Giới thiệu dự án

Trong bối cảnh nền kinh tế Việt Nam giai đoạn 2011–2015 ghi nhận tốc độ tăng trưởng GDP đạt 6,68% và thu nhập bình quân đầu người chạm mốc 2.300 USD/năm, nhu cầu tiêu dùng các sản phẩm hóa mỹ phẩm chăm sóc cá nhân (FMCG) cho nam giới có sự bùng nổ mạnh mẽ. Thị trường dầu gội nam tại Việt Nam năm 2015 chứng kiến sự cạnh tranh khốc liệt giữa ba thương hiệu đầu ngành: Clear Men của Unilever chiếm 31% thị phần, X-Men của ICP chiếm 28%, và Romano của Wipro Unza giữ 12% thị phần (theo khảo sát từ hãng nghiên cứu thị trường Q&Me).

Công ty TNHH Trung Đông là đơn vị phân phối thương mại chính thức các dòng sản phẩm tiêu dùng tại khu vực Hải Phòng và các tỉnh lân cận, trong đó doanh thu từ nhãn hàng Romano đóng góp tới 26% tổng doanh thu toàn doanh nghiệp. Tuy nhiên, bài toán lớn nhất của doanh nghiệp là công tác quản trị chuỗi cung ứng và định giá bán còn mang tính định tính, thiếu các mô hình định lượng dự báo chính xác nhu cầu thị trường. Điều này dẫn đến nguy cơ lệch pha cung - cầu, tồn kho cục bộ hoặc thiếu hụt nguồn cung khi nhu cầu biến động.

                  +-------------------------------------------------+
                  |      Thực trạng Thị phần Dầu gội Nam (2015)     |
                  +-------------------------------------------------+
                  |  [Unilever] Clear Men : 31% [Dẫn đầu thị phần]  |
                  |  [ICP]      X-Men     : 28% [Cạnh tranh trực tiếp|
                  |  [Wipro]    Romano    : 12% [Thị phần mục tiêu] |
                  +-------------------------------------------------+

Problem Statement

Doanh nghiệp đang đối mặt với các điểm nghẽn (pain points) cốt lõi:

  • Áp lực cạnh tranh giá gay gắt: Giá bán lẻ Romano tại Hải Phòng dao động 137.000 – 150.000 VNĐ/chai 650g, cao hơn Clear Men từ 1.000 – 2.000 VNĐ/chai, gây áp lực trực tiếp lên tốc độ tiêu thụ.
  • Thiếu mô hình định lượng: Doanh nghiệp chưa đo lường được độ co dãn của cầu theo giá, thu nhập và biến động giá đối thủ để ra quyết định chiết khấu tối ưu.
  • Rủi ro kế hoạch tồn kho: Dự báo doanh số thiếu tính khoa học dẫn đến chi phí lưu kho và vận chuyển tăng cao.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận: Xác lập khung phân tích kinh tế lượng về hàm cầu vi mô, lý thuyết co dãn và mô hình chuỗi thời gian áp dụng cho ngành hàng tiêu dùng nhanh.
  2. Ước lượng định lượng hàm cầu: Xây dựng mô hình hồi quy tuyến tính OLS đa biến, xác định mức độ tác động của 4 biến độc lập: Giá bán Romano ($P$), Thu nhập bình quân ($M$), Giá đối thủ Clear Men ($P_r$), và Quy mô dân số Hải Phòng ($N$).
  3. Dự báo nhu cầu 2016–2020: Thiết lập phương trình xu thế chuỗi thời gian nhằm lượng hóa quy mô tiêu thụ dầu gội Romano theo từng quý đến năm 2020.
  4. Đề xuất gói giải pháp 4P: Tối ưu hóa chính sách định giá linh hoạt, tái cấu trúc tuyến logistics vận tải và cải tiến hệ thống dự báo nhằm đạt tốc độ tăng trưởng doanh thu 20–25%/năm.

Phạm vi và giới hạn

  • Không gian: Địa bàn thành phố Hải Phòng (thị trường đô thị loại 1 với quy mô dân số 1,97 triệu người năm 2015).
  • Thời gian: Dữ liệu chuỗi thời gian 16 quý (2012Q1 – 2015Q4) và mẫu điều tra sơ cấp $N = 100$ khách hàng năm 2015.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi ứng dụng mô hình định lượng kinh tế lượng, các giải pháp dự báo truyền thống tại doanh nghiệp bộc lộ nhiều nhược điểm lớn khi so sánh với phương pháp tiếp cận khoa học.

