TIỂU LUẬN MÔN HỌC HỆ HỖ TRỢ QUYẾT ĐỊNH MÔ HÌNH HÓA VÀ QUẢN LÝ MÔ HÌNH

ĐẠI HỌC HUẾ
TRƯỜNG ĐẠI HỌC KHOA HỌC
KHOA CÔNG NGHỆ THÔNG TIN

NHÓM 4 – CAO HỌC KHOA HỌC MÁY TÍNH B
(NĂM HỌC 2010 – 2012)
MÔ HÌNH HÓA
VÀ
QUẢN LÝ MÔ HÌNH
TIỂU LUẬN MÔN HỌC
HỆ HỖ TRỢ QUYẾT ĐỊNH


Huế, tháng 1/2012
ĐẠI HỌC HUẾ
TRƯỜNG ĐẠI HỌC KHOA HỌC
KHOA CÔNG NGHỆ THÔNG TIN

NHÓM 4 – CAO HỌC KHOA HỌC MÁY TÍNH B
(NĂM HỌC 2010 – 2012)
MÔ HÌNH HÓA
VÀ
QUẢN LÝ MÔ HÌNH
TIỂU LUẬN MÔN HỌC
HỆ HỖ TRỢ QUYẾT ĐỊNH
GIÁO VIÊN HƯỚNG DẪN: NHÓM HỌC VIÊN THỰC HIỆN:
TS. HOÀNG THỊ LAN GIAO TRẦN NHƯ ĐĂNG TUYÊN
NGUYỄN THỊ THANH TÂM
NGUYỄN THỊ THÀNH
NGUYỄN VŨ CÁT TƯỜNG
TRẦN THỊ MỸ NGÂN

LÊ BÁ MINH PHONG
Huế, tháng 1/2012
5.1 Mô hình trong MSS
Mô hình trong MSS có thể được thực thi trong nhiều cách. Để hiểu cách mô
hình làm việc trong MSS, trường hợp của Frazee Paint, ở dự án Sinh viên 1 (cuối
quyển sách) cho 1 ví dụ minh họa. DSS này bao gồm 3 kiểu mô hình:
1. 1 mô hình thống kê (phân tích xuống), mà được dùng cho việc tìm kiếm các mối
quan hệ giữa các biến. Mô hình này được lập trình trước trong công cụ phát triển phần
mềm DSS.
2. 1 mô hình tài chính cho việc phát triển tình trạng thu nhập và hoạch định dự án kế
toán trong nhiều năm. Mô hình này được bán cấu trúc và được viết với 1 ngôn ngữ
DSS đặc biệt được gọi IFPS.
3. 1 mô hình tối ưu hóa được thực hiện sử dụng mô hình quản lí khoa học được gọi là
chương trình tuyến tính tiếp cận để xác định việc lựa chọn truyền thông. Để dùng mô
hình này, DSS cần giao tiếp với các phần mềm khác.
Frazee chứng minh trường hợp mà 1 DSS có thể bao gồm nhiều mô hình, một
số chuẩn và một số tự tạo, mà được dùng chung để hỗ trợ việc quyết định việc quảng
bá trong công ty. Nó cũng chứng minh rằng 1 số mô hình có thể được xây dựng trong
các gói phát triển phần mềm; một số cần được xây dựng; những cái khác cần được truy
cập bởi DSS khi cần thiết.
Các khía cạnh của mô hình cần được xem xét như sau:
Phát hiện vấn đề và phân tích môi trường.
Vấn đề này được thảo luận ở chương 2. Một khía cạnh mà không được thảo
luận là đề tài duyệt và phân tích môi trường, mà nghiên cứu điều khiển việc duyệt,
và dịch được gọi là thu thập thông tin. Nó thường thích hợp với phân tích phạm vi
vùng miền, và thác nước và động của môi trường. Nó thì cần thiết để xác định văn hóa
tổ chức, hợp thành tiến trình quyết định (người đưa ra quyết định, mức độ của sự tập
trung…). Hơn nữa, thảo luận của Ariav và Ginzberg [1985], và Weber và Konynski
[1988].
Sự phát hiện ra các biến.

Sự xác định của các biến khác nhau hầu như rất quan trọng, và vì vậy chúng có
mối quan hệ. Các biểu đồ ảnh hưởng, mà được miêu tả trong phần 5.8 có thể rất hữu
ích trong tiến trình này.
Tiên đoán.
Tiên đoán thì quan trọng việc xây dựng và vận động mô hình. Tiên đoán được
mô tả trong phần 5.9.
Mô hình
Sự giải quyết hệ thống hỗ trợ có thể bao gồm nhiều mô hình (đôi khi 12). Một
trong số các mô hình là cân bằng chuẩn và chúng được xây dựng trong phần mềm
phát triển DSS. Những cái khác là chuẩn nhưng không có giá trị như hàm xây dựng
trong. Thay vì chúng như phần mềm không có giá đỡ mà có thể giao tiếp với DSS.
Những mô hình không chuẩn cần được xây dựng từ sự hỗn tạp.
Người xây dựng DSS thường phải đối mặt với vấn đề khó xử mà các mô hình
bao gồm trong DSS. Thì sự quyết định phải được làm như là để xây dựng chúng, sử
dụng một cái khác đã làm rồi, hoặc chỉnh sửa mô hình đã có.
Bảng 5.1 tổng hợp các loại của các mô hình được dùng trong DSS vào 7 nhóm.
Nó cũng liệt kê ra nhiều thể hiện kỹ thuật trong mỗi loại và biểu đạt số phần mà mỗi
loại được thảo luận trong chương này.
Mỗi kỹ thuật có thể xuất hiện trong 1 dạng mô hình hoặc tĩnh hoặc động (phần
5.2) và nó có thể được xây dựng dưới giả định chắc chắn, không chắc chắn, hoặc nguy
hiểm (phần 5.3).
Để giải quyết việc xây dựng các mô hình người ta có thể dùng ngôn ngữ mô
hình (phần 5.11-5.14).
Quản lí mô hình
Mô hình, gần như dữ liệu, cần được quản lí. Việc quản lí được làm với sự giúp
đỡ của phần mềm quản lí mô hình cơ sở (phần 5.16).
Bảng 5.1. Các phạm trù của mô hình
5.2 Mô hình tĩnh và động
DSS có thể tĩnh hoặc động
Phân tích tĩnh.

Mô hình tĩnh dẫn đế sự kết xuất nhanh đơn giản của một trạng thái. Trong suốt
sự kết xuất nhanh này mọi thứ xuất hiện trong một khoảng cách đơn lẻ, mà có thể
ngắn hay dài trong quá trình.
Ví dụ, một quyết định làm hay mua 1 sản phẩm là tĩnh trong tự nhiên. Sự tuyên
bố một quý hay một năm thu nhập là tĩnh và vì vậy để quyết định đầu tư được chỉ ra
trong phần 5.4.
Trong khi phân tích tĩnh nó được giả định là ổn định.
Phân tích động.
Mô hình động được sử dụng để định giá sự kiện mà thay đổi theo thời gian. Một
ví dụ đơn giản nên là dự án lợi tức trong 5 năm, nơi mà dữ liệu vào, như là giá cả, số
lượng bị thay đổi hàng năm.
Mô hình động là phụ thuộc thời gian. Ví dụ, để xác định bao nhiêu lỗi nên được
mở ra trong 1 siêu thị. Nó cần được xem xét thời gian trong ngày. Điều này là vì có
nhiều sự thay đổi trong số những người đến siêu thị vào những giờ khác nhau.
Mô hình động thì quan trọng bởi vì chúng chỉ ra xu hướng và các mẫu trong
ngày. Chúng cũng chỉ ra trung bình trên một đơn vị thời gian, chuyển dịch giá tri
trung bình và phân tích so sánh (ví dụ, lợi nhuận quý này chống lại lợi nhuận quý
này trong năm trước).
5.3 Xử lí chắc chắn, không chắc chắn và nguy hiểm
Khái niệm chắc chắn, không chắc chắn, nguy hiểm được giới thiệu chương 2.
Khi chúng ta xây dựng mô hình, bất kỳ loại nào cũng có thể xuất hiện. Sau đây là một
số phát hiện liên quan đến mỗi điều kiện:
Mô hình chắc chắn.
Mọi người đều thích mô hình chắc chắn bởi vì chúng dễ làm và có thể giải quyết
hiệu suất tối ưu. Vấn đề đặc biệt là vô hạn (hoặc rất rộng lớn) số lượng vấn đề giải
quyết khả thi. Chúng được thảo luận trong phần 5.5 và 5.7. Nhiều mô hình tài chính
được xây dựng dưới giả định chắc chắn.
Không chắc chắn.
Người quản lí cố gắng thử tránh không chắc chắn nhiều có thể. Thay vì họ cố
gắng giành được nhiều thông tin hơn để các vấn đề có thể được xử lí dưới tính toán

nguy hiểm. Nếu bạn không thể giành được nhiều thông tin hơn, bạn phải xử lí vấn đề
như 1 vấn đề không chắc chắn.
Nguy hiểm.
Hầu hết các quyết định kinh doanh chính được thực hiện dưới giả định nguy
hiểm. Nhiều kỹ thuật có thể được dùng để giải quyết với phân tích nguy hiểm. Chúng
được đề cập trong phần này và phần 5.6.
5.4 Phân tích quyết định của một vài chuyển đổi (bảng quyết định hay cây
quyết đinh).
Các tình huống quyết định mà liên quan đến một vài hạn chế và thường không
quá lớn trong một số thay đổi thì được mô phỏng bởi cách tiếp cận mà sự thay đổi
được liệt kê với khả năng của chúng dự báo sự đóng góp cho việc đến đích, và có thể
nhận thấy như là sự đóng góp, trong một bảng hay một đồ thị. Thì, một sự ước lượng
diễn ra để chọn lựa sự thay đổi tốt nhất.
Hai trường hợp được phân biệt: đơn mục tiêu và đa mục tiêu. Tình huống đơn
mục tiêu thì được tiếp cận bởi việc sử dụng các bảng quyết định hoặc cây quyết định.
Đa mục tiêu (điều kiện) có thể được tiếp cận bởi nhiều kỹ thuật (có thể được mô tả
sau).
Bảng quyết định
Bảng quyết định thì thuận lợi cho cách tổ chức thông tin trong một kiểu hệ
thống.
Ví dụ: một công ty đầu tư được xem xét đầu tư 1 trong 3 thay thế: dây buộc,
hàng tồn kho hoặc chứng chỉ vật gửi. (CDs).
Công ty thích 1 mục tiêu sản lượng lớn nhất trong đầu tư sau một năm. Nếu nó
được tương thích các mục tiêu khác như an toàn hay lưu lượng tiền mặt, thì vấn đề
nên được phân loại như các phân tích quyết định đa điều kiện.
Sản lượng phụ thuộc vào tình hình kinh tế, mà có thể cả phát triển cứng, tồn
đọng, hay sự lạm phát. Giới hạn sau của sản lượng hàng năm được cho bởi chuyên
gia:
1. Nếu có sự phát triển đồng nhất trong nền kinh tế, dây buộc sẽ chiếm sản lượng
12%; cổ phiếu 15% và tiền gửi có thời hạn 6.5%

2. Nếu sự tồn đọng chiếm ưu thế, dây buộc sẽ chiếm 6%; cổ phiếu 3% và tiền gửi
có kỳ hạn 6.5%
3. Nếu lạm phát chiếm ưu thế, dây buộc sẽ chiếm 3%; cổ phiếu sẽ mất giá 2%; và
tiền gửi có kỳ hạn 6.5%.
Vấn đề là chọn sự đầu tư linh hoạt nhất. Chú ý: đầu tư 50% trong dây buộc và
50% trong cổ phiếu là sự thay đổi khác, và nó có thể được cộng vào sự thay đổi thú 4.
Ngược lại, thật sự công ty có thể đối mặt với những sự thay đổi khác.
Vấn đề đầu tư có thể được tổ chức trong 1 bảng (xem bảng 5.2)
Alternative Solid Growth Stagnation Inflation
Bonds 12% 6% 3%
Stocks 15% 3% -2%
CDs 6.5% 6.5% 6.5%
Bảng 5.2 Vấn đề đầu tư
Bảng này thể hiện mô hình toán học. Theo sự xác định của chúng tôi in chương
2, bảng bao gồm: biến quyết định (thay đổi), biến không kiểm soát được (trạng thái
của nền kinh tế), và biến kết quả (sản lượng dự án; số bên trong bảng).
Hai trường hợp có thể được phân biệt: không chắc chắn và nguy hiểm. Trong
trường hợp không chắc chắ, chúng ta không biết khả năng của mỗi trạng thái tự nhiên.
Trong trường hợp nguy hiểm chúng ta giả định chúng ta biết khả năng mà mỗi trạng
thái tự nhiên sẽ xuất hiện.
Xử lí không chắc chắn.
Theo phản ứng trực giác của vài nhà quản lí thì không đưa ra quyết định dưới sự
không chắc chắn đến khi thay đổi nền kinh tế có thể được đánh giá. Tuy nhiên, nếu
không có thông tin cho việc đánh giá cho các cơ hội (hoặc không có thời gian để thu
thập nhiều thông tin), một người có thể dùng một trong số nhiều hướng tiếp cận để
nắm bắt phần không chắc chắn. Ví dụ, hướng tiếp cận tối ưu hóa bao gồm sự xem xét
hậu quả tốt nhất có thể của mỗi sự thay đổi và sự lựa chọn tốt nhất của cái tốt nhất (cố
phiếu). Hướng tiếp cận yếm thế (bảo thủ) bao gồm sự xem xét hậu quả xấu nhất có
thể xảy ra cho mỗi sự thay đổi và sự lựa chọn cái tốt nhất (CDs).
Mỗi chi tiết đó và các hướng tiếp cận khác, xem Turban và Meredith [1994]. Tất

cả các hướng tiếp cận của sự nắm bắt không chắc chắn có sự thiếu hụt nghiêm trọng.
Vì vậy, bất kỳ mô hình nào cũng nên cố gắng thu thập thông tin đầy đủ để mà vấn đề
có thể được xử lí dưới dạng chắc chắn hoặc dưới gỉa định nguy hiểm.
Xử lí nguy hiểm.
Chúng ta hãy giả định rằng cơ hội của sự phát triển bền vững được giới hạn là
50% mà sự tồn đọng 30%, và sự lạm phát 20%. Trong trường hợp bảng quyết định
được viết lại với sự thêm thông tin (xem bảng 5.3). Phương pháp chung nhất cho việc
giải quyết vấn đề phân tích sự nguy hiểm là chọn sự thay đổi với giá trị mong đợi lớn
nhất. Một giá trị mong đợi được tính toán bởi nhiều quy tắc (hậu quả) bởi khả năng
riêng của chúng và cộng thêm cả chúng. Ví dụ, cho dây buộc:
12(0.5)+6(0.3)+3(0.2)=8.4 (đầu tư cho dây buộc, cho trung bình trở lại 8.4%).
Cây quyết định
Một sự thể hiện thay đổi của bảng quyết định là một cây quyết định. Một cây
quyết định có 2 thuận lợi: Thứ nhất, nó chỉ ra biểu đồ của mối quan hệ của vấn đề, và
thứ hai, nó có thể giải quyết những tình huống phức tạp hơn nhiều trong một hình
dạng nhỏ gọn (ví dụ, vấn đề đầu tư đa thời kỳ).
Alterative Solid Growth
0.50
Stagnation
0.30
Inflation 0.20 Expected Value
Bonds 12% 6% 3% 8.4%(maximum)
Stocks 15% 3% -2% 8%
CDs 6.5% 6.5% 6.5% 6.5%
Bảng 5.3 Quyết định dưới mức nguy hiểm và sự giải quyết của nó
Alteratives Yield Safety Liquidity
Bonds 8.4% High High
Stocks 8% Low High
CDs 6.5% Very High High
Bảng 5.4 Đa mục tiêu

Các phương pháp khác của xử lí nguy hiểm.
Nhiều phương pháp khác của xử lí nguy hiểm được thảo luận trong sách này.
Đặc biệt: mô phỏng, tác nhân chắc chắn, logic mờ.
Đa mục tiêu
Một trường hợp đơn giản của đa mục tiêu được chỉ ra trong bảng 5.4. 3 mục tiêu
(hoặc điều kiện) được xem xét: sản lượng, an toàn và lưu lượng tiền mặt.
Chú ý rằng tình trạng này được giả định chắc chắn; đó là, duy chỉ 1 hậu quả có
thể là dự đoán cho cả sự thay đổi. (Ngược lại, trong một số trường hợp phức tạp hơn,
nguy hiểm hay không chắc chắn được xem xét). Chú ý rằng một số kết quả là phi số
nhưng định lượng (vd, cao, thấp). Với phương pháp giải quyết đa mục tiêu xem
Hwanf và Yoon [1981].
Phần mềm bao quát thì có giá trị trong giải quyết đưa ra quyết định đa điều kiện
(xem phần 5.15 và Phụ lục 5-B).
5.10 Mô hình không định lượng
Cho đến nay, các phương pháp tiếp cận mô hình hóa và các vấn đề thảo luận đều
tập trung vào mô hình định lượng. Tuy nhiên, mô hình hóa trong MMS có thể liên
quan đến mô hình không định lượng (chất lượng). Trong nhiều trường hợp mô hình
không định lượng được thể hiện theo các quy tắc. Ví dụ, sau đây có thể được xem như
là một mô hình lập kế hoạch:
1. Nếu công việc không phải là phức tạp và mất ít hơn 15 phút để hoàn thành, thì
lên kế hoạch hoàn thành sớm trong ngày.
2. Nếu công việc là phức tạp và phải mất một thời gian dài để hoàn thành, thì lên
kế hoạch hoàn thành chậm nhất là sau 10 giờ sáng.
3. Nếu công việc rất phức tạp, nhưng nó có thể được hoàn thành nhanh chóng
một khi bắt đầu, thì kế hoạch là hoàn thành trong buổi trưa.
4. Phân công các công việc ngắn cho các nhân viên không vui vẻ và công việc
dài cho các nhân viên vui vẻ trong công việc
Mô hình không định lượng có thể được thực hiện một cách riêng biệt hoặc kết
hợp với mô hình định lượng. Trong một số trường hợp, nó có thể chuyển đổi một số
giải pháp định tính sang định lượng.Ví dụ, thước đo cho sự hài lòng của nhân viên có

