ماهیت قوت و ضعف به درون سازمان مربوط می شود و فرصت و تهدید معمولاً محیطی هستند.قوت های سازمان همان منابع و توانایی هایی است که سازمان در اختیار دارد و می تواند از آنها به منظور ایجاد یک مزیت رقابتی استفاده کند. موارد زیر می توانند از قوت های شرکت به حساب آیند :اختراعات ثبت شده شرکت، نام تجاری و برند شناخته شده، شهرت در بین مشتریان، مزیت در قیمت تمام شده، دسترسی اختصاصی به منابع طبیعی، دسترسی به شبکه های توزیع مناسب، نیروی انسانی کارآمد و آموزش دیده.
نبودن بعضی از توانایی های کلیدی در سازمان می  تواند به عنوان یک ضعف در سازمان تلقی شود. موارد زیر می توانند از ضعفهای شرکتها باشند:عدم پشتیبانی و حفاظت از اختراعات، نام تجاری و برند ضعیف، ناشناخته بودن در بین مشتریان، ساختار پر هزینه در شرکت، عدم دسترسی به منابع، عدم دسترسی به شبکه های توزیع، نیروی انسانی ناکارآمد. نکته ی حایز اهمیت در اینجا امکان تبدیل شدن ضعفها و قوت ها به یکدیگر در شرایط گوناگون است. برای مثال ظرفیت تولید بالا می تواند یک مزیت و قوت برای شرکت محسوب شود اما همین ظرفیت بالا در شرایط رکود و تغییرات تکنولوژیکی می تواند باعث کاهش چابکی شرکت گردد و به آن لطمه وارد کند.

شناسایی و بررسی دقیق محیط خارجی می تواند فرصتهای جدیدی را برای مدیران شرکت نمایان سازد و همین فرصتها می توانند آغازگر مسیر جدیدی برای توسعه و رشد باشند، فرصتها می توانند شامل موارد زیر باشند:نیاز برطرف نشده مشتری، ظهور تکنولوژی های جدید، کم شدن محدودیت های قانونی، حذف موانع تجارت جهانی.
تغییر در متغیرهای خارجی و محیطی می تواند تهدید هایی را برای شرکت در  پی داشته باشد. مواردی چون :تغییر در سلیقه ی مشتری که باعث فاصله گرفتن او از محصولات ما می شود، ظهور محصولات جایگزین پر قدرت، افزایش محدودیت های تجاری
به هر حال شرکت نباید منتظر به وجود آمدن فرصتهایی استثنایی در محیط خارجی باشد، بلکه باید تلاش کند تا با تقویت قوت های درونی اش مزیت رقابتی جدیدی را برای شرکت یا سازمان خلق کند. خلق این مزیت های رقابتی از طریق هماهنگی بین قوت ها و توانایی های درون سازمانی و فرصتهای کوچک یا بزرگ خارجی است. حتی در برخی مواقع، اهمیت فرصت خارجی به قدری است که سازمان انگیزه ی لازم برای غلبه بر یک ضعف داخلی را نیز پیدا خواهد کرد.
برای توسعه ی این استراتژیها، یعنی همان استراتژیهایی که باعث هماهنگی قوت های درون سازمانی با فرصتهای محیط خارجی است، می توان از ماتریس SWOT بهره برد. این روشدر صورت شناخت دقیق و به کارگیری صحیح برای کسب و کارهای کوچک و متوسط بسیار کارآمد خواهد بود. شاید حتی بتوان از این ابزار برای تعیین استراتژیهای شخصی و زندگی افراد نیز بهره برد.
ابتدا لازم است لیستی از قوتها، ضعفها،تهدیدها و فرصتها را آماده کنیم، به این لیست پروفایل SWOTمی گویند(شکل ۳-۳).

