Ứng dụng mô hình cây quyết định với thông tin không chắc chắn ở Trung tâm Hỗ trợ và Phát triển sinh viên Việt Nam Phạm Trung Thành Trường Đại học Kinh tế Luận văn ThS. Chuyên ngành: Quản lý kinh tế ; Mã số: 60 34 01 Người hướng dẫn: TS. Lê Kim Sa Năm bảo vệ: 2014 Keywords: Quản lý kinh tế; Quản lý sản xuất; Mô hình cây quyết định. Content: MỞ ĐẦU 1. Sự cần thiết của việc thực hiện Đề tài nghiên cứu Sản phẩm cuối cùng trong quản lý kinh tế chính là các quyết định. Vì vậy, ra quyết định quản lý kinh tế là một trong những hoạt động rất quan trọng của tổ chức, doanh nghiệp. Thực tiễn cho thấy trong bối cảnh hoạt động của nền kinh tế thị trường có sự hội nhập kinh tế toàn cầu ngày càng sâu rộng, cạnh tranh ngày càng sâu sắc như ở nước ta, việc ra quyêt định càng trở lên quan trọng và trở thành yếu tố có ý nghĩa quyết định đến sự thành công hay thất bại của một tổ chức kinh tế. Để nâng cao chất lượng ra quyết định, điều quan trọng là tổ chức cần nắm bắt đầy đủ, kịp thời và xử lý, khai thác có hiệu quả các thông tin liên quan để rút ra những tri thức mới và ra quyết định từ những tri thức này. Như vậy ngày càng có nhiều thông tin với tốc độ thay đổi rất nhanh để trợ giúp việc ra quyết định và ngày càng có nhiều câu hỏi mang tính chất định tính cần phải trả lời dựa trên một khối lượng dữ liệu khổng lồ đã có, đặc biệt trong đó có nhiều dữ liệu không chắc chắn. Cây quyết định thực chất là công cụ hỗ trợ quyết định, có thể biểu diễn thông tin phức tạp theo một cấu trúc đơn giản hơn rất nhiều dưới dạng cây. Vì vậy, đề tài này nằm trong hướng nghiên cứu, ứng dụng cây quyết định trong việc xử lý thông tin nhằm rút ra tri thức mới, phục vụ ra quyết định trong quá trình quản lý kinh tế của tổ chức. Cụ thể, đề tài sẽ tập trung giải quyết vấn đề xây dựng một qui trình ra quyết định quản lý kinh tế sử dụng cây quyết định với thông tin không chắc chắn. Để khẳng định tính khả thi của qui trình đưa ra, đề tài sẽ sử dụng qui trình trong việc hỗ trợ ra quyết định quản lý kinh tế tại Trung tâm Hỗ trợ và Phát triển sinh viên Việt Nam. Với mô hình cây quyết định dựa trên thông tin không chắc chắn, việc ra quyết định quản lý ở các tổ chức nói chung, tổ chức kinh tế nói riêng sẽ nâng cao tính khách quan, khoa học, gạt bỏ một phần những yếu tố chủ quan, cảm tính, hơn nữa trong những quyết định đòi hỏi phải xử lý nhiều thông tin không chắc chắn, gây khó khăn, nhiễu loạn đối với chủ thể quản lý, thì mô hình cây quyết định hứa hẹn là một phương tiện hỗ trợ đưa những phương án tối ưu và có độ tin cậy cao. 2. Tình hình nghiên cứu trong và ngoài nước: Ngoài nước: Cây quyết định là một trong những kỹ thuật phát hiện thông tin tri thức mới tiềm ẩn trong dữ liệu. Cây quyết định được đề xuất lần đầu vào giữa những năm 1980 và đầu những năm 1990. Về mặt lý thuyết hiện người ta vẫn không ngừng tìm kiếm những phương pháp xây dựng cây quyết định mới, nhất là cải tiến độ đo thông tin tương hỗ nhằm làm cho cây quyết định có thể hỗ trợ đưa ra được những quyết định xác đáng nhất. Ngay từ khi ra đời cây quyết định đã được ứng dụng trong các quá trình ra quyết định thuộc nhiều lĩnh vực của đời sống chính trị, kinh tế, xã hội. Mặc dù có nhiều phương pháp hỗ trợ ra quyết định khác nhưng cây quyết định được đánh giá là thích hợp nhất với các quá trình ra quyết định. Mặt khác thực tế của các quá trình ra quyết định cũng cho thấy thông tin phục vụ các quá trình này thường không được biết đầy đủ hoặc không được biết chắc chắn. Việc biểu diễn và suy luận trên những thông tin được biết không đầy đủ hoặc không chắc chắn có ý nghĩa quyết định đến chất lượng của các hệ chuyên gia như trong khám chữa bệnh, dạy học từ xa, …, trong các hệ thống thông minh như hệ điều khiển tự động ô tô, máy bay, tàu hoả, trong các người máy hay trong một số hệ trợ giúp ra quyết định khác như phỏng vấn và tuyển chọn nhân sự, chấm thi, chọn nhà thầu, TÀI LIỆU THAM KHẢO Tiếng Việt: 1. Đoàn Thị Thu Hà, Nguyễn Thị Ngọc Huyền (2004), Khoa học quản lý tập 1, NXB Khoa học Kỹ thuật. 2. Trần Bình Minh (2007), Thực trạng lập kế hoạch sản xuất kinh doanh tại Doanh nghiệp Cổ phần May Thăng Long, Báo cáo chuyên đề, Đại học Kinh tế Quốc dân. 3. Nguyễn Thị Tâm Minh (2009), Ứng dụng cây quyết định để dự báo chỉ số nhóm nợ hỗ trợ quản lý rủi ro tín dụng, Luận văn thạc sỹ, Đại học Quốc gia Hà Nội. 4. Đỗ Thanh Nghị (2008), Giáo trình khai thác dữ liệu, Đại học Cần Thơ. 5. Đỗ Thanh Nghị & Lê Quyết Thắng (2010), Nhận dạng tấn công mạng với mô hình trực quan cây quyết định, Đề tài NCKH cấp Nhà nước, KC01. 6. Đỗ Thành Nghị, Lê Quyết Thắng (2010), Nghiên cứu xây dựng các hệ thống thông tin hỗ trợ việc phòng chống dịch bệnh cây trồng và thuỷ sản cho vùng kinh tế trọng điểm, Đề tài NCKH cấp Nhà nước, KC01. 7. Đỗ Văn Thành (2002), Phát hiện luật kết hợp, Bài giảng Trường thu hệ mờ và Ứng dụng, Viện Toán học. 8. Đỗ Văn Thành (2003), Cơ sở lý thuyết của Phát hiện luật kết hợp, Bài giảng Trường Thu Hệ mờ và ứng dụng, Viện Toán học. 9. Đỗ Văn Thành (2011), Ra quyết định với thông tin không chắc chắn bằng việc ứng dụng mô hình cây quyết định trong việc lập kế hoạch, sản xuất kinh doanh của các doanh nghiệp, Đề tài nghiên cứu khoa học cấp bộ, Bộ Kế hoạch và Đầu tư. 10. Cao Hào Thi (2008), Giáo trình xác suất thống kê, Trung Tâm Viện Công Nghệ Châu Á tại Việt Nam (AITCV) 11. Nguyễn Thị Hồng Thuỷ, Nguyễn Thị Ngọc Huyền (1997), Lý thuyết quản trị kinh doanh, NXB Khoa học Kỹ thuật. 12. Trung tâm Hỗ trợ và Phát triển sinh viên Việt Nam, Quy chế hoạt động của Trung tâm Hỗ trợ và Phát triển sinh viên Việt Nam. 13. Đinh Mạnh Tường (2007), Giáo trình trí tuệ nhân tạo, ĐH Công Nghệ. Tiếng Anh 14. Breiman, L., Friedman, J., Olshen, R., Stone, C. (1984): Classification and Regression Trees, Chapman & Hall, New York, 1984. 15. Clemen, R., & Winkler, R. (1999). Combining probability distributions from experts in risk analysis, Risk Analysis, 19, 187–203. 16. Do, T-N., Lenca, P. and Lallich, S. (2010), Enhancing network intrusion classification with the Kolmogorov-Smirnov splitting criterion. in proc. of ICTACS’10, The 3rd International Conference on Theories and Applications of Computer Sciences, Vietnam. 17. Karni, E. (1985). Decision making under uncertainty: The case of state dependent preferences. Cambridge: Harvard University Press. 18. Kdnuggets (2007). Data mining methods. KDnuggets Polls 2003-2007. 19. Miheev, V., Vopilov, A., Shabalin, I. (2000): The mp13 approach to the kdd’99 classifer learning. SIGKDD Explorations 1(2) 76–77. 20. Mongin, P. (1995). Consistent Bayesian aggregation. Journal of Economic Theory, 66, 313– 351. 21. O’Hagan, A., Buck, C., Daneshkhan, A., Eiser, J., Garthwaite, P., Jenkinson, D., et al. (2006). Uncertain judgments: Eliciting experts’ probabilities. Chichester: Wiley. 22. Quinlan, J. (1993), C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers. 23. Ralph L. Keeney and Robert Nau (2011). A theorem for Bayesian group decisions , Journal of Risk and Uncertainty, Volume 43, N02-6/2011. 24. Robert F. Stewart (1980), SWOT analysis model Standford, Menlo Park, California. 25. Shannon, C-E. (1948), A mathematical theory of communication. Bell System Technological Journal (27):379–423, 623–656. 26. Thomas Reinart (2002): Stages of the Discovery Process, in Handbook of Data Mining and Knowledge Discovery (Ed. by Willi Klosgen and Jan M. Zytkow), Oxford. 27. Wu X. and Kumar V. (2009): Top 10 Algorithms in Data Mining. Chapman & Hall/CRC. . Ứng dụng mô hình cây quyết định với thông tin không chắc chắn ở Trung tâm Hỗ trợ và Phát triển sinh viên Việt Nam Phạm Trung Thành Trường Đại học Kinh. định quản lý kinh tế tại Trung tâm Hỗ trợ và Phát triển sinh viên Việt Nam. Với mô hình cây quyết định dựa trên thông tin không chắc chắn, việc ra quyết định quản lý ở các tổ chức nói chung,. ra quyết định quản lý kinh tế sử dụng cây quyết định với thông tin không chắc chắn. Để khẳng định tính khả thi của qui trình đưa ra, đề tài sẽ sử dụng qui trình trong việc hỗ trợ ra quyết định