Επιχειρησιακή Έρευνα: Πώς τα μαθηματικά βελτιστοποιούν τις πολύπλοκες αποφάσεις

Από την επιστημονική ανάλυση αποφάσεων και τη συνδυαστική βελτιστοποίηση έως τη σύγχρονη Decision Intelligence

Επιστημονικό άρθρο | mAInthink Insights | Επιστήμη & Μέθοδοι

Οι επιχειρήσεις, οι δημόσιοι φορείς και οι επενδυτές αντιμετωπίζουν μια θεμελιώδη πρόκληση: πρέπει να λαμβάνουν αποφάσεις, των οποίων οι οικονομικές ή κοινωνικές επιπτώσεις δεν εξαρτώνται αποκλειστικά από μεμονωμένα μέτρα, αλλά από το συνδυασμό πολυάριθμων εναλλακτικών λύσεων.

Ποιες επενδύσεις πρέπει να χρηματοδοτηθούν; Ποια έργα δημιουργούν από κοινού τη μέγιστη προστιθέμενη αξία; Πώς μπορούν να κατανεμηθούν βέλτιστα οι περιορισμένοι πόροι; Και πώς αλλάζει η βέλτιστη απόφαση όταν προσαρμόζονται οι προϋπολογισμοί, οι προτεραιότητες ή οι συνθήκες-πλαίσιο;

Η παραδοσιακή απάντηση συνήθως περιλαμβάνει αξιολογήσεις, λίστες προτεραιοτήτων, επιχειρηματικές μελέτες και διοικητικές αποφάσεις.

Η Επιχειρησιακή Έρευνα ακολουθεί μια διαφορετική προσέγγιση:

Δεν αξιολογεί μόνο μεμονωμένες εναλλακτικές λύσεις, αλλά προσδιορίζει μαθηματικά τον καλύτερο δυνατό συνδυασμό όλων των επιτρεπόμενων αποφάσεων.

Αυτή η επιστημονική ειδικότητα αποτελεί εδώ και δεκαετίες την επιστημονική βάση για τη βελτιστοποίηση σύνθετων οικονομικών, τεχνικών και οργανωτικών συστημάτων.

Σήμερα αποκτά νέα πρακτική σημασία χάρη σε ισχυρούς αλγόριθμους βελτιστοποίησης, παράλληλες υπολογιστικές μεθόδους, τεχνητή νοημοσύνη και διαδραστικές πλατφόρμες λήψης αποφάσεων.

Πίνακας περιεχομένων

1. Τι είναι η Επιχειρησιακή Έρευνα;
2. Η επιστημονική εξέλιξη της Επιχειρησιακής Έρευνας
3. Ποια προβλήματα επιλύει η Επιχειρησιακή Έρευνα;
4. Τα μαθηματικά θεμέλια
5. Συνδυαστική βελτιστοποίηση και εκθετική πολυπλοκότητα
6. Οι σημαντικότερες μέθοδοι βελτιστοποίησης
7. Συνολική βέλτιστη λύση: Τι μπορεί να αποδειχθεί μαθηματικά
8. Βελτιστοποίηση χαρτοφυλακίου αντί της κλασικής ιεράρχησης
9. Πολυχρονικός προγραμματισμός και περιορισμοί πόρων
10. Πολυσκοπική βελτιστοποίηση και ανταγωνιστικοί στόχοι
11. Επιχειρησιακή Έρευνα υπό αβεβαιότητα
12. Επιχειρησιακή Έρευνα, Τεχνητή Νοημοσύνη και Νοημοσύνη Λήψης Αποφάσεων
13. Επιχειρησιακή Έρευνα σε επιχειρήσεις και δημόσιους οργανισμούς
14. Όρια και προϋποθέσεις της μαθηματικής βελτιστοποίησης
15. Από τη μαθηματική λύση στην απόφαση σε πραγματικό χρόνο
16. Συχνές ερωτήσεις
17. Συμπέρασμα και επιστημονική κατάταξη

1. Τι είναι η Επιχειρησιακή Έρευνα;

Η Επιχειρησιακή Έρευνα (Operations Research), που συχνά αναφέρεται ως OR ή, στον αγγλόφωνο κόσμο, ως Operational Research, είναι μια διεπιστημονική επιστημονική πειθαρχία που ασχολείται με την ανάλυση και τη βελτιστοποίηση σύνθετων προβλημάτων λήψης αποφάσεων.

Συνδυάζει κυρίως:

• Εφαρμοσμένα Μαθηματικά
• Μαθηματική βελτιστοποίηση
• Θεωρία πιθανοτήτων και στατιστική
• Πληροφορική και θεωρία αλγορίθμων
• Οικονομικές επιστήμες
• Ανάλυση συστημάτων και επιστήμες λήψης αποφάσεων

Ο κεντρικός στόχος συνίσταται στη μοντελοποίηση προβλημάτων λήψης αποφάσεων, έτσι ώστε να μπορούν να εξεταστούν συστηματικά οι διάφορες εναλλακτικές λύσεις και να βελτιστοποιηθούν με βάση καθορισμένους στόχους.

Σε αντίθεση με τις καθαρά περιγραφικές μεθόδους ανάλυσης, η Επιχειρησιακή Έρευνα δεν απαντά αποκλειστικά στο ερώτημα του τι συμβαίνει σε ένα σύστημα.

Εξετάζει ποιες αποφάσεις θα πρέπει να ληφθούν υπό τις δεδομένες συνθήκες, προκειμένου να επιτευχθεί ένας καθορισμένος στόχος με τον καλύτερο δυνατό τρόπο.

Μια επιχείρηση μπορεί, για παράδειγμα, να γνωρίζει ποια από τα επενδυτικά της έργα αναμένεται να αποφέρουν θετική απόδοση κεφαλαίου.

Ωστόσο, αυτό δεν σημαίνει ακόμα ποιος συνδυασμός αυτών των έργων παράγει τη μέγιστη οικονομική αξία στο πλαίσιο ενός περιορισμένου συνολικού προϋπολογισμού.

Ακριβώς σε αυτό το σημείο ξεκινά ένα κλασικό πρόβλημα Επιχειρησιακής Έρευνας.

2. Η επιστημονική εξέλιξη της Επιχειρησιακής Έρευνας

Η σύγχρονη εξέλιξη της Επιχειρησιακής Έρευνας ξεκίνησε κυρίως κατά τη διάρκεια του Β΄ Παγκοσμίου Πολέμου.

Επιστήμονες από διάφορους κλάδους διερεύνησαν τότε σύνθετα επιχειρησιακά ζητήματα, όπως η αποδοτική χρήση περιορισμένων πόρων, ο συντονισμός των διαδικασιών εφοδιαστικής και η βελτιστοποίηση στρατιωτικών συστημάτων.

Μετά τον πόλεμο, οι μέθοδοι που αναπτύχθηκαν εφαρμόστηκαν όλο και περισσότερο σε βιομηχανικά και οικονομικά ζητήματα.

Ένας σημαντικός σταθμός ήταν η ανάπτυξη της μεθόδου Simplex από τον George B. Dantzig το 1947.

Με αυτόν τον τρόπο, η γραμμική βελτιστοποίηση έγινε ένα σημαντικό εργαλείο μαθηματικής υποστήριξης λήψης αποφάσεων.

