Innovaatioaihioiden vuorovaikutteinen tarkastelu monikriteerisessä RPM-seulonnassa

Mat-2.108 - Sovelletun matematiikan erikoistyö 15.12.2005 Erkka Jalonen erkka.jalonen@tkk.fi Innovaatioaihioiden vuorovaikutteinen tarkastelu monikriteerisessä RPM-seulonnassa

1. JOHDATO... 1 2. AIHIOIDE MOIKRITEERIE AALYYSI... 4 3. RPM-EXPLORER OHJELMISTO TIETOKOEAVUSTEISEE TUISTUKSEE... 5 3.1 Vaatimukset... 5 3.1.1 Analyysien käyttäjä... 6 3.1.2 Analyysin tuottaja... 6 3.2 Tekninen toteutus ja oikeudet... 6 3.3 Arkkitehtuuri ja toiminnallisuus... 7 3.4 Ohjelmiston konfigurointi... 9 3.5 Ohjelmiston käyttö... 9 3.5.1 Analyysin tulosten jalkauttaminen... 10 3.5.2 Päätöksenteon tuki... 12 3.5.3 Herkkyysanalyysi... 13 3.6 Parivertailualgoritmi ja sen suorituskyvyn rajat... 13 4. AIHIOIDE VUOROVAIKUTTEIE JA OMAKOHTAIE TUISTUS.. 14 4.1 Vuorovaikutteisuuden ja omakohtaisuuden edut... 15 4.2 Tunnistuksen sovellusalueita... 16 5. YHTEEVETO JA PÄÄTELMÄT... 19 6. LÄHTEET... 20 7. LIITE A - RPM RESURSSIALLOKOITI... 21 7.1 Epätäydellinen informaatio ja portfolioiden dominanssi... 22 7.2 Ydinluku... 23 8. LIITE B RPM PARIVERTAILUALGORITMI LASKEALLIE VAATIVUUS... 23

1. JOHDATO 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). Tässä ennakoinnilla tarkoitetaan strategisena teknologia- ja innovaatiopolitiikkaa tukevana instrumenttina tieteellisiä ja teknologisia kehitysnäkymiä sekä näiden taloudellisia ja yhteiskunnallisia vaikutuksia edistävää toimintaa (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 ja niiden monikriteerisen analyysin käsittely ryhmäkohtaisissa työpajoissa (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: http://www.ennakointifoorumi.fi. 1

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 Systeemianalyysin laboratoriossa kehitetyllä verkkopohjaisella Opinions-Online -äänestys- ja kyselytyökalulla, jonka avulla kerättyjä arvioita analysoitiin MCPA-projektissa kehitetyllä RPM-Solver -ohjelmistolla ii kiinnostavimpien aihioiden analysoimiseksi. Tällöin kiinnitettiin huomiota 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). äiden tulosdokumenttien avulla aiheryhmien edustajat tunnistivat itselleen kiinnostavimmat aihiot. ii RPM-Solver-ohjelmisto: http://www.rpm.tkk.fi 2

Kuva 2 - Seulontaprosessin tulosten esitystapa iii. Ennakointifoorumissa aihioita oli useita kymmeniä aiheryhmää kohden. 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 aiheena oli suunnitella ja toteuttaa tällainen 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 niitä eri näkökulmia, joista käsin he haluavat tutustua esitettyihin aihioihin antamalla kriteerien keskinäistä tärkeyttä koskevia preferenssejä sekä tarkastelemalla tältä pohjalta tuotettavia visualisointeja. iii Esimerkki on peräisin Developing the Strategic Research Agenda (SRA) for the Forest-Based Sector Technology Platform (FTP) hankkeen analyysidokumenteista: http://www.sra.tkk.fi/pdffiles/forestry_analysis.pdf 3

