StratePlanin taustalla olevan matematiikan ymmärtäminen: Miksi paremmat päätökset edellyttävät erilaista laskentalogiikkaa

Monet investointi- ja priorisointipäätökset näyttävät "hankeluettelolta". Matemaattisesti ne ovat jotain muuta: kombinatorinen päätösavaruus, joka kasvaa eksponentiaalisesti jokaisen lisävaihtoehdon myötä. Jos tätä tilaa ei mallinneta, sitä ei voi optimoida.

Kenelle tämä sivu on tarkoitettu?

C-taso ja valvontaelimet: ymmärtämään, miksi "hyvät yksittäiset hankkeet" eivät automaattisesti johda parhaaseen salkkuun.
Talousjohtaja/valvontatoimi: virallistamaan mahdollisuuksien kustannukset ja rajoitukset (budjetti, riskit, ESG, kapasiteetit).
Julkinen sektori: ymmärtää, miksi rahoituslogiikka, osastokohtainen ajattelu ja vaalikausi johtavat rakenteellisesti epäoptimaalisiin salkkuihin.

Ydinongelma: päätöksentekomahdollisuudet kasvavat eksponentiaalisesti

Jokainen lisähanke ei luo "yhden kohdan lisää" luetteloon, vaan uuden ulottuvuuden ratkaisuavaruuteen. Mahdollisten salkkuyhdistelmien määrä noudattaa logiikkaa 2ⁿ:

10 hanketta → 2^10 = 1 024 yhdistelmää
20 hanketta → 2^20 = 1 048 576 yhdistelmää
50 hanketta → 2^50 ≈ 1,125 kvadriljoonaa yhdistelmää

Tämä on piste, jossa klassiset komiteaprosessit, Excelin logiikka ja heuristiikka saavuttavat matemaattisen rajan.

Paikallinen vs. globaali optimi

Paikallinen optimi tarkoittaa: ratkaisu, joka toimii paremmin kuin ilmeiset vaihtoehdot.

Globaali optimi tarkoittaa: paras ratkaisu koko päätösavaruudessa.

Monet organisaatiot parantavat paikallisia päätöksiä (paremmat pisteet, paremmat liiketoimintatapaukset) laskematta koko päätösavaruutta. Tämän seurauksena parhaat yhdistelmät jäävät usein näkymättömiin.

Miksi heuristiikat ovat rakenteellisesti epätäydellisiä?

Kuntien ja yritysten päätöksentekoprosesseista tutut tyypilliset säännöt ja rajoitukset, kuten "top 5 NPV:n mukaan", "IRR > WACC", "takaisinmaksu < 3 vuotta" tai "strategiset majakat ensin", ovat toiminnallisesti ymmärrettäviä. Matemaattisesti niillä on heikkous: niissä arvioidaan hankkeita erillisinä, ei toisistaan riippuvaisena portfoliona.

Hanke, jonka yksittäinen arvo on alhainen, voi tuottaa suurimman kokonaisvaikutuksen yhdessä muiden hankkeiden kanssa. Hanke, jolla on korkea yksittäinen arvo, voi syrjäyttää paremmat yhdistelmät, jos sovelletaan rajoituksia.

Ratkaisu: muodollinen mallintaminen vaiston sijaan

Päätösmatematiikka alkaa siitä, että salkku muotoillaan malliksi:

Päätöksentekomuuttujat: _xi ∈ {0,1} (hanke valitaan tai ei valita)
Tavoitefunktio: esim. kokonaisarvon, vaikutuksen, nettonykyarvon, hyötyindeksin maksimointi
Toissijaiset ehdot: Budjetti, kapasiteetit, riski, CO₂, minimikiintiöt, riippuvuudet ja paljon muuta...

Yksinkertainen malli (yksinkertaistettu)

Maksimoi:
∑ _(arvoi × _xi)

alle:
∑ _(costi × _xi) ≤ budjetti
∑ _(päästöi × _xi) ≤ CO₂-raja
_xi ∈ {0.1}

Tämä perusperiaate vastaa (moni)rajoittavaa Knapsack-ongelmaa ja muodostaa perustan todellisille portfoliomalleille, joissa on useita ulottuvuuksia ja keskinäisiä riippuvuuksia.

