INDBLIK | OPERATIONS RESEARCH & FORRETNINGSSTYRING
Operations Research i ledelsen: Matematisk optimering direkte i bestyrelsesmødet
Hvordan operations research, matematisk porteføljeoptimering og live-simulering ændrer strategiske investeringsbeslutninger – fra CAPEX-planlægning til bestyrelseslokalet.
Virksomheder investerer betydelige midler i vurdering, prioritering og planlægning af deres projekter. Alligevel forbliver et centralt spørgsmål ofte ubesvaret: Er den valgte kombination af investeringsprojekter under de givne budget-, ressource- og afhængighedsbegrænsninger virkelig den bedste?
Det er netop her, operations research (OR) kommer ind i billedet. Den videnskabelige disciplin undersøger, hvordan komplekse beslutningsproblemer kan modelleres og optimeres matematisk.
Mens operations research i årtier har været anvendt inden for produktion, logistik, trafikplanlægning og ressourceallokering, åbner integrationen i strategiske ledelsesprocesser op for yderligere anvendelsesmuligheder: matematisk optimering lige dér, hvor investeringsbeslutningerne træffes – i bestyrelseslokalet.
Dermed bliver en analyse, der ofte foregår på et tidligere trin, til et interaktivt redskab i virksomhedsledelsen.
1. Hvad er operations research inden for ledelse?
Operations Research er den videnskabelige disciplin, der beskæftiger sig med matematisk analyse og optimering af komplekse beslutningsproblemer. Den anvender blandt andet matematisk programmering, kombinatorisk optimering, simulering, stokastiske modeller og algoritmiske metoder til at finde de bedst mulige eller påviseligt optimale løsninger under definerede betingelser.
Inden for virksomhedsledelse betyder dette, at strategiske og operationelle beslutninger ikke udelukkende skal baseres på erfaringer, ranglister eller isolerede rentabilitetsberegninger, men at man systematisk skal tage højde for samspillet mellem de tilgængelige handlingsalternativer.
Typiske beslutningsspørgsmål lyder:
- Hvilke investeringsprojekter bør gennemføres med et begrænset CAPEX-budget?
- Hvordan kan ressourcerne fordeles optimalt på tværs af flere projekter og tidsperioder?
- Hvilken projektkombination giver den højeste modellerede økonomiske nytte?
- Hvordan påvirker yderligere begrænsninger den optimale portefølje?
- Hvilke konsekvenser har budgetnedskæringer eller ændringer i strategiske prioriteter?
Operations Research adskiller sig dermed fra rent beskrivende analyser: Den undersøger ikke blot, hvad der er sket eller kunne ske, men også, hvilket tilladt handlingsalternativ der bør foretrækkes under en defineret målfunktion.
2. Operations Research og virksomhedsledelse: To discipliner smelter sammen
Den klassiske virksomhedsledelse beskæftiger sig med strategi, virksomhedsmål, budgettering, investeringer, organisation og ledelse.
Operations Research stiller metoder til rådighed til matematisk at strukturere og optimere udvalgte ledelsesbeslutninger.
De to discipliner supplerer hinanden især i situationer, hvor der skal træffes mange indbyrdes forbundne beslutninger samtidigt.
2.1 Den klassiske adskillelse mellem analyse og beslutning
I mange virksomheder udarbejdes investeringsforslag i første omgang decentralt. Controlling- og økonomiafdelingerne konsoliderer dataene, vurderer rentabilitet og risici og udarbejder beslutningsgrundlag.
Bestyrelsen modtager derefter en prioriteret projektliste eller flere på forhånd beregnede scenarier.
Hvis en væsentlig antagelse ændrer sig under mødet, kan det blive nødvendigt at foretage en ny analyse. Dette gælder især, når budgetændringer påvirker talrige projektafhængigheder og ressourcebegrænsninger.
2.2 Fra statisk rapport til interaktiv beslutningsmodel
En matematisk optimeringsmodel kan delvist ophæve denne adskillelse.
