DỰ báo DOANH THU cửa HÀNG SAY COFFEE lê văn sỹ THÔNG QUA các CHƯƠNG TRÌNH KHUYẾN mãi của bên THỨ 3 dựa TRÊN nền TẢNG AZURE MACHINE LEARNING

TỔNG LIÊN ĐOÀN LAO ĐỘNG VIỆT NAM TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG KHOA QUẢN TRỊ KINH DOANH BÁO CÁO CUỐI KỲ MƠN HỌC: ỨNG DỤNG PHÂN TÍCH DỮ LIỆU LỚN TRONG QUẢN LÝ ĐỀ TÀI: DỰ BÁO DOANH THU CỬA HÀNG SAY COFFEE LÊ VĂN SỸ THÔNG QUA CÁC CHƯƠNG TRÌNH KHUYẾN MÃI CỦA BÊN THỨ DỰA TRÊN NỀN TẢNG AZURE MACHINE LEARNING Giảng viên hướng dẫn: Th.S Phạm Ngọc Bảo Duy Nhóm lớp: Ca Thứ Danh sách sinh viên thực hiện: Nguyễn Ngọc Kim Hoàng Hà Tú Thi Lê Thị Cẩm Tiên Lê Hà Trang 71604110 71604016 71604319 71604338 TPHCM, THÁNG NĂM 2020 NHẬN XÉT CỦA GIẢNG VIÊN -Thành phố Hồ Chí Minh, ngày tháng năm 2020 Giảng viên i LỜI CẢM ƠN Nhóm chúng em xin chân thành cảm ơn Khoa Quản Trị Kinh Doanh, Trường Đại học Tôn Đức Thắng tạo điều kiện thuận lợi cho chúng em học tập thực báo cáo kết thúc môn học Chúng em xin bày tỏ lòng biết ơn sâu sắc đến Thạc Sĩ Phạm Ngọc Bảo Duy truyền đạt môn học hay với nhiều kiến thức thực tiễn bổ ích, đồng thời tận tình hướng dẫn bảo chúng em trình thực đề tài Nhóm xin chân thành cảm ơn quý thầy Khoa Quản Trị Kinh Doanh tận tình giảng dạy, trang bị cho chúng em nhiều kiến thức bổ ích để thực báo cáo có hành trang vững cho nghiệp tương lai Do giới hạn kiến thức khả lý luận cịn nhiều thiếu sót hạn chế, kính mong dẫn đóng góp Thầy để báo cáo nhóm hồn thiện Một lần chúng em xin chân thành cảm ơn! ii PHÂN CÔNG CÔNG VIỆC STT HỌ TÊN MSSV PHÂN CÔNG Chương Nguyễn Ngọc Kim Hoàng 71604110 Chương Chương Hà Tú Thi 71604016 Thu thập data Chương Lê Thị Cẩm Tiên 71604319 Chương Chương 3, 4, Lê Hà Trang 71604338 Test Azure machine learning studio ĐÁNH GIÁ 100% 100% 100% 100% iii MỤC LỤC CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI NGHIÊN CỨU 1.1 Lý chọn đề tài 1.2 Giới thiệu chung công ty 1.3 Câu hỏi nghiên cứu 1.4 Mục tiêu nghiên cứu 1.5 Đối tượng phạm vi nghiên cứu 1.6 Kết cấu đề tài nghiên cứu Kết luận chương CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Lý thuyết quản lý doanh thu .5 2.1.1 Quản lý doanh thu 2.1.2 Vai trò quản lý doanh thu 2.2 Lý thuyết dự báo doanh thu 2.2.1 Dự báo 2.2.2 Dự báo doanh thu (Revenue Forecast) 2.3 Lý thuyết khuyến .6 2.3.1 Khái niệm 2.3.2 Mục tiêu khuyến 2.4 Lý thuyết hợp tác với bên thứ 2.4.1 Khái niệm 2.4.2 Đặc điểm vai trò bên thứ .8 2.5 Phương pháp dự báo doanh thu .8 2.5.1 Chuỗi giá trị thời gian 2.5.2 Các mơ hình dự báo doanh thu 2.5.2.1 Hồi quy tuyến tính – Linear Regression .8 2.5.2.2 Mơ hình định – Decision Forest Regression 2.5.2.4 Mơ hình ARIMA 2.6 Mơ hình nghiên cứu đề xuất 10 2.6.1 Giả thuyết nghiên cứu 10 2.6.2 Xây dựng mơ hình nghiên cứu 10 Kết luận chương 11 CHƯƠNG 3: DỮ LIỆU VÀ PHƯƠNG PHÁP LUẬN 12 3.1 Thiết kế nghiên cứu .12 3.1.1 Phương pháp nghiên cứu 12 3.1.2 Quy trình nghiên cứu 13 iv 3.2 Nghiên cứu định lượng 13 3.2.1 Mô tả liệu 13 3.2.2 Thu thập liệu 