Grundlagen des Operations Research. Ackoff, R. L. & Sasieni, M. W. 1968.
Es wurden viele Definitionen des Operations Research vorgeschlagen, und es wurden viele Argumente dafür angeführt, warum sich das Fachgebiet überhaupt nicht definieren lässt. Bei der Betrachtung der verschiedenen angebotenen Definitionen sollte man bedenken, dass weder eine der älteren, längst etablierten Wissenschaften noch die Wissenschaft als Ganzes jemals zur Zufriedenheit aller ihrer Vertreter definiert wurde. Dennoch kann die nachstehende Definition als nützliche Grundlage für ein allgemeines Verständnis des Wesens des Operations Research dienen, insbesondere im Lichte der soeben dargestellten Geschichte des Fachgebiets.
Operations Research ist: (1) die Anwendung der wissenschaftlichen Methode, (2) durch interdisziplinäre Forschungsteams, (3) auf Probleme der Steuerung organisierter (Mensch-Maschine-)Systeme, um Lösungen zu liefern, die den Zwecken der Organisation als Ganzes am besten dienen.
Die in dieser Definition genannten charakteristischen Merkmale des Operations Research sind: (a) ein Systemansatz, (b) der Einsatz interdisziplinärer Forschungsteams und (c) die Anwendung der wissenschaftlichen Methode auf Probleme der Steuerung. Betrachten wir nun jedes dieser Merkmale genauer.
Dieser Ansatz beruht auf der Prämisse, dass in organisatorischen Systemen das Verhalten jedes Teils letztlich jeden anderen Teil beeinflusst. Nicht alle solchen Wirkungen sind bedeutsam, und manche sind womöglich überhaupt nicht nachweisbar. Das Wesen dieses Ansatzes besteht daher darin, bei der Bewertung der Leistung oder Strategie irgendeines Teils der Organisation systematisch nach bedeutsamen Wechselwirkungen zu suchen.
Eine solche Herangehensweise an organisatorische Probleme unterscheidet sich grundlegend davon, ein Problem auf eine handhabbare Größe zu reduzieren. Operations-Research-Fachleute erweitern nahezu ausnahmslos die ursprüngliche Formulierung des ihnen vorgelegten Problems, indem sie Wechselwirkungen einbeziehen, die in der Formulierung des Managements nicht enthalten waren. Die Bearbeitung dieser umfassenderen und folglich komplexeren Probleme erfordert die Entwicklung neuer Forschungsmethoden.
Wir haben uns so sehr daran gewöhnt, wissenschaftliches Wissen entsprechend der Fakultätsstruktur der Universitäten zu klassifizieren, dass wir mitunter glauben, diese Gliederung spiegele die Struktur der Natur selbst wider. Nichts könnte weiter von der Wahrheit entfernt sein. Es gibt an sich keine physikalischen, biologischen, psychologischen oder wirtschaftlichen Probleme. Es gibt nur Probleme. Wissenschaftliche Disziplinen stellen lediglich verschiedene Methoden dar, sie zu untersuchen. Jedes Problem kann aus der Perspektive jeder wissenschaftlichen Disziplin betrachtet werden – wenngleich dies natürlich nicht immer zweckmäßig ist. Im Grunde ist dies derselbe Gedanke, der zuvor bereits in anderer Form geäußert wurde: Eine Organisation hat keine getrennten Produktions-, Marketing- oder Finanzprobleme. Eine solche Aufteilung spiegelt lediglich unterschiedliche Herangehensweisen an die Untersuchung derselben organisatorischen Probleme wider.
Jeder Spezialist mag bestimmte Verbesserungen erzielen, doch welche dieser Verbesserungen – oder welche Kombination von ihnen – ist die beste? Bei komplexen Problemen wissen wir dies selten im Voraus. Es empfiehlt sich daher, ein möglichst breites Spektrum an Herangehensweisen an das Problem zu betrachten und zu bewerten. Dies ist die Grundlage für interdisziplinäre Forschungsteams.
Da es derzeit mehr als hundert reine und angewandte wissenschaftliche Disziplinen gibt, ist es offensichtlich unmöglich, in jedem Forschungsprojekt einen Vertreter jeder einzelnen einzubeziehen. Es ist jedoch wünschenswert, möglichst viele Disziplinen im Team vertreten zu haben und die Arbeit des Teams einer kritischen Überprüfung aus dem breitestmöglichen Spektrum von im Team nicht vertretenen Disziplinen zu unterziehen.
