PHẦN 1: LẬP TRÌNH TUYẾN TÍNH VÀ BÀI TOÁN PHÂN TÍCH KINH DOANH

I. Mở đầu: Bối cảnh tình huống (1-3 trang)

Dựa vào tình huống trong phụ lục 1 dước đây, bạn hãy xây dựng 1 tình huống
tương tự và giới thiệu bối cảnh của tình huống này.
Công ty ABC chuyên sản xuất một sản phẩm duy nhất và sản xuất sản phẩm này
tại ba nhà máy. Sản phẩm của công ty ABC đang được đánh giá trên thị trường rất
tốt, vì vậy công ty hiện có số lượng sản phẩm được đặt hàng bởi khách hàng nhiều
hơn mức sản phẩm công ty có thể đáp ứng. Công ty ABC cũng đang có kế hoạch
để mở thêm nhà máy để sản xuất, nhưng nó sẽ không sẵn sàng cho đến năm sau.
Trong tháng tới, bốn khách hàng tiềm năng của công ty (nhà bán sỉ) ở các khu vực
khác nhau của quốc gia muốn thực hiện các cuộc giao dịch lớn với công ty ABC.
Khách hàng 1 là khách hàng tiềm năng nhất của công ty, vì vậy nguồn lực sản xuất
của công ty sẽ ưu tiên đáp ứng đầy đủ đơn đặt hàng của Khách hàng 1 này. Khách
hàng 2 và 3 cũng là những khách hàng có tiềm năng của công ty, vì vậy Giám đốc
Tiếp thị của công ty đã quyết định rằng, tối thiểu, có ít nhất một phần ba số lượng
đặt hàng của họ phải được đáp ứng. Tuy nhiên, cô ấy không cảm thấy rằng Khách
hàng 4 cần được xem xét đặc biệt và vì vậy không sẵn lòng đảm bảo bất kỳ số
lượng đặt hàng tối thiểu nào cho khách hàng này. Chúng ta biết rằng, số lượng sản
phẩm công ty ABC sản xuất sẽ đủ để vượt quá số lượng tối thiểu này.
Phần lớn do sự khác biệt đáng kể trong chi phí vận chuyển, lợi nhuận ròng sẽ kiếm
được trên mỗi đơn vị sản phẩm bán được khác nhau rất nhiều, tùy thuộc vào sản
phẩm đó do nhà máy nào đang cung cấp cho khách hàng nào.
Do đó, quyết định cuối cùng về số lượng sản phẩm đáp ứng cho mỗi khách hàng
(phải lớn hơn hoặc bằng số lượng sản phẩm đáp ứng tối thiểu cho mỗi khách hàng
do Giám đốc Tiếp thị thiết lập) sẽ dựa trên việc tối đa hóa lợi nhuận tất cả sản
phẩm bán được.
 Lợi nhuận đơn vị cho mỗi sự kết hợp của một nhà máy cung cấp cho một khách
hàng cụ thể được thể hiện trong Bảng 1. Cột ngoài cùng bên phải cho biết số
lượng sản phẩm mà mỗi nhà máy sẽ sản xuất được trong tháng tới (tổng cộng là
40.000). Hàng dưới cùng hiển thị số lượng đặt hàng đã được yêu cầu bởi mỗi
khách hàng (tổng số 60.000). Hàng liền kề bên trên của hàng dưới cùng cho biết số
lượng sản phẩm được công ty ABC cung cấp tối thiểu cho mỗi khách hàng (tổng
số 24.000), dựa trên các quyết định của Giám đốc Tiếp thị được mô tả ở trên.
Giám đốc Tiếp thị cần xác định có bao nhiêu đơn vị sản phẩm để bán cho mỗi
khách hàng (quan sát số lượng sản phẩm phải đáp ứng tối thiểu này) và có bao
nhiêu đơn vị sản phẩm cần vận chuyển từ mỗi nhà máy đến mỗi khách hàng để tối
đa hóa lợi nhuận.

Customer Unit Profit Production Quantity

1 2 3 4

Plant
$110 $84 $92 $106 16,000
1

2 $74 $36 $64 $96 10,000

3 $58 $118 $102 $70 14,000

Minimum purchase 14,000 6,000 4,000 0

Requested purchase 14,000 18,000 12,000 16,000

Bảng 1. Dữ liệu cho tình huống của công ty ABC

II. Ứng dụng thực tiễn (6-12 trang)
1. Giới thiệu mô hình lập trình tuyến tính ứng dụng trong tình huống mà bạn xây
dựng.

Ta có:

Tổng số lượng sản phẩm Nhà máy 1, 2, 3 cung cấp cho Khách hàng 1, 2, 3, 4 = Số
lượng sản phẩm khả năng Nhà máy 1, 2, 3 có thể sản xuất tương ứng.
Số lượng sản phẩm cung cấp cho Khách hàng 1, 2, 3, 4 (có thể do Nhà máy 1, 2, 3
cung cấp) >= Số lượng sản phẩm phải cung cấp tối thiểu cho Khách hàng 1, 2, 3, 4
(có thể do Nhà máy 1, 2, 3 cung cấp) theo yêu cầu của Giám đốc Tiếp thị.

Số lượng sản phẩm cung cấp cho Khách hàng 1, 2, 3, 4 (có thể do Nhà máy 1, 2, 3
cung cấp) <= Số lượng sản phẩm Khách hàng 1, 2, 3, 4 yêu cầu (đặt hàng).

Hàm mục tiêu của bài toán là tối đa lợi nhuận thu được từ việc bán sản phẩm, nên:

Lợi nhuận đơn vị của mỗi sản phẩm được cung cấp bởi mỗi nhà máy cho từng
khách hàng nhân cho số lượng sản phẩm được cung cấp bởi mỗi nhà máy cho từng
khách hàng phải đạt giá trị cao nhất.

2. Xác định vấn đề.

Trong bài toán này, vấn đề mà ta phải ra quyết định:

Nhà Phân tích Kinh doanh cần giúp Giám đốc Tiếp thị trong công ty xác định số
lượng sản phẩm được sản xuất ở mỗi nhà máy để cung cấp cho từng khách hàng
(đáp ứng số lượng sản phẩm phải cung cấp tối thiểu cho từng khách hàng theo yêu
cầu của Giám đốc Tiếp thị) sao cho tối đa hóa lợi nhuận thu được từ việc bán các
sản phẩm nói trên.

3. Thiết lập mô hình đại số tuyến tính cho tình huống.

Gọi:

Số lượng sản phẩm Nhà máy 1 cung cấp cho Khách hàng 1 là P1C1

Số lượng sản phẩm Nhà máy 1 cung cấp cho Khách hàng 2 là P1C2

Số lượng sản phẩm Nhà máy 1 cung cấp cho Khách hàng 3 là P1C3

Số lượng sản phẩm Nhà máy 1 cung cấp cho Khách hàng 4 là P1C4

Số lượng sản phẩm Nhà máy 2 cung cấp cho Khách hàng 1 là P2C1

Số lượng sản phẩm Nhà máy 2 cung cấp cho Khách hàng 2 là P2C2
Số lượng sản phẩm Nhà máy 2 cung cấp cho Khách hàng 3 là P2C3

Số lượng sản phẩm Nhà máy 2 cung cấp cho Khách hàng 4 là P2C4

Số lượng sản phẩm Nhà máy 3 cung cấp cho Khách hàng 1 là P3C1

Số lượng sản phẩm Nhà máy 3 cung cấp cho Khách hàng 2 là P3C2

Số lượng sản phẩm Nhà máy 3 cung cấp cho Khách hàng 3 là P3C3

Số lượng sản phẩm Nhà máy 3 cung cấp cho Khách hàng 4 là P3C4

Khả năng Nhà máy 1 có thể sản xuất là 16,000 đơn vị sản phẩm, vậy tổng sản
phẩm Nhà máy 1 cung cấp cho Khách hàng 1, 2, 3, 4 cũng là 16,000 đơn vị sản
phẩm, ta có phương trình:

P1C1 + P1C2 + P1C3 + P1C4 = 16,000

Khả năng Nhà máy 2 có thể sản xuất là 10,000 đơn vị sản phẩm và khả năng Nhà
máy 3 có thể sản xuất là 14,000 đơn vị sản phẩm, tương tự, ta có các phương trình:

P2C1 + P2C2 + P2C3 + P2C4 = 10,000

P3C1 + P3C2 + P3C3 + P3C4 = 14,000

Số lượng sản phẩm phải cung cấp tối thiểu cho Khách hàng 1 là 14,000 đơn vị
(vận chuyển từ nhà máy 1, 2, 3), ta có phương trình:

P1C1 + P2C1 + P3C1 >= 14,000

Số lượng sản phẩm phải cung cấp tối thiểu cho Khách hàng 2, 3, 4 lần lượt là
6,000; 4,000 và 0 (vận chuyển từ Nhà máy 1, 2, 3), tượng tự, ta có các phương
trình:

P1C2 + P2C2 + P3C2 >= 6,000

P1C3 + P2C3 + P3C3 >= 4,000

P1C4 + P2C4 + P3C4 >= 0

Số lượng sản phẩm Khách hàng 1, 2, 3, 4 đặt hàng lần lượt là 14,000; 18,000;
12,000; 16,000 (có thể lấy hàng từ Nhà máy 1, 2, 3), ta có các phương trình:

P1C1 + P2C1 + P3C1 <= 14,000

P1C2 + P2C2 + P3C2 <= 18,000

P1C3 + P2C3 + P3C3 <= 12,000

P1C4 + P2C4 + P3C4 <= 16,000

Giám đốc Tiếp thị cần tối ưu hóa lợi nhuận của số lượng sản phẩm bán được, gọi P
là lợi nhuận cần phải tối ưu hóa, lợi nhuận của các sản phẩm bán được bằng lợi
nhuận đơn vị của từng sản phẩm mà mỗi nhà máy cung cấp cho mỗi khách nhân
cho số lượng sản phẩm mà mỗi nhà máy cung cấp cho mỗi khách hàng để tối ưu
hóa lợi nhuận, ta có:

Số lượng sản phẩm mỗi nhà máy cung cấp cho mỗi khách hàng sao cho P =
110P1C1 + 84P1C2 + 92P1C3 + 106P1C4 + 74P2C1 + 36P2C2 + 64P2C3 +
96P2C4 + 58P3C1 + 118P3C2 + 102P3C3 + 70P3C4 đạt giá trị cao nhất

4. Xây dựng mô hình lập trình tuyến tính trên Excel Solver và QM for Windows
4.1. Xây dựng mô hình lập trình tuyến tính trên Excel Solver:
Dữ liệu có sẵn của bài toán:

Vùng trên bảng tính B2:E4 thể hiện lợi nhuận đơn vị của mỗi sản phẩm được cung
cấp từ mỗi nhà máy đến từng khách hàng.

Vùng trên bảng tính H8:H10 thể hiện năng lực sản xuất ra bao nhiêu đơn vị sản
phẩm của mỗi Nhà máy 1, 2, 3.

Vùng trên bảng tính B12:E12 thể hiện số lượng sản phẩm tối thiểu phải được cung
cấp cho từng Khách hàng 1, 2, 3, 4 theo yêu cầu (theo thứ tự ưu tiên) của Giám
đốc Tiếp thị.

