DỰ BÁO NHU CẦU SẢN PHẨM GIỚI THIỆU
2.3.1. Các phương pháp dự báo theo chuỗi thời gian
Dự báo nhu cầu theo chuỗi thời gian là phương pháp dự báo nhu cầu sản phẩm, dịch vụ của doanh nghiệp dựa trên chuỗi dữ liệu theo thời gian. Phương pháp này tính đến tính chất của dịng nhu cầu trong quá khứ và ảnh hưởng của nhu cầu trong quá khứ đến nhu cầu sản phẩm trong tương lai. Chuỗi dữ liệu theo thời gian là tập hợp các dữ liệu được thu thập và sắp xếp theo một đơn vị thời gian (năm, quý, tháng, tuần, ngày) từ quá khứ tới hiện tại. Khi nghiên cứu nhu cầu theo chuỗi thời gian, chúng ta thấy nổi bật một số thành phần chính như sau (xem hình 2.1):
- Xu hướng (Trend): Thể hiện qua sự thay đổi, tăng lên hay giảm xuống, của nhu cầu theo thời gian.
- Yếu tố thời vụ (Seasonal pattern): Thể hiện sự thay đổi tăng lên hay giảm xuống của dòng nhu cầu theo định kỳ, nghĩa là biến động lặp đi lặp lại theo định kỳ thời gian (thường là 1 năm).
- Yếu tố chu kỳ (Cycle): Thể hiện sự thay đổi của dòng cầu, tăng lên hay giảm xuống, trong khoảng thời gian tương đối dài (trên 1 năm). Sự biến động này thường gắn với chu kỳ kinh tế hoặc chu kỳ sống của sản phẩm, đường đồ thị của tính chu kỳ thường có dạng hình sin và lặp đi lặp lại.
- Biến động ngẫu nhiên (Random variations): Là sự biến động của nhu cầu do các yếu tố ngẫu nhiên tác động, không theo quy luật và khơng thể giải thích bởi các yếu tố thơng thường.
Hình 2.1: Các thành phần của nhu cầu theo thời gian
Nguồn: Russell & Taylor (2011)
Các phương pháp dự báo nhu cầu theo chuỗi thời gian bao gồm: Phương pháp bình quân đơn giản; phương pháp bình quân di động đơn giản; phương pháp bình qn di động có trọng số; phương pháp san bằng mũ và phương pháp đường xu hướng.
2.3.1.1. Phương pháp bình quân đơn giản (Simple average)
Là phương pháp dự báo trên cơ sở lấy giá trị trung bình của tất cả các dữ liệu ở những thời kỳ trước để dự báo cho thời kỳ tiếp theo, trong đó mức cầu của các thời kỳ trước đều có trọng số như nhau.
Công thức tổng quát:
Ft = ∑
Trong đó:
Ft - Cầu dự báo cho thời kỳ t (tương lai) Di - Cầu thực tế của thời kỳ i (quá khứ)
n - Số thời kỳ của nhu cầu thực tế dùng để quan sát
Ví dụ 1: Doanh thu bán hàng sản phẩm A của công ty X trong 5 tháng đầu năm 2018 là 45; 38; 29; 35; 31 triệu VNĐ, doanh thu dự báo cho tháng 6 năm 2018 sẽ là:
45+38+29+35+31
5 = 36 triệu VNĐ
Ưu điểm: Dễ tính, đơn giản, phù hợp với những dịng cầu đều, có xu hướng ổn định.
Nhược điểm: Khi có sự biến động thì phương pháp này sẽ khơng thích hợp và thiếu chính xác, nhất là khi các số liệu ở thời kỳ càng xa thì càng khơng chính xác. Phương pháp này khơng tính đến những yếu tố ảnh hưởng đến kết quả dự báo như thời vụ và chu kỳ.
2.3.1.2. Phương pháp bình quân di động (Moving average)
Để khắc phục những hạn chế của phương pháp bình quân đơn giản, người ta sử dụng phương pháp bình quân di động để loại bỏ các số liệu ngắn hạn không theo quy luật ra khỏi dãy số liệu, nghĩa là sử dụng mức cầu thực tế bình qn của một số ít các giai đoạn ngay trước đó để dự báo nhu cầu ở thời kỳ tiếp theo trong tương lai. Có hai phương pháp bình quân di động là bình quân di động đơn giản và bình quân di động có trọng số.
Phương pháp bình qn di động đơn giản (Simple moving average):
Phương pháp này xác định nhu cầu sản phẩm dựa trên kết quả trung bình của một số ít giai đoạn trước đó và thay đổi (trượt) theo kỳ dự báo. Ở phương pháp này, nhu cầu ở tất cả các giai đoạn trong quá khứ có trọng số bằng nhau. Công thức tổng quát: Ft = ∑ Dt-i n i=1 n Trong đó:
Ft - Cầu dự báo cho giai đoạn t Dt-i - Cầu thực tế của giai đoạn t - i
n - Số kỳ tính tốn (số giai đoạn có cầu thực tế)
Ví dụ 2: Cơng ty A có số liệu về mức tiêu thụ sản phẩm trong 5 tháng qua. Hãy dự báo nhu cầu cho các tháng tới bằng phương pháp bình quân di động đơn giản với n = 3
Tháng (i) Mức tiêu thụ thực tế (D) Nhu cầu dự báo (Fi)
1 100 2 110 3 120 4 115 F4 = (100+110+120)/3 = 110 5 125 F5 = (110+120+115)/3 = 115 6 F6 = (120+115+125)/3 = 120
Theo bảng trên, mức nhu cầu được dự báo cho tháng tiếp theo (tháng 6) sẽ là 120 sản phẩm.
Ưu điểm: Loại bỏ các số liệu ở xa thời kỳ dự báo, không theo quy
luật ra khỏi dãy số liệu. Độ chính xác cao hơn phương pháp bình quân đơn giản.
Nhược điểm: Chưa tính đến ảnh hưởng (trọng số) khác nhau của các thời kỳ dự báo, thông thường các kỳ gần kỳ dự báo sẽ có ảnh hưởng mạnh hơn các kỳ trước.
Phương pháp bình qn di động có trọng số (Weighted moving
average)
Đây là phương pháp bình qn di động có tính đến mức độ ảnh hưởng của số liệu trong quá khứ (dòng cầu của các giai đoạn trước giai đoạn dự báo), kết quả dự báo có tính đến trọng số (hệ số 𝛂) của các thời kỳ khác nhau trong quá khứ.
Công thức tổng quát: Ft = ∑ Dt-1* αt-1 n i=1 ∑ni=1 αt-1 Trong đó:
Ft - Cầu dự báo ở giai đoạn t
Dt-i - Nhu cầu thực tế ở giai đoạn trước đó αi - Trọng số của giai đoạn i với 0 < αi < 1
Ví dụ 3: Dựa vào số liệu ở ví dụ 2, hãy dự báo nhu cầu sản phẩm ở tháng tiếp theo với trọng số 𝛂 giảm dần theo thời gian; tháng vừa qua (αt-1) là 0,5; 2 tháng trước (αt-2) là 0,3 và 3 tháng trước (αt-3) là 0,2.
Tháng (i) Mức tiêu thụ thực tế (Di) Nhu cầu dự báo (Fi) 1 100 2 110 3 120 4 115 F4 = 100∗0,2+110∗0,3+120∗0,5 0,2+0,3+0,5 = 113 5 125 F5 = ∗ , ∗ , ∗ , , , , = 115,5 6 F6 = ∗ , ∗ , ∗ , , , , = 121
Như vậy, dự báo mức nhu cầu của tháng tiếp theo (tháng 6) sẽ là 121 sản phẩm.
Ưu điểm: Phương pháp bình quân di động có trọng số cho kết quả dự báo nhu cầu chính xác hơn với các phương pháp trước. Vì trọng số (𝛂) giúp cho việc dự báo linh hoạt hơn, đánh giá sát thực hơn mức độ ảnh hưởng của số liệu từng thời kỳ trong quá khứ đến kết quả dự báo.
Hạn chế: Chưa thể hiện được tính xu hướng cũng như mối quan hệ
giữa các đại lượng dự báo trong một dòng chảy chung chẳng hạn các kết quả dự báo tháng t và tháng t - 1 hầu như khơng có quan hệ gì với nhau. (Ở ví dụ 3: F5 = 115,5 và F6 = 121 là khơng có quan hệ với nhