Avtomobilska industrija: optimizacija naložb v e-mobilnost, platforme, obrate, programsko opremo in dobavne verige s pomočjo umetne inteligence
Dodeljevanje kapitala od določanja prednostnih nalog do matematične optimizacije
Podjetja običajno določajo prednostne projekte na podlagi poslovnih primerov, razvrstitev in odločitev odbora. Ta pristop se zdi racionalen, vendar ne upošteva celotnega prostora odločanja.
Že pri 30 projektih obstaja več kot milijarda možnih kombinacij portfelja, pri 50 projektih pa več kot 1 kvadrilijon. Tradicionalne metode tega prostora ne morejo v celoti ovrednotiti. Izberejo verjetne rešitve - vendar ne nujno optimalne.
Umetna inteligenca za optimizacijo portfelja projektov izračuna optimalni portfelj projektov v skladu z vašimi dejanskimi omejitvami - vključno s proračunom, viri, tveganjem in strateškimi smernicami. Rezultat je razumljiva, matematično utemeljena podlaga za odločanje o dodelitvi kapitala.
Za nosilce odločanja to pomeni strukturno razliko: odločitve ne temeljijo več na približkih, temveč na izračunani optimizaciji.
Izhodišče: popoln seznam naložb pred dejansko odločitvijo
Odločilna razlika te nove metode izračuna je v času uporabe: ne uporablja se za potrjevanje po sprejetju odločitve, temveč pred dejansko odločitvijo, in sicer na podlagi popolnega seznama naložb in projektov podjetja.
Običajno obstaja seznam potencialnih projektov CAPEX - npr. posodobitve obratov, preoblikovanje IT, razvoj izdelkov, Infrastrukturni ukrepi ali programi učinkovitosti. Hkrati obstajajo fiksne omejitve, kot so omejen skupni proračun, omejene inženirske zmogljivosti, Proizvodna okna, proračuni tveganja in strateški okvirni pogoji.
Prav tu se pojavi pravi problem odločanja: vseh projektov ni mogoče uresničiti. Vprašanje torej ni kateri projekti se zdijo smiselni ločeno, temveč katera kombinacija teh projektov tvori globalno optimalni celotni portfelj ob danih omejitvah.
Nova metoda izračuna zato ne ocenjuje posameznih projektov ločeno, temveč izračuna na podlagi celotnega seznama projektov optimalni portfelj, pri čemer upošteva vse omejitve glede proračuna, zmogljivosti, tveganja in strategije. Rezultat je matematično utemeljen Rezultat je matematično utemeljen izbor tistih projektov, ki skupaj ustvarjajo največji prispevek k skupni vrednosti - še preden je sprejeta dejanska odločitev o naložbi. Odstopanja od izračunanega optimalnega izhodiščnega položaja se izvedejo z jasno vidnostjo nastalih oportunitetnih stroškov in njihovega merljivega vpliva na skupno vrednost portfelja.
S tem se načrtovanje CAPEX iz zaporednega postopka izbire spremeni v dosledno optimizacijo portfelja, pri kateri se v celoti upoštevajo oportunitetni stroški, ozka grla omejitev in učinki portfelja.
Projekti ne izginejo, temveč so bolje umeščeni in optimalno načrtovani za več let
V matematično optimiziranem naložbenem sistemu se projekti ne zavržejo. Namesto tega se spremenijo prioritete, preložijo ali strateško prerazporedijo, tako, da v optimalnem času in ob danih proračunskih, zmogljivostnih in tveganih omejitvah prispevajo največji ekonomski prispevek k celotnemu portfelju maksimizirajo svoj ekonomski prispevek k celotnemu portfelju.
Pri tem je odločilna večletna perspektiva. Naložbene odločitve se ne sprejemajo ločeno za posamezno leto, temveč se optimizirajo v okviru dvo-, tri-, pet- ali desetletnih načrtov.
Likvidnost, ustvarjena z optimizacijo v začetnem letu, se sistematično prenese v naslednje leto leto. S tem se poveča razpoložljivi naložbeni proračun za naslednje obdobje. To naslednje leto se nato prav tako ponovno optimizira.
Učinek: projekte je mogoče dodati takoj, ko se pod novimi pogoji glede proračuna, zmogljivosti in donosnosti prilegajo globalno optimiziranemu portfelju, Pogoji zmogljivosti in donosnosti ustrezajo globalno optimiziranemu portfelju. To ustvarja dinamično večletno optimizacijo, v kateri je vsako obdobje optimizacije Obdobje optimizacije strukturno izboljša naložbene priložnosti za naslednja leta.
Primer avtomobilske industrije:
10 projektov. Fiksni proračun: 850 milijonov EUR. Skupni stroški naložb: 2088 milijonov EUR.
Od matematičnega modela do praktične uporabe
Logika optimizacije se lahko uporablja v vseh panogah in jo je mogoče uporabiti za dejanske naložbe, CAPEX, raziskave in razvoj ter infrastrukturne portfelje. Odločilni dejavnik ni vrsta projekta, temveč struktura odločitve: omejeni viri, konkurenčne možnosti in jasne omejitve.
Hkrati je bila arhitektura sistema dosledno zasnovana za zmanjšanje količine podatkov in njihovo zaupnost. Za izračun so potrebni le numerični parametri projekta. Opisi vsebine, strateški dokumenti ali pripovedi o posameznih projektih niso niti zahtevani niti jih ni mogoče razlagati.
V nadaljevanju si lahko ogledate posebne primere uporabe in osnovno arhitekturo za zaščito in minimizacijo podatkov.
Povzetek
Avtomobilski proizvajalci doživljajo največjo preobrazbo dodeljevanja kapitala od izuma motorja z notranjim izgorevanjem.
Milijarde, vložene v elektromobilnost, programsko opredeljena vozila, nove arhitekture platform, tovarne baterij in dobavne verige, bodo odločile, kateri proizvajalci bodo prevladovali v prihodnjih desetletjih - in kateri bodo strukturno uničili kapital.
Strateškega uspeha ne določa kakovost posameznih projektov, temveč matematična optimizacija celotnega naložbenega portfelja v okviru realnih omejitev.
Izziv je kombinatoričen: takoj ko se opravi izbor med več deset ali več sto potencialnimi naložbami, število možnih kombinacij eksponentno narašča. Na tej točki tradicionalni postopki odločanja - tudi z najvišjo stopnjo strokovnega znanja na področju upravljanja - ne morejo več v celoti zajeti prostora odločanja.
Umetna inteligenca za optimizacijo portfelja projektov prvič omogoča sistematičen izračun globalno optimalnega naložbenega portfelja ob dejanskih omejitvah glede proračuna, virov, tveganja in strategije.
To temeljito spremeni razporejanje kapitala - od hevrističnega odločanja do matematično optimizirane optimizacije portfelja.
1. Proizvajalci avtomobilov kot sistemi za razporejanje kapitala
Vsak proizvajalec originalne opreme in dobavitelj deluje pod več hkratnimi omejitvami:
- Proračuni CAPEX za platforme, obrate in programsko opremo
- Inženirske zmogljivosti na področju elektronike, programske opreme in tehnologije baterij
- Proizvodne zmogljivosti in izkoriščenost obratov
- Razpoložljivost kritičnih sestavnih delov v dobavni verigi
- Predpisi o voznem parku CO₂ in zahteve glede skladnosti
- Omejitve strateškega načrta (npr. popolna elektrifikacija do leta X)
Formalno je to kombinatorični problem optimizacije.
Predpostavimo, da proizvajalec ocenjuje N naložbenih projektov:
- Novo električno platformo
- Preoblikovanje obstoječega obrata
- Razvoj nove programske arhitekture
- Skupno podjetje za tovarno baterij
- Vertikalna integracija kritičnih sestavnih delov
- Avtonomni programi programske opreme
- Novi modeli vozil in izpeljanke
Vsak projekt ima merljive parametre:
- Pričakovani prispevek portfelja (Ri)
- Naložbene zahteve (Ci)
- Izpostavljenost tveganju (σi)
- Strateški prispevek (Si)
- Zahteve po virih (inženiring, proizvodnja, dobavna veriga)
Cilj je izbrati optimalno podmnožico teh projektov:
max Σ Ri xi
s.t. Σ Ci xi ≤ Proračun
xi ∈ {0,1}
2. Kombinatorična realnost v avtomobilski industriji
Obstaja že 50 potencialnih naložbenih projektov:
2⁵⁰ = 1 125 899 906 842 624 možnih portfeljev
To ustreza več kot kvadrilijonu možnih strateških prihodnjih poti za proizvajalca.
Noben upravni odbor, nobena strateška skupina in nobena preglednica ne morejo v celoti oceniti tega prostora.
V praksi se namesto tega uporabljajo metode približevanja:
- Razvrstitev ROI posameznih projektov
- Dodeljevanje proračuna od zgoraj navzdol
- Politično in organizacijsko določanje prednostnih nalog
- Zaporedni procesi odločanja
- Na dediščini temelječi naložbeni vzorci
Te metode ne izračunavajo optimalnega portfelja, temveč ga le približujejo.
3. Tipične naložbene odločitve pri prehodu na elektromobilnost
Primer 1: Električna platforma proti nadaljnjemu razvoju obstoječe platforme
Proizvajalec se mora odločiti:
- Naložba v popolnoma novo platformo za električna vozila: 4 milijarde EUR
- Nadaljnji razvoj obstoječe platforme: 1,8 milijarde EUR
- Hibridna strategija z več vmesnimi rešitvami
Optimalna odločitev ni odvisna od posameznega projekta, temveč od njegove interakcije z
- načrtovanimi izpeljankami vozil
- Arhitektura programske opreme
- Proizvodni obrati
- Strukturo dobavne verige
- prihodnjimi regulativnimi zahtevami
Primer 2: Preoblikovanje ali novogradnja tovarne
Proizvajalec ima v lasti obstoječi obrat za proizvodnjo motorjev z notranjim izgorevanjem.
