Matematisk optimering og operationsanalyse – Fra videnskab til investeringsbeslutninger

Videnskabelige grundlag, matematisk modellering, algoritmer og optimeringsmetoder til erhvervslivet, forskning og offentlige institutioner.

Komplekse investerings- og ressourcebeslutninger er matematiske problemer. Uanset om virksomheder optimerer deres CAPEX-portefølje, offentlige institutioner fordeler begrænsede budgetmidler eller forskere undersøger kombinatoriske beslutningsrum: I centrum står det samme grundlæggende spørgsmål.

Hvilken kombination af beslutninger giver det bedst mulige resultat under givne mål og begrænsninger?

Svaret kræver mere end dataanalyse, projektprioritering eller beregning af enkelte nøgletal. Det kræver matematisk modellering, systematisk optimering og en gennemsigtig vurdering af tilladte alternativer.

Denne side forbinder operationsanalyse, beslutningsvidenskab, anvendt matematik og beregningsvidenskab med konkrete anvendelsesområder inden for virksomhedsledelse og offentlig investeringsplanlægning.

Fra matematisk teori til en beslutning, der kan beregnes.

Udforsk de videnskabelige grundlag →

01 | Ledelse, økonomi og investeringer

CAPEX-manager & investeringschef

Kapitalallokering, kapitalbudgettering og matematisk CAPEX-optimering

CAPEX-ledere står over for udfordringen med at fordele begrænsede investeringsbudgetter på en lang række konkurrerende projekter. Her skal der tages højde for økonomisk afkast, strategiske mål, ressourcebegrænsninger og tidsmæssige afhængigheder.

En klassisk projektprioritering besvarer først og fremmest spørgsmålet om, hvilke projekter der hver for sig forekommer særligt attraktive. Den matematiske porteføljeoptimering besvarer et mere vidtgående spørgsmål:

Hvilken kombination af alle tilgængelige projekter maksimerer den økonomiske nytte inden for det givne CAPEX-budget?

Relevante fagområder:

• Kapitalallokeringsoptimering
• Kapitalbudgettering
• Optimering af investeringsporteføljen
• Mixed-integer-programmering (MIP/MILP)
• Investeringplanlægning over flere perioder
• Optimering med ressourcebegrænsninger
• Scenarieoptimering
• Styring af kapitaludgifter

En matematisk optimeringsmodel kan kombinere projekter ud fra deres investeringsomkostninger, forventede nytteværdi og indbyrdes afhængigheder. Der kan ligeledes tages højde for uundgåelige foranstaltninger samt budgetgrænser eller kapacitetsbegrænsninger.

Dermed flyttes fokus fra vurderingen af enkelte investeringer til optimering af den samlede investeringsportefølje.

CFO'er og økonomichefer

Corporate Finance, finansiel modellering og optimal kapitalallokering

For CFO'er er allokeringen af knappe økonomiske ressourcer en central ledelsesopgave. Investeringsbeslutninger påvirker kapitalafkast, likviditet, risiko, strategisk handlefrihed og den langsigtede konkurrencemæssige position.

Matematisk optimering gør det muligt at undersøge forskellige anvendelser af kapitalen inden for en fælles beslutningsmodel.

Relevante fagområder:

• Corporate Finance
• Finansiel ingeniørvidenskab
• Strategisk finansiel planlægning
• Finansiel modellering
• Risikojusteret optimering
• Investeringsvurdering
• Analyse af reelle optioner
• Følsomhedsanalyse

Økonomiske måltal som netto nutidsværdi (NPV), forventet cashflow eller risikojusteret nytteværdi kan indgå i målfunktionen. Modeller, der dækker flere perioder, tager desuden højde for forskellige pengestrømme, løbetider og kapitalbinding.

Resultatet er et systematisk grundlag for at besvare spørgsmålet om, hvordan den disponible kapital kan anvendes så effektivt som muligt under definerede forudsætninger.

Portefølje- og programledere

Projektporteføljeoptimering i stedet for isoleret projektprioritering

I klassisk projektporteføljestyring vurderes, kategoriseres og prioriteres projekter. Men en rangordning af enkelte projekter er ikke nødvendigvis identisk med den optimale samlede portefølje.

Et højt prioriteret projekt kan for eksempel optage så mange ressourcer, at flere andre projekter, der tilsammen er økonomisk mere attraktive, ikke kan realiseres.

