Bài viết này mình tổng hợp lại kiến thức mình đã học được từ khóa học Excel Skills for Business Forecasting Specialization trên Coursera. Chứng nhận này gồm có ba khoá học thành phần gồm:
This article summarizes the knowledge gained from the “Excel Skills for Business Forecasting Specialization” course on Coursera, which includes three courses:
Course 1: Excel Time Series Models for Business Forecasting
Course 2: Excel Regression Models for Business Forecasting
Course 3: Judgmental Business Forecasting in Excel

3 khoá học này cung cấp cho bạn những gì? Mình xin được trích nguyên văn từ phần mô tả khoá học trên web Coursera:
These 3 courses offer you what? I would like to quote directly from the course description on the Coursera website:
In the first course on Time Series Models, we will be looking at how your business can utilize time series data sets to understand the different components underlying this data, and then apply the relevant model depending on these components to forecast for your business’ needs.
We then continue in our second course in this specialisation which looks at Regression Models, building causal models for both time series data as well as cross-sectional data. Causal models allow us to develop further business insights and strategy by controlling the inputs to generate the output we desire.
In the third and final course, we explore the role of Judgmental Forecasting, when more quantitative forecasting methods have limitations, and we need to generate further business insights. We will be exploring some structured methodologies to create judgmental business forecasts and explore how Excel can assist us in these judgments. We will bring all these forecasting methods together in a final case study, giving you the opportunity to generate forecasts, which are the inputs to any organisation’s planning.

Sau khi hoàn thành cả ba khoá học thành phần, đây là chứng nhận mà mình đạt được:
After completing all three courses, below is my certificate:

Nào, cùng bắt đầu thu nạp kiến thức của khoá học đầu tiên nhé!
Now, let’s go to achieve knowledge!

---

Khoá 1: Mô hình Time Series
trong dự báo kinh doanh –
Time Series Models
in Business Forecasting

Với khoá này, bạn sẽ được học về các phương pháp giả thiết và áp dụng các phương pháp đó vào dữ liệu kinh doanh bằng cách sử dụng Excel, đồng thời tối ưu hoá để có được mô hình dự báo chính xác nhất. Bạn cũng có thể so sánh và lựa chọn được mô hình phù hợp với nhu cầu của doanh nghiệp.
With this course, you will learn about hypothesis methods and apply these methods to business data using Excel, while optimizing to achieve the most accurate forecasting model. You will also be able to compare and select the model that best suits the needs of your business.

Giới thiệu về mô hình Time Series
Time Series model introduction

Ví dụ về dữ liệu ở dạng chuỗi thời gian:
Below is a example of time series data:

Các thành phần trong mô hình Time Series:
Components of the Time Series model:
1. Level – mức độ của dữ liệu:
Level chỉ giá trị của chuỗi dữ liệu trong một khoảng thời gian cho trước. Mức độ của chuỗi thời gian có thể ổn định hoặc thay đổi theo sự ảnh hưởng của nhiều thành phần khác.
Level indicates the value of a data series over a given period of time. The level of the time series can be stable or change due to the influence of various other components.

2. Trend – xu hướng:
Xu hướng của dữ liệu theo thời gian là tăng hay giảm có hệ thống. Xu hướng không cần phải lúc nào cũng tăng/giảm liên tục như vậy, mà cũng có lúc đảo chiều. Xu hướng được tạo ra thường là do sự thay đổi về dân số, cải tiến trong công nghệ, mở rộng thị trường,…
The trend of data over time is whether it systematically increases or decreases. The trend does not always have to continuously increase or decrease; it can also reverse at times. Trends are often created due to changes in population, technological improvements, market expansion, and so on.

3. Seasonality – theo mùa vụ:
Các dao động có hệ thống và lặp lại trong chuỗi thời gian thường xảy ra theo khoảng thời gian xác định được (như năm, quý, hay tháng,…). Các dao động này thường sẽ lặp lại trong tương lai và xảy ra do các yếu tố như thời tiết (mùa nắng, mùa mưa), hay ngày lễ hằng năm.
Systematic and repetitive fluctuations in a time series usually occur at defined intervals (such as years, quarters, or months, etc.). These fluctuations are often expected to repeat in the future and occur due to factors such as weather (sunny season, rainy season) or annual holidays.

4. Cycle – chu kỳ:
Tương tự với các dao động theo mùa, dao động theo chu kỳ thường không có quy luật thời gian xảy ra, chúng khó dự đoán, và thường ảnh hưởng bởi các chu kỳ kinh tế, hay chu kỳ kinh doanh của doanh nghiệp.
Similar to seasonal fluctuations, cyclical fluctuations often do not have a regular timing pattern. They are difficult to predict and are usually influenced by economic cycles or the business cycles of companies.

5. Random – Ngẫu nhiên:
Dữ liệu thuộc kiểu này không theo hệ thống và không thể dự báo được vì không có biến độc lập nào có thể giải thích được cho nó. Dữ liệu này thường bị ảnh hưởng bới các sự kiện có một không hai, hoặc xảy ra mà không có một dự báo nào (như đại dịch COVID-19, sóng thần,…)
This type of data is unsystematic and cannot be forecasted because no independent variable can explain it. This data is often affected by unique events or occurrences that were not predicted (such as the COVID-19 pandemic, tsunamis, etc.).

#1. Dự báo sử dụng phương pháp bình quân
Average method

Chúng ta sẽ sử dụng dữ liệu doanh thu (Revenue) của Microsoft để thực hành dự báo bằng phương pháp trung bình cộng. (data source: tại đây)
We are going to use Microsoft revenue data to practice revenue forecasting by using Average method.

Bước 1: Sử dụng hàm AVERAGE để tính trung bình cộng doanh thu của Microsoft qua các năm.
Step 1: Using AVERAGE formula to calculate the mean of revenue year on year.

Bước 2: Tính sai số của dự báo = doanh thu thực – doanh thu dự báo,
Bước 3: Tính giá trị tuyệt đối của sai số, sử dụng hàm ABS(),
Bước 4: Tính trung bình cộng của tổng các sai số sau khi chuyển sang giá trị tuyệt đối, thu được kết quả MAE,
Bước 5: Tính bình phương của sai số, sử dụng hàm POWER hoặc dùng ^2 trực tiếp,
Bước 6: Tính trung bình cộng của tổng các sai số sau khi đã nâng lên bình phương, thu được kết quả MSE.
Bước 7: Tính căn bậc hai của MSE, sử dụng hàm SQRT(), thu được RMSE.
Bước 8: Tính tỷ số dương giữa giá trị thực so với dự báo, sử dụng hàm ABS() và công thức (doanh thu thực – doanh thu dự báo)/ doanh thu thực.
Bước 9: Tính trung bình cộng của tổng các tỷ số vừa tính ở bước 8, thu được MAPE.

Step 2: Calculate the forecast error = actual revenue – forecasted revenue.
Step 3: Calculate the absolute value of the error using the ABS() function.
Step 4: Calculate the mean of the total absolute errors to obtain the Mean Absolute Error (MAE).
Step 5: Square the errors using the POWER function or by raising to the power of 2 directly.
Step 6: Calculate the mean of the total squared errors to obtain the Mean Squared Error (MSE).
Step 7: Calculate the square root of the MSE using the SQRT() function to obtain the Root Mean Squared Error (RMSE).
Step 8: Calculate the positive ratio between the actual value and the forecast using the ABS() function and the formula (actual revenue – forecasted revenue) / actual revenue.
Step 9: Calculate the mean of the total ratios obtained in step 8 to obtain the Mean Absolute Percentage Error (MAPE).

Mean Squared Error – MSE đo lường trung bình cộng của tổng bình phương của các sai số doanh thu qua từng năm dự báo. MSE nhấn mạnh các sai số lớn hơn (sai số càng lớn, bình phương của nó càng lớn) có thể rất quan trọng trong các mô hình dự báo tài chính khi các sai số càng lớn này càng tiêu cực.
Mean Absolute Error – MAE đo lường trung bình cộng độ lớn của các sai số trong tập hợp các điểm doanh thu được dự báo mà không quan tâm đến hướng của chúng là âm hay dương. Không giống MSE, MAE không bình phương các sai số lên, thích hợp khi chúng ta muốn tránh việc phóng đại các sai số trong mô hình dự báo. MAE càng bé, sai số trong mô hình càng nhỏ, dự báo càng chính xác.
Root Mean Squared Error – RMSE đưa trung bình cộng các bình phương về lại thang đo doanh thu thực tế, RMSE giúp chúng ta dễ hiểu hơn về trung bình sai số so với MSE. Lựa chọn MSE hay RMSE cũng tuỳ vào mỗi bối cảnh.
Mean Absolute Percentage Error – MAPE biểu diễn tỷ trọng sai số trên mỗi giá trị doanh thu thực tế, cho biết độ lớn của sai số trên mỗi giá trị thực. MAPE = 0.5853, nghĩa là sai số chiếm tới 58.53% so với giá trị thực.

Mean Squared Error (MSE) measures the average of the squared errors of the revenue forecasts each year. MSE emphasizes larger errors (the larger the error, the larger its square) which can be very important in financial forecasting models as larger errors are more detrimental.
Mean Absolute Error (MAE) measures the average magnitude of the errors in a set of revenue forecast points regardless of their direction (positive or negative). Unlike MSE, MAE does not square the errors, making it suitable when we want to avoid exaggerating the errors in the forecasting model. The smaller the MAE, the smaller the errors in the model, and the more accurate the forecast.
Root Mean Squared Error (RMSE) brings the average of the squared errors back to the actual revenue scale. RMSE helps us better understand the average error compared to MSE. The choice between MSE or RMSE depends on the context.
Mean Absolute Percentage Error (MAPE) expresses the error proportion on each actual revenue value, indicating the error magnitude on each actual value. For example, MAPE = 0.5853 means the error accounts for 58.53% compared to the actual value.

Trông có vẻ logic khi sử dụng phương pháp này để dự báo doanh thu. Tuy nhiên, trong một nhiều trường hợp, nếu dữ liệu mang tính xu hướng hoặc theo chu kỳ hay mùa vụ, thì phương pháp này sẽ không thể mang lại một dự báo đúng.
It seems logical to use this method for revenue forecasting. However, in many cases, if the data has trends, cycles, or seasonality, this method may not provide an accurate forecast.

#2. Dự báo sử dụng phương pháp Naive
Naive method

Phương pháp Naive sử dụng số liệu 1 kỳ trước để dự báo cho kỳ hiện tại, do đó, doanh thu năm 2002 sẽ lấy doanh thu của năm 2001. Lặp lại các bước ở phương pháp 1, chúng ta thu được kết quả:
The Naive method uses the data from one previous period to forecast the current period. Therefore, the revenue for the year 2002 will be based on the revenue from the year 2001. Repeating the steps from Method 1, we obtain the following results:

Doanh thu của năm 2023 sẽ lấy của năm 2022, tức là 204 tỷ USD.
Revenue in 2023 will take that of 2022, equivalent to USD 204 billion.

Phương pháp Naive có các chỉ số MAE, MSE, RMSE, hay MAPE nhỏ hơn nhiều so với phương pháp trung bình cộng, tuy nhiên chỉ có thể dự báo được cho kỳ tiếp theo. Nếu dữ liệu mang tính chất mùa vụ hay chu kỳ, mô hình này cũng không phải là sự lựa chọn tối ưu.
The Naive method has significantly smaller MAE, MSE, RMSE, and MAPE indicators compared to the average method. However, it can only forecast the next period. If the data is seasonal or cyclical, this model is also not an optimal choice.

