Operations Research: Hvordan matematik optimerer komplekse beslutninger

Fra videnskabelig beslutningsanalyse over kombinatorisk optimering til moderne beslutningsintelligens

Fagartikel | mAInthink Insights | Videnskab & metoder

Virksomheder, offentlige institutioner og investorer står over for en grundlæggende udfordring: De skal træffe beslutninger, hvis økonomiske eller samfundsmæssige virkning ikke alene afhænger af enkelte tiltag, men af samspillet mellem talrige alternativer.

Hvilke investeringer skal finansieres? Hvilke projekter skaber tilsammen den største værditilvækst? Hvordan kan begrænsede ressourcer fordeles optimalt? Og hvordan ændrer den bedste beslutning sig, når budgetter, prioriteter eller rammebetingelser justeres?

Det traditionelle svar består ofte af vurderinger, prioriteringslister, business cases og ledelsesbeslutninger.

Operations Research følger en anden tilgang:

Ikke blot at vurdere enkelte alternativer, men matematisk at bestemme den bedst mulige kombination af alle tilladte beslutninger.

Denne disciplin har i årtier dannet et videnskabeligt grundlag for optimering af komplekse økonomiske, tekniske og organisatoriske systemer.

I dag får den en ny praktisk betydning takket være kraftfulde optimeringsalgoritmer, parallelle beregningsmetoder, kunstig intelligens og interaktive beslutningsplatforme.

Indholdsfortegnelse

1. Hvad er operations research?
2. Den videnskabelige udvikling af operations research
3. Hvilke problemer løser operations research?
4. De matematiske grundlag
5. Kombinatorisk optimering og eksponentiel kompleksitet
6. De vigtigste optimeringsmetoder
7. Global optimalitet: Hvad der kan bevises matematisk
8. Porteføljeoptimering i stedet for klassisk prioritering
9. Flerperiodplanlægning og ressourcebegrænsninger
10. Multi-objektiv optimering og konkurrerende mål
11. Operations Research under usikkerhed
12. Operations Research, AI og beslutningsintelligens
13. Operations Research i virksomheder og den offentlige sektor
14. Begrænsninger og forudsætninger for matematisk optimering
15. Fra den matematiske løsning til den praktiske beslutning
16. Ofte stillede spørgsmål
17. Konklusion og videnskabelig indplacering

1. Hvad er operations research?

Operations Research, ofte benævnt OR eller i det britiske sprogområde Operational Research, er en tværfaglig videnskabelig disciplin til analyse og optimering af komplekse beslutningsproblemer.

Den kombinerer især:

• Anvendt matematik
• Matematisk optimering
• Sandsynlighedsteori og statistik
• Databehandling og algoritmeteori
• Økonomi
• Systemanalyse og beslutningsvidenskab

Det centrale mål er at modellere beslutningsproblemer på en sådan måde, at forskellige handlingsalternativer kan undersøges systematisk og optimeres ud fra definerede målværdier.

I modsætning til rent beskrivende analysemetoder besvarer operationsanalyse ikke udelukkende spørgsmålet om, hvad der sker i et system.

Den undersøger, hvilke beslutninger der bør træffes under de givne betingelser for bedst muligt at nå et defineret mål.

En virksomhed kan f.eks. vide, hvilke af dens investeringsprojekter der forventes at give et positivt afkast.

Det betyder dog ikke nødvendigvis, hvilken kombination af disse projekter der skaber den største økonomiske værdi inden for et begrænset samlet budget.

Det er netop her, et klassisk operations research-problem begynder.

2. Den videnskabelige udvikling af operations research

Den moderne udvikling af operations research begyndte især under Anden Verdenskrig.

Forskere fra forskellige discipliner undersøgte dengang komplekse operationelle problemstillinger, for eksempel effektiv anvendelse af begrænsede ressourcer, koordinering af logistiske processer og optimering af militære systemer.

Efter krigen blev de udviklede metoder i stigende grad overført til industrielle og økonomiske problemstillinger.

En væsentlig milepæl var udviklingen af simplex-metoden af George B. Dantzig i 1947.

Dermed blev lineær optimering et vigtigt redskab inden for matematisk beslutningsstøtte.