Xây dựng các hàm excel cho bài toán:

Thể hiện số lượng sản phẩm từng Nhà máy 1, 2, 3 cung cấp cho các Khách hàng 1,
2, 3, 4, ta có các hàm excel:

F8 =SUM(B8:E8) (Số lượng sản phẩm sản xuất ra ở Nhà máy 1)

F9 =SUM(B9:E9) (Số lượng sản phẩm sản xuất ra ở Nhà máy 2)

F10 =SUM(B10:E10) (Số lượng sản phẩm sản xuất ra ở Nhà máy 3)
Thể hiện số lượng sản phẩm được cung cấp cho từng Khách hàng 1, 2, 3, 4 bởi các
Nhà máy 1, 2, 3, ta có các hàm excel:

B14 = SUM(B8:B10) (Số lượng sản phẩm cung cấp cho Khách hàng 1)

C14 = SUM(C8:C10) (Số lượng sản phẩm cung cấp cho Khách hàng 2)

D14 = SUM(D8:D10) (Số lượng sản phẩm cung cấp cho Khách hàng 3)

E14 = SUM(E8:E10) (Số lượng sản phẩm cung cấp cho Khách hàng 4)

Thể hiện lợi nhuận tổng, bằng tích số của lợi nhuận đơn vị của mỗi sản phẩm được
cung cấp từ mỗi nhà máy cho từng khách hàng với số lượng sản phẩm được cung
cấp từ mỗi nhà máy cho từng khách hàng, ta có hàm excel:

H16 = SUMPRODUCT(B2:E4,B8:E10)

Áp dụng Solver trong Excel để giải quyết bài toán:

Trong Excel, chọn Data, chọn Solver, ta điền các mục như sau:

Set Objective là tối đa hóa lợi nhuận, vì vậy ta điền vào Set Objective là ô thể hiện
giá trị tổng lợi nhuận trong Excel là $H$16 và bên dưới chọn To Max.

By Changing Variable Cells là các biến cần phải tìm trong bài toán này, cụ thể là
số lượng sản phẩm mỗi nhà máy cung cấp cho từng khách hàng, nên ta chọn ô thể
hiện giá trị của các biến này Excel là $B$8:$E$10.

Subject to the Constraints là phần thể hiện các điều kiện ràng buộc các biến ở trên,
ta chọn Add để thêm vào các điều kiện vào vùng này.
Số lượng sản phẩm Nhà máy 1, 2, 3 sản xuất phải bằng với số lượng sản phẩm có
thể sản xuất được theo khả năng tại Nhà máy 1, 2, 3 đề tối ưu hóa nguồn lực, nên
ta có ô điều kiện $F$8:$F$10 = $H$8:$H$10.

Tổng số lượng sản phẩm cung cấp cho Khách hàng 1, 2, 3, 4 phải lớn hơn hoặc
bằng số lượng sản phẩm phải cung cấp tối thiểu cho mỗi khách hàng theo yêu cầu
của Giám đốc Tiếp thị, nên ta có điều kiện $B$14:$E$14 >= $B$12:$E$12.

Tổng số lượng sản phẩm cung cấp cho Khách hàng 1, 2, 3, 4 phải nhỏ hơn hoặc
bằng số lượng sản phẩm mà Khách hàng 1, 2, 3, 4 đặt hàng, nên ta có ô điều kiện
$B$14:$E$14 <= $B$12:$E$12.

Sau đó, ta đánh dấu vào ô “Make Unconstrained Variables Non-negative” để các
biến trả ra không là số âm. Ở chỗ “Select A Solving Method” chọn Simplex LP vì
đây là dạng mô hình bậc nhất. Sau đó, ta chọn Solve, rồi ta chọn Keep Solver
Solution, OK.
4.2. Xây dựng mô hình lập trình tuyến tính trên QM for Windows

Vào phần mềm QM, ta chọn Module, Linear Programming. Sau đó, ta vào File,
New. Ta điền vào các ô như sau:

Number of Constraints cho biết số lượng điều kiện ràng buộc của các biến. Trong
bài toán này, ta thấy có 11 điều kiện ràng buộc (3 điều kiện ràng buộc về nguồn
lực cung cấp sản phẩm của 3 Nhà máy 1, 2, 3; 4 điều kiện ràng buộc về số lượng
sản phẩm phải đáp ứng đủ cho Khách hàng 1, 2, 3, 4 theo yêu cầu của Giám đốc
Tiếp thị; 4 điều kiện ràng buộc về số lượng sản phẩm cung cấp cho Khách hàng 1,
2, 3, 4 không được vượt quá yêu cầu đặt hàng của từng khách hàng) nên ta điền số
11 vào cột này.

Number of Variables cho biết số lượng biến cần tìm trong bài toán này. Ở đây,
chúng ta thấy có 12 biến (số lượng sản phẩm mỗi Nhà máy 1, 2, 3 cung cấp cho
từng Khách hàng 1, 2, 3, 4) nên ta điền số 12 vào cột này.

Objective thể hiện hàm mục tiêu của bài toán đó chính tối đa hóa lợi nhuận nên ta
chọn Maximize, OK.
Sau đó, ta gọi: P1C1, P1C2, P1C3, P1C4 lần lượt là số lượng sản phẩm Nhà máy 1
cung cấp cho Khách hàng 1, 2, 3, 4. Tương tự, ta gọi: P2C1, P2C2, P2C3, P2C4
lần lượt là số lượng sản phẩm Nhà máy 2 cung cấp cho Khách hàng 1, 2, 3, 4 và
P3C1, P3C2, P3C3, P3C4 lần lượt là số lượng sản phẩm Nhà máy 3 cung cấp cho
Khách hàng 1, 2, 3, 4.

Khi đó, ta điền 11 điều kiện theo các biến đã được đặt tên sẵn như sau:

Để tối ưu hóa nguồn lực, số lượng sản phẩm mỗi Nhà máy 1, 2, 3 cung cấp cho
các Khách hàng 1, 2, 3, 4 cũng phải bằng năng lực Nhà máy 1, 2, 3 có thể sản
xuất, ta có các điều kiện:

P1C1 + P1C2 + P1C3 + P1C4 = 16,000

P2C1 + P2C2 + P2C3 + P2C4 = 10,000

P3C1 + P3C2 + P3C3 + P3C4 = 14,000

Số lượng sản phẩm cung cấp cho Khách hàng 1, 2, 3, 4 phải đáp ứng số lượng sản
phẩm tối thiểu cung cấp cho từng khách hàng theo yêu cầu của Giám đốc Tiếp thị,
ta có các điều kiện:

P1C1 + P2C1 + P3C1 >= 14,000

P1C2 + P2C2 + P3C2 >= 6,000

P1C3 + P2C3 + P3C3 >= 4,000

P1C4 + P2C4 + P3C4 >= 0

Số lượng sản phẩm cung cấp cho Khách hàng 1, 2, 3, 4 không được vượt quá số
lượng sản phẩm từng khách hàng đặt hàng, ta có các điều kiện:

P1C1 + P2C1 + P3C1 <= 14,000

P1C2 + P2C2 + P3C2 <= 18,000

P1C3 + P2C3 + P3C3 <= 12,000

P1C4 + P2C4 + P3C4 <= 16,000

Sau đó, ta chọn Solutions để giải bài toán trên QM.

5. Trình bày và giải thích kết quả/ giải pháp tối ưu của mô hình từ Excel Solver
và QM for Windows
Đáp ứng các điều kiện ràng buộc về nguồn lực sản xuất của mỗi nhà máy, về số
lượng sản phẩm tối thiểu phải cung cấp cho từng khách hàng theo yêu cầu của
Giám đốc Tiếp thị, về số lượng sản phẩm lớn nhất được cung cấp cho từng khách
hàng (dựa theo số lượng đặt hàng của từng khách hàng), bài toán đạt được lợi
nhuận tối đa là $4,304,000 khi số lượng sản phẩm từ mỗi nhà máy cung cấp cho
mỗi khách hàng (các biến) có giá trị là:

Khách hàng 1 nhận tổng cộng 14,000 sản phẩm hoàn toàn từ Nhà máy 1 cung cấp.

Khách hàng 2 nhận tổng cộng 12,000 sản phẩm hoàn toàn từ Nhà máy 3 cung cấp.
 Khách hàng 3 nhận tổng cộng 4,000 sản phẩm, trong đó có 2,000 sản phẩm từ Nhà
máy 1 cung cấp và 2,000 sản phẩm từ Nhà máy 3 cung cấp.

Khách hàng 4 nhận tổng cộng 10,000 sản phẩm hoàn toàn từ Nhà máy 2 cung cấp.

6. Trình bày kết quả bằng đồ thị

7. Phân tích độ nhạy- Nếu thì (What- If Analysis) trên Excel Solver và QM for
Windows:
a. Xác định vùng giá trị min-max (range) của các biến trong hàm mục tiêu
không làm thay đổi giải pháp tối ưu (optimal solution) khi:
i. Từng biến trong hàm mục tiêu thay đổi.

Nhìn vào bảng Excel Solver phân tích độ nhạy, ta thấy khi lợi nhuận đơn vị (trong bảng
này hiển thị là chỉ số Objective Coefficient) của một sản phẩm từ Nhà máy 1 cung cấp
cho Khách hàng 1 tăng đến vô cùng và giảm đi 2 đơn vị sẽ không làm thay đổi số lượng
sản phẩm được phân phối từ Nhà máy 1 đến Khách hàng 1 (Allowable Increase/
Decrease là khoảng tăng và giảm cho phép của lợi nhuận đơn vị)
Nhìn vào bảng phân tích độ nhạy của QM, ta thấy khi lợi nhuận đơn vị (trong bảng này
hiển thị là chỉ số Original Value) của một sản phẩm từ Nhà máy 1 cung cấp cho Khách
hàng 1 tăng đến vô cùng và giảm đi 2 đơn vị sẽ không làm thay đổi số lượng sản phẩm
được phân phối từ Nhà máy 1 đến Khách hàng 1 (Upper/ Lower Bound là mức tăng/
giảm cho phép của lợi nhuận đơn vị.

Ta có thể viết như sau:

UNIT PROFIT P1C1 [108;∞) sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)

Tương tự, ta có:

UNIT PROFIT P1C2 (∞;108] sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)

UNIT PROFIT P1C3 [90;94] sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)
UNIT PROFIT P1C4 (∞;108] sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)

UNIT PROFIT P2C1 (∞;98] sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)

UNIT PROFIT P2C2 (∞;96] sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)

UNIT PROFIT P2C3 (∞;80] sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)

UNIT PROFIT P2C4 [80;∞) sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)

UNIT PROFIT P3C1 (∞;120] sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)

UNIT PROFIT P3C2 [116;120] sẽ không làm thay đổi final value trong Excel Solver/
value trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)

UNIT PROFIT P3C3 [100;104] sẽ không làm thay đổi final value trong Excel Solver/
value trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3)
UNIT PROFIT P3C4 (∞;118] sẽ không làm thay đổi final value trong Excel Solver/ value
trong QM (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản phẩm P2C4;
12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3).

ii. Các biến trong hàm mục tiêu thay đổi đồng thời. Giải thích quy
luật 100% trong trường hợp này.

