سیستم پشتیبانی تصمیم گیری مبتنی بر مدل ساختمان (MDSS)

همانطور که از نام خود توضیح می دهد، یک سیستم پشتیبانی تصمیم مبتنی بر مدل از یک مدل برای حل مشکلات یا کمک به تصمیم گیری استفاده می کند. یک مدل می تواند آماری، مالی، ریاضی، تحلیلی، شبیه سازی یا بهینه سازی باشد. یک DSS مبتنی بر مدل ممکن است از یک مدل واحد یا ترکیبی از دو یا چند مدل، بسته به نیازهای خاص کاربرانش استفاده کند. مدل‌های ساده عملکرد پایه را ارائه می‌کنند در حالی که ترکیب دو یا چند مدل به کاربران امکان تجزیه و تحلیل داده‌های پیچیده را می‌دهد.

DSSهای مبتنی بر مدل معمولاً داده فشرده نیستند. بلکه از پارامترهای وارد شده توسط تصمیم گیرندگان استفاده می کنند و به آنها در تجزیه و تحلیل یک موقعیت کمک می کنند. آنها راه حل های بهینه ای را ایجاد می کنند که با محدودیت های زمان و منابع سازگار است. دامنه DSS مدل محور بسیار زیاد است و می توان با یکپارچه سازی برنامه های مبتنی بر وب، آن را بیشتر افزایش داد.

هنگام توسعه MDSS اختصاصی، درک ابزارهای مدل‌سازی و تحلیلی، کار و دامنه آنها بسیار مهم است. ساخت DSS مدل محور نیاز به سطح قابل توجهی از تخصص دارد. مدیران و تحلیلگران DSS نیاز به همکاری نزدیک برای توسعه یک سیستم کارآمد دارند که مقیاس پذیر، همه کاره و آسان برای یکپارچه سازی و استفاده باشد.

مدل سازی موقعیت های تصمیم گیری

DSS مدل محور می تواند برای کمک به تصمیم گیری در موقعیت های مختلف استفاده شود. می تواند به مدیران در ایجاد موارد زیر کمک کند:

• تصمیمات اعتباری و وام دهی
• پیش بینی تقاضای محصول
• تصمیمات بودجه
• تصمیمات بازاریابی
• تصمیمات پیش بینی تولید
• تصمیمات تخصیص منابع
• برنامه ریزی پروژه
• تصمیمات سرمایه گذاری

هر MDSS یک هدف مشخص و هدف خاص دارد. یک مدل را مستقر می کند. در نتیجه، فکر زیادی برای تصمیم‌گیری درباره اینکه چه مدل‌هایی باید در یک DSS مبتنی بر مدل گنجانده شوند، انجام می‌شود. MDSS معمولاً تجزیه و تحلیل حساسیت یا تجزیه و تحلیل «چه می‌شد اگر» را انجام می‌دهد. با این حال، کاربران باید به خاطر داشته باشند که سیستم تصمیمی نمی گیرد. این تنها جایگزین هایی را ایجاد می کند که باید توسط تصمیم گیرندگان تجزیه و تحلیل و ارزیابی شوند.

چگونه یک DSS مدل محور بسازیم؟

مهمترین جنبه یک DSS مدل محور مدلی است که برای تصمیم گیری استفاده می کند. این بدان معنی است که انتخاب یک مدل بسیار مهم ترین مرحله در ساخت یک MDSS است. بنابراین، چگونه در مورد آن اقدام می کنید؟ بیایید بفهمیم:

مدل سازی

مدل سازی فرآیند شناسایی یک مدل مناسب برای یک سیستم پشتیبانی تصمیم گیری مبتنی بر مدل آینده نگر است. مراحل زیر را به صورت زمانی طی می کند که از شناسایی مشکل شروع می شود:

هنگامی که مدل سازی انجام شد، اعتبارسنجی مدل انتخاب شده برای اطمینان از عملکرد خوب و ایجاد نتایج مناسب بسیار مهم است. اعتبارسنجی مدل با مقایسه خروجی مدل و رفتار واقعی رویداد انجام می شود.

مفروضات و پیش بینی ها

مفروضات پیش بینی ها یا بهترین حدس ها هستند. هر مدل دارای مفروضات خاصی در مورد زمان و ریسک موجود در یک موقعیت خاص است. این نتایج از طریق تجزیه و تحلیل حساسیت یا what if مورد آزمایش قرار می گیرند.

