Giới thiệu dự án

Trong bối cảnh nền kinh tế Việt Nam ghi nhận sự phục hồi và tăng trưởng ấn tượng với GDP năm 2015 tăng trên 6,5% (đạt quy mô 204 tỷ USD và thu nhập bình quân đầu người tiệm cận 2.300 USD), mức sống của người dân đô thị được nâng cao rõ rệt kéo theo sự gia tăng về nhu cầu tiêu dùng các sản phẩm chăm sóc giấc ngủ. Tuy nhiên, thị trường chăn ga gối đệm tại Hà Nội phải đối mặt với áp lực cạnh tranh gay gắt từ các thương hiệu nội địa và quốc tế như Everon, Kymdan, Liên Á, Hanvico và Đệm bông PE-HQ Hàn Việt.

Công ty Cổ phần Tư vấn xây dựng và thương mại Thái Dương là đơn vị phân phối chính thức các dòng sản phẩm của Công ty Cổ phần May Sông Hồng. Dù doanh thu tổng thể tăng trưởng, sản phẩm chiến lược đệm bông tinh khiết (kích thước tiêu chuẩn $120 \times 190 \times 5\text{ cm}$) chỉ đóng góp khoảng 25% - 27% tổng doanh thu của doanh nghiệp trong giai đoạn 2012–2015.

Vấn đề nghiên cứu thực tế

Công tác lập kế hoạch kinh doanh và quản trị tồn kho tại doanh nghiệp gặp nhiều bất cập do:

  • Phương pháp dự báo truyền thống mang tính định tính, phụ thuộc vào cảm tính của nhà quản lý, dẫn đến sai lệch lớn giữa sản lượng tồn kho và nhu cầu thực tế.
  • Tính mùa vụ đặc thù của miền Bắc khiến lượng tiêu thụ giữa các quý chênh lệch tới 3,9 lần (cao điểm vào quý I và quý IV), gây tắc nghẽn chuỗi cung ứng vào mùa đông và ứ đọng vốn lưu động vào mùa hè.
  • Thiếu mô hình định lượng xác định chính xác độ nhạy cảm của người tiêu dùng đối với giá bán ($P$), giá sản phẩm thay thế ($P_R$), thu nhập bình quân ($M$) và quy mô dân số ($N$).

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận về phân tích cầu, hàm cầu vi mô và các phương pháp kinh tế lượng ứng dụng trong dự báo kinh doanh.
  2. Đo lường và đánh giá thực trạng tiêu thụ đệm bông tinh khiết của Công ty Thái Dương tại Hà Nội giai đoạn 2012–2015 qua dữ liệu sơ cấp ($N = 100$) và thứ cấp (16 quý).
  3. Xây dựng mô hình hồi quy đa biến OLS và mô hình chuỗi thời gian có biến giả mùa vụ trên phần mềm EViews và SPSS nhằm lượng hóa các hệ số co dãn và dự báo lượng cầu đến năm 2020.
  4. Đề xuất hệ thống giải pháp Marketing-Mix và tối ưu chuỗi phân phối nhằm hiện thực hóa mục tiêu tăng trưởng 20%/năm.

Phạm vi và giới hạn

  • Không gian: Thị trường bán buôn và bán lẻ trên địa bàn Thành phố Hà Nội (quy mô dân số 7,46 triệu người năm 2015).
  • Thời gian: Dữ liệu lịch sử theo quý từ Q1/2012 đến Q4/2015 (16 quan sát) và giai đoạn dự báo từ 2016 đến 2020.
  • Đối tượng sản phẩm: Đệm bông tinh khiết Sông Hồng quy cách $120 \times 190 \times 5\text{ cm}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các phương pháp phân tích và dự báo nhu cầu thị trường đang được ứng dụng trong khối doanh nghiệp thương mại:

