1 / 75

Managerial Decision Modeling

Managerial Decision Modeling. A Practical Introduction to Management Science , 5ed by Cliff Ragsdale. Chapter 15. Theories of Decision Making. Beslutningsanalyse. Modeller kan hjelpe ledere til å skaffe seg innsikt og forståelse, men de kan ikke ta beslutningene.

blaine
Download Presentation

Managerial Decision Modeling

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


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

  2. Chapter 15 Theories of Decision Making LOG350 Operasjonsanalyse

  3. Beslutningsanalyse • Modeller kan hjelpe ledere til å skaffe seg innsikt og forståelse, men de kan ikke ta beslutningene. • Å ta beslutninger vil ofte likevel gjenstå som en vanskelig oppgave : • Usikkerhet om framtiden • Verdier eller målsettinger i konflikt med hverandre • Ta f.eks. følgende eksempel ... LOG350 Operasjonsanalyse

  4. Å velge forskjellige jobb-tilbud • Selskap A • I en ny bransje som kan blomstre eller visne. • Lav begynnerlønn, men kan øke meget raskt. • Ligger nære venner, familier og med attraktivt fritidstilbud. • Selskap B • Et etablert foretak med finansiell styrke og vilje til å verne om ansatte. • Større begynnerlønn, men mindre avansementsmuligheter. • Ligger avsides, med få fritidstilbud. • Hvilken jobb ville du velge ? LOG350 Operasjonsanalyse

  5. Gode beslutninger kontra gode resultat • En strukturert måte å løse beslutningsproblemer kan hjelpe oss i å fatte gode beslutninger, men kan ikke garantere gode resultat. • Gode beslutninger vil noen ganger gi dårlige resultat. LOG350 Operasjonsanalyse

  6. Karakteristika for beslutningsproblemer • Alternativer – forskjellige muligheter for å løse et problem. • Arbeide for selskap A • Arbeide for selskap B • Forkaste begge tilbud og fortsette å lete etter jobb • Kriterier – faktorer som er viktige for beslutningsfatter og som påvirkes av alternativene. • Lønn • Karrieremuligheter • Lokalisering • Tilstander – framtidige hendelser som ikke kontrolleres av beslutningstakeren. • Selskap A blomster • Selskap A visner • etc

  7. Et eksempel: Magnolia Inns • Hartsfield International Airport i Atlanta, Georgia, er en av de travleste flyplassene i verden. • Den er utvidet mange gangerfor å ta hånd om den økende trafikken. • Industriell utbygging rundt flyplassen forhindrer bygging av flere rullebaner for å ta hånd om framtidige trafikkbehov. • Det foreligger planer om å bygge en ny flyplass utenfor bygrensen. • To alternative lokaliseringer er utpekt, men en endelig beslutning er ikke ventet før om enda et år. • Magnolia Inns hotell kjedeønsker å bygge et nytt hotell nær den nye flyplassen straks plasseringen er bestemt. • Tomteprisene rundt de alternative plasseringene øker fordi investorer spekulerer i at verdiene vil stige kraftig nær den nye flyplassen. LOG350 Operasjonsanalyse

  8. Data LOG350 Operasjonsanalyse

  9. Beslutningsalternativene 1) Kjøpe tomt i område A. 2) Kjøpe tomt i område B. 3) Kjøpe begge tomtene. 4) Ikke kjøpe tomt. LOG350 Operasjonsanalyse

  10. Mulige tilstander 1) Den nye flyplassen bygges nær A. 2) Den nye flyplassen bygges nær B. LOG350 Operasjonsanalyse

  11. Lage en Payoff Matrise LOG350 Operasjonsanalyse

  12. Beslutningsregler • Hvis framtidig tilstand (lokalisering) var kjent, så ville det være enkelt å fatte en beslutning. • Gitt usikkerhet, så finnes flere beslutnings-regler uten bruk av sannsynligheter : • MaxiMax • MaxiMin • MiniMax beklagelse • Ingen av disse reglene er alltid best, og hver har sine svakheter. LOG350 Operasjonsanalyse

  13. Svakheter • Betrakt følgende payoff (konsekvens) matrise : Tilstand Alternativ 1 2 MAX A 30 -10000 30 <--maximum B 29 29 29 MaxiMax beslutningsregelen • Finn beste konsekvens for hvert alternativ. • Velg det alternativ som har den beste av de beste konsekvensene. LOG350 Operasjonsanalyse

