Operacijska istraživanja


Operacijska istraživanja prestavljaju interdisciplinarno područje koje se bavi primjenom matematičkih modela, statistike i analitičkih tehnika kako bi se rješavali složeni problemi i donosile odluke u organizacijama i drugim kontekstima gdje postoje ograničeni resursi i ciljevi koji se trebaju postići.



Aktivnosti

  • razvoj modela

  • analiza podataka

  • proučavanje algoritama


Primjeri problema koji se rješavaju

  • raspoređivanje resursa
  • optimizacija procesa
  • upravljanje zalihama
  • određivanje ruta
  • raspoređivanje radne snage
  • planiranje projekata
  • upravljanje lancima opskrbe
  • donošenje strateških odluka
  • upravljanje rizicima
  • alokacija investicija
  • modeliranje poslovnih scenarija
  • optimizacija energetske učinkovitosti
  • predviđanje performansi
  • analiza konkurentnosti
  • upravljanje kvalitetom
  • upravljanje složenim sustavima
  • analiza pouzdanosti tehničkih sustava
  • planiranje infrastrukture
  • optimizacija komunikacijskih mreža
  • optimizacija (medicinskih) tretmana
  • prostorno planiranje
  • upravljanje sustavima zaštite okoliša
  • optimizacija cloud arhitektura
  • upravljanje mrežnim protokolima
  • raspoređivanje poslužitelja
  • planiranje kapaciteta podatkovnih centara
  • upravljanje mrežnom propusnošću
  • optimizacija distribuiranih sustava
  • modeliranje kibernetičkih rizika
  • …



Metode i modeli operacijskih istraživanja - Pregled tipičnih pristupa

  1. Linearno programiranje (LP)

Metode:

  • Grafičko rješavanje
  • Simpleks metoda
  • Dualni program

Primjena:

  • Optimizacija resursa, distribucija, logistika, i planiranje proizvodnje.

  1. Cjelobrojno i mješovito-cjelobrojno programiranje (ILP, MILP)

Metode:

  • Grane i granice (Branch and Bound)
  • Metode rezova (Cutting Plane)
  • Heurističke i metaheurističke metode

Primjena:

  • Dodjeljivanje resursa, raspored radnih zadataka, i problemi planiranja.

  1. Grafovi i mreže

Modeli:

  • Najkraći put (Dijkstra, Bellman-Ford)
  • Minimalno razapinjuće stablo (Prim, Kruskal)
  • Problemi mrežnih tokova (Max-Flow, Min-Cut)

Primjena:

  • Optimizacija transportnih mreža, raspored mrežnih resursa, i analiza društvenih mreža.

  1. Projektno upravljanje

Metode:

  • CPM (Critical Path Method)
  • PERT (Program Evaluation and Review Technique)

Primjena:

  • Upravljanje projektima, vremensko planiranje i alokacija resursa.

  1. Ciljno i višeciljno programiranje (Goal Programming, Multi-Objective Optimization)

Metode:

  • Tehnika težinskih koeficijenata (Weighted Sum Method)
  • Metoda idealnih točaka (Ideal Point Method)
  • Interaktivne metode višeciljnog odlučivanja (npr. STEM, NIMBUS)
  • Epsilon-ograničeno programiranje

Primjena:

  • Optimizacija problema s više ciljeva, poput balansiranja troškova i kvalitete, održivosti i troškova i sl. Problemi u proizvodnji, energetici, prometu, i zaštiti okoliša gdje postoji više ciljeva koji se istovremeno moraju razmotriti.

  1. Nelinearno programiranje (NLP)

Metode:

  • Gradijentne metode
  • Kvazinjutonske metode
  • Penalne funkcije
  • Metoda Lagrangeovih množitelja
  • Linearne aproksimacije

Primjena:

  • Optimizacija složenih sustava gdje su funkcije cilja ili ograničenja nelinearne.
  1. Višekriterijsko odlučivanje (MCDM)

Metode:

  • AHP (Analytic Hierarchy Process)
  • SMART (Simple Multi-Attribute Rating Technique)
  • TOPSIS (Technique for Order Preference by Similarity to Ideal Solution)
  • PROMETHEE (Preference Ranking Organization Method for Enrichment Evaluations)
  • VIKOR (VIseKriterijumska Optimizacija i Kompromisno Resenje)

Primjena:

  • Donošenje odluka s više ciljeva u financijama, upravljanju i inženjeringu.
  1. Dinamičko programiranje (DP)

Metode:

  • Metoda rekurzivnog razbijanja problema na manje potprobleme

Primjena:

Višerazinski procesi, npr. problemi upravljanja zalihama i planiranja.

  1. Heurističke i metaheurističke metode

Primjeri:

  • Genetski algoritmi
  • Simulirano kaljenje (Simulated Annealing)
  • Rojevi čestica (Particle Swarm Optimization)
  • Algoritmi kolonija mrava (Ant Colony Optimization - ACO)
  • Tabu pretraživanje (Tabu Search)

Primjena:

  • Rješavanje velikih problema optimizacije gdje egzaktne metode nisu primjenjive.

  1. Teorija redova čekanja

Modeli:

  • M/M/1, M/M/c, M/G/1 modeli
  • Sistemi s prioritetima i zatvoreni redovi čekanja

Primjena:

  • Analiza sustava usluga, telekomunikacije, i optimizacija tokova.

  1. Teorija igara

Vrste igara:

  • Kooperativne ili nekooperativne igre
  • Statičke ili dinamičke igre
  • Uz potpunu informaciju ili neizvjesnost
  • Igre uz modeliranje učenja i svjesnosti

Primjena:

  • Strateško odlučivanje u poslovanju, ekonomiji, vojnoj strategiji i kibernetičkoj sigurnosti.

  1. Teorija zaliha

Modeli:

  • EOQ (ekonomska količina narudžbe)
  • Newsvendor modeli
  • Stohastički modeli zaliha

Primjena:

  • Upravljanje zalihama u maloprodaji, distribuciji i proizvodnji.

