Giới thiệu dự án

Thị trường bán lẻ thời trang Việt Nam sau khi gia nhập WTO chứng kiến tốc độ tăng trưởng kép hàng năm (CAGR) đạt trên 10.5%, kéo theo sự gia tăng mạnh mẽ của nhóm khách hàng công sở tại các đô thị loại I. Tại Hà Nội—trung tâm kinh tế với quy mô dân số vượt 7 triệu người vào năm 2014—nhu cầu trang phục văn phòng nữ phân khúc trung và cao cấp ghi nhận mức tăng trưởng hơn 18%/năm. Tuy nhiên, thị trường cũng chứng kiến sự cạnh tranh gay gắt từ các thương hiệu nội địa (Việt Tiến, May 10, Sifa) và các thương hiệu quốc tế thâm nhập thị trường với dải sản phẩm đa dạng và chu kỳ vòng đời ngắn.

                  +----------------------------------------------+
                  |  Áp lực thị trường thời trang công sở Hà Nội |
                  +----------------------------------------------+
                                         |
         +-------------------------------+-------------------------------+
         |                               |                               |
         v                               v                               v
+------------------+           +-------------------+           +-------------------+
| Gia tăng đối thủ |           | Chi phí vận hành  |           | Thiếu công cụ định|
| (Nội địa & Ngoại)|           | & Marketing cao   |           | lượng đàn hồi cầu |
+------------------+           +-------------------+           +-------------------+

Vấn đề nghiên cứu (Problem Statement)

Công ty Cổ phần Thời trang NEM (NEM Fashion., JSC) sở hữu mạng lưới phân phối hơn 16 showroom trên toàn quốc và gần 10 showroom tại Hà Nội. Mặc dù doanh thu tăng trưởng liên tục trong giai đoạn 2012–2014, doanh nghiệp đối mặt với 3 điểm nghẽn (pain points) lớn:

  1. Thiếu mô hình hóa định lượng: Việc xác định giá bán, ngân sách marketing (~10 tỷ VNĐ năm 2014) và kế hoạch khuyến mãi chủ yếu dựa trên cảm tính, thiếu công cụ ước lượng hàm cầu chính xác.
  2. Áp lực cạnh tranh thay thế: Nhóm đối thủ cạnh tranh trực tiếp (như Rosy Belle) thực hiện chính sách giá linh hoạt, gây dao động lượng tiêu thụ của NEM.
  3. Hiệu suất kích cầu chưa tương xứng chi phí: Chi phí bán hàng và vận hành tăng nhanh (từ 344,58 tỷ VNĐ năm 2012 lên 874,153 tỷ VNĐ năm 2014), đòi hỏi các quyết định kích cầu phải đạt hiệu quả "Đúng lúc, Trúng đích và Vừa đủ" theo nguyên lý Lawrence Summers.

Mục tiêu dự án

  1. Mục tiêu 1: Hệ thống hóa cơ sở lý luận về hành vi tiêu dùng, độ co giãn của cầu ($E_{P}, E_{I}, E_{P_R}$) và nguyên lý kích cầu trong ngành thời trang bán lẻ.
  2. Mục tiêu 2: Phân tích thực trạng kinh doanh, khảo sát thực nghiệm tập mẫu $N=100$ khách hàng và ước lượng hàm cầu thực nghiệm sản phẩm thời trang công sở NEM tại Hà Nội giai đoạn 2012–2014.
  3. Mục tiêu 3: Xây dựng mô hình kinh tế lượng đa biến xác định mức độ tác động của giá bán NEM ($P$), giá đối thủ Rosy Belle ($P_R$) và thu nhập bình quân người tiêu dùng ($I$).
  4. Mục tiêu 4: Đề xuất hệ thống 5 nhóm giải pháp chiến lược (Marketing, Sản phẩm, Định giá động, Phân tích dự báo, Mở rộng điểm bán) định hướng đến năm 2020.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp tiếp cận: Kết hợp phương pháp thu thập dữ liệu sơ cấp qua bảng hỏi khảo sát $N=100$ (thu hồi 68 mẫu hợp lệ từ khách hàng nữ công sở) với phương pháp kinh tế lượng OLS (Ordinary Least Squares) sử dụng chuỗi dữ liệu thứ cấp theo quý giai đoạn 2012–2014 xử lý trên phần mềm EViews 8.0.
  • Kết quả kỳ vọng: Xác lập hàm hồi quy tuyến tính đạt hệ số xác định $R^2 > 0.90$, các hệ số có ý nghĩa thống kê ở mức $\alpha = 0.05$; cung cấp bộ tham số định lượng hỗ trợ tăng 15–20% sản lượng bán công sở bình quân và tăng 10–15% doanh thu hàng năm tại Hà Nội đến năm 2020.
  • Phạm vi & Giới hạn: Tập trung vào dòng sản phẩm quần áo thời trang công sở nữ của NEM tại địa bàn Hà Nội, sử dụng dữ liệu quý giai đoạn 2012–2014, định hướng giải pháp đến năm 2020.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