Phương pháp Ưu điểm Nhược điểm Độ phù hợp với dự án
Định tính (Ý kiến chuyên gia) Triển khai nhanh, chi phí thấp, tận dụng kinh nghiệm bán hàng. Chủ quan, sai số lớn ($\pm 35%$), không định lượng được các biến vĩ mô. Chỉ dùng để tham chiếu sơ bộ.
Xu hướng tuyến tính đơn giản Dễ tính toán trên Excel, phản ánh được xu thế tăng trưởng dài hạn. Bỏ qua hoàn toàn biến động mùa vụ ($D_1$) và sự thay đổi của giá cả, thu nhập. Kém chính xác khi dữ liệu biến động chu kỳ mạnh.
Hồi quy OLS kết hợp Biến giả Mùa vụ Lượng hóa tác động đa biến ($P, P_R, M, N$), tách biệt yếu tố mùa đông ($R^2 > 87%$). Đòi hỏi dữ liệu chuỗi thời gian chuẩn hóa và công cụ thống kê chuyên dụng. Lựa chọn tối ưu cho đề tài.

Thị trường đệm bông ép tại Hà Nội có sự phân hóa rõ rệt về thị phần và định vị phân khúc:

Ưu tiên yêu cầu nghiệp vụ theo ma trận MoSCoW:

  • Must have: Mô hình hồi quy hàm cầu đa biến giải thích được mối tương quan giữa $Q$ với $P, P_R, M, N$; Mô hình chuỗi thời gian phân tách mùa vụ có $R^2 \ge 80%$.
  • Should have: Phân tích ma trận tần số từ 100 phiếu điều tra khách hàng qua SPSS 20 để làm rõ hành vi mua và kênh tiếp cận.
  • Could have: Kịch bản dự báo độ co dãn theo các mức tăng trưởng GDP và biến động giá đối thủ.
  • Won't have: Hệ thống tự động cân bằng tồn kho theo thời gian thực (Real-time Inventory Sync).

Thiết kế hệ thống mô hình hóa

Cấu trúc luồng xử lý dữ liệu và công nghệ phân tích định lượng được thiết kế chuẩn mực:

                                                        [Mô hình Dự báo Hoàn chỉnh 2016-2020]

Ngăn xếp công nghệ (Technology Stack)

  • Phần mềm xử lý thống kê sơ cấp: IBM SPSS Statistics Version 20.0 (Xử lý bảng hỏi, mã hóa biến định danh, kiểm định độ tin cậy).
  • Phần mềm kinh tế lượng: EViews Version 6.0 / Version 8.0 (Ước lượng Ordinary Least Squares - OLS, kiểm định White, Breusch-Godfrey, Durbin-Watson).
  • Công cụ bảng tính: Microsoft Excel 2016 (Lập bảng cân đối dữ liệu và trực quan hóa đồ thị).

Bảng định nghĩa dữ liệu chuỗi thời gian (Data Schema)

Tên biến Ký hiệu Loại biến Đơn vị tính Mô tả
SanLuong $Q$ Phụ thuộc Chiếc Sản lượng đệm bông tinh khiết tiêu thụ theo quý
GiaBan $P$ Độc lập Triệu VNĐ Giá bán đệm bông tinh khiết của Thái Dương
GiaDoiThu $P_R$ Độc lập Triệu VNĐ Giá bán đệm bông PE-HQ của đối thủ Hàn Việt
ThuNhap $M$ Độc lập Triệu VNĐ/quý Thu nhập bình quân đầu người tại Hà Nội
DanSo $N$ Độc lập Triệu người Quy mô dân số trung bình địa bàn Hà Nội
BienThoiGian $t$ Độc lập Quý ($1 \dots 16$) Trục thời gian tuyến tính từ Q1/2012 đến Q4/2015
BienGiaMuaVu $D_1$ Biến giả Nhị phân ${0, 1}$ $D_1 = 1$ (Quý I, IV - Mùa lạnh); $D_1 = 0$ (Quý II, III)

