dự báo trong kinh doanh

Các mô hình nhân quả Các mô hình chuỗi thời gian -Lấy ý kiến của ban lãnh đạo -Lấy ý kiến của bộ phận bán hàng -Phương pháp lấy ý kiến của người tiêu dùng -Phương pháp chuyên gia -Hồi q

TÀI LIỆU THAM KHẢO

1 John E Hanke, Arthur G Reitsch, Dean W.Wichern Business

Forecasting London: Prentice Hall, Inc., 2000.

2 Evans, Michael K 2003 Practical Business Forecasting

[Blackwell]

2 Võ Thị Lan, Nguyễn Quang Trung Dự báo trong kinh doanh

NXB ĐH Mở bán công TP HCM- 2005 (lưu hành nội bộ).

3 Nguyễn Trọng Hoài Mô hình hoá và dự báo chuỗi thời gian

trong kinh doanh và kinh tế NXB ĐHQG TP HCM- 2001.

http://home.ubalt.edu/ntsbarsh/stat-data/Forecast.htm

• http://www.hkbu.edu.hk/~billhung/econ3600.html

• http://www.xycoon.com/index.htm

Chương 1: GIỚI THIỆU VỀ DỰ

BÁO TRONG KINH DOANH

• Khái niệm và phân loại dự báo

• Vai trò của dự báo trong kinh doanh

• Các đặc điểm chung của dự báo

• Các phương pháp dự báo

• Qui trình dự báo

• Đánh giá độ tin cậy.

1 Khái niệm và phân loại dự báo

• Phân loại dự báo theo thời gian

• Phân loại dự báo theo nội dung công

việc cần dự báo.

2 Vai trò của dự báo trong kinh doanh

• Dự báo tạo ra lợi thế cạnh tranh

• Công tác dự báo là một bộ phận không thể thiếu trong hoạt động của các doanh nghiệp, trong từng phòng ban như: phòng kinh doanh hoặc Marketing, phòng sản xuất, phòng nhân sự, phòng kế toán-tài chính.

3 Các đặc điểm chung của dự báo

• Tính nhân - quả trong quá khứ vẫn được giữ nguyên trong tương lai.

• Các dự báo rất hiếm khi được hoàn hảo Cần phải tính tới sai số cho phép.

• Dự báo cho nhóm đối tượng thường chính xác hơn là dự báo cho từng đối tượng riêng lẻ.

• Độ chính xác của dự báo giảm khi kéo dài

khoảng thời gian dự báo.

Các mô hình nhân quả

Các mô hình chuỗi thời gian

-Lấy ý kiến của ban lãnh đạo

-Lấy ý kiến của bộ phận bán hàng

-Phương pháp lấy ý kiến của

người tiêu dùng

-Phương pháp chuyên gia

-Hồi quy -Phân tích tương

quan

Phương pháp định tính

Lấy ý kiến của ban lãnh đạo

Ban lãnh đạo sử dụng các số liệu thống kê của DN, tham khảo ý kiến của các bộ phận marketing, tài chính và SX để

Dựa trên phán đoán chủ quan và trực giác của

người tham gia dự báo)

dự báo về nhu cầu SP trong tương lai.

Phương pháp trên thu thập được kinh nghiệm từ nhiều

chuyên gia khác nhau, được sử dụng tương đối rộng rãi.

Nhược điểm: mang tính chủ quan của cá nhân và những

người quản lý cấp cao thường chi phối ý kiến của thuộc cấp.

Phương pháp định tính (tt)

Lấy ý kiến của bộ phận bán hàng

Dự báo về nhu cầu SP được thực hiện dựa trên

cơ sở tổng hợp ý kiến của bộ phận bán hàng ở nhiều khu vực khác nhau (Lực lượng bán hàng

là những người hiểu rõ nhất nhu cầu và thị hiếu của người tiêu dùng).