I de følgende årtier opstod der yderligere vigtige metoder:

• Dynamisk programmering
• Heltals- og blandet-heltalsoptimering
• Branch-and-Bound
• Netværksoptimering
• Stokastisk optimering
• Multiobjektiv optimering
• Metaheuristiske metoder
• Robust optimering

I dag er operations research en internationalt etableret forskningsdisciplin.

Vigtige videnskabelige organisationer er INFORMS, EURO, IFORS og det tyske selskab for operations research (GOR).

Operations Research er således ikke en ny form for kunstig intelligens, men et selvstændigt videnskabeligt fundament for moderne beslutningsoptimering.

3. Hvilke problemer løser operations research?

Operations Research bliver relevant overalt, hvor flere beslutningsalternativer, begrænsede ressourcer og definerbare målstørrelser mødes.

Anvendelsesområderne er derfor meget brede.

Investeringer og kapitalallokering

Hvilke investeringer skal gennemføres inden for et begrænset budget?

Optimering af projektporteføljen

Hvilken kombination af projekter skaber det største samlede økonomiske eller strategiske bidrag?

Produktionsplanlægning

Hvordan kan produktionsmængder, maskinkapaciteter og rækkefølgen af ordrer optimeres?

Optimering af forsyningskæden

Hvordan kan lagerbeholdninger, transportruter, leveringskapaciteter og produktionssteder koordineres effektivt?

Energi- og infrastrukturplanlægning

Hvilke investeringer i netværk, anlæg eller vedligeholdelsesforanstaltninger giver den største nytte med begrænsede midler?

Personale- og ressourceplanlægning

Hvordan fordeles medarbejdere, maskiner, tidsvinduer eller andre knappe ressourcer optimalt?

Offentlige budgetter

Hvilken kombination af offentlige tiltag skaber den største definerede samfundsmæssige effekt under de givne økonomiske, juridiske og politiske rammer?

Sundhedssektoren

Hvordan kan kapaciteter, behandlingsaftaler, medicinske ressourcer og forsyningsstrukturer forbedres?

På trods af de forskellige anvendelsesområder har mange af disse problemer en fælles matematisk struktur:

Der skal træffes en så god eller optimal beslutning som muligt inden for et begrænset, tilladt beslutningsrum.

4. De matematiske grundlag

Et matematisk optimeringsproblem består grundlæggende af tre elementer:

beslutningsvariabler, målfunktion og sidebetingelser.

4.1 Beslutningsvariabler

Beslutningsvariabler beskriver, hvilke beslutninger der kan træffes.

Ved en binær projektbeslutning gælder for eksempel:

Hvor:

• _xi=1: Projekt i vælges.
• _xi=0: Projekt i vælges ikke.

Andre optimeringsproblemer anvender heltal eller kontinuerlige variabler.

4.2 Målfunktion

Målfunktionen beskriver, hvilken størrelse der skal maksimeres eller minimeres.

For en portefølje med additive projektværdier lyder en forenklet maksimeringsfunktion:

Her betegner _vi det økonomiske eller strategiske værditilskud fra et projekt.

4.3 Betingelser

Virkelige beslutninger er underlagt begrænsninger.

En typisk budgetbegrænsning lyder:

Her gælder:

• _ci: Kapitalbehov for projekt i
• B: Det samlede disponible budget

Yderligere sidebetingelser kan f.eks. omfatte personaleressourcer, tekniske afhængigheder, lovmæssige krav eller tidsmæssige begrænsninger.

Det fuldstændige optimeringsproblem består således i at finde en tilladt kombination af beslutningsvariabler, der bedst muligt opfylder målfunktionen.

Denne modelstruktur danner grundlaget for talrige praktiske anvendelser inden for operationsanalyse.

5. Kombinatorisk optimering og eksponentiel kompleksitet

Et særligt vigtigt delområde inden for operationsanalyse er kombinatorisk optimering.

Den undersøger beslutningsproblemer, hvor man søger den bedste tilladte løsning blandt en endelig, ofte meget stor mængde diskrete alternativer.

Ved n uafhængige, binært valgbare projekter er antallet af teoretisk mulige kombinationer:

Heraf følger:

Disse tal beskriver i første omgang antallet af alle binære udvælgelseskombinationer, ikke antallet af faktisk tilladte porteføljer.

Budgetbegrænsninger, projektafhængigheder og andre randbetingelser kan reducere det tilladte løsningsrum betydeligt.

Det teoretiske antal mulige kombinationer illustrerer ikke desto mindre problemets størrelsesorden.

En fuldstændig manuel vurdering af alle alternativer er praktisk taget umulig, selv ved relativt små porteføljer.

Eksponentiel kompleksitet betyder ikke, at hver kombination skal undersøges enkeltvis

Moderne optimeringsalgoritmer kan udelukke store dele af beslutningsrummet uden at evaluere hver enkelt kombination fuldstændigt.

Til dette formål anvender de matematiske grænser, relaxeringer, problemets strukturelle egenskaber og intelligente søgestrategier.

Derfor kan en optimeringsmetode under passende betingelser også løse meget store kombinatoriske beslutningsproblemer effektivt.

Eksistensen af effektive algoritmer garanterer dog ikke, at ethvert vilkårligt problem kan løses globalt optimalt inden for kort tid.

Den faktiske beregningskompleksitet afhænger blandt andet af modelstrukturen, randbetingelserne, problemets størrelse og den anvendte løsningsmetode.

6. De vigtigste optimeringsmetoder

Operations Research omfatter forskellige matematiske løsningsmetoder.

Hvilken metode der er egnet, afhænger af beslutningsproblemets struktur.

6.1 Lineær programmering

Lineær optimering behandler problemer med lineære målfunktioner og lineære sidebetingelser.

Den anvendes for eksempel til produktions-, transport- og ressourceplanlægning.

6.2 Heltalsoptimering

Heltalsoptimering tager højde for beslutningsvariabler, der kun må antage heltalsværdier.

Dette er især relevant ved diskrete beslutninger, f.eks. når projekter enten vælges fuldt ud eller udelukkes helt.

6.3 Blandet heltal-lineær programmering

Blandet-heltalslinær programmering, forkortet MILP, kombinerer kontinuerlige og heltalsbeslutningsvariabler inden for en lineær model.

Derved kan man f.eks. knytte investeringsbeslutninger til kontinuerlige budget- eller kapacitetsstørrelser.

6.4 Branch-and-Bound

Branch-and-Bound opdeler beslutningsrummet systematisk i delproblemer.

Ved hjælp af matematiske grænser kan det fastslås, hvilke delrum der ikke længere kan indeholde en bedre løsning.

Disse delrum behøver derefter ikke at blive undersøgt yderligere.

6.5 Branch-and-Cut

Branch-and-Cut udvider Branch-and-Bound med yderligere gyldige uligheder, de såkaldte cutting planes.

Disse kan skærpe de matematiske afslapninger og fremskynde søgningen efter optimale løsninger.

6.6 Dynamisk programmering

Dynamisk programmering opdeler egnede problemer i indbyrdes forbundne delproblemer.

Den anvendes blandt andet i sekventielle beslutningsproblemer, lagerplanlægning og visse ressourceallokeringsproblemer.

6.7 Heuristikker og metaheuristikker

Heuristiske metoder søger effektivt efter gode, gyldige løsninger uden i princippet at garantere et bevis for global optimalitet.

Kendte eksempler er:

• Genetiske algoritmer
• Simuleret annealing
• Tabu-søgning
• Lokal søgning

Disse metoder kan især være nyttige ved store eller komplekst strukturerede problemer.

6.8 Hybride optimeringsmetoder

Hybride tilgange kombinerer forskellige metoder.

For eksempel kan heuristiske metoder i første omgang generere lovlige løsninger af høj kvalitet, mens eksakte metoder derefter forsøger at forbedre disse løsninger eller bevise deres optimalitet.

Maskinlæring kan også anvendes til udvælgelse af søgestrategier, til prognoser af parametre eller til at fremskynde enkelte trin i løsningsprocessen.

Hvilke fordele sådanne kombinationer rent faktisk giver, skal undersøges ved hjælp af egnede benchmarks.

7. Global optimalitet: Hvad der kan bevises matematisk

En central styrke ved matematisk optimering er, at man under bestemte forudsætninger ikke blot kan finde en god løsning, men også kan bevise dens globale optimalitet.

En globalt optimal løsning har den bedst mulige målfunktionsværdi inden for det definerede tilladte løsningsrum.