#3. Dự báo sử dụng phương pháp
Moving Average

Doanh thu năm này sẽ là trung bình cộng các năm trước. Ví dụ, doanh thu năm 2005 sẽ lấy từ trung bình cộng của bốn năm 2001, 2002, 2003 và 2004. Lặp lại các bước ở phương pháp 1, chúng ta thu được kết quả:
The revenue for this year will be the average of the previous years. For example, the revenue for 2005 will be the average of the four years 2001, 2002, 2003, and 2004. Repeating the steps from Method 1, we obtain the following results:

Doanh thu của năm 2023 sẽ lấy trung bình cộng của bốn năm 1999-2000-2001-2022, tức là 169.13 tỷ USD.
The revenue for the year 2023 will be the average of the four years 1999, 2000, 2001, and 2022, which is 169.13 billion USD.

Dữ liệu càng biến động thì trung bình động càng nên gộp nhiều quan sát, như vậy đường MA sẽ mượt hơn.
The more volatile the data, the more observations should be included in the moving average. This way, the moving average (MA) line will be smoother.

#4. Dự báo sử dụng phương pháp
Simple Exponential Smoothing (SES)

Phương pháp này 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.
This method is based on the most recent data plus the percentage difference between the forecasted value and the actual value at the time of prediction.

Bước 1: Dự báo doanh thu năm 2001 sẽ lấy từ chính dữ liệu thực tế của năm đó, = $27USD,
Bước 2: Chọn mức α nằm giữa 0 và 1, sử dụng công thức F_t+1 = α*Y_t + (1-α)*F_t để tính doanh thu cho năm 2002. Trong ví dụ bên dưới, α được chọn ở mức 0.6.
Step 1: The forecast for the revenue in 2001 will be based on the actual data of that year, which is $27 USD.
Step 2: Choose an alpha (α) value between 0 and 1. Use the formula F_t+1 = α*Y_t + (1-α)*F_t to calculate the revenue for 2002. In the example below, α is chosen to be 0.6.

Revenue in 2023 projected = 0.6*204 + (1-0.6)*168 = USD 189.5 billion.

Tuy nhiên, để mô hình dự báo càng chính xác, sai số và các chỉ số như MAE, RMSE, MAPE càng nhỏ sẽ càng tốt. Để tìm được mức α chuẩn xác nhất, sử dụng tính năng Solver trên Excel để tìm α.
However, to make the forecasting model as accurate as possible, minimizing errors and indicators such as MAE, RMSE, and MAPE is crucial. To find the most accurate α value, use the Solver feature in Excel to optimize α.

Solver trong Excel tìm được mức α=1, với mức này, MAE và RMSE sẽ nhỏ nhất. Với α=1, SES sẽ giống với phương pháp Naive, doanh thu năm hiện tại là doanh thu của năm trước.
Using Solver in Excel, an α value of 1 was found to minimize MAE and RMSE. With α = 1, the Simple Exponential Smoothing (SES) method becomes identical to the Naive method, where the current year’s revenue is the same as the previous year’s revenue.

#5. Dự báo sử dụng phương pháp
Holts Exponential Smoothing (HES)

Tương tự SES, HES sử dụng cơ chế làm mượt để loại đi những tác nhân ngẫu nhiên ra khỏi chuỗi thời gian.
Similar to SES, Holt’s Exponential Smoothing (HES) uses a smoothing mechanism to eliminate random factors from the time series.

Bước 1: Nhập Level, lấy từ doanh thu thực tế năm 2001,
Bước 2: Tính Trend, lấy doanh thu kỳ sau trừ kỳ hiện tại,
Bước 3: Tính Level cho năm tiếp theo (2002), sử dụng công thức: α*Y_t + (1-α)*(L_t-1 + T_t-1), chọn mức α nằm giữa 0 và 1,
Bước 4: Tính Trend cho năm tiếp theo (2002), sử dụng công thức: β*(L_t-L_t-1) + (1-β)(T_t-1), chọn mức β nằm giữa 0 và 1,
Bước 5: Tính Forecast cho năm tiếp theo (2003), sử dụng công thức: Level + Trend.
Step 1: Input the Level from the actual revenue of the year 2001.
Step 2: Calculate the Trend by subtracting the current period’s revenue from the next period’s revenue.
Step 3: Calculate the Level for the next year (2002) using the formula: α*Y_t + (1-α)*(L_t-1 + T_t-1), where ( \alpha ) is chosen between 0 and 1.
Step 4: Calculate the Trend for the next year (2002) using the formula: β*(L_t-L_t-1) + (1-β)(T_t-1), where ( \beta ) is chosen between 0 and 1.
Step 5: Calculate the Forecast for the next year (2003) using the formula: Level + Trend.

Để dự báo cho các năm tiếp theo (từ năm 2023), sử dụng công thức: F_t+m = L_t + mT_t. Ví dụ, doanh thu năm 2023 dự báo = 186.46 + 1*37.47 = 223.93 tỷ USD. (so với thực tế 227.58 tỷ USD).
To forecast for the following years (starting from 2023), use the formula: F_t+m = L_t + mT_t. For example, the forecasted revenue for the year 2023 is calculated as ( 186.46 + 1 \cdot 37.47 = 223.93 ) billion USD (compared to the actual 227.58 billion USD).

Tuy nhiên, để mô hình dự báo càng chính xác, sai số và các chỉ số như MAE, RMSE, MAPE càng nhỏ sẽ càng tốt. Để tìm được mức α, β chuẩn xác nhất, sử dụng tính năng Solver trên Excel để tìm α, β.
However, to make the forecasting model as accurate as possible, minimizing errors and indicators such as MAE, RMSE, and MAPE is crucial. To find the most accurate values for α and β, use the Solver feature in Excel to optimize both α and β.

Với mức α, β tìm được lần lượt là 1 và 0.763 để MAE đạt tối thiểu 7.84, dự báo doanh thu năm 2023 là 289.96 tỷ USD.
With the values of α and β found to be 1 and 0.763 respectively, resulting in a minimum MAE of 7.84, the revenue forecast for 2023 is USD 289.96 billion.

---

Dữ liệu mang tính mùa vụ thường dựa vào thời tiết, kỳ nghỉ, hay cuối tuần, cuối quý. Dữ liệu này thường có dao động theo hệ thống, thường lặp lại sau trong tương lai.

Dữ liệu mang tính mùa vụ có thể được phân thành hai loại lớn: additive (cộng) và multiplicative (nhân).
– Additive là khi các động mùa vụ theo thời gian có thể được mô hình hoá bằng phép tính cộng của thành phần theo mùa đã được xác định,
– Multiplicative khi các động mùa vụ theo thời gian có thể được mô hình hoá bằng phép tính nhân của thành phần theo mùa đã được xác định.

Trong mô hình Additive, các thành phần mùa vụ được cộng vào mô hình để dự báo, ví dụ: Y_t = T_t + S_t + e_t

Trong mô hình Multiplicative, các thành phần mùa vụ được nhân vào mô hình để dự báo, ví dụ: Y_t = T_t x S_t x e_t
Trong đó:
– Y_t​ là giá trị quan sát tại thời điểm t,
– T_t là xu hướng (trend) tại thời điểm t,
– S_t là thành phần mùa vụ (seasonal) tại thời điểm t,
– e_t​ là sai số (error) ngẫu nhiên tại thời điểm t
Các mô hình này giúp chúng ta hiểu rõ hơn và dự báo chính xác hơn khi dữ liệu có tính chất mùa vụ.

Seasonal data is often based on weather, holidays, or weekends and quarters. This data usually has systematic fluctuations that tend to repeat in the future.
Seasonal data can be classified into two main types: additive and multiplicative.
– Multiplicative: When seasonal fluctuations over time can be modeled by multiplying a determined seasonal component.
– Additive: When seasonal fluctuations over time can be modeled by adding a determined seasonal component.
In the Additive model, seasonal components are added to the model for forecasting, for example: Y_t = T_t + S_t + e_t
In the Multiplicative model, seasonal components are multiplied into the model for forecasting, for example: Y_t = T_t x S_t x e_t
Where:
– Y_t​ is the observed value at time t,
– T_t is the trend at time t,
– S_t is the seasonal component at time t,
– e_t​ is the random error at time t
These models help us understand and forecast more accurately when data has seasonal characteristics.

#6. Dự báo sử dụng phương pháp
Winters Exponential Smoothing

Winters Exponential Smoothing là phần mở rộng của phương pháp Holt’s Exponential Smoothing.
Winters Exponential Smoothing is an extension of the Holt’s Exponential Smoothing method.

Chúng ta sẽ sử dụng dữ liệu doanh thu theo quý (Quarterly Revenue) của Microsoft để thực hành dự báo bằng phương pháp Winters Exponential Smoothing. (dữ liệu nguồn xem tại đây)
We will use Microsoft’s quarterly revenue data to practice forecasting using the Winters Exponential Smoothing method. (source data available here)

Bước 1: Tính Level(L) cho kỳ 31/03/2010, sử dụng hàm AVERAGE để tính trung bình 4 quý năm 2009,
Bước 2: Tính Seasonal(S) bắt đầu từ dữ liệu đầu tiên (31/03/2009), sử dụng doanh thu từng quý chia cho Level kỳ 31/03/2010.
Bước 3: Tạo bảng tính Trend như bên dưới, tìm được Trend cho kỳ 31/03/2010.
Step 1: Calculate the Level (L) for the period 31/03/2010 by using the AVERAGE function to find the average of the 4 quarters of 2009.
Step 2: Calculate the Seasonal (S) component starting from the first data point (31/03/2009) by dividing the revenue of each quarter by the Level of the period 31/03/2010.
Step 3: Create a Trend table as shown below to determine the Trend for the period 31/03/2010.

Bước 4: Tính Level, Trend, Seasonal cho các quý tiếp theo theo công thức:
Step 4: Compute Level, Trend, and Seasonal for the following quarters by the below formulas:

Bước 5: Tính dự báo theo công thức:
Step 5: Forecast by the formula:

Dự báo cho các quý tiếp theo năm 2024: quý I/2024 dự báo doanh thu = 61.665 tỷ USD (so với thực tế 61.858 tỷ USD).
Forecast for the upcoming quarters in 2024: Forecasted revenue for Q1 2024 is 61.665 billion USD (compared to the actual 61.858 billion USD).

#7. Dự báo sử dụng phương pháp
Decomposition

Bước 1: Tính MA4 bốn quý năm 2009 điền vào quý 1 năm 2010, sử dụng hàm AVERGAE(),
Bước 2: Tính Centred MA, sử dụng hàm AVERAGE() tính trung bình cộng hai giá trị MA gần nhất,
Bước 3: Tính Seasonal Relatives, lấy doanh thu thực tế mỗi quý chia cho giá trị Centred MA tương ứng,
Bước 4: Tính Seasonal Indices, lấy trung bình cộng của tất cả các quý,
Bước 5: Tính Deseasonalized, lấy doanh thu thực tế từng quý nhân cho Seasonal Indices tương ứng với quý đó,
Bước 6: Vẽ biểu đồ Line và thêm đường xu hướng (trend line), hiển thị công thức hồi quy,
Step 1: Calculate the MA4 for the four quarters of 2009 and enter it in Q1 2010, using the AVERAGE() function.
Step 2: Calculate the Centred MA by using the AVERAGE() function to find the mean of the two nearest MA values.
Step 3: Calculate the Seasonal Relatives by dividing the actual revenue of each quarter by the corresponding Centred MA value.
Step 4: Calculate the Seasonal Indices by taking the average of all the quarters.
Step 5: Calculate the Deseasonalized values by multiplying the actual revenue of each quarter by the corresponding Seasonal Indices for that quarter.
Step 6: Plot a Line chart and add a trend line, displaying the regression equation.

Bước 7: Tính Trend Line, bằng cách lấy hệ số góc của phương trình hồi quy Decentralized nhân với giá trị thời gian quy đổi (31/03/2009 = 1), cộng với hệ số chặn của phương trình hồi quy Decentralized.
Bước 8: Tính Forecast = Trend Line từng quý * Seasonal Index tương ứng.
Step 7: Calculate the Trend Line by taking the slope of the regression equation for the deseasonalized data, multiplying it by the time value (where 31/03/2009 = 1), and then adding the intercept of the regression equation.
Step 8: Calculate the Forecast for each quarter by multiplying the Trend Line value for each quarter by the corresponding Seasonal Index.

