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 ĐỊNHHuế, 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

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.

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%

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

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

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

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:

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:

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,

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

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

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.

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

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

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

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