Có thể nói rằng
dự đoán (forecast) là một yếu tố
sống còn đối với hoạt động của doanh nghiệp và đối với các quyết định
mang tính quan trọng. Trong lĩnh vực tài chính kế toán, dự đoán là cơ sở
cho việc hoạch định ngân sách và quản lý chi phí. Bộ phận tiếp thị thì
dựa vào dư đoán bán hàng để lập kế hoạch cho sản phẩm mới, thưởng bán
hàng và các quyết định quan trọng khác. Sản xuất cung ứng thì dựa vào dự
đoán để ra các quyết định thường kỳ như lựa chọn quy trình, hoạch định
công suất, sơ đồ thiết bị, cũng như các quyết định liên tục về kế hoạch
sản xuất, hoạch định thời gian và hoạch định tồn kho.
Phải khẳng định rằng
không thể có một dự đoán nào hoàn
hảo cả vì có quá nhiều yếu tố trong môi trường kinh doanh không thể dự
tính một cách chắc chắn. Do vậy, chúng ta chỉ có thể cố gắng tìm ra
phương pháp dự đoán tốt nhất hợp lý nhất trong khả năng có thể.
1. Các loại dự đoán
Có thể chia ra 4 loại dự đoán cơ bản: phân tích định tính
(qualitative), phân tích chuỗI thời gian (time series analysis), phân
tích quan hệ nhân quả (causal relationship) và phương pháp mô phỏng
(simulation).
1.1. Phân tích định tính
Phân tích định tính mang tính chủ quan dựa trên các ý kiến và nhận xét. Nó bao gồm các dự đoán sau:
Dự đoán từ gốc (Grass roots): Dự đoán này được xây dựng bằng
cách cộng lần lượt từ gốc lên trên theo từng bậc (từ dưới lên trên). Ví
dụ một dự đoán bán hàng tổng hợp có thể làm bằng cách tổng hợp số liệu
từ từng nhân viên bán hàng, những người có quan hệ mật thiết nhất với
khách hàng và là người nắm rõ nhất nhu cầu sử dụng trong tương lai của
khách hàng.
Nghiên cứu thị trường (Market research): Tiến hành thu thập dữ
liệu bằng rất nhiều cách khác nhau như: điều tra, phỏng vấn, …để đánh
giá các giả thiết về thị trường. Nó chủ yếu được sử dụng để dự đoán dài
hạn hoặc cho sản phẩm mới, chẳng hạn như tìm kiếm một ý tưởng cho sản
phẩm mới, tìm hiểu khách hàng thích hay không thích sản phẩm hiện tại,
các sản phẩm cạnh tranh, nhóm khách hàng nào ưa dùng…Thông thường thì
các công ty thường thuê các công ty nghiên cứu thị trường chuyên nghiệp
để tiến hành dự đoán kiểu này.
Thỏa hiệp tập thể (Panel consensus): Hiển nhiên hai cái đầu
thì phảI tốt hơn một cái, vì thế một ban gồm nhiều người ở các vị trí
khác nhau có thể dự đoán chính xác hơn một nhóm nhỏ. Thông thường được
tiến hành dưới hình thức họp mở, bằng cách tự do trao đổi ý kiến từ tất
cả các cấp quản lý cho đến từng cá nhân. Những người tham gia có thể là
quản lý cấp cao, nhân viên bán hàng hay khách hàng. Hạn chế của phương
pháp mở này là các cấp dưới đôi khi bị lấn át bởi cấp quản lý cao hơn.
Ví dụ, một nhân viên bán hàng phụ trách một mặt hàng cụ thể có thể có dự
đoán đúng về nhu cầu tiêu thụ trong tương lai nhưng không dám lên tiếng
bác lại dự đoán rất sai lệch của Phó chủ tịch phụ trách tiếp thị.
Phương pháp loại suy (Historical analogy): Dự đoán dựa trên
các mặt hàng tương tự, sản phẩm có đặc tính chung. Thông thường đó là
các sản phẩm phụ trợ, sản phẩm thay thế hay sản phẩm cạnh tranh. Một ví
dụ rất đơn giản như ở phương Tây, lò nướng bánh mì kẹp và bình pha cà
phê là những vật dụng thường dùng cho bữa điểm tâm. Một công ty đang sản
xuất lò nướng muốn sản xuất thêm bình cà phê thì có thể dùng các số
liệu của lò nướng làm mẫu để dự đoán bình cà phê.
Phương pháp Delphi (Delphi method): phương pháp này được phát
triển bởi Rand Corporation vào những năm 50, nó bao gồm các bước như:
lựa chọn một nhóm chuyên gia giỏi từ các lĩnh vực khác nhau, lập các câu
hỏi và phát riêng cho từng người, kết quả dự đoán được tổng hợp và tiếp
tục gửi câu hỏi mới cho các thành viên. Thông thường thì phương pháp
này có kết quả thống nhất sau ba vòng. Phương pháp này loại bỏ được hạn
chế của phương pháp Thỏa hiệp tập thể (Panel consensus).
1.2. Phân tích chuỗi thời gian
Phương pháp này dự đoán tương lai dựa trên các dữ liệu trong quá khứ.
Ví dụ các dữ liệu bán hàng trong sáu tháng vừa qua có thể sử dụng để dự
đoán số lượng hàng bán trong tháng thứ bảy tới. Phương pháp phân tích
chuỗi thời gian này được sử dụng để dự đoán nhiều nhất. Nó bao gồm các
phương pháp sau:
1.2.1. Phương pháp bình quân diễn tiến đơn (Simple Moving Average):
Phương pháp này tính bằng cách tính trung bình cộng của một dãy số để
dự đoán số liệu trong tương lai. Ví dụ ta có thể dự đoán số bán hàng
trong tháng bảy bằng cách tính trung bình cộng của tháng 1, 2, 3, 4, 5,
cho tới tháng 6. Phương pháp này được sử dụng khi nhu cầu sản phẩm không
tăng hoặc giảm quá nhanh, và không thay đổi theo mùa (seasonal). Ðiểm
bất lợi của phương pháp này ở chỗ nếu như tồn tại xu hướng (trend) trong
dãy dữ liệu, xu hướng lên hoặc xuống, thì kết quả sẽ chênh lệch nhiều
hơn so vớI thực tế. Hơn nữa, nếu chọn khoảng thời gian ngắn thì kết quả
sẽ gần sát thực tế hơn so với khi chọn dãy dữ liệu dài hơn.
Công thức tính:
1.2.2. Phương pháp bình quân diễn tiến gia trọng (Weighted Moving Average):
Ðể loạI bỏ điểm sai lệch trong cách dự đoán bình quân diễn tiến giản
đơn, phương pháp bình quân diễn tiến gia trọng được xét đến. Khác với
cách trên khi coi tất cả các dữ liệu có trọng số (weight) như nhau,
phương pháp bình quân diễn tiến gia trọng sẽ gán cho mỗi một số liệu một
trọng số tương ứng, tất nhiên tổng trọng số sẽ bằng 1. Cách tính trọng
số chính xác nhất thì phảI dùng phương pháp thử sai (try and error) hoặc
có thể lấy theo kinh nghiệm, nhưng một nguyên tắc cơ bản là các dữ liệu
gần nhất sẽ có trọng số cao hơn các số liệu cũ hơn, nhưng nếu dữ liệu
có tính chất theo mùa, ví dụ sản phẩm áo tắm thì tiêu thụ mạnh ở mùa hè,
vì vậy trọng số đối với dữ liệu ở mùa hè sẽ cao hơn so với mùa đông.
Công thức tính:
1.2.3. Phương pháp liên tiến lũy thừa (Exponential Smoothing):
đây là phương pháp dự đoán dựa trên dữ liệu gần nhất cộng với phần trăm
chênh lệch giữa số dự đoán và số thực tế ở thời điểm dự đoán. Là phương
pháp được sử dụng nhiều nhất trong tất cả các phương pháp dự đoán. Nó
là phần không thể thiếu được trong các chương trình dự đoán bằng lập
trình vi tính và được sử dụng rộng rãi trong quản lý đặt hàng ở các công
ty bán lẻ, bán sỉ và các công ty dịch vụ. Nó phân làm 3 loạI:
Phương pháp liên tiến lũy thừa đơn (Simple Exponential Smoothing): phương pháp này áp dụng cho dãy dữ liệu ổn định, không thay đổi nhiều, không có xu hướng, không theo mùa.