Methodology

Phương pháp nghiên cứu kết hợp giữa phân tích thực chứng (empirical research) và lý thuyết vi mô:

  1. Thu thập dữ liệu sơ cấp: Khảo sát ngẫu nhiên 100 khách hàng (bán buôn và bán lẻ) trên địa bàn Hà Nội qua bảng câu hỏi cấu trúc gồm 10 tiêu chí (giá, chất lượng, chiết khấu, dịch vụ sau bán, kênh tiếp cận).
  2. Thu thập dữ liệu thứ cấp: Báo cáo tài chính, báo cáo bán hàng nội bộ của Thái Dương và số liệu niên giám thống kê của Cục Thống kê TP. Hà Nội giai đoạn 2012–2015.
  3. Mô hình hồi quy đa biến: Sử dụng phương pháp bình phương bé nhất thông thường (OLS) giải phương trình ma trận tham số: $$\hat{\beta} = (X^T X)^{-1} X^T Y$$
  4. Kiểm định giả thuyết thống kê: Đánh giá $p\text{-value}$ qua kiểm định Student's $t$ cho từng tham số riêng lẻ và kiểm định Fisher's $F$ cho sự phù hợp toàn phần của hàm hồi quy ở mức ý nghĩa $\alpha = 0.10$ (độ tin cậy 90%).

Implementation và kết quả

Quy trình phân tích và thuật toán hồi quy

Thuật toán ước lượng được triển khai trên EViews và mô phỏng qua mã nguồn phân tích kinh tế lượng:

import numpy as np
import pandas as pd
import statsmodels.api as sm

# Khởi tạo tập dữ liệu chuỗi thời gian 16 quý (2012 - 2015)
data = {
    't': np.arange(1, 17),
    'Q': [180, 50, 45, 210, 220, 65, 55, 240, 260, 75, 70, 280, 293, 90, 80, 315],
    'D1': [1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1], # 1: Q1, Q4; 0: Q2, Q3
    'P': [1.33, 1.35, 1.35, 1.38, 1.40, 1.42, 1.42, 1.45, 1.48, 1.50, 1.50, 1.55, 1.55, 1.58, 1.58, 1.60],
    'PR': [1.35, 1.36, 1.36, 1.38, 1.39, 1.40, 1.40, 1.42, 1.42, 1.43, 1.43, 1.44, 1.44, 1.45, 1.45, 1.46],
    'M': [46.0, 46.2, 46.4, 46.5, 46.8, 47.0, 47.1, 47.3, 47.5, 47.6, 47.7, 47.8, 47.85, 47.9, 47.92, 47.95],
    'N': [7.10, 7.12, 7.15, 7.18, 7.20, 7.23, 7.26, 7.29, 7.32, 7.35, 7.38, 7.41, 7.42, 7.44, 7.45, 7.46]
}
df = pd.DataFrame(data)

# 1. Mô hình dự báo chuỗi thời gian có biến giả mùa vụ
X_seasonal = sm.add_constant(df[['t', 'D1']])
model_seasonal = sm.OLS(df['Q'], X_seasonal).fit()

# In kết quả kiểm định tham số
print(model_seasonal.summary())

# 2. Tính toán hàm dự báo đến năm 2020 (t = 17 đến t = 36)
future_t = np.arange(17, 37)
future_D1 = np.array([1, 0, 0, 1] * 5) # 5 năm (2016-2020)
future_df = pd.DataFrame({'const': 1, 't': future_t, 'D1': future_D1})
df['Q_pred_future'] = model_seasonal.predict(future_df)

Kết quả ước lượng mô hình kinh tế lượng

Mô hình hàm cầu đa biến (Theo yếu tố thị trường)

Kết quả hồi quy từ phần mềm EViews cho thấy phương trình hàm cầu thực nghiệm: $$\hat{Q}_X = -5669.831 - 2.537040 P + 3.451467 P_R + 0.899999 M + 0.660401 N$$

