Operaatiotutkimus: Miten matematiikka optimoi monimutkaisia päätöksiä

Tieteellisestä päätösanalyysistä kombinatorisen optimoinnin kautta moderniin päätöksentekoälyyn

Asiantuntija-artikkeli | mAInthink Insights | Tiede ja menetelmät

Yritykset, julkiset laitokset ja sijoittajat kohtaavat perustavanlaatuisen haasteen: niiden on tehtävä päätöksiä, joiden taloudelliset tai yhteiskunnalliset vaikutukset eivät riipu pelkästään yksittäisistä toimenpiteistä, vaan lukuisien vaihtoehtojen yhteisvaikutuksesta.

Mihin investointeihin tulisi myöntää rahoitusta? Mitkä hankkeet tuottavat yhdessä suurimman lisäarvon? Miten rajalliset resurssit voidaan jakaa optimaalisesti? Ja miten paras päätös muuttuu, kun budjetteja, prioriteetteja tai puite-olosuhteita mukautetaan?

Perinteinen vastaus koostuu usein arvioinneista, prioriteettiluetteloista, liiketoimintamalleista ja johdon päätöksistä.

Operaatiotutkimus noudattaa erilaista lähestymistapaa:

Ei pelkästään yksittäisten vaihtoehtojen arviointia, vaan kaikkien sallittujen päätösten parhaan mahdollisen yhdistelmän matemaattista määrittämistä.

Tämä tieteenala on jo vuosikymmenten ajan muodostanut tieteellisen perustan monimutkaisten taloudellisten, teknisten ja organisatoristen järjestelmien optimoinnille.

Nykyään se on saanut uuden käytännön merkityksen tehokkaiden optimointialgoritmien, rinnakkaislaskentamenetelmien, tekoälyn ja interaktiivisten päätöksentekoalustojen ansiosta.

Sisällysluettelo

1. Mitä on operaatiotutkimus?
2. Operaatiotutkimuksen tieteellinen kehitys
3. Mitä ongelmia operaatiotutkimus ratkaisee?
4. Matemaattiset perusteet
5. Kombinatorinen optimointi ja eksponentiaalinen monimutkaisuus
6. Tärkeimmät optimointimenetelmät
7. Globaali optimaalisuus: mitä voidaan todistaa matemaattisesti
8. Salkun optimointi perinteisen priorisoinnin sijaan
9. Monijaksoinen suunnittelu ja resurssirajoitukset
10. Monitavoitteinen optimointi ja kilpailevat tavoitteet
11. Operaatiotutkimus epävarmuuden olosuhteissa
12. Operaatiotutkimus, tekoäly ja päätöksentekoäly
13. Operaatiotutkimus yrityksissä ja julkisessa hallinnossa
14. Matemaattisen optimoinnin rajat ja edellytykset
15. Matemaattisesta ratkaisusta reaaliaikaiseen päätöksentekoon
16. Usein kysyttyjä kysymyksiä
17. Yhteenveto ja tieteellinen luokittelu

1. Mikä on operaatiotutkimus?

Operaatiotutkimus, jota usein kutsutaan lyhenteellä OR tai brittiläisissä yhteyksissä nimellä Operational Research, on monitieteinen tieteenala, joka keskittyy monimutkaisten päätöksentekoproblemien analysointiin ja optimointiin.

Se yhdistää erityisesti:

• sovelletun matematiikan
• Matemaattinen optimointi
• Todennäköisyysteoria ja tilastotiede
• Tietotekniikka ja algoritmiteoria
• Taloustieteet
• Järjestelmäanalyysi ja päätöksentekotieteet

Keskeisenä tavoitteena on mallintaa päätöksentekoon liittyviä ongelmia siten, että erilaisia toimintavaihtoehtoja voidaan tutkia järjestelmällisesti ja optimoida määriteltyjen tavoitearvojen perusteella.

Toisin kuin puhtaasti kuvailevat analyysimenetelmät, operaatiotutkimus ei vastaa pelkästään kysymykseen siitä, mitä järjestelmässä tapahtuu.

Se tutkii, mitkä päätökset tulisi tehdä annetuissa olosuhteissa, jotta määritelty tavoite saavutettaisiin parhaalla mahdollisella tavalla.

Yritys voi esimerkiksi tietää, mitkä sen investointihankkeista tuottavat todennäköisesti positiivisen pääoman tuoton.

Tästä ei kuitenkaan vielä seuraa, mikä näiden hankkeiden yhdistelmä tuottaa suurimman taloudellisen arvon rajallisen kokonaisbudjetin puitteissa.

Juuri tästä alkaa klassinen operaatiotutkimusongelma.

2. Operaatiotutkimuksen tieteellinen kehitys

Operaatiotutkimuksen nykyaikainen kehitys alkoi erityisesti toisen maailmansodan aikana.

Tuolloin eri tieteenalojen tutkijat tarkastelivat monimutkaisia operatiivisia kysymyksiä, kuten rajallisten resurssien tehokasta käyttöä, logististen prosessien koordinointia ja sotilaallisten järjestelmien optimointia.

Sodan jälkeen kehitettyjä menetelmiä alettiin soveltaa yhä laajemmin teollisuuden ja talouden ongelmiin.