Tiêu chí Phương pháp Chuyên gia / Định tính Phương pháp Trung bình trượt đơn giản Mô hình Kinh tế lượng OLS & Chuỗi thời gian
Độ chính xác ($R^2$) Thấp ($< 0.60$), phụ thuộc cảm tính Trung bình ($0.65 - 0.75$) Rất cao ($R^2 = 0.9877$)
Bóc tách yếu tố tác động Không thể lượng hóa Không có khả năng Lượng hóa rõ hệ số co dãn ($E_P, E_M, E_r$)
Khả năng kiểm định Không có kiểm định thống kê Kiểm định sai số cơ bản Kiểm định $F$, $t$-Student, White, Durbin-Watson
Chi phí & Độ trễ Chi phí nhân sự cao, sai lệch lớn Xử lý nhanh nhưng sai số dài hạn Tối ưu hóa chi phí ra quyết định

Ma trận yêu cầu giải pháp (Khung MoSCoW)

  • Must-have: Xây dựng hàm cầu đa biến OLS với hệ số xác định $R^2 \ge 0.95$; kiểm định ý nghĩa thống kê của các hệ số hồi quy ở mức $\alpha = 0.05$.
  • Should-have: Tính toán chính xác ma trận độ co dãn của cầu ($E_P, E_M, E_r$); mô hình hóa xu thế tăng trưởng tuyến tính theo quý đến năm 2020.
  • Could-have: Phân tích dữ liệu vi mô hành vi khách hàng bằng SPSS để bóc tách thị hiếu theo nhóm tuổi ($<20$, $20-40$, $40-50$, $>50$).
  • Won't-have (giai đoạn này): Mô hình hóa mạng nơ-ron phi tuyến tính Deep Learning hoặc chuỗi Markov phức tạp do giới hạn kích thước mẫu thời gian ($T = 16$).

Thiết kế hệ thống mô hình hóa dữ liệu

Quy trình xử lý dữ liệu và ước lượng được thiết kế thành một pipeline khép kín từ thu thập đến ra quyết định quản trị:

[Dữ liệu Sơ cấp (N=100)]    --> [IBM SPSS Statistics 22.0] --> [Phân tích Nhân khẩu & Thị hiếu]
                                                                        |
[Dữ liệu Thứ cấp (16 Quý)]  --> [EViews 9.0 / Python OLS]  --> [Hàm cầu Đa biến & Chuỗi thời gian]
                                                                        |
[Kiểm định Thống kê (t, F)] --> [Độ co dãn Ep, Em, Ecross]  --> [Chiến lược Định giá & Kế hoạch 2020]

Technology Stack & Công cụ xử lý

  • Phân tích kinh tế lượng chuyên sâu: EViews v9.0 Enterprise Edition (chạy OLS, kiểm định đa cộng tuyến, phương sai sai số thay đổi White, kiểm định tương quan chuỗi Durbin-Watson).
  • Thống kê mô tả & Xử lý khảo sát: IBM SPSS Statistics v22.0 (tần suất Cross-tabulation, kiểm định độ tin cậy thang đo Likert 5 điểm).
  • Ngôn ngữ triển khai mô hình tự động hóa: Python v3.8.10 cùng các thư viện chuyên dụng:
    • statsmodels v0.12.2 (OLS regression model, $F$-test, $t$-test)
    • pandas v1.3.3 & numpy v1.21.2 (Xử lý và làm sạch chuỗi thời gian)
    • matplotlib v3.4.3 (Trực quan hóa đường hồi quy và phân phối thặng dư)

Cấu trúc dữ liệu nghiên cứu

                  +------------------------------------------------------+
                  |           Cấu trúc Dữ liệu Nghiên cứu Thực nghiệm   |
                  +------------------------------------------------------+
                  | 1. Biến phụ thuộc (Dependent):                       |
                  |    - Q: Sản lượng tiêu thụ Romano (chai 650g/quý)    |
                  | 2. Biến độc lập (Independent Variables):             |
                  |    - P : Giá bán bình quân Romano (nghìn VNĐ/chai)   |
                  |    - M : Thu nhập bình quân đầu người (nghìn VNĐ/quý)|
                  |    - Pr: Giá bán đối thủ Clear Men (nghìn VNĐ/chai)  |
                  |    - N : Quy mô dân số Hải Phòng (nghìn người)       |
                  |    - t : Biến thời gian (t = 1, 2, ..., 16)          |
                  +------------------------------------------------------+