Dự báo các quý tiếp theo trong năm 2024: quý I/2024 dự báo doanh thu = 63.440 tỷ USD (so với thực tế 61.858 tỷ USD).
Forecast for the upcoming quarters in 2024: Forecasted revenue for Q1 2024 is 63.440 billion USD (compared to the actual 61.858 billion USD).

Các chỉ số MAE, MSE, RMSE, và MAPE của mô hình:
MAE, MSE, RMSE, and MAPE of this mode:

---

Khoá 2: Mô hình hồi quy
trong dự báo kinh doanh
Regression Models
in Business Forecasting

Mô hình hồi quy sử dụng một biến thể của phân tích hồi quy tuyến tính để dự đoán chuỗi tiếp theo từ một khoảng biến cụ thể. Trong phân tích hồi quy, mô hình thống kê được cung cấp và sử dụng một số biến độc lập để dự đoán giá trị của một biến phụ thuộc.
The regression model uses a variant of linear regression analysis to predict the next sequence from a specific set of variables. In regression analysis, a statistical model is provided and uses several independent variables to predict the value of a dependent variable.

Có ba nhiệm vụ chính trong phân tích hồi quy:
1. Chọn mô hình thích hợp: gồm việc lựa chọn biến độc lập và công thức phù hợp,
2. Sử dụng một mẫu chung cho các quan sát của biến độc lập và biến phụ thuộc để tính được các ước lượng hệ số của mô hình,
3. Sử dụng mô hình ước lượng và các giá trị dự báo của các biến độc lập để tạo ra dự báo cho biến phụ thuộc.
There are three main tasks in regression analysis:
1. Use the estimated model and forecast values of the independent variables to create a forecast for the dependent variable.
2. Select an appropriate model: This includes choosing the independent variables and the appropriate formula,
3. Use a common sample for observations of independent and dependent variables to calculate the model’s coefficient estimates

Việc lựa chọn các biến độc lập hợp lý dựa vào các giả thuyết kinh tế, logic và chuỗi thời gian quan sát được cũng như kinh nghiệm của người tạo lập mô hình. Chọn công thức phù hợp cũng dựa vào các yếu tố đó (tuyến tính hay không, tĩnh hay động, mức độ hay thay đổi).
The selection of reasonable independent variables is based on economic hypotheses, logic, observed time series, and the model creator’s experience. Choosing the appropriate formula also depends on these factors (linear or non-linear, static or dynamic, level or change).

Một mô hình dự báo cơ bản sẽ có dạng
A basic forecasting model will have the form:
Y_t = β₀ + β₁X_1t + β₂X_2t + … + β_kX_kt + e_t

Một trong các phương pháp ước lượng hồi quy tuyến tính phổ biến là bình phương nhỏ nhất OLS(Ordinary Least Squares). Với tổng thể, sai số (error) ký hiệu là e, còn trong mẫu nghiên cứu sai số lúc này được gọi là phần dư (residual) và được ký hiệu là ε. Biến thiên phần dư được tính bằng tổng bình phương tất cả các phần dư cộng lại. Nguyên tắc của phương pháp hồi quy OLS là làm cho biến thiên phần dư này trong phép hồi quy là nhỏ nhất. Khi biểu diễn trên mặt phẳng Oxy, đường hồi quy OLS là một đường thẳng đi qua đám đông các điểm dữ liệu mà ở đó, khoảng cách từ các điểm dữ liệu (trị tuyệt đối của ε) đến đường hồi quy là ngắn nhất. (theo xulydingluong.com).
One of the popular methods for estimating linear regression is Ordinary Least Squares (OLS). In general, the error is denoted as eee, while in the research sample, this error is called the residual and is denoted as ε. The residual variance is calculated by summing the squares of all residuals. The principle of the OLS regression method is to minimize this residual variance in the regression. When plotted on the XY plane, the OLS regression line is a straight line passing through the cluster of data points, where the distance from the data points (absolute value of ε) to the regression line is the shortest. (according to xulydingluong.com).

#7. Dự báo sử dụng phương pháp
hồi quy tuyến tính bằng OLS (đơn biến)

Sử dụng dữ liệu doanh thu của Microsoft ở phương pháp #1:
Using the revenue data in Method #1:

Bước 1: quy đổi mốc thời gian thành giá trị số (với năm 2001 = 1),
Bước 2: thực hiện hồi quy, sử dụng Regression trong tính năng Data Analysis trong Excel, với biến Y là doanh thu, X là thời gian ở giá trị số (X = 1, 2, 3,…)
Step 1: Convert the time reference into numerical values (with the year 2001 = 1).
Step 2: Perform regression analysis using the Regression feature in Data Analysis in Excel, with the dependent variable YYY being the revenue, and the independent variable XXX being the numerical time values (X = 1, 2, 3,…).

Kết quả hồi quy OLS:
OLS result report:

Vẽ biểu đồ cho dữ liệu, thêm đường xu hướng và phương trình hồi quy:
Plot data as a line chart, adding a trendlime and regression equation:

Phương trình dự báo có dạng: Doanh thu = 6.9989*time + 3.9049 (tỷ USD)
Doanh thu năm 2023 dự báo = 6.9989*23 + 3.9049 = 164.88 tỷ USD (so với con số thực tế 227 tỷ USD).
The forecasting equation is: Revenue = 6.9989*times + 3.9049 (billion USD)
Using this equation, the forecasted revenue for the year 2023 is:
Revenue 2023 = 6.9989*23 + 3.9049 = 164.88 billion USD (compared to the actual revenue of 227 billion USD).

Phân tích kết quả hồi quy:
► R_² – coefficient of determination = 0.8712: 87.12% sự thay đổi trong biến phụ thuộc (doanh thu) được giải thích bởi biến độc lập (thời gian), R² = SS of Regression/SS of Total
► Standard Error: còn được biết đến với sai số chuẩn của các ước lượng, thể hiện khoảng cách trung bình từ mỗi điểm dự báo đến giá trị thực tế. Chỉ số này còn cho biết mô hình hồi quy sai số như thế nào trên mỗi đơn vị dự báo so với giá trị thực tế. Standard Error cũng khá giống RMSE. Standard Error = SQRT(Residual Sum of Square (RSS)/degree of freedom of residual (df)) = SQRT(6411.147/20),
► p-value: kiểm định giả thiết cho rằng tồn tại mối quan hệ giữa hai biến Y và X, tức giả thiết hệ số góc = 0 (giải thiết H₀: không có quan hệ), và hệ số góc ≠ 0 (giả thiết H₁: có quan hệ). Thống kê kiểm định có phân phối t với p-values là chỉ báo hỗ trợ cho hai giả thiết. p-values của biến time = 2.35E-10 << 0.05 → bác bỏ giả thiết H₀ cho rằng không có mối quan hệ giữa biến độc lập và biến phụ thuộc, và hệ số góc khác 0, cũng như có ý nghĩa về mặt thống kê).
► t-Stat: giá trị t nếu nằm ngoài đoạn [-2;2] thì p-value sẽ có xu hướng nhỏ hơn 0.05. t-Stat được tính bằng cách lấy mỗi hệ số chia cho sai số chuẩn = coefficient/standard error.
Regression Analysis Results:
► R² – Coefficient of Determination = 0.8712:
This indicates that 87.12% of the variance in the dependent variable (revenue) is explained by the independent variable (time). R² is calculated as SS of Regression / SS of Total.
► Standard Error:
Also known as the standard error of the estimates, it represents the average distance from each forecasted point to the actual value. This metric indicates how much the regression model’s predictions deviate from the actual values on average. Standard Error = SQRT(Residual Sum of Squares (RSS) / degrees of freedom of residual (df)) = SQRT(6411.147 / 20) = 17.89 (approx).
► p-value: Tests the hypothesis that there is a relationship between the two variables Y and X, specifically testing whether the slope coefficient = 0 (null hypothesis H₀: no relationship) and the slope coefficient ≠ 0 (alternative hypothesis H₁: there is a relationship). The t-statistic follows a t-distribution, and the p-value supports the hypothesis testing. The p-value for the variable time = 2.35E-10 << 0.05 → Rejects the null hypothesis H₀, indicating that there is a statistically significant relationship between the independent variable (time) and the dependent variable (revenue), and the slope coefficient is different from 0.
► t-Stat: If the t-statistic value lies outside the range [-2, 2], the p-value will tend to be less than 0.05. t-Stat is calculated by dividing each coefficient by its standard error = coefficient / standard error.

Vẽ biểu đồ cho dữ liệu sai số để đảm bảo rằng các sai số là ngẫu nhiên và không theo một hệ thống nào:
Draw a chart for the error data to ensure that the errors are random and not following any systematic pattern.

#8. Dự báo sử dụng phương pháp
hồi quy tuyến tính bằng OLS (đa biến)

Sử dụng dữ liệu từ giá vốn hàng bán (COGS) và số lượng nhân sự để dự báo cho doanh thu của Microsoft.
Using data from the cost of goods sold (COGS) and the number of employees to forecast Microsoft’s revenue.

Các biểu đồ scatter bên dưới thể hiện mối tương quan giữa các biến độc lập so với biến phụ thuộc:
Some scatter charts below demonstrates the correlations between independent and dependent variables:

Kết quả hồi quy đa biến OLS:
OLS Multilvariable regression result report:

Phân tích kết quả hồi quy:
► Adjusted R² = 0.9946: sử dụng chỉ số này thay cho R² khi mô hình hồi quy có nhiều hơn một biến độc lập. 99.46% doanh thu Microsoft được giải thích bởi giá vốn hàng bán và số lượng nhân sự của tập đoàn,
► Với mức p-value = 0.0002 và 1.1202E-05 đều < 0.05 → bác bỏ giả thiết H₀ cho rằng không có mối quan hệ giữa biến Employees và Expense on R&D với biến doanh thu).
Tuy nhiên, với mức p-value = 0.779 > 0.05 → không bác bỏ giả thiết H₀ cho rằng không có mối quan hệ giữa biến Expense on Sales and Marketing với biến doanh thu),
► Significance F (p-value của F-test) = 7.9066E-23 << 0.05 → bác bỏ giả thiết H₀ cho rằng tất cả các hệ số góc đều bằng 0 (giả thiết H₁ trong trường hợp này cho rằng có tối thiểu một hệ số góc ≠ 0, các biến độc lập có thể hoạt động cùng nhau, có ý nghĩa thống kê, có khả năng cùng giải thích cho biến phụ thuộc).
► F được tính theo công thức:

trong đó: k là số biến độc lập trong mô hình, n là số quan sát)

Vì p-value của biến Expense on Sales and Marketing lớn hơn 0.05, loại biến này ra khỏi mô hình hồi quy. Bảng bên dưới là kết quả chạy hồi quy OLS đa biến sau khi biến Expense on Sales and Marketing bị loại.

Regression Analysis Results:
► Adjusted R² = 0.9946: This metric is used instead of R² when the regression model includes more than one independent variable. 99.46% of Microsoft’s revenue is explained by the cost of goods sold and the number of employees.
► P-value for Employees and Expense on R&D = 0.0002 and 1.1202E-05: Both values are less than 0.05, so we reject the null hypothesis (H0) that there is no relationship between Employees and Expense on R&D with revenue. This indicates a significant relationship between these variables and revenue
► P-value for Expense on Sales and Marketing = 0.779: This value is greater than 0.05, so we do not reject the null hypothesis (H0) that there is no relationship between Expense on Sales and Marketing with revenue.
► Significance F (p-value of F-test) = 7.9066E-23: This value is much less than 0.05, so we reject the null hypothesis (H0) that all slope coefficients are zero. This implies that at least one independent variable has a non-zero coefficient and that the independent variables, taken together, are statistically significant in explaining the dependent variable (revenue).