13 3.3 Phương pháp dự báo 14 3.4 Phân tích dự báo dựa tảng Azure Machine Learning 14 3.4.1 Khái niệm Machine learning 14 3.4.2 Giới thiệu Azure Machine Learning Studio .14 3.4.3 Xây dựng mơ hình dự báo dựa Azure Machine Learning Studio 14 Kết luận chương 14 CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU .16 4.1 Mô tả liệu 16 4.2 Xây dựng mô hình dự báo 17 4.3 API - Test 21 4.3.1 Web services set up 21 4.3.2 Test 22 4.3.3 Dự báo trực tiếp Excel 23 Kết luận chương 24 CHƯƠNG 5: KẾT LUẬN 25 5.1 Tóm tắt 25 5.2 Kết luận 25 5.3 Hàm ý nhà quản trị 26 5.4 Hạn chế nghiên cứu 28 THAM KHẢO 30 v DANH MỤC HÌNH Hình 2.1: Phương trình hồi quy tổng quát Hình 3.1: Một phần liệu kinh doanh SAY Coffee Lê Văn Sỹ thu thập từ nghiên cứu sơ 12 Hình 3.2: Phương trình hồi quy đa biến .14 Hình 4.1: Mơ tả liệu 16 Hình 4.2: Input dataset 17 Hình 4.3: Đo lường mức độ ảnh hưởng biến độc lập 18 Hình 4.4: Kéo thả tùy chọn lọc đo lường liệu 19 Hình 4.5: Kéo thả tùy chọn xây dựng mơ hình dự báo 20 Hình 4.6: Mơ hình dự báo hồn chỉnh AMLS 20 Hình 4.7: Các số thống kê mơ hình 21 Hình 4.8: Predictive Experiment 22 Hình 4.9: Giao diện tính Web sevices AMLS 22 Hình 4.10: Giao diện dự báo 23 Hình 4.11: Kết dự báo 23 vi DANH MỤC BẢNG BIỂU/SƠ ĐỒ Sơ đồ 2.1: Mơ hình nghiên cứu đề xuất 11 Sơ đồ 3.1: Quy trình nghiên cứu 13 vii CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI NGHIÊN CỨU 1.1 Lý chọn đề tài Trong 23 năm qua, liệu tăng lên với quy mô lớn nhiều lĩnh vực khác Và thập kỷ tới, liệu tăng gấp 50 lần số lượng chuyên gia công nghệ thông tin theo kịp tất liệu tăng gấp 1,5 lần Dưới phát triển mạnh mẽ công nghệ thông tin gia tăng cách bùng nổ liệu tồn cầu đó, xu tất ngành quan tâm đến tiềm to lớn mà Big Data (dữ liệu lớn) mang lại Dữ liệu lớn mang lại hội để khám phá giá trị mới, giúp có hiểu biết cách sâu sắc giá trị tiềm ẩn, cách thức ứng dụng vào thực tiễn kinh doanh Dựa vào tình hình phân tích trên, thấy thật sống kỷ ngun Big Data khơng cịn chơi ơng lớn cơng nghệ tồn cầu nữa, mà ứng dụng len lỏi vào ngóc ngách sống, ảnh hưởng tới tất lĩnh vực, có tác động sâu sắc đến ngành F&B Vì vốn ngành sử dụng nhiều nguồn tài nguyên liệu Nhìn nhận khía cạnh ngành, thị trường thực phẩm dịch vụ ăn uống (F&B) Việt Nam ngành có tiềm lớn liên tục thu hút nguồn đầu tư từ doanh nghiệp gia nhập đa dạng chuỗi kinh doanh toàn cầu Theo thống kê Dcorp R-Keeper Việt Nam cho biết nước có đến 540.000 cửa hàng ăn uống, 22.000 cửa hàng cà phê, quầy bar 80.000 nhà hàng theo mơ hình chuỗi Doanh thu năm 2019 đạt mốc 200 tỷ USD, tăng 34,3 % so với năm 2018 Dự báo doanh thu ngành đạt 408 tỷ USD vào năm 2023 Có nhiều tiềm tăng trưởng nhanh điều tất yếu khiến thị trường F&B Việt Nam vô động, đồng thời đối mặt với cạnh tranh đào thải cao Các doanh nghiệp Việt Nam không đơn phải cạnh tranh nước mà cịn với chuỗi tập đồn tồn cầu với hệ thống chuẩn hóa Trong thực tiễn nay, hầu hết các tổ chức thị trường Việt Nam khơng có chiến