Innovaatioaihioiden vuorovaikutteinen tarkastelu monikriteerisessä RPM-seulonnassa

Transkriptio

1 Mat Sovelletun matematiikan erikoistyö Innovaatioaihioiden vuorovaikutteinen tarkastelu monikriteerisessä RPM-seulonnassa TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Erkka Jalonen Teknillisen fysiikan koulutusohjelma erkka.jalonen@tkk.fi

2

3 1. JOHDANTO AIHIOIDEN MONIKRITEERINEN ANALYYSI RPM-EXPLORER OHJELMISTO TIETOKONEAVUSTEISEEN TUNNISTUKSEEN Vaatimukset Arkkitehtuuri ja toiminnallisuus Tekninen toteutus ja oikeudet Ohjelmiston konfigurointi Ohjelmiston käyttö Analyysin tulosten jalkauttaminen Päätöksenteon tuki Herkkyysanalyysi Parivertailualgoritmi ja sen suorituskyvyn rajat AIHIOIDEN VUOROVAIKUTTEINEN JA OMAKOHTAINEN TUNNISTUS Vuorovaikutteisuuden ja omakohtaisuuden edut Tunnistuksen sovellusalueita YHTEENVETO JA PÄÄTELMÄT LÄHTEET LIITE A RPM-MENETELMÄKUVAUS Epätäydellinen informaatio ja portfolioiden dominanssi Ydinluku LIITE B PARIVERTAILUJEN LASKENNALLINEN KOMPLEKSISUUS... 24

4 1. JOHDANTO Kauppa- ja teollisuusministeriö käynnisti vuonna 2004 Ennakointifoorumin i pilottivaiheen, jonka tarkoituksena oli koota yhteen eri alojen asiantuntijoita sekä kehittää ennakointitiedon tuottamisen ja hyödyntämisen toimintatapoja ja menetelmiä (Brummer, 2005). Ennakointifoorumin pilottivaiheen toiminta tapahtui keskeisesti kolmessa aiheryhmässä, jotka tarkastelivat (i) ikärakenteiden osalta sosiaali- ja terveydenhuollon palvelukonsepteja, (ii) palveluliiketoimintojen osalta henkilökohtaisia elämyspalveluja ja (iii) biotekniikan osalta nutrigenomiikkaa (Könnölä et al., 2005). Ennakoinnilla tässä tarkoitetaan strategista teknologia- ja innovaatiopolitiikkaa tukevaa toimintaa, joka luotaa tieteellisiä ja teknologisia kehitysnäkymiä arvioiden näiden taloudellisia ja yhteiskunnallisia vaikutuksia (Salo & Cuhls, 2003). Ennakointifoorumin yhteydessä prof. Salon tutkimusryhmä Systeemianalyysin laboratoriossa toteutti syksyllä 2004 ja alkutalvesta 2005 aiheryhmien toimintaa tukeneen verkkopohjaisen innovaatioaihioiden kartoitus- ja arviointiprosessin, aihioseulonnan, jossa aiheryhmien edustajia ja TKK:n opiskelijoita pyydettiin tuottamaan, kommentoimaan, työstämään ja arvioimaan innovaatioaihioita. Prosessin viimeisenä vaiheena oli aihioiden käsittely ryhmäkohtaisissa työpajoissa monikriteeristä analyysiä hyödyntäen (Könnölä et al., 2005). Innovaatioaihio määriteltiin konkreettiseksi ja mielellään kontekstissaan kuvatuksi ideaksi innovaatiosta, joka liittyy valittuun aiheeseen, on tekijälleen uusi tai riittämättömälle huomiolle jäänyt, saattaa antaa edellytyksiä innovaation kehittämiselle seuraavan 10 vuoden aikana ja saattaa edellyttää eri toimijoiden yhteistyötä toteutuakseen (Salo et al., 2005). Prosessista saatiin tuloksena 166 innovaatioaihiota, joista monet osoittautuivat kehityskelpoisiksi. Kartoitus- ja arviointiprosessia pidettiin hyödyllisenä (Brummer, 2005) ja sen koettiin helpottavan huomion suuntaamista ideoihin useista eri näkökulmista (Könnölä et al., 2005). i Ennakointifoorumi: 1

5 Aihiolähteet Aihioiden tuottaminen Aihioiden arvioiminen Monikriteerinen analyysi ja tunnistus Arviolähteet Kriteerilähteet Tulosten hyödyntäminen Tulosten hyödyntäjät Toiminta Kuva 1 Innovaatioaihioiden seulontaprosessin päävaiheet. Tietoteknisesti innovaatioaihioiden kartoitusprosessi toteutettiin verkkopohjaisella Opinions-Online ii -äänestys- ja kyselytyökalulla, jonka avulla kerättyjä arvioita analysoitiin RPM-Solver -ohjelmistolla iii kiinnostavimpien aihioiden esille nostamiseksi. Erityisesti huomiota kiinnitettiin annettujen arvioiden keskiarvoihin ja keskihajontoihin, joiden erilaiset keskinäiset painotukset mahdollistivat sekä konsensushakuiset (so. mitä aihioita lähes kaikki pitävät hyvinä) että näkemyseropainotteiset (so. mistä aihioista vastaajilla on eriäviä näkemyksiä) tarkastelut. Erilaisilla painotuksilla esille nousseet innovaatioaihiot saatettiin Opinions-Online -järjestelmästä aiheryhmien käyttöön. Lisäksi mukaan liitettiin aihiokohtaisten arvioiden keskiarvot ja keskihajonnat (Kuva 2). Näiden tulosdokumenttien avulla aiheryhmien edustajat tunnistivat itselleen kiinnostavimmat aihiot. ii Opinions-Online -ohjelmisto: iii RPM-Solver-ohjelmisto: 2

