Matemaattiset menetelmät nousevat strategisessa päätöksenteossa datan ja intuition rinnalle
Analytiikan ja matemaattisten menetelmien hyödyntäminen päätöksenteossa on ollut johtamisen mantra jo pitkään. Analyyttisistä lähestymistavoista johto saa selkänojaa kuuluisan ”mutun” ja intuition rinnalle. Datalähtöisyys ja analytiikka voivatkin parantaa erityisesti operatiivista päätöksentekoa mahdollistamalla edistyneiden ennuste-, simulointi- ja optimointimallien hyödyntämisen. Strategisissa päätöksissä dataa on kuitenkin harvoin tarjolla: historia ei kerro, miten uudet strategiset avaukset menestyvät tulevaisuudessa. Näissä tilanteissa saatavilla olevaan informaatioon perustuva kokemusperäinen tieto nousee arvokkaaksi. Päätöksentekotilanteisiin liittyy kuitenkin paljon epävarmuutta ja monimutkaisuutta, jota voidaan jäsentää matemaattisten menetelmien avulla. Swanlaken partneri Eeva Vilkkumaa kertoo, miten matemaattiset menetelmät auttavat tekemään parempia strategisia päätöksiä.
Matemaattisia menetelmiä hyödynnetään erityisesti operatiivisessa päätöksenteossa
Matemaattisesta mallinnuksesta on operatiivisessa päätöksenteossa monenlaista hyötyä: mallit auttavat hyödyntämään suuria informaatiomassoja, jäsentämään monimutkaisia kokonaisuuksia sekä huomioimaan erilaisia tavoitteita, epävarmuuksia ja riskejä. Mallien avulla voimme vertailla jopa biljoonia päätösvaihtoehtoja. Lisäksi mallit tukevat oppimista: mallien oletuksia ja parametreja muuttelemalla voimme havainnoida muutosten vaikutuksia päätössuosituksiin, mikä lisää ymmärrystä monimutkaisten tekijöiden välisistä suhteista ja vuorovaikutuksista. Esimerkiksi hinnoittelupäätösten tueksi voidaan simuloida eri vaihtoehtojen vaikutuksia liikevaihtoon, kannattavuuteen ja asiakkaiden poistumaan ja tällä tavoin luoda ymmärrystä siitä, millainen hinnoittelu tuottaa suurella todennäköisyydellä maksimaalisen arvon.
Matemaattisten mallien hyödyntämisellä on yritysten kokemusten ja akateemisten tutkimusten mukaan merkittäviä liiketoimintavaikutuksia. Esimerkiksi Danonen Kiinan osaston tuotanto- ja jakeluverkoston optimointimalli tuo yritykselle 3-6 miljoonan euron vuosittaiset kustannussäästöt (Zhang & Song 2018). Vattenfallin hiljattain toteuttaman tuuliturbiinien sijoittelun ja niitä yhdistävien kaapelien reitityksen optimoinnin nettonykyarvoksi on puolestaan laskettu 150 miljoonaa euroa (Fischetti et al. 2020).
Matemaattisten mallien hyödyntämisellä on merkittäviä liiketoimintavaikutuksia. Esimerkiksi Vattenfallin hiljattain toteuttaman tuuliturbiinien sijoittelun ja niitä yhdistävien kaapelien reitityksen optimoinnin nettonykyarvoksi on laskettu 150 miljoonaa euroa (Fischetti et al. 2020).
Strategista päätöksentekoa leimaa epävarmuus ja epämääräisyys
Strategisen päätöksenteon mittakaava ja laajuus esimerkiksi investoinneilla tai tavoitelluilla hyödyillä mitattuna on operatiiviseen verrattuna merkittävästi suurempi. Matemaattisia malleja käytetään kuitenkin strategisessa päätöksenteossa vain harvoin. Mistä tämä johtuu? Lähestytään kysymystä tarkastelemalla strategisen ja operatiivisen päätöksenteon eroavaisuuksilla (Pidd 2004):
Tavoitteiden epämääräisyys: Operatiivisessa päätöksenteossa tavoitteet ovat tyypillisesti selvät (esimerkiksi myynnin kasvuprosentti), ja pyrkimyksenä on löytää ne keinot, joilla tavoitteet saavutetaan. Strategisessa päätöksenteossa tavoitteet ovat yleensä laadullisia, ja meidän on vaikeampaa arvioida valintojen vaikutuksia pidemmällä aikavälillä. Jos strategisena tavoitteena on esimerkiksi nousta markkinajohtajaksi seuraavan viiden vuoden aikana, on tavoitteen saavuttamista kuvaavien, konkreettisten mittarien asettaminen haastavaa – riippuuhan markkinajohtajuus oman toiminnan lisäksi myös siitä, mitä toiminta- ja kilpailuympäristössä tapahtuu.
Datan puute: Yrityksillä on nykyään käytössään valtavat määrät dataa, jota ne voivat tehokkaasti hyödyntää operatiivisessa päätöksenteossan. Datan hyödyt pitkän tähtäimen strategiaa tai strategisia valintoja mietittäessä ovat kuitenkin kyseenalaiset: data kertoo aina historiasta, jolloin sen pitkän tähtäimen ennustekyky edistyneilläkin malleilla on tyypillisesti huono. Historiadata ei kerro, kuinka hyvin uudenlaiset strategiset avaukset toteuttavat yrityksen tavoitteita epävarmassa tulevaisuudessa.
Vaikutusten arvioinnin vaikeus: Operatiivisessa päätöksenteossa syy-seuraussuhteet tehtyjen päätösten ja niiden vaikutusten välillä ovat usein helposti mallinnettavissa. Strategisessa päätöksenteossa haluamme huomioida useita, toisiinsa monimutkaisesti kytkeytyneitä tekijöitä, kuten asiakkaiden ja kilpailijoiden reaktioita yrityksen tekemiin strategisiin valintoihin. Kytkeytyneisyyden takia pitkän tähtäimen vaikutusten arviointi on meille haastavaa.
Näistä eroavaisuuksista johtuen moni kokee, ettei matemaattisilla malleilla ole sijaa strategisessa päätöksenteossa tai strategiaprosessissa. Mallien pelätään kaventavan näkökulmia, tukahduttavan luovaa ajattelua ja tuottavan väärää turvallisuuden tunnetta epävarmassa ja monimutkaisessa toimintaympäristössä (March 2006).
Näiden huolien taustalla on usein oletus siitä, että matemaattisia malleja hyödynnettäisiin strategisessa päätöksenteossa samaan tapaan kuin operatiivisella tasolla. Näin ei kuitenkaan tarvitse olla, ja tutkimustietokin vahvistaa tätä näkökulmaa (Franco & Montibeller 2010).
Millä tavoin mallit sitten voivat parantaa strategista päätöksentekoa? Ne luovat meille systemaattisen viitekehyksen monimutkaisten strategisten kysymysten tarkasteluun, auttavat tunnistamaan parhaat päätösvaihtoehdot, ja mahdollistavat kovan datan ja johtajien kokemusperäisen tiedon yhdistämisen.
Matemaattiset menetelmät auttavat jäsentämään monimutkaista päätöksentekotilannetta
Operatiivisessa päätöksenteossa mallin tavoitteena on kuvata mallinnettavaa ilmiötä (esimerkiksi logistiikkaverkostoa) mahdollisimman tarkasti ja tuottaa optimaalisia päätössuosituksia (esimerkiksi määrittää optimaaliset kuljetusreitit ja -aikataulut). Strategisessa päätöksenteossa mallin ensisijainen tarkoitus taas on luoda yhteinen viitekehys, jonka puitteissa voimme keskustella systemaattisesti erilaisista näkemyksistä ja vaihtoehdoista. Malli pyrkii kuvaamaan prosessin osallistujien omia näkemyksiä esimerkiksi strategian tavoitteista, tulevaisuuden toimintaympäristöstä ja strategisten valintojen vaikutuksista.
Selkeän viitekehyksen merkitys korostuu strategisessa päätöksenteossa, johon osallistuvilla henkilöillä on tyypillisesti erilaiset taustat, intressit ja asiantuntemus. Yksi näkee lainsäädännön mahdollisen muutoksen uhkana; toinen ohittaa sen, koska ei ole perehtynyt aiheeseen. Kolmas näkee asiakaskäyttäytymisen muutoksessa uuden liiketoimintamahdollisuuden, mutta sen argumentointi on haastavaa, jos muut eivät omista taustoistaan johtuen tunnista muutosta kuvaavia heikkoja signaaleja.
Myös organisaation dynamiikka, kulttuuri ja vallitsevat valtasuhteet heijastuvat strategiseen päätöksentekoon. Kun tähän lisätään tavoitteiden ja vaikutusten arvioinnin sekä käytettävissä olevan datan epämääräisyys, puuroutuu päätöksenteko helposti konkretian puutteeseen.
