Strategize – Optimize – Profitize


Optimierung – der Business Fokus seit jeher

Im Business zielen Management und Strategie seit jeher auf die Optimierung der Resultate : die Minimierung des Aufwandes, die Maximierung des Ertrages sowie des Ergebnisses sind zwei Seiten ein- und derselben Medaille.

Die traditionellen und auch die zeitgenössischen Methoden sind bezgl. Ihrer Wirksamkeit jedoch beschränkt. Echte Optimierung findet statt v.a. im Bereich Supply Chain Management und Operations (JIT etc.), dort v.a im Bestandskundengeschäft . Strategisches und operatives Marketing und Sales Management birgt noch erheblich Potentiale bezgl. Optimierung der Resultate.

Die heutige Digitalisierung und Industrie 4.0 ermöglichen es jedem Unternehmen die Intelligenz der Managementverfahren zu skalieren und damit nachhaltig signifikant bessere Ergebnisse zu erzielen.

Optimierung – Ziele

Optimierung adressiert Maßnahmen zur Verbesserung eines aktuellen Zustandes bis hin zur Erreichung des bestmöglichen Zustandes – des Optimums; dies kann entweder ein Minimum oder ein Maximum sein.

In der Betriebswirtschaft und im Management sind typische (einfache … ) Optimierungsziele :

  • Minimierung der Inputs
    z.B. des Aufwandes, der Bestände, der Zeiten, der Ressourcen, der Risiken etc.
  • Maximierung des Outputs
    z.B. des Ertrages, des Ergebnisses, der Rentabilität etc.

In der Management Realität sind Optimierungsziele leider nicht immer so klar, offensichtlich und eindeutig; es gelten

  • Mehrfachziele
    es können mehrere Ziele existieren und Mehrzieloptimierung (multi objective optimization) wird erforderlich
  • Zielkonflikte
    Ziele können im Widerspruch zueinander stehen
  • Kausalität
    Ziele müssen in einem plausiblen Ursache-Wirkungsverhältnis stehen 
  • Hierarchie
    Ziel stehen in hierarchisch-kausalen Beziehungen zueinander 
    (wie bei Spitzenkennzahlsystemen …)
  • Randbedingungen
    es können Randbedingungen jeglicher Art existieren (zeitlich, prozedural, resourcenbezogen etc.)
  • Komplexität
    die Zielkomplexität kann (zu) hoch sein
  • Dynamik
    Ziele ändern sich mit der Zeit; dynamische anstatt statischer Optimierung ist notwendig
  • Beobachtbarkeit und Steuerbarkeit
    Ziele müssen beobachtbar und steuerbar sein

Schon vor der eigentlichen Optimierung kann allein die Erstellung eines in sich schlüssigen Systemes an (Management-) Zielen eine deutliche Herausforderung sein (wie jeder weiss der schon einmal ein grösseres Balanced Scorecard Projekt durchgeführt hat … ).

Optimierung – Akteure und Methoden

Zur Durchführung der Optimierung gibt es zwei Akteure : den Menschen und / oder die Maschine.

Der Mensch (Manager) in seiner Funktion als Optimierer wendet an zur Optimierung :

  • Ausprobieren (trial and error)
    weitverbreitetes Prinzip, funktioniert u.Ustd., ist resourcenintensiv, langwierig, fehleranfällig und u.Ustd. nicht konvergierend
  • ‚Gesunder Menschenverstand (GMV)‘
    funktioniert leidlich bei übersichtlichen / offensichtlichen Problemen bei denen Problem u. Erfahrung zusammenpassen; ist langsam.
    Häufig auch eher Bauchgefühl anstatt GMV
  • Methodiken
    die Wirksamkeit von Prinzipien, von Katalogen an Geboten und Verboten usw. im Management ist gemeinhin bekannt …
  • Manuelle Analytik
    z.B. eigene Berechnungen, funktioniert nur bei allereinfachsten Problemen; ist langsam und fehleranfällig

Der Computer als Optimierungsmaschine wendet numerische Optimierungsverfahren an; diese sind schnell, wiederholbar und skalierbar.
Moderne Optimierungsverfahren können alle Strategietreiber (Komplexität, Unsicherheit usw.) adressieren. 