6 Kuva 2 - Seulontaprosessin tulosten esitystapa iv. Ennakointifoorumissa aihioita oli useita kymmeniä kullakin aiheryhmällä. Projektin yhteydessä ei sen sijaan kehitetty työvälinettä, jolla aiheryhmien edustajat tai muut innovaatioaihioista kiinnostuneet tahot olisivat itse voineet määritellä preferenssinsä sen suhteen, millä perusteilla kiinnostavimmat innovaatioaihiot nostettiin esille. Kun aihiokohtaisesti oli arvioitu aihion uutuusarvo, toteuttamiskelpoisuus ja yhteiskunnallinen merkittävyys, esimerkiksi uusista innovaatioista kiinnostuneet aiheryhmien edustajat olisivat luultavimmin päätyneet erilaiseen innovaatioaihioiden prioriteettilistaan kuin ne edustajat, jotka painottivat toteuttamiskelpoisuutta. Tämän erikoistyön tavoitteena oli suunnitella ja toteuttaa työväline, eräänlainen aihio- tai ideapankki, jonka avulla toteutettujen seulontaprosessien tulokset voidaan tallettaa, ja jonka avulla sidosryhmät voivat vuorovaikutteisesti ja omakohtaisesti tutustua näihin tuloksiin. Työväline voi olla tehokas tulosten kommunikointiväline, erityisesti jos se tarjoaa käyttäjilleen mahdollisuuden määritellä näkökulmia, joista käsin he haluavat tutustua esitettyihin aihioihin antamalla kriteerien keskinäistä tärkeyttä koskevia preferenssejä sekä tarkastelemalla tältä pohjalta tuotettavia visualisointeja. iv Esimerkki on peräisin Developing the Strategic Research Agenda (SRA) for the Forest-Based Sector Technology Platform (FTP) hankkeen analyysidokumenteista: 3

7 2. AIHIOIDEN MONIKRITEERINEN ANALYYSI Ennakointifoorumin yhteydessä nähtiin hyväksi käyttää Systeemianalyysin laboratoriossa kehitettyyn RPM menetelmään (so. Robust Portfolio Modeling) (Liesiö et al., 2005) perustuvaa analyysiä (Brummer, 2005). Tässä esitellään lyhyesti RPM päätöstukiprosessi ja menetelmän keskeiset käsitteet. Tarkempi esitys RPM:stä on liitteenä (kappale 7). RPM on alunperin projektivalintaa tukemaan kehitetty menetelmä, jossa jokainen projektiaihio arvioidaan eri kriteerien suhteen, ja jossa projektiaihion kokonaisarvo määrittyy kriteerikohtaisten arvojen painotettuna summana. Menetelmä pystyy käsittelemään epätäydellistä informaatiota niin kriteerienvälisistä painotuksista kuin kriteerikohtaisista arvoista. Epätäydellisellä informaatiolla tarkoitetaan sitä, että mallin parametreista voidaan antaa summittaisiakin lausumia tai arvovälejä. Olennaista RPM-menetelmässä on keskittyminen tehokkaisiin portfolioihin, eli annetun budjetin puitteissa mahdollisiin aihiojoukkoihin, joille ei löydy toista budjetin puiteissa mahdollista aihiojoukkoa, jonka arvo on kaikkien kriteerien suhteen vähintään yhtä hyvä. Toisaalta menetelmä karsii arviointikriteerien suhteen kiistatta huonommin suoriutuvat, eli ei-tehokkaat, portfoliot. RPM-päätöstukiprosessissa keskeisiä ovat aihiokohtaiset ydinluvut. Nämä kertovat kunkin aihion osalta sen suhteellisen osuuden tehokkaista portfolioista, johon se kuuluu. Aihiot, joiden ydinluku on yksi, kuuluvat kiistatta kaikkiin tehokkaisiin portfolioihin, ja aihiot, joiden ydinluku on nolla, ovat kiistatta näiden ulkopuolella. Näin päätöstukiprosessi tarjoaa alustavia tuloksia jo prosessin välivaiheissa ja ohjaa päätöksentekijää suuntaamaan huomionsa aihioihin, joista lisätietoa mahdollisesti tarvitaan (Kuva 3) (Liesiö et al., 2005). RPM-päätöstukiprosessi on varsin helposti ymmärrettävä ja täten myös helpommin hyväksyttävissä. 4

8 Paljon hankeehdokkaita Arvioidaan monen kriteerin suhteen Leveät vaihteluvälit Kriteerikohtaisiin arvioihin Karkeita linjauksia kriteerien tärkeydestä Lasketaan tehokkaat portfoliot Ydinhankkeet valitaan Rajatapaukset keskitetään analyysi näihin Ulkohankkeet hylätään Tarkennetaan informaatiota Päivitetään tehokkaat Aiemmin valitut Ydinhankk. Rajatapauk. Ulkohankk. Aiemmin hylätyt Päätössäännöt, heuristiikat Neuvottelu, mallin ulkopuoliset tekijät Valitaan Ei valita Epävarmuuksien mallintaminen: Ennakoiva herkkyysanalyysi Karkeilla arvioilla liikkeelle Vaiheittainen valinta / analyysi: Läpinäkyvyys projektien suhteen Alustavia tuloksia välivaiheissa Valinnanvaraa rajatapauksista Rajataan neuvottelujoukkoa Tilaa joustavalle iteroinnille Kuva 3 RPM -päätöksenteon tukimenetelmä (Liesiö et al., 2005). Hankkeella tarkoitetaan tässä aihiota. RPM tukee aihiovalintaa sekä aihiotasolla (so. mitkä projektiaihiot portfolioon tulisi sisällyttää), että portfoliotasolla (so. mikä portfolio tulisi valita) (Liesiö et al., 2005). 3. RPM-EXPLORER OHJELMISTO TIETOKONEAVUSTEISEEN TUNNISTUKSEEN Systeemianalyysin laboratoriossa kehitettiin kesällä 2005 RPM-Explorer -ohjelmisto aihioiden tietokoneavusteiseen monikriteeriseen tunnistukseen RPM-analyysin alustavista tuloksista. Ohjelmisto ottaa syötetietoinaan RPM-Solver -ohjelmistolla esilasketut tehokkaat portfoliot ja tarjoaa rajapinnan tulosten loppukäyttäjälähtöiseen analyysiin ja jalkauttamiseen. Koska RPM-menetelmän perusperiaatteet ovat verraten helposti ymmärrettävissä ilman että menetelmää tarvitsee yksityiskohtaisesti tuntea, ei loppukäyttäjien tarvitse olla perehtyneitä menetelmään. 3.1 Vaatimukset Ohjelmisto antaa loppukäyttäjille mahdollisuuden esittää omaa preferenssiinformaatiotaan ja näkökulmiaan. Näiden päätöksentekijän syöttämien preferenssien pohjalta se tarjoaa reaaliajassa havainnollisen esityksen aihioista, jotka (i) vastaavat ja 5