Strategiske målværdier (indtægter og udgifter samt vægtninger/afhængigheder) og yderligere begrænsninger samles i én fælles model. Dermed kan forskellige ledelsesmæssige retningslinjer undersøges på en sammenhængende måde.
Virksomhedsledelsen træffer fortsat beslutninger om mål, antagelser og prioriteter. Optimeringsprocessen beregner passende projektkombinationer ud fra disse.
Operations Research erstatter således ikke virksomhedsledelsen. Den udvider dens analytiske beslutningsgrundlag.
3. Hvorfor projektprioritering ikke er porteføljeoptimering
Projektprioritering og porteføljeoptimering følger forskellige metodiske tilgange.
3.1 Projektprioritering vurderer enkelte projekter
Ved prioritering vurderes projekter for eksempel ud fra nutidsværdi, investeringsafkast, strategisk betydning eller en vægtet scoring og rangordnes derefter.
En sådan rangordning kan være værdifuld for beslutningstagningen. Den giver dog ikke automatisk svar på, hvilken kombination af projekter der er den bedste inden for et samlet budget.
3.2 Porteføljeoptimering ser på den samlede kombination
Den matematiske porteføljeoptimering tager samtidig højde for:
- investeringsomkostninger og disponible budgetter
- Økonomiske eller strategiske målbidrag
- Projektafhængigheder og udelukkelsesbetingelser
- Ressourcetilgængelighed og kapacitetsgrænser
- Flerårig investerings- og ressourceplanlægning
- Obligatoriske projekter og lovgivningsmæssige krav
Et højt vurderet enkeltprojekt behøver derfor ikke at være en del af den optimale samlede portefølje. Flere mindre projekter kan tilsammen opnå et højere målbidrag.
Det afgørende ledelsesspørgsmål er ikke blot: Hvilke projekter er gode? Men: Hvilken kombination er den bedste under de givne betingelser?
4. De matematiske grundlag for porteføljeoptimering
En typisk CAPEX-portefølje kan formuleres som et binært optimeringsproblem.
4.1 Beslutningsvariabler
For hvert projekt i defineres en binær variabel:
x_i ∈ {0,1}
Hvor:
x_i = 1: Projekt i vælges.x_i = 0: Projekt i vælges ikke.
4.2 Målfunktion
Hvis hvert projekt tildeles et additivt målbidrag v_i, lyder en forenklet målfunktion:
Maksimer Z = Σ(i=1 til n) v_i · x_i
Målbidraget kan f.eks. være en nutidsværdi, en monetariseret nytte eller en konsekvent defineret strategisk nytteværdi.
Ved ikke-additive effekter, risici eller interaktioner mellem projekter er der behov for tilsvarende udvidede modeller.
4.3 Budgetbegrænsning
For et tilgængeligt investeringsbudget B og projektomkostninger c_i gælder:
Σ(i=1 til n) c_i · x_i ≤ B
De udvalgte projekter må ikke overskride det definerede budget.
4.4 Afhængigheder og yderligere begrænsninger
Hvis projekt A forudsætter gennemførelsen af projekt B, kan betingelsen f.eks. lyde:
x_A ≤ x_B
Yderligere sidebetingelser kan afspejle personalkapacitet, tekniske afhængigheder, projektvarigheder eller årlige budgetgrænser.
Den matematiske model beskriver dermed et tilladt beslutningsrum, inden for hvilket en optimeringsalgoritme søger efter den bedste løsning.
4.5 Kombinatorisk kompleksitet
Ved n uafhængige binære projektbeslutninger findes der teoretisk set 2 i n mulige valgkombinationer.
For 30 projekter giver det:
2³⁰ = 1.073.741.824 mulige udvælgelseskombinationer.