Ist eine zu optimierende Zielfunktion bekannt / definiert (hier : Profitables Wachstum … ) so können Verfahren angewandt werden wie :

  • Lineare Optimierung
    Operations Research Verfahren das mit linearen Zielfunktionen, lineare Gleichungen und Ungleichungen arbeitet.
  • Nichtlineare Optimierung
    mathematisches Verfahren der OR das mit nichtlinearen Zielfunktionen und Bereichsgrenzen arbeitet. In der Regel nur anwendbar auf differenzierbare nichtlineare Zielfunktionen. In der Praxis häufig verwendetes Verfahren : Marquardt-Levenberg
  • Dynamische Programmierung
    Methode zum algorithmischen Lösen eines Optimierungsproblems durch Aufteilung in Teilprobleme und systematischen Speicherung von Zwischenresultaten (nach Richard Bellman)
  • Stochastische Optimierung
    Verfahren zur Lösung von Optimierungsproblemen, bei denen Eingangsgrössen und Parameter Zufallsgrößen sind und nicht a-priori bekannt sind (Simulation, Monte-Carlo Methoden)
  • Heuristiken
    Heuristiken sind Anleitungen, um auf methodischem Wege zur Erkenntnis zu gelangen. Im OR angewandt um bei komplexen Optimierungsprobleme in akzeptabler Zeit zu möglichst guten (suboptimalen) Lösungen zu gelangen; d.s. Approximationsverfahren.  Universelle Heuristiken (Metaheuristiken) sind  z.B. Ameisenalgorithmus, Evolutionären Algorithmen (Genetische Algorithmen), Simulated Annealing und Tabusuche
  • Genetische Algorithmen
    Stochastische, metaheuristische Optimierungsverfahren deren Funktion von der Evolution natürlicher Lebewesen inspiriert ist, s.g. naturanaloge Optimierungsverfahren. Phasen sind Selektion, Rekombination, Mutation, Genotyp-Phänotyp-Mapping 
  • Particle Swarm Optimierung
    Ein ebenfalls naturanaloges Optimierungsverfahren, welches nach dem Vorbild des biologischen Schwarmverhaltens eine Lösung für ein Optimierungsproblem sucht

Besonders herausragend in diesem Kontext sind die hochleistungsfähigen Verfahren der Künstlichen Intelligenz (KI) (siehe nächste Seite)

Bei der Optimierung von Profitablem Wachstum im komplexen Settings kommt der Wahl des Optimierungsalgorithmus einen hohe Bedeutung zu.

Optimierungsalgorithmen weisen eine sehr hohe Bandbreite an Performances auf; die Animation rechts illustriert an Hand eines einfachen 2-d Beispiels die Konvergenz einiger Verfahren : von ‚Stochastic Gradient Descent‘ (SGD ) als langsamstes Verfahren bis zum ‚Adaptive Subgradient Method‘ (ADAGRAD) als schnellstes Verfahren. Schon bei diesem einfachen Beispiel liegen  die Performanceunterschiede bei ca. 1:100.

(Quellen : https://www.youtube.com/watch?v=VINCQghQRuM; Autor : Alec Radford)

Einfache Beispiele für Management Optimierung : Traveling Sales Man u.a.

Ein klassisches Beispiel für die Anwendung von Optimierungsverfahren im Management ist das s.g. ‚Traveling Sales Man‘ Problem :
ein Sales Rep hat die Aufgabe eine grössere Anzahl von Orten zu besuchen; die Reise soll beginnen und enden am Heimatstandort.
Der gesamte während der Reise zurückgelegte Weg soll minimal sein.

Die Grafik unten zeigen ein Beispiel einer mögliche Ausprägung : die Reise eines Sales Rep durch die grössten Städte der USA und Kanada, welche wegminimal (kleinstmögliche Länge der Reiseroute) realisiert werden soll.
Die linke Grafik zeigt die Wegminimierung mittels eines Genetischen Algorithmus; die Grafik rechts die wegminimale Lösung.

(Quelle : https://blogs.mathworks.com/pick/2011/10/14/traveling-salesman-problem-genetic-algorithm/; Autor : Will Campbell, 2011)

Dieses konzeptionelle Beispiel einer Optimierung gewinnt an Realitätsnähe beim Übergang zum Supply Chain Management, wo mit gleicher Methodik die Transportpfade von Containern im Schiff- und Landtransport optimiert werden z.B. nach minimalen Wegen, minimalen Kosten, minimalen Zeiten oder nach Kombinationen davon (Mehrzieloptimierung).

Ein Beispiel zur Anwendung der Particle Swarm Optimierung ist in der Grafik links gezeigt.

In der 2-d Zielfunktion (diese könnte z.B. abbilden ‚Profitabilität versus Wachstum‘) konvergieren mehrere zufällige Anfangslösungen hin zu einem lokalen Optimum.

(Quellen :  http://parallelpso.blogspot.com/, 
https://de.mathworks.com/matlabcentral/fileexchange/51120-parallel-particle-swarm-optimizer-for-cuda-c-mex-models)