Phương pháp này được nhiều người sử dụng

Nhược điểm: Phụ thuộc vào ý kiến chủ quan

của lực lượng bán hàng.

Phương pháp định tính (tt)

Phương pháp lấy ý kiến của người tiêu dùng

Hỏi ý kiến khách hàng; Phỏng vấn trực tiếp;

Phỏng vấn qua điện thoại; Phỏng vấn qua bưu điện; Gửi phiếu điều tra.

Ph ng pháp này giúp d báo đ c nhu c u trong tương lai, đồng thời đánh giá được mức độ thoả mãn của SP đối với người tiêu dùng.

Nhược điểm: tốn kém và mất nhiều thời gian.

Phương pháp định tính (tt)

Phương pháp chuyên gia (PP Delphi)

Phiếu câu hỏi phục vụ cho công tác dự báo được phát trực tiếp cho từng chuyên gia.

Phân tích câu trả lời, tổng hợp các ý kiến của các chuyên gia.

Soạn lại phiếu câu hỏi mới và phát lại cho các chuyên gia.

Tổng hợp các ý kiến mới của các chuyên gia Quá trình trên có thể lặp đi lặp lại cho đến khi thoả mãn yêu cầu đặt ra.

Phương pháp định lượng

Phương pháp định lượng dựa trên cơ sở của toán học và thống kê để dự báo nhu cầu trong tương lai, bao gồm:

- Mô hình d ự báo theo chu ỗ i th ờ i gian (chỉ phụ

- Mô hình d ự báo theo chu ỗ i th ờ i gian (chỉ phụ thuộc vào nhân tố thời gian)

- Mô hình nhân qu ả (phụ thuộc vào nhiều nhân tố).

5 Qui trình dự báo

• Bước 1 Xác định mục tiêu dự báo.

• Bước 2 Xác định khoảng thời gian dự báo.

• Bước 3 Lựa chọn phương pháp dự báo.

• Bước 4 Thu thập và phân tích các dữ liệu

6 đánh giá độ tin cậy

Ớ Sai số trung bình (Mean error)

Ớ Sai số tuyệt đối trung bình

(Mean absolute error)

6 đánh giá độ tin cậy (tt)

Ớ Phần trăm sai số trung bình

(Mean percentage error)

% 100

/ )

(

x n

A F

A

=

n

Ớ Phần trăm sai số tuyệt đối trung bình

(Mean absolute percentage error)

% 100

/ )

(

x n

A F

A

=

6 đánh giá độ tin cậy (tt)

Ớ Sai số bình phương trung bình

(Mean squared error) đánh giá độ gần của các điểm

dữ liệu đến đường hồi qui

n

Ớ Căn bậc hai sai số bình phương trung bình,

(để nó cùng đơn vị với trục tung của đồ thị, không còn bình phương)

(Root mean squared error )

MSE

6 đánh giá độ tin cậy (tt)

2

) (

) (

t t

t t

A A

F

A U

U= RMSE(model)/RMSE(no-change model)

ỚỚ U=0: Mô hình hoàn hảo U=0: Mô hình hoàn hảo.

ỚỚ U<1: Mô hình dự báo tốt hơn PP đơn giản U<1: Mô hình dự báo tốt hơn PP đơn giản

ỚỚ U>1: Mô hình dự báo không tốt hơn PP đơn giản U>1: Mô hình dự báo không tốt hơn PP đơn giản

4 8

23 8

188 )

6 8

% 6 ,

55

% 100

/ ) (

A

% 03 ,

2 8

% 2 ,

16

% 100

/ ) (

Ví dụ 2

Naive Model

14 3

42 )

Model 1 Actual Predicted Error et 2

5 3

25 , 16 )

2 417

0 742

, 3

327 ,

CH ƯƠ NG 2:

PHÂN TÍCH DỮ LIỆU VÀ LỰA CHỌN PHƯƠNG PHÁP DỰ BÁO

pháp dự báo ñược lựa chọn.

