Szkoła badań operacyjnych

Szkoła badań operacyjnych wniosła duży wkład w naukę organizacji i zarządzania, dostarczyła wielu technik i metod podemowania decyzji dla menedżerów, a także mnóstwo typowych modeli i algorytmów, które pozwalają rozwiązać problemy decyzyjne. Szkoła badań operacyjnych stawiała sobie za cel opracowanie modeli matematycznych dla coraz to nowych zagadnień decyzyjnych z zakresu organizacji i zarządzania i miała swoje początki w badaniach Patricka Blacketta i Leonida Kantorowicza. Podstawowa krytyka tej szkoły skupia się na ograniczeniu do problemów ilościowych i ignorowaniu kwestii 'miękkich'.

Historia szkoły badań operacyjnych

W czasie II Wojny Światowej pojawiła się potrzeba nowych rozwiązań organizacyjnych, zdobycia nowoczesnych narzędzi, które zastąpiły intuicyjne podejmowanie decyzji. Największym i zarazem głównym problemem stało się podejmowanie decyzji optymalnych, gdyż działania na frontach zmuszały do innego podejścia do skomplikowanych problemów. Brytyjczycy utworzyli zespoły (były to tzw. Grupy badań operacyjnych), w skład których wchodzili: matematycy, fizycy, teoretycy wojskowi, psychologowie. Zadaniem tych zespołów było rozwiązywanie różnych problemów jak np.: opracowanie optymalnego planu przewozów morskich czy ustalenie optymalnego składu konwoju wojennego.

Po zakończeniu okresu II Wojny Światowej zrozumiano, iż metodologia badań operacyjnych może być również używana przy rozwiązywaniu problemów w gospodarce, wymiarze sprawiedliwości, przedsiębiorstwach, a także organizacjach nie generujących zysku.

Założenia szkoły badań operacyjnych

Metodologia badań operacyjnych opierała się na tworzeniu modeli matematycznych dla poszczególnych problemów, natomiast później stosowano odpowiednie algorytmy, aby wyznaczyć decyzje optymalne. Można wskazać różne podejścia do rozwiązywania problemów. Przykładowo, E. Dale zaproponował 5 kroków:

• Formułowanie problemu
• Rozwijanie hipotezy badawczej
• Rozwiązanie problemu
• Badanie (testowanie rozwiązania)
• Ustalenie systemu kontroli

H. Falkenhausen proponuje inne ujęcie badań operacyjnych:

• Definicja problemu
• Analiza związków pomiędzy elementami problemu
• Budowa modelu matematycznego
• Zbieranie danych
• Obliczanie rozwiązania optymalnego
• Badanie wyników
• Projekt wyników
• Decyzja co do wyboru wariantu.

Zastosowanie badań operacyjnych w różnych dziedzinach

Badania operacyjne znalazły zastosowanie w wielu dziedzinach poza czasem II wojny światowej. Przykładowo, w gospodarce badania operacyjne wykorzystuje się do optymalizacji procesów produkcyjnych, zarządzania łańcuchem dostaw oraz planowania produkcji. W wymiarze sprawiedliwości badania operacyjne mogą być stosowane do optymalizacji harmonogramów rozpraw sądowych czy zarządzania więzieniami. W przedsiębiorstwach badania operacyjne mogą pomóc w efektywnym zarządzaniu zasobami, optymalizacji kosztów czy planowaniu strategicznym. Organizacje niegenerujące zysku również mogą korzystać z metodologii badań operacyjnych w celu optymalizacji swoich działań, na przykład w planowaniu tras dla organizacji charytatywnych.

Przykładem zastosowania badań operacyjnych w gospodarce może być optymalizacja tras dostaw, co pozwala zmniejszyć koszty transportu i czas dostarczenia towarów. W wymiarze sprawiedliwości badania operacyjne mogą być wykorzystywane do optymalizacji harmonogramów rozpraw, dzięki czemu skracany jest czas oczekiwania na rozstrzygnięcie sprawy. W przedsiębiorstwach badania operacyjne mogą pomóc w optymalnym planowaniu produkcji i zapasów, co przekłada się na mniejsze koszty i większą efektywność operacyjną. Organizacje niegenerujące zysku mogą z kolei wykorzystywać badania operacyjne do optymalizacji tras dostarczania pomocy, co pozwala na dotarcie do większej liczby potrzebujących.

Zastosowanie badań operacyjnych w różnych obszarach przynosi wiele korzyści. Przede wszystkim pozwala na optymalizację procesów i działań, co przekłada się na oszczędności czasu i kosztów. Dzięki badaniom operacyjnym możliwe jest także lepsze zarządzanie ryzykiem oraz podejmowanie bardziej racjonalnych decyzji. Ponadto, badania operacyjne umożliwiają efektywne wykorzystanie zasobów, poprawę jakości usług oraz zwiększenie konkurencyjności organizacji. W rezultacie, zastosowanie badań operacyjnych przyczynia się do poprawy efektywności działań i osiągania lepszych wyników.

