Blogi suomi

Idea Operaatiotutkimuksen ja Analytiikan opetukseen – realismia ja tunnetta omakohtaisuuden avulla

Tuomas Lahtinen

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.

Ratkaisuja viheliäisiin ongelmiin?

admin

TkT Tommi Ekholm
Tutkimusprofessori (ilmastonmuutoksen hillintä), Ilmatieteen laitos

Voiko operaatiotutkimuksen menetelmillä ratkoa viheliäisiä ongelmia (wicked problems)? Horst Rittel esitteli vuonna 1967 tämän käsitteen, joka tarkoittaa useita ristiriitaisia tavoitteita ja päätöksentekijöitä käsittäviä tilanteita, joissa informaatio on epätäydellistä ja mahdollisesti ristiriitaista. Perinteisten operaatiotutkimuksen työkalujen mielessä tämänkaltainen päätöksentekotilanne on huonosti määritelty: sille ei voida ilmaista tavoitteita, päätösvaihtoehtoja eikä vaihtoehdoista seuraavia lopputulemia.

Käsitteen puolesta vastaus on ei: mikäli ongelma voitaisiin ratkaista, se ei olisi alun perinkään viheliäinen ongelma. Sen sijaan operaatiotutkimus voi auttaa hahmottelemaan ratkaisuja ja niiden mahdollisia vaikutuksia, esimerkiksi yksi perspektiivi tai tavoite kerrallaan. Tätä kautta ongelmalle voidaan saada tarkempaa muotoa ja rakennetta.

Operaatiotutkimuksessa käytettyjen formaalien ja kvantitatiivisten mallien etu on niiden eksplisiittinen luonne. Niissä kerrotaan tarkkaan, miten asioita arvioidaan ja arvotetaan, sekä miten maailman oletetaan toimivan. Tätä kautta mallien kautta saadut ratkaisut altistetaan kritiikille, joka auttaa tunnistamaan miten menetelmiä ja ehdotettuja ratkaisuja tulisi kehittää.

Tässä piileekin sudenkuoppa. Mallit voivat antaa kuvan, että ongelma tunnetaan läpikotaisin. Optimointialgoritmi antaa ratkaisun kymmenen desimaalin tarkkuudella ja mallin käyttäjä voi rohkeana esittää sen olevan Optimi. Viheliäinen ongelma on kesytetty.

Mallien tarkkuus on kuitenkin näennäistä. Mallista puuttuu aina osa todellisuudesta, eikä ratkaisu ole koskaan pilkulleen oikein. Viheliäisten ongelmien tapauksessa laskentamallit antavat tarkan vastauksen epätarkkaan ongelmaan. On tunnistettava ja tunnustettava, että ehdotettujen ratkaisuiden tulee olla debatin alla, ja tämä debatti voi antaa ideoita siihen, miten mallinnusta tulisi kehittää parempien ratkaisujen löytämiseksi. Jos luulee kesyttäneensä viheliäisien ongelman, todellisuudessa siitä on lohkaistu vain palanen.

Ilmastonmuutos, joka on oma tutkimusaiheeni, täyttää monta viheliäisen ongelman tunnuspiirrettä. Ongelma ja sen ratkaisut ajoittuvat pitkälle aikavälille ja vaikuttaa sekä taloudellisiin että ei-taloudellisiin kysymyksiin. Pitkä aikaväli johtaa taloudellisissa kysymyksissä diskonttaukseen, mutta ei-taloudellisten vaikutusten osalta kysymys kääntyy eri sukupolvien väliseen tasa-arvoon, jonka diskonttaus on kiistanalaista. Ei ole myöskään selvää, miten ei-taloudellisia vaikutuksia, kuten elinolosuhteiden muutoksia tai lajien sukupuuttoa tulisi arvottaa, esimerkiksi suhteessa toisiinsa tai yhteiskunnan taloudelliseen hyvinvointiin. Asian ratkaisuun liittyvä päätöksenteko on seitsemän miljardin ihmisen käsissä, tai vähintään kahdensadan valtiojohtajan käsissä. Lisäksi sekä ratkaisuihin että vaikutuksiin liittyy huomattavaa epävarmuutta.

