Automobiļu rūpniecība: mākslīgā intelekta optimizācija ieguldījumiem e-mobilitātē, platformās, rūpnīcās, programmatūrā un piegādes ķēdēs

Sākuma punkts: pilns ieguldījumu saraksts pirms faktiskā lēmuma pieņemšanas

Šīs jaunās aprēķinu metodes izšķirošā atšķirība ir tās piemērošanas laiks: tā netiek izmantota apstiprināšanai pēc lēmuma pieņemšanas, bet pirms faktiskā lēmuma pieņemšanas, pamatojoties uz uzņēmuma pilnu ieguldījumu un projektu sarakstu.

Parasti ir potenciālo CAPEX projektu saraksts - piemēram, rūpnīcu modernizācija, IT pārveidošana, produktu attīstība, Infrastruktūras pasākumi vai efektivitātes programmas. Tajā pašā laikā ir noteikti ierobežojumi, piemēram, ierobežots kopējais budžets, ierobežotas inženiertehniskās iespējas, Ražošanas logi, riska budžeti un stratēģiskie pamatnosacījumi.

Tieši šeit rodas īsta lēmumu pieņemšanas problēma: ne visus projektus var īstenot. Tāpēc jautājums nav šāds kuri projekti atsevišķi šķiet jēgpilni, bet gan to, kura šo projektu kombinācija veido globāli optimālo kopējo portfeli, ņemot vērā dotos ierobežojumus.

Tāpēc jaunā aprēķinu metode nevērtē atsevišķus projektus izolēti, bet aprēķina no pilna projektu saraksta optimālo portfeli, ņemot vērā visus budžeta, jaudas, riska un stratēģijas ierobežojumus. Rezultāts ir matemātiski pamatots Rezultāts ir matemātiski pamatota to projektu atlase, kas kopā rada maksimālo kopējo vērtības devumu - pirms tiek pieņemts faktiskais lēmums par investīcijām. Novirzes no aprēķinātās optimālās sākuma pozīcijas tiek veiktas, skaidri redzot radušās alternatīvās izmaksas un to kvantitatīvi izmērāmo ietekmi uz kopējo portfeļa vērtību.

Tas pārvērš CAPEX plānošanu no secīga atlases procesa par konsekventu portfeļa optimizāciju, kurā pilnībā tiek ņemtas vērā alternatīvās izmaksas, ierobežojumu vājās vietas un portfeļa ietekme.

Automobiļu piemērs:

10 projekti. Fiksēts budžets: EUR 850 miljoni. Kopējās ieguldījumu izmaksas: EUR 2088 miljoni .

Kopsavilkums

Autoražotāji piedzīvo vislielāko kapitāla sadalījuma transformāciju kopš iekšdedzes dzinēja izgudrošanas.

Miljardiem vērti ieguldījumi elektromobilitātē, programmatūrā definētos transportlīdzekļos, jaunās platformu arhitektūrās, akumulatoru rūpnīcās un piegādes ķēdēs noteiks, kuri ražotāji dominēs nākamajās desmitgadēs - un kuri strukturāli iznīcinās kapitālu.

Stratēģiskos panākumus nosaka nevis atsevišķu projektu kvalitāte, bet gan visa ieguldījumu portfeļa matemātiska optimizācija reālu ierobežojumu apstākļos.

Izaicinājums ir kombinatorisks: tiklīdz tiek veikta izvēle no desmitiem vai simtiem potenciālo ieguldījumu, iespējamo kombināciju skaits pieaug eksponenciāli. Šajā brīdī tradicionālie lēmumu pieņemšanas procesi - pat ar visaugstākā līmeņa vadības zināšanām - vairs nespēj pilnībā aptvert lēmumu pieņemšanas telpu.

Projektu portfeļa optimizācijas mākslīgais intelekts pirmo reizi ļauj sistemātiski aprēķināt globāli optimālu investīciju portfeli, ņemot vērā reālus budžeta, resursu, riska un stratēģijas ierobežojumus.

Tas fundamentāli maina kapitāla sadalījumu - no heiristiskas lēmumu pieņemšanas uz matemātiski optimizētu portfeļa optimizāciju.

1. Automobiļu ražotāji kā kapitāla sadales sistēmas

Katrs oriģināliekārtu ražotājs un piegādātājs darbojas ar vairākiem vienlaicīgiem ierobežojumiem:

• CAPEX budžeti platformām, rūpnīcām un programmatūrai
• Inženiertehniskās jaudas elektronikas, programmatūras un akumulatoru tehnoloģiju jomā
• Ražošanas jauda un iekārtu izmantojums
• Kritisko komponentu pieejamība piegādes ķēdē
• CO₂ autoparka regulējums un atbilstības prasības
• Stratēģiskā ceļveža ierobežojumi (piemēram, pilnīga elektrifikācija līdz X gadam)

Formāli tā ir kombinatoriska optimizācijas problēma.