شکل ۳-۳ . ماتریس سوات
استراتژی های حاصل از این ماتریس به قرار زیر می باشد:
۱- راهبردهای تدافعی (WT): یک استراتژی کاملاً دفاعی است که مانع آسیب دیدن شرکت به علت ضعفهایش از تهدیدات محیط خارجی می شود. هدف کلی راهبرد دفاعی یا حداقل- حداقل، که می‌توان آن را “راهبرد بقا” نیز نامید، کاهش ضعف‌های سیستم برای کاستن و خنثی‌سازی تهدیدها است. در این راهبردها تأکید بر رفع آسیب‌پذیری منطقه مورد مطالعه است.
۲- راهبردهای بازنگری یا انطباقی (WO): غلبه بر ضعفها به منظور استفاده از فرصتها است.راهبر انطباقی یا راهبرد حداقل - حداکثر، تلاش دارد تا با کاستن از ضعف‌ها بتواند حداکثر استفاده را از فرصت‌های موجود ببرد. یک سازمان ممکن است در محیط خارجی خود متوجه وجود فرصت‌هایی شود ولی به واسطه ضعف‌های سازمانی خود قادر به بهره‌برداری از آن نباشد. در چنین شرایطی اتخاذ راهبرد انطباقی می‌تواند امکان استفاده از فرصت را فراهم آورد.
۳- راهبردهای اقتضایی یا تنوع (ST): این راهبرد مبتنی بر حداکثر - حداقل در تنوع بخشی بر نقاط قوت درونی و تهدیدهای بیرونی متمرکز بوده و بر پایه بهره گرفتن از قوت‌های سیستم برای مقابله با تهدیدات تدوین می‌شود و هدف آن به حداکثر رساندن نقاط قوت و به حداقل رساندن تهدیدات است. با این وجود از آنجا که تجارب گذشته نشان داده است که کاربرد نابجای قدرت می‌تواند نتایج نامطلوبی به بار آورد هیچ سازمانی نباید به طور نسنجیده از قدرت خود برای رفع تهدیدات استفاده کند.

4. 4. راهبردهای رقابتی/ تهاجمی (SO): استراتژیهایی هستند که در پی استفاده از فرصتها می باشند و به خوبی با توانایی های سازمان هماهنگی دارند.در این راهبردها تمرکز بر حداکثر - حداکثر نقاط قوت درونی و فرصت‌های بیرونی استوار است که اصولاً تمام سیستم‌ها خواهان چنین وضعیتی هستند که قادر باشند همزمان قوت و فرصت‌های خود را به حداکثر برسانند. بر خلاف راهبرد دفاعی که یک راه حل واکنشی است راهبرد تهاجمی یک راه حل کنشگر است. در چنین وضعیتی سازمان با بهره گرفتن از نقاط قوت خویش برای گسترش بازار تولیدات و خدمات خود گام برمی‌دارد(گلکار، ۱۳۸۴: ۵۳).

چکیده کار در این مدل، به صورت زیر است:

• • با استفاده استفاده از فرایند مصاحبه و پرس و جو از مسئولین، کارشناسان و صاحبنطران سازمان یا منطقه ای که می خواهید برنامه راهبردی تعیین کنید (یا با بهره گرفتن از اشراف خودتان بر موضوع)، نقط ضعف و قوت و فرصتها و تهدیدها را تعیین کنید.

• • از طریق یک پرسشنامه از کارشناسان، به هر یک از عوامل درونی و بیرونی که تعیین کردید، ارزش و یا ضریب می دهید.

• • سپس از طریق پرسشنامه، این شاخصها و عوامل را از ۱ تا ۴ بر اساس میزان ارزش آنها رتبه بندی می کنید و در نهایت با ضرب رتبه در ضریب، ارزش نهایی هر عامل را تعیین می کنید. جمع ارزش ها و نمرات، ارزش نهایی هر یک از عوامل چهارگانه (نقاط ضعف و قوت، تهدیها، فرصتها) محاسبه می شود.

• • حال بر اساس این عوامل و البته ارزش ها، چهار نوع راهبرد مختلف برای موضوع یا سازمان یا منطقه مورد مطالعه تعیین می کنیم. این راهبردها باید ترکیبی از عوامل مختلف باشد.

