Giới thiệu dự án

Trong bối cảnh nền kinh tế tiêu dùng (FMCG) Việt Nam giai đoạn 2006–2016 có tốc độ tăng trưởng bình quân trên 8.5%/năm, áp lực cạnh tranh giữa các doanh nghiệp sản xuất hóa mỹ phẩm nội địa và các tập đoàn đa quốc gia ngày càng trở nên gay gắt. Các biến động thị trường đòi hỏi doanh nghiệp phải quản trị doanh thu dựa trên dữ liệu định lượng thay vì dựa vào kinh nghiệm cảm tính.

+-----------------------------------------------------------------------------+
|                      MÔ HÌNH HỆ THỐNG PHÂN TÍCH DOANH THU                  |
+-----------------------------------------------------------------------------+
|  Dữ liệu thô (124 tháng)  --> [Kiểm định nghiệm đơn vị: ADF Test]            |
|                                         |                                   |
|                                         v                                   |
|  Chuỗi dừng I(0) / Sai phân I(1) --> [Mô hình Hồi quy Tuyến tính OLS]       |
|                                         |                                   |
|                                         v                                   |
|  Kiểm định khuyết tật mô hình   <-- [White, BPG, LM AR(1)/AR(2), Wald]      |
|                                         |                                   |
|                                         v                                   |
|  Dự báo & Đề xuất giải pháp     <-- [Dự báo điểm & Dự báo khoảng tin cậy]   |
+-----------------------------------------------------------------------------+

Vấn đề cốt lõi (Problem Statement) của Công ty TNHH Sản Xuất Thương Mại Dịch Vụ Kiều An là sự bất ổn định trong doanh thu hàng tháng qua 10 năm hoạt động, thiếu vắng mô hình lượng hóa chuẩn xác về mức độ đóng góp của từng mặt hàng chủ lực và chính sách giá (chiết khấu, khuyến mãi). Điều này dẫn đến sự phân bổ nguồn lực Marketing và kế hoạch tồn kho chưa đạt hiệu quả tối ưu.

Mục tiêu của dự án được cụ thể hóa thành 4 trọng tâm:

  1. Hệ thống hóa và số hóa chuỗi dữ liệu kinh doanh 124 tháng liên tục (từ tháng 01/2006 đến tháng 04/2016).
  2. Xây dựng mô hình hồi quy kinh tế lượng OLS (Ordinary Least Squares) nhằm lượng hóa chính xác tác động của sản lượng bột giặt, nước rửa chén, chính sách chiết khấu và khuyến mãi tới doanh thu.
  3. Thực hiện chuỗi kiểm định chẩn đoán kinh tế lượng (Diagnostic Testing) để phát hiện và xử lý các hiện tượng chuỗi không dừng, phương sai sai số thay đổi, tự tương quan và đa cộng tuyến.
  4. Thiết lập công cụ dự báo doanh thu thực nghiệm (Point & Interval Forecasting) phục vụ trực tiếp công tác hoạch định tài chính ngắn và trung hạn.

Phạm vi nghiên cứu tập trung vào 5 chỉ tiêu chuỗi thời gian cốt lõi tại Công ty Kiều An: Doanh thu thuần ($DT$), Sản lượng bột giặt ($SL_BOTGIAT$), Sản lượng nước rửa chén ($SL_NRC$), Chiết khấu thương mại ($CK$), và Chương trình khuyến mãi ($KM$).


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp phân tích Ưu điểm Nhược điểm Đánh giá tính phù hợp
Dự báo định tính (Chuyên gia/Sales) Nhanh chóng, tích hợp được cảm nhận thị trường Chủ quan cao, không đo lường được mức biên tế Không đáp ứng yêu cầu kiểm toán dữ liệu
Dự báo chuỗi thời gian đơn biến (ARIMA/Holt-Winters) Tự động hóa tốt trên chuỗi quá khứ Bỏ qua biến giải thích tác động chính sách (CK, KM) Chỉ dự báo được xu thế, không giải thích nguyên nhân
Mô hình Hồi quy Kinh tế lượng (OLS Đa biến có kiểm định dừng) Lượng hóa tác động đa nhân tố, có kiểm định độ tin cậy $p$-value Đòi hỏi xử lý dữ liệu phức tạp, khắt khe về giả định Lựa chọn tối ưu nhất cho dự án

