Projektu portfeļa optimizācija AI

Kapitāla piešķiršana no prioritāšu noteikšanas līdz matemātiskai optimizācijai

Uzņēmumi parasti nosaka projektu prioritātes, balstoties uz biznesa gadījumiem, klasifikāciju un komitejas lēmumiem. Šāda pieeja šķiet racionāla, taču tajā netiek ņemta vērā visa lēmumu pieņemšanas telpa.

Jau tagad ir vairāk nekā 1 miljards iespējamo portfeļa kombināciju 30 projektiem un vairāk nekā 1 kvadriljons 50 projektiem. Ar tradicionālajām metodēm nav iespējams pilnībā novērtēt šo telpu. Tās izvēlas ticamu risinājumu, bet ne vienmēr optimālo.

Projektu portfeļa optimizācijas mākslīgais intelekts aprēķina optimālo projektu portfeli, ņemot vērā jūsu reālos ierobežojumus, tostarp budžetu, resursus, risku un stratēģiskās pamatnostādnes. Rezultāts ir saprotams, matemātiski pamatots pamats lēmumu pieņemšanai par kapitāla piešķiršanu.

Lēmumu pieņēmējiem tas nozīmē strukturālu atšķirību: lēmumi vairs nav balstīti uz aproksimāciju, bet gan uz aprēķinātu optimizāciju.

No matemātiskā modeļa līdz praktiskam pielietojumam

Optimizācijas loģiku var izmantot visās nozarēs, un to var piemērot reāliem ieguldījumiem, CAPEX, P&A un infrastruktūras portfeļiem. Izšķirošais faktors nav projekta veids, bet gan lēmuma struktūra: ierobežoti resursi, konkurējošas iespējas un skaidri ierobežojumi.

Tajā pašā laikā sistēmas arhitektūra ir konsekventi izstrādāta, lai samazinātu datu apjomu un nodrošinātu konfidencialitāti. Aprēķiniem ir nepieciešami tikai skaitliskie projekta parametri. Satura apraksti, stratēģijas dokumenti vai projekta specifiski stāstījumi nav ne pieprasīti, ne interpretējami.

Tālāk varat aplūkot konkrētus izmantošanas gadījumus un to pamatā esošo datu aizsardzības un datu minimizēšanas arhitektūru.

1. Uzņēmumi kā matemātiskas sadales sistēmas

Katrs uzņēmums darbojas ar ierobežojumiem. Jebkurā brīdī ir jāpieņem lēmums par to, kuru iespējamo projektu apakškopa tiks īstenota, ņemot vērā ierobežotos resursus:

• Kapitāla budžeti (CAPEX ierobežojumi)
• Personāla un kompetences spējas
• darbības jaudas ierobežojumi
• Riska pielaides robežvērtības
• Stratēģijas un saskaņošanas ierobežojumi
• normatīvās prasības

Formāli tā ir kombinatoriska optimizācijas problēma ar ierobežojumiem.

Pieņemsim, ka uzņēmums novērtē N kandidātprojektu. Katram projektam ir izmērāmi raksturlielumi:

• Paredzamā peļņa: (_Ri)
• Nepieciešamie ieguldījumi: (_Ci)
• Riska pakļautība: (_σi)
• Stratēģiskais svēruma koeficients: (_Si)

Mērķis: izvēlēties projektu kopumu, kas maksimizē portfeļa ieguvumu, vienlaikus ievērojot visus ierobežojumus.

Pamata modelēšana (vienkāršots pamatprincips) ir šāda:

max Σi=1_{..N xi} -_Ri
σi=1_{..N xi} -_Ci ≤ Budžets
_xi ∈ {0,1}

Binārais mainīgais (_xi ) nosaka, vai projekts i ir iekļauts portfelī.

2. Kombinatoriskais sprādziens: kāpēc cilvēka lēmumu loģika sabojājas

Iespējamo projektu portfeļu skaits ir:

2^50

Šim eksponenciālajam pieaugumam ir krasas sekas:

Ar 50 projektiem ir vairāk nekā kvadriljons kombināciju.

Neviena vadītāju komanda, neviena izklājlapa, neviena komiteja nevar izsmeļoši novērtēt šo telpu. Tāpēc praksē tiek izmantota heiristikas metode:

• ROI klasifikācija
• Komitejas vērtēšana
• pakāpeniska budžeta plānošana
• politisko prioritāšu noteikšana
• secīga atlase

Šīs metodes neaprēķina optimālo portfeli - tās to tikai aptuveni aprēķina.

3. Vietējā optimuma slazds

Klasiskie lēmumu pieņemšanas procesi bieži konverģē pie lokālā optimuma.

Vietējais optimums ir risinājums, kas optimāli darbojas ierobežotā meklēšanas apgabalā, bet globāli ir sliktāks.

Galvenais iemesls: projektu vērtības reti kad ir neatkarīgas. Projekti mijiedarbojas:

• Projekts A ļauj īstenot projektu D (Iespēja/priekšnosacījums)
• Projekts B saduras ar projektu E (resursu vai tirgus konflikts)
• Projekts C patērē kopīgus resursus un maina citu projektu īstenošanas iespējas

No tā izriet:

Portfeļa vērtība ≠ Σ (atsevišķu projektu vērtējums)

Tā vietā piemēro:

Portfeļa vērtība = f(mijiedarbība, ierobežojumi, atkarības)

Tikai globālā optimizācija var sistemātiski ņemt vērā šīs savstarpējās atkarības.

4. Portfeļa optimizācijas mākslīgā intelekta matemātiskais pamats

Projekta portfeļa optimizācijas AI risina bināru, ierobežotu optimizācijas problēmu. Šī problēmu klase parasti ir NP-grūta un pieder kombinatoriskajai optimizācijai.

Formālā pamatstruktūra: binārā integrālo skaitļu programmēšana (BIP)

max Σi=1_{..NRi xi}
s.t. A x ≤ b

Piemērojams šāds formulējums:

• A = ierobežojumu matrica (noteikumi, jaudas, minimālās daļas, atkarības)
• x = lēmuma vektors (projekta izvēle)
• b = ierobežojumu robežas (budžeti, ierobežojumi, sliekšņi)

Tipiski ierobežojumu veidi:

• Budžeta ierobežojumi
• Resursu un prasmju ierobežojumi
• Normatīvās prasības
• Stratēģiskās prasības (piemēram, minimālās daļas, fokusa jomas, ceļveža ierobežojumi)

Šāda struktūra ļauj precīzi modelēt to, kas uzņēmumā patiešām ir piemērojams, nevis tikai to, kas ir norādīts biznesa situācijā.

5. Kādas optimizācijas metodes ļauj veikt globālo optimizāciju

Mūsdienu projektu portfeļa optimizācijas mākslīgais intelekts apvieno vairākas metodes, lai efektīvi pārmeklētu kombinatorisko telpu un noteiktu globālo optimumu.

Atzarojumu un robežu noteikšana

Sistemātiski novērš apakštelpas, kas garantēti nav labākas par pašreizējo labāko risinājumu. Ar piemērotu modelēšanu nodrošina optimāluma garantiju.

Integrālās lineārās programmēšanas (ILP) risinātājs

Tehnoloģija, kas pārbaudīta kritiskās optimizācijas jomās, piem:

• Piemēram, aviosabiedrību lidojumu plānošana
• Pusvadītāju un ražošanas plānošana
• Piegādes ķēdes optimizācija

Ierobežojumu programmēšana

Ļauj attēlot sarežģītus uzņēmējdarbības noteikumus, jo īpaši nelineāriem, loģiskiem vai diskrētiem ierobežojumiem.

Hibrīdās optimizācijas arhitektūras

Apvieno deterministisko optimizāciju ar inteliģento meklēšanas paātrinājumu, lai nodrošinātu stabilus rezultātus pat lielos N - tostarp jutības un izskaidrojamības elementus.

6. Kāpēc klasiskie uzņēmumu rīki nevar atrisināt šo problēmu

Daudzi uzņēmumu plānošanas rīki (izklājlapas, ERP plānošanas moduļi, prognozēšanas sistēmas) ir novērtēšanas sistēmas, nevis optimizatori.

