Förstå matematiken bakom StratePlan: Varför bättre beslut behöver en annan beräkningslogik

Många investerings- och prioriteringsbeslut ser ut som en "lista med projekt". Matematiskt sett är de något annat: ett kombinatoriskt beslutsutrymme som växer exponentiellt med varje ytterligare alternativ. Om du inte modellerar det här utrymmet kan du inte optimera det.

Vem är den här sidan till för?

C-nivå och tillsynsorgan: för att förstå varför "bra enskilda projekt" inte automatiskt resulterar i den bästa portföljen.
CFO/Controlling: för att formalisera alternativkostnader och restriktioner (budget, risk, ESG, kapacitet).
Offentlig sektor: för att förstå varför finansieringslogik, avdelningstänkande och valcykler strukturellt leder till suboptimala portföljer.

Kärnproblemet: utrymmet för beslutsfattande växer exponentiellt

Varje ytterligare projekt skapar inte "ytterligare en punkt" på en lista, utan en ny dimension i lösningsutrymmet. Antalet möjliga portföljkombinationer följer logiken 2ⁿ:

10 projekt → 2^10 = 1.024 kombinationer
20 projekt → 2^20 = 1 048 576 kombinationer
50 projekt → 2^50 ≈ 1,125 kvadriljon kombinationer

Detta är den punkt där klassiska kommittéprocesser, Excel-logik och heuristik når en matematisk gräns.

Lokal vs. global optimum

Lokalt optimum innebär: en lösning som fungerar bättre än uppenbara alternativ.

Globalt optimum innebär: den bästa lösningen i hela beslutsutrymmet.

Många organisationer förbättrar lokala beslut (bättre poäng, bättre affärsplaner) utan att beräkna det övergripande beslutsutrymmet. Detta leder till att de bästa kombinationerna ofta förblir osynliga.

Varför heuristiken är strukturellt ofullständig

Typiska regler och restriktioner från kommunala och företagsmässiga beslutsprocesser som "topp 5 enligt NPV", "IRR > WACC", "återbetalning < 3 år" eller "strategiska fyrar först" är operationellt begripliga. Matematiskt sett har de en svaghet: de utvärderar projekten isolerat, inte som en portfölj som är beroende av varandra.

Ett projekt med ett lågt individuellt värde kan generera den högsta totala effekten i kombination med andra projekt. Ett projekt med ett högt individuellt värde kan tränga undan bättre kombinationer om restriktioner gäller.

Lösningen: Formell modellering i stället för magkänsla

Beslutsmatematiken börjar med att en portfölj formuleras som en modell:

Beslutsvariabler: _xi ∈ {0,1} (projektet väljs eller inte)
Målfunktion: t.ex. maximera totalt värde, effekt, NPV, nyttoindex
Sekundära villkor: Budget, kapacitet, risk, CO₂, minimikvoter, beroenden och mycket mer...

En enkel modell (förenklad)

Maximera:
∑ _(värdei × _xi)

under:
∑ _(kostnad × _xi) ≤ budget
∑ _(emissioni × _xi) ≤ CO₂-gräns
_xi ∈ {0,1}

Denna grundläggande princip motsvarar ett (multi)restriktivt Knapsack-problem och utgör grunden för verkliga portföljmodeller med flera dimensioner och inbördes beroenden.

Vad du kommer att lära dig på denna plattform

Varför 2ⁿär det verkliga "osynliga utrymmet" bakom portföljbeslut
Hur begränsningar dominerar besluten (budget, kapacitet, ESG, risk)
Varför "prioritering" inte är detsamma som "optimering"
Hur alternativkostnader kan visualiseras ex ante
Hur man omvandlar data till en modell som kan fatta beslut

Grunderna: beslutsutrymmen och optimering

Den matematiska grunden: 2^n lokala vs. globala optima, restriktioner, målfunktioner och modellogik.

Matematisk djupdykning: De 5 byggstenarna som verkligen räknas

Beslutsvariabler: Vilka valmöjligheter finns _(xi)?
Målvariabel: Vad maximeras (värde, effekt, NPV, nytta)?
Begränsningar: Vad begränsar utrymmet (budget, CO₂, kapacitet, risk, kvoter)?
Interdependenser: Vilka projekt förutsätter eller förhindrar andra?
Optimering: Hur kan den bästa kombinationen hittas i hela utrymmet?

Projekt försvinner inte - de positioneras bättre och planeras optimalt under flera år

I ett matematiskt optimerat investeringssystem kasseras inte projekten. Istället omprioriteras, senareläggs eller ompositioneras de strategiskt, så att de ger maximalt ekonomiskt bidrag till den totala portföljen vid optimal tidpunkt under givna budget-, kapacitets- och riskbegränsningar maximera sitt ekonomiska bidrag till den totala portföljen.

Den avgörande faktorn är här det fleråriga perspektivet. Investeringsbesluten fattas inte isolerat för ett för ett enskilt år, utan optimeras inom ramen för 2-, 3-, 5- eller 10-årsplaner.

Likviditet som skapas genom optimering under startåret förs systematiskt över till nästkommande år år. Därmed ökar den tillgängliga investeringsbudgeten för nästa period. Även detta påföljande år optimeras sedan igen.

Effekten: projekt kan läggas till så snart de passar in i den globalt optimerade portföljen under de nya budget-, kapacitets- och avkastningsvillkoren, Kapacitet och avkastningsförhållanden passar in i den globalt optimerade portföljen. Detta skapar en dynamisk flerårig optimering där varje optimeringsperiod Optimeringsperiod strukturellt förbättrar investeringsmöjligheterna för de följande åren.

En sista tanke

Den som inte beräknar beslutsutrymmet hanterar komplexitet - och optimerar inte. Att förstå matematik betyder här inte att "lära sig formler", utan att modellera beslutsstrukturen på ett sådant sätt att det globala optimumet överhuvudtaget kan bli synligt.

Visualisering av ett 2^50 beslutsutrymme:

Visualiseringen visar 2^50-beslutsrymden för ett stort globalt företag med exemplet 50 projekt med begränsade budgetar. Den underliggande beslutsrymden är domänoberoende och kan tillämpas på samma sätt på kommunala projekt, budgetbeslut och infrastrukturportföljer.

2^50 möjliga kombinationer motsvarar en storleksordning som är större än antalet stjärnor i över 2.800 Vintervägar.

Denna dimension gör det tydligt: utan algoritmisk optimering baseras urvalet i själva verket på heuristiska approximationer - inte på en fullständig beräkning av det globala optimumet.