1 Thu th ậ p d ữ li ệ u

Dữ liệu sơ cấp (Primary data)

Phương pháp phỏng vấn trực tiếp

Phương pháp phỏng vấn qua thư

Phỏng vấn qua ñiện thoại

Dữ liệu thứ cấp (Secondary data)

Bên trong (nội bộ công ty, sổ sách kế toán)

Bên ngoài (Các số liệu thống kê): Sách báo, Tạp chí, Internet, các tài liệu thống kê từ các cơ quan nhà nước (Cục thống kê, Sở kế hoạch và Đầu tư…)

.

2 Phân tích bộ dữ liệu

khoảng thời gian nhất ñịnh.

Tính ngẫu nhiên

(Irregular component)

2 Phân tích d ữ li ệ u (tt)

Quan sát dữ liệu bằng ñồ thị là một cách trực quan ban

ñầu ñể nhận ñịnh ñặc tính ñịnh lượng của bộ dữ liệu

Ví dụ: Doanh số bán lẻ xe hơi của Mỹ từ 1970 ñến 1995 (ñơn vị -tỉ USD)

Một số nhận ñịnh ban ñầu về dữ liệu: 1) Xu hướng tăng, 2) Có tính mùa vụ, 3) Biên ñộ dao ñộng mùa vụ tăng theo thời gian 4) Có bóng dáng của chu kỳ kinh tế suy thoái thập niên 80, 90

2 Phân tích b ộ d ữ li ệ u (tt)

Nghiên c ứ u d ữ li ệ u b ằ ng phân tích t ự t ươ ng quan

Tự tương quan (Autocorrelation) là tương quan của chính

bản thân bộ dữ liệu, tức giữa nó và ñộ trễ của nó (giá trị ở thời gian trước) trong một hoặc nhiều thời ñoạn.

Ví dụ: lượng hàng bán ra ở giai ñoạn hiện tại có liên quan ñến lượng hàng bán ra ở giai ñoạn trước một hoặc vài thời ñoạn

k t t

k

Y Y

Y Y

Y Y

) )(

(

K - số thời ñoạn

n – cỡ mẫu

Đây là công cụ toán học nhằm tìm kiếm xem dữ liệu có lặp lại theo

một hình mẫu nào không hoặc có mang tính chu kỳ hay không

Hệ số tự tương quan mẫu

(sample autocorrelation):

Hệ số tự tương quan lý thuyết (theory): [ ]

2 z

k t t

k

) z

)(

z ( E

σ

µ

− µ

−

=

Y với độ trễ 2 thời đoạn, Yt-2

0 1474

843 )

(

) )(

(

1

2

1 1

Y Y

Y Y

Y Y

r

463,01474

682)

(

))(

(

1

2 3

n t

t t

Y Y

Y Y

Y Y r

Bằng cách lập bảng tính ta có thể dễ

dàng tính ñược hệ số tự tương quan

2 Phân tích b ộ d ữ li ệ u (tt)

Nghiên c ứ u d ữ li ệ u b ằ ng phân tích t ự t ươ ng quan

Nếu bạn sử dụng các phần mềm thống kê, ví dụ SPSS,

thì có thể dễ dàng tính hệ số tự tương quan ñến bước trễ

thời ñoạn (lag) thứ k nào ñó

Kết quả tính hệ số tự tương quan của ví dụ trước ñến bước trễ thứ 6 bằng SPSS Kết quả ở bước trễ thứ nhất và thứ 2 trùng với kết quả tính tay ở trước

2 Phân tích b ộ d ữ li ệ u (tt)

Nghiên c ứ u d ữ li ệ u b ằ ng phân tích t ự t ươ ng quan

Hệ số tự tương quan giữa các ñại lượng có

ñộ trễ khác nhau theo thời gian có thể ñược áp dụng ñể trả lời cho các câu hỏi sau ñây về bộ

dữ liệu chuỗi thời gian :

Dữ liệu có ngẫu nhiên (random) không?