lược để quản lý liệu họ sản xuất, theo dõi lưu trữ Cho dù điều liên quan đến việc triển khai hệ thống quản lý liệu mở rộng hệ thống có để chứa liệu phổ biến Trong bối cảnh này, doanh nghiệp dịch vụ cần phải nâng cao việc áp dụng chiến lược, chiến thuật cơng cụ quản lý để đạt trì vị cạnh tranh – ứng dụng liệu lớn tạo khác biệt, giúp họ đưa định chiến lược chiến thuật tốt hơn, xây dựng giá trị riêng Ở khía cạnh khác, đời app công nghệ lĩnh vực Food Delivery tạo nên thay đổi lên thói quen tiêu dùng khách hàng Đặt hàng trực tuyến – – xu cản xã hội Do ngành F&B Việt Nam khơng thể đứng ngồi chơi Dịch vụ delivery mở đường tăng đầu cho ngành, từ phân chia lại tỉ lệ doanh số offline online Trên thực tế năm gần đây, đa phần tỉ lệ doanh thu online dựa việc kết hợp với đơn vị thứ ba chiếm phần quan trọng tổng doanh thu nhà hàng, cửa hàng ăn uống… đặc biệt với ngành đồ uống Tiếp theo xét đến khía cạnh đặc thù quan trọng ngành F&B cần đến thống chặt chẽ đồng hóa cao khâu để tạo nên chất lượng dịch vụ tốt Trong đó, mấu chốt việc dự báo doanh thu vô quan trọng Đưa dự báo doanh thu có tính xác cao giúp doanh nghiệp chuẩn bị nguyên liệu phân bổ nguồn lực phù hợp, từ tối ưu hóa dịch vụ, mang lại kết kinh doanh tốt Với phát triển công nghệ, việc dự báo doanh thu khơng cịn thực dựa kinh nghiệm, mà thực chuẩn xác nhờ cơng cụ hỗ trợ quản lý thu hiệu Azure Machine Learning Studio (AMLS) điển hình bật Đây dịch vụ tiên đoán dựa ứng dụng web qua internet mà qua cung cấp trải nghiệm tinh gọn cho người quản lý liệu khai thác từ tất cấp độ kỹ AMLS kèm thư viện đầy đủ tính bao gồm thuật tốn với độ xác cao thử nghiệm dịch vụ toàn cầu Microsoft Bing Và xây dựng để hỗ trợ cho R Rython, điều có nghĩa tự thay đổi tùy chỉnh model xây dựng Với tính dễ sử dụng thông qua thao tác kéo thả, giao diện thân thiện dễ sử dụng, chạy nhiều ngôn ngữ lập trình biến AMLS trở thành giải pháp hiệu để doanh nghiệp dễ ứng dụng vào thực tế để cải thiện quản lý doanh thu hay lĩnh vực khác Dựa vấn đề nêu ra, nhóm chọn đề tài nghiên cứu “Dự báo doanh thu cửa hàng SAY Coffee Tea & Dessert Lê Văn Sỹ thơng qua chương trình khuyến bên thứ dựa tảng Azure Machine Learning” Bài nghiên cứu giúp tìm mơ hình dự báo doanh thu phù hợp cho doanh nghiệp cụ thể cửa hàng SAY Coffee Tea & Dessert Lê Văn Sỹ với mức độ chênh lệch thực tế thấp Thơng qua giúp hỗ trợ nhà quản lý doanh nghiệp đưa định hiệu để quản lý tối ưu hóa doanh thu, chi phí, hỗ trợ nâng cao dịch vụ Đồng thời đề tài có ý nghĩa tham khảo với doanh nghiệp ngành F&B tương lai 1.2 Giới thiệu chung công ty Tên công ty: Công ty TNHH PLUM Địa chỉ: 754 – 756 Sư Vạn Hạnh, Phường 12, Quận 10, Thành phố Hồ Chí Minh CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU 4.1 Mơ tả liệu Hình 4.1: Mô tả liệu 16 Dữ liệu thô ban đầu thu thập từ phần mềm Kiot Viet chỉnh sửa, lọc mã hóa thành dạng numberic input vào AMLS Từ hình 4.1 thấy thông tin liệu như:  Doanh thu trung bình đạt 