در نهایت با بهره گرفتن از ارزش نهایی هر یک از عوامل چهارگانه، در یک محور تعیین می کنیم که راهبردهای تعیین شده عموما از چه نوعی و در چه مسیری باید تعیین شوند.
۳-۸-۲٫ مدل تاپسیس^[۱۱۸]
تاپسیس به عنوان یک روش تصمیم‌گیری چند شاخصه^[۱۱۹]، روشی ساده ولی کارآمد در اولویت‌بندی محسوب می‌گردد. مدل تاپسیس m گزینه را بر اساس n معیار رتبه بندی می کند. این روش اولین بار در سال ۱۹۹۲ توسط چن و هوانگ^[۱۲۰]در سال ۱۹۸۱ مطرح شده است(منظری حصار و محقر،۱۳۸۴: ۷۵ به نقل از موسوی و حسنی، ۱۳۹۰).
تکنیک تاپسیس جزو مدل‌های جبرانی (مدل‌هایی که در مبادله‌ی بین شاخص‌ها مهم است) و از زیرگروه سازشی^[۱۲۱] (در مدل‌های زیرگروه سازشی، گزینه‌ای ارجح خواهد بود که نزدیک‌ترین گزینه به راه‌حل ایده‌آل است) می‌باشد (اصغرپور، ۱۳۸۷: ۲۷۰-۲۱۳).
الگوریتم Topsis یک تصمیم‌گیری چند شاخصه جبرانی بسیار قوی برای اولویت‌بندی گزینه‌ها از طریق شبیه نمودن به جواب ایده‌ال می‌باشد که به نوع تکنیک وزن‌دهی، حساسیت بسیار کمی داشته و پاسخ‌های حاصل از آن، تغییر عمیقی نمی‌کند. در این روش گزینه انتخاب شده، بایستی کوتاهترین فاصله را از جواب ایده‌آل و دورترین فاصله را از ناکارآمدترین جواب داشته باشد. از محاسن این روش نسبت به سایر تکنیک‌های اولویت‌بندی مکانی، می‌توان به موارد زیر اشاره نمود (شایان، ۱۳۸۵ به نقل از موسوی و حسنی، ۱۳۹۰ ).
- معیارهای کمّی و کیفی را تواماً در مبحث مکان‌یابی دخالت می‌دهد.
- خروجی آن می‌تواند ترتیب اولویت گزینه‌ها را مشخص و این اولویت را به صورت کمّی بیان کند.
- تضاد و تطابق بین شاخص‌ها را در نظر بگیرد.
- روش کار، ساده و سرعت آن مناسب است.
- ضرایب وزنی اولیه را پذیر است.
- نتایج حاصل از این مدل کاملاً منطبق با روش‌های تجربی است.
به طور اجمال در روش تاپسیس، ماتریس n × m که دارای m گزینه و n معیار می‌باشد؛ مورد ارزیابی قرار می‌گیرد. در این الگوریتم، فرض می‌شود هر شاخص و معیار در ماتریس تصمیم‌گیری، دارای مطلوبیت افزایش و یا کاهشی یکنواختی است. به بیان دیگر، مقادیر بیشتری را که معیارها در این ماتریس کسب می‌کنند چنانچه از نوع سود بود، هرچه مقدار آن بیشتر باشد دارای مطلوبیت بالاتر است و اگر از نوع هزینه باشد، دارای مطلوبیت پایین‌تری می‌باشد. از امتیازات مهم این روش آن است که به‌طور همزمان می‌توان از شاخص‌ها ومعیارهای عینی و ذهنی استفاده نمود( موسوی و حسنی، ۱۳۹۰).
با این حال، لازم است در این مدل جهت محاسبات ریاضی، تمامی مقادیر نسبت داده شده به معیارها بایستی از نوع کمّی بوده و در صورت کیفی بودن نسبت داده شده به معیارها، بایستی آنها را به مقادیر کمی تبدیل نمود. با این وجود پیشنهاد می‌شود که روش تاپسیس در هنگامی که تعداد شاخص‌ها و اطلاعات در دسترس محدود است، مورد استفاده قرار گیرد.