Dữ liệu có tính xu hướng (trend) hay không?

Dữ liệu có tính dừng (stationary) không?

Dữ liệu có tính mùa vụ (seasonal) không?

Note: Sẽ ñược rõ hơn ở các chương sau

3 L ự a ch ọ n ph ươ ng pháp d ự báo

Bộ dữ liệu thu thập ñược có những ñặc ñiểm gì?

chí thứ 3 là quan trọng nhất

3 L ự a ch ọ n ph ươ ng pháp d ự báo (tt)

Các nhân t ố ả nh h ưở ng đế n l ự a ch ọ n PP d ự báo:

báo là thiết lập thời gian dự báo.

PP dự báo không còn áp dụng ñược (mô hình trung bình trượt, san bằng số mũ và ARIMA) Phương pháp hồi qui phù hợp với các dự báo ngắn, trung và cả dài hạn.

Yêu cầu đối với bộ dữ

liệu Không mùa

vụ

Có mùa vụ

Dự báo thô Có tính dừng

Có tính xu thế

Có tính mùa vụ

Ngắn hạn Chuỗi thời gian 1

Bình quân đơn giản Có tính dừng Ngắn hạn Chuỗi thời gian 30

Trung bình trượt Có tính dừng Ngắn hạn Chuỗi thời gian 4-20

Trung bình trượt Có tính dừng Ngắn hạn Chuỗi thời gian 4-20

San bằng số mũ Có tính dừng Ngắn hạn Chuỗi thời gian 2

Hồi qui bội Có tính chu kỳ

thành dừng)

Ngắn hạn Chuỗi thời gian 24 3 x Mùa

vụ

3 Lựa chọn phương pháp dự báo (tt)

Dự báo thường ñược chia ra 3 giai ñoạn: ước lượng (estimation), Kiểm tra (validation) và dự báo tương lai (Forecast into future).

Ví dụ: Có chuỗi dữ liệu gồm 100 quan sát, ta dùng 80 quan sát ñầu tiên ñể ước

lượng các tham số của mô hình 20 quan sát gần nhất dùng ñể kiểm tra mô hình, hay nói cách khác là giúp ta chọn mô hình tốt nhất (có sai số bé nhất)

Chú ý: Khi ước lượng các tham số của mô hình cho giai ñoạn estimation và cho cả toàn chuỗi thì kết quả sẽ khác nhau

4 Đ ánh giá tính h ợ p lý c ủ a PP d ự báo

Tất cả các tham số ước lượng có ý nghĩa

thống kê không?

Các hệ số tự tương quan của các sai số có

phải là ñặc trưng của chuỗi thời gian ñang khảo sát hay không?

Phương pháp có ñơn giản, dễ sử dụng, dễ

hiểu không?

Sai số có tuân theo qui luật phân phối chuẩn không?

Ch ươ ng 3:

PH ƯƠ NG PHÁP TRUNG BÌNH

ĐỘ NG VÀ SAN B Ằ NG S Ố M Ũ

• Các ph ươ ng pháp d ự báo đơ n gi ả n

• Các ph ươ ng pháp d ự báo đơ n gi ả n

• Các ph ươ ng pháp trung bình

• Ph ươ ng pháp đườ ng s ố m ũ

1 Các ph ươ ng pháp d ự báo đơ n gi ả n

D ự báo thô: đố i v ớ i m ọ i giai đ o ạ n đề u

t

A

A A

2 Các ph ươ ng pháp trung bình

n

A F

Giá trị dự báo tại thời điểm t bằng trung bình

cộng của tất cả các thời điểm trước đó ⇒ PP này không thể hiện được tính xu thế

2 Các ph ươ ng pháp trung bình (tt)

n

A F

n t

t i

trượt đơn giản để dự báo dài hạn thì đồ thị

dự báo bắt đầu nằm ngang sau k thời đoạn

Th ứ 2

tu ầ n sau

Th ứ 3

tu ầ n sau

Th ứ 4

tu ầ n sau

Nhu c ầ u

d ự báo

t i

i i

Khi d ự báo b ằ ng ph ươ ng pháp trung bình độ ng, có th ể ả nh h ưở ng

c ủ a các s ố li ệ u theo th ờ i gian là không gi ố ng nhau, th ườ ng thì nh ữ ng

s ố li ệ u m ớ i h ơ n có ả nh h ưở ng l ớ n h ơ n (có tr ọ ng s ố l ớ n h ơ n) s ố li ệ u

