MÔ HÌNH KINH DOANH VÀ KHOA HỌC ỨNG DỤNG

- Quá trình (50%)

+ Thuyết trình nhóm: 20%
+ Kiểm tra cá nhân: 20%
+ Điểm danh, BT, bonus . . . : 10%
14/04/2023
Các bước:
1. Xác định vấn đề trong kinh doanh
=> Mục tiêu: Max ( tối đa hóa); Min ( tối thiểu hóa); Target <= Dữ liệu liên quan:
Biến số ra quyết định ( Decision Variables); Tham số: phụ thuộc; Các ràng buộc:
có thể tồn tại, đặc trưng về kinh doanh
2. Xây dựng bài toán
+ Chỉ định biến số
+ Xây dựng hàm số mục tiêu:
Max, Min (objective function:
F(x1,x2,x3,...)
Max: f(x) Min: f(x)
x1,x2,x3...:decision variables
Constrants/ Subject to: x1,x2,x3 >0
x1 + x2 < 10
x1,x2: binary
+ Xây dựng các ràng buộc
3. Thiết lập thuật toán (thuật giải) => phần mềm
4. Kiểm định lời giải => Điều chỉnh (nếu có)
5. Ứng dụng

21/04/2023
1) Decision variable (biến số)
x1,x2,x3
Ma trận
2) Objective function (hs mục tiêu)
Maximize
Minimize
Targetad Obj
3) Constraints (ràng buộc)
 Subject to: Q,N => Integer
- Equations
- Conditions
Chuyển hóa một bài toán kinh doanh về một bài toán đại số:
1. Xác định vấn đề và thu thập data
2. Thiết lập bài toán đại số
3. Xây dựng thuật giải => Phần mềm
4. Tìm đáp án => Kiểm tra đáp án hoặc điều chỉnh (nếu có)

Bảng điều khiển (Dash board): Mô tả, dự đoán/ dự báo, tối ưu

Bài toán 1:

Giải:
Tóm tắt:
CP cố định: FC = 50,000$
CP biến đổi: vc = 650$ / acre
Giá bán sp: p = 700$ / acre
Điểm hòa vốn? ( điểm mà chi phí hòa với lợi nhuận)

1. Biến số: Sản lượng sx và bán ra: x

2. Hàm mục tiêu:
Profit = Doanh thu – chi phí
= 700x – (50,000 + 650x)
= 50x – 50,000
Điểm hòa vốn khi Profit = 0 nên
50x – 50,000 = 0
x = 1000
Giả định thêm thông số:
Trong th dự đoán nhu cầu của thị trường cho biết: qforecast = 2,000
CP tồn kho là 10$ / sp
1. Biến số: sản lương sx (x1) và bán ra (x2) (x1 => x2)
2. Hàm mục tiêu: Profit = Doanh thu – chi phí
= (700 x2) – [50,000 + 650x1 + 10 (x1 – x2) ]
= 710 x2 – 660 x1 – 50,000
a) Thuật toán: Hòa vốn Profit = 0
710 x2 – 660 x1 – 50,000 = 0
Thỏa mãn: x2 <= x1 ; x2 <= 2000
b) Tối đa hóa lợi nhuận:
Lợi nhuận: MAX (710x1 – 660 x2 – 50,000)
Giải bằng Solver
Bài toán 2:

1. Biến số:
xij : số hàng từ nhà máy (A,B) tới cửa hàng (1,2) = xA1, xA2, xB1, xB2
 2. Hàm mục tiêu
Min (Shipping cost)= Min (700xA1 + 400xA2 + 800xB1 + 600xB2)
Outlets
1 2
Plants A xA1 xA2 =30
Plants B xB1 xB2 <=50
= 40 =>25

1) Sản xuất tại A: xA1 + xA2 = 30

2) Sản xuất tại B: xB1 + xB2 <= 50
3) Nhu cầu tại O1: xA1 + xA2 = 40
4) Nhu cầu tại O2: xB1 + xB2 =>25
Giải bằng Solver

