Quản lý mô hình

• Là phần tử chủ chốt trong hầu hết hệ hỗ trợ quyết định và là điều kiện cần trong hệ hỗ trợ quyết định dựa vào mô hình (model-based DSS).

• Có nhiều lớp mô hình kèm theo là các kỹ thuật xử lý thao tác mô hình đặc thù tương ứng

• Các vấn đề chính:nhận diện bài toán và phân tích môi trường, nhận diện biến số, dự báo, đa mô hình, các phạm trù mô hình, quản lý mô hình và mô hình hóa dựa vào kiến thức

• Mô hình hóa là tác vụ không đơn giản. Người xây dựng mô hình phải cân bằng giữa tính đơn giản của mô hình với các yêu cầu biểu diễn để mô hình có thể nắm bắt đủ thực tại cần thiết cho người ra quyết định

• Mô phỏng là kỹ thuật mô hình hóa thông dụng; dùng để tìm hiểu vấn đề tuy không nhất thiết phải tìm ra được các giải pháp biến thể; mở rộng quá trình ra quyết định của tổ chức và cho phép tổ chức xem xét tác động/ảnh hưởng của các chọn lựa tương lai.

• Mô phỏng tiết kiệm rất nhiều chi phí và thời gian – rất dễ thay đổi mô hình hoạt động của một hệ thống vật lý bằng mô hình hóa máy tính

• Mô hình có thể được phát triển và cài đặt bằng một số các ngôn ngữ lập trinh (thế hệ 3, 4 ..) và hệ thống phần mềm khác nhau

Các vấn đề

• TD hệ hỗtrợ quyết địnhcủa P&G về các nhà cung cấp gồm:

‰- Mô hình sinh giá phí (dựa vào giải thuật) dùng ước lượng các chi phí vận tải. Mô hình được xây dựng trực tiếp vào trong hệ thống

-‰ Mô hình dự báo nhu cầu (dựa vào thống kê)

‰- Mô hình vị trí trung tâm phân phối – dùng các dữ liệu tổng hợp và được giải bằng quy hoạch nguyên/quy hoạch tuyến tính

-‰ Mô hình vận tải (trường hợp đặc biệt của mô hình quy hoạch tuyến tính) dùng xác định tuyến tốt nhất từ nguồn sản phẩm đến trung tâm phân phối và rồi đến khách hàng. Được giải bằng bộ phần mềm thương mại sẵn có và có kết hợp lỏng với mô hình vị trí trung tâm ở trên. Hệ thống phải giao tiếp với phần mềm thương mại và tích hợp các mô hình

-‰ Mô hình mô phỏng rủi ro và tài chánh, có xem xét một số yếu tố định tính yêu cầu phân giải của con người.

-‰ Hệ thông tin địa lý (thực tế là mô hình đồ họa về dữ liệu) dùng cho giao diện người dùng

• Nhận diện vấn đề và phân tích môi trường:

‰- Duyệt và phân tích môi trường –theo dõi, duyệt xét và phân giải thông tin thu thập được; xem xét phạm vi của lĩnh vực, các lực lượng và động học của môi trường

‰- Nhận diện văn hóa của tổ chức, cấu trúc tổ chức và quá trình ra quyết định của tổ chức (ai, mức độ tập trung hóa ..)

-‰ Bài toán phải được hiểu thống nhất ở mọi khía cạnh để sinh ra được mô hình hỗ trợ quyết định

• Nhận diện các biến số của mô hình

-‰ Xác định các biến số của mô hình (quyết định, kết quả, không kiểm soát được ..) cùng với các liên hệ tương ứng

-‰ Kỹ thuật: dùng các sơ đồ ảnh hưởng (influence diagrams) – biểu diễn đồ họa của các mô hình toán

-‰ Kỹ thuật tổng quát hơn: bản đồ nhận thức (cognitive map) giúp hiểu bài toán tốt hơn, nhất là về các biến số và mối liên hệ

• Dự báo:

-‰ Bản chất của xây dựng và xử lý các mô hình (các kết quả của quyết định chỉ xảy ra ở tương lai)

-‰ Hệ hỗ trợ quyết định: cơ bản là xác định những gì sẽ diễn ra (khác với hệ thông tin quản lý (MIS) truyền thống: báo cáo những gì đang hay đã xảy ra)

• Đa mô hình:

-‰ Có nhiều mô hình trong hệ thống: các mô hình chuẩn và các mô hình tự xây dựng

-‰ Mỗi mô hình thể hiện một khía cạnh khác nhau của bài toán

-‰ Một vài mô hình là tiêu chuẩn và được cài đặt sẵn trong các công cụ phát triển và bộ tạo sinh hệ hỗ trợ quyết định

-‰ Một vài mô hình cũng là tiêu chuẩn nhưng chỉ ở dạng các phần mềm bên ngoài, có thể giao tiếp được với hệ hỗ trợ quyết định

-‰ Các mô hình phi chuẩn có thể được xây dựng từ đầu

-‰ Thí dụ đã nói ở P&G: mô hình vị trí, mô hình chiến lược sản phẩm, mô hình dự báo nhu cầu, mô hình tính phí, mô hình mô phỏng rủi ro và tài chánh, mô hình hệ thông tin địa lý (GIS)

• Các phạm trù mô hình

Phạm trù	Quá trình và mục tiêu	Kỹ thuật đại diện
Tối ưu hóa bài toánvới ít phương án	Tìm ra giải pháp tốt nhất từ mộtsố ít phương án	Bảng quyết định, cây quyếtđịnh
Tối ưu hóa qua giảithuật	Tìm ra giải pháp tốt nhất từ mộtsố lớn hay vô hạn các phương án bằng quá trình cải thiện từng bước	Mô hình quy hoạch tuyếntính, quy hoạch toán học, mô hình mạng lưới
Tối ưu hóa qua biểuthức giải tích	Tìm ra giải pháp tốt nhất trongmột bước bằng một công thức	Một số mô hình tồn kho
Mô phỏng	Tìm giải pháp đủ tốt hay tốt nhấttrong số các phương án (đã kiểm tra) bằng thực nghiệm	Một vài loại mô phỏng
Heuristics	Tìm giải pháp đủ tốt bằng cáchdùng các quy tắc	Quy hoạch heuristics, hệchuyên gia
Các mô hình khác	Giải tình huống “what-if” bằngcách dùng công thức	Mô hình tài chánh, hàng đợi
Các mô hình tiênđoán	Tiên đoán tương lai cho một kịchbản	Các mô hình dự báo, phân tíchMarkov

• : nhờ vào hệ quản lý cơ sở mô hình (MBMS)

• Mô hình hóa dựa vào kiến thức:

‰- Các hệ hỗ trợ quyết định thường dùng các mô hình định lượng - khác với các hệ chuyên gia thường thiên về các mô hình định tính và mô hình dựa trên kiến thức

‰- Các vấn đề về kiến thức là cần thiết để xây dựng các mô hình khả dụng

• ‰ Xu hướng: các mô hình trong suốt đối với người dùng

‰ Mô hình hóa không chỉ là phân tích dữ liệu bằng các đường xu hướng và các phương pháp thống kê

Mô hình tĩnh và động

• Mô hình tĩnh: thể hiện bức tranh tại thời điểm của tình huống. Các khía cạnh của bài toán được xét một thời kỳ nhất định, trong một khung thời gian nhất định (có thể “cuốn” về tương lai). Các tình huống được giả sử là sẽ lập lại với tập các điều kiện đồng nhất

‰ - Giả định có được tính ổn định của dữ liệu

‰- Mô phỏng quá trình dạng tĩnh - làm việc trên các trạng thái ổn định để tìm ra các thông số tối ưu – thường được dùng như công cụ chủ yếu để thiết kế quá trình

• Mô hình động: biểu diễn các kịch bản thay đổi theo thời gian

‰ - Phụ thuộc thời gian; các trạng thái thay đổi theo thời gian

‰ - Thường dùng để tạo sinh và biểu diễn các xu hướng và khuôn mẫu theo thời gian

‰ - Mô phỏng động: thể hiện các diễn tiến khi các điều kiện theo thời gian khác với các trạng thái ổn định – thường được dùng để thiết kế việc kiểm soát các hệ thống

Vấn đề bất định, rủi ro và chắc chắn

• Mô hình chắc chắn: tương đối dễ phát triển, giải quyết và có thể sinh ra các giải pháp tối ưu

‰- Các bài toán có một số lớn/vô hạn các giải pháp khả thi đặc biệt quan trọng

‰- Các mô hình tài chánh được xây dựng trong điều kiện chắc chắn

• Mô hình bất định: bằng cách thu thập thêm thông tin, cố gắng đưa bài toán trở về dạng chắc chắn hay dạng rủi ro

• Mô hình rủi ro: các quyết định kinh doanh được đưa ra dưới các rủi ro giả định.