ở th ờ i gian c ũ h ơ n ⇒ Ph ươ ng pháp trung bình độ ng có tr ọ ng s ố

wi – trọng số tại thời điểm i n- số thời đoạn dịch chuyển

(Single Exponential Smoothing Method )

F t : dự báo nhu cần cho giai đoạn t;

F t-1 : dự báo của giai đoạn ngay trước đó;

A t-1 : nhu cầu thực tế của giai đoạn ngay trước đó;

α : hệ số san bằng (smoothing)

( 0< α < 1 và có thể được chọn theo phương pháp thử và sai- trial and error , thực tế thường chọn 0.2< α < 0.4 là tốt nhất ).

10

99.15 9.099

3 Các ph ươ ng pháp đườ ng s ố m ũ (tt)

PP đườ ng s ố m ũ có đ i ề u ch ỉ nh xu th ế (Holt)

) )(

m

3 Dự báo cho m giai đoạn tiếp theo

At - Giá trị thực tế tại thời điểm t;

Tt - Ước lượng xu thế;

γ - Hệ số san bằng số mũ để ước lượng xu thế (0< γ <1);

α - Hệ số san bằng số mũ đơn (0<α <1);

m - Số giai đoạn dự báo trong tương lai;

Ft - Giá trị san bằng mới;

Ht+m- Giá trị dự báo cho m giai đoạn tiếp theo

450 250

3 3

e

3 Các ph ươ ng pháp đườ ng s ố m ũ (tt)

) )(

p t

2 Ước lượng tính mùa vụ

PP đườ ng s ố m ũ có đ i ề u ch ỉ nh xu th ế và mùa v ụ (Winters)

Ft - Giá trị san bằng mới,

α - Hệ số san bằng số mũ (0<α <1),

γ - Hệ số san bằng số mũ để ước lượng xu hướng (0< γ <1),

β - Hệ số san bằng số mũ để ước lượng mùa vụ (0< β <1),

At - Gía trị thực tại thời điểm t,

p t t

p m t t t

m

W + = ( + ) + −

3 Ước lượng tính xu thế

4 Dự báo cho m giai đoạn tiếp theo

St - Ước lượng thời vụ,

Ph ươ ng pháp đườ ng s ố m ũ là tr ườ ng h ợ p m ở

r ộ ng c ủ a ph ươ ng pháp Holt do Winters đề xu ấ t vào n ă m 1960 trong đ ó có xét đế n y ế u t ố mùa v ụ

Chương 4

PHƯƠNG PHÁP HỒI QUY ĐƠN

Xây dựng mô hình hồi quy

Dự báo

Mô hình hồi quy (Regression Model):

tả các tình huống trong thực tế và trên cơ sở đó giải bài toán tối ưu hoặc dự báo tương lai

Mơ hình hồi quy đơn

bài toán tối ưu hoặc dự báo tương lai

Trong phân tích hồi qui, ta xác định quan hệ giữa hai

biến Y và X dưới dạng phương trình tốn học, từ đĩ

ta cĩ thể dự đốn được biến Y (biến phụ thuộc,

dependent variable) dựa vào biến X (biến độc lập, independent variable)

Xây dựng mô hình hồi quy đơn

Xây dựng mô hình hồi quy đơn (tt)

Xây dựng mô hình hồi quy đơn (tt)

a

y ˆ log log log = +

x b

a

y ˆ log log log = +

x a a

y = 0 + 1

⇒

t a a

y = 0 + 1

⇒

Các bước xây dựng một mô hình dự báo hồi quy:

- Đưa ra mô hình mô tả tình huống trong thực tế

- Đưa ra được các biến cho mô hình (phải đo được).

