Was ist Operations Research? Methoden und praktische Anwendungen

1. Was ist Operations Research?

Das Operations Research (OR), im Deutschen auch Unternehmensforschung genannt und eng mit der Managementwissenschaft verwandt, ist die Disziplin, die fortgeschrittene analytische Methoden anwendet, um bessere Entscheidungen zu treffen. Einfach gesagt ist es die Wissenschaft davon, wie man begrenzte Ressourcen wie Geld, Zeit, Personal, Fahrzeuge oder Maschinen so einsetzt, dass ein Ziel bestmöglich erreicht wird.

Das Institute for Operations Research and the Management Sciences (INFORMS), die größte Fachgesellschaft des Gebiets, beschreibt Operations Research als die Disziplin, die „fortgeschrittene analytische Methoden anwendet, um bessere Entscheidungen zu treffen“. Diese Definition ist bewusst breit, denn OR ist weniger eine einzelne Technik als eine Denkweise. Es nimmt eine unübersichtliche, reale Situation und übersetzt sie in ein präzises mathematisches Modell mit drei Bestandteilen:

• Entscheidungsvariablen: die Größen, die Sie steuern, etwa wie viele Lastwagen losgeschickt oder wie viele Sitzplätze zu welchem Preis verkauft werden.
• Eine Zielfunktion: die eine Größe, die Sie maximieren oder minimieren möchten, etwa Gewinn, Kosten, Verzögerung oder Risiko.
• Nebenbedingungen: die Regeln und Grenzen, die Sie nicht verletzen dürfen, etwa die Kapazität eines Lagers, eine gesetzliche Lenkzeitgrenze oder ein Budget.

Sobald ein Problem in dieser Sprache geschrieben ist, durchsucht OR mit Algorithmen einen astronomisch großen Raum möglicher Entscheidungen und findet eine, die nachweislich optimal oder zumindest sehr nah am Optimum ist. Weil es an der Schnittstelle von Mathematik, Statistik, Informatik, Wirtschaft und Ingenieurwesen liegt, wird Operations Research oft „die Wissenschaft des Besseren“ genannt.

Operations Research sagt nicht nur voraus, was passieren wird. Es schreibt vor, was Sie tun sollten. Dieser Wechsel von der Vorhersage zur Entscheidung ist das, was das Fachgebiet auszeichnet.

2. Kurze Geschichte: vom Radar zum Simplex-Verfahren

Operations Research entstand aus der Not des Zweiten Weltkriegs. 1937 begannen britische Wissenschaftler zu untersuchen, wie sich das neu erfundene Radar in die Luftverteidigung einbinden ließe. Als der Krieg eskalierte, stellte das Vereinigte Königreich interdisziplinäre Teams aus Physikern, Mathematikern und Biologen zusammen, um militärische „Operationen“ direkt zu untersuchen, daher der Name.

Eine berühmte Gruppe unter dem Physiker Patrick Blackett, spöttisch „Blacketts Zirkus“ genannt, nutzte Datenanalyse, um die Wirksamkeit der Flugabwehr und der U-Boot-Bekämpfung zu verbessern. Indem sie Konvoigrößen, Einstellungen von Wasserbomben und Suchmuster statistisch statt nach Intuition untersuchten, lieferten diese Teams Empfehlungen, die messbar Leben und Schiffsraum retteten. Die Lehre war mächtig: Eine strenge quantitative Analyse konnte komplexe Abläufe verbessern, die kein einzelner Experte vollständig überblicken konnte.

Nach dem Krieg wanderten die Ideen in Industrie und Verwaltung. Der entscheidende mathematische Durchbruch kam 1947, als der amerikanische Mathematiker George Dantzig das Simplex-Verfahren zur Lösung linearer Programme entwickelte. Zum ersten Mal verfügten Organisationen über einen allgemeinen, effizienten Algorithmus, um Ressourcen optimal über Hunderte konkurrierende Aktivitäten zu verteilen. Die lineare Programmierung wurde rasch zum Arbeitspferd des Gebiets.

Die folgenden Jahrzehnte brachten eine Explosion an Methoden und Institutionen. Die RAND Corporation trieb mit Richard Bellman die dynamische Programmierung voran, die Warteschlangentheorie reifte für Telefonnetze, und Fachgesellschaften bildeten sich, um die Praxis zu verbreiten. In den USA fusionierten die Operations Research Society of America und The Institute of Management Sciences schließlich 1995 zu INFORMS. Heute ist OR ein weltweites akademisches und berufliches Feld mit Fachzeitschriften, Universitätsabteilungen und Tausenden von Praktikern in jeder großen Branche.