Công thức:
Hằng số liên tiến (alpha)
thể hiện độ đáp ứng đối với sự chênh lệch giữa dự đoán và thực tế. Hằng
số này được quyết định bởi bản thân của sản phẩm cũng như cảm nhận của
nhà quản lý. Chẳng hạn, một nhà sản xuất một sản phẩm mà nhu cầu tương
đối ổn định thì tỷ lệ đáp ứng với sự chênh lệch giữa dự đoán và thực tế
sẽ nhỏ. Nếu nhu cầu tăng trưởng nhanh, tỷ lệ này sẽ tăng cao. Hằng số
này có giá trị từ 0 đến 1. Ðể tìm số alpha chính xác nhất thì phảI dùng phương pháp thử sai, alpha sẽ là giá trị mà làm cho độ lệch trị tuyệt đốI trung bình (Mean Absolute Deviation-MAD) là nhỏ nhất.
MAD được tính bằng trung bình cộng của độ lệch giữa dự đoán và thực tế, sau khi đã lấy trị tuyệt đối.
Công thức tính MAD:
Phương pháp liên tiến lũy thừa kép (Double Exponential Smoothing,
Trend-adjusted Exponential Smoothing, Holt’s Exponential Smoothing): phương pháp này áp dụng cho dãy dữ liệu có xu hướng, không có tính chất mùa.
Công thức tính:
Khi tồn tại một xu hướng, có thể xu hướng tăng hoặc giảm, thì kết quả
dự đoán bằng phương pháp liên tiến lũy thừa đơn luôn luôn lệch xa so
với thực tế, có thể thấp hơn hoặc cao hơn. Phương pháp liên tiến lũy
thừa kép đã giảI quyết được vấn đề này bằng cách sử dụng hai hằng số.
Hằng số
alpha thì đã trình bày ở trên. Hằng số
beta sẽ làm giảm ảnh hưởng của sai số xảy ra giữa thực tế và dự đoán do tồn tại xu hướng lên xuống.
Hai hằng số này nằm trong giá trị từ 0 đến 1. Tương tự, để tính chính xác nhất
alpha và
beta thì dùng phương pháp thử sai. Số
alpha và
beta
sẽ là trị giá để cho độ lệch trị tuyệt đối trung bình (MAD) và độ lệch
phần trăm trị tuyệt đối trung bình (Mean Absolute Percentage Error-MAPE)
nhỏ nhất.
Cách tính MAPE như sau:
Phương pháp liên tiến lũy thừa theo mùa (Seasonal adjusted Exponential Smoothing, Winter’s Exponential Smoothing):
Một số sản phẩm tiêu thụ theo mùa, thí dụ như áo tắm như đã nói ở trên.
Vì vậy khi dự đoán phải tính chỉ số mùa (seasonal index) thì kết quả
mới chính xác.
Công thức:
1.2.4. Phương pháp phân tích hồi quy (Regression Analysis): Hồi quy được định nghĩa là mối quan hệ chức năng giữa hai hoặc nhiều biến số tương quan.
Phương pháp hồi quy đường thẳng (Linear Regression Analysis): Phương pháp này giả thiết rằng tất cả các số liệu quá khứ và số liệu dự đoán đều nằm xung quanh một đường thẳng.
Phương pháp hồi quy bình phương tối thiểu (Least Squares Regression Analysis):
Cũng gần như cách trên nhưng phương pháp này cố gắng tạo nên đường hồi
quy tới số liệu mà giảm thiểu nhất tổng bình phương của khoảng cách dọc
giữa mỗi một điểm số liệu và điểm tương ứng trên đường hồi quy.
1.2.5. Phương pháp Box Jenkins (Box Jenkins technique): Đây là
một cách dự đoán rất phức tạp nhưng dường như là một kỹ thuật dự đoán
thống kê chính xác nhất cho đến bây giờ. Nó liên kết một loạt các phương
pháp thống kê đối với dữ liệu để chọn phương thức tốt nhất cho chuỗi
thời gian.
1.2.6. Phương pháp Shiskin (Shiskin time series): Được phát
triển bởi Julius Shiskin, là một phương pháp hiệu quả phân tích một
chuỗi thời gian đối với sự thay đổi theo mùa, theo xu hướng, hoặc bất
thường. Nó cần ít nhất là số liệu trong 3 năm, rất tốt trong việc xác
định các bước ngoặt, chẳng hạn trong doanh số bán hàng.
1.2.7. Phương pháp đường chiếu xu hướng (trend projections): phương pháp này gắn một đường xu hướng toán học vào các điểm số liệu và dự đoán tương lai.
1.3. Phân tích quan hệ nhân quả (causal relationship analysis)
Quan hệ nhân quả thể hiện khi ở một trong một hoàn cảnh mà một sự
kiện có thể gây ra hiện tượng khác. Nếu sự kiện này được biết tương đối
đầy đủ trước, nó có thể sử dụng để dự đoán thực tế. Ví dụ bán hàng có
thể bị ảnh hưởng bởi quảng cáo, phẩm chất hàng hóa hay các đối thủ cạnh
tranh. Hoặc chúng ta có thể dự đoán rằng nếu mùa mưa kéo dài thì doanh
số bán dù và áo đi mưa sẽ tăng.
1.3.1. Phương pháp hồi quy (regression analysis): tương tự như phương pháp hồi quy bình phương tối thiểu nhưng có thể có rất nhiều biến số.
1.3.2. Phương pháp kinh tế lượng (econometric models): cố gắng mô tả một số ngành kinh tế bằng một chuỗi các phương trình tương hỗ.
1.3.3. Phương pháp phân tích đầu ra/đầu vào (input/output models):
Tập trung vào doanh số của mỗI ngành công nghiệp so với các công ty và
chính phủ. Thí dụ thay đổi doanh số ở ngành công nghiệp chế biến có thể
dự đoán do sự thay đổi việc mua hàng ở một ngành khác.
1.3.4. Các chỉ số định hướng (leading indicators): Các dữ liệu
thống kê di chuyển cùng hướng nhưng di chuyển trước chuỗi số liệu được
dự đoán thì có thể dùng làm định hướng, ví dụ việc tăng giá xăng dầu chỉ
ra rằng sự sút giảm doanh số bán xe ô tô lớn.
1.4. Phương pháp mô phỏng (Simulation Models)
Phương pháp này, chủ yếu dựa vào máy tính, cho phép người dự
đoán thực hiện các giả thiết về các biến số nội tại và môi trường bên
ngoài. Thí dụ, dựa trên biến số của phương pháp dự đoán, người dự đoán
có thể đưa ra các câu hỏi như: điều gì sẽ xảy ra đối với dự đoán của tôi
nếu giá tăng 10%? Tình trạng khủng hoảng nhẹ trong nước có ảnh hưởng gì
tới dự đoán của tôi?…
2. Một số ví dụ cơ bản
2.1. Phương pháp bình quân diễn tiến đơn (Simple Moving Average):
Số liệu dưới đây là số khách hàng tới các chi nhánh ở một thành phố
của Ngân hàng Quốc gia Hoa kỳ. Hãy dự đoán số khách hàng tới trong tuần
này.
Số khách hàng tới trong tuần này:
Thứ 2: (2400+2300+2400+2200)/4=9300/4=2325
Thứ 3: (2200+2200+2100+2000)/4=8500/4=2125
Thứ 4: (2500+2300+2400+2300)/4=9500/4=2375
Thứ 5: (2000+1800+1900+1800)/4=7500/4=1875
Thứ 6: (2000+2100+1800+1900)/4=7800/4=1950
Thứ 7: (2900+3000+2700+2800)/4=11400/4=2850
☞ Lưu ý: Ta có thể sử dụng hàm
AVERAGE trong Excel để tính.