Ta có điều kiện thay đổi lợi nhuận đơn vị của quy tắc 100%:

UNIT PROFIT P1C1 [108;∞) và;

UNIT PROFIT P1C2 (∞;108] và;

UNIT PROFIT P1C3 [90;94] và;

UNIT PROFIT P1C4 (∞;108] và;

UNIT PROFIT P2C1 (∞;98] và;

UNIT PROFIT P2C2 (∞;96] và;

UNIT PROFIT P2C3 (∞;80] và;

UNIT PROFIT P2C4 [80;∞) và;

UNIT PROFIT P3C1 (∞;120] và;

UNIT PROFIT P3C2 [116;120] và;

UNIT PROFIT P3C3 [100;104] và;

UNIT PROFIT P3C4 (∞;118]

Giải thích theo quy luật 100%:

Ta thay đổi 12 lợi nhuận đơn vị theo điều kiện trên, cụ thể, tác giả thay đổi giá trị của lợi
nhuận đơn vị theo số liệu trong bảng tính dưới đây:
Mức thay đổi của lợi nhuận đơn vị P1C1 = |lợi nhuận đơn vị P1C1 lúc sau - lợi nhuận
đơn vị P1C1 ban đầu| / Mức tăng hay giảm cho phép của lợi nhuận đơn vị P1C1 (hiển thị
là Allowable Increase/ Decrease trong bảng độ nhạy của Excel Solver hay là mức thay
đổi Upper/ Lower Bound so với Original Value trong bảng độ nhạy của QM)

Mức thay đổi của lợi nhuận đơn vị P1C1 = |109.9 - 110|/2 = 5%

Tương tự,

Mức thay đổi của lợi nhuận đơn vị P1C2 = |85 - 84|/24 = 4.17%

Mức thay đổi của lợi nhuận đơn vị P1C3 = |91.9 - 92|/2 = 5%
Mức thay đổi của lợi nhuận đơn vị P1C4 = |106.1 - 106|/2 = 5%

Mức thay đổi của lợi nhuận đơn vị P2C1 = |75 - 74|/24 = 4.17%

Mức thay đổi của lợi nhuận đơn vị P2C2 = |37 - 36|/60 = 1.67%

Mức thay đổi của lợi nhuận đơn vị P2C3 = |65 - 64|/16 = 6.25%

Mức thay đổi của lợi nhuận đơn vị P2C4 = |95 - 96|/16 = 6.25%

Mức thay đổi của lợi nhuận đơn vị P3C1 = |59 - 58|/62 = 1.61%

Mức thay đổi của lợi nhuận đơn vị P3C2 = |118.1 - 118|/2 = 5%

Mức thay đổi của lợi nhuận đơn vị P3C3 = |101.9 - 102|/2 = 5%

Mức thay đổi của lợi nhuận đơn vị P3C4 = |71 - 70|/48 = 2.08%

Lưu ý: nếu final value (trong bảng độ nhạy Excel Solver) hay value (trong bảng độ nhạy
QM) khác 0, reduced cost = 0; nếu final value (trong bảng độ nhạy Excel Solver) hay
value (trong bảng độ nhạy QM) = 0, reduced cost khác 0; nếu final value (trong bảng độ
nhạy Excel Solver) hay value (trong bảng độ nhạy QM) và reduced cost đều = 0, sẽ có 2
hàm mục tiêu, 2 total profit maximum.

Tổng mức thay đổi của 12 lợi nhuận đơn vị = 5% + 4.17% + 5% + 5% + 4.17% + 1.67%
+ 6.25% + 6.25% + 1.61% + 5% + 5% + 2.08% = 51.2% < 100% => Sự thay đổi đồng
thời của 12 lợi nhuận đơn vị nói trên sẽ không làm thay đổi final value (trong Excel
Solver) hay value (trong QM) (14,000 sản phẩm P1C1; 2,000 sản phẩm P1C3; 10,000 sản
phẩm P2C4; 12,000 sản phẩm P3C2 và 2,000 sản phẩm P3C3).

b. Dự báo mức thay đổi giá trị mục tiêu (objective cell) khi:
i. Số liệu trong từng vế trái của các hàm giới hạn thay đổi.

Thay đổi về điều kiện số lượng sản phẩm khách hàng yêu cầu đặt hàng:

Để dự báo mức thay đổi của giá trị mục tiêu (trong trường hợp này là tổng lợi nhuận),
shadow price phải có ý nghĩa. Như vậy từng ràng buộc (RHS) phải nhỏ hơn 100%. Các
khoảng thay đổi của điều kiện số lượng sản phẩm khách hàng yêu cầu đặt hàng để thỏa
mãn quy luật 100%:

RHS (Customer 1) = [14000;16000]

RHS (Customer 2) = [12000;∞)

RHS (Customer 3) = [4000;∞)

RHS (Customer 4) = [10000;∞)

Ta thay đổi RHS (Customer 1) = 15,000 (đáp ứng khoảng thay đổi bên trên)
Mức thay đổi của RHS (Customer 1) = |RHS (Customer 1) lúc sau - RHS (Customer 1)
lúc đầu|/ Mức tăng hay giảm cho phép của RHS (Customer 1) (hiển thị là Allowable
Increase/ Allowable Decrease trong bảng độ nhạy Excel Solver hay mức thay đổi của
Upper/ Lower Bound so với Original Value trong QM)

Mức thay đổi của RHS (Customer 1) = |15000 – 14000| / 2000 = 50% < 100% =>
Shadow price (trong Excel Solver) hay Dual Value (trong QM) còn ý nghĩa.

Total profit = Total profit ban đầu + Mức tăng của RHS (Customer 1) x Shadow price/
Dual Value của RHS (Customer 1) – Mức giảm của RHS (Customer 1) x Shadow price/
Dual Value của RHS (Customer 1)

Total profit khi RHS (Customer 1) thay đổi = $4,304,000 + 1000 x 2 = $4,306,000
Ta thay đổi RHS (Customer 2) = 17,000 (đáp ứng khoảng thay đổi bên trên)

Tương tự, ta có:

Mức thay đổi của RHS (Customer 2) = |17000 – 18000| / 6000 = 16.67% < 100% =>
Shadow price/ Dual Value còn ý nghĩa.

Total profit khi RHS (Customer 2) thay đổi = $4,304,000 - 1000 x 0 = $4,304,000
Ta thay đổi RHS (Customer 3) = 11,000 (đáp ứng khoảng thay đổi bên trên)

Tương tự, ta có:

Mức thay đổi của RHS (Customer 3) = |11000 – 12000| / 8000 = 12.5% < 100% =>
Shadow price/ Dual Value còn ý nghĩa.

Total profit khi RHS (Customer 3) thay đổi = $4,304,000 - 1000 x 0 = $4,304,000
Ta thay đổi RHS (Customer 4) = 15,000 (đáp ứng khoảng thay đổi bên trên)

Tương tự, ta có:

Mức thay đổi của RHS (Customer 4) = |15000 – 16000| / 6000 = 16.67% < 100% =>
Shadow price/ Dual Value còn ý nghĩa.

Total profit khi RHS (Customer 4) thay đổi = $4,304,000 - 1000 x 0 = $4,304,000

Thay đổi về điều kiện số lượng sản phẩm phải cung cấp tối thiểu cho mỗi khách
hàng theo yêu cầu của Giám đốc Tiếp thị:
Các khoảng thay đổi của điều kiện số lượng sản phẩm phải cung cấp tối thiểu cho mỗi
khách hàng để thỏa mãn quy luật 100% là:

RHS (Customer 1) = (∞;14000]

RHS (Customer 2) = (∞;12000]

RHS (Customer 3) = [2000;10000]

RHS (Customer 4) = (∞;10000]

Ta thay đổi RHS (Customer 1) = 13,000 (đáp ứng khoảng thay đổi bên trên)
Tương tự, ta có:

Mức thay đổi của RHS (Customer 1) = |13000 – 14000| / ∞ ~ 0 < 100% => Shadow
price/ Dual Value còn ý nghĩa.

Total profit khi RHS (Customer 1) thay đổi = $4,304,000 - 1000 x 0 = $4,304,000

Ta thay đổi RHS (Customer 2) = 7,000 (đáp ứng khoảng thay đổi bên trên)

Tương tự, ta có:

Mức thay đổi của RHS (Customer 2) = |7000 – 6000| / 6000 = 16.67% < 100% =>
Shadow price/ Dual Value còn ý nghĩa.
Total profit khi RHS (Customer 2) thay đổi = $4,304,000 + 1000 x 0 = $4,304,000

Ta thay đổi RHS (Customer 3) = 3,000 (đáp ứng khoảng thay đổi bên trên)

Tương tự, ta có:

Mức thay đổi của RHS (Customer 3) = |3000 – 4000| / 2000 = 50% < 100% => Shadow
price/ Dual Value còn ý nghĩa.

Total profit khi RHS (Customer 3) thay đổi = $4,304,000 - 1000 x (-16) = $4,320,000
Ta thay đổi RHS (Customer 4) = 1,000 (đáp ứng khoảng thay đổi bên trên)

Tương tự, ta có:

Mức thay đổi của RHS (Customer 4) = |1000 – 0| / 10000 = 10% < 100% => Shadow
price/ Dual Value còn ý nghĩa.

Total profit khi RHS (Customer 4) thay đổi = $4,304,000 + 1000 x 0 = $4,304,000

Thay đổi về điều kiện nguồn lực theo đơn vị sản phẩm mà mỗi nhà máy có thể sản
xuất:
Các khoảng thay đổi của điều kiện nguồn lực theo đơn vị sản phẩm mà mỗi nhà máy có
thể sản xuất để thỏa mãn quy luật 100% là:

RHS (Plant 1) = [14000;18000]

RHS (Plant 2) = [0;16000]

RHS (Plant 3) = [8000;20000]

Ta thay đổi RHS (Plant 1) = 15,000 (đáp ứng khoảng thay đổi bên trên)

Tương tự, ta có:

Mức thay đổi của RHS (Plant 1) = |15000 – 16000| / 2000 = 50% < 100% => Shadow
price/ Dual Value còn ý nghĩa.

Total profit khi RHS (Plant 1) thay đổi = $4,304,000 - 1000 x 108 = $4,196,000

Ta thay đổi RHS (Plant 2) = 11,000 (đáp ứng khoảng thay đổi bên trên)

Tương tự, ta có:

Mức thay đổi của RHS (Plant 2) = |11000 – 10000| / 6000 = 16.67% < 100% => Shadow
price/ Dual Value còn ý nghĩa.

Total profit khi RHS (Plant 2) thay đổi = $4,304,000 + 1000 x 96 = $4,400,000
Ta thay đổi RHS (Plant 3) = 15,000 (đáp ứng khoảng thay đổi bên trên)

Tương tự, ta có:

Mức thay đổi của RHS (Plant 3) = |15000 – 14000| / 6000 = 16.67% < 100% => Shadow
price/ Dual Value còn ý nghĩa.