Because the p-value of the variable Expense on Sales and Marketing is greater than 0.05, we remove this variable from the regression model. The table below shows the results of the multivariate OLS regression after removing the Expense on Sales and Marketing variable.

Hai biến còn lại trong mô hình vẫn duy trì độ ý nghĩa về mặt thống kê (p-value > 0.05). với mô hình mới, cả R_² và Adjusted R² đều cao hơn (mặc dù không nhiều), standard error cũng nhỏ hơn.
The remaining two variables in the model still maintain statistical significance (p-value < 0.05). In the new model, both R² and Adjusted R² are higher (though not by much), and the standard error is also smaller.

Đồ thị bên dưới biểu diễn sự ngẫu nghiên và một cách thống kê không theo mô hình nào.
The graph below represents randomness and statistically does not follow any specific model.

Phương trình dự báo doanh thu của Microsoft có dạng:
Revenue forecast equation:
Revenue = -18.99689078 + 0.000458288*Employees + 4.721508707*Exp on R&D

Giả sử, năm 2024, số lượng nhân sự của tập đoàn đạt 250 nghìn người, chi phí cho nghiên cứu và phát triển tăng lên 30 tỷ USD, doanh thu dự kiến đạt 237.22 tỷ USD.
Assuming in 2024, the number of employees in the corporation reaches 250,000, the research and development expenses increase to 30 billion USD, and the projected revenue is 237.22 billion USD.

#9. Dự báo sử dụng phương pháp đặt biến giả
Dummy Variables method

Mô hình bán giải thích (quasi-explanatory) có thể được xây dựng để dự đoán chuỗi thời gian theo mùa vụ. Các biến giả thường được mô hình hoá với hai biến có giá trị là 0 hoặc 1. Nếu có k mùa mụ thì sẽ có k-1 số lượng biến giả (4 quý trong năm tương ứng 3 biến giả, 7 thứ trong tuần tương ứng 6 biến giả, 12 tháng trong năm tương ứng 11 biến giả, …). Phương trình dự báo có dạng: Y_t = f(time, D₁, D₂,…, D_k-1).
A quasi-explanatory model can be constructed to predict seasonal time series. Dummy variables are often modeled with two values: 0 or 1. If there are k seasons, there will be k-1 dummy variables (e.g., 4 quarters in a year correspond to 3 dummy variables, 7 days in a week correspond to 6 dummy variables, 12 months in a year correspond to 11 dummy variables, etc.). The forecasting equation is of the form: Y_t = f(time, D₁, D₂,…, D_k-1).

Sử dụng doanh thu Microsoft theo quý để thực hành phương pháp biến giả:
Using Microsoft quaterly revenue to conduct dummy variables model:

Dữ liệu doanh thu trên theo 4 quý, nên sẽ có 3 biến giả: D1 (31/03), D2 (30/06), D3 (30/09), đối với quý 4, cả 3 biến giả D1=D2=D3=0.
The revenue data is based on 4 quarters, so there will be 3 dummy variables: (D1) (for March 31), (D2) (for June 30), and (D3) (for September 30). For the 4th quarter, all three dummy variables (D1 = D2 = D3 = 0).

Kết quả hồi quy mô hình OLS đa biến (biến giả):
OLS dummy variables regression result report:

R2 và Adjusted R2 khá cao (87%), quý 2 lại có p-value > 0.05 nên không có ý nghĩa về mặt thống kê, tuy nhiên các biến hoạt động chung lại có ý nghĩa thống kê (Significance F << 0.05). Standard Error lại khá lớn, tương ứng sai số trung bình mỗi quý khoảng 4.7 tỷ USD.
R² and Adjusted R² are quite high (87%), indicating a good fit of the model. However, the p-value for the second quarter is greater than 0.05, so it is not statistically significant. Nevertheless, the overall model is statistically significant (Significance F << 0.05). The Standard Error is quite large, corresponding to an average error of about 4.7 billion USD per quarter.

Quarter 1 forecast = 10445.75238 + 693.972*time – 3592.016*D1
Quarter 2 forecast = 10445.75238 + 693.972*time – 2057.188*D2
Quarter 3 forecast = 10445.75238 + 693.972*time – 3804.294*D3
Quarter 4 forecast = 10445.75238 + 693.972*time

Với cùng số liệu, dự báo quý I/2024 theo phương pháp ((so với thực tế 61.858 tỷ USD):
– Winters Exponential Smoothing: 61.665 tỷ USD,
– Decomposition: 63.440 tỷ USD,
– Seasonal Dummy Variables: rơi vào khoảng từ 45.729 tỷ USD đến 52.642 tỷ USD.
Using the same data, the forecast for Q1 2024 using different methods, compared to the actual value of 61.858 billion USD, is as follows:
– Seasonal Dummy Variables: ranges from 45.729 billion USD to 52.642 billion USD.
– Winters Exponential Smoothing: 61.665 billion USD,
– Decomposition: 63.440 billion USD,

#10. Dự báo sử dụng phương pháp tự hồi quy
Autoregressive model

Mô hình tự hồi quy là một lớp mô hình máy học (ML) tự động dự đoán thành phần tiếp theo trong một chuỗi bằng cách lấy các phép đo từ các đầu vào trước đó trong chuỗi. Tự hồi quy là một kỹ thuật thống kê được sử dụng trong phân tích chuỗi thời gian với giả định rằng giá trị hiện tại của chuỗi thời gian là một hàm của các giá trị của chuỗi đó trước đây. Các mô hình tự hồi quy sử dụng các kỹ thuật toán học tương tự để xác định mối tương quan xác suất giữa các phần tử trong một chuỗi. Sau đó, các mô hình này sử dụng kiến thức thu được để đoán phần tử tiếp theo trong một chuỗi chưa xác định. (theo aws)
Autoregressive models are a class of machine learning (ML) models that automatically predict the next component in a sequence by taking measurements from previous inputs in the sequence. Autoregression is a statistical technique used in time series analysis, assuming that the current value of the time series is a function of its previous values. Autoregressive models use similar mathematical techniques to determine the probabilistic correlation between elements in a sequence. These models then use the acquired knowledge to predict the next element in an unobserved sequence (according to AWS).

Sử dụng dữ liệu doanh thu theo quý của Microsoft để thực hiện phương pháp tự hồi quy. Với doanh thu các quý 2010 sẽ lấy dữ liệu từ doanh thu các quý năm 2009 tương ứng.
Use the quarterly revenue data of Microsoft to perform the autoregressive method. For the revenue in the quarters of 2010, use the corresponding quarterly revenue data from 2009.

Kết quả hồi quy như bảng bên dưới:
OLS regression result output:

R² và Adjusted R² cao, standard error khá thấp (trung bình sai số mỗi quý khoảng 2.2 tỷ USD). p-value của biến Revenue Year-1 << 0.05, Significane F cũng rất thấp.
R² and Adjusted R² are high, and the standard error is quite low (the average error per quarter is about 2.2 billion USD). The p-value of the Revenue Year-1 variable is much less than 0.05, and the Significance F is also very low.

Tổng doanh thu năm 2024 của Microsoft dự kiến là 260.80 tỷ USD, xấp xỉ với dự báo của mô hình HES khoảng 261.40 tỷ USD. Trang stockanalysis.com cũng dự báo mức doanh thu năm 2024 của tập đoàn này khoảng 260.9 tỷ USD với triển vọng tích cực, 249.8 tỷ USD với triển vọng trung bình, và 239.5 tỷ USD với triển vọng tiêu cực.
Microsoft’s total revenue for 2024 is projected to be 260.80 billion USD, approximately matching the HES model’s forecast of 261.40 billion USD. The website stockanalysis.com also predicts the company’s 2024 revenue to be around 260.9 billion USD with a positive outlook, 249.8 billion USD with a moderate outlook, and 239.5 billion USD with a negative outlook.

---

Khoá 2: Dự báo kinh doanh
đánh giá trong Excel
Judgmental Business Forecast

Cycles – Chu kỳ

Chu kỳ trong phân tích dữ liệu là sự lặp lại có thể dự đoán được của một mô hình trong một tập dữ liệu theo thời gian.Nó có thể biểu hiện dưới dạng xu hướng tăng, giảm hoặc dao động theo chu kỳ. Phân tích chu kỳ giúp ta hiểu rõ hơn về hành vi của dữ liệu theo thời gian, từ đó đưa ra dự đoán chính xác hơn cho tương lai.
A cycle in data analysis is the predictable repetition of a pattern in a dataset over time. It can manifest as an increasing trend, a decreasing trend, or cyclical fluctuations. Cycle analysis helps us better understand the behavior of data over time, enabling more accurate future predictions.

Có hai loại chu kỳ chính trong phân tích dữ liệu:
– Chu kỳ ngắn hạn: Biến đổi trong một khoảng thời gian ngắn, thường là vài ngày, vài tuần hoặc vài tháng. Ví dụ:doanh số bán lẻ theo ngày trong tuần.
– Chu kỳ dài hạn: Biến đổi trong một khoảng thời gian dài hơn, thường là vài năm hoặc vài thập kỷ. Ví dụ: giá nhà đất theo chu kỳ kinh tế.
There are two main types of cycles in data analysis:
– Long-term cycles: These involve changes over a longer period, typically years or decades. For example, real estate prices following economic cycles.
– Short-term cycles: These involve changes over a short period, typically days, weeks, or months. For example, daily retail sales throughout the week.

Chu kì kinh doanh là một loại dao động được nhận thấy trong những hoạt động kinh tế tổng hợp của một hay nhiều quốc gia, được đo bằng tổng sản phẩm quốc nội (GDP) thực tế. Một chu kì kinh tế bao gồm các quá trình mở rộng sản xuất diễn ra gần như đồng thời trong rất nhiều các hoạt động kinh tế, tiếp theo là các giai đoạn giảm sút, thu hẹp và phục hồi, gắn với chu kì mở rộng tiếp theo. Quá trình này diễn ra liên tiếp nhưng với độ dài ngắn khác nhau từ một năm tới 10 hay 12 năm. (theo vietnambiz).
Một chu kì kinh doanh bao gồm ba giai đoạn cơ bản là:
► Giai đoạn hưng thịnh: giai đoạn này cho thấy một sự gia tăng trong đầu tư đồng thời diễn ra ở rất nhiều các hoạt động kinh tế; ở giai đoạn này GDP  tăng trưởng một cách mạnh mẽ.
► Giai đoạn suy thoái: là giai đoạn chứng kiến sự sụt giảm trong GDP thực, nhìn chung các hoạt động kinh tế có xu hướng thu hẹp và giảm sút, nhiều doanh nghiệp cơ cấu lại danh mục đầu tư, ngành nghề kinh doanh, tạm ngưng hoạt động và thậm chí đóng cửa doanh nghiệp. Tuy nhiên cũng có một số quan điểm cho rằng đối với các doanh nghiệp chuẩn bị khởi sự kinh doanh hoặc mở rộng đầu tư nếu chọn giai đoạn này để tiến hành đầu tư hoặc mở rộng đầu tư cũng có nhiều thuận lợi cho chi phí đầu tư đang tương đối thấp và sẽ ổn định sản xuất để chờ giai đoạn phục hồi trong tương lai gần.
► Giai đoạn phục hồi: là giai đoạn trong đó GDP tăng trở lại bằng mức ngay trước suy thoái. Khi GDP thực tế tiếp tục tăng và ở mức cao hơn mức ngay trước suy thoái, nền kinh tế bắt đầu đi vào giai đoạn hưng thịnh của một chu kì kinh tế tiếp theo.