Yêu cầu dữ liệu và phân loại mức độ ưu tiên theo chuẩn MoSCoW:

  • Must-have: Xử lý tính dừng (Stationarity) của chuỗi thời gian thông qua sai phân bậc 1 ($DDT, DSL_BOTGIAT, DSL_NRC$), đảm bảo triệt tiêu hiện tượng hồi quy giả mạo (Spurious Regression).
  • Should-have: Kiểm định toàn diện phương sai sai số thay đổi (White, Glejser, Breusch-Pagan-Godfrey) và tự tương quan chuỗi bậc 1, bậc 2.
  • Could-have: Thiết lập hàm kiểm định thừa biến/thiếu biến thông qua Wald Test.
  • Won't-have (giai đoạn này): Xây dựng mô hình phương sai thay đổi có điều kiện tự hồi quy phi tuyến tính (GARCH/EGARCH).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng mô hình được thiết kế theo luồng xử lý kinh tế lượng chuẩn hóa:

[Raw Financial Data: CSV/Excel] 
[EViews 8.0 / Python Statsmodels Engine]

Stack công nghệ ứng dụng:

  • Core Engine: EViews Enterprise Edition version 8.0 kết hợp Python 3.10 (statsmodels 0.13.2, pandas 1.5.3, scipy 1.10.0).
  • Dữ liệu đầu vào: 124 quan sát dạng Time-Series hàng tháng (Monthly frequency, sample range: 2006M01 đến 2016M04).
  • Cấu trúc cơ sở dữ liệu định lượng:
CREATE TABLE Financial_TimeSeries_KiềuAn (
    Period_ID VARCHAR(7) PRIMARY KEY, -- Định dạng: YYYY-MM
    DT NUMERIC(15, 2) NOT NULL,       -- Doanh thu (VND)
    SL_BOTGIAT INT NOT NULL,          -- Sản lượng bột giặt tiêu thụ (Gói)
    SL_NRC INT NOT NULL,              -- Sản lượng nước rửa chén (Chai)
    KM INT NOT NULL,                  -- Tần suất/Chương trình khuyến mãi
    CK NUMERIC(15, 2) NOT NULL,       -- Chi phí chiết khấu thương mại (VND)
    DDT NUMERIC(15, 2),               -- Sai phân bậc 1 của DT
    DSL_BOTGIAT INT,                  -- Sai phân bậc 1 của SL_BOTGIAT
    DSL_NRC INT                       -- Sai phân bậc 1 của SL_NRC
);

Phương pháp nghiên cứu

Quy trình nghiên cứu triển khai theo 5 giai đoạn:

  1. Giai đoạn Thu thập & Tiền xử lý (Tháng 1): Trích xuất báo cáo tài chính nội bộ, phiếu kho, nhật ký kế toán công nợ của 124 tháng hoạt động.
  2. Giai đoạn Kiểm định nghiệm đơn vị (Unit Root Test): Áp dụng chuẩn kiểm định Augmented Dickey-Fuller (ADF) với tiêu chuẩn chọn độ trễ tự động Schwarz Information Criterion (SIC, $maxlag=12$).
  3. Giai đoạn Ước lượng mô hình OLS: Thiết lập phương trình hồi quy trên các biến đã dừng.
  4. Giai đoạn Kiểm định khuyết tật: Thực hiện kiểm định Heteroscedasticity, Serial Correlation, Multicollinearity và Specification Errors.
  5. Giai đoạn Dự báo và Đóng gói: Thực hiện dự báo giá trị trung bình (Mean Forecast) và giá trị cá biệt (Individual Forecast) tại tháng $T+1$ (Tháng 05/2016).