Merkittävä virstanpylväs oli George B. Dantzigin vuonna 1947 kehittämä simplex-menetelmä.

Tämän myötä lineaarinen optimointi nousi tärkeäksi työkaluksi matemaattisessa päätöksenteon tuessa.

Seuraavien vuosikymmenien aikana kehitettiin muita merkittäviä menetelmiä:

• Dynaaminen ohjelmointi
• Kokonaislukujen ja sekakokonaislukujen optimointi
• Branch-and-Bound
• Verkko-optimointi
• Stokastinen optimointi
• Monitavoitteinen optimointi
• Metaheuristiset menetelmät
• Robusti optimointi

Nykyään operaatiotutkimus on kansainvälisesti vakiintunut tutkimusala.

Tärkeitä tieteellisiä järjestöjä ovat INFORMS, EURO, IFORS ja Saksan operaatiotutkimusyhdistys (GOR).

Operaatiotutkimus ei siis ole tekoälyn uusi ilmenemismuoto, vaan itsenäinen tieteellinen perusta nykyaikaiselle päätöksenteon optimoinnille.

3. Mitä ongelmia operaatiotutkimus ratkaisee?

Operaatiotutkimus on merkityksellistä kaikissa tilanteissa, joissa on useita päätösvaihtoehtoja, rajallisia resursseja ja määriteltävissä olevia tavoitteita.

Sovellusalueet ovat vastaavasti laajat.

Investoinnit ja pääoman kohdentaminen

Mitkä investoinnit tulisi toteuttaa rajallisen budjetin puitteissa?

Projektisalkun optimointi

Mikä projektien yhdistelmä tuottaa suurimman taloudellisen tai strategisen kokonaisvaikutuksen?

Tuotannonsuunnittelu

Miten tuotantomääriä, koneiden kapasiteettia ja tilausten järjestystä voidaan optimoida?

Toimitusketjun optimointi

Miten varastot, kuljetusreitit, toimituskapasiteetit ja tuotantolaitokset voidaan koordinoida tehokkaasti?

Energia- ja infrastruktuurisuunnittelu

Mitkä investoinnit verkkoihin, laitoksiin tai kunnossapitotoimenpiteisiin tuottavat suurimman hyödyn rajallisten resurssien puitteissa?

Henkilöstö- ja resurssisuunnittelu

Miten työntekijät, koneet, aikataulut tai muut niukat resurssit voidaan jakaa optimaalisesti?

Julkinen talous

Mikä julkisten toimenpiteiden yhdistelmä tuottaa suurimman määritellyn yhteiskunnallisen vaikutuksen taloudellisten, oikeudellisten ja poliittisten puitteiden puitteissa?

Terveydenhuolto

Miten kapasiteettia, hoitoaikoja, lääketieteellisiä resursseja ja hoitorakenteita voidaan parantaa?

Erilaisista sovellusalueista huolimatta monilla näistä ongelmista on yhteinen matemaattinen rakenne:

On löydettävä mahdollisimman hyvä tai optimaalinen ratkaisu sallitun, rajallisen päätöksentekotilan puitteissa.

4. Matemaattiset perusteet

Matemaattinen optimointiongelma koostuu periaatteessa kolmesta elementistä:

päätösmuuttujista, tavoitefunktiosta ja rajoitusehdoista.

4.1 Päätösmuuttujat

Päätösmuuttujat kuvaavat, mitä päätöksiä voidaan tehdä.

Esimerkiksi binäärisessä projektipäätöksessä pätee seuraava:

Tässä:

• _xi=1: Projekti i valitaan.
• _xi=0: Projektia i ei valita.

Muissa optimointiongelmissa käytetään kokonaisluku- tai jatkuvia muuttujia.

4.2 Tavoitefunktio

Tavoitefunktio kuvaa, mitä suuretta halutaan maksimoida tai minimoida.

Salkun osalta, jossa projektien arvot ovat additiivisia, yksinkertaistettu maksimointifunktio on:

Tässä _vi tarkoittaa projektin taloudellista tai strategista arvonlisää.

4.3 Rajoitukset

Todelliset päätökset ovat rajoitusten alaisia.

Tyypillinen budjettirajoitus on:

Tällöin pätee:

• _ci: projektin i pääomatarve
• B: käytettävissä oleva kokonaisbudjetti

Muita lisäehtoja voivat olla esimerkiksi henkilöresurssit, tekniset riippuvuudet, lakisääteiset vaatimukset tai aikarajoitukset.

Täydellinen optimointiongelma koostuu siis siitä, että löydetään sallittu päätösmuuttujien yhdistelmä, joka täyttää tavoitefunktion parhaalla mahdollisella tavalla.

Tämä mallirakenne on perustana lukuisille käytännön operaatiotutkimuksen sovelluksille.

5. Kombinatorinen optimointi ja eksponentiaalinen monimutkaisuus

Erityisen tärkeä operaatiotutkimuksen osa-alue on kombinatorinen optimointi.

Siinä tutkitaan päätöksentekoprobleemeja, joissa etsitään parasta sallittua ratkaisua äärellisestä, usein erittäin suuresta joukosta erillisiä vaihtoehtoja.