Vuonna 2018 taloustieteen Nobel-palkinto myönnettiin William Nordhausille, jonka talous- ja luonnontiedettä yhdistävä mallinnustyö aloitti kokonaan uuden tutkimussuuntauksen: ilmastotalouden ja ns. Inegrated Assessment -mallinnuksen. Hänen lähestymistapansa oli yksinkertaisuudessaan kuvata ilmastonmuutos ja sen vaikutukset talouskasvumallissa taloudellisina menetyksinä, jolloin mallille voidaan määrittää yksikäsitteinen tavoite maksimoida ihmiskunnan taloudellista hyötyä diskontattuna useiden vuosisatojen yli.

Lähestymistapa on saanut paljon kritiikkiä. Mm. reaalioptioiden pioneeri Robert Pindyck on esittänyt Nordhausin tekevän implisiittisesti merkittäviä arvovalintoja, lakaisevan epävarmuudet maton alle, sekä tulosten lähinnä heijastelevan oletuksia useista huonosti tunnetuista parametreista.

Itse allekirjoitan Pindyckin kritiikin pääpiirteissään. En pidä Nordhausin mallin antamia numeroita kovin luotettavina, saati hyödyllisinä käytännön päätöksentekoa ajatellen. Sen sijaan arvostan sitä, miten Nordhausin uraauurtava työ on antanut viheliäiselle ongelmalle muotoa ja tarttumapintaa, josta lähtien sitä voi lähestyä. Vaikka Nordhausin lähestymistavassa on merkittäviä puutteita, ilmasto-ongelman lähestymien eksplisiittisen laskentamallin avulla myös paljastaa tarkastelutavan heikkoudet ja miten sitä tulisi täydentää. Koko ongelman viheliäisyydestä kertoo kuitenkin se, että ongelmaan ei ole syntynyt lähes 30 vuoden kuluessa mitään uutta ja poikkeuksellista läpimurtoa.

Voisi ajatella, että mallien roolia viheliäisten ongelmien ratkaisussa tulee pohtia tarkkaan.

Jos viheliäiseen ongelmaan pyritään hakemaan optimiratkaisua, tavoitellaan mahdotonta. Ehkä maltillisempi tavoite olisi jo riittävä. Voidaan ehkä vain sulkea pois huonoja vaihtoehtoja, jolloin jäljelle jää vielä joukko eri tavoin tosiaan parempia ja huonompia ratkaisuja, mutta jotka ovat ehkä jollain tavalla hyväksyttäviä. Tällöin tulee elää sen kanssa, että ratkaisu on aina hieman epätyydyttävä.

Lopulta malli ei tee päätöksiä, vaan päätöksentekijä punnitsee kuinka hyvin mallilla saatava tuki päätöksenteolle kuvaa todellisuuden ongelmaa sen kaikessa viheliäisyydessään. Tällöin korostuu mallin ja sillä tehdyn analyysin uskottavuus, läpinäkyvyys ja ymmärrettävyys. Harva päätöksentekijä ottaa vastaan informaatiota, jonka lähdettä ja taustaa hän ei ymmärrä.

Tällöinkään viheliäinen ongelma ei ole vielä kesytetty. Jäljelle jää vielä haaste usean päätöksentekijän tavoitteiden sovittamisesta yhteen. Ehkä näemme tulevaisuudessa uusia lähestymistapoja, jotka auttavat tämänkin näkökulman ratkaisemisessa hyväksyttävällä tavalla.

Kirjallisuutta:

Churchman, C.W. (1967) Wicked Problems. Management Science 14(4), ss. B-141 – B-142.

Ekholm, T. (2018). Climatic Cost-benefit Analysis Under Uncertainty and Learning on Climate Sensitivity and Damages. Ecological Economics 154, ss. 99–106.

Nordhaus, W.D. (1992) An Optimal Transition Path for Controlling Greenhouse Gases, Science 258, ss. 1315–1319.

Nordhaus, W.D. (2017) Revisiting the social cost of carbon. PNAS 114(7), ss. 1518–1523.