The business cycle is a type of fluctuation observed in the aggregate economic activities of one or more countries, measured by real gross domestic product (GDP). A business cycle includes the processes of production expansion occurring almost simultaneously in many economic activities, followed by periods of decline, contraction, and recovery, associated with the next expansion cycle. This process occurs consecutively but varies in length from one year to 10 or 12 years (according to Vietnambiz).
A business cycle includes three basic phases:
► Prosperity Phase: This phase shows an increase in investment occurring simultaneously in many economic activities; during this phase, GDP grows strongly.
► Recession Phase: This phase witnesses a decline in real GDP. Generally, economic activities tend to contract and decrease, many businesses restructure their investment portfolios and business sectors, suspend operations, and even shut down. However, some perspectives suggest that for businesses preparing to start or expand investment, choosing this phase to invest or expand investment can be advantageous due to relatively low investment costs and stabilizing production in anticipation of the recovery phase in the near future.
► Recovery Phase: This phase is when GDP returns to the level just before the recession. When real GDP continues to increase and exceeds the level just before the recession, the economy begins to enter the prosperity phase of the next business cycle.

Chu kỳ kinh doanh có thể được phân loại thành hai loại chính: chu kỳ cổ điển – classical cycle và chu kỳ tăng trưởng – growth cycle.
Chu kỳ cổ điển (hay còn gọi là chu kỳ Juglar) là loại chu kỳ kinh doanh được mô tả bởi nhà kinh tế học người Pháp Clément Juglar vào thế kỷ 19. Chu kỳ này có đặc điểm là:
– Kéo dài khoảng 8 đến 10 năm.
– Bao gồm bốn giai đoạn: phục hồi, bùng nổ, suy thoái và thung lũng.
– Nguyên nhân chính gây ra chu kỳ này được cho là do sự thay đổi trong đầu tư kinh doanh.
Ví dụ: Khi doanh nghiệp đầu tư nhiều vào máy móc thiết bị và nhà máy, sản lượng sẽ tăng, thúc đẩy tăng trưởng kinh tế. Tuy nhiên, nếu doanh nghiệp đầu tư quá mức, có thể dẫn đến sản xuất dư thừa, giá cả hàng hóa giảm và suy thoái kinh tế.
Chu kỳ tăng trưởng (hay còn gọi là chu kỳ Kondratieff) là loại chu kỳ kinh doanh được mô tả bởi nhà kinh tế học người Nga Nikolai Kondratieff vào đầu thế kỷ 20. Chu kỳ này có đặc điểm là:
– Kéo dài khoảng 40 đến 60 năm.
– Bao gồm bốn giai đoạn: tăng trưởng nhanh, tăng trưởng chậm, suy thoái dài hạn và phục hồi dài hạn.
– Nguyên nhân chính gây ra chu kỳ này được cho là do sự thay đổi trong công nghệ.
Ví dụ: Khi có những đột phá công nghệ mới, nó có thể dẫn đến tăng năng suất lao động, giảm giá thành sản phẩm và thúc đẩy tăng trưởng kinh tế. Tuy nhiên, sau một thời gian, tác động của công nghệ mới có thể giảm dần, dẫn đến tăng trưởng chậm lại và suy thoái kinh tế.

The business cycle can be classified into two main types: classical cycle and growth cycle.
Classical Cycle (or Juglar Cycle): This type of business cycle was described by French economist Clément Juglar in the 19th century. Its characteristics include:
– Duration of approximately 8 to 10 years.
– Consists of four phases: recovery, boom, recession, and trough.
– The main cause of this cycle is believed to be changes in business investment.
For example: When businesses invest heavily in machinery and factories, production increases, driving economic growth. However, if businesses over-invest, it can lead to overproduction, falling commodity prices, and an economic recession.
Growth Cycle (or Kondratieff Cycle): This type of business cycle was described by Russian economist Nikolai Kondratieff in the early 20th century. Its characteristics include:
– Duration of approximately 40 to 60 years.
– Consists of four phases: rapid growth, slow growth, long-term recession, and long-term recovery.
– The main cause of this cycle is believed to be changes in technology.
For example: When new technological breakthroughs occur, they can lead to increased labor productivity, reduced product costs, and drive economic growth. However, after some time, the impact of new technology may diminish, leading to slower growth and economic recession.

Phân tích chu kỳ kinh doanh là quá trình nghiên cứu, đánh giá và dự báo những biến động của nền kinh tế theo thời gian. Nó giúp ta hiểu rõ hơn về cách thức hoạt động của nền kinh tế, từ đó đưa ra những quyết định phù hợp cho doanh nghiệp và chính phủ.
Phân tích chu kỳ kinh doanh thường dựa trên các chỉ số kinh tế vĩ mô như:
– Chỉ số sản xuất: Phản ánh mức độ hoạt động của các ngành kinh tế,
– GDP: Phản ánh giá trị của tất cả các hàng hóa và dịch vụ được sản xuất trong một quốc gia trong một khoảng thời gian nhất định,
– Tỷ lệ thất nghiệp: Phản ánh tỷ lệ người lao động không có việc làm nhưng sẵn sàng và có khả năng làm việc,
– Lạm phát: Phản ánh mức độ tăng giá chung của hàng hóa và dịch vụ trong một nền kinh tế,
– Lãi suất: Phản ánh chi phí vay vốn.

Business cycle analysis is the process of studying, evaluating, and forecasting the fluctuations of the economy over time. It helps us better understand how the economy operates, enabling businesses and governments to make appropriate decisions.
Business cycle analysis often relies on macroeconomic indicators such as:
– Production Index: Reflects the level of activity in various economic sectors.
– GDP (Gross Domestic Product): Reflects the value of all goods and services produced in a country over a certain period.
– Unemployment Rate: Reflects the percentage of the labor force that is jobless but willing and able to work.
– Inflation: Reflects the general increase in prices of goods and services in an economy.
– Interest Rates: Reflects the cost of borrowing capital.

Indicators – Chỉ báo

Leading indicators, hay còn gọi là chỉ báo dẫn đầu, là những số liệu kinh tế có khả năng thay đổi trước khi nền kinh tế nói chung biến động. Chúng như những dấu hiệu cảnh báo sớm, cung cấp cho chúng ta manh mối về những gì có thể xảy ra với nền kinh tế trong tương lai. Leading indicators đóng vai trò quan trọng trong việc giúp doanh nghiệp, nhà đầu tư và nhà hoạch định chính sách đưa ra quyết định sáng suốt. Bằng cách theo dõi các chỉ báo này, họ có thể dự đoán các xu hướng kinh tế tiềm ẩn và chuẩn bị cho những thay đổi có thể xảy ra.
Dưới đây là một số ví dụ về Leading indicators:
– Giá cổ phiếu: Giá cổ phiếu tăng có thể cho thấy doanh nghiệp lạc quan về tương lai và có khả năng đầu tư nhiều hơn, dẫn đến tăng trưởng kinh tế,
– Giấy phép xây dựng: Việc tăng số lượng giấy phép xây dựng cho thấy doanh nghiệp đang có kế hoạch mở rộng,có thể tạo ra việc làm và thúc đẩy nền kinh tế,
– Chỉ số niềm tin người tiêu dùng: Sự gia tăng niềm tin của người tiêu dùng cho thấy mọi người có khả năng chi tiêu nhiều hơn, có thể kích thích hoạt động kinh tế,
– Đơn đặt hàng mới của nhà sản xuất: Việc gia tăng đơn đặt hàng mới của nhà sản xuất cho thấy doanh nghiệp dự đoán nhu cầu cao hơn đối với sản phẩm của họ trong tương lai, có thể dẫn đến tăng sản xuất và tuyển dụng.

Leading indicators, also known as leading economic indicators, are economic metrics that tend to change before the overall economy changes. They act as early warning signals, providing clues about what might happen in the future economy. Leading indicators play a crucial role in helping businesses, investors, and policymakers make informed decisions. By monitoring these indicators, they can anticipate potential economic trends and prepare for possible changes.
Here are some examples of leading indicators:
– Stock Prices: Rising stock prices can indicate that businesses are optimistic about the future and may invest more, leading to economic growth.
– Building Permits: An increase in the number of building permits suggests that businesses plan to expand, which can create jobs and stimulate the economy.
– Consumer Confidence Index: An increase in consumer confidence suggests that people are likely to spend more, potentially boosting economic activity.
– New Manufacturing Orders: An increase in new manufacturing orders indicates that businesses expect higher demand for their products in the future, which can lead to increased production and hiring.

Việc phân tích Leading indicators giúp chúng ta có cái nhìn tổng quan về xu hướng của nền kinh tế và sẵn sàng cho những thay đổi tiềm ẩn. Tuy nhiên, cần lưu ý rằng Leading indicators không hoàn toàn chính xác và nên được sử dụng kết hợp với các dữ liệu kinh tế khác để có được bức tranh toàn diện về nền kinh tế.
Analyzing leading indicators gives us an overview of economic trends and prepares us for potential changes. However, it is important to note that leading indicators are not entirely accurate and should be used in conjunction with other economic data to obtain a comprehensive picture of the economy.

Một số biểu đồ thể hiện sự “đi trước” của các chỉ báo dẫn đầu so với tăng trưởng GDP của Mỹ:
Some charts illustrating the “leading” nature of leading indicators compared to US GDP growth:

Áp dụng với tăng trưởng doanh thu của Microsoft:
Applying to the growth in Microsoft revenue:

Composite Leading Indicator (CLI), hay còn gọi là Chỉ số Dẫn đầu Tổng hợp, là một công cụ kinh tế được thiết kế để dự đoán các diễn biến kinh tế trong tương lai. Nó được tạo ra bằng cách tổng hợp và chuẩn hóa một loạt các chỉ báo hàng đầu quan trọng.CLI được tính toán cho từng quốc gia và khu vực. Tổ chức Hợp tác và Phát triển Kinh tế (OECD) là tổ chức đầu tiên biên soạn CLI vào những năm 1970 và hiện nay cung cấp dữ liệu CLI cho 29 quốc gia thành viên, 6 nền kinh tế phi thành viên và 7 nhóm như khu vực châu Âu.
The Composite Leading Indicator (CLI) is an economic tool designed to predict future economic developments. It is created by aggregating and standardizing a series of important leading indicators. The CLI is calculated for individual countries and regions. The Organisation for Economic Co-operation and Development (OECD) was the first to compile the CLI in the 1970s and currently provides CLI data for 29 member countries, 6 non-member economies, and 7 groups, such as the European region.

Coincident Index (Chỉ số Trùng hợp) là một chỉ số kinh tế phản ánh tình trạng hiện tại của nền kinh tế. Nó được tạo ra bằng cách tổng hợp và chuẩn hóa một loạt các chỉ báo kinh tế đồng thời, tức là những chỉ báo có biến động cùng chiều với chu kỳ kinh doanh.
Mục đích của Coincident Index:
– Đo lường mức độ hoạt động kinh tế hiện tại,
– Giúp xác định giai đoạn hiện tại của chu kỳ kinh doanh (tức là suy thoái, phục hồi, hưng thịnh hay bùng nổ),
– Cung cấp thông tin cho các nhà hoạch định chính sách để đưa ra quyết định phù hợp về chính sách tài khóa và tiền tệ.
The Coincident Index is an economic indicator that reflects the current state of the economy. It is created by aggregating and standardizing a series of simultaneous economic indicators, which fluctuate in line with the business cycle.

The Coincident Index is an economic indicator that reflects the current state of the economy. It is created by aggregating and standardizing a series of simultaneous economic indicators, which fluctuate in line with the business cycle.
Purpose of the Coincident Index:
– Provide information for policymakers to make appropriate decisions regarding fiscal and monetary policies.
– Measure the current level of economic activity.
– Help identify the current phase of the business cycle (i.e., recession, recovery, prosperity, or boom).

Lagging Indicator (Chỉ số Sau), hay còn gọi là chỉ báo sau, là những số liệu kinh tế có xu hướng thay đổi sau khi nền kinh tế nói chung đã biến động. Chúng như những dấu hiệu xác nhận, cung cấp thông tin về những gì đã xảy ra trong nền kinh tế. Lagging indicators thường được sử dụng để đánh giá hiệu quả của các chính sách kinh tế và để đo lường mức độ tác động của các sự kiện kinh tế trong quá khứ.
Dưới đây là một số ví dụ về Lagging indicators:
– Tỷ lệ thất nghiệp: Phản ánh số lượng người không có việc làm sau khi nền kinh tế đã suy thoái.
– Tỷ lệ lạm phát: Phản ánh mức độ tăng giá chung của hàng hóa và dịch vụ sau khi nền kinh tế đã tăng trưởng.
– Tỷ lệ nợ xấu: Phản ánh tỷ lệ các khoản vay không được thanh toán sau khi nền kinh tế đã suy thoái.
– Tỷ lệ phá sản: Phản ánh số lượng doanh nghiệp phá sản sau khi nền kinh tế đã suy thoái.
– Tăng trưởng GDP: Phản ánh mức độ tăng trưởng của nền kinh tế sau khi các yếu tố khác đã tác động.

Lagging indicators are economic metrics that tend to change after the overall economy has already fluctuated. They act as confirmation signs, providing information about what has happened in the economy. Lagging indicators are often used to assess the effectiveness of economic policies and to measure the impact of past economic events.
Here are some examples of lagging indicators:
– Unemployment Rate: Reflects the number of people without jobs after the economy has declined.
– Inflation Rate: Reflects the general increase in prices of goods and services after the economy has grown.
– Bad Debt Ratio: Reflects the percentage of loans that are not being repaid after the economy has declined.
– Bankruptcy Rate: Reflects the number of businesses going bankrupt after the economy has declined.
– GDP Growth: Reflects the level of economic growth after other factors have had an impact.

Judgmental Methods – Phương pháp đánh giá

Dự báo bằng phương pháp Judgemental có hai loại chính:
Forecasting using the judgemental method has two main types:

Đánh giá chủ quan (Subjective assessment): Phương pháp này dựa trên đánh giá và ý kiến của các chuyên gia có kinh nghiệm và hiểu biết sâu sắc về lĩnh vực dự báo. Các chuyên gia này sẽ tổng hợp thông tin từ nhiều nguồn khác nhau, bao gồm dữ liệu lịch sử, xu hướng hiện tại, ý kiến của các bên liên quan, và kinh nghiệm của bản thân để đưa ra dự báo.
Ưu điểm:
– Linh hoạt: Phương pháp này có thể được áp dụng cho các tình huống phức tạp và thiếu dữ liệu.
– Nhanh chóng: Dự báo có thể được thực hiện nhanh chóng mà không cần thu thập và phân tích nhiều dữ liệu.
– Tiết kiệm chi phí: Phương pháp này không đòi hỏi nhiều nguồn lực tài chính như các phương pháp dự báo dựa trên dữ liệu.
Nhược điểm:
– Thiếu tính khách quan: Dự báo có thể bị ảnh hưởng bởi ý kiến cá nhân và kinh nghiệm của các chuyên gia.
– Khó tái tạo: Việc tái tạo dự báo bằng cách sử dụng các chuyên gia khác nhau có thể dẫn đến kết quả khác nhau.
– Có thể bị thiên vị: Dự báo có thể bị ảnh hưởng bởi những thành kiến ​​của các chuyên gia.

Subjective Assessment: This method relies on the evaluations and opinions of experts with experience and deep knowledge in the forecasting field. These experts synthesize information from various sources, including historical data, current trends, stakeholder opinions, and their own experience to make forecasts.
Advantages:
– Flexibility: This method can be applied to complex situations with limited data.
– Speed: Forecasts can be made quickly without the need for extensive data collection and analysis.
– Cost-effective: This method does not require significant financial resources like data-driven forecasting methods.
Disadvantages:
– Lack of objectivity: Forecasts may be influenced by personal opinions and the experiences of the experts.
– Difficulty in replication: Replicating forecasts using different experts may lead to varying results.
– Potential bias: Forecasts may be affected by the biases of the experts.

Dự báo khám phá (Exploratory): Phương pháp này sử dụng các kỹ thuật phân tích dữ liệu để khám phá các mối quan hệ và xu hướng trong dữ liệu lịch sử. Các kỹ thuật này có thể bao gồm phân tích dữ liệu thô, phân tích thống kê, và mô hình hóa. Mục đích của phương pháp này là để tìm kiếm những hiểu biết mới về các yếu tố ảnh hưởng đến biến dự báo và để xác định các mẫu có thể được sử dụng để dự báo tương lai.
Ưu điểm:
– Khách quan: Dự báo dựa trên dữ liệu và các kỹ thuật phân tích khách quan.
– Có thể tái tạo: Dự báo có thể được tái tạo bằng cách sử dụng các dữ liệu và kỹ thuật tương tự.
– Ít thiên vị: Dự báo ít bị ảnh hưởng bởi những thành kiến ​​của các chuyên gia.
Nhược điểm:
– Có thể tốn thời gian: Việc thu thập, phân tích và mô hình hóa dữ liệu có thể tốn thời gian.
– Yêu cầu kỹ năng: Phương pháp này đòi hỏi kỹ năng phân tích dữ liệu và thống kê.
– Có thể bị giới hạn bởi dữ liệu: Dự báo chỉ có thể tốt bằng dữ liệu được sử dụng để thực hiện dự báo.

Exploratory Forecasting: This method uses data analysis techniques to explore relationships and trends in historical data. These techniques may include raw data analysis, statistical analysis, and modeling. The purpose of this method is to uncover new insights into the factors affecting the forecast variable and to identify patterns that can be used to predict the future.
Advantages:
– Objectivity: Forecasts are based on data and objective analysis techniques.
– Reproducibility: Forecasts can be replicated using similar data and techniques.
– Less bias: Forecasts are less likely to be influenced by the biases of experts.
Disadvantages:
– Time-consuming: Collecting, analyzing, and modeling data can be time-consuming.
– Skill requirements: This method requires data analysis and statistical skills.
– Data limitations: The quality of the forecast is dependent on the quality of the data used.

#11. Dự báo sử dụng phương pháp đánh giá chủ quan
Subjective Assessment Method

Subjective Methods gồm:
(1) Sales Force Composite Forecasting
(2) Jury of Executive Opinion
(3) Subjective Probability assessments

#11.1. Sales Force Composite Forecasting (Dự báo tổng hợp của lực lượng bán hàng):

Phương pháp này tận dụng ý kiến và dự báo từ đội ngũ bán hàng trực tiếp của công ty. Lực lượng bán hàng thường có thông tin chi tiết về khách hàng và thị trường, giúp họ đưa ra dự báo về nhu cầu của khách hàng trong tương lai.Dự báo của từng nhân viên bán hàng được tổng hợp lại để tạo thành dự báo tổng thể cho công ty.
This method leverages the opinions and forecasts from the company’s direct sales team. The sales force often has detailed information about customers and the market, helping them to make forecasts about future customer demand. Each salesperson’s forecast is aggregated to form an overall forecast for the company.

Sales Force Composite Forecasting (Dự báo tổng hợp của lực lượng bán hàng) còn được chia thành 3 phương pháp tiếp cận chính:
1. Gress roots approach (Tiếp cận từ cấp cơ sở):
Phương pháp này thu thập dự báo từ mỗi nhân viên bán hàng trong đội ngũ bán hàng.
Dự báo của mỗi nhân viên bán hàng được dựa trên kinh nghiệm và kiến thức của họ về thị trường và khách hàng trong khu vực họ phụ trách.
Dự báo của từng nhân viên bán hàng sau đó được tổng hợp lại để tạo thành dự báo tổng thể cho công ty.
Ưu điểm:
‣ Tận dụng được thông tin chi tiết từ tất cả các nhân viên bán hàng, giúp dự báo có tính chính xác cao hơn.
‣ Nâng cao động lực và sự tham gia của đội ngũ bán hàng vào quá trình dự báo.
Nhược điểm:
‣ Có thể tốn thời gian và tốn kém để thu thập dự báo từ tất cả các nhân viên bán hàng.
‣ Dự báo có thể bị ảnh hưởng bởi khả năng dự báo của từng nhân viên bán hàng.
2. Sales management techniques (Kỹ thuật quản lý bán hàng):
Phương pháp này sử dụng các kỹ thuật quản lý bán hàng để thu thập dự báo từ đội ngũ bán hàng.
Một số kỹ thuật phổ biến bao gồm:
⦿ Phương pháp Delphi: Mỗi nhân viên bán hàng được yêu cầu đưa ra dự báo cá nhân, sau đó họ được cung cấp thông tin về dự báo của các nhân viên khác và được yêu cầu điều chỉnh dự báo của mình. Quy trình này được lặp lại cho đến khi đạt được sự đồng thuận về dự báo cuối cùng.
⦿ Phương pháp Delphic: Tương tự như phương pháp Delphi, nhưng sử dụng các nhóm nhỏ nhân viên bán hàng để thảo luận và thống nhất dự báo.
⦿ Phương pháp quản lý theo mục tiêu: Mỗi nhân viên bán hàng được giao một mục tiêu bán hàng cụ thể và họ được yêu cầu dự báo doanh số bán hàng của mình để đạt được mục tiêu đó.
Ưu điểm:
‣ Giúp tăng tính khách quan của dự báo bằng cách sử dụng các kỹ thuật quản lý bán hàng có cấu trúc.
‣ Giúp nâng cao hiệu quả của đội ngũ bán hàng bằng cách tập trung họ vào việc đạt được mục tiêu.
Nhược điểm:
‣ Có thể tốn thời gian và tốn kém để triển khai các kỹ thuật quản lý bán hàng.
‣ Dự báo có thể bị ảnh hưởng bởi mục tiêu bán hàng của từng nhân viên bán hàng.
3. Wholesaler or distributor approach (Tiếp cận bán buôn hoặc nhà phân phối):
Phương pháp này thu thập dự báo từ các nhà bán buôn hoặc nhà phân phối của công ty.
Các nhà bán buôn hoặc nhà phân phối thường có thông tin chi tiết về nhu cầu của khách hàng của họ, giúp họ đưa ra dự báo về nhu cầu của thị trường trong tương lai.
Dự báo của từng nhà bán buôn hoặc nhà phân phối sau đó được tổng hợp lại để tạo thành dự báo tổng thể cho công ty.
Ưu điểm:
‣ Tận dụng được thông tin chi tiết từ các nhà bán buôn hoặc nhà phân phối, những người có mối quan hệ trực tiếp với khách hàng.
‣ Giúp tăng tính chính xác của dự báo bằng cách kết hợp thông tin từ nhiều nguồn khác nhau.
Nhược điểm:
‣ Có thể tốn thời gian và tốn kém để thu thập dự báo từ các nhà bán buôn hoặc nhà phân phối.
‣ Dự báo có thể bị ảnh hưởng bởi mục tiêu kinh doanh của từng nhà bán buôn hoặc nhà phân phối.

Sales Force Composite Forecasting is further divided into three main approaches:
1. Grassroots Approach:
This method collects forecasts from each salesperson in the sales team. Each salesperson’s forecast is based on their experience and knowledge of the market and customers in their area. The forecasts from all salespeople are then aggregated to form the overall company forecast.
Advantages:
– Leverages detailed information from all salespeople, leading to more accurate forecasts.
– Enhances the motivation and participation of the sales team in the forecasting process. Disadvantages:
– It can be time-consuming and costly to collect forecasts from all salespeople.
– Forecasts may be affected by the forecasting ability of each salesperson.
2. Sales Management Techniques:
This method uses sales management techniques to collect forecasts from the sales team. Some common techniques include:
⦿ Delphi Method: Each salesperson is asked to provide an individual forecast, then they are given information about the forecasts of others and asked to adjust their forecast. This process is repeated until a consensus is reached.
⦿ Delphic Method: Similar to the Delphi method, but uses small groups of salespeople to discuss and agree on a forecast.
⦿ Management by Objectives (MBO): Each salesperson is given a specific sales target and asked to forecast their sales to achieve that target.
Advantages:
– Increases the objectivity of the forecast by using structured sales management techniques.
– Enhances the effectiveness of the sales team by focusing them on achieving targets. Disadvantages:
– It can be time-consuming and costly to implement sales management techniques.
– Forecasts may be influenced by the sales targets of each salesperson.
3. Wholesaler or Distributor Approach:
This method collects forecasts from the company’s wholesalers or distributors. Wholesalers or distributors often have detailed information about the demand from their customers, helping them to forecast future market demand. The forecasts from all wholesalers or distributors are then aggregated to form the overall company forecast. Advantages:
– Leverages detailed information from wholesalers or distributors who have direct relationships with customers.
– Increases the accuracy of the forecast by combining information from various sources. Disadvantages:
– It can be time-consuming and costly to collect forecasts from wholesalers or distributors.
– Forecasts may be influenced by the business objectives of each wholesaler or distributor.

#11.2. Jury of Executive Opinion (Phán quyết của hội đồng quản trị):

Phương pháp này tập hợp một nhóm các giám đốc điều hành hoặc các chuyên gia có kinh nghiệm và kiến thức sâu rộng về ngành để đưa ra dự báo.Mỗi thành viên trong nhóm sẽ chia sẻ ý kiến và dự báo cá nhân của mình, sau đó nhóm sẽ thảo luận và đi đến một đồng thuận về dự báo cuối cùng.
Phương pháp này tận dụng được kinh nghiệm và trực giác của các chuyên gia, nhưng cũng có thể dễ bị ảnh hưởng bởi những thiên kiến cá nhân.

This method gathers a group of executives or experts with extensive experience and knowledge of the industry to make forecasts. Each member of the group shares their individual opinions and forecasts, after which the group discusses and reaches a consensus on the final forecast.
This method leverages the experience and intuition of the experts but can also be susceptible to personal biases.

#11.3. Subjective Probability Assessments (Đánh giá xác suất chủ quan):

Dự báo cuối cùng có thể được tính toán dựa trên giá trị kỳ vọng của các sự kiện có thể xảy ra. Phương pháp này yêu cầu các chuyên gia đánh giá khả năng xảy ra các sự kiện khác nhau trong tương lai. Các chuyên gia sẽ gán cho mỗi sự kiện một xác suất nhất định, thể hiện mức độ tin tưởng của họ rằng sự kiện đó sẽ xảy ra.
The final forecast can be calculated based on the expected value of possible future events. This method requires experts to assess the likelihood of different events occurring in the future. The experts will assign each event a certain probability, representing their level of confidence that the event will occur.

Ví dụ: Giả sử bạn đang dự báo doanh số bán hàng cho quý tới và bạn đã xác định ba sự kiện có thể xảy ra với các xác suất sau:
• Sự kiện 1: Nền kinh tế tăng trưởng (xác suất 30%),
• Sự kiện 2: Ra mắt sản phẩm mới của đối thủ cạnh tranh (xác suất 20%),
• Sự kiện 3: Thay đổi chiến lược tiếp thị của công ty (xác suất 50%).
Example: Suppose you are forecasting sales for the next quarter and have identified three possible events with the following probabilities:
• Event 1: Change in the company’s marketing strategy (probability 50%)
• Event 2: Economic growth (probability 30%)
• Event 3: Competitor launches a new product (probability 20%)

Giả sử bạn cũng đã ước tính doanh số bán hàng cho mỗi sự kiện như sau:
• Sự kiện 1: Doanh số bán hàng tăng 10%,
• Sự kiện 2: Doanh số bán hàng giảm 5%,
• Sự kiện 3: Doanh số bán hàng tăng 15%.
Assume you have also estimated the sales impact for each event as follows:
• Event 1: Sales increase by 15%
• Event 2: Sales increase by 10%
• Event 3: Sales decrease by 5%

Giá trị kỳ vọng của doanh số bán hàng cho quý tới có thể được tính toán như sau:
Giá trị kỳ vọng = (0.3 x 1.1) + (0.2 x 0.95) + (0.5 x 1.15) = 1.055. Điều này có nghĩa là bạn dự đoán doanh số bán hàng cho quý tới sẽ tăng trung bình 5.5%.
The expected value of sales for the next quarter can be calculated as follows: Expected Value = (0.3 x 1.1) + (0.2 x 0.95) + (0.5 x 1.15) = 1.055 This means you predict that sales for the next quarter will increase by an average of 5.5%.

Dựa trên dữ liệu tăng trưởng doanh thu thực tế của Microsoft từ năm 2015 đến 2023, ta có thể sử dụng phương pháp đánh giá xác suất chủ quan để dự báo doanh thu cho năm 2024. Có 3 chuyên gia trong công ty đưa ra ý kiến cho rằng:
• Chuyên gia A: Tăng trưởng 10-15%,
• Chuyên gia B: Tăng trưởng 8-12%,
• Chuyên gia C: Tăng trưởng 5-10%,
Xác suất tự đánh giá như sau:
• Tăng trưởng > 15%: 0.1
• Tăng trưởng 10-15%: 0.4
• Tăng trưởng 5-10%: 0.3
• Tăng trưởng 0-5%: 0.15
• Tăng trưởng -2%: 0.05
• Tổng xác suất = 1

Based on the actual revenue growth data of Microsoft from 2015 to 2023, we can use the subjective probability assessment method to forecast revenue for 2024. Three experts in the company provided their opinions as follows:
• Expert A: Growth of 10-15%
• Expert B: Growth of 8-12%
• Expert C: Growth of 5-10%
The self-assessed probabilities are as follows:
• Growth > 15%: 0.1
• Growth 10-15%: 0.4
• Growth 5-10%: 0.3
• Growth 0-5%: 0.15
• Growth -2%: 0.05
• Total probability = 1

Với mức phân bổ xát suất như trên, tăng trưởng năm 2024 kỳ vọng sẽ rơi vào khoảng (15% * 10%) + (12.5% * 40%) + (7.5% * 30%) + (2.5% * 15%) + (-2% * 5%) = 9.025%. Doanh thu dự kiến = 227.58 * (1+9.025%) = 248.12 tỷ USD. Trang stockanalysis.com cũng dự báo mức doanh thu năm 2024 của tập đoàn này khoảng 260.9 tỷ USD với triển vọng tích cực, 249.8 tỷ USD với triển vọng trung bình, và 239.5 tỷ USD với triển vọng tiêu cực.
With the given probability distribution, the expected growth rate for 2024 is calculated as follows: (15% * 10%) + (12.5% * 40%) + (7.5% * 30%) + (2.5% * 15%) + (-2% * 5%) = 9.025%. The projected revenue for 2024 can be calculated as: = 227.58 * (1+9.025%) = USD 248.12 billion. Stockanalysis.com also forecasts the company’s 2024 revenue to be approximately 260.9 billion USD with a positive outlook, 249.8 billion USD with a moderate outlook, and 239.5 billion USD with a negative outlook.

Ngoài những yếu tố đã được đề cập ở trên, còn có một số yếu tố bổ sung cần cân nhắc khi sử dụng phương pháp đánh giá xác suất chủ quan để dự báo doanh thu của Microsoft:
‣ Độ tin cậy của các chuyên gia: Mức độ tin cậy của dự báo phụ thuộc vào độ tin cậy của các chuyên gia tham gia khảo sát.
‣ Số lượng chuyên gia tham gia khảo sát: Càng có nhiều chuyên gia tham gia khảo sát, dự báo càng có độ tin cậy cao hơn.
‣ Phương pháp thu thập ý kiến: Phương pháp thu thập ý kiến của các chuyên gia cũng có thể ảnh hưởng đến kết quả dự báo.
In addition to the factors mentioned above, there are several additional considerations when using the subjective probability assessment method to forecast Microsoft’s revenue:
‣ Method of Collecting Opinions: The method used to collect expert opinions can also influence the forecast results. For example, structured methods like the Delphi technique can help in reducing bias and achieving a consensus.
‣ Reliability of Experts: The reliability of the forecast depends on the credibility and expertise of the participating experts.
‣ Number of Experts Surveyed: The more experts involved in the survey, the higher the reliability and accuracy of the forecast.

#12. Dự báo sử dụng phương pháp khám phá
Explonatory method

Phương pháp này cung cấp cách tiếp cận ít chi tiết và ít trang trọng hơn trong việc báo cáo. Phương pháp khám phá thường được sử dụng trong dự báo trung đến dài hạn khi vắng mặt các thông tin bổ trợ.
This method provides a less detailed and less formal approach to reporting. The exploratory method is often used in medium-to-long-term forecasting when supplementary information is absent.

#12.1. Phương pháp Delphi:

Phương pháp Delphi là một kỹ thuật dự báo sử dụng ý kiến của các chuyên gia để đưa ra dự báo về các sự kiện hoặc xu hướng trong tương lai. Phương pháp này được phát triển vào những năm 1950 bởi Olaf Helmer và Norman Dalkey tại RAND Corporation.
The Delphi method is a forecasting technique that uses the opinions of experts to make predictions about future events or trends. This method was developed in the 1950s by Olaf Helmer and Norman Dalkey at the RAND Corporation.

Cách thức hoạt động:
1. Xác định nhóm chuyên gia: Bước đầu tiên là xác định một nhóm các chuyên gia có kiến thức và kinh nghiệm sâu rộng về lĩnh vực cần dự báo.
2. Phát triển bảng câu hỏi: Một bảng câu hỏi được phát triển để thu thập ý kiến của các chuyên gia. Bảng câu hỏi nên bao gồm các câu hỏi về các yếu tố có thể ảnh hưởng đến biến dự báo, cũng như các câu hỏi về giá trị dự báo của biến dự báo trong tương lai.
3. Vòng khảo sát: Các chuyên gia được yêu cầu trả lời bảng câu hỏi một cách riêng lẻ và bí mật. Sau đó, kết quả khảo sát được tổng hợp và gửi lại cho các chuyên gia.
4. Vòng thảo luận: Các chuyên gia được yêu cầu thảo luận về kết quả khảo sát và đưa ra ý kiến ​​của họ về các dự báo.
5. Lặp lại vòng khảo sát và thảo luận: Các bước 3 và 4 được lặp lại cho đến khi đạt được sự đồng thuận về dự báo cuối cùng.
How It Works:
1. Identify the Group of Experts: The first step is to identify a group of experts with extensive knowledge and experience in the field that needs forecasting.
2. Develop the Questionnaire: A questionnaire is developed to gather the opinions of the experts. The questionnaire should include questions about factors that may influence the forecast variable, as well as questions about the predicted value of the forecast variable in the future.
3. Survey Round: Experts are asked to answer the questionnaire individually and confidentially. The survey results are then compiled and sent back to the experts.
4. Discussion Round: Experts are asked to discuss the survey results and provide their opinions on the forecasts.
5. Repeat Survey and Discussion Rounds: Steps 3 and 4 are repeated until a consensus is reached on the final forecast.