  1. Simulacijsko modeliranje

Metode:

  • Simulacija diskretnih događaja
  • Monte Carlo simulacija
  • Agencijska simulacija

Primjena:

  • Analiza složenih sustava s neizvjesnostima i varijabilnostima.

  1. Metoda omeđivanja podataka

Metode:

  • CCR model (Charnes, Cooper, Rhodes) - Konstantni povrati razmjera
  • BCC model (Banker, Charnes, Cooper) - Varijabilni povrati razmjera
  • Additivni model - Fokus na poboljšanju ulaza i izlaza
  • Window Analysis - Dinamička analiza kroz vremenska razdoblja
  • Cross-Efficiency Analysis - Usporedna procjena učinkovitosti između DMU-a

Primjena:

  • Ocjenjivanje učinkovitosti u javnim institucijama i poduzećima
  • Reorganizacija resursa za postizanje optimalnih performansi
  • Poboljšanje operativne učinkovitosti
  • Proučavanje odnosa ulaznih resursa i izlaznih rezultata

  1. Markovljevi lanci i procesi

Vrste:

  • Diskretno-vremenski i kontinuirano-vremenski Markovljevi lanci
  • Procesi odlučivanja Markovljevog tipa (MDP)

Primjena:

  • Analiza sustava s nasumičnim prijelazima, poput pouzdanosti sustava i procesa održavanja.

  1. Teorija pouzdanosti

Modeli:

  • Serijski i paralelni sustavi
  • Analiza kvarova (Failure Mode and Effect Analysis - FMEA)

Primjena:

  • Predviđanje trajnosti proizvoda, analize kvarova i održavanje sustava.

  1. Robustna i stohastička optimizacija

Primjena:

  • Rješavanje problema s neizvjesnostima i varijacijama u ulaznim podacima.

  1. Analiza odluka

Metode:

  • Stabla odluka za evaluaciju opcija
  • Monte Carlo simulacija za procjenu nesigurnosti

Primjena:

  • Evaluacija rizika i donošenje odluka u medicini, financijama, i upravljanju projektima.
  1. Teorija preživljavanja (Survival Analysis)

Metode:

  • Kaplan-Meier metoda
  • Coxov regresijski model

Primjena:

  • Analiza vremena do događaja, poput kvarova sustava ili trajnosti proizvoda.

  1. Metode povezane sa statistikom, analitikom i strojnim učenjem (ovo i nisu baš klasične metoda, ali se sve češće kombiniraju)

Metode:

  • Diskriminantna analiza
  • Klaster analiza
  • Regresijska analiza (linearna, logistička)
  • Klasifikacija

Primjena:

  • Razumijevanje i predviđanje obrazaca u podacima.

U sklopu ovog kolegija, bavit ćemo se samo s nekim temama vezanim uz prvih sedam klasičnih metoda.

Osim klasičnih metoda operacijskih istraživanja, postoji niz suvremenih ili alternativnih metoda koje se često koriste za rješavanje složenih problema, ali se ne smatraju klasičnima. Tu su, na primjer, strojno učenje u OI (klasifikacija i predikcija; optimizacija hiperparametara pomoću algoritama Bayesove optimizacije; automatsko prepoznavanje obrazaca za donošenje odluka), agentno modeliranje (Agent-Based Modeling - ABM; za simulacije tržišnih dinamika, ponašanja potrošača ili logističkih lanaca), fuzzy logika i neizrazita optimizacija (za probleme s nepreciznim ili nepotpunim informacijama; npr. fuzzy linearno programiranje; fuzzy višekriterijsko odlučivanje), evolucijsko programiranje, primjena umjetne inteligencije u OI (duboko učenje za optimizaciju; reinforcement learning za dinamičko odlučivanje; koristi se za real-time optimizaciju, robotske sustave, planiranje i kontrolu), itd.





Kako se operacijska istraživanja razlikuju od nekih drugih grana koje intenzivno koriste kvantitativne analize, recimo znanosti o podacima, data mininga, poslovne analitike i sl.?


Aspekt Operacijska istraživanja Data Science Data Mining Poslovna analitika
Cilj Optimizacija sustava i procesa Ekstrakcija uvida iz podataka Otkrivanje obrazaca u podacima Donošenje informiranih poslovnih odluka
Metodologija Modeliranje i optimizacija Strojno učenje, statistička analiza Klasifikacija, klasteriranje, asocijativna pravila Kombinacija deskriptivne, prediktivne i preskriptivne analitike
Glavne metode LP, ILP, NLP, DP, simulacija Strojno učenje, duboko učenje, vizualizacija podataka K-Means, stabla odlučivanja, Apriori algoritam Statistička analiza, predikcijski modeli, vizualizacija rezultata
Primjena Logistika, proizvodnja, usluge, upravljanje resursima Analitika društvenih mreža, obrada jezika, prediktivni modeli Marketing, preporučiteljski sustavi, detekcija prijevara Prodaja, marketing, financije, operativno upravljanje
Fokus Optimizacija procesa i donošenje odluka Analiza velikih podataka, predikcija Prepoznavanje obrazaca u podacima Implementacija u poslovne procese i strategije
Vrsta podataka Struktuirani Struktuirani i nestruktuirani U pravilu nestruktuirani Pretežno struktuirani
Pristup Deterministički i stohastički modeli Iterativno istraživanje podataka Rudarenje podataka, identifikacija veza Analiza za podršku odlučivanju na temelju uvida
Tipični alati R, Python, MATLAB, CPLEX Python, R, TensorFlow, Spark RapidMiner, Weka, Orange Tableau, Power BI, Excel
Ključne značajke Matematički, statistički, simulacijski i heuristički pristupi Fleksibilniji, iterativni i eksperimentalni proces Fokus na skrivenim obrascima Fokus na komunikaciji rezultata za poslovne odluke
Ograničenja Zahtijeva jasno definirane probleme i podatke Ovisnost o kvaliteti podataka i modela Fokus na deskriptivnom pristupu i predikcijama Često staje na jednostavnim modelima za brze uvide





Osim toga, postoji i jedno područje sličnog naziva: Operacijski menadžment. No i ovdje postoje sličnosti i razlike. Razlika je u fokusu, pristupu i ciljevima.