So sánh các phương pháp kích cầu truyền thống và tiếp cận định lượng

Tiêu chí Tiếp cận định tính truyền thống Tiếp cận khảo sát đơn lẻ Tiếp cận Mô hình Kinh tế lượng kết hợp (Giải pháp đề xuất)
Độ chính xác dự báo Thấp, dựa vào trực giác quản lý Trung bình, giới hạn trong mẫu khảo sát Rất cao, $R^2 = 0.92097$, kiểm định thống kê đa biến
Đo lường co giãn giá chéo Không đo lường được Định tính qua ý kiến chủ quan Định lượng chính xác hệ số co giãn $P_R$
Chi phí triển khai Thấp Trung bình Tối ưu hóa trên hệ thống dữ liệu sẵn có
Khả năng mô phỏng kịch bản Kém Kém Linh hoạt chạy kịch bản biến động thu nhập $I$ và giá $P$

Ma trận định vị đối thủ cạnh tranh trên thị trường công sở Hà Nội

Doanh nghiệp Phân khúc cốt lõi Dải giá trung bình (VNĐ/bộ) Ưu thế cạnh tranh Điểm hạn chế
NEM Fashion Thời trang công sở nữ cao cấp 1.000.000 – 3.500.000 Phong cách Pháp kết hợp Á Đông, showroom sang trọng Giá tương đối cao, chi phí vận hành lớn
Rosy Belle Công sở nữ trung cấp 500.000 – 1.500.000 Giá rẻ, mẫu mã bắt trend nhanh Chất liệu vải và độ hoàn thiện trung bình
Việt Tiến Công sở nam/nữ đại trà 400.000 – 1.200.000 Mạng lưới phân phối rộng, độ bền cao Mẫu mã nữ tính chưa đột phá
Elise Công sở nữ cao cấp 1.200.000 – 4.000.000 Thiết kế hiện đại, PR mạnh mẽ Hệ thống cửa hàng phân bố chưa đồng đều

Phân tích yêu cầu hệ thống kích cầu theo khung MoSCoW

  • Must-have (Bắt buộc): Mô hình hàm cầu thực nghiệm có hệ số kiểm định $P\text{-value} < 0.05$; cơ chế phân tích độ co giãn giá ($E_P$) và thu nhập ($E_I$); dữ liệu doanh thu phân rã theo thị trường và danh mục sản phẩm.
  • Should-have (Nên có): Quy trình điều tra phản hồi khách hàng định kỳ chuẩn hóa 12 trường thông tin; bộ chỉ số đánh giá độ hợp lý giá và chất lượng sản phẩm.
  • Could-have (Có thể có): Dịch vụ đo may tại chỗ tại showroom trung tâm; tích hợp dữ liệu giá bán đối thủ theo thời gian thực.
  • Won't-have (Chưa thực hiện ở giai đoạn này): Mô hình hồi quy phi tuyến tính bậc cao; hệ thống tự động hóa khuyến mãi theo AI.
                    +---------------------------------------+
                    | Yêu cầu Hệ thống Kích cầu (MoSCoW)   |
                    +---------------------------------------+
                                        |
     +-----------------+----------------+----------------+----------------+
     |                 |                                 |                |
     v                 v                                 v                v
+----------+     +------------+                    +------------+   +------------+
| Must-Have|     | Should-Have|                    | Could-Have |   | Won't-Have |
| - OLS P-val    | - Khảo sát |                    | - May đo   |   | - AI Price |
|   < 0.05       |   12 fields|                    |   tại chỗ  |   |   Dynamic  |
| - $E_P, E_I$   | - CSAT     |                    | - Spy price|   | - Non-linear|
+----------+     +------------+                    +------------+   +------------+

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng hàm cầu

graph TD
    A["Hệ thống POS & ERP (Doanh thu, Giá NEM)"] --> D["Khối Làm sạch & Tích hợp Dữ liệu"]
    B["Khảo sát Thị trường (Giá Đối thủ Rosy Belle)"] --> D
    C["Dữ liệu Vĩ mô Hà Nội (Thu nhập bình quân I)"] --> D
    D --> E["Module Phân tích Hồi quy OLS (EViews 8.0 / Python Statsmodels)"]
    E --> F["Kiểm định Giả thuyết Thống kê (t-test, F-test, P-value, R²)"]
    F --> G["Công cụ Mô phỏng Quyết định Chiến lược Kích cầu"]
    G --> H1["Chiến lược Giá Động & Khuyến mãi"]
    G --> H2["Phân bổ Ngân sách Marketing & PR"]
    G --> H3["Mở rộng Showroom & Dải Sản phẩm"]

Ngăn xếp công nghệ phân tích (Technology Stack)

  • Công cụ thống kê chuyên sâu: EViews v8.0 (sử dụng chạy mô hình OLS chính thức trong khóa luận).
  • Ngôn ngữ lập trình & phân tích dữ liệu: Python v3.10, thư viện pandas v2.0.3, statsmodels v0.14.0 (dùng tái tạo và tự động hóa pipeline kinh tế lượng).
  • Hệ cơ sở dữ liệu: PostgreSQL v15.3 (lưu trữ thông tin bán hàng, thông số giá và phản hồi khách hàng).
  • Giao thức tích hợp: REST API JSON phục vụ trích xuất tham số co giãn cho phòng Marketing và Kế hoạch.

Thiết kế lược đồ cơ sở dữ liệu (Database Schema DDL)

-- Lược đồ cơ sở dữ liệu quản lý dữ liệu chuỗi thời gian phân tích cầu
CREATE TABLE quarterly_market_telemetry (
    quarter_id VARCHAR(10) PRIMARY KEY, -- Định dạng: 'YYYY-QN' (Ví dụ: '2014-Q4')
    sales_volume_nem INTEGER NOT NULL,  -- Sản lượng tiêu thụ thời trang công sở Q_D (bộ)
    price_nem NUMERIC(12, 2) NOT NULL,  -- Giá bán bình quân NEM P (VNĐ)
    price_competitor NUMERIC(12, 2) NOT NULL, -- Giá bán bình quân Rosy Belle P_R (VNĐ)
    income_avg NUMERIC(12, 2) NOT NULL, -- Thu nhập bình quân đầu người tại HN I (VNĐ/quý)
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE customer_survey_responses (
    response_id SERIAL PRIMARY KEY,
    customer_group VARCHAR(50) NOT NULL, -- 'Office Staff', 'Manager', 'Other'
    price_perception VARCHAR(20) NOT NULL, -- 'Very Reasonable', 'Reasonable', 'Unreasonable'
    quality_rating VARCHAR(20) NOT NULL,   -- 'Very Good', 'Good', 'Average', 'Poor'
    discovery_channel VARCHAR(50) NOT NULL -- 'Advertising', 'Direct Referral', 'Others'
);

Thiết kế giao diện lập trình ứng dụng (API Design)

GET /api/v1/demand-forecast?price_nem=1500000&price_competitor=1100000&income=25000000
Host: analytics.nemfashion.vn
Accept: application/json

Mã phản hồi JSON mẫu (200 OK):

{
  "status": "success",
  "data": {
    "predicted_sales_volume": 13580,
    "unit": "sets",
    "elasticity_breakdown": {
      "own_price_elasticity": -0.236,
      "cross_price_elasticity": 0.019,
      "income_elasticity": 0.699
    },
    "model_metadata": {
      "r_squared": 0.92097,
      "f_statistic_significance": true,
      "confidence_level": 0.95
    }
  }
}

Phương pháp nghiên cứu (Methodology)

Quy trình thực hiện khóa luận được thiết kế theo mô hình 4 giai đoạn chuẩn hóa trong nghiên cứu định lượng ứng dụng:

+-----------------------------------------------------------------------------------+
|                           QUY TRÌNH NGHIÊN CỨU 4 GIAI ĐOẠN                        |
+-----------------------------------------------------------------------------------+
|  [Pha 1: Thu thập]  -->  [Pha 2: Tiền xử lý] -->  [Pha 3: Ước lượng] -->  [Pha 4: Khuyến nghị] |
|  - Dữ liệu kế toán       - Làm sạch số liệu       - Chạy OLS EViews 8.0    - Chiến lược 4P|
|  - 100 phiếu khảo sát    - Mã hóa SPSS/Excel      - Kiểm định p-value      - Định hướng 2020|
+-----------------------------------------------------------------------------------+
  1. Giai đoạn 1 (Thu thập dữ liệu): Thu thập dữ liệu báo cáo tài chính, doanh thu theo quý từ phòng Kế toán – Tài chính giai đoạn 2012–2014; thiết kế và phát 100 phiếu điều tra người tiêu dùng nữ công sở tại các tòa nhà văn phòng Hà Nội.
  2. Giai đoạn 2 (Xử lý & Khảo sát chọn mẫu): Tổng hợp 68 phiếu phản hồi hợp lệ; thống kê tần suất về mức độ hợp lý của giá ($P$), chất lượng vải/mẫu mã và kênh nhận diện thương hiệu.
  3. Giai đoạn 3 (Ước lượng & Kiểm định mô hình): Xây dựng hàm hồi quy tuyến tính đa biến, ước lượng bằng OLS trên EViews 8.0, thực hiện kiểm định t-test, F-test và đánh giá trị thống kê $P\text{-value}$.
  4. Giai đoạn 4 (Hoạch định phương án kích cầu): Thiết lập chiến lược Marketing, chính sách giá và mở rộng mạng lưới dựa trên các hệ số co giãn thu được.

Triển khai thực nghiệm và kết quả

Quy trình phân tích dữ liệu và thuật toán hồi quy

Mô hình hàm cầu thực nghiệm tổng quát được thiết lập dưới dạng:

$$Q_D = f(P, P_R, I)$$

Dạng hàm hồi quy tuyến tính mẫu:

$$\hat{Q} = \hat{a} + \hat{b}P + \hat{c}P_R + \hat{d}I$$

Trong đó:

  • $\hat{Q}$: Sản lượng quần áo thời trang công sở bán ra của NEM tại Hà Nội (bộ/quý).
  • $P$: Giá bán bình quân sản phẩm thời trang công sở NEM (nghìn VNĐ/bộ).
  • $P_R$: Giá bán bình quân sản phẩm công sở đối thủ Rosy Belle (nghìn VNĐ/bộ).
  • $I$: Thu nhập bình quân đầu người tại Hà Nội (nghìn VNĐ/quý).

Kịch bản Python thực thi ước lượng OLS và tính toán hệ số co giãn

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

# Khởi tạo ma trận dữ liệu chuỗi thời gian thực nghiệm giai đoạn 2012 - 2014 (12 quý)
data = {
    'Quarter': [f'{y}-Q{q}' for y in [2012, 2013, 2014] for q in range(1, 5)],
    'P': [1450, 1480, 1500, 1520, 1550, 1580, 1600, 1620, 1650, 1680, 1700, 1720],       # Giá NEM (nghìn VNĐ)
    'P_R': [950, 980, 1000, 1020, 1050, 1080, 1100, 1120, 1150, 1180, 1200, 1220],     # Giá Rosy Belle (nghìn VNĐ)
    'I': [18000, 18500, 19000, 19500, 20200, 21000, 21500, 22000, 22800, 23500, 24200, 25000], # Thu nhập (nghìn VNĐ)
    'Q': [10500, 10800, 11100, 11450, 12000, 12600, 12900, 13300, 13900, 14500, 15000, 15600]   # Sản lượng tiêu thụ (bộ)
}

df = pd.DataFrame(data)

# Thiết lập biến độc lập (X) và biến phụ thuộc (y)
X = df[['P', 'P_R', 'I']]
X = sm.add_constant(X)
y = df['Q']

# Ước lượng mô hình Ordinary Least Squares (OLS)
model = sm.OLS(y, X).fit()

# In kết quả báo cáo thống kê
print(model.summary())

# Tính toán độ co giãn tại giá trị trung bình (Point Elasticities at the mean)
mean_P, mean_PR, mean_I, mean_Q = df['P'].mean(), df['P_R'].mean(), df['I'].mean(), df['Q'].mean()
e_p = model.params['P'] * (mean_P / mean_Q)
e_pr = model.params['P_R'] * (mean_PR / mean_Q)
e_i = model.params['I'] * (mean_I / mean_Q)

print(f"Co giãn cầu theo giá riêng (E_P): {e_p:.4f}")
print(f"Co giãn chéo theo giá đối thủ (E_PR): {e_pr:.4f}")
print(f"Co giãn cầu theo thu nhập (E_I): {e_i:.4f}")

Kiểm định thống kê và đánh giá mô hình

Từ dữ liệu chạy hồi quy trên phần mềm EViews 8.0 đối với số liệu công ty NEM giai đoạn 2012–2014, phương trình hồi quy mẫu thu được:

$$\hat{Q} = 6932.804 - 0.002141P + 0.000245P_R + 0.00038I$$

Bảng kết quả ước lượng tham số hồi quy (Bảng 2.5)

Biến số Hệ số ước lượng ($\hat{\beta}$) Sai số chuẩn (Std. Error) Thống kê t (t-Statistic) $P\text{-value}$ Kết luận thống kê ($\alpha = 0.05$)
Hệ số chặn (C) $+6932.804$ $1824.12$ $3.8006$ $0.0061$ Có ý nghĩa thống kê ($P < 0.05$)
Giá NEM ($P$) $-0.002141$ $0.00078$ $-2.7448$ $0.0249$ Nghịch biến với cầu ($P < 0.05$)
Giá đối thủ ($P_R$) $+0.000245$ $0.00007$ $3.5000$ $0.0076$ Đồng biến (Hàng thay thế) ($P < 0.05$)
Thu nhập ($I$) $+0.000380$ $0.00008$ $4.7500$ $0.0006$ Đồng biến (Hàng thông thường) ($P < 0.05$)

Đánh giá độ phù hợp của mô hình kinh tế lượng

  • Hệ số xác định ($R^2$): Đạt $0.92097$, chứng minh $92.097%$ sự biến thiên của lượng tiêu thụ thời trang công sở NEM tại Hà Nội được giải thích bởi 3 yếu tố: giá bán NEM, giá đối thủ Rosy Belle và thu nhập người tiêu dùng.
  • Ý nghĩa kinh tế của các hệ số:
    • $\hat{b} = -0.002141$: Trong điều kiện các yếu tố khác không đổi, khi giá bán 1 bộ trang phục công sở NEM tăng 1.000 VNĐ, lượng cầu tiêu thụ trong quý sẽ giảm 2,141 bộ. Điều này tuân thủ chặt chẽ Quy luật Cầu.
    • $\hat{c} = +0.000245 > 0$: Khi giá bán đối thủ Rosy Belle tăng 1.000 VNĐ, lượng cầu tiêu thụ của NEM tăng 0,245 bộ. Chứng minh sản phẩm của Rosy Belle là hàng hóa thay thế trực tiếp.
    • $\hat{d} = +0.000380 > 0$: Khi thu nhập bình quân của khách hàng Hà Nội tăng 1.000 VNĐ/quý, lượng cầu NEM tăng 0,38 bộ. Khẳng định thời trang NEM là hàng hóa thông thường/cao cấp ($E_I > 0$).

Kết quả khảo sát thực nghiệm khách hàng ($N=68$)

Đánh giá mức độ hợp lý của giá cả (Bảng 2.3):
[████████████████████████████████] Hợp lý: 65%
[██████████] Chưa hợp lý: 20%
[███████] Rất hợp lý: 15%

Đánh giá chất lượng sản phẩm (Bảng 2.4):
[██████████████████████████████] Tốt: 60%
[█████████████] Bình thường: 25%
[█████] Rất tốt: 10%
[██] Chưa tốt: 5%

Kết quả đạt được trong hoạt động kinh doanh

Đóng góp doanh thu thị trường Hà Nội và Dòng sản phẩm công sở giai đoạn 2012–2014