9 (ii) eivät vastaa käyttäjän kiinnostuksen kohteita ja (iii) joihin jatkoanalyysissä keskittyä. Tätä vaihetta kutsutaan tässä aihioiden tunnistukseksi. Ohjelmisto on loppukäyttäjän itsensä ajettavissa internetistä ja siten helposti saatavissa esimerkiksi linkkinä sähköpostiviestissä. Käyttöliittymältään ohjelmisto on helposti omaksuttava. Se tarjoaa havainnollisten visualisointien lisäksi mahdollisuuden aihiokuvausten helppokäyttöiseen selailuun. Ohjelmiston vuorovaikutteisuus mahdollistaa myös herkkyysanalyysit ja päätöksenteossa sitouttaa käyttäjää itse analyysiin ja sen tuloksiin. Analyysien tuottajat voivat konfiguroida ohjelmiston verkon yli, ja RPM-Solverilla suoritetun esilaskennan tulokset on pienellä työllä siirrettävissä analyysin syötetiedoiksi. Ohjelmisto on geneerinen ja helposti ylläpidettävä. Ohjelmisto pystyy tukemaan monenlaisia aihioiden monikriteerisen analyysin muunnelmia aina innovaatioaihioiden tunnustelusta päätöksentekoa tukevaan projektivalintaan. 3.2 Arkkitehtuuri ja toiminnallisuus Ohjelmiston arkkitehtuurissa on pyritty modulaarisuuteen siten, että käyttöliittymän jokainen analyysikomponentti on oma luokkansa, ja siten helposti korvattavissa ja muunneltavissa. Toimintaloogisesti tärkeimmät rajapinnat ovat käyttöliittymän ja konfiguraatioaksessorin, sekä käyttöliittymän ja RPM-parivertailualgoritmin (Liesiö et al., 2005) välillä (Kuva 4). 6

10 Kuva 4 - RPM-Explorer -ohjelmiston rajapinnat. Käynnistysvaiheesa ohjelmisto lataa muistiin konfiguraatiotiedostonsa ja esilasketut tehokkaat portfoliot (Kuva 5). Esilasketuista portfolioista ohjelma karsii ei-tehokkaat referenssi- ja kriteerikohtaista informaatiota lisättäessä (Kuva 6). Kuva 5 - Käyttötapaus, jossa käyttäjä käynnistää RPM-Explorer -ohjelmiston. 7

11 Kuva 6 - Käyttötapaus, jossa käyttäjä lisää ohjelmistoon preferenssiinformaatiota. 3.3 Tekninen toteutus ja oikeudet Ohjelmiston toteutuskieleksi valittiin Java, jonka tuki löytyy valmiiksi suurimmalta osalta internetin käyttäjiä (esimerkiksi Yhdysvalloissa 87,4%:lta v ). Vaihtoehtoisia toteutuskieliä olisivat olleet dynaamiset WWW-sivut (mm. ASP, PHP), joiden toteuttaminen olisi vaatinut palvelintuen tarjoamista, ja huonommin ohjelmistokehitykseen soveltuvat multimediapresentaatio-ohjelmistot (mm. Macromedia Flash, Shockwave). Ohjelmiston toteutuksessa huolehdittiin myös, että ohjelmisto on ajettavissa yleisimmillä internet-selaimilla (Internet Explorer, Mozilla, Netscape). Ohjelmiston toteutuksessa käytetyt ohjelmistokirjastot olivat lisenssiehdoitaan joko Public domain tai LGPL lisensoituja. LGPL lisensointi asettaa omat vaatimuksensa ohjelmiston levitykselle, mutta ei rajoita ohjelmiston kaupallista hyödyntämistä vi. Käytettyjä valmiskirjastoja lukuunottamatta ohjelmiston tekijänoikeudet kuuluvat jaetusti Systeemianalyysin laboratoriolle ja kauppa- ja teollisuusministeriölle. v NPD Online markkinatutkimus, syyskuu 2005: vi GNU Lesser General Public Licence, lisensointiehdot: 8