28/04/2023
CHƯƠNG 2: LINEAR PROGRAMMING
Objective function: f(x1,x2,x3)= p1x1+p2x2+p3x3...
- Là những bài toán tối ưu: Min, Max
- Luôn đi kèm các ràng buộc
1. Decision variables: x1 x2 x3 ...
2. Objective function: Min/Max (p1x1+p2x2+...)
3. Constraints
Bài toán 3:

- Window: glass + wood ; plant 2+3

- Door: glass + al ; plant 1+3
? Sx bao nhiêu sp để đạt lợi nhuận tối đa

1. Đặt biến số: x1 (door) ; x2 (window)

2. Obj.function:
MAX (Profit) = MAX (300x1 + 500x2)
3. Constraints:
Plant 1: x1 <= 4
Plant 2: 2x2 <= 12
Plant 3: 3x1 + 2x2 <=18
 Bài toán 4:
Product Material (sq.feet) Time (mins) Max profit ($) Sales (forecast)
C 3 45 32 <=100
M 2 40 24 <=1200
Resources 5000 35*40*60
Đặt biến:
x1: C ; x2: M
Objecfunction:
Max (profit) = Max ( 32x1 + 24x2)
Subject to:
1. Material: 3x1 + 2x2 <= 5000
2. Time: 45x1 + 40x2 <= 35*40*60
3. Sales: x1 <= 1000 ; x2 <= 1200

Bài toán 5:

Segments Target Daytime Night time

Y-M 100 10% 0,1x1 20% 0,2x2
O-M 150 15% 0,15x1 30% 0,3x2
Y-F 120 20% 0,2x1 20% 0,2x2
O-F 200 35% 0,35x1 25% 0,25x2
No Response 20% 5%
Cost 1$/call 1.5$/call
Time limits =>2/3 total <=1/3total
1. Đặt biến số: x1: # of day calls ; x2: # of night calls
2. Hàm số mục tiêu: Min (cost) = Min (x1 + 1,5x2)
 3. Thỏa các đk sau:
- Tối đa 1/3 cuộc gọi buổi tối: x2 <= 1/3 (x1 + x2)
- Y-M: 0,1x1 + 0,2x2 => 100
- O-M: 0,15x1 + 0,3x2 => 150
- Y-F: 0,2x1 + 0,2x2 => 120
- O-F: 0,35x1 + 0,25x2 => 200

Bài toán 6 (Quiz 2):

Loại dây SL
12 inch 25
18 inch 52
24 inch 45
40 inch 30
60 inch 12
SL dây 60 inch cần đặt để cắt ra ???

CHƯƠNG 5: WHAT – IF ANALYSIS FOR LINEAR PROGRAMMING

 Khi thị trường thay đổi thì cần thiết lập bài toán như thế nào? (sensitivity, scenario:
uncertainty, situations => decision). Sử dụng để tính các trường hợp kịch bản tốt nhất và
tệ nhất để lựa chọn đầu tư , ...Là một bảng chứng cứ thay đổi.

Parameters

Obj.function: y=f(x) _ Min / Max

Decision variables: x1 x2 x3 ...
Constraints: g(x) , h(x) ... <- “Constraints”
 Các kịch bản thường thay đổi ở Parameter như ví dụ dưới là biến lợi nhuận biên,
còn “Constraints” sẽ là các điều kiện ràng buộc hay biến thời gian.
Sensitivity Analysis table (Bảng phân tích độ nhạy) – Cần phân tích dữ liệu gốc trước

Kịch bản S1: Kịch bản S2: Kịch bản S3:

Scenarios
Lợi nhuân Lợi nhuân Lợi nhuân
(Kịch bản gốc/ Base
Doors: 300$ -> Doors: Doors:
cơ sở)
200$ 300$ -> 500$ 300$ -> 800$
#Doors 2 2 2 2
#Windows 6 6 6 6
Profit 3600 3400 4000 4600
Vd1 Excel
Các nguyên tắc phải lưu ý:
- Luôn trả về kịch bản gốc
- Đánh dấu những thay đổi trong mô hình
 - Chọn Sensitivity nó chạy ra các trường hợp Min và Max ( cận trên và cận dưới)
khác so với kịch bản gốc
- Cần chú ý tính hợp lý (sản phẩm có thể lẻ sx dở dang nhưng người thì k lẻ đc

