Ứng Dụng Phân Tích Chuỗi Thời Gian Trong Kinh Doanh

Khi thực hiện một mô hình phân tích hoặc dự báo nào đó, sau khi có kết quả từ mô hình, các kết quả có thể giúp các bên nghiệp vụ thấy được thông tin hữu ích hoặc đưa ra các kết quả dự báo. Tuy nhiên khi giao tiếp với các bên nghiệp vụ sẽ là khó khăn khi gặp phải các câu hỏi:

  • Nếu thực hiện phân tích này thu được được lợi ích gì?
  • Hay như: “Nếu thực hiện phân tích và chạy mô hình này sẽ giúp chúng tôi điều gì?”

Các thắc mắc như vậy ít nhiều gây khó cho những người làm data, vì chưa chạy mô hình, chưa phân tích thì chưa có kết quả, mà kể cả có kết quả thì chúng ta cũng không có (hoặc không rành) nghiệp vụ, rất khó để giải thích cho họ. Vì vậy kỹ năng giao tiếp và cách ứng dụng các mô hình vào thực tế cũng là một vấn đề đáng quan tâm. Bài viết này sẽ giới thiệu mô hình chuỗi thời gian và cách áp dụng chuỗi thời gian vào kinh doanh.

Giới thiệu về chuỗi thời gian

Phân tích chuỗi thời gian giúp cung cấp thông tin chi tiết về các đặc điểm dữ liệu và hiểu dữ liệu đang nói lên điều gì. Từ đó biết được các thông tin hữu ích và dự đoán giá trị tương lai.

Điều gì đã và đang xảy ra – Tình trạng ở quá khứ và hiện tại

Các chỉ số đã và đang diễn ra như thế nào? Hành vi của chỉ số đó diễn ra như thế nào?

Với biểu đồ chuỗi thời gian, dễ dàng thấy được giá trị XẤP XỈ TẠI THỜI ĐIỂM (kỳ ) NÀO ĐÓ. Ví dụ thay vì biết ngày 28-7-2020  thu nhập của ngân hàng ACB là: 6 245 345 305 đ, các nhà quản lý chỉ cần số tương đối như khoảng 6 tỷ, khoảng từ 30-32 tỷ. Điều này giúp nhanh chóng biết được các con số mà không cần nhìn vào một bảng cáo cáo toàn số.

Hình 1

Đối với các nhà quản lý thậm chí là các nhân viên, nếu hàng ngày phải nhìn vào hàng trăm báo cáo tràn ngập số sẽ như thế nào? Chắc chắn mất rất nhiều thời gian và là ác mộng. Mặt khác về mặt trực giác thì khó mà tưởng tượng được độ lớn của các con số. Điều quan trọng là so sánh giữa nhiều kỳ diễn ra cùng lúc một cách nhanh chóng. Với biểu đồ, chỉ cần liếc mắt, lia ngang vào trục tung là có thể so sánh hàng loạt và ước lượng ra giá trị của một kỳ nào đó. Và so sánh giữa các kỳ với nhau một cách dễ dàng.

Xu thế và tốc độ tăng trưởng

Chỉ cần một đường cong trơn lượn theo một chuỗi thời gian đã thấy rõ xu thế và tốc độ tăng trưởng của một chỉ số nào đó. 

Hình 2

Ví dụ hình 2 trên, đường màu đỏ thể hiện xu thế với tốc độ tăng trưởng.

  • Từ 1995 – 1999 xu thế tăng chậm trong 4 năm đó tăng từ 80-82. Trong khoảng thời gian này tăng ổn định đều đều có 2 lần xuống đáy.
  • Từ 1999- 2001 tăng rất mạnh từ 82 – 110 và trong năm 2002 là đỉnh điểm trong khoảng thời gian này.
  • 2001 -2003 giảm tương đối từ 110 – 90.
  • Từ 2003 – 2008 tăng tương đồi dài với tốc độ tăng tương đối đều từ 90- 111.
  • Từ 2008 – 2010 giảm đột ngột xuống đáy từ 111 – 82, giảm rất đều.
  • Từ 2010 – 2012 tăng tương đối  82-92.

Nhìn vào độ dốc của đường xu thế, về mặt trực giác độ dốc thể hiện sự tăng trưởng. Mặt khác so sánh với tốc độ chuẩn (tốc độ mục tiêu) để dễ dàng thấy được tốc độ tăng trưởng so với kế hoạch.

Hình 3

Mùa vụ và tính chu kỳ

Tính mùa vụ và tính chu kỳ của chuỗi cho thấy sự lặp lại của các giá trị một cách đều đặn.

Hình 4

Hình 4 cho thấy tính lặp lại định kỳ và khoảng biên độ lên xuống gần như không đổi từ 2004 – 2015

Chu kỳ lặp lại hàng năm. Từ điểm cao nhất – thấp nhất 15000. Và trong mỗi chu kỳ chỉ có một điểm cao nhất và điểm thấp nhất. Từ điểm cao nhất xuống rất dốc và đều đặn đến điểm thấp nhất. Tuy nhiên từ điểm thấp nhất lên điểm cao nhất thì ban đâu tăng mạnh, lấy đà tại một điểm gãy, sau đó tăng đều đặn một cách liên tục.

Hình 5

Hình 5 thể hiện tính mùa vụ lặp lại khá rõ.  Tuy nhiên điểm có 2 điểm cực đại trong mỗi mùa vụ. Ta chiếu các điểm này vào thời gian cụ thể, sau đó đối chiếu với thời điểm đó đã xảy ra điều gì? Ta sẽ biết lý do gây ra các điểm này là do yếu tố nào gây lên.

Hình 6

Hình 6 cho thấy tính mùa vụ thể hiện phức tạp hơn. Trong chu kỳ mùa vụ dài lại có tính mùa vụ nhỏ. Mỗi một điểm cực đại có xu hướng trải tù và gần lên đỉnh thì tăng rất chậm. Sau khi xuống cực tiểu thì lên một “ngọn núi nhỏ” , biến động xuống rồi lại lên cực đại. Chiếu các điểm này xuống trục hoành cho biết thời gian, kết hợp với các sự kiện trên hệ thống và các sự kiện xảy ra bên ngoài cho biết các nguyên nhân nào gây ra điều này.

Sự bất thường

Hai câu hỏi luôn muốn được trả lời:

  • Điểm này là bình thường hay bất thường?
  • Điểm bình thường hay bất thường này do điều gì gây ra.
Hình 7

Trong hình 7 thể hiện rằng:

Giai đoạn 1973, 1974, 1975 đã xảy ra sự bất thường. Liệu đây là sự bất thường thực sự hay chỉ là sự kiện bình thường? Và điều này bắt nguồn từ bên trong xảy ra hay bên ngoài?

  • Chiếu các điểm này vào trục hoành thu được các năm 1973, 1974, 1975. Xem xét trong hệ thống của nội bộ có điều gì xảy ra dẫn đến điều này. Ví dụ do chúng ta áp dụng 1 chiến dịch khuyến mại là giảm giá 40% cho tất cả các mặt hàng dẫn đến tăng đột biến gần gấp đôi. Sau khi hết chương trình khuyến mại thì giảm xuống gần gấp đôi nhưng vẫn cao hơn so với trước khuyến mại và sau đó có sự tăng trưởng rõ nét trong 5 năm liền. Điều này cao hơn đáng kể giai đoạn trước khuyến mại 1968, 1969, 1970, 1071, 1972. Từ đây cho chúng ta 2 insight quan trọng:
  1. Khi áp dụng khuyến mại khoảng 40 % thì tăng gấp đôi.
  2. Nếu áp dụng chương trình khuyến mại này trong 3 kỳ thì sau đó không áp dụng nữa thì vẫn có hiệu quả tăng đều trong 5 kỳ liên tiếp

Vậy chương trình khuyến mại này cho ta hiệu quả tích cực.

Nếu áp dụng chương trình khuyến mại này (3 kỳ) tốn kém quá. Vậy ta thử chỉ áp dụng 2 kỳ khuyến mại. Giả sử có hai tình huống sau xảy ra:

  • Có tăng gấp đôi nhưng sau khi hết khuyến mại thì trở về giống trước đó. Điều này đi đến kết luận khuyến mại 2 kỳ không làm tăng hiệu quả (sau khi hết chương trình khuyến mại). Do đó, nếu muốn hiệu quả thì phải khuyến mại ba kỳ.
  • Có tăng gấp đôi, sau khi hết khuyến mại vẫn tăng (hiệu quả) giống như áp dụng cho 3 kỳ. Điều này cho một kết luận mới: Chỉ cần khuyến mại hai kỳ là đủ hiệu quả.
  • Từ (1) nếu thấy tốn kém quá, lần sau thử khuyến mại có 30%. Và nếu thấy tốt như khi khuyến mại 40% (nghĩa là sau khi hết chương trình khuyến mại và vẫn tăng tương tự như khuyến mại 40%). Thì sau này chỉ cần khuyến mại 30% để cho kết quả tương tự.