Στις επόμενες δεκαετίες αναπτύχθηκαν και άλλες σημαντικές μέθοδοι:

• Δυναμικός προγραμματισμός
• Ακέραια και μικτή ακέραια βελτιστοποίηση
• Branch-and-Bound
• Βελτιστοποίηση δικτύων
• Στοχαστική βελτιστοποίηση
• Πολυκριτηριακή βελτιστοποίηση
• Μεταευρετικές μέθοδοι
• Σταθερή βελτιστοποίηση

Σήμερα, η Επιχειρησιακή Έρευνα αποτελεί μια διεθνώς αναγνωρισμένη ερευνητική επιστήμη.

Σημαντικοί επιστημονικοί οργανισμοί είναι το INFORMS, το EURO, το IFORS και η Γερμανική Εταιρεία Επιχειρησιακής Έρευνας (GOR).

Η Επιχειρησιακή Έρευνα δεν αποτελεί, επομένως, μια νέα μορφή τεχνητής νοημοσύνης, αλλά ένα αυτόνομο επιστημονικό θεμέλιο της σύγχρονης βελτιστοποίησης της λήψης αποφάσεων.

3. Ποια προβλήματα επιλύει η Επιχειρησιακή Έρευνα;

Η Επιχειρησιακή Έρευνα αποκτά σημασία όπου συνυπάρχουν πολλές εναλλακτικές επιλογές, περιορισμένοι πόροι και καθορισμένοι στόχοι.

Τα πεδία εφαρμογής είναι αντίστοιχα ευρεία.

Επενδύσεις και κατανομή κεφαλαίων

Ποιες επενδύσεις πρέπει να πραγματοποιηθούν στο πλαίσιο ενός περιορισμένου προϋπολογισμού;

Βελτιστοποίηση χαρτοφυλακίου έργων

Ποιος συνδυασμός έργων αποφέρει τη μέγιστη συνολική οικονομική ή στρατηγική συνεισφορά;

Προγραμματισμός παραγωγής

Πώς μπορούν να βελτιστοποιηθούν οι ποσότητες παραγωγής, οι χωρητικότητες των μηχανημάτων και η σειρά εκτέλεσης των παραγγελιών;

Βελτιστοποίηση της εφοδιαστικής αλυσίδας

Πώς μπορούν να συντονιστούν αποτελεσματικά τα αποθέματα, οι διαδρομές μεταφοράς, οι δυνατότητες παράδοσης και οι τοποθεσίες παραγωγής;

Σχεδιασμός ενέργειας και υποδομών

Ποιες επενδύσεις σε δίκτυα, εγκαταστάσεις ή μέτρα συντήρησης αποφέρουν το μέγιστο όφελος με περιορισμένους πόρους;

Σχεδιασμός προσωπικού και πόρων

Πώς μπορεί να γίνει η βέλτιστη κατανομή των εργαζομένων, των μηχανημάτων, των χρονικών παραθύρων ή άλλων σπάνιων πόρων;

Δημόσιοι προϋπολογισμοί

Ποιος συνδυασμός δημόσιων μέτρων αποφέρει το μέγιστο καθορισμένο κοινωνικό όφελος, λαμβάνοντας υπόψη τις οικονομικές, νομικές και πολιτικές συνθήκες;

Υγειονομική περίθαλψη

Πώς μπορούν να βελτιωθούν οι δυνατότητες, τα ραντεβού θεραπείας, οι ιατρικοί πόροι και οι δομές παροχής φροντίδας;

Παρά τα διαφορετικά πεδία εφαρμογής, πολλά από αυτά τα προβλήματα έχουν μια κοινή μαθηματική δομή:

Πρέπει να βρεθεί η καλύτερη δυνατή ή η βέλτιστη απόφαση εντός ενός περιορισμένου επιτρεπόμενου χώρου λήψης αποφάσεων.

4. Οι μαθηματικές βάσεις

Ένα μαθηματικό πρόβλημα βελτιστοποίησης αποτελείται βασικά από τρία στοιχεία:

μεταβλητές απόφασης, συνάρτηση στόχου και περιορισμοί.

4.1 Μεταβλητές απόφασης

Οι μεταβλητές απόφασης περιγράφουν ποιες αποφάσεις μπορούν να ληφθούν.

Σε μια δυαδική απόφαση σχετικά με ένα έργο, για παράδειγμα, ισχύει:

Όπου:

• _xi=1: Επιλέγεται το έργο i.
• _xi=0: Το έργο i δεν επιλέγεται.

Άλλα προβλήματα βελτιστοποίησης χρησιμοποιούν ακέραιες ή συνεχείς μεταβλητές.

4.2 Συνάρτηση στόχου

Η συνάρτηση στόχου περιγράφει ποια ποσότητα πρέπει να μεγιστοποιηθεί ή να ελαχιστοποιηθεί.

Για ένα χαρτοφυλάκιο με αθροιστικές αξίες έργων, μια απλοποιημένη συνάρτηση μεγιστοποίησης έχει ως εξής:

Εδώ, _{το vi} δηλώνει την οικονομική ή στρατηγική συνεισφορά αξίας ενός έργου.

4.3 Περιορισμοί

Οι πραγματικές αποφάσεις υπόκεινται σε περιορισμούς.

Ένας τυπικός περιορισμός προϋπολογισμού έχει ως εξής:

Εδώ ισχύει:

• _ci: κεφαλαιακές ανάγκες του έργου i
• B: Συνολικός διαθέσιμος προϋπολογισμός

Περαιτέρω περιορισμοί μπορούν, για παράδειγμα, να αφορούν ανθρώπινους πόρους, τεχνικές εξαρτήσεις, νομικές απαιτήσεις ή χρονικούς περιορισμούς.

Το πλήρες πρόβλημα βελτιστοποίησης συνίσταται, επομένως, στην εύρεση ενός επιτρεπτού συνδυασμού μεταβλητών απόφασης, ο οποίος ικανοποιεί με τον καλύτερο δυνατό τρόπο τη συνάρτηση στόχου.

Αυτή η δομή μοντέλου αποτελεί τη βάση πολυάριθμων πρακτικών εφαρμογών της Επιχειρησιακής Έρευνας.

5. Συνδυαστική βελτιστοποίηση και εκθετική πολυπλοκότητα

Ένας ιδιαίτερα σημαντικός υποτομέας της Επιχειρησιακής Έρευνας είναι η συνδυαστική βελτιστοποίηση.

Εξετάζει προβλήματα λήψης αποφάσεων, στα οποία αναζητείται η βέλτιστη επιτρεπόμενη λύση από ένα πεπερασμένο, συχνά πολύ μεγάλο σύνολο διακριτών εναλλακτικών επιλογών.

Για n ανεξάρτητα δυαδικά επιλέξιμα έργα, ο αριθμός των θεωρητικά πιθανών συνδυασμών είναι:

Από αυτό προκύπτει:

Αυτοί οι αριθμοί περιγράφουν αρχικά τον αριθμό όλων των δυαδικών συνδυασμών επιλογών, όχι τον αριθμό των πραγματικά επιτρεπόμενων χαρτοφυλακίων.

Οι περιορισμοί του προϋπολογισμού, οι εξαρτήσεις μεταξύ έργων και άλλοι περιορισμοί μπορούν να μειώσουν σημαντικά τον επιτρεπόμενο χώρο λύσεων.