2. AIHIOIDE MOIKRITEERIE AALYYSI Ennakointifoorumin yhteydessä nähtiin hyväksi turvautua Systeemianalyysin laboratoriossa kehitetyn RPM menetelmän (so. Robust Portfolio Modeling) (Liesiö et al., 2005) avulla tehtävään analyysiin (Brummer, 2005). Koska tämä menetelmä oli keskeisessä asemassa erikoistyötä tehdessä, esitellään tässä lyhyesti RPM päätöstukiprosessi ja menetelmän keskeiset käsitteet. Tarkempi esitys käsitteistä liitteenä (kappale 7). RPM on alunperin projektivalintaa tukemaan kehitetty menetelmä, jossa jokainen projektiaihio arvioidaan eri kriteerien suhteen, ja jossa projektiaihion kokonaisarvo määrätään painotettuna summana kriteerikohtaisista arvoista. Menetelmä pystyy käsittelemään epätäydellistä informaatiota niin kriteerienvälisistä painotuksista kuin kriteerikohtaisista arvoista. Epätäydellisellä informaatiolla tarkoitetaan, että arvoista tarvitsee antaa tarkkojen arvojen asemesta vain summittaisia lausumia tai arvovälejä. Olennaista metodologiassa on keskittyminen tehokkaisiin portfolioihin, eli budjetin puitteissa mahdollisiin aihiojoukkoihin, joille ei löydy toista budjetin puiteissäamahdollista aihiojoukkoa, jonka arvo on kaikkien kriteerien suhteen vähintään yhtä hyvä. Toisaalta taas menetelmä karsii kriteeriensä suhteen kiistatta huonommin suoriutuvat, eli ei-tehokkaat, portfoliot. Vajaankin informaation varassa menetelmä pystyy siis tunnistamaan ne projektiaihiot, jotka tulisi kiistatta valita, ja suuntaamaan huomiota valinnan kannalta epävarmoihin kohtiin. RPM päätöstukiprosessille keskeisiä ovat aihiokohtaiset ydinluvut, jotka kertovat sen suhteellisen osuuden tehokkaista portfolioista, johon kyseinen aihio kuuluu. Aihiot, joiden ydinluku on yksi, kuuluvat kiistatta kaikkiin tehokkaisiin portfolioihin, ja aihiot, joiden ydinluku on nolla, ovat kiistatta tehokkaiden portfolioiden ulkopuolella. äin päätöstukiprosessi tarjoaa alustavia tuloksia jo prosessin välivaiheissa ja ohjaa päätöksentekijää suuntaamaan huomionsa niihin aihioihin, joista lisätietoa mahdollisesti tarvitaan (Kuva 3) (Liesiö et al., 2005). Koska RPM päätöstukiprosessi on varsin ymmärrettävä, on se myös helpommin hyväksyttävissä. 4

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 euvottelu, 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 viitekehys 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 TIETOKOEAVUSTEISEE TUISTUKSEE Systeemianalyysin laboratoriossa kehitettiin kesällä 2005 RPM-Explorer -ohjelmisto aihioiden tietokoneavusteiseen monikriteeriseen tunnistamiseen RPM -analyysin alustavista tuloksista. Ohjelmisto ottaa syötetietoinaan RPM-Solver ohjelmistolla esilasketut tehokkaat portfoliot ja tarjoaa rajapinnan tulosten loppukäyttäjälähtöiseen analyysiin ja jalkauttamiseen. 3.1 Vaatimukset RPM menetelmän perusperiaatteet ovat verraten helposti ymmärrettävissä ilman että menetelmää tarvitsee yksityiskohtaisesti tuntea iv. Ohjelmiston käyttäjäkunta voidaan iv Monitavoiteanalyysi arviointi- ja ennakointiprosesseissa tutkimusprojekti: http://www.rpm.tkk.fi 5