Den meisten Darstellungen der wissenschaftlichen Methode zufolge liegt ihr charakteristisches Merkmal im Experiment. Bei staatlichen, militärischen oder industriellen Organisationen sind Experimente im engeren Sinne – das heißt die physische Veränderung von Variablenwerten – jedoch häufig unmöglich oder unpraktikabel. Ein Industrieunternehmen kann beispielsweise nicht seine eigene Existenz für ein Experiment aufs Spiel setzen. Natürlich ist Experimentieren mitunter möglich, insbesondere auf der Ebene von Teilsystemen, und es spielt im Operations Research durchaus eine wichtige Rolle. Dennoch kann das untersuchte System als Ganzes in der Regel keinem Experiment unterzogen werden. In den meisten Fällen erfordert die Untersuchung des Systems als Ganzes daher einen Ansatz, der keine Experimente (im engeren Sinne der physischen Veränderung des Untersuchungsobjekts) beinhaltet.
Operative Modelle nehmen die Form von Gleichungen an, die zwar mathematisch komplex sind, aber eine sehr einfache Struktur aufweisen: Der Nutzen oder Wert eines Leistungskriteriums, das die Funktionsweise des Systems charakterisiert, wird als Funktion kontrollierbarer Variablen sowie nicht kontrollierbarer Variablen (und Konstanten) ausgedrückt, die die Funktion dennoch beeinflussen.
Darüber hinaus sind häufig eine oder mehrere Gleichungen oder Ungleichungen erforderlich, um auszudrücken, dass bestimmte kontrollierbare Variablen nur innerhalb festgelegter Grenzen variieren können.
Sobald ein Modell aufgestellt wurde, kann es verwendet werden, um exakte oder näherungsweise optimale Werte der kontrollierbaren Variablen zu finden – also Werte, die bei gegebenen Werten der nicht kontrollierbaren Variablen das beste Leistungskriterium des Systems ergeben. Mit anderen Worten, man kann eine Lösung des Problems im Modell erhalten. Wie genau diese Lösung gewonnen wird, hängt vom verwendeten Modell ab.
Eine Lösung kann durch Experimentieren am Modell (durch Variation seiner Parameter) oder durch mathematische Analyse gewonnen werden. In manchen Fällen kann die mathematische Analyse durchgeführt werden, ohne die konkreten Werte der Variablen zu kennen; in anderen Fällen müssen die Werte numerisch festgelegt werden.
Unabhängig von der angewandten Methode besteht das Ziel stets darin, eine optimale oder nahezu optimale Lösung zu finden. Eine optimale Lösung ist eine solche, die das Leistungskriterium im Modell – je nach Art des Problems – minimiert oder maximiert, unter Berücksichtigung der im Modell dargestellten Bedingungen und Restriktionen. Die Optimierung liefert somit die beste Lösung des Problems, wie es durch das Modell beschrieben wird. Da ein Modell jedoch nie eine exakte Beschreibung des Problems darstellt, ist die auf diese Weise gewonnene optimale Lösung ebenfalls niemals die einzig beste Lösung des tatsächlichen Problems. Geht man davon aus, dass das Modell eine „gute“ Darstellung des Problems liefert, so ist die am Modell gewonnene optimale oder nahezu optimale Lösung eine „gute“ Annäherung an die optimale Lösung des tatsächlichen Problems. In jedem Fall ist sie erheblich besser als die Strategie oder das Verfahren, das sie ersetzen soll.
Da die durch die Lösung gewonnenen optimalen Werte der Variablen die Systemleistung nur in dem Maße verbessern, in dem das Modell das System zutreffend beschreibt, ist es notwendig, die Übereinstimmung des Modells mit der Realität zu überprüfen und die Lösung nüchtern zu bewerten. Mit anderen Worten, die vorhergesagten Ergebnisse der Umsetzung der Lösung müssen mit der Strategie oder dem Verfahren verglichen werden, das sie ersetzen soll.
Da der Zweck des Operations Research schließlich nicht in der Erstellung wissenschaftlicher Berichte, sondern in der Verbesserung der Systemleistung besteht, müssen die Forschungsergebnisse umgesetzt werden (sofern sie für den Entscheidungsträger akzeptabel sind). In dieser Phase findet die abschließende Prüfung und Bewertung der Forschungsergebnisse statt. Dies ist also die Phase, in der sich den Operations-Research-Fachleuten die größte Gelegenheit bietet, Erfahrungen zu sammeln.
Gehört die Entscheidung, für die die Forschung durchgeführt wird, zur Kategorie der wiederkehrenden Entscheidungen, so ist es angesichts der Natur der im Operations Research untersuchten Systeme durchaus wahrscheinlich, dass sich zwischen aufeinanderfolgenden Entscheidungen die Werte einiger nicht kontrollierbarer Variablen und sogar die Struktur des Systems selbst verändern. Es ist daher notwendig, bedeutsame Veränderungen im System und in seiner äußeren Umwelt zu erkennen und die Entscheidung entsprechend anzupassen. Mit anderen Worten, Ergebnisse, die die Form von Regeln für wiederkehrende Entscheidungen oder für über längere Zeiträume angewandte Entscheidungen annehmen, müssen aktualisiert und ihre korrekte Anwendung überwacht werden.