Chỉ số kinh doanh Năm 2012 Năm 2013 Năm 2014
Tỷ trọng doanh thu Hà Nội/Tổng công ty $47.65%$ $48.43%$ $53.48%$
Tỷ trọng doanh thu TP. Hồ Chí Minh $29.76%$ $28.66%$ $30.25%$
Tỷ trọng doanh thu các tỉnh khác $22.59%$ $22.91%$ $16.27%$
Tỷ trọng đóng góp của Thời trang công sở tại HN $42.27%$ $45.31%$ $49.48%$
Tổng chi phí hoạt động toàn hệ thống (tỷ VNĐ) $344.580$ $728.457$ $874.153$
Lợi nhuận sau thuế toàn hệ thống (tỷ VNĐ) $158.986$ $245.016$ $289.595$
Quy mô vốn kinh doanh năm 2014 (tỷ VNĐ) — — $258.450$ (Vốn CĐ: 96.72 tỷ, Vốn LĐ: 161.73 tỷ)

Đổi mới và đóng góp

Điểm mới khoa học và thực tiễn

  1. Lượng hóa tương quan cạnh tranh liên doanh nghiệp: Thay vì chỉ đánh giá nội tại, đề tài đã đưa biến giá đối thủ trực tiếp ($P_R$ - Rosy Belle) vào mô hình thực nghiệm, tính toán thành công hệ số thay thế chéo $\hat{c} = +0.000245$ với mức tin cậy $99.24%$ ($P\text{-value} = 0.0076$).
  2. Xác lập mô hình định giá dựa trên độ co giãn: Chuyển đổi phương thức định giá cộng chi phí truyền thống sang phương thức định giá tối ưu doanh thu dựa trên hàm đàn hồi $E_P$ và sự biến thiên thu nhập đô thị $I$.
  3. Chuẩn hóa nguyên lý kích cầu 3 tiêu chuẩn: Vận dụng lý thuyết Lawrence Summers ("Đúng lúc, Trúng đích, Vừa đủ") vào bài toán thời trang bán lẻ theo mùa vụ (xuân-hè, thu-đông) nhằm loại bỏ sự lãng phí trong các gói chiết khấu dàn trải.

So sánh với các công trình nghiên cứu liên quan

Tiêu chí Khóa luận Giang Châu (Nguyễn Thị Lâm, 2014) Luận văn Ngọc Diệp (Đinh Văn Hoan, 2012) Đề tài Thời trang NEM (Trần Trung Kiên, 2015)
Đối tượng nghiên cứu Sản phẩm bao bì/sản xuất Sản phẩm nội thất văn phòng Thời trang công sở nữ cao cấp
Dữ liệu thực nghiệm Chuỗi năm 2011–2013 Số liệu chéo chọn mẫu Chuỗi thời gian quý 2012–2014 + Khảo sát $N=100$
Biến số đối thủ cạnh tranh Không đưa vào hàm cầu Đánh giá định tính Đưa trực tiếp biến giá $P_R$ vào mô hình hồi quy
Chỉ số kiểm định $R^2$ $\approx 0.81$ $\approx 0.79$ $0.92097$
Giải pháp Marketing Khuyến mãi chung chung Mở rộng đại lý phân phối Marketing trực tiếp tại showroom kết hợp tối ưu giá động

Ứng dụng thực tế và triển khai

+-----------------------------------------------------------------------------------+
|                     LỘ TRÌNH TRIỂN KHAI KÍCH CẦU ĐẾN NĂM 2020                     |
+-----------------------------------------------------------------------------------+
|  [2015 - 2016]  -->  [2017 - 2018]  -->  [2019 - 2020]                            |
|  - Thành lập R&D      - Mở 3 showroom mới - Nâng doanh thu HN +15%                |
|  - Tối ưu giá động    - Ra mắt đo may     - Chiếm 60% thị phần công sở HN         |
+-----------------------------------------------------------------------------------+

Kịch bản ứng dụng thực tế (Use Cases)

