Tổng quan nghiên cứu

Trong bối cảnh phát triển kinh tế xã hội tại tỉnh Tây Ninh, nhu cầu sử dụng điện ngày càng tăng cao, đòi hỏi ngành điện phải nâng cao năng lực quản lý và hiệu quả sản xuất kinh doanh. Tính đến tháng 9 năm 2021, Công ty Điện lực Tây Ninh quản lý khoảng 485.000 khách hàng sử dụng điện trên toàn địa bàn tỉnh. Tuy nhiên, hiện nay công ty chưa có hệ thống dự báo phát triển khách hàng sử dụng điện một cách toàn diện và chính xác. Nghiên cứu này nhằm xây dựng hệ thống dự báo phát triển khách hàng sử dụng điện dựa trên dữ liệu từ hệ thống CMIS trong giai đoạn 2014-2021, giúp lãnh đạo công ty có cái nhìn tổng quan và chủ động trong việc lập kế hoạch, chuẩn bị nguồn lực phục vụ khách hàng.

Mục tiêu cụ thể của nghiên cứu là phát triển một Dashboard giám sát sự tăng trưởng khách hàng theo tháng, quý, năm và theo từng vùng địa lý trong tỉnh Tây Ninh. Phạm vi nghiên cứu tập trung vào khách hàng sử dụng điện trên địa bàn tỉnh Tây Ninh, với dữ liệu thu thập từ tháng 5/2014 đến tháng 8/2021. Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao hiệu quả quản lý khách hàng, tối ưu hóa dịch vụ và hỗ trợ công tác hoạch định chiến lược phát triển của Công ty Điện lực Tây Ninh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên lý thuyết chuỗi thời gian và mô hình dự báo ARIMA cùng với mô hình Facebook Prophet do Facebook phát triển. Mô hình ARIMA (Autoregressive Integrated Moving Average) là phương pháp truyền thống trong phân tích và dự báo chuỗi thời gian, được sử dụng phổ biến trong dự báo ngắn hạn với khả năng xử lý các yếu tố trễ và biến động dữ liệu. Mô hình Prophet là một công cụ dự báo chuỗi thời gian hiện đại, có khả năng xử lý các yếu tố xu hướng (trend), mùa vụ (seasonality) và các biến động bất thường (irregularity) trong dữ liệu.

Các khái niệm chính bao gồm:

  • Trend (Xu hướng): Sự biến đổi dài hạn của dữ liệu theo thời gian.
  • Seasonality (Mùa vụ): Các biến động định kỳ theo chu kỳ cố định, ví dụ theo tháng hoặc quý.
  • Irregularity (Bất thường): Các biến động ngẫu nhiên hoặc do các sự kiện đặc biệt như dịch bệnh.
  • Cross-validation: Phương pháp đánh giá mô hình dự báo bằng cách chia dữ liệu thành tập huấn luyện và tập kiểm thử.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ hệ thống CMIS của Công ty Điện lực Tây Ninh, bao gồm dữ liệu khách hàng phát triển mới từ tháng 1/2008 đến tháng 8/2021. Tuy nhiên, nghiên cứu tập trung vào bộ dữ liệu từ tháng 5/2014 đến tháng 8/2021 do tính ổn định và phản ánh thực tế hơn. Dữ liệu được xử lý và lưu trữ trên hệ quản trị cơ sở dữ liệu SQL, với các trường dữ liệu chính gồm mã đơn vị quản lý, mã khách hàng, ngày hiệu lực hợp đồng và loại khách hàng (sinh hoạt hoặc ngoài sinh hoạt).

Phương pháp phân tích sử dụng kỹ thuật dự báo chuỗi thời gian với mô hình Facebook Prophet, chia dữ liệu thành 62 tháng huấn luyện và 26 tháng kiểm thử. Sai số dự báo được đánh giá bằng chỉ số MAE (Mean Absolute Error) và MAPE (Mean Absolute Percentage Error). Ngoài ra, nghiên cứu còn phân tích các yếu tố xu hướng, mùa vụ và chu kỳ của dữ liệu để xây dựng mô hình dự báo phù hợp.

Timeline nghiên cứu bao gồm các bước: thu thập dữ liệu, tiền xử lý và phân tích dữ liệu, xây dựng mô hình dự báo, đánh giá kết quả và triển khai hệ thống Dashboard hiển thị kết quả dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Xu hướng phát triển khách hàng tăng trưởng ổn định: Dữ liệu từ tháng 5/2014 đến tháng 8/2021 cho thấy số lượng khách hàng sử dụng điện có xu hướng tăng trung bình hàng tháng, với các biến động theo mùa vụ rõ rệt. Ví dụ, tháng 12 thường có lượng khách hàng tăng mạnh, trong khi tháng 2 và tháng 4 có xu hướng giảm.

  2. Mô hình Facebook Prophet với mô hình cộng (Additive) cho kết quả dự báo tốt hơn: Sai số tuyệt đối trung bình MAE của mô hình cộng là khoảng 290, thấp hơn so với mô hình nhân (Multiplicative) với MAE khoảng 295. Tỷ lệ sai số trung bình tuyệt đối (MAPE) của mô hình cộng là 19.38%, thấp hơn so với 19.3% của mô hình nhân.

  3. Dự báo phát triển khách hàng theo vùng địa lý: Hệ thống dự báo được xây dựng cho từng huyện, thị xã và thành phố trong tỉnh Tây Ninh, cho phép dự báo chi tiết theo tháng, quý và năm. Ví dụ, dự báo khách hàng tại Thành phố Tây Ninh và Thị xã Hòa Thành đều thể hiện xu hướng tăng trưởng ổn định trong các năm tới.

  4. Phân loại khách hàng theo loại sử dụng điện: Dự báo riêng biệt cho khách hàng sử dụng điện sinh hoạt và ngoài sinh hoạt giúp công ty có kế hoạch phục vụ phù hợp với từng nhóm khách hàng.

Thảo luận kết quả

Nguyên nhân của xu hướng tăng trưởng khách hàng là do sự phát triển kinh tế xã hội và chính sách đa dạng hóa kênh phát triển khách hàng của Công ty Điện lực Tây Ninh từ năm 2019, bao gồm đăng ký mua điện qua website và cổng dịch vụ công quốc gia. Kết quả dự báo phù hợp với các nghiên cứu dự báo chuỗi thời gian trong ngành điện tại các quốc gia khác như Brazil và Ghana, đồng thời vượt trội hơn về độ chính xác nhờ sử dụng mô hình Prophet.

Việc phân tích các yếu tố mùa vụ và chu kỳ giúp mô hình dự báo phản ánh sát thực tế biến động khách hàng theo từng tháng và quý, hỗ trợ công tác lập kế hoạch cung ứng điện và dịch vụ khách hàng. Dữ liệu cũng cho thấy tác động của các sự kiện bất thường như dịch Covid-19 tháng 8/2021 làm gián đoạn phát triển khách hàng, được xử lý bằng phương pháp thay thế dữ liệu trung bình.

Kết quả dự báo có thể được trình bày qua các biểu đồ xu hướng, biểu đồ phân bố theo vùng và loại khách hàng, giúp lãnh đạo công ty dễ dàng theo dõi và ra quyết định kịp thời.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống Dashboard giám sát phát triển khách hàng: Cung cấp công cụ trực quan theo dõi số lượng khách hàng theo tháng, quý, năm và theo từng vùng, giúp lãnh đạo Công ty Điện lực Tây Ninh có thông tin kịp thời để điều chỉnh kế hoạch kinh doanh. Thời gian thực hiện: trong vòng 6 tháng tới.

  2. Tăng cường thu thập và cập nhật dữ liệu khách hàng: Đảm bảo dữ liệu đầu vào luôn đầy đủ, chính xác và cập nhật liên tục từ hệ thống CMIS để nâng cao độ tin cậy của mô hình dự báo. Chủ thể thực hiện: bộ phận công nghệ thông tin và kinh doanh khách hàng.

  3. Áp dụng mô hình dự báo Facebook Prophet cho các dự báo ngắn và trung hạn: Sử dụng mô hình cộng (Additive) làm chuẩn để dự báo phát triển khách hàng, đồng thời nghiên cứu mở rộng mô hình cho các kịch bản dài hạn và các yếu tố ảnh hưởng khác. Thời gian thực hiện: 12 tháng.

  4. Đào tạo nhân sự và nâng cao năng lực phân tích dữ liệu: Tổ chức các khóa đào tạo về kỹ thuật dự báo chuỗi thời gian và sử dụng công cụ Prophet cho đội ngũ quản lý và kỹ thuật nhằm nâng cao hiệu quả ứng dụng mô hình trong thực tế.

