Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.

Presentasjon om: "Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale."— Utskrift av presentasjonen:

1 Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale

2 Rasmus Rasmussen LOG350 Operasjonsanalyse2 Making Decisions Using Models Chapter 1

3 Rasmus Rasmussen LOG350 Operasjonsanalyse3 Introduksjon  Vi står overfor utallige beslutninger i vårt daglige privatliv og i vårt arbeid.  Vi kan bruke datamaskin til å analysere mulige resultater av forskjellige alternativer.  Regneark er det foretrukne verktøy for dagens bedriftsledere.

4 Rasmus Rasmussen LOG350 Operasjonsanalyse4 Hva er en “Computer Model”?  Et sett av matematiske sammenhenger og logiske antagelser implementert på en datamaskin, som en abstrakt representasjon av et virkelig objekt eller fenomen.  Regneark er den enkleste måten for forretningsfolk å lange modeller på datamaskiner.

5 Rasmus Rasmussen LOG350 Operasjonsanalyse5 Hva er Management Science?  Et fag som bruker datamaskiner, statistikk og matematikk for å analysere og løse business problems.  Andre betegnelser : Operations Research, Decision Science, og/eller OR/MS.  Dette kurset fokuserer på bruk av regneark i operasjonsanalyse.  Enhver som bruker regneark for modell- bygging og beslutningstaking anvender OR/MS.

6 Rasmus Rasmussen LOG350 Operasjonsanalyse6 The Modeling Approach to Decision Making  Alle bruker modeller for å ta beslutninger.  Typer av modeller: Mental (møblere) Mental (møblere) Visuell (tegninger, kart) Visuell (tegninger, kart) Fysiske/skala (aerodynamiske) Fysiske/skala (aerodynamiske) Matematiske (som vi skal studere) Matematiske (som vi skal studere)

7 Rasmus Rasmussen LOG350 Operasjonsanalyse7 Home Runs in Management Science  Motorola Procurement of goods and services account for 50% of its costs Procurement of goods and services account for 50% of its costs Developed an Internet-based auction system for negotiations with suppliers Developed an Internet-based auction system for negotiations with suppliers The system optimized multi-product, multi- vendor contract awards The system optimized multi-product, multi- vendor contract awards Benefits: Benefits: $600 million in savings

8 Rasmus Rasmussen LOG350 Operasjonsanalyse8 Home Runs in Management Science  Waste Management Leading waste collection company in North America Leading waste collection company in North America 26,000 vehicles service 20 million residential & 2 million commercial customers 26,000 vehicles service 20 million residential & 2 million commercial customers Developed vehicle routing optimization system Developed vehicle routing optimization system Benefits: Benefits: Eliminated 1,000 routes Annual savings of $44 million

9 Rasmus Rasmussen LOG350 Operasjonsanalyse9 Home Runs in Management Science  Hong Kong International Terminals Busiest container terminal in the world Busiest container terminal in the world 122 yard cranes serve 125 ships per week 122 yard cranes serve 125 ships per week Thousands of trucks move containers in & out of storage yard Thousands of trucks move containers in & out of storage yard Used DSS to optimize operational decisions involving trucks, cranes & storage locations Used DSS to optimize operational decisions involving trucks, cranes & storage locations Benefits: Benefits: 35% reduction in container handling costs35% reduction in container handling costs 50% increase in throughput50% increase in throughput 30% improvement in vessel turnaround time30% improvement in vessel turnaround time

10 Rasmus Rasmussen LOG350 Operasjonsanalyse10 Home Runs in Management Science  John Deere Company 2500 dealers sell lawn equipment & tractors with support of 5 warehouses 2500 dealers sell lawn equipment & tractors with support of 5 warehouses Each dealer stocks 100 products, creating 250,000 product-stocking locations Each dealer stocks 100 products, creating 250,000 product-stocking locations Demand is highly seasonal and erratic Demand is highly seasonal and erratic Developed inventory system to optimize stocking levels over a 26-week horizon Developed inventory system to optimize stocking levels over a 26-week horizon Benefits: Benefits: $1 billion in reduced inventory $1 billion in reduced inventory Improved customer-service levels Improved customer-service levels

11 Rasmus Rasmussen LOG350 Operasjonsanalyse11 Karakteristisk for Modeller  Modellene er oftest forenklede versjoner av det de skal representere.  En valid modell er en korrekt repre- sentasjon av de relevante karakteristika for objektet eller beslutningen som analyseres.

12 Rasmus Rasmussen LOG350 Operasjonsanalyse12 Fordeler av å modellere  Økonomiske – det er oftest mye billigere å analysere beslutningsproblemer ved bruk av modeller.  Hurtighet – modeller leverer ofte nødvendig informasjon mye raskere enn den virkelige verden.  Gjennomførbarhet – modeller kan brukes til å utføre ting som ellers ville være umulige.  Modeller gir oss innsikt & forståelse som forbedrer beslutningstakingen.

13 Rasmus Rasmussen LOG350 Operasjonsanalyse13 Eksempel på en matematisk modell : Resultat = Inntekter - Kostnader eller Resultat = f (Inntekter, Kostnader) Resultat = f (Inntekter, Kostnader)eller Y = f (X 1, X 2 )

14 Rasmus Rasmussen LOG350 Operasjonsanalyse14 En generell matematisk modell Y = f (X 1, X 2, …, X n ) Y = avhengig variabel (et endelig resultatmål) X i = uavhengige variabler (inputs som har innflytelse på Y) f (. ) = funksjon som definerer sammenhengen mellom X i og Y Hvor:

15 Rasmus Rasmussen LOG350 Operasjonsanalyse15 Matematiske modeller & Regneark  På det konseptuelle nivå er de fleste regneark veldig lik våre generelle matematiske modeller: Y = f (X 1, X 2, …, X n )  De fleste regneark har celler som representerer inputs (eller X i ) hvor matematiske funksjoner ( f (. )) brukes til å beregne et sluttresultat (eller Y)

16 Rasmus Rasmussen LOG350 Operasjonsanalyse16 Modellen i regneark

17 Rasmus Rasmussen LOG350 Operasjonsanalyse17 Kategorier av matematiske modeller Preskriptivekjent,kjent eller underLP, Networks, IP, veldefinertbeslutningstakersCPM, EOQ, NLP, kontrollGP, MOLP Prediktiveukjent, kjent eller under Regresjonsanalyse, dårlig definert beslutningstakers Tidsserieanalyse, kontroll Diskriminantanalyse kontroll Diskriminantanalyse Deskriptivekjent,ukjent ellerSimulering, PERT, veldefinertusikkerKømodeller, Lagermodeller ModellUavhengige OR/MS kategoriform på f (. )variabler Teknikker

18 Rasmus Rasmussen LOG350 Operasjonsanalyse18 Problemløsningsprosessen Identifiser problemet Formulere & implementere modellen Analyser modellen Test resultat Implementer løsningen utilfredstillende resultat

19 Rasmus Rasmussen LOG350 Operasjonsanalyse19 Psykologi og beslutninger  Modeller kan benyttes for strukturerbare aspekter av beslutningsproblemer.  Andre aspekter kan ikke lett struktureres, og krever intuisjon og subjektive vurderinger.  Advarsel: Menneskers vurderinger og intuisjon er ikke alltid rasjonell!

20 Rasmus Rasmussen LOG350 Operasjonsanalyse20 Referanseeffekter  Oppstår når trivielle faktorer påvirker opprinnelig oppfatning av et problem.  Beslutningstakere vil oftest underkorrigere fra deres opprinnelige referanse/utgangspunkt.  Eksempel: Hva er 1x2x3x4x5x6x7x8 ? Hva er 1x2x3x4x5x6x7x8 ? Hva er 8x7x6x5x4x3x2x1 ? Hva er 8x7x6x5x4x3x2x1 ?

21 Rasmus Rasmussen LOG350 Operasjonsanalyse21 Presentasjonseffekter  Refererer til hvordan beslutningstakere ser på et problem, for eksempel ut fra et tap/vinn perspektiv.  Måten problemer presenteres påvirker ofte hva som velges på en irrasjonell måte.  Anta at du har fått kr. 1000, og må velge mellom: – A. Motta ytterligere kr. 500 straks – B. Kaste mynt og få kr. 1000 mer hvis krone, få kr 0 mer hvis mynt.

22 Rasmus Rasmussen LOG350 Operasjonsanalyse22 Presentasjonseffekter (Eksempel)  Anta nå at du har fått kr. 2000 og må velge mellom: – A. Gi tilbake kr. 500 straks – B. Kaste mynt og gi tilbake kr. 0 hvis krone, gi tilbake kr. 1000 hvis mynt

23 Rasmus Rasmussen LOG350 Operasjonsanalyse23 Et beslutningstre for begge eksemplene Initial state $1,500 Heads (50%) Tails (50%) $2,000 $1,000 Alternative A Alternative B (Flip coin) Payoffs

24 Rasmus Rasmussen LOG350 Operasjonsanalyse24 Gode beslutninger vs. gode resultat  Gode beslutninger vil ikke altid resultere i gode resultat.... Om det er meldt godt vær vil du (korrekt) beslutte å la paraplyen bli hjemme. Hvis det likevel uventet regner (gir et dårlig resultat), betyr ikke det at du gjorde en dårlig beslutning. Om det er meldt godt vær vil du (korrekt) beslutte å la paraplyen bli hjemme. Hvis det likevel uventet regner (gir et dårlig resultat), betyr ikke det at du gjorde en dårlig beslutning.  En strukturert og modellert angrepsmåte for å løse beslutningsproblemer hjelper oss i å ta gode beslutninger men gir ingen garanti for gode resultat.

25 Rasmus Rasmussen LOG350 Operasjonsanalyse25 End of Chapter 1