Formelt gælder følgende for et maksimeringsproblem:

Hvor:

• X: Mængden af alle tilladte løsninger
• x^*: den globalt optimale løsning
• f(x): målfunktionsværdien for en løsning

Beviset for global optimalitet kan f.eks. udføres ved hjælp af matematiske grænser.

Optimalitetskløften

Ved blandede heltaloptimeringer betragtes ofte forskellen mellem den bedste fundne tilladte løsning og en gyldig grænse for det globale optimum.

For et maksimeringsproblem med en positiv bedste målfunktionsværdi kan et relativt optimalitetsgab f.eks. defineres som følger:

Hvor:

• LB: værdien af den bedste tilladte løsning, der hidtil er fundet
• UB: gyldig øvre grænse for det globale optimum

Et gap på nul betyder ved nøjagtig beregning, at den globale optimalitet er påvist.

Praktiske solvere tager højde for numeriske tolerancer og definerede afbrydelseskriterier.

Et lille gap kan desuden betyde, at den fundne løsning allerede ligger meget tæt på den teoretisk bedst mulige målfunktionsværdi.

En afgørende videnskabelig begrænsning

Et globalt optimum er altid et optimum i den matematiske model – ikke nødvendigvis den objektivt bedste beslutning i den virkelige verden.

Hvis inddataene er ufuldstændige, forudsætningerne om nytteværdien er forkerte, eller relevante sidebetingelser ikke er taget i betragtning, kan en matematisk optimal løsning være økonomisk uegnet.

Derfor er modelvalidering, følsomhedsanalyser og gennemgang af de underliggende antagelser uundværlige elementer i en seriøs optimering.

8. Porteføljeoptimering i stedet for klassisk prioritering

Et særligt relevant anvendelsesområde er optimering af investerings- og projektporteføljer.

Traditionelle porteføljemetoder vurderer ofte projekter enkeltvis.

Dette resulterer i en rangordning, f.eks. baseret på ROI, NPV, strategisk betydning eller vægtede vurderingskriterier.

En sådan prioritering besvarer spørgsmålet:

Hvilket enkeltprojekt fremstår som særligt attraktivt?

Den besvarer dog ikke nødvendigvis:

Hvilken kombination af alle tilgængelige projekter skaber den højeste samlede værdi under de eksisterende begrænsninger?

Et forenklet eksempel

En virksomhed råder over et investeringsbudget på 10 millioner euro.

Der er fire projekter at vælge imellem:

Hvis man prioriterer ud fra den absolutte NPV, kommer projekt A på førstepladsen.

Hvis A vælges, kan det resterende budget på 4 millioner euro bruges til at finansiere enten projekt C eller projekt D.

Kombinationen A + C opnår en samlet NPV på 16 millioner euro ved et budgetforbrug på 10 millioner euro og er i dette eksempel den bedste tilladte kombination.

Den ligeledes tilladte kombination B + C opnår en NPV på 15 millioner euro ved en kapitalindsats på 9 millioner euro.

I dette eksempel er A + C faktisk optimal.

Det betyder dog ikke, at rangordningen nødvendigvis er forkert.

Eksemplet viser snarere, at den optimale porteføljebeslutning opstår gennem en sammenligning af tilladte kombinationer og ikke alene følger af en isoleret projektvurdering.

Selv små ændringer i projektværdier, budgetter eller afhængigheder kan føre til, at den bedste kombination ikke længere består af de højest rangerede enkeltprojekter.

Hvorfor ROI-maksimering kræver særlig omhu

Maksimering af den samlede NPV er ikke det samme som maksimering af en portefølje-ROI.

Hvis portefølje-ROI defineres som forholdet mellem den samlede nettoindtægt og den samlede kapitalindsats, opstår der en anden målfunktion:

En sådan forholdsoptimering adskiller sig matematisk fra maksimeringen af en additiv samlet værdi.

Desuden kan en ren ROI-maksimering favorisere meget små porteføljer.

Derfor skal det før enhver optimering afklares, om det f.eks. er den samlede NPV, ROI, den strategiske nytte eller en anden målværdi, der skal maksimeres.

Definitionen af målfunktionen er i sig selv en væsentlig ledelsesbeslutning.