12 3.4 Ohjelmiston konfigurointi Ohjelmisto käynnistyy Java-applettina ja ottaa HTML-tagissaan käynnistysparametreina neljän analyysikohtaisesti määriteltävän tiedoston osoitteet: (i) (ii) (iii) (iv) Konfiguraatiotiedosto sisältää ohjelmiston yleisiä asetuksia, näytettävät analysointipaneelit, tekstit painikkeissa, otsikoissa jne. Se on editoitavissa tekstieditorilla. Aihiodatatiedosto sisältää tiedot kriteereistä ja aihiokohtaiset tiedot aihioiden kriteerikohtaisista arvoista, aihioiden kustannuksista tms. Tiedosto jakaantuu sarakkeiden tyypit kertovaan metatietoriviin, sarakkeiden (kriiteerien tms.) nimiin ja aihiokuvauksiin. Tiedosto on editoitavissa Excel taulukkolaskentaohjelmalla. Portfoliotiedosto sisältää listan, yleensä tehokkaista, lähtöportfolioista, joiden joukosta uusia tehokkaita portfolioita seulotaan. Portfoliot on esitetty binäärilukujen (0,1) listana Excelillä editoitavassa tiedostossa. Informaatiotiedosto sisältää aihioiden kuvaukset ja linkit aihioista kertoville verkkosivuille. Tiedosto on editoitavissa tekstieditorilla. Konfiguroitaessa ohjelmistoa tulee vähintään luoda uusi aihiodatatiedosto (ii) ja RPM-Solverin tuloksista lista lähtöportfolioista (iii). Näiden tiedostojen URL-osoitteet annetaan sitten RPM-Explorerin HTML-tagissa. 3.5 Ohjelmiston käyttö Ohjelmisto käynnistetään internet-selaimen välityksellä, ja sen aloitusnäkymä riippuu asetuksissa aktivoiduista visualisoinneista ja preferenssi-informaation tarkennus ikkunoista (Kuva 7). 9

13 Kuva 7 - RPM-Explorerin yleisnäkymä. Vasemmalla on visualisointi -ikkuna, oikealla ylhäällä preferenssien kartoitus -ikkuna ja oikealla alhaalla lisätietoa aihioista Analyysin tulosten jalkauttaminen Ohjelmiston avulla analyysin tuloksista kiinnostunut käyttäjä voi tarkastella aihioita omasta näkökulmastaan ja tunnistaa kiinnostavia aihioita määrittämällä ohjelmistolle omaa preferenssi-informaatiotaan. Tällöin ohjelmisto tarjoaa reaaliajassa päivittyviä visualisointeja aihioiden ydinluvuista (Kuva 8) ja arvoalueista (Kuva 9). Lisäksi ohjelmiston kautta voi helposti tarkastella aihioiden kuvauksia ja päästä aihioista enemmän kertoville internet-sivuille tai -dokumenteille. 10

14 Kuva 8 - Ydinlukuanalyysin näkymä, jossa aihiot on järjestetty ydinlukujensa mukaisesti. Kuva 9 - Näkymä aihiokohtaisten arvoalueiden tarkasteluun. 11

15 3.5.2 Päätöksenteon tuki Päätöksenteon tukena ohjelmistoa voidaan hyödyntää valmisteluissa tai aihiovalinnassa joko työpajakokouksissa seinälle projisoituna tai itsenäisesti. Päätöksenteossa ohjelmisto soveltuu (i) analyysien tarkasteluun eri päätöksentekijöiden omista näkökulmista, (ii) varsinaiseen aihiovalintaan ja (iii) sopimuksenomaiseksi konsensushakuisten neuvottelujen tueksi. Menetelmällisesti ohjelmisto seuraa RPM-päätöstukiprosessia (kappale 2) ja auttaa siten suuntaamaan huomiota muun muassa sellaisten aihioiden tarkasteluun, joiden valinta tai valitsematta jääminen on epävarmaa (Liesiö et al., 2005). Kuva 10 - Näkymä preferenssi-informaation analyysiin tuomiseksi. Tällä näkymällä tietoa preferensseistä voidaan tarkentaa muuttamalla kriteerien keskinäistä tärkeysjärjestystä. Aihiovalintaa tuettaessa ohjelmistossa voidaan kytkeä päälle automaattivalinnat - toiminto, jolloin ohjelma ilmoittaa reaaliaikaisesti preferenssi-informaatiota lisättäessä (Kuva 10) varmasti tehokkaisiin portfolioihin kuuluvat ja näiden ulkopuolelle jäävät aihiot (Kuva 11). Toiminto voidaan kytkeä myös pois päältä ja siirtyä aihiokohtaisiin valintoihin, mikä mahdollistaa päätöksenteon myös monikriteerisen analyysin ulkopuolisten tekijöiden valossa. 12

16 Kuva 11 - Ydinlukuanalyysin näkymä attribuuttipainoinformaation lisäämisen jälkeen. Automaattivalinnat- toiminto on merkinnyt aihiot, jotka tulevat mukaan portfolioon ja aihiot, jotka jäävät sen ulkopuolelle Herkkyysanalyysi RPM-menetelmä pystyy käsittelemään epätäydellistä paino- ja suorituskykyinformaatiota (Liesiö et al., 2005). Paino- ja suorituskykyinformaatioon liittyvän epävarmuuden esittäminen epätäydellisenä informaationa toimii jo sinänsä yhdenlaisena herkkyysanalyysinä (Lindstedt et al., 2001). Perustavanlaatuisempaa herkkyyanalyysiä voidaan suorittaa tunnistamalla aihioita useista eri näkökulmista ja syöttämällä ohjelmistolle hyvinkin erilaista preferenssi-informaatiota. Lisäksi analyysissä voidaan nostaa esille mm. näkemyeropainotteisen analyysin (Könnölä et al., 2005) mielessä kiinnostavimpia aihioita. 3.6 Parivertailualgoritmi ja sen suorituskyvyn rajat Dominoitujen portfolioiden selvittäminen pohjautuu parittaisiin vertailuihin painovektorien eri ääripisteissä (Liesiö et al., 2005). Tällöin suurissa tehtävissä ohjelmiston käyttömahdollisuuksia rajoittaa loppukäyttäjän tietokoneen suoristuskyky. Laskenta tulee raskaammiksi sitä mukaan, (i) mitä suurempaa aihiojoukkoa käsitellään, (ii) mitä epätarkempaa tieto painoista ja aihioiden 13