Dette tal beskriver det teoretiske udvælgelsesrum, før der tages højde for begrænsninger. Det betyder ikke, at en optimeringsalgoritme skal beregne hver enkelt kombination. Moderne metoder kan systematisk udelukke store dele af søgerummet.
5. Operations Research i bestyrelseslokalet: Optimering som en del af bestyrelsesmødet
Integrationen af operations research i bestyrelseslokalet ændrer først og fremmest tidsforløbet for beslutningsstøtten.
I stedet for udelukkende at drøfte forberedte projektranglister kan virksomhedsledelsen trække på en matematisk model, der beregner alternative beslutninger på baggrund af definerede mål og begrænsninger.
5.1 Fra rapport til interaktiv analyse
En mulig fremgangsmåde omfatter fem trin:
- Datagrundlag: Investeringsprojekter, omkostninger (udgifter), nytteværdier (indtægter) og begrænsninger forberedes.
- Udgangsportfølje: Modellen beregner en tilladt og så optimal projektkombination som muligt.
- Ledelsesdiskussion: Bestyrelsen og økonomiafdelingen sætter spørgsmålstegn ved budgetgrænser, prioriteter og antagelser.
- Genberegning: De ændrede forudsætninger indarbejdes i modellen, som derefter optimeres på ny.
- Beslutning: Virksomhedsledelsen vurderer resultaterne og træffer en dokumenteret beslutning.
På denne måde kan matematisk optimering blive en interaktiv del af strategiske beslutningsprocesser.
5.2 Den menneskelige beslutnings rolle
Selv en matematisk optimalt beregnet portefølje er afhængig af modellens kvalitet.
En optimeringsalgoritme kan kun tage højde for de mål, antagelser og begrænsninger, der er indeholdt i modellen.
Det strategiske ansvar, den forretningsmæssige dømmekraft og styringen forbliver derfor hos ledelsen.
6. Live-simulering: Hvad sker der, hvis bestyrelsen ændrer sine retningslinjer?
Den praktiske nytte ved en live-optimering kommer især til udtryk, når væsentlige rammebetingelser ændrer sig under et møde.
6.1 Scenarie: CAPEX-budgettet reduceres
En virksomhed planlægger en investeringsportefølje med et budget på 20 millioner euro. Under bestyrelsesmødet besluttes det at begrænse de disponible midler til 17 millioner euro.
En simpel strækning af de senest prioriterede projekter behøver ikke at føre til den bedste tilbageværende kombination.
En optimeringsmodel kan derimod genberegne porteføljen fuldstændigt inden for den nye budgetgrænse.
6.2 Scenarie: Et projekt bliver obligatorisk
Bestyrelsen beslutter, at et projekt, der er påkrævet af lovgivningen, skal gennemføres uafhængigt af dets økonomiske vurdering.
Den nye sidebetingelse lyder for eksempel:
x_Obligatorisk_projekt = 1
Modellen tager højde for denne forudsætning og søger efter den bedste projektkombination inden for det resterende beslutningsrum.
6.3 Scenarie: Ressourcerne bliver en flaskehals
Budgettet er ikke altid den eneste afgørende begrænsning. Også tekniske specialister, produktionskapacitet eller projektledelsesressourcer kan være begrænsede.
Ved hjælp af yderligere ressourcebegrænsninger kan man undersøge, hvordan den optimale projektsammensætning ændrer sig.
Live-simuleringen gør det muligt umiddelbart at sammenligne konsekvenserne af ændrede ledelseskrav, forudsat at modellen og beregningstiderne tillader det.
7. Praksisexempel: 30 CAPEX-projekter og over en milliard teoretiske kombinationer
Lad os se på en virksomhed med 30 planlagte investeringsprojekter.
Hvert projekt har et investeringsbehov, et økonomisk målbidrag og eventuelt afhængigheder i forhold til andre projekter.
Ved binær projektudvælgelse opstår der teoretisk set mere end en milliard mulige kombinationer.