Ωστόσο, ο θεωρητικός αριθμός των πιθανών συνδυασμών καταδεικνύει την τάξη μεγέθους του προβλήματος.

Μια πλήρης χειροκίνητη αξιολόγηση όλων των εναλλακτικών λύσεων είναι πρακτικά αδύνατη ακόμη και για σχετικά μικρά χαρτοφυλάκια.

Η εκθετική πολυπλοκότητα δεν σημαίνει ότι κάθε συνδυασμός πρέπει να ελέγχεται ξεχωριστά

Οι σύγχρονοι αλγόριθμοι βελτιστοποίησης μπορούν να αποκλείσουν μεγάλα τμήματα του χώρου λήψης αποφάσεων, χωρίς να αξιολογούν πλήρως κάθε μεμονωμένο συνδυασμό.

Για το σκοπό αυτό, χρησιμοποιούν μαθηματικά όρια, χαλαρώσεις, δομικές ιδιότητες του προβλήματος και έξυπνες στρατηγικές αναζήτησης.

Γι’ αυτό, υπό κατάλληλες συνθήκες, μια μέθοδος βελτιστοποίησης μπορεί να επιλύσει αποτελεσματικά ακόμη και πολύ μεγάλα συνδυαστικά προβλήματα λήψης αποφάσεων.

Ωστόσο, η ύπαρξη ισχυρών αλγορίθμων δεν εγγυάται ότι οποιοδήποτε πρόβλημα μπορεί να επιλυθεί με παγκόσμια βέλτιστη λύση σε σύντομο χρονικό διάστημα.

Η πραγματική υπολογιστική πολυπλοκότητα εξαρτάται, μεταξύ άλλων, από τη δομή του μοντέλου, τις περιοριστικές συνθήκες, το μέγεθος του προβλήματος και τη μέθοδο επίλυσης που χρησιμοποιείται.

6. Οι σημαντικότερες μέθοδοι βελτιστοποίησης

Η Επιχειρησιακή Έρευνα περιλαμβάνει διάφορες μαθηματικές μεθόδους επίλυσης.

Η επιλογή της κατάλληλης μεθόδου εξαρτάται από τη δομή του προβλήματος λήψης αποφάσεων.

6.1 Γραμμικός προγραμματισμός

Η γραμμική βελτιστοποίηση εξετάζει προβλήματα με γραμμικές συναρτήσεις στόχου και γραμμικούς περιορισμούς.

Χρησιμοποιείται, για παράδειγμα, στον προγραμματισμό της παραγωγής, των μεταφορών και των πόρων.

6.2 Ακέραιος Προγραμματισμός

Η ακέραια βελτιστοποίηση λαμβάνει υπόψη μεταβλητές απόφασης που μπορούν να λαμβάνουν μόνο ακέραιες τιμές.

Αυτό έχει ιδιαίτερη σημασία σε περιπτώσεις διακριτών αποφάσεων, για παράδειγμα όταν τα έργα είτε επιλέγονται εξ ολοκλήρου είτε αποκλείονται.

6.3 Μικτή ακέραια γραμμική προγραμματισμός

Η μικτή ακέραια γραμμική προγραμματισμός (Mixed-Integer Linear Programming, MILP) συνδυάζει συνεχείς και ακέραιες μεταβλητές λήψης αποφάσεων εντός ενός γραμμικού μοντέλου.

Με αυτόν τον τρόπο, για παράδειγμα, οι επενδυτικές αποφάσεις μπορούν να συνδεθούν με συνεχείς παραμέτρους προϋπολογισμού ή χωρητικότητας.

6.4 Branch-and-Bound

Η μέθοδος Branch-and-Bound διαχωρίζει συστηματικά τον χώρο λήψης αποφάσεων σε επιμέρους προβλήματα.

Με τη βοήθεια μαθηματικών ορίων μπορεί να προσδιοριστεί ποιοι υποχώροι δεν μπορούν πλέον να περιέχουν καλύτερη λύση.

Αυτοί οι υποχώροι δεν χρειάζεται στη συνέχεια να εξεταστούν περαιτέρω.

6.5 Branch-and-Cut

Η μέθοδος Branch-and-Cut επεκτείνει τη μέθοδο Branch-and-Bound με επιπλέον έγκυρες ανισότητες, τα λεγόμενα «Cutting Planes».

Αυτά μπορούν να αυξήσουν την αυστηρότητα των μαθηματικών χαλαρώσεων και να επιταχύνουν την αναζήτηση βέλτιστων λύσεων.

6.6 Δυναμικός προγραμματισμός

Ο δυναμικός προγραμματισμός αναλύει τα κατάλληλα προβλήματα σε αλληλένδετα υποπροβλήματα.

Χρησιμοποιείται, μεταξύ άλλων, σε διαδοχικά προβλήματα λήψης αποφάσεων, στον προγραμματισμό αποθεμάτων και σε συγκεκριμένα προβλήματα κατανομής πόρων.

6.7 Ευριστικές και μεταευριστικές μέθοδοι

Οι ευριστικές μέθοδοι αναζητούν αποτελεσματικά καλές, επιτρεπόμενες λύσεις, χωρίς να εγγυώνται κατ’ αρχήν την παγκόσμια βέλτιστη λύση.

Γνωστά παραδείγματα είναι:

• Γενετικοί Αλγόριθμοι
• Προσομοιωμένη Ψύξη
• Αναζήτηση ταμπού
• Τοπική αναζήτηση

Αυτές οι μέθοδοι μπορούν να αποδειχθούν ιδιαίτερα χρήσιμες σε προβλήματα μεγάλου μεγέθους ή με πολύπλοκη δομή.

6.8 Υβριδικές μέθοδοι βελτιστοποίησης

Οι υβριδικές προσεγγίσεις συνδυάζουν διαφορετικές μεθόδους.

Για παράδειγμα, οι ευριστικές μέθοδοι μπορούν αρχικά να παράγουν υψηλής ποιότητας επιτρεπόμενες λύσεις, ενώ στη συνέχεια οι ακριβείς μέθοδοι προσπαθούν να βελτιώσουν αυτές τις λύσεις ή να αποδείξουν τη βέλτιστη φύση τους.

Επίσης, η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για την επιλογή στρατηγικών αναζήτησης, για την πρόβλεψη παραμέτρων ή για την επιτάχυνση μεμονωμένων βημάτων επίλυσης.

Τα πλεονεκτήματα που προσφέρουν πράγματι τέτοιοι συνδυασμοί πρέπει να εξεταστούν με βάση κατάλληλα κριτήρια αξιολόγησης.

7. Παγκόσμια βέλτιστη λύση: Τι μπορεί να αποδειχθεί μαθηματικά

Ένα βασικό πλεονέκτημα της μαθηματικής βελτιστοποίησης είναι ότι, υπό συγκεκριμένες προϋποθέσεις, δεν βρίσκεται απλώς μια καλή λύση, αλλά μπορεί να αποδειχθεί και η παγκόσμια βέλτιστη φύση της.

Μια παγκοσμίως βέλτιστη λύση έχει την καλύτερη δυνατή τιμή της συνάρτησης στόχου εντός του καθορισμένου επιτρεπόμενου χώρου λύσεων.

