Mỗi ngày một điều mới cùng Tr Anh: Kỹ năng

Hiển thị các bài đăng có nhãn Kỹ năng. Hiển thị tất cả bài đăng

Thứ Ba, 21 tháng 10, 2025

Best-worst method

Phương pháp tốt nhất-tệ nhất (Best-Worst Method - BWM) là một kỹ thuật ra quyết định đa tiêu chí (Multi-Criteria Decision-Making - MCDM) được phát triển bởi Jafar Rezaei vào năm 2015. BWM giúp xác định trọng số của các tiêu chí và/hoặc xếp hạng các phương án một cách hiệu quả và đáng tin cậy.

Trong các phương pháp MCDM truyền thống (như AHP), ta phải so sánh rất nhiều cặp tiêu chí với nhau nên khá phức tạp, mất thời gian, thiếu nhất quán. BWM đơn giản hóa quá trình bằng cách:

Người ra quyết định chọn ra tiêu chí tốt nhất (quan trọng nhất) và tiêu chí tệ nhất (ít quan trọng nhất).

Chỉ so sánh tốt nhất với các tiêu chí còn lại, và các tiêu chí còn lại với tệ nhất.

Từ hai tập so sánh này, ta xây dựng một hệ phương trình để tính trọng số tối ưu cho toàn bộ tiêu chí.

(Nguồn: https://www.researchgate.net/figure/Flowchart-for-the-best-worst-method_fig2_368811044)

Các bước thực hiện

Quy trình của BWM gồm 5 bước cơ bản:

Liệt kê các tiêu chí: Xác định một tập hợp các tiêu chí ra quyết định.
Xác định tiêu chí tốt nhất và tệ nhất: Chọn tiêu chí quan trọng nhất (tốt nhất) và tiêu chí ít quan trọng nhất (tệ nhất) từ danh sách.
So sánh tốt nhất-với-khác: Đánh giá mức độ quan trọng của tiêu chí tốt nhất so với tất cả các tiêu chí khác. Kết quả là một véc-tơ so sánh tốt nhất-với-khác $A_{B} = (a_{B 1}, a_{B 2}, ..., a_{B n})$ , trong đó $a_{B j}$ là mức độ quan trọng của tiêu chí tốt nhất B so với tiêu chí j.
So sánh khác-với-tệ nhất: Đánh giá mức độ quan trọng của tất cả các tiêu chí khác so với tiêu chí tệ nhất. Kết quả là một véc-tơ so sánh khác-với-tệ nhất $A_{W} = (a_{1 W}, a_{2 W}, ..., a_{nW})^{T}$ , trong đó $a_{jW}$ là mức độ quan trọng của tiêu chí j so với tiêu chí tệ nhất W.
Tính toán trọng số tối ưu: Sử dụng một mô hình toán học (thường là mô hình tối ưu hóa tuyến tính hoặc phi tuyến) để tìm ra bộ trọng số tối ưu ( $w_{1}, w_{2}, ..., w_{n}$ ) sao cho các so sánh cặp đã thực hiện là nhất quán nhất.

Ưu điểm

Giảm số lượng so sánh: BWM chỉ yêu cầu $2 n - 3$ so sánh (với $n$ là số tiêu chí), ít hơn đáng kể so với phương pháp AHP ( $n (n - 1) /2$ ). Điều này giúp giảm gánh nặng cho người ra quyết định và tiết kiệm thời gian.
Độ tin cậy cao: Do số lượng so sánh ít hơn và có một mô hình toán học để đo lường độ nhất quán, kết quả từ BWM thường có độ tin cậy và sự nhất quán cao hơn
Đơn giản và trực quan: Phương pháp này dễ hiểu và dễ áp dụng, đặc biệt với những người không có chuyên môn sâu về toán học.

Ứng dụng

BWM được ứng dụng rộng rãi trong nhiều lĩnh vực:

Quản lý chuỗi cung ứng: Lựa chọn nhà cung cấp, đánh giá rủi ro.

Phân tích rủi ro: Xác định và đánh giá các yếu tố rủi ro.