Ưu điểm:
‣ Linh hoạt: Phương pháp này có thể được áp dụng cho các tình huống phức tạp và thiếu dữ liệu.
‣ Nhanh chóng: Dự báo có thể được thực hiện nhanh chóng mà không cần thu thập và phân tích nhiều dữ liệu.
‣ Tiết kiệm chi phí: Phương pháp này không đòi hỏi nhiều nguồn lực tài chính như các phương pháp dự báo dựa trên dữ liệu.
‣ Tăng tính khách quan: Việc sử dụng nhiều vòng khảo sát và thảo luận có thể giúp giảm thiểu ảnh hưởng của ý kiến ​​cá nhân đối với dự báo.
Nhược điểm:
‣ Thiếu tính khách quan: Dự báo vẫn có thể bị ảnh hưởng bởi ý kiến ​​của các chuyên gia, đặc biệt là nếu nhóm chuyên gia không đa dạng.
‣ Khó tái tạo: Việc tái tạo dự báo bằng cách sử dụng các chuyên gia khác nhau có thể dẫn đến kết quả khác nhau.
‣ Có thể tốn thời gian: Việc thực hiện nhiều vòng khảo sát và thảo luận có thể tốn thời gian.

Advantages:
‣ Flexibility: This method can be applied to complex situations with limited data.
‣ Speed: Forecasts can be made quickly without the need for extensive data collection and analysis.
‣ Cost-effective: This method does not require significant financial resources like data-driven forecasting methods.
‣ Increased Objectivity: Using multiple rounds of surveys and discussions can help minimize the influence of individual opinions on the forecast.
Disadvantages:
‣ Lack of Objectivity: Forecasts can still be influenced by the opinions of experts, especially if the group of experts is not diverse.
‣ Difficulty in Replication: Reproducing forecasts using different experts may lead to varying results.
‣ Time-consuming: Conducting multiple rounds of surveys and discussions can be time-consuming.

Ứng dụng của phương pháp Delphi:
‣ Dự báo doanh số: Dự báo doanh số bán hàng cho các sản phẩm hoặc dịch vụ mới.
‣ Dự báo nhu cầu: Dự báo nhu cầu về nguyên vật liệu hoặc nhân lực.
‣ Dự báo rủi ro: Dự báo rủi ro của các dự án hoặc đầu tư.
‣ Đánh giá thị trường: Đánh giá tiềm năng của các thị trường mới.

Applications of the Delphi Method:
‣ Sales Forecasting: Predicting sales for new products or services.
‣ Demand Forecasting: Estimating the demand for raw materials or workforce.
‣ Risk Forecasting: Assessing the risks of projects or investments.
‣ Market Evaluation: Evaluating the potential of new markets.

Sử dụng dữ liệu doanh thu hằng năm của Microsoft và áp dụng phương pháp Delphi vào dự báo doanh thu năm 2024.
‣ Lựa chọn chuyên gia tham gia khảo sát: phân tích tài chính, phân tích thị trường công nghệ,…
‣ Cung cấp câu hỏi: yêu cầu chuyên gia đưa ra ước lượng doanh thu năm 2024 dựa trên dữ liệu tăng trưởng trong quá khứ và xu hướng thị trường hiện tại.
‣ Kết quả khảo sát vòng 1, các chuyên gia đưa ra các ý kiến như sau: người 1 dự báo 240 tỷ USD, người 2 dự báo 250 tỷ USD, người 3 dự báo 245 tỷ USD, người 4 dự báo 238 tỷ USD, người 5 dự báo 252 tỷ USD. Doanh thu tăng trưởng kỳ vọng = (240+250+245+238+252) / 5 = 245 tỷ USD.

Using Microsoft’s annual revenue data and applying the Delphi method to forecast 2024 revenue.
‣ Selecting experts for the survey: financial analysts, technology market analysts, etc.
‣ Providing questions: Request experts to estimate the revenue for 2024 based on past growth data and current market trends.
‣ Survey round 1 results: Experts provided the following opinions: Expert 1 forecasts $240 billion, Expert 2 forecasts $250 billion, Expert 3 forecasts $245 billion, Expert 4 forecasts $238 billion, Expert 5 forecasts $252 billion. The expected revenue growth = (240+250+245+238+252) / 5 = $245 billion.

Dựa vào biểu đồ trên, range doanh thu = 252 – 238 = 14 tỷ USD, interquartile = 250 – 240 = 10 tỷ USD.
Based on the above chart, the revenue range = 252 – 238 = 14 billion USD, interquartile = 250 – 240 = 10 billion USD.

‣ Ở vòng khảo sát 2, cung cấp cho các chuyên gia thống kê cơ bản kết quả của vòng khảo sát 1: trung vị 245 tỷ USD, khoảng dự báo từ 238 đến 252 tỷ USD. Kết quả vòng khảo sát 2, các chuyên gia đưa ra ý kiến như sau: người 1 dự báo 242 tỷ USD (tăng 2 tỷ), người 2 dự báo 248 tỷ USD (giảm 2 tỷ) , người 3 dự báo 245 tỷ USD (không đổi), người 4 dự báo 240 tỷ USD (tăng 2 tỷ), người 5 dự báo 250 tỷ USD (giảm 2 tỷ).
‣ In survey round 2, provide the experts with basic statistics from survey round 1: median $245 billion, forecast range from $238 to $252 billion. Results of survey round 2, the experts provided the following opinions: Expert 1 forecasts $242 billion (increase of $2 billion), Expert 2 forecasts $248 billion (decrease of $2 billion), Expert 3 forecasts $245 billion (no change), Expert 4 forecasts $240 billion (increase of $2 billion), Expert 5 forecasts $250 billion (decrease of $2 billion).

Dựa vào biểu đồ trên, range doanh thu = 250 – 240 = 10 tỷ USD, interquartile = 248 – 242 = 6 tỷ USD.
Based on the above chart, the revenue range = 250 – 240 = 10 billion USD, interquartile = 248 – 242 = 6 billion USD.

‣ Ở vòng khảo sát 3, cung cấp cho các chuyên gia thống kê cơ bản kết quả của vòng khảo sát 2: trung vị 245 tỷ USD, khoảng dự báo từ 240 đến 250 tỷ USD. Kết quả vòng khảo sát 3, các chuyên gia đưa ra ý kiến như sau: người 1 dự báo 244 tỷ USD (tăng 2 tỷ), người 2 dự báo 247 tỷ USD (giảm 1 tỷ) , người 3 dự báo 245 tỷ USD (không đổi), người 4 dự báo 240 tỷ USD (tăng 2 tỷ), người 5 dự báo 248 tỷ USD (giảm 2 tỷ).
‣ In survey round 3, provide the experts with basic statistics from survey round 2: median $245 billion, forecast range from $240 to $250 billion. Results of survey round 3, the experts provided the following opinions: Expert 1 forecasts $244 billion (increase of $2 billion), Expert 2 forecasts $247 billion (decrease of $1 billion), Expert 3 forecasts $245 billion (no change), Expert 4 forecasts $240 billion (increase of $2 billion), Expert 5 forecasts $248 billion (decrease of $2 billion).

Dựa vào biểu đồ trên, range doanh thu = 248 – 242 = 6 tỷ USD, interquartile = 247 – 244 = 3 tỷ USD.
Based on the above chart, the revenue range = 248 – 242 = 6 billion USD, interquartile range = 247 – 244 = 3 billion USD.

Sau 3 vòng khảo sát, doanh thu năm 2024 dự báo trung bình đạt 245 tỷ USD, không đổi, tuy nhiên sự đồng thuận giữa năm chuyên gia ngày càng thể hiện rõ, range từ 14 giảm còn 6 tỷ USD, interquartile giảm từ 10 xuống còn 3 tỷ USD.
After 3 survey rounds, the average forecasted revenue for 2024 remains at $245 billion. However, the consensus among the five experts has become increasingly clear, with the range decreasing from $14 billion to $6 billion and the interquartile range decreasing from $10 billion to $3 billion.

#13. Dự báo sử dụng phương pháp phân tích viễn cảnh
Scenario Analysis

Phân tích viễn cảnh (Scenario Analysis) là một phương pháp dự báo sử dụng các kịch bản giả định để đánh giá tác động tiềm ẩn của các sự kiện hoặc xu hướng trong tương lai đối với một dự án, chiến lược hoặc hoạt động kinh doanh.
Scenario Analysis is a forecasting method that uses hypothetical scenarios to evaluate the potential impact of future events or trends on a project, strategy, or business operation.

Cách thức hoạt động:
1. Xác định các yếu tố chính: Bắt đầu bằng cách xác định các yếu tố chính có thể ảnh hưởng đến kết quả của dự án,chiến lược hoặc hoạt động kinh doanh. Những yếu tố này có thể bao gồm các yếu tố kinh tế, xã hội, chính trị,công nghệ, môi trường, v.v.
2. Phát triển các kịch bản: Sau khi xác định các yếu tố chính, hãy phát triển các kịch bản giả định khác nhau về cách các yếu tố này có thể phát triển trong tương lai. Mỗi kịch bản nên đại diện cho một tập hợp các giả định khác nhau về các yếu tố chính.
3. Đánh giá mỗi kịch bản: Đối với mỗi kịch bản, hãy đánh giá tác động tiềm ẩn của các giả định đối với dự án,chiến lược hoặc hoạt động kinh doanh. Việc đánh giá này có thể bao gồm phân tích tài chính, mô hình hóa hoặc các kỹ thuật khác.
4. Xác định các rủi ro và cơ hội: Dựa trên đánh giá của mỗi kịch bản, hãy xác định các rủi ro và cơ hội tiềm ẩn liên quan đến dự án, chiến lược hoặc hoạt động kinh doanh.
5. Phát triển các kế hoạch dự phòng: Dựa trên các rủi ro và cơ hội được xác định, hãy phát triển các kế hoạch dự phòng để ứng phó với các tình huống khác nhau có thể xảy ra.

How It Works:
1. Identify Key Factors: Begin by identifying the key factors that could influence the outcome of the project, strategy, or business operation. These factors can include economic, social, political, technological, and environmental elements, among others.
2. Develop Scenarios: After identifying the key factors, develop different hypothetical scenarios about how these factors might evolve in the future. Each scenario should represent a set of different assumptions about the key factors.
3. Evaluate Each Scenario: For each scenario, assess the potential impact of the assumptions on the project, strategy, or business operation. This evaluation can include financial analysis, modeling, or other techniques.
4. Identify Risks and Opportunities: Based on the evaluation of each scenario, identify potential risks and opportunities related to the project, strategy, or business operation.
5. Develop Contingency Plans: Based on the identified risks and opportunities, develop contingency plans to respond to the different possible situations that might occur.

Sử dụng kết quả hồi quy tuyến tính đa biến trong phương pháp #8 để dự báo doanh thu dựa trên các viễn cảnh cho trước về số liệu của Employees and Expenses ơn R&D.
Phương trình dự báo doanh thu của Microsoft có dạng:
Doanh thu = -18.99689078 + 0.000458288*nhân sự + 4.721508707*chi phí nghiên cứu và phát triển

Using the results of multiple linear regression from method #8 to forecast revenue based on given scenarios for the number of employees and expenses on R&D:
The forecast equation for Microsoft’s revenue is:
Revenue = -18.99689078 + 0.000458288*Employees + 4.721508707*Exp on R&D

Dựa vào phương trình doanh thu, hai biến số lượng nhân dự và chi phí cho nghiên cứu và phát triển có hệ số góc > 0, nghĩa là tăng trưởng cùng chiều với doanh thu. Khi chi phí dành cho R&D và số lượng nhân sự tăng lên, doanh thu của Microsoft dự kiến cũng sẽ tăng. Tuy nhiên, cần phải xác định các rủi ro và cơ hội, phân tích xu hướng thị trường và vĩ mô toàn cảnh để đưa ra quyết định đầu tư ít rủi ro nhất.
Based on the revenue equation, the coefficients for the variables ‘number of employees’ and ‘expenses on R&D’ are both greater than 0, indicating a positive correlation with revenue growth. As the expenses for R&D and the number of employees increase, Microsoft’s revenue is also expected to increase. However, it is essential to identify risks and opportunities, analyze market trends, and consider the macroeconomic landscape to make the least risky investment decisions.

---

Chúc các bạn thành công! Cảm ơn vì đã đọc hết bài viết này.
Wishing you all success! Thank you for reading this article.