Operations Research (OR)

beschreibt Methoden der mathematisch basierten Analyse zur Bereitstellung einer quantitativen Grundlage für Managemententscheidungen und beinhaltet im Wesentlichen die Lehre von Verfahren zur numerischen Lösung von Entscheidungsmodellen.

Bei betriebswirtschaftlichen Entscheidungen kommt es im Allgemeinen darauf an, aus einer Reihe von Alternativen die beste auszusuchen, also die optimale Lösung welche für die Zielgröße (z.B. Gewinn, Kosten) den größten bzw. kleinsten Wert annimmt.

Operations Research ist interdisziplinär geprägt und nutzt Bereiche der Wirtschaftswissenschaften, Mathematik und Informatik.

Es beschäftigt sich mit Modellbildung und Methoden zur empirischen Datenermittlung mit dem Ziel, Algorithmen für eine optimale Lösung zu entwickeln. Die Optimierung betrieblicher Abläufe und Prozesse ist dabei konkretes Ziel.

Zur Formulierung und Lösung der Modelle werden mathematische und informatische Methoden angewandt.

Entwicklung

Die ersten Ansätze des Operations Research gehen auf die Zeit des 2. Weltkriegs zurück. Hier wurde vom US-Militär die optimale Zusammenstellung von Schiffskonvois nach Europa untersucht. Aber auch bei der Organisation der Luftbrücke im Rahmen der Berlin-Blockade (1948/49) spielte es eine wichtige Rolle. Allesamt Logistik- und Lieferkettenprobleme, welche gelöst werden mussten.

In den sechziger/siebziger Jahren des vergangenen Jahrhunderts erfuhr es einen regelrechten Hype mit jähem Ende. Die aufwendigen und umfangreichen Rechenoperationen (Matrizen/Vektorrechnung) standen in keinem vernünftigen Aufwand/Nutzenverhältnis. Es fehlte in der damaligen Zeit einfach an leistungsfähiger Hard- und Software um eine breite Anwendung zu ermöglichen. Vor ca. 15-20 Jahren erst begann dann der bis heute andauernde Einzug in die Wirtschaft.

Modernste Softwareprogramme zur Modellbildung und hochentwickelte Rechenleistungen stehen heute zur Verfügung und können in kürzester Zeit die bestmögliche Lösung aus Millionen von Alternativen erbringen. Dank der Kombination von BigData, Machine Learning und dem Internet of Things (IoT) eröffnet Operations Research immer wieder neue Einsatzmöglichkeiten für die Lösung komplexer unternehmerischer Probleme.

Inhalt & Funktion

Mathematische Optimierungsmodelle enthalten vier Hauptkomponenten (beispielhaft):

Entscheidungsvariablen (Wann soll wieviel gefertigt werden?)

Zielfunktion (Minimieren – Kosten, Maximieren – Ertrag)

Restriktionen für die Entscheidungsvariablen (Kapazitäten, Personal)

Parameter und Daten (Materialeinsatz, Fertigungszeiten)

Heute wird in der Anwendung hauptsächlich mit linearen, nichtlinearen und gemischt-ganzzahligen Optimierungsmodellen gearbeitet. Das Optimierungsmodell wird über geeignete Schnittstellen in ein Anwendersystem implementiert und umgesetzt, ohne zusätzliche neue Software.

Ist die optimale Lösung ermittelt, besteht weiter die Möglichkeit die angegebenen Parameter (z.B. Preise, Kosten, Kapazitäten, etc.) zu verändern um im Rahmen einer Sensitivitätsanalyse, auch Empfindlichkeitsanalyse genannt, die kritischen Werte und den Einfluss einzelner Risiken auf ökonomische Zielgrößen zu untersuchen. Sie wird verbreitet zur Investitionsplanung und Investitionsrechnung herangezogen. Sie liefert Grenzen, die angeben, wie weit die Daten um ihre angenommenen Werte herum schwanken dürfen, damit sich die optimale Basis nicht verändert.

 Richtiger Einsatz

Großunternehmen haben den Stellenwert von Operations Research früh erkannt und eigene OR-Abteilungen eingerichtet. In kleinen und mittelständischen Unternehmen ist das Thema bis heute allerdings nur in geringem Umfang angekommen.

Vor allem komplexe Entscheidungsprozesse mit vielen Variablen, die sehr stark von den Erfahrungen und „Bauchgefühl“ einzelner Personen geprägt sind, eignen sich für die mathematische Modellierung. Die Logik hinter solchen Entscheidungen lassen sich häufig in Algorithmen fassen. So kann Wissen formalisiert und personenbezogene Abhängigkeiten vermindert werden.

Eine Folge ist, es ändern sich Entscheidungswege und Kompetenzen. Ein dezidiertes Change-Management im Unternehmen trägt dabei wesentlich zum Erfolg von OR-Projekten bei. Mitarbeiter, die aufgrund Ihres Spezialwissens eine Schlüsselposition innehatten, würden unter Umständen entmachtet. Abteilungen müssen enger zusammenarbeiten und vom System getroffene Entscheidungen akzeptiert werden. Die Bereitschaft zu diesem Wandel hat einen nicht unerheblichen Anteil daran, ob OR erfolgreich etabliert werden kann.

Es ist weiter davon auszugehen, dass die Zukunft der Anwendungen des OR in der Verknüpfung mit KI liegen wird, da engste Verbindungen zum Machine Learning bestehen. Verschiedenste Ansätze dazu (größtenteils noch auf Forschungsebene) bestätigen dies.