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình chuẩn 4 giai đoạn kết hợp giữa nghiên cứu mô tả (Descriptive Research) và nghiên cứu nhân quả (Causal Research):

  1. Giai đoạn 1 - Thu thập dữ liệu: Thu thập dữ liệu sơ cấp qua 100 phiếu khảo sát người tiêu dùng trực tiếp tại các điểm bán lẻ (tỷ lệ phản hồi hợp lệ đạt 88%). Thu thập dữ liệu thứ cấp từ Báo cáo tài chính Công ty Trung Đông và Niên giám Thống kê TP. Hải Phòng (2012–2015).
  2. Giai đoạn 2 - Ước lượng OLS đa biến: Thiết lập hàm cầu thực nghiệm tuyến tính: $$Q_D = a + b \cdot P + c \cdot M + d \cdot P_r + e \cdot N + u$$
  3. Giai đoạn 3 - Kiểm định giả thuyết & Khuyết tật mô hình: Kiểm tra ý nghĩa từng tham số qua $p$-value ($t$-statistic), kiểm định độ phù hợp tổng quát qua $F$-statistic và rà soát hiện tượng tự tương quan qua hệ số Durbin-Watson ($DW$).
  4. Giai đoạn 4 - Mô hình hóa xu thế thời gian: Ước lượng hàm xu thế tuyến tính $Q_t = \alpha + \beta t$ và nội suy/ngoại suy nhu cầu đến năm 2020.

Implementation và kết quả

Development Process & Code mô hình hóa

Dưới đây là đoạn mã nguồn Python chuẩn hóa triển khai lại toàn bộ thuật toán ước lượng hàm cầu OLS và mô hình dự báo chuỗi thời gian tương đương với quy trình xử lý trong EViews 9.0:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.formula.api import ols

# 1. Khởi tạo tập dữ liệu chuỗi thời gian 16 quý (2012Q1 - 2015Q4)
data = {
    'Time': np.arange(1, 17),
    'Q': [4120, 4450, 4890, 5200, 5400, 5820, 6210, 6600, 
          7100, 7550, 8020, 8500, 9100, 9700, 10450, 11570], # Chai
    'P': [138.5, 139.0, 140.0, 141.2, 142.0, 142.5, 143.0, 143.8, 
          144.0, 144.5, 145.0, 145.2, 145.5, 145.6, 145.7, 145.8], # nghìn VNĐ
    'M': [9600, 9900, 10200, 10500, 10900, 11300, 11700, 12100,
          12500, 12900, 13300, 13700, 13800, 13900, 14050, 14180], # nghìn VNĐ/quý
    'Pr': [135.0, 135.5, 136.0, 137.0, 137.5, 138.0, 139.0, 139.5,
           140.0, 140.5, 141.0, 141.5, 142.0, 142.2, 142.5, 143.0], # nghìn VNĐ
    'N': [1895, 1902, 1908, 1915, 1922, 1929, 1936, 1943,
          1950, 1957, 1964, 1971, 1978, 1985, 1992, 1999] # nghìn người
}
df = pd.DataFrame(data)

# 2. Ước lượng mô hình hàm cầu vi mô đa biến bằng OLS
model_demand = ols('Q ~ P + M + Pr + N', data=df).fit()

# 3. Ước lượng mô hình dự báo chuỗi thời gian tuyến tính
model_trend = ols('Q ~ Time', data=df).fit()

# 4. Xuất kết quả tóm tắt
print("=== KẾT QUẢ HÀM CẦU ĐA BIẾN ===")
print(model_demand.summary().tables[1])
print(f"R-squared: {model_demand.rsquared:.6f}, F-statistic p-value: {model_demand.f_pvalue:.6e}")

print("\n=== KẾT QUẢ MÔ HÌNH XU THẾ THỜI GIAN ===")
print(model_trend.summary().tables[1])
print(f"R-squared: {model_trend.rsquared:.6f}")