‰- Đôi khi biết được xác suất của các sự kiện xảy ra trong tương lai

‰- Các trường hợp khác (bất định): ước lượng các rủi ro và giả sử các tình huống rủi ro xảy ra

Sơ đồ ảnh hưởng

• Biểu diễn đồ họa hay sơ đồ/bản đồ của mô hình

• Dùng hỗ trợ việc tìm hiểu, thiết kế và phát triển mô hình; nhất là biểu diễn bản chất các quan hệ và tập trung vào các khía cạnh chủ yếu của mô hình

• Phương tiện truyền thông trực quan cho người xây dựng mô hình/nhóm phát triển

• Thể hiển ảnh hưởng/tác động của 1 biến lên 1 biến khác

• Có thể xây dựng đến mức độ tùy ý về chi tiết và độ phức tạp; cho phép ánh xạ tất cả các biến số và biểu diễn mọi quan hệ và chiều hướng ảnh hưởng

• Vài dạng thức biểu diễn – (xem bên dưới: Bodily,1985)

• Có các sản phẩm phần mềm dùng tạo sinh và thao tác trên các sơ đồ ảnh hưởng – thường gồm quy hoạch tuyến tính, cây quyết định, mô phỏng Monte Carlo .. . Vì vậy các bảng tính trực quan và mô hình hoạch định tài chánh ngày càng ít được sử dụng hơn

• Quy ước

Các mũi tên có thể là 1 chiếu hay 2 chiều tùy thuộc vào chiều hướng ảnh hưởng của cặp biến số

• Bảng tính:phần mềm mạnh, linh hoạt và dễ dùng, cho phép tạo sinh các ứng dụng trong kinh doanh, kỹ thuật, toán và khoa học .. với tập các hàm mạnh về tài chánh, thống kê, toán ..

• Kèm theo là các thành phần cộng thêm (add-ins) giúp xây dựng và giải các lớp mô hình đặc thù

• Là công cụ mô hình hóa thông dụng nhất của người dùng cuối cùng

• Có các chức năng về phân tích “what-if”, dò tìm mục tiêu, quản lý dữ liệu và lập trình (dạng macro)

• Có khả năng đọc, ghi các cấu trúc tập tin thông dụng để giao tiếp được với các CSDL và công cụ khác

• Có thể xây dựng mô hình tĩnh và động

• Dùng trên máy tính cá nhân và máy tính lớn

• Cơ sở để xây dựng các bảng tính đa chiều và các công cụ xử lý phân tích trực tuyến (OLAP)

• Tiếp cận mô hình hóa các tình huống quyết định có một số hữu hạn/không quá nhiều các phương án – mỗi phương án được trình ra, dưới dạng bảng hay đồ thị - các kết quả tương ứng (dự báo được kèm xác suất) theo mục tiêu bài toán – từ đó chọn phương án tốt nhất

• Đơn mục tiêu: bảng quyết định hay cây quyết định

• Đa mục tiêu: AHP (analytic hierarchy process), khác ..

• Quy hoạch toán học (mathematical programming) là họ các công cụ giải quyết các bài toán quản lý theo đó người ra quyết định phải cấp phát các tài nguyên khan hiếm cho các hoạt động cạnh tranh nhau (các phương án) nhằm tối ưu hóa mục tiêu có khả năng đo lường được

• Các mô hình quy hoạch tuyến tính (linear programming) thông dụng nhất trong quy hoạch toán; có nhiều ứng dụng trong thực tế; được dùng nhiều trong các hệ hỗ trợ quyết định

• Bài toán quy hoạch tuyến tính:

‰ - Các biến quyết định (cần tìm giá trị)

‰- Hàm mục tiêu (hàm toán học dạng tuyến tính xác định quan hệ giữa biến quyết định và mục tiêu; đo lường mức độ đạt đạt mục tiêu và cần được tối ưu hóa)

‰ - Các hệ số của hàm mục tiêu (cho biết mức đóng góp vào mục tiêu của 1 đơn vị biến quyết định)

‰- Ràng buộc (biểu thức tuyến tính cho biết giới hạn tài nguyên và/hay các quan hệ giữa các biến số)

-‰ Dung lượng (mô tả cận trên và dưới của các biến và ràng buộc)

-‰ Hệ số (công nghệ) vào-ra (cho biết mức độ sử dụng tài nguyên của biến quyết định)

• Đặc điểm của bài toán quy hoạch tuyến tính:

‰ -Tài nguyên kinh tế của bài toán là có hạn và sẵn sàng

‰- Có nhiều cách (>2 cách) sử dụng tài nguyên được gọi là giải pháp hay chương trình

‰- Mỗi hoạt động dùng tài nguyên đều sinh ra kết quả dưới dạng mục tiêu đã phát biểu trước

‰- Việc cấp phát nằm trong các ràng buộc cho trước

• Giả định của bài toán quy hoạch tuyến tính

‰ - Các kết quả của các cấp phát có thể đem so sánh với nhau, có thể đo lường bằng một đơn vị chung

-‰ Các cấp phát độc lập với nhau về mặt kết quả

-‰ Kết quả cuối cùng là tổng của các kết quả từ các hoạt động riêng rẽ khác nhau

-‰ Dữ liệu có tính chắc chắn

-‰ Tài nguyên được dùng một cách kinh tế nhất

‰- Thường có một số lớn các giải pháp với kết quả khác nhau

-‰ Trong số các giải pháp có thể, có 1 giải pháp tốt nhất – mức độ đạt được mục tiêu cao nhất – gọi là giải pháp tối ưu được tìm ra bằng một giải thuật đặc biệt

• Việc tìm giải pháp tối ưu của một số bài toán quyết định phức tạp có thể tốn nhiều thời gian, chi phí hay không thể tìm ra được. Còn nếu dùng tiếp cận mô phỏng cũng có thể kéo dài, phức tạp, không thích hợp hay thậm chí không chính xác

• Là một tiếp cận giúp tìm ra các giải pháp khả thi/thỏa mãn/đủ tốt cho các bài toán phức tạp. Có thể có giải pháp đủ tốt (90-99.9% giá trị của lời giải tối ưu) nhanh chóng và đỡ tốn kém hơn bằng cách dùng heuristics

• Quá trình heuristic là dãy các bước xây dựng các quy luật giải quyết vấn đề thông qua việc tìm kiếm các con đường hứa hẹn nhất dẫn đến lời giải; tìm kiếm cách thức thu thập và phân giải thông tin theo quá trình giải và phát triền các phương pháp dẫn đến một giải thuật tính toán hay một lời giải tổng quát đã có

• Áp dụng chủ yếu cho bài toán cấu trúc yếu; cũng dùng để tìm ra giải pháp chấp nhận được cho bài toán cấu trúc chặt

• Không đủ tổng quát như các giải thuật; thường chỉ dùng cho tình huống đặc thù đang xét

• Có thể dẫn đến một giải pháp dở - các thủ tục từng bước giải quyết vấn đề không đảm bảo tìm ra giải pháp tối ưu

• Heuristic có thể là định lượng vì vậy có thể đóng vai trò quan trọng trong cơ sở mô hình của hệ hỗ trợ quyết định

• Heuristic có thể là định tính vì vậy có thể đóng vai trò quan trọng trong cung ứng kiến thức cho hệ chuyên gia

• Quá trình heuristic liên quan đến tìm kiếm, học tập, ước lượng, phân xử và lặp lại các hoạt động này dọc theo tiến trình

• Kiến thức thu được dù thành công hay thất bại trong quá trình đều được phản hồi và sửa đổi chính quá trình, nhờ đó có thể định nghĩa lại mục tiêu hay bài toán

‰- Tìm kiếm Tabu(Glover & Laguna, 1997, Sun et al., 1998) đặt cơ sở trên các chiến lược tìm kiếm thông minh nhằm rút ngắn việc dò tìm: “ghi nhớ” các giải pháp tốt và xấu đã tìm được và hướng dần đến các giải pháp tốt

-‰ Giải thuật di truyền :bắt đầu bằng tập các giải pháp được sinh ngẫu nhiên, tái kết hợp các cặp giải pháp một cách ngẫu nhiên

• Tình huống nên dùng heuristics

‰ - Dữ liệu đầu vào không chính xác hay có giới hạn

‰- Thực tế quá phức tạp đến nỗi không dùng được các mô hình tối ưu

‰- Chưa có được giải thuật chính xác và đủ tin cậy

‰- Bài toán phức tạp nên sẽ không kinh tế nếu dùng tối ưu hay mô phỏng hoặc tốn quá nhiều thời gian tính toán