Pindyck, R. (2013) Climate Change Policy: What Do the Models Tell Us? Journal of Economic Literature 51(3), ss. 860–872.

Rittel, H. & Webber, M.M. (1973) Dilemmas in a General Theory of Planning. Policy Sciences 4, ss. 155–169.

Haastattelu: Vuoden OR-henkilö 2020 Peter Ylén

Eeva Vilkkumaa

Suomen operaatiotutkimusseura on valinnut vuoden 2020 OR-henkilöksi VTT:n johtavan tutkijan), TkT Peter Ylénin. Ylén väitteli tohtoriksi vuonna 2001 Teknillisestä korkeakoulusta automaatio- ja systeemitekniikan alalta. VTT:llä Ylén on työskennellyt vuodesta 2005. Tätä ennen hän on toiminut InterQuest- ja Virable-yritysten johtotehtävissä sekä Vaasan yliopiston teollisen automaation professorina vuosina 2000-2001.

VTT:llä Peter Ylén on johtanut muun muassa systeemidynamiikan ja optimoinnin tutkimusryhmää sekä liiketoiminnan ekosysteemien ja ennakoinnin tutkimusaluetta sekä Työn murroksen painopistealuetta.  Tällä hetkellä hän vetää vaikutusten arvioinnin tutkimusryhmää. Näissä tehtävissään hän edistää systeemisten ratkaisujen käyttöönottoa erilaisten monimutkaisten teknisten, taloudellisten ja sosiaalisten järjestelmien arvioinnissa ja kehittämisessä. Viimeaikaisia esimerkkejä Ylénin tutkimuskohteista ovat täsmälääketieteen ekosysteemit, mediaekosysteemien liiketoimintamallit sekä asiakaslähtöiset hyvinvointipalvelut. Ylén on ollut mukana useassa EU:n ja Suomen Akatemian rahoittamassa tutkimusprojektissa, ja on tähänastisen uransa aikana julkaissut lähes 70 tieteellistä artikkelia ja raporttia.

Kysyimme vuoden OR-henkilön näkemyksiä systeemitieteiden höydyistä monimutkaisten ongelmien ratkaisussa, automaatiotekniikan ja operaatiotutkimuksen eroista ja yhtäläisyyksistä, sekä systeemitieteiden opiskelijoiden tulevaisuudennäkymistä.

Olet työskennellyt jo pitkään monimutkaisten, systeemisten ongelmien parissa. Millaisia hyötyjä olet havainnut systeemitieteen menetelmien soveltamisessa tällaisten ongelmien tarkasteluun?

“Ihmisillä on taipumus keskittyä ajallisesti ja paikallisesti rajattuihin, itseä lähellä oleviin asioihin. Tämän johdosta monet systeemiset takaisinkytkennät vaikuttavat riippumattomilta ulkoisilta muuttujilta. Systeemitieteen menetelmät ovat erinomaisia työkaluja taisteluun rajallista ajattelua ja osaoptimointia vastaan.”

Digitalisaatio, analytiikka ja tekoäly ovat kaikkein huulilla. Ovatko systeemitieteen menetelmien sovellusmahdollisuudet parantuneet trendin myötä?

“Sovelluspotentiaali systeemitieteiden menetelmille on parantunut merkittävästi.  Dataa ja laskentakapasiteettia on runsaasti saatavilla, ja samalla pöhinä digitalisaatiosta, analytiikasta ja tekoälystä on muuttanut asenteita tietopohjaista päätöksentekoa kohtaan. Tämä on toisaalta ylikorostanut datan ja analytiikan merkitystä narratiivisten systeemitieteiden kustannuksella tulevaisuuden hahmottamisessa.  Data kuvaa kuitenkin vain osaa systeemin merkittävistä suureista ja näitäkin vain historian ja nykytilan kantilta. Kun tarkastellaan nopeasti muuttuvaa systeemiä, kovalla datalla tehdyn ennustemallin aikahorisontti on melko lyhyt.  Epämuodollisen tiedon ja tulevaisuuden tutkimuksen menetelmien hyödyntäminen data-analytiikan tueksi olisi olennaista.”