۳-۸-۳٫ شبکه‌های عصبی مصنوعی (ANN )
مدلهایآماریمختلفیبرایپیشبینیدرعلوموجوددارد.مدلهایآماریمتأثرازمفروضاتومحدودیتهایزیادیهستند،بدینلحاظاخیراشبکههایعصبیبهعنوانشیوهنوینپیشبینیبهدلیلعدمنیازبهفروضومحدودیتهادرتوزیعدادههاوکاراییبالاترآنموردتوجهویژهقرارگرفتهاست
یکیازمهمترینکاربردهایروشهایآماری،شناساییالگو،طبقهبندیوپیش بینیبراساسواقعیتهاواطلاعاتدردسترسازیکموضوعخاصاست.روشهایآماریکهبرایمدلسازیروابطبینمتغیرهابهکارمیروددارای تعدادیپیشفرضومحدودیتاست. اینپیشفرضهاشاملنرمالبودنتوزیع داده ها،عدمهمخطی،یکسانبودنواریانسخطاهاوموارددیگریاستودر صورتفقداناینشرایطبهکارگیریاینمدلهاامکانپذیرنبودهویاباخطای قابلتوجهیهمراهاست.ازاینروبهروشهاییبامحدودیتهاوفروضکمتر، نیازمیباشدویکیازاینروشهاشبکههایعصبیمصنوعیاست.اینروشهیچ فرضاولیهایبرایتوزیعدادههاتحمیلنمینماید.دراینشبکه هااطلاعاتبه صورتضمنیپردازشمیشود،برایناساسچنانچهبخشیازسلولهایشبکه حذفشوندیاعملکردغلطداشتهباشندبازهماحتمالرسیدنبهپاسخصحیح وجوددارد(رحمانی و اسماعیلی،۱۳۸۹: ۱۵۲).
شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان نامید (پاک‌گوهر و سیگاری تبریزی، ۱۳۸۵: ۲۵۶ به نقل از موسوی و حسنی٬ ۱۳۹۱). اساس کار این شبکه‌ها، در واقع شبیه‌سازی تفکر مغز انسان است و به عنوان یک واحد پردازشگر عددی عمل می‌کند
شبکه‌های عصبی مصنوعی توابعی جامع و انعطاف پذیر و ابزاری قدرتمند برای تجزیه و تحلیل داده‌ها و مدل سازی روابط غیر خطی، با درجه صحت بالا هستند. مهم‌ترین ویژگی مدل‌های شبکه های عصبی مصنوعیآزادی آنها از فروض آماری مربوط به متغیرها، استفاده از روش‌های محاسباتی موازی و غیر خطی بودن آنهاست . مدل‌های شبکه های عصبی مصنوعی به­رغم تنوع از ساختار مشابهی برخوردارند. هر شبکه عصبی معمولاً از سه لایه به ترتیب زیر تشکیل می‌شود :
لایه ورودی که دریافت کننده منابع خارج از سیستم است که این لایه در مورد مغز، به حواس پنجگانه تشبیه می‌شود. لایه پنهان از اهمیت بسیار بالایی در مدل‌های شبکه های عصبی مصنوعی برخوردار است. در صورتی که تعداد کافی از این لایه ­ها و واحدها در یک مدلشبکه های عصبی مصنوعی باشد، نقش مؤثری در فرایند یادگیری ایفا می­ کنند. این لایه صرفاً یک نتیجه میانیدر فرایند محاسبه ارزش خروجی است از این رو، در اقتصادسنجی همتایی ندارند (Nambaghsh,2005: 56 ).
