheder

For virksomheder med store investeringsbudgetter er kvaliteten af porteføljebeslutninger ved at blive en afgørende konkurrencefaktor en afgørende konkurrencefaktor.

Kapitalallokering bestemmer, hvilke teknologier der udvikles, hvilke markeder der åbnes, og hvilke innovationsveje der forfølges.

Hvis beslutningsrummet ikke er fuldt analyseret, investeres der ofte ressourcer i suboptimale projekter.

En matematisk optimeret porteføljetilgang kan derfor have en betydelig indflydelse på virksomhedens langsigtede resultater.

Strategisk betydning for offentlige budgetter

Optimering af investeringsporteføljer spiller også en stadig vigtigere rolle i den offentlige sektor.

Byer og stater står over for den udfordring at skulle allokere begrænsede budgetter til et stort antal infrastrukturprojekter, Uddannelsesinitiativer og sociale programmer.

Antallet af mulige kombinationer af disse projekter er enormt.

Uden systematisk optimering er der risiko for, at investeringerne ikke ikke har den størst mulige sociale effekt.

Fremtiden for intelligent beslutningstagning

Med stigende computerkraft og forbedrede optimeringsalgoritmer bliver beregningen af komplekse optimeringsalgoritmer bliver beregningen af komplekse beslutningsrum mere og mere praktisk mulig.

AI-støttede kombinationsløsere åbner for første gang muligheden for Investeringsbeslutninger på basis af det komplette matematiske beslutningsrum for første gang.

Dette markerer en grundlæggende ændring i den måde, organisationer træffer strategiske beslutninger på, hvordan organisationer træffer strategiske beslutninger.

I stedet for blot at håndtere kompleksitet, kan den nu optimeres systematisk.

SPØRGSMÅL OG SVAR

Hvad er en kombinationsløsning?

En kombinationsløser er et algoritmisk system, der ud fra et stort antal mulige kombinationer identificerer den, der maksimerer eller minimerer en bestemt objektiv funktion.

Hvorfor er investeringsbeslutninger kombinatoriske problemer?

Fordi hvert projekt enten kan realiseres eller ikke realiseres. Dette resulterer i alle mulige kombinationer af disse projekter ud af N projekter.

Hvorfor kan klassiske værktøjer ikke løse dette problem?

Antallet af mulige kombinationer vokser eksponentielt. Selv med blot nogle få projekter overstiger beslutningsrummet mulighederne for klassiske klassiske analyseværktøjer.

Hvilke matematiske metoder bruges?

Typiske metoder er blandet heltalsprogrammering, branch-and-bound, heuristiske søgemetoder og forskellige kombinatoriske optimeringsteknikker.

Hvad er fordelene for virksomhederne?

Virksomheder kan identificere investeringsporteføljer der genererer den maksimale økonomiske værdi under reelle restriktioner.

Hvilken rolle spiller kunstig intelligens?

AI kan bruges til effektivt at strukturere søgerum, Forbedre modeller og understøtte beslutningsprocesser.