Tổng quan nghiên cứu

Trong bối cảnh thị trường trang sức tại Việt Nam ngày càng phát triển, việc dự báo nhu cầu khách hàng chính xác đóng vai trò then chốt trong quản lý chuỗi cung ứng và kế hoạch tài chính của doanh nghiệp. Theo báo cáo ngành, nhóm khách hàng TSCZ tại khu vực TP. Hồ Chí Minh chiếm tỷ trọng cao nhất trong tổng doanh số bán hàng, do đó được lựa chọn làm đối tượng nghiên cứu chính trong luận văn này. Nghiên cứu tập trung vào việc nâng cao độ chính xác của quy trình dự báo giao dịch khách hàng trong vòng 6 tháng, với lead time dự báo là 2 tháng, nhằm giảm thiểu sai số dự báo và tối ưu hóa hoạt động vận hành.

Mục tiêu cụ thể của luận văn là chuẩn hóa quy trình thao tác dự báo, phát triển mô hình dự báo phù hợp với đặc điểm chuỗi thời gian lịch sử của ngành trang sức, đồng thời đảm bảo sai số dự báo không vượt quá 10%. Nghiên cứu so sánh hai kỹ thuật dự báo phổ biến là mô hình SARIMA và Holt-Winters Exponential Smoothing để lựa chọn mô hình tối ưu nhất dựa trên các chỉ số độ chính xác và độ lệch dự báo. Kết quả dự kiến sẽ giúp doanh nghiệp nâng cao độ chính xác dự báo lên khoảng 10%, từ đó hỗ trợ kế hoạch tài chính và ngân sách hiệu quả hơn, đồng thời có thể áp dụng cho các nhóm khách hàng khác với một số điều chỉnh cần thiết.

Phạm vi nghiên cứu bao gồm dữ liệu giao dịch bán hàng tại phòng cung ứng của một công ty trang sức lớn trên toàn quốc, tập trung chủ yếu tại khu vực TP. Hồ Chí Minh trong khoảng thời gian 6 tháng gần nhất. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện các chỉ số KPI quan trọng như forecast accuracy (đạt trên 77%) và forecast bias (giảm xuống dưới -12%), góp phần nâng cao hiệu quả quản lý tồn kho và đáp ứng nhu cầu khách hàng kịp thời.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình dự báo chuỗi thời gian kinh điển, bao gồm:

  • Mô hình ARIMA (Autoregressive Integrated Moving Average): Mô hình kết hợp giữa thành phần tự hồi quy (AR), sai phân tích hợp (I) và trung bình động (MA) để xử lý chuỗi thời gian không dừng. Mô hình ARIMA được mở rộng thành SARIMA để xử lý tính mùa vụ trong dữ liệu.

  • Mô hình Holt-Winters Exponential Smoothing: Phương pháp làm mượt số liệu theo cấp số nhân, bao gồm các thành phần xu hướng và mùa vụ, phù hợp với dữ liệu có tính chu kỳ rõ rệt.

Các khái niệm chính được sử dụng gồm:

  • Forecast Accuracy (FA): Đo lường độ chính xác của dự báo, được tính dựa trên các chỉ số như MAE, MSE, RMSE.

  • Forecast Bias (FB): Đánh giá xu hướng lệch của dự báo so với thực tế, giúp nhận diện mô hình có xu hướng dự báo quá cao hoặc quá thấp.

  • Chuỗi thời gian (Time Series): Dữ liệu được thu thập theo thời gian, có thể có tính mùa vụ và xu hướng.

  • Tính dừng (Stationarity): Yêu cầu quan trọng để áp dụng các mô hình ARIMA, được kiểm định bằng Dicky-Fuller Test.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ hệ thống quản lý bán hàng của một công ty trang sức lớn tại Việt Nam, với cỡ mẫu khoảng 70 quan sát theo tháng, bao gồm các nhóm hàng như Bong, Dayco, Khac, Lac, Meday, Nhan, Vong. Dữ liệu được xử lý và trích xuất bằng ngôn ngữ truy vấn SQL, sau đó được làm sạch, loại bỏ ngoại lai và kiểm định tính dừng bằng Dicky-Fuller Test.

Phương pháp phân tích chính là so sánh hiệu quả dự báo giữa mô hình SARIMA và Holt-Winters Exponential Smoothing. Việc lựa chọn mô hình dựa trên tiêu chí AIC thấp nhất, đồng thời đánh giá các chỉ số sai số dự báo như MAE, MSE, RMSE và MAPE. Quá trình phân tích được thực hiện trên nền tảng Python với thư viện statsmodels và Google Colab, kết hợp trực quan hóa dữ liệu bằng Tableau để hỗ trợ đánh giá mô hình.

