决策者：大多数战略决策都是在没有看到完整决策空间的情况下做出的
资本分配很少因为缺乏分析而失败。
如果有 20 个项目，就会有超过 100 万种可能的投资组合。
执行委员会审查项目。委员会确定措施的优先次序。
但几乎没有一个组织会在实际约束条件下计算数学上的最优组合。
全局最优仍然是隐形的。
如果不计算完整的决策空间，复杂性就会被管理而非优化。
在下文中，我们将分析组织如何对其投资组合进行正式建模，并在实际约束条件下事先确定全局最优{{ ： }}
Starting point：
这种新计算方法的决定性区别在于应用时间： ，而是在实际决策之前，根据公司完整的投资和项目清单进行计算。
通常情况下，会有一份潜在的 CAPEX 项目清单，如工厂现代化、工厂升级、新建厂房等。例如，工厂现代化、信息技术改造、产品开发、 基础设施措施或效率计划。同时，还有一些固定的限制，如有限的总预算、有限的工程能力、 生产窗口、风险预算和战略框架条件。
这就是真正的决策问题：并非所有项目都能实现。因此，问题不在于 哪些项目单独看来是合理的，而在于在给定的限制条件下，这些项目的哪种组合构成了全局最优的整体组合。
因此，新的计算方法并不孤立地评估单个项目，而是从这些项目中计算出最优的组合、而是从完整的项目清单 中计算出最佳项目组合，同时考虑到所有预算、能力、风险和战略限制。其结果是，在作出实际投资决策之前，从数学上合理地 选择那些能够共同产生最大总体价值贡献的项目。
这将 CAPEX 规划从一个连续的选择过程转变为一个持续的组合优化过程、 其中充分考虑了机会成本、限制瓶颈和组合效应。
为什么大多数投资组合在结构上都是次优的 - 90 秒内
- 投资组合决策根据逻辑 2^N生成组合决策空间。
- 从大约 20 个项目开始，几乎不可能进行完整的人工评估。
- 经验主义（如 "NPV 前 5 名"、"IRR > WACC"、"Payback < 3 年"）造成系统性扭曲。
- 组织将局部最优与整个决策空间中的最佳解决方案相混淆。
- 机会成本因此在结构上仍然不可见。
- 算法优化计算实际约束条件（预算、能力、风险、环境、社会和治理等）下的最佳项目组合。
结论{{ ： }}
那些不计算完整求解空间的人默认了次优资本分配。
博客主要文章 :
通过人工智能决策支持提供政府项目组合管理咨询
- 计算战略而非政治估算
内容摘要
当今，政府、部委和公共机构正面临着历史性的挑战： 日益增长的需求、紧张的预算、复杂的目标冲突以及对影响、透明度和效率的巨大期望压力、 透明度和效率方面的巨大压力。 传统的公共部门项目组合管理（PPM）在结构上已无法满足这些要求。
人工智能支持的决策支持标志着政府咨询模式的转变： 从以政治为导向的方案、线性预算分配和孤立的项目评估--到 转向对整个政府项目组合进行数学优化。
有了决策智能，政府战略可以 优化政府战略，投资回报率最高可达 60 同时 在保持甚至减少预算的情况下 同时保持甚至减少预算。
政府决策的现实情况
当今的公共预算非常分散： 资助计划、基础设施项目、数字化倡议、教育、气候和社会措施并行不悖、 教育、气候和社会措施并行不悖、 往往跨越多个立法期。
每项措施本身在技术上都是合理的。 然而，核心问题不在于单个项目，而在于所有项目的整体性、 而是所有项目的整体问题。
关键问题不在于
"这个项目有意义吗？
而是
"所有措施的哪种组合能为社会和国家带来最大的影响？
为什么传统的政府项目组合管理会系统性地浪费影响力？
公共部门传统的项目组合管理通常基于以下几点
- 对计划进行单独评估
- 年度预算谈判
- 政治优先事项和权衡
- 有章可循的筹资逻辑