Kategorija Operacijska istraživanja Operacijski menadžment
Sličnosti Matematički modeli, Optimizacija, Analiza podataka, Primjena u stvarnom svijetu Matematički modeli, Optimizacija, Analiza podataka, Primjena u stvarnom svijetu
Fokus Razvoj modela i optimizacija Upravljanje operacijama organizacije (planiranje, organizacija, nadzor resursa i procesa)
Pristup Analitički Sveobuhvatan/ Implementacijski
Ciljevi Pronalazak optimalnih rješenja za specifične probleme Osiguranje učinkovitosti operacija i postizanje strateških ciljeva

Nakon ovih usporedbi, jasnije nam je što operacijska istraživanja jesu, a što nisu i koje su dodirne točke sa sličnim područjima. Nakon prvih uvida, može se činiti da se puno toga na ovaj ili onaj način vrti oko novca. Poslovanje je inherentno usmjereno na maksimizaciju koristi – što često uključuje novac. No, poanta operacijskih istraživanja nije samo povećati profite, nego optimizacija u širem smislu:

  • Ušteda resursa: Često je cilj smanjiti troškove, ali to može značiti i bolje korištenje vremena, prostora ili energije.
  • Poboljšanje kvalitete: Optimizacija ne mora značiti isključivo profit; može značiti pružanje bolje usluge ili proizvoda unutar postojećih ograničenja.
  • Donošenje odluka u složenim sustavima: U poslovnom okruženju, to obično ima financijski aspekt, ali odluke se odnose i na održivost, zadovoljstvo zaposlenika, utjecaj na okoliš itd.

Operacijska istraživanja često se primjenjuju u ekonomiji i menadžmentu jer pomažu optimizirati resurse, minimizirati troškove i maksimizirati profit. No, njihova primjena daleko nadilazi samo ekonomske aspekte. OI su interdisciplinarno područje koje se koristi i u:

  • Zdravstvu (optimizacija rasporeda bolničkih osoblja, upravljanje zalihama lijekova, planiranje kirurških zahvata)
  • Inženjerstvu (analiza mreža, planiranje proizvodnje, optimizacija distribucijskih sustava)
  • Ekologiji (upravljanje prirodnim resursima, optimizacija održivosti, modeliranje utjecaja klimatskih promjena)
  • Vojnim sustavima (logistika, raspoređivanje resursa, strategije u simulacijama) - čak, upravo zahvaljujući ovim naporima uopće postoje neke metode ili su razvijene do postojeće razine
  • IT industriji (upravljanje podacima, raspoređivanje resursa u oblaku, optimizacija mrežnih sustava).

Dakle, iako ekonomski ciljevi često igraju ključnu ulogu, operacijska istraživanja mogu postaviti temelje za donošenje odluka koje ne uključuju samo novac, već i druge oblike vrijednosti, poput društvenog ili okolišnog utjecaja. OI se tako može smatrati širim okvirom za optimizaciju, gdje su ekonomski ciljevi samo jedan od elemenata (a mogu se i izostaviti u nekim situacijama).

Ovdje smo se dotakli nekih pojmova koje moramo pobliže objasniti - operacije i odlučivanje.





Što su operacije

Operacije su aktivnosti i procesi koji se analiziraju i optimiziraju kako bi se poboljšala učinkovitost, smanjili troškovi i donosile informirane odluke u organizaciji ili sustavu.

Primjeri operacija:



Strategije, taktike i operacije međusobno su povezane i čine hijerarhiju aktivnosti koje organizacije ili sustavi koriste za ostvarivanje ciljeva. Strategije su usmjerene na dugoročno planiranje i definiranje smjera organizacije, odgovarajući na pitanje što želimo postići? Taktike, s druge strane, detaljno opisuju kako ćemo to postići? kroz specifične kratkoročne poteze ili inicijative. Operacije predstavljaju praktično provođenje tih taktika u svakodnevnim aktivnostima, osiguravajući učinkovito upravljanje resursima i procesima. U kontekstu operacijskih istraživanja, operacije se odnose na aktivnosti i procese koji se analiziraju i optimiziraju radi postizanja učinkovitosti, smanjenja troškova i donošenja konkretnih odluka. Za razliku od strategija, koje postavljaju dugoročne ciljeve organizacije, i taktika, koje definiraju specifične korake za postizanje tih ciljeva, operacije su usmjerene na konkretno izvršavanje aktivnosti.

Razlike leže u razini apstrakcije - strategije su najšire i najopćenitije, taktike su srednja razina detalja usmjerena na specifične korake, dok su operacije operativna razina, fokusirana na izvršenje svakodnevnih zadataka. Sličnost među njima je u tome što sve služe zajedničkom cilju – uspjehu organizacije – kroz koordinaciju i usklađivanje različitih razina djelovanja.

Operacijska istraživanja pružaju alate i metode za modeliranje, analizu i optimizaciju tih operacija, osiguravajući da one doprinose uspjehu strategije i taktika organizacije. Tako se operacije u ovom kontekstu ne promatraju samo kao izvršenje, već kao područje za analitičko unaprjeđenje sustava i procesa putem kvantitativnih metoda. Na primjer, optimizacija rasporeda proizvodnje, upravljanje zalihama ili modeliranje tokova u transportnim mrežama dio su operacija koje se analiziraju u okviru operacijskih istraživanja.





Donošenje odluka i rješavanje problema

U svakodnevici stalno donosimo odluke. Neke od njih je lako donijeti (npr. hoćemo li popiti kavu, što ćemo kupiti od namirnica i sl.), a neke od njih su zahtjevnije (npr. odlučiti o nastavku školovanja, odlučiti o kupovini auta, odlučiti o mjestu stanovanja, karijeri i sl.).