Τυπικά, για ένα πρόβλημα μεγιστοποίησης ισχύει:

Όπου:

• X: το σύνολο όλων των επιτρεπόμενων λύσεων
• x^*: παγκοσμίως βέλτιστη λύση
• f(x): τιμή της συνάρτησης στόχου μιας λύσης

Η απόδειξη της παγκόσμιας βέλτιστης λύσης μπορεί, για παράδειγμα, να γίνει με τη βοήθεια μαθηματικών ορίων.

Το χάσμα βέλτιστης λύσης

Στα προβλήματα βελτιστοποίησης μεικτών ακέραιων μεταβλητών, συχνά εξετάζεται η διαφορά μεταξύ της καλύτερης επιτρεπόμενης λύσης που έχει βρεθεί και ενός έγκυρου ορίου για το παγκόσμιο βέλτιστο.

Για ένα πρόβλημα μεγιστοποίησης με θετική βέλτιστη τιμή της συνάρτησης στόχου, ένα σχετικό «χάσμα βέλτιστης λύσης» μπορεί, για παράδειγμα, να οριστεί ως εξής:

Όπου:

• LB: τιμή της καλύτερης επιτρεπόμενης λύσης που έχει βρεθεί μέχρι στιγμής
• UB: έγκυρο ανώτερο όριο για το παγκόσμιο βέλτιστο

Ένα κενό ίσο με μηδέν σημαίνει, κατά τον ακριβή υπολογισμό, ότι έχει αποδειχθεί η παγκόσμια βέλτιστη λύση.

Οι πρακτικοί επιλυτές λαμβάνουν υπόψη αριθμητικές ανοχές και καθορισμένα κριτήρια διακοπής.

Επιπλέον, ένα μικρό κενό μπορεί να σημαίνει ότι η λύση που βρέθηκε βρίσκεται ήδη πολύ κοντά στη θεωρητικά καλύτερη δυνατή τιμή της συνάρτησης στόχου.

Ένας κρίσιμος επιστημονικός περιορισμός

Ένα παγκόσμιο βέλτιστο είναι πάντα ένα βέλτιστο του μαθηματικού μοντέλου – δεν αποτελεί αυτομάτως την αντικειμενικά καλύτερη απόφαση στον πραγματικό κόσμο.

Εάν τα δεδομένα εισόδου είναι ελλιπή, οι υποθέσεις σχετικά με την ωφέλεια είναι λανθασμένες ή δεν έχουν ληφθεί υπόψη σχετικές περιοριστικές συνθήκες, μια μαθηματικά βέλτιστη λύση μπορεί να είναι οικονομικά ακατάλληλη.

Γι’ αυτό η επικύρωση του μοντέλου, οι αναλύσεις ευαισθησίας και ο έλεγχος των υποκείμενων υποθέσεων αποτελούν απαραίτητο μέρος μιας σοβαρής διαδικασίας βελτιστοποίησης.

8. Βελτιστοποίηση χαρτοφυλακίου αντί της κλασικής ιεράρχησης

Ένας ιδιαίτερα σημαντικός τομέας εφαρμογής είναι η βελτιστοποίηση χαρτοφυλακίων επενδύσεων και έργων.

Οι παραδοσιακές μέθοδοι χαρτοφυλακίου συχνά αξιολογούν τα έργα μεμονωμένα.

Από αυτό προκύπτει μια κατάταξη, για παράδειγμα με βάση την απόδοση της επένδυσης (ROI), την καθαρή παρούσα αξία (NPV), τη στρατηγική σημασία ή σταθμισμένα κριτήρια αξιολόγησης.

Μια τέτοια ιεράρχηση απαντά στο ερώτημα:

Ποιο μεμονωμένο έργο φαίνεται ιδιαίτερα ελκυστικό;

Ωστόσο, δεν απαντά απαραίτητα στο ερώτημα:

Ποιος συνδυασμός όλων των διαθέσιμων έργων αποφέρει τη μέγιστη συνολική αξία, υπό τους υφιστάμενους περιορισμούς;

Ένα απλοποιημένο παράδειγμα

Μια επιχείρηση διαθέτει επενδυτικό προϋπολογισμό 10 εκατομμυρίων ευρώ.

Υπάρχουν τέσσερα έργα προς επιλογή:

Σε περίπτωση ιεράρχησης βάσει της απόλυτης καθαρής παρούσας αξίας (NPV), το έργο Α καταλαμβάνει την πρώτη θέση.

Εάν επιλεγεί το Α, με τον υπόλοιπο προϋπολογισμό των 4 εκατομμυρίων ευρώ μπορεί να χρηματοδοτηθεί είτε το έργο Γ είτε το έργο Δ.

Ο συνδυασμός Α + Γ επιτυγχάνει συνολική καθαρή παρούσα αξία (NPV) 16 εκατομμυρίων ευρώ με δαπάνη προϋπολογισμού 10 εκατομμυρίων ευρώ και αποτελεί, σε αυτό το παράδειγμα, τον καλύτερο επιτρεπόμενο συνδυασμό.

Ο επίσης αποδεκτός συνδυασμός Β + Γ επιτυγχάνει NPV 15 εκατομμυρίων ευρώ με επένδυση κεφαλαίου 9 εκατομμυρίων ευρώ.

Σε αυτό το παράδειγμα, ο συνδυασμός Α + Γ είναι πράγματι ο βέλτιστος.

Ωστόσο, αυτό δεν σημαίνει ότι η κατάταξη είναι αναγκαστικά λανθασμένη.

Αντίθετα, το παράδειγμα δείχνει ότι η βέλτιστη απόφαση για το χαρτοφυλάκιο προκύπτει από τη σύγκριση των επιτρεπόμενων συνδυασμών και δεν προκύπτει αποκλειστικά από την απομονωμένη αξιολόγηση των έργων.

Ακόμη και μικρές αλλαγές στις αξίες των έργων, στους προϋπολογισμούς ή στις εξαρτήσεις μπορούν να οδηγήσουν στο να μην αποτελείται πλέον ο βέλτιστος συνδυασμός από τα μεμονωμένα έργα που κατατάσσονται στις υψηλότερες θέσεις.

Γιατί η μεγιστοποίηση της απόδοσης επένδυσης (ROI) απαιτεί ιδιαίτερη προσοχή

Η μεγιστοποίηση της συνολικής καθαρής παρούσας αξίας (NPV) δεν ταυτίζεται με τη μεγιστοποίηση της απόδοσης επένδυσης (ROI) του χαρτοφυλακίου.

Εάν ο ROI του χαρτοφυλακίου οριστεί ως ο λόγος της συνολικής καθαρής απόδοσης προς τη συνολική επένδυση κεφαλαίου, προκύπτει μια διαφορετική συνάρτηση στόχου:

Μια τέτοια βελτιστοποίηση αναλογίας διαφέρει μαθηματικά από τη μεγιστοποίηση μιας αθροιστικής συνολικής τιμής.

Επιπλέον, η καθαρή μεγιστοποίηση του ROI μπορεί να ευνοεί πολύ μικρά χαρτοφυλάκια.

Γι’ αυτό, πριν από κάθε βελτιστοποίηση, πρέπει να διευκρινιστεί αν, για παράδειγμα, πρέπει να μεγιστοποιηθεί η συνολική καθαρή παρούσα αξία (NPV), η απόδοση επένδυσης (ROI), το στρατηγικό όφελος ή κάποιος άλλος στόχος.

Ο ορισμός της συνάρτησης στόχου αποτελεί από μόνος του μια ουσιαστική διοικητική απόφαση.