-‰ Có thể cải thiện tính hiệu quả của quá trình tối ưu (tức có thể sinh ra các giải pháp ban đầu tương đối tốt)

‰- Liên quan đến xử lý ký hiệu chứ không phải xử lý ký số (như hệ chuyên gia)

‰- Cần có quyết định nhanh và các xử lý dựa vào máy tính đều không khả thi (một số heuristic không cần đến máy tính)

• Thuận lợi:

‰- Dễ hiểu, dễ giải thích và dễ cài đặt

‰- Nâng cao tính sáng tạo và năng lực heuristic cho các vấn đề khác

‰- Tiết kiệm thời gian xác lập vấn đề

‰ - Tiết kiệm yêu cầu về bộ chứa và xử lý máy tính

‰ - Tiết kiệm thời gian tính toán và do vậy tiết kiệm thời gian thực trong ra quyết định. Một số vấn đề phức tạp đến nỗi chỉ có thể giải được bằng heuristics

‰- Thường sinh ra nhiều giải pháp chấp nhận được

‰- Thường có thể phát biểu lý thuyết hay đo lường thực nghiệm về chất lượng của giải pháp (tức giá trị mục tiêu của giải pháp gần với giá trị tồi ưu đến mức nào, dù giá trị tối ưu chưa biết được)

‰- Có thể kết hợp tính thông minh vào để hướng dẫn phép tìm kiếm (tìm kiếm tabu).

-Năng lực thông minh đó có thể là đặc thù theo bài toán hoặc dựa trên ý kiến chuyên gia được cấy trong hệ chuyên gia hoặc cơ chế tìm kiếm

-‰ Có thể dùng heuristic hiệu quả vào các mô hình có thể giải bằng quy hoạch toán học. Đôi khi heuristic là phương pháp được ưa thích hơn, khi khác giải pháp heuristics được dùng như giải pháp ban đầu cho các phương pháp quy hoạch toán học

• Hạn chế

-‰ Không đảm bảo có được giải pháp tối ưu

-‰ Các quy luật có rất nhiều ngoại lệ

-‰ Các lựa chọn quyết định tuần tự có thể không tiên đoán được các kết cục tương lai của mỗi chọn lựa

-‰ Sự liên thuộc giữa các phần trong hệ thống đôi khi có thể gây ra các ảnh hưởng lớn lao lên toàn hệ thống

• Phân loại các giải thuật heuristic

-‰ Heuristic xây dựng: xây dựng giải pháp khả thi bằng cách cộng thêm từng thành phần một. TD:bài toán người bán hàng – luôn ghé thành phố chưa viếng thăm kế tiếp gần nhất

-‰ Heuristic cải tiến: bắt đầu bằng một giải pháp khả thi và cố gắng cải tiến liên tục trên đó. TDtrên, thử hoán đổi 2 thành phố

‰- Quy hoạch toán: áp dụng vào các mô hình chứa ít ràng buộc nhằm có được thông tin về thỏa hiệp tốt nhất với mô hình nguyên gốc. Thường được dùng trong tối ưu hóa nguyên (integer optimization)

‰- Chia giai đoạn: giải quyết một vấn đề theo từng giai đoạn. TDở P&G trên đây, bài toán phân phối được giải quyết trước, sau đó dùng giải quyết bài toán chiến lược sản phẩm

‰- Phân rã: chia bài toán thành các phần nhỏ hơn, có thể giải quyết được sau đó kết hợp các giải pháp đó lại. TD:chia lãnh thổ bán hàng thành 4 vùng khác nhau, giải quyết cho từng vùng sau đó kết nối các giải pháp

• Giả định các đặc điểm của thực tại

• Là kỹ thuật tiến triển các thực nghiệm (như phân tích “what-if”) - bằng máy tính - trên một mô hình của hệ thông tin quản lý

• Không thực sự là một mô hình vì không biểu diễn thực tại mà là cố gắng bắt chước thực tại

• Một trong những phương pháp thông dụng nhất trong HHTQĐ

• HHTQĐ làm việc với các bài toán phi cấu trúc và cấu trúc yếu, tình huống thực tế phức tạp – không dễ biểu diễn bằng mô hình tối ưu hay các dạng mô hình khác nhưng lại thường có thể xử lý được bằng mô phỏng

