Simulation (Mô phỏng)

Tiếng Việt · English version coming

🔍 Tổng quan

Simulation (Mô phỏng) là một kỹ thuật trong nhóm Data Analysis Techniques, được sử dụng trong quy trình Perform Quantitative Risk Analysis để mô phỏng các tình huống và kết quả có thể xảy ra của dự án khi có sự biến động trong các yếu tố đầu vào.

Thay vì chỉ tính toán một giá trị duy nhất, kỹ thuật mô phỏng cho phép xem xét hàng nghìn kịch bản khả dĩ, giúp nhóm dự án hiểu rõ phạm vi biến động của chi phí, tiến độ, hoặc hiệu suất và mức độ rủi ro tổng thể của dự án.

Phổ biến nhất là Monte Carlo Simulation, được sử dụng rộng rãi trong quản lý dự án, tài chính và kỹ thuật.

🎯 Mục tiêu sử dụng

Dự đoán kết quả có thể xảy ra với độ tin cậy xác suất cao hơn.
Hiểu rõ phân bố xác suất (Probability Distribution) của các biến đầu ra (ví dụ: chi phí, thời gian).
Đánh giá độ không chắc chắn (Uncertainty) của mô hình dự án.
Hỗ trợ ra quyết định định lượng khi lựa chọn phương án hoặc xác định mức dự phòng (Reserve).
Giúp ước tính xác suất đạt được mục tiêu (ví dụ: “Có 85% khả năng dự án hoàn thành trong 6 tháng”).

🧩 Các khái niệm cơ bản trong Simulation

Input Variables (Biến đầu vào):
Các yếu tố không chắc chắn như thời gian hoàn thành công việc, chi phí vật liệu, năng suất, tỷ giá, v.v.
Probability Distribution (Phân bố xác suất):
Mô tả phạm vi và khả năng xảy ra của các giá trị đầu vào.
- Uniform Distribution: Mọi giá trị trong khoảng đều có xác suất bằng nhau.
- Triangular Distribution: Có giá trị thấp nhất, giá trị khả dĩ nhất (most likely), và giá trị cao nhất.
- Normal Distribution: Dạng chuông, giá trị trung bình là phổ biến nhất.
Output Variables (Biến đầu ra):
Kết quả được mô phỏng — ví dụ: tổng chi phí, tổng thời gian, lợi nhuận kỳ vọng.
Iterations (Số lần mô phỏng):
Số lượng lần mô phỏng các kịch bản ngẫu nhiên (thường từ 1.000 đến 10.000 lần).

⚙️ Cách thực hiện Simulation (Monte Carlo)

Bước 1: Xác định biến đầu vào và đầu ra

Chọn các yếu tố không chắc chắn cần phân tích (ví dụ: thời gian các công việc chính).
Xác định đầu ra mong muốn (ví dụ: tổng thời gian hoàn thành dự án).

Bước 2: Gán phân bố xác suất cho từng biến đầu vào

Ví dụ:

Hoạt động

Thấp nhất (ngày)

Khả dĩ nhất

Cao nhất

Phân bố

Triangular

Bước 3: Thực hiện mô phỏng ngẫu nhiên

Sử dụng phần mềm (như @Risk, Oracle Crystal Ball, hoặc Excel add-in) để chạy hàng nghìn kịch bản.
Ở mỗi lần chạy, phần mềm sẽ chọn ngẫu nhiên giá trị cho từng biến đầu vào dựa trên phân bố xác suất.

Bước 4: Phân tích kết quả

Kết quả hiển thị dưới dạng biểu đồ phân bố đầu ra (Output Distribution) hoặc biểu đồ tích lũy xác suất (Cumulative Probability Graph).
Xác định:
- Giá trị trung bình (Expected Value)
- Độ lệch chuẩn (Standard Deviation)
- Khoảng tin cậy (Confidence Interval)
- Xác suất đạt mục tiêu (ví dụ: P80 = 80% khả năng hoàn thành trước 190 ngày)

Bước 5: Diễn giải và ra quyết định

Nếu xác suất đạt được mục tiêu thấp → cần tăng dự phòng hoặc điều chỉnh kế hoạch.
Nếu phân bố kết quả quá rộng → cần giảm biến động đầu vào (qua kiểm soát rủi ro, hợp đồng cố định giá, v.v.)

💡 Ví dụ minh họa

Bối cảnh: Dự án phát triển phần mềm có 3 giai đoạn chính: Phân tích, Phát triển, Kiểm thử.
Thời gian ước lượng (ngày):

Giai đoạn

Thấp nhất

Khả dĩ nhất

Cao nhất

Phân bố

Phân tích

Triangular

Phát triển

Triangular

Kiểm thử

Triangular

Sau khi mô phỏng 10.000 lần bằng Monte Carlo:

Thời gian trung bình: 54 ngày
Độ lệch chuẩn: ±4.5 ngày
P80 (80% khả năng hoàn thành): 59 ngày

✅ Kết luận: Nhóm PM có 80% khả năng hoàn thành dự án trong vòng 59 ngày → nên lập kế hoạch dự phòng 5 ngày.

📊 Biểu đồ minh họa

Số lần xuất hiện ↑
│        ▃▆█▇▇██▇▆▅▃
│     ▃▅█████████▆▅▃
└──────────────────────→ Thời gian (ngày)
           45    50    55    60

Phân bố kết quả mô phỏng cho thấy phần lớn dự án hoàn thành trong khoảng 50–60 ngày.

📘 Ứng dụng trong PMP

Perform Quantitative Risk Analysis: Mô phỏng tác động của rủi ro lên chi phí và tiến độ.
Estimate Costs / Durations: Xác định phạm vi biến động chi phí hoặc thời gian.
Plan Risk Responses: Lựa chọn chiến lược tối ưu dựa trên xác suất và tác động mô phỏng.
Determine Contingency Reserves: Tính toán mức dự phòng (P80, P90) dựa trên kết quả mô phỏng.

⚙️ Lợi ích

Cho phép đánh giá rủi ro định lượng chính xác và khách quan hơn.
Hỗ trợ ra quyết định dựa trên xác suất, thay vì chỉ một giá trị ước lượng duy nhất.
Xác định mức dự phòng hợp lý cho thời gian và chi phí.
Cải thiện độ tin cậy của dự báo và lập kế hoạch.

⚡ Lưu ý khi áp dụng

Cần có dữ liệu đầu vào đáng tin cậy và phân bố xác suất hợp lý.
Tránh nhập giá trị cảm tính — nên dựa vào dữ liệu lịch sử hoặc chuyên gia.
Kết quả mô phỏng không phải dự đoán tuyệt đối, mà là khoảng xác suất tham khảo.
Kết hợp với Sensitivity Analysis để xác định yếu tố nào ảnh hưởng mạnh nhất đến kết quả mô phỏng.

📎 Tải Template

👉 Bạn có thể tải Simulation (Monte Carlo) Template (bao gồm mô hình mẫu và biểu đồ phân bố kết quả) tại:
🔗 https://nguyenhainam.info/pm-toolbox/