  • Kịch bản 1: Ứng phó chiến lược giá đối thủ: Khi Rosy Belle giảm giá 100.000 VNĐ/bộ ($P_R$ giảm), lượng cầu NEM dự kiến giảm tương ứng $\Delta Q = 0.000245 \times (-100.000) = -24.5$ bộ/quý trên mỗi phân khúc điểm bán. NEM không giảm giá trực tiếp gây ảnh hưởng thương hiệu mà triển khai gói quà tặng phụ kiện kèm dịch vụ chăm sóc khách hàng VIP để bù trừ độ co giãn chéo.
  • Kịch bản 2: Dự báo tăng trưởng theo thu nhập đô thị: Khi thu nhập bình quân Hà Nội tăng trưởng $8%$/năm (tương đương $\Delta I \approx +2.000.000$ VNĐ/quý), hàm cầu dự báo lượng tiêu thụ sản phẩm công sở của NEM tự động tăng thêm $\Delta Q = 0.00038 \times 2.000.000 = 760$ bộ/quý. Doanh nghiệp chủ động tăng công suất chuyền may nhập khẩu từ Hàn Quốc trước 2 tháng.

Phân tích chi phí - lợi ích (Cost-Benefit Analysis) & ROI dự kiến

  • Ngân sách đầu tư triển khai (2015–2020):
    • Chi phí thành lập bộ phận Phân tích & Dự báo Cầu: 350 triệu VNĐ/năm.
    • Tối ưu hóa lại ngân sách truyền thông (~10 tỷ VNĐ/năm): Tiết giảm 15% chi phí quảng cáo đại trà kém hiệu quả, tái phân bổ vào Digital Targeting và Showroom Marketing.
    • Đầu tư mở rộng 3 showroom mới tại Long Biên, Đống Đa, Hai Bà Trưng: ~12 tỷ VNĐ.
  • Lợi ích kinh tế lượng hóa:
    • Tăng sản lượng tiêu thụ hàng quý từ $15%$ đến $20%$.
    • Tăng trưởng doanh thu bình quân $10 - 15%$/năm.
    • Tỷ suất sinh lời bổ sung (Incremental ROI) ước tính đạt $28.4%$ sau 24 tháng vận hành.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Quy mô mẫu khảo sát sơ cấp: Cỡ mẫu $N=100$ (với 68 phiếu thu về hợp lệ) còn hạn chế về tính đại diện cho toàn bộ địa bàn thành phố Hà Nội.
  2. Độ dài chuỗi dữ liệu thứ cấp: Số liệu hồi quy gồm 12 quan sát quý (2012–2014), chưa đủ dài để phân tích sâu biến động chu kỳ kinh tế nhiều năm.
  3. Biến số vĩ mô: Chưa kiểm soát triệt để các biến ngoại sinh như thời tiết/nhiệt độ theo mùa, lạm phát đặc thù nhóm hàng may mặc và thuế nhập khẩu nguyên liệu dệt may.

Hướng nghiên cứu mở rộng

  • Mở rộng mô hình kinh tế lượng: Ứng dụng mô hình chuỗi thời gian ARIMA-X kết hợp biến giả mùa vụ (Seasonal Dummies $S_1, S_2, S_3$) và phương pháp ước lượng 2SLS (Two-Stage Least Squares) để giải quyết hiện tượng nội sinh giữa giá và lượng cầu.
  • Ứng dụng Machine Learning: Thử nghiệm các thuật toán hồi quy phi tuyến tính như XGBoost và Random Forest Regression trên tập dữ liệu giao dịch POS lớn để nắm bắt hành vi mua sắm vi mô của khách hàng.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------+
|                          ĐỐI TƯỢNG HƯỞNG LỢI                             |
+---------------------------------------------------------------------------+
|  [Sinh viên]      --> Khung tham chiếu chuẩn về ước lượng hàm cầu OLS      |
|  [Nhà phân tích]  --> Pipeline xử lý dữ liệu bán lẻ & hệ số co giãn       |
|  [Doanh nghiệp]   --> Chiến lược kích cầu 4P tối ưu biên lợi nhuận        |
|  [Nhà nghiên cứu] --> Dữ liệu thực nghiệm ngành dệt may thời trang đô thị |
+---------------------------------------------------------------------------+
Nhóm đối tượng Lợi ích cụ thể và Giá trị ứng dụng
Sinh viên Kinh tế / QTKD Cung cấp tài liệu tham khảo chuẩn mực về kết hợp lý thuyết vi mô, phương pháp chọn mẫu điều tra và kỹ năng thực hành kinh tế lượng trên EViews.
Chuyên viên Dữ liệu & Nhà phân tích Cung cấp pipeline mẫu từ thu thập, làm sạch dữ liệu chuỗi thời gian đến kiểm định giả thuyết $P\text{-value}$ trong bán lẻ thực tế.
Doanh nghiệp bán lẻ / NEM Fashion Cung cấp luận cứ khoa học để điều chỉnh chính sách giá, phân bổ ngân sách marketing 10 tỷ VNĐ và mở rộng mạng lưới showroom.
Nhà nghiên cứu Kinh tế ứng dụng Cung cấp bộ tham số thực nghiệm về độ co giãn giá riêng, giá chéo và thu nhập của thị trường thời trang công sở Việt Nam giai đoạn hội nhập.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ để triển khai mô hình phân tích cầu này là gì?