Total profit khi RHS (Plant 3) thay đổi = $4,304,000 + 1000 x 118 = $4,422,000

ii. Số liệu trong tất cả các vế trái của các hàm giới hạn thay đổi
đồng thời. Giải thích quy luật 100% trong trường hợp này.
Ở trường hợp này, ta có thể thấy tất cả 11 ràng buộc (RHS) đều thay đổi đồng thời và
phải đáp ứng đồng thời các điều kiện bên dưới đây:

Các khoảng thay đổi của điều kiện số lượng sản phẩm khách hàng yêu cầu đặt hàng để
thỏa mãn quy luật 100%:

RHS (Customer 1) = [14000;16000] và;

RHS (Customer 2) = [12000;∞) và;

RHS (Customer 3) = [4000;∞) và;

RHS (Customer 4) = [10000;∞) và;

Các khoảng thay đổi của điều kiện số lượng sản phẩm phải cung cấp tối thiểu cho mỗi
khách hàng để thỏa mãn quy luật 100% là:

RHS (Customer 1) = (∞;14000] và;

RHS (Customer 2) = (∞;12000] và;

RHS (Customer 3) = [2000;10000] và;

RHS (Customer 4) = (∞;10000] và;

Các khoảng thay đổi của điều kiện nguồn lực theo đơn vị sản phẩm mà mỗi nhà máy có
thể sản xuất để thỏa mãn quy luật 100% là:

RHS (Plant 1) = [14000;18000] và;

RHS (Plant 2) = [0;16000] và;

RHS (Plant 3) = [8000;20000] và;

Ta thay đổi các giá trị của 11 ràng buộc (RHS) theo số liệu cụ thể trong bảng tính trên.
Tương tự như cách tính mức độ thay đổi của từng ràng buộc (RHS), ta có:

Mức độ thay đổi của RHS ô B16 = |14100 – 14000| / 2000 = 5%

Mức độ thay đổi của RHS ô C16 = |17900 – 18000| / 6000 = 1.67%

Mức độ thay đổi của RHS ô D16 = |11000 – 12000| / 8000 = 12.5%

Mức độ thay đổi của RHS ô E16 = |15900 – 16000| / 6000 = 1.67%

Mức độ thay đổi của RHS ô B12 = |13000 – 14000| / ∞ ~ 0

Mức độ thay đổi của RHS ô C12 = |6100 – 6000| / 6000 = 1.67%

Mức độ thay đổi của RHS ô D12 = |3900 – 4000| / 2000 = 5%

Mức độ thay đổi của RHS ô E12 = |1000 – 0| / 10000 = 10%

Mức độ thay đổi của RHS ô H8 = |15900 – 16000| / 2000 = 5%

Mức độ thay đổi của RHS ô H9 = |10100 – 10000| / 6000 = 1.67%

Mức độ thay đổi của RHS ô H10 = |14100 – 14000| / 6000 = 1.67%

Tổng mức độ thay đổi của 12 RHS = 5% + 1.67% + 12.5% + 1.67% + 12.5% + 1.67% +
1.67% + 5% + 10% + 5% + 1.67% + 1.67% = 45.85% < 100% => Shadow price/ Dual
Value còn ý nghĩa.

Total profit khi 11 RHS thay đổi = $4,304,000 + 100 x 2 – 100 x 0 – 1000 x 0 – 100 x 0 –
1000 x 0 + 100 x 0 – 100 x (-16) + 1000 x 0 – 100 x 108 + 100 x 96 + 100 x 118 =
$4,316,400

III. Kết luận

Như vậy, Nhà Phân tích Kinh doanh đã giải quyết giúp Giám đốc Tiếp thị các vấn đề cần
xác định trong bài toán này:

1) Số lượng sản phẩm để bán cho Khách hàng 1 là 14,000 đơn vị sản phẩm, cho
Khách hàng 2 là 12,000 sản phẩm, cho Khách hàng 3 là 4,000 sản phẩm, cho
Khách hàng 4 là 10,000 sản phẩm (số lượng sản phẩm cung cấp cho mỗi khách
hàng đáp ứng số lượng sản phẩm tối thiểu cung cấp cho mỗi khách hàng theo yêu
cầu của Giám đốc Tiếp thị).
2) Để tối đa hóa lợi nhuận thu được từ các sản phẩm bán được (lợi nhuận lúc này đạt
$4,304,000), đáp ứng các điều kiện ràng buộc của bài toán về nguồn lực sản xuất
của nhà máy, về số lượng sản phẩm tối thiểu công ty phải cung cấp cho mỗi khách
hàng theo yêu cầu của Giám đốc Tiếp thị, về số lượng sản phẩm đặt hàng của mỗi
khách hàng (số lượng sản phẩm lớn nhất có thể giao cho mỗi khách hàng), số
 lượng sản phẩm mà Nhà máy 1 cung cấp cho Khách hàng 1 và 3 lần lượt là 14,000
và 2,000 sản phẩm. Nhà máy 1 không cung cấp sản phẩm cho Khách hàng 2 và 4.
Số lượng sản phẩm Nhà máy 2 cung cấp cho Khách hàng 4 là 10,000 sản phẩm.
Nhà máy 2 không cung cấp sản phẩm cho Khách hàng 1, 2, 3. Số lượng sản phẩm
mà Nhà máy 3 cung cấp cho Khách hàng 2 và 3 lần lượt là 12,000 và 2,000 sản
phẩm. Nhà máy 3 không cung cấp sản phẩm cho Khách hàng 1 và 4.

PHẦN 2: PHÂN TÍCH RA QUYẾT ĐỊNH VÀ BÀI TOÁN PHÂN TÍCH KINH
DOANH

I.Mở đầu: Bối cảnh tình huống (1-3 trang)

Tình huống được đặt trong hoàn cảnh Nhà Phân tích Kinh doanh là thí sinh của
chương trình "Ai là Triệu Phú?" Ông ấy đã trả lời đúng câu hỏi $300,000 và bây
giờ ông ấy phải quyết định xem có nên tiếp tục trả lời câu hỏi $550,000 hay
không.
Ông ấy có thể lựa chọn dừng cuộc chơi tại thời điểm này với $300,000 tiền thắng
và ra về hoặc ông ấy có thể quyết định tiếp tục trả lời câu hỏi $550,000. Nếu ông
ấy trả lời đúng câu hỏi $550,000, sau đó ông ấy có thể chọn ra về với $550,000
tiền thắng hoặc tiếp tục cố gắng trả lời câu hỏi $1,050,000. Nếu ông ấy trả lời
đúng câu hỏi $1,050,000, trò chơi kết thúc và ông ấy sẽ giành được $1,050,000 lúc
ra về. Nếu ông ấy trả lời sai câu hỏi $550,000 hoặc $1,050,000, trò chơi sẽ kết
thúc ngay lập tức và ông ấy chỉ có thể ra về với $82,000. Một chức năng của trò
chơi "Ai là triệu phú?" là ông ấy có ba “quyền trợ giúp” — cụ thể là “50–50”, “hỏi
ý kiến khán giả” và “gọi điện thoại cho bạn bè”. Tại thời điểm này (sau khi trả lời
đã trả lời đúng câu hỏi $300,000), ông ấy đã sử dụng hai trong ba quyền trợ giúp ở
trên, nhưng ông ấy vẫn còn quyền trợ giúp “gọi điện thoại cho bạn bè”. Với sự trợ
giúp này, ông ấy có thể gọi cho bạn bè để nhận được gợi ý về câu trả lời chính xác
cho một câu hỏi trước khi đưa ra câu trả lời của mình. Ông ấy chỉ có thể sử dụng
quyền trợ giúp này một lần (nghĩa là ông ấy có thể sử dụng quyền trợ giúp này để
trả lời câu hỏi $550,000 hoặc câu hỏi $1,050,000, nhưng không phải cả hai). Vì
 một số bạn bè của ông ấy có kinh nghiệm nhiều hơn ông ấy, nên quyền trợ giúp
“gọi điện cho bạn bè” sẽ giúp cải thiện đáng kể tỷ lệ trả lời chính xác một câu hỏi
của ông ấy. Nếu không sử dụng quyền trợ giúp “gọi điện thoại cho bạn bè”, nếu
ông ấy chọn tiếp tục trả lời câu hỏi $550,000, ông ấy có 65% cơ hội trả lời đúng và
nếu ông ấy chọn tiếp tục trả lời câu hỏi $1,050,000, ông ấy có 50% cơ hội trả lời
đúng (các câu hỏi ngày càng khó hơn). Nếu ông ấy sử dụng quyền trợ giúp “gọi
điện cho bạn bè”, ông ấy có 80% cơ hội trả lời đúng câu hỏi $550,000 và 65% cơ
hội trả lời đúng câu hỏi $1,050,000.

II.Ứng dụng thực tiễn (6-12 trang):

1. Giới thiệu mô hình phân tích ra quyết định ứng dụng trong tình huống mà bạn xây
dựng.

Trả lời đúng câu

hỏi $1,050,000
(50%)
Trả lời câu hỏi
$1,050,000
Trả lời đúng câu
Trả lời sai câu hỏi
hỏi $550,000
$1,050,000 (50%)
(80%) Ra về sau khi trả
Gọi điện cho bạn lời đúng câu hỏi
$550,000
Trả lời sai câu hỏi
$550,000 (20%)

Trả lời sai câu hỏi

$1,050,000 (35%)
Trả lời câu hỏi
Gọi điện cho bạn
$550,000
Trả lời đúng câu
Quyết định của
hỏi $1,050,000
ông ấy
Ra về sau khi trả (65%)
Trả lời câu hỏi
lời đúng câu hỏi
$1,050,000
$350,000 Trả lời đúng câu Trả lời sai câu hỏi
hỏi $550,000 $1,050,000 (50%)
(65%) Ra về sau khi trả
Không gọi điện Không gọi điện
lời đúng câu hỏi
cho bạn cho bạn
$550,000 Trả lời đúng câu
Trả lời sai câu hỏi
hỏi $1,050,000
$550,000 (35%)
(50%)

2. Thiết lập bảng “thu hồi” (Payoff Table) của tình huống.

Trong tình huống này, ta thiết lập được 4 bảng “thu hồi” (Payoff Table) như sau:
 Payoff Table Tiền thưởng Kỳ vọng
Lựa chọn Trả lời đúng Trả lời sai Thu hồi
Trả lời câu hỏi
$550,000 có gọi $550,000 $82,000 $456,400
điện cho bạn
Xác suất 0.8 0.2

Lúc này, giá trị kỳ vọng thu hồi = Tiền thưởng khi trả lời đúng x Xác suất khi trả lời đúng
+ Tiền thưởng khi trả lời sai x Xác suất khi trả lời sai

Giá trị kỳ vọng thu hồi = $550,000 x 0.8 + $82,000 x 0.2 = $456,400

Payoff Table Tiền thưởng Kỳ vọng

Lựa chọn Trả lời đúng Trả lời sai Thu hồi
Trả lời câu hỏi
$550,000 không gọi $550,000 $82,000 $386,200
điện cho bạn
Xác suất 0.65 0.35

Giá trị kỳ vọng thu hồi = $550,000 x 0.65 + $82,000 x 0.35 = $386,200

Payoff Table Tiền thưởng Kỳ vọng

Lựa chọn Trả lời đúng Trả lời sai Thu hồi
Trả lời câu hỏi
$1,050,000 có gọi $1,050,000 $82,000 $711,200
điện cho bạn
Xác suất 0.65 0.35

Giá trị kỳ vọng thu hồi = $1,050,000 x 0.65 + $82,000 x 0.35 = $711,200
 Payoff Table Tiền thưởng Kỳ vọng
Lựa chọn Trả lời đúng Trả lời sai Thu hồi
Trả lời câu hỏi
$1,050,000 không $1,050,000 $82,000 $566,000
gọi điện cho bạn
Xác suất 0.5 0.5

Giá trị kỳ vọng thu hồi = $1,050,000 x 0.5 + $82,000 x 0.5 = $566,000

3. Áp dụng quy luật ra quyết định Bayes để giải quyết bài toán ra quyết định, xây
dựng cây quyết định trên QM for Windows và giải thích kết quả thu được

Giải thích Decision Tree:

Ban đầu ông ấy đứng trước hai quyết định, nên node 1 là decision node. Hai quyết
định: trả lời tiếp tục câu hỏi $550,000 hay là ra về khi vừa trả lời đúng câu hỏi
$300,000. Ở node 2, là nút quyết định ông ấy sẽ tiếp tục trả lời câu hỏi $550,000,
chính vì ông ấy quyết định sẽ đi tiếp nên lợi nhuận thu được ở node 2 sẽ là 0. Ở node
3, là nút quyết định ông ấy sẽ ngừng cuộc chơi và ra về với lợi nhuận thu được lúc
này là $300,000. Ở node 2, ông ấy phải đưa ra quyết định gọi điện cho bạn hay không
gọi điện cho bạn để nhận được gợi ý trợ giúp trả lời cho câu hỏi $550,000. Với node
4, ông ấy quyết định gọi điện cho bạn, và sẽ tiếp tục cuộc chơi nên lợi nhuận tại node
4 là 0. Với node 5, ông ấy quyết định không dùng quyền trợ giúp gọi điện cho bạn và
cũng sẽ tiếp tục cuộc chơi nên lợi nhuận tại node 5 là 0. Khi ông ấy thực hiện quyết
định ở node 4, sẽ có hai trường hợp ở đây đó chính là: ông ấy trả lời đúng câu hỏi
$550,000 và ông ấy trả lời sai câu hỏi $550,000. Ở node 6, xác suất ông ấy trả lời
đúng câu hỏi $550,000 khi có sự trợ giúp của việc “gọi điện cho bạn” là 80%, và sẽ
tiếp tục đứng trước hai quyết định là: trả lời câu hỏi $1,050,000 hay ra về ngay khi
vừa trả lời đúng câu hỏi $550,000. Vì việc thực hiện hai quyết định này nằm ở node 8
và node 9 nên lợi nhuận ông ấy thu được ở node 6 vẫn là 0. Ở node 8, ông ấy sẽ quyết
định trả lời câu hỏi $1,050,000 tiếp theo sau khi đã trả lời đúng câu hỏi $550,000. Với
node 8, sẽ có hai trường hợp có thể xảy ra là: ông ấy trả đúng trả lời đúng câu hỏi
$1,050,000 và ông ấy trả lời sai câu hỏi $1,050,000. Lúc này, vì quyền lợi “gọi điện
cho bạn” đã được sử dụng để gợi ý cho câu hỏi $550,000 nên xác suất ông ấy trả lời
đúng câu hỏi $1,050,000 (ở node 10) là 50%, với lợi nhuận khi ra về cao nhất là
$1,050,000; còn lại xác suất ông ấy trả lời sai câu hỏi $1,050,000 là 50%, khi đó lợi
nhuận khi ra về của ông ấy ở node 11 là thấp nhất đạt $82,000. Với node 9, ông ấy
quyết định ngay lập tức dừng cuộc chơi và ra về với lợi nhuận đạt được là $550,000.
Quay lại với node 7, ông ấy có xác suất trả lời sai câu hỏi $550,000 sau khi đã nhận
được gợi ý từ quyền lợi “gọi điện cho bạn” là 20%, khi đó ông ấy sẽ ra về với lợi
nhuận thu được thấp nhất là $82,000. Ở node 5, ông ấy quyết định sẽ tiếp tục trả lời
câu hỏi $550,000 mà chưa dùng quyền chọn “gọi điện cho bạn”, và sẽ đứng trước hai
trường hợp có thể sẽ xảy ra là ông ấy trả lời đúng và trả lời sai câu hỏi $550,000. Vì
ông ấy sẽ tiếp tục cuộc chơi khi tham gia trả lời câu hỏi $550,000 nên lợi nhuận tại
node 5 ông ấy chưa thu được là 0. Với node 12, ứng với trường hợp ông ấy trả lời
đúng câu hỏi $550,000 mà chưa cần dùng tới quyền lợi “gọi điện cho bạn”, xác suất
lúc này là 65% và ông ấy phải đưa ra hai quyết định khi này đó chính là tiếp tục trả lời
câu hỏi $1,050,000 hay ra về khi vừa trả lời đúng câu hỏi $550,000. Vì hai quyết định
này sẽ được tiếp tục cân nhắc ở node 14 và node 15 nên lợi nhuận tại node 12 ông ấy
vẫn chưa nhận được là 0. Với node 13, xác suất ông ấy trả lời sai câu hỏi $550,000
khi chưa sử dụng quyền lợi “gọi điện cho bạn” là 35%, lúc này ông ấy sẽ ra về với lợi
nhuận trong tay là thấp nhất $82,000. Ở node 14, ông ấy quyết định trả lời tiếp tục câu
hỏi $1,050,000 sau khi đã trả lời câu hỏi $550,000 mà chưa sử dụng quyền “gọi điện
cho bạn” và ông ấy sẽ đứng trước hai sự lựa chọn tiếp theo là: gọi điện cho bạn và
không gọi điện cho bạn để nhận được gợi ý trả lời cho câu hỏi $1,050,000. Vì ông ấy
vẫn tiếp tục cuộc chơi nên tại node 14, lợi nhuận ông ấy chưa nhận được là 0. Ở node
16, ông ấy quyết định gọi điện cho bạn và sẽ phải gặp hai trường hợp: ông ấy trả lời
đúng và trả lời sai câu hỏi $1,050,000. Vì hai trường hợp này xảy ra ở node 18 và
node 19 nên tại node 16, lợi nhuận ông ấy thu được là 0. Ở node 18, ông ấy xác suất
trả lời đúng câu hỏi $1,050,000 sau khi đã nhận được trợ giúp từ việc “gọi điện cho
bạn” là 65%, và lúc này ông ấy sẽ ra về với lợi nhuận cao nhất $1,050,000. Ở node
19, xác suất ông ấy trả lời sai câu hỏi $1,050,000 sau khi đã nhận được trợ giúp từ
việc “gọi điện cho bạn” là 35%, khi này ông ấy sẽ ra về với số tiền thấp nhất $82,000.
Ở node 17, ông ấy vẫn không lựa chọn nhận sự trợ giúp từ việc “gọi điện cho bạn” mà
tiếp tục trả lời câu hỏi $1,050,000 sau khi đã trả lời đúng câu hỏi $550,000 mà không
nhận sự trợ giúp từ việc “gọi điện cho bạn” từ trước. Ở node 17, ông ấy sẽ gặp phải
hai trường hợp khi không quyết định “gọi điện cho bạn” đó chính là: ông ấy trả lời
đúng và không đúng câu hỏi $1,050,000. Vì hai trường hợp sẽ xảy ra ở node 20 và
node 21 nên tại node 17, ông ấy chưa nhận lợi nhuận, lợi nhuận là 0. Tại node 20, xác
suất ông ấy trả lời đúng câu hỏi $1,050,000 mà không “gọi điện cho bạn” là 50%, khi
này ông ấy sẽ nhận được lợi nhuận cao nhất là $1,050,000. Tại node 21, xác suất ông
ấy trả lời sai câu hỏi $1,050,000 mà không “gọi điện cho bạn” là 50%, khi này ông ấy
sẽ nhận được lợi nhuận thấp nhất $82,000. Tại node 15, ông ấy quyết định ra về sau
khi trả lời đúng câu hỏi $550,000 mà không “gọi điện cho bạn”, lợi nhuận lúc này ông
ấy nhận được là $550,000.

Tính Giá trị Kỳ vọng Thu hồi (EMV) dựa trên Decision Tree:

Ta có: EMV (10) = $1,050,000

 EMV (11) = $82,000
EMV (8) = ($1,050,000 x 50%) + ($82,000 x 50%) = $566,000
EMV (9) = $550,000
EMV (8) > EMV (9)  EMV (6) = EMV (8) = $566,000
EMV (7) = $32.000
EMV (4) = ($566,000 x 80%) + ($82,000 x 20%) = $469,200
EMV (18) = $1,050,000
EMV (19) = $82,000
EMV (16) = ($1,050,000 x 65%) + ($82,000 x 35%) = $711,200
EMV (20) = $1,050,000
EMV (21) = $82,000
EMV (17) = ($1,050,000 x 50%) + ($82,000 x 50%) = $566,000
EMV (16) > EMV (17)  EMV (14) = EMV (16) = $711,200
EMV (15) = $550,000
EMV (14) > EMV (15)  EMV (12) = EMV (14) = $711,200
EMV (13) = $82,000
EMV (5) = ($711,200 x 65%) + ($82,000 x 35%) = $490,980
EMV (5) > EMV (4)  EMV (2) = EMV (5) = $490,980
EMV (3) = $300,000
EMV (2) > EMV (3)  EMV (1) = EMV (2) = $490,980

Lựa chọn Giải pháp tối ưu dựa vào Giá trị Kỳ vọng Thu hồi (EMV):

Giá trị kỳ vọng thu hồi lợi nhuận lớn nhất (có tính đến xác suất của việc ông ấy có trả
lời đúng các câu hỏi $550,000; $1,050,000 hay không, có lựa chọn trả lời các câu hỏi
$550,000; $1,050,000 không hay là ra về, có lựa chọn sử dụng quyền lợi “gọi điện
cho bạn” hay không và sử dụng quyền lợi ấy cho câu hỏi $550,000 hay câu hỏi
$1,050,000) = EMV (1) = $490,980
 Ta có: EMV (2) > EMV (3)  Lựa chọn tối ưu bước 1: ông ấy lựa chọn trả lời tiếp
tục câu hỏi $550,000

EMV (5) > EMV (4)  Lựa chọn tối ưu bước 2: ông ấy lựa chọn không sử dụng
quyền lợi “gọi điện cho bạn” để gợi ý trả lời câu hỏi $550,000, khi này ông ấy vẫn có
xác suất trả lời đúng khá cao cho câu hỏi $550,000 là 65% (>50%)

EMV (14) > EMV (15)  Lựa chọn tối ưu bước 3: ông ấy lựa chọn trả lời tiếp tục câu
hỏi $1,050,000

EMV (16) > EMV (17)  Lựa chọn tối ưu bước 4: ông ấy quyết định sử dụng quyền
lợi “gọi điện cho bạn” để trợ giúp trả lời cho câu hỏi $1,050,000, lúc này ông ấy vẫn
có xác suất trả lời đúng khá cao cho câu hỏi $1,050,000 là 65% (>50%).