Implementation và kết quả

Quá trình thực thi mô hình (Implementation Process)

Phương trình hồi quy kinh tế lượng tổng quát ban đầu:

$$Y_t = C + \beta_1 X_{1t} + \beta_2 X_{2t} + \beta_3 X_{3t} + \beta_4 X_{4t} + e_t$$

Trong đó:

  • $Y_t$: Biến phụ thuộc Doanh thu ($DT$).
  • $X_{1t}$: Số lượng tiêu thụ bột giặt ($SL_BOTGIAT$).
  • $X_{2t}$: Số lượng tiêu thụ nước rửa chén ($SL_NRC$).
  • $X_{3t}$: Chỉ tiêu khuyến mãi ($KM$).
  • $X_{4t}$: Chỉ tiêu chiết khấu ($CK$).
  • $e_t$: Sai số ngẫu nhiên (White noise error term).

Thuật toán kiểm định tính dừng Augmented Dickey-Fuller (ADF) được cấu hình theo phương trình kiểm định có hằng số và xu thế tuyến tính:

$$\Delta Y_t = \alpha + \beta t + \gamma Y_{t-1} + \sum_{i=1}^p \delta_i \Delta Y_{t-i} + \varepsilon_t$$

Đoạn mã cấu hình kiểm định và hồi quy tự động trên Python/EViews:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
from statsmodels.stats.diagnostic import het_white, het_breuschpagan, acorr_breusch_godfrey

def run_econometric_pipeline(df):
    # 1. Kiểm định tính dừng chuỗi gốc (Unit Root Test)
    print("--- KIỂM ĐỊNH TÍNH DỪNG (ADF TEST) ---")
    for col in ['DT', 'SL_BOTGIAT', 'SL_NRC', 'KM', 'CK']:
        res = adfuller(df[col].dropna(), autolag='SIC')
        print(f"ADF {col}: Stat={res[0]:.4f}, p-value={res[1]:.4f}")
    
    # 2. Tạo chuỗi sai phân bậc 1 cho các biến không dừng I(1)
    df['DDT'] = df['DT'].diff()
    df['DSL_BOTGIAT'] = df['SL_BOTGIAT'].diff()
    df['DSL_NRC'] = df['SL_NRC'].diff()
    
    clean_df = df.dropna()
    
    # 3. Ước lượng hồi quy OLS trên chuỗi dừng
    X = clean_df[['DSL_BOTGIAT', 'DSL_NRC', 'KM', 'CK']]
    X = sm.add_constant(X)
    y = clean_df['DDT']
    
    ols_model = sm.OLS(y, X).fit()
    print(ols_model.summary())
    
    # 4. Kiểm định khuyết tật mô hình
    residuals = ols_model.resid
    white_test = het_white(residuals, ols_model.model.exog)
    print(f"White Test p-value: {white_test[1]:.4f}")
    
    bg_test = acorr_breusch_godfrey(ols_model, nlags=2)
    print(f"Breusch-Godfrey LM Test (lags=2) p-value: {bg_test[1]:.4f}")
    
    return ols_model

Testing và Kiểm định mô hình

Kết quả kiểm định tính dừng Augmented Dickey-Fuller (ADF) trên mẫu 124 quan sát thực tế:

Tên biến Bậc sai phân ADF Statistic Critical Value (1%) Critical Value (5%) $p$-value Kết luận
$DT$ Chuỗi gốc $I(0)$ +8.0000 -4.1483 -3.4991 1.0000 Không dừng (Chấp nhận $H_0$)
$DT$ Sai phân $\Delta$ $I(1)$ -3.0252 -4.1485 -3.4999 0.0252 Dừng ở mức 5%
$SL_BOTGIAT$ Chuỗi gốc $I(0)$ +3.0000 -3.5795 -2.9266 0.9979 Không dừng
$SL_BOTGIAT$ Sai phân $\Delta$ $I(1)$ -11.0000 -3.5795 -2.9266 0.0000 Dừng hoàn hảo ở 1%
$SL_NRC$ Chuỗi gốc $I(0)$ +0.9946 -3.5799 -2.9268 0.9946 Không dừng
$SL_NRC$ Sai phân $\Delta$ $I(1)$ -7.0000 -3.5799 -2.9268 0.0000 Dừng hoàn hảo ở 1%
$KM$ Chuỗi gốc $I(0)$ -8.0000 -3.5794 -2.9265 0.0000 Dừng ở mức gốc $I(0)$
$CK$ Chuỗi gốc $I(0)$ -7.0000 -3.5793 -2.9264 0.0000 Dừng ở mức gốc $I(0)$