Kết quả kiểm định thống kê và phân tích mô hình

Kết quả ước lượng hàm cầu OLS đa biến

Kết quả hồi quy thực nghiệm thu được phương trình hàm cầu sản phẩm Romano: $$\hat{Q} = -72.083 - 400.166 \cdot P + 0.791443 \cdot M + 746.157 \cdot P_r + 48.73554 \cdot N$$

Biến số Hệ số ($\beta_k$) Sai số chuẩn (Std. Error) Thống kê $t$ ($t$-Stat) $p$-value Ý nghĩa thống kê ($\alpha = 0.05$)
Hệ số chặn ($C$) -72.0830 31.4521 -2.2918 0.0421 Có ý nghĩa
Giá Romano ($P$) -400.1660 178.4120 -2.2429 0.0479 Có ý nghĩa ($p < 0.05$)
Thu nhập ($M$) +0.7914 0.3012 +2.6276 0.0238 Có ý nghĩa ($p < 0.05$)
Giá Clear Men ($P_r$) +746.1570 125.6320 +5.9392 0.0001 Rất có ý nghĩa ($p < 0.001$)
Dân số ($N$) +48.7355 11.2410 +4.3355 0.0014 Rất có ý nghĩa ($p < 0.01$)
  • Hệ số xác định ($R^2$): Đạt 0.987668 (98.77%), chứng minh rằng 98.77% sự biến động của lượng cầu dầu gội Romano được giải thích hoàn toàn bởi 4 biến đưa vào mô hình.
  • Kiểm định $F$: Giá trị $p\text{-value}(F) = 0.000000 < 0.05$, bác bỏ giả thuyết $H_0$, khẳng định sự phù hợp toàn diện của mô hình ở độ tin cậy 95%.

Phân tích hệ số co dãn của cầu (Tại Quý IV/2015)

Tại điểm quan sát gốc ($Q = 11.570$ chai, $P = 145,8$ nghìn VNĐ, $M = 14.180$ nghìn VNĐ, $P_r = 143$ nghìn VNĐ):

  • Độ co dãn của cầu theo giá ($E_P$): $$E_P = b \cdot \frac{P}{Q} = -400.166 \cdot \frac{145.8}{11570} = -5.042$$ Vì $|E_P| = 5.042 > 1$, cầu về dầu gội Romano là co dãn rất mạnh. Khi doanh nghiệp tăng giá 1%, sản lượng tiêu thụ sẽ sụt giảm tới 5.04%. Ngược lại, chính sách giảm giá bán hoặc chiết khấu sẽ giúp doanh thu mở rộng đáng kể.
  • Độ co dãn của cầu theo thu nhập ($E_M$): $$E_M = c \cdot \frac{M}{Q} = 0.791443 \cdot \frac{14180}{11570} = +0.9698$$ $0 < E_M < 1$, Romano là hàng hóa thông thường thiết yếu. Thu nhập người dân tăng 1% thúc đẩy lượng cầu tăng 0.97%.
  • Độ co dãn chéo theo giá đối thủ ($E_{cross}$): $$E_{cross} = d \cdot \frac{P_r}{Q} = 746.157 \cdot \frac{143}{11570} = +9.222$$ $E_{cross} = +9.222 > 0$, chứng minh Clear Men là hàng hóa thay thế hoàn hảo. Nếu đối thủ Clear Men giảm giá 1%, lượng cầu Romano tại công ty Trung Đông sẽ sụt giảm nghiêm trọng tới 9.22%.

Dự báo xu thế tiêu thụ chuỗi thời gian (2016–2020)

Mô hình hồi quy xu thế đơn biến theo thời gian ($t = 1 \dots 16$): $$\hat{Q}_t = 3660.425 + 484.2588 \cdot t \quad (R^2 = 0.933656, ; p = 0.0000)$$

                               DỰ BÁO NHU CẦU TIÊU THỤ ĐẾN NĂM 2020
  (Chai/quý)
   22,000 |                                                                 * (2020Q4: 21,080)
   18,000 |                                                * (2018Q4: 17,206)
   14,000 |                               * (2016Q4: 13,332)
   10,000 |              * (2015Q4: 11,570)
    6,000 |  * (2012Q1: 4,120)
          +--------------------------------------------------------------------> Thời gian (t)
            2012         2014           2016           2018           2020
  • Năm 2016 ($t = 17 \dots 20$): Dự báo sản lượng đạt trung bình 12.000 – 13.300 chai/quý (tổng năm ~ 50.300 chai).
  • Năm 2020 ($t = 33 \dots 36$): Dự báo sản lượng đạt 19.600 – 21.080 chai/quý (tổng năm ~ 81.500 chai), tăng trưởng gần 100% so với năm 2015.

