Chapter 4

1. Chapter 4 MODELING AND ANALYSIS

2. Learning Objectives • ทำความเข้าใจแนวความคิดพื้นฐานของ management support system (MSS) modeling • อธิบายว่า MSS models มีปฏิสัมพันธ์กับข้อมูลและผู้ใช้ได้อย่างไร • ทำความเข้าใจถึงความแตกต่างบางอย่างของ well-known model classes • ทำความเข้าใจถึงวิธีการจัดโครงสร้างการตัดสินใจโดยมีทางเลือกสองสามทาง • ทำความเข้าใจการใช้ search methods เพื่อใช้แก้ MSS model ได้อย่างไร • อธิบายความแตกต่างระหว่าง algorithms, blind search และ heuristics • อธิบายว่าจะจัดการกับ multiple goals ได้อย่างไร • อธิบายความหมายของ sensitivity analysis, what-if analysis และ goal seeking • อธิบายเรื่องสำคัญ ๆ ของ model management

3. 4.2 MSS Modeling • Lessons from modeling at DuPont • By accurately modeling and simulating its rail transportation system, decision makers were able to experiment with different policies and alternatives quickly and inexpensively • The simulation model was developed and tested known alternative solutions

4. 4.1Winning isn’t everything …but losing isn’t anything • ทีมกีฬามืออาชีพมักค้นหาประสิทธิภาพที่ดีขึ้นอยู่ตลอดเวลา บางทีมที่ประสบความสำเร็จบ่อย ๆ ได้เรียนรู้ว่า การทุ่มเทในเรื่องความฉลาดปราดเปรื่องของผู้เล่นแต่ละคนมากเกินไปนั้นไม่ทำให้ทีมชนะมากขึ้นแต่อย่างใด แต่การประยุกต์ใช้ตัวแบบเชิงวิเคราะห์ (Analytical model) ทำให้ทีมชนะมากกว่า

5. MSS Modeling • บทเรียนจากการทำตัวแบบของProcter & Gamble • DSS สามารถประกอบขึ้นมาจากตัวแบบหลายตัวที่ใช้ร่วมกันในการสนับสนุนการตัดสินใจเชิงกลยุทธ์ในบริษัท • ตัวแบบต่าง ๆ ที่นำมาใช้ร่วมกันนั้นต้องทำงานร่วมกัน • ตัวแบบต่าง ๆ อาจมีการแยกย่อยหรือปรับเปลี่ยนให้ง่ายขึ้น • แนวทางของ suboptimization อาจเป็นแนวทางที่เหมาะสม • การตัดสินของมนุษย์คือส่วนสำคัญที่สุดในการใช้ตัวแบบหลาย ๆ ตัวเพื่อมาทำการตัดสินใจ

6. MSS Modeling • บทเรียนจาก additional modeling applications • ตัวแบบทางคณิตศาสตร์ (เชิงปริมาณ) ระบบของสัญลักษณ์ต่าง ๆ และ การดำเนินการต่าง ๆ (expression)ที่แสดงแทนสถานการณ์จริง • การใช้ตัวแบบต่าง ๆ กับสถานการณ์ในโลกแห่งความเป็นจริงสามารถประหยัดเงินได้หลายล้านเหรียญสหรัฐ หรือ สร้างรายได้ขึ้นมาหลายร้อยล้านเหรียญสหรัฐ เช่นกัน

7. MSS Modeling • เรื่องเกี่ยวกับการสร้างตัวแบบในปัจจุบัน (Current modeling issues) • การบ่งชี้ปัญหาและการวิเคราะห์สภาพแวดล้อม • การสแกนและวิเคราะห์สภาพแวดล้อม กระบวนการที่ประกอบไปด้วยการทำการค้นหาและวิเคราะห์สารสนเทศจากฐานข้อมูลภายนอกและการไหลของสารสนเทศ • การบ่งชี้ตัวแปรและการมีปฏิสัมพันธ์กันของตัวแปรเหล่านั้น • การพยากรณ์ (หมายถึงการคาดการณ์อนาคต) • ระบบวิเคราะห์การคาดการณ์ (Predictive analytics systems)พยายามที่จะคาดการณ์ most profitable customers, the worst customers, และมุ่งเน้นไปที่การบ่งชี้ products และ services ที่มีราคาเหมาะก่อให้เกิดความสนใจในผลิตภัณฑ์หรือบริการเหล่านั้น

