Allokation3M

Maschinelles Lernen und Datenanalyse werden zunehmend im Projektmanagement eingesetzt, um die Produktivität zu verbessern. Im Projektmanagement trägt die effiziente Ressourcenallokation dazu bei, die Wirkung der Projektressourcen zu maximieren. Allokation3M verwendet drei klassische Allokationsmodelle, um die Ergebnisse der Ressourcenallokation aus verschiedenen Perspektiven zu optimieren. Ressourcen können Zeit, Arbeitskraft, Produkte, Materialien, Budget usw. sein.
Mean-Variance-Modell:
Die Kernidee des Mean-Variance-Modells besteht darin, die Gesamtvolatilität durch Diversifikation (z. B. geringe Korrelation zwischen Allokationsobjekten) zu reduzieren.
Beispielsweise könnten Sie Ressourcen basierend auf der monatlichen Verkaufsleistung von 50 europäischen Einzelhandelsgeschäften in den letzten drei Jahren zuweisen. Das Mean-Variance-Modell verwendet die Monte-Carlo-Methode, um einen Satz von Allokationsgewichten mit der besten Wachstumsrate zu finden.
Black-Litterman-Modell:
Das Black-Litterman-Modell basiert auf dem Mean-Variance-Modell, das Benutzermeinungen zur Wachstumsrate hinzufügt, um die Allokationsergebnisse zu optimieren.
In Fortsetzung des vorherigen Beispiels berechnet das Black-Litterman-Modell die durchschnittliche Wachstumsrate für jedes Einzelhandelsgeschäft als Referenz und zeigt sie an. Sie können die Parameter der Wachstumsrate basierend auf Ihrer Erfahrung oder dem Rat eines Experten anpassen.
Risk-Parity-Modell:
Sowohl das Mean-Variance-Modell als auch das Black-Litterman-Modell sind darauf ausgelegt, die "Wachstumsrate"zu optimieren, während das Risk-Parity-Modell darauf ausgelegt ist, die "Volatilität"zu optimieren.
Beispielsweise können Sie Ressourcen basierend auf den monatlichen Rohstoffpreisen von 20 Lieferanten im asiatisch-pazifischen Raum im vergangenen Jahr zuweisen. Das Risk-Parity-Modell verwendet die Newton-Methode, um eine Reihe von Allokationsgewichten mit gleicher Volatilität zu finden.