11627659.3407 (VNĐ/ngày)  Giá trị 11815000  Doanh thu thấp 6547000 (VNĐ/ngày)  Doanh thu cao 16534000 (VNĐ/ngày)  Độ lệch chuẩn 2044526.4772  Có tổng cộng 91 liệu doanh thu khác nhau, tương ứng với doanh thu 91 ngày (kể từ 01/4/2020 đến 30/6/2020)  Khơng có liệu bị  Loại liệu liệu số 4.2 Xây dựng mơ hình dự báo Hình 4.2: Input dataset 17 Để xây dựng mơ hình dự báo, đăng nhập vào trang web https://studio.azureml.net/ Chọn mục “Data set” số danh mục (phía bên tay trái) gaio diện AMLS upload data doanh thu chương trình khuyến cửa hàng SAY Coffee Lê Văn Sỹ Sau update dataset thành công, công cụ bên trái tiến hành chọn mục “Experiments” nhấn ttạo Blank Experiements để bắt đầu thực thí nghiệm tạo mơ hình dự báo doanh thu Kế đến, tiến hành thực kéo - thả tùy chọn có toolbar phía bên trái giao diện AMLS:  Đầu tiên, kéo data doanh thu cửa hàng SAY Coffee Lê Văn Sĩ input vào thí nghiệm;  Kéo tùy chọn “Clean missing data” vào xây dựng mơ hình để làm liệu, việc làm liệu giúp trình dự báo xác hơn;  Kéo thả tùy chọn Filter Based Selection kết nối với dataset để đo lường mức độ ảnh hưởng tới biến phụ thuộc biến độc lập có data Có thể thấy hình 4.3 đây, yếu tố ảnh hưởng tới doanh thu ngày cửa hàng SAY Coffee Lê Văn Sỹ xếp theo thứ tự giảm dần từ trái qua phải Hai biến độc lập có ảnh hưởng nhiều tới doanh thu chương trình khuyến GoViet (16.2%) Baemin (2.3%);  Hình 4.3: Đo lường mức độ ảnh hưởng biến độc lập Tiếp đó, kéo tùy chọn “Split data” vào xây dựng mơ hình, chia lại tỉ lệ mục “Fraction of rows in the first output dataset” 0,7 (tức 70% liệu dùng Train model để dạy máy học, 30% lại dùng score model để kiểm tra đối chiếu); 18     Hình 4.4: Kéo thả tùy chọn lọc đo lường liệu Tiếp tục kéo - thả “Train model” để dạy máy học, “Score model” để test mơ hình “Evaluate model” để kiếm tra số thống kê mơ hình Ở Train model, nhấn chọn “Launch column”, chọn cột “”Revenue” để dạy máy học biến phụ thuộc cần dự báo; Lựa chọn thuật toán phù hợp để kết nối với “Train model” Với đề tài nghiên cứu này, chúng tơi sử dụng thuật tốn Regression (Hồi quy), cụ thể Linear Regression (Hồi quy tuyến tính) Vào tìm kiếm, search keyword “Linear Regression” kéo thả thuật toán vào vùng thử nghiệm kết nối thuật tốn với Train model; Sau hồn thành thiết kế mơ hình dự báo, nhấn nút “Run” toolbar phía hình để chạy mơ hình; Kết sau chạy mơ hình hồn tất khơng có lỗi thể hình 4.6 19 Hình 4.5: Kéo thả tùy chọn xây dựng mơ hình dự báo Hình 4.6: Mơ hình dự báo hồn chỉnh AMLS 20 Để kiểm tra độ xác kết đọc số thống kê, nhấp chọn Visualize Evaluate model sau chạy xong mơ hình Hình 3.9: Các số thống kê mơ hình Từ hình 3.9 đọc số thống kê:  Sai số tuyệt đối trung bình 1751592.320712 (VNĐ), tức sai số lớn mơ hình dự báo lệch khoảng 1.7 triệu đồng so với số thực tế;  Sai số bình phương 2356614.348944;  Độ tin cậy mức thấp, khoảng -0.3% 4.3 API - Test 4.3.1 Web services set up Sau hồn thành chạy mơ hình đánh giá số, bước tạo API