9. Flerårig planlægning og ressourcebegrænsninger

Virkelige investeringsbeslutninger strækker sig ofte over flere regnskabsår.

Et projekt kan for eksempel kræve store investeringer i det første år, binde yderligere ressourcer i det andet år og først senere generere økonomisk afkast.

En passende matematisk modellering skal tage højde for denne tidsmæssige struktur.

For en forenklet porteføljeudvælgelse over flere perioder kan følgende gælde:

under:

Hvor:

• _cit: Kapitalbehov for projekt i i periode t
• _Bt: det disponible budget i periode t

Derudover kan ressourcebegrænsninger modelleres:

Her betegner _airt et projekts ressourcebehov for ressource r i periode t.

Projektafhængigheder

Også logiske relationer mellem projekter kan udtrykkes matematisk.

Hvis projekt B kun må gennemføres, hvis projekt A er blevet valgt:

Hvis to projekter ikke må gennemføres samtidigt:

Hvis et projekt skal gennemføres uanset hvad:

Sådanne begrænsninger er væsentlige, fordi den reelle kvalitet af en investeringsportefølje ofte ikke kun bestemmes af budgettet, men af talrige tekniske, organisatoriske og strategiske afhængigheder.

10. Multi-objektiv optimering og konkurrerende mål

Mange virkelige beslutningsproblemer har ikke kun én enkelt målværdi.

En virksomhed ønsker for eksempel samtidig at:

• Maksimere det økonomiske værditilskud
• begrænse risici
• Reducere CO₂-udledningen
• Nå strategiske mål
• Undgå ressourceknaphed

Disse mål kan være i konflikt med hinanden.

Multi-Objective Optimization undersøger derfor beslutninger med flere målfunktioner.

Formelt kan et sådant problem udtrykkes som:

hvor:

Vægtede målfunktioner

En mulighed er at sammenfatte flere normaliserede målstørrelser til en vægtet samlet funktion:

Her repræsenterer _wj vægtningen af den pågældende målvariabel.

Vægtningerne skal være fagligt begrundede.

Pareto-optimalitet

En anden mulighed er at bestemme Pareto-optimale løsninger.

En løsning er Pareto-optimal, hvis der ikke findes nogen anden tilladt løsning, der er mindst lige så god med hensyn til alle målværdier og strengt bedre med hensyn til mindst én målværdi.

Dette resulterer ofte ikke i en enkelt, entydigt bedste beslutning, men i en række effektive alternativer.

Ledelsen skal derefter beslutte, hvilke målkonflikter der er acceptable.

Operations Research erstatter således ikke det strategiske ansvar.

Det gør det muligt at undersøge konsekvenserne af forskellige præferencer matematisk.

11. Operations Research under usikkerhed

Ikke alle relevante beslutningsfaktorer er kendt på beslutningstidspunktet.

Fremtidige indtægter, projektomkostninger, ressourcetilgængelighed og markedsforhold kan være usikre.

Den klassiske deterministiske optimeringsmodel arbejder med faste parametre.

For usikre beslutningsproblemer findes der yderligere metodiske tilgange.

Stokastisk optimering

Den stokastiske optimering tager højde for tilfældige størrelser og eventuelt forskellige fremtidsscenarier.

Her kan der f.eks. tages højde for forventede værdier, risikomål eller beslutninger på flere niveauer.

Robust optimering

Robust optimering søger løsninger, der forbliver gyldige eller effektive, selv under definerede ugunstige parameterafvigelser.

Scenarieanalyse

Scenarieanalysen undersøger, hvordan optimale beslutninger ændrer sig under forskellige antagelser.

Følsomhedsanalyse

Følsomhedsanalysen undersøger, hvor følsomme resultaterne er over for ændringer i enkelte indgangsparametre.

Disse metoder er især relevante ved langsigtede investeringsbeslutninger.

En matematisk optimeret portefølje bør derfor ikke udelukkende vurderes ud fra dens resultat under en enkelt fremtidsantagelse.

Lige så vigtigt er spørgsmålet om, hvor stabil beslutningen forbliver under plausible ændringer.

12. Operations Research, kunstig intelligens og beslutningsintelligens

Operations Research, kunstig intelligens og beslutningsintelligens er beslægtede begreber, men ikke identiske.