Kun n on riippumattomasti valittavissa olevia binäärisiä projekteja, teoreettisesti mahdollisten yhdistelmien lukumäärä on:

Tästä seuraa:

Nämä luvut kuvaavat aluksi kaikkien binääristen valintayhdistelmien lukumäärää, eivät todellisuudessa sallittujen salkkujen lukumäärää.

Budjettirajoitukset, projektien väliset riippuvuudet ja muut rajoiteehdot voivat supistaa sallittujen ratkaisujen joukkoa huomattavasti.

Teoreettinen mahdollisten yhdistelmien lukumäärä havainnollistaa kuitenkin ongelman suuruusluokkaa.

Kaikkien vaihtoehtojen täydellinen manuaalinen arviointi on käytännössä mahdotonta jo suhteellisen pienissä salkuissa.

Eksponentiaalinen monimutkaisuus ei tarkoita, että jokainen yhdistelmä olisi tarkasteltava erikseen

Nykyaikaiset optimointialgoritmit pystyvät sulkemaan pois suuren osan päätöksentekotilasta ilman, että jokaista yksittäistä yhdistelmää arvioidaan kokonaan.

Tätä varten ne hyödyntävät matemaattisia rajoja, relaksaatioita, ongelman rakenteellisia ominaisuuksia ja älykkäitä hakustrategioita.

Siksi optimointimenetelmä voi sopivissa olosuhteissa ratkaista tehokkaasti myös erittäin suuria kombinatorisia päätösongelmia.

Tehokkaiden algoritmien olemassaolo ei kuitenkaan takaa, että mikä tahansa ongelma voidaan ratkaista globaalisti optimaalisesti lyhyessä ajassa.

Todellinen laskennallinen monimutkaisuus riippuu muun muassa mallin rakenteesta, rajoituksista, ongelman koosta ja käytetystä ratkaisumenetelmästä.

6. Tärkeimmät optimointimenetelmät

Operaatiotutkimus käsittää erilaisia matemaattisia ratkaisumenetelmiä.

Se, mikä menetelmä on sopiva, riippuu päätösongelman rakenteesta.

6.1 Lineaarinen ohjelmointi

Lineaarisessa optimoinnissa tutkitaan ongelmia, joissa on lineaarisia tavoitefunktioita ja lineaarisia rajoitteita.

Sitä käytetään esimerkiksi tuotanto-, kuljetus- ja resurssisuunnittelussa.

6.2 Kokonaislukuprogrammointi

Kokonaislukuoptimoinnissa otetaan huomioon päätösmuuttujat, joiden arvot voivat olla vain kokonaislukuja.

Tämä on erityisen merkityksellistä diskreettisissä päätöksissä, esimerkiksi kun projektit joko valitaan kokonaan tai hylätään kokonaan.

6.3 Sekalukuinen lineaarinen ohjelmointi

Sekalukuinen lineaarinen ohjelmointi, lyhennettynä MILP, yhdistää jatkuvat ja kokonaislukuiset päätösmuuttujat lineaarisen mallin sisällä.

Tämän ansiosta esimerkiksi investointipäätökset voidaan yhdistää jatkuviin budjetti- tai kapasiteettisuuruuksiin.

6.4 Branch-and-Bound

Branch-and-Bound-menetelmä jakaa päätöksentekotilan järjestelmällisesti osaprobleemeiksi.

Matemaattisten raja-arvojen avulla voidaan määrittää, mitkä osatilat eivät voi enää sisältää parempaa ratkaisua.

Näitä osatiloja ei tarvitse sen jälkeen tutkia enempää.

6.5 Branch-and-Cut

Branch-and-Cut laajentaa Branch-and-Bound-menetelmää lisäämällä uusia päteviä epäyhtälöitä, niin kutsuttuja leikkauspintoja (cutting planes).

Nämä voivat tiukentaa matemaattisia relaksaatioita ja nopeuttaa optimaalisten ratkaisujen etsimistä.

6.6 Dynaaminen ohjelmointi

Dynaaminen ohjelmointi jakaa sopivat ongelmat toisiinsa liittyviin osiongelmiin.

Sitä käytetään muun muassa peräkkäisissä päätösongelmissa, varastosuunnittelussa ja tietyissä resurssien allokointiongelmissa.

6.7 Heuristiikat ja metaheuristiikat

Heuristiset menetelmät etsivät tehokkaasti hyviä sallittuja ratkaisuja ilman, että ne periaatteessa takaavat globaalin optimaalisuuden.

Tunnettuja esimerkkejä ovat:

• Geneettiset algoritmit
• Simuloitu hehkutus
• Tabu-haku
• Paikallinen haku

Nämä menetelmät voivat olla hyödyllisiä erityisesti suurten tai rakenteeltaan monimutkaisten ongelmien ratkaisemisessa.

6.8 Hybridioptimointimenetelmät

Hybridimenetelmät yhdistävät erilaisia menetelmiä.

Esimerkiksi heuristiset menetelmät voivat aluksi tuottaa laadukkaita sallittuja ratkaisuja, kun taas tarkat menetelmät yrittävät sen jälkeen parantaa näitä ratkaisuja tai todistaa niiden optimaalisuuden.

Myös koneoppimista voidaan käyttää hakustrategioiden valintaan, parametrien ennustamiseen tai yksittäisten ratkaisuvaiheiden nopeuttamiseen.