2.2. Phương pháp bình quân diễn tiến gia trọng (Weighted Moving Average):
Lấy thí dụ trên, dùng các trọng số trong 4 tuần tương ứng là 0.4,0.3,0.2 và 0.1 để tính số khách trong tuần này.
2.3. Phương pháp liên tiến lũy thừa đơn (Simple Exponential Smoothing):
Số liệu sau là nhu cầu mở tài khoản tiền mặt trong 3 tháng tại Ngân Hàng Quốc Gia Lake Erie:
Giả thiết rằng dự đoán đã tính trong tháng 1 là 706, dùng
alpha=0.2, tính dự đoán cho tháng 4 bằng phương pháp liên tiến lũy thừa đơn.
Dự đoán cho tháng 2: 706+0.2(721-706)=709
Dự đoán cho tháng 3: 709+0.2(816-709)=730
Dự đoán cho tháng 4: 730+0.2(671-730)=718
Như vậy dự tính trong tháng 4 sẽ có 718 tài khoản tiền mặt được mở mới.
Trong thí dụ này,
alpha được cho sẵn là 0.2. Thí dụ dưới đây sẽ trình bày cách tìm
alpha sao cho đúng nhất bằng phương pháp thử sai.
2.4. Phương pháp liên tiến lũy thừa kép (Double Exponential Smoothing):
Số liệu dưới đây là doanh số bán hàng trong 10 tháng của một công ty.
Dùng phương pháp liên tiến lũy thừa kép để dự đoán doanh số bán hàng
trong tháng thứ 11.
Ta dùng 4 tháng đầu để tính dự đoán cho tháng thứ 4 (tháng lấy làm mốc).
Độ lệch trung bình từ tháng 1-4: (728-700)/3 = 9.33
Dự đoán bán hàng trong tháng 4: 728+9.33 = 737.3
Lấy
alpha=0.4,
beta=0.3, ta có bảng sau:
Như vậy dự đoán trong tháng thứ 11 sẽ là 783.58 (alpha=0.4, beta=0.3).
Xác định hai hằng số alpha, beta: dùng phương pháp
thử sai để tìm; alpha, beta sẽ là giá trị làm cho độ lệch trị tuyệt đối
trung bình (MAD) và độ lệch phần trăm trị tuyệt đối trung bình (Mean
Absolute Percentage Error-MAPE) nhỏ nhất.
Ta dùng Excel để lập các công thức tính Dự đoán, MAD và MAPE, như sau:
☞ Lưu ý: Một số công thức tham khảo trong Excel:
D15=O14
F15=$B$2*(B15-D15)
H15=D15+F15
J15=N14
L15=$B$3*(D15-D14-J15)
N15=J15+L15
O15=H15+N15
P15=IF(B15-O15>0,B15-O15,O15-B15)
Q15=SUM($P$8:P15)/COUNT($P$8:P15)
R15=P15/B15
S15=100/COUNT($R$8:R15)*SUM($R$8:R15)
Thay các trị số
alpha, beta từ 0.1 đến 1, ta tổng hợp được hai bảng sau:
Ta nhận thấy rằng ứng vớI
alpha=1 và
beta=0.7 ta có MAPE và MAD nhỏ nhất. Tương ứng sẽ có dự đoán cho tháng thứ 11 là 782.
2.5. Phương pháp liên tiến lũy thừa theo mùa (Seasonal adjusted exponential smoothing):
Số liệu dưới đây được ghi nhận trong 2 tuần trước và theo chu kỳ
trong tuần vào ngày thứ 4, nhu cầu tăng vọt. Dùng phương pháp liên tiến
lũy thừa theo mùa (seasonal adjusted exponential smoothing) để dự đoán
nhu cầu vào thứ hai tuần này với
alpha=0.3 và
beta=0.2.
