Aprēķināt globālo maksimumu ar AI

Kāpēc uz mākslīgo intelektu balstīta projektu portfeļa pārvaldība strukturāli apsteidz tradicionālos lēmumus

Kopsavilkums

Katru gadu uzņēmumi iegulda miljardus projektos, programmās un transformācijās. Tomēr praksē atkārtojas kāda tendence:

Problēma ir nevis atsevišķi projekti, bet gan to kombinācija.

Tradicionālā projektu portfeļa pārvaldība (PPM) strukturē, nosaka prioritātes un rada pārredzamību. Tomēr tas parasti nenodrošina sistemātisku globāli optimizēta projektu portfeļa aprēķinu.

Palielinoties projektu skaitam, eksponenciāli pieaug lēmumu pieņemšanas telpa:

• 10 projekti → 1024 kombinācijas
• 20 projekti → vairāk nekā 1 miljons kombināciju
• 30 projekti → vairāk nekā 1 miljards kombināciju
• 50 projekti → ~ 1,125 kvadriljonu kombināciju

Šāda lieluma kārta ir neaptverama parastajām metodēm.

Tieši šajā situācijā nāk talkā mākslīgā intelekta atbalstīta kombinatoriskā optimizācija: Tā pārveido projektu portfeļa pārvaldību no strukturēšanas procesa par lēmumu pieņemšanas sistēmu, kas ex ante aprēķina globālo maksimumu.

1. Strukturālā problēma projektu portfeļa pārvaldībā

Projektu portfeļa pārvaldība pilda trīs galvenās funkcijas:

• Projektu apkopošana un strukturēšana
• Pārredzamības nodrošināšana
• Lēmumu pieņemšanas procesu atbalstīšana

Šīs funkcijas ir nepieciešamas, bet ne pietiekamas.

Izšķirošais aklais punkts

Gandrīz visās organizācijās netieši ir spēkā:

Lēmumi tiek pieņemti, neanalizējot visu lēmumu pieņemšanas telpu.

Tā vietā tie tiek izmantoti:

• Novērtēšanas modeļi
• Biznesa gadījumi
• Prioritāšu noteikšanas kārtas
• Vadības semināri
• Scenāriju analīze

Šīm metodēm ir kopīga strukturāla iezīme:

Tās samazina sarežģītību, nevis to pilnībā aprēķina.

2. Lēmumu pieņemšanas telpa: kāpēc 2^N visu maina

Projektu portfeļu galvenais matemātiskais princips ir vienkāršs, taču tam ir tālejošas sekas:

Katru projektu var izvēlēties vai neizvēlēties.

Tas rada:

Iespējamo portfeļu skaits = 2^N

Ar katru papildu projekta iespēju lēmumu pieņemšanas telpa divkāršojas.

Sekas

Ar 30 projektiem:

• vairāk nekā 1 000 000 000 000 iespējamo kombināciju

Ar 50 projektiem:

• vairāk kombināciju nekā sekundes kopš Visuma radīšanas

Praktiska nozīme

Neviena valde, neviens PMO, neviens Excel modelis nespēj

• pārdomāt visas kombinācijas
• apsvērt visas atkarības
• optimizēt visus ierobežojumus vienlaicīgi

Rezultāts ir sistemātiska suboptimizācija.

3. Kāpēc klasiskās metodes nenoved pie globālā maksimuma

3.1 Eiristiska prioritāšu noteikšana

Tipisks:

• Atlase no augšas uz leju
• Uz budžetu balstīti samazinājumi
• "10 labākie projekti"

Problēma:

→ Ņem vērā tikai lēmumu telpas apakškopu

3.2 vērtēšanas modeļi

Tipisks:

• vērtētie kritēriji (ROI, risks, stratēģijas atbilstība)
• Projektu ranžēšana

Problēma:

→ optimizē atsevišķus projektus, nevis to kombināciju

3.3 Scenāriju un Montekarlo pieeja

Tipisks:

• Nenoteiktību simulācija
• Varbūtību sadalījumi

Problēma:

→ simulē rezultātus, bet neveic optimālu izvēli

3.4 lēmumu pieņemšanas kārtas / pārvaldība

Tipisks:

• Komitejas lēmumi
• iteratīvas korekcijas

Problēma:

→ ierobežotas kognitīvās spējas + aizspriedumi

4. Faktiskais mērķis: globālais maksimums

Projektu portfeļa mērķis nav

• labākais projekts
• labākais novērtējums
• ticamākais scenārijs

Bet drīzāk:

Projektu kombinācija, kas rada maksimālu kopējo ieguvumu, ņemot vērā visus ierobežojumus.

Tas ir globālais maksimums.

Formāli abstrahēts:

Maksimizēt:

• Kopējā vērtība (piemēram, neto pašreizējā vērtība, EBIT, ietekme)

Saskaņā ar ierobežojumiem:

• Budžets
• Resursi
• Atkarības
• Riski
• stratēģiskās pamatnostādnes

Izšķirošais punkts

Globālais maksimums ir:

• nav viedokļa
• nav simulācijas
• nav aplēses

Bet:

pamatā esošās datu telpas īpašība

5. Mākslīgais intelekts kā lēmumu pieņemšanas dzinējs: no PPM līdz optimizācijai

AI projektu portfeļa pārvaldībā bieži vien tiek nepareizi saprasts kā

• Dashboard
• Prognozēšanas modelis
• Palīdzības sistēma

Tas ir nepilnīgi.

Patiesā paradigmas maiņa

Mākslīgais intelekts ļauj

pilnīgu vai aptuveni pilnīgu lēmumu telpas analīzi

Mūsdienu lēmumu pieņemšanas mākslīgā intelekta galvenie komponenti

1. Kombinatoriskā optimizācija

• Meklē 2^N kombināciju telpu
• Izmanto tādas metodes kā:
  • Jauktā integrālo skaitļu programmēšana (MIP)
  • Atzarojumu un robežu noteikšana
  • Ierobežojumu programmēšana

2. Ierobežojumi kā matemātiskais modelis

Piemērs:

• Budžets ≤ 500 miljoni
• Projekts A tikai ar projektu B
• ne vairāk kā 20 % riska daļa
• reģionālais sadalījums

3. Paralēlisācija

• milzīgs skaitļošanas laika samazinājums
• Mēroga palielināšana līdz lielām lēmumu telpām

4. Lēmumu modelēšana

• Stratēģisko mērķu integrācija
• Risku svēršana
• Organizācijas loģikas kartēšana

6. Pamatlīdzekļi: Kāpēc kļūdas šajā jomā ir īpaši dārgas

Šis jautājums ir īpaši svarīgs šādās jomās

Pamatlīdzekļi

Piemēri:

• Infrastruktūras projekti
• Nekustamā īpašuma attīstīšana
• Ražošanas iekārtas
• Enerģētikas projekti

Raksturlielumi

• lielas kapitāla saistības
• ilgs termiņš
• zema atgriezeniskuma pakāpe

Problēmas

Nepareizi lēmumi noved pie

• gadiem ilga nepareiza kapitāla sadale
• ierobežota likviditāte
• strukturāli konkurences trūkumi

Tipisks modelis

Organizācijas:

• projektus vērtē individuāli
• lēmumus pieņem secīgi
• tikai ierobežotā mērā ņem vērā kombinācijas ietekmi

Realitāte

Projekta vērtība ir atkarīga no

• citiem projektiem portfelī
• Sinerģija
• Kanibalizācija
• Resursu saistības

Optimālais portfelis nav optimālo individuālo lēmumu summa.

7. Pilns ieguldījumu saraksts kā priekšnoteikums

Bieži vien nepietiekami novērtēts punkts:

Optimizācijai nepieciešama pilnība.

Nepieciešams pirms lēmuma pieņemšanas:

• pilnīgs visu attiecīgo projektu saraksts
• nav iepriekšējas filtrēšanas, izmantojot intuīciju
• nav priekšlaicīgas izslēgšanas

Kāpēc?

Katra izslēgtā iespēja:

→ maina lēmumu pieņemšanas telpu
→ novērš potenciāli labākas kombinācijas

Tipiska kļūda

• "Mēs jau esam iepriekš izvēlējušies"
• "Šie projekti tik un tā ir noteikti"

Sekas

→ var sistemātiski izslēgt globālo maksimumu

8. Kvantitatīvais efekts: ko tas nozīmē praksē?

Optimizēto portfeļu pieredze rāda

• +20 % līdz +60 % pievienotās vērtības no tiem pašiem projektiem
• ievērojami labāka ieguldījumu atdeve
• stabilāka riska struktūra

Izcils efekts

Dimensija	Klasiskais	Optimizēts (AI)
Lēmuma bāze	Apakškopa	Visa telpa
Atkarību ņemšana vērā atkarības	ierobežots	pilnīga
Ieguldījumu atdeve	neoptimāls	globāli maksimizēts
Riska sadalījums	nekonsekventa	sistemātiska
Pārredzamība	augsts	augsts + izskaidrojams
Lēmumu kvalitāte	ticams	matemātiski optimāls

9. No "labiem lēmumiem" līdz optimāliem lēmumiem

Galvenais maldīgais priekšstats organizācijās:

"Ja mums ir labi procesi, mēs pieņemam labus lēmumus."

Tas ir tikai daļēji taisnība.

Realitāte

Labi procesi noved pie:

• saprotamus lēmumus
• pieņemtiem lēmumiem

Bet ne vienmēr

• optimālus lēmumus

Atšķirība

Kategorija	Klasiskais	Optimizācija
Lēmuma veids	ticams	aprēķināts
Bāze	samazināta sarežģītība	pilnīga telpa
Kvalitāte	labs	globāli optimāls

10. Stratēģiskā ietekme uz uzņēmumiem

Spēja aprēķināt globālo maksimumu kļūst par strukturālu konkurences priekšrocību.

Kāpēc?

Tāpēc, ka tā ļauj

• labāk sadalīt kapitālu
• lielāku peļņu ar to pašu budžetu
• ātrāku stratēģisko pielāgošanos

Salīdzinājums

Divi uzņēmumi ar identiskiem projektiem:

• Uzņēmums A izmanto klasiskās metodes
• Uzņēmums B izmanto optimizāciju

→ Uzņēmums B ilgtermiņā sasniedz ievērojami augstākus rezultātus

11. Secinājums

Projektu portfeļa pārvaldība joprojām ir būtiska, bet:

Tā ir lēmuma pamats, nevis pats lēmums.

Patiesā transformācija slēpjas spējā

analizēt visu lēmumu telpu un aprēķināt globālo maksimumu

Mākslīgais intelekts nav palīdzības sistēma, bet:

lēmumu pieņemšanas dzinējs

FAQ

1. Ko nozīmē "globālais maksimums" projektu portfelī?

Globālais maksimums ir projektu kombinācija, kas rada maksimālo kopējo ieguvumu, ņemot vērā visus dotos ierobežojumus (budžetu, resursus, risku utt.). Tas ir matemātiski definēts optimāls risinājums.

2. Kāpēc ar klasisko projektu portfeļa pārvaldību nepietiek?

Tāpēc, ka tā sistemātiski neanalizē visu lēmumu telpu (2^N kombināciju). Tāpēc lēmumi neizbēgami tiek pieņemti, balstoties uz apakškopām, un rezultātā tiek iegūti neoptimāli rezultāti.

3. Vai globālais maksimums patiešām ir aprēķināms praksē?

Jā, ar mūsdienu kombinatoriskās optimizācijas un paralēlās optimizācijas metodēm lēmumu telpu var efektīvi meklēt vai aproksimēt ar augstu precizitāti.

4. Vai tas nav tikai teorētisks jēdziens?

Nē. Reālos lietojumos var novērot būtiskas atšķirības attiecībā uz atdevi un efektu, jo sistemātiski tiek ņemti vērā kombinācijas efekti.

5. Kādi dati ir nepieciešami?

• Visu projektu saraksts
• Ieguldījumu izmaksas
• paredzamās vērtības (piemēram, NPV)
• Ierobežojumi (budžets, resursi utt.)

Pēc izvēles:

• Riski
• Atkarības
• stratēģiskie svērumi

6. Kāda ir atšķirība starp optimizāciju un simulāciju?

Simulācija parāda iespējamo attīstību. Optimizācija nosaka labāko lēmumu šo iespēju ietvaros.

7. Vai tas attiecas tikai uz lieliem uzņēmumiem?

Nē. Īpaši ierobežota budžeta gadījumā optimizētam sadalījumam ir izšķiroša nozīme, jo nepareiziem lēmumiem ir lielāks svars.

8. Kā tas maina vadības lomu?

Vadība turpina pieņemt lēmumus, bet, pamatojoties uz

• pilnīgu pārredzamību
• skaitliski izteiktām alternatīvām
• skaidri noteiktām alternatīvajām izmaksām

9. Kāda īpaša loma ir mākslīgajam intelektam?

AI ļauj:

• Modelēt sarežģītu lēmumu pieņemšanas telpu
• efektīvu optimālu risinājumu meklēšanu
• Vairāku mērķu un ierobežojumu integrāciju

10. Kas ir lielākā svira?

Lielākais sviras efekts ir nevis labākos projektos, bet gan

esošo projektu labākā kombinācijā