CHƯƠNG 1: TONG QUAN VE DE TÀI 1.1 Vấn đề nghiên cứu LIXCO là một doanh nghiệp chuyên sản xuất và kinh doanh các sản phẩm chat tay rửa chăm sóc gia đình như: bột giặt, nước giặt, nước rửa chén, nước lau san. Công ty có hệ thống quản lý kênh phân phối (DMS) dùng dé theo dõi doanh số của gần 500 nhân viên bán hàng và 100. Giám sát bán sJ hàng LIXCO - DMS )) a= Nhan vién ban hang Nhà phân phối Z7 NG s aw : i | Fi q Cửa hang Người tiêu bán lẻ dùng Hình 1. Sơ đồ mô tả hệ thống DMS của Công ty CP Bột giặt Lix Với bộ đữ liệu về doanh số bán hàng thuộc miền Trung và miền Nam (Thị trường chủ yếu của Công ty) trong khoảng 3 năm qua, ta có thê phân tích các yếu tố ảnh hưởng đến doanh số của nhân viên bán hang.
Trực quan hóa dit liệu dé thấy rõ hơn mối liên hệ của các yếu tô và xu hướng dữ liệu doanh số, từ đó giúp Công ty đánh giá được ảnh hưởng của các yếu tố đến doanh số chung, giúp công ty đưa ra chiến lược kinh doanh phù hợp. Bên cạnh đó, bộ dữ liệu doanh số có yêu tố về thời gian nên ta có thể xây dựng mô hình dé dự báo doanh số bình quân thang của các nhân viên bán hàng, từ đó giúp công ty giải quyết được bài toán dự báo nhu cầu sản lượng toàn thị trường, nhằm chủ động hơn trong việc lập kế hoạch sản xuất theo tuần, tháng và chuẩn bị nguồn nguyên vật liệu được tốt hơn. 10 Input: Bộ dữ liệu về doanh số (sản lượng bán hàng) và tỉ lệ hoàn thành chỉ tiêu hàng tháng của các nhân viên bán hàng thuộc phạm vi miền Trung và miền Nam trong 3 năm gần nhất. Thông tin và đặc tính về nhân viên bán hàng gồm các thuộc tính (các yếu tố có thé ảnh hưởng đến doanh số) như: Giới tính, tuôi, thâm niên, trình độ, chuyên môn, vi trí địa lý, dân sô, nhóm san phẩm bán, số cửa hàng quản lý.
Output: Biéu đồ thống kê, biéu đồ tương quan của các yếu t6 dé trực quan hóa và mô tả dữ liệu, mô hình dự báo sản lượng của nhân viên bán hàng.2 Tính khoa học và tính mới của đề tài Doanh số bán hàng của nhân viên ngoài thị trường bao gồm sản lượng bán, tỉ lệ phan trăm chỉ tiêu đạt được hang tháng thường bị anh hưởng bởi nhiều yếu tố khác nhau: bản thân nhân viên (tuổi, giới tính, trình độ, kinh nghiệm bán hang, mức độ yêu thích nghề nghiệp.), các chính sách về giá, chất lượng, khuyến mãi. Các nghiên cứu hiện tại đều không đi sâu vào phân tích các ảnh hưởng của yếu tô kê trên đến sản lượng bán cũng như tỉ lệ đạt được chỉ tiêu tháng. Từ yêu cầu thực tiễn trên, tác giả sử dụng phương pháp trực quan hóa đữ liệu bằng các biểu đồ hộp (Boxplot), biểu đồ cột, biểu đồ tần suất (Histogram), biéu đồ scatter. dé thay rõ mối quan hệ giữa các yếu tố với sản lượng và tỉ lệ hoàn thành chỉ tiêu.