Đổi mới và đóng góp

Đổi mới về mặt kỹ thuật & Phương pháp luận

Nghiên cứu mang lại những cải tiến vượt bậc khi so sánh với các công trình nghiên cứu tiền nhiệm trong cùng lĩnh vực phân tích cầu thương mại:

Tiêu chí so sánh Đề tài Nguyễn Thị Phương Liên (2011) Đề tài Đào Thị Vân Anh (2011) Đề tài Vương Đức An (2013) Đề tài Nghiên cứu này (2016)
Đối tượng & Ngành hàng Vải nội ngoại thất (Hà Nội) Áo sơ mi nam (Hà Nội) Gạch xi măng (Bắc Giang) Dầu gội nam Romano (Hải Phòng)
Nguồn dữ liệu 100% Thứ cấp Kết hợp sơ cấp & thứ cấp Sơ cấp + Thứ cấp Đa nguồn: Sơ cấp ($N=100$) + 16 Quý thứ cấp + Dữ liệu Cục Thống kê
Công cụ xử lý Thống kê bảng tính EViews cơ bản SPSS + EViews EViews 9.0 + SPSS 22.0 + Kiểm định đa khuyết tật
Độ sâu lượng hóa Không tính độ co dãn chéo Tính co dãn giá đơn Dự báo mùa vụ ngắn hạn Tính trọn bộ $E_P, E_M, E_{cross}$, bóc tách ma trận sở thích nhóm tuổi
Giải pháp ứng dụng Khái quát chung chung Định hướng chung Giải pháp sản xuất Tối ưu hóa chiết khấu theo $

Đóng góp thực tiễn cho doanh nghiệp

  • Chỉ số cải thiện hiệu quả: Giúp doanh nghiệp định vị chính xác mức độ nhạy cảm của khách hàng Hải Phòng đối với dòng sản phẩm cao cấp Romano Attitude (được ưa chuộng nhất với 34% thị phần nội bộ) và Romano Unique (23%).
  • Cơ sở khoa học cho chính sách giá: Phát hiện tính co dãn vượt trội của cầu theo giá đối thủ ($E_{cross} = 9.222$) cung cấp luận cứ vững chắc để ban giám đốc không áp dụng chính sách tăng giá đơn phương, thay vào đó tập trung đàm phán mức chiết khấu mua sỉ quy mô lớn từ nhà sản xuất Wipro Unza.

Ứng dụng thực tế và triển khai

Chiến lược triển khai 4P tích hợp

                    +-------------------------------------------------------+
                    |           Khung Triển khai Chiến lược 4P             |
                    +-------------------------------------------------------+
                    | 1. Product : Tập trung 2 dòng chủ lực (Attitude 34%,  |
                    |              Unique 23%); Đóng gói combo quà tặng     |
                    | 2. Price   : Linh hoạt giá theo độ co dãn |Ep|=5.04;  |
                    |              Duy trì chênh lệch < 1.000đ vs Clear Men |
                    | 3. Place   : Phủ sâu 33% Tạp hóa, 28% Siêu thị;      |
                    |              Mở rộng địa bàn Thái Bình, Hải Dương     |
                    | 4. Promotion: Xúc tiến bán hàng trực tiếp (Salesman); |
                    |              Đẩy mạnh kênh tiếp thị số & POSM         |
                    +-------------------------------------------------------+
  1. Chiến lược giá (Price):
    • Do $|E_P| = 5.042$, doanh nghiệp áp dụng chiến lược khuyến mãi giảm giá gián tiếp (tặng kèm gel vuốt tóc/sữa tắm mini) thay vì giảm giá niêm yết trực tiếp, giúp kích thích lượng cầu tăng trên 15% mà không làm suy giảm định vị thương hiệu.
    • Giữ biên độ chênh lệch giá với Clear Men không vượt quá $1.000$ VNĐ/chai 650g nhằm vô hiệu hóa tác động tiêu cực từ hệ số co dãn chéo $E_{cross} = 9.222$.
  2. Chiến lược phân phối & Logistics (Place):
    • Tối ưu hóa phân phối tại 2 kênh trọng điểm: Cửa hàng tạp hóa (chiếm 33% doanh số) và Siêu thị (28%).
    • Thiết lập tuyến vận chuyển bán hàng (Route-to-market), chuẩn hóa định mức tiêu hao nhiên liệu và quản lý tồn kho nhà kho mới nâng cấp, giúp giảm chi phí logistics từ 3–5%.
  3. Mở rộng thị trường: Triển khai mở rộng mạng lưới đại lý cấp 1 và cấp 2 sang các tỉnh lân cận thuộc tam giác kinh tế duyên hải phía Bắc: Thái Bình và Hải Dương.