Pieņemsim, ka ražotājs izvērtē N ieguldījumu projektu:

• Jaunu elektrisko platformu
• Esošās ražotnes pārbūve
• Jaunas programmatūras arhitektūras izstrāde
• Akumulatoru rūpnīcas kopuzņēmums
• Kritisko komponentu vertikālā integrācija
• Autonomijas programmatūras programmas
• Jauni transportlīdzekļu modeļi un atvasinājumi

Katram projektam ir izmērāmi parametri:

• Paredzamais portfeļa ieguldījums (Ri)
• Nepieciešamās investīcijas (Ci)
• Riska ekspozīcija (σi)
• Stratēģiskais ieguldījums (Si)
• Resursu prasības (inženierija, ražošana, piegādes ķēde)

Mērķis ir izvēlēties optimālo šo projektu apakškopu:

max Σ Σ Ri xi
σ Ci xi ≤ Budžets
xi ∈ {0,1}

2. Kombinatoriskā realitāte automobiļu rūpniecībā

Jau ir 50 potenciālie investīciju projekti:

2⁵⁰ = 1 125 899 906 842 624 iespējamie portfeļi

Tas atbilst vairāk nekā kvadriljonam iespējamo ražotāja stratēģisko nākotnes ceļu.

Neviena valde, neviena stratēģijas komanda un neviena izklājlapa nevar pilnībā novērtēt šo telpu.

Praksē tā vietā tiek izmantotas tuvināšanas metodes:

• Atsevišķu projektu ROI klasifikācija
• Budžeta piešķiršana no augšas uz leju
• Politisko un organizatorisko prioritāšu noteikšana
• Secīgi lēmumu pieņemšanas procesi
• Uz mantojumu balstīti ieguldījumu modeļi

Šīs metodes neaprēķina optimālo portfeli - tās to tikai aproksimē.

3. Tipiski investīciju lēmumi pārejā uz elektromobilitāti

Piemērs Nr. 1: elektriskā platforma pret esošās platformas tālāku attīstību

Ražotājam ir jāpieņem lēmums:

• Ieguldījums pilnīgi jaunā elektropiedziņas platformā: 4 miljardi eiro
• Esošās platformas tālāka attīstība: 1,8 miljardi eiro
• Hibrīda stratēģija ar vairākiem starpposma risinājumiem

Optimālais lēmums nav atkarīgs no atsevišķa projekta, bet gan no tā mijiedarbības ar

• plānotajiem transportlīdzekļu atvasinājumiem
• Programmatūras arhitektūra
• Ražotnes
• Piegādes ķēdes struktūru
• nākotnes normatīvajām prasībām

Piemērs Nr. 2: Rūpnīcas pārveidošana vai jauna būvniecība

Ražotājam pieder esoša rūpnīca iekšdedzes dzinēju ražošanai.

Iespējas:

• Pārveidošana uz elektrisko dzinēju rūpnīcu: 1,2 miljardi eiro
• Jauna elektroiekārtu ražotnes būvniecība: 2,4 miljardi eiro
• Ārpakalpojumu nodošana līgumražotājam

Optimālais lēmums ir atkarīgs no kopējā portfeļa:

• plānotā modeļa stratēģija
• Platformas lēmumi
• Ražošanas apjoma plānošana
• ģeogrāfiskās pārdošanas prognozes

Piemērs Nr. 3: Programmatūras definēta transportlīdzekļa arhitektūra

Investīciju iespējas:

• Programmatūras paketes izstrāde pašu spēkiem: 3 miljardi eiro
• Partnerība ar tehnoloģiju uzņēmumiem
• Esošo platformu licencēšana

Šim lēmumam ir ilgtermiņa ietekme:

• Peļņas struktūra
• Diferenciācijas potenciāls
• Atjaunināšanas un dzīves cikla izmaksas
• stratēģiskā kontrole pār transportlīdzekli

Piemērs: Akumulatoru piegādes ķēde un vertikālā integrācija

Iespējas:

• Pašu akumulatoru rūpnīca
• Kopuzņēmums
• Ārējais iepirkums

Šis lēmums ietekmē

• Produkta izmaksu struktūru gadu desmitiem
• Piegādes ķēdes risks
• Kapitāla saistības
• stratēģiskais elastīgums

4. Kāpēc klasiskā lēmumu pieņemšanas loģika strukturāli nav optimāla

Galvenā problēma: projekti nav neatkarīgi.

Tie mijiedarbojas sistēmiski:

• Jauna platforma ļauj izmantot vairākus nākotnes modeļus
• Viena rūpnīca nosaka ražošanas jaudu gadu desmitiem
• Programmatūras arhitektūra ietekmē visu produktu stratēģiju
• Akumulatoru stratēģija ietekmē izmaksu struktūru un peļņu ilgtermiņā

No tā izriet:

Portfeļa vērtība ≠ Atsevišķu projektu novērtējumu summa

Bet ne:

Portfeļa vērtība = f(mijiedarbība, ierobežojumi, ceļvedis, resursi)

5. Mākslīgā intelekta atbalstītas portfeļa optimizācijas matemātiskais pamats

Formāli šī ir bināra veselu skaitļu optimizācijas problēma:

max Rᵀx
s.t. Ax ≤ b
x ∈ {0,1}

Ar:

• x = lēmuma vektors
• R = projektu portfeļa ieguldījums
• A = ierobežojumu matrica (budžets, resursi, stratēģija, ražošana)
• b = ierobežojumu robežas

Šī struktūra ļauj matemātiski precīzi modelēt reālus automobiļu ražošanas ierobežojumus.

6. Konkrēti gadījumi, kad automobiļu rūpniecībā tiek izmantots portfeļa optimizācijas mākslīgais intelekts

OEM stratēģijas plānošana

• Optimāla investīciju platformu kombinācija
• Modeļa portfeļa optimizācija
• CAPEX sadalījums vairāku gadu garumā

Rūpnīcu tīkla optimizācija

• Kuras ražotnes būtu jāpārveido
• Kuras ražotnes būtu jāslēdz
• Kur jābūvē jaunas rūpnīcas

Ieguldījumu stratēģija programmatūras jomā

• Lēmumi par būvniecību vai pirkšanu vai partneru izvēli
• Optimāla ceļveža prioritāšu noteikšana
• Ilgtermiņa arhitektūras izmaksu samazināšana

Akumulatoru un piegādes ķēdes stratēģija

• Optimāla vertikālā integrācija
• Kopuzņēmums pret iekšējo ražošanu
• Kritisko komponentu riska samazināšana

7. Ietekme uz uzņēmuma vērtību un konkurētspēju

Pat nelieli uzlabojumi kapitāla sadalē rada milzīgu ilgtermiņa ietekmi.

Ar ikgadējiem ieguldījumiem:

10 miljardi EUR CAPEX

tikai par 5 % labāka portfeļa optimizācija rada

500 miljonus EUR papildu vērtības radīšanai gadā

10 gadu laikā tas atbilst

5 miljardiem euro papildu uzņēmuma vērtības

8. Vadības ietekme uz Valdi un Uzraudzības padomi

Portfeļa optimizācija Mākslīgais intelekts būtiski maina vadības lomu.

No:

• Heiristisko lēmumu pieņemšana
• politisko prioritāšu noteikšana
• inkrementālā budžeta plānošana

Uz:

• matemātiski optimizētai kapitāla sadalei
• pilnīga alternatīvo izmaksu pārredzamība
• sistemātiska uzņēmuma vērtības maksimizēšana

9. Stratēģiska nozīme automobiļu rūpniecības nākotnei

Pāreja uz elektromobilitāti nav galvenokārt tehnoloģiju problēma.

Tā ir kapitāla sadales problēma.

Ražotāji, kas matemātiski optimizēs savus ieguldījumus, panāks strukturāli lielāku peļņu, ātrāku pārveidi un ilgtermiņa konkurētspēju.

Izšķirošo matemātisko pamatu tam nodrošina portfeļa optimizācijas mākslīgais intelekts.

Secinājumi

Automobiļu rūpniecības nākotni noteiks nevis atsevišķas tehnoloģijas, bet gan kapitāla sadales kvalitāte tūkstošiem vienlaicīgu ieguldījumu lēmumu.

Pirmo reizi mākslīgā intelekta atbalstīta portfeļa optimizācija ļauj sistemātiski aprēķināt globāli optimālu investīciju portfeli reālu rūpniecības ierobežojumu apstākļos.

Tas iezīmē pāreju no heiristiskas lēmumu pieņemšanas uz matemātiski optimizētu uzņēmumu pārvaldību.