  5. Phát triển các kịch bản dự báo theo các yếu tố kinh tế xã hội: Kết hợp các biến số như tăng trưởng dân số, phát triển công nghiệp, chính sách giá điện để xây dựng các kịch bản dự báo đa chiều, giúp công ty chủ động hơn trong chiến lược phát triển khách hàng.

Đối tượng nên tham khảo luận văn

  1. Lãnh đạo và quản lý Công ty Điện lực Tây Ninh: Giúp nắm bắt xu hướng phát triển khách hàng, từ đó xây dựng kế hoạch kinh doanh và dịch vụ phù hợp, nâng cao hiệu quả hoạt động.

  2. Bộ phận kinh doanh và chăm sóc khách hàng: Sử dụng hệ thống dự báo để tối ưu hóa chiến lược phát triển khách hàng mới và duy trì khách hàng hiện tại, cải thiện chất lượng dịch vụ.

  3. Chuyên gia và nhà nghiên cứu trong lĩnh vực hệ thống thông tin và dự báo chuỗi thời gian: Tham khảo phương pháp ứng dụng mô hình Facebook Prophet trong dự báo phát triển khách hàng ngành điện, làm cơ sở cho các nghiên cứu tiếp theo.

  4. Các đơn vị điện lực khác trong Tổng công ty Điện lực miền Nam: Áp dụng mô hình và hệ thống dự báo tương tự để nâng cao năng lực quản lý khách hàng trên địa bàn quản lý.

Câu hỏi thường gặp

  1. Mô hình Facebook Prophet có ưu điểm gì so với các mô hình truyền thống?
    Mô hình Prophet xử lý tốt các yếu tố xu hướng, mùa vụ và biến động bất thường trong dữ liệu chuỗi thời gian, dễ dàng điều chỉnh và có khả năng dự báo chính xác với dữ liệu có tính chu kỳ phức tạp, phù hợp với dữ liệu khách hàng sử dụng điện.

  2. Tại sao chọn dữ liệu từ năm 2014 đến 2021 để dự báo?
    Giai đoạn này dữ liệu ổn định, phản ánh thực tế nhu cầu sử dụng điện sau các chính sách điều chỉnh giá và cơ cấu khách hàng, giúp mô hình dự báo có độ tin cậy cao hơn.

  3. Sai số dự báo MAE và MAPE có ý nghĩa như thế nào?
    MAE thể hiện sai số trung bình tuyệt đối giữa giá trị dự báo và thực tế, còn MAPE là tỷ lệ phần trăm sai số trung bình tuyệt đối, giúp đánh giá độ chính xác tương đối của mô hình dự báo.

  4. Hệ thống dự báo có thể áp dụng cho các tỉnh khác không?
    Có thể áp dụng với điều chỉnh phù hợp về dữ liệu và đặc thù địa phương, mô hình Prophet linh hoạt và có thể mở rộng cho nhiều khu vực khác nhau.

  5. Làm thế nào để xử lý các biến động bất thường như dịch bệnh trong dữ liệu?
    Có thể sử dụng phương pháp thay thế dữ liệu bằng giá trị trung bình của các tháng trước đó hoặc áp dụng các kỹ thuật làm mịn dữ liệu để giảm ảnh hưởng của các biến động bất thường đến mô hình dự báo.

Kết luận

  • Đã xây dựng thành công hệ thống dự báo phát triển khách hàng sử dụng điện cho Công ty Điện lực Tây Ninh dựa trên mô hình Facebook Prophet với dữ liệu từ 2014 đến 2021.
  • Mô hình cộng (Additive) cho kết quả dự báo chính xác hơn mô hình nhân (Multiplicative) với sai số MAE khoảng 290 và MAPE 19.38%.
  • Hệ thống dự báo chi tiết theo tháng, quý, năm và theo từng vùng địa lý, hỗ trợ công tác quản lý và lập kế hoạch phát triển khách hàng.
  • Đề xuất triển khai Dashboard giám sát, tăng cường thu thập dữ liệu và đào tạo nhân sự để nâng cao hiệu quả ứng dụng mô hình.
  • Các bước tiếp theo bao gồm mở rộng mô hình dự báo cho các kịch bản dài hạn và tích hợp các yếu tố kinh tế xã hội để nâng cao tính ứng dụng thực tiễn.

Lãnh đạo và các bộ phận liên quan được khuyến khích áp dụng hệ thống dự báo này để nâng cao hiệu quả quản lý khách hàng và phát triển dịch vụ trong thời gian tới.