Iako odluka o odlasku na kavu može ovisiti o raznim čimbenicima, kao na primjer: o društvu, pijemo li i inače kavu, imamo li vremena itd.; spada u odluke koje se, u pravilu, donose brzo i jednostavno. Već pri odlasku u kupovinu ponekad koristimo jednostavnije alate za pomoć, kao što su popisi namirnica. Popisi se često koriste, ne samo kako bi se izbjeglo zaboravljanje, nego i zbog ograničenja kojeg predstavlja dostupan budžet. Zbog toga će se kraj popisa namirnica često naći i količine te cijene, što omogućava provjeru mogu li se kupiti sve željene namirnice unutar dostupnog budžeta.

Odabir studija je već nešto zahtijevnija odluka. Pri odbiru studija utjecajni čimbenici i ograničenja mogu biti: ostvaren uspjeh na državnoj maturi, osobne preferencije, motivacija i interesi, lokacija studija, potpora obitelji, odabiri prijatelja, trošak studiranja, mogućnost dobivanja stipendije, mogućnosti zaposlenja i karijere u toj branši, ekonomska situacija, itd. Dakle, odluke će biti vezane uz ciljeve koji se žele ostvariti, ali će ih usmjeravati objektivne koristi, osobne preferencije, ali i ograničenja.

Jednog će se dana sadašnji studenti naći u situaciji u kojoj će u sklopu radnog mjesta donositi poslovne odluke – odluke koje utječu na poslovanje i uspješnost poduzeća, pa tako i radna mjesta zaposlenika, poslovne partnere, te užu i širu lokalnu zajednicu. Pri donošenju poslovnih odluka nužno je uzeti u obzir brojne čimbenike i ograničenja, kako bi predložena ili donesena odluka bila optimalna. Kako bi se to postiglo, često se koriste kvantitativne metode pri poslovnom odlučivanju. Kako situacije i uvjeti u kojima je potrebno donijeti odluku postaju kompleksniji, potrebno je koristiti i sofisticiranije alate i metode za pomoć pri odlučivanju.

Kvantitativna analiza vezana uz poslovno odlučivanje može se primjenjivati na svim razinama poslovnog odlučivanja. Štoviše, bavit ćemo se kvantitativnim metodama upravo na način da one predstavljaju rješavanje problema. Takav pristup iziskuje korištenje istraživačkog ciklusa koji se sastoji od formulacije pitanja, prikupljanja podataka, analiziranja podataka i prikupljanja rezultata (Franklin i sur., 2007). Obratite pozornost da se ovdje ne govori o „rješavanju zadataka”. Takav je pristup arhaičan i ne priprema vas adekvatno za tržište rada. Bavit ćemo se realnim i realističnim podacima i poslovnim slučajevima te koristiti različite kvantitativne metode (upoznajući se pritom s njihovim mogućnostima, prednostima i nedostacima) pri rješavanju problema i predlaganju poslovnih odluka.

Odlučivanje

U najširem smislu, odlučivanjem se bave teorije odlučivanja. Prema Sikavici i dr. (2013), teorije odlučivanja označuju skup općih prijedloga o načinu i procesu donošenja poslovnih odluka. U središtu teorija odlučivanja nalaze se vrijednosti, nesigurnost, rizici, informacije i ostala pitanja relevantna za donošenje određene odluke. U sklopu teorije organizacije, razvijaju se pristupi koji su primarno usmjereni na analizu i rješavanje organizacijskih i menadžerskih problema, kao i na efikasnost i efektivnost. Svakoj se odluci može pristupiti iz različitih perspektiva, pa tako i u teorijama odlučivanja postoje ekonomski, sociološki, etički, psihološki, statistički te matematički pristupi. Navedeno ukazuje na nužnost interdisciplinarnog pristupa pri donošenju odluka.

Prema Sikavici i dr. (2013), teorije donošenja odluka mogu se podijeliti na:

  • Klasične teorije donošenja odluka – „Teorije koje ne odvajaju objektivne i subjektivne elemente odlučivanja kao što ne odvajaju ni činjenične i vrijednosne aspekte, ali stavljaju naglasak i temelje se na objektivnim odnosno činjeničnim elementima.”

  • Neoklasične teorije donošenja odluka – „Teorije koje se temelje na procesu spajanja subjektivnih i objektivnih parametara s naglaskom na subjektivne elemente odluke.”

  • Situacijske teorije odlučivanja – „Teorije koje donositelja odluke upućuju na to da s obzirom na situaciju, kontekst i/ili okruženje naglašava objektivne ili subjektivne aspekte odluke.”

Postoje normativni, deskriptivni i preskriptivni pristupi odlučivanju. Pojednostavljeno, normativni pristup bavi se pitanjem kako bi se odluke trebale donositi, deskriptivni se bavi utvrđivanjem kako se odluke donose, dok preskriptivni pristup objedinjava prethodna dva pristupa i bavi se pitanjem što bi trebali odlučiti.

Prema Bubleu (2000), planiranje je formalni proces kojim se identificiraju ciljevi i izabire strategija ostvarenja ciljeva odnosno daju odgovori na sljedeća pitanja:

  • Gdje se poduzeće nalazi trenutno?

  • Gdje se poduzeće želi naći u budućnosti?

  • Kako će tamo stići?

Nadalje, planiranje podrazumijeva:

  • Koordinaciju napora kojom se definira set pravila ponašanja u izvršavanju planova.

  • Pripremu za promjenu, jer je planiranje osnovni način smanjenja ili neutralizacije rizika koji dolazi iz okoline poduzeća.

  • Postavljanje standarda postignuća i rezultata koji se očekuju čime se ostvaruju pretpostavke za praćenje izvršenje plana i omogućuje kontrola.

  • Razvijanje menadžera kroz sistematičan, strukturiran proces izgradnje kompetencija.

U procesu planiranja, nužno je voditi računa o postojećim i mogućim utjecajima:

  • Ograničenost resursa,

  • Neizvjesnost okoline.