9. Πολυχρονικός σχεδιασμός και περιορισμοί πόρων

Οι πραγματικές επενδυτικές αποφάσεις αφορούν συχνά περισσότερα από ένα οικονομικά έτη.

Ένα έργο μπορεί, για παράδειγμα, να απαιτεί υψηλές επενδύσεις το πρώτο έτος, να δεσμεύει πρόσθετους πόρους το δεύτερο έτος και να αποφέρει οικονομικά οφέλη μόνο αργότερα.

Μια κατάλληλη μαθηματική μοντελοποίηση πρέπει να λαμβάνει υπόψη αυτή τη χρονική δομή.

Για μια απλοποιημένη επιλογή χαρτοφυλακίου πολλαπλών περιόδων μπορεί να ισχύει:

υπό την προϋπόθεση ότι:

Όπου:

• _cit: κεφαλαιακή ανάγκη του έργου i στην περίοδο t
• _Bt: διαθέσιμο προϋπολογισμό στην περίοδο t

Επιπλέον, μπορούν να μοντελοποιηθούν περιορισμοί πόρων:

Εδώ, _{το airt} αντιπροσωπεύει την απαίτηση ενός έργου για τον πόρο r κατά την περίοδο t.

Εξαρτήσεις μεταξύ έργων

Οι λογικές σχέσεις μεταξύ έργων μπορούν επίσης να εκφραστούν μαθηματικά.

Εάν το έργο Β μπορεί να υλοποιηθεί μόνο εφόσον έχει επιλεγεί το έργο Α:

Εάν δύο έργα δεν επιτρέπεται να εκτελεστούν ταυτόχρονα:

Εάν ένα έργο πρέπει οπωσδήποτε να υλοποιηθεί:

Τέτοιου είδους περιορισμοί είναι ουσιαστικοί, διότι η πραγματική ποιότητα ενός επενδυτικού χαρτοφυλακίου συχνά δεν καθορίζεται μόνο από τον προϋπολογισμό, αλλά και από πολυάριθμες τεχνικές, οργανωτικές και στρατηγικές εξαρτήσεις.

10. Βελτιστοποίηση πολλαπλών στόχων και ανταγωνιστικοί στόχοι

Πολλά πραγματικά προβλήματα λήψης αποφάσεων δεν έχουν μόνο έναν στόχο.

Μια επιχείρηση, για παράδειγμα, επιθυμεί ταυτόχρονα:

• Να μεγιστοποιήσει την οικονομική συνεισφορά
• να περιορίσει τους κινδύνους
• Να μειώσει τις εκπομπές CO₂
• Να επιτύχει τους στρατηγικούς στόχους της
• Να αποφύγει την έλλειψη πόρων

Αυτοί οι στόχοι μπορεί να έρχονται σε σύγκρουση μεταξύ τους.

Η πολυκριτηριακή βελτιστοποίηση εξετάζει, επομένως, αποφάσεις με πολλαπλές συναρτήσεις στόχου.

Από τεχνητική άποψη, ένα τέτοιο πρόβλημα μπορεί να αποδοθεί ως:

υπό:

Σταθμισμένες συναρτήσεις στόχου

Μια δυνατότητα είναι η συνένωση πολλών κανονικοποιημένων στόχων σε μια σταθμισμένη συνολική συνάρτηση:

Εδώ, _{το wj} αντιπροσωπεύει τη στάθμιση της αντίστοιχης μεταβλητής-στόχου.

Οι συντελεστές στάθμισης πρέπει να αιτιολογούνται από τεχνική άποψη.

Βέλτιστη κατά Pareto

Μια άλλη δυνατότητα είναι ο προσδιορισμός λύσεων βέλτιστων κατά Παρέτο.

Μια λύση είναι βέλτιστη κατά Παρέτο, όταν δεν υπάρχει καμία άλλη επιτρεπόμενη λύση που να είναι τουλάχιστον εξίσου καλή σε όλες τις μεταβλητές-στόχους και αυστηρά καλύτερη σε τουλάχιστον μία μεταβλητή-στόχο.

Ως αποτέλεσμα, συχνά δεν προκύπτει μία και μοναδική καλύτερη απόφαση, αλλά ένα σύνολο αποδοτικών εναλλακτικών λύσεων.

Στη συνέχεια, η διοίκηση πρέπει να αποφασίσει ποιες συγκρούσεις στόχων είναι αποδεκτές.

Η Επιχειρησιακή Έρευνα δεν αντικαθιστά, επομένως, τη στρατηγική ευθύνη.

Καθιστά τις συνέπειες των διαφορετικών προτιμήσεων μαθηματικά αναλύσιμες.

11. Επιχειρησιακή Έρευνα υπό αβεβαιότητα

Δεν είναι γνωστά όλα τα σχετικά κριτήρια λήψης απόφασης τη στιγμή της απόφασης.

Τα μελλοντικά έσοδα, το κόστος των έργων, η διαθεσιμότητα των πόρων και οι συνθήκες της αγοράς μπορεί να είναι αβέβαια.

Το κλασικό ντετερμινιστικό μοντέλο βελτιστοποίησης λειτουργεί με καθορισμένες παραμέτρους.

Για προβλήματα λήψης αποφάσεων υπό αβεβαιότητα υπάρχουν πρόσθετες μεθοδολογικές προσεγγίσεις.

Στοχαστική βελτιστοποίηση

Η στοχαστική βελτιστοποίηση λαμβάνει υπόψη τυχαίες μεταβλητές και, ενδεχομένως, διαφορετικά μελλοντικά σενάρια.

Σε αυτό το πλαίσιο, μπορούν να ληφθούν υπόψη, για παράδειγμα, αναμενόμενες τιμές, μέτρα κινδύνου ή αποφάσεις πολλαπλών επιπέδων.

Σταθερή βελτιστοποίηση

Η ρομποστική βελτιστοποίηση αναζητά λύσεις που παραμένουν αποδεκτές ή αποδοτικές ακόμη και υπό καθορισμένες δυσμενείς αποκλίσεις παραμέτρων.

Ανάλυση σεναρίων

Η ανάλυση σεναρίων εξετάζει πώς μεταβάλλονται οι βέλτιστες αποφάσεις υπό διαφορετικές παραδοχές.

Ανάλυση ευαισθησίας

Η ανάλυση ευαισθησίας εξετάζει πόσο ευαίσθητα αντιδρούν τα αποτελέσματα σε αλλαγές μεμονωμένων παραμέτρων εισόδου.

Αυτές οι μέθοδοι είναι ιδιαίτερα σημαντικές για μακροπρόθεσμες επενδυτικές αποφάσεις.

Επομένως, ένα μαθηματικά βελτιστοποιημένο χαρτοφυλάκιο δεν πρέπει να αξιολογείται αποκλειστικά με βάση το αποτέλεσμά του υπό μία μόνο μελλοντική υπόθεση.

Εξίσου σημαντικό είναι το ερώτημα πόσο σταθερή παραμένει η απόφαση υπό εύλογες μεταβολές.

12. Επιχειρησιακή Έρευνα, Τεχνητή Νοημοσύνη και Νοημοσύνη Λήψης Αποφάσεων

Η Επιχειρησιακή Έρευνα, η Τεχνητή Νοημοσύνη και η Νοημοσύνη Λήψης Αποφάσεων είναι συναφείς μεταξύ τους, αλλά δεν είναι ταυτόσημες.