3. Wie Operations Research funktioniert: der Modellierungszyklus

Unabhängig von der Branche folgt ein Operations-Research-Projekt meist demselben disziplinierten Zyklus. Klassische Lehrbücher wie Hillier und Liebermans Introduction to Operations Research beschreiben ihn als eine Abfolge von Schritten, die eine vage geschäftliche Sorge in eine begründbare Entscheidung verwandeln.

1. Das Problem definieren. Arbeiten Sie mit den Beteiligten zusammen, um das wahre Ziel, die steuerbaren Entscheidungen und die Nebenbedingungen zu benennen. Dieser Schritt ist trügerisch schwer: Das falsche Problem genau zu lösen ist schlimmer, als das richtige näherungsweise zu lösen.
2. Das Modell bauen. Übersetzen Sie die Situation in Mathematik und wählen Sie Entscheidungsvariablen, eine Zielfunktion und Nebenbedingungen. Die Kunst liegt darin, das Wesentliche zu erfassen und das Modell dennoch lösbar zu halten.
3. Daten sammeln und Parameter schätzen. Versorgen Sie das Modell mit realistischen Zahlen für Kosten, Nachfrage, Kapazitäten und Wahrscheinlichkeiten, oft der zeitaufwendigste Teil eines Projekts.
4. Das Modell lösen. Wenden Sie einen Algorithmus oder einen Solver an, um die optimale oder nahezu optimale Entscheidung zu finden.
5. Validieren und testen. Prüfen Sie die Lösung an der Realität und an historischen Daten und führen Sie eine Sensitivitätsanalyse durch, um zu sehen, wie sich die Antwort bei veränderten Annahmen ändert.
6. Umsetzen und überwachen. Setzen Sie die Entscheidung in die Praxis um, verfolgen Sie dann die Ergebnisse und verfeinern Sie das Modell, wenn sich die Bedingungen ändern.

Diese Schleife ist selten geradlinig. Erkenntnisse aus späteren Schritten schicken Analysten zurück, um das Problem neu zu definieren oder das Modell neu aufzubauen, und genau deshalb wird OR als iterative Praxis und nicht als einmalige Berechnung beschrieben.

4. Die Kernmethoden des OR

Operations Research ist ein großer Werkzeugkasten, und das richtige Werkzeug für ein Problem zu wählen ist eine eigene Fähigkeit. Die folgenden Methoden bilden das Rückgrat des Fachs und finden sich in Standardwerken wie Winstons Operations Research: Applications and Algorithms und Tahas Operations Research: An Introduction.

Lineare und ganzzahlige Programmierung

Die lineare Programmierung (LP) optimiert eine lineare Zielfunktion unter linearen Nebenbedingungen und ist die mit Abstand am häufigsten genutzte OR-Technik. Wenn einige oder alle Entscheidungen ganze Zahlen sein müssen, weil man etwa nicht 2,7 Lastwagen losschicken kann, wird das Modell zu einem ganzzahligen Programm (IP) oder gemischt-ganzzahligen Programm. Diese sind weit schwerer zu lösen, doch moderne Solver bewältigen Modelle mit Millionen von Variablen. Das klassische Diätproblem, die billigste Mischung von Lebensmitteln zu finden, die den Nährstoffbedarf deckt, ist die Lehrbuchillustration der LP.

Netzwerk- und kombinatorische Optimierung

Viele OR-Probleme leben auf Netzwerken: kürzeste Wege, minimale Spannbäume, maximale Flüsse, Matchings und Touren. Diese Probleme greifen unmittelbar auf die Graphentheorie zurück und umfassen einige der berühmtesten Herausforderungen des Fachs, etwa das Problem des Handlungsreisenden und das Tourenplanungsproblem.

Stochastische Methoden und Warteschlangentheorie

Reale Abläufe sind voller Unsicherheit und Wartezeit. Die Warteschlangentheorie modelliert Schlangen und Staus, von Callcentern bis zu Notaufnahmen, und sagt Wartezeiten und Personalbedarf voraus. Markov-Ketten und die stochastische Programmierung behandeln Entscheidungen, die sich über die Zeit unter Zufall entfalten, etwa die Bestandssteuerung bei unsicherer Nachfrage.

Simulation

Wenn ein System zu komplex für eine saubere Gleichung ist, bauen Analysten eine Simulation: ein Computermodell, das das System nachahmt und tausende Male durchgespielt wird, um sein Verhalten zu beobachten. Monte-Carlo- und ereignisdiskrete Simulationen sind unverzichtbar für Flughäfen, Fabriken und Lieferketten, in denen Zufall und Wechselwirkungen eine exakte Analyse verhindern.

Dynamische Programmierung und Metaheuristiken

Die dynamische Programmierung zerlegt eine sequentielle Entscheidung in eine Kette kleinerer Teilprobleme, eine Idee, die auch vielen Graphenalgorithmen zugrunde liegt. Wenn exakte Verfahren für riesige kombinatorische Probleme zu langsam sind, finden Metaheuristiken wie genetische Algorithmen, simuliertes Abkühlen und Tabu-Suche in vertretbarer Zeit hochwertige Lösungen, auch ohne Garantie der Optimalität.

5. Praktische Anwendungen

Operations Research ist keine abstrakte Übung. Es läuft leise im Inneren der Systeme, die die meisten Menschen täglich nutzen. Hier einige der wichtigsten Bereiche, in denen OR messbaren Nutzen stiftet.

Logistik und Lieferketten

Dies ist das Kernland des angewandten OR. Unternehmen nutzen Optimierung, um zu entscheiden, wo Lager gebaut werden, wie viel Bestand gehalten wird und wie täglich Tausende von Fahrzeugen geführt werden. Große Liefer- und Logistikkonzerne stützen sich auf Routing-Systeme, die Varianten des Tourenplanungsproblems lösen und über riesige Flotten Strecke und Kraftstoff einsparen. Selbst kleine Verbesserungen bedeuten Hunderte Millionen Dollar und große Emissionsminderungen.

Fluggesellschaften und Verkehr

Fluggesellschaften waren frühe und begeisterte Anwender. OR entscheidet über Flugpläne, weist Flugzeuge den Strecken zu (Flottenzuordnung), erstellt zulässige und effiziente Dienstpläne für Besatzungen (Crew-Planung) und bepreist Sitzplätze über das Revenue Management, die Praxis, Tarife dynamisch anzupassen, um Flugzeuge gewinnbringend zu füllen. Bahnen, Häfen und Nahverkehrsbetriebe nutzen ähnliche Modelle, um Züge zu planen, Liegeplätze zu vergeben und Fahrpläne zu erstellen.

Gesundheitswesen

Krankenhäuser nutzen Operations Research, um Operationssäle zu planen, Pflegeschichten zu besetzen, Rettungswagen für schnelle Einsätze zu positionieren und den Patientenfluss in Notaufnahmen zu steuern. Warteschlangen- und Simulationsmodelle helfen, Wartezeiten zu senken und knappe Betten und Geräte besser zu nutzen, während Optimierung die Organzuteilung und die Planung der Impfstoffverteilung unterstützt.

Energie und Versorgung

Betreiber von Stromnetzen lösen alle paar Minuten enorme Optimierungsprobleme, um zu entscheiden, welche Kraftwerke laufen und wie Strom zu geringsten Kosten verteilt wird, während das Netz stabil bleibt, ein Vorgang, der als Kraftwerkseinsatzplanung und wirtschaftliche Lastverteilung bekannt ist. OR leitet auch die Planung von Übertragungsnetzen und die Einbindung erneuerbarer Quellen mit unsicherer Einspeisung.

Fertigung und Finanzen

In Fabriken plant OR die Produktion, reiht Aufträge auf Maschinen ein und tariert Montagelinien aus, um den Durchsatz zu steigern. Im Finanzwesen baut Optimierung Anlageportfolios, die Rendite und Risiko abwägen, eine Linie, die bis zur Portfoliotheorie von Markowitz zurückreicht, und unterstützt Bepreisung, Absicherung und Kapitalallokation.

Telekommunikation und öffentlicher Sektor

Telekomfirmen entwerfen Netztopologien, leiten Verkehr und platzieren Mobilfunkmasten mit Netzwerkoptimierung. Regierungen und NGOs wenden OR auf Wahlkreiseinteilung, Katastrophenhilfe, Müllabfuhr und die Platzierung öffentlicher Einrichtungen wie Feuerwachen an, um mit begrenzten Budgets möglichst viele Menschen zu versorgen.

Eine nützliche Faustregel: Überall dort, wo eine Organisation wiederholt begrenzte Ressourcen unter Regeln und Unsicherheit verteilt, kann Operations Research das Ergebnis meist verbessern.

Belegte Erfolgsgeschichten

Was Operations Research überzeugend macht, ist nicht die Eleganz der Mathematik, sondern die Größe des Nutzens. Das Fach hat eine lange Reihe belegter Erfolge, viele davon veröffentlicht in der INFORMS-Zeitschrift Interfaces (heute INFORMS Journal on Applied Analytics), deren Flaggschiff, der Franz-Edelman-Preis, Projekte mit messbarer, großflächiger Wirkung auszeichnet.

American Airlines war in den 1980er Jahren Pionier des Revenue Managements in der Luftfahrt, und das Unternehmen schrieb seinen Ertragssteuerungssystemen über drei Jahre rund eine Milliarde Dollar Mehrumsatz zu, ein Ansatz, den heute jede große Fluggesellschaft kopiert. Paketdienste berichten ähnliche Zahlen: Routenoptimierungssysteme, die die Reihenfolge der Stopps für Fahrer festlegen, sollen jährlich zweistellige Millionenbeträge an gefahrenen Kilometern und viele Millionen Liter Kraftstoff eingespart haben und dabei Kosten und CO2-Ausstoß zugleich gesenkt haben.