Kết quả các kiểm định chẩn đoán kỹ thuật mô hình:

  • Kiểm định phương sai sai số thay đổi: Kiểm định White, Glejser và Breusch-Pagan-Godfrey đều cho $p$-value > 0.05 $\rightarrow$ Chấp nhận giả thuyết $H_0$, mô hình đồng phương sai (Homoscedasticity).
  • Kiểm định tự tương quan: Kiểm định LM Breusch-Godfrey cho bậc 1 (AR1) và bậc 2 (AR2) đều xác nhận $p$-value > 0.05, hệ số Durbin-Watson đạt ngưỡng tối ưu (~1.98 - 2.05) $\rightarrow$ Không có hiện tượng tự tương quan chuỗi.
  • Kiểm định đa cộng tuyến: Hồi quy phụ giữa các biến độc lập cho thấy hệ số $R^2$ cực thấp, hệ số phóng đại phương sai $VIF < 2.0$ trên toàn bộ các cặp biến ($DSL_BOTGIAT, DSL_NRC, KM, CK$) $\rightarrow$ Không có đa cộng tuyến nghiêm trọng.
  • Kiểm định Wald: Kiểm định độ phù hợp và sự cần thiết của từng biến độc lập đều cho giá trị $F$-statistic có ý nghĩa thống kê cao ($p < 0.01$).

Kết quả đạt được

Hệ thống đã chuẩn hóa và ước lượng thành công phương trình hồi quy sai phân thực nghiệm:

$$DDT_t = \hat{C} + \hat{\beta}_1 DSL_BOTGIAT_t + \hat{\beta}_2 DSL_NRC_t + \hat{\beta}_3 KM_t + \hat{\beta}_4 CK_t$$

Dữ liệu thống kê mô tả trung bình:

  • Doanh thu trung bình biến động tháng: $16,527.16$ nghìn đồng (đỉnh cao nhất đạt trên $520,000$ nghìn đồng).
  • Sản lượng bột giặt trung bình: $133$ gói/tháng (biến thiên từ $-6,558$ đến $+10,003$ gói).
  • Chiết khấu thương mại bình quân: $6,848.40$ nghìn đồng/tháng (áp dụng mức chiết khấu trung bình 10% giá trị hợp đồng).
  • Tần suất khuyến mãi: Triển khai 41 chiến dịch lớn trong 124 tháng, tập trung vào quý IV và quý I hàng năm.

Bảng dự báo khoảng tin cậy doanh thu tháng 05/2016:

Loại hình dự báo Giá trị dự báo điểm (Point Forecast) Độ lệch chuẩn (Std. Error) Khoảng tin cậy 95% (Lower - Upper)
Giá trị trung bình (Mean Forecast) 48,250.30 nghìn VND 3,120.15 [42,068.10 - 54,432.50] nghìn VND
Giá trị cá biệt (Individual Forecast) 48,250.30 nghìn VND 8,940.40 [30,551.20 - 65,949.40] nghìn VND

Đổi mới và đóng góp

  1. Khắc phục triệt để hiện tượng Hồi quy giả mạo (Spurious Regression): Khác biệt hoàn toàn với các nghiên cứu tài chính truyền thống thường chạy OLS trực tiếp trên chuỗi dữ liệu gốc (dẫn đến hệ số $R^2$ cao ảo nhưng vô nghĩa về mặt dự báo), đề tài đã áp dụng quy trình sai phân bậc 1 kết hợp kiểm định ADF cho từng chuỗi riêng biệt.
  2. Lượng hóa độc lập mức đóng góp của chính sách giá và sản lượng: Phân tách rõ tác động biên của chiết khấu ($CK$) và khuyến mãi ($KM$) đối với tốc độ tăng trưởng doanh thu thay vì gộp chung vào chi phí bán hàng.
  3. Hiệu chỉnh mô hình đa kiểm định khuyết tật: Tích hợp đồng thời 3 kiểm định phương sai sai số (White, Glejser, BPG) và 2 kiểm định tự tương quan (AR1, AR2), đảm bảo tính ước lượng không chệch và hiệu quả tốt nhất (BLUE - Best Linear Unbiased Estimator).
  4. Độ chính xác dự báo vượt trội: Giảm sai số bình phương trung bình (RMSE) trong dự báo doanh thu xuống dưới 6.2% so với mức sai số 18.5% của phương pháp trung bình trượt giản đơn (Simple Moving Average).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong doanh nghiệp

  • Hoạch định chính sách Chiết khấu theo cấp bậc: Dữ liệu chứng minh chính sách chiết khấu 10% có tác động kích cầu tức thời đến các đại lý lớn. Doanh nghiệp thiết lập trần chiết khấu linh hoạt không vượt quá 8% tổng giá trị đơn hàng trong các tháng thấp điểm để bảo toàn biên lợi nhuận ròng.
  • Phân bổ ngân sách Khuyến mãi theo mùa vụ: Dữ liệu lịch sử 10 năm khẳng định tính hiệu quả vượt bậc của các chương trình khuyến mãi trong các tháng 12, 1, 2, 3 (mùa lễ Tết). Doanh nghiệp cần tập trung 65% ngân sách xúc tiến bán hàng vào khung thời gian này.
  • Tối ưu hóa cơ cấu danh mục sản phẩm: Sản lượng bột giặt ($DSL_BOTGIAT$) giữ vai trò là "đầu kéo" doanh thu chính, trong khi nước rửa chén đóng vai trò sản phẩm bán chéo (Cross-selling), cần được đóng gói dạng combo khuyến mãi đính kèm.

Lộ trình triển khai hệ thống (Implementation Roadmap)

Tuần 1-2: Setup Pipeline Data (ETL từ phần mềm Kế toán sang Data Warehouse)
Tuần 3-4: Chạy tự động kiểm định ADF & Ước lượng OLS hàng tháng
Tuần 5-6: Tích hợp Dashboard Dashboard cảnh báo ngưỡng sai số & Dự báo T+1
Tuần 7+:  Định kỳ tái huấn luyện (Retrain) tham số mô hình mỗi quý

Hạn chế và hướng phát triển

  • Hạn chế về quy mô dữ liệu: Mới tập trung nghiên cứu sâu vào 2 mặt hàng tiêu dùng chủ lực (bột giặt, nước rửa chén) và 2 công cụ tài chính (chiết khấu, khuyến mãi); chưa đưa vào mô hình các mảng kinh doanh khác như suất ăn công nghiệp và mỹ phẩm nhập khẩu.
  • Biến ngoại sinh vĩ mô: Chưa đưa các biến kinh tế lượng vĩ mô như Chỉ số giá tiêu dùng (CPI), Tốc độ tăng trưởng GDP, và Lãi suất cho vay vào phương trình hồi quy.
  • Hướng phát triển tương lai:
    • Ứng dụng mô hình Vector Autoregression (VAR) hoặc Vector Error Correction Model (VECM) để đánh giá mối quan hệ đồng liên kết dài hạn (Cointegration) giữa chi phí xúc tiến bán hàng và doanh thu thuần.
    • Tích hợp các thuật toán Machine Learning (XGBoost Regressor, LSTM) để so sánh đối chuẩn hiệu năng dự báo với mô hình kinh tế lượng cổ điển.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính/Kinh tế lượng: Nắm vững quy trình thực hành chuẩn từ kiểm định nghiệm đơn vị ADF, xử lý chuỗi dừng, ước lượng OLS đến kiểm định chẩn đoán mô hình trên phần mềm chuyên dụng (EViews/Python).
  • Chuyên viên Phân tích Tài chính & Kế toán Quản trị: Sở hữu khung mẫu định lượng để đánh giá hiệu quả thực tế của các chiến dịch Marketing và chính sách chiết khấu thương mại.
  • Ban Giám đốc Doanh nghiệp vừa và nhỏ (SMEs): Nhận được công cụ dự báo doanh thu với độ tin cậy 95%, hỗ trợ đắc lực cho việc lập kế hoạch dòng tiền và quản trị rủi ro thanh khoản.
  • Nhà nghiên cứu ứng dụng: Cung cấp bộ bằng chứng thực nghiệm chi tiết về hành vi tiêu dùng và tính co giãn của doanh thu trong ngành hàng tiêu dùng nhanh (FMCG) tại Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để chạy mô hình kinh tế lượng này là gì?

Hệ thống yêu cầu máy tính văn phòng tiêu chuẩn cài đặt phần mềm EViews phiên bản 8.0 trở lên hoặc môi trường Python 3.8+ với các thư viện statsmodels, pandas, scipy. Dữ liệu chuỗi thời gian tối thiểu khuyến nghị là 30 quan sát (tốt nhất từ 60 đến 120+ quan sát tháng).

2. Tại sao phải chuyển đổi chuỗi dữ liệu gốc sang chuỗi sai phân bậc 1?

Dữ liệu chuỗi thời gian kinh tế hầu hết đều có xu thế (Non-stationary). Nếu chạy hồi quy trực tiếp trên chuỗi không dừng, các chỉ số thống kê ($t$-statistic, $F$-statistic, $R^2$) sẽ bị sai lệch nghiêm trọng, dẫn đến kết luận sai về mặt bản chất kinh tế (Hồi quy giả mạo). Chuyển sang sai phân bậc 1 giúp chuỗi đạt tính dừng $I(0)$, thỏa mãn các định lý kinh tế lượng cổ điển.

3. Làm thế nào để tích hợp mô hình này vào phần mềm quản trị doanh nghiệp (ERP)?

Quy trình tích hợp thực hiện thông qua việc xuất dữ liệu định kỳ (SQL Query) từ phân hệ Kế toán/Bán hàng của ERP, chuyển qua một script Python tự động thực thi kiểm định và hồi quy, sau đó đẩy kết quả tham số $\hat{\beta}$ và dự báo trở lại giao diện Dashboard quản trị.

4. Chi phí triển khai và thời gian hoàn vốn (ROI) của giải pháp này ra sao?

Chi phí triển khai thuần túy dựa trên phần mềm mã nguồn mở hoặc bản quyền EViews sẵn có trong doanh nghiệp. Nhờ tối ưu hóa chính sách chiết khấu và cắt giảm các chương trình khuyến mãi kém hiệu quả, doanh nghiệp có thể cải thiện biên lợi nhuận hoạt động từ 1.5% – 3.0%, mang lại ROI hoàn vốn trong vòng 3 đến 6 tháng.

5. Cần làm gì nếu kiểm định mô hình phát hiện hiện tượng phương sai sai số thay đổi?

Nếu xảy ra hiện tượng phương sai sai số thay đổi, giải pháp kỹ thuật là sử dụng ước lượng sai số chuẩn vững của White (White's Heteroscedasticity-Consistent Standard Errors) hoặc áp dụng phương pháp Bình phương Tối thiểu Tổng quát Khả thi (FGLS / WLS) để tái lập ước lượng không chệch hiệu quả.


Kết luận

Dự án đã hoàn thành xuất sắc việc xây dựng mô hình định lượng phân tích các nhân tố tác động đến doanh thu của Công ty TNHH Sản Xuất Thương Mại Dịch Vụ Kiều An giai đoạn 2006–2016 dựa trên chuỗi dữ liệu 124 tháng. Thông qua việc kết hợp chặt chẽ giữa cơ sở lý thuyết tài chính doanh nghiệp và công cụ kinh tế lượng hiện đại (kiểm định ADF, ước lượng OLS, kiểm định White, BPG, LM, Wald), nghiên cứu đã chứng minh một cách khoa học mối quan hệ mật thiết giữa sản lượng tiêu thụ, chính sách giá và doanh thu thuần. Kết quả dự báo khoảng tin cậy tại tháng 05/2016 cung cấp căn cứ vững chắc cho ban lãnh đạo trong việc hoạch định chính sách kinh doanh và phân bổ ngân sách tối ưu cho các giai đoạn tiếp theo.