Timeline nghiên cứu kéo dài 6 tháng, bao gồm các bước: thu thập và xử lý dữ liệu, phân tích tính chất chuỗi thời gian, xây dựng và lựa chọn mô hình dự báo, đánh giá kết quả và đề xuất giải pháp cải tiến quy trình dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác dự báo tăng 10% sau khi áp dụng mô hình SARIMA: Mô hình SARIMA(0,1,2)(2,1,0)[12] được lựa chọn là mô hình tối ưu với chỉ số AIC thấp nhất (-50.96), giúp nâng cao độ chính xác dự báo lên 77.8%, so với mức trung bình trước đó khoảng 67.8%.

  2. Forecast bias giảm xuống mức -12.2%, cải thiện khả năng dự báo không bị lệch quá nhiều: Điều này cho thấy mô hình đã giảm thiểu được xu hướng dự báo quá cao hoặc quá thấp, giúp kế hoạch tồn kho và tài chính chính xác hơn.

  3. Dữ liệu có tính mùa vụ rõ rệt với chu kỳ 12 tháng: Phân tích chuỗi thời gian cho thấy tính mùa vụ mạnh, phù hợp với mô hình SARIMA có thành phần mùa vụ. Ngoài ra, dữ liệu có tính dừng sau khi thực hiện sai phân bậc 1, được xác nhận qua kiểm định Dicky-Fuller với p-value < 0.05.

  4. Ngoại lai và dữ liệu bất thường được phát hiện và xử lý hiệu quả: Qua trực quan hóa bằng biểu đồ boxplot, các điểm ngoại lai được xác định và loại bỏ, giúp cải thiện chất lượng dữ liệu đầu vào cho mô hình dự báo.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình SARIMA vượt trội là khả năng xử lý đồng thời các thành phần xu hướng, mùa vụ và sai số trong chuỗi thời gian, phù hợp với đặc điểm dữ liệu bán hàng ngành trang sức có tính chu kỳ theo tháng. Kết quả này tương đồng với các nghiên cứu trong ngành bán lẻ và sản xuất có nhu cầu theo mùa vụ, cho thấy SARIMA là lựa chọn ưu việt trong các trường hợp tương tự.

So sánh với mô hình Holt-Winters, SARIMA cho kết quả dự báo chính xác hơn khoảng 10%, đồng thời giảm thiểu bias, giúp doanh nghiệp có kế hoạch tồn kho và tài chính sát thực tế hơn. Việc áp dụng mô hình này cũng giúp chuẩn hóa quy trình dự báo, giảm thiểu sự phụ thuộc vào kinh nghiệm cá nhân của nhân viên, từ đó nâng cao hiệu quả vận hành.

Dữ liệu được trình bày qua các biểu đồ ACF, PACF, biểu đồ phân rã chuỗi thời gian và boxplot giúp minh họa rõ ràng tính mùa vụ, tính dừng và các điểm ngoại lai trong dữ liệu, hỗ trợ việc lựa chọn và đánh giá mô hình dự báo.

Đề xuất và khuyến nghị

  1. Chuẩn hóa quy trình cập nhật và xử lý dữ liệu: Thiết lập quy trình cập nhật dữ liệu hàng tháng, kiểm tra và loại bỏ ngoại lai, đảm bảo dữ liệu đầu vào sạch và đồng nhất. Chủ thể thực hiện: bộ phận IT và phân tích dữ liệu, timeline: ngay lập tức và duy trì liên tục.

  2. Áp dụng mô hình SARIMA cho dự báo nhu cầu với lead time 2 tháng: Triển khai mô hình SARIMA(0,1,2)(2,1,0)[12] làm chuẩn trong dự báo bán hàng, giúp nâng cao forecast accuracy lên trên 77% và giảm forecast bias dưới -12%. Chủ thể thực hiện: bộ phận phân tích dữ liệu và kế hoạch, timeline: trong 1 quý tới.

  3. Đào tạo nhân viên vận hành dự báo theo quy trình chuẩn: Tổ chức các khóa đào tạo về quy trình dự báo, sử dụng công cụ Python và Tableau để nhân viên nắm vững kỹ thuật và quy trình, giảm thiểu sai sót do kinh nghiệm cá nhân. Chủ thể thực hiện: phòng nhân sự và đào tạo, timeline: trong 2 tháng.

  4. Xây dựng hệ thống dashboard trực quan theo dõi dự báo: Phát triển dashboard trên nền tảng Tableau để theo dõi các chỉ số dự báo, cảnh báo sai số và hỗ trợ ra quyết định nhanh chóng. Chủ thể thực hiện: bộ phận IT và phân tích dữ liệu, timeline: trong 3 tháng.

