I. Data Mining Giải pháp đột phá dự báo nhu cầu lao động
Bình Dương, một trong những tỉnh thuộc vùng kinh tế trọng điểm phía Nam, đang đối mặt với nhu cầu lao động ngày càng tăng cao. Theo thống kê, hàng năm tỉnh cần thêm trên 45 ngàn lao động, trong đó hơn 80% là lao động có tay nghề và trình độ chuyên môn cao. Việc dự báo nhu cầu lao động chính xác đóng vai trò then chốt trong việc hoạch định chính sách, định hướng đào tạo và phát triển nguồn nhân lực bền vững. Tuy nhiên, các phương pháp dự báo truyền thống đang dần bộc lộ những hạn chế trước sự bùng nổ của dữ liệu và sự biến động phức tạp của thị trường lao động. Trong bối cảnh đó, việc ứng dụng các kỹ thuật tiên tiến như khai phá dữ liệu (Data Mining) mở ra một hướng đi mới, hứa hẹn mang lại hiệu quả vượt trội. Nghiên cứu “Sử dụng Data Mining dự báo nhu cầu lao động cho một số ngành nghề trên địa bàn tỉnh Bình Dương” của tác giả Nguyễn Kim Sơn đã chứng minh tiềm năng to lớn của phương pháp này. Bằng cách phân tích một khối lượng lớn dữ liệu lịch sử về cung - cầu lao động, Data Mining có khả năng phát hiện các mẫu, các xu hướng ẩn mà con người khó có thể nhận ra. Từ đó, xây dựng các mô hình dự báo có độ chính xác cao, giúp các cơ quan quản lý, doanh nghiệp và cơ sở đào tạo có cái nhìn toàn cảnh và chi tiết về nhu cầu nhân lực trong tương lai. Điều này không chỉ giúp tối ưu hóa công tác đào tạo, kết nối hiệu quả giữa người lao động và người sử dụng lao động mà còn góp phần xây dựng một hệ thống thông tin thị trường lao động hiện đại, minh bạch và hiệu quả, đáp ứng yêu cầu của cuộc Cách mạng công nghiệp 4.0. Việc áp dụng thành công mô hình này tại Bình Dương sẽ là tiền đề quan trọng để nhân rộng ra các địa phương khác, nâng cao năng lực cạnh tranh quốc gia.
1.1. Tầm quan trọng của dự báo nguồn nhân lực tại Bình Dương
Nguồn lực con người là yếu tố quyết định sức mạnh và sự phát triển bền vững của một địa phương, đặc biệt với một tỉnh công nghiệp năng động như Bình Dương. Dự báo nhu cầu lao động chính xác giúp tỉnh định hướng chiến lược phát triển kinh tế - xã hội, hoạch định chính sách đào tạo nghề nghiệp sát với thực tiễn. Khi biết trước nhu cầu về số lượng, cơ cấu và trình độ lao động cho từng ngành nghề tại Bình Dương, các cơ sở giáo dục có thể điều chỉnh chương trình đào tạo, tránh tình trạng thừa thầy thiếu thợ. Đồng thời, một bức tranh tổng thể về thị trường lao động giúp người lao động có định hướng nghề nghiệp rõ ràng, tăng cơ hội tìm kiếm việc làm phù hợp. Đối với doanh nghiệp, kết quả dự báo là cơ sở để xây dựng kế hoạch nhân sự dài hạn, chủ động trong việc tuyển dụng và giữ chân nhân tài, từ đó nâng cao hiệu quả sản xuất kinh doanh.
1.2. Khai phá dữ liệu Data Mining và ứng dụng trong dự báo
Khai phá dữ liệu, hay Data Mining, là quá trình trích xuất các tri thức, các mẫu quy luật hữu ích từ một tập hợp dữ liệu lớn. Theo J.Kamber, đây là một bước quan trọng trong quá trình khám phá tri thức trong cơ sở dữ liệu (KDD). Thay vì phân tích thủ công, Data Mining sử dụng các thuật toán thông minh để tự động tìm ra các mối quan hệ, tương quan ẩn giấu. Trong lĩnh vực dự báo, kỹ thuật này được ứng dụng để xây dựng các mô hình dự đoán dựa trên dữ liệu quá khứ. Ví dụ, bằng cách phân tích dữ liệu tuyển dụng của các doanh nghiệp trong nhiều năm, mô hình có thể dự báo số lượng nhân lực cần thiết cho ngành dệt may trong năm tới. Các kỹ thuật phổ biến bao gồm phân lớp, phân cụm, và đặc biệt là hồi quy (Regression) cho các bài toán dự báo giá trị số.