Xây dựng mơ hình hồi quy đơn (tt)

- Xem xét các lỗi dự báo của mô hình và thay đổi mô hình nếu cần.

- Chọn mô hình phù hợp nhất (ít lỗi dự báo nhất, hoặc lỗi chấp nhận được)

Khảo sát dữ liệu: Sử dụng dữ liệu để vẽ đồ thị hoặc

biểu đồ để phát hiện tính xu hướng, thời vụ hay chu kỳ cũng như các biến lệch là việc cần thiết.

 Mô hình tốt nhất sẽ được chọn thông qua quá trình

Các lưu ý khi xây dựng mơ hình hồi

quy đơn

 Mô hình tốt nhất sẽ được chọn thông qua quá trình

kiểm định các hệ số đánh gia tính phù hợp của mô hình

Case 1 Case 2 Case 3 Case 4

Các lưu ý khi xây dựng mô hình hồi quy đơn

Nghiên cứu mô hình hồi qui của 4 trường hợp sau:

0 2 4 6 8 10 12 14 16 18

Nếu chỉ căn cứ và các tiêu chí này, các nhà phân tích dễ đưa ra kết luận rằng bốn bộ số liệu này trùng nhau hoặc rất giống nhau

Xây dựng mơ hình hồi quy đơn (tt)

Là đường thẳng biểu diễn mối quan hệ của biến độc lập đối với biến phụ thuộc từ dữ liệu quan sát được bằng phương pháp tổng bình phương bé nhất (Least Square Method).

Đó là đường thẳng có tổng bình phương những khoảng cách từ điểm số liệu đó đến đường thẳng này (sai số giữa dữ liệu dự báo và

Đường hồi quy tuyến tính:

điểm số liệu đó đến đường thẳng này (sai số giữa dữ liệu dự báo và dữ liệu quan sát) là nhỏ nhất (đo lường theo trục đứng Y).

bx a

Y ˆ = +

Mơ hình đường hồi quy dự báo:

y

x0

Đường hồi qui

Dữ liệu quan sátSai lệch

Xác định hệ số của phương trình hồi quy đơn (tt)

bx a

y x

Cov

1

) )(

(

1 )

, (

) (

1 )

Note: Var: phương sai

Cov: Hiệp phương sai

Hệ số tương quan trong hồi qui tuyến tính

-1 ≤ r ≤ 1

Hệ số tương quan được dùng để đo mức độ phụ thuộc tuyến tính

giữa biến độc lập và biến phụ thuộc

Nếu r càng lớn (càng gần 1) thì sự phụ thuộc tuyến tính càng rõ

(khả năng xảy ra phụ thuộc tuyến tính giữa X, Y càng cao)

Nếu r càng gần 0 thì sự phụ thuộc tuyến tính càng yếu.

Kiểm ñịnh chất lượng mô hình hồi qui

Ki ểm ñịnh F (Fisher)

Tiêu chuẩn F – đánh giá chất lượng phương trình hồi

hồi qui và hệ số tương quan không có ý nghĩa thống kê.

F table – Là giá trị lớn nhất có thể của tiêu chuẩn F với

bậc tự do d và mức ý nghĩa α cho trước.

Kiểm ñịnh chất lượng mô hình

Kiểm ñịnh F – một số khái niệm

Mức ý nghĩa α – xác suất bác bỏ giả thuyết đúng khi

nó đúng, hay còn có thể gọi là xác suất sai lầm

(thường chọn α = 0,05 hoặc 0,01).

Số bậc tự do d = n-k 1 -1 (n- số quan sát hay cỡ mẫu,

k 1 - số nhân tố hay số biến độc lập)