Tiếp thị: Phân tích hành vi người tiêu dùng, xác định các thuộc tính sản phẩm quan trọng.

Quản lý dự án: Ưu tiên các yếu tố thành công của dự án.

Chính sách công: Đánh giá các chính sách hoặc dự án công.

Nguồn tham khảo

https://bestworstmethod.com/
https://www.sciencedirect.com/science/article/abs/pii/S0305048314001480
https://www.sciencedirect.com/topics/social-sciences/best-worst-method
https://informatica.vu.lt/journal/INFORMATICA/article/1170/read

Chủ Nhật, 19 tháng 10, 2025

Conjoint analysis

Conjoint analysis (phân tích kết hợp) là một phương pháp nghiên cứu định lượng trong marketing, kinh tế học hành vi và khoa học quyết định, được dùng để tìm hiểu sở thích của người tiêu dùng đối với sản phẩm/dịch vụ có nhiều thuộc tính (attributes). Mục tiêu chính là hiểu được sự đánh đổi (trade-offs) mà người tiêu dùng sẵn sàng chấp nhận khi đưa ra quyết định mua hàng.

(Nguồn: https://www.predictiveanalyticstoday.com/top-conjoint-analysis-software/)

Ý tưởng cốt lõi là khi lựa chọn sản phẩm, người tiêu dùng không đánh giá từng thuộc tính riêng lẻ, mà họ cân nhắc kết hợp nhiều thuộc tính cùng lúc (giá, chất lượng, thương hiệu, màu sắc, tính năng...). Conjoint analysis mô phỏng tình huống ra quyết định bằng cách đưa ra cho người trả lời nhiều kịch bản sản phẩm giả định (combinations of attributes) và yêu cầu họ chọn lựa hoặc đánh giá mức độ ưa thích. Từ dữ liệu đó, mô hình sẽ suy ra mức độ quan trọng (importance) của từng thuộc tính và giá trị tiện ích (utility value) của từng mức thuộc tính.

Quy trình thực hiện

Quy trình thực hiện một nghiên cứu conjoint thường bao gồm các bước sau:

Xác định thuộc tính và mức độ: Chọn các thuộc tính chính của sản phẩm (ví dụ: màn hình, dung lượng pin, camera) và các mức độ khác nhau của chúng (ví dụ: màn hình 5 inch, 6 inch; pin 4000mAh, 5000mAh).
Tạo các hồ sơ (profiles): Kết hợp các thuộc tính và mức độ để tạo ra một tập hợp các sản phẩm "giả định" hoặc "hồ sơ". Ví dụ, một hồ sơ có thể là "Điện thoại A: màn hình 6 inch, pin 5000mAh, camera 48MP."
Thu thập dữ liệu: Yêu cầu người tham gia khảo sát đánh giá các hồ sơ này. Họ có thể được yêu cầu xếp hạng, xếp thứ tự, hoặc chọn hồ sơ mà họ thích nhất từ một tập hợp các lựa chọn.
Phân tích dữ liệu: Sử dụng các mô hình thống kê để phân tích câu trả lời của người tham gia. Kết quả phân tích sẽ cho biết giá trị hữu ích tương đối (relative utility) của từng thuộc tính và mức độ.
Ứng dụng kết quả: Sử dụng các giá trị hữu ích này để dự đoán lựa chọn của người tiêu dùng, tối ưu hóa thiết kế sản phẩm hoặc xác định giá bán phù hợp.

(Nguồn: https://conjointly.com/guides/what-is-conjoint-analysis/#howitworks)

Các loại Conjoint Analysis phổ biến

Traditional full-profile conjoint: người trả lời đánh giá toàn bộ profile sản phẩm.
Choice-based conjoint (CBC): người trả lời chọn một phương án trong số vài lựa chọn (giống mua hàng thực tế).
Adaptive conjoint (ACA): hệ thống chọn câu hỏi tiếp theo dựa trên câu trả lời trước (giảm số câu hỏi).
Hybrid conjoint: kết hợp nhiều cách để giảm tải cho người tham gia.

(Nguồn: https://www.statswork.com/blog/conjoint-analysis-and-its-types/)