Relevante fagområder:

• Projektporteføljestyring (PPM)
• Projektporteføljeoptimering (PPO)
• Projektudvælgelsesproblem (PSP)
• Ressourcebegrænset projektplanlægning (RCPSP)
• Planlægning af flere projekter
• Strategisk porteføljestyring (SPM)
• Afhængighedsstyring
• Porteføljebalancering

Matematisk optimering gør det muligt at analysere projektkombinationer under fælles begrænsninger. Dermed administreres projektporteføljen ikke blot, men betragtes som et sammenhængende optimeringsproblem.

Strategiske virksomhedsplanlæggere

Strategisk planlægning, scenarieanalyse og flerperiodisk optimering

Strategisk virksomhedsplanlægning kræver beslutninger, der strækker sig over flere år. Investeringer, kapaciteter, lokationer, teknologier og organisatoriske ressourcer står i et indbyrdes forhold til hinanden.

En beslutning i den aktuelle planlægningsperiode kan åbne op for eller udelukke fremtidige muligheder.

Relevante fagområder:

• Strategisk ressourceallokering
• Optimering over flere perioder
• Dynamisk programmering
• Scenarieanalyse
• Strategisk porteføljeoptimering
• Langsigtet investeringsplanlægning
• Robust optimering

Matematiske modeller kan afbilde tidsmæssige sammenhænge og sammenligne forskellige strategiske udviklingsforløb. Sammenkoblingen af scenarieanalyse og optimering er særligt relevant: Ikke alene beregnes konsekvenserne af en given strategi, men der kan også fastlægges et passende beslutningsalternativ for hvert scenarie.

Aktiv- og ressourceforvaltning

Ressourceallokering, kapacitetsplanlægning og aktivoptimering

Virksomheder råder over begrænsede ressourcer: kapital, personale, maskiner, anlæg, tid og tekniske kapaciteter. Disse ressourcer skal ofte fordeles på flere projekter og forretningsområder samtidigt.

Relevante fagområder:

• Optimering af ressourceallokering
• Kapacitetsplanlægning
• Optimering af aktivstyring
• Optimering af vedligeholdelse
• Optimering af arbejdsstyrken
• Optimering af netværk
• Optimering af planlægning

En matematisk optimeringsmodel tager højde for tilgængelige kapaciteter og konkurrerende krav. Dermed kan ressourcekonflikter systematisk identificeres, og tilladte allokeringer beregnes.

02 | Den offentlige sektor og infrastruktur

Politiske og offentlige beslutningstagere

Allokering af offentlige ressourcer og optimering af samfundsmæssige effekter

Offentlige institutioner træffer investeringsbeslutninger under særlige betingelser. Ud over budget- og ressourcebegrænsninger skal der tages højde for lovmæssige forpligtelser, politiske prioriteter, formålsbestemmelser og samfundsmæssige effektmål.

I modsætning til investeringer i den private sektor er det ofte ikke det økonomiske afkast, der er i fokus. I stedet kan offentlige tiltag vurderes ud fra definerede nyttekriterier.

Relevante fagområder:

• Offentlig beslutningstagning
• Velfærdsøkonomi
• Multikriteriel beslutningsanalyse (MCDA)
• Offentlig investeringsstyring
• Optimering af social velfærd
• Allokering af offentlige ressourcer

Matematisk optimering kan bidrage til at fastlægge den kombination af offentlige tiltag, der under givne kriterier opnår den højeste modellerede samlede nytte.

Den politiske beslutning om mål og prioriteter forbliver hos den demokratisk legitimerede beslutningstager. Matematikken optimerer inden for disse rammer.

Budget- og finansansvarlige

Optimering af offentlige budgetter og flerårig budgetplanlægning

Offentlige budgetter er flerårige allokeringssystemer med konkurrerende krav. Kommuner, delstater og føderale institutioner skal fordele økonomiske midler på lovpligtige opgaver, investeringer, infrastruktur og politiske programmer.

Relevante fagområder:

• Offentlige finanser
• Optimering af budgetallokering
• Flerårig budgetplanlægning
• Omkostningseffektivitetsanalyse
• Begrænsningsbaseret budgettering
• Finanspolitisk planlægning
• Optimering med flere mål

En matematisk model kan tage højde for disponible midler, lovmæssige forpligtelser, projektafhængigheder og definerede effektkriterier. Dermed bliver det muligt at foretage en matematisk sammenligning af forskellige budgetkombinationer.