مفروضات نقش مهمی در تعریف یک مشکل و شناسایی و مقابله با عدم قطعیت دارند. تصمیم گیرندگان یک فرضیه را تشکیل می دهند و سعی می کنند نتایج را پیش بینی کنند. بر اساس نتیجه، یک فرضیه یا پذیرفته می شود یا رد می شود. DSS های مدل محور با فرض هر یک از تحلیل ها – ایستا و پویا – طراحی شده اند.

1. تجزیه و تحلیل استاتیک: این نوع تجزیه و تحلیل پاسخ بلند مدت یک سیستم را در نظر نمی گیرد. یک عکس فوری از یک موقعیت می گیرد و فرض می کند که در تمام طول مدت ثابت می ماند و تغییر نمی کند. تحلیل استاتیک زمانی انجام می شود که موقعیتی که شرکت در آن تصمیم می گیرد ماهیت ایستا داشته باشد. 

    

2. تجزیه و تحلیل پویا: تجزیه و تحلیل پویا آزمایش یک برنامه یا یک سیستم نرم افزاری در زمان واقعی است. در این روش به هر دلیلی از جمله هزینه، قوانین و مقررات، زمان و … وضعیت در طول زمان تغییر می کند. 

اینکه چه نوع تحلیلی باید انجام شود بستگی به موقعیت دارد. تصمیم گیرندگان و تحلیلگران DSS باید تشخیص دهند که آیا در یک موقعیت، اطمینان، عدم قطعیت یا ریسک مناسب است یا خیر.

انواع مدل

همانطور که قبلا ذکر شد، هر DSS مدل محور بر روی نوعی مدل یا ترکیبی از مدل ها کار می کند. بنابراین، دانستن مدل های مختلف نتیجه می دهد. یک DSS یکی یا ترکیبی از مدل های زیر را به کار می گیرد:

1. مدل توضیحی/توصیفی: توضیح می دهد و توضیح می دهد که چرا چیزی به این شکل است و چرا و چگونه کار می کند. 

    

2. مدل متفکرانه: نتایج یا نتایجی را پیش بینی می کند که ممکن است از مجموعه خاصی از پارامترها تولید شوند. 

    

3. مدل جبری: یک سیستم مدل سازی سطح بالا برای حل معادلات پیچیده. برای بهینه سازی یک متغیر یا معادله استفاده می شود. بهترین بخش این است که می تواند چندین معادله همزمان را مدیریت کند. 

یک DSS با هر یک از مدل‌های فوق یک عملکرد واحد را انجام می‌دهد در حالی که یک DSS با چندین مدل یک سیستم کامل برای انجام هر سه کار است، از جمله:

• شناسایی روابط بین متغیرها
• پیش بینی نتایج بر اساس تغییرات یا پارامترها
• تصمیم گیری در مورد اینکه تا چه حد می توان یک متغیر را دستکاری کرد

مدل ها

1. مدل های حسابداری و مالی

   این سیستم های پشتیبانی تصمیم گیری مدل محور به تصمیم گیری در موقعیت های مختلف مرتبط با حسابداری و مدیریت مالی کمک می کنند. نمونه ها عبارتند از:

    

   • تجزیه و تحلیل نقطه سر به سر : یک DSS با مدل تجزیه و تحلیل سربه سر به مدیران در تعیین نقطه سربه سر برای یک محصول کمک می کند. این به تعیین قیمت فروش و تجزیه و تحلیل رابطه بین اجزای مختلف مرتبط – قیمت ها، هزینه های بازاریابی و سود کمک می کند. فرآیند با فرض هزینه های ثابت و متغیر آغاز می شود. سود صفر تعیین شده است. این کمک می کند تا بهای تمام شده محصولی را تعیین کنیم که شرکت در آن نه ضرر می کند و نه سود می کند. 

      

   • مدل مالی بودجه: DSS با مدل بودجه بندی معمولاً یک برنامه کاربردی در سطح سازمانی است. بسیاری از شرکت ها از چنین سیستم هایی برای برنامه ریزی و پیش بینی بودجه استفاده می کنند. 

      

   • صورتهای مالی حرفه ای: یک DSS با این مدل نتایج مالی پیش بینی شده را برای یک دوره زمانی خاص در آینده خلاصه می کند. هزینه ها بر اساس داده های گذشته تخمین زده می شود، فروش ناخالص پیش بینی می شود و سپس سود یا زیان بر اساس این روابط محاسبه می شود. 

      

   • تجزیه و تحلیل نسبت: این به یک کسب و کار در ارزیابی صورت های مالی خود کمک می کند. تجزیه و تحلیل نسبت، با نشان دادن روابط منطقی بین داده ها، داده های مالی را معنادارتر می کند. 

2. مدل های تحلیل تصمیم

   کار اصلی مدل های تجزیه و تحلیل تصمیم، شناسایی و ارزیابی گزینه ها با مزایا و معایب مربوطه است. سپس تصمیم گیرندگان همه گزینه ها را ارزیابی می کنند و گزینه ای را که فکر می کنند بهترین است انتخاب می کنند. هدف تکنیک های تحلیل تصمیم عبارت است از:

   • مشکلات را تجزیه و بازسازی کنید
   • به تصمیم گیرندگان کمک کنید تا درک عمیقی از مشکل پیدا کنند
   • حقایق و ارقام را از اولویت ها و اولویت ها جدا کنید
   • به کاربران کمک کنید تا عملکرد گزینه های تصمیم گیری را مطالعه کنند
   • از ذکر اولویت هایی که به تصمیم گیری کمکی نمی کند خودداری کنید

   در زیر انواع مختلفی از مدل های تحلیل تصمیم وجود دارد:

    

   1. فرآیند تحلیل سلسله مراتبی (AHP): این یک تکنیک تصمیم گیری چند معیاره است که عوامل کمی و کیفی را هنگام ارزیابی گزینه ها ترکیب می کند. فرآیند سلسله مراتب تحلیلی با توسعه یک نمایش سلسله مراتبی از یک مسئله، با هدف کلی در بالا، گزینه های تصمیم گیری در پایین و ویژگی های مربوطه و معیارهای انتخاب در میان شروع می شود. 

      بعد از اینکه گزینه های تصمیم را در پایین نوشتید، باید گزینه ها را با تولید داده های رابطه ای مقایسه کنید. نسبت سازگاری پس از مقایسه اولویت نسبی هر ویژگی محاسبه می شود. سپس گزینه های با بالاترین اولویت و بالاترین اهداف نمایش داده می شوند.

       

   2. درخت تصمیم: همانطور که از نام آن پیداست، یک درخت تصمیم از فلوچارت درخت مانندی از تصمیمات استفاده می کند که از چپ به راست ترسیم می شود، با شاخه های بیشتر که پیامدهای آنها، هزینه های مربوطه، نتایج رویداد و کاربرد آنها را توضیح می دهد. هدف شناسایی مناسب ترین استراتژی برای رسیدن به یک هدف است. درخت تصمیم دارای سه نوع گره است 
      • گره انتخاب: با مربع نشان داده می شود
      • گره شانس: با یک دایره نشان داده می شود
      • گره انتهایی: با یک مثلث نشان داده می شود

      گره ها و قوانین تصمیم بلوک های سازنده درختان تصمیم هستند. درک درختان تصمیم ساده است، بینش های ارزشمندی را ارائه می دهد، بهترین و بدترین سناریوها را تعیین می کند و می تواند به راحتی با سایر تکنیک های تصمیم گیری ترکیب شود.

       

   3. تجزیه و تحلیل سودمندی چند ویژگی (MAUA): تجزیه و تحلیل مطلوبیت چند ویژگی اهمیت زیادی به وزن های ویژگی می دهد. اطلاعات در مورد هر انتخاب تصمیم در هر ویژگی ارائه می شود. سپس یک تصمیم گیرنده سودمندی یک جایگزین تصمیم را بر حسب ویژگی های آن درک می کند. این روش معمولاً زمانی استفاده می شود که ویژگی های یک جایگزین مشخص باشد. 

       

   4. نمودارهای تأثیر: این یک نمایش نموداری از یک موقعیت تصمیم گیری برای بیان ماهیت دقیق روابط بین متغیرها است. از اشکال هندسی برای نمایش عناصر مختلف استفاده می کند. 
      • یک متغیر تصمیم با یک مستطیل نشان داده می شود.
      • یک متغیر میانی با یک دایره نشان داده می شود.
      • یک متغیر نتیجه یا نتیجه با یک بیضی نشان داده می شود.