Kuinka systeemitieteet mielestäsi eroavat muusta ”datapöhinästä”?

“Datapöhinä pitää sisällään kaiken tietokannoista, standardeista, arkkitehtuureista, datafuusiosta, jne., joita ei teknisellä tasolla usein lasketa mukaan systeemitieteisiin. Systeemitieteet taas pitävät sisällään sekä kvantitatiivisen datapohjaisen analyysin ja kvalitatiivisen asiantuntija-analyysin.  Tämä on kuitenkin veteen piirretty viiva ja määrittelyistä kiinni.  IT-asiantuntijoiden mielestä kaikki tämä on IT:tä ja systeemiteoreetikoiden mielestä taas systeemitieteitä.”

Automaatio- ja systeemitekniikka sekä operaatiotutkimus voidaan lukea kuuluviksi systeemitieteisiin. Mitkä ovat oman erikoisalasi eli automaatio-, säätö- ja systeemitekniikan erityispiirteet yleisempiin systeemitieteisiin verrattuna?

“Yleisesti katsottuna systeemitieteet keskittyvät takaisinkytkentöjen ja dynaamisten järjestelmien ymmärtämiseen. Historiallisesti automaatiotekniikan fokus on ollut autonomisissa systeemeissä, säätöteoriassa ja teknisissä sovelluksissa, kun taas systeemitieteiden alue on ollut huomattavasti laajempi sekä sovellusten että menetelmien osalta.  Tämä pieni ero on kuitenkin pienenemässä, kun automaatioratkaisut tulevat yhä kompleksisempien korkean tason systeemien hallintaan.  Tämä kehitys on luonnollista jatkumoa yksittäisen säätöpiirin problematiikan laajenemisesta monimutkaisempien ristikkäin kytkettyjen ja jopa tehtaanlaajuisten systeemien hallintaan.  Nykyään puhutaan liiketoimintaekosysteemien digitaalisista kaksosista, organisaatioiden päätöksenteon automaatiosta, jne.”

Millaisena näet systeemitieteiden tulevaisuuden? Onko näköpiirissä uusia sovelluskohteita, menetelmäkehitystä tai ristiinpölytystä muiden tieteenalojen kanssa?

“Kaikki asiat meidän ympärillämme koostuvat systeemeistä, joten systeemitieteet ovat erittäin relevantteja tulevaisuudessakin.  Dataa on enemmän kuten myös resursseja sen käsittelyyn.  Lisäksi hajautettujen systeemien lisääntyessä ja toimintaympäristön kiihtyvässä muutosnopeudessa on yhä suurempi tarve systeemitieteille ympäröivän maailman ymmärtämisessä ja toiminnan hallitsemisessa.

Merkittävä ristiinpölytysalue on kvantitatiivisten ja kvalitatiivisten menetelmien fuusio. Data- ja matemaattislähtöiset kvantitatiiviset menetelmät ja kvalitatiiviset menetelmät (kuten ennakointi, palvelumuotoilu, juurruttaminen ja vaikutusten arviointi) hyötyvät merkittävästi toisistaan.”

Mitä vinkkejä antaisit tulevia uranäkymiä pohtiville operaatiotutkimuksen tai automaatio- ja systeemitekniikan opiskelijoille?

“Tärkein vinkki on, että systeemitieteitä kannattaa opiskella – ne valmistavat kaikkeen mahdolliseen.  Mikäli hallitsee systeemi- ja operaatiotutkimuksen menetelmiä, niin voi aina halutessaan vaihtaa uraansa ja toimialueita kuin sukkaa.  Omalla kohdalla sovellusalueita ovat kaikki haastavat systeemit vaihtelevilla toimialoilla, kuten alueellinen kiertotalous, traumaattisen aivovaurion hoitoketju, nuorten syrjäytyminen ja mielenterveys, verkottunut projektiliiketoiminta, kaupunkisuunnittelu, ekosysteemien rakentaminen, tulevaisuuden liikenne – ja tässä on vain muutamia poimintoja. “

Optimoinnin soveltamisesta operatiivisen toiminnan suunnitteluun

Tuomas Lahtinen

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 🙂 

Operaatiotutkimuksen soveltaminen terveydenhuollossa

Lauri Neuvonen

Operaatiotutkimuksen (OR) menetelmät sopivat hyvin moniin sairaanhoidon- ja terveydenhuollon kysymyksiin. Niillä pystytään tuottamaan tietoa päätösten tueksi niin populaatiotason suurissa linjauksissa kuin yksittäisen hoitopäätöksenkin kohdalla arvioimalla sitä, mikä vaihtoehto, tai kokoelma vaihtoehdoista olisi mihinkin tilanteeseen paras.