Analiza operacyjna, oparta na badaniach operacyjnych, pozwala na rozwiązanie wielu różnorodnych problemów w różnych obszarach. Na przykład, w gospodarce może pomóc w optymalizacji produkcji, zarządzaniu zapasami czy planowaniu tras dostaw. W wymiarze sprawiedliwości analiza operacyjna może rozwiązywać problemy związane z efektywnością systemu sądownictwa, takie jak długie kolejki oczekujących na rozprawy. W przedsiębiorstwach analiza operacyjna może pomóc w rozwiązaniu problemów związanych z zarządzaniem zasobami, optymalizacją kosztów czy planowaniem strategicznym. Organizacje niegenerujące zysku mogą z kolei wykorzystywać analizę operacyjną do rozwiązywania problemów związanych z efektywnością działań i dostarczaniem pomocy potrzebującym.

Przykładem sukcesu zastosowania badań operacyjnych w gospodarce może być optymalizacja logistyki w firmie produkcyjnej, co pozwoliło na znaczne zmniejszenie kosztów transportu i skrócenie czasu dostarczenia towarów. W wymiarze sprawiedliwości przykładem sukcesu może być wprowadzenie optymalizacji harmonogramów rozpraw w sądzie, co znacznie skróciło czas oczekiwania na rozstrzygnięcie spraw. W przedsiębiorstwach sukcesem może być optymalne zarządzanie zapasami, co przekłada się na zmniejszenie kosztów magazynowania oraz unikanie braków towaru. Organizacje niegenerujące zysku mogą osiągać sukcesy poprzez optymalizację tras dostarczania pomocy, co pozwala na dotarcie do większej liczby potrzebujących.

Techniki i narzędzia wykorzystywane w badaniach operacyjnych

W badaniach operacyjnych stosuje się wiele różnych technik i narzędzi. Jedną z najpopularniejszych technik jest programowanie liniowe, które pozwala na optymalizację problemów liniowych z ograniczeniami. Inną popularną techniką jest symulacja, która umożliwia modelowanie i analizę systemów, szczególnie tych o dużej złożoności. Analiza sieciowa jest kolejną popularną techniką, która pozwala na modelowanie i analizę zależności między elementami systemu. Teoria gier również znajduje zastosowanie w badaniach operacyjnych, szczególnie w analizie konfliktów i podejmowaniu decyzji strategicznych. Oprócz tych technik istnieje wiele innych narzędzi, takich jak programowanie całkowitoliczbowe, metoda Monte Carlo czy algorytmy ewolucyjne, które można stosować w zależności od rodzaju problemu i potrzeb analizy.

Programowanie liniowe jest techniką badawczą i optymalizacyjną, która pozwala na rozwiązanie problemów liniowych z ograniczeniami. Polega ono na znalezieniu optymalnego rozwiązania, które minimalizuje lub maksymalizuje funkcję celu, przy jednoczesnym uwzględnieniu ograniczeń liniowych. Programowanie liniowe opiera się na modelowaniu problemu za pomocą równań i nierówności liniowych, a następnie stosuje się metody matematyczne do znalezienia optymalnego rozwiązania.

Programowanie liniowe ma szerokie zastosowanie w różnych dziedzinach. Może być wykorzystywane do optymalizacji produkcji, planowania tras, zarządzania zapasami czy alokacji zasobów. Przykładowo, w przemyśle programowanie liniowe może pomóc w optymalizacji harmonogramów produkcji, minimalizacji kosztów transportu czy maksymalizacji zysków. W logistyce programowanie liniowe może być stosowane do optymalizacji tras dostaw, minimalizacji kosztów magazynowania czy planowania tras transportowych.

Symulacja jest techniką, która umożliwia modelowanie i analizę systemów, szczególnie tych o dużej złożoności. Przykładem zastosowania symulacji może być modelowanie procesów produkcyjnych w celu optymalizacji czasu cyklu, unikania przestojów i minimalizacji kosztów. Innym przykładem może być symulacja ruchu drogowego w celu analizy wpływu zmiany organizacji ruchu na przepustowość dróg i czas podróży.

Symulacja przynosi wiele korzyści w badaniach operacyjnych. Po pierwsze, umożliwia przetestowanie różnych scenariuszy i strategii, co pozwala na wybór optymalnego rozwiązania. Ponadto, symulacja pozwala na identyfikację i eliminację bottlenecków oraz zidentyfikowanie czynników wpływających na efektywność systemu. Dodatkowo, symulacja umożliwia analizę ryzyka i ocenę skutków wprowadzenia zmian w systemie. Dzięki temu, symulacja jest cennym narzędziem w procesie podejmowania decyzji i optymalizacji działań.

Analiza sieciowa jest techniką, która umożliwia modelowanie i analizę zależności między elementami systemu. Przykładem zastosowania analizy sieciowej może być modelowanie struktury organizacji w celu optymalizacji przepływu informacji, identyfikacji bottlenecków czy analizy wpływu zmiany struktury na efektywność działania organizacji. Innym przykładem może być analiza sieciowa w logistyce, która pozwala na optymalizację tras dostaw, analizę wpływu zmiany sieci dostawców na koszty czy identyfikację najważniejszych połączeń w łańcuchu dostaw.

Teoria gier jest z kolei techniką, która znajduje zastosowanie w analizie konfliktów i podejmowaniu decyzji strategicznych. Przykładem zastosowania teorii gier może być analiza strategii cenowych w branży, gdzie różne firmy konkurują ze sobą o klientów. Teoria gier pozwala na modelowanie interakcji między graczami i analizę optymalnych strategii, uwzględniając zyski, straty i preferencje graczy.

Oprócz programowania liniowego, symulacji, analizy sieciowej i teorii gier, istnieje wiele innych technik i narzędzi, które można zastosować w badaniach operacyjnych. Przykładem takiej techniki jest programowanie całkowitoliczbowe, które pozwala na rozwiązanie problemów optymalizacyjnych, gdzie zmienne decyzyjne muszą przyjmować wartości całkowite. Programowanie całkowitoliczbowe znajduje zastosowanie w problemach planowania produkcji, alokacji zasobów czy harmonogramowania zadań. Metoda Monte Carlo jest kolejnym narzędziem, które można wykorzystać w badaniach operacyjnych. Polega ona na generowaniu losowych próbek i analizie wyników w celu oceny ryzyka i prawdopodobieństwa. Metoda Monte Carlo może być stosowana do analizy ryzyka finansowego, symulacji procesów losowych czy oceny efektywności działań.

Algorytmy ewolucyjne są innym narzędziem, które można zastosować w badaniach operacyjnych. Opierają się one na zasadzie ewolucji biologicznej i są używane do rozwiązywania problemów optymalizacyjnych. Algorytmy ewolucyjne znajdują zastosowanie w problemach planowania tras, optymalizacji harmonogramów czy projektowaniu systemów.

Istnieje wiele innych technik i narzędzi, takich jak metoda sympleksowa, analiza czułości czy metoda heurystyczna, które można stosować w badaniach operacyjnych w zależności od rodzaju problemu i potrzeb analizy.

Wyzwania i perspektywy rozwoju badań operacyjnych

Badacze i praktycy badań operacyjnych spotykają się z wieloma wyzwaniami w swojej pracy. Jednym z głównych wyzwań jest rosnąca złożoność problemów, które wymagają coraz bardziej zaawansowanych technik i narzędzi. Związane z tym jest konieczność ciągłego doskonalenia wiedzy i umiejętności oraz śledzenie najnowszych trendów i osiągnięć w dziedzinie badań operacyjnych.

Kolejnym wyzwaniem jest brak danych, które mogą być niekompletne, niedokładne lub nieaktualne. Brak danych może utrudniać analizę operacyjną i podejmowanie decyzji. Dlatego badacze i praktycy muszą stosować metody radzenia sobie z brakiem danych, takie jak imputacja danych, szacowanie danych czy analiza wrażliwości.

Niepewność i zmienność są również istotnymi wyzwaniami w badaniach operacyjnych. Wiele problemów operacyjnych jest obarczonych niepewnością, taką jak zmieniające się preferencje klientów, zmienne warunki rynkowe czy losowe zakłócenia. Badacze i praktycy muszą zatem stosować techniki zarządzania ryzykiem i elastyczne strategie, aby radzić sobie z tymi czynnikami.

Rosnąca złożoność problemów operacyjnych wymaga stosowania coraz bardziej zaawansowanych technik i narzędzi. Tradycyjne metody, takie jak programowanie liniowe czy analiza sieciowa, mogą nie być wystarczające do rozwiązania bardzo złożonych problemów. Dlatego badacze i praktycy muszą korzystać z bardziej zaawansowanych technik, takich jak metaheurystyki, systemy ekspertowe czy sztuczna inteligencja.

Również rozwój technologii informacyjno-komunikacyjnych, takich jak big data, cloud computing czy sztuczna inteligencja, może pomóc w radzeniu sobie z rosnącą złożonością problemów. Dostęp do większych ilości danych i szybsze obliczenia umożliwiają bardziej zaawansowane analizy i modele, co przekłada się na lepsze rezultaty.

Brak danych może utrudniać analizę operacyjną i podejmowanie decyzji. Niekompletne, niedokładne lub nieaktualne dane mogą prowadzić do błędnych wniosków i nieoptymalnych rozwiązań. Dlatego badacze i praktycy badań operacyjnych muszą stosować metody radzenia sobie z brakiem danych.

Szkoła badań operacyjnych — artykuły polecane

Zarządzanie strategiczne — Badania operacyjne — Podejście funkcjonalno-wzorcujące — Podejście ilościowe — Metoda simpleks — Zasada sukcesywności — Analiza progowa — Podejście diagnostyczno-funkcjonalne — Definicja controllingu

Bibliografia

• Fudaliński J., Kwieciński M. (2006), Podstawy zarządzania, Antykwa, Kraków
• Kugiel M. (red.) (2010), Zarządzanie pracą zbiorową, Wyższa Szkoła Promocji, Warszawa

Autor: Andrzej Korbiel