3. مدل های پیش بینی

   مدل های پیش بینی بخشی جدایی ناپذیر از تعداد زیادی از سیستم های پشتیبانی تصمیم را تشکیل می دهند. کار اصلی آنها پیش بینی ارزش متغیرهای مرتبط به هم در یک مقطع زمانی در آینده است. دو نوع اصلی پیش بینی عبارتند از:

    

   • پیش‌بینی‌های کوتاه‌مدت: جایی که پیش‌بینی به زودی عمدتاً در مدل‌های قطعی استفاده می‌شود 

      

   • پیش بینی های بلند مدت: جایی که پیش بینی برای تصمیم گیری های بلندمدت سرمایه گذاری/برنامه ریزی استفاده می شود 

   پیش‌بینی ممکن است شامل ابهام باشد، زیرا عواملی که تصمیم‌ها به آنها بستگی دارد ماهیت غیرقابل کنترل و پویا هستند. این بدان معنی است که دقت داده ها و زمان صرف شده در انجام پیش بینی های تقریباً کامل اهمیت زیادی دارد.

   در زیر انواع مختلفی از مدل های پیش بینی وجود دارد:

    

   1. اکتشاف ساده: همانطور که در نام خود توضیح داده شده است، اکتشاف ساده یک پیش بینی پیچیده نیست. بلکه پیش بینی ساده است که دقت محدودی را ارائه می دهد. این تکنیک با استفاده از صفحه گسترده پیاده سازی می شود. 

       

   2. روش‌های قضاوت: پیش‌بینی‌ها یا پیش‌بینی‌ها بر اساس برداشت‌ها و نظرات متخصصان به جای داده‌های سخت است. این یک تخمین ذهنی است که برای پیش‌بینی‌های بلندمدت استفاده می‌شود که در آن محیط خارجی نقش مهمی دارد. نتایج خیلی دقیق نیستند. 

       

   3. میانگین متحرک: برای پیش بینی های کوتاه مدت استفاده می شود، پیش بینی ها بر اساس مقادیر تاریخی است. DSS با این مدل ارزان و آسان برای استفاده است. 

       

   4. هموارسازی نمایی: برای پیش‌بینی‌های کوتاه‌مدت استفاده می‌شود، داده‌های تاریخی را از نظر ریاضی تغییر می‌دهد تا مفروضات یک تصمیم‌گیرنده را بهتر منعکس کند. شبیه به مدل میانگین متحرک است اما ادعا می کند با استفاده از هموارسازی نمایی نتایج بهتری به دست می آورد. 

       

   5. برون‌یابی سری‌های زمانی: این روش متغیرهای اقتصادی را که در بازه‌های زمانی متوالی اندازه‌گیری می‌شوند، در نظر می‌گیرد. اعتقاد بر این است که آگاهی از رفتار گذشته متغیر در بازه های زمانی متوالی به درک بهتر رفتار متغیرها در آینده کمک می کند. 

       

   6. مدل‌های رگرسیون و اقتصادسنجی: این نوع مدل‌های پیش‌بینی از رگرسیون‌های خطی و چندگانه برای ایجاد روابط علت و معلولی استفاده می‌کنند. این روش‌ها قدرتمندتر از سری‌های زمانی هستند اما در عین حال پیچیده‌تر هستند. آنها پیچیده هستند زیرا از مدل های پیچیده استفاده می کنند و متغیرهای بیشتری را شامل می شوند. نتایج به دست آمده دقیق تر است. 

4. مدل های شبکه و بهینه سازی

   مدل‌های شبکه و بهینه‌سازی زمانی در یک DSS ادغام می‌شوند که تصمیمات مربوط به تخصیص منابع، کنترل پروژه، مکان، زمان‌بندی، حمل و نقل، توزیع، اندازه، کمبود، مدیریت جریان نقدی چندملیتی، مدیریت موجودی و توزیع و شبکه اتخاذ شود. مثلا:

   • بهترین مکان برای عملیات یا ساخت
   • منابع مورد نیاز برای اجرای عملیات
   • مناسب ترین مسیر هواپیما برای حمل و نقل محصولات

   مدل‌های شبکه و بهینه‌سازی معمولاً از تکنیک رگرسیون خطی استفاده می‌کنند که در کلاس ابزار برنامه‌نویسی ریاضی قرار می‌گیرد. با استفاده از این تکنیک، حل‌کننده‌های مسئله می‌توانند بهترین مجموعه مقادیری را بیابند که یک فرمول محاسبه‌شده مشخص را به حداقل یا حداکثر می‌رساند. وضعیت برنامه ریزی خطی از شش عنصر تشکیل شده است که عبارتند از:

    

   • متغیرهای تصمیم گیری که سعی می کنیم با اعمال مدل مقدار آنها را پیدا کنیم 

      

   • تابع هدف، یک عبارت ریاضی که رابطه خطی بین متغیرهای هدف و تصمیم را نشان می دهد 

      

   • ضرایب تابع هدف، متغیرهایی هستند که سرعت تغییر (افزایش یا کاهش) مقدار تابع هدف را با گنجاندن مقادیر در معادله بیان می کنند. 

