This technique is called data envel

This technique is called data envelopement analysis(DEA) and has been used
to study the efficiency of many complex economic systems [8, 12].
In a richer DEA model than we have presented, there would be tens of inputs
and tens of outputs, as in the model of Hackman et al. [16], and it would be
impossible to analyze the community of warehouses by plotting points.
DEA has some important advantages over simple ratio-based benchmarking.
First, it assigns a single number as a score for efficiency, and most people find
this easier to comprehend than a vector of KPI’s. The score is not a simple
vote by KPI’s or anything like that, but rather arises organically from multi
dimensional comparison with a community of other warehouses. In practice,
such benchmarking can be done by a neutral third-party, who holds the data,
while users can remain anonymous if they so choose.
To work best, such benchmarking requires a large data set, preferably with
hundreds of warehouses. It also requires that participants enter accurate data,
especially because assigned scores tend to be determined by the best warehouses,
and so outliers can skew the results.

Kết quả (Việt) 1:

Kỹ thuật này được gọi là dữ liệu envelopement analysis(DEA) và đã được sử dụngnghiên cứu hiệu quả của nhiều hệ thống kinh tế phức tạp [8, 12].Trong một mô hình DEA giàu hơn chúng tôi đã trình bày, có hàng chục đầu vàovà hàng chục của kết quả đầu ra, như trong mô hình công Hackman et al. [16], nó sẽ làkhông thể để phân tích các cộng đồng nhà kho do âm mưu điểm.DEA có một số lợi thế quan trọng trên đơn giản dựa trên tỉ lệ điểm chuẩn.Đầu tiên, nó sẽ gán một số duy nhất là một số điểm cho hiệu quả, và hầu hết mọi người tìm thấynày dễ dàng hơn để hiểu hơn một vector của KPI. Điểm không phải là một đơn giảnbỏ phiếu của KPI hoặc bất cứ điều gì như thế, nhưng thay vì phát sinh hữu cơ từ multichiều so sánh với một cộng đồng các kho lưu trữ khác. Trong thực tế,như vậy điểm chuẩn có thể được thực hiện bởi một trung tính bên thứ ba, người nắm giữ các dữ liệu,trong khi người dùng có thể vẫn còn vô danh nếu họ lựa chọn.Để làm việc tốt nhất, như vậy điểm chuẩn đòi hỏi một tập dữ liệu lớn, tốt nhất là vớihàng trăm nhà kho. Nó cũng đòi hỏi những người tham gia nhập dữ liệu chính xác,đặc biệt là bởi vì điểm số được chỉ định có xu hướng được xác định bởi các kho lưu trữ tốt nhất,và vì vậy outliers có thể nghiêng kết quả.

Kết quả (Việt) 2:

Kỹ thuật này được gọi là phân tích dữ liệu envelopement (DEA) và đã được sử dụng
để nghiên cứu hiệu quả của các hệ thống phức tạp kinh tế [8, 12].
Trong một mô hình DEA giàu hơn, chúng tôi đã trình bày, sẽ có hàng chục đầu vào
và hàng chục đầu ra, như trong mô hình của Hackman et al. [16], và nó sẽ là
không thể phân tích các cộng đồng của kho bằng cách vẽ điểm.
DEA có một số lợi thế quan trọng hơn điểm chuẩn tỷ lệ dựa trên đơn giản.
Đầu tiên, nó gán một số duy nhất như một điểm hiệu quả, và hầu hết mọi người tìm thấy
dễ dàng hơn này để hiểu hơn một vector của KPI. Điểm không phải là một đơn giản
biểu quyết theo KPI hoặc bất cứ điều gì như thế, mà là phát sinh hữu cơ từ nhiều
so chiều với một cộng đồng các kho khác. Trong thực tế,
điểm chuẩn như vậy có thể được thực hiện bởi một bên thứ ba trung lập, những người nắm giữ các dữ liệu,
trong khi người dùng có thể vẫn còn vô danh nếu họ lựa chọn.
Để làm việc tốt nhất, điểm chuẩn như vậy đòi hỏi một tập dữ liệu lớn, tốt hơn với
hàng trăm kho. Nó cũng đòi hỏi những người tham gia nhập dữ liệu chính xác,
đặc biệt là bởi vì điểm giao có xu hướng được xác định bởi các kho tốt nhất,
và do đó bỏ có thể làm sai lệch kết quả.