siis jakaa (i) analyysien tuottajaan, joka on perehtynyt metodologiaan ainakin pääpiirteissään, ja (ii) analyysien käyttäjiin, joiden ei ole välttämätöntä perehtyä analyysimetodologiaan. 3.1.1 Analyysien käyttäjä Ohjelmisto antaa käyttäjillä mahdollisuuden esittää omaa preferenssi-informaatiotaan ja näkökulmiaan. äiden päätöksentekijän syöttämien preferenssien pohjalta se tarjoaa reaaliajassa havainnollisen esityksen aihioista, jotka (i) vastaavat ja (ii) eivät vastaa käyttäjän kiinnostuksenkohteita ja (iii) joihin jatkoanalyysissä keskittyä. Tätä vaihetta kutsutaan tässä aihioiden tunnistukseksi. 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. Ohjelmiston on käyttäjän itsensä ajettavissa internetistä ja siten helposti saatavissa esimerkiksi linkkinä sähköpostiviestissä. 3.1.2 Analyysin tuottaja Ohjelmisto on geneerinen ja helposti ylläpidettävä. Ohjelmisto pystyy tukemaan monenlaisia aihioiden monikriteerisen analyysin muunnelmia aina innovaatioaihioiden tunnustelusta päätöksentekoa tukevaan projektivalintaan. Uusien analyysien konfigurointi voidaan suorittaa verkon yli, ja RPM-Solverilla suoritetun esilaskennan tulokset on pienellä työllä siirrettävissä analyysin syötetiedoiksi. 3.2 Tekninen toteutus ja oikeudet Ohjelmiston toteutuskieleksi valittiin Java, jonka tuki löytyy valmiiksi suurimmalta osalta internetin käyttäjiä (esim. Yhdysvalloissa 87,4%:lta v ). Vaihtoehtoisia v PD Online markkinatutkimus, syyskuu 2005: http://www.macromedia.com/software/player_census/npd/ 6

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, etscape). 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. 3.3 Arkkitehtuuri ja toiminnallisuus Ohjelmiston arkkitehtuurissa on pyritty selkeään modulaarisuuteen käyttöliittymän jokainen analyysikomponentti on oma luokkansa, ja siten helposti korvattavissa ja muunneltavissa. Toimintaloogisesti tärkeimmät rajapinnat löytyvät käyttöliittymän ja konfiguraatioaksessorin, sekä käyttöliittymän ja RPM parivertailualgoritmin (Liesiö et al., 2005) väliltä (Kuva 4). Kuva 4 - RPM-Explorer ohjelmiston rajapinnat. vi GU Lesser General Public Licence, lisensointiehdot: http://www.gnu.org/copyleft/lesser.htm 7

Ohjelmisto lataa käynnistysvaiheessa muistiin konfiguraatiotiedostonsa ja esilasketut tehokkaat portfoliot (Kuva 5). Esilasketuista portfolioista ohjelma sitten karsii tehokkaat referenssi- ja kriteerikohtaista informaatiota lisättäessä (Kuva 6). Kuva 5 - Käyttötapaus, jossa käyttäjä käynnistää RPM-Explorer ohjelmiston. Kuva 6 - Käyttötapaus, jossa käyttäjä lisää ohjelmistoon preferenssiinformaatiota. 8

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., ja on editoitavissa tekstieditorilla. Aihiodatatiedosto sisältää tiedot kriteereistä ja aihiokohtaiset tiedot aihioiden suorituskyvyistä kriteerien suhteen, aihioiden kustannuksista tms. Tiedosto jakaantuu sarakkeiden tyypit kertovaan metatietoriviin, sarakkeiden (kriiteerien tms.) nimiin, ja sitten 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). äiden tiedostojen URL-osoitteet annetaan sitten RPM-Explorerin HTML-tagissa. 3.5 Ohjelmiston käyttö Ohjelmisto käynnistetään verkon kautta. Ohjelmiston aloitusnäkymä riippuu asetuksissa aktivoiduista visualisoinneista ja preferenssi-informaation tarkennus ikkunoista (Kuva 7). Ohjelmiston konfiguraatiotiedostossa määritellään näytettävät visualisoinnit, käytettävä kieli ja preferenssi-informaation esitystavat. 9

Kuva 7 - RPM-Explorerin yleisnäkymä. Vasemmalla on visualisointi -ikkuna, oikealla ylhäällä preferenssien kartoitus -ikkuna ja oikealla alhaalla lisätietoa aihioista. 3.5.1 Analyysin tulosten jalkauttaminen Ohjelmistolla on merkittävä rooli analyysin tulosten jaossa. Ohjelmiston avulla analyysin tuloksista kiinnostunut voi tarkastella aihioita omasta näkökulmastaan ja tunnistaa kiinnostavia aihioita määrittämällä ohjelmistolle omaa preferenssiinformaatiotaan. Tällöin ohjelmisto tarjoaa reaaliajassa päivittyvät 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