Proces planiranja obuhvaća sljedeće etape:

  • Analiza situacije: identifikacija prilika, prijetnji, snaga i slabosti

  • Postavljanje ciljeva: Što, gdje i kada želimo?

  • Razvoj pretpostavki plana: U kojoj će situaciji djelovati plan?

  • Identifikacija alternativa: Koje alternative najviše obećavaju u ostvarenju ciljeva?

  • Vrednovanje alternativa: Koje alternative daju najbolje šanse za ostvarenje ciljeva na efektivan i efikasan način?

  • Izbor alternative: Selekcija tijeka akcija koje će se slijediti.

  • Formulacija izvedbenih planova: razvoj novog proizvoda, obuka kadrova, uporaba novih materijala, …

  • Izrada proračuna: proračun dobiti, bilanca, tijek gotovine

Pri postavljanju ciljeva, potrebno je voditi računa da oni posjeduju sljedeće karakteristike:

  • Specific (određen)

  • Measurable (mjerljiv)

  • Achievable (moguć/ dosežan)

  • Relevant (važan; postoji i varijanta realistic/ realan)

  • Timely (pravovremen/ vremenski određen)

Praćenje provedbe planova usko je vezano uz kontrolu. Kontrola provedbe planova kao menadžerska funkcija obuhvaća mjerenje i korekciju aktivnosti, te analizira ispunjavaju li aktivnosti očekivane ciljeve. Kontrola se, u pravilu, odnosi na mjerenje performansi u području resursa, aktivnosti i rezultata:

  • Kvaliteta

  • Pravovremenost

  • Produktivnost

  • Iskorištenost resursa

Rješavanje problema i odlučivanje



Rješavanje problema nije isto što i donošenje odluka. U poslovnom odlučivanju češće je u pitanju rješavanje problema, pri čemu se nastoji ukloniti nesklad između postojećeg i željenog stanja.

Navedeno se može primijeniti na primjeru odluke o odabiru studija. Recimo da osoba želi studirati nakon završene srednje škole i pritom mora odabrati studijski smjer. Odabir studijskog smjera predstavlja utvrđivanje problema. Na raspolaganju ima brojne studijske smjerove iz raznih područja u zemlji i inozemstvu. Svi ti studijski smjerovi predstavljaju alternativna rješenja. Alternativne mogućnosti potrebno je procijeniti pomoću određenih kriterija. Ti kriteriji (u sklopu operacijskih istraživanja na kriterije se referira kao na ograničenja i uvjete) mogu biti: uspjeh na državnoj maturi, iznos školarine, popratni troškovi studiranja, mogućnost dobivanja stipendije, lokacija studija, jezik na kojem se studij izvodi, osobne preferencije, vještine, motivacija i ambicija, utjecaj prijatelja ili roditelja, mogućnosti buduće karijere, itd. Temeljem danih (ili još nekih drugih) kriterija, osoba procjenjuje ili evaluira alternative i odabire onu za koju smatra da je najbolja. Implementacija u ovom slučaju podrazumijeva upis odabranog studijskog smjera. Evaluacija rezultata izvršava se nakon implementacije, kako bi se utvrdilo je li odabrano zadovoljavajuće rješenje.

Zašto su subjektivni i intuitivni pristup potencijalno opasni pri donošenju poslovnih odluka?

Na Wikipediji se navodi 165 sistematičnih grešaka (nazivaju se još i heuristike i kognitivne iluzije) koje pojedinci čine pri odlučivanju, iako se navedene sistematične greške mogu jednostavnije promatrati kroz ekološku racionalnost i koncepte koji su u određenim kontekstima imali (i imaju) svoju funkciju (Collin, 2016). Iako heuristike i kognitivne iluzije postoje s razlogom i imaju svoju funkciju u olakšavanju odluka u svakodnevici, pregledom nekolicine njih lako je uočiti kako njihova upotreba pri donošenju poslovnih odluka može biti opasna:

  • Biranje samo onih informacija koje idu u prilog željenom odabiru

  • Priklanjanje mišljenju grupe

  • Ignoriranje negativnih informacija

  • Selektivna percepcija

  • Težnja sigurnosti (strah od rizika)

  • Odupiranje promjenama

  • Nemogućnost uočavanja vlastitih grešaka pri odlučivanju (slijepa točka)

  • Uočavanje obrazaca u nepovezanim događajima

  • Donošenje odluka temeljem intuicije

Tetlock (2005) je prikupljao različita predviđanja ljudi temeljem opažanja tijekom 20 godina i temeljem analize utvrdio skupine mislioca. Skupine mislioca prikazane su grafom i mogu se uočiti sljedeće skupine: Neprolazni, Ježevi, Lisice, Ježevi-Lisice, Lisice-Ježevi, Bezumni natjecatelji i Formalni modeli. Na osima grafa nalaze se kalibracija modela i poboljšanje diskriminacije, pa se kretanjem po osima uočava povećanje preciznosti i točnosti rješenja.

Na primjer, Ježevi označavaju skupinu ljudi koja nije naročito dobra pri predviđanju, a ima tendenciju koristiti samo jedan model. Pri predviđanju, Lisice koriste više različitih modela, a prema poziciji na grafu može se zaključiti da su njihova su predviđanja puno točnija od predviđanja Ježeva. Ipak, uzimajući u obzir oba kriterija, može se uočiti da su sve grupe mislioca bitno lošije od formalnih modela. Smatra se da formalni modeli omogućuju bitno točnija i preciznija predviđanja no što je moguće postići temeljem sposobnosti predviđanja pojedinaca utemeljena samo na iskustvu.


Preciznost i točnost pri odlučivanju. Izvor:Tetlock(2005)


Sličnom temom bavilo se i jedno istraživanje u Hrvatskoj, razmatrajući pristupe strateškom odlučivanju. Pritom je fokus bio na osobnim stilovima odlučivanju, specifično na racionalno-analitički i iskustveno-intuitivni pristup. Racionalno-analitički pristup temelji se na sustavnoj analizi podataka, logičkom zaključivanju i strukturiranom donošenju odluka, dok se iskustveno-intuitivni pristup oslanja na subjektivne procjene, intuiciju i prethodno iskustvo kao glavne smjernice u procesu odlučivanja.