II. Thách thức trong dự báo thị trường lao động Bình Dương
Công tác dự báo nhu cầu lao động tại Việt Nam nói chung và Bình Dương nói riêng đang đối mặt với nhiều thách thức lớn. Các phương pháp truyền thống thường dựa trên kinh nghiệm chuyên gia hoặc các mô hình kinh tế vĩ mô, tuy có giá trị tham khảo nhưng độ chính xác và chi tiết chưa cao. Một trong những khó khăn lớn nhất là việc thiếu hụt một cơ sở dữ liệu (CSDL) đồng bộ, đầy đủ và được cập nhật thường xuyên về cung - cầu lao động. Dữ liệu thường phân mảnh, không nhất quán giữa các cơ quan, ban ngành. Nhiều nghiên cứu trước đây, như việc áp dụng mô hình của Thụy Điển tại Hải Dương, đã gặp trở ngại do vấn đề dữ liệu, chỉ dừng lại ở mức xây dựng mô hình thử nghiệm. Bên cạnh đó, các mô hình dự báo quốc tế khi áp dụng vào điều kiện Việt Nam thường gặp khó khăn trong việc tùy chỉnh các tham số ngoại sinh, vốn chịu ảnh hưởng bởi môi trường kinh tế, chính trị, pháp lý đặc thù. Sự chuyển dịch cơ cấu kinh tế nhanh chóng, tác động của toàn cầu hóa và công nghệ 4.0 càng làm cho thị trường lao động trở nên khó lường, đòi hỏi các mô hình dự báo phải linh hoạt và có khả năng học hỏi từ dữ liệu mới. Việc chỉ dự báo chung chung về nhu cầu việc làm theo ngành là chưa đủ, cần phải đi sâu vào dự báo theo trình độ đào tạo, chuyên môn kỹ thuật để có giải pháp cụ thể. Đây chính là khoảng trống mà nghiên cứu ứng dụng Data Mining tại Bình Dương hướng tới giải quyết, bằng cách khai thác hiệu quả nguồn dữ liệu sẵn có từ Trung tâm Dịch vụ Việc làm tỉnh.
2.1. Hạn chế của các phương pháp dự báo truyền thống
Các phương pháp dự báo truyền thống bao gồm phương pháp chuyên gia (như Delphi), dự báo theo phương trình hồi quy vĩ mô và phân tích chuỗi thời gian. Phương pháp chuyên gia mang tính chủ quan cao và phụ thuộc nhiều vào kinh nghiệm cá nhân. Các mô hình hồi quy vĩ mô, mặc dù có cơ sở khoa học, nhưng thường chỉ đưa ra dự báo ở cấp độ tổng thể, khó chi tiết hóa cho từng ngành nghề, từng địa phương cụ thể. Chúng cũng đòi hỏi nhiều giả định về mối quan hệ giữa các biến kinh tế, vốn có thể thay đổi theo thời gian. Các nghiên cứu như của ILSSA-MS hay mô hình Lotus, tuy có giá trị nhưng vẫn gặp khó khăn trong việc dự báo chi tiết cho từng loại công việc và nghề đào tạo tại Việt Nam.
2.2. Sự mất cân đối cung cầu lao động và vai trò của dữ liệu
Sự mất cân đối giữa cung - cầu lao động là một vấn đề nhức nhối, dẫn đến tình trạng thất nghiệp ở nhóm lao động này trong khi doanh nghiệp lại thiếu hụt nhân sự ở nhóm khác. Nguyên nhân sâu xa đến từ việc thiếu thông tin kết nối giữa đơn vị đào tạo và thị trường. Các trường đào tạo theo năng lực sẵn có thay vì theo nhu cầu xã hội. Để giải quyết vấn đề này, một hệ thống thông tin thị trường lao động hiệu quả, dựa trên dữ liệu thực tế, là cực kỳ cần thiết. Dữ liệu chính là cầu nối, giúp phản ánh chính xác nhu cầu của doanh nghiệp tới các cơ sở giáo dục và người lao động. Việc xây dựng và khai thác CSDL điều tra về cung - cầu lao động, như dữ liệu từ năm 2011-2015 của Trung tâm Dịch vụ Việc làm Bình Dương, là chìa khóa để tạo ra các mô hình dự báo đáng tin cậy, góp phần cân bằng thị trường.
III. Hướng dẫn xây dựng mô hình dự báo cầu lao động tối ưu
Để xây dựng một mô hình dự báo hiệu quả bằng Data Mining, cần tuân thủ một quy trình khoa học và chặt chẽ. Nghiên cứu tại Bình Dương đã triển khai mô hình thực nghiệm theo bốn bước chính. Bước 1 là thu thập và chuẩn bị tập dữ liệu. Dữ liệu gốc được thu thập từ Trung tâm Dịch vụ Việc làm tỉnh Bình Dương, bao gồm 38.739 bản ghi từ năm 2011 đến 2015. Quá trình này đòi hỏi phải thực hiện tiền xử lý kỹ lưỡng: làm sạch dữ liệu để loại bỏ các bản ghi lỗi, thiếu thông tin; trích lọc và lựa chọn các thuộc tính có liên quan đến bài toán. Ngoài 32 thuộc tính về cầu lao động, nghiên cứu còn bổ sung thêm 3 yếu tố kinh tế - xã hội quan trọng là GDP, dân số cả nước và dân số Bình Dương, vốn có tương quan cao với nhu cầu nhân lực. Bước 2 là xác định bài toán và xây dựng mô hình. Vì mục tiêu là dự báo một con số cụ thể (số lượng lao động), bài toán được xác định là bài toán hồi quy (Regression). Các mô hình dựa trên bốn thuật toán phổ biến đã được xây dựng: Linear Regression, K-Nearest Neighbors, Decision Trees và Random Forests. Bước 3 là thực nghiệm và đánh giá. Dữ liệu được chia thành tập huấn luyện (80%) và tập kiểm tra (20%) để huấn luyện và đánh giá độ chính xác của các mô hình. Bước 4 là lựa chọn mô hình phù hợp nhất dựa trên các độ đo hiệu suất. Quá trình này đảm bảo mô hình cuối cùng không chỉ chính xác về mặt lý thuyết mà còn phù hợp với đặc thù của bộ dữ liệu thực tế về thị trường lao động Bình Dương.
3.1. Quy trình khai phá dữ liệu từ thu thập đến tiền xử lý
Quy trình khai phá dữ liệu bắt đầu bằng việc thu thập dữ liệu thô từ nhiều nguồn. Trong nghiên cứu này, nguồn chính là CSDL về cầu lao động của doanh nghiệp do Trung tâm Dịch vụ Việc làm tỉnh Bình Dương quản lý. Sau khi thu thập, bước tiếp theo là trích lọc (Selection) để chọn ra các dữ liệu phù hợp với mục tiêu. Giai đoạn quan trọng nhất là làm sạch và tiền xử lý (Cleansing & Pre-processing), nơi các dữ liệu không đầy đủ, không thống nhất hoặc nhiễu sẽ được xử lý. Cuối cùng, dữ liệu được chuyển đổi (Transformation) sang định dạng phù hợp để đưa vào các thuật toán. Chẳng hạn, loại bỏ các thuộc tính không cần thiết và thêm vào các yếu tố tác động như GDP để làm giàu thông tin cho mô hình.
3.2. Xác định bài toán hồi quy Regression cho dự báo lao động
Việc xác định đúng loại bài toán là yếu tố quyết định sự thành công của mô hình. Trong Data Mining, có hai loại bài toán chính là phân lớp (Classification) và hồi quy (Regression). Bài toán phân lớp dự đoán một nhãn (ví dụ: 'tăng' hoặc 'giảm'), trong khi bài toán hồi quy dự đoán một giá trị số liên tục (ví dụ: 100 lao động). Do mục tiêu của đề tài là dự báo số lượng nhu cầu lao động cụ thể cho từng ngành nghề, trình độ, đây rõ ràng là một bài toán hồi quy. Minh chứng cho lựa chọn này, nghiên cứu đã thực nghiệm so sánh hai mô hình KNN phân lớp (KNeighborsClassifier) và KNN hồi quy (KNeighborsRegressor). Kết quả cho thấy mô hình hồi quy có độ lệch so với thực tế thấp hơn đáng kể, khẳng định việc lựa chọn thuật toán hồi quy là hoàn toàn phù hợp.