Shadow Price là giá

phải hi sinh cho nguồn
lực của nhà sx không có
sự thay đổi của thị
trường

CHƯƠNG 6: TỐI ƯU HÓA QUẢNG ĐƯỜNG (NETWORK OPTIMIZATION PROBLEMS)

Bài vd chương 6:
Có 3 dạng cần để ý:
- Min (Shipping cost)
- Max (Capacity) => Shipping
- Min (route) => Travel (1=yes, 0=no; chú ý điều kiện supply = 1)

CHƯƠNG 9: DECISION ANALYSIS

Bài toán: Ra quyết định đầu tư khoan dầu
Xác định có dầu dưới lòng đất: 25%
ko dầu dưới lòng đất: 75%
 Đầu tư: 800,000$/ DT=0 (tiền đầu
tư:100,000 $)
Lựa chọn khác: Bán lô đất dt 90,000$
 1 – Luật ra quyết định ( Decision Principles)
2 – Cây ra quyết định ( Decision Tree)
DECISION CRITERIA

1. Maximax: xem xét lợi nhuận lớn
nhất (k xem xét xác suất)
- Max(payoffs)
- Max(Alternatives) -> 700,000 (Drill)
3. Maximum Likelihood: (xem xét xác
suất lớn nhất)
- Max (probasility)
- Max (Alternatives) -> 90,000 (sell)
2. Maximin: xem xét vào tình huống
tồi tệ nhất chọn giải pháp an toàn,
tối thiểu hóa rủi ro (k xem xét xác
suất)
- Min(payoffs)
- Max(Alternatives) -> 90,000 (sell)
4. Baye’s rule: (xem xét xác suất lớn
nhất), expected payoffs

Payoff - Max (probasility)

700 - [ payoffs x probasibility ]
Oil (0.25)  Max ( ) -> 100,000 (drill)

B
- Node(nốt): + alternatives (kết quả)
Drill
Dry (0.75)
-100
A

Sell

90
 + state of nature (probasibility): tự nhiên chủ yếu dựa vào xác suất
- Branch ( nhánh)
- Payoff thẳng hàng
- Sensitivity analysis=>tính toán lại (bayes)

1. Decision tree?
2. Áp dụng 4 quy tắc ra quyết định để tìm
phương án tối ưu theo từng quy tắc?
3. Câu 2 Bayes
4. Người môi giới có thông tin về việc S
chắc chắn xảy ra hay ko? Bạn sẽ trả tối
đa bn tiền cho thông tin trên?
 CHƯƠNG 10: BÀI TOÁN DỰ BÁO (FORECAST)
Dự báo dựa trên: ( có những trường hợp hi hữu thiếu 1 trong 2 trường hợp)
+ Dữ liệu quá khứ ( số liệu thị trường/ khảo sát)
+ Phương pháp/ kĩ thuật để dự báo: sai số thấp nhất, tính khả thi của kĩ thuật(chi phí hợp
lý, pp đơn giản)
- Phương pháp kì quá khứ gần nhất (the last value) (+/- %)
 dễ dàng nhưng có nhiều nhược điểm, không dự báo được thời gian dài
- Phương pháp lấy bình quân (average)
+ lấy tất cả dữ liệu trong kỳ
 + chọn lấy 1 khoảng giá trị trong chu kỳ (n=3,4,...) => Moving Average (bình
quân trượt)
 đỡ hơn last value nhưng cũng cần có số liệu mới mới dự báo được các kì mới như
last value
- Moving Average (bình quân trượt): MA

 Không tính được 3 tháng đầu

- Exponential Smoothing

- Linear Regression: đường xu thế

f(t): sales= Alpha + Beta*time
 Có thể tính thêm nhiều biến hơn
 F=αA + ( 1−α ) β
- Các error( sai số) được tính theo các cách:
+ |Error| = (|E1| + |E2| +|E3|) /3 => cách tính bình
quân sai số thông thường (MAD)
+ 2 => Khuếch đại sai
√ ERROR2= √ E 1 + E3 2 + E 3
2 2

số để thấy rõ sai số (MSE)