لایه خروجی که به مثابه متغیرهای وابسته در مدل‌های رگرسیون هستند و به پاسخ متغیروابسته در برابر تحریک متغیر‌های مستقل مربوط می‌گردد. این لایه شامل مقادیر پیش بینی شده متغیرهای وابسته است.
شبکه‌های عصبی از نظر هندسی به دو گروه شبکه‌های تک لایه و شبکه‌های چندلایه تقسیم می‌شوند و از نظر مکانیزم اجرا به دو دسته شبکه‌های عصبی پیش‌خور و شبکه‌های عصبی پس‌خور تقسیم می‌شوند. در شبکه‌های پیش‌خور همانند مغز انسان جهت اتصالات به سمت جلو است و در شبکه مسیر بسته وجود ندارد ولی در شبکه‌های پس‌خور مسیر بسته وجود دارد، به این معنی که امکان دارد اتصال در جهتی باشد که لایه‌های بعدی را به لایه‌های قبلی متصل کند.
یکی از انوع شبکه‌های عصبی، شبکه‌های عصبی چند لایه پرسپترون^[۱۲۲](MLP) است که از نوع شبکه‌های پیش‌خور می‌باشد. اجزای تشکیل‌دهنده‌ی این شبکه‌ها عبارتند از:
الف) ورودی و خروجی داده‌ها^[۱۲۳]: اعداد و ارقام در قالب یک یا چند متغیر، ورودی‌های یک شبکه‌ی عصبی را تشکیل می‌دهند. این ورودی‌ها، پس از انجام تحلیل و پردازش‌های خاص به یک یا چند متغیر خروجی تبدیل می‌شوند. ورودی‌ها، نقش متغیر مستقل و خروجی، نقش متغیر وابسته را بر عهده دارند.
ب) نرون‌ها: مهم‌ترین اجزای سیستم عصبی، نرون‌ها هستند که به سه دسته؛ نرون‌های ورودی، خروجی و پنهان تقسیم می‌شوند و در قالب لایه‌ی ورودی^[۱۲۴]، لایه‌ی خروجی^[۱۲۵] و لایه‌های پنهان^[۱۲۶] یا میانی قرار می‌گیرند. نرون‌ها یا واحدهای ورودی، وظیفه‌ی دریافت داده‌های ورودی را بر عهده دارند. لایه‌های میانی و خروجی شامل واحدهای پردازش اطلاعات هستند. در این واحدها، عملیات جبری بر اطلاعات ورودی انجام شده و نتیجه‌ی آنها به صورت یک ورودی جدید به واحدهای دیگر در لایه‌های بعدی ارسال می‌شود. تعداد واحدهای به‌کار رفته در لایه‌های ورودی و خروجی به تعداد متغیرهای توضیحی و وابسته در مدل بستگی دارد. هیچ قاعده‌ی مشخص و دقیقی برای تعیین تعداد نرون‌ها در لایه‌های پنهان در اختیار نیست. بلکه، در این مورد، به طور عمده، یک رویکرد تجربی صرف اتخاذ می‌شود.
ج) وزن‌ها^[۱۲۷]: متغیرهای مختلف ورودی به شبکه، برازش‌های مختلفی دارند که به کمک وزن‌ها، به آنها اختصاص می‌یابد. این وزن‌ها که قبل از لایه‌ی خروجی و لایه‌های پنهانی لحاظ می‌شوند، با روش اعداد تصادفی تولید و در استفاده از شبکه، تصحیح می‌شوند.
د) توابع فعالیت^[۱۲۸]: توابع فعالیت، در لایه‌ی خروجی و لایه‌های پنهان شبکه‌ی عصبی در نظر گرفته می‌شوند و با توجه به وزن‌های هر ورودی، محاسبه‌ی کلی خروجی را امکان‌پذیر می‌سازند (کمیجانی و سعادت‌فر، ۱۳۸۵: ۱۷-۱۴).
لایه‌یخروجیلایه‌یپنهانلایه‌یورودی
واحدلایه‌یخروجی
واحدهایلایه‌یپنهان
واحدهایلایه‌یورودی