thể được tính trên thang điểm dao động từ "rất không hài lòng" đến "rất hài lòng".
Điểm thấp nhất nhận giá trị 1 và cao nhất nhận giá trị là 10, các giá trị khác được đặt ở
giữa.
5.11. Ngôn ngữ mô hình và các bảng tính
Mô hình có thể được viết bằng nhiều ngôn ngữ lập trình. Tiểu luận sẽ trình bày
những vấn đề sau đây:
- Bảng tính điện tử (bổ sung)
- Tài chính và mô hình lập kế hoạch.
Mô hình rất phổ biến của người dùng cuối trên các máy vi tính là các bảng tính
điện tử. Công cụ này được dựa trên cấu trúc của một bảng tính kế toán, về cơ bản là
một bảng tính gồm cột và hàng. Bảng tính điện tử được biểu diễn trong bộ nhớ của
máy tính. Giao của các cột và các hàng được gọi là các ô (cells). Người sử dụng nhập
dữ liệu là số hoặc văn bản trong các ô này. Sau đó, các lập trình viên có thể viết một
chương trình để xử lý dữ liệu (ví dụ như "Nhân ô C5 với D7"). Bảng tính này có nhiều
lợi thế hơn một bảng tính kế toán. Đáng chú ý nhất là khả năng mô hình hóa, người
dùng có thể viết mô hình của mình cũng tiến hành phân tích "những gì-nếu". Ngoài ra,
có thể tổng hợp được báo cáo và các dữ liệu có thể được tổ chức trong thứ tự chữ cái
hoặc số. Những khả năng khác bao gồm thiết lập các cửa sổ để xem một số bộ phận
của bảng tính cùng một lúc và thực hiện các thao tác toán học. Điều này cho phép các
bảng tính trở thành một công cụ quan trọng để phân tích, lập kế hoạch và mô hình hóa.
Ngoài ra với khả năng viết các mô hình với một bảng tính, những phần mềm này
thường được xây dựng đa dạng, phong phú các chức năng thống kê, toán học và tài
chính. Ngoài ra, người ta có thể sử dụng thêm phần mềm tiện ích (add-on), trong đó
bao gồm hàng chục chức năng khác.
Xu hướng mới hiện nay là tích hợp các bảng tính với sự phát triển của các phần
mềm tiện ích, chẳng hạn như phần mềm quản lý cơ sở dữ liệu, thông tin liên lạc, an
ninh và đồ họa. Những phần mềm tích hợp nhỏ như Lotus 1-2-3, Excel và Quattro Pro
hiện đang phổ biến hơn so với phần mềm chỉ độc lập bảng tính.
Khả năng chính của các chương trình bảng tính là công thức có thể được nhúng
bằng cách sử dụng các con số trong bảng tính, những con số này có thể được thay đổi

và những tác động của những thay đổi này ngay lập tức có thể được quan sát và phân
tích.
Một bảng tính có thể được sử dụng để xây dựng mô hình tĩnh hoặc động. Một mô
hình tĩnh không bao gồm thời gian đuợc xem như là một biến. Ví dụ, bảng tính được
sử dụng để xây dựng các bảng cân đối. Một mô hình động đại diện cho hành vi dọc
theo thời gian (tức là, nó không bao gồm một yếu tố thời gian cố định). Ví dụ, bảng
cân đối kế toán cho một năm nhất định có thể được hiển thị cùng với những thông số
trong năm năm trước đó.
Bảng tính được sử dụng trong hầu hết các loại của tổ chức ở tất cả các khu vực
chức năng
Ví dụ về việc giải quyết một vấn đề quản lý hàng tồn kho với một bảng tính
(bằng cách sử dụng Lotus 1-2-3) được trình bày tại Phụ lục 5A của chương này.
Các mô hình được xây dựng với bảng tính có thể được liên kết với nhau (ví dụ,
sản lượng của các dự báo bán hàng có thể được sử dụng như một đầu vào cho hàng tồn
kho và các mô hình lưu chuyển tiền tệ). Một số các ứng dụng này không đúng DSS,
chúng có nhiều tính chất của MIS truyền thống. Vấn đề là một bảng tính, người dùng
không phải chờ đợi một thời gian dài nữa cho các bộ phận IS để xây dựng một ứng
dụng. Chúng ta có thể xây dựng các ứng dụng riêng của mình (với sự giúp đỡ tối thiểu
từ Trung tâm Thông tin hoặc bộ phận IS) rất nhanh chóng và không tốn kém.
Các bảng tính được phát triển cho máy tính nhỏ (micros), nhưng cũng có sẵn cho
máy tính lớn hơn với nhiều khả năng xử lý hơn. Tại bảng 5.6, chúng tôi sẽ đưa ra danh
sách đại diện của các phần mềm bảng tính. Bảng tính là công cụ mô hình rất phổ biến,
nhưng chúng cũng có những hạn chế. Những khiếm khuyết là thiếu khả năng tối ưu
hóa và chỉ tính toán hạn chế trong hai chiều. Vì vậy, tìm kiếm những công cụ mạnh
hơn công cụ mô hình hóa là cần thiết. Công cụ như vậy được mô tả trong phần 5.14.
Năng suất lập trình của DSS có thể được tăng cường với việc sử dụng các mẫu,
macro và các công cụ khác
Bảng 5.6 Miêu các sản phẩm phần mềm bảng tính dựa trên tích hợp cho micros
Sản phẩm Người bán
Excel Microsoft (Redmond, WA)

Full Impact Aston-Tate (Torrance, CA)
Golden gate Computer Associates (New York, NY)
Lotus 1-2-3 Lotus Development Co. (Cambridge, MA)
Multiplan Microsoft Corp. (Belleview, WA)
Peachcalc Peach ware Co. (Atlanta, GA)
Plan Perfect WordPerfect Corp. (Orem, UT)
Quattro Pro Borland International (Scotts Valley, CA)
SuperCalc5 Computer Associates (New York, NY)
The Smart Spreadsheet Innovative Software (Overland Park, KS)
20/20 and Trapeze Access Technology (South Natick, MA)
Wings Informix Software (Lenexa, KS)
5.12 Mô hình hóa đa chiều
Khái niệm đa chiều đã được giới thiệu trong chương 4, dựa vào quan điểm về dữ
liệu. Ở đây chúng ta thảo luận đa chiều từ quan điểm bảng tính.
Các bảng tính ban đầu liên quan đến hai kích thước: Hàng và cột. Sau đó, với sự
ra đời của Windows, các gói phần mềm như Lotus 1-2-3 giới thiệu những đề xuất mới,
họ gọi là cách tiếp cận bảng tính 3D . Nó cho phép người sử dụng thiết lập ba dữ liệu
khác nhau trên màn hình cùng một lúc, nhưng không thực sự làm việc trong ba chiều.
Tuy nhiên, các nhà quản lý cần làm việc với ba hoặc nhiều chiều hơn. Ví dụ, dữ liệu
bán hàng có thể là cần thiết theo vùng, theo sản phẩm, theo tháng và tất cả các nhân
viên bán hàng trên cùng một màn hình. Và dữ liệu này cần phải được thao tác (ví dụ,
thực hiện "những gì-nếu"). Giải pháp cho vấn đề này là cung cấp các công cụ mô hình
hóa đa chiều.
Để mô tả mô hình đa chiều dể hiểu trong một thời gian ngắn, chúng ta sẽ cùng
xem xét ba sản phẩm nổi tiếng (bảng tính đa chiều) tất cả làm việc trong môi trường
Windows.
CA-Compete (từ Computer Associates). CA-Compete được dán nhãn là một
bảng tính động (chứa đến 12 chiều). Phần mềm có thể so sánh, xoay và “cắt miếng và
thái mỏng” (slice và dice) dữ liệu của doanh nghiệp trên những quan điểm quản lý
khác nhau. Nó cung cấp cơ sở dữ liệu động với một kết thúc trước bảng tính. Giống