Tính chỉ số mùa (seasonal index) trong tuần đầu:
Như vậy, ngày thứ 2 tuần này nhu cầu sẽ là 23 (Đây là dự đoán ứng với
alpha=0.3 và
beta=0.2, muốn dự báo chính xác thì dùng phương pháp thử sai để tìm
alpha và
beta, sau đó tính giá trị dự đoán tương ứng.
2.6. Phương pháp hồi quy đường thẳng (Linear Regression):
Doanh số bán hàng của một công ty trong 12 quý của 3 năm trước như sau:
Dùng phương pháp hồi quy đường thẳng để dự đoán doanh số của 4 quý năm nay.
Đầu tiên, ta thể hiện các số liệu trên trục tọa độ, như sau:
Sau đó, ta vẽ một đường thẳng ước lượng sao cho đường này nằm giữa các điểm, như hình vẽ sau:
Ta kéo dài đường thẳng cho cắt trục tung ta được điểm 400 (ước
lượng). Đây là hằng số a (mức chặn). Tương tự, ta lấy điểm tương ứng của
quý 1 trên đường thằng sẽ được 750. Tại quý 12 là 4950. Như vậy, ta sẽ
có hằng số b (độ dốc) là:
b = (4950+750)/(12-1) = 382
Như vậy ta sẽ có phương trình: y = 400 + 382x
Doanh số của 4 quý năm nay sẽ là:
Quý 13: 400+382*13=5366
Quý 14: 400+382*14=5748
Quý 15: 400+382*15=6130
Quý 16: 400+382*16=6512
2.7. Phương pháp hồi quy bình phương tối thiểu (Least Squares Regression):
Theo ví dụ trên, tính doanh số 4 quý năm nay bằng phương pháp hồi quy bình phương tối thiểu.
Ta có bảng sau:
Ta có phương trình sau: y = 441.7 + 359.6x
Doanh số của 4 quý năm nay sẽ là:
Quý 13: y = 441.7 + 359.6*13 = 5116.4
Quý 14: y = 441.7 + 359.6*14 = 5476.0
Quý 15: y = 441.7 + 359.6*15 = 5835.6
Quý 16: y = 441.7 + 359.6*16 = 6195.2
☞ Lưu ý:
Để tính hệ số a (mức chặn), ta có thể sử dụng hàm
INTERCEPT trong Excel. Để tính hệ số b (độ dốc), ta dùng hàm
SLOPE. Để tính dự đoán bằng phương pháp hồi quy bình phương tốI thiểu ta có thể dùng hàm
TREND hoặc
LINEST hoặc
FORECAST trong Excel như dưới đây:
Một cách làm nhanh bằng Excel:
Dùng Excel vẽ đồ thị như dưới đây:
Nhấp chuột phải vào đồ thị, dùng lệnh Add trendline, chọn Linear,
trong mục Option chọn Display equation on chart, ta được cả đồ thị lẫn
phương trình như dưới đây:
Như vậy thật đơn giản ta được phương trình: y = 359.62x + 441.67.
2.8. Phương pháp đường chiếu xu hướng:
TIến hành phương pháp này bằng cách gắn một đồ thị vào dữ liệu có sẵn
để dự báo tương lai. Lấy thí dụ trên, làm tương tự trong Excel, khi
chọn Add trendline, ta có thể chọn Linear (đường thẳng), Exponential
(liên tiến), Logarithmic (logarít),…
3. Lựa chọn phương pháp dự đoán
Như vậy có quá nhiều cách để dự đoán, làm sao để tìm phương pháp đúng
nhất để dự đoán. Để chọn ra phương pháp dự đoán phù hợp, tiến hành các
bước như sau:
- Vẽ các số liệu có sẵn trên hai trục tọa độ bằng đồ thị đơn giản
- Tìm hiểu các tính chất của nó: ổn định? thay đổi nhiều? có xu hướng tăng/giảm? có theo mùa?
- Tuỳ tính chất chuỗi số liệu để xác định phương pháp phù hợp nhất.
Có thể tham khảo các định hướng dưới đây:
a.) Hình 1:
b.) Hình 2:
c.) Hình 3:
d.) Hình 4:
e.) Hình 5:
