数据模型与决策课程总结
大数据模型与决策课程案例分析报告
大数据模型与决策课程案例分析报告在当今数字化时代，大数据已经成为企业和组织决策的重要依据。
大数据模型与决策课程为我们提供了深入理解和应用大数据分析的方法和工具，通过实际案例的研究和分析，我们能够更直观地感受到大数据在解决实际问题和制定决策中的强大作用。
一、案例背景本次案例选取了一家电商企业，该企业在市场竞争中面临着诸多挑战，如客户流失率较高、销售增长缓慢、库存管理不善等。
为了改善经营状况，企业决定利用大数据分析来制定更有效的决策。
二、数据收集与处理企业首先收集了大量的内部数据，包括客户的购买记录、浏览行为、评价信息等，以及外部数据，如市场趋势、竞争对手的表现等。
这些数据来源多样、格式各异，需要进行清洗、整合和转换，以确保数据的质量和一致性。
在数据处理过程中，采用了数据挖掘技术，剔除了无效和重复的数据，并对缺失值进行了合理的填充。
同时，将不同数据源的数据进行了关联和整合，构建了一个全面、准确的数据集。
三、模型选择与建立针对企业的问题，选择了合适的大数据模型。
对于客户流失预测问题，采用了逻辑回归模型。
通过对历史数据的分析，确定了影响客户流失的关键因素，如购买频率、消费金额、客户服务满意度等，并建立了相应的预测模型。
对于销售预测，使用了时间序列模型。
考虑了季节因素、促销活动等对销售的影响，通过对历史销售数据的建模和分析，能够较为准确地预测未来一段时间内的销售趋势。
在库存管理方面，运用了优化模型，以最小化库存成本和满足客户需求为目标，确定了最佳的库存水平和补货策略。
四、模型评估与优化建立模型后，需要对其进行评估和优化。
通过使用测试数据集对模型进行验证，计算了准确率、召回率、F1 值等指标，评估模型的性能。
对于表现不佳的模型，进一步分析原因，可能是数据质量问题、特征选择不当或者模型参数设置不合理等。
通过调整模型参数、增加特征变量或者重新选择模型，对模型进行优化，以提高其准确性和实用性。
五、决策制定与实施基于大数据模型的分析结果，企业制定了一系列决策。
《数据模型与决策》课程学习心得报告3300字
《数据模型与决策》课程学习心得报告目录《数据模型与决策》课程学习心得报告 (1)一、R起源 (1)二、对R语言的理解 (2)三、R语言的数据决策应用 (3)四、激发了我对统计软件的浓厚兴趣 (4)五、促使我思考模型预测在企业中的应用 (4)时代在前进，人们的学习理念在不断更新，R语言的学习应用能够为我们提供自己创建自己需要的应用信息拥有可以提出问题和解决问题的机会。
这次R 语言学习心得体会总结可以帮助自己在问题解决的过程中得到学R语言、用R 语言的实际体验，从而加深对学习的理解，促进自己学习素质的全面提高。
本人在学习R语言的课程之后，深入了解R语言的学习意识与语言应用的设计意图，并且通过自己所学习的R语言的学习方法解决实际问题。
R语言是一个极其全面的统计研究和可进行交互式数据分析和探索的强大平台，拥有顶尖水准的制图工具。
这一点后起之秀的Python显得比较单薄，特别是对于可视化这一部分，虽然Python有一些不错的可视化库，如Seaborn，Bokeh 和Pygal。
但相比于R，呈现的结果并不总是那么顺眼。
所以靠着统计学吃饭的同学，R是必须掌握语言，Python作为爱好比较合适。
在我所学习的R语言中，Rpackage起到了至关重要的作用：Rpackage就是R函数、数据、预编译代码以一种定义完善的格式组成的集合。
可以说这个是最让人开心的一部分了，因为正是由于包的存在，使得编译人员可以通过可选模块的下载和安装来实现很多功能。
目前来说，拥有2500多个包的用户贡献模块可以通过相关网址的下载。
