Kehittelen tässä tekstissä Operaatiotutkimuksen ja Analytiikan opetukseen liittyvää ideaa, joka on hautunut mielessäni jo aika pitkään. Oikeastaan siitä asti kun olin kurssiassistenttina, mistä on kohta kymmenen vuotta. Sittemmin olen valmistunut tekniikan tohtoriksi, viettänyt muutaman vuoden teollisuuden puolella, ja palannut taas yliopistotyöhön Aalto-yliopistoon tutkijatohtoriksi 60% aika-allokaatiolla. (Merkittävä osa missiotani on rakentaa siltoja teorian ja käytännön välillä.)

Uskon, että operaatiotutkimuksen ja analytiikan opetuksessa kannattaisi hyödyntää ns. omakohtaisia esimerkkiongelmia.

Tarkoitan ongelmia kuten ”kurssin kehittämistä tukevan palautteen kerääminen” tai ”kotitalouden ruokamenojen järkevöittäminen”. Esimerkiksi luennolla tai harjoitustöissä voitaisiin ideoida, miten kurssin palautteen keräämisen voi tehdä monikriteerisen arvioinnin avulla, mitä kriteereitä olisi hyvä käyttää jne. Sitten oppilaat voisivat kokemusasiantuntijoina antaa näkemyksiään monikriteeriseen kyselyyn, jota opettaja hyödyntäisi kurssin kehittämisessä. Ruokamenojen kohdalla puolestaan voisi harjoitella esimerkiksi luokittelua, excelin käyttöä ja visualisointia. Lisäksi voitaisiin vaikkapa tutkailla mieltymyksiä koskien rahan käyttöä, ja tunnistaa sille vaihtoehtoisia käyttökohteita.

Omakohtaisten esimerkkiongelmien kautta opetukseen ja opiskeluun voisi saada entistä enemmän realismia ja tunnetta.

Realismia olisi esimerkiksi se, että pitää keksiä mistä tai miten ongelman analyysin edellyttämän datan saa kerättyä. Tai sen arviointi, että onko sovelluskohde riittävän kiinnostava, jotta sitä ylipäätään on mielekästä analysoida formaalisti.

Omakohtaiset ongelmat auttavat myös havainnollistamaan kontekstisidonnaisuutta, joka on keskeistä esimerkiksi analyysin rajausten kannalta. Keinotekoiset (oppikirjaongelmat) helposti rajataan analyysimetodin ehdoilla, mikä syö realismia. Sen sijaan omakohtaisten ongelmien kohdalla tehtävän asettajalla on suuremmalla todennäköisyydellä motivaatiota ja riittävästi asiantuntemusta tehdä rajaus, joka oikeasti palvelee kokonaisvaltaista ongelmanratkaisua ja kehittämistä.

Tunnetta havainnollistaa esimerkiksi aavistus ”tässä kohtaa laskelmissa on jotain merkillistä tai outoa”, jonka analysoija, mallintaja tms voi saada tilanteesta riippuen innostuksen tai ahdistuksen siivittämänä. Tämänkaltainen aavistus usein johtaa hyödylliseen oivallukseen koskien laskelmien kehittämistä. Ongelman tuntemus edesauttaa sitä, että tunnesignaali on merkityksellinen. Esimerkiksi laskelmien realistisuuden oudoksuminen juontuu kyvystä verrata niitä tosimaailmaan.

Uskoisin, että tunnetta on hyvällä tavalla pelissä enemmän, jos analysoija välittää analyysin kohteesta.
Kontrastina välittämiselle etenkin hälläväliä asenne voi olla kohtalokas, mitä tulee esimerkiksi kriittiseen ajatteluun tai opitun muistamiseen.

Käytännössä omakohtaisia esimerkkiongelmia voi tuoda opetukseen monella tavalla. Ensinnäkin opettaja voi luennoissaan hyödyntää esimerkkiongelmia, jotka ovat hänelle ja/tai osalle kuulijoista omakohtaisia, ja muille helposti samaistuttavia. Toinen vaihtoehto on hyödyntää omakohtaisia esimerkkiongelmia pohdintatehtävissä osana luentoja tai viikottaisten harjoitusten yhteydessä. Kolmas, enemmän valmistelua vaativa vaihtoehto, on harjoitustöiden rakentaminen omakohtaisten esimerkkiongelmien ympärille.

Parhaassa tapauksessa ongelman omakohtaisuus opiskelijalle ei syntyisi pelkästä temaattisesti yhteydestä hänen elämäänsä, vaan ongelman tarkempi määritys ja analyysissä hyödynnettävä data olisivat peräisin hänen omasta elämästään. Näin ollen ei olisi lainkaan mahdotonta, että huolellisesti tehdyn analyysin tulos jopa muuttaisi toimintaa kohti parempaa.

Voi olla, että kestää hetki, ennen kuin konseptin saa rokkaamaan. Kannattanee kuitenkin yrittää, sillä operaatiotutkimuksen ja analytiikan menetelmistä moni on tarkoitettu käyttöä varten; ei pelkästään ihailtavaksi.

Omakohtaisuuden kautta voisimme uskoakseni antaa lisäsysäyksen käytännön soveltamisen valmiuksien kehittymiselle.

—

Lisäinspiraatiota:

Itse olen tässä tekstissä kerrotun suuntaista kokeillut oppilaiden kanssa juurikin kurssipalautteeseen liittyen. Aiheesta kirjoittamani artikkelin “Collecting actionable and value-focused feedback using multi-criteria evaluation — a procedure and an application” käsikirjoitus on löydettävissä täältä.

Useassa lähteessä käsitellään mallien soveltamista arkisessa ongelmanratkaisussa, ja jopa oman elämäfilosofian kehittämisessä. Esimerkkeinä kirja “Algorithms to Live By” ja LessWrong sivusto.

ClimateUniversityn videossa FORS kunniapuheenjohtaja Raimo P. Hämäläinen käsittelee Ladder Of Inference teoriaa omakohtaisen esimerkin kautta.

LeanLife blogissa KTT Tommi Pajala ja hänen vaimonsa Sonja Rajala soveltavat mm. laskentamenetelmiä sekä johtamisoppeja omaan kotitalouteensa.

Omakohtaisia esimerkkejä voi analysoida myös olemassaolevien mallinnustyökalujen kuten hiilijalanjälki-laskurin avulla.

Optimoinnin käytännön soveltamisessa tulee vastaan monia näkökulmia, joita akateemisella puolella ei välttämättä tule niin syvällisesti pohdittua. Tämä teksti on pieni sukellus monisyiseen aiheeseen, josta minulla on ollut ilo oppia paljon viimeisimmän kahden vuoden aikana optimointiin keskittyvän Weoptit Oy:n palveluksessa. Tekstissä tuon esiin tilannetta kentällä, käytännön haasteita, sekä nostan esiin tyypillisiä hyötyjä, joita optimoinnilla käytännössä voidaan hakea.

Operatiivisen toiminnan suunnittelu on eräs alamme perinteisistä kiinnostuksen kohteista. Yleisiä suunnitteluongelmia ovat esimerkiksi työntekijöiden työvuorolistojen suunnittelu, kuljetusajoneuvojen reitit, julkisen liikenteen aikataulut sekä tuotantolinjojen käyttö. Yhteistä näille ongelmille on suuri määrä päätösmuuttujia, rajoitusehtoja ja monitavoitteisuus.

Esimerkiksi 50 hengen työvuorolistan suunnittelu kolmen viikon jaksolle tarkoittaa yhteensä noin 750 työvuoron määrittämistä. Työvuorojen valinnassa tulee noudattaa esimerkiksi 30 eri sääntöä ja tasapainotella kymmenen eri tavoitteen välillä. Tavoitteita voivat olla vaikkapa palkkakustannusten minimointi ja työhyvinvoinnin maksimointi. Työhyvinvoinnin kannalta vuorolistaa voidaan arvioida esimerkiksi laskemalla, kuinka monta kertaa työntekijällä on perättäisinä päivinä aamuvuoro ja iltavuoro. Vuorotyypin vaihdos perättäisinä päivinä on tyypillisesti kuormittavaa. Vuorolistaa ei voi laatia ”myooppisesti” yksi valinta kerrallaan vaan se on rakennettava kokonaisuus huomioiden. Jos yhden henkilön vuorolistaa muutetaan, niin koko paketti voi mennä uusiksi.

Käytännössä matemaattisen optimoinnin hyödyntäminen on monilla aloilla ennemmin poikkeus kuin sääntö. Suunnittelijan apuna on tyypillisesti taulukkolaskentaohjelma tai suunnittelun avuksi laadittu ohjelmisto, joka pitää kirjaa, tarkistaa ihmisen laatiman suunnitelman ja pisteyttää sen. Ratkaiseva ero optimointia hyödyntävässä ohjelmistossa on sen kyky suosittaa käypää ja tavoitteiden kannalta hyvää ratkaisua. Optimoinnin vähäisen käytön taustalla on varmasti useita syitä, kuten laskentatehon vajavaisuus, puutteellinen data tai osaamisvaje.

Tilanne on kuitenkin muuttumassa vauhdilla. Oma tuntumani on, että kentällä kiinnostus optimointia kohtaan on hyvin suurta. Laskentateho on yhä harvemmin ongelmana. Yritykset ja muut organisaatiot ovat ottaneet harppauksia tiedonhallinnassa. Suunnitteluun vaadittavat tiedot ovat yhä harvemmin ainoastaan fyysisellä paperilla tai suunnittelijan päässä. Osaamisvaje kuroutuu umpeen esimerkiksi, kun yliopistokursseilla käytetään yhä useammin kaupallisia ratkaisimia, kuten Gurobi ja CPLEX, joilla kyetään ratkomaan realistisen kokoisia ongelmia näppärästi. Kentällä on yhä enemmän henkilöitä, joilla on kokemusta tuotantoon asti vietyjen ratkaisujen tuottamisesta.

Optimoinnin käyttöönottoon liittyy tietysti myös kaupallinen puolensa. Optimoinnin kehittäminen, käyttöönotto ja ylläpito on investointi, jonka tulee olla kannattava. Tällöin on tärkeää kyetä perustelemaan ja arvioimaan optimoinnin hyödyt. Ne voivat koostua esimerkiksi seuraavista tekijöistä:

Tuotoksen kohentuminen. Tuotos voi kohentua laadullisesti ja määrällisesti, kun resurssit ovat paremmin kohdennettu kannattavimpaan toimintaan. Käytännössä esimerkiksi asiakaspalvelija kohentaa asiakaspalvelun tasoa, mikäli hän on työpaikalla samaan aikaan kuin asiakaskin.

Säästöt operatiivisessa toiminnassa. Kustannukset vähentyvät, jos suunnittelulla kyetään vähentämään turhaa päällekkäisyyttä, tyhjäkäyntiä tai muuta hukkaa. Esimerkiksi lentoliikenteen työvuorosuunnittelussa voidaan pyrkiä vähentämään tilanteita, joissa kapteeni on omalle lennolleen siirtyäkseen kyydissä toisessa lentokoneessa.

Työhyvinvoinnin ja työn mielekkyyden parantaminen. Näitä voidaan optimoinnin avulla parantaa esimerkiksi paremmalla ergonomiatekijöiden ja työntekijöiden toiveiden huomioinnilla. Uudelleen järjestelemällä työvuoroja on mahdollista löytää kustannusten kannalta yhtä hyviä ratkaisuja, jotka ovat kuitenkin parempia työhyvinvoinnin kannalta. Toiveet hankaloittavat hyvän ratkaisun löytämistä, mutta optimoinnille tämä ei välttämättä ole ongelma.

Suunnitteluun kuluvan ajan vähentäminen. Suunnitteluun kuluva aika voi optimointia hyödynnettäessä olla murto-osa aiemmasta.  Tämä vapauttaa suunnittelijoiden aikaa muihin tehtäviin tai mahdollistaa suunnittelijoiden määrän vähentämisen.

Suunnitelmien päivittäminen. Poikkeamatilanteiden ja yllätysten sattuessa optimointi voi mahdollistaa suunnitelman nopean uudelleenlaskennan. Tällaisia voivat olla esimerkiksi työntekijän sairastuminen, tai työn kysynnän äkillinen kasvaminen.

Ajantasaisimman tiedon käyttäminen. Suunnittelun nopeutuessa suunnittelun ajankohta voidaan siirtää lähemmäksi suunnitelmien julkaisupäivää. Tällöin voidaan hyödyntää ajantasaisempia ennusteita työntekijöiden käytettävyydestä ka työ ntarpeesta.

Skenaario- ja ”mitä jos”-analyysi. Vaihtoehtoisia suunnitelmia voidaan laatia erilaisilla painotuksilla tai oletuksilla. Näin voidaan tehdä suunnittelun trade-offeja läpinäkyväksi. Optimointi voi tehdä strategisen tason päätöksistä kuten jakelun aluejakojen määrittämisestä tai hankinnoista paremmin perusteltuja. Esimerkiksi voidaan kysyä ”kun kysyntä kasvaa, niin kumpi estää kysyntään vastaamista aikaisemmin tuotantolinjojen vai välivaraston kapasiteetti?”. Tämä on arvokas tieto kehitysinvestointeihin.

Käytännössä optimointitehtävän ratkaistavuus ja tulosten laatu validoidaan usein ns. “proof of concept” projektissa, jossa optimointimalli kehitetään ja sillä ajetaan tuloksia muutamalla datasetillä. Tämän jälkeen haasteena on optimoinnin integrointi operatiivisen toiminnan ohjauksen järjestelmiin, tai kokonaan uuden järjestelmän rakentaminen. Tämä onkin täysin oma aiheensa, jossa on huomioitava esimerkiksi käyttäjien lukumäärä sekä heidän tietonsa ja taitonsa, mutta siitä lisää toisessa kirjoituksessa… 

Hyvää kesää kaikille FORS blogin lukijoille 🙂