Das Muster wiederholt sich über die Branchen hinweg. Hersteller nutzen Ablaufoptimierung, um aus denselben Maschinen mehr Ausbringung zu holen, Einzelhändler nutzen Abschriftenoptimierung, um Bestände zum besten Preis zu räumen, und Behörden nutzen Einteilungs- und Standortmodelle, um Leistungen mit knappen Budgets gerechter zu erbringen. In fast allen Fällen ist die Geschichte dieselbe: Eine Entscheidung, die einst aus dem Bauch oder in einer Tabelle getroffen wurde, wird einem Modell übergeben, und die Verbesserung, für Kunden unsichtbar, ist in Summe gewaltig.

6. Die Verbindung zur Graphentheorie

Wer die anderen Artikel dieser Seite gelesen hat, dem wird vieles am Operations Research vertraut vorkommen, denn ein großer Teil beruht auf der Graphentheorie. Netzwerke aus Knoten und Kanten sind die natürliche Sprache für Routing-, Logistik-, Ablauf- und Flussprobleme.

• Kürzeste-Wege-Algorithmen wie Dijkstra treiben Navigation und Netzwerk-Routing an, eine direkte OR-Anwendung. Siehe unseren Leitfaden zu Kürzeste-Wege-Algorithmen.
• Minimale Spannbäume verbinden Netzwerke zu geringsten Kosten und werden in Telekom- und Versorgungsnetzen eingesetzt. Lesen Sie über minimale Spannbäume.
• Maximaler Fluss und minimaler Schnitt modellieren Kapazität in Pipelines, im Verkehr und in Zuordnungsproblemen. Erkunden Sie das Max-Flow-Min-Cut-Theorem.
• Die Graphenfärbung löst Ablauf- und Frequenzzuteilungsprobleme, bei denen Konflikte vermieden werden müssen. Siehe das Graphenfärbungsproblem.

Die Verbindung reicht tief, denn beide Gebiete teilen dasselbe Anliegen: optimale Entscheidungen über diskrete Strukturen zu treffen. Graphenalgorithmen zu lernen ist einer der praktischsten Wege, Sicherheit im Operations Research zu gewinnen, und OR zu beherrschen gibt der Graphentheorie ihren überzeugendsten Zweck in der realen Welt.

7. Werkzeuge, Berufe und die Zukunft des OR

Moderne OR-Praktiker lösen Modelle nur selten von Hand. Sie stützen sich auf leistungsstarke kommerzielle und quelloffene Solver wie Gurobi, IBM CPLEX sowie die offenen Projekte COIN-OR und Google OR-Tools, gesteuert über Modellierungssprachen wie AMPL, GAMS, Pyomo oder JuMP. Mit diesen Werkzeugen kann ein Analyst ein Modell in wenigen Zeilen ausdrücken und Instanzen lösen, die vor einer Generation unmöglich gewesen wären.

Das Fach wächst zudem mit der Datenwissenschaft und der künstlichen Intelligenz zusammen. Diese Mischung wird oft unter dem Sammelbegriff „Analytics“ vermarktet, den INFORMS in drei Ebenen unterteilt: deskriptive Analytik (was geschah), prädiktive Analytik (was geschehen wird) und präskriptive Analytik (was zu tun ist). Operations Research ist der Motor dieser letzten, präskriptiven Ebene. Ein verbreitetes modernes Muster ist es, mit maschinellem Lernen Nachfrage oder Preise vorherzusagen und diese Prognosen dann in ein Optimierungsmodell einzuspeisen, das die beste Handlung wählt.

Berufe im Operations Research erscheinen unter vielen Bezeichnungen: Operations-Research-Analyst, Optimierungsingenieur, Data Scientist, Supply-Chain-Analyst, Revenue-Management-Analyst und Unternehmensberater. Diese Arbeit gilt durchweg als eine der lohnendsten technischen Laufbahnen, gerade weil sie tiefe Mathematik mit sichtbarer Wirkung in der realen Welt verbindet. Mit wachsenden Datenmengen und Rechenleistung dehnt sich die Reichweite des OR auf Klimaplanung, Fahrdienste, Cloud-Computing und darüber hinaus aus.

Das Kernversprechen hat sich jedoch nicht geändert, seit Blacketts Teams in den 1940er Jahren Konvois untersuchten. Bei einer schwierigen Entscheidung, begrenzten Ressourcen und einem klaren Ziel bietet Operations Research einen strengen Weg zu einer besseren Antwort. Deshalb bleibt es mehr als achtzig Jahre nach seiner Entstehung eine der leise einflussreichsten Disziplinen der modernen Welt.