Tällaisten yhdistelmien todelliset edut on tutkittava sopivien vertailutestien avulla.

7. Globaali optimaalisuus: mitä voidaan todistaa matemaattisesti

Matemaattisen optimoinnin keskeinen vahvuus on se, että tietyissä olosuhteissa voidaan paitsi löytää hyvä ratkaisu, myös todistaa sen globaali optimaalisuus.

Globaalisti optimaalinen ratkaisu on määritellyn sallitun ratkaisutilan sisällä paras mahdollinen tavoitefunktion arvo.

Muodollisesti maksimointiongelmalle pätee:

Tässä:

• X: kaikkien sallittujen ratkaisujen joukko
• x^*: globaalisti optimaalinen ratkaisu
• f(x): ratkaisun tavoitefunktion arvo

Globaalin optimaalisuuden todistaminen voidaan suorittaa esimerkiksi matemaattisten raja-arvojen avulla.

Optimaalisuusero

Sekalukuisissa optimointiongelmissa tarkastellaan usein parhaan löydetyn sallitun ratkaisun ja globaalin optimin kelvollisen rajan välistä eroa.

Maksimointiongelmassa, jossa paras tavoitefunktioarvo on positiivinen, suhteellinen optimaalisuusero voidaan määritellä esimerkiksi seuraavasti:

Tällöin pätee:

• LB: tähän mennessä löydetyn parhaan sallitun ratkaisun arvo
• UB: globaalin optimin kelvollinen yläraja

Nollan suuruinen ero tarkoittaa tarkassa laskelmassa, että globaali optimaalisuus on osoitettu.

Käytännön ratkaisijat ottavat huomioon numeeriset toleranssit ja määritellyt keskeytyskriteerit.

Pieni ero voi lisäksi tarkoittaa, että löydetty ratkaisu on jo hyvin lähellä teoreettisesti parasta mahdollista tavoitefunktioarvoa.

Ratkaiseva tieteellinen rajoitus

Globaali optimi on aina matemaattisen mallin optimi – se ei automaattisesti ole objektiivisesti paras päätös todellisessa maailmassa.

Jos syöttötiedot ovat puutteellisia, hyötyoletukset virheellisiä tai merkityksellisiä rajoitusehtoja ei ole otettu huomioon, matemaattisesti optimaalinen ratkaisu voi olla taloudellisesti sopimaton.

Siksi mallin validointi, herkkyysanalyysit ja taustalla olevien oletusten tarkistaminen kuuluvat ehdottomasti vakavasti otettavaan optimointiin.

8. Salkun optimointi perinteisen priorisoinnin sijaan

Erityisen merkityksellinen sovellusalue on investointi- ja projektisalkkujen optimointi.

Perinteisissä salkkuoptimointimenetelmissä hankkeet arvioidaan usein yksittäin.

Tämän perusteella muodostetaan järjestys, esimerkiksi ROI:n, NPV:n, strategisen merkityksen tai painotettujen arviointikriteerien perusteella.

Tällainen priorisointi vastaa kysymykseen:

Mikä yksittäinen projekti vaikuttaa erityisen houkuttelevalta?

Se ei kuitenkaan välttämättä vastaa kysymykseen:

Mikä kaikkien käytettävissä olevien hankkeiden yhdistelmä tuottaa suurimman kokonaisarvon nykyisten rajoitusten puitteissa?

Yksinkertaistettu esimerkki

Yrityksellä on käytettävissään 10 miljoonan euron investointibudjetti.

Valittavana on neljä hanketta:

Kun priorisointi tehdään absoluuttisen NPV:n perusteella, projekti A on ensimmäisellä sijalla.

Jos valitaan A, jäljellä olevalla 4 miljoonan euron budjetilla voidaan rahoittaa joko projekti C tai projekti D.

Yhdistelmä A + C saavuttaa 16 miljoonan euron kokonais-NPV:n 10 miljoonan euron budjettikululla ja on tässä esimerkissä paras sallittu yhdistelmä.

Myös sallittu yhdistelmä B + C saavuttaa NPV:n 15 miljoonaa euroa 9 miljoonan euron pääomakäytöllä.

Tässä esimerkissä yhdistelmä A + C on todellakin optimaalinen.

Tämä ei kuitenkaan tarkoita, että järjestys olisi välttämättä väärä.

Esimerkki osoittaa pikemminkin, että optimaalinen salkkupäätös syntyy sallittujen yhdistelmien vertailun kautta eikä seuraa pelkästään yksittäisten projektien arvioinnista.

Jo pienet muutokset projektien arvoissa, budjeteissa tai riippuvuussuhteissa voivat johtaa siihen, että paras yhdistelmä ei enää koostu korkeimmalle sijoittuneista yksittäisistä projekteista.

Miksi ROI:n maksimointi vaatii erityistä huolellisuutta

Kokonais-NPV:n maksimointi ei ole sama asia kuin salkun ROI:n maksimointi.

Jos salkun ROI määritellään aggregoidun nettotuoton ja aggregoidun pääomasijoituksen suhteena, tuloksena on erilainen tavoitefunktio:

Tällainen suhteen optimointi eroaa matemaattisesti additiivisen kokonaisarvon maksimoinnista.