Dakle, u istraživanju pristupa strateškom odlučivanju u Hrvatskoj, Bulog (2014) zaključuje da su racionalna analiza i intuicija gotovo jednako prisutni u donošenju odluka. Poduzeća čiji su menadžeri uglavnom koristili racionalno-analitički pristup pokazala su poboljšanje svih analiziranih poslovnih pokazatelja tijekom petogodišnjeg razdoblja. S druge strane, u poduzećima gdje su vrhovni menadžeri preferirali iskustveno-intuitivni pristup, takav napredak nije uočen. Međutim, autori ističu kako treba biti oprezan s donošenjem konačnih zaključaka, budući da na promatrane pokazatelje utječe i niz drugih čimbenika.

O modeliranju - širi kontekst

Modeli mogu opisivati, objašnjavati i/ili predviđati ishode ili slijed ishoda, a kreiraju se povezivanjem poznatih ili uočenih pravilnosti i zakonitosti te vezanih čimbenika. Modeli se razlikuju prema svojim svojstvima i biraju se s obzirom na obilježja odluke koju je potrebno donijeti ili problema kojeg je potrebno riješiti. Na primjer, modeli koji dobro objašnjavaju pojavu neće nužno biti korisni pri predviđanju budućih stanja pojave. Dakle, modeli i metode promatraju se u kontekstu njihove svrhe – odluke koju je potrebno donijeti ili problema koji treba riješiti. Nadalje, odabir modela (i kvaliteta rješenja) često će ovisiti i o dostupnim podacima, ali i o kvaliteti tih podataka. Zato je pri kreiranju modela ili primjene metode nužno obratiti pozornost na relevantne čimbenike koji će se uzeti u obzir pri modeliranju, kao i načine njihovog mjerenja.

Treba imati na umu da modele obilježavaju idealizacija, karikatura i apstrakcija (Morgan i Knuuttila, 2012). Idealizacija se odnosi na pristup modeliranju u kojem se promatra idealna situacija ili dio pojave, uz pretpostavku nepromjenjivosti ostalih uvjeta (lat. ceteris paribus). Svojstvo karikature odnosi se na izdvajanje nekolicine glavnih karakteristika, zanemarujući pritom ostale. Apstrahiranje se odnosi na generalizaciju zaključaka temeljem rezultata dobivenih modelom, što dovodi do potencijalnih rizika pri zaključivanju jer se rezultati zapravo dobivaju temeljem analize dijela raščlanjene stvarnosti. S druge strane, upravo te karakteristike omogućuju izdvajanje i analizu elemenata u složenim odnosima. Dakle, može se reći da modeli imaju svoje prednosti i nedostatke. Na koji će način prednosti biti iskorištene, uz vođenje računa o nedostacima, ovisi upravo o osobi koja se upušta u modeliranje. Očito je da ni upotrebom formalnih modela nije u potpunosti isključen ljudski faktor. Nedostacima je moguće doskočiti pravilnim odabirom modela i metoda, pravilnim odabirom čimbenika uključenih u modeliranje te pažljivom interpretacijom i zaključivanjem temeljem rezultata. Zbog toga je nužno osnovno teorijsko znanje o promatranoj pojavi i vezanim zakonitostima te razumijevanje svojstva modela i metoda. Jedan od mogućih pristupa koji se u današnjici koristi jest primjena metodološkog individualizma (Elster, 2000), pri čemu se promatrani problem ili situacija raščlanjuje na dijelove i na svaki se dio promatranog problema primjenjuje adekvatna metodologija.

Prema istraživanju autora Jukka Luoma (2016), kvantitativne metode mogu se podijeliti i s obzirom na vrste donošenja odluka:

  • rutinsko donošenje odluka

  • rješavanje problema.

Rutinsko donošenje odluka i rješavanje problema imaju različite implikacije za primjenu kvantitativnih metoda. Na koristi i troškove korištenja kvantitativnih metoda utječu individualni, organizacijski i okolišni čimbenici. Bihevioralna sukladnost utječe na prihvaćanje korištenja kvantitativnih metoda u organizaciji.

Prema istom autoru:

  • modeliranje može povećati efikasnost i efektivnost donošenja rutinskih odluka

  • modeliranje može pružiti potporu za proces rješavanja problema.


Kategorija Rutinsko donošenje odluka Rješavanje problema
Povezana terminologija Pravila odlučivanja, standardne operativne procedure (Cyert i March, 1992), organizacijski kapaciteti (Winter, 2003), rutinsko donošenje odluka (Pidd, 2004) Pretraživanje (Cyert i March, 1992), ad hoc rješavanje problema (Winter, 2003), upravljanje iznimkama (Jacobides, 2007)
Primjeri Zapošljavanje, pridruživanje zadataka, određivanje cijena, alokacija resursa, određivanje lokacije, postupno inoviranje proizvoda, odluke o količini proizvodnje Zapošljavanje menadžera i uprave, odluke o ulasku na tržište, restrukturiranje organizacije, lansiranje proizvoda, odabir IT sustava
Svrha modeliranja Pružiti takve upute i preporuke za proces, koje daju bolje ishode nego odluke koje nisu potpomognute modelom Podrška procesu rješavanja problema, analiza višestrukih specifičnih mogućnosti (npr. učenje, dijeljenje znanja, rješavanje konflikta)
Pozitivni efekti Uklanjanje sklonosti (heuristika i predrasuda), ušteda kognitivnih napora, rješavanje kognitivno teško rješivih problema, povratna informacija Omogućava uvide, usmjerava i fokusira pozornost i/ili efekte rješavanja problema, omogućuje integraciju spoznaja te upravljanje konfliktnim situacijama
Negativni efekti Potrošnja organizacijskih resursa i vremena, sužavanje okvira problema, nefleksibilnost, uklanjanje kognitivne raznolikosti, organizacijski konflikti Potrošnja organizacijskih resursa i vremena, rizik od pretjeranog sužavanja okvira problema
Kriterij tehničke izvedbe Vanjska valjanost, robusnost preporučenih odluka Vanjsku valjanost je teško ili nemoguće potvrditi
Kriterij bihevioralne izvedbe Izbjegavanje proceduralnih pogrešaka Sposobnost modela da producira željene bihevioralne učinke (npr. učenje, integracija znanja i slično)
Metodološka orijentacija Kvalitativni pristup u početnoj fazi formulacije problema, potom kvantitativni pristup Kvalitativni i/ili kvantitativni, uz korištenje kombinacija nekolicine modela
Uloga moderatora Stručnjak ili voditelj u fazi formulacije problema Stručnjak ili voditelj
Primjeri korištenih metoda Optimizacija, deskriptivna ili prediktivna analiza podataka, neke aplikacije simulacija Soft systems metodologija, mapiranje uzoraka, višekriterijska analiza odluka, dinamika sustava