这种方法是可以理解的，也是民主合法化的--但 但在数学上是低效的。
只要同时考虑多个方案，就会产生一个指数级的决策空间、 就会产生一个指数级的决策空间。 仅用 15 个衡量标准，就有超过 32,000 种可能的组合组合、 如果采用 20 项措施，则超过一百万个。
任何部委、预算委员会和咨询机构 能完全掌握这种复杂性。
公共投资组合管理中的隐形损失
传统决策逻辑的后果是无形的损失：
- 影响大的计划资金不足
- 影响小的措施占用了过多的资金
- 各部门之间的协同作用仍未得到利用
- 气候、经济和社会问题之间的冲突目标没有量化
- 政治上仍然看不到机会成本
这些损失没有出现在任何审计法院的报告中 它们不可见，只能计算。
为什么仅仅增加透明度是不够的
近年来，在透明度方面投入了大量资金： 仪表板、影响指标、关键绩效指标、开放数据计划。
透明度固然重要，但并不能解决核心问题。
透明是答案：
"发生了什么？"
而政府战略则需要回答：
"在所有现实的选择中，什么是最优的？"
政府战略是一个优化问题
从数学上讲，政府战略是一个优化问题，其中包括：
- 决策变量：计划、预算、时间
- 制约因素：预算法、资源、能力、法律
- 目标变量：社会影响、投资回报率、可持续性、稳定性
这类问题非常复杂，无法线性解决。 它需要算法优化。
政府项目管理中的人工智能决策支持
人工智能支持的决策支持与传统的信息技术或分析支持有着本质区别。 不同。
它不是自动化，而是决策计算、 而是决策计算。
现代决策智能：
- 分析数十亿种可能的投资组合
- 明确考虑制约因素
- 量化相互冲突的目标
- 提供数学最优解决方案
投资回报率在公共部门意味着什么？
政府环境中的投资回报率应从更广义的角度来理解，而不仅仅是财务上的投资回报率。 它包括
- 经济效应
- 社会影响
- 可持续性和复原力
- 避免长期成本
决策智能首次实现了 同时优化这些方面、 而不是在政治上相互竞争。
在不增加成本的情况下，投资回报率最多可提高 60
实际应用案例表明 即使对现有计划进行更好的组合 方案也能实现可观的增效。
典型效果：
- 在预算不变的情况下，投资回报率最多可提高 60
- 显著减少低效措施
- 在资源不变的情况下，更好地实现目标
通过优化投资组合，效果最多可提高 100
对影响程度的影响甚至更大。
优化配置可以
- 惠及更多公民
- 实现更强的生态效应
- 社会计划的效果更有针对性
- 避免长期后续费用
影响不是通过单个灯塔项目产生的、 而是通过所有措施的正确组合。
战略规划：为政府提供决策智能
开发 StratePlan 正是为了解决这类决策问题而开发的。
该平台可计算真实政治、法律和预算条件下的最佳投资组合战略 在真实的政治、法律和预算条件下计算最佳投资组合策略。
战略规划在政府咨询中的应用
- 优化预算和计划组合
- 量化解决相互冲突的目标
- 为议会提供可理解的决策逻辑
- 透明的影响衡量
- 超越政治周期的客观决策依据
通过更好的决策加强民主
人工智能决策支持不会取代民主进程。 它能加强民主进程。
政治决策仍然是政治性的--但 但其后果首次变得可以预测。
从政府建议到政府情报
传统建议提供建议。 决策情报则提供具有最大影响力的选择方案。
这正在从根本上改变公共部门：
- 减少意识形态，增加影响力
- 减少预算辩论，更加注重结果
- 减少政治摩擦，提高透明度
结论
未经优化的政府投资组合每年给各州造成数十亿美元的影响损失。 每年损失数十亿美元。
人工智能支持的决策支持首次系统地实现了这一潜力。
投资回报率提高 60%。 影响力提高 100%。 无需额外成本。
下一步
如果您想知道 您的政府战略中还有哪些影响未被发现、 决策情报是合乎逻辑的下一步。