Lisäksi pelkkä ROI:n maksimointi voi suosia hyvin pieniä salkkuja.

Siksi ennen jokaista optimointia on selvitettävä, tuleeko esimerkiksi kokonais-NPV:tä, ROI:ta, strategista hyötyä vai jotakin muuta tavoitearvoa maksimoida.

Tavoitefunktion määrittely on sinänsä olennainen johtamispäätös.

9. Monijaksoinen suunnittelu ja resurssirajoitukset

Todelliset investointipäätökset koskevat usein useita tilikausia.

Projekti voi esimerkiksi vaatia suuria investointeja ensimmäisenä vuonna, sitoa lisäresursseja toisena vuonna ja tuottaa taloudellista tuottoa vasta myöhemmin.

Asianmukaisessa matemaattisessa mallinnuksessa on otettava huomioon tämä ajallinen rakenne.

Yksinkertaistetussa monijaksoisessa salkunvalinnassa voidaan soveltaa seuraavaa:

edellyttäen, että:

Jossa:

• _cit: projektin i pääomatarve jaksolla t
• _Bt: käytettävissä oleva budjetti ajanjaksolla t

Lisäksi resurssirajoitukset voidaan mallintaa seuraavasti:

Tässä _airt tarkoittaa projektin resurssitarvetta resurssille r ajanjaksolla t.

Projektien väliset riippuvuudet

Myös projektien välisiä loogisia suhteita voidaan ilmaista matemaattisesti.

Jos projekti B voidaan toteuttaa vain, jos projekti A on valittu:

Jos kahta projektia ei saa toteuttaa samanaikaisesti:

Jos yksi projekti on ehdottomasti toteutettava:

Tällaiset rajoitukset ovat olennaisia, koska sijoitussalkun todellinen laatu määräytyy usein paitsi budjetin, myös lukuisten teknisten, organisatoristen ja strategisten riippuvuuksien perusteella.

10. Monitavoitteinen optimointi ja keskenään kilpailevat tavoitteet

Monissa todellisissa päätöksentekotilanteissa ei ole vain yhtä tavoitearvoa.

Yritys haluaa esimerkiksi samanaikaisesti:

• maksimoida taloudellisen arvonlisän
• rajoittaa riskejä
• vähentää CO₂-päästöjä
• saavuttaa strategiset tavoitteet
• välttää resurssipulia

Nämä tavoitteet voivat olla keskenään ristiriidassa.

Monitavoitteinen optimointi tutkii siksi päätöksiä, joissa on useita tavoitefunktioita.

Muodollisesti tällainen ongelma voidaan esittää seuraavasti:

sillä ehdolla, että:

Painotetut tavoitefunktiot

Yksi mahdollisuus on yhdistää useita normoituja tavoitearvoja painotetuksi kokonaisfunktioksi:

Tässä _wj edustaa kunkin tavoitearvon painotusta.

Painotukset on perusteltava asiallisesti.

Pareto-optimaalisuus

Toinen vaihtoehto on määrittää Pareto-optimaaliset ratkaisut.

Ratkaisu on Pareto-optimaalinen, jos mikään muu sallittu ratkaisu ei ole vähintään yhtä hyvä kaikissa tavoitearvoissa ja ehdottomasti parempi vähintään yhdessä tavoitearvossa.

Tämän seurauksena usein ei synny yhtä ainoaa yksiselitteisesti parasta päätöstä, vaan joukko tehokkaita vaihtoehtoja.

Johtoryhmän on tämän jälkeen päätettävä, mitkä tavoitteiden väliset ristiriidat ovat hyväksyttäviä.

Operaatiotutkimus ei siis korvaa strategista vastuuta.

Se mahdollistaa erilaisten preferenssien seurausten matemaattisen tutkimisen.

11. Operaatiotutkimus epävarmuuden olosuhteissa

Kaikkia päätöksenteon kannalta merkityksellisiä tekijöitä ei tiedetä päätöksentekohetkellä.

Tulevat tuotot, projektikustannukset, resurssien saatavuus ja markkinaolosuhteet voivat olla epävarmoja.

Klassinen deterministinen optimointimalli toimii kiinteillä parametreilla.

Epävarmoihin päätöksentekotilanteisiin on olemassa muita menetelmällisiä lähestymistapoja.

Stokastinen optimointi

Stokastinen optimointi ottaa huomioon satunnaismuuttujat ja tarvittaessa erilaiset tulevaisuusskenaariot.

Tässä yhteydessä voidaan ottaa huomioon esimerkiksi odotusarvot, riskimittarit tai monivaiheiset päätökset.

Robusti optimointi

Robustissa optimoinnissa etsitään ratkaisuja, jotka ovat sallittuja tai tehokkaita myös määriteltyjen epäsuotuisien parametripoikkeamien vallitessa.

Skenaarioanalyysi

Skenaarioanalyysissä tutkitaan, miten optimaaliset päätökset muuttuvat erilaisissa oletuksissa.

Herkkyysanalyysi

Herkkyysanalyysi tutkii, kuinka herkästi tulokset reagoivat yksittäisten syöttöparametrien muutoksiin.

