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 :
用人工智能优化局部最优：为什么更好的决策仍然会出错？
在许多组织中，优化被视为专业化的标志。流程得到改进，项目得到收紧，预算得到微调。关键绩效指标增加，风险降低，流程似乎得到控制。然而，结果往往不尽如人意。
原因是自相矛盾的，但又是系统性的： 组织成功地进行了优化，但优化的位置不对。
它们优化的是局部最优。而这正是问题的核心所在。
本文介绍了为什么用传统的管理逻辑 "优化局部最优 "会不可避免地失败，为什么人工智能在这里不是作为自动化而是作为决策工具发挥作用，以及 StratePlan 如何实现从局部最优到全局最优的飞跃。
什么是局部最优--为什么它们如此诱人？
局部最优是指在有限的决策范围内无法进一步改进的解决方案。每一个微小的变化似乎都会使结果恶化。从团队、部门或计划的角度来看，你已经 "到达终点"。
因此，局部最优感觉是正确的：
- 它们是深入分析的结果。
- 它们有数据和关键绩效指标的支持。
- 它们在政治上是一致的。
- 它们看起来很有效率。
正因为如此，局部最优才如此稳定。这也正是它们如此危险的原因。
结构性错误：不了解空间就进行优化
优化的前提是，优化所处的空间是已知的。然而，在实践中，这一空间受到严重限制：部门只能看到自己的项目，计划只能看到自己的倡议，委员会只能看到讨论中的变体。
缺少的是对整个决策空间的了解。
一旦多个项目同时竞争预算、资源、时间和注意力，结果就不再是线性决策过程，而是一个组合空间。这个空间呈指数增长。
在 N 个项目中，不是有 N 种选择，而是有
2N种可能的项目组合
这意味着，只要有 50 个项目，就有超过 1125 万亿个可能的项目组合。每个局部优化的状态只是这个空间中的一个点，不一定是好的点。
为什么更多的优化往往会加剧问题？
一个常见的误解是，如果结果不够好，我们只需要优化得更好。更多的分析、更精细的关键绩效指标、更详细的控制。
实际上，情况往往恰恰相反：
- 局部最优化被进一步固化。
- 项目之间的依赖关系变得更加根深蒂固。
- 资源瓶颈发生了变化，但并没有得到解决。
- 系统整体变得更加迟钝。
这不是管理问题，而是数学问题。缺乏对空间的整体理解的局部优化会强化次优化。
经典控制系统的思维误区
经典控制系统旨在实现稳定性。它们进行测量、比较和修正。这在线性系统中非常有效。然而，在高度复杂的网络化决策空间中，这会导致系统偏差：
改进的是可见的，而不是有效的。
局部最优位于视野之内。全局最优几乎总是在视野之外。
为什么人工智能不会在这里 "自动化"，而是打开了空间？
当我们谈论 "用人工智能优化局部最优 "时，我们并不是在谈论如何让现有流程更快或更便宜。它涉及的是一种分类变化：
- 从讨论到计算
- 从变量到组合
- 从单个项目到组合项目
在这里，人工智能不是作为预测机器使用，而是作为决策空间技术使用。它对项目、限制条件、依赖关系和目标进行建模，并在整个空间中搜索更好的组合。
这就揭示了之前隐藏的问题：存在多少局部最优，以及全局最优的实际位置。
大小比较：
我们的银河系和 "只有 "50 个项目的企业决策空间
有 1.125 万亿个可能的项目组合
为什么局部最优在投资组合中代价特别高？
在投资组合中，局部最优往往出现在错误的地方：
- 一个项目已经完善，但却阻碍了关键资源的使用。
- 一个计划已经完成，但却延误了其他计划。
- 预算得到了最佳利用--但在错误的年份。
这些决定本身都可能是 "正确 "的。然而，它们结合在一起就会产生摩擦、延误和机会成本。
矛盾之处在于：单个单位优化得越好，整体结果可能就越差。
纵横四海：让局部优化变得可见--并将其抛在脑后
这正是战略计划的优势所在。我们的方法不是忽略局部最优，而是让它们透明化。只有明确了局部最优化的位置，才能有意识地决定放弃局部最优化。
所有项目都是一起建模的。限制变得明确。依赖关系变得可计算。这就产生了一个可通过算法搜索的决策空间。
StratePlan 会计算整个决策空间，并从中找出
能产生最大整体效益的项目组合。
真正的附加值：有意偏离
全局最优并不意味着一定要实现全局最优。决定性的优势在于：有意识的偏离。
如果一个委员会出于政治、法规或战略原因，希望保留一个局部最优化的项目，那么战略规划软件就会显示出这一决策的成本，以及哪些替代方案接近全局最优。
这就将隐含的次优化变成了明确的决策。
管理者的启示
局部最优并不是领导能力差的表现。它们是视野有限的表现。
那些继续优化局部最优的人只会使系统趋于稳定，而不会改善系统。 而那些计算决策空间的人则可以自由离开局部最大值。
因此，人工智能将成为战略清晰度的工具，而不是决策的自动执行者。
StratePlan 正是实现了这一点。