Operations Research

Operations Research leverer matematiske metoder til modellering og optimering af beslutningsproblemer.

Kunstig intelligens

Kunstig intelligens omfatter forskellige metoder, for eksempel maskinlæring, mønstergenkendelse, sprogbehandling og automatiserede beslutningsprocesser.

Beslutningsintelligens

Beslutningsintelligens kombinerer data, beslutningsmodeller, analytiske metoder og organisatoriske beslutningsprocesser.

Målet er at forbedre beslutningernes kvalitet, gennemsigtighed og praktiske gennemførlighed.

Sammenhængen

Et muligt samspil består i, at maskinlæring først forudsiger fremtidige projektomkostninger eller -indtægter.

Derefter kan en operations research-model beregne, hvilken projektkombination der er optimal under de forudsagte betingelser.

Endelig præsenterer en Decision Intelligence-applikation resultaterne på en sådan måde, at beslutningstagere kan sammenligne alternativer, ændre antagelser og forstå konsekvenserne.

De tre tilgange udfylder dermed forskellige, komplementære funktioner.

Kunstig intelligens kan bidrage til at forbedre beslutningsgrundlaget. Operations Research kan matematisk optimere passende beslutninger. Decision Intelligence kan integrere disse indsigter i reelle beslutningsprocesser.

Denne rollefordeling er en mulig arkitekturmodel, ikke en universel afgrænsning af alle metoder.

13. Operations Research i virksomheder og den offentlige sektor

De matematiske grundlag for operations research er relevante for både beslutninger i den private sektor og i den offentlige sektor.

13.1 Industrivirksomheder

Industrivirksomheder skal ofte koordinere talrige investeringsprojekter på tværs af lokationer, produktionslinjer og forretningsområder.

De enkelte projekter konkurrerer om kapital, personale og tekniske kapaciteter.

En matematisk porteføljeoptimering kan undersøge, hvilken kombination der under disse betingelser skaber den højeste definerede samlede værdi.

13.2 Energivirksomheder

Energivirksomheder står over for komplekse investeringsbeslutninger vedrørende net, produktionsanlæg, vedligeholdelse og infrastruktur.

Her skal der tages højde for tekniske afhængigheder, forsyningssikkerhed, ressourcer og langsigtede planlægningsperioder.

13.3 Lægemiddelindustrien

Forsknings- og udviklingsporteføljer indeholder projekter med forskellige sandsynligheder for succes, omkostningsstrukturer og udviklingstider.

Operations research-modeller kan være til hjælp ved udvælgelsen og den tidsmæssige koordinering af sådanne porteføljer.

13.4 Ejendomsbranchen

I store ejendomsporteføljer kan investerings-, renoverings- og udviklingsforanstaltninger konkurrere indbyrdes.

Den optimale kombination afhænger af kapitalbehov, værdiskabelse, tidsplanlægning og eventuelle afhængigheder.

13.5 Offentlige budgetter

Også statslige budget- og investeringsbeslutninger har matematiske allokeringsstrukturer.

Offentlige beslutninger adskiller sig dog på et væsentligt punkt fra investeringsbeslutninger i den private sektor:

Den samfundsmæssige nytte kan ikke altid umiddelbart udtrykkes som et økonomisk afkast.

I stedet kan man f.eks. tage højde for forsyningskvalitet, infrastrukturens tilstand, klimapåvirkning, social tilgængelighed eller andre offentlige måltal.

Til dette formål skal der udvikles egnede nyttekriterier, som skal operationaliseres og vægtes på en gennemsigtig måde.

Lovmæssige forpligtelser, formålsbestemte midler og politiske beslutningskompetencer forbliver bindende rammebetingelser.

Matematisk optimering kan understøtte offentlige beslutninger, men kan ikke erstatte demokratisk legitimitet og politisk ansvar.

14. Begrænsninger og forudsætninger for matematisk optimering

Operations Research er effektivt, men er ingen universel garanti for rigtige beslutninger.

Resultaternes kvalitet afhænger af flere faktorer.

Modelkvalitet

Den matematiske model skal afspejle de beslutningsrelevante sammenhænge tilstrækkeligt korrekt.

Datakvalitet

Ufuldstændige eller fejlbehæftede data kan føre til uegnede resultater.