17 suoristuskyvyistä on, (iii) mitä useampiin kriteereihin valinta perustuu ja (iv) mitä tasaisemmin aihiot keskinäisissä vertailuissa pärjäävät. Toinen tapa laskennan nopeuttamiseksi on lisäinformaation tuominen analyysiin. Täydellisemmällä informaatiolla portfolioiden erot tulevat paremmin esiin ja dominoidut portfoliot karsiutuvat nopeasti. Tehokkaiden portfolioiden seulominen kaikista portfolioista on läheistä sukua selkäreppuongelmalle (Liesiö et al., 2005) ja kuuluu aihioiden lukumäärän suhteen NP-täydellisten ongelmien joukoon (Weiss, 1999). Siksi tehokkaiden portfolioiden seulominen pareittaisilla vertailuilla kuuluu niin ikään NP-täydellisten ongelmien joukkoon, ja tarvittava laskenta-aika kasvaa suhteessa tehokkaiden portfolioiden lukumäärän toiseen potensiin. Tehokkaiden portfolioiden lukumäärä kasvaa puolestaan eksponentiaalisesti suhteessa aihioiden lukumäärän kasvuun. Esimerkiksi 800MHz:n Pentium III koneella kuuden kriteerin, 313 aihion ja 2000 portfolion ongelman ratkaisuun aikaa kului epätäydellisellä informaatiolla noin minuutin verran ja täydellisellä järjestysinformaatiolla kymmenisen sekuntia. Reaaliaikaisten (laskenta-ajat alle sekunti) analyysien teko rajoittuu muutamien satojen tehokkaiden portfolioiden ongelmiin. Laskennan lisäksi epätodennäköisempiä, mutta kuitenkin potentiaalisia, pullonkauloja ovat algoritmin muistinkulutus sekä algoritmin lähdeaineiston koko ja siirto verkon yli. Myös ohjelmiston käytettävyys ja havainnollisuus alkavat kärsiä aihioiden lukumäärän lisääntyessä. 4. AIHIOIDEN VUOROVAIKUTTEINEN JA OMAKOHTAINEN TUNNISTUS Ennakointifoorumin yhteydessä monikriteerisen analyysin tulokset saatettiin aiheryhmien käyttöön staattisina pdf-dokumentteina. Näistä aiheryhmät ja niiden edustajat sitten tunnistivat itselleen kiinnostavimmat aihiot annettujen linjausten mukaisesti. Tällaisissa tilanteissa RPM-Explorer ja vastaavat ohjelmistot tarjoavat osallistujille mahdollisuuden aihioiden omakohtaiseen ja vuorovaikutteiseen tunnistukseen. Näin osallistujat voivat itse nostaa esille omalta kannaltaan 14

18 kiinnostavimpia aihioita ja suunnata jatkotarkastelua tätä informaatiota hyväksi käyttäen. Analyysin aihiot voivat olla esimerkiksi vertailukelpoisia ja atomisia ideoita, hanke-ehdokkaita, projektiesityksiä tai tulevaisuusaiheita. 4.1 Vuorovaikutteisuuden ja omakohtaisuuden edut RPM-päätöstukiprosessin iteratiivinen tarkentuvuus ja ohjelmiston tarjoama mahdollisuus tarkastella analyysiä eri näkökulmista tarjoaa käyttäjälle helppokäyttöisen ja intuitiivisen herkkyyanalyysin. Täten RPM-Explorer vastaa herkkyanalyysin käyttötarkoituksiin (Pannell, 1997): (i) (ii) (iii) (iv) Päätöksenteko (kriittisten kohtien tunnistus, robustisuuden testaus, kokonaisriskin tarkastelu) Viestintä (sitouttaminen, vakuuttavuuden ja luotettavuuden lisäys, kriittisten oletusten esilletuominen) Ymmärrettävyyden lisääminen (kausaalisuhteiden hahmotus) Mallin kehitys (informaation hankinnan suuntaus) RPM-Explorerin käyttäjärajapinta voidaan nähdä vuorovaikutteisena tulosdokumenttina verrattuna staattisen dokumentin muodossa toimitettaviin analyysituloksiin. Tällainen puolivalmis raportti mahdollistaa analyysin painopisteen siirtämisen taustatyöstä analyysin hyödyntäjille siten, että sidosryhmät voivat paremmin osallistua prosessin tulosten jakoon. Lisäksi tietokonevusteisuus mahdollistaa suuren tietomassan ja monimutkaisen menetelmälogiikan esittämisen helpommin tulkittavassa muodossa, vaatimuksen analyysiin ja aineistoon syventymisestä ohjelmiston käyttöedellytyksenä ja eri näkökulmista tarkasteltavan analyysin välittämisen. Verkkopohjaiset apuvälineet mahdollistavat käytön aika- ja paikkariippumattomuuden ja tekevät siitä näin laajasti käytettävissä olevan (Salo, 2001). Lisäksi äätösanalyyttinen lähetymistapa voi itsessään johtaa vastuuntuntoisempaan, läpinäkyvämpään ja demokraattisesti paremmin puolustettavissa olevaan päätösprosessiin, joka on tärkeä etu prosessin lopputuleman lisäksi (Stirling et al., 2001). 15