3.3. Các yếu tố kinh tế xã hội tác động đến cầu lao động
Cầu lao động không chỉ phụ thuộc vào bản thân doanh nghiệp mà còn chịu tác động mạnh mẽ từ các yếu tố vĩ mô. Nghiên cứu đã chỉ ra các yếu tố quan trọng bao gồm: chính sách phát triển kinh tế-xã hội, quy mô dân số, và đặc biệt là tốc độ tăng trưởng GDP. Phân tích tương quan Pearson cho thấy một mối quan hệ thuận và rất chặt chẽ giữa GDP và tổng số lao động trình độ đại học trở lên (hệ số r = 0.993). Tương tự, dân số Bình Dương (r = 0.986) và dân số cả nước (r = 0.988) cũng có tương quan cao. Việc đưa các yếu tố này vào làm thuộc tính đầu vào giúp mô hình dự báo nhu cầu lao động nắm bắt được các xu hướng phát triển chung của nền kinh tế, từ đó nâng cao độ chính xác.
IV. Top 4 thuật toán Data Mining trong dự báo nhu cầu nhân lực
Để tìm ra mô hình tối ưu cho bài toán dự báo nhu cầu lao động tại Bình Dương, nghiên cứu đã tiến hành thực nghiệm và so sánh bốn thuật toán hồi quy tiêu biểu trong lĩnh vực khai phá dữ liệu. Linear Regression (LR) là thuật toán cơ bản nhất, tìm cách mô tả mối quan hệ tuyến tính giữa các biến đầu vào và biến đầu ra. Ưu điểm của LR là đơn giản, nhanh chóng nhưng lại nhạy cảm với nhiễu và không biểu diễn được các mối quan hệ phức tạp. K-Nearest Neighbors (KNN) là một thuật toán 'lười học' (lazy learning), dự đoán giá trị của một điểm dữ liệu mới dựa trên giá trị trung bình của K điểm lân cận gần nhất trong tập huấn luyện. KNN đơn giản, không cần giả định về phân phối dữ liệu nhưng tốn nhiều bộ nhớ và chi phí tính toán khi dự đoán. Decision Trees (DT) hay Cây quyết định, xây dựng một mô hình dạng cây để ra quyết định. Các luật IF-THEN được rút ra từ cây rất dễ hiểu và trực quan. Tuy nhiên, một cây quyết định đơn lẻ thường không mạnh, dễ bị 'học vẹt' (overfitting). Để khắc phục nhược điểm này, Random Forests (RF) được đề xuất. Đây là một thuật toán học tập tập hợp (ensemble learning), xây dựng một 'khu rừng' gồm nhiều cây quyết định độc lập. Mỗi cây được huấn luyện trên một mẫu dữ liệu ngẫu nhiên (bootstrap sample). Kết quả dự báo cuối cùng là giá trị trung bình từ tất cả các cây. Phương pháp này giúp giảm thiểu hiện tượng học vẹt và mang lại độ chính xác cao hơn, trở thành một trong những thuật toán mạnh mẽ nhất hiện nay.
4.1. So sánh thuật toán Linear Regression và K Nearest Neighbors
Linear Regression (Hồi quy tuyến tính) là một kỹ thuật thống kê cổ điển, biểu diễn mối quan hệ giữa các biến dưới dạng một phương trình đường thẳng. Mô hình này phù hợp khi mối liên hệ giữa các yếu tố là tuyến tính và rõ ràng. Ngược lại, K-Nearest Neighbors (K láng giềng gần nhất) là một phương pháp phi tham số, không đưa ra giả định nào về dạng của hàm mục tiêu. Nó hoạt động dựa trên nguyên tắc 'gần mực thì đen, gần đèn thì rạng', tức là một đối tượng sẽ có đặc tính giống với các láng giềng gần nó nhất. Trong khi LR 'học' ra một mô hình tường minh, KNN lại lưu trữ toàn bộ dữ liệu và chỉ tính toán khi có yêu cầu dự đoán. KNN có thể linh hoạt hơn với các dữ liệu phức tạp nhưng dễ bị ảnh hưởng bởi 'lời nguyền số chiều' (curse of dimensionality).