Målfunktionens kvalitet

En matematisk metode optimerer den definerede målfunktion – uanset om denne fuldt ud repræsenterer en organisations faktiske mål.

Regnekompleksitet

Visse optimeringsproblemer er beregningsmæssigt vanskelige.

Ikke alle problemer kan løses globalt optimalt inden for en given tid.

Usikkerhed

Resultaterne kan reagere følsomt på fremtidige udviklinger eller usikre parametre.

Organisatorisk gennemførlighed

En matematisk attraktiv beslutning kan medføre praktiske vanskeligheder, hvis der ikke er taget tilstrækkeligt hensyn til organisatoriske, politiske eller kulturelle forhold.

Heraf følger:

Matematisk optimalitet, økonomisk hensigtsmæssighed og organisatorisk gennemførlighed hænger sammen, men er ikke identiske.

En professionel optimeringsproces skal tage højde for alle tre dimensioner.

15. Fra den matematiske løsning til den konkrete beslutning

De videnskabelige metoder inden for operationsanalyse har været kendt i årtier.

En væsentlig udfordring ligger imidlertid i deres praktiske integration i ledelsesprocesser.

Traditionelt udvikles og beregnes optimeringsmodeller ofte af specialiserede fagafdelinger og stilles derefter til rådighed som beslutningsgrundlag.

Moderne Decision Intelligence-applikationer følger en mere interaktiv tilgang.

Beslutningstagere kan for eksempel:

1. ændre budgetter eller ressourcebegrænsninger.
2. Valge projekter, der skal medtages eller udelukkes.
3. Justere strategiske vægtninger.
4. Beregne alternative scenarier.
5. Sammenligne de økonomiske konsekvenser af forskellige porteføljekombinationer.

Derved kan en engangsoptimering udvikle sig til en iterativ beslutningsproces.

StratePlan som specialiseret applikation

StratePlan, mAInthink GmbH's Decision Intelligence-teknologi, er især rettet mod den matematiske optimering af investerings- og projektporteføljer.

Applikationen kombinerer kombinatorisk optimering med en interaktiv undersøgelse af afhængigheder mellem budget, ressourcer og projekter.

Et af hovedfokusområderne er muligheden for straks at genberegne porteføljebeslutninger i ledelses- og beslutningsorganer.

Den underliggende problemklasse hører til operations research, især til diskret portefølje- og ressourceallokering.

StratePlan skal derfor betragtes som en specialiseret applikation til matematisk beslutningsoptimering og ikke automatisk som en universel løsningsmodel til alle operations research-problemer.

Hvilke optimalitetsgarantier, beregningstider og modelklasser der understøttes, afhænger af den konkrete tekniske implementering og de respektive problemstillinger.

Den økonomiske merværdi ligger i muligheden for at udnytte matematisk optimering i reelle strategiske beslutningsprocesser.

16. Ofte stillede spørgsmål

Er operationsanalyse en form for kunstig intelligens?

Ikke nødvendigvis. Operations Research er en selvstændig videnskabelig disciplin med matematiske optimerings-, simulerings- og beslutningsmetoder. Der er dog talrige overlapninger og kombinationsmuligheder med kunstig intelligens.

Hvad er forskellen mellem operationsanalyse og matematisk optimering?

Matematisk optimering er et centralt metodisk delområde inden for operations research. Operations research omfatter desuden eksempelvis simulering, køteori, stokastisk modellering og andre metoder til beslutningsanalyse.

Hvad er kombinatorisk optimering?

Kombinatorisk optimering undersøger udvælgelsen eller rækkefølgen af diskrete alternativer under definerede betingelser. Typiske eksempler er udvælgelse af projektporteføljer, ruteplanlægning, tildelingsproblemer og visse planlægningsproblemer.

Kan operationsanalyse beregne et globalt optimum?

Ja, for egnede matematiske modeller og med passende løsningsmetoder kan global optimalitet påvises. Dette er dog ikke garanteret for hver problemklasse eller hver given beregningstid.

Hvorfor er klassisk projektprioritering ikke altid tilstrækkelig?

En rangordning vurderer de enkelte projekter. En porteføljeoptimering undersøger derimod den samlede effekt af tilladte projektkombinationer. Den bedste kombination består ikke nødvendigvis af de højest rangerede enkeltprojekter.