4. Xác định giá trị của thông tin hoàn hảo

Khi sử dụng thông tin hoàn hảo, giả sử rằng xác suất Nhà Phân tích Kinh doanh trả lời
đúng và sai các câu hỏi $550,000 và $1,050,000 khi có và không có sử dụng quyền trợ
giúp gọi điện thoại cho bạn là giống với xác suất ở tình huống ban đầu khi chưa sử
dụng thông tin hoàn hảo.

Payoff Table Tiền thưởng Kỳ vọng

Lựa chọn Trả lời đúng Trả lời sai Thu hồi
Trả lời câu hỏi
$550,000 có gọi $550,000 $82,000 $456,400
điện cho bạn

Ra về với câu hỏi

$300,000 $300,000 $300,000
$300,000
Xác suất 0.8 0.2

EP (without more info) là Giá trị Kỳ vọng Thu hồi được tính bằng quy luật Bayes với
xác suất trong tình huống ban đầu khi chưa sử dụng thông tin hoàn hảo.

EP (without more info) = $550,000 x 0.8 + $82,000 x 0.2 = $456,400

 EP (with perfect info) là Giá trị Kỳ vọng Thu hồi khi đã sử dụng giá trị của thông tin
hoàn hảo.

EP (with perfect info) = Tiền thưởng của việc trả lời đúng x Xác suất trả lời đúng sau
khi đã sử dụng thông tin hoàn hảo + Tiền thưởng của việc ra về với câu hỏi có giá trị
tiền thưởng thấp hơn (vì Tiền thưởng của việc ra về với câu hỏi có giá trị tiền thưởng
thấp hơn > $82,000 là Tiển thưởng ra về của việc trả lời sai câu hỏi hiện tại nên sau
khi ông ấy biết có thể sẽ trả lời sai câu hỏi hiện tại, ông ấy sẽ chọn việc ra về với câu
hỏi có giá trị tiền thưởng thấp hơn để vẫn nhận được tiền thưởng lớn nhất trong
trường hợp này) x Xác suất trả lời sai sau khi đã sử dụng thông tin hoàn hảo.

EP (with perfect info) = $550,000 x 0.8 + $300,000 x 0.2 = $500,000

EVPI là Giá trị Kỳ vọng của thông tin hoàn hảo.

EVPI1 = EP (with perfect info) - EP (without more info) = $500,000 - $456,400 =

$43,600

Payoff Table Tiền thưởng Kỳ vọng

Lựa chọn Trả lời đúng Trả lời sai Thu hồi
Trả lời câu hỏi
$550,000 không $550,000 $82,000 $386,200
gọi điện cho bạn
Ra về với câu hỏi
$300,000 $300,000 $300,000
$300,000
Xác suất 0.65 0.35

EP (without more info) = $550,000 x 0.65 + $82,000 x 0.35 = $386,200

EP (with perfect info) = $550,000 x 0.65 + $300,000 x 0.35 = $462,500

EVPI2 = EP (with perfect info) - EP (without more info) = $462,500 - $386,200 =

$76,300

Payoff Table Tiền thưởng Kỳ vọng

 Lựa chọn Trả lời đúng Trả lời sai Thu hồi
Trả lời câu hỏi
$1,050,000 có gọi $1,050,000 $82,000 $711,200
điện cho bạn
Ra về với câu hỏi
$550,000 $550,000 $550,000
$550,000
Xác suất 0.65 0.35

EP (without more info) = $1,050,000 x 0.65 + $82,000 x 0.35 = $711,200

EP (with perfect info) = $1,050,000 x 0.65 + $550,000 x 0.35 = $875,000

EVPI3 = EP (with perfect info) - EP (without more info) = $875,000 - $711,200 =

$163,800

Payoff Table Tiền thưởng Kỳ vọng

Lựa chọn Trả lời đúng Trả lời sai Thu hồi
Trả lời câu hỏi
$1,050,000 không $1,050,000 $82,000 $566,000
gọi điện cho bạn
Ra về với câu hỏi
$550,000 $550,000 $550,000
$550,000
Xác suất 0.5 0.5

EP (without more info) = $1,050,000 x 0.5 + $82,000 x 0.5 = $566,000

EP (with perfect info) = $1,050,000 x 0.5 + $550,000 x 0.5 = $800,000

EVPI4 = EP (with perfect info) - EP (without more info) = $800,000 - $566,000 =

$234,000

5. Xác định giá trị (chi phí) cho việc khảo sát để có thêm thông tin giúp hỗ trợ việc ra
quyết định.

Gọi C1, C2 lần lượt là chi phí cho việc khảo sát cho câu hỏi $550,000 và $1,050,000
để giúp hỗ trợ việc ra quyết định.
Ta thấy: Giá trị Thu hồi Kỳ vọng EVPI1 của việc khảo sát lấy thông tin hoàn hảo để
trả lời cho câu hỏi $550,000 có sử dụng quyền trợ giúp gọi điện cho bạn có giá trị lớn
hơn của Giá trị Thu hồi Kỳ vọng EVPI2 của việc khảo sát lấy thông tin hoàn hảo để
trả lời cho câu hỏi $550,000 không sử dụng quyền trợ giúp gọi điện cho bạn ($76,300
> $43,600). Để có thêm thông tin hữu ích cho việc ra quyết định, ta có điều kiện:

C1 ≤ EVPI2 ≤ EVPI1

C1 ≤ $43,600 ≤ $76,300

Ta chọn C1, chi phí cho việc khảo sát cho câu hỏi $550,000 là $40,000.

Với C1 = $40,000, ta có: C1 < EVPI2 < EVPI1 nên ông ấy nên bỏ ra chi phí C1 để
khảo sát lấy thông tin hoàn hảo cho việc ra quyết định (có nên tiếp tục trả lời câu hỏi
$550,000 không và có sử dụng quyền trợ giúp gọi điện cho bạn để trả lời câu hỏi này
hay không) dễ dàng hơn.

Ta thấy: Giá trị Thu hồi Kỳ vọng EVPI3 của việc khảo sát lấy thông tin hoàn hảo để
trả lời cho câu hỏi $1,050,000 có sử dụng quyền trợ giúp gọi điện cho bạn có giá trị
nhỏ hơn của Giá trị Thu hồi Kỳ vọng EVPI4 của việc khảo sát lấy thông tin hoàn hảo
để trả lời cho câu hỏi $1,050,000 không sử dụng quyền trợ giúp gọi điện cho bạn
($163,800 < $234,000). Để có thêm thông tin hữu ích cho việc ra quyết định, ta có
điều kiện:

C2 ≤ EVPI3 ≤ EVPI4

C2 ≤ $163,800 ≤ $234,000

Ta chọn C2, chi phí cho việc khảo sát cho câu hỏi $1,050,000 là $100,000.

Với C2 = $100,000, ta có: C2 < EVPI3 < EVPI4 nên ông ấy nên bỏ ra chi phí C2 để
khảo sát lấy thông tin hoàn hảo cho việc ra quyết định (có nên tiếp tục trả lời câu hỏi
$1,050,000 không và có sử dụng quyền trợ giúp gọi điện cho bạn để trả lời câu hỏi
này hay không) dễ dàng hơn.
6. Áp dụng quy luật ra quyết định Bayes để giải quyết bài toán ra quyết định, xây
dựng cây quyết định trên QM for Windows khi sử dụng thông tin mới và giải thích
kết quả thu được

Lúc này, ta vẫn xây dựng Decision Tree trong QM như tình huống trên chỉ thay
đổi tiền thưởng ra về của các node sau:
Node 7 (có sử dụng quyền trợ giúp gọi điện cho bạn): Thay vì khi ông ấy trả lời
không đúng câu hỏi $550,000 thì ông ấy sẽ ra về với số tiền chỉ có $82,000 nhưng
khi ông ấy sử dụng thông tin hoàn hảo, ông ấy sẽ biết được khi nào ông ấy sẽ trả
lời sai câu hỏi $550,000 (với xác suất có thông tin hoàn hảo của việc trả lời sai câu
hỏi $550,000 là 20%), khi đó ông ấy sẽ quyết định ra về với số tiền $300,000 để
nhận được số tiền thưởng lớn hơn $82,000. Vì vậy, tại node 7, lợi nhuận của việc
ông ấy trả lời sai câu hỏi $550,000 (xác suất 20%) là $300,000.
Node 11 (không sử dụng quyền trợ giúp gọi điện cho bạn): Thay vì khi ông ấy trả
lời không đúng câu hỏi $1,050,000 thì ông ấy sẽ ra về với số tiền chỉ có $82,000
nhưng khi ông ấy sử dụng thông tin hoàn hảo, ông ấy sẽ biết được khi nào ông ấy
sẽ trả lời sai câu hỏi $1,050,000 (với xác suất có thông tin hoàn hảo của việc trả
lời sai câu hỏi $1,050,000 là 50%), khi đó ông ấy sẽ quyết định ra về với số tiền
 $550,000 để nhận được số tiền thưởng lớn hơn $82,000. Vì vậy, tại node 11, lợi
nhuận của việc ông ấy trả lời sai câu hỏi $1,050,000 (xác suất 50%) là $550,000.
Node 13 (không sử dụng quyền trợ giúp gọi điện cho bạn): Thay vì khi ông ấy trả
lời không đúng câu hỏi $550,000 thì ông ấy sẽ ra về với số tiền chỉ có $82,000
nhưng khi ông ấy sử dụng thông tin hoàn hảo, ông ấy sẽ biết được khi nào ông ấy
sẽ trả lời sai câu hỏi $550,000 (với xác suất có thông tin hoàn hảo của việc trả lời
sai câu hỏi $550,000 là 35%), khi đó ông ấy sẽ quyết định ra về với số tiền
$300,000 để nhận được số tiền thưởng lớn hơn $82,000. Vì vậy, tại node 13, lợi
nhuận của việc ông ấy trả lời sai câu hỏi $550,000 (xác suất 35%) là $300,000.
Node 19 (có sử dụng quyền trợ giúp gọi điện cho bạn): Thay vì khi ông ấy trả lời
không đúng câu hỏi $1,050,000 thì ông ấy sẽ ra về với số tiền chỉ có $82,000
nhưng khi ông ấy sử dụng thông tin hoàn hảo, ông ấy sẽ biết được khi nào ông ấy
sẽ trả lời sai câu hỏi $1,050,000 (với xác suất có thông tin hoàn hảo của việc trả
lời sai câu hỏi $1,050,000 là 35%), khi đó ông ấy sẽ quyết định ra về với số tiền
$550,000 để nhận được số tiền thưởng lớn hơn $82,000. Vì vậy, tại node 19, lợi
nhuận của việc ông ấy trả lời sai câu hỏi $1,050,000 (xác suất 35%) là $550,000.
Node 21 (không sử dụng quyền trợ giúp gọi điện cho bạn): Thay vì khi ông ấy trả
lời không đúng câu hỏi $1,050,000 thì ông ấy sẽ ra về với số tiền chỉ có $82,000
nhưng khi ông ấy sử dụng thông tin hoàn hảo, ông ấy sẽ biết được khi nào ông ấy
sẽ trả lời sai câu hỏi $1,050,000 (với xác suất có thông tin hoàn hảo của việc trả
lời sai câu hỏi $1,050,000 là 50%), khi đó ông ấy sẽ quyết định ra về với số tiền
$550,000 để nhận được số tiền thưởng lớn hơn $82,000. Vì vậy, tại node 21, lợi
nhuận của việc ông ấy trả lời sai câu hỏi $1,050,000 (xác suất 50%) là $550,000.