như các sản phẩm khác, phần mềm này có khả năng xử lý dữ liệu và thao tác “kéo và
thả” cho phép người dùng nhanh chóng thay đổi hình dạng của bảng tính. Ví dụ, người
ta có thể thay đổi các hàng và cột. So sánh với một phần mềm bảng tính thông thường,
thao tác này có thể được thực hiện nhanh hơn nhiều với CA-Compete và không có các
lỗi phổ biến khi thực hiện thao tác tương tự được thực hiện với phần mềm bảng tính
thông thường. Phiên bản mới nhất của các bảng tính thông thường (ví dụ: Gasteiger
1993) chỉ cho phép quay đơn giản của các cột và các hàng. Chúng cũng bị hạn chế khả
năng “slice và dice”.
IMPROV (từ Lotus Development Corp.). Tương tự như CA-Compete, nhưng
có những cải tiến hơn hơn, IMPROV là một dạng bảng tính động cho phép người dùng
viết mô hình trong một ngôn ngữ như tiếng Anh (tương tự như IFPS) và dễ dàng thay
đổi cấu trúc của các bảng đầu ra (ví dụ, thay đổi hàng các cột).
Với quan điểm động của nó, IMPROV được thiết kế để xoay, ẩn, hiển thị, sụp
đổ, cắt miếng, thái mỏng và mở rộng các bảng, sắp xếp lại dữ liệu trong 16 chiều.
Phần mềm này ngay lập tức có thể xây dựng bảng tính mới.
Biểu đồ bất kỳ có thể được tạo ra bằng cách chọn kiểu trình bày thích hợp từ một trình
đơn, thường là bằng cách nhấn vào các mẫu đồ họa và trình bày hiển thị theo mong
muốn. Theo quan điểm này, các công thức được hiển thị bằng tiếng Anh. Chú ý rằng
công thức không bị ràng buộc bởi một địa chỉ cụ thể, do đó chúng có thể được áp dụng
cho nhiều ô cùng một lúc. IMPROV xây dựng trong các công thức tương tự như Lotus
1-2-3.
Các thao tác của IMPROV được thực hiện bằng cách kéo biểu tượng từ một góc
khác (hoặc "kéo và thả" một biểu tượng). Sử dụng trong giao diện Windows, IMPROV
có thể tạo ra các đồ thị khá dễ dàng. Tuy nhiên, IMPROV không có nhiều khả năng
như của Lotus 1-2-3 (ví dụ, nó không có các hàm cơ sở dữ liệu phức tạp). Vì vậy, nó
thường được sử dụng cùng với Lotus 1-2-3 hoặc Excel. IMPROV có thể được kết nối
với một cú click chuột đến Lotus Notes hoặc cc:Mail (xem chương 10). Ngoài ra,
IMPROV còn có thể sử dụng thao tác nhúng đối tượng (OLE) kết nối dễ dàng vào các
ứng dụng Windows khác của Microsoft.
Commander Prism (từ Comshare, Inc). Prism Commander được thiết kế cho

các ứng dụng quản lý tổ chức lớn, phức tạp và nhiều hoạt động. Mặc dù chỉ có 9 chiều
(so với 12 chiều trong các sản phẩm trước đó), song nó có các tính năng mạnh mẽ
không có sẵn trong hai sản phẩm trước.
Ví dụ, Prism có thể tạo và quản lý cơ sở dữ liệu đa chiều lên đến 64 triệu ô để
chứa các thông tin (so với chỉ một vài triệu ô ở các sản phẩm khác). Ngoài ra, các công
thức trong Prism có thể chứa các thuật toán phức tạp. Một lợi thế là với tính chính xác
cao kết quả thực hiện chỉ là một thao tác duy nhất để đạt được các tác vụ nhất định
(các sản phẩm khác yêu cầu hai hoặc ba thao tác). Tuy nhiên, giá của Prism cao hơn
nhiều do các tính năng bổ sung của nó. Phần mềm này được bán chủ yếu như một bộ
phận chức năng trong các ứng dụng kinh doanh đảm bảo tính thống nhất lập báo cáo
ngân sách theo luật định và hỗ trợ các thông tin điều hành.
Lưu ý: Ngoài các sản phẩm độc lập, các sản phẩm tiện ích được thêm vào cũng
có thể cung cấp các bảng tính đa chiều và khả năng lập mô hình động. Ví dụ,
SmartPak 1-2-3 thêm vào cho Windows có một số khả năng của IMPROV.
5.5. Tối ưu hóa thông qua quy hoạch toán học
Quy hoạch toán học
Quy hoạch toán học là tên gọi của một họ các công cụ được thiết kế để giúp giải
quyết các vấn đề quản lý, trong đó các nhà quản lý phải quyết định phân phối tài
nguyên (như lao động, vốn, máy móc, ) giữa các hoạt động khác nhau để tối ưu hóa
công việc của mình. Chẳng hạn, phân phối thời gian sử dụng máy móc khi sản xuất
các sản phẩm khác nhau sao cho đạt hiệu suất cao nhất. Việc phân phối thường được
thể hiện thông qua các đặc điểm và đòi hỏi các giả thiết sau:
Các đặc điểm:
− Một số lượng hữu hạn các nguồn lực kinh tế luôn có sẵn để phân phối.
− Các tài nguyên được sử dụng cho việc sản xuất các sản phẩm hoặc dịch
vụ.
− Các tài nguyên có thể được sử dụng theo nhiều cách khác nhau. Mỗi cách
được gọi là một giải pháp hoặc một một quy hoạch.
− Sự phân phối thường phải thỏa mãn các ràng buộc.
Các giả định:

− Giá trị kết quả của các sự phân phối khác nhau có thể được so sánh, có
nghĩa là chúng có thể được đo bằng các đơn vị thông thường.
− Giá trị kết quả của các sự phân phối khác nhau là độc lập, không phụ
thuộc vào nhau.
− Giá trị kết quả cuối cùng là tổng các kết quả của các hoạt động khác nhau.
− Tất cả dữ liệu được biết một cách chắc chắn.
− Các nguồn lực được sử dụng một cách tiết kiệm nhất.
Vấn đề phân phối nói chung có thể được thực hiện như sau: Tìm cách phân phối
nguồn tài nguyên có hạn cho các hoạt động khác nhau sao cho mang lại hiệu quả lớn
nhất. Thông thường, ta sẽ có nhiều cách để phân phối. Tùy thuộc vào các giả định cơ
bản, số lượng các giải pháp có thể là vô hạn hay hữu hạn. Thường thì các giải pháp
phân phối khác nhau sẽ đem lại các kết quả năng suất khác nhau. Trong đó sẽ có một
(hoặc nhiều) giải pháp là tốt nhất, theo nghĩa mức độ đạt được mục tiêu cuối cùng với
nó là cao nhất. Đây được gọi là giải pháp tối ưu, có thể được tìm thấy bằng cách sử
dụng một thuật toán đặc biệt.
Quy hoạch tuyến tính
Ví dụ: Bài toán pha chế sơn (Tối ưu hóa cực tiểu)
Trong pha chế sơn Sungold, yêu cầu đặt ra là sơn phải đạt độ sáng tối thiểu là
300D và độ bóng tối thiểu là 250D. Mức độ sáng và bóng được quyết định bởi 2 thành
phần Alpha và Beta. Cả Alpha và Beta có vai trò như nhau trong việc tạo ra độ sáng, 1
ounce của mỗi loại Alpha hoặc Beta đem lại 1D độ sáng. Tuy nhiên, mức độ bóng thì
phụ thuộc nhiều vào Alpha. 1 ounce loại Alpha đem lại 3D độ bóng. Giá 1 ounce
Alpha là 45 cent, giá 1 ounce Beta là 12 cent. Hãy tìm chi phí cực tiểu và lượng alpha,
beta cần sử dụng để pha chế.
Gọi x
1
, x
2
(ounce) là lượng Alpha, Beta cần dùng. Mục tiêu của bài toán là tìm ra
chi phí cực tiểu. Giá của alpha là 45 cent/ounce, giá của beta là 12 cent/ounce. Do đó

ta cần tối thiểu hàm mục tiêu z = 45x
1
+ 12x
2
.
Độ sáng tối thiểu là 300 và x
1
, x
2
có vai trò như nhau trong việc tạo ra sự sáng
nên ta có phương trình: 1x
1
+ 1x
2
≥ 300
Tương tự ta cũng có: 3x
1
+ 0x
2
≥ 250
Tóm lại, với bài toán này ta cần tìm x
1
, x
2
sao cho:
z = 45x
1
+ 12x
2
đạt cực tiểu và thỏa mãn:




≥+
≥+
25003
30011
21
21
xx
xx
Và kết quả cho ra là x
1
= 83.333; x
2
= 216.667; tổng chi phí bỏ ra là 63.50
Dạng tổng quát và các thuật ngữ
Biến quyết định (Decision Variables): Mục đích của bài toán là tìm giá trị của các
biến này. Trong ví dụ trên, x
1
và x
2
là biến quyết định.
Hàm mục tiêu (Objective Function): Đây là một cách diễn đạt toán học, được đưa
ra như 1 hàm tuyến tính, nó cho biết mối quan hệ giữa các biến quyết định và một mục
tiêu duy nhất được xem xét.
Nếu vấn đề quản lý bao gồm nhiều mục tiêu, ta có thể tiếp cận theo 2 bước sau:
- Chọn 1 mục tiêu chính (cực đại hoặc cực tiểu)
- Biến đổi mục tiêu còn lại thành các ràng buộc.
Tối ưu hóa (Optimization): quy hoạch tuyến tính sẽ tìm giá trị cực đại hoặc cực

tiểu của hàm mục tiêu
Hệ số của các hàm mục tiêu (Coefficients of the Objective Function): Hệ số của
các biến trong hàm mục tiêu (Trong ví dụ trên là 45 và 12) được gọi là hệ số lợi ích
(hoặc là hệ số chi phí).
Các ràng buộc (Constraints): Các ràng buộc có thể được biểu diễn dưới dạng
các bất phương trình tuyến tính. Chúng miêu tả sự giới hạn của các tài nguyên hoặc
các yêu cầu nào đó.
Hệ số Input-Output (Input-Output Coefficients): Các hệ số trước các biến trong
các ràng buộc được gọi là hệ số Input-Output. Chúng thường xuất hiện bên trái của các
ràng buộc.
Khả năng (Capacities): Chúng được xem như là giới hạn trên và giới hạn dưới,
thường nằm bên phải các ràng buộc.
Ví dụ:
Hàm mục tiêu: Các ràng buộc:
5.6 Mô phỏng
Việc mô phỏng có rất nhiều công cụ, tùy thuộc vào lĩnh vực mà nó được ứng
dụng. Mô phỏng có nghĩa là giả định sự xuất hiện của các đặc tính trong thực tế. Trong
MSS, nó thường đề cập đến một kỹ thuật để tiến hành thực nghiệm bằng máy tính trên
một mô hình của một hệ thống quản lý.
Đặc điểm chính
Mô phỏng không hoàn toàn là một loại mô hình, các mô hình nói chung thường
đại diện cho thực tế, trong khi đó mô phỏng thường là giả lập.
Mô phỏng là 1 kỹ thuật để tiến hành thử nghiệm. Do đó sự mô phỏng bao gồm
việc kiểm tra các giá trị cụ thể của quyết định hoặc các biến trong mô hình đồng thời
quan sát ảnh hưởng đến các giá trị output.
Mô phỏng là một công cụ mô tả chứ không phải là một công cụ chuẩn, có nghĩa
là không có một sự tìm kiếm tự động nào cho một giải pháp tối ưu. Thay vào đó, 1 mô
phỏng mô tả và/hoặc dự đoán các đặc điểm của 1 hệ thống được đưa ra trong những
hoàn cảnh khác nhau.
Mô phỏng thường chỉ được sử dụng khi các vấn đề cần giải quyết là phức tạp,

khó xử lý bằng phương pháp tối ưu hóa.
Trong một mô hình tối ưu hóa, mô hình sẽ cho ra tập hợp các giá trị của biến số
ra quyết định để tối đa hóa hay tối thiểu hóa giá trị của hàm mục tiêu. Trong khi đó
một mô hình mô phỏng sẽ đánh giá các giá trị hàm mục tiêu đạt được theo sự thay đổi
của tập hợp các giá trị đầu vào.
Ưu và nhược điểm của mô phỏng
Ưu điểm:
− Lý thuyết mô phỏng tương đối đơn giản.
− Các mô hình mô phỏng đơn giản là sự tổng hợp của nhiều mối quan hệ cơ
bản và sự phụ thuộc lẫn nhau, chúng sẽ được đưa ra theo yêu cầu của nhà
quản lý.
− Mô phỏng có tính mô tả hơn là tính quy tắc. Nó cho phép nhà quản lý đặt
loại câu hỏi "what-if". Do đó, khi nhà quản lý sử dụng một phương pháp
thử-và-lỗi để giải quyết vấn đề thì sẽ nhanh hơn, rẻ hơn, với ít rủi ro, bằng
cách sử dụng sự trợ giúp của mô phỏng và máy tính.
z = 45x
1
+ 12x
2
decision variables
cost coefficients 1x
1
+ 1x
2
≥ 300
3x
1
+ 0x
2
≥ 250

capacities or
requiments
input-ouput
coefficients
− Một mô hình mô phỏng chính xác đòi hỏi người xây dựng phải thông hiểu
một cách sâu sắc vấn đề đó, do đó buộc các nhà xây dựng MMS phải trao
đổi trực tiếp với người quản lý.
− Mô hình được xây dựng từ quan điểm của nhà quản lý và theo cấu trúc
quyết định của họ.
− Mô hình mô phỏng chỉ được xây dựng cho một vấn đề nào đó mà thôi, nó
sẽ không giải quyết vấn đề khác. Do đó, không đòi hỏi nhà quản lý phải có
kiến thức sâu rộng. Mỗi thành phần trong mô hình tương ứng với một
phần của mô hình thực tế cuộc sống.
− Mô phỏng có thể xử lý các vấn đề có tính chất thay đổi thường xuyên như
hàng tồn kho, nhân viên, Ngoài ra nó cũng có thể thực hiện chức năng
cấp quản lý cao hơn như lập kế hoạch dài hạn.
− Nhà quản lý có thể thử nghiệm với các biến số khác nhau để xác định
phương án tối ưu nhất.
− Mô phỏng cho phép bao gồm các vấn đề phức tạp trong đời sống thực tế,
sự đơn giản hóa là không cần thiết.
− Do tính chất của mô phỏng, một lượng lớn thời gian có thể được nén, giúp
cho người quản lý có thể thấy hiệu quả lâu dài của các chính sách khác
nhau chỉ trong một vài phút.
− Ta có thể dàng có được một loạt các biện pháp thực hiện trực tiếp từ mô
phỏng.
Nhược điểm:
− Không đảm bảo giải pháp đó là tối ưu.
− Xây dựng một mô hình mô phỏng thường là một quá trình dài và tốn kém
− Giải pháp và những kết luận từ một nghiên cứu mô phỏng thường không
được chuyển giao cho vấn đề khác.Điều này là do sự kết hợp trong mô

hình của các yếu tố độc nhất của vấn đề.
Kỹ thuật mô phỏng
Mô phỏng liên quan đến việc thiết lập một mô hình của một hệ thống thực và tiến
hành các thử nghiệm lặp đi lặp lại trên đó. Bao gồm các bước như sau:
− Xem xét vấn đề: Các vấn đề trong thế giới thực được kiểm tra và phân loại.
Ở đây chúng ta nên xác định lý do tại sao mô phỏng là cần thiết, tại sao
cần có sự mô phỏng. Các ranh giới của hệ thống và các khía cạnh khác của
vấn đề được chỉ rõ ở đây.
− Xây dựng mô hình mô phỏng:Bước này bao gồm việc thu thập các dữ liệu
cần thiết. Trong nhiều trường hợp, ta có thể sử dụng một lược đồ để mô tả.
Sau đó, 1 chương trình máy tính sẽ được viết.
− Kiểm tra và đánh giá mô hình: Mô hình mô phỏng phải mô phỏng đúng
các hệ thống được nghiên cứu. Điều này liên quan đến quá trình hợp lệ
hóa.
− Thiết kế thí nghiệm: Một khi mô hình đã được chứng minh hợp lệ, ta sẽ
thiết kế việc thí nghiệm. Trong bước này ta xác định thời gian bao lâu để
chạy các mô phỏng, ta cần chú ý đến hai mục tiêu quan trọng đó là sự
chính xác và chi phí.
− Tiến hành thí nghiệm
− Đánh giá kết quả: Ở đây chúng tôi đề cập đến các vấn đề như "Kết quả
như vậy có nghĩa gì?" Ngoài các công cụ thống kê chúng tôi có thể sử
dụng phân tích độ nhạy (chẳng hạn các dạng câu hỏi “what-if”)
− Triển khai: Việc triển khai các kết quả mô phỏng bao gồm những vấn đề
tương tự như triển khai các mô hình khác. Tuy nhiên, cơ hội thực hiện
triển khai sẽ cao hơn khi nhà quản lý tham gia nhiều hơn vào quá trình mô
phỏng.
Hình 5.1. Quá trình mô phỏng
Các loại mô phỏng
− Mô phỏng xác suất
Mô phỏng xác suất có 2 loại: Phân phối liên tục và phân phối rời rạc