19 4.2 Tunnistuksen sovellusalueita Vuorovaikutteinen tunnistus voidaan toteuttaa itsenäisesti internet-pohjaisella apuvälineellä, ryhmätyöskentelynä työpajoissa tai konsensushakuisen päätöksenteon yhteydessä. Tunnistusvaiheessa pyrkimykset voivat olla aina kollektiivisesta tiedonjaosta itseohjattavaan oppimiseen ja moninäkökulmaisen päätöksenteon tukemisesta sopimuksenomaiseen konsensushakuun. Tunnistus voi olla kertaluonteista aihiovalintaa, toistuvaa aihiokannasta poimintaa tai aika ajoin tehtävää aihiokannan ylläpitoa ja seulontaa. Tulokset voivat olla luonteeltaan joko (i) yksikäsitteisiä tai moniselitteisiä, (ii) robusteja tai summittaisia tai (iii) lopullisia tai suuntaavia. Systeemianalyysin laboratoriossa on kehitetty ja toteutettu useita toisiaan muistuttavia seulontaprosesseja, joissa aihioita työstetään, lajitellaan, analysoidaan ja priorisoidaan. Menetelmällisesti prosessit muistuttavat asiantuntijoiden mielipiteiden kartoittamiseen suunniteltua Delfoi-menetelmää (Linstone & Turoff, 1975), jolle ominaista ovat asiantuntija-näkemysten strukturointi etukäteiskyselyjen avulla, iteraatiot, osanottajien anonymiteetti, osallistujille annettu palaute ja vastausten koostaminen (Mannermaa, 2000). Systeemianalyysin laboratorion aiemmissa prosesseissa RPM-Explorerin tarjoamalla omakohtaisella tunnistuksella olisi voinut olla monikriteeristä analyysiä ja tulosten hyödyntämistä tukeva ja yhdistävä rooli (Kuva 12). Seuraavassa näistä muutamia: 16

20 Aihiolähteet Aihioiden tuottaminen Aihioiden arvioiminen Arviolähteet Monikriteerinen analyysi Omakohtainen tunnistus Tulosten hyödyntäminen Tulosten hyödyntäjät Toiminta Kuva 12 - Aihioiden omakohtainen tunnistus niveltää yhteen analyysin ja sen tulosten hyödyntämisen (vrt. Kuva 1). Innovointiprosessit. KTM:n Ennakointifoorumin aiheryhmien toimintaa tukeneessa verkkopohjaisessa prosessissa (Salo et al., 2005) omakohtainen tunnistus toimi apuvälineenä kollektiivisessa oppimisessa, analyysien jaossa sekä kiinnostavien innovaatioaihioiden itsenäisessä ja työpajapohjaisessa tunnistuksessa. Ennakointiprosessit. Ennakoinnissa muutostekijöihin ja osaamisalueisiin kohdistuvaa aihioseulontaa hyödynnetään Tekesin ja Suomen Akatemian Finnsight 2015 vii - ennakointihankkeessa syksyn 2005 ja alkutalven 2006 aikana. Priorisointiprosessit Ennakointifoorumin RPM-seulontaa vastaavia prosesseja käytettiin pohjoismaisen tutkimusohjelman painopisteidenasetannassa (Salo & Liesiö, 2005) ja Forest-Based Sector Technology Platform issa viii metsäsektorin strategisen tutkimusagendan määritelyyn (Könnölä et al., 2005). Parhaillaan menossa on yli 350:n osallistujan kansainvälisen tutkimusagendan muotoilu WoodWisdom-Net lle ix. vii FinnSight 2015 Tiede ja teknologia 2010-luvun Suomessa hanke: viii Developing the Strategic Research Agenda (SRA) for the Forest-Based Sector Technology Platform (FTP) hanke: ix Collaborative Shaping of Research Agendas in WoodWisdom-Net: 17

21 Niinikään näissä omakohtainen tunnistus toimisi apuvälineenä välivaiheiden tuloksia jalkautettaessa ja analysoitaessa. Projektivalinnat. Tiestön vuotuisen päällystysohjelman monikriteerinen valintatarkastelussa (Liesiö et al., 2005), luonnonarvokaupassa (METSO toimintaohjelma x ) ja tuotekehitysprojektien arvioinneissa (Salo & Käkölä, 2005) omakohtaisella tunnistuksella voisi olla ensisijaisesti päätöksentekoa tukeva rooli (Kuva 13). Projektilähteet Projektiaihioiden koostaminen Monikriteerinen analyysi Omakohtainen tunnistus Päätöksenteko Arviolähteet Päätöksentekijät Päätösten toimeenpano Kuva 13 - Projektivalinta, jossa päätöksenteossa hyödynnetään omakohtaista tunnistusta. Muita mahdollisia hyödyntämiskohteita ovat toiminnan evaluointi (TULI ohjelma xi ), tuoteportfolion valinta (Lindstedt et al. 2005) ja vaatimustenhallinta (Salo et al., 2005). Usein strategisessa suunnittelussa ongelmana on, että suunnittelu edustaa laskelmoivaa johtamista, eikä huomioi ryhmän jäsenten preferenssejä, kun taas sitouttava johtaminen osallistaa ihmisiä (Minzberg, 1994). Näin omakohtaisella tunnistuksella voisi olla strategiaprosessin aikana analyysiin sitouttava rooli myös strategisessa suunnittelussa. x METSO Etelä-Suomen metsien monimuotoisuusohjelma: xi Ex post analysis of a science-based innovation programme kuvaus: 18