Tính Giá trị Kỳ vọng Thu hồi (EMV) dựa trên Decision Tree khi có sử dụng thông tin
hoàn hảo:

Ta có: EMV (10) = $1,050,000

EMV (11) = $550,000

EMV (8) = ($1,050,000 x 50%) + ($550,000 x 50%) = $800,000
 EMV (9) = $550,000
EMV (8) > EMV (9)  EMV (6) = EMV (8) = $800,000
EMV (7) = $300,000
EMV (4) = ($800,000 x 80%) + ($300,000 x 20%) = $700,000
EMV (18) = $1,050,000
EMV (19) = $550,000
EMV (16) = ($1,050,000 x 65%) + ($550,000 x 35%) = $875,000
EMV (20) = $1,050,000
EMV (21) = $550,000
EMV (17) = ($1,050,000 x 50%) + ($550,000 x 50%) = $800,000
EMV (16) > EMV (17)  EMV (14) = EMV (16) = $875,000
EMV (15) = $550,000
EMV (14) > EMV (15)  EMV (12) = EMV (14) = $875,000
EMV (13) = $300,000
EMV (5) = ($875,000 x 65%) + ($300,000 x 35%) = $673,750
EMV (4) > EMV (5)  EMV (2) = EMV (4) = $700,000
EMV (3) = $300,000
EMV (2) > EMV (3)  EMV (1) = EMV (2) = $700,000

Lựa chọn Giải pháp tối ưu dựa vào Giá trị Kỳ vọng Thu hồi (EMV) khi có sử dụng
thông tin hoàn hảo:

Giá trị kỳ vọng thu hồi lợi nhuận lớn nhất khi có sử dụng thông tin hoàn hảo (có tính
đến xác suất của việc ông ấy có trả lời đúng các câu hỏi $550,000; $1,050;000 hay
không, có lựa chọn trả lời các câu hỏi $550,000; $1,050,000 không hay là ra về, có
lựa chọn sử dụng quyền lợi “gọi điện cho bạn” hay không và sử dụng quyền lợi ấy
cho câu hỏi $550,000 hay câu hỏi $1,050,000) = EMV (1) = $700,000

Ta có: EMV (2) > EMV (3)  Lựa chọn tối ưu bước 1: ông ấy lựa chọn trả lời tiếp
tục câu hỏi $550,000
 EMV (4) > EMV (5)  Lựa chọn tối ưu bước 2: ông ấy lựa chọn sử dụng quyền lợi
“gọi điện cho bạn” để gợi ý trả lời câu hỏi $550,000, khi này ông ấy có xác suất trả lời
đúng khá cao cho câu hỏi $550,000 là 80% (>50%)

EMV (8) > EMV (9)  Lựa chọn tối ưu bước 3: ông ấy lựa chọn trả lời tiếp tục câu
hỏi $1,050,000 mà không còn được sử dụng quyền trợ giúp “gọi điện cho bạn”, khi
này ông ấy có xác suất trả lời đúng cho câu hỏi $1,050,000 là 50%.

III.Kết luận

Với tình huống ban đầu, quyết định của Nhà Phân tích Kinh doanh để ông ấy đạt được
Giá trị Kỳ vọng Thu hồi cao nhất đó chính là: đầu tiên, ông ấy lựa chọn trả lời tiếp tục
câu hỏi $550,000 và không sử dụng quyền trợ giúp “gọi điện thoại cho bạn” để trả lời cho
câu hỏi $550,000 này. Sau đó, ông ấy vẫn lựa chọn trả lời tiếp tục câu hỏi $1,050,000 và
sử dụng quyền trợ giúp “gọi điện thoại cho bạn” để trả lời cho câu hỏi $1,050,000 này.

Dựa trên tình huống ban đầu, Nhà Phân tích Kinh doanh lúc sau có sử dụng chi phí để
khảo sát, giúp có thêm thông tin hoàn hảo cho việc ra quyết định. Các bước ra quyết định
để ông ấy đạt được Giá trị Kỳ vọng Thu hồi cao nhất có sử dụng thông tin hoàn hảo chính
là: đầu tiên, ông ấy lựa chọn tiếp tục trả lời câu hỏi $550,000 và có sử dụng quyền trợ
giúp “gọi điện thoại cho bạn” để trả lời cho câu hỏi $550,000. Sau đó, ông ấy vẫn lựa
chọn trả lời tiếp tục câu hỏi $1,050,000 và không sử dụng quyền trợ giúp “gọi điện thoại
cho bạn” để trả lời cho câu hỏi $1,050,000 này.

PHẦN 3: DỰ BÁO VÀ PHÂN TÍCH KINH DOANH

1. Mở đầu (Introduction): (Bối cảnh tình huống: 1-3 trang)

 2.2 Tính chỉ số mean absolute deviation (called MAD) và mean square error (often
abbreviated MSE) để đo lường sai số dự báo.

Trung bình các sai số dự báo thường được gọi là MAD (mean absolute deviation),
có công thức là:

MAD = Tổng các sai số dự báo/ Số lượng các dự báo

Một thước đo phổ biến khác về độ chính xác của các phương pháp dự báo được
gọi là trung bình các sai số dự báo bình phương, viết tắt là MSE (mean square
error), có công thức là:

MSE = Tổng các sai số dự báo bình phương/ Số lượng các dự báo

c. Yếu tố thời vụ (Seasonal factor) và cách tính.

Yếu tố mùa vụ cho bất kỳ khoảng thời gian nào trong năm (ví dụ: một quý, một
tháng,…) đo lường thời kỳ đó như thế nào so với mức trung bình chung của cả năm. Cụ
thể, bằng cách sử dụng dữ liệu trong quá khứ, yếu tố mùa vụ được tính là:

Yếu tố thời vụ = Bình quân cả kỳ/ Tổng bình quân

2. Ứng dụng thực tiễn (6-12 trang):

a. Áp dụng 3 mô hình dự báo trong phần 2.a. áp dụng vào tình huống mà bạn
xây dựng để dự báo.
Mô hình Last-Value forecasting method:
Ta có:
Dự báo Q2 2011 = Dữ liệu Q1 2011 = 244
Dự báo Q3 2011 = Dữ liệu Q2 2011 = 284
…
Dự báo Q1 2014 = Dữ liệu Q4 2013 = 380

Mô hình Averaging forecasting method:

Ta có:
Dự báo Q2 2011 = Dữ liệu Q1 2011/ 1 = 244/ 1 = 244
Dự báo Q3 2011 = (Dữ liệu Q1 2011 + Dữ liệu Q2 2011)/ 2 = (244 + 284)/ 2 =
264
…
Dự báo Q1 2014 = (Dữ liệu Q1 2011 + … + Dữ liệu Q4 2013)/ 12 = (244 + … +
380)/ 12 = 292.42

Mô hình Moving-Average Forecasting Method (n = 4):

Ta có:
Dự báo Q1 2012 = (Dữ liệu Q1 2011 + Dữ liệu Q2 2011 + Dữ liệu Q3 2011 + Dữ
liệu Q4 2011)/ 4 = (244 + 284 + 256 + 347)/ 4 = 282.75
Dự báo Q2 2012 = (Dữ liệu Q2 2011 + Dữ liệu Q3 2011 + Dữ liệu Q4 2011 + Dữ
liệu Q1 2012)/ 4 = (284 + 256 + 347 + 255)/ 4 = 285.5
…
Dự báo Q1 2014 = (Dữ liệu Q1 2013 + Dữ liệu Q2 2013 + Dữ liệu Q3 2013 + Dữ
liệu Q4 2013)/ 4 = (272 + 288 + 273 + 380)/ 4 = 303.25
b. Tính chỉ số mean absolute deviation (called MAD) và mean square error
(often abbreviated MSE) để đo lường sai số dự báo tình huống mà bạn xây
dựng.
Mô hình Last-Value forecasting method:

Sai số dự báo của Q2 2011 = |Giá trị dự báo Q2 2011 - Giá trị thực Q2 2011|

= |244 – 284| = 40

…
Sai số dự báo của Q4 2013 = |Giá trị dự báo Q4 2013 - Giá trị thực Q4 2013|

= |273 – 380| = 107

MAD (theo phương pháp dự báo Last-Value) = Tổng các sai số dự báo (theo
phương pháp dự báo Last-Value)/ Số lượng các dự báo

MAD (theo phương pháp dự báo Last-Value) = (40 + … + 107)/ 11 = 56.91

MSE (theo phương pháp dự báo Last-Value) = Tổng các sai số dự báo bình
phương (theo phương pháp dự báo Last-Value)/ Số lượng các dự báo

MSE (theo phương pháp dự báo Last-Value) = (402 + … + 1072)/ 11 = 4,366.91

Mô hình Averaging forecasting method:

Sai số dự báo của Q2 2011 = |Giá trị dự báo Q2 2011 - Giá trị thực Q2 2011|

= |244 – 284| = 40

Sai số dự báo của Q4 2013 = |Giá trị dự báo Q4 2013 - Giá trị thực Q4 2013|

= |284.45 – 380| = 95.55

MAD (theo phương pháp dự báo Averaging) = Tổng các sai số dự báo (theo
phương pháp dự báo Averaging)/ Số lượng các dự báo

MAD (theo phương pháp dự báo Averaging) = (40 + … + 95.55)/ 11 = 35.84

MSE (theo phương pháp dự báo Averaging) = Tổng các sai số dự báo bình
phương (theo phương pháp dự báo Averaging)/ Số lượng các dự báo

MSE (theo phương pháp dự báo Averaging) = (402 + … + 95.552)/ 11 = 2,329.12

Mô hình Moving-Average Forecasting Method (n = 4):

Sai số dự báo của Q1 2012 = |Giá trị dự báo Q1 2012 - Giá trị thực Q1 2012|
 = |282.75 – 255| = 27.75

Sai số dự báo của Q4 2013 = |Giá trị dự báo Q4 2013 - Giá trị thực Q4 2013|

= |296.75 – 380| = 83.25

MAD (theo phương pháp dự báo Moving - Average) = Tổng các sai số dự báo
(theo phương pháp dự báo Moving - Average)/ Số lượng các dự báo

MAD (theo phương pháp dự báo Moving - Average) = (27.75 + … + 83.25)/ 8 =

31.72

MSE (theo phương pháp dự báo Moving - Average) = Tổng các sai số dự báo bình
phương (theo phương pháp dự báo Moving - Average)/ Số lượng các dự báo

MSE (theo phương pháp dự báo Moving - Average) = (27.752 + … + 83.252)/ 8 =

1,668.05

c. Áp dụng 3 mô hình dự báo trong phần 2.a. áp dụng vào tình huống mà bạn
xây dựng để dự báo có tính đến yếu tố thời vụ.