      

   • محدودیت ها، نابرابری های خطی که منعکس کننده این واقعیت است که منابع محدود هستند 

      

   • ضرایب ورودی/خروجی (ورودی-خروجی)، ضرایب محدودیت‌هایی که سرعت استفاده/کاهش یک منبع معین را نشان می‌دهند. 

      

   • ظرفیت هایی که بیانگر حداقل منابع مورد نیاز است 

   به یاد داشته باشید که این مدیران هستند که تعیین می کنند “بهترین” برای آنها چه معنایی دارد.

5. مدل های شبیه سازی

   DSS با مدل‌های شبیه‌سازی آزمایش‌هایی را برای شناسایی شرایط یا موقعیت‌هایی که شرایط واقعی را تقریب می‌کنند انجام می‌دهد. این مدل ها برای حل تعدادی از مشکلات از جمله

   • برنامه ریزی و تعیین نیروی انسانی
   • کنترل موجودی
   • قابلیت اطمینان و جایگزینی
   • ترتیب و زمان بندی
   • انبارها و انبارها
   • صف و شلوغی

   مدل های شبیه سازی:

   • سعی کنید واقعیت را تقلید کنید
   • تجزیه و تحلیل what-if را انجام دهید
   • ابزار توصیفی برای پیش بینی هستند
   • برای به دست آوردن یک برآورد بهینه از تأثیر اقدامات خاص، آزمایش ها را تکرار کنید
   • کمک به حل مشکلات بسیار پیچیده
   • روابط ابتدایی و وابستگی های متقابل بین متغیرها را تشکیل دهید
   • برای یک مشکل ساخته شده اند و برای مشکلات دیگر مناسب نیستند
   • زمان تصمیم گیری را کاهش دهید

   روش شبیه سازی

   این فرآیند از چندین مرحله می گذرد که از شناسایی مشکل شروع می شود و به ارزیابی نتایج ختم می شود.

   مدل های شبیه سازی انواع زیر هستند:

    

   1. احتمالاتی: در این روش، متخصصان یک یا چند متغیر مستقل را به عنوان توزیع احتمال مقادیر مفهوم سازی می کنند. 

       

   2. وابسته به زمان: که به عنوان شبیه سازی گسسته نیز شناخته می شود، زمان دقیق وقوع یک رویداد را در نظر می گیرد. 

       

   3. شبیه سازی بصری: این روش از تصاویر و انیمیشن های نتایج برای تقویت درک سریع و عمیق تر استفاده می کند. 

مدل سازی زبان ها و صفحات گسترده

از آنجایی که مدل ها برنامه های نرم افزاری کامپیوتری هستند، تعدادی از زبان های برنامه نویسی را می توان برای کدنویسی استفاده کرد. به طور معمول زبان های مورد استفاده C++ و جاوا هستند. علاوه بر این، سیستم‌های پشتیبانی تصمیم از صفحات گسترده استفاده می‌کنند که به کاربران این امکان را می‌دهند

• ارزش ها را بنویسید
• دستکاری داده ها
• از فرمول های ریاضی و آماری استفاده کنید
• ایجاد نمودارها و تصاویر
• تهیه، ادغام و مرتب سازی گزارش ها

بسته های نرم افزاری متعددی برای سیستم های پشتیبانی تصمیم گیری مدل محور در دسترس هستند. با این حال، شما باید با دقت یک بسته را انتخاب کنید. شما باید اطمینان حاصل کنید که تمام نیازهای خاص شما را برآورده می کند. بسته های معتبر به شما این امکان را می دهند که مدل های خود را بسازید و مدل های موجود را دستکاری کنید.

ساخت یک DSS مدل محور سفارشی فرآیندی پیچیده، زمان بر و پرهزینه است. با این حال، تصمیم نهایی خرید یک بسته یا توسعه یک DSS با شماست.