22 5. YHTEENVETO JA PÄÄTELMÄT RPM-Explorer mahdollistaa omakohtaisen ja havainnollisen aihioiden verkkopohjaisen monikriteerisen tunnistuksen. Ohjelmistoa voidaan käyttää myös ryhmätyöskentelyn tukena työpajoissa ja konsensushakuisessa päätöksenteossa. Käyttötarkoituksesta riippuen ohjelmiston käyttö voi olla kertaluonteista (esim. tulostenjako, päätöksenteko), toistuvaa (esim. ideapankki) tai prosessinomaista (esim. jatkuvasti päivitettävä hanketietokanta). Aihioiden vuorovaikutteisen ja omakohtaisen tunnistuksen vahvuuksina voidaan pitää visualisointien tukemaa havainnollisuutta, mahdollisuutta eri näkökulmien esilletuomiseen ja testaamiseen, sekä vuorovaikutteisuuteen perustuvaa sitouttamista. Aihioiden tunnistuksen omakohtaisuus siirtää analyysin painopistettä taustatyöstä käyttäjäryhmille, ja nivoo yhteen monikriteerisen analyysin loppuvaiheen ja analyysien tuloksien hyödyntämisen. Voidaankin olettaa, että omakohtaisesti tunnistetut analyysin tulokset ovat sitouttavampia, vaikuttavampia, käytettävämpiä ja informatiivisempia kuin staattisella dokumentilla välitetyt. Vaikka RPM-Exploreria kehitettiin RPM menetelmään (Liesiö et al., 2005) perustuvana prototyyppityövälineenä, toimivat RPM-Explorerista saadut kokemukset pohjana myös omakohtaisen tunnistuksen menetelmäriippumattomalle toteuttamiselle. Jatkokehityksen kannalta olisi hyvä tarkentaa hyödynnetäänkö ohjelmistoa ensisijaisesti (i) analyysin tulosten jakamiseen, (ii) päätöksenteon tukemiseen vai (iii) tietokantaperusteiseen aihiovarastointiin. RPM-Explorerin monikäyttöisyyttä voidaan lisätä toteuttamalla ohjelmistoon lisää vaihtoehtoisia visualisointi- ja preferenssienkeräys -moduuleja. Ohjelman käytettävyyttä pitkissä laskennoissa voitaisiin parantaa laskentaa visualisoimalla, ja RPM-Solver -rajapinnan toteuttaminen helpottaisi ohjelman konfigurointivaihetta. Lisäksi dominoitujen portfolioiden karsintaan käytetty algoritmi voitaneen korvata tehokkaammalla (mukaanlukien heuristiset tai approksimatiiviset algoritmit (Weiss, 1999)). Suorituskykyä voidaan lisätä myös toteuttamalla tuki jo osittain kiinnitetylle preferenssi-informaatiolle portfolioiden määrän vähentämiseksi. 19

23 RPM-Explorer on jo herättänyt kiinnostusta, kun sitä on esitelty aihioiden monikriteerisestä analyysistä kiinnostuneille. Ohjelmisto on sellaisenaan valmis käyttöönottoon ja räätälöitävissä pienellä vaivalla erilaisia tarpeita varten. 6. LÄHTEET Brummer, V. (2005): Innovaatioaihioiden verkkopohjainen ideointi ja monikriteerinen seulonta. Diplomityö, Systeemianalyysin laboratorio, Teknillinen korkeakoulu. Könnölä, T., V. Brummer & A. Salo (2005): Diversity in Foresight: Insights from the Fostering of Innovation Ideas, käsikirjoitus, Liesiö, J., P. Mild & A. Salo (2005). Preference Programming for Robust Portfolio Modeling and Project Selection. Ilmestyy European Journal of Operational Research- lehdessä. Lindstedt M. R. K., R.P. Hämäläinen & J. Mustajoki (2001): Using Intervals for Global Sensitivity Analyses in Multiattribute Value Trees, Lecture Notes in Economics and Mathematical Systems, Murat Köksalan & Stanley Zionts (toim.), 507, Lindstedt, M., J. Liesiö & A. Salo (2005). Participatory Development of a Strategic Product Portfolio in a Telecommunication Company. Ilmestyy International Journal of Technology Management lehdessä. Linstone, H. A. & M. Turoff (toim.) (1975): The Delphi Method: Techniques and Applications, Addison-Wesley, Reading MA. Mannermaa, M. (toim.) (2000): Tulevaisuuden haltuunotto - PK-yrityksen ennakoinnin käsikirja, Työministeriö, Helsinki. Mild, P. (2004): Multicriteria Portfolio Analysis for Strategic Resource Allocation, Diplomityö, Systeemianalyysin laboratorio, Teknillinen Korkeakoulu. 20

24 Minzberg, H. (1994); The Fall and Rise of Strategic Planning, Harvard Business Review January-February 1994, Pannell, D.J. (1997) Sensitivity Analysis of Normative Economic Models: Theoretical Framework and Practical Strategies, Agricultural Economics 16, Salo, A. (2001): Incentives in Technology Foresight, International Journal of Technology Management 21: 7-8, Salo, A. & C. Cuhls (2003): Technology Foresight Past and Future, Journal of Forecasting 22: 2-3, Salo, A., V. Brummer & T. Könnölä (2005): Innovaatioaihioiden portfolioanalyysi KTM:n ennakointifoorumissa, Futura 2-3/2005, Salo, A. & T. K. Käkölä (2005): Groupware Support for Requirements Management in New Product Development, Journal of Organizational Computing and Electronic Commerce 15: 4, Salo, A. & J. Liesiö (2005): A Case Study in Participatory Priority-Setting for a Scandinavian Research Programme, ilmestyy aikakausjulkaisussa International Journal of Information Technology & Decision Making. Stirling, A., O. Renn, A. Klinke, A. Rip & A. Salo (2001): On Science and Precaution in the management of Technological Risk, Volume II, Case studies, Institute for Prospective Technological Studies, Seville. Weiss, M. A. (1999). Data Structures and Algorithm Analysis in Java, Addison- Wesley, Reading MA. 21

25 7. LIITE A RPM-MENETELMÄKUVAUS RPM tukee epätäydellisen informaation käsittelyä myös aihioiden kriteerikohtaisten arvojen osalta (Liesiö et al., 2005). Tässä kuitenkin oletamme tarkat kriteerikohtaiset arvot esityksen tiivistämiseksi. Esitetään m aihiota joukkona X { x,, } =, ja arvotetaan aihioita n:n kriteerin 1 K x m suhteen. Resurssityyppejä on yhteensä q. Aihion x j arvo kriteerin i suhteen olkoon v ij 0. Kriteereiden suhteellisesta tärkeydestä kertovat niitä vastaavat painot w i i 1,..., n, =. Muodostetetaan näistä painovektori w { w K } siten, että painojen summa on yksi. Projektin kokonaishyöty määritellään =, joka on skaalattu 1 w n V n ( x j w) =, w v (9.1) i= 1 i ij Portfolio p on osajoukko kaikista projekteista, eli voidaan laskea kaavalla p X, ja sen kokonaishyöty V n, wivij (9.2) ( p w) = V( x j, w) = x j p x j p i= 1 Portfolio p kuluttaa resurssia k määrän käytettävissä k C k ( p) = c kj x j p B, budjetti voidaan esittää vektorina B [ B K ] =. 1,. Kun resurssia k on B q Käypien portfolioiden joukko P F on portfolioiden joukon P osajoukko { B} koostuu resurssien puitteissa mahdollisista portfolioista, eli p C( p) P F P F P, joka =. 7.1 Epätäydellinen informaatio ja portfolioiden dominanssi Painoinformaatiolle voidaan määritellä käypä alue S w S. 22

26 Määritelmä 1 Portfolio S w S, jos V( p w) V( p', w) w S w p PF dominoi portfoliota, ja V ( p w) V( p', w) p P ' F, eli p f p' alueessa, > jollakin w S w Määritelmä 2 Portfolio p on tehokas alueessa w, jos ei ole olemassa PF Sw toista portfoliota p P ' F s.e. p' f p Tehokkaat portfoliot ovat siis portfolioita, joille ei löydy toista portfoliota, joka saisi suuremman arvon kaikilla mahdollisilla käyvillä kriteeripainoilla. Merkitään tehokkaiden portfolioiden joukkoa P P. N F 7.2 Ydinluku Portfoliot muodostuvat aihioista. Yksittäisen aihion hyvyyttä voidaan kuvata esimerkiksi ydinluvulla, joka määritellään seuraavasti: Määritelmä 3 Projektin ydinluku on kuvaus CI : X [ 0, 1] CI ( x) { p P x p} N N, jossa =. (9.3) P Aihion ydinluku määrittelee sen, kuinka suureen osaan tehokkaista portfolioista kyseinen aihio kuuluu. Aihiot, joiden ydinluku saa arvon yksi, kuuluvat kaikkiin tehokkaisin portfolioihin, ja aihiot joiden ydinluku on nolla, eivät kuulu yhteenkään tehokaista portfolioista. 23

27 8. LIITE B PARIVERTAILUJEN LASKENNALLINEN KOMPLEKSISUUS Ei-tehokkaiden portfolioiden selvittäminen kriteeripainoja ja aihioiden tehokkuusinformaatiota tarkennettaessa pohjautuu RPM-Explorerissa parittaisiin vertailuihin painovektorin eri ääripisteissä (Liesiö et al., 2005). Ääripisteiden generointi on toteutettu kirjaamalla painoalueen reunojen leikkaamiset (katso Mild (2004) s ). Kun aihioiden määrää on m kappaletta, näistä saatavien tehokkaiden portfolioiden lukumäärä N P on suuruusluokkaa O ( 2 m ). Kun lisäksi merkitään kriteereiden lukumäärää n:llä, ääripisteiden lukumäärän suuruusluokaksi saadaan O ( 2 n ) (todistus sivuutetaan, kolmella kriteerillä ääripisteitä on enintään neljä ja kuudella kriteerillä enintään 32). Kun eritellään tehokkaiden portfolioiden lukumäärät epätarkimmalla informaatiolla L P N ja tarkennetulla T T L P N ( PN PN PF ), saadaan informaatiota tarkennettaessa portfoliovertailujen kokonaislukumäärän suuruusluokaksi O L ( P P N T N n 2 ). Kun aihiokohtaisen arvot on esilaskettu painoalueen ääriarvopisteissä, L T n saadaan alkeisvertailujen kokonaislukumäärän suuruusluokaksi O( P P 2 m) N N. Epätodennäköisempiä pullonkauloja ovat (i) algoritmin muistinkulutus n L O( 2 m+ P m+ nm) ja (ii) algoritmin lähdeaineiston koko ja siirto verkon yli N O( P L N m+ nm). Algoritmin tehokkuutta voitaisiin parantaa siten, että pareittaisia vertailuja suorittava algoritmi päivittää reaaliaikaisesti tehokkaiden portfolioiden listaa, jolloin jo eitehokkaiksi todettuja portfolioita ei esiinny vertailuissa. Täten optimaalisella portfolioiden läpikäyntijärjestyksellä dominoidut portfoliot karsiutuvat pois jo alkuvaiheessa, ja portfolioiden välisten vertailujen lukumäärän suuruusluokaksi jää 2 T n O ( 2 ). Ehdotus tällaiseksi hyväksi järjestykseksi olisi vertailla P N maksimiarvoiltaan parhaita portfolioita maksimi- tai minimiarvoiltaan huonoimpiin. Koska tunnetut järjestämisalgoritmit järjestävät portfoliot niiden lähtölukumäärän 24

28 L n L L P suhteen ajassa O ( P 2 + P log P ), portfoliovertailujen lukumäärän L N 2 N N T n suuruusluokka O ( 2 ) määrää käytännössä tehostetun algoritmin kompleksisuuden. P N N 25