Xác định yếu tố thời vụ:

 Yếu tố thời vụ = Bình quân cả kỳ/ Tổng bình quân

Yếu tố thời vụ của Quý 1 = Bình quân (của Q1 2011, Q1 2012, Q1 2013)/ Bình
quân của cột dữ liệu thực trong 3 năm (2011, 2012, 2013)

Yếu tố thời vụ của Quý 1 = ((244 + 255 + 272)/3)/ ((244 + … + 380)/12) = 0.8789

Yếu tố thời vụ của Quý 2 = Bình quân (của Q2 2011, Q2 2012, Q2 2013)/ Bình
quân của cột dữ liệu thực trong 3 năm (2011, 2012, 2013)

Yếu tố thời vụ của Quý 2 = ((284 + 292 + 288)/3)/ ((244 + … + 380)/12) = 0.9849

Yếu tố thời vụ của Quý 3 = Bình quân (của Q3 2011, Q3 2012, Q3 2013)/ Bình
quân của cột dữ liệu thực trong 3 năm (2011, 2012, 2013)

Yếu tố thời vụ của Quý 3 = ((256 + 264 + 273)/3)/ ((244 + … + 380)/12) = 0.9040

Yếu tố thời vụ của Quý 4 = Bình quân (của Q4 2011, Q4 2012, Q4 2013)/ Bình
quân của cột dữ liệu thực trong 3 năm (2011, 2012, 2013)
 Yếu tố thời vụ của Quý 3 = ((347 + 354 + 380)/3)/ ((244 + … + 380)/12) = 1.2323

Mô hình Last-Value forecasting method có tính đến yếu tố thời vụ:

Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ = Dữ liệu thực/ Yếu tố thời vụ

Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q1 2011 = Dữ liệu thực Q1 2011/ Yếu
tố thời vụ của Q1 = 244/ 0.8789 = 277.63

Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q4 2013 = Dữ liệu thực Q4 2013/ Yếu
tố thời vụ của Q4 = 380/ 1.2323 = 308.38

Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q2 2011 = Dữ liệu thực hiệu chỉnh
theo yếu tố thời vụ Q1 2011 = 277.63

Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q1 2014 = Dữ liệu thực hiệu chỉnh
theo yếu tố thời vụ Q4 2013 = 308.38

Dữ liệu dự báo = Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ x Yếu tố thời vụ

Dữ liệu dự báo Q2 2011 = Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q2 2011
x Yếu tố thời vụ Q2 = 277.63 x 0.9849 = 273.43

Dữ liệu dự báo Q1 2014 = Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q1 2014
x Yếu tố thời vụ Q1 = 308.38 x 0.8789 = 271.03

Mô hình Averaging forecasting method có tính đến yếu tố thời vụ:

 Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ = Dữ liệu thực/ Yếu tố thời vụ

Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q1 2011 = Dữ liệu thực Q1 2011/ Yếu
tố thời vụ của Q1 = 244/ 0.8789 = 277.63

Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q4 2013 = Dữ liệu thực Q4 2013/ Yếu
tố thời vụ của Q4 = 380/ 1.2323 = 308.38

Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q2 2011 = Dữ liệu thực hiệu chỉnh
theo yếu tố thời vụ Q1 2011/ 1 = 277.63/ 1 = 277.63

Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q3 2011 = (Dữ liệu thực hiệu chỉnh
theo yếu tố thời vụ Q1 2011 + Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q2 2011) / 2 =
(277.63 + 288.36)/ 2 = 282.99

Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q1 2014 = (Dữ liệu thực hiệu chỉnh
theo yếu tố thời vụ Q1 2011 + Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q4 2013)/ 12 =
292.42

Dữ liệu dự báo = Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ x Yếu tố thời vụ
 Dữ liệu dự báo Q2 2011 = Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q2 2011
x Yếu tố thời vụ Q2 = 277.63 x 0.9849 = 273.43

Dữ liệu dự báo Q1 2014 = Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q1 2014
x Yếu tố thời vụ Q1 = 292.42 x 0.8789 = 257

Mô hình Moving-Average Forecasting Method (n = 4) có tính đến yếu tố thời

vụ:

Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ = Dữ liệu thực/ Yếu tố thời vụ

Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q1 2011 = Dữ liệu thực Q1 2011/ Yếu
tố thời vụ của Q1 = 244/ 0.8789 = 277.63

Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q4 2013 = Dữ liệu thực Q4 2013/ Yếu
tố thời vụ của Q4 = 380/ 1.2323 = 308.38

Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q1 2012 = (Dữ liệu thực hiệu chỉnh
theo yếu tố thời vụ Q1 2011 + Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q2 2011 + Dữ
liệu thực hiệu chỉnh theo yếu tố thời vụ Q3 2011 + Dữ liệu thực hiệu chỉnh theo yếu tố
thời vụ Q4 2011)/ 4 = (277.63 + 288.36 + 283.2 + 281.6)/ 4 = 282.69
 …

Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q1 2014 = (Dữ liệu thực hiệu chỉnh
theo yếu tố thời vụ Q1 2013 + Dữ liệu thực hiệu chỉnh theo yếu tố thời vụ Q2 2013 + Dữ
liệu thực hiệu chỉnh theo yếu tố thời vụ Q3 2013 + Dữ liệu thực hiệu chỉnh theo yếu tố
thời vụ Q4 2013)/ 4 = 303.07

Dữ liệu dự báo = Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ x Yếu tố thời vụ

Dữ liệu dự báo Q1 2012 = Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q1 2012
x Yếu tố thời vụ Q1 = 282.69 x 0.8789 = 248.45

Dữ liệu dự báo Q1 2014 = Dữ liệu dự báo hiệu chỉnh theo yếu tố thời vụ Q1 2014
x Yếu tố thời vụ Q1 = 303.07 x 0.8789 = 266.36

d. Tính chỉ số mean absolute deviation (called MAD) và mean square error
(often abbreviated MSE) để đo lường sai số dự báo tình huống mà bạn xây
dựng có tính đến yếu tố thời vụ.
Mô hình Last-Value forecasting method có tính đến yếu tố thời vụ:

Sai số dự báo của Q2 2011 = |Giá trị dự báo Q2 2011 - Giá trị thực Q2 2011|
 = |273.43 – 284| = 10.57
…
Sai số dự báo của Q4 2013 = |Giá trị dự báo Q4 2013 - Giá trị thực Q4 2013|
= |372.15 – 380| = 7.85
MAD (theo phương pháp dự báo Last-Value có tính đến yếu tố yếu tố thời vụ) =
Tổng các sai số dự báo (theo phương pháp dự báo Last-Value có tính đến ye61eu
tố thời vụ)/ Số lượng các dự báo
MAD (theo phương pháp dự báo Last-Value có tính đến yếu tố yếu tố thời vụ) =
(10.57 + … + 7.85)/ 11 = 8.52
MSE (theo phương pháp dự báo Last-Value có tính đến yếu tố yếu tố thời vụ) =
Tổng các sai số dự báo bình phương (theo phương pháp dự báo Last-Value có tính
đến yếu tố yếu tố thời vụ)/ Số lượng các dự báo
MSE (theo phương pháp dự báo Last-Value có tính đến yếu tố yếu tố thời vụ) =
(10.572 + … + 7.852)/ 11 = 98.5

Mô hình Averaging forecasting method có tính đến yếu tố thời vụ:

Sai số dự báo của Q2 2011 = |Giá trị dự báo Q2 2011 - Giá trị thực Q2 2011|

= |273.43 – 284| = 10.57

…

Sai số dự báo của Q4 2013 = |Giá trị dự báo Q4 2013 - Giá trị thực Q4 2013|

= |358.55 – 380| = 21.45

MAD (theo phương pháp dự báo Averaging có tính đến yếu tố thời vụ) = Tổng các
sai số dự báo (theo phương pháp dự báo Averaging có tính đến yếu tố thời vụ)/ Số
lượng các dự báo

MAD (theo phương pháp dự báo Averaging có tính đến yếu tố thời vụ) = (10.57 +
… + 21.45)/ 11 = 8.33

MSE (theo phương pháp dự báo Averaging có tính đến yếu tố thời vụ) = Tổng các
sai số dự báo bình phương (theo phương pháp dự báo Averaging có tính đến yếu
tố thời vụ)/ Số lượng các dự báo

MSE (theo phương pháp dự báo Averaging có tính đến yếu tố thời vụ) = (10.572 +
… + 21.452)/ 11 = 118.92

Mô hình Moving-Average Forecasting Method (n = 4) có tính đến yếu tố thời

vụ:
 Sai số dự báo của Q1 2012 = |Giá trị dự báo Q1 2012 - Giá trị thực Q1 2012|

= |248.45 – 255| = 6.55

Sai số dự báo của Q4 2013 = |Giá trị dự báo Q4 2013 - Giá trị thực Q4 2013|

= |366.96 – 380| = 13.04

MAD (theo phương pháp dự báo Moving – Average có tính đến yếu tố thời vụ) =
Tổng các sai số dự báo (theo phương pháp dự báo Moving – Average có tính đến
yếu tố thời vụ)/ Số lượng các dự báo

MAD (theo phương pháp dự báo Moving – Average có tính đến yếu tố thời vụ) =
(6.55 + … + 13.04)/ 8 = 7.88

MSE (theo phương pháp dự báo Moving – Average có tính đến yếu tố thời vụ) =
Tổng các sai số dự báo bình phương (theo phương pháp dự báo Moving – Average
có tính đến yếu tố thời vụ)/ Số lượng các dự báo

MSE (theo phương pháp dự báo Moving – Average có tính đến yếu tố thời vụ) =
(6.552 + … + 13.042)/ 8 = 81.35

e. Chọn mô hình dự báo tốt nhất và lý giải tại sao.

Khi chưa tính đến yếu tố thời vụ, trong 3 phương pháp dự báo Last-Value,
Averaging và Moving-Average, ta thấy phương pháp dự báo Moving-Average có
giá trị trung bình các sai số dự báo (MAD) và giá trị trung bình các sai số dự báo
bình phương (MSE) nhỏ nhất (MAD = 31.72 và MSE = 1,668.05) nên ta sẽ chọn
mô hình dự báo tốt nhất trong trường hợp này là Moving-Average.
Khi có tính đến yếu tố thời vụ, trong 3 phương pháp dự báo Last-Value,
Averaging và Moving-Average, ta thấy phương pháp dự báo Moving-Average có
giá trị trung bình các sai số dự báo (MAD) và giá trị trung bình các sai số dự báo
bình phương (MSE) nhỏ nhất (MAD = 7.88 và MSE = 81.35) nên ta sẽ chọn mô
hình dự báo tốt nhất trong trường hợp này vẫn là Moving-Average.
3. Kết luận
Như vậy, bằng ba mô hình dự báo là Last-Value, Averaging và Moving-Average,
ta sẽ dự báo được số tiền quyên góp trong những kỳ sau, để từ đó, so với dữ liệu
thực của những kỳ sau, ta có thể tính được trung bình các sai số dự báo (MAD) và
trung bình các sai số dự báo bình phương (MSE). Ta sẽ lựa chọn mô hình dự báo
tốt nhất dựa vào việc mô hình đó có trung bình các sai số dự báo (MAD) và trung
bình các sai số dự báo bình phương (MSE) nhỏ nhất trong số các mô hình dự báo.
Khi đó, các yếu tố thời vụ giúp đo lường bình quân dữ liệu trong kỳ đó so với tổng
bình quân dữ liệu sẽ là một yếu tố nên được cân nhắc trong các mô hình dự báo để
việc lựa chọn mô hình dự báo tốt nhất được chính xác hơn và dữ liệu dự báo gần
với giá trị thực trong kỳ tiếp theo hơn.