Parannukset saatuun terveyshyötyyn per käytetty euro voivat myös nopeasti osoittautua hyvin tuottaviksi kansantaloudellisesti. Sairaanhoidon ja terveydenhuollon osuus BKT:sta on Suomessa n 7%, rahassa yli 15 mrd€. Yksi säästetty % siis vastaa 150m€ vuosittain. Näitä prosentteja löytyy mm. diabeteksen ja sydän- ja verisuonitautien ym. isojen kansantautien kuluista – ja nyt myös kiusallisen ilmiselvästi koronaviruksen kaltaisten pandemioidenhillitsemisestä . Haaste ei ole kuitenkaan helppo.

Operaatiotutkijalle tämä on huomattavan haastava ja palkitseva ongelmakenttä. Olen itse päässyt tutkimaan useita eri optimointi- ja simulaatiotekniikoita, laskennan tehostamista, rinnakkaislaskentaa, useita eri sairauksia ja niihin liittyviä hoito ja testausmenetelmiä ja ylipätään ymmärtämään paremmin, minkälaisia haasteita terveydenhuollon päätöksentekijät päivittäin kohtaavat.

Tässä kirjoituksessa yritän kuvata OR:n ongelmakenttää terveydenhuoltoon sovellettuna. Näkökulma on omasta työstäni johtuen optimointipainotteinen.

Mitä ominaispiirteitä terveydenhuollon ongelmilla on OR:n näkökulmasta?

Hieman karrikoiden:

Terveydenhuollon OR on monimutkaisten dynaamisten prosessien monitavoitteista optimointia resurssirajoitteella ja arvolatauksella.

Terveydenhuollon yksi peruskipupisteistä on rajatut resurssit. Jos valitsemme esimerkiksi yhdelle potilasryhmälle terveyden kannalta parhaan ja samalla eniten lääkärien aikaa kuluttavan vaihtoehdon, muiden kohdalla voimmekin joutua valitsemaan nopeamman mutta terveyden kannalta huonomman vaihtoehdon. “Parhaan ratkaisun” näkökulmasta nimenomaan resurssirajoite usein pakottaakin meidät valitsemaan hoitostrategian ‘kaikille ryhmille samalla kertaa’, mikä johtaa hyvin moneen erilaiseen strategiavaihtoehtoon. Esimerkiksi 5 ikäryhmää, 2 sukupuolta ja 5 vaihtoehtoa jokaiselle tuottaakin jo lähemmäs 10 miljoona mahdollista tapaa valita yksi vaihtoehto kullekin 10:lle ryhmälle!

Toinen terveydenhuollossa usein eteen tuleva haaste on se, että tavoitteita on yhtä aikaa monia: esimerkkinä toimikoon tavoiteltavien terveyshyötyjen maksimointi ja kustannusten minimointi samalla kertaa.

Näissä haasteissa OR tarjoaa avuksi mm. optimointimalleja, joiden avulla hyvin muotoiltu ongelma ratkeaa lähes nappia painamalla. Tuloksena on joko yksi (mallin mielestä) parhaimmaksi tunnistettu vaihtoehto tai joukko tehokkaita vaihtoehtoja, joiden välillä ei selkää paremmuusjärjestystä ole. 

Potilastietokannat ovat täynnä dataa, joka kertoo mm. mikä hoito yleensä toimii, ja jota voidaan käyttää mallien parametrien estimointiin. Miksi nappia ei siis painella koko ajan? Piru lymyää yksityiskohdissa, ja sanoissa ‘hyvin muotoiltu ongelma’. 