So sánh các chuỗi thời gian

Khi nhìn vào các báo cáo có sắn, thật khó để thấy được sự so sánh các thông tin hữu ích giữa các chuỗi thời gian: Ví dụ doanh số ở SG và HN so với nhau theo thời gian như thế nào:

Hình 8

Không thể kết luận rằng Sài Gòn kinh doanh hiệu quả hơn Hà Nội hay Hà Nội kinh doanh tốt hơn Sài Gòn khi chỉ dựa vào một vài các con số (mà nếu có thể thấy được thì không ai dám nhìn vào hàng chục con số trong các báo cáo):

Ví dụ Sài Gòn thể hiện bằng màu đỏ, Hà Nội màu xanh: Ta thấy hành vi tương tự giữa hai chuỗi thời gian. Tuy nhiên lại thấy Sài Gòn luôn đi trước và Hà Nội luôn đi sau hai kỳ. Vì vậy có thể rút ra kết luận Sài Gòn là thị trường dẫn dắt và trước Hà Nội một khoảng thời gian là 2 kỳ (giả sử các mặt hàng và tất cả mọi thứ giống hệt nhau).

Do đó có thể áp dụng thử nghiệm thị trường, ta nên thử nghiệm ở Sài Gòn trước. Nếu đạt được thành công A cho thị trường Sài Gòn, sau 2 kỳ, việc áp dụng điều tương tự cho Hà Nội cũng đem lại kết quả tương tự.

Giả sử chưa có số liệu chứng minh thị trường Hà Nội là thị trường dẫn dắt. Do đó nếu áp dụng cho thị trường Hà Nội thì có hai điều sau có thể xảy ra:

  • Có thể không đạt được thành công A ở thị trường Hà Nội (vì trong quá khứ Hà Nội cần một thị trường dẫn dắt đó là Sài Gòn)
  • Giả sử đạt được thành công A ở thị trường Hà Nội thì cũng chưa có điều gì chứng minh là cũng sẽ thành công tương tự ở thị trường Sài Gòn (vì không có số liệu chứng minh Hà Nội là thị trường dẫn dắt cho thị trường Sài Gòn).

Dự báo

Dự báo luôn là tham vọng của con người, nếu có quá nhiều yếu tố (features) tác động (đến số lượt view của fb chẳng hạn) hoặc không thu thập được các yếu tố quan trọng, khi đó dự báo chuỗi thời gian sẽ là cứu cánh cho chúng ta.

Hình 9

Khi số liệu chưa đủ để thực hiện mô hình toán học thì đồ thị cũng ngầm cho 1 dự báo. Nhìn vào hình 9 có thể dự báo là đường màu đỏ sẽ đạt mức 40 vào năm 2010 và đường màu xanh sẽ chạm mốc 10 vào năm 2010.

Hình 10 bên dưới có thể mường tượng rằng dự báo sẽ là phần màu đỏ trong năm 1961 và 1962.

Hình 10

Khi số liệu đủ lớn, việc áp dụng các mô hình dự báo sẽ cho kết quả dự có thể chính xác hơn đồ thị hoặc cảm tính.

Tài liệu tham khảo

https://otexts.com/fpp2/components.html

https://www.oraylis.de/blog/trend-in-times-series-analysis

https://www.gistatgroup.com/cat/examples/ex_1_7.html

Đăng bởi Tâm Lê *** Data Science + Domain Knowledge = Solution < Problem ***

Data Scientist at MSB

Bạn nghĩ gì về bài viết này?

Mời bạn điền thông tin vào ô dưới đây hoặc kích vào một biểu tượng để đăng nhập:

WordPress.com Logo

Bạn đang bình luận bằng tài khoản WordPress.com Đăng xuất /  Thay đổi )

Google photo

Bạn đang bình luận bằng tài khoản Google Đăng xuất /  Thay đổi )

Twitter picture

Bạn đang bình luận bằng tài khoản Twitter Đăng xuất /  Thay đổi )

Facebook photo

Bạn đang bình luận bằng tài khoản Facebook Đăng xuất /  Thay đổi )

Connecting to %s

Create your website with WordPress.com
Bắt đầu
%d bloggers like this: