Tjänster / Beslutsoptimering
Beslutsoptimering
Beslutsoptimering omvandlar en prognos till ett konkret beslut, givet era faktiska begränsningar: kapacitet, budget, minsta orderstorlek, arbetstidsregler. Maskininlärning förutsäger vad som händer; optimering avgör vad ni ska göra åt det. De två stegen förväxlas ofta och löses med helt olika verktyg.
Vanliga utgångslägen
- Ni har en bra prognos men beslutet fattas ändå på tumregler och erfarenhet.
- Kalkylarket som fördelar budget eller lager har vuxit ur sitt format.
- Ingen kan säga hur långt från det bästa möjliga det nuvarande upplägget ligger.
Så gör jag
Den vanligaste luckan i ett datadrivet bolag ligger inte i prognosen. Den ligger mellan prognosen och beslutet.
Modellen levererar att efterfrågan sannolikt blir mellan 400 och 700 enheter. Sedan öppnar någon ett kalkylark, tittar på siffran, och skriver 550 eftersom det känns lagom. All osäkerhetsinformation som modellen mödosamt tagit fram kastas i det ögonblicket.
Optimering är steget som tar vara på den. Med en kostnad för att beställa för mycket och en annan för att beställa för lite blir svaret räknebart, och det ligger nästan aldrig på prognosens mittvärde.
Jag har kört Gurobi i produktion i eget bolag, där budgetallokering över hundratals kampanjer under bivillkor löstes varje natt.
Formulera målet och bivillkoren
Vad ska maximeras och vad är omöjligt? Det arbetet är merparten av uppdraget och görs tillsammans med de som kan verksamheten. Ett felformulerat bivillkor ger ett svar som är matematiskt korrekt och praktiskt oanvändbart.
Optimering under osäkerhet
Att optimera mot prognosens väntevärde ger fel svar när kostnaden är asymmetrisk. Stokastisk optimering använder hela fördelningen och förskjuter beslutet åt det håll som gör minst skada.
Heltal och diskreta val
Hela pallar, hela skift, sortiment som antingen ingår eller inte. Heltalsprogrammering hanterar det exakt i stället för att avrunda ett kontinuerligt svar i efterhand.
Känslighet och alternativ
En enda optimal lösning är sällan användbar i praktiken. Mer värdefullt är att visa vilka bivillkor som binder, vad det skulle vara värt att lätta på dem, och hur lösningen ändras om förutsättningarna skiftar.
Vad du får
- Optimeringsmodell i drift, med era bivillkor kodade och dokumenterade
- Beslutsförslag med angiven optimalitetsgaranti
- Känslighetsanalys som visar vilka begränsningar som kostar mest
- Simulering av alternativa scenarier innan besluten verkställs
Förstudie · 2–3 veckor
95 000 – 140 000 kr
Spannet styrs av hur många bivillkor som ska formaliseras och om beslutet ska fattas löpande eller vid enstaka tillfällen.
Vanliga frågor
Vad skiljer det här från maskininlärning?
Maskininlärning lär sig mönster ur historisk data och förutsäger. Optimering räknar fram det bästa beslutet givet kända regler och en målfunktion. De flesta verkliga problem behöver båda, i den ordningen.
Vi har redan en optimering i vårt planeringssystem.
Bra utgångsläge. Frågorna att ställa är om den optimerar mot rätt mål, om den tar hänsyn till osäkerheten i prognosen, och om någon kan förklara varför den föreslår det den gör.
Krävs en dyr licens?
Inte nödvändigtvis. Öppna lösare som HiGHS och OR-Tools räcker långt. Blir problemet för stort motiverar det en kommersiell licens, och då finns underlaget för att köpa den redan framtaget.
Hur vet vi att lösningen är den bästa?
En lösare returnerar både lösningen och hur långt från det teoretiskt bästa den ligger. Det är en garanti som är ovanlig i den här branschen och som gör beslutet lätt att försvara.