OR:n haasteet terveydenhuollossa

Ihmisten terveys on monimutkainen prosessi, jossa eri sairaudet kehittyvät eri tahtiin, vaikuttavat toisiinsa ja reagoivat hoitoihin mm. genetiikasta riippuen. Systeemien monimutkaisuus onkin johtanut monessa tapauksessa simulointimallien käyttöön optimoinnin sijaan. Optimointipuolella usein käytettyjä mallinnustekniikoita ovat Markov-päätösmallit (MDP, POMDP), joiden avulla voidaan mallintaa terveydentilan muutoksia ja terveystiedon epätäsmällisyyttä.

Systeemien monimutkaisuuden lisäksi sairaanhoidon ja terveydenhuollon kysymyksiin liittyy usein huomattava määrä erilaisia kimurantteja näkökulmia, kuten terveyshyötyjen mittaaminen, niiden vertailu kustannuksiin, datan sovellettavuus juuri käsillä olevaan ongelmaan, päätöksentekijöiden (mm. lääkärit, poliitikot) erilaiset tavoitteet ja reunaehdot, joita ei vielä olla mietitty kovin yksityiskohtaisesti.

Suurin haaste ei siis välttämättä ole matemaattinen, laskennallinen tai tulosten tulkinta vaan kysymyksen asettelu ja muotoilu tarpeeksi täsmällisesti. Tämä vaatii väistämättä terveydenhuollon ammattilaisten ja OR-asiantuntijoiden yhteistyötä. Teknisiä haasteita riittää myös: miten esimerkiksi yhdistää monimutkaiset simulaatiomallit optimointialgoritmeihin niin, että tehtävä säilyy laskennallisesti ratkaistavana?

OR:n hyödyt terveydenhuollossa

Entistä parempien testaus-, hoito- ja resurssiallokaatiostrategioiden lisäksi näiden ongelmien ratkominen voi olla hyvin opettavaista henkilötasolla. Operaatiotutkijan ongelmien monimuotoisuus pakottaa kehittämään mallinnusajatteluaan, terveydenhuollon ammattilainen puolestaan joutuu purkaamaan oman tai kollegoidensa toiminnan osiin, pohtimaan miksi he mitäkin tekevät ja kohtaamaan myös omat oletuksensa ja mahdollisen täsmällisen tiedon puutteen omasta ongelmastaan.

Terveydenhuollon kokoluokka ja suorat vaikutukset ihmisten hyvinvointiin tekevät siitä yhden potentiaalisesti merkittävimmistä ja samalla haastavimmista hyödyntämiskohteista. OR-mallien ja algoritmien antamat tulokset eivät kuitenkaan usein ole lopullinen vastaus päätöksentekijän haasteisiin. Yllä kuvatut ominaisuudet johtavat usein siihen, että tehokkaita tai yhtä hyviä vaihtoehtoja on useita, ja ne täytyy asettaa jonkinlaiseen järjestykseen mallin ulkopuolisin kriteerein. Miten esimerkiksi toimimme tilanteessa, jossa mallii antaa kaksi tehokasta vaihtoehtoa, joista toisessa ryhmä 1 saa paremmat palvelut, ja toisessa ryhmä 2? Edessä on arvovalinta, joka on päätöksentekijän tehtävä, eikä malli ota siihen kantaa.

Eksaktin ja selkeän vastauksen puute ei tarkoita, että malli olisi ollut hyödytön. Se on voinut tehdä näkyväksi hankalan priorisointiongelman, johon vastaus täytyy kaivaa loppuviimein päätöksentekijän arvoista tai mallin ulkopuolisista preferensseistä. Mallin avulla on myös mahdollisesti saatu karsittua vaihtoehdoista tehottomat pois, joten päätöksentekijän tehtävä on tässä mielessä selkeämpi. Ilman malliakin priorisointi olisi tehty, tai ehkä oikeammin tapahtunut huomaamatta – mallin ansiosta se voidaan tehdä tietoisesti ja seuraukset ymmärtäen. Tällöin myös päätösten perustelu on läpinäkyvämpää ja kestävämmällä pohjalla.

Aihepiirin tärkeys huomioiden näkisin mielelläni mahdollisimman paljon OR:n soveltamista terveydenhuollon käytännön päätöksentekotyössä!

Operaatiotutkimus 2020-luvulla – riskienhallintaa ja niukkuuden jakamista

Eeva Vilkkumaa

Musta joutsen – vai sittenkin likainen valkoinen joutsen?

Uusi vuosikymmenen on alkanut myrskyisissä merkeissä. Maa toisensa jälkeen ryhtyy tiukkoihin toimenpiteisiin koronapandemian leviämisen hillitsemiseksi. Ulkonaliikkumiskielloista ja muista rajoituksista huolimatta pandemian inhimilliset ja taloudelliset vaikutukset tulevat todennäköisesti olemaan massiiviset: ihmisiä menehtyy, yrityksiä kaatuu ja heikentynyt yksityinen kulutus johtaa työttömyyttä ruokkivan taantumakierteen pitkittymiseen.

Medioissa koronapandemiaan viitataan mustana joutsenena, eli äärimmäisen epätodennäköisenä tapahtumana, jolla on valtava vaikutus toimintaympäristöön ja ihmisten maailmankatsomukseen. Musta joutsen on tulevaisuudentutkijoiden kielellä ”tuntematon tuntematon” eli tapahtuma, jota ei pystytä mitenkään ennakoimaan.

Tosiasiassa koronapandemia on mustan joutsenen sijaan likainen valkoinen joutsen. Likainen valkoinen joutsen yllättää mutta vain siksi, että ihmisten kognitiiviset mallit ja ajatusvinoumat hankaloittavat varoitusmerkkien havaitsemista ja menneestä oppimista. Useimmilla meistä on taipumusta esimerkiksi ylioptimismiin ja negatiivisten tapahtumien todennäköisyyden vähättelyyn. Konservatiivisuusvinoumasta johtuen reagoimme uuteen tietoon liian hitaasti ja vähäisesti, sillä uskomme kaiken loppujen lopuksi jatkuvan entiseen malliin. Varoitusmerkkejä koronan kaltaisesta pandemiasta väläyteltiinkin jo vuonna 2018, kun Maailman terveysjärjestö WHO lisäsi ihmiskuntaa uhkaavien sairauksien listalle Tauti X:n. Tauti X määriteltiin tuolloin todennäköisesti eläimistä peräisin olevaksi virukseksi, joka lähtee liikkeelle sellaisesta maailmankolkasta, jossa nopea talouskehitys ajaa ihmisiä ja villieläimiä lähelle toisiaan (HS, 14.3.2020). Matkustamisen ja kaupankäynnin nähtiin edistävän taudin hiljaista ja nopeaa leviämistä. Kuulostaako tutulta?

Voiko operaatiotutkimus auttaa välttämään likaisia valkoisia joutsenia?

Monimutkaisessa maailmassa tulevaisuuden ennustaminen on mahdotonta. Erilaisiin tulevaisuuksiin voidaan kuitenkin varautua skenaarioiden avulla. Skenaarioita luodaan perinteisesti joko täysin datapohjaisesti (esimerkiksi yhdistelemällä erilaisia aikasarjamalleihin perustuvia ennusteita tärkeiksi nähdyistä muuttujista) tai täysin intuitiivisesti (esimerkiksi tunnistamalla kaksi tulevaisuuden kannalta tärkeintä epävarmuustekijää ja luomalla skenaariot näiden tekijöiden ääritulemien ympärille tarinankerronnallisin keinoin).

Datapohjaisten mallien ongelmana on, että ne yksinkertaistavat epävarmuuden vain sellaisiin muuttujiin, joista on saatavilla kvantitatiivista dataa. Tällainen data on myös aina kuvaus menneisyydestä, eikä sen ennustuskyky riitä pitkälle tulevaisuuteen – eikä etenkään tavoita täysin ennennäkemättömiä kehityskulkuja. Intuitiiviset skenaariot taas ovat alttiita erilaisten kognitiivisten rajoitusten ja vinoumien vaikutuksille.