Επιχειρησιακή Έρευνα

Η Επιχειρησιακή Έρευνα παρέχει μαθηματικές μεθόδους για τη μοντελοποίηση και τη βελτιστοποίηση προβλημάτων λήψης αποφάσεων.

Τεχνητή Νοημοσύνη

Η Τεχνητή Νοημοσύνη περιλαμβάνει διάφορες μεθόδους, όπως η μηχανική μάθηση, η αναγνώριση προτύπων, η επεξεργασία γλώσσας και οι αυτοματοποιημένες διαδικασίες λήψης αποφάσεων.

Νοημοσύνη Λήψης Αποφάσεων

Η Νοημοσύνη Λήψης Αποφάσεων συνδυάζει δεδομένα, μοντέλα λήψης αποφάσεων, αναλυτικές μεθόδους και οργανωτικές διαδικασίες λήψης αποφάσεων.

Στόχος είναι η βελτίωση της ποιότητας, της διαφάνειας και της πρακτικής εφαρμοσιμότητας των αποφάσεων.

Η συσχέτιση

Μια πιθανή αλληλεπίδραση συνίσταται στο ότι η μηχανική μάθηση προβλέπει αρχικά τα μελλοντικά κόστη ή έσοδα ενός έργου.

Στη συνέχεια, ένα μοντέλο επιχειρησιακής έρευνας μπορεί να υπολογίσει ποιος συνδυασμός έργων είναι ο βέλτιστος υπό τις προβλεπόμενες συνθήκες.

Τέλος, μια εφαρμογή Decision Intelligence παρουσιάζει τα αποτελέσματα με τέτοιο τρόπο, ώστε οι υπεύθυνοι λήψης αποφάσεων να μπορούν να συγκρίνουν εναλλακτικές λύσεις, να τροποποιούν υποθέσεις και να κατανοούν τις συνέπειες.

Οι τρεις αυτές προσεγγίσεις εκπληρώνουν έτσι διαφορετικές, αλληλοσυμπληρούμενες λειτουργίες.

Η τεχνητή νοημοσύνη μπορεί να συμβάλει στη βελτίωση των βάσεων λήψης αποφάσεων. Η επιχειρησιακή έρευνα μπορεί να βελτιστοποιήσει μαθηματικά τις κατάλληλες αποφάσεις. Η «Decision Intelligence» μπορεί να ενσωματώσει αυτά τα ευρήματα σε πραγματικές διαδικασίες λήψης αποφάσεων.

Αυτή η κατανομή ρόλων αποτελεί ένα πιθανό αρχιτεκτονικό μοντέλο και όχι μια γενικά ισχύουσα οριοθέτηση όλων των μεθόδων.

13. Επιχειρησιακή Έρευνα στις επιχειρήσεις και στον δημόσιο τομέα

Τα μαθηματικά θεμέλια της Επιχειρησιακής Έρευνας είναι σημαντικά τόσο για τις αποφάσεις του ιδιωτικού τομέα όσο και για αυτές του δημόσιου τομέα.

13.1 Βιομηχανικές επιχειρήσεις

Οι βιομηχανικές επιχειρήσεις συχνά πρέπει να συντονίζουν πολυάριθμα επενδυτικά σχέδια μεταξύ εγκαταστάσεων, γραμμών παραγωγής και επιχειρηματικών τομέων.

Τα επιμέρους έργα ανταγωνίζονται μεταξύ τους για την εξασφάλιση κεφαλαίου, προσωπικού και τεχνικών δυνατοτήτων.

Μια μαθηματική βελτιστοποίηση χαρτοφυλακίου μπορεί να εξετάσει ποιος συνδυασμός, υπό αυτές τις συνθήκες, παράγει τη μέγιστη καθορισμένη συνολική αξία.

13.2 Εταιρείες ενέργειας

Οι εταιρείες ενέργειας αντιμετωπίζουν πολύπλοκες επενδυτικές αποφάσεις σχετικά με δίκτυα, μονάδες παραγωγής, συντήρηση και υποδομές.

Στο πλαίσιο αυτό, πρέπει να λαμβάνονται υπόψη οι τεχνικές εξαρτήσεις, η ασφάλεια εφοδιασμού, οι πόροι και οι μακροπρόθεσμες περίοδοι προγραμματισμού.

13.3 Φαρμακευτική βιομηχανία

Τα χαρτοφυλάκια έρευνας και ανάπτυξης περιλαμβάνουν έργα με διαφορετικές πιθανότητες επιτυχίας, δομές κόστους και χρόνους ανάπτυξης.

Τα μοντέλα επιχειρησιακής έρευνας μπορούν να βοηθήσουν στην επιλογή και τον χρονικό συντονισμό τέτοιων χαρτοφυλακίων.

13.4 Κλάδος των ακινήτων

Σε μεγάλα χαρτοφυλάκια ακινήτων, τα μέτρα επένδυσης, ανακαίνισης και ανάπτυξης μπορεί να ανταγωνίζονται μεταξύ τους.

Ο βέλτιστος συνδυασμός εξαρτάται από τις κεφαλαιακές ανάγκες, τη συνεισφορά στην αξία, τον χρονικό προγραμματισμό και τις πιθανές εξαρτήσεις.

13.5 Δημόσιοι προϋπολογισμοί

Και οι κρατικές αποφάσεις σχετικά με τον προϋπολογισμό και τις επενδύσεις έχουν μαθηματικές δομές κατανομής.

Ωστόσο, οι δημόσιες αποφάσεις διαφέρουν σε ένα ουσιαστικό σημείο από τις επενδυτικές αποφάσεις του ιδιωτικού τομέα:

Το κοινωνικό όφελος δεν μπορεί πάντα να αποτυπωθεί άμεσα ως οικονομική απόδοση.

Αντ' αυτού, μπορούν να ληφθούν υπόψη, για παράδειγμα, η ποιότητα των υπηρεσιών, η κατάσταση των υποδομών, οι κλιματικές επιπτώσεις, η κοινωνική προσβασιμότητα ή άλλοι δημόσιοι στόχοι.

Για το σκοπό αυτό, πρέπει να αναπτυχθούν, να τεθούν σε εφαρμογή και να σταθμιστούν με διαφάνεια τα κατάλληλα κριτήρια ωφέλειας.

Οι νομικές υποχρεώσεις, οι δεσμεύσεις για συγκεκριμένους σκοπούς και οι πολιτικές αρμοδιότητες λήψης αποφάσεων παραμένουν δεσμευτικά πλαίσια.

Η μαθηματική βελτιστοποίηση μπορεί να υποστηρίξει τις δημόσιες αποφάσεις, αλλά δεν μπορεί να αντικαταστήσει τη δημοκρατική νομιμοποίηση και την πολιτική ευθύνη.

14. Όρια και προϋποθέσεις της μαθηματικής βελτιστοποίησης

Η Επιχειρησιακή Έρευνα είναι αποτελεσματική, αλλά δεν αποτελεί καθολική εγγύηση για σωστές αποφάσεις.

Η ποιότητα των αποτελεσμάτων εξαρτάται από διάφορους παράγοντες.

Ποιότητα του μοντέλου

Το μαθηματικό μοντέλο πρέπει να αποτυπώνει με επαρκή ακρίβεια τις σχέσεις που είναι σημαντικές για τη λήψη αποφάσεων.