Myös organisaation dynamiikka, kulttuuri ja vallitsevat valtasuhteet heijastuvat strategiseen päätöksentekoon. Kun tähän lisätään tavoitteiden ja vaikutusten arvioinnin sekä käytettävissä olevan datan epämääräisyys, puuroutuu päätöksenteko helposti konkretian puutteeseen. Matemaattinen päätöksentekomalli kalibroi keskustelua luoden yhteisen, konkreettisen ymmärryksen siitä, mistä keskustellaan, ja mitä taustaoletuksia vasten vaihtoehtoja arvioidaan. Parhaimmillaan malli myös luo puitteet luovan ajattelun ja erilaisten näkemysten hyödyntämiseen sekä taustaoletusten kriittiseen ja läpinäkyvään tarkasteluun.
Onnistuneen viitekehyksen luomisen kannalta on tärkeää, että päätöksentekijät osallistuvat mallin rakentamiseen esimerkiksi jäsentämällä tavoitteita, tunnistamalla päätösvaihtoehtoja ja arvioimalla epävarmuuksia sekä päätösvaihtoehtojen vaikutuksia. Strategisessa päätöksenteossa matemaattiset mallit ovatkin ensisijaisesti johtoryhmän, ei erillisten analyytikkojen työkalu. Aktiivinen osallistuminen strategisen kysymyksen asettamiseen sekä olennaisten muutosvoimien ja niiden välisten syy-seuraussuhteiden tunnistamiseen ja arviointiin vahvistaa omistajuuden tunnetta strategiaprosessista ja sitouttaa päätöksentekijöitä muutoksen toteuttamiseen (Franco & Montibeller 2010). Malli auttaa myös tunnistamaan, mitä informaatiota tai erityisasiantuntemusta päätöksenteon tueksi tarvitaan.
Ihmismieli pyrkii yksinkertaistamaan monimutkaista tilannetta, ja tällä on suora vaikutus päätöksenteon laatuun
Vaikka mallien pääasiallinen tarkoitus strategisessa päätöksenteossa on viitekehyksen luominen, voimme saada niistä myös perusteltuja päätössuosituksia.
Tarkastellaan asiaa käytännön esimerkin kautta. Energia-alan yrityksen pitkän tähtäimen tavoitteena on kasvattaa kannattavuutta ja liikevaihtoa sekä tehostaa operatiivista toimintaa. Markkinan saturaatio on korkea, kasvunäkymät heikot ja ydinliiketoiminnan kannattavuus laskee tasaisesti. Analyysin perusteella johtoryhmälle esitetään yhdeksän strategista toimenpidettä, joiden avulla voidaan vaihtelevassa määrin kasvattaa liikevaihtoa, parantaa kannattavuutta ja kasvattaa tehokkuutta. Toimenpiteet liittyvät yritysostoihin, uusille markkinoille laajentumiseen, kumppanoitumiseen, uuden liiketoiminnan kehittämiseen ja operatiivisten kustannusten karsimiseen. Mihin ehdotetuista toimenpiteistä yrityksen tulisi ryhtyä, kun tavoitteena on maksimoida liiketoiminnan kannattavuutta ja kasvua sekä operatiivista tehokkuutta? Yhdeksästä toimenpiteestä syntyy yhteensä 2^9=512 mahdollista toimenpiteen yhdistelmää, joiden läpikäyminen ilman analyyttista tukea on kognitiivisesti mahdotonta – ihmisaivojen laskentateho ei riitä päättelemään parasta mahdollista lopputulosta.
Päätöksenteko on käytännössä vielä monimutkaisempaa – tavoitteita on useita, ja toimintaympäristön kehityssuunnat ovat epävarmoja. Tavoitteet voivat lisäksi olla keskenään ristiriidassa: jos esimerkiksi halutaan uutta kasvua, edellyttää tämä tyypillisesti merkittäviä investointeja, mikä puolestaan laskee väliaikaisesti kannattavuutta. Toimintaympäristön epävarmuudet taas tekevät toimenpiteiden vaikutusten arvioinnista hankalaa. Operatiiviset olosuhteet, kilpailutilanne ja markkinat voivat näyttää merkittävästi erilaisilta esimerkiksi 3-5 vuoden päästä. Tästä syystä moni yritys hyödyntää päätöksenteossaan yhä useammin erilaisia toimintaympäristön muutosta kuvaavia skenaarioita, mikä puolestaan tekee eri vaihtoehtojen arvioinnista meille kognitiivisesti entistä monimutkaisempaa. Tyypillisesti ihmismieli pyrkii yksinkertaistamaan päätöksentekotilannetta eikä välttämättä edes tunnista vaihtoehtojen kirjoa ja niihin liittyvää monimutkaisuutta. Matemaattiset mallit purkavat päätöksentekotilanteen pienempiin ja kognitiivisesti helpommin hallittaviin osiin, joiden perusteella voidaan tehdä perusteltuja, maksimaalisen arvon tuottavia päätössuosituksia.
Yhdeksästä toimenpiteestä syntyy 512 mahdollista toimenpiteiden yhdistelmää. Näiden läpikäyminen ilman analyyttista tukea on kognitiivisesti mahdotonta – ihmisaivojen laskentateho ei riitä päättelemään parasta mahdollista lopputulosta.
Kokemusperäinen tieto on arvokasta tilanteissa, joissa dataa ei ole saatavilla
Asioista, joita ei ole tapahtunut, ei ole saatavilla kvantitatiivista dataa. Toimialaennusteet eivät huomioi yllättäviä muutosvoimia, eikä jonkin tuotteen tai palvelun menestys tietyssä markkinassa takaa menestystä jossakin toisessa markkinassa, jossa konteksti, tarpeet ja kilpailutilanne ovat erilaiset. Strategisessa päätöksenteossa data onkin usein laadullista ja edustaa päätöksentekijöiden asiantuntemukseen ja kokemukseen perustuvaa näkemystä tulevaisuuden epävarmuuksista ja eri vaihtoehtojen hyödyistä. Mietitään esimerkiksi tilannetta, jossa vähittäiskaupan johtaja kuulee huhun Amazonin tulosta markkinaan. Tieto on merkittävä ja edellyttää reagointia, mutta kovaa dataa reagoinnin tueksi ei ole. Tällöin johtajien kokemusperäisen tiedon hyödyntäminen erilaisten syy-seuraussuhteiden hahmottamisessa on arvokkaampaa kuin datalähtöisyys. Matemaattiset menetelmät auttavat jäsentämään kokemusperäistä tietoa, jolloin kilpailuympäristön muutoksiin liittyviä epävarmuuksia ja vaihtoehtoisia reagointitapoja voidaan systemaattisesti arvioida.
Matemaattiset mallit auttavat saamaan johtoryhmän parviälystä maksimaalisen hyödyn
Matemaattinen mallinnus on päätöksenteon ”superboostaaja”, joka auttaa johtoa saamaan eri näkemykset, osaamisen ja kokemusperäisen tiedon järjestelmällisesti osaksi parempaa päätöksentekoa. Parhaimmillaan matemaattiset menetelmät antavat johtoryhmälle uusia näkökulmia ja rakennetta monimutkaisten ongelmien ratkaisuun, jolloin yrityksen kymmenen parhaiten palkatun ihmisen ajattelusta saadaan maksimaalinen hyöty.
Parhaimmillaan matemaattisen menetelmät antavat johtoryhmälle uusia näkökulmia ja rakennetta monimutkaisten ongelmien ratkaisuun ja saamaan maksimaalisen arvon irti yrityksen kymmenen parhaiten palkatun ihmisen ajattelusta, systemaattisella tavalla.
Kun puhutaan strategisista kysymyksistä tai miljoonien investoinneista, voi päätöksenteon laatu sinetöidä koko yrityksen tulevaisuuden. Toimintaympäristön, kilpailutilanteen ja asiakkaiden tarpeiden jatkuvassa muutoksessa yritysten elinkaari lyhenee. Vielä 70-luvulla SP500-listan yrityksen keskimääräinen elinkaari oli 35 vuotta, kun se tällä hetkellä on enää 15 vuotta. Kodak, Sony, Yahoo, Nokia, Sonera, Tiimari – esimerkkejä kriittisellä hetkellä pallon pudottaneista yrityksistä riittää. Oikeilla valinnoilla on siis merkitystä. Mallien voima piilee niiden kyvyssä käsitellä monimutkaisia kokonaisuuksia ja valtavia muuttujamääriä ilman kognitiivisia rajoitteita. Näin johtajat voivat keskittyä siihen, minkä he taitavat mallia paremmin – luovaan ja kriittiseen ajatteluun sekä uusien strategisten vaihtoehtojen tunnistamiseen.
Lähteet:
Fischetti, M., Kristoffersen, J. R., Hjort, T., Monaci, M., & Pisinger, D. (2020). Vattenfall optimizes offshore wind farm design. INFORMS Journal on Applied Analytics, 50(1), 80-94.
Franco, L. A., & Montibeller, G. (2010). Facilitated modelling in operational research. European Journal of Operational Research, 205(3), 489-500.
March, J. G. (2006). Rationality, foolishness, and adaptive intelligence. Strategic management journal, 27(3), 201-214.
Pidd, M. (2004). Contemporary OR/MS in strategy development and policy-making: Some reflections. Journal of the Operational Research Society, 55(8), 791-800.
Zhang, S., & Song, H. (2018). Production and distribution planning in Danone waters China division. Interfaces, 48(6), 578-590.
Corporate Longetivity Forecast (2021), https://www.innosight.com/insight/creative-destruction/