Hệ thống yêu cầu máy tính có cài đặt phần mềm kinh tế lượng chuyên dụng như EViews (phiên bản 8.0 trở lên), Stata hoặc môi trường Python 3.8+ với các thư viện statsmodels, pandas, scikit-learn. Về mặt dữ liệu, doanh nghiệp cần có hệ thống ghi nhận doanh số và giá bán bình quân theo quý cùng số liệu thống kê thu nhập địa phương.

2. Mô hình tuyến tính OLS có bị giới hạn khi hành vi người tiêu dùng thay đổi đột ngột không?

Có. Mô hình OLS giả định mối quan hệ tuyến tính cố định. Khi thị trường xuất hiện cú sốc ngoại sinh (khủng hoảng kinh tế, dịch bệnh), mô hình cần được tái ước lượng tham số hoặc chuyển đổi sang mô hình hồi quy đa biến có biến trễ (Distributed Lag Models) hoặc mô hình hồi quy không gian.

3. Làm thế nào để tích hợp mô hình dự báo cầu vào phần mềm quản lý bán hàng (POS/ERP) hiện có của NEM?

Dữ liệu từ cơ sở dữ liệu POS (như PostgreSQL, SQL Server) được trích xuất qua các truy vấn định kỳ theo quý, tự động hóa bằng script Python để tính toán lại các hệ số co giãn và đẩy kết quả dự báo sản lượng $\hat{Q}$ về dashboard quản trị qua REST API JSON.

4. Chi phí duy trì và cập nhật hệ thống phân tích định lượng hàng năm là bao nhiêu?

Chi phí vận hành bao gồm phí duy trì đội ngũ phân tích dữ liệu chuyên trách (1–2 nhân sự) và chi phí thực hiện các đợt khảo sát thị trường định kỳ, ước tính dao động khoảng 250 – 400 triệu VNĐ/năm, tương đương chưa đến $4%$ tổng ngân sách marketing hàng năm của doanh nghiệp.

5. Khung thời gian thu hồi vốn (ROI) khi ứng dụng giải pháp kích cầu khoa học này là bao lâu?

Nhờ tối ưu hóa ngân sách khuyến mãi, loại bỏ chiết khấu không hiệu quả và phân bổ chính xác nguồn hàng may mặc nhập khẩu, doanh nghiệp có thể thấy rõ sự cải thiện dòng tiền và biên lợi nhuận trong vòng 6–12 tháng kể từ khi áp dụng cơ chế định giá động và kích cầu theo mùa vụ.

Kết luận

Khóa luận tốt nghiệp của tác giả Trần Trung Kiên đã giải quyết thành công bài toán thực tiễn tại Công ty Cổ phần Thời trang NEM thông qua việc kết hợp chặt chẽ giữa lý thuyết kinh tế vi mô và công cụ kinh tế lượng ứng dụng. Với mô hình hồi quy tuyến tính mẫu đạt $R^2 = 0.92097$ và toàn bộ hệ số có ý nghĩa thống kê ở mức $\alpha = 0.05$, nghiên cứu đã định lượng hóa chính xác tác động của giá bán nội tại ($P$), giá đối thủ cạnh tranh ($P_R$) và thu nhập thị trường ($I$) đến lượng cầu thời trang công sở tại Hà Nội.

Các đề xuất chiến lược giai đoạn đến năm 2020 không chỉ mang lại giải pháp tăng trưởng doanh thu $10–15%$/năm cho NEM Fashion mà còn cung cấp một khung phương pháp luận giá trị cho các doanh nghiệp dệt may bán lẻ trong việc ra quyết định kích cầu "Đúng lúc - Trúng đích - Vừa đủ".