这些包提供了横跨各种领域、数量惊人的新功能，包括分析地理数据、处理蛋白质质谱，甚至是心理测脸分析的功能。
以下是我总结的学习心得。
一、R起源R是S语言的一种实现。
S语言是由AT&T贝尔实验室开发的一种用来进行数据探索、统计分析、作图的解释型语言。
最初S语言的实现版本主要是S-PLUS。
S-PLUS是一个商业软件，它基于S语言，并由MathSoft公司的统计科学部进一步完善。
决策数学知识点总结
决策数学知识点总结决策数学是运用数学方法和模型研究决策问题的一门交叉学科。
它将数学的思维方式和技巧运用到决策问题的建模、分析和解决过程中，帮助决策者做出科学、合理的决策。
本文将围绕决策数学的主要知识点进行总结，包括决策模型、决策分析、风险管理、优化理论等方面的内容。
一、决策模型1. 决策树模型决策树模型是一种常用的决策分析方法，它通过构建决策树来描述决策问题的各种可能的决策选择和结果，以及它们之间的关系。
决策树模型可以帮助决策者更直观地理解决策问题，从而做出更科学、更有效的决策。
2. 马尔可夫决策过程马尔可夫决策过程是描述在某种随机环境下，决策者为了达到某种目标而采取不同行为的一种数学模型。
它通过建立状态、决策和转移概率等要素的数学关系来描述决策问题，从而找到最优的决策策略。
3. 线性规划模型线性规划模型是一种常用的优化模型，它将决策问题转化为一个线性约束条件下的最优化问题，即通过确定决策变量的取值来最大化或最小化某种目标函数。
线性规划模型在实际应用中有着广泛的应用，包括生产调度、资源配置、运输优化等领域。
二、决策分析1. 决策目标设定决策目标设定是决策分析的第一步，它涉及到对决策问题的目标、约束条件和评价指标等方面的明确定义和量化，从而为后续的决策分析提供基础。
2. 决策风险评估在进行决策分析时，需要对决策问题的风险进行评估，包括确定风险的可能性和影响程度，从而为决策者提供科学的风险管理建议。
3. 决策方案评价决策方案评价是决策分析的核心环节，它通过对各种决策方案的优劣进行定量分析和比较，从而为决策者提供最优的决策建议。
三、风险管理1. 风险度量与分析风险度量与分析是对决策问题中各种风险因素进行量化和分析的过程，包括确定风险的可能性、影响程度和相互关联等方面的内容。
2. 风险控制与规避在面临各种风险时，决策者需要采取相应的控制和规避措施来降低风险的发生和影响，包括风险的传播路径、控制措施和应急预案等内容。
数据模型与决策学习体会
《数据模型与决策》课程学习体会“数据、模型与决策”,瞧这个名字给人的感觉就是既理论又实践还颇有些高深。
所谓的数据模型与决策就就是管理科学的另外一种称呼方式。
管理科学(mangement science),它包含了管理与科学两门课程的内容,或者说就是管理的科学。
如果这个定义还就是非常的模糊,那么还可以这么解释,它就就是对与定量因素有关的管理问题通过应用科学的方法进行辅助管理决策制定的一门科学。
再说的通俗一些,就就是将管理过程中出现的定量问题,运用科学的方法,建立相应的模型进行分析,从而为管理者提供决策的依据。
我在课程学习过程中感受到其实质内容主要就是线性规划模型与概率统计(检验、估计),内容主要包括统计学与数据模型决策两部分。
我自己以前没有学过线性规划,所以感觉课程的这部分就是成功的,通过课程的学习懂得了高级线性规划与应用。
统计学主要讲授数据收集方法与数据处理方法,包括抽样方法、样本分布、参数估计、置信区间、假设检验、方差分析与回归分析。
数据模型决策主要讲述线性规划内容,包括线性规划模型的建立、求解模型的软件使用。
通过该课程学习我了解与掌握数据、模型与决策的基本原理、基本方法及其在管理决策中的广泛应用,提升了计算机数量分析的应用分析能力。
统计决策的思想贯穿了企业管理的始终,对各种决策方案进行科学评估,为管理决策服务,使得企业管理者更有效合理地利用有限资源。
优胜劣汰,适者生存,这就是自然界的生存法则,也就是企业的生存法则。
只有那些能够成功地应付环境挑战的企业,才就是得以继续生存与发展的企业。
作为企业的管理者,把握并运用好数据模型与决策的理念定会取得“运筹帷幄之中,决胜千里之外”之功效。
一、企业发展原则与战略管理企业战略管理就是企业在宏观层次通过分析、预测、规划、控制等手段,充分利用本企业的人、财、物等资源,以达到优化管理,提高经济效益的目的。
随着我国经济市场化的日益加深,市场竞争日趋激烈,我国企业面临着更多的环境因素的影响与冲击。
数据模型与决策
数据模型与决策
1、数据
数据是指信息的统计和收集，是有效运用智能信息处理技术的结果，
它是现代社会信息化的重要基础。
它为企业的决策、市场的发展、技术的
改进提供了有力的支持。
数据的处理方式包括数据收集、数据清洗、数据
可视化、数据分析、数据建模等。
2、模型
模型是指建立在系统的语境下，用于表达系统特性、动态特性、内部
关系等方面信息的数学或者计算机工具。
它是一种创造性的抽象概念，用
于表达特定系统的结构和特征，以便更好地理解和把握系统的特征。
建立
模型强调从实践中总结出一些规律，从而使智能系统能更好地应用于实际
问题的解决中，从而解决实际问题。
3、决策
决策是指对一些问题的明确选择，使用数据收集和分析、模型建拟等
科学手段，根据可依赖的理论或假设，经过分析和评估，来确定选择一些
解决方案的过程。
也就是根据相关数据和模型，指导企业决策的过程。
通
过选择正确的决策方案，满足企业发展的需要，并实现企业的可持续、可
控制的发展。
总之，数据、模型与决策三者在企业发展过程中具有十分重要的作用。
数据分析与决策总结
数据分析与决策总结在当今数字化的时代，数据已经成为了企业和组织最为宝贵的资产之一。
通过对数据的分析，我们能够获取有价值的信息，从而为决策提供有力的支持。
数据分析与决策之间的关系紧密相连，正确地进行数据分析能够显著提升决策的质量和效果。
数据分析的目的在于从大量的数据中提取出有意义的模式、趋势和关系。
这些信息可以帮助我们了解过去发生了什么，预测未来可能会发生什么，以及为什么会发生这些情况。
为了实现这一目标，我们需要运用各种技术和工具，对数据进行收集、整理、清洗、分析和可视化。
数据收集是数据分析的第一步，也是至关重要的一步。
我们需要确定需要收集哪些数据，以及从何处收集这些数据。
数据的来源可以是内部的业务系统，如销售记录、客户信息等，也可以是外部的数据源，如市场调研、行业报告等。
在收集数据的过程中，我们需要确保数据的准确性和完整性，否则后续的分析将会出现偏差。
数据整理和清洗是为了将收集到的数据转化为可用的格式，并去除其中的错误和重复信息。
这是一个繁琐但必要的步骤，因为原始数据往往存在各种问题，如缺失值、异常值、格式不一致等。
通过数据整理和清洗，我们可以提高数据的质量，为后续的分析打下坚实的基础。
数据分析的方法多种多样，包括描述性分析、诊断性分析、预测性分析和规范性分析等。
描述性分析主要用于总结数据的特征，如平均值、中位数、标准差等。
诊断性分析则用于探究数据之间的关系，找出导致问题的原因。
预测性分析通过建立模型，对未来的趋势进行预测。
规范性分析则在预测的基础上，为决策提供最优的解决方案。
数据可视化是将分析结果以直观的图表形式展示出来，以便于决策者能够快速理解和掌握。
好的数据可视化能够让复杂的数据变得清晰易懂，帮助决策者发现数据中的规律和趋势。
常见的数据可视化工具包括 Excel、PowerBI、Tableau 等。
在完成数据分析之后，我们就可以利用分析结果来支持决策。
决策是一个复杂的过程，需要考虑多个因素，如成本、收益、风险、市场环境等。
数据模型与决策学习体会.doc
《数据模型与决策》课程学习体会“数据、模型与决策”，看这个名字给人的感觉是既理论又实践还颇有些高深。
所谓的数据模型与决策就是管理科学的另外一种称呼方式。
管理科学（mangement science），它包含了管理和科学两门课程的内容，或者说是管理的科学。
如果这个定义还是非常的模糊，那么还可以这么解释，它就是对与定量因素有关的管理问题通过应用科学的方法进行辅助管理决策制定的一门科学。
再说的通俗一些，就是将管理过程中出现的定量问题，运用科学的方法，建立相应的模型进行分析，从而为管理者提供决策的依据。
我在课程学习过程中感受到其实质内容主要是线性规划模型和概率统计（检验、估计），内容主要包括统计学和数据模型决策两部分。
我自己以前没有学过线性规划，所以感觉课程的这部分是成功的，通过课程的学习懂得了高级线性规划和应用。
统计学主要讲授数据收集方法和数据处理方法，包括抽样方法、样本分布、参数估计、置信区间、假设检验、方差分析和回归分析。
数据模型决策主要讲述线性规划内容，包括线性规划模型的建立、求解模型的软件使用。
通过该课程学习我了解和掌握数据、模型和决策的基本原理、基本方法及其在管理决策中的广泛应用，提升了计算机数量分析的应用分析能力。
统计决策的思想贯穿了企业管理的始终，对各种决策方案进行科学评估，为管理决策服务，使得企业管理者更有效合理地利用有限资源。
优胜劣汰，适者生存，这是自然界的生存法则，也是企业的生存法则。
只有那些能够成功地应付环境挑战的企业，才是得以继续生存和发展的企业。
作为企业的管理者，把握并运用好数据模型与决策的理念定会取得“运筹帷幄之中，决胜千里之外”之功效。
一、企业发展原则与战略管理企业战略管理是企业在宏观层次通过分析、预测、规划、控制等手段，充分利用本企业的人、财、物等资源，以达到优化管理，提高经济效益的目的。
随着我国经济市场化的日益加深，市场竞争日趋激烈，我国企业面临着更多的环境因素的影响与冲击。
数据分析与决策工作总结
数据分析与决策工作总结在过去的一年里，我一直在公司从事数据分析与决策的工作。
通过对大量数据的收集、整理和分析，以及与团队成员的合作，我取得了一定的成果。
下面我将就我的工作进行总结，以便更好地复盘自己的工作经验，并希望给其他人提供一些有用的参考。
一、数据收集与整理数据分析的第一步是收集和整理数据。
我通过与不同部门的同事合作，以及利用内部和外部的数据源，收集了大量的数据，包括销售数据、市场调研数据、客户反馈数据等等。
在收集数据的过程中，我积极与同事进行沟通，并利用相关软件和工具进行数据的整理和清洗，以确保数据的准确性和完整性。
二、数据分析与挖掘在数据收集和整理完成后，我开始对数据进行深入分析和挖掘。
通过使用数据分析工具和编程语言，我能够更好地理解和解读数据，发现数据背后的规律和趋势。
我利用统计分析方法和机器学习算法，对销售数据进行预测和趋势分析，对市场调研数据进行主题分析和情感识别，对客户反馈数据进行关联性分析和问题挖掘。
通过这些数据分析的工作，我能够提供给公司的决策者更准确的数据支持，并帮助他们做出更明智的决策。
三、报告与可视化展示数据分析的结果只有在有效地呈现给决策者时才能发挥作用。
因此，我在数据分析的过程中，注重将分析结果进行报告和可视化展示。
我利用数据可视化工具，如Tableau和Power BI等，创建了各种图表和仪表盘，以清晰地传达数据的意义和洞察。
此外，我还编写了详细的报告，对数据分析的过程、结果和结论进行了解释和说明。
通过这种方式，我能够帮助决策者更好地理解数据，更好地利用数据做出决策。