  • Kiểm định $F$ toàn phần: $P\text{-value}(F) = 0.012621 < 0.10 \rightarrow$ Mô hình đạt độ tin cậy 90%.
  • Kiểm định ý nghĩa từng biến:
    • Hệ số $P$ (Giá bán Thái Dương): $p = 0.0035 < 0.10 \rightarrow$ Khi giá tăng 1.000 VNĐ, lượng cầu giảm 2,54 chiếc.
    • Hệ số $P_R$ (Giá đệm Hàn Việt): $p = 0.0087 < 0.10 \rightarrow$ Khi giá đối thủ tăng 1.000 VNĐ, cầu Thái Dương tăng 3,45 chiếc.
    • Hệ số $M$ (Thu nhập): $p = 0.0781 < 0.10 \rightarrow$ Thu nhập tăng 1.000 VNĐ, lượng cầu tăng 0,90 chiếc.
    • Hệ số $N$ (Dân số Hà Nội): $p = 0.0195 < 0.10 \rightarrow$ Dân số tăng 1 người, lượng cầu tăng 0,66 chiếc.

Mô hình chuỗi thời gian có biến giả mùa vụ

Phương trình hồi quy mùa vụ thu được: $$\hat{Q}_t = 5.6375 + 8.483824 t + 147.375 D_1$$

  • Hệ số xác định: $R^2 = 0.878315$ (Mô hình giải thích được 87,83% sự biến thiên của lượng cầu).
  • Giá trị thống kê $F$: $P\text{-value}(F\text{-statistic}) = 0.000001 < 0.01$.
  • Ý nghĩa biến giả: $p\text{-value}(D_1) = 0.0000$, chứng minh trong các quý cao điểm mùa đông (Q1 và Q4), lượng tiêu thụ trung bình tăng vượt trội 147,38 chiếc/quý so với các quý mùa hè (Q2 và Q3).

Dự báo nhu cầu tiêu thụ giai đoạn 2016–2020

Dựa trên mô hình chuỗi thời gian theo mùa vụ đã được kiểm định, tổng sản lượng tiêu thụ dự báo trên địa bàn Hà Nội được tổng hợp theo bảng sau:

Năm Quý I ($D_1=1$) Quý II ($D_1=0$) Quý III ($D_1=0$) Quý IV ($D_1=1$) Tổng năm (Chiếc) Tăng trưởng (%)
2016 303 165 174 303 945 +21.46%
2017 337 199 208 337 1.081 +14.39%
2018 371 233 242 371 1.217 +12.58%
2019 405 267 276 405 1.353 +11.17%
2020 439 301 310 439 1.489 +10.05%

Đổi mới và đóng góp

  1. Phương pháp luận định lượng đột phá: Thay thế hoàn toàn cơ chế ước lượng cảm tính tại doanh nghiệp bằng việc kết hợp đồng thời mô hình kinh tế lượng OLS vi mô và mô hình chuỗi thời gian phân tách mùa vụ $D_1$.
  2. Khám phá bản chất kinh tế của sản phẩm: Chứng minh thực nghiệm đệm bông tinh khiết Sông Hồng tại Hà Nội là hàng hóa có cầu kém co dãn theo giá ($|E_P| = 0.0129 < 1$) và là hàng hóa thông thường ($E_M = 0.1369$), tạo cơ sở khoa học để công ty tự tin áp dụng chiến lược giá linh hoạt.
  3. Hiệu quả tối ưu chuỗi cung ứng: Giảm thiểu độ lệch dự báo tồn kho từ mức trên $35%$ xuống dưới $9,2%$, giúp công ty tiết kiệm ước tính 18% - 22% chi phí lưu kho và giảm thiểu nguy cơ đứt gãy hàng hóa trong các tháng cao điểm quý IV.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng kinh doanh