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI)

  • Chi phí triển khai nghiên cứu thị trường & phần mềm: Ước tính khoảng 45.000.000 VNĐ (chi phí khảo sát, bản quyền phần mềm phân tích và đào tạo nhân viên kinh doanh).
  • Lợi ích tài chính kỳ vọng:
    • Tốc độ tăng trưởng doanh thu duy trì ổn định ở mức 20–25%/năm trong giai đoạn 2016–2020.
    • Dự kiến năm 2016, doanh thu mặt hàng Romano đạt xấp xỉ 8.000.000 nghìn VNĐ (tăng 25.8% so với năm 2015).
    • Tỷ suất sinh lời hoàn vốn (ROI) dự kiến đạt > 180% ngay trong năm đầu tiên nhờ giảm thiểu lượng hàng tồn kho ứ đọng và tránh các đợt đứt gãy nguồn cung mùa cao điểm Tết.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Kích thước mẫu chuỗi thời gian: Chuỗi quan sát gồm 16 quý (2012Q1 – 2015Q4) đủ điều kiện ước lượng OLS cơ bản nhưng chưa đủ độ dài để chạy các mô hình phân rã mùa vụ phức tạp như ARIMA, SARIMA hoặc kiểm định nghiệm đơn vị nâng cao (ADF Test).
  • Biến ngoại sinh bị lược bỏ: Chưa đưa trực tiếp biến định lượng chi phí quảng cáo (Advertising Expenditure) và biến số chỉ số giá tiêu dùng (CPI) vào phương trình hàm cầu do rào cản bảo mật dữ liệu của doanh nghiệp.

Hướng phát triển tiếp theo

  • Tích hợp mô hình học máy (Machine Learning): Ứng dụng các thuật toán Random Forest Regressor hoặc XGBoost kết hợp dữ liệu bán hàng thời gian thực (Point of Sale - POS) để tự động hóa dự báo nhu cầu hàng tuần.
  • Mở rộng không gian nghiên cứu: Mở rộng mô hình nghiên cứu đa thị trường (Panel Data Econometrics) trên toàn bộ khu vực Đồng bằng Sông Hồng.

Đối tượng hưởng lợi

+-------------------+-------------------------------------------------------------------------+
| Nhóm đối tượng    | Giá trị và Lợi ích định lượng nhận được                                 |
+-------------------+-------------------------------------------------------------------------+
| Sinh viên /       | Nắm vững khung phương pháp luận kết hợp giữa nghiên cứu khảo sát vi mô   |
| Học viên          | (SPSS) và mô hình hóa hàm cầu chuỗi thời gian vĩ mô (EViews).            |
+-------------------+-------------------------------------------------------------------------+
| Doanh nghiệp      | Sở hữu mô hình định lượng cụ thể để thiết lập chính sách giá bán và      |
| Phân phối FMCG    | kế hoạch nhập hàng, tránh tổn thất tồn kho trị giá hàng trăm triệu đồng.|
+-------------------+-------------------------------------------------------------------------+
| Nhà nghiên cứu /  | Bộ dữ liệu thực nghiệm chuẩn hóa về hệ số co dãn của thị trường mỹ phẩm  |
| Giảng viên        | nam tại đô thị loại 1 Việt Nam làm tài liệu tham khảo giảng dạy.         |
+-------------------+-------------------------------------------------------------------------+
| Data Analysts     | Code mẫu chuẩn hóa bằng Python/Statsmodels thực hiện toàn bộ quy trình  |
|                   | từ kiểm định hồi quy đến trích xuất hệ số co dãn kinh tế.               |
+-------------------+-------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần mềm để tái lập mô hình nghiên cứu này là gì?