Kuva 8 - Ydinlukuanalyysin näkymä, jossa aihiot on järjestetty niiden saamien ydinlukujen mukaisesti. Kuva 9 - äkymä aihiokohtaisten arvoalueiden tarkasteluun. 11

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) varsinaiseksi aihiovalintatyökaluksi ja (iii) konsensukseen pyrittäessä sopimuksenomaiseksi näkökulmien yhteensulauttajaksi. Menetelmällisesti ohjelmisto seuraa RPM päätöstukiprosessia (kappale 2) ja auttaa siten suuntaamaan huomiota omakohtaisen tai kollektiivisen päätöksenteon kannalta epävarmojen ja herkkien aihioiden tarkasteluun (Liesiö et al., 2005). Kuva 10 - äkymä preferenssi-informaation analyysiin tuomiseksi. Tällä näkymällä tietoa preferensseistä voidaan tarkentaa muuttamalla kriteerien keskinäistä tärkeysjärjestystä. Aihiovalintaa tuettaessa ohjelmistossa voidaan kytkeä päälle ns. automaattivalinnat - toiminto, jolloin ohjelma ilmoittaa reaaliaikaisesti preferenssi-informaatiota lisättäessä (Kuva 10) varmasti portfolioon kuuluvat ja portfolion ulkopuolelle jäävät aihiot (Kuva 11). Toiminto voidaan kytkeä myös pois päältä ja siirtyä aihiokohtaisiin valintoihin, mikä mahdollistaa monikriteerisen analyysin ulkopuolisten tekijöiden käytön päätöksenteossa. 12

Kuva 11 - Ydinlukuanalyysin näkymä attribuuttipainoinformaation lisäämisen jälkeen. Automaattivalinnat- toiminto on merkinnyt aihiot, jotka tulevat mukaan portfolioon ja aihiot, jotka jäävät sen ulkopuolelle. 3.5.3 Herkkyysanalyysi RPM menetelmä hyväksyy epätäydellisen paino- ja suorituskykyinformaation (Liesiö et al., 2005). Paino- ja suorituskykyinformaatioon liittyvän epävarmuuden esittäminen epätäydellisenä informaationa toimii jo sinänsä herkkyysanalyysinä (Lindstedt et al., 2001). Perustavanlaatuisempaa herkkyyanalyysiä voi kuitenkin suorittaa tunnistamalla aihioita useista eri näkökulmista syöttäen 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 ohjelmistossa parittaisiin vertailuihin eri painovektorin eri ääriarvopisteissä (Liesiö et al., 2005). Ohjelmiston käyttömahdollisuuksia rajoittaa loppukäyttäjän tietokoneen suoristuskyky. Valintatehtävät käyvät raskaammiksi sitä mukaan, (i) mitä suurempaa aihiojoukkoa käsitellään, (ii) mitä epätarkempaa tieto painoista ja aihioiden suoristuskyvyistä on, 13

(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 on siis aihioiden lukumäärän suhteen P-täydellisten ongelmien joukossa (Weiss, 1999). Siksi tehokkaiden portfolioiden seulominen pareittaisilla vertailuilla kuuluu niin ikään P-täydellisten ongelmien joukkoon, ja tarvittava laskenta-aika kasvaa tehokkaiden portfolioiden lukumäärän toiseen potensiin. Tehokkaiden portfolioiden lukumäärä kasvaa puolestaan eksponentiaalisesti aihioiden lukumäärän kasvaessa. 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. Ohjelmiston käytettävyys ja havainnollisuus alkavat myös kärsiä aihioiden lukumäärän lisääntyessä. 4. AIHIOIDE VUOROVAIKUTTEIE JA OMAKOHTAIE TUISTUS Ennakointifoorumin yhteydessä monikriteerisen analyysin tulokset saatettiin aiheryhmien käyttöön staattisina pdf-dokumentteina. äistä aiheryhmät ja niiden edustajat sitten nostivat esille, eli tunnistivat, itselleen kiinnostavimmat aihiot annettujen linjausten mukaisesti. RPM-Explorer ja vastaavat ohjelmistot tarjoavat vastaavankaltaisissa tilanteissa prosessin osallistujille mahdollisuuden aihioiden omakohtaiseen ja vuorovaikutteiseen tunnistukseen tietokoneavusteisesti. äin yksi tai useampi tunnistamisvaiheen osallistuja voi omakohtaisesti nostaa esille 14