  5. Mở rộng áp dụng mô hình cho các nhóm khách hàng và khu vực khác: Sau khi hoàn thiện mô hình cho nhóm TSCZ tại TP. Hồ Chí Minh, tiến hành điều chỉnh và áp dụng cho các nhóm khách hàng khác trên toàn quốc nhằm tối ưu hóa toàn bộ chuỗi cung ứng. Chủ thể thực hiện: bộ phận phân tích dữ liệu và quản lý chuỗi cung ứng, timeline: trong 6 tháng tiếp theo.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý chuỗi cung ứng trong ngành bán lẻ trang sức: Giúp hiểu rõ quy trình và mô hình dự báo nhu cầu, từ đó tối ưu tồn kho và kế hoạch sản xuất.

  2. Chuyên viên phân tích dữ liệu và dự báo: Cung cấp phương pháp luận chi tiết về xử lý dữ liệu chuỗi thời gian, lựa chọn và đánh giá mô hình dự báo phù hợp.

  3. Nhà hoạch định tài chính và ngân sách doanh nghiệp: Hỗ trợ xây dựng kế hoạch tài chính chính xác dựa trên dự báo nhu cầu sát thực tế, giảm thiểu rủi ro tài chính.

  4. Các nhà nghiên cứu và sinh viên chuyên ngành quản trị kinh doanh, logistics: Là tài liệu tham khảo về ứng dụng mô hình ARIMA và Holt-Winters trong thực tiễn ngành bán lẻ, đồng thời cung cấp case study cụ thể tại Việt Nam.

Câu hỏi thường gặp

  1. Mô hình SARIMA có ưu điểm gì so với Holt-Winters?
    SARIMA xử lý tốt cả thành phần xu hướng và mùa vụ trong chuỗi thời gian, đồng thời có khả năng điều chỉnh sai số dự báo qua các tham số p,d,q và P,D,Q, giúp nâng cao độ chính xác dự báo hơn khoảng 10% so với Holt-Winters trong nghiên cứu này.

  2. Làm thế nào để kiểm tra tính dừng của chuỗi thời gian?
    Dùng kiểm định Dicky-Fuller Test, nếu p-value < 0.05 thì chuỗi được coi là dừng. Trong nghiên cứu, sau khi sai phân bậc 1, chuỗi dữ liệu đạt tính dừng với p-value < 0.05, phù hợp để áp dụng mô hình ARIMA.

  3. Forecast bias là gì và tại sao cần giảm?
    Forecast bias đo lường xu hướng lệch của dự báo so với thực tế. Bias âm hoặc dương lớn cho thấy dự báo có xu hướng sai lệch, ảnh hưởng đến kế hoạch tồn kho và tài chính. Giảm bias giúp dự báo cân bằng và chính xác hơn.

  4. Tại sao cần loại bỏ ngoại lai trong dữ liệu?
    Ngoại lai làm sai lệch mô hình dự báo, gây ra sai số lớn. Việc phát hiện và loại bỏ các điểm ngoại lai qua biểu đồ boxplot giúp cải thiện chất lượng dữ liệu và độ tin cậy của mô hình.

  5. Có thể áp dụng mô hình này cho ngành khác không?
    Có thể, nhưng cần điều chỉnh tham số và kiểm tra đặc điểm chuỗi thời gian của ngành đó. Mô hình SARIMA linh hoạt và được sử dụng rộng rãi trong nhiều lĩnh vực có dữ liệu chuỗi thời gian có tính mùa vụ.

Kết luận

  • Nghiên cứu đã nâng cao độ chính xác dự báo nhu cầu khách hàng nhóm TSCZ tại TP. Hồ Chí Minh lên khoảng 77.8%, tăng 10% so với trước.
  • Mô hình SARIMA(0,1,2)(2,1,0)[12] được lựa chọn là mô hình tối ưu dựa trên tiêu chí AIC và các chỉ số sai số dự báo.
  • Quy trình chuẩn hóa dữ liệu, loại bỏ ngoại lai và kiểm định tính dừng là bước quan trọng giúp mô hình hoạt động hiệu quả.
  • Kết quả giúp doanh nghiệp cải thiện kế hoạch tồn kho, tài chính và vận hành, đồng thời có thể mở rộng áp dụng cho các nhóm khách hàng khác.
  • Các bước tiếp theo bao gồm triển khai quy trình chuẩn, đào tạo nhân viên và xây dựng hệ thống dashboard hỗ trợ ra quyết định.

Hành động ngay hôm nay: Áp dụng mô hình SARIMA trong dự báo bán hàng để nâng cao hiệu quả quản lý và tối ưu hóa nguồn lực doanh nghiệp.