7.1 Hvorfor en rangliste i et regneark ikke er tilstrækkelig
Et regneark kan meget godt dokumentere projektomkostninger, nutidsværdier og prioriteter.
En projektliste sorteret efter ROI eller nutidsværdi er imidlertid ikke en generel algoritme til løsning af et kombinatorisk porteføljeoptimeringsproblem.
Problemet ligger ikke grundlæggende i Excel som software. Med egnede Solver-metoder kan optimeringsmodeller også løses ud fra regneark. Det afgørende er, om der rent faktisk foretages en matematisk porteføljeoptimering, eller om der blot udarbejdes en rangliste.
7.2 Regneeksempel med seks projekter
En forenklet portefølje indeholder følgende hypotetiske projekter:
| Projekt | Investering | Nuværdi |
|---|---|---|
| A | 6 mio. € | 9 mio. € |
| B | 5 mio. € | 7 mio. € |
| C | 4 mio. € | 6 mio. € |
| D | 3 mio. € | 4 mio. € |
| E | 2 mio. € | 3 mio. € |
| F | 2 mio. € | 2 mio. € |
Det disponible budget er 10 millioner euro.
En udvælgelse udelukkende baseret på den højeste absolutte individuelle kapitalværdi ville i første omgang favorisere projekt A. Sammen med projekt C giver dette en kapitalværdi på 15 millioner euro.
Kombinationen af B, C og E kræver derimod 11 millioner euro og er derfor ikke tilladt.
Kombinationen af B, D og E kræver præcis 10 millioner euro og opnår en kapitalværdi på 14 millioner euro.
Kombinationen af A og C kræver ligeledes præcis 10 millioner euro og opnår 15 millioner euro. Den er dermed optimal i dette forenklede eksempel.
Eksemplet viser, hvordan budgetbegrænsninger bestemmer valget. Ved større porteføljer og yderligere afhængigheder bliver en systematisk matematisk beregning særligt relevant.
8. Hvilken betydning har operationsanalyse for CEO, CFO og bestyrelsen?
8.1 CEO: Operationalisering af strategiske prioriteter
For CEO'er ligger fordelen i at forbinde strategiske retningslinjer med konkrete ressource- og investeringsbeslutninger.
Vækst, transformation, effektivitet og modstandsdygtighed konkurrerer ofte om de samme økonomiske midler.
En optimeringsmodel kan tydeliggøre, hvilken projektkombination der bedst understøtter de definerede mål inden for de tilgængelige ressourcer.
8.2 CFO: Systematisk forbedring af kapitalallokeringen
For CFO'er er især sammenhængen mellem kapitalallokering, CAPEX-planlægning og porteføljeoptimering relevant.
Matematisk optimering kan hjælpe med at sammenligne investeringsalternativer på en ensartet måde og synliggøre konsekvenserne af forskellige budgetbeslutninger.
Den erstatter hverken den finansielle vurdering eller risikostyringen, men supplerer disse med en systematisk udvælgelsesbeslutning.
8.3 Bestyrelsen: Gennemskue beslutningsgrundlaget
For bestyrelser og andre kontrolorganer kan dokumenterede optimeringsmodeller forbedre gennemsigtigheden af investeringsbeslutninger.
Især de anvendte mål, begrænsninger, scenarier og afvigelser mellem de foreslåede alternativer er relevante.
Matematisk optimering skaber dermed et yderligere analytisk grundlag for ledelse og kontrol uden at ændre organernes ansvar.
9. Hvilke optimeringsmetoder muliggør operations research inden for ledelse?
Den matematiske og algoritmiske implementering afhænger af strukturen i det pågældende beslutningsproblem.
9.1 Lineær og blandet heltaloptimering
Lineær programmering og blandet-heltalslinær programmering (MILP) hører til de etablerede metoder til modellering af allokerings- og udvælgelsesproblemer.
Binære projektbeslutninger kan herved kombineres med lineære målfunktioner og sidebetingelser.