Ποιότητα δεδομένων

Τα ελλιπή ή λανθασμένα δεδομένα μπορούν να οδηγήσουν σε ακατάλληλα αποτελέσματα.

Ποιότητα της συνάρτησης στόχου

Μια μαθηματική μέθοδος βελτιστοποιεί την καθορισμένη συνάρτηση στόχου – ανεξάρτητα από το αν αυτή αντιπροσωπεύει πλήρως τους πραγματικούς στόχους ενός οργανισμού.

Υπολογιστική πολυπλοκότητα

Ορισμένα προβλήματα βελτιστοποίησης είναι υπολογιστικά δύσκολα.

Δεν είναι δυνατόν κάθε πρόβλημα να επιλυθεί με παγκόσμια βέλτιστη λύση εντός ενός δεδομένου χρόνου.

Αβεβαιότητα

Τα αποτελέσματα μπορεί να επηρεάζονται σημαντικά από μελλοντικές εξελίξεις ή αβέβαιες παραμέτρους.

Οργανωτική υλοποιησιμότητα

Μια απόφαση που φαίνεται ελκυστική από μαθηματική άποψη μπορεί να προκαλέσει πρακτικές δυσκολίες, εάν δεν έχουν ληφθεί επαρκώς υπόψη οι οργανωτικές, πολιτικές ή πολιτισμικές συνθήκες.

Από αυτό προκύπτει:

Η μαθηματική βέλτιστη λύση, η οικονομική σκοπιμότητα και η οργανωτική υλοποιησιμότητα συνδέονται μεταξύ τους, αλλά δεν είναι ταυτόσημες.

Μια επαγγελματική διαδικασία βελτιστοποίησης πρέπει να λαμβάνει υπόψη και τις τρεις αυτές διαστάσεις.

15. Από τη μαθηματική λύση στην πραγματική απόφαση

Οι επιστημονικές μέθοδοι της Επιχειρησιακής Έρευνας είναι γνωστές εδώ και δεκαετίες.

Ωστόσο, μια ουσιαστική πρόκληση έγκειται στην πρακτική ενσωμάτωσή τους στις διαδικασίες διαχείρισης.

Παραδοσιακά, τα μοντέλα βελτιστοποίησης αναπτύσσονται και υπολογίζονται συχνά από εξειδικευμένα τμήματα και στη συνέχεια διατίθενται ως πρότυπα λήψης αποφάσεων.

Οι σύγχρονες εφαρμογές Decision Intelligence ακολουθούν μια πιο διαδραστική προσέγγιση.

Οι υπεύθυνοι λήψης αποφάσεων μπορούν, για παράδειγμα:

1. να τροποποιούν τους προϋπολογισμούς ή τους περιορισμούς πόρων.
2. να επιλέξουν ή να αποκλείσουν υποχρεωτικά έργα.
3. Να προσαρμόζουν τις στρατηγικές σταθμίσεις.
4. Να υπολογίζουν εναλλακτικά σενάρια.
5. Να συγκρίνουν τις οικονομικές συνέπειες διαφορετικών συνδυασμών χαρτοφυλακίου.

Με αυτόν τον τρόπο, ένας εφάπαξ υπολογισμός βελτιστοποίησης μπορεί να μετατραπεί σε μια επαναληπτική διαδικασία λήψης αποφάσεων.

Το StratePlan ως εξειδικευμένη εφαρμογή

Το StratePlan, η τεχνολογία Decision Intelligence της mAInthink GmbH, απευθύνεται ειδικά στη μαθηματική βελτιστοποίηση χαρτοφυλακίων επενδύσεων και έργων.

Η εφαρμογή συνδυάζει τη συνδυαστική βελτιστοποίηση με τη διαδραστική ανάλυση των εξαρτήσεων μεταξύ προϋπολογισμού, πόρων και έργων.

Έμφαση δίνεται στη δυνατότητα άμεσου επανυπολογισμού των αποφάσεων σχετικά με το χαρτοφυλάκιο στα όργανα διαχείρισης και λήψης αποφάσεων.

Η υποκείμενη κατηγορία προβλημάτων ανήκει στην Επιχειρησιακή Έρευνα, και συγκεκριμένα στη διακριτή κατανομή χαρτοφυλακίων και πόρων.

Ως εκ τούτου, το StratePlan πρέπει να καταταχθεί ως εξειδικευμένη εφαρμογή μαθηματικής βελτιστοποίησης αποφάσεων και όχι αυτομάτως ως γενικός επιλυτής για όλα τα προβλήματα της Επιχειρησιακής Έρευνας.

Οι εγγυήσεις βέλτιστης λύσης, οι χρόνοι υπολογισμού και οι κατηγορίες μοντέλων που υποστηρίζονται εξαρτώνται από τη συγκεκριμένη τεχνική υλοποίηση και τα εκάστοτε προβλήματα.

Η οικονομική προστιθέμενη αξία έγκειται στη δυνατότητα αξιοποίησης της μαθηματικής βελτιστοποίησης για πραγματικές στρατηγικές διαδικασίες λήψης αποφάσεων.

16. Συχνές ερωτήσεις

Είναι η Επιχειρησιακή Έρευνα μια μορφή τεχνητής νοημοσύνης;

Όχι κατ’ αρχήν. Η Επιχειρησιακή Έρευνα είναι μια αυτόνομη επιστημονική πειθαρχία με μαθηματικές μεθόδους βελτιστοποίησης, προσομοίωσης και λήψης αποφάσεων. Ωστόσο, υπάρχουν πολυάριθμες αλληλεπικαλύψεις και δυνατότητες συνδυασμού με την τεχνητή νοημοσύνη.

Ποια είναι η διαφορά μεταξύ της Επιχειρησιακής Έρευνας και της Μαθηματικής Βελτιστοποίησης;

Η Μαθηματική Βελτιστοποίηση αποτελεί ένα κεντρικό μεθοδολογικό υποπεδίο της Επιχειρησιακής Έρευνας. Η Επιχειρησιακή Έρευνα περιλαμβάνει επιπλέον, για παράδειγμα, την προσομοίωση, τη θεωρία ουρών αναμονής, τη στοχαστική μοντελοποίηση και άλλες μεθόδους ανάλυσης αποφάσεων.

Τι είναι η συνδυαστική βελτιστοποίηση;

Η συνδυαστική βελτιστοποίηση μελετά την επιλογή ή τη διάταξη διακριτών εναλλακτικών λύσεων υπό καθορισμένες συνθήκες. Τυπικά παραδείγματα είναι η επιλογή χαρτοφυλακίου έργων, ο σχεδιασμός διαδρομών, τα προβλήματα αντιστοίχισης και ορισμένα προβλήματα προγραμματισμού.

Μπορεί η Επιχειρησιακή Έρευνα να υπολογίσει ένα παγκόσμιο βέλτιστο;

Ναι, για κατάλληλα μαθηματικά μοντέλα και με τις αντίστοιχες μεθόδους επίλυσης, μπορεί να αποδειχθεί η παγκόσμια βέλτιστη λύση. Ωστόσο, αυτό δεν είναι εγγυημένο για κάθε κατηγορία προβλημάτων ή για κάθε δεδομένο χρόνο υπολογισμού.

