Tekoälyn tukema yhdistelmäratkaisu investointipäätöksiä varten

Miksi useimmat investointipäätökset ovat systemaattisesti suboptimaalisia - ja miten kombinatorinen optimointi tekee koko päätösavaruuden ensimmäistä kertaa laskettavissa olevaksi.

Lähes jokaisessa organisaatiossa strategiset investointipäätökset tehdään laajojen analyysien perusteella. Liiketoiminta-ajatuksia luodaan, hankkeita arvioidaan, skenaarioita lasketaan ja budjetteja jaetaan. Huolimatta tästä korkeatasoisesta analyysistä useimmissa päätöksentekoprosesseissa on ratkaisematta perustavanlaatuinen matemaattinen ongelma: koko päätösavaruutta ei lasketa.

Kun organisaatiot suunnittelevat investointisalkkuja, ne joutuvat kohtaamaan klassisen kombinatorisen optimoinnin ongelman. Kun kyseessä on useita investointihankkeita, ei ole vain yksittäisiä päätöksiä vaan suuri määrä mahdollisia hankekombinaatioita, jotka yhdessä muodostavat salkun.

Nämä yhdistelmät kasvavat eksponentiaalisesti. Jo muutamat hankkeet luovat päätöksentekotilan, jota ei voida enää täysin analysoida ihmisten, Excel-mallien tai perinteiset hankesalkunhallintatyökalut eivät voi enää analysoida täysin.

Tuloksena on rakenteellinen päätöksenteko-ongelma: organisaatiot priorisoivat hankkeita, analysoivat skenaarioita ja jakavat budjetteja, tietämättä kaikkien investointien matemaattisesti optimaalista yhdistelmää.

Juuri tässä kohtaa algoritmisten järjestelmien uusi sukupolvi astuu kuvaan: Tekoälyavusteiset yhdistelmäratkaisut investointipäätöksiä varten. Nämä järjestelmät eivät laske yksittäisiä hankkeita vaan pikemminkin mahdollisten hankesalkkujen koko päätösavaruuden ja tunnistavat globaalin optimin todellisten rajoitusten mukaisesti.

Investointisuunnittelun matemaattinen perusongelma

Investointisalkun suunnittelu voidaan muotoilla matemaattisesti kombinatoriseksi päätösongelmaksi. Oletetaan, että yritys tai julkinen organisaatio arvioi luetteloa mahdollisista investointihankkeista.

Kukin hanke voidaan joko toteuttaa tai jättää toteuttamatta. Näin saadaan N hankkeen luettelosta kaikki näiden hankkeiden mahdolliset yhdistelmät.

Mahdollisten salkkujen lukumäärä saadaan funktiosta:

2^N

Tämä tarkoittaa sitä, että jo suhteellisen pieni määrä hankkeita tuottaa erittäin suuren päätösavaruuden.

Kymmenen hankkeen kohdalla on jo yli tuhat mahdollista hankesalkkua. Kun hankkeita on kaksikymmentä, niitä on jo yli miljoona. Kun hankkeita on viisikymmentä, mahdollisia yhdistelmiä on yli kvadriljoona.

Tämä eksponentiaalinen rakenne on kombinatorisen optimoinnin klassinen piirre, joka on operaatiotutkimuksen ja tietojenkäsittelytieteen keskeinen tutkimusala.

Teoriassa nämä ongelmat on tunnettu jo vuosikymmeniä, ja niitä kuvataan tieteellisessä kirjallisuudessa knapsack-ongelman muunnelmina, projektisalkun valinta tai mixed Integer Optimisation (sekoitettu kokonaislukuoptimointi ).

Käytännössä koko päätösavaruutta lasketaan kuitenkin harvoin.

Miksi klassiset päätöksentekoprosessit järjestelmällisesti epäonnistuvat

Useimmissa organisaatioissa investointihankkeiden valinta noudattaa suhteellisen samanlaista kaavaa.

Ensin hankkeet analysoidaan yksitellen. Laaditaan liiketoimintatapaukset, arvioidaan odotetut tuotot, arvioidaan riskit ja asetetaan strategiset painopisteet.

Tämän jälkeen hankkeet asetetaan tärkeysjärjestykseen arviointijärjestelmän avulla. Tämä voi tapahtua tuloskorttien, paremmuusjärjestyksen tai strategisten painotusten avulla.

Lopuksi hankkeet sisällytetään salkkuun, kunnes budjetti tai kapasiteettirajat on saavutettu.

Matemaattiselta kannalta tämä prosessi vastaa niin sanottua ahnetta menettelyä.

Ahneet algoritmit tekevät päätöksiä askel askeleelta ja valitsevat parhaan vaihtoehdon kullakin hetkellä. Ne ovat helppoja toteuttaa ja usein intuitiivisesti ymmärrettäviä.

Niiden ratkaiseva haittapuoli on kuitenkin se, että ne ottavat huomioon vain paikalliset parannukset. Koko järjestelmän globaali optimi jää usein tunnistamatta.

Monimutkaisissa investointisalkuissa tämä voi johtaa siihen, että valitaan hankkeita, joiden yksittäinen arvo on korkea, vaikka erilainen hankeyhdistelmä tuottaisi huomattavasti korkeamman kokonaisarvon.

Paikallisen optimin ongelma

Tämän ongelman selittämiseksi on hyvä kuva maisemasta, jossa on monia kukkuloita ja yksi korkein vuori.

Paikalliset päätöksentekoprosessit suuntautuvat usein kohti lähintä kukkulaa. Heti kun näennäisesti hyvä kohta on saavutettu, sitä pidetään optimaalisena.

Todellinen globaali optimi - maiseman korkein kukkula - jää kuitenkin piiloon, koska koko päätösavaruutta ei analysoida järjestelmällisesti.

Investointisalkuissa tämä tarkoittaa, että yritykset valitsevat hyviä hankkeita, mutta eivät välttämättä kaikkien hankkeiden parasta yhdistelmää, mutta eivät välttämättä kaikkien hankkeiden parasta yhdistelmää.

Paikallisen optimin ja globaalin optimin välinen ero voi johtaa merkittäviin taloudellisiin poikkeamiin suurissa sijoitussalkuissa johtaa merkittäviin taloudellisiin poikkeamiin.

Tyypillisiä virheitä salkkupäätöksessä

Koko päätösavaruuden huomioimatta jättäminen johtaa useisiin systemaattisiin virheisiin sijoitussuunnittelussa investointisuunnittelussa.

Yksi yleinen ongelma on yksittäisten hankkeiden arviointi erikseen. Jos hankkeita tarkastellaan vain yksittäin, hankkeiden välisiä vuorovaikutuksia ei oteta huomioon.

Toinen ongelma on talousarvion pirstaloituminen. Budjettia kohdennetaan useille hankkeille ottamatta huomioon yhdistelmän kokonaisvaikutusta.

Myös ajalliset riippuvuudet aliarvioidaan usein. Monet hankkeet saavuttavat taloudelliset hyötynsä vasta yhdessä muiden aloitteiden kanssa tai useiden vuosien kuluessa useiden vuosien aikana.

Ilman näiden keskinäisten riippuvuuksien matemaattista mallintamista luodaan salkkuja, jotka vaikuttavat uskottavilta, mutta eivät ole optimaalisia.

Kombinatorisen optimoinnin rooli

Kombinatorinen optimointi käsittelee juuri tämäntyyppisiä ongelmia. Tavoitteena on löytää suuresta määrästä mahdollisia yhdistelmiä se, joka maksimoi tai minimoi tietyn tavoitefunktion, joka maksimoi tai minimoi tietyn kohdefunktion.

Sijoitussalkuissa tämä tavoitefunktio koostuu tyypillisesti taloudellisista indikaattoreista, kuten seuraavista Pääoman arvo, tuotto, riski tai strateginen panos.

On myös toissijaisia ehtoja, kuten budjettirajoituksia, kapasiteettirajoituksia, Hankkeiden väliset riippuvuudet tai sääntelyvaatimukset.

Matemaattisesti tämä johtaa optimointiongelmaan, jossa on erillisiä päätösmuuttujia, joka muotoillaan usein kokonaislukuohjelmoinniksi.

Esimerkki päätösavaruuden räjähdysmäisestä laajenemisesta

Seuraava taulukko osoittaa, kuinka nopeasti päätösavaruus kasvaa hankkeiden lukumäärän kasvaessa.

Tämä eksponentiaalinen rakenne selittää, miksi klassiset päätöksentekovälineet eivät pysty analysoimaan koko päätösavaruutta, analysoida koko päätösavaruutta.

Tekoälyn tukemat yhdistelmäratkaisimet

Tekoälyavusteinen yhdistelmäratkaisu ratkaisee juuri tämän ongelman.

Yksittäisten hankkeiden analysoinnin sijaan ratkaisija mallintaa koko sijoitussalkun matemaattisena optimointiongelmana.

Päätöksentekomuuttujat edustavat yksittäisten hankkeiden valintaa. Rajoitukset mallintavat todellisia rajoituksia, kuten budjettia, kapasiteettia tai riskejä.

Ratkaisija etsii sitten järjestelmällisesti päätösavaruutta ja löytää hankkeiden yhdistelmän hankekombinaatio, joka maksimoi kohdefunktion.

Nykyaikaisissa järjestelmissä yhdistyvät useiden tutkimusalojen menetelmät:

• Operaatiotutkimus
• Kombinatorinen optimointi
• Sekoitettu kokonaislukuohjelmointi
• Haarautumis- ja sidontamenetelmät
• Heuristiset hakualgoritmit
• Koneoppiminen

Tämän yhdistelmän tuloksena on tehokas päätöksenteon tuki, joka menee paljon perinteisiä analyysijärjestelmiä pidemmälle.

Analyysin ja optimoinnin ero

Monet nykyiset hankesalkunhallintajärjestelmät keskittyvät analyysitoimintoihin.

Ne vastaavat esimerkiksi seuraaviin kysymyksiin:

• Kuinka kannattava hanke on?
• Kuinka suuri on riski?
• Miten liiketoiminta-arvio muuttuu tietyillä oletuksilla?