Phân phối rời rạc: Một số hữu hạn các sự kiện (hoặc biến) nhận một số hữu hạn
các giá trị.
Phân phối liên tục: Các sự kiện (hoặc biến) nhận các giá trị liên tục.
Mô phỏng xác suất được thực hiện bằng phương pháp được gọi là Monte Carlo.
− Mô phỏng thời gian phụ thuộc và thời gian độc lập.
Thời gian độc lập đề cập đến một tình huống mà ta không cần quan tâm thời gian
chính xác khi sự kiện xảy ra.Ví dụ, chúng ta có thể biết rằng nhu cầu cho một sản
phẩm nào đó là 3dv mỗi ngày, nhưng chúng ta không cần quan tâm khi nào trong
ngày, người ta có nhu cầu dùng sản phẩm đó. Hoặc trong một số trường hợp, thời gian
không có thể là một yếu tố trong mô phỏng ở tất cả.
Mặt khác, trong vấn đề hàng đợi, điều quan trọng là phải biết chính xác thời gian
đến (để biết nếu khách hàng sẽ phải chờ đợi hay không). Trong tình huống này thì
chúng ta quan tâm đến thời gian phụ thuộc.
− Mô phỏng trực quan
Việc hiển thị đồ họa các kết quả bằng máy tính là một trong những sự phát triển
mới thành công trong sự tương tác máy tính - con người và giải quyết vấn đề.
Mô phỏng thí nghiệm (Thống kê)
Gồm 8 bước và được gọi là thủ tục Monte Carlo:
− Xác định các tiêu chuẩn phù hợp với hệ thống. Nếu cần thiết, viết ở dạng
phương trình.
− Mô tả các hệ thống và sự phân phối xác suất của các yếu tố xác suất thích
hợp của hệ thống.
− Xây dựng các phân phối xác suất tích lũy cho mỗi yếu tố ngẫu nhiên.
− Gán các số đại diện tương ứng với phân phối xác suất tích lũy.
− Với mỗi thành phần xác suất, lấy một mẫu ngẫu nhiên (tạo ra một số ngẫu
nhiên hoặc chọn từ một bảng số ngẫu nhiên)
− Nếu kết quả ổn định và như mong đợi thì lặp lại bước 5 và 6 cho đến khi
các số đo của hệ thống là ổn định
− Lặp lại bước 5-7 cho các sự thay thế khác nhau. Đưa ra giá trị của các số
đo biểu diễn và khoảng độ tin cậy của chúng, quyết định phương án thay

thế thích hợp.
5.7 Lập trình Heuristic
Việc xác định các giải pháp tối ưu cho một số vấn đề quyết định phức tạp có thể
liên quan đến sự ngăn cấm một số lượng thời gian và chi phí, hoặc thậm chí có thể là
một nhiệm vụ không thể. Cách khác, cách tiếp cận mô phỏng có thể được kéo dài,
phức tạp, và thậm chí không chính xác. Trong tình huống như vậy, đôi khi có thể đi
đến giải pháp thỏa đáng một cách nhanh chóng và ít tốn kém bằng cách sử dụng
Heuristics.
Trong khi Heuristics được sử dụng chủ yếu để giải quyết vấn đề thiếu cấu trúc,
chúng cũng có thể được sử dụng để cung cấp các giải pháp thỏa đáng cho một số vấn
đề phức tạp, vấn đề được cấu trúc tốt cũng nhanh hơn và rẻ hơn so với thuật toán. Khó
khăn chính trong việc sử dụng Hueristic là chúng không phải là trường hợp chung như
các thuật toán. Vì vậy, chúng thường có thể được sử dụng duy nhất cho tình hình cụ
thể mà chúng đã dự định. Một vấn đề khác với phương pháp heuristic là chúng có thể
dẫn đến một giải pháp nghèo.
Lập trình Heuristic là cách tiếp cận sử dụng heuristics để đạt được tính khả thi
và các giải pháp "đủ tốt" cho một số vấn đề phức tạp. "Đủ tốt" thường là trong khoảng
90-99,9% của các giải pháp tối ưu thực sự.
Trong khi nghiên cứu các ví dụ của chương trình để phát triển ứng dụng, một
người trong những ca quan sát các nỗ lực để giảm số lượng tìm kiếm cho một giải
pháp thỏa đáng. Trong cuộc tìm kiếm như vậy, máy tính được "dạy" làm thế nào để
khám phá những con đường chỉ tương đối màu mỡ và bỏ qua những cái tương đối
không màu mỡ. Các lựa chọn của máy tính được thực hiện bằng cách sử dụng các
Hueristic có thể được cải thiện trong quá trình tìm kiếm.
Heuristic có thể được định lượng, và như vậy, chúng đóng một vai trò quan
trọng trong các cơ sở mô hình DSS. Chúng cũng có thể được chất lượng, và sau đó
chúng đóng một vai trò quan trọng trong việc cung cấp kiến thức cho các hệ chuyên
gia.
Phương pháp luận
Suy nghĩ Heuristic không nhất thiết phải tiến hành một cách trực tiếp. Nó liên

quan đến việc tìm kiếm, học hỏi, thẩm định, đánh giá, và sau đó một lần nữa tìm kiếm,
học lại, và đánh giá lại như khám phá và thăm dò diễn ra. Các kiến thức thu được từ
thành công hay thất bại tại một số điểm được đưa trở lại và thay đổi quá trình tìm
kiếm. Thường xuyên hơn không, nó là cần thiết hoặc để xác định lại các mục tiêu, vấn
đề, hoặc để giải quyết các vấn đề có liên quan hoặc đơn giản trước khi một trong
những vấn đề chính có thể được giải quyết.
Phương pháp Heuristic đã được mô tả bởi Pearl [1984] dựa vào các chiến lược
tìm kiếm thông minh cho vấn đề máy tính giải quyết bằng cách sử dụng một số
phương pháp thay thế.
Các thủ tục heuristic cũng có thể được mô tả như việc tìm kiếm các quy tắc
giúp giải quyết ngay lập tức các bài toán con để khám phá làm thế nào để thiết lập các
subproblems cho giải pháp cuối cùng của việc tìm kiếm những con đường hứa hẹn
nhất trong việc tìm kiếm các giải pháp, tìm cách để lấy và giải thích thông tin trên từng
kinh nghiệm, và sau đó tìm kiếm các phương pháp dẫn đến một thuật toán tính toán,
giải pháp chung. Thuật ngữ heuristic đã được sử dụng để bao gồm bất kỳ hoặc tất cả
các bước sau:
Một cách tiếp cận chung để kết hợp các quy tắc:
1. Một giản đồ phân loại giới thiệu cấu trúc vào một vấn đề.
2. Phân tích các đặc điểm của các yếu tố có vấn đề.
3. Quy tắc lựa chọn các yếu tố từ mỗi thể loại để đạt được các chiến lược tìm kiếm
hiệu quả.
4. Quy tắc cho các lựa chọn thành công, khi được yêu cầu.
5. Một chức năng khách quan được sử dụng để kiểm tra tính đầy đủ các giải pháp ở
từng giai đoạn lựa chọn hoặc tìm kiếm.
Khi sử dụng Heuristics (per Zanakis và Evans [1981])
Sau đây là một số kịch bản mà sử dụng Hueristic (thay vì tối ưu hóa) là thích
hợp:
1. Các dữ liệu đầu vào không chính xác hoặc bị hạn chế.
2. Thực tế là rất phức tạp và các mô hình tối ưu hóa là đơn giản.
3. Một phương pháp đáng tin cậy và chính xác là không có sẵn.

4. Thời gian tính toán tối ưu hóa quá đáng.
5. Nó có thể để nâng cao hiệu quả của quá trình tối ưu hóa (ví dụ, bằng cách tạo ra
những giải pháp tốt nhất sử dụng Hueristic).
6. Các vấn đề được giải quyết thường xuyên và liên tục và tiêu tốn thời gian máy tính
(Hueristic đặc biệt thích hợp).
7. Vấn đề phức tạp mà không phải là kinh tế để tối ưu hóa hoặc mất quá lâu thời gian
và heuristic có thể cải thiện các giải pháp noncomputerized.
8. Khi biểu tượng hơn là xử lý số có liên quan (trong các hệ chuyên gia).
Ưu điểm của Heuristics
Những lợi thế chính của Hueristic:
1. Đơn giản để hiểu và do đó dễ dàng hơn để thực hiện.
2. Giúp trong việc đào tạo con người sáng tạo và đưa ra Hueristic cho các vấn đề khác.
3. Tiết kiệm thời gian xây dựng.
4. Lưu chương trình và các yêu cầu lưu trữ trên các máy tính.
5. Tiết kiệm thời gian máy tính đang chạy (speed!).
6. Thường xuyên sản xuất nhiều giải pháp chấp nhận được.
Đối với một cuộc khảo sát phân loại với vài trăm tài liệu tham khảo thấy
Zanakis, et al [1989].
Có một xu hướng sử dụng Hueristic như là một thay thế cho phương pháp tối
ưu. Hueristic có thể được thú vị để phát triển và sử dụng. Những gì được yêu cầu là
một sự hiểu biết về bản chất của vấn đề và sự khéo léo.
Vấn đề sử dụng Heuristics
Geoffrion và Văn Roy [1979] xác định những thiếu sót của Hueristic sau đây:
1. Hueristic liệt kê xem xét tất cả các kết hợp có thể có trong vấn đề thực tế hiếm khi
có thể đạt được.
2. Chuỗi lựa chọn quyết định tuần tự có thể không lường trước được hậu quả trong
tương lai của mỗi sự lựa chọn.
3. "Cải thiện địa phương" có thể ngắn mạch giải pháp tốt nhất bởi vì phương pháp này,
tương tự như mô phỏng, thiếu một viễn cảnh toàn cục.
4. Phụ thuộc lẫn nhau của một phần của một hệ thống đôi khi có thể có một ảnh hưởng