Infrastruktur- og investeringsplanlægning

Infrastrukturoptimering og langsigtet ressourceallokering

Infrastrukturinvesteringer er kendetegnet ved stor kapitalbinding, lange levetider og komplekse afhængigheder. Veje, broer, skoler, administrationsbygninger, energianlæg og forsyningsnet konkurrerer om begrænsede offentlige midler.

Relevante fagområder:

• Infrastrukturforvaltning
• Optimering af infrastrukturporteføljen
• Netværksoptimering
• Pålidelighedsteknik
• Vedligeholdelsesplanlægning
• Livscyklusoptimering
• Kapitalplanlægning over flere perioder

Matematisk optimering kan bidrage til at kombinere investerings- og vedligeholdelsesforanstaltninger under hensyntagen til budget, hastighed, afhængigheder og effekt.

Modernisering af forvaltningen og controlling

Analytisk beslutningsstøtte til offentlige institutioner

Digitaliseringen af den offentlige forvaltning genererer store datamængder. Tilgængeligheden af data alene giver dog ikke svar på, hvilke tiltag der bør gennemføres.

Relevante fagområder:

• Public Sector Analytics
• Beslutningsstøttesystemer
• Performance Management
• Beslutningstagning baseret på flere kriterier
• Matematisk modellering
• Preskriptiv analyse
• Scenarieplanlægning

En videnskabeligt funderet optimeringsmetode kan samle forvaltningsdata, vurderingskriterier og institutionelle begrænsninger i en fælles beslutningsmodel.

03 | Matematik & operationsanalyse

Matematikere & økonomimatematikere

Anvendt matematik, matematisk programmering og diskret optimering

Matematisk optimering undersøger fastlæggelsen af optimale løsninger inden for definerede beslutningsrum. Et optimeringsproblem består grundlæggende af beslutningsvariabler, en målfunktion og sidebetingelser.

En generel formulering lyder:

Maksimer:

max f(x)

Under følgende sidebetingelser:

g_i(x) ≤ 0, i = 1, ..., m

h_j(x) = 0, j = 1, ..., p

Afhængigt af problemstillingen kan beslutningsvariablerne være kontinuerlige, heltal eller binære.

Ved udvælgelsen af investeringsprojekter anvendes der ofte binære variabler:

x_i ∈ {0,1}

• x_i = 1: Projektet vælges.
• x_i = 0: Projektet vælges ikke.

En enkel porteføljeoptimering kan formuleres som et binært optimeringsproblem:

Målfunktion:

max Σ v_i · x_i

Budgetbegrænsning:

Σ c_i · x_i ≤ B

Her betegner v_i nytten, c_i investeringsomkostningerne og B det disponible budget.

Denne grundmodel er kendt som 0-1-rygsækproblemet. Reelle investeringsporteføljer kan desuden indeholde afhængigheder, flere ressourcer, tidsmæssige betingelser og konkurrerende målstørrelser.

Relevante fagområder:

• Anvendt matematik
• Diskret matematik
• Heltalsprogrammering
• Lineær programmering
• Ikke-lineær optimering
• Kombinatorisk optimering
• Global optimering
• Matematisk økonomi

Specialister i operationsanalyse

Operations Research som videnskabeligt grundlag for komplekse allokeringsbeslutninger

Operations Research beskæftiger sig med matematisk analyse og optimering af komplekse beslutningsproblemer. Faget kombinerer matematisk modellering, algoritmiske løsningsmetoder, statistik og systematisk beslutningsanalyse.

Typiske problemklasser:

• Rygsækproblemer
• Generaliserede tildelingsproblemer
• Sætdækningsproblemer
• Facilitetsplaceringsproblemer
• Planlægningsproblemer
• Netværksflowproblemer
• Ressourceallokeringsproblemer
• Porteføljeudvælgelsesproblemer

Ved kombinatoriske problemer stiger antallet af mulige løsninger ofte meget hurtigt.

For n uafhængigt valgbare binære projekter findes der i første omgang 2ⁿmulige valgkombinationer.

Ved 100 projekter svarer dette til:

²¹⁰⁰ ≈ 1,27 ×¹⁰³⁰ teoretiske kombinationer.

Moderne optimeringsmetoder behøver dog ikke at gennemgå alle kombinationer enkeltvis. Metoder som Branch-and-Bound, Branch-and-Cut, Presolve og matematiske relaxationer kan udelukke store dele af søgeområdet.

Det afgørende er ikke den fuldstændige opregning, men den matematisk begrundede søgning efter optimale eller påviseligt tilstrækkeligt gode løsninger.

Den faktiske beregningskompleksitet afhænger af modelstruktur, begrænsninger, data og de anvendte algoritmer.

Optimeringsingeniører

Omsætning af matematiske modeller til effektive optimeringssystemer

Optimeringsingeniørarbejde kombinerer matematisk optimering med softwareudvikling og praktisk problemløsning. Virkelige beslutningsproblemer oversættes til formelt definerede modeller og behandles med egnede løsningsmetoder.

Relevante fagområder:

• Matematisk programmering
• Begrænsningsprogrammering
• Solver-teknik
• Modelformulering
• Algoritmevalg
• Dekomponeringsmetoder
• Optimering af softwarearkitektur
• Analyse af beregningsydelse

Blandt de centrale opgaver er formulering af målfunktioner, afbildning af begrænsninger, valg af egnede algoritmer og vurdering af løsningens kvalitet.

Den matematiske modellering er lige så vigtig som regnekraften. En effektiv algoritme kan kun optimere den problemstilling, der faktisk er formuleret i modellen.

Numeriske analytikere

Numerisk analyse, stabilitet og matematiske beregningsmetoder

Numerisk analyse undersøger den beregningsmæssige løsning af matematiske problemer under hensyntagen til nøjagtighed, stabilitet og effektivitet.

Relevante fagområder:

• Numerisk stabilitet
• Flydende-kommaregn
• Numerisk konditionering
• Konvergensanalyse
• Approksimationsmetoder
• Fejlanalyse
• Beregning med sparsomme matricer
• Numerisk lineær algebra

Numeriske metoder er især vigtige for kontinuerlige og ikke-lineære optimeringsproblemer. Også ved optimeringsmetoder med blandede heltal kan numeriske egenskaber, skalering og tolerancer påvirke beregningens pålidelighed.

Det er derfor afgørende at skelne mellem matematisk optimalitet, numerisk nøjagtighed og praktisk løsningskvalitet.

04 | Datavidenskab, systemanalyse og teknologi

Dataforskere & beslutningsforskere

Fra prædiktiv analyse til præskriptiv analyse

Data Science undersøger data, identificerer mønstre og udvikler statistiske eller algoritmiske modeller. Decision Science beskæftiger sig med systematisk forbedring af beslutninger.

Det er især relevant at skelne mellem tre analytiske niveauer:

• Beskrivende analyse: Hvad er der sket?
• Prediktiv analyse: Hvad forventes der at ske?
• Preskriptiv analyse: Hvilken beslutning bør træffes under de givne mål og begrænsninger?

Preskriptiv analyse kombinerer prognoser, matematiske modeller og optimeringsmetoder.

En prognosemodel kan for eksempel estimere den forventede økonomiske nytte af forskellige investeringsprojekter. En optimeringsmodel beregner derefter, hvilken projektkombination der bør vælges under budget- og ressourcebegrænsninger.

Relevante fagområder:

• Data Science
• Beslutningsvidenskab
• Maskinlæring
• Prediktiv analyse
• Preskriptiv analyse
• Bayesiansk beslutningsteori
• Multikriteriel beslutningsanalyse
• Beslutningsstøttesystemer

Systemanalytikere og systemingeniører

Matematisk modellering og optimering af komplekse systemer

Systemanalyse undersøger struktur, sammenhænge og vekselvirkninger i komplekse systemer. Systemteknik beskæftiger sig med den systematiske udvikling og integration af tekniske og organisatoriske systemer.

I forbindelse med investeringsporteføljer kan der opstå talrige vekselvirkninger:

• Projekter kræver fælles ressourcer.
• Tiltag er tidsmæssigt afhængige af hinanden.
• Enkelte investeringer er absolut nødvendige.
• Projekter udelukker hinanden.
• Investeringsbeslutninger påvirker fremtidige kapaciteter.

Sådanne sammenhænge kan modelleres matematisk som randbetingelser.

Relevante fagområder:

• Systemteknik
• Systemanalyse
• Systemoptimering
• Modellering af begrænsninger
• Modelbaseret systemteknik
• Komplekse systemer
• Simuleringsmodellering
• Kravspecifikation

Kvaliteten af et optimeringsresultat afhænger i høj grad af, om disse systemmæssige sammenhænge er blevet modelleret fuldstændigt og korrekt.