Sau đó dùng các kiểm định T-test, ANOVA, Tukey-HSD, phân tích OLS, ma trận Pearson dé xác định mức độ ảnh hưởng và sự tương tác lẫn nhau của các yếu t6. Đề dự báo sản lượng theo tháng hoặc tuần, tác giả sử dụng các mô hình dự báo chuỗi thời gian như ARIMA, mô hình học sâu RNN. Từ đó so sánh các mô hình dé thay rõ hiệu suất của từng mô hình với bài toán dự báo sản lượng.3 Mục tiêu của dé tai Mục tiêu 1: Trực quan hóa dữ liệu, đưa ra được các biểu đồ tương quan của các yếu tô ảnh hưởng đến sản lượng bán và tỉ lệ hoàn thành chỉ tiêu của các nhân viên bán hàng. II Mục tiêu 2: Xây dựng mô hình dự báo doanh số hàng tháng, hàng tuần của các nhân viên bán hàng cũng như doanh số chung của công ty.4 Các nghiên cứu liên quan Bài toán về phân tích các yếu tố (biến độc lập) ảnh hưởng đến dữ liệu hay giá trị nào đó (biến phụ thuộc) đã được tác giả Nguyễn Thị Hoài [4] thực hiện phân tích thông qua quá trình trực quan hóa dữ liệu bằng các biểu đồ cột (barplot), biểu đồ tần suất (histogram) và biéu đồ hộp (boxplot).
Sau đó tác giả ding phương pháp thống kê t-test và ANOVA đề kiểm định giả thuyết đã đặt ra. Cuối cùng tác giả dùng phương pháp phân tích hậu định Tukey-HSD giúp hiểu sâu hơn về mối quan hệ hoặc sự khác biệt được tìm thấy trong dữ liệu. Đề xây dựng mô hình dự báo sản lượng cà phê xuất khẩu của Việt Nam đến năm 2030, tác giả Trần Quốc Hùng và Bùi Thị Thu Vĩ [5] đã sử dụng mô hình ARIMA dé dự báo sản lượng cà phê dựa vào số liệu thống kê sản lượng cà phê xuất khẩu của Việt Nam từ năm 2000 đến năm 2019. Với việc áp dụng kết hợp tối ưu giữa các mô hình học sâu và mô hình học máy truyền thống khi dự báo chỉ số lạm phát của Việt Nam dựa theo số liệu CPI Việt Nam giai đoạn tháng 1 năm 2000 đến tháng 7 năm 2021, tác giả Nguyễn Hương Ly và Hoàng Thị Thu Hà [6] đã sử dụng kết hợp 3 mô hình SARIMA, RNN, LSTM đề dự báo chỉ số lạm phát.
Tác giả đã đưa ra kết luận việc kết hợp 3 mô hình trên để dự báo chỉ lạm phát tại Việt Nam là tốt nhất trong cả ngắn hạn và dài hạn. Việc sử dụng mô hình mạng thần kinh (nơ-ron) dé thực hiện dự đoán trong những năm gan đây ngày càng được quan tâm. Trong nghiên cứu của mình, Yasaman Ensafi và cộng sự [22] sử dụng một tập dữ liệu công khai bao gồm lịch sử bán hàng của một cửa hàng bán lẻ được điều tra dé dự báo doanh số bán đồ nội thất. Dé đạt được mục đích này, một số mô hình dự báo được áp dụng.
Đầu tiên, một số kỹ thuật dự báo chuỗi thời gian cô điển như Đường trung bình động tích hợp tự hồi quy theo mùa (SARIMA) và Làm mịn theo cấp số nhân ba lần được sử dụng. Sau đó, các phương pháp nâng cao hơn như Prophet, Bộ nhớ ngắn hạn định hướng dai hạn (LSTM) và Mạng thần kinh chuyên đôi (CNN) được áp dụng. Hiệu suất của các mô hình được so sánh bằng cách sử dụng các phương pháp đo độ chính xác khác nhau (ví dụ: Lỗi 12 bình phương trung bình gốc (RMSE) và Lỗi phần trăm tuyệt đối trung bình (MAPE)). Kết quả cho thấy tính ưu việt của phương pháp LSTM xếp chồng so với các phương pháp khác.
Ngoài ra, kết quả còn cho thay hiệu suất tốt của các mô hình Prophet và CNN. Tuy nhiên, dựa trên nhận định của nhóm tác giả Bohdan M. Pavlyshenko [12], trong bai toán dự đoán doanh số bán hàng, ta dùng thuật toán hồi quy tốt hơn là thuật toán chuỗi thời gian. Việc sử dụng các phương pháp hồi quy dé dự báo doanh số bán hàng thường có thể cho chúng ta kết quả tốt hơn so với các phương pháp chuỗi thời gian.
Bên cạnh đó, tác giả cũng xem xét đến kỹ thuật xếp chồng (Ensemble learning), với kỹ thuật này, nhiều mô hình đơn lẻ sẽ được kết hợp để tạo thành một mô hình mạnh mẽ hơn có khả năng dự báo tốt hơn. Mục tiêu của việc xếp chồng là kết hợp sức mạnh của các mô hình khác nhau dé cải thiện hiệu suất dự báo và giảm thiểu các yếu điểm riêng của mỗi mô hình. Ưu nhược điểm các mô hình, thuật toán trong bài toán dự báo doanh số bán hàng: Thuat toán Uu diém Nhược Ụ điểm Dự báo | Có khả năng dự đoán các biến đồi Cần lượng đữ liệu đủ lớn dé tạo ra chuỗi theo mùa vu, xu hướng và các mẫu _ | dự đoán chính xác. Dữ liệu thiếu thời phức tạp.
Được thiết kế đặt biệt để | hoặc nhiễu có thé ảnh hưởng đến gian xử lý thông tin thời gian hiệu suất của các thuật toán. Thuật | Kha đơn giản và dé hiểu, dé áp dụng | Yêu cau di liệu đủ lớn dé tạo ra mô toán và diễn giải kết quả. Phù hợp với dữ | hình dự báo chính xác. Dữ liệu có Hài liệu có tính liên tục như doanh số tính mùa vụ, biến động ngẫu nhiên quy bán hàng cao sẽ không có hiệu suất tốt.
Đề đánh giá hiệu suất của nhân viên bán hàng, Nelito Calixto và cộng sự [18] đã áp dụng mô hình Naive Bayes trong phân tích dự đoán đối với doanh nghiệp B2B (business-to-business) có bộ dữ liệu bao gồm doanh số bán hàng của 594 nhân viên bán hàng trong 3 năm từ một công ty giao nhận vận tải toàn cầu, để phân loại nhân viên bán hàng thành 3 cấp độ: không hoàn thành, tốt và xuất sắc. Việc phân loại đạt được dựa trên các thông tin về KPI của nhân viên bán hàng như tỷ lệ tăng trưởng, sự thay đôi doanh số bán hàng, cơ hội được tạo ra, thành tích các mục tiêu khac.tac gia đã sử dụng một sé ky thuat dé làm sạch dữ liệu, đánh giá mức độ liên quan của các thuộc tinh dé rút gọn và đưa ra những thuộc tính quan trọng nhất đưa vào mô hình. 13 CHUONG 2: HIẾU VE BO DU LIEU, XÂY DỰNG CÁC GIA THUYET, KHAO SAT THU THAP VA TIEN XU LY DU LIEU 2.1 Hiểu về bộ dữ liệu Bộ đữ liệu được trích xuất từ nhiều nguồn như: - Hệ thông DMS (Quản lý kênh phân phối) được LIXCO đưa vào vận hành từ năm 2021 chứa các thông tin về doanh số bán hàng hàng ngày của nhân viên bán hàng. 9:41 |5,0KB/s: © 8l J wath Si) QD 9380 @ # sh 9380 8 = Chương trình DMS ` CHI.
UT € Danh sách đơn hang CHI TIẾT DON HÀNG: 'DH00000004 1210/2025 09:37 TH HOANG VINH (2 194 Le van Thịnh, Phường Cát Lái, TP. Thủ Đức, TP Hồ Chỉ Minh 8G LIXE DD 3KG/05 5 Thang 360.000 'DH00000005 12/10/2025 09:57 TH HOANG, lạ) “58D Nguyen thi Dinh, Phường Thạnh Mỹ Lợi, TP. TP Hỗ Chi Minh. NG SIÊU SẠCH HƯƠNG HOA ANH BAO 2AKGIT06 (TU SThung 336000 1680000.UT lò) 203 Nguyen thi Dinh, Phường Binh Trưng Tay, TP.
Thủ Đức, TP Hồ Chi Mind. KHUYEN MÃI (KM-00845/0) 'DH00000001 07/10/2023 13:42 ưỚC GIAT LIX ĐÀM: Tủ CHỊ VÀNG GẦN DUNG © Chg cà nã, Xã Cả NB, Huyện Thuận Nam, Ninh Thuận.000 VNĐ Chiết khẩu: % Thanh toa: 480.000 VNĐ Thông tin đơn hàng DH00000002 12/10/2023 09:36 Phiên bản: 8.0 NHÀNG Nady cập nhật: 0 5 & Hình 2. Một số giao diện tiêu biểu của App DMS - Thuc hiện cuộc khảo sát đê lây thông tin cá nhân của nhân viên bán hàng.