sâu sắc đến toàn bộ hệ thống.
5.8 Sơ đồ ảnh hưởng
Một sơ đồ ảnh hưởng cung cấp một trình bày đồ họa của một mô hình. Nó cung
cấp một giao tiếp trực quan cho các nhà xây dựng mô hình. Nó cũng phục vụ như là
một khuôn khổ để thể hiện bản chất chính xác của mối quan hệ trong mô hình MSS.
Thuật ngữ ảnh hưởng đề cập đến sự phụ thuộc của một biến vào mức độ của một biến
khác. Một sơ đồ ảnh hưởng đến tất cả các biến trong một vấn đề quản lý.
Ảnh hưởng đến sơ đồ xuất hiện trong nhiều hình dạng. Chúng tôi sẽ sử dụng
quy ước sau đây, đề nghị của Bodily [1985].
Các biến được kết nối với các mũi tên, để chỉ hướng ảnh hưởng đến. Các hình
Rectangle = a decision variable
Circle = uncontrollable or intermediate variable
Oval = result (outcome) variable; intermediate or final
dạng của mũi tên cũng cho thấy các loại của mối quan hệ. Sau đây là mối quan hệ điển
hình:
Mũi tên có thể là một chiều hoặc hai chiều (bidirectional).
Sơ đồ ảnh hưởng có thể được xây dựng ở bất kỳ mức độ chi tiết và tinh tế. Nó
cho phép các nhà xây dựng mô hình ghi nhớ tất cả các mối quan hệ trong mô hình,
cũng như hướng của các ảnh hưởng.
Ví dụ. Cho một mô hình:
Thu nhập = đơn vị bán x đơn giá
Các đơn vị bán = 0,5 x số được sử dụng trong quảng cáo
Chi phí = chi phí đơn vị x đơn vị bán + chi phí cố định
Lợi nhuận = thu nhập - chi phí
Một sơ đồ ảnh hưởng của mô hình đơn giản này được thể hiện trong hình 5.2.
Phần mềm. Một số sản phẩm phần mềm có sẵn cho việc thực hiện của sơ đồ ảnh
hưởng. Quá trình giải quyết của các sản phẩm này biến đổi từ vấn đề ban đầu vào hình
thức sản xuất. Sản phẩm đại diện là:
o
DAVID (from Duke University). Sản phẩm này giúp người sử dụng để xây

dựng, sửa đổi, và phân tích các mô hình trong một môi trường tương tác đồ
họa .
o
INDIA (from Decision Focus, Inc, Palo Alto, CA). Quá trình giải quyết của sản
phẩm này biến đổi các vấn đề ban đầu thành một hình thức giảm mới trong một
nỗ lực để xác định chính sách tối ưu.
o
DPL (from ADA Decision Analysis, Menlo Park, CA). Sản phẩm này cung cấp
một tổng hợp của sơ đồ ảnh hưởng và cây quyết định.
1. Certainty Amount in CDs
Interest
collected
2. Uncertainty
Price
Sales
3. Random variable: place ~ above the variable’s name.
~
demand
Sales
4. Preference (usually between outcome variables). This is shown as a
double-line arrow.
o
DS Lab (xem phần 5,13)
Đối với phân tích so sánh đáng tin cậy của Reliability Engineering and system
safety, 30 (1990): 115-162.
Ngoài ra, một số phần mềm máy tính đồ họa và gói CASE có thể được sử dụng để
vẽ sơ đồ ảnh hưởng.
5.9 Dự báo
Người đọc có thể nhớ lại rằng, quyết định đưa ra liên quan lựa chọn một khóa
thay thế của hành động bằng cách đánh giá những hậu quả có thể có của các lựa

chọn thay thế. Mặc dù sự lựa chọn là thực hiện ngày hôm nay, những hậu quả có
thể sẽ xảy ra đôi khi trong tương lai. Vì vậy, chất lượng của quyết định phần lớn
phụ thuộc vào chất lượng của dự báo.
Các mô hình dự báo là một phần không thể thiếu của nhiều MSS. Người ta có
thể xây dựng một mô hình dự báo, người ta cũng có thể sử dụng các gói phần mềm
lập trình sẵn.
Nhiều công cụ phát triển MSS có một số khả năng dự báo xây dựng trong.
Việc sử dụng dự báo
Việc sử dụng chính của dự báo, vì nó liên quan đến mô hình, dự đoán giá trị
của các biến mô hình, cũng như mối quan hệ hợp lý của mô hình, tại một số thời
điểm trong tương lai. Thời gian quan tâm trong tương lai phụ thuộc vào "khi"
chúng tôi muốn đánh giá kết quả. Ví dụ, trong một quyết định đầu tư, chúng tôi có
thể quan tâm đến giá cả và thu nhập một năm từ ngày hôm nay, trong khi ở một
quyết định đầu tư vốn, chúng tôi có thể quan tâm đến giá dự án và thu nhập trong
năm năm tới. Nói chung, chúng tôi phân biệt giữa hai loại dự báo: (a) ngắn hạn (lên
đến một năm), dự báo được sử dụng chủ yếu trong xác định (chắc chắn) mô hình,
và (b) dài hạn (hơn một năm), dự báo được sử dụng trong cả hai mzodels xác định
và xác suất.
Mô hình dự báo và phương pháp
Có tồn tại nhiều loại mô hình dự báo vì dự báo là một nhiệm vụ vô cùng khó
khăn. Những gì sẽ xảy ra trong tương lai phụ thuộc, trong nhiều trường hợp, trên
Dollar amount spent
on advertisement
Fix
cost
Unit
cost
Units
sold
Unit

price
expensses
icome
Profit
một đa dạng của các yếu tố, hầu hết trong số đó là không thể kiểm soát được. Hơn
nữa, dữ liệu sẵn có, chính xác, chi phí, và thời gian cần thiết để làm cho dự báo
cũng đóng một vai trò quan trọng.
Phương pháp dự báo có thể được nhóm lại theo nhiều cách. Một chương trình
phân loại phân biệt giữa các kỹ thuật dự báo chính thức công nhận (chính thức) và
phương pháp tiếp cận không chính thức như trực giác, thúc đẩy thời điểm dự đoán,
và chỗ ngồi của các vị từ dự đoán. Sự chú ý của chúng tôi trong phần này là hướng
đến các phương pháp chính thức.
Phương pháp chính thức có thể được chia thành bốn loại: phương pháp phán
đoán, phương pháp tính, phương pháp chuỗi thời gian, và các hội hoặc các phương
pháp nhân quả.
Mỗi thể loại được thảo luận ngắn gọn dưới đây. Đối với một cuộc thảo luận chi
tiết hơn, theo Turban và Meredith [1994], Georgoff và Murdick [1986], và
Makridakis và Wheelwright [1982].
Phương pháp phản biện. Phương pháp phản biện là những căn cứ trên các ước
tính chủ quan và ý kiến chuyên gia, chứ không phải là trên các dữ liệu cứng. Chúng
thường được sử dụng cho các dự báo tầm xa, đặc biệt là yếu tố bên ngoài (ví dụ,
phát triển công nghệ, chính trị) có thể đóng một vai trò quan trọng. Chúng cũng
được sử dụng trong trường hợp dữ liệu lịch sử là rất hạn chế hoặc không tồn tại,
chẳng hạn như trong giới thiệu sản phẩm / dịch vụ mới.
Phương pháp đếm. Phương pháp đếm liên quan đến một số cuộc thử nghiệm hoặc
khảo sát của một mẫu với một nỗ lực để khái quát về toàn bộ thị trường. Những
phương pháp này chủ yếu được sử dụng cho nhu cầu dự báo về sản phẩm / dịch vụ,
một phần của nghiên cứu thị trường.
Đây là loại các phương pháp dự báo số lượng trong tự nhiên. Những phương
pháp này được dựa trên các dữ liệu cứng và do đó thường được coi là khách quan