Hvad er forskellen mellem simulering og optimering?

En simulering undersøger, hvilke resultater der kan opstå under bestemte antagelser og beslutninger.

En optimering søger inden for et defineret beslutningsrum efter løsninger, der bedst muligt opfylder en målfunktion.

Begge tilgange kan kombineres.

Hvad betyder NP-hard?

NP-hard betegner en klasse af beregningsmæssigt vanskelige problemer, som omfatter talrige kombinatoriske optimeringsproblemer.

For disse problemer kendes der ingen generel algoritme, der optimalt løser alle forekomster på polynomisk tid. Det betyder dog ikke, at hver eneste praktiske forekomst nødvendigvis er vanskelig.

Kan virksomheder anvende operationsanalyse uden en egen matematikafdeling?

Ja. Specialiseret software og beslutningsintelligens-applikationer kan gøre matematisk modellering og optimering tilgængelig for faglige brugere.

Det afgørende er stadig den korrekte formulering af problemet, pålidelige inddata og den faglige validering af resultaterne.

Er StratePlan en operations research-applikation?

Ja. Den matematiske optimering af investerings- og projektporteføljer hører under operations research.

StratePlan adresserer især kombinatoriske udvælgelses- og allokeringsproblemer under definerede begrænsninger.

17. Konklusion: Operations Research som videnskabeligt grundlag for bedre beslutninger

Operations Research viser, at komplekse beslutninger ikke udelukkende behøver at baseres på erfaring, intuition eller isolerede enkeltvurderinger.

Mange økonomiske, tekniske og offentlige beslutningsproblemer kan modelleres matematisk og optimeres systematisk.

Denne tilgang bliver særlig relevant, når der er mange konkurrerende alternativer, ressourcerne er begrænsede, og der skal tages højde for afhængigheder.

Den centrale erkendelse er:

Kvaliteten af de enkelte projekter bestemmer ikke nødvendigvis kvaliteten af den samlede portefølje. Det afgørende er den kombination, der under de faktiske begrænsninger skaber den højeste definerede samlede værdi.

Operations Research leverer de videnskabelige metoder til at undersøge sådanne sammenhænge.

Matematiske optimeringsmetoder gør det muligt at søge efter løsninger af høj kvalitet og – under passende forudsætninger – løsninger, der påviseligt er globalt optimale.

Decision Intelligence kan omsætte disse resultater til gennemsigtige, interaktive beslutningsprocesser.

Dermed skabes der en forbindelse mellem årtiers matematisk forskning og de praktiske krav i moderne virksomhedsledelse.

Operations Research gør det muligt at analysere komplekse beslutningsproblemer matematisk. Decision Intelligence gør resultaterne anvendelige for beslutningstagere.

Yderligere videnskabelige kilder

Faglige foreninger og grundlæggende principper

• INFORMS – Operations Research & Analytics: https://www.informs.org/Explore/Operations-Research-Analytics
• EURO – Association of European Operational Research Societies: https://www.euro-online.org/
• Gesellschaft für Operations Research (GOR): https://www.gor-ev.de/

Videnskabelige standardværker

• Hillier, F. S. & Lieberman, G. J.: Introduction to Operations Research.
• Bertsimas, D. & Tsitsiklis, J. N.: Introduction to Linear Optimization.
• Nemhauser, G. L. & Wolsey, L. A.: Integer and Combinatorial Optimization.
• Ehrgott, M.: Multikriterieoptimering.
• Birge, J. R. & Louveaux, F.: Introduction to Stochastic Programming.

Teknisk fordybelse

• Gurobi – Mixed-Integer Programming: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi – Beviselig optimalitet: https://www.gurobi.com/resources/blog/provable-optimality

Oplev operations research i praksis

Matematisk optimering behøver ikke at være begrænset til videnskabelige modeller.

Oplev, hvordan StratePlan gør optimering af komplekse investerings- og projektporteføljer tilgængelig for konkrete ledelsesbeslutninger.

CTA: Matematisk optimering af porteføljer →

StratePlan | Operations Research møder Decision Intelligence.

Samme projekter. Samme budget. Bedre kombinationer. Bedre beslutninger.