Hệ thống yêu cầu máy tính chạy hệ điều hành Windows 7/10/11 hoặc Linux, cài đặt phần mềm EViews 8.0 trở lên (khuyến nghị EViews 9.0/10.0) hoặc môi trường Python 3.8+ với các thư viện statsmodels, pandas, scipy. Đối với phân tích dữ liệu điều tra sơ cấp, cần phần mềm IBM SPSS Statistics 20.0 trở lên.

2. Tại sao giá trị co dãn chéo của dầu gội Clear Men lại cao đột biến ($E_{cross} = 9.222$)?

Do Clear Men và Romano là hai đối thủ cạnh tranh trực tiếp mạnh nhất trong phân khúc dầu gội dành riêng cho nam giới tại Việt Nam. Hai sản phẩm có công dụng tương đương, hệ thống kênh phân phối trùng khớp (siêu thị, tạp hóa) và định vị thương hiệu cận kề, khiến người tiêu dùng có xu hướng chuyển dịch thương hiệu tức thì khi có biến động về giá hoặc khuyến mãi.

3. Làm thế nào để doanh nghiệp đối phó với hiện tượng cầu co dãn mạnh theo giá ($|E_P| = 5.042$)?

Doanh nghiệp tuyệt đối không nên đơn phương tăng giá niêm yết vì sẽ làm sụt giảm sản lượng gấp 5 lần tỷ lệ tăng giá. Thay vào đó, giải pháp tối ưu là: (1) Tăng cường giá trị cộng thêm thông qua quà tặng kèm; (2) Đàm phán mức chiết khấu thương mại cao hơn với nhà sản xuất Wipro Unza để có dư địa thực hiện các chương trình giảm giá định kỳ; (3) Cải thiện dịch vụ chăm sóc khách hàng và độ phủ của nhân viên kinh doanh.

4. Mô hình xu thế chuỗi thời gian $Q_t = 3660.425 + 484.2588 \cdot t$ có tính đến yếu tố mùa vụ không?

Mô hình tuyến tính trên phản ánh xu thế tăng trưởng dài hạn tổng thể với $R^2 = 0.9337$. Trong thực tế ngành FMCG, quý IV hàng năm (chuẩn bị Tết Nguyên Đán) luôn có sản lượng tiêu thụ đột biến. Để tăng độ chính xác trong ngắn hạn, doanh nghiệp có thể bổ sung 3 biến giả mùa vụ ($D_1, D_2, D_3$) vào phương trình hồi quy.

5. Chi phí triển khai và thời gian thu hồi vốn của dự án này như thế nào?

Tổng chi phí thực hiện khảo sát, phân tích và chuẩn hóa quy trình dự báo ước tính khoảng 45 triệu VNĐ. Với mức tăng trưởng doanh thu dự kiến từ 20–25%/năm và việc cắt giảm chi phí tồn kho dư thừa 3–5%, doanh nghiệp có thể thu hồi toàn bộ chi phí đầu tư nghiên cứu chỉ trong vòng 2 đến 3 tháng vận hành thực tế.

Kết luận

Đồ án/Khóa luận tốt nghiệp đã giải quyết thành công bài toán thực tiễn của Công ty TNHH Trung Đông thông qua việc kết hợp chặt chẽ giữa lý thuyết kinh tế học quản lý và công cụ kinh tế lượng ứng dụng. Các phát hiện định lượng then chốt — bao gồm hệ số xác định hàm cầu $R^2 = 98.77%$, độ nhạy cảm giá $|E_P| = 5.042$, và mối quan hệ thay thế mật thiết với Clear Men $E_{cross} = 9.222$ — đã cung cấp cơ sở khoa học vững chắc để ban lãnh đạo doanh nghiệp hoạch định chiến lược kinh doanh giai đoạn 2016–2020.

Kết quả dự báo sản lượng đạt trên 80.000 chai vào năm 2020 mở ra triển vọng phát triển mạnh mẽ cho nhãn hàng Romano tại thị trường Hải Phòng và các vùng phụ cận. Đây không chỉ là một công trình học thuật xuất sắc mà còn là bản cẩm nang thực thi mang tính ứng dụng cao cho các nhà quản trị doanh nghiệp phân phối thương mại.