cách nhấn vào nút “Set up web service” để lưu mơ hình tạo Predictive Experiment Tại Predictive Experiment, kết nối Web service input với Score model Add thêm tùy chọn “Select column in dataset” từ toolbar bên trái vào, kết nối đầu chức với Score model Web service output Trong mục “Launch column” Select column in dataset, chọn “Score Labels” để yêu cầu hiển thị kết dự báo doanh thu ngày test website 21 Hình 4.7: Predictive Experiment Sau xếp tính năng, nhấn nút “run” lần để chạy lại mơ hình Sau việc chạy kết thúc khơng có lỗi thể hình 3.10, nhấn vào nút “Deploy web services” toolbar phía hình 4.3.2 Test Sau Deploy web services thành công, Azure tự động mở giao diện tính web services với link website dự báo file excel để kiểm tra dự báo Hình 4.8: Giao diện tính Web sevices AMLS 22 Nhấn nút “Test” nhập biến độc lập để dự báo Ví dụ, dự báo doanh thu ngày 23/7/2020 cửa hàng SAY Coffee Lê Văn Sỹ tất bên thứ Grab, Now, Baemin Goviet có chương trình khuyến mãi, kết trả doanh thu ước tính đạt khoảng 11,809,421 VNĐ Hình 4.9: Giao diện dự báo Hình 4.10: Kết dự báo 4.3.3 Dự báo trực tiếp Excel Ngoài việc dự báo doanh thu web services tạo, doanh thu cửa hàng SAY Coffee Lê Văn Sỹ dự báo trực tiếp file Excel tải sau nhấn vào “Excel 2013 or later workbook” giao diện Web services AMLS Sau tải file nhập thông tin liên quan ngày chương trình khuyến mãi, chọn liệu mẫu vào input, chọn vị trí muốn trả output so sánh kết dự báo so với file data excel gốc Việc dự báo trực tiếp Excel giúp người dùng tiết kiệm thời gian tảng AMLS 23 dự báo kết cho ngày lần nhập thơng tin, dự báo doanh thu cho nhiều ngày Excel cách nhanh chóng Kết luận chương Ở chương 4, quy trình xây dựng, chạy thử kiểm tra mơ hình dự báo thực tế tảng AMLS trình bày cách ngắn gọn đầy đủ dễ hình dung Các số đo lường liệu, số có ý nghĩa thống kê nêu nội dung chương Chương cung cấp nhìn tổng quan trình tạo API Deploy web services, việc dự báo trực tiếp file Excel 24 CHƯƠNG 5: KẾT LUẬN 5.1 Tóm tắt Những thành tựu mà người đạt thời đại công nghệ 4.0 ngày góp phần vào việc cải thiện nâng cao hiệu hầu hết lĩnh vực sống, đặc biệt mảng kinh doanh nói chung ngành F&B nói riêng Việc ứng dụng phần mềm, công nghệ big data vào dự báo doanh thu cho cửa hàng cà phê, nhà hàng đóng vai trị lớn việc giúp nhà quản lý/chủ sở hữu cửa hàng làm tốt công tác quản lý việc kinh doanh: quản lý nguyên vật liệu, quản lý hàng tồn kho, quản lý xếp nhân phù hợp; từ tối thiểu hóa chi phí tối đa hóa doanh thu cho cửa hàng Đó nội dung mà chương đề cập đến Bên cạnh đó, chương đưa tranh toàn cảnh đề tài, hướng nghiên cứu làm mở đầu cho nội dung triển khai cụ thể chương sau Ở chương 2, lý thuyết vấn đề liên quan đến đề tài doanh thu quản lý doanh thu, khuyến chương trình khuyến hợp tác với bên thứ 3, vai trò bên thứ 3, mối quan hệ khuyến doanh thu với lý thuyết phương pháp dự báo doanh thu khả thi để cân nhắc lựa chọn áp dụng phương pháp dự báo phù hợp vào mơ hình dự báo doanh thu cho SAY Coffee Lê Văn Sỹ Thiết kế nghiên cứu, lựa chọn phương pháp dự báo nhằm tạo mơ hình dự báo doanh thu cửa hàng SAY Coffee Lê Văn Sỹ dựa tảng AMLS, mô tả liệu phương pháp thu thập liệu nội dung trình bày Chương 3: Dữ liệu phương pháp luận Bên cạnh đó, chương đưa nhìn tổng quan machine learning giới thiệu tảng AMLS Sau định thống phương pháp nghiên cứu, nhóm tiến hành xây dựng mơ hình dự báo doanh thu ngày cho cửa hàng SAY Coffee Lê Văn Sỹ thực tế tảng AMLS; kiểm tra, chạy mơ hình, tạo API tạo Web services.C hương cung cấp nhìn tổng quan q trình thực cơng việc Chương tóm tắt lại cách ngắn gọn nội dung chương trước đó, kết luận mơ hình dự báo xây dựng, nêu lên hàm ý nhà quản lý việc dự báo doanh thu quản lý bán hàng, liệt kê hạn chế mà nghiên cứu gặp phải cần khắc phục 5.2 Kết luận Từ việc xác định tầm quan trọng dự báo doanh thu việc quản lý kinh doanh cửa hàng nói chung tối thiểu hóa chi phí/tối đa hóa lợi nhuận nói riêng, dựa vào lý thuyết nêu chương khái niệm mơ 25 hình dự báo liên quan đến đề tài, nhóm nghiên cứu tiến hành thiết kế xây dựng nghiên cứu, thu thập xử lý liệu cần thiết để tạo mơ hình dự báo doanh thu thực tế tảng Azure machine learning Mặc dù số lý liên quan đến liệu khiến số thống kê độ tin cậy mô hình chưa cao mơ hình cho thấy phương pháp dự báo hồi quy tuyến tính (Linear regression) sử dụng phương pháp hiệu để dự báo doanh thu cho cửa hàng Tuy vậy, để mơ hình dự báo trở nên đáng tin cậy áp dụng vào thực tế, liệu (và mơ hình) cần bổ sung chỉnh sửa thêm 5.3 Hàm ý nhà quản trị Từ kết nghiên cứu rút kết luận đề giải pháp để nhà quản lý tham khảo đưa định kinh doanh tốt sau: Vai trò dự báo doanh thu quan trọng Kết hợp nghiên cứu dự báo doanh thu có sẵn, nghiên cứu phần củng cố khẳng định thêm lần tầm quan trọng việc dự báo doanh thu công tác quản lý cửa hàng điều hành việc kinh doanh Dự báo doanh thu có vai trị quan trọng việc điều phối sản xuất giúp nhà quản lý đưa định xác tình huống, cụ thể là:  Giúp quản lý dự đốn tình hình kinh doanh tương lai để điều chỉnh lại chương trình khuyến cho phù hợp (ví dụ kết dự báo doanh thu ngày tới thấp không đạt tiêu đề cửa hàng khơng chạy chạy chương trình khuyến với bên thứ nhất, quản lý phải cân nhắc đưa chương trình khuyến riêng cửa hàng, bổ sung chương trình khuyến với bên thứ khác tùy theo khả Ngược lại, trường hợp ngày hôm cửa hàng dự tính có nhiều chương trình khuyến hợp tác với bên thứ doanh thu dự báo thấp, quản lý cửa hàng cần phải cân nhắc lại việc bỏ bớt chương trình khuyến với nhiều bên thứ để tiết kiệm chi phí khơng đáng có);  Dự báo doanh thu ngày giúp hoạt động quản lý điều phối nhân tốt Chẳng hạn dự báo doanh thu ngày kinh doanh tới cao đột biến so với ngày bình thường, quản lý cửa hàng chuẩn bị phương án dự phòng để điều động thêm nhân cần thiết, đảm bảo hoạt động kinh doanh ngày hôm diễn thuận lợi, tránh gây gián đoạn công việc thiếu nhân tránh việc khiến khách hàng