Nämä tiedot ovat tärkeitä, mutta ne eivät riitä hankkeiden optimaalisen yhdistelmän määrittämiseen.

Optimointijärjestelmät esittävät toisenlaisen kysymyksen:

Mikä kaikkien hankkeiden yhdistelmä maksimoi salkun kokonaisarvon tietyin rajoituksin?

Vasta tämän näkökulman kautta koko päätöksentekoalue tulee näkyviin.

Käytännön vaikutukset investointipäätöksiin

Heuristisen priorisoinnin ja matemaattisen salkkuoptimoinnin välisellä erolla voi olla merkittäviä taloudellisia vaikutuksia voi olla merkittävä taloudellinen vaikutus.

Todellisissa sovelluksissa on usein niin, että hankkeiden optimaalinen yhdistelmä huomattavasti korkeampi kokonaistuotto kuin klassisesti priorisoidulla salkulla.

Syynä tähän ovat hankkeiden väliset riippuvuudet.

Hanke, jonka yksittäinen arvo on kohtalainen, voi yhdessä muiden hankkeiden kanssa johtaa siihen, että tuottaa huomattavaa lisäarvoa.

Sitä vastoin useat erittäin arvokkaat hankkeet yhdessä voivat muodostaa tehottoman salkun, jos ne kilpailevat samoista resursseista tai niillä on samanlaiset riskit.

Strateginen merkitys yrityksille

Yrityksille, joilla on suuret investointibudjetit, salkkupäätösten laadusta on tulossa ratkaiseva kilpailutekijä ratkaisevaksi kilpailutekijäksi.

Pääoman kohdentaminen määrää, mitä teknologioita kehitetään, mitä markkinoita avataan ja mitä innovaatiopolkuja noudatetaan.

Jos päätösavaruutta ei ole analysoitu täysin, resursseja sijoitetaan usein epäoptimaalisiin hankkeisiin.

Matemaattisesti optimoidulla salkun lähestymistavalla voi siksi olla merkittävä vaikutus yrityksen pitkän aikavälin tulokseen.

Strateginen merkitys julkisille talousarvioille

Sijoitussalkkujen optimointi on yhä tärkeämmässä asemassa myös julkisella sektorilla.

Kaupunkien ja valtioiden haasteena on jakaa rajallinen budjetti suurelle määrälle infrastruktuurihankkeita, Koulutusaloitteisiin ja sosiaalisiin ohjelmiin.

Näiden hankkeiden mahdollisia yhdistelmiä on valtava määrä.

Ilman järjestelmällistä optimointia on vaarana, että investoinnit eivät toteudu investoinneilla ei ole suurinta mahdollista sosiaalista vaikutusta.

Päätöksenteon älykkyyden tulevaisuus

Laskentatehon lisääntyessä ja optimointialgoritmien parantuessa laskennan optimointialgoritmien avulla monimutkaisten päätösavaruuksien laskeminen on yhä helpommin toteutettavissa.

Tekoälyn tukemat yhdistelmäratkaisimet avaavat mahdollisuuden Investointipäätökset ensimmäistä kertaa täydellisen matemaattisen päätösavaruuden perusteella.

Tämä merkitsee perustavanlaatuista muutosta tavassa, jolla organisaatiot tekevät strategisia päätöksiä, miten organisaatiot tekevät strategisia päätöksiä.

Monimutkaisuuden hallinnan sijaan, vaan sitä voidaan nyt optimoida järjestelmällisesti.

FAQ

Mikä on yhdistelmäratkaisija?

Yhdistelmäratkaisija on algoritminen järjestelmä, joka tunnistaa suuresta määrästä mahdollisia yhdistelmiä joka maksimoi tai minimoi tietyn tavoitefunktion.

Miksi investointipäätökset ovat kombinatorisia ongelmia?

Koska jokainen hanke voidaan joko toteuttaa tai jättää toteuttamatta. Tästä seuraa, että N hankkeesta saadaan kaikki mahdolliset näiden hankkeiden yhdistelmät.

Miksi klassiset työkalut eivät pysty ratkaisemaan tätä ongelmaa?

Mahdollisten yhdistelmien määrä kasvaa eksponentiaalisesti. Jopa muutaman hankkeen kohdalla päätösavaruus ylittää mahdollisuudet klassisten analyysityökalujen mahdollisuudet.

Mitä matemaattisia menetelmiä käytetään?

Tyypillisiä menetelmiä ovat kokonaislukuohjelmointi, haarautuminen ja rajaaminen, heuristiset hakumenetelmät ja erilaiset kombinatoriset optimointitekniikat.

Mitä hyötyjä yritykset saavat?

Yritykset voivat tunnistaa sijoitussalkkuja jotka tuottavat mahdollisimman suuren taloudellisen arvon todellisissa rajoituksissa.

Mikä on tekoälyn rooli?

Tekoälyä voidaan käyttää hakuavaruuksien tehokkaaseen jäsentämiseen, Parantaa malleja ja tukea päätöksentekoprosesseja.