Γιατί η κλασική ιεράρχηση έργων δεν αρκεί πάντα;

Η κατάταξη αξιολογεί μεμονωμένα έργα. Αντίθετα, η βελτιστοποίηση χαρτοφυλακίου εξετάζει τη συνολική επίδραση των επιτρεπόμενων συνδυασμών έργων. Ο καλύτερος συνδυασμός δεν αποτελείται απαραίτητα από τα μεμονωμένα έργα που κατατάσσονται στις υψηλότερες θέσεις.

Ποια είναι η διαφορά μεταξύ προσομοίωσης και βελτιστοποίησης;

Μια προσομοίωση εξετάζει ποια αποτελέσματα μπορούν να προκύψουν υπό συγκεκριμένες παραδοχές και αποφάσεις.

Η βελτιστοποίηση αναζητά, εντός ενός καθορισμένου χώρου λήψης αποφάσεων, λύσεις που ικανοποιούν με τον καλύτερο δυνατό τρόπο μια συνάρτηση στόχου.

Και οι δύο προσεγγίσεις μπορούν να συνδυαστούν.

Τι σημαίνει NP-hard;

Ο όρος «NP-hard» αναφέρεται σε μια κατηγορία υπολογιστικά δύσκολων προβλημάτων, στην οποία περιλαμβάνονται πολλά προβλήματα συνδυαστικής βελτιστοποίησης.

Για αυτά τα προβλήματα δεν είναι γνωστός κανένας γενικός αλγόριθμος που να επιλύει όλες τις περιπτώσεις με βέλτιστο τρόπο σε πολυωνυμικό χρόνο. Αυτό όμως δεν σημαίνει ότι κάθε πρακτική περίπτωση πρέπει να είναι δύσκολη.

Μπορούν οι επιχειρήσεις να αξιοποιήσουν την Επιχειρησιακή Έρευνα χωρίς δικό τους τμήμα μαθηματικών;

Ναι. Εξειδικευμένο λογισμικό και εφαρμογές Decision Intelligence μπορούν να καταστήσουν τη μαθηματική μοντελοποίηση και βελτιστοποίηση προσιτές σε χρήστες χωρίς ειδικές γνώσεις.

Κρίσιμης σημασίας παραμένουν η σωστή διατύπωση του προβλήματος, τα αξιόπιστα δεδομένα εισόδου και η επαγγελματική επικύρωση των αποτελεσμάτων.

Είναι το StratePlan μια εφαρμογή Επιχειρησιακής Έρευνας;

Ναι. Η μαθηματική βελτιστοποίηση χαρτοφυλακίων επενδύσεων και έργων αποτελεί μέρος της Επιχειρησιακής Έρευνας.

Το StratePlan αντιμετωπίζει ειδικότερα συνδυαστικά προβλήματα επιλογής και κατανομής υπό καθορισμένους περιορισμούς.

17. Συμπέρασμα: Η Επιχειρησιακή Έρευνα ως επιστημονική βάση για καλύτερες αποφάσεις

Η Επιχειρησιακή Έρευνα αποδεικνύει ότι οι σύνθετες αποφάσεις δεν πρέπει να βασίζονται αποκλειστικά στην εμπειρία, τη διαίσθηση ή μεμονωμένες αξιολογήσεις.

Πολλά οικονομικά, τεχνικά και δημόσια προβλήματα λήψης αποφάσεων μπορούν να μοντελοποιηθούν μαθηματικά και να βελτιστοποιηθούν συστηματικά.

Αυτή η προσέγγιση αποκτά ιδιαίτερη σημασία όταν υπάρχουν πολλές εναλλακτικές λύσεις που ανταγωνίζονται μεταξύ τους, οι πόροι είναι περιορισμένοι και πρέπει να ληφθούν υπόψη οι αλληλεξαρτήσεις.

Το βασικό συμπέρασμα είναι:

Η ποιότητα των επιμέρους έργων δεν καθορίζει απαραίτητα την ποιότητα του συνολικού χαρτοφυλακίου. Καθοριστικό ρόλο παίζει ο συνδυασμός που, υπό τις πραγματικές περιοριστικές συνθήκες, παράγει τη μέγιστη καθορισμένη συνολική αξία.

Η Επιχειρησιακή Έρευνα παρέχει τις επιστημονικές μεθόδους για τη διερεύνηση τέτοιων συσχετισμών.

Οι μαθηματικές μέθοδοι βελτιστοποίησης επιτρέπουν την αναζήτηση λύσεων υψηλής ποιότητας και, υπό κατάλληλες προϋποθέσεις, αποδεδειγμένα παγκοσμίως βέλτιστων λύσεων.

Η Decision Intelligence μπορεί να μετατρέψει αυτά τα αποτελέσματα σε κατανοητές, διαδραστικές διαδικασίες λήψης αποφάσεων.

Έτσι δημιουργείται μια σύνδεση μεταξύ της μαθηματικής έρευνας δεκαετιών και των πρακτικών απαιτήσεων της σύγχρονης εταιρικής διοίκησης.

Η Επιχειρησιακή Έρευνα καθιστά τα σύνθετα προβλήματα λήψης αποφάσεων μαθηματικά αναλύσιμα. Η Νοημοσύνη Λήψης Αποφάσεων καθιστά τα αποτελέσματα αξιοποιήσιμα για τους υπεύθυνους λήψης αποφάσεων.

Περαιτέρω επιστημονικές πηγές

Επαγγελματικές ενώσεις και βασικές αρχές

• INFORMS – Επιχειρησιακή Έρευνα & Ανάλυση: https://www.informs.org/Explore/Operations-Research-Analytics
• EURO – Ένωση Ευρωπαϊκών Εταιρειών Επιχειρησιακής Έρευνας: https://www.euro-online.org/
• Εταιρεία Επιχειρησιακής Έρευνας (GOR): https://www.gor-ev.de/

Βασικά επιστημονικά έργα

• Hillier, F. S. & Lieberman, G. J.: Introduction to Operations Research.
• Bertsimas, D. & Tsitsiklis, J. N.: Εισαγωγή στη Γραμμική Βελτιστοποίηση.
• Nemhauser, G. L. & Wolsey, L. A.: Ακέραια και συνδυαστική βελτιστοποίηση.
• Ehrgott, M.: Βελτιστοποίηση πολλαπλών κριτηρίων.
• Birge, J. R. & Louveaux, F.: Εισαγωγή στον Στοχαστικό Προγραμματισμό.

Τεχνική εμβάθυνση

• Gurobi – Προγραμματισμός μεικτών ακέραιων: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi – Αποδεδειγμένη βέλτιστη λύση: https://www.gurobi.com/resources/blog/provable-optimality

Βιώστε την Επιχειρησιακή Έρευνα στην πράξη

Η μαθηματική βελτιστοποίηση δεν περιορίζεται στα επιστημονικά μοντέλα.

Μάθετε πώς το StratePlan καθιστά προσβάσιμη τη βελτιστοποίηση σύνθετων χαρτοφυλακίων επενδύσεων και έργων για πραγματικές αποφάσεις διαχείρισης.

CTA: Μαθηματική βελτιστοποίηση χαρτοφυλακίου →

StratePlan | Η Επιχειρησιακή Έρευνα συναντά τη Νοημοσύνη Λήψης Αποφάσεων.

Ίδια έργα. Ίδιος προϋπολογισμός. Καλύτεροι συνδυασμοί. Καλύτερες αποφάσεις.