Nämä menetelmät ovat erityisen merkityksellisiä pitkän aikavälin investointipäätöksissä.

Matemaattisesti optimoitua sijoitussalkkua ei siksi tulisi arvioida yksinomaan sen tuloksen perusteella, joka on saatu yhdellä ainoalla tulevaisuusoletuksella.

Yhtä tärkeä on kysymys siitä, kuinka vakaa päätös pysyy uskottavien muutosten vallitessa.

12. Operaatiotutkimus, tekoäly ja päätöksentekoäly

Operaatiotutkimus, tekoäly ja päätöksentekoäly liittyvät toisiinsa, mutta eivät ole identtisiä.

Operaatiotutkimus

Operaatiotutkimus tarjoaa matemaattisia menetelmiä päätöksentekoon liittyvien ongelmien mallintamiseen ja optimointiin.

Tekoäly

Tekoäly kattaa erilaisia menetelmiä, kuten koneoppimisen, kuviontunnistuksen, puheenkäsittelyn ja automatisoidut päätöksentekomenetelmät.

Päätöksentekoäly

Päätöksentekoäly yhdistää dataa, päätöksentekomalleja, analyyttisiä menetelmiä ja organisaation päätöksentekoprosesseja.

Tavoitteena on parantaa päätösten laatua, jäljitettävyyttä ja käytännön toteutettavuutta.

Yhteys

Yksi mahdollinen yhteistoiminta on se, että koneoppiminen ennustaa aluksi tulevat projektikustannukset tai tuotot.

Sen jälkeen operaatiotutkimusmalli voi laskea, mikä projektikombinaatio on optimaalinen ennustetuissa olosuhteissa.

Lopuksi Decision Intelligence -sovellus esittää tulokset siten, että päätöksentekijät voivat vertailla vaihtoehtoja, muuttaa oletuksia ja ymmärtää seurauksia.

Nämä kolme lähestymistapaa täyttävät siten erilaisia, toisiaan täydentäviä tehtäviä.

Tekoäly voi auttaa parantamaan päätöksenteon perustaa. Operaatiotutkimus voi optimoida sopivat päätökset matemaattisesti. Päätöksentekoäly voi integroida nämä tulokset todellisiin päätöksentekoprosesseihin.

Tämä roolijako on yksi mahdollinen arkkitehtuurimalli, ei yleispätevä kaikkien menetelmien rajaaminen.

13. Operaatiotutkimus yrityksissä ja julkisessa hallinnossa

Operaatiotutkimuksen matemaattiset perusteet ovat merkityksellisiä sekä yksityisen sektorin että julkisen sektorin päätöksenteossa.

13.1 Teollisuusyritykset

Teollisuusyritysten on usein koordinoitava lukuisia investointihankkeita eri toimipaikkojen, tuotantolinjojen ja liiketoiminta-alueiden välillä.

Yksittäiset projektit kilpailevat pääomasta, henkilöstöstä ja teknisistä resursseista.

Matemaattisen salkun optimoinnin avulla voidaan selvittää, mikä yhdistelmä tuottaa näissä olosuhteissa suurimman määritellyn kokonaisarvon.

13.2 Energia-alan yritykset

Energiayritykset joutuvat tekemään monimutkaisia investointipäätöksiä verkkoihin, tuotantolaitoksiin, kunnossapitoon ja infrastruktuuriin.

Tässä yhteydessä on otettava huomioon tekniset riippuvuussuhteet, toimitusvarmuus, resurssit ja pitkän aikavälin suunnittelujaksot.

13.3 Lääketeollisuus

Tutkimus- ja kehityssalkut sisältävät projekteja, joiden onnistumistodennäköisyydet, kustannusrakenteet ja kehitysaikataulut vaihtelevat.

Operaatiotutkimusmallit voivat auttaa tällaisten salkkujen valinnassa ja aikataulujen koordinoinnissa.

13.4 Kiinteistöala

Suurissa kiinteistösalkkuissa investointi-, kunnostus- ja kehitystoimenpiteet voivat kilpailla keskenään.

Optimaalinen yhdistelmä riippuu pääomatarpeesta, arvonlisästä, aikataulusta ja mahdollisista riippuvuussuhteista.

13.5 Julkinen talous

Myös valtion talousarvio- ja investointipäätöksillä on matemaattiset allokointirakenteet.

Julkiset päätökset eroavat kuitenkin yhdestä olennaisesta seikasta yksityisen sektorin investointipäätöksistä:

Yhteiskunnallista hyötyä ei aina voida esittää suoraan taloudellisena tuotona.

Sen sijaan voidaan ottaa huomioon esimerkiksi palvelujen laatu, infrastruktuurin kunto, ilmastovaikutukset, sosiaalinen saavutettavuus tai muut julkiset tavoitteet.

Tätä varten on kehitettävä sopivia hyötykriteerejä, otettava ne käyttöön ja painotettava ne läpinäkyvästi.

Lakisääteiset velvoitteet, varojen käyttötarkoitukset ja poliittiset päätösvaltuudet pysyvät sitovina puite-ehdoina.

Matemaattinen optimointi voi tukea julkisia päätöksiä, mutta se ei voi korvata demokraattista legitiimiyttä eikä poliittista vastuuta.