四、团队合作与协调作为一个数据分析师，我不仅仅是独自工作，还需要与其他团队成员进行紧密的合作与协调。
在过去的一年里，我与销售团队、市场营销团队和产品团队等密切合作，共同完成了一些重要的数据分析项目。
在与团队成员合作的过程中，我学会了倾听和理解他们的需求和问题，同时也积极分享我的专业知识和经验，以便更好地解决问题和完成任务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
学习总结（期中论文）我们所用的教材叫做《数据、模型与决策》，我记得老师第一天给我们上课就提到过一些基本的概念以及思想，例如“什么是管理”；“什么是模型”；“如何对实际问题简化”等等。
在这其中我认为非常重要的有以下几点：首先，管理的最初根源是因为资源是有限的。
如何将有限的资源进行合理配制、优化从而达到最大的效益是我们应该要去注意的问题。
其次，数学问题是有最优解的，当我们给定了一个确定的数学问题我们能够得到一个确定的解，但当我们在研究一个给定的现实管理问题的时候，我们是很难去找到一个最优解的，甚至可以说，管理问题是没有最优解的。
（这不同于我们平时所做的运筹学等问题，因为我们平时所做的问题都已经经过了很多的化简，已经把现实管理问题进行了抽象，与其说那些问题是一个管理问题不如说它们是数学问题）这是因为现实中的管理问题比较复杂，具有很强的不确定性，我们只能是抓住主要矛盾，暂且不考虑次要矛盾。
（当然了，当我们已经解决了主要矛盾之后我们可以开始考虑次要矛盾，因为这个时候次要矛盾已经上升为主要矛盾了。
）所以我们去寻找的是管理问题的满意解而不是最优解。
这两点在后面的学习建模中得到了很好的验证。
我们之前的学习大多是倾向于解决一个数学问题而不是一个管理问题。
这一门课之所以在大三才开设我认为有其道理，在没有掌握基本的数学基本知识之前，我们是不可能很好地解决管理问题的，因为我们解决一个管理问题是先将其转化为一个可以解决的数学问题。
但是并不是说我们掌握了高数、运筹学等知识就能顾很好的解决管理问题，因为如何把现实存在复杂的管理问题转化成为我们可以解决的数学问题正是这门课的核心内容之一。
以企业的生产计划安排作为例子，总结一下应用现行规划建模的步骤：●我们的问题是什么？（如何安排生产）如何组合不同产品的生产、生产的种类。
●我们能做什么？（不同产品的生产数量）明确决策变量，也就是管理中可以人为设定的要素。
●确定决策的准则（利润最大化、成本最小化、社会责任最大化）根据决策变量写出目标函数。
●讨论决策环境（环境的约束）决策环境包括：1、组织内部环境要素 2、组织外部环境要素这其中有几点需要特别注意：●企业的决策准则并不是一成不变的，它会受到很多方面的影响，例如：1、管理者的理念 2、组织目标相关程度 3、外部环境的变化等。
●对于管理者来说，越高层的管理越复杂越宏观，处理起来也相对困难。
而底层的管理问题相对简单。
●（利润最大化≠成本最小化）虽然我们可以简单地理解为：利润=数量*（售价-成本）-固定成本。
但利润最大化与成本最小化并不相同，这其中还有售价的变化等等。
例如给定生产数量要求，企业在满足数量的基础上，就是去追求一个成本最小化而不是利润最大化。
●企业外部环境要素我们认为是一个硬约束，因为它比较难通过企业自身去改变，至少很难在短时间内大幅度地去改变外部环境，例如国家相应的一些法律法规政策。
而企业内部的一些环境约束我们认为是软约束，因为它可以通过招收工人，购买机器等等去改变这些限制条件。
建立并求解相应的问题之后我们会得到一些数据，我们应该将每个数据的含义都表示清楚，并提交一份完整的决策报告，包括对现状的评述以及对未来的变化情况提供补救方案。