9.2 Kombinatorisk optimering
Kombinatorisk optimering undersøger udvælgelse, anordning og kombination af diskrete alternativer.
Dette er især relevant, når beslutninger er indbyrdes afhængige, og antallet af mulige kombinationer stiger kraftigt med antallet af variabler.
9.3 Eksakte algoritmer og heuristiske metoder
Eksakte optimeringsmetoder kan under passende betingelser påvise en løsnings globale optimalitet eller angive et kvantificeret optimalitetsgab.
Heuristiske og metaheuristiske metoder søger derimod efter gode løsninger uden generelt at levere et bevis for global optimalitet.
Hvilken tilgang der er egnet, afhænger af modelstrukturen, problemets størrelse, den ønskede løsningskvalitet og den tilgængelige regnetid.
9.4 Parallel computing og regnekraft
Parallel computing kan fremskynde visse optimeringsmetoder ved at fordele egnede beregningstrin på flere processorkerner.
Den faktiske hastighedsforøgelse afhænger af algoritmen, problemets struktur og graden af parallelisering. En kort beregningstid eller et bevis for global optimalitet kan derfor ikke udledes alene ud fra antallet af processorkerner.
10. Operations Research, kunstig intelligens og beslutningsintelligens
Operations Research, kunstig intelligens og beslutningsintelligens diskuteres ofte i sammenhæng, men de udfylder forskellige funktioner.
10.1 Prediktiv analyse og præskriptiv analyse
Prediktiv analyse beskæftiger sig med at forudsige fremtidige udviklinger.
Preskriptiv analyse undersøger, hvilke handlinger der er egnede under bestemte antagelser og målsætninger.
Operations Research stiller centrale matematiske metoder til rådighed hertil.
10.2 Sammenhængen mellem prognoser og optimering
En machine learning-model kan for eksempel estimere fremtidig efterspørgsel, omkostninger eller sandsynligheden for svigt.
En optimeringsmodel kan derefter anvende disse skøn til at fordele ressourcer, investeringer eller tiltag under givne begrænsninger.
Beslutningens kvalitet afhænger både af prognosen og af modelleringen af optimeringsproblemet.
10.3 Decision Intelligence som organisatorisk ramme
Decision Intelligence forbinder data, modeller, beslutningslogik og organisatoriske processer med det formål at understøtte beslutningstagningen systematisk.
Inden for denne ramme kan operations research danne det matematiske grundlag for beregningen af handlingsalternativer.
Kombinationen af matematisk optimering og ledelsesprocesser gør det muligt at anvende videnskabelige metoder til konkrete virksomhedsbeslutninger.
11. Hvordan kan operations research integreres i eksisterende virksomhedsprocesser?
En vellykket implementering kræver ikke kun egnede algoritmer, men også en robust organisatorisk og teknisk integration.
11.1 Data fra økonomi, controlling og projektledelse
Relevante oplysninger kan stamme fra ERP-systemer, projektstyringsløsninger, finansplanlægning og regneark.
Det er vigtigt med en ensartet definition af projektomkostninger (udgifter), værdiskabelse (indtægter), tidsperioder og begrænsninger.
11.2 Styring og ansvar for modeller
Virksomheden skal fastlægge, hvem der definerer mål og randbetingelser, frigiver data og validerer optimeringsresultater.
Ændringer i modelantagelser bør dokumenteres og om nødvendigt versioneres.
11.3 Integration i beslutningscyklussen
Matematisk porteføljeoptimering kan integreres i årlige CAPEX-planlægningsprocesser, flerårige investeringsprogrammer og omfordelinger i løbet af året.
Ved live-møder er det hensigtsmæssigt at validere data og modellen på forhånd og kun ændre klart definerede parametre interaktivt.
12. Forudsætninger og begrænsninger ved matematisk ledelsesoptimering
Operations Research giver ingen automatisk garanti for økonomisk vellykkede beslutninger.