14. Matemaattisen optimoinnin rajat ja edellytykset

Operaatiotutkimus on tehokas menetelmä, mutta se ei takaa oikeita päätöksiä kaikissa tilanteissa.

Tulosten laatu riippuu useista tekijöistä.

Mallin laatu

Matemaattisen mallin on kuvattava päätöksenteon kannalta merkitykselliset yhteydet riittävän tarkasti.

Tietojen laatu

Puutteelliset tai virheelliset tiedot voivat johtaa epäasianmukaisiin tuloksiin.

Tavoitefunktion laatu

Matemaattinen menetelmä optimoi määritellyn tavoitefunktion – riippumatta siitä, edustaako se täysin organisaation todellisia tavoitteita.

Laskennallinen monimutkaisuus

Tietyt optimointiongelmat ovat laskennallisesti vaikeita.

Kaikkia ongelmia ei voida ratkaista globaalisti optimaalisesti annetussa ajassa.

Epävarmuus

Tulokset voivat reagoida herkästi tuleviin kehityskulkuihin tai epävarmoihin parametreihin.

Organisaation toteutettavuus

Matemaattisesti houkutteleva päätös voi aiheuttaa käytännön vaikeuksia, jos organisatorisia, poliittisia tai kulttuurisia olosuhteita ei ole otettu riittävällä tavalla huomioon.

Tästä seuraa:

Matemaattinen optimaalisuus, taloudellinen tarkoituksenmukaisuus ja organisatorinen toteutettavuus liittyvät toisiinsa, mutta eivät ole identtisiä.

Ammattimaisessa optimointiprosessissa on otettava huomioon kaikki nämä kolme ulottuvuutta.

15. Matemaattisesta ratkaisusta käytännön päätökseen

Operaatiotutkimuksen tieteelliset menetelmät ovat olleet tunnettuja jo vuosikymmenten ajan.

Merkittävä haaste on kuitenkin niiden käytännön integrointi johtamisprosesseihin.

Perinteisesti optimointimallit kehitetään ja lasketaan usein erikoistuneissa osastoissa, minkä jälkeen ne toimitetaan päätöksenteon pohjaksi.

Nykyaikaiset päätöksentekoäly-sovellukset noudattavat interaktiivisempaa lähestymistapaa.

Päättäjät voivat esimerkiksi:

1. muuttaa budjetteja tai resurssirajoituksia.
2. valita tai sulkea pois projekteja pakollisesti.
3. Sopeuttaa strategisia painotuksia.
4. laskea vaihtoehtoisia skenaarioita.
5. vertailla eri salkkuyhdistelmien taloudellisia seurauksia.

Tämän ansiosta kertaluonteisesta optimointilaskelmasta voi kehittyä iteratiivinen päätöksentekoprosessi.

StratePlan erikoistuneena sovelluksena

StratePlan, mAInthink GmbH:n päätöksentekoälyteknologia, on suunnattu erityisesti investointi- ja projektisalkkujen matemaattiseen optimointiin.

Sovellus yhdistää kombinatorisen optimoinnin budjetti-, resurssi- ja projektiriippuvuuksien interaktiiviseen tutkimiseen.

Yksi painopistealue on mahdollisuus laskea salkkupäätökset uudelleen suoraan johtoryhmissä ja päätöksentekoelimissä.

Taustalla oleva ongelmaluokka kuuluu operaatiotutkimukseen, erityisesti diskreettiin salkun ja resurssien allokointiin.

StratePlan on siten luokiteltava matemaattisen päätöksenteon optimoinnin erikoistuneeksi sovellukseksi, eikä sitä tule automaattisesti pitää yleispätevänä ratkaisijana kaikille operaatiotutkimuksen ongelmille.

Tukevat optimaalisuustakuut, laskenta-ajat ja malliluokat riippuvat konkreettisesta teknisestä toteutuksesta ja kyseisistä ongelmista.

Taloudellinen lisäarvo piilee mahdollisuudessa hyödyntää matemaattista optimointia todellisissa strategisissa päätöksentekoprosesseissa.

16. Usein kysyttyjä kysymyksiä

Onko operaatiotutkimus eräs tekoälyn muoto?

Ei periaatteessa. Operaatiotutkimus on itsenäinen tieteenala, joka käsittää matemaattisia optimointi-, simulointi- ja päätöksentekomenetelmiä. Sen ja tekoälyn välillä on kuitenkin lukuisia yhtymäkohtia ja yhdistämismahdollisuuksia.

Mikä on ero operaatiotutkimuksen ja matemaattisen optimoinnin välillä?

Matemaattinen optimointi on operaatiotutkimuksen keskeinen metodologinen osa-alue. Operaatiotutkimus kattaa lisäksi esimerkiksi simuloinnin, jonoteorian, stokastisen mallinnuksen ja muita päätösanalyysin menetelmiä.

Mitä on kombinatorinen optimointi?

Kombinatorinen optimointi tutkii diskreettien vaihtoehtojen valintaa tai järjestystä määritellyissä olosuhteissa. Tyypillisiä esimerkkejä ovat projektisalkun valinta, reittisuunnittelu, allokointiongelmat ja tietyt aikataulutusongelmat.

Voiko operaatiotutkimus laskea globaalin optimin?