kiinnostavimpia aihioita ja tunnistaan merkityksettömämpiä sekä suunnata jatkotarkastelua tätä informaatiota hyväksi käyttäen. Aihioiksi käy yleisesti vertailukelpoisten ja atomisten työkappaleiden, hanke-ehdokkaiden, esitysten tai aikeiden joukko. 4.1 Vuorovaikutteisuuden ja omakohtaisuuden edut RPM päätöstukiprosessin iteratiivinen tarkentuvuus ja ohjelmiston tarjoama mahdollisuus tarkastella analyysiä vaivattomasti eri näkökulmista tarjoaa käyttäjälle helppokäyttöisen ja intuitiivisen herkkyyanalyysin. äin ohjelma perii herkkyanalyysin käyttötarkoitukset (Pannell, 1997): (i) (ii) (iii) (iv) Päätöksenteko (kriittisten kohtien tunnistus, robustisuuden testaus, kokonaisriskin tarkastelu) Viestintä (sitouttaminen, vakuuttavuuden ja luotettavuuden lisäys, kriittisten oletusten paljastus) Ymmärrettävyyden lisääminen (kausaalisuhteiden hahmotus) Mallin kehitys (informaation hankinnan suuntaus) RPM-Explorerin käyttäjärajapinta voidaan nähdä vuorovaikutteisena tulosdokumenttina verrattuna staattisen dokumentin muodossa toimitettaviin analyysin tuloksiin. Tällainen puolivalmis raportti mahdollistaa analyysin painopisteen siirtämisen taustatyöstä analyysin hyödyntäjille, ja siten sidosryhmien paremman osallistamisen prosessin tulosten jakoon. Lisäksi tietokonevusteisuus mahdollistaa suuren analyyttisen tietomassan ja monimutkaisen menetelmälogiikan purkamisen helpommin tulkittavaan muotoon, vaatimuksen analyysiin ja aineistoon syventymisestä ohjelmiston käyttöedellytyksenä ja hologrammimaisesti eri näkökulmista tarkasteltavan analyysin välittämisen. Verkkopohjaiset apuvälineet mahdollistavat prosessin riippumattomuuden paikasta ja tarkasta ajasta tehden siitä tavoittavan ja vaihtoehtoiskustannuksiltaan edullisen (Salo, 2001). Lisäksi päätöksentekoteoreettinen lähetymistapa voi johtaa vastuuntuntoisempaan, läpinäkyvämpään ja demokraattisesti paremmin puolustettavissa olevaan 15

päätösprosessiin, joka itsessään on tärkeä etu prosessin lopputuleman lisäksi (Stirling et al., 2001). 4.2 Tunnistuksen sovellusalueita Vuorovaikutteinen tunnistus voidaan toteuttaa ryhmätyöskentelynä työpajoissa, itsenäisesti internet-pohjaisella apuvälineellä tai konsensushakuisen päätöksenteon yhteydessä. Tunnistamisvaiheessa pyrkimykset voivat olla aina kollektiivisesta tiedonjaosta itseohjattavaan oppimiseen ja moninäkökulmaisen päätöksenteon tukemisesta sopimuksenomaiseen konsensushakuun. Luonteeltaan tunnistus voi olla niin kertaluonteista aihiovalintaa, toistuvaa aihiopankista poimintaa, kuin jatkuvaa aihiotietokannan ylläpitoa ja seulontaa. Itse tunnistuksen 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 aihioseulontaprosesseja, joissa järjestäytymättömästä informaatiosta tuotetaan aihioita, joita työstetään, lajitellaan, analysoidaan ja lopulta monikriteerisesti analysoidaan ja tunnistetaan. Menetelmällisesti prosessit muistuttavat asiantuntijoiden mielipiteiden kartoittamiseen suunniteltua Delfoi-menetelmää (Linstone & Turoff, 1975), jolle ominaista ovat asiantuntija-näkemysten strukturointi etukäteen valmisteltujen kysymysten avulla, iteraatiot, osanottajien anonymiteetti, osallistujien tuottama kontrolloitu palaute ja vastausten aggregointi (Mannermaa, 2000). Systeemianalyysin laboratorion aiemmissa prosesseissa RPM-Explorerin tarjoamalla omakohtaisella tunnistamisella olisi voinut olla monikriteeristä analyysiä ja tulosten hyödyntämistä tukeva ja yhdistävä rooli (Kuva 12). 16

