Tổng quan nghiên cứu

Trong bối cảnh cạnh tranh ngày càng gay gắt của ngành hàng tiêu dùng nhanh, việc phân tích dữ liệu bán hàng đóng vai trò then chốt giúp doanh nghiệp tối ưu hóa chiến lược kinh doanh. Công ty Cổ phần Bột giặt Lix (LIXCO) là một trong những doanh nghiệp hàng đầu trong lĩnh vực sản xuất và kinh doanh các sản phẩm chăm sóc gia đình như bột giặt, nước giặt, nước rửa chén và nước lau sàn. Với hệ thống quản lý kênh phân phối (DMS) theo dõi doanh số của gần 500 nhân viên bán hàng và hơn 100 giám sát bán hàng, LIXCO sở hữu một kho dữ liệu phong phú về hoạt động kinh doanh tại miền Trung và miền Nam trong khoảng thời gian từ tháng 6 năm 2021 đến tháng 7 năm 2023.

Luận văn tập trung phân tích các yếu tố ảnh hưởng đến doanh số và tỉ lệ hoàn thành chỉ tiêu hàng tháng của nhân viên bán hàng, đồng thời xây dựng mô hình dự báo doanh số nhằm hỗ trợ công ty trong việc lập kế hoạch sản xuất và phân phối hiệu quả. Mục tiêu cụ thể gồm trực quan hóa dữ liệu để nhận diện các mối quan hệ quan trọng và phát triển mô hình dự báo doanh số hàng tháng, hàng tuần dựa trên các kỹ thuật thống kê và học máy hiện đại. Phạm vi nghiên cứu tập trung vào dữ liệu bán hàng tại các khu vực miền Trung và miền Nam, với hơn 700 mẫu dữ liệu được tổng hợp từ hệ thống DMS và khảo sát nhân viên.

Nghiên cứu có ý nghĩa thiết thực trong việc cung cấp cơ sở khoa học cho các quyết định chiến lược của LIXCO, góp phần nâng cao hiệu quả kinh doanh và tăng trưởng bền vững. Các chỉ số như sản lượng bình quân tháng, tỉ lệ hoàn thành chỉ tiêu và các yếu tố nhân sự được phân tích chi tiết nhằm tối ưu hóa hoạt động bán hàng và quản lý nhân sự.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nghiên cứu sau:

  • Phân tích hồi quy tuyến tính (OLS): Được sử dụng để đánh giá mức độ ảnh hưởng của các biến độc lập như tuổi, giới tính, trình độ học vấn đến biến phụ thuộc là sản lượng bán hàng và tỉ lệ hoàn thành chỉ tiêu. Mô hình OLS giúp xác định mối quan hệ tuyến tính và mức độ giải thích biến động của doanh số.

  • Kiểm định giả thuyết thống kê: Bao gồm kiểm định t-test để so sánh sự khác biệt giữa hai nhóm (ví dụ: nam và nữ), kiểm định ANOVA để phân tích sự khác biệt giữa nhiều nhóm (ví dụ: trình độ học vấn, mức độ hài lòng), và phân tích hậu kiểm Tukey-HSD nhằm xác định cặp nhóm có sự khác biệt ý nghĩa.

  • Mô hình dự báo chuỗi thời gian: Sử dụng mô hình ARIMA (AutoRegressive Integrated Moving Average) và mô hình học sâu LSTM (Long Short-Term Memory) để dự báo sản lượng bán hàng trong tương lai. ARIMA phù hợp với dữ liệu có tính mùa vụ và xu hướng, trong khi LSTM tận dụng khả năng học các mẫu phức tạp trong chuỗi thời gian dài.

Các khái niệm chính bao gồm: sản lượng bình quân tháng, tỉ lệ hoàn thành chỉ tiêu, các yếu tố chủ quan (tuổi, giới tính, trình độ, kinh nghiệm, mức độ yêu thích nghề), các yếu tố khách quan (khu vực địa lý, dân số, số cửa hàng quản lý, nhóm sản phẩm bán).

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm hai bộ:

  • Bộ dữ liệu thứ nhất: Khoảng 480 mẫu được trích xuất từ hệ thống DMS của LIXCO, chứa thông tin doanh số bán hàng hàng ngày, số lượng cửa hàng quản lý, khu vực bán hàng, nhóm sản phẩm, và các chỉ tiêu bán hàng từ tháng 6/2021 đến 7/2023.

  • Bộ dữ liệu thứ hai: Khoảng 230 mẫu thu thập qua khảo sát trực tuyến nhân viên bán hàng, cung cấp thông tin cá nhân như tuổi, giới tính, trình độ học vấn, kinh nghiệm, mức độ yêu thích nghề và mức độ hài lòng với chính sách công ty.

Phương pháp phân tích bao gồm:

  • Xử lý dữ liệu: Làm sạch, đồng bộ dữ liệu, loại bỏ giá trị ngoại lai và xử lý dữ liệu thiếu nhằm đảm bảo tính nhất quán và độ tin cậy.

  • Phân tích thống kê mô tả và trực quan hóa: Sử dụng biểu đồ boxplot, histogram, scatter plot, bar chart để mô tả phân phối và mối quan hệ giữa các biến.

  • Kiểm định giả thuyết: Áp dụng t-test, ANOVA và Tukey-HSD để xác định sự khác biệt và ảnh hưởng của các yếu tố đến doanh số và tỉ lệ hoàn thành chỉ tiêu.

  • Phân tích hồi quy OLS: Đánh giá mức độ ảnh hưởng của từng yếu tố độc lập đến biến phụ thuộc.

  • Xây dựng mô hình dự báo: So sánh hiệu quả của mô hình ARIMA và LSTM trong dự báo sản lượng bán hàng theo tuần và tháng.

Thời gian nghiên cứu kéo dài từ năm 2021 đến 2023, tập trung vào thị trường miền Trung và miền Nam Việt Nam. Cỡ mẫu đảm bảo tính đại diện với hơn 700 mẫu dữ liệu tổng hợp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Tuổi nhân viên bán hàng có ảnh hưởng tích cực đến sản lượng bình quân tháng: Mô hình OLS cho thấy hệ số hồi quy của tuổi là 0.2529 với p-value < 0.05, tuy nhiên R-squared chỉ khoảng 3%, cho thấy tuổi giải thích một phần nhỏ biến động sản lượng. Ngược lại, tuổi không có ảnh hưởng đáng kể đến tỉ lệ hoàn thành chỉ tiêu (p-value = 0.444).

  2. Giới tính ảnh hưởng đến sản lượng nhưng không ảnh hưởng đến tỉ lệ hoàn thành chỉ tiêu: Sản lượng bình quân tháng của nhân viên nam (13,1 tấn) cao hơn nữ (11,2 tấn) với p-value t-test = 0.0373, cho thấy sự khác biệt có ý nghĩa thống kê. Tuy nhiên, tỉ lệ hoàn thành chỉ tiêu giữa hai nhóm không khác biệt đáng kể (p-value = 0.0769).

  3. Trình độ học vấn và kinh nghiệm bán hàng không ảnh hưởng đáng kể đến sản lượng và tỉ lệ hoàn thành chỉ tiêu: Kiểm định ANOVA cho thấy p-value lần lượt là 0.1947 và 0.3993, không đủ cơ sở bác bỏ giả thuyết không có sự khác biệt.

  4. Mức độ hài lòng với chính sách công ty có ảnh hưởng rõ rệt đến cả sản lượng và tỉ lệ hoàn thành chỉ tiêu: Nhóm nhân viên hài lòng và rất hài lòng có sản lượng bình quân và tỉ lệ hoàn thành chỉ tiêu cao hơn đáng kể so với nhóm không hài lòng (p-value ANOVA = 0.0043 cho sản lượng, 0.0477 cho tỉ lệ hoàn thành). Phân tích Tukey-HSD xác nhận sự khác biệt giữa các nhóm này.

  5. Khu vực địa lý và số lượng cửa hàng quản lý cũng ảnh hưởng đến doanh số: Doanh số tại TP. Hồ Chí Minh cao hơn nhiều so với các khu vực khác, với sự chênh lệch có thể lên đến 20 lần giữa các tỉnh. Số lượng cửa hàng quản lý có tương quan tích cực với sản lượng bình quân.

Thảo luận kết quả

Kết quả cho thấy các yếu tố chủ quan như tuổi và giới tính có ảnh hưởng nhất định đến sản lượng bán hàng, phù hợp với các nghiên cứu trước đây về vai trò kinh nghiệm và đặc điểm cá nhân trong hiệu quả bán hàng. Tuy nhiên, mức độ giải thích của các biến này còn hạn chế, cho thấy cần xem xét thêm các yếu tố khác như động lực làm việc và chính sách công ty.

Mức độ hài lòng với chính sách công ty được xác định là yếu tố quan trọng nhất ảnh hưởng đến hiệu suất bán hàng, phản ánh tầm quan trọng của môi trường làm việc và chính sách đãi ngộ trong việc thúc đẩy nhân viên. Điều này đồng nhất với các nghiên cứu về quản trị nhân sự trong ngành bán lẻ.

Sự khác biệt doanh số theo khu vực địa lý phản ánh sự phân bố dân cư và tiềm năng thị trường không đồng đều, đòi hỏi công ty cần có chiến lược phân phối và hỗ trợ nhân viên phù hợp từng vùng.

Mô hình dự báo ARIMA và LSTM đều cho kết quả khả quan trong việc dự báo sản lượng bán hàng, trong đó LSTM thể hiện ưu thế trong việc nắm bắt các mẫu phức tạp và xu hướng dài hạn, hỗ trợ công ty trong việc lập kế hoạch sản xuất và phân phối chính xác hơn.

Dữ liệu và kết quả có thể được trình bày qua các biểu đồ scatter, boxplot, biểu đồ cột và bảng phân tích ANOVA, giúp trực quan hóa mối quan hệ và sự khác biệt giữa các nhóm.

Đề xuất và khuyến nghị

  1. Tăng cường chính sách đãi ngộ và cải thiện môi trường làm việc: Động viên nhân viên thông qua các chính sách thưởng phạt rõ ràng, nâng cao mức độ hài lòng để tăng sản lượng và tỉ lệ hoàn thành chỉ tiêu. Thời gian thực hiện: 6-12 tháng. Chủ thể: Ban lãnh đạo và phòng nhân sự.

  2. Phân bổ nguồn lực và hỗ trợ nhân viên theo khu vực địa lý: Tập trung phát triển thị trường tại các khu vực có tiềm năng thấp hơn, đồng thời tăng cường hỗ trợ nhân viên tại TP. Hồ Chí Minh để duy trì hiệu quả. Thời gian: 12 tháng. Chủ thể: Phòng kinh doanh và marketing.

  3. Đào tạo và phát triển kỹ năng bán hàng cho nhân viên trẻ và nữ: Mặc dù giới tính và tuổi có ảnh hưởng, việc nâng cao kỹ năng và kiến thức sẽ giúp cải thiện hiệu quả bán hàng. Thời gian: 6 tháng. Chủ thể: Phòng đào tạo và phát triển nhân sự.

  4. Áp dụng mô hình dự báo doanh số vào kế hoạch sản xuất và phân phối: Sử dụng mô hình LSTM kết hợp ARIMA để dự báo nhu cầu sản phẩm theo tuần và tháng, giúp tối ưu hóa tồn kho và nguồn nguyên liệu. Thời gian: Triển khai ngay và đánh giá định kỳ hàng quý. Chủ thể: Phòng kế hoạch sản xuất và IT.

Đối tượng nên tham khảo luận văn

  1. Ban lãnh đạo doanh nghiệp sản xuất tiêu dùng nhanh: Nhận diện các yếu tố ảnh hưởng đến hiệu quả bán hàng và áp dụng mô hình dự báo để tối ưu hóa chiến lược kinh doanh.

  2. Phòng kinh doanh và marketing: Sử dụng kết quả phân tích để xây dựng kế hoạch phân phối, chính sách bán hàng phù hợp từng khu vực và nhóm nhân viên.