Kyllä, sopivilla matemaattisilla malleilla ja asianmukaisilla ratkaisumenetelmillä globaali optimaalisuus voidaan osoittaa. Tätä ei kuitenkaan voida taata jokaiselle ongelmaluokalle tai jokaiselle annetulle laskenta-ajalle.

Miksi perinteinen projektien priorisointi ei aina riitä?

Järjestysarviointi arvioi yksittäisiä projekteja. Salkun optimointi puolestaan tutkii sallittujen projektikombinaatioiden kokonaisvaikutusta. Paras yhdistelmä ei välttämättä koostu korkeimmalle sijoittuneista yksittäisistä projekteista.

Mikä on ero simuloinnin ja optimoinnin välillä?

Simulointi tutkii, millaisia tuloksia tiettyjen oletusten ja päätösten perusteella voi syntyä.

Optimointi etsii määritellyn päätöksentekoalueen sisällä ratkaisuja, jotka täyttävät tavoitefunktion parhaalla mahdollisella tavalla.

Molemmat lähestymistavat voidaan yhdistää.

Mitä NP-hard tarkoittaa?

NP-vaikea viittaa luokkaan laskennallisesti vaikeita ongelmia, joihin kuuluu lukuisia kombinatorisia optimointiongelmia.

Näille ongelmille ei tunneta yleistä algoritmia, joka ratkaisisi kaikki tapaukset optimaalisesti polynomiaalisessa ajassa. Tästä ei kuitenkaan seuraa, että jokainen käytännön tapaus olisi välttämättä vaikea.

Voivatko yritykset hyödyntää operaatiotutkimusta ilman omaa matematiikkaosastoa?

Kyllä. Erikoistuneet ohjelmistot ja päätöksentekoäly-sovellukset voivat tuoda matemaattisen mallinnuksen ja optimoinnin asiantuntijakäyttäjien ulottuville.

Ratkaisevia tekijöitä ovat edelleen ongelman oikea muotoilu, luotettavat syöttötiedot ja tulosten asiantuntijavalidointi.

Onko StratePlan operaatiotutkimussovellus?

Kyllä. Investointi- ja projektisalkkujen matemaattinen optimointi kuuluu operaatiotutkimukseen.

StratePlan käsittelee erityisesti kombinatorisia valinta- ja allokointiongelmia määriteltyjen rajoitusten puitteissa.

17. Johtopäätös: Operaatiotutkimus parempien päätösten tieteellisenä perustana

Operaatiotutkimus osoittaa, että monimutkaiset päätökset eivät välttämättä perustu pelkästään kokemukseen, intuitioon tai erillisiin yksittäisiin arvioihin.

Monet taloudelliset, tekniset ja julkisen sektorin päätöksentekoon liittyvät ongelmat voidaan mallintaa matemaattisesti ja optimoida järjestelmällisesti.

Tämä lähestymistapa on erityisen merkityksellinen silloin, kun lukuisat vaihtoehdot kilpailevat keskenään, resurssit ovat rajalliset ja riippuvuussuhteet on otettava huomioon.

Keskeinen oivallus on seuraava:

Yksittäisten hankkeiden laatu ei välttämättä määrää koko hankekokonaisuuden laatua. Ratkaisevaa on se yhdistelmä, joka tuottaa suurimman määritellyn kokonaisarvon todellisten rajoitusten puitteissa.

Operaatiotutkimus tarjoaa tieteelliset menetelmät tällaisten yhteyksien tutkimiseen.

Matemaattiset optimointimenetelmät mahdollistavat korkealaatuisten ja sopivissa olosuhteissa todistetusti globaalisti optimaalisten ratkaisujen etsimisen.

Decision Intelligence voi muuntaa nämä tulokset ymmärrettäviksi, interaktiivisiksi päätöksentekoprosesseiksi.

Näin syntyy yhteys vuosikymmenten mittaisen matemaattisen tutkimuksen ja nykyaikaisen yritysjohtamisen käytännön vaatimusten välille.

Operaatiotutkimus mahdollistaa monimutkaisten päätöksentekoproblemien matemaattisen analysoinnin. Päätöksentekoäly tekee tuloksista hyödynnettävissä olevia päätöksentekijöille.

Lisätietoja tarjoavat tieteelliset lähteet

Ammattijärjestöt ja perusasiat

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

Tieteelliset standarditeokset

• 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.: Monikriteerinen optimointi.
• Birge, J. R. & Louveaux, F.: Johdatus stokastiseen ohjelmointiin.

Tekninen syventäminen

• Gurobi – sekaintegroitu ohjelmointi: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi – Todistettavissa oleva optimaalisuus: https://www.gurobi.com/resources/blog/provable-optimality

Operations Research käytännössä

Matemaattinen optimointi ei välttämättä rajoitu tieteellisiin malleihin.

Tutustu siihen, miten StratePlan tuo monimutkaisten investointi- ja projektisalkkujen optimoinnin osaksi todellisia johtamispäätöksiä.

CTA: Optimoi salkku matemaattisesti →

StratePlan | Operaatiotutkimus ja päätöksentekoäly kohtaavat.

Samat projektit. Sama budjetti. Paremmat yhdistelmät. Paremmat päätökset.