8. MSS Modeling • Multiple models: DSS สามารถประกอบขึ้นจากตัวแบบหลาย ๆ ตัว ซึ่งแต่ละตัวก็เป็นตัวแทนในส่วนที่แตกต่างกันไปในปัญหาที่ต้องทำการตัดสินใจ • Model categories (Table 4.1) • Optimization of problems with few alternatives • Optimization via algorithm • Optimization via an analytic formula • Simulation • Predictive models • Other models such as what-if case, using formula

9. MSS Modeling • การจัดการกับตัวแบบ: เพื่อรักษา models integrity and applicability • การทำตัวแบบที่ใช้พื้นฐานความรู้ (Knowledge-based modeling) • แนวโน้มปัจจุบัน (Current trends) • Model libraries และ solution technique libraries • การพัฒนาและใช้ในเชิง Web tools • การวิเคราะห์แบบหลายมิติ (Multidimensional analysis (modeling)) วิธีการทำตัวแบบที่ประกอบด้วยการวิเคราะห์ข้อมูลในหลายมิติ • แผนภาพอิทธิพล (Influence diagram) แผนภูมิที่แสดงประเภทต่าง ๆ ของตัวแปรที่หลากหลายในปัญหาหนึ่ง ๆ (เช่น decision, independent, result) และแต่ละตัวมันสัมพันธ์กันอย่างไร

10. Influence Diagram

11. Meaning of Symbol

12. 4.3 Static and Dynamic Models • DSS Models สามรถแบ่งได้เป็น: • Static model ตัวแบบที่อธิบาย a single interval of a situation เช่น make or buy decision • Dynamic model ตัวแบบที่มีข้อมูลอินพุตเปลี่ยนไปตามเวลาe เช่น a five-year profit or loss projection ดังนั้นตัวแบบจึงขึ้นกับเวลา(time dependent) • Dynamic models มีความสำคัญมากเพราะว่า นิยมนำมาใช้ เป็นตัวแทน หรือ สร้างแนวโน้ม (trend) และรูปแบบ (pattern) ตลอดช่วงเวลาที่ทำการพิจารณา

13. 4.4 Certainty, Uncertainty, and Risk

14. Certainty, Uncertainty, and Risk • ความแน่นอน (Certainty) ข้อกำหนดภายใต้สมมติฐานว่าคุณค่าในอนาคต (future values) รู้แล้วอย่างมั่นใจ ดังนั้นจึงมีผลลัพธ์เดียวที่เกิดขึ้นจากการกระทำใด ๆ • ความไม่แน่นอน (Uncertainty) ในระบบผู้ชำนาญการ (expert system)หมายถึงคุณค่าที่ไม่สามารถหาได้ใรระหว่างที่ให้คำแนะนำในหลาย ๆ ระบบผู้ชำนาญการสามารถปรับตั้งค่าความไม่แน่นอนให้เหมาะสมได้ โดยยอมให้ผู้ใช้ระบุว่าเขาไม่รู้คำตอบ(เมื่อระบบถามข้อมูลออกมา)

15. ความเสี่ยง (Risk) ความน่าจะเป็น (probabilistic) หรือ stochastic decision situation • การวิเคราะห์ความเสี่ยง (Risk analysis) Decision-making method ที่ใช้วิเคราะห์ความเสี่ยง (บนพื้นฐานที่ถือว่ารู้ค่าความน่าจะเป็นต่าง ๆ)ร่วมกับทางเลือกอื่น ๆ ที่แตกต่างกันบางทีเรียกว่า calculated risk

16. 4.5 MSS Modeling with Spreadsheets • ตัวแบบสามารถสร้างขึ้นมาและนำไปใช้ใน programming language และ system ที่หลากหลาย • Spreadsheet เป็นตัวอย่างที่ชัดเจนในการเป็น the most popular end-user modeling tool เพราะว่า มันมี many powerful financial, statistical, mathematical, and other functions ประกอบรวมอยู่ด้วยกัน

17. MSS Modeling with Spreadsheets

18. MSS Modeling with Spreadsheets • คุณสมบัติที่สำคัญอื่น ๆ ของ spreadsheet ที่มีเพิ่มเข้ามาได้แก่what-if analysis, goal seeking, data management, และ programmability • Spreadsheet packages ทั้งหมดนั้นผนวกรวมสิ่งต่าง ๆ เข้าไว้ด้วยกันอย่างกลมกลืนเพราะมันอ่านและเขียนโครงสร้างของไฟล์คำสั่งจากแหล่งเดียวกันและง่ายต่อกสารเชื่อมต่อกับฐานข้อมูลที่ใช้งานและชุดคำสั่งอื่น ๆ • ทั้ง Static และ dynamic model สมารถสร้างอยู่บน spreadsheet ได้ทั้งคู่

19. MSS Modeling with Spreadsheets

20. 4.6 Decision Analysis with Decision Tables and Decision Trees • การวิเคราะห์การตัดสินใจ (Decision analysis) กรรมวิธีสำหรับหาคำตอบของปัญหาในทางปฏิบัติแล้ว ถ้ามันไม่เหมาะสมกับวิธีการหาแบบธรรมดาทั้วไป ก็สามารถใช้ iterative algorithm ได้ • ตารางการตัดสินใจ (Decision table) คือตารางที่ใช้แทนความรู้และจัดเตรียมมันขึ้นมาเพื่อการวิเคราะห์ใน: • ดูแลเรื่องความไม่แน่นอน (ถูกดูแลภายใต้สมมติฐานที่แน่นอน หรือ ความเสี่ยงที่แน่นอน เช่น กำหนดให้ความไม่แน่นอนอยู่ในช่วง ๆ หนึ่ง เป็นต้น) • ดูแลเรื่องความเสี่ยง

21. Decision Analysis with Decision Tables and Decision Trees • Decision tree การนำเสนอแบบรูปภาพของ sequence of interrelated decisions ซึ่งถูกทำขึ้นภายใต้ข้อกำหนดของความเสี่ยง(assumed risk) • เป้าหมายที่หลากหลาย (Multiple goals) หมายถึง decision situation ซึ่งทางเลือกได้ถูกประเมินไว้หลาย ๆ เป้าหมาย ซึ่งบางครั้งเกิดข้อขัดแย้งกันขึ้นมา

22. 4.7 The Structure of Mathematical Models for Decision Support

23. The Structure of Mathematical Models for Decision Support • องค์ประกอบต่าง ๆ ของตัดสินใจที่สนับสนุนตัวแบบทางคณิตศาสตร์ • ตัวแปรผลลัพธ์ (Result (outcome) variable) ตัวแปรที่ใช้อธิบายผลลัพธ์ของของการตัดสินใจ (เช่น one concerning profit) โดยทั่วไปก็คือหนึ่งในหลาย ๆ เป้าหมายของปัญหาที่ต้องตัดสินใจ • ตัวแปรตัดสินใจ (Decision variable) ตัวแปรของตัวแบบที่สามารถปรับเปลี่ยนและดำเนินการ (ทางคณิตศาสตร์) โดยผู้ทำการตัดสินใจ Decision variables ต้องสอดรับกับการตัดสินใจที่ต้องกระทำ เช่น จำนวนสินค้าที่ต้องผลิต และ จำนวนทรัพยากรที่ต้องใช้ในส่วนต่าง ๆ

24. The Structure of Mathematical Models for Decision Support • ตัวแปรที่ไม่สามารถควบคุมได้ (Uncontrollable variable (parameter)) แฟกเตอร์ที่ส่งผลกระทบต่อผลลัพธ์ของการตัดสินใจ แต่ไม่อยู่ภายใต้การควบคุมของผู้ทำการตัดสินใจ ตัวแปรเหล่านี้อาจเป็นตัวแปรที่อยู่ภายใน (เช่นเกี่ยวกับเทคโนโลยีหรือนโยบาย) หรืออยู่ภายนอก (เช่น เกี่ยวกับเรื่องกฏหมายหรือบรรยากาศทางการเมือง) • ตัวแปรอันเป็นผลลัพธ์ระหว่างทาง (Intermediate result variable) ตัวแปรที่มีค่าของ intermediate outcomes ในตัวแบบทางคณิตศาสตร์