12.1 Datakvalitet og modelvalidering
Fejlagtige omkostningsantagelser, ufuldstændige afhængigheder eller inkonsekvente målbidrag kan føre til uhensigtsmæssige resultater.
Derfor er datakontrol, faglig modelvalidering og plausibilitetskontroller væsentlige bestanddele af en seriøs optimering.
12.2 Usikkerhed og risiko
Fremtidige investeringsafkast og projektomkostninger er ofte usikre.
Afhængigt af anvendelsen kan det være nødvendigt at anvende scenarieanalyser, følsomhedsanalyser, robust optimering eller stokastiske metoder.
12.3 Global optimalitet gælder altid i forhold til modellen
Et matematisk globalt optimum er den bedste tilladte løsning inden for den definerede målfunktion og de fastlagte begrænsninger.
Det er ikke automatisk ensbetydende med den bedste beslutning set ud fra alle realøkonomiske synspunkter.
12.4 Beregning i realtid afhænger af problemets struktur
Mange optimeringsproblemer kan løses hurtigt. Andre kræver betydelig beregningstid eller anvendelse af approksimative metoder.
For at opnå en pålidelig live-applikation skal modellens størrelse, solverens adfærd, beregningstider og resultatkvalitet testes under realistiske forhold.
13. Anvendelsesområder for operationsanalyse inden for virksomhedsledelse
13.1 CAPEX- og investeringsporteføljeoptimering
Virksomheder kan anvende matematisk optimering til at fordele investeringsbudgetter på projekter, lokationer eller forretningsområder.
13.2 Strategisk ressourceallokering
Fordelingen af begrænsede personelle, tekniske eller finansielle ressourcer på konkurrerende projekter er et klassisk optimeringsproblem.
13.3 Flerårig investeringsplanlægning
Flerårige modeller kan tage højde for årlige budgetrammer, projektløbetider, afhængigheder og ressourcetilgængelighed.
13.4 Infrastruktur og offentlige budgetter
Også offentlige institutioner står over for komplekse fordelingsbeslutninger. I stedet for udelukkende at maksimere monetære indtægter kan egnede nytteværdimodeller tage højde for samfundsmæssige virkninger og politiske målsætninger.
Lovmæssige forpligtelser, øremærkninger og demokratisk legitimerede prioriteter forbliver herved bindende rammebetingelser.
13.5 Forskning, udvikling og transformation
Forsknings- og udviklingsporteføljer, transformationsprogrammer og strategiske initiativer kan ligeledes understøttes af matematiske udvælgelses- og allokeringsmodeller.
14. StratePlan: Operations Research som online beslutningstjeneste
Med StratePlan udvikler mAInthink GmbH en applikation, der gør matematisk porteføljeoptimering tilgængelig for økonomiske og offentlige beslutningsprocesser.
Tilgangen kombinerer metoder fra operations research med en anvendelsesorienteret brugergrænseflade til analyse af projekt- og investeringsporteføljer.
14.1 Fra projektdata til den optimerede kombination
Udgangspunktet er strukturerede projektdata såsom investeringsbehov, indtægter og relevante randbetingelser.
Optimeringsmodellen undersøger, hvilken projektkombination der under de definerede rammebetingelser opnår det højeste modellerede målbidrag.
14.2 Scenarier for ledelse og økonomi
Ændringer i budgetter eller andre modelparametre kan anvendes til at genberegne porteføljen.
Dette gør det muligt at sammenligne forskellige strategiske retningslinjer uden at skulle genopbygge hele projektvurderingen manuelt.
14.3 CAPEX Live Boardroom-simulering
CAPEX Live Boardroom-simuleringen overfører optimeringsmetoden til ledelsesmødet.
Virksomhedsledelsen kan drøfte alternative rammebetingelser og undersøge deres indvirkning på den beregnede projektkombination.
Den faktiske hastighed afhænger af den pågældende modelstruktur og problemets omfang.