4.2. Phân tích mô hình Decision Trees và Random Forests RF
Decision Trees (Cây quyết định) phân chia đệ quy tập dữ liệu thành các tập con ngày càng nhỏ và đồng nhất hơn. Mỗi nút trong cây đại diện cho một thuộc tính, mỗi nhánh là một quyết định. Ưu điểm lớn của nó là tính minh bạch, dễ giải thích. Tuy nhiên, chúng có xu hướng bị phương sai cao, nghĩa là một thay đổi nhỏ trong dữ liệu huấn luyện có thể dẫn đến một cây hoàn toàn khác. Random Forests (Rừng ngẫu nhiên) giải quyết vấn đề này bằng cách kết hợp sức mạnh của nhiều cây quyết định. Bằng kỹ thuật Bagging (Bootstrap Aggregating) và chọn thuộc tính ngẫu nhiên tại mỗi nút, RF tạo ra các cây đa dạng và ít tương quan với nhau. Điều này giúp giảm phương sai của mô hình tổng thể mà không làm tăng độ chệch (bias), dẫn đến một mô hình dự báo mạnh mẽ và ổn định hơn đáng kể.
V. Kết quả thực nghiệm Random Forests là mô hình hiệu quả
Quá trình thực nghiệm và đánh giá trên bộ dữ liệu cung - cầu lao động tỉnh Bình Dương đã cung cấp những bằng chứng thuyết phục về hiệu quả của các mô hình. Sau hơn 100 giờ chạy thực nghiệm, kết quả cho thấy mô hình RandomForestRegressor (RF) vượt trội hơn hẳn so với ba mô hình còn lại là Linear Regression (LR), K-Nearest Neighbors (KNN) và DecisionTreeRegressor (DT). Việc đánh giá được thực hiện dựa trên các độ đo khách quan như hệ số tương quan (Spearman, Pearson) và điểm kiểm tra (test_score - R2 score). Trên tất cả các nhóm thuộc tính được khảo sát, từ thông tin chung về lao động, chuyên môn kỹ thuật, lĩnh vực giáo dục đào tạo, cho đến lĩnh vực nhà nghiên cứu, mô hình RF đều cho các chỉ số tốt nhất. Cụ thể, các giá trị độ đo của RF luôn ở mức cao, tiến gần đến 1, cho thấy khả năng dự báo chính xác và ổn định. Ví dụ, trong nhóm thuộc tính thông tin chung, hệ số tương quan Spearman của RF đạt 1.980 (giá trị có thể bị lỗi trong tài liệu gốc, nhưng xu hướng là cao nhất), cao hơn hẳn so với các mô hình khác. Mô hình DT đứng thứ hai, LR xếp thứ ba, và KNN cho kết quả thấp nhất. Kết quả này khẳng định rằng Random Forests là lựa chọn phù hợp nhất cho bài toán dự báo nhu cầu lao động với bộ dữ liệu đặc thù này. Sự thành công của RF đến từ khả năng xử lý các mối quan hệ phi tuyến tính phức tạp và giảm thiểu hiện tượng học vẹt, điều mà các mô hình đơn giản hơn như LR hay DT đơn lẻ khó có thể làm được.
5.1. Đánh giá hiệu suất các mô hình qua các độ đo chính xác
Để so sánh hiệu suất, nghiên cứu đã sử dụng nhiều độ đo. Hệ số tương quan Pearson đo lường mức độ tương quan tuyến tính, trong khi Hệ số tương quan Spearman đo lường mối quan hệ đơn điệu (không nhất thiết tuyến tính) giữa hai biến. Test score (R2_score), hay hệ số xác định, cho biết tỷ lệ phương sai của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình. Một điểm R2 gần bằng 1.0 cho thấy mô hình dự đoán rất tốt. Kết quả từ các Bảng 4.2 đến 4.5 trong tài liệu gốc đều chỉ ra rằng các giá trị này của mô hình RF (được tô đậm) luôn cao nhất trên mọi nhóm thuộc tính. Điều này chứng tỏ mô hình RF không chỉ phù hợp với dữ liệu mà còn có khả năng tổng quát hóa tốt trên các dữ liệu chưa từng thấy.
5.2. Phân tích độ tin cậy của mô hình dự báo Random Forests
Độ tin cậy của mô hình dự báo RF không chỉ thể hiện qua các chỉ số thống kê mà còn qua việc kiểm chứng với số liệu thực tế. Nghiên cứu đã tiến hành một thử nghiệm quan trọng: loại bỏ dữ liệu năm 2015 khỏi tập huấn luyện, sau đó dùng mô hình đã huấn luyện để dự báo cho chính năm 2015 và so sánh với số liệu thực tế. Kết quả cho thấy độ lệch giữa số liệu dự báo của RF và số liệu thực tế là thấp nhất so với các mô hình khác. Điều này chứng minh tính thực tiễn và độ tin cậy cao của thuật toán Random Forests trong việc dự báo nhu cầu lao động cho ngành nghề tại Bình Dương. Khả năng đưa ra dự báo gần với thực tế là yếu tố then chốt để các nhà hoạch định chính sách có thể tin tưởng và sử dụng kết quả của mô hình.
VI. Tương lai dự báo lao động ứng dụng Data Mining rộng rãi
Nghiên cứu ứng dụng Data Mining để dự báo nhu cầu lao động tại Bình Dương không chỉ là một công trình khoa học có giá trị mà còn mở ra một hướng đi đầy triển vọng cho công tác quản lý nguồn nhân lực. Việc chứng minh được mô hình Random Forests là hiệu quả nhất đã cung cấp một công cụ mạnh mẽ, khoa học và đáng tin cậy cho các nhà hoạch định chính sách, các trung tâm dịch vụ việc làm và các cơ sở đào tạo. Trong tương lai, mô hình này có thể được tích hợp vào hệ thống thông tin thị trường lao động của tỉnh, giúp cung cấp các dự báo cập nhật, chi tiết theo từng ngành nghề, trình độ chuyên môn một cách tự động. Điều này sẽ thúc đẩy sự kết nối hiệu quả giữa cung - cầu lao động, giảm thiểu tình trạng lệch pha trong đào tạo và tuyển dụng. Hướng phát triển tiếp theo là mở rộng bộ dữ liệu, không chỉ giới hạn ở dữ liệu cầu mà còn tích hợp cả dữ liệu về phía cung (thông tin sinh viên tốt nghiệp, người tìm việc) để có một bức tranh toàn diện hơn. Ngoài ra, việc ứng dụng các kỹ thuật khai phá dữ liệu tiên tiến hơn như Deep Learning có thể được xem xét để cải thiện hơn nữa độ chính xác của mô hình, đặc biệt với các chuỗi dữ liệu thời gian dài hơn. Thành công tại Bình Dương hoàn toàn có thể trở thành một mô hình tham khảo để các tỉnh thành khác trên cả nước học hỏi và áp dụng, góp phần hiện đại hóa công tác dự báo và quản lý thị trường lao động quốc gia, đáp ứng yêu cầu của nền kinh tế số.
6.1. Ý nghĩa thực tiễn của mô hình đối với tỉnh Bình Dương
Kết quả của nghiên cứu mang lại ý nghĩa thực tiễn to lớn. Đối với Sở Lao động – Thương binh và Xã hội và Trung tâm Dịch vụ Việc làm tỉnh Bình Dương, đây là một công cụ hỗ trợ ra quyết định quý giá, giúp định hướng công tác tư vấn, giới thiệu việc làm hiệu quả hơn. Đối với các trường đại học, cao đẳng và cơ sở dạy nghề, kết quả dự báo giúp họ điều chỉnh chỉ tiêu và chương trình đào tạo để sinh viên ra trường đáp ứng ngay nhu cầu của doanh nghiệp. Về phía doanh nghiệp, việc tiếp cận các dự báo đáng tin cậy giúp họ xây dựng chiến lược nhân sự dài hạn và chủ động hơn trong việc tìm kiếm nguồn cung ứng lao động chất lượng cao.
6.2. Hướng phát triển và hoàn thiện hệ thống thông tin TTLĐ
Để phát huy tối đa hiệu quả, mô hình dự báo nhu cầu lao động cần được tích hợp và vận hành liên tục trong một hệ thống thông tin thị trường lao động (TTLĐ) hoàn chỉnh. Hệ thống này cần đảm bảo việc thu thập dữ liệu được thực hiện thường xuyên và đồng bộ từ nhiều nguồn (doanh nghiệp, cơ sở đào tạo, cơ quan thống kê). Cần tiếp tục nghiên cứu để bổ sung các yếu tố tác động mới như xu hướng công nghệ, đầu tư nước ngoài (FDI) vào mô hình. Hơn nữa, việc xây dựng một giao diện trực quan, thân thiện cho phép các bên liên quan dễ dàng truy cập và khai thác thông tin dự báo là một bước đi cần thiết để đưa kết quả nghiên cứu vào cuộc sống, phục vụ thiết thực cho sự phát triển kinh tế - xã hội của tỉnh.