25. 4.8 Mathematical Programming Optimization • Mathematical programming กลุ่มของเครื่องมือที่ออกแบบมาเพื่อช่วยแก้ปัญหาต่าง ๆทางด้านการจัดการ ซึ่งผู้ตัดสินใจต้องกระจายทรัพยากรที่มีอยู่อย่างจำกัดไปยังกิจกรรมต่าง ๆ ที่แข่งขันกันเพื่อ optimize a measurable goal • Optimal solution คำตอบที่ดีที่สุดที่เป็นไปได้ของปัญหาที่สร้างตัวแบบขึ้นมา

26. Mathematical Programming Optimization • การโปรแกรมเชิงเส้น (Linear programming (LP)) ตัวแบบทางคณิตศาสตร์สำหรับคำตอบที่ optimum ของปัญหาในการจัดสรรทรัพยากรความสัมพันธ์ระหว่างตัวแปรทั้งหมดในตัวแบบประเภทนี้จะเป็นแบบเชิงเส้น (linear) • ทุก ๆ ปัญหาของ LP จะต้องประกอบด้วย: • ตัวแปรตัดสินใจ (Decision variables) • ฟังก์ชันเป้าหมาย (Objective function) • สัมประสิทธ์ของฟังก์ชันเป้าหมาย (Objective function coefficients) • ข้อจำกัด (Constraints) • ความสามารถ (Capacities) • Input/output (technology) coefficients

27. The LP Product-Mix Model Formulation • MBI Corp. which manufactures special-purpose computer, needs to make a decision: How many computers should it produce next month at the Boston plant? • MBI is considering two types of computers: the CC-7, which requires 300 days of labor and $10,000 in materials, and the CC-8 which requires 500 days of labor and $15,000 in materials • The profit contribution of each CC-7 is $8,000 whereas that of each CC-8 is $12,000. • The plant has a capacity of 200,000 working days per month, and the material budget is $8 million per month.

28. Marketing requires that at least 100 units of the CC-7 and at least 200 units of the CC-8 should be produced each month. • Model Example: • The decision variables are as follows: • X1 = units of CC-7 to be produced • X2 = units of CC-8 to be produced • The results variable is as follows: • Total profit = Z • Zmax = 8,000X1 + 12,000X2

29. Labor constraint: 300X1 + 500X2 ≤200,000 days • Budget constraint: 10,000X1 + 15,000X2 ≤8,000,000 dollars • Marketing requirement for CC-7: X1 ≥ 100 units • Marketing requirement for CC-8: X2 ≥ 200 units

30. Mathematical Programming Optimization

31. Mathematical Programming Optimization

32. 4.9 Multiple Goals, Sensitivity Analysis, What-If Analysis, and Goal Seeking • เป้าหมายที่หลากหลาย (Multiple goals) หมายถึงสถานการณ์การตัดสินใจซึ่งทางเลือกต่าง ๆ ถูกประเมินด้วยหลาย ๆ เป้าหมาย บางครั้งอาจขัดแย้งกัน • การวิเคราะห์ความไว (Sensitivity analysis) การศึกษาผลกระทบของการเปลี่ยนหนึ่งหรือหลายตัวแปรอินพุตเพื่อให้ได้คำตอบออกมา

33. Multiple Goals, Sensitivity Analysis, What-If Analysis, and Goal Seeking • การวิเคราะห์ความไวเป็นการทดสอบความสัมพันธ์ต่าง ๆ เช่น: • ผลกระทบของการเปลี่ยนแปลงในส่วนของ external (uncontrollable) variables และค่าพารามิเตอร์ของ outcome variable(s) • ผลกระทบของการเปลี่ยนแปลงในส่วนของ decision variables ที่มีต่อ outcome variable(s) • ผลกระทบของความไม่แน่นอนในการประมาณ external variables • ผลกระทบของความแตกต่างของ dependent interactions ระหว่างตัวแปรต่าง ๆ • ความคงทนของการตัดสินใจ (robustness of decision) ภายใต้ข้อกำหนดที่เปลี่ยนแปลงไป