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 toimisi apuvälineenä kollektiivisessa oppimisessa, analyysien jaossa sekä kiinnostavien innovaatioaihioiden itsenäisessä ja työpajapohjaisessa tunnistuksessa. Ennakointiprosessit. Ennakoinnissa muutostekijöihin ja osaamisalueisin kohdistuvaa aihioseulontaa hyödynnetään Tekesin ja Suomen Akatemian tulevaisuuden kartoitukseen tähtäävässä paneelimuotoisessa Finnsight 2015 vii -hankkeessa syksyn 2005 ja alkutalven 2006 aikana. Painopisteasetannat Ennakointifoorumin RPM-seulontaa vastaavia prosesseja käytettiin pohjoismaisen tutkimusohjelman painopisteenasetannassa (Salo & Liesiö, 2005) ja Forest-Based Sector Technology Platform issa viii metsäsektorin strategisen tutkimusagendan muotoiluun (Könnölä et al., 2005). Parhaillaan menossa on yli 350:n vii FinnSight 2015 Tiede ja teknologia 2010-luvun Suomessa hanke: http://www.finnsight2015.fi viii Developing the Strategic Research Agenda (SRA) for the Forest-Based Sector Technology Platform (FTP) hanke: http://www.sra.tkk.fi 17

osallistujan kansainvälisen tutkimusagendan muotoilu WoodWisdom-et lle ix. iinikään 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 olisi pääasiassa 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 hyödyntämiskohteita voisivat olla toiminnan arvioinnit ja uudelleensuuntaamiset (TULI ohjelma xi ) ja strategisen tuoteportfolion valinta (Lindstedt et al. 2005) ja vaatimustenhallinta (Salo et al., 2005). Strategisen suunnittelun merkittävä ongelma on, että suunnittelu edustaa laskelmoivaa johtamista, eikä huomioi ryhmän jäsenten preferenssejä, kun taas sitouttava johtaminen osallistaa ihmisiä matkan varrella (Minzberg, 1994). Omakohtaisella tunnistamisella voisi olla ennenkaikkea analyysiin sitouttava rooli toimenpide-ehdotusten arvioinneissa ja strategisessa suunnittelussa. ix Collaborative Shaping of Research Agendas in WoodWisdom-et: http://www.woodwisdom.tkk.fi/ x METSO Etelä-Suomen metsien monimuotoisuusohjelma: http://www.mmm.fi/metso/ xi Ex post analysis of a science-based innovation programme kuvaus: http://www.rpm.tkk.fi 18