hơn hơn so với những phương pháp trước đó. Chúng thường sử dụng dữ liệu lịch
sử và thường chia ra thành chuỗi thời gian và các phương pháp nhân quả.
Phân tích chuỗi thời gian. Một chuỗi thời gian là một tập hợp các giá trị của một
số biến kinh doanh hoặc kinh tế, được đo liên tiếp (thường là bằng nhau) trong một
khoảng thời gian. Ví dụ, doanh số bán hàng quý của công ty tạo nên một chuỗi thời
gian, cũng như dân số trong một thành phố (tính hàng năm), nhu cầu hàng tuần cho
giường bệnh viện, và như vậy. Chúng tôi tiến hành phân tích chuỗi thời gian trong
việc ra quyết định vì chúng ta tin rằng kiến thức của hành vi trong quá khứ của
chuỗi thời gian có thể giúp hiểu biết của chúng ta (và do đó khả năng dự đoán của
chúng tôi) hành vi của chuỗi thời gian trong tương lai. Trong một số trường hợp,
chẳng hạn như thị trường chứng khoán, giả định này có thể phi lý, nhưng trong kế
hoạch quản lý, chúng tôi giả định rằng lịch sử sẽ lặp lại chính nó và rằng xu hướng
trong quá khứ sẽ tiếp tục. Nỗ lực phân tích chuỗi thời gian kết thúc với sự phát
triển của một mô hình dự báo chuỗi thời gian mà sau đó có thể được sử dụng để dự
đoán các sự kiện trong tương lai.
Hội hoặc các phương pháp nhân quả. Hội các phương pháp nhân quả bao gồm
phân tích dữ liệu cho việc tìm kiếm các hội dữ liệu, và nếu có thể, mối quan hệ
nhân-quả. Chúng có nhiều ưu thế hơn so với phương pháp chuỗi thời gian, nhưng
chúng cũng phức tạp hơn. Phức tạp của chúng đến từ hai nguồn: Trước tiên, chúng
bao gồm các biến hơn, một số trong đó bên ngoài với tình hình dự kiến. Thứ hai,
chúng sử dụng kỹ thuật tinh vi thống kê các loại khác nhau của các biến. Phương
pháp tiếp cận hệ nhân quả là thích hợp nhất của dự báo giữa kỳ (giữa ngắn và dài
hạn).
Nói chung, phản biện và phương pháp tính, chủ quan trong tự nhiên, được sử
dụng trong những trường hợp mà các phương pháp định lượng là không phù hợp
hoặc không có thể được sử dụng. Áp lực thời gian, thiếu dữ liệu, hoặc thiếu tiền có
thể ngăn chặn việc sử dụng các mô hình định lượng. Phức tạp của dữ liệu lịch sử
(do tương tác hoặc giao động, ví dụ) cũng có thể ức chế sự sử dụng của dữ liệu lịch
sử.
Mô hình dự báo

Sau đây là một danh sách các gói dự báo đại diện.
Autobox, BOXX Automatic Forecasting System, Inc (Hatboro, PA)
Autocast Levembach Asso. Inc (Morristown, NJ)
EXEC*U*STAT EXEC*U*STAT Inc. (Princeton, NJ)
Forecast Master Scientific System, Inc (Cambridge, MA)
Forecasr Plus Stat Pac, Inc (Minneapolis, MN)
Forecast Pro Business Forecast systems, Inc. (Belmart, MA)
Futurcast Futurion Assoc, Inc. (Pittsburg, CA)
Micro TSP McGraw-Hill (New York, NY)
SmartForecast Smartq Software Inc. (Belmont, MA)
Soritec Econometrics The Soritec Group (Springfield, VA)
SPSS/PC+ SPSS, Inc. (Chicago, IL)
Systat Systat Inc. (Evanston, IL)
The Forecasting edge Human Edge Software (Palo Alto, CA)
1,2,3 Forecast 1,2,3 Forecast (Salem, OR)
SAS System The SAS Institute (Cary, NC).
5.13 Bảng tính trực quan:
Người dùng gặp phải hai khó khăn lớn với bảng tính: Là công thức thường khó
để giải mã và trình tự thời gian là quá khó để xử lý. Bảng tính trực quan cố gắng để
khắc phục những thiếu sót. Đây là một khái niệm cho phép tính toán giống như một
bảng tính, nhưng không có các ô, cột và các hàng. Thay vào đó, người dùng có thể
hình dung mô hình và công thức bằng cách sử dụng biểu đồ ảnh hưởng. Một chương
trình mà thực hiện bằng bảng tính trực quan thì được gọi là DS Lab (từ nhóm DS,
Greenwich, CT).
Thay cho các ô, DS Lab sử dụng các biểu tượng trong một biểu đồ ảnh hưởng.
Một ví dụ được thể hiện trong hình 5.4. Ví dụ, các biến được thể hiện bằng hình tròn
và các hằng số là hình vuông. Ngoài ra, hơn 200 cài đặt sẵn trong toán học, tài chính,
thời gian, tìm kiếm mục tiêu và các hàm logic được sẵn sàng sử dụng với một nhấp
chuột. Khi được chọn, một hàm được đưa vào một kịch bản (script), bao gồm cả cú
pháp đối số của nó, bằng tiếng Anh. Ngoài ra, có những yếu tố được xác định trước kết

nối. Chúng ta được sử dụng các hàm để xây dựng một mô hình. Vì vậy, việc xây dựng
yêu cầu chủ yếu là sử dụng chuột để định hướng và nhấp chuột.
Thời gian là một tham số quy định trong các bước của mô hình, chương trình có
một lịch được xây dựng lịch để xác định giờ, ngày, tuần, tháng hoặc năm. Mô hình
cũng có thể xác định kích thước khác, chẳng hạn như vị trí hoặc loại sản phẩm.
Chương trình sau đó sẽ tự động tạo ra giá trị cho mỗi bước. Kết quả có thể được in
dưới dạng đồ họa. Ví dụ, Hình 5.4 cho thấy một tính toán vay thế chấp nhà với các
thanh toán đầu tiên được thực hiện trong tháng 6 năm 1993, cho một khoản vay $
200,000, với lãi suất 4% cho 30 năm. Nó cho thấy dữ liệu có thể được trình bày trong
một bảng: thanh toán hàng tháng, khấu hao cho vay, dư nợ cho vay,… Kể từ khi lãi
suất thay đổi, người sử dụng có thể chạy “What-if" với lãi suất và có được một lịch
trình thanh toán khác nhau được in ra cho tất cả các khoản thanh toán. Bảng này cũng
cho thấy lợi ích thuế (thực tế thanh toán giảm từ $ 748.16 đến $ 954.83). Kết quả ra có
thể được xuất sang bất kỳ chương trình khác để thực hiện các thao tác khác, in hoặc
thao tác xử lý đồ họa. Xa hơn là khả năng tích hợp tự động với Excel, cho phép xuất ra
Excel bằng cách nhấp chuột vào một nút.
"What-if" và "Tìm kiếm mục tiêu" (“goal seeking”) được thực hiện một cách dễ
dàng vì vậy những mô phỏng trở nên đơn giản. Trong tất cả, DS Lab là một công cụ
thú vị và sáng tạo. Nhiều mô hình phức tạp và nhiều lợi ích được cung cấp bởi sản
phẩm này
5.14 Mô hình hoá về tài chính và kế hoạch
Nhiều ứng dụng DSS giải quyết việc phân tích tài chính và (hoặc) kế hoạch. Do
đó có ý thức phát triển công cụ xây dựng DSS để nhanh chóng xây dựng các ứng dụng
như vậy. Trong khi phần mềm bảng tính thực thi công việc, với các công cụ làm cho
công việc đạt hiệu quả hoặc hữu ích hơn. Các công cụ như vậy đang được phát triển
cùng với tài chính và kế hoạch trong hầu hết các công ty.
Một tính chất cơ bản của mô hình tài chính là mô hình đại số định hướng. Đó
là, các công thức được viết theo cách người ta sẽ viết phương trình. Mặt khác bảng
tính, ghi lên các mô hình một tính toán, hoặc một phép toán định hướng.
* Định nghĩa và nền của mô hình hóa kế hoạch

Các định nghĩa của một mô hình lập kế hoạch thay đổi phần nào với phạm vi
ứng dụng của nó. Ví dụ, các mô hình kế hoạch tài chính có thể có một tầm nhìn lập kế
hoạch rất ngắn và đòi hỏi không nhiều như một bộ các công thức kế toán sản xuất
chuyên nghiệp theo mẫu báo cáo (chẳng hạn, một mô hình tĩnh). Mặt khác, các mô
hình lập kế hoạch doanh nghiệp thường bao gồm sự phức tạp về số lượng và mối
tương quan logic giữa các hoạt động của công ty tài chính, thị trường và các hoạt động
sản xuất (xem hộp 5.1). Với ý nghĩa, mô hình có hữu ích lớn bởi vì bất kỳ của các
chương trình con phối hợp sáng tác các mô hình toàn diện có thể được độc lập cho các
ứng dụng hẹp hơn. Trong tương lai, hầu hết các mô hình tài chính là năng động, mô
hình nhiều năm .
Hộp 5.1: Ứng dụng tiêu biểu của mô hình kế hoạch
Dự báo tài chính
Mẫu báo cáo tài chính
Vốn ngân sách
Thị trường quyết định
Phân tích sự hợp nhất và sát nhập
Kế hoạch nhân lực
Kê hoạch lợi nhuận
Dự báo bán hàng
Phân tích đầu tư
Lập kế hoạch
Kế hoạch thuế