  14. Svakheter • Betrakt følgende payoff matrise Tilstand Alternativ 1 2 MIN A 1000 28 28 B 29 29 29 <--maximum MaxiMin beslutningsregelen • Finn dårligste konsekvens for hvert alternativ. • Velg det alternativet som har den beste av de dårligste konsekvensene. LOG350 Operasjonsanalyse

  15. MiniMax Beklagelse • Beregn beklagelsen for hvert alternativ i hver mulig tilstand : Beklagelse : Beste konsekvens i en tilstand – det aktuelle alternativet sin konsekvens i samme tilstand. • Finn største beklagelse for hvert alternativ. • Velg det alternativ som har den minste av de største beklagelsene. LOG350 Operasjonsanalyse

  16. Betrakt følgende konsekvens- matrise Tilstand Alternativ 1 2 A 9 2 B 4 6 Max 9 6 • Beklagelse- matrisen er da: Tilstand Alternativ 1 2 MAX A 0 4 4 <--minimum B 5 0 5 MiniMax Beklagelse • Merk at vi foretrekker A framfor B. • Nå, la oss legge til et nytt alternativ... LOG350 Operasjonsanalyse

  17. Betrakt følgende konsekvens- matrise Tilstand Alternativ 1 2 A 9 2 B 4 6 C 3 9 • Beklagelse- matrisen er nå: Tilstand Alternativ 1 2 MAX A 0 7 7 B 5 3 5 <--minimum C 6 0 6 Et nytt alternativ • Nå foretrekker vi B framfor A ? LOG350 Operasjonsanalyse

  18. Sannsynlighetsmetoder • Enkelte ganger kan de mulige tilstandene tildeles sannsynligheter som angir hvor sannsynlig det er at de skal inntreffe. • For beslutningsproblemer som opptrer mer enn en gang kan vi ofte estimere den relative hyppigheten ut fra historiske data. • Andre beslutningsproblemer (som Magnolia Inns problemet) er en engangsbeslutning som det ikke eksisterer historiske data for. • I slike tilfeller tildeles ofte subjektive sannsynligheter basert på f.eks. ekspertuttalelser. • Det finnes meget strukturerte intervju-teknikker for å avsløre sannsynlighetsanslag som er rimelig nøyaktige og fri for ubevisste skjevheter som kan ha innflytelse på ekspertuttalelser. • Vi skal se på beslutningsteknikker som kan brukes gitt at vi har funnet dekkende sannsynlighetsanslag.

  19. Forventet verdi • Velger det alternativet med den største pengemessige forventede verdien ”expected monetary value” (EMV) • EMVier gjennomsnittskonsekvensen vi vil oppnå hvis vi stod over for samme beslutningsproblem mange ganger og alltid valgte alternativ i. LOG350 Operasjonsanalyse

  20. Forventet verdi LOG350 Operasjonsanalyse

  21. Svakheter • Betrakt følgende konsekvensmatrise : Tilstand Alternativ 1 2 EMV A 15,000 -5,000 5,000 <--maximum B 5,000 4,000 4,50 Sannsynlighet 0.5 0.5 EMV og risiko • Beslutninger basert på forventet verdi tar ikke hensyn til risiko. LOG350 Operasjonsanalyse

  22. EMV og usikkerhet Forventet verdi (m) Preferanseretning Indifferenskurve B A Risiko (s) LOG350 Operasjonsanalyse

  23. Forventet beklagelse • Velger det alternativet som har minst forventet beklagelse eller alternativkostnad (opportunity loss) (EOL) • Alternativet med størst forventet verdi vil også ha den minste forventede beklagelsen. LOG350 Operasjonsanalyse

  24. Forventetverdiav perfekt informasjon • Anta at vi kunne leie en konsulent som kunne forutsi framtiden med 100% nøyaktighet. • Med slik perfekt informasjon ville Magnolia Inns’ gjennomsnittlige pay off være : EVUC = 0.4*$13 + 0.6*$11 = $11.8 (i millioner) • Uten perfekt informasjon var EMV $3.4 million. • Forventet verdi av perfekt informasjon er derfor : EVPI = $11.8 - $3.4 = $8.4 (i millioner) • Generelt er EVPI = EVUC - maximum EMV • Derfor vil det alltid være slik at : EVPI = minimum EOL LOG350 Operasjonsanalyse

  25. EVPI LOG350 Operasjonsanalyse

  26. Beslutning om tomtekjøp Flyplasslokalisering Payoff 13 A 31 Kjøp A 1 -18 6 -12 B A -8 4 Kjøp B 2 -12 23 B 11 0 5 A 35 Kjøp A&B 3 -30 29 -1 B A 0 0 Ingen kjøp 4 0 0 B 0 Et beslutningstre for Magnolia Inns LOG350 Operasjonsanalyse

  27. Beslutning om tomtekjøp Flyplasslokalisering Payoff 0.4 13 A 31 Kjøp A 1 EMV=-2 -18 6 -12 B 0.6 0.4 A -8 4 Kjøp B 2 -12 EMV=3.4 23 B 11 0.6 0 0.4 5 A 35 Kjøp A&B EMV=3.4 3 -30 EMV=1.4 29 -1 B 0.6 0.4 A 0 0 Ingen kjøp 4 EMV= 0 0 0 B 0 0.6 Rulle tilbake et beslutningstre LOG350 Operasjonsanalyse

  28. Alternativt beslutningstre Beslutning om tomtekjøp Flyplasslokalisering Payoff 0.4 13 A 31 Kjøp A 1 EMV=-2 -18 6 -12 B 0.6 0.4 A -8 4 Kjøp B 2 -12 EMV=3.4 23 B 11 0.6 0 0.4 5 A 35 Kjøp A&B EMV=3.4 3 -30 EMV=1.4 29 -1 B 0.6 Ingen kjøp 0 0 LOG350 Operasjonsanalyse

  29. Lage beslutningstrær i RiskSolver Eller du kan lage og endre et beslutningstre fra ModelTab’en i Solver Task Pane Du kan lage og endre et beslutningstre fra Decision Tree menyen i Risk SolverRibbon Angi et beslutningspunkt eller sjansepunkt: Gi noden et navn: Angi greinene og eventuelle verdier: LOG350 Operasjonsanalyse

  30. Decision Tree i Excel Dobbel-klikk for å endre: LOG350 Operasjonsanalyse

  31. Kopiere noder 2. Velg Copy Node 4. Velg Paste Node 1. Aktiver en celle nær noden du vil kopiere. 3. Aktiver en celle nær den noden du vil kopiere til. Du kan gjenta trinn 3 & 4 hvis du vil lime inn den kopierte noden flere plasser i beslutningstreet. LOG350 Operasjonsanalyse

  32. Korrigere noder Dobbelt-klikk noden du vil korrigere Korriger navn og verdier LOG350 Operasjonsanalyse

  33. Ferdig beslutningstre LOG350 Operasjonsanalyse

  34. Sensitivitetsanalyse i beslutningstrær • Ofte er våre a priori sannsynlighetsanslag meget vilkårlig. • Hvordan påvirkes optimal beslutning av andre sannsynligheter ? • La p og (1-p) være sannsynlighetsanslag, og bruk datatabeller sammen med Decision Tree. LOG350 Operasjonsanalyse

  35. Sensitivitetsanalyse Lag datatabell Erstatt tall med formler/referanser LOG350 Operasjonsanalyse

  36. Sekvensielle beslutningsproblemer • Mange problemer består i en serie beslutninger. • Eksempel : • Skal du spise middag ute i dag ? • I så fall : • Hvor mye penger skal du bruke ? • Hvor skal du gå ? • Hvordan skal du komme deg dit ? • Trinnvise beslutningsproblemer kan løses med beslutningstrær LOG350 Operasjonsanalyse

  37. Steve trenger en del nytt utstyr avhengig av hvilken teknologi han vil bruke. Kostnadene er beregnet til å være : Teknologi Utstyrskostnad Microwave $4,000 Cellular $5,000 Infrared $4,000 fortsetter... Sekvensielt beslutningsproblem: COM-TECH • Steve Hinton, eier av COM-TECH, vurderer å søke om $85,000 i forskningsmidler for bruk av trådløs kommunikasjonsteknologi for å øke sikkerheten i kullindustrien. • Steve vil trenge omkring $5,000 for å forberede søknaden og antar at det er 50-50 sjanse for å få forskningsmidlene. • Hvis han får forskningsmidlene, så må Steve bestemme om han vil benytte microwave, cellular, eller infrared kommunikasjonsteknologi. LOG350 Operasjonsanalyse

  38. Steve vet også at han vil bruke penger på F&U, men vet ikke nøyaktig hva kostnadene vil bli. Steve anslår følgende best case og worst case F&U kostnader og sannsynligheter, basert på hans kunnskaper om emnene. Best Case Worst Case Kostnad Sans. Kostnad Sans. Microwave $30,000 0.4 $60,000 0.6 Cellular $40,000 0.8 $70,000 0.2 Infrared $40,000 0.9 $80,000 0.1 COM-TECH (fortsettelse) • Steve må organisere alle faktorene i problemet for å avgjøre om han skal søke om forskningsmidler. LOG350 Operasjonsanalyse

  39. Søknad om forskningsmidler Om data i beslutningstreet angis som referanser, er det lettere å foreta sensitivitetsanalyse, etc. LOG350 Operasjonsanalyse

  40. Analysere risiko i et beslutningstre • Hvor følsom er beslutningen for endringer i sannsynlighetsanslagene ? • Vi kan bruke Solver for å finne den minste sannsynligheten for å motta midlene som likevel gjør at Steve er villig til å søke om midler. LOG350 Operasjonsanalyse

  41. Utfall Sannsynlighet Konsekvens Motta støtte, lav F&U kostnad 0.5*0.9=0.45 $36,000 Motta støtte, høy F&U kostnad 0.5*0.1=0.05 -$4,000 Ikke motta støtte 0.5 -$5,000 EMV $13,500 Risikoprofiler • En risikoprofil viser en oversikt over grunnlaget for EMV. • De $13,500 EMV for COM-TECH består av: • Dette kan også vises i et forenklet beslutningstre. LOG350 Operasjonsanalyse

  42. Risikoprofil LOG350 Operasjonsanalyse

  43. Strategi-tabell LOG350 Operasjonsanalyse

  44. Bruk av tilleggsinformasjon • Noen ganger kan vi få tilleggsinformasjon om de mulige tilstandene før en beslutning fattes. • Slik ekstra informasjon kan medføre at vi reviderer vår sannsynlighetsoppfatning knyttet til de mulige tilstandene. LOG350 Operasjonsanalyse

  45. Konsekvensene (i millioner $) er angitt under • Etterspørsel • Fabrikkstørrelse Høy Lav • Stor $175 $95 • Liten $125 $105 Eksempel: Colonial Motors • Colonial Motors (CM) må bestemme om de skal bygge en stor eller liten fabrikk for en ny bil de utvikler. • Det koster $25 millioner å bygge en stor fabrikk mens en liten koster $15 millioner. • CM tror det er 70% sjanse for at etterspørselen etter den nye bilen blir høy, og 30% sjanse for at den blir lav. LOG350 Operasjonsanalyse

  46. Ny bilfabrikk LOG350 Operasjonsanalyse

  47. Tilleggsinformasjon • Anta at CM kan utføre en forbrukerundersøkelse for å teste etterspørselen før beslutningen om fabrikkstørrelse tas. • Undersøkelsen kan indikere positiv eller negativ respons for den nye bilen. Vi må vite noe om påliteligheten av en slik undersøkelse. • Anta at undersøkelser tidligere i 6 av 7 tilfeller har vært positive når etterspørselen har blitt høy. • Tilsvarende har undersøkelsen (feilaktig) vært positiv i 2 av 9 tilfeller når etterspørselen har blitt lav. • Hvis undersøkelsen indikerer positiv respons, så bør CM oppjustere sine antagelser om at etterspørselen blir høy. (Og motsatt hvis undersøkelsen er negativ.) LOG350 Operasjonsanalyse

  48. Sannsynlighetstre LOG350 Operasjonsanalyse

  49. Baye’s teorem LOG350 Operasjonsanalyse

  50. Generelt: • For eksempel, Bayes’s Teorem • Bayes’s Teorem viser en annen definisjon av betingede sannsynligheter, som enkelte ganger er nyttig : LOG350 Operasjonsanalyse

More Related