Forstå matematikken bag StratePlan: Hvorfor bedre beslutninger kræver en anden beregningslogik

Mange investerings- og prioriteringsbeslutninger ligner en "liste over projekter". Matematisk set er de noget andet: et kombinatorisk beslutningsrum, der vokser eksponentielt med hver ekstra mulighed. Hvis du ikke modellerer dette rum, kan du ikke optimere det.

Hvem er denne side til?

C-level og tilsynsorganer: for at forstå, hvorfor "gode individuelle projekter" ikke automatisk resulterer i den bedste portefølje.
CFO/Controlling: for at formalisere mulighedsomkostninger og begrænsninger (budget, risiko, ESG, kapacitet).
Denoffentlige sektor: For at forstå, hvorfor finansieringslogik, afdelingstænkning og valgcyklusser strukturelt fører til suboptimale porteføljer.

Kerneproblemet: Rummet for beslutningstagning vokser eksponentielt

Hvert ekstra projekt skaber ikke "et punkt mere" på en liste, men en ny dimension i løsningsrummet. Antallet af mulige porteføljekombinationer følger logikken 2ⁿ:

10 projekter → 2^10 = 1.024 kombinationer
20 projekter → 2^20 = 1.048.576 kombinationer
50 projekter → 2^50 ≈ 1,125 kvadrillioner kombinationer

Dette er det punkt, hvor klassiske udvalgsprocesser, Excel-logik og heuristikker når en matematisk grænse.

Lokalt vs. globalt optimum

Lokalt optimum betyder: en løsning, der fungerer bedre end indlysende alternativer.

Globalt optimum betyder: den bedste løsning i hele beslutningsrummet.

Mange organisationer forbedrer lokale beslutninger (bedre resultater, bedre business cases) uden at beregne det samlede beslutningsrum. Som følge heraf forbliver de bedste kombinationer ofte usynlige.

Hvorfor heuristikker er strukturelt ufuldstændige

Typiske regler og begrænsninger fra kommunale og erhvervsmæssige beslutningsprocesser som "top 5 i henhold til NPV", "IRR > WACC", "tilbagebetaling < 3 år" eller "strategiske fyrtårne først" er operationelt forståelige. Matematisk set har de en svaghed: De evaluerer projekterne isoleret og ikke som en indbyrdes afhængig portefølje.

Et projekt med en lav individuel værdi kan generere den højeste samlede effekt i kombination med andre projekter. Et projekt med en høj individuel værdi kan fortrænge bedre kombinationer, hvis der gælder restriktioner.

Løsningen: Formel modellering i stedet for mavefornemmelse

Beslutningsmatematik begynder med, at en portefølje formuleres som en model:

Beslutningsvariabler: _xi ∈ {0,1} (projektet vælges eller ej)
Målfunktion: f.eks. maksimering af total værdi, effekt, NPV, nytteindeks
Sekundære betingelser: Budget, kapacitet, risiko, CO₂, minimumskvoter, afhængigheder og mange flere...

En simpel model (forenklet)

Maksimer:
∑ _(værdii × _xi)

under:
∑ _(costi × _xi) ≤ budget
∑ _(emissioni × _xi) ≤ CO₂-grænse
_xi ∈ {0,1}

Dette grundlæggende princip svarer til et (multi)restriktivt Knapsack-problem og danner grundlag for reelle porteføljemodeller med flere dimensioner og indbyrdes afhængigheder.

Hvad du vil lære på denne platform

Hvorfor 2ⁿer det virkelige "usynlige rum" bag porteføljebeslutninger
Hvordan begrænsninger dominerer beslutninger (budget, kapacitet, ESG, risiko)
Hvorfor "prioritering" ikke er det samme som "optimering"
Hvordan mulighedsomkostninger kan visualiseres ex ante
Hvordan man omdanner data til en model, der kan træffe beslutninger

Grundlæggende: beslutningsrum og optimering

Det matematiske grundlag: 2^n lokale vs. globale optima, restriktioner, målfunktioner og modellogik.

Matematisk dyk: De 5 byggesten, der virkelig tæller

Beslutningsvariabler: Hvilke valgmuligheder findes der _(xi)?
Målvariabel: Hvad maksimeres (værdi, effekt, NPV, fordel)?
Begrænsninger: Hvad begrænser rummet (budget, CO₂, kapacitet, risiko, kvoter)?
Indbyrdes afhængighed: Hvilke projekter betinger eller forhindrer andre?
Optimering: Hvordan kan man finde den bedste kombination i hele rummet?

Projekter forsvinder ikke - de placeres bedre og planlægges optimalt over flere år

I et matematisk optimeret investeringssystem bliver projekter ikke kasseret. I stedet bliver de omprioriteret, udskudt eller strategisk omplaceret, så de yder det maksimale økonomiske bidrag til den samlede portefølje på det optimale tidspunkt under givne budget-, kapacitets- og risikorestriktioner maksimere deres økonomiske bidrag til den samlede portefølje.

Den afgørende faktor her er det flerårige perspektiv. Investeringsbeslutninger træffes ikke isoleret for et enkelt år, men optimeres i forbindelse med 2-, 3-, 5- eller 10-årsplaner.

Likviditet, der genereres ved optimering i startåret, overføres systematisk til det følgende år år. Dette øger det tilgængelige investeringsbudget for den næste periode. Dette efterfølgende år optimeres så også igen.

Effekten: Projekter kan tilføjes, så snart de passer ind i den globalt optimerede portefølje under de nye budget-, kapacitets- og afkastbetingelser, Kapacitet og afkastforhold passer ind i den globalt optimerede portefølje. Dette skaber en dynamisk flerårig optimering, hvor hver optimeringsperiode Optimeringsperiode strukturelt forbedrer investeringsmulighederne for de følgende år.

Den sidste tanke

Enhver, der ikke beregner beslutningsrummet, håndterer kompleksitet - og optimerer ikke. At forstå matematik betyder her ikke at "lære formler", men at modellere beslutningsstrukturen på en sådan måde, at det globale optimum overhovedet kan blive synligt.

Visualisering af et 2^50 beslutningsrum:

Visualiseringen viser 2^50-beslutningsrummet for en stor global virksomhed ved hjælp af eksemplet med 50 projekter med begrænsede budgetter. Det underliggende beslutningsrum er domæneuafhængigt og kan anvendes på samme måde på kommunale projekter, budgetbeslutninger og infrastrukturporteføljer.

2^50 mulige kombinationer svarer til en størrelsesorden, der er større end antallet af stjerner i over 2.800 Mælkeveje.

Denne dimension gør det klart: Uden algoritmisk optimering er udvælgelsen faktisk baseret på heuristiske tilnærmelser - ikke på en fuldstændig beregning af det globale optimum.