5. YHTEEVETO JA PÄÄTELMÄT RPM-Explorer ja vastaavankaltaiset vuorovaikutteiset työvälineet mahdollistavat omakohtaisen ja havainnollisen aihioiden verkkopohjaisen monikriteerisen tunnistuksen. Ohjelmistoja voidaan käyttää niin ikään kollektiivisesti työpajoissa ja konsensushakuisessa päätöksenteossa. Käyttötarkoituksesta riippuen ohjelmistojen mahdollistama tunnistus 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 esiintuontiin ja testaamiseen, sekä vuorovaikutteisuuden vahvistamaa sitouttamista. Yleisesti aihioiden monikriteerinen ja omakohtainen tunnistus siirtää analyysin painopistettä analyysin taustatyöstä analyysin käyttäjäryhmille. Tunnistuvaihe nivoo yhteen monikriteerisen analyysin loppuvaiheen ja analyysien tuloksien hyödyntämisen. On syytä olettaa, että omakohtaisesti tunnistetut analyysin tulokset ovat sitouttavampia, vaikuttavampia, käytettävämpiä ja informatiivisempia kuin passiivisesti staattisella dokumentilla välitetyt. Tämän todentaminen ei projektin puitteissa kuitenkaan ollut mahdollista. Vaikka projektin puitteissa toteutettu RPM-Explorer täsmentyi RPM metodologiaan (Liesiö et al., 2005) sitoutuneeksi prototyyppityövälineeksi, RPM-Explorerista saadut kokemukset toimivat pohjana omakohtaisen tunnistuksen menetelmätuen toteuttamiselle menetelmästä riippumatta. Jatkokehityksen kannalta olisi hyvä tarkentaa hyödynnetäänkö ohjelmistoa ensisijaisesti (i) analyysin tulosten jalkauttamiseen, (ii) päätöksenteon tukeen vai (iii) tietokantaluonteiseen aihiovarastointiin. RPM-Explorerin monikäyttöisyyttä voidaan lisätä toteuttamalla ohjelmistoon lisää vaihtoehtoisia visualisointi- ja preferenssienkeräys moduuleja. Ohjelman käyttömukavuutta pitkissä laskennoissa voitaisiin parantaa laskentaa visualisoimalla ja välituloksia tarjoamalla, ja RPM-Solver rajapinnan toteuttaminen helpottaisi ohjelman konfigurointivaihetta. Lisäksi dominoitujen portfolioiden karsintaan käytetty algoritmi on mitä todennäköisimmin korvattavissa tehokkaammalla (mukaanlukien heuristiset tai approksimatiiviset algoritmit (Weiss, 1999)). 19

Suorituskykyä voidaan lisätä myös toteuttamalla tuki jo osittain kiinnitetylle preferenssi-informaatiolle portfolioiden määrän vähentämiseksi. Toteutettu ohjelmisto on jo herättänyt kiinnostusta, kun sitä on esitelty aihioiden monikriteerisestä analyysistä kiinnostuneille. Ohjelmisto on valmis käyttöönottoon jo sellaisenaan ja räätälöitävissä pienellä vaivalla täyttämään erilaisia tarpeita. 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 otes in Economics and Mathematical Systems, Murat Köksalan & Stanley Zionts (toim.), 507, 177-186. 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

Minzberg, H. (1994); The Fall and Rise of Strategic Planning, Harvard Business Review January-February 1994, 107-114. Pannell, D.J. (1997) Sensitivity Analysis of ormative Economic Models: Theoretical Framework and Practical Strategies, Agricultural Economics 16, 139-152. Salo, A. (2001): Incentives in Technology Foresight, International Journal of Technology Management 21: 7-8, 694-710. Salo, A. & C. Cuhls (2003): Technology Foresight Past and Future, Journal of Forecasting 22: 2-3, 79-82. Salo, A., V. Brummer & T. Könnölä (2005): Innovaatioaihioiden portfolioanalyysi KTM:n ennakointifoorumissa, Futura 2-3/2005, 58-67. Salo, A. & T. K. Käkölä (2005): Groupware Support for Requirements Management in ew Product Development, Journal of Organizational Computing and Electronic Commerce 15: 4, 253-284. 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. 7. LIITE A - RPM RESURSSIALLOKOITI RPM tukee epätäydellistä informaatiota myös aihioiden kriteerikohtaisille arvoille (Liesiö et al., 2005). Tässä kuitenkin oletamme tarkat kriteerikohtaiset arvot esityksen tiivistämiseksi. 21

Esitetään m aihiota joukkona X { x,, } =, ja arvotetaan aihioita n:n kriteerin 1 K x m suhteen. Resurssilaatuja on yhteensä q. Aihion x j arvo, kriteerin i suhteen olkoon v ij 0. Kriteereiden suhteellisestä tärkeydestä kertovat niitä vastaavat painot w i i 1,..., n, =. Muodostetetaan näistä painovektori w { w K } siten, että painot summautuvat arvoon 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, voidaan budjetti lausua vektorina B [ B K ] =. 1,. Kun resurssia k on B q Käypien portfolioden joukko P F on portfolioiden joukon P osajoukko { B} portfolio resurssien avulla, eli p C( p) P F =. P F P. Käypä 7.1 Epätäydellinen informaatio ja portfolioiden dominanssi Painoinformaatiolle voidaan määritellä käypä alue: S w S. 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 S w 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. 22