Izvor: sistematizirano prema Luoma (2016).



Pidd (2004) predlaže podjelu metoda i modela razlikujući:

  • alate za rutinsko donošenje odluka

  • alate za rezoniranje

Osim toga, kvantitativne metode dijele se i prema pristupu te vrstama metoda:

  • normativni i preskriptivni pristup (rjeđe se pojavljuje deskriptivni)

  • determinističke i stohastičke.

Deterministički modeli:

Smatra se da matematički modeli ne trebaju biti egzaktni u odnosu na stvarnost, nego dovoljno dobri (bliski realnom problemu) te pružiti optimalnije rješenje u odnosu na rješavanje problema bez modela.

Pritom su elementi modela:

  • Varijable odluke
  • Jednadžbe ili nejednadžbe
  • Funkcija cilja
  • Parametri.

Mogući ishodi modela:

  • Postoji jedinstveno optimalno rješenje
  • Postoji više optimalnih rješenja (moguće i beskonačno mnogo)
  • Ne postoji optimalno rješenje
  • Model može biti nerješiv.

Stohastički modeli:

  • Posjeduju element vjerojatnosti
  • Koriste se pri donošenju odluka uz neizvjesnost
  • Omogućuju donošenje zaključaka temeljem prikupljenih empirijskih podataka
  • Omogućuju generalizaciju zaključaka na populaciju temeljem podataka prikupljenih reprezentativnim slučajnim uzrokom.

Ovo je pojednostavljena podjela na skupine modela. Unutar svake skupine modela postoje brojne različite metode i specifični modeli, od kojih svaki ima svoje prednosti i nedostatke te specifičnu ulogu u traženju odgovora na postavljeno pitanje. Važno je obratiti pozornost na pretpostavke i specifičnosti primjene odabrane metode, jer će ograničenja zaključaka često proizlaziti iz karakteristika primijenjene metode uz ograničenja koja proizlaze iz odabranih čimbenika.

Modeli stvarnih (realnih) sustava obuhvaćaju funkcije, jednadžbe, nejednadžbe, logičke operatore i drugo. Matematičko modeliranje podrazumijeva deduktivni pristup, pri čemu se opće utvrđene zakonitosti primjenjuju na specifične situacije. Matematički modeli sastojat će se od matematičkog zapisa odnosa jedinica u sustavu, skupa ograničenja i funkcije cilja (ili više njih). Radi se o apstrahiranom prikazu situacije (u obzir se uzimaju relevantni čimbenici, jer uzimanje svih čimbenika često vodi do nerješivih problema), pri čemu je rješenje aproksimacija jednog aspekta realnog sustava. S obzirom da se koriste postojeći podaci, matematički modeli ne služe za kreiranje novih podataka, ali omogućuju uvid u mehanizme sustava. Rješenja treba promatrati kao podlogu ili preporuku za odlučivanje, pri čemu autonomija i odgovornost i dalje ostaju na donositelju odluke.

Matematički modeli često se rješavaju metodama optimizacije, kojima će se u nastavku posvetiti pozornost kroz praktične primjere. Optimizacija se odnosi na utvrđivanje minimuma ili maksimuma funkcije cilja uz dana ograničenja. Model se razvija u skladu s postavljenim ciljevima (organizacijskim, istraživačkim, ekonomskim i drugo), a ukoliko se radi o kompleksnijem modelu (kako je u praksi često slučaj), razvoj započinje od jednostavnijih modela, uz postupno obogaćivanje dodatnim parametrima. Osim toga, ako će se model koristiti kontinuirano (na primjer, model mjesečnog plana proizvodnje), potrebno ga je ažurirati s novo prikupljenim podacima.

Statističko modeliranje podrazumijeva induktivni pristup, pri čemu se do zaključaka i modela dolazi temeljem analize prikupljenih podataka. Weiland (2017) uspoređuje načine mišljenja koja se upotrebljavaju pri matematičkom i statističkom razmišljanju u kontekstu pismenosti i utvrđuje kako je za statističku pismenost potrebno prvenstveno induktivno rasuđivanje (te povremeni deduktivni pristup) uz usmjerenost na brojeve, a za matematičku pismenost (uključujući i teoriju vjerojatnosti te neke teorijske pretpostavke statistike) potreban je isključivo deduktivni pristup. Moore (1990) u distinkciji ide toliko daleko da proglašava statistiku slobodnom umjetnošću (engl. liberal art), ukazujući da je statistika nezavisna disciplina s vlastitim fundamentalnim idejama, a ne grana matematike.

Matematičko i statističko modeliranje iziskuju različite načine razmišljanja, a ponekad ih je potrebno kombinirati kako bi se riješio problem i kako bi se kreirala podloga za donošenje poslovne odluke. Statističko modeliranje ovisi o kontekstu i vođeno je podacima. Za razliku od matematičkih modela kojima ćemo se ovdje baviti, odabir statističkih metoda ovisit će o kontekstu i cilju istraživanja, ali i o karakteristikama podataka. Statističko modeliranje omogućuje uočavanje veličina promatranih pojava, odnose među pojavama, obrasce (engl. patterns), procjene i predikcije. Statistički (stohastički) modeli vezani su uz matematički zapis (i matematičke osnove većine metoda), ali su vezani i uz distribucije vjerojatnosti te opisuju uzorke koje podaci prikazuju (Scheaffer i sur., 1998). Osim toga, često će rezultati statističkih analiza biti input za matematičke modele optimizacije.

Nadalje, važno je razlikovati modele i metode od alata. Pod alatima misli se na korišteni računalni program putem kojeg se primjenjuju odabrane metode kako bi se kreirao model. U današnje doba gotovo je nezamislivo poslovati bez potpore računala i računalnih programa. Isto vrijedi i za kreiranje modela i rješenja za potporu poslovnom odlučivanju. Upotreba računalnih programa prvenstveno štedi vrijeme potrebno za formiranje modela i izračune, a omogućuje i veću preciznost i točnost rješenja. Korisnost računalnih programa u poslovanju je neupitna, ali treba voditi računa o njihovoj ulozi. Naime, računalni programi izračunat će rezultate temeljem inputa i naredbi koje im zada korisnik. Ako su inputi ili naredbe pogrešno odabrane, rezultat neće biti koristan za donošenje poslovne odluke, štoviše može biti i štetan ako se propust ne uoči na vrijeme. Dakle, računalni programi izvršit će samo one operacije koje im zada korisnik. Stoga, upotreba računala može olakšati provedbu kvantitativnih metoda, ali samo ako korisnik barata konceptualnim znanjem o kvantitativnim metodama. Sve navedeno vrijedi i za AI alate.

Prisjetimo se još jedne važne distinkcije: \(Podatak \neq Informacija\). Podatak je kvantitativni ili kvalitativni pokazatelj stanja predmeta istraživanja. Informacija je cjelovita interpretacija predmeta istraživanja stavljajući podatak ili niz podataka u kontekst okruženja ili problema koji se rješava. Dakle, podaci su predmet analize, ali i rezultat analize je podatak. Recimo da je rezultat jedne analize broj 15. Bez interpretacije i konteksta, taj je broj i dalje samo podatak.

Misao vodilja: Rezultat analize postaje informacija tek nakon što se interpretira na pravilan način. Prije no što se otisnete u izračune i modeliranje, zapamtite: izračunata vrijednost i dalje je samo podatak. Da bi postala informacija, potrebno ju je interpretirati s obzirom na kontekst. Brojevi bez tumačenja ne mogu puno pomoći pri donošenju poslovnih odluka. Upravo je vaš posao od podataka ispričati priču i kreirati podlogu za donošenje poslovnih odluka. Dakle, ne zaboravite izračunatim vrijednostima dati smisao i prodiskutirati implikacije izračunatih vrijednosti.

Navedeno je izuzetno važno u poslovnom kontekstu. Naime, u manjim poduzećima, kvantitativnim analizama često će se baviti menadžeri, to jest iste osobe koje će temeljem analize i odlučivati. Velika poduzeća često zapošljavaju osobe koje provode analize. Sve je veća potražnja za radnim mjestima analitičara, data scientista, analitičara operacija, inžinjera za podatke, informatičkih menadžera, specijalista za optimizaciju i savjetnika za poslovnu inteligenciju i slično, a upravo je za takva radna mjesta, između ostalog, potrebno razumijevanje podataka, informacija i kvantitativnih metoda. Osim toga, ako temeljem analize druga osoba mora donijeti poslovnu odluku, o provedenoj analizi potrebno je sastaviti izvješće, na takav način da čitatelj može razumjeti karakteristike problema za kojeg se traži rješenje, način dolaska do rješenja uz istaknute prednosti i nedostatke metoda te ograničenja zaključaka, kao i jasno naznačenu preporuku poslovne odluke uz argumentaciju iste.





Literatura

Buble, M. (2000) Menadžment. Ekonomski fakultet Split.

Bulog, I. (2014) Odnos između pristupa odlučivanju na strateškoj razini menadžmenta i organizacijskih performansi na primjeru hrvatskih poduzeća, Ekonomska misao i praksa, (1), 3-28.

Collin, J. (2016). Please, Not Another Bias! The Problem with Behavioral Economics. Evonomics. https://evonomics.com/please-not-another-bias-the-problem-with-behavioral-economics/

Elster, J. (2000). Uvod u društvene znanosti: Matice i vijci za objašnjenje složenih društvenih pojava. Naklada Jesenski i Turk, Hrvatsko sociološko društvo, Zagreb.

Franklin, C., Kader, G., Mewborn, D., Moreno, J., Peck, R., Perry, M., & Scheaffer, R. (2007). Guidelines for assessment and instruction in statistics education (GAISE) report.

Luoma, J. (2016). Model-based organizational decision making: A behavioral lens. European Journal of Operational Research, 249(3), 816-826.

Moore, D. S., & Cobb, G. W. (2000). Statistics and mathematics: Tension and cooperation. The American Mathematical Monthly, 107(7), 615-630.

Morgan, M. S., & Knuuttila, T. (2012). Models and modelling in economics. Philosophy of economics, 13, 49-87.

Pidd, M. (2004). Complementarity in systems modelling. Systems modelling: Theory and practice, 1, 20.

Scheaffer, R. L., Watkins, A. E., & Landwehr, J. M. (1998). What every high-school graduate should know about statistics. Reflections on statistics: Learning, teaching, and assessment in grades K-12, 3-31.

Sikavica, P., Hunjak, T., Begičević Ređep, N., Hernaus, T. (2014) Poslovno odlučivanje. Školska knjiga, Zagreb.

Tetlock, Philip. Expert political judgment: How good is it? How can we know?. Princeton University Press, 2005.

Weiland, T. (2017). Problematizing statistical literacy: An intersection of critical and statistical literacies. Educational Studies in Mathematics, 96(1), 33-47.