Tie novērtē

• iepriekš definētus scenārijus
• inkrementālos variantus
• ierobežoti jutīguma diapazoni

Tie nevērtē visus iespējamos portfeļus. Ierobežojums nav "tehnisks", bet strukturāls.

Izklājlapas aprēķina rezultātus. Optimizācijas dzinēji aprēķina lēmumus.

7. Ietekme uz uzņēmumu: finansiālās sekas, ko rada nepietiekami optimāla portfeļa izvēle

Neoptimālai kapitāla sadalei ir tieša ietekme uz vērtības radīšanu, izaugsmi un konkurētspēju.

Tipiski modeļi dažādās nozarēs:

• 5-15 % kapitāla neefektivitāte, ko izraisa neoptimāla atlase un secība
• Novēlota transformācija (digitalizācija, automatizācija, elastība)
• Samazināts uzņēmuma ilgtermiņa novērtējums

Pat nelieliem optimizācijas ieguvumiem ir liela ietekme.

Piemērs: Uzņēmums ar 5 miljardiem eiro gada CAPEX.

• 5 % optimizācijas uzlabojums = 250 miljoni eiro papildu vērtības gadā
• 10 gadu laikā ≈ 2,5 miljardu eiro vērtības impulss (vienkāršoti, bez diskontēšanas)

8. Uzņēmuma izmantošanas gadījums: ražošana

Rūpniecības uzņēmumi parasti sadala kapitālu konkurējošās kategorijās:

• Ražošanas automatizācija
• Rūpnīcu paplašināšana
• Pētniecības un attīstības programmas
• Digitālā transformācija
• Piegādes ķēdes elastība

Tradicionālā prioritāšu noteikšana ir balstīta uz individuāliem uzņēmējdarbības gadījumiem un komitejas loģiku. Optimizācijas mākslīgais intelekts vienlaicīgi izvērtē portfeli.

Rezultāts:

• Maksimāla ROI portfeļa atlase, ievērojot stingrus ierobežojumus
• optimizēta secības noteikšana (laika un atkarības loģika)
• augstāka kapitāla produktivitāte

9. Uzņēmuma izmantošanas gadījums: enerģētika

Enerģētikas uzņēmumi piešķir CAPEX, izmantojot:

• Aktīvu un lauku attīstība
• Infrastruktūra
• Pāreja uz atjaunojamiem energoresursiem
• Uzturēšanas programmas

Tajā pašā laikā ierobežojumi, tādi kā

• CAPEX ierobežojumi
• Emisiju mērķi
• Ražošanas/piegādes drošības mērķi

Optimizācijas mākslīgais intelekts atrod portfeļus, kas vienlaikus atbilst visiem noteikumiem un joprojām maksimizē NPV.

10. Lietošanas gadījums uzņēmumam: Farmācija

Farmācijas uzņēmumi optimizē portfeļus no:

• klīniskie pētījumi
• Cauruļvadu attīstība
• Tirgus paplašināšana

Optimizācijas mākslīgais intelekts izvēlas kombināciju, kas maksimāli palielina paredzamo uzņēmuma vērtību, ņemot vērā riska, resursu un regulatīvos ierobežojumus.

11. Uzņēmuma izmantošanas gadījums: tehnoloģiju uzņēmumi

Tehnoloģiju organizācijas sadala resursus starp:

• Platformas un galveno produktu izstrādi
• Inovāciju programmas
• Infrastruktūras palielināšana

Optimizācijas mākslīgais intelekts nodrošina, ka kapitāls un komandas tiek novirzītas stratēģiski visefektīvākajai kombinācijai, nevis visskaļākajam vai politiski spēcīgākajam projektam.

12. Uzņēmumu izmantošanas gadījums: infrastruktūra un publiskais sektors

Arī publiskais sektors piešķir budžetus saskaņā ar stingriem ierobežojumiem - parasti izmantojot:

• Transports
• Enerģētikas infrastruktūra
• Veselības infrastruktūra
• Digitalizācija

Optimizācija Mākslīgais intelekts ļauj matemātiski optimāli noteikt prioritātes konkurējošiem pasākumiem - pārredzami, saprotami un atbilstoši ierobežojumiem.

13. Ietekme uz pārvaldību

Projektu portfeļa optimizācijas mākslīgais intelekts būtiski maina pārvaldību. Tradicionālā pārvaldība darbojas ar nepilnīgu priekšstatu par lēmumu pieņemšanas telpu.

Optimizācija rada

• pilnīgu (vai sistemātiski tuvinātu) lēmumu telpas novērtējumu
• augstāka kapitāla efektivitāte
• stratēģiskā skaidrība
• Lēmumu pārredzamība (izskaidrojamība, izmantojot ierobežojumus, kompromisus, ēnu cenas)

14. Lēmumu kvalitāte kā strukturāla konkurences priekšrocība

Uzņēmumi konkurē ne tikai ar produktiem, bet arī ar lēmumu kvalitāti.

Divi uzņēmumi ar identiskiem projektu kandidātiem var sasniegt pilnīgi atšķirīgus rezultātus - vienkārši ar labāku portfeļa izvēli.

Optimizācijas mākslīgais intelekts padara lēmumu kvalitāti mērogojamu un reproducējamu.

15. Riska samazināšana, izmantojot matemātisko optimizāciju

Optimizācija uzlabo ne tikai peļņu, bet arī riska struktūru.

Vienlaikus izvērtējot visu lēmumu pieņemšanas telpu, slēptās riska koncentrācijas (piemēram, resursu klasteri, piegādes ķēdes atkarības, regulējuma ietekme) var kļūt redzamas un novēršamas.

Tas palielina noturību, jo īpaši svārstīgos tirgos.

16. No heiristikas uz matemātiku: strukturālas izmaiņas lēmumu pieņemšanas loģikā

Uzņēmumu lēmumu pieņemšanā notiek strukturālas pārmaiņas:

Pagātnē: heiristiska prioritāšu noteikšana.

Nākotne: matemātiskā optimizācija.

Tas ir salīdzināms ar iepriekšējiem pārveides posmiem:

• ERP ir digitalizējusi grāmatvedību un procesus
• Optimizācijas mākslīgais intelekts digitalizē pašu lēmumu

17. Integrācija uzņēmuma sistēmās

Optimizācijas AI var integrēt esošajās sistēmu ainavās:

• ERP
• Finanšu plānošana / FP&A
• Projektu un portfeļu pārvaldība

Tipiski ievadi:

• Projektu izmaksas
• Paredzamā atdeve
• Resursu prasības
• Ierobežojumi un pārvaldības noteikumi

Rezultāti: Optimāls portfeļa sadalījums, ieskaitot izskaidrojamus kompromisus.

18. Izpildvaras ietekme

Izpilddirektoriem un finanšu direktoriem projektu portfeļa optimizācijas AI ir svira ar nesamērīgi lielu ietekmi, jo kapitāla piešķiršana nosaka uzņēmuma trajektoriju.

Optimizācija novirza uzmanību no "labākajiem atsevišķajiem projektiem" uz "labāko kopējo portfeli" - matemātiski pamatotu, ierobežojumiem atbilstošu un auditējamu.

19. Stratēģiskais lūzuma punkts

Uzņēmumi, kas īsteno matemātisko optimizāciju, gūst strukturālu priekšrocību: tie strādā ar pilnīgu (vai kontrolēti tuvinātu) lēmumu telpas pārskatu.

Citi strādā ar aptuveniem aprēķiniem - un nezina, ko nezina.

20. Secinājums: uzņēmumu lēmumu pieņemšanas nākotne

Projektu portfeļa optimizācijas mākslīgais intelekts ir paradigmas maiņa uzņēmumu pārvaldībā.

Tā pārveido lēmumu pieņemšanu no heiristiskas pieejas uz matemātisku optimizāciju - ar izmērāmu ietekmi uz CAPEX efektivitāti, stratēģijas īstenošanu un noturību.

Kombinatoriskajā pasaulē optimizācija nav "patīkama lieta".

Tas ir vienīgais veids, kā droši zināt.