Merkitään tehokkaiden portfolioiden aluetta P P. F 7.2 Ydinluku Portfoliot muodostuvat aihioista. Aihioita voidaan järjestää monella eri tavalla ja johtuen kriteerien epätäydellisestä informaatiosta, järjestys ei ole yksiselitteinen. Aihiota voidaan kuvata ydinluvulla, joka määritellään seuraavalla tavalla: Määritelmä 3 Projektin ydinluku on kuvaus CI : X [ 0, 1] CI ( x) { p P x p}, jossa =. (9.3) P Aihion ydinluku määrittelee sen, kuinka suureen osaan tehokkaista portfolioista kyseinen aihio kuuluu. 8. LIITE B RPM PARIVERTAILUALGORITMI LASKEALLIE VAATIVUUS Ei-tehokkaiden portfolioiden selvittäminen kriteeripainoja ja aihioiden tehokkuusinformaatiota tarkennettaessa pohjautuu ohjelmistossa parittaisiin vertailuihin painovektorin eri ääriarvopisteissä (Liesiö et al., 2005). Ääriarvojen generointi on toteutettu kirjaamalla painoalueen reunojen leikkaamiset (katso (Mild, 2004) sivut 31-37). Merkittäessä aihioiden määrää m:llä, on näistä saatavien tehokkaiden portfolioiden lukumäärä P suuruusluokkaa O ( 2 m ). Kun lisäksi merkitään kriteereiden lukumäärää n:llä, saadaan ääriarvopisteiden lukumäärän suuruusluokaksi O ( 2 n ) (todistus sivuutetaan, kolmella kriteerillä ääriarvopisteitä on enintään neljä ja kuudella kriteerillä enintään 32). Kun eritellään tehokkaiden portfolioiden lukumäärät epätarkimmalla informaatiolla L P ja tarkennetulla T tt L P ( P P < PF < ), saadaan informaatiota tarkennettaessa portfoliovertailujen kokonaislukumäärän suuruusluokaksi O ( P L P T n 2 ). Kun aihiokohtaisen arvot on esilaskettu painoalueen 23

ääriarvopisteissä, saadaan alkeisvertailujen kokonaislukumäärän suuruusluokaksi L T n O( P P 2 m). Laskennan lisäksi epätodennäköisempiä pullonkauloja ovat (i) algoritmin n L muistinkulutus O( 2 m+ P m+ nm) ja (ii) algoritmin lähdeaineiston koko ja siirto verkon yli O( P L m+ nm). Ohjelmiston käytettävyys ja havainnollisuus alkaa myös kärsiä aihioiden lukumäärän lisääntyessä. Algortimin tehokkuutta voitaisiin parantaa muun muassa seuraavasti: Pareittaisia vertailuja suorittava algoritmi päivittää reaaliaikaisesti tehokkaiden portfolioiden listaa s.e. jo ei-tehokkaiksi todettuja portfolioita ei esiinny vertailuissa. Täten optimaalisella portfolioiden läpikäyntijärjestyksellä dominoidut portfoliot karsiutuvat pois jo algoritmin ajon alkuvaiheessa, ja portfolioiden välisten vertailujen lukumäärän 2 T n suuruusluokaksi jää O ( 2 ). Ehdotus tällaiseksi hyväksi järjestykseksi olisi P vertailla maksimiarvoiltaan parhaita portfolioita maksimi- tai minimiarvoiltaan huonoimpiin. opeimmat tunnetut järjestämisalgoritmit järjestävät portfoliot niiden lähtölukumäärän L n L L P suhteen ajassa O ( P 2 + P log P ), joten L portfoliovertailujen lukumäärä jää käytännössä dominoivaksi termiksi laskettavuuden vaativuusluokkaa arvioitaessa. 24