34. Multiple Goals, Sensitivity Analysis, What-If Analysis, and Goal Seeking • การวิเคราะห์ความไวใช้สำหรับ: • ปรับเปลี่ยนตัวแบบเพื่อขจัด too-large sensitivities • เพิ่มรายละเอียดเกี่ยวกับ sensitive variables หรือ scenarios • เพื่อให้ได้การประมาณที่ดีขึ้นของความไวที่มีต่อตัวแปรภายนอก • การทำให้ต่างจากโลกแห่งความเป็นจริงโดยการลด actual sensitivities ลง • การยอมรับและการใช้ความไว (และก่อให้เกิดความเสี่ยง)ในโลกแห่งความจริงนำไปสู่การเฝ้าดูอย่างใกล้ชิดและอย่างต่อเนื่องของผลลัพธ์ต่าง ๆ ที่เกิดขึ้นจริง • การวิเคราะห์ความไวมีสองประเภทก็คือแบบอัตโนมัติและทำไปปรับแก้ไป (trial-and-error)

35. Multiple Goals, Sensitivity Analysis, What-If Analysis, and Goal Seeking • การวิเคราะห์ความไวโดยอัตโนมัติ (Automatic sensitivity analysis) • การวิเคราะห์ความไวโดยอัตโนมัติหาได้จากการใช้ตัวแบบเชิงปริมาณแบบมาตรฐาน เช่น LP • การวิเคราะห์ความไวแบบทดลองไปปรับไป (Trial-and-error sensitivity analysis) • ผลกระทบของการเปลี่ยนแปลงในตัวแปรใด ๆ หรือในหลาย ๆ ตัวแปร สามารถหาได้จากแนวทางแบบทำไปทดลองไป ปรับแก้ไป • การวิเคราะห์เชิง What-If (What-If Analysis) • กระบวนการที่เกิดจากการถามคอมพิวเตอร์ว่าอะไรจะเกิดขึ้นถ้าทำการเปลี่ยนแปลงข้อมูลอินพุตหรือตัวแปรอินพุตบางตัว

36. Multiple Goals, Sensitivity Analysis, What-If Analysis, and Goal Seeking

37. Multiple Goals, Sensitivity Analysis, What-If Analysis, and Goal Seeking • การค้นหาเป้าหมาย (Goal seeking) • การถามคอมพิวเตอร์ค่าตัวแปรที่เหมาะสมควรเป็นอะไร เพื่อให้บรรลุถึงเป้าหมายที่ตั้งไว้ • การคำนวณ break-even point โดยการใช้ goal seeking • หมายถึงการหาค่าของ decision variables อันก่อให้เกิด zero profit

38. Multiple Goals, Sensitivity Analysis, What-If Analysis, and Goal Seeking

39. 4.10 Problem-Solving Search Methods

40. Problem-Solving Search Methods • เทคนิคการวิเคราะห์โดยใช้ mathematical formulas เพื่อเดินเข้าสู่ optimal solution โดยตรง หรือ ทำนายผลลัพธ์ที่ค่า ๆ หนึ่ง • อัลกอริธึมคือ step-by-step search process สำหรับการบรรลุถึง optimal solution • เป้าหมาย (goal) คือรายละเอียดของคำตอบที่ต้องการจากปัญหาหนึ่ง ๆ

41. Problem-Solving Search Methods • ขั้นตอนการค้นหา (search steps) คือกลุ่มของ possible steps คิดตั้งแต่ initial conditions ไปจนถึง goal • การแก้ปัญหาถูกทำโดยทำการค้นหาผ่านทางคำตอบต่าง ๆ (possible solutions)ที่เป็นไปได้

42. Problem-Solving Search Methods • เทคนิคBlind searchเป็นการค้นหาตามแนวทางแบบตามใจชอบ (arbitrary search approaches) ที่ไม่มีการให้แนวทางไว้ก่อน • ในแบบcomplete enumerationทุก ๆ ทางเลือกจะถูกนำมาพิจารณาและจุด optimal solution จะถูกค้นพบ • ในแบบincomplete enumeration (หรือ partial search) จะทำต่อเนื่องไปจนได้คำตอบที่ดีพอเพียงตามที่กำหนดไว้ (a form of suboptimization)