14.4 Decision Intelligence 4 All
Konceptet Decision Intelligence 4 All har til formål at gøre matematisk optimering anvendelig også uden for specialiserede operations research-afdelinger.
Online Decision Service skal forenkle anvendelsen af videnskabelige optimeringsmetoder, uden at brugerne selv behøver at programmere matematiske modeller eller algoritmer.
Samme budget. Bedre kombinationer. Større effekt.
Optimer nu dine egne projekter matematisk →
15. Ofte stillede spørgsmål om operations research i ledelsen
Hvad betyder operations research inden for virksomhedsledelse?
Operations Research inden for virksomhedsledelse betegner anvendelsen af matematiske modeller og optimeringsmetoder på forretningsmæssige beslutninger, for eksempel kapitalallokering, valg af projektportefølje, ressourceplanlægning og investeringsstyring.
Kan operationsanalyse anvendes direkte i et bestyrelsesmøde?
Ja. Når data, model og teknisk infrastruktur er klar, kan alternative budget- og ressourcebeslutninger genberegnes og sammenlignes under et møde. Den nødvendige beregningstid afhænger af modellens kompleksitet.
Hvad er forskellen mellem projektprioritering og matematisk porteføljeoptimering?
Projektprioritering rangordner enkelte projekter efter vurderingskriterier. Porteføljeoptimering beregner derimod den bedst mulige eller påviseligt optimale kombination af flere projekter under fælles begrænsninger.
Er operations research det samme som kunstig intelligens?
Nej. Operations Research er en selvstændig videnskabelig disciplin. Begge områder anvender til dels beslægtede matematiske metoder og kan kombineres med hinanden, for eksempel ved prognosebaseret optimering.
Kan matematisk optimering øge ROI'en?
Matematisk optimering kan under passende forudsætninger identificere bedre projektkombinationer og dermed udnytte økonomisk potentiale. En konkret stigning i ROI afhænger dog af projektdata, modelantagelser og tilgængelige alternativer og kan ikke generelt garanteres.
Hvilke data kræves der til en CAPEX-porteføljeoptimering?
Typisk kræves der projektidentifikatorer, investeringsomkostninger, indtægter og relevante begrænsninger. For mere komplekse modeller tilføjes for eksempel projektafhængigheder, tidsperioder og ressourcebehov.
Hvor mange projektkombinationer er der ved 30 projekter?
Ved 30 binære valgbeslutninger er der teoretisk set 2 i 30. potens, altså 1.073.741.824 kombinationer. Begrænsninger indsnævrer de tilladte kombinationer; optimeringsalgoritmer behøver ikke nødvendigvis at gennemgå alle teoretiske muligheder enkeltvis.
Erstatter matematisk optimering bestyrelsens beslutning?
Nej. Ledelsen fastlægger mål, prioriteter og rammer og bærer fortsat ansvaret for beslutningen. Optimeringen leverer en matematisk funderet beslutningsstøtte.
16. Konklusion: Operations Research bliver en strategisk ledelseskompetence
Operations Research er ikke en ny videnskab. Det nye er muligheden for i højere grad at integrere dens metoder i interaktive strategiske beslutningsprocesser.
Når matematiske modeller, tilgængelige data og passende software kombineres, kan optimeringen af investerings- og projektporteføljer inddrages direkte i ledelsesdiskussionerne.
Bestyrelsen behøver da ikke udelukkende at stole på statiske ranglister og på forhånd udvalgte scenarier. Den kan undersøge, hvordan alternative forudsætninger påvirker den bedst mulige projektkombination.
Dermed ændrer operations research’ rolle sig: fra en specialiseret analytisk funktion til en potentielt tilbagevendende kompetence inden for strategisk virksomhedsledelse.
Matematikken leverer ikke det forretningsmæssige ansvar. Den kan dog forbedre kvaliteten af beslutningsgrundlaget betydeligt.
Decision Intelligence 4 All. Drevet af operations research og matematisk optimering.