Mitä opit tällä alustalla

Miksi 2ⁿon todellinen "näkymätön tila" salkkupäätösten taustalla
Miten rajoitukset hallitsevat päätöksiä (budjetti, kapasiteetti, ESG, riski)
Miksi "priorisointi" ei ole sama asia kuin "optimointi"
Miten vaihtoehtoiskustannukset voidaan visualisoida ennakkoon
Miten datasta tehdään päätöksentekoon kykenevä malli?

Perusasiat: päätöksentekoalueet ja optimointi

Matemaattinen perusta: 2^n paikallista vs. globaalia optimia, rajoitukset, tavoitefunktiot ja mallilogiikka.

Matematiikan syväsukellus: 5 rakennuspalikkaa, joilla on todella merkitystä

Päätösmuuttujat: Mitä vaihtoehtoja on olemassa _(xi)?
Tavoitemuuttuja: Mitä maksimoidaan (arvo, vaikutus, nettonykyarvo, hyöty)?
Rajoitukset: Mikä rajoittaa tilaa (budjetti, CO₂, kapasiteetti, riski, kiintiöt)?
Riippuvuudet: Mitkä hankkeet ehdollistavat tai estävät toisia?
Optimointi: Miten voidaan löytää paras yhdistelmä koko tilasta?

Hankkeet eivät katoa - ne sijoitetaan paremmin ja suunnitellaan optimaalisesti usean vuoden ajalle

Matemaattisesti optimoidussa investointijärjestelmässä hankkeita ei hylätä. Sen sijaan niitä priorisoidaan uudelleen, lykätään tai sijoitetaan strategisesti uudelleen, siten, että ne tuottavat mahdollisimman suuren taloudellisen panoksen kokonaissalkkuun optimaalisena ajankohtana annettujen budjetti, kapasiteetti ja riskirajoitusten puitteissa maksimoidaan niiden taloudellinen panos kokonaisportfolioon.

Ratkaisevaa tässä on monivuotinen näkökulma. Sijoituspäätöksiä ei tehdä erillisinä yksittäistä vuotta varten, vaan ne optimoidaan 2-, 3-, 5- tai 10-vuotissuunnitelmien yhteydessä.

Alkuvuoden optimoinnista syntyvä likviditeetti siirretään järjestelmällisesti seuraavalle vuodelle vuosi. Tämä kasvattaa seuraavan kauden käytettävissä olevaa investointibudjettia. Myös tämä seuraava vuosi optimoidaan uudelleen.

Vaikutus: hankkeita voidaan lisätä heti, kun ne sopivat globaalisti optimoituun salkkuun uusien budjetti-, kapasiteetti- ja tuottoehtojen mukaisesti, Kapasiteetti- ja tuottoehdot sopivat globaalisti optimoituun salkkuun. Näin luodaan dynaaminen monivuotinen optimointi, jossa jokainen optimointijakso on seuraava Optimointijakso parantaa rakenteellisesti seuraavien vuosien investointimahdollisuuksia.

Lopullinen ajatus

Jokainen, joka ei laske päätösavaruutta, hallitsee monimutkaisuutta - eikä optimoi. Matematiikan ymmärtäminen ei tässä yhteydessä tarkoita "kaavojen opettelua", vaan päätösten rakenteen mallintamista siten, että globaali optimi voi ylipäätään tulla näkyviin.

Visualisointi 2^50 päätösavaruudesta:

Esimerkkinä on 50 hanketta, joilla on rajalliset budjetit. Taustalla oleva päätösavaruus on toimialariippumaton, ja sitä voidaan soveltaa samalla tavalla kunnallisiin hankkeisiin, budjettipäätöksiin ja infrastruktuurisalkkuihin.

2^50 mahdollista yhdistelmää vastaa suuruusluokkaa suurempaa määrää kuin yli 2800 Linnunradan tähtien lukumäärä.

Tämä ulottuvuus tekee selväksi: ilman algoritmista optimointia valinta perustuu itse asiassa heuristisiin likiarvoihin - ei globaalin optimin täydelliseen laskentaan.