43. Problem-Solving Search Methods • การค้นหาแบบฮิสริสติค (Heuristic searching) • Heuristics Informal, judgmental knowledge of an application area that constitutes the rules of good judgment in the field. Heuristics also encompasses the knowledge of how to solve problems efficiently and effectively, how to plan steps in solving a complex problem, how to improve performance, and so forth • Heuristic programming The use of heuristics in problem solving

44. 4.11 Simulation • การจำลอง (Simulation) การเลียนแบบความจริง (An imitation of reality) • คุณสมบัติหลักของการจำลอง • การจำลองคือเทคนิคในการทำการทดลอง(conducting experiments) • การจำลองคือวิธีการที่ลงไปในรายละเอียด (descriptivemethod)แทนที่จะเป็นวิธีการที่ใช้กันทั่ว ๆ ไป (normativemethod) • การจำลองถุกนำมาใช้เมื่อปัญหามีความซับซ้อนมากเกินกว่าจะจะใช้ numerical optimization techniques

45. Simulation • ความซับซ้อน (Complexity) การวัดว่าปัญหามีความยุ่งยากอย่างไรในเทอมของการสร้างรูปแบบในการทำ optimization มันต้องการ optimization effort หรือ ธรรมชาติอันเป็น stochastic ของมันเอง • ข้อดีของการจำลอง • ทฤษฏีที่ใช้ตรงไปตรงมาดี • ลดเวลาลงไปได้มาก (เมื่อเทียบกับต้องสร้างของจริงขึ้นมาใช้ทดลอง) • ผู้จัดการสามารถทำการทดลองทางเลือกต่าง ๆ ได้ • ผู้สร้าง MSS ต้องมีปฏิสัมพันธ์กับผู้จัดการอย่างสม่ำเสมอ • ตัวแบบถูกสร้างจากมุมมองของผู้จัดการ • ตัวแบบที่ใช้จำลองถูกสร้างขึ้นมาให้เหมาะสมกับปัญหาหนึ่ง ๆ ได้

46. Simulation • การจำลองสามารถจัดการกับประเภทของปัญหาได้กว้างและหลากหลาย • การจำลองสามารถรวมปัญหาที่ซับซ้อนจริง ๆ เข้าด้วยกันได้ • การจำลองแบบอัตโนมัติได้สร้างการวัดประสิทธิภาพที่สำคัญ ๆ ได้มากมาย • การจำลองสามารถจัดการกับปัญหาที่ไม่เป็นโครงสร้างได้อย่างรวดเร็ว • Simulation packages ง่ายต่อการใช้งาน

47. Simulation • ข้อเสียของการจำลอง • คำตอบที่เป็น optimal solution ไม่สามารถรับประกันได้ • การสร้างตัวแบบในการจำลองสามารถกลายเป็นกระบวนการที่เชื่องช้าและมีค่าใช้จ่ายสูง • คำตอบและผลที่ได้อื่น ๆ ทางอ้อมจากการศึกษาจากการจำลองไม่ไม่ค่อยถ่ายโอนไปยังปัญหาอื่นๆ • การจำลองบางครั้งง่ายต่อการอธิบายให้ผู้จัดการฟังทำให้กรรมวิธีที่ใช้วิเคราะห์ถูกมองข้ามไป • Simulation software บางครั้งต้องการทักษะที่พิเศษออกไป

48. Simulation

49. Simulation • กรรมวิธีของการจำลอง (Methodology of simulation) • กำหนดปัญหา (Define the problem) • สร้างตัวแบบที่ใช้ในการจำลอง (Construct the simulation model) • ทดสอบและยืนยันตัวแบบ (Test and validate the model) • ออกแบบการทดลอง (Design the experiment) • ทำการทดลอง (Conduct the experiment) • ประเมินผลที่ได้ (Evaluate the results) • นำผลที่ได้ไปใช้งาน (Implement the results)

50. Simulation • ประเภทของการจำลอง (Simulation types) • การจำลองโดยอาศัยความน่าจะเป็น (Probabilistic simulation) • Discrete distributions • Continuous distributions • Time-dependent versus time-independent simulation • การจำลองเชิงวัตถุ (Object-oriented simulation) • การจำลองด้วยภาพ (Visual simulation) • ซอฟต์แวร์ที่นำมาใช้จำลอง (Simulation software)