Beregningsvidenskabsfolk

Videnskabelig databehandling og højtydende databehandling

Beregningsvidenskab kombinerer matematiske modeller med computerstøttede beregningsmetoder. Ved store optimeringsproblemer bliver algoritmisk effektivitet, hukommelsesbehov og regnearkitektur vigtige faktorer.

Relevante fagområder:

• Videnskabelig databehandling
• Beregningsmatematik
• Højtydende databehandling
• Parallel computing
• Numerisk optimering
• Beregningskompleksitet
• Performance engineering

Parallel computing kan fordele beregninger på flere processorkerner. Om og i hvilket omfang dette giver en hastighedsfordel, afhænger af algoritmen, problemets struktur og den del af beregningen, der kan paralleliseres.

For interaktive optimeringssystemer er det især relevant at kunne revurdere ændrede begrænsninger eller budgetter på kort tid.

Algoritmeingeniører

Algoritmedesign, kompleksitetsteori og kombinatoriske søgemetoder

Algoritmeudvikling beskæftiger sig med udvikling, implementering og eksperimentel evaluering af effektive algoritmer.

I forbindelse med matematiske optimeringsproblemer står blandt andet følgende spørgsmål i centrum:

• Hvordan struktureres søgeområdet?
• Hvilke delrum kan udelukkes matematisk?
• Hvilke grænser kan beregnes?
• Hvornår kan en løsning påvises at være optimal?
• Hvilke tilnærmelsesmetoder er hensigtsmæssige ved store problemer?
• Hvordan ændrer løbetiden sig, når problemstørrelsen vokser?

Relevante fagområder:

• Algoritmedesign
• Teori om beregningsmæssig kompleksitet
• Branch-and-Bound
• Branch-and-Cut
• Dynamisk programmering
• Heuristisk søgning
• Metaheuristik
• Approksimationsalgoritmer
• Parallelle algoritmer

Et centralt kvalitetskriterium for matematiske optimeringsmetoder er skelnen mellem en fundet tilladt løsning og en påviseligt optimal løsning.

Ved vanskelige problemer kan man desuden anvende det såkaldte optimalitetsgab til at vurdere kvaliteten af en fundet løsning ud fra matematiske grænser.

05 | Fælles videnskabelige grundlag

Fra problemformulering til matematisk beslutningsmodel

Uanset om det er en investeringschef, en matematiker eller en ansvarlig for det offentlige budget, der betragter et problem, følger den matematiske optimering en fælles grundstruktur.

Trin 1: Definere beslutningsvariabler

Hvilke beslutninger kan der træffes? For eksempel valg, udsættelse eller afvisning af enkelte investeringsprojekter.

Trin 2: Formulere målfunktionen

Hvilket resultat skal maksimeres eller minimeres?

• Nettonuværdi
• Økonomisk afkast
• Samfundsmæssig nytte
• Forsyningssikkerhed
• Ressourceeffektivitet
• Risikominimering

Trin 3: Modellering af begrænsninger

Hvilke betingelser skal absolut overholdes? Herunder hører budgetgrænser, ressourcetilgængelighed, tekniske afhængigheder, lovmæssige forpligtelser og tidsmæssige betingelser.

Trin 4: Valg af løsningsmetode

Afhængigt af den matematiske struktur kan lineær og heltaloptimering, constraint programming, dynamisk programmering eller heuristiske metoder være egnede.

Trin 5: Validering af resultater

Den beregnede løsning skal kontrolleres med hensyn til gyldighed, modelantagelser, følsomhed samt økonomisk og institutionel plausibilitet.

Trin 6: Simulere beslutninger

Ændrede budgetter, prioriteter eller begrænsninger kan føre til en ny optimal løsning. Dermed bliver matematisk optimering et redskab til interaktiv beslutningsstøtte.

06 | Videnskabelig optimering i praksis: StratePlan

StratePlan er den teknologi, som mAInthink har udviklet til matematisk optimering af komplekse investerings- og projektporteføljer.

Metoden kombinerer kombinatorisk optimering med systematisk hensyntagen til budget-, ressource- og projektafhængigheder.

Fokus ligger ikke alene på vurderingen af enkelte projekter, men på beregningen af økonomisk eller strategisk egnede projektkombinationer.

De underliggende videnskabelige discipliner omfatter især:

• Operations Research
• Kombinatorisk optimering
• Matematisk programmering
• Beslutningsvidenskab
• Preskriptiv analyse
• Optimering af ressourceallokering
• Beregningsvidenskab

For virksomheder kan økonomiske nøgletal som NPV eller andre definerede målstørrelser anvendes. For offentlige institutioner kan der i stedet modelleres vægtede nytte- og effektkriterier.

Målfunktionen og begrænsningerne tilpasses i den forbindelse til den pågældende anvendelse.

Samme projekter. Samme budget. Bedre kombinationer. Bedre resultater.

Matematisk optimering erstatter hverken ledelsens ansvar eller den politiske beslutningsmyndighed. Den udvider beslutningsgrundlaget med systematisk beregnede alternativer.

Lær StratePlan at kende →

07 | Ofte stillede spørgsmål

Hvad er forskellen mellem operations research og data science?

Operations Research fokuserer på matematisk optimering af beslutninger under begrænsninger. Data Science beskæftiger sig bredere med at udvinde indsigt fra data, herunder statistisk analyse og prognoser. Begge discipliner supplerer hinanden, især inden for preskriptiv analyse.

Er matematisk optimering det samme som kunstig intelligens?

Nej. Matematisk optimering er et selvstændigt forskningsområde med en lang videnskabelig tradition. Det kan kombineres med metoder fra kunstig intelligens, men er ikke det samme som maskinlæring.

Kan det globale optimum altid beregnes?

Ikke alle reelle optimeringsproblemer kan påviseligt løses globalt optimalt inden for praktisk anvendelige beregningstider. Beregnbarheden afhænger af problemets struktur, modellens størrelse, matematiske egenskaber og tilgængelige beregningsressourcer. Med egnede modeller og løsningsmetoder kan den globale optimalitet bevises matematisk.

Hvorfor er klassisk projektprioritering ofte ikke tilstrækkelig?

En rangordning vurderer projekter enkeltvis. Porteføljeoptimering tager desuden højde for samspillet mellem projekter samt fælles budget- og ressourcebegrænsninger. Dermed kan en anden kombination af projekter opnå en højere samlet nytteværdi.

Hvad betyder kombinatorisk optimering?

Kombinatorisk optimering undersøger udvælgelsen eller rækkefølgen af diskrete beslutningsalternativer. Typiske anvendelser er udvælgelse af projektporteføljer, ressourceplanlægning, produktionsstyring og netværksoptimering.

Hvilken rolle spiller numerisk analyse?

Numerisk analyse undersøger nøjagtighed, stabilitet og effektivitet af beregningsmæssige matematiske metoder. Den er især relevant for pålidelig implementering og evaluering af numeriske optimeringsalgoritmer.

Kan offentlige budgetter optimeres matematisk?

Ja, forudsat at mål, vurderingskriterier og begrænsninger kan formaliseres på passende vis. Lovmæssige forpligtelser, øremærkninger og politiske prioriteter skal i den forbindelse udtrykkeligt tages i betragtning. Den matematiske optimering beregner løsninger inden for disse rammer, men erstatter ikke en demokratisk beslutning.

Hvad er forskellen mellem simulering og optimering?

En simulering undersøger virkningerne af en given beslutning eller et givet scenarie. En optimering søger inden for et defineret beslutningsrum efter den bedste tilladte løsning i henhold til en målfunktion. Begge metoder kan kombineres med hinanden.

08 | Fra videnskab til bedre beslutninger

Operations Research, matematisk modellering, beslutningsvidenskab og beregningsvidenskab udgør det videnskabelige grundlag for moderne optimeringssystemer.

Deres fælles mål er at beskrive komplekse beslutningsproblemer formelt, systematisk at undersøge tilladte alternativer og på en gennemsigtig måde at forbedre kvaliteten af beslutningerne.

• For matematikere står model- og løsningskvalitet i centrum.
• For tekniske analytikere er algoritmer, regnekraft og validering afgørende.
• For CAPEX-ledere og økonomidirektører tæller den økonomiske effekt.
• For offentlige institutioner er den mest effektive anvendelse af begrænsede midler i forgrunden.

Forskellige perspektiver. Fælles matematiske grundlag. Beregnelige beslutningsalternativer.

StratePlan overfører disse grundlag til komplekse investerings- og projektporteføljer.

Forstå matematisk optimering. Beregn det økonomiske potentiale.

Oplev StratePlan nu →