phải chờ lâu, hạn chế việc khách hàng giảm mức độ hài lòng cửa hàng; 26 Việc dự đoán doanh thu ngày cửa hàng giúp quản lý, giám sát cửa hàng nhân viên kho dễ dàng quản lý, điều phối loại hàng hóa, nguyên vật liệu cho phù hợp Các loại nguyên vật liệu sử dụng cửa hàng F&B nói chung Beverage nói riêng thường nguyên vật liệu tươi, không dễ để bảo quản hạn sử dụng khơng dài Do vậy, việc tiên lượng trước nguồn nguyên vật liệu đủ dùng dư giúp cửa hàng tiết kiệm lượng lớn nguyên vật liệu sản xuất, đảm bảo chất lượng sản phẩm tốt hơn, từ tối thiểu hóa chi phí sản xuất giúp lợi nhuận tăng cao hơn;  Dựa dự báo ngắn hạn, quản lý đề chiến lược ngắn hạn tương ứng cho phù hợp với tình hình kinh doanh cửa hàng, chẳng hạn đưa kế hoạch chạy chương trình khuyến hợp tác với bên thứ cụ thể nào, vào khoảng thời gian hợp lý mang lại doanh thu cao nhất, từ đưa chiến lược marketing, chiến lược giá chiến lược phân phối phù hợp Chương trình khuyến hợp tác với bên thứ đóng vai trò lớn việc mang nhiều doanh thu cho cửa hàng Nhóm nghiên cứu thử kiểm tra dự báo doanh thu cửa hàng SAY Coffee Lê Văn Sỹ ngày 23/7/2020 trường hợp: Khi khơng có chương trình khuyến hợp tác với bên thứ 3, có chương trình khuyến hợp tác với bên thứ cụ thể có chương trình khuyến hợp tác với bên thứ nhắc đến nghiên cứu (Grab, Now, Baemin Go Viet) nhận kết sau:  Khi khơng có chương trình khuyến hợp tác với bên thứ nào: 3,511,264.4170857  Khi có chương trình khuyến hợp tác với Grab: 7,022,528.83412622 VNĐ  Khi có chương trình khuyến hợp tác với Now: 7,022,528.83413441 VNĐ  Khi có chương trình khuyến hợp tác với Baemin: 3,724,163.73930069 VNĐ  Khi có chương trình khuyến hợp tác với Go Viet: 4,573,992.99527291 VNĐ  Khi có chương trình khuyến hợp tác với bên kể trên: 11,809,421.1515771 VNĐ Kết dự báo ra, cửa hàng chạy chương trình khuyến với tất bên thứ 3, doanh thu đạt ngày cao nhất, khoảng 11.8 triệu đồng Doanh thu hợp tác với Grab Now tương đồng, đạt mức triệu đồng Trong doanh thu hợp tác với Go Viet Baemin thấp,  27 đạt mức 4.6 triệu đồng 3.8 triệu đồng Doanh thu cửa hàng đạt thấp mức 3.5 triệu đồng khơng có chương trình khuyến với bên thứ Có thể thấy từ kết trên, ảnh hưởng chương trình khuyến với bên thứ lên việc tăng doanh thu lớn, mà trường hợp cửa hàng có chương trình khuyến với bên thứ nghiên cứu, doanh thu dự báo cửa hàng đạt mức cao Nhà quản trị nên tiến hành dự báo doanh thu tất trường hợp khoảng thời gian ngắn hạn (1-3 tháng) dài hạn (3-6 tháng) tùy theo chiến lược để có nhìn chung tình hình kinh doanh dự kiến tương lai Từ kết dự báo mẫu khoảng thời gian định, quản lý cửa hàng đưa chiến lược khuyến cụ thể, cân nhắc lựa chọn bên thứ phù hợp khoảng thời gian định để hợp tác Nhà quản lý lên kế hoạch dài hạn nhờ dự báo quản lý doanh thu Bên cạnh chiến lược ngắn hạn, nhà quản lý lên kế hoạch quản lý doanh nghiệp dài hạn nhờ dự báo doanh thu:  Lựa chọn bên thứ phù hợp cho chiến dịch marketing chiến lược phân phối