Operaatiotutkimuksen menetelmillä kyetään hyödyntämään kvantitatiivisten ja intuitiivisten menetelmien parhaat puolet. Menetelmät mahdollistavat esimerkiksi asiantuntijoiden luovan ja kriittisen ajattelun valjastamisen syötteeksi matemaattiseen malliin, joka auttaa tunnistamaan muutaman uskottavan mutta keskenään erilaisen skenaarion jatkotyöstöä varten (Tietje 2005, Seeve 2018). Parhaimmillaan tällaiset mallit hyödyntäisivät sekä kvalitatiivista asiantuntijatietoa että suuria kvantitatiivisia datamassoja esimerkiksi siten, että skenaarioita voitaisiin automaattisesti päivittää tärkeiksi katsottuja indikaattoreita seuraamalla tai uutisaineistoja louhimalla. Ehkä WHO:n Tauti X olisi tällaisella menettelytavalla päätynyt kansallisten varautumisskenaarioiden joukkoon?

Matemaattisilla menetelmillä riskienhallintaa ja kustannusvaikuttavuutta rajallisten resurssien käyttöön

Operaatiotutkimuksen tavoitteena on tukea parempia päätöksiä. Näin ollen pelkkä epävarmuuden hahmottaminen eri riitä, vaan on myös mietittävä, millaisilla toimenpiteillä erilaisissa skenaarioissa voidaan pärjätä.

Korona-ajassa päätöksiä tulee tehdä muun muassa testattavien valintaperusteista, testaus- ja hoitokapasiteetin lisäämisestä, sosiaalisen kanssakäymisen rajoituskeinoista eri ihmisryhmille sekä taloudellisista tukitoimista yrityksille ja yksityishenkilöille. Näiden päätösten vaikutukset eri tavoitteiden näkökulmasta ovat epävarmat: ei esimerkiksi ole selvää, kuinka paljon sosiaalisen kanssakäymisen rajoituskeinot tarkalleen vähentävät taudin leviämistä tai kuinka hyvin tukitoimenpiteet onnistuvat taloudellisen taantuman lyhentämisessä ja eriarvoistumisen hillitsemisessä. Lisäksi tavoitteet voivat olla keskenään ristiriidassa: tiukat rajoitukset sosiaaliseen kanssakäymiseen hillitsevät taudin leviämistä, mutta tuottavat samalla laajoja kerrannaisvaikutuksia Suomen talouteen. Resurssien rajallisuus taas tarkoittaa, että panostukset yhteen toimenpiteeseen ovat pois muualta – esimerkiksi laajamittaisella testaamisella voitaisiin hillitä oireettomien supertartuttajien vaikutusta viruksen leviämisessä, mutta tämä söisi resursseja hoitopuolelta.

Operaatiotutkimuksen menetelmillä on paljon annettavaa näiden vaikeiden päätösten tukemiseen. Simulaatiomalleilla voidaan testata vaihtoehtoisten päätösstrategioiden vaikutuksia eri tavoitteisiin eri skenaarioissa. Päätösanalyyttisilla lähestymistavoilla voidaan mallintaa näkemyksiä ristiriitaisten tavoitteiden yhteensovittamisesta. Mikäli tavoitteiden painotuksista ja riskiasenteista päästään yhteisymmärrykseen, voidaan optimointimalleilla tunnistaa kustannusvaikuttavimmat toimenpiteet rajallisten resurssien käyttöön. Aloitteita operaatiotutkimuksen hyödyntämiseen koronaepidemian vaikutusten hillinnässä on tehty. Näistä kuulemme toivottavasti pian lisää.

Terveyttä ja jaksamista poikkeusaikaan toivottaen,

TkT Eeva Vilkkumaa
Suomen operaatiotutkimusseuran puheenjohtaja
Apulaisprofessori (management science), Aalto-yliopiston kauppakorkeakoulu

Seeve, T. (2018). A structured method for identifying and visualizing scenarios.

Tietje, O. (2005). Identification of a small reliable and efficient set of consistent scenarios. European Journal of Operational Research. 162. 418-432. 10.1016/j.ejor.2003.08.054.