• Đặc điểm:

‰- Ít đưa ra các đơn giản hóa về thực tại hơn các mô hình khác

‰- Do triển khai các thực nghiệm nên nó có thể kiểm thử các giá trị cụ thể của các biến quyết định/biến không kiểm soát được của mô hình và xem xét ảnh hưởng lên các biến kết quả

‰ - Phương pháp có tính mô tả (như vậy khác với phương pháp danh định)

‰- Không tự động tìm kiếm giải pháp tối ưu – nó mô tả/tiên đoán các đặc tính của hệ thống đã cho dưới các điều kiện khác nhau từ đó có thể chọn ra phương án tốt nhất

‰- Quá trình mô phỏng thường lặp lại một thực nghiệm nhiều lần để có được ước lượng về hiệu ứng tổng quát của một số hành động nhất định

‰- Mô phỏng máy tính thích hợp cho hầu hết các tình huống mặc dù cũng có một số mô phỏng thủ công thành công

‰- Thường chỉ được dùng khi bài toán quá phức tạp không thể xem xét bằng các kỹ thuật tối ưu dạng số. Tính phức tạp theo nghĩa bài toán không thể công thức hóa cho tối ưu (do không thõa các giả định), hoặc công thức quá lớn, quá nhiều tương tác giữa các biến hoặc về bản chất bài toán là bất định hay rủi ro

Phương pháp mô phỏng:thiết lập mô hình của hệ thống thực và tiến hành các thực nghiệm lặp lại trên mô hình

• Thuận lợi:

‰ - Lý thuyết tương đối trực tiếp hiệu ứng dài hạn của nhiều chính sách -> nén thời gian lớn

‰ - Do tính chất mô tả (khác với danh định)

‰ - Có thể thấy được nhanh chóng, có thể đặt ra các câu hỏi “what-if”, có thể dùng tiếp cận thử-và-sai vào giải quyết vấn đề một cách nhanh chóng, rẻ, chính xác, ít rủi ro hơn

‰- Thử nghiệm được biến quyết định, phần nào của môi trường thực sự quan trọng với các phương án khác nhau

-‰ Yêu cầu kiến thức riêng biệt về bài toán vì thế buộc người xây dựng mô hình phải làm việc thường xuyên với nhà quản lý – đối tượng mong muốn của HHTQĐ để từ đó bản chất bài toán và các quyết định được hiểu tốt hơn

‰- Mô hình được xây dựng từ viễn cảnh/cách nhìn của nhà quản lý

‰- Mô hình chỉ cho một bài toán riêng biệt, thường không thể dùng giải các bài toán khác. Như vậy mỗi thành phần của mô hình ứng với một phần của hệ thống thực, do đó sẽ không yêu cầu nhà quản lý phải tổng quát hóa các hiểu biết của mình

-‰ Phổ bài toán giải được rất rộng: tồn kho, nhân sự, hoạch định chiến lược ..

‰- Có thể chứa các phức tạp thực sự của bài toán, không cần các đơn giản hóa (TD: dùng các phân phối xác suất thực thay vì phân phối lý thuyết xấp xỉ)

‰- Có thể tự động sinh ra nhiều đo lường hiệu năng quan trọng

‰- Thường là phương pháp duy nhất của HHTQĐ có thể xử lý các bài toán tương đối phi cấu trúc

-‰ Có một số các gói phần mềm mô phỏng (Monte Carlo) tương đối dễ dùng

• Điểm yếu:

‰- Tuy thường tìm được các phương án đủ tốt nhưng không đảm bảo lời giải tối ưu

‰- Quá trình xây dựng mô hình thường dài và tốn kém

‰- Giải pháp và suy diễn từ nghiên cứu mô phỏng thường không thể chuyển sang bài toán khác vì mô hình kết hợp các yếu tố đặc thù

-‰ Đôi khi do mô hình quá dễ giải thích cho nhà quản lý nên các phương pháp phân tích thường xem nhẹ

-‰ Phần mềm mô phỏng đôi khi yêu cầu các kỹ năng đặc biệt do độ phức tạp của phương pháp giải hình thức

• Các loại mô phỏng

‰- Mô phỏng xác suất: một hay nhiều biến độc lập mang tính xác suất với 2 loại phân phối – thường dùng kỹ thuật Monte Carlo

+ Phân phối rời rạc: tình huống có một số giới hạn các biến cố (biến) với hữu hạn các giá trị cho mỗi biến cố (biến)

+ Phân phối liên tục: tình huống có số lượng không giới hạn các biến cố tuân theo các hàm mật độ xác suất như phân phối chuẩn

‰ - Mô phỏng độc lập/phụ thuộc theo thời gian:

+ Độc lập: không cần thiết phải biết chính xác thời điểm xảy ra biến cố (nhu cầu tiêu thụ lượng sản phẩm trong ngày, không biết chính xác thời điểm tiêu thụ)

+ Phụ thuộc: cần biết chính xác thời điểm xảy ra sự kiện (bài toán hàng đợi)

‰- Mô phỏng tương tác trực quan:

- Mô phỏng hướng đối tượng: dùng tiếp cận hướng đối tượng để xây dựng mô hình mô phỏng. Chú ý ngôn ngữ mô hình hóa nhất thể UML (unified modeling language) kể cả khi mô phỏng các hệ thời gian thực

• Người ra quyết định thường phải xem xét nhiều chiều của dữ liệu (TD: các chiều của dữ liệu bán hàng là sản phẩm, vùng, thời gian, người bán ..); dữ liệu cần được phân tích trực tiếp bằng các công cụ chuẩn hay phân tích tự động bằng các phương pháp khai mỏ dữ liệu (data mining)

• Hầu hết các hệ thống phân tích đa chiều được nhúng trong các hệ xử lý phân tích trực tuyến (HXLPTTT – online analytic processing - OLAP)

• Mục tiêu của XLPTTT: nắm bắt cấu trúc của dữ liệu thực để hỗ trợ ra quyết định

• Trong HHTQĐ có sự gắn nối tự nhiên giữa mô hình hóa dữ liệu, mô hình hóa ký hiệu và các khía cạnh của phân tích “what-if”

• Các báo cáo của HXLPTTT đều có tính tương tác, dễ khai thác sử dụng, đặc biệt phù hợp cho các báo cáo về chỉ số hiệu năng chủ yếu (key performance indicators - KPI), báo cáo về đo lường hiệu năng kinh doanh ..

• Thế hệ hiện tại của HXLPTTT và hệ khai mỏ dữ liệu (data mining) tích hợp các đặc tính của hệ thông tin lãnh đạo (executive information system –EIS- nhiều cách nhìn dữ liệu, chi tiết hóa theo nhu cầu..) và các hệ đồ họa khác – thường có giao diện người dùng dạng kiểu WEB

• Các hệ thống như trên còn được gọi là các công cụ trí tuệ kinh doanh (business intelligence - BI) vì có các đặc trưng về mô hình hóa và tối ưu hóa nhưng lại trong suốt đối với ngươì dùng

• Hiện các công cụ được đưa ra bởi các nhà cung cấp về CSDL, về hoạch định tài nguyên tổ chức (ERP), về nhà kho dữ liệu (data warehouse), về HXLPTTT ..

• Ích lợi: Người ra quyết định tham gia vào quá trình phát triển mô hình và thực nghiệm mô phỏng vì vậy sẽ tin tưởng khi sử dụng mô hình

• Mô hình hóa tương tác trực quan (visual interactive modeling - VIM) dùng các biểu diễn đồ họa máy tính để trình bày các ảnh hưởng của các quyết định quản lý khác nhau, ở một thời điểm (tĩnh) hay tiến triển theo thời gian (động với kỹ thuật hoạt hình)

• Mô phỏng tương tác trực quan (visual interactive simulation - VIS) cho phép người dùng theo dõi tiến trình xây dựng và sử dụng khai thác mô hình mô phỏng dưới dạng hoạt hình

• Mô hình hóa tương tác trực quan có thể kết hợp với tiếp cận trí tuệ nhân tạo để đưa ra các khả năng mới thay đổi từ xây dựng hệ thống dạng đồ họa đến tìm hiểu về động học của hệ thống

• Cần đến các hệ thống máy tính xử lý song song tốc độ cao để xây dựng các mô phỏng - phức tạp, quy mô lớn, dạng hoạt hình - mang tính khả thi ở thời gian thực

• Một số công cụ HHTQĐ có chứa sẵn các trình con để xây dựng các mô hình định lượng về thống kê, phân tích tài chánh, kế toán …

• Nhiều công cụ HTQĐ có thể tương tác với các bộ phần mềm định lượng chuẩn (các mô hình lập sẵn), nhờ đó có thể tăng năng suất nhờ vào các mô hình có sẵn

• Phần mềm thống kê:

‰ - Được coi như một công cụ ra quyết định hơn là một công cụ phân tích trong quá trình ra quyết định

-‰ Có thể được nhúng trong các công cụ khai mỏ dữ liệu và công cụ xử lý phân tích trực tuyến, do đó người dùng khó nhận biết được các phương pháp thống kê phức tạp được dùng

‰ - Các bảng tính cũng chứa nhiều hàm thống kê phức tạp và có các giao tiếp ngoài có thể lập trình được

‰- Một số hàm thống kê được xây dựng sẵn trong các công cụ HHTQĐ (trung bình, trung vị, phương sai, độ lệch chuẩn, tương quan hồi quy (tuyến tính, đa thức, từng bước), chi-square, t-test, phân tích độ lệch ..)

• Phần mềm mô hình hóa phân tích/khoa học quản lý (MS/OR)

- Có rất nhiều trên thị trường về phân tích thống kê, quy hoạch tuyến tính, mô phỏng, phân tích quyết định, quy hoạch phi tuyến, dự báo ..

-‰ Một vài bộ tạo sinh HHTQĐ có các năng lực tối ưu và mô phỏng

• Phần mềm quản lý lợi nhuận (revenue/yield management):

‰- Phổ biến trong lĩnh vực dịch vụ

-‰ Mô hình động về phân loại khách hàng, ước lượng nhu cầu, định giá cả cho từng loại khách hàng

• Có năng lực như hệ quản trị CSDL (DBMS). Tuy nhiên thị trường có thể có nhiều hệ quản trị CSDL nhưng chưa có các sản phẩm về hệ quản trị CSMH.

• Các khía cạnh cấu trúc và giải thuật của mô hình cũng như xử lý dữ liệu liên quan cần trong suốt đối với người dùng

• Khả năng tích hợp mô hình (mô hình với mô hình, dữ liệu với mô hình và ngược lại)

• Chưa có các HQTCSMH chuẩn hóa vì:

‰- Có nhiều lớp mô hình nhưng đều khác cấutrúc(TD: quy hoạch tuyến tính khác với phân tích hồi quy ..)

-‰ Mỗi lớp mô hình có vài tiếp cận giải quyết vấn đềkhác nhau – phụ thuộc vào cấu trúc bài toán, kích cỡ, khuôn dạng và dữ liệu; tiếp cận coi là chuẩn có thể có hiệu quả thấp hơn tiếp cận đặc thù

‰- Một số năng lực của HQTCSMH liên quan đến khả năng suy lý và kiến thức chuyên gia có thể tạo sinh ở các hệ thống khác – các hệ trí tuệ nhân tạo …

• Hiện tại bảng tính và vài công cụ & ngôn ngữ HHTQĐ có đưa ra một số năng lực của HQCSMH

• Có một số ngôn ngữ mô hình hóa đặc biệt được dùng như công cụ truy xuất đến các phần mềm thực sự thực hiện tác vụ tối ưu hóa hay mô phỏng. Chúng hỗ trợ cho việc phát triển và quản lý các mô hình. Vài ngôn ngữ mô hình hóa dạng quy hoạch toán học thông dụng như Lingo, AMPL, GAMS ..

• Người dùng phải có được khả năng sau:

‰ - Truy đạt, thao tác, lưu chứa và hiệu chỉnh mô hình hiện có

‰ - Xây dựng mô hình mới từ các mô hình hiện có với nổ lực chi phí phù hợp

• HQTCSMH quan hệ:

‰- tương tự như CSDL quan hệ, mô hình được xem như một quan hệ ảo

‰- có 3 hoạt động cần thiết để có được tính đầy đủ quan hệ trong quản lý mô hình: thực thi (execution), tối ưu và phân tích độ nhạy (sensitivity analysis)

• HQTCSMH hướng đối tượng:

‰ - duy trì sự độc lập logic giữa cơ sở mô hình và các thành phần khác của HHTQĐ, hỗ trợ sự tích hợp thông minh và ổn định giữa các thành phần

‰ - các khái niệm hướng đối tượng quen thuộc trong các giao diện người dùng đồ họa (GUI) đều có thể áp dụng vào việc quản lý mô hình