trọng tâm cho cửa hàng khoảng thời gian định;  Đưa kế hoạch thực chương trình khuyến dài hạn phù hợp với nhu cầu khách hàng vào giai đoạn khác (số cầu khách hàng dự đốn nhiều hay ít, tăng hay giảm dựa dự báo doanh thu);  Quản lý điều chỉnh chiến lược nhân phù hợp giai đoạn kinh doanh Chẳng hạn dự báo giai đoạn 2-3 tháng tới doanh thu bất ngờ tăng cao giảm mạnh, quản lý dựa vào tình hình mà chuẩn bị trước phương án tuyển thêm nhân thời vụ cắt giảm nhân cửa hàng 5.4 Hạn chế nghiên cứu Bên cạnh kết đạt được, mơ hình nghiên cứu dự báo doanh thu cịn có hạn chế sau:  Do số hạn chế khả khai thác thời gian, nguồn liệu doanh thu ngày cửa hàng SAY Coffee Lê Văn Sỹ khiêm tốn với số mẫu n=91 Nếu tăng cỡ mẫu tỉ lệ xác mơ hình cải thiện;  Ngoài bên thứ Grab, Now, Baemin GoViet, SAY Coffee hợp tác với số bên thứ khác, hạn chế thời gian nên thông tin bên thứ khác không thu thập input vào dataset Điều ảnh hưởng tới kết dự báo số thống kê; 28    Chỉ số độ tin cậy mơ hình khơng cao Để cải thiện số thống kê, liệu cần phải có thêm biến độc lập cỡ mẫu liệu cần đa dạng hơn; Tài liệu tham khảo chủ yếu dựa vào nghiên cứu cũ; Nhóm nghiên cứu chưa có nhiều kinh nghiệm thời gian tiếp xúc với tảng Azure Machine Learning, bỏ sót mơ hình dự báo có khả trả kết xác với số thống kê có độ tin cậy cao 29 THAM KHẢO Big Data Uni 2020 “Hiểu Linear Regression thông qua ví dụ đơn giản bán lẻ phần 1”, (tiếp cận ngày 27/6/2020), [truy cập https://bigdatauni.com/vi/tin-tuc/hieu-hon-ve-linear-regression-thong-qua-v i-du-don-gian-trong-ban-le-p-1.html] Big Data Uni 2020 “Tổng quan Regression (Phân tích hồi quy)’, (tiếp cận ngày 27/6/2020), [truy cập https://bigdatauni.com/vi/tin-tuc/tong-quan-ve-regression-phan-ti ch-hoi-quy.html] Luật Thương mại Việt Nam Machine Learning 2016 “Bài 3: Linear Regression”, (tiếp cận ngày 27/6/2020), [truy cập https://machinelearningcoban.com/2016/12/28/linearregression/#cac-bai-to an-co-the-giai-bang-linear-regression] Microsoft 2020 “What is machine learning studio (Classic)”, (tiếp cận ngày 27/6/2020), [truy cập https://docs.microsoft.com/en-us/azure/machine-learning/studio/what-is-ml -studio] Nghị định số 81/2018/NĐ-CP Quy định chi tiết luật Thương mại hoạt động xúc tiến thương mại Philip Kotler, Gary Amstrong (2012), Nguyên lý tiếp thị, NXB Lao động Xã hội, Thành phố Hồ Chí Minh, 778 30 ... tác thứ đến cửa hàng SAY Coffee Hình 3. 1: Một phần liệu kinh doanh SAY Coffee Lê Văn Sỹ thu thập từ nghiên cứu sơ Nghiên cứu thức: Dự báo doanh thu cửa hàng SAY Coffee dựa chương trình khuyến bên. .. pháp dự báo phù hợp vào mơ hình dự báo doanh thu cho SAY Coffee Lê Văn Sỹ Thiết kế nghiên cứu, lựa chọn phương pháp dự báo nhằm tạo mơ hình dự báo doanh thu cửa hàng SAY Coffee Lê Văn Sỹ dựa tảng. .. doanh thu cửa hàng SAY Coffee Tea & Dessert Lê Văn Sỹ thơng qua chương trình khuyến bên thứ dựa tảng Azure Machine Learning? ?? Bài nghiên cứu giúp tìm mơ hình dự báo doanh thu phù hợp cho doanh