一份满意的决策报告并不是单一的，它应当具有一定的适应性和稳定性，就如同老师所说，产品的售价随着市场的波动是时刻变动的，我们不可能因为一点点波动就重新建模计算，我们应当在决策报告中进行相应的说明，将一些可能存在的变动以及变动后的决策情况写清楚。
每个数据的含义说明也绝不仅仅是“这个变量是紧约束”，而应该更为清晰地写为：“管理的关键是1-2环节”或者“如果可以新培训工人建议在1-2环节进行培训”等。
这里还需要注意几个问题，首先这里我们考虑的都是单变量，我们应当结合边际效益递减的规律来进行决策。
其次，传递效应是非线性的，（A、B商品的利润同时改变并不等于单个A改变加上单个B改变，两个因素若不独立，就具有相互效应，这也是动态复杂性的一种表现）我们应该尽可能完善我们的决策报告使得管理者可以更好地做出决策。
多地生产问题也是我们经常遇见的一种题型，单一产品的多地生产供应，需要考虑不同产地生产的数量以及单位成本。
但是我们在这个模型里也做了相应的简化，我们只考虑了不同地域的生产成本，并没有去考虑不同地域的需求从而推算出不同地域的总运费。
另外，如何选择生产地也是一个非常重要的问题。
（如果可以新增，应该增加几个产地，每个产地的选址应该是什么样子的）我们在大二时学习过一门课程叫做《市场营销学》，而这里我们也涉及到了“线性规划在市场营销、财务和运作管理领域的应用”。
市场营销学中很重要的一个部分就是宣传，以书上案例为例，在媒体选择方面，我们需要注意：●宣传媒体的选择，各类媒体的使用量●如何去测定所谓的宣传效果（质量单位）（可以说这一点非常重要，是影响最终决策的好坏的最关键因素之一）●外部资源的可用性及内部资源的有限性●如何在活动的过程中体现出决策者的理念（偏好）综合以上几点我们通过建模，可以给出一份包括：选择哪些媒体、每类媒体的选择数量、总的需要资金、总的宣传成果效用（这个只是一个相对的数值，在决策过程中提供一个比较的标准）线性规划在财务和运作管理中也有很多应用，例如财务运用的投资组合，通过求解我们会发现合理安排财务的计划可以为企业节省很多成本，减少了占用的资金，为企业的发展提供了更多的可能。
而生产运作管理也是我们本学期正在学习的一门课。
在满足顾客的需求之下，成本最小，我们需要去分析产品成本的构成，包括：●生产成本（短期原材料、人力价格不变的情况下，生产成本不变，每一种产品在每个月的单位生产成本）●库存成本（每一种产品在每个月的库存成本）●管理成本（狭义的管理成本指由于生产活动的调整带来成本上升的部分，每个月产品总量增加单位产品的管理成本以及减少）通过这样的主要关系我们可以写出其目标函数，并根据实际来写出各约束。
（这也就证明了我们必须要在具有一定的专业知识的基础上再来学习这一门课程，因为没有一些基础知识的情况下，我们很难写出具体的目标函数和约束，例如这里如果没有相应的基础知识就不能够写出成本的函数了，也不清楚成本的主要构成项目）在高级线性规划应用中我们介绍了一种测量相同目标和目的的工作单位相对效率中的一种应用——DEA（数据包络分析）（当然除此还有其他的方法，比如非常经典的AHP也就是层次分析法）DEA方法的中心思想也就是：管理收益/管理成本（人财物），我们构建了一个假设的合成单位，然后通过与合成单位进行比较来判断该单位是否高效，哪些地方存在问题，这也解决了分析效率高低时没有“参照物”的问题。
高级线性规划也被应用到收益管理中。
我们首先要知道不同商品的价格趋势是不同的。
以毛衣和电视机为例比较。
毛衣的价格一路走低而电视机的价格却呈现上下波动的状态。
这是因为毛衣具有季节性。
可能会因为使用时间，时尚型，过时等进行降价。
降价商品的特征：库存（或者能力）是固定的；库存必须在过期前卖完，否则其价值迅速下降。
（当然，长时间的情况下电视机的价格也是呈现下降趋势的，我们这里以一年为例）由此可以看出，不同商品的价格波动规律完全不同，我们一定要在理解其波动的基础上进行建模处理。
收益管理的主要问题有：选择传统定价，差别定价，还是有限供应定价，能力的分配、网络管理、超订情况的处理。
降价优化的要点是：寻找价格下降的合适时机和幅度，从而清楚库存并获得最大收益。
高级线性规划应用中同样也包括投资组合。
我们首先要注意一点：管理区别于经济，就是因为管理对投资主体的个人态度研究比较深入，而大部分经济管理问题简单地将主体的态度默认为风险规避即风险厌恶者。
这里的投资组合并不是“最大化”问题，而是一个寻找一个“满意解”的问题。
我们需要考虑三个方面：●项目的收益●项目的风险●主体的态度（风险偏好：风险爱好者，风险中立者，风险厌恶者）我们这里与资产市场相比，实体市场的风险相对较小。
我们投资于未来，所以具有不确定性，这里主要通过连贯性来判断，统计学时间序列向量。
指数化证券投资基金是共同基金行业中相当流行的投资手段，书中的例子是用了普尔500收益用来作为对比。
我记得当时下课我曾问过老师，有时候从五年来看，一个投资的收益率更高，一个更低，但根据这个方法我们却选择了收益低的那一个，这样是不是很不科学？其实并不是的，我们必须要有一个理念，也就是收益永远跟风险成正比。
首先不论那些数据只是我任意假定的，就算是真的，也只是五年，虽然这五年的收益也许她更高，但其实它背后的风险也很大，只不过正好这几年正好都碰巧盈利而已。
也许能对书中的一些模型方法提出自己的意见很好，至少说明我认真去看了，但这其实从另一方面来说，会产生这样的疑问，还是我经济学基本概念没有深深记在心里的后果。
在以上的研究基础上，我们注意到，对有些问题来说，例如包装人数、产品数等，这里的小数解没有意义，所以我们需要用到整数线性规划。
（当然，像飞机、航空母舰这样的东西肯定是有意义的）整数线性规划分为三种：全整数线性规划、混合整数线性规划、0-1整数线性规划。
我们可以根据具体需要进行使用。
通过对Par公司的再思考，我们又引入了非线性最优化模型。
有两个概念需要区分：●局部最优：如果没有其他有更好目标函数值的可行解可以在邻近域里找到，这个可行解就是局部最优的。
对应局部最大值以及局部最小值。
●全局最优：非线性最优化问题能有多个局部最优解，如果没有其他有更好目标函数值的可行解在可行域中找到，这个可行解就是全局最优。
相对应全局最大值和全局最小值。
以par公司为例，其实我们最初的决策比较简化，对实际的决策来说参考价值不高，我们假定的利润是一成不变的，这在实际问题中是非常苛刻甚至根本不可能达到的条件。
但同样的，当我们希望更真实更实际之后，我们的建模求解过程也会更加复杂，我们应当在两者之间找到平衡点，在自己力所能及的范围内做到最好。
这里还涉及到一个非常有趣的预测模型——BASS模型。
Bass模型通过模仿系数以及创新系数来进行预测。
为管理者的决策提供了一些帮助，例如如何设计产品可能会激发更多的潜在消费者，如何进行市场营销（高广告还是低广告），如何根据以前的经验来指导现行决策等。
等候线模型——排队论在我们的日常生活中应用非常常见，例如商场的结账点的数目、食堂用餐的座位等等。
排队论的目的就是使得费用最小，这里的费用包括两部分：1、服务费用2、用户成本（我们认为用户成本会以某种方式回到公司）其是通过研究主要数量指标在瞬时或平稳状态下的概率分布及其数字特征，了解系统运行的基本特征。
统计推断问题，建立适当的排队模型是排队论研究的第一步（检验系统是否达到平衡状态，检验顾客相继到大的独立性，确定服务时间的分布及相关参数）通过输入：●顾客总人数●顾客源●顾客到达方式●顾客流的概率分布来确定：1、最优的服务率2、最佳的服务台数3、最为合适的服务规则。