Možnosti:
- Preoblikovanje v obrat za proizvodnjo električnih motorjev: 1,2 milijarde EUR
- Novogradnja obrata za proizvodnjo električnih vozil: 2,4 milijarde EUR
- Oddajanje v zunanje izvajanje pogodbenemu proizvajalcu
Optimalna odločitev je odvisna od celotnega portfelja:
- načrtovana strategija modela
- Odločitve o platformi
- Načrtovanje obsega proizvodnje
- geografske prodajne napovedi
Primer 3: Programsko opredeljena arhitektura vozila
Naložbene možnosti:
- Notranji razvoj programske opreme: 3 milijarde EUR
- Partnerstvo s tehnološkimi podjetji
- Licenciranje obstoječih platform
Ta odločitev ima dolgoročni učinek:
- Struktura marže
- Potencial diferenciacije
- Stroški posodobitve in življenjskega cikla
- strateški nadzor nad vozilom
Primer 4: Dobavna veriga baterij in vertikalna integracija
Možnosti:
- Lastna tovarna baterij
- Skupno podjetje
- Zunanja nabava
Ta odločitev vpliva na
- Strukturo stroškov izdelka v desetletjih
- Tveganje dobavne verige
- Kapitalska zaveza
- strateška prožnost
4. Zakaj je klasična logika odločanja strukturno neoptimalna
Glavni problem: projekti niso neodvisni.
Vzajemno delujejo sistemsko:
- Nova platforma omogoča več prihodnjih modelov
- Ena tovarna določa proizvodne zmogljivosti za desetletja
- Arhitektura programske opreme vpliva na celotno strategijo izdelka
- Strategija baterij dolgoročno vpliva na stroškovno strukturo in marže
Iz tega sledi:
Vrednost portfelja ≠ Vsota ločenih ocen projektov
Vendar ne:
Vrednost portfelja = f(interakcije, omejitve, načrt, viri)
5. Matematična osnova optimizacije portfelja s pomočjo umetne inteligence
Formalno je to binarni celoštevilski problem optimizacije:
max Rᵀx
s.t. Ax ≤ b
x ∈ {0,1}
Z:
- x = vektor odločitve
- R = prispevek portfelja projektov
- A = matrika omejitev (proračun, viri, strategija, proizvodnja)
- b = omejitve
Ta struktura omogoča matematično natančno modeliranje dejanskih omejitev v avtomobilski industriji.
6. Posebni primeri uporabe umetne inteligence za optimizacijo portfelja v avtomobilski industriji
Načrtovanje strategije OEM
- Optimalna kombinacija naložb v platforme
- Optimizacija portfelja modelov
- Razporeditev CAPEX za več let
Optimizacija omrežja obratov
- Katere obrate je treba preoblikovati
- Katere obrate je treba zapreti
- Kje je treba zgraditi nove obrate
Strategija naložb v programsko opremo
- Odločitve o izgradnji ali nakupu ali partnerstvu
- Optimalno določanje prednostnih nalog v časovnem načrtu
- Minimiziranje dolgoročnih stroškov arhitekture
Strategija baterij in dobavne verige
- Optimalna vertikalna integracija
- Skupno podjetje proti lastni proizvodnji
- Zmanjšanje tveganja za kritične komponente
7. Vpliv na vrednost in konkurenčnost podjetja
Že majhne izboljšave pri razporejanju kapitala imajo velike dolgoročne učinke.
Z letnimi naložbami v višini:
10 milijard EUR CAPEX
samo 5 % boljša optimizacija portfelja prinaša
500 milijonov EUR dodatne vrednosti na leto
V desetih letih to pomeni
5 milijard evrov dodatne vrednosti podjetja
8. Posledice upravljanja za izvršni in nadzorni odbor
Optimizacija portfelja UI temeljito spreminja vlogo uprave.
Od:
- Euristično odločanje
- politično določanje prednostnih nalog
- inkrementalno načrtovanje proračuna
Na:
- matematično optimizirano dodeljevanje kapitala
- popolna preglednost oportunitetnih stroškov
- sistematično maksimiranje vrednosti podjetja
9. Strateški pomen za prihodnost avtomobilske industrije
Prehod na elektromobilnost ni predvsem tehnološki problem.
Gre za problem razporejanja kapitala.
Proizvajalci, ki matematično optimizirajo svoje naložbe, bodo dosegli strukturno višje donose, hitrejšo preobrazbo in dolgoročno konkurenčnost.
Umetna inteligenca za optimizacijo portfelja zagotavlja odločilno matematično podlago za to.
Zaključek
O prihodnosti avtomobilske industrije ne bodo odločale posamezne tehnologije, temveč kakovost razporejanja kapitala v več tisoč sočasnih naložbenih odločitvah.
Optimizacija portfelja, podprta z umetno inteligenco, prvič omogoča sistematičen izračun globalno optimalnega naložbenega portfelja v okviru resničnih industrijskih omejitev.
To pomeni prehod od hevrističnega odločanja k matematično optimiziranemu upravljanju podjetij.