  3. Phòng nhân sự và đào tạo: Định hướng chương trình đào tạo, phát triển kỹ năng và cải thiện môi trường làm việc dựa trên các yếu tố ảnh hưởng đến hiệu suất nhân viên.

  4. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, quản trị kinh doanh: Tham khảo phương pháp phân tích dữ liệu, kiểm định thống kê và ứng dụng mô hình học máy trong dự báo doanh số bán hàng.

Câu hỏi thường gặp

  1. Mô hình ARIMA và LSTM khác nhau như thế nào trong dự báo doanh số?
    ARIMA là mô hình thống kê truyền thống phù hợp với dữ liệu có tính mùa vụ và xu hướng tuyến tính, trong khi LSTM là mô hình học sâu có khả năng học các mẫu phức tạp và phụ thuộc dài hạn trong chuỗi thời gian. Trong nghiên cứu, LSTM cho hiệu suất dự báo tốt hơn, đặc biệt với dữ liệu phi tuyến tính.

  2. Tại sao tuổi nhân viên chỉ giải thích một phần nhỏ biến động sản lượng?
    Tuổi chỉ là một trong nhiều yếu tố ảnh hưởng đến hiệu quả bán hàng. Các yếu tố khác như kỹ năng, động lực, chính sách công ty và điều kiện thị trường cũng đóng vai trò quan trọng, do đó mô hình chỉ dựa trên tuổi không thể giải thích toàn bộ biến động.

  3. Giới tính ảnh hưởng như thế nào đến doanh số bán hàng?
    Nghiên cứu cho thấy nhân viên nam có sản lượng bình quân cao hơn nữ với sự khác biệt có ý nghĩa thống kê. Tuy nhiên, tỉ lệ hoàn thành chỉ tiêu không khác biệt đáng kể, cho thấy giới tính ảnh hưởng đến khối lượng bán hàng nhưng không ảnh hưởng đến khả năng đạt mục tiêu.

  4. Làm thế nào để cải thiện mức độ hài lòng của nhân viên?
    Cải thiện mức độ hài lòng có thể thực hiện qua việc nâng cao chính sách đãi ngộ, tạo môi trường làm việc tích cực, hỗ trợ phát triển nghề nghiệp và lắng nghe phản hồi của nhân viên. Điều này giúp tăng động lực và hiệu quả công việc.

  5. Dữ liệu có bị thiếu hoặc không đồng nhất ảnh hưởng thế nào đến kết quả nghiên cứu?
    Dữ liệu thiếu hoặc không đồng nhất có thể làm giảm độ chính xác và tin cậy của phân tích. Luận văn đã áp dụng các phương pháp làm sạch, đồng bộ và loại bỏ giá trị ngoại lai để đảm bảo tính ổn định và độ tin cậy của kết quả.

Kết luận

  • Phân tích dữ liệu bán hàng của LIXCO cho thấy tuổi và giới tính nhân viên có ảnh hưởng đến sản lượng bán hàng, trong khi trình độ và kinh nghiệm không có tác động đáng kể.
  • Mức độ hài lòng với chính sách công ty là yếu tố quan trọng nhất ảnh hưởng đến cả sản lượng và tỉ lệ hoàn thành chỉ tiêu.
  • Khu vực địa lý và số lượng cửa hàng quản lý cũng đóng vai trò quan trọng trong hiệu quả bán hàng.
  • Mô hình dự báo LSTM vượt trội hơn ARIMA trong việc dự báo sản lượng bán hàng, hỗ trợ lập kế hoạch sản xuất và phân phối.
  • Đề xuất các giải pháp cải thiện chính sách nhân sự, phân bổ nguồn lực theo khu vực và ứng dụng mô hình dự báo để nâng cao hiệu quả kinh doanh.

Tiếp theo, công ty nên triển khai các giải pháp đề xuất và đánh giá hiệu quả định kỳ, đồng thời mở rộng nghiên cứu sang các khu vực khác để hoàn thiện mô hình dự báo và chiến lược kinh doanh. Để biết thêm chi tiết và ứng dụng thực tiễn, quý độc giả và doanh nghiệp có thể liên hệ với tác giả hoặc phòng nghiên cứu của LIXCO.