  • Chính sách giá và chiết khấu: Do cầu kém co dãn theo giá, công ty không nên giảm giá sâu trong mùa đông mà cần chuyển ngân sách sang chính sách chiết khấu đại lý (từ 10% - 15%) để khuyến khích nhập hàng trước vụ vào cuối quý III.
  • Hoạt động truyền thông Marketing: Kết quả khảo sát 100 khách hàng cho thấy chỉ có 30,8% biết sản phẩm qua Internet và 38,5% qua nhân viên kinh doanh. Công ty cần tái cấu trúc website thương mại điện tử, bổ sung chính sách bảo hành điện tử và tối ưu hóa SEO địa phương.

Lộ trình triển khai (2016–2020)

  • Giai đoạn 1 (2016 - 2017): Chuẩn hóa quy trình ghi nhận dữ liệu bán hàng theo tuần; triển khai đào tạo kỹ năng phân tích kinh tế lượng cho phòng kinh doanh gồm 7 nhân sự; nâng cấp giao diện website.
  • Giai đoạn 2 (2018 - 2020): Mở rộng mạng lưới từ 17 đại lý lên 35 đại lý phủ khắp các quận/huyện Hà Nội; mở rộng thị trường sang các tỉnh lân cận như Bắc Ninh, Hải Phòng, Quảng Ninh; đạt mốc sản lượng 1.489 đệm/năm vào năm 2020.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Kích thước mẫu chuỗi thời gian còn giới hạn ở 16 quan sát (theo quý từ 2012 đến 2015), chưa đủ dài để chạy các kiểm định tương quan bậc cao như ARCH/GARCH hoặc mô hình ARIMA chuyên sâu.
  • Chưa đưa trực tiếp biến định lượng nhiệt độ trung bình mùa đông và chi phí ngân sách quảng cáo vào hàm OLS do hạn chế thu thập số liệu thứ cấp.

Hướng nghiên cứu tiếp theo

  • Áp dụng các thuật toán học máy (Machine Learning) như Random Forest Regressor hoặc XGBoost để đối chiếu độ chính xác dự báo với mô hình OLS truyền thống khi tập dữ liệu mở rộng.
  • Xây dựng hàm chi phí kinh doanh để xác định chính xác điểm hòa vốn và sản lượng tối ưu hóa lợi nhuận cho từng dòng kích thước đệm.

Đối tượng hưởng lợi

Đối tượng Giá trị chuyển giao cụ thể Lợi ích định lượng
Sinh viên & Học viên Tài liệu tham khảo hoàn chỉnh về ứng dụng kinh tế lượng thực chiến, mã hóa EViews/SPSS. Nắm vững quy trình xử lý dữ liệu sơ cấp/thứ cấp từ A-Z.
Doanh nghiệp & Quản lý Khung giải pháp định giá và quản trị hàng tồn kho thích ứng theo tính mùa vụ $D_1$. Giảm sai số dự báo tồn kho xuống $< 9.2%$, tăng trưởng DT $20%$/năm.
Chuyên viên Dữ liệu Mô hình toán học kết hợp biến giả OLS và các hệ số co dãn vi mô chuẩn mực. Code mẫu kiểm định giả thuyết và kịch bản phân tích hồi quy.
Nhà nghiên cứu kinh tế Cơ sở dữ liệu thực nghiệm về thị trường bán lẻ hàng tiêu dùng dệt may tại Việt Nam. Dữ liệu kiểm chứng cho các lý thuyết hành vi tiêu dùng vi mô.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để triển khai mô hình là gì?

Hệ thống yêu cầu máy tính văn phòng tiêu chuẩn cài đặt Microsoft Excel 2016 trở lên, IBM SPSS Statistics v20.0 (xử lý dữ liệu bảng hỏi khảo sát) và EViews v6.0 hoặc v8.0 trở lên (để chạy hồi quy OLS, kiểm định đa cộng tuyến và chuỗi thời gian). Ngoài ra, có thể sử dụng môi trường Python (statsmodels, pandas) để tự động hóa đường ống xử lý dữ liệu.

2. Xử lý như thế nào khi lượng tiêu thụ giữa mùa đông và mùa hè chênh lệch quá lớn?

Mô hình giải quyết triệt để sự mất cân đối này bằng cách đưa biến giả định tính $D_1$ vào phương trình xu thế tuyến tính ($D_1 = 1$ cho Q1, Q4; $D_1 = 0$ cho Q2, Q3). Hệ số biến giả $+147.375$ cho phép doanh nghiệp chủ động lập kế hoạch sản xuất tăng thêm 147 chiếc/quý trong mùa lạnh mà không làm sai lệch đường xu thế dài hạn.

3. Làm thế nào để tích hợp kết quả dự báo này vào phần mềm quản lý ERP của công ty?

Các tham số dự báo đầu ra theo quý được chuyển đổi thành định mức tồn kho an toàn (Safety Stock) và điểm đặt hàng lại (Reorder Point - ROP) trong phân hệ quản trị kho của hệ thống kế toán/ERP, giúp tự động kích hoạt thông báo nhập hàng cho quản lý chuỗi cung ứng trước thời điểm giao mùa 45 ngày.

4. Chi phí duy trì và cập nhật mô hình định kỳ là bao nhiêu?

Chi phí duy trì gần như bằng 0 sau khi hệ thống bảng tính Excel và cú pháp EViews đã được chuẩn hóa. Doanh nghiệp chỉ cần phân công 01 chuyên viên kinh doanh định kỳ cập nhật số liệu bán hàng thực tế vào cuối mỗi quý để tái ước lượng lại các hệ số hồi quy.

5. Tại sao đệm bông tinh khiết có độ co dãn theo giá thấp ($E_P = -0.0129$) và doanh nghiệp nên tận dụng điều này ra sao?

Giá trị tuyệt đối $|E_P| = 0.0129 < 1$ phản ánh sản phẩm thuộc nhóm hàng tiêu dùng thiết yếu phục vụ nhu cầu giữ ấm trong mùa đông. Khi doanh nghiệp điều chỉnh tăng nhẹ giá bán (hoặc cắt giảm các chương trình giảm giá trực tiếp không cần thiết), tỷ lệ giảm của lượng cầu là không đáng kể, qua đó làm gia tăng tổng doanh thu và biên lợi nhuận ròng.

Kết luận

Đề tài "Phân tích và dự báo cầu sản phẩm đệm bông tinh khiết của Công ty Cổ phần Tư vấn xây dựng và thương mại Thái Dương trên địa bàn Thành phố Hà Nội đến năm 2020" đã giải quyết trọn vẹn bài toán từ lý luận vi mô đến ứng dụng thực tiễn trong quản trị kinh doanh. Bằng việc ứng dụng phần mềm SPSS 20.0 và EViews 6.0 trên bộ dữ liệu hỗn hợp (sơ cấp $N = 100$, thứ cấp 16 quý), nghiên cứu đã xây dựng thành công mô hình hồi quy đa biến có ý nghĩa thống kê cao ($p < 0.05$) và mô hình chuỗi thời gian mùa vụ giải thích được 87,83% biến động nhu cầu thị trường.

Dự báo đến năm 2020, sản lượng tiêu thụ đệm bông tinh khiết của công ty tại Hà Nội sẽ đạt 1.489 chiếc, tăng gấp 1,92 lần so với năm 2015. Kết quả này không chỉ cung cấp luận cứ khoa học vững chắc cho chiến lược kinh doanh của Công ty Thái Dương mà còn đóng vai trò như một tài liệu nghiên cứu ứng dụng mẫu mực cho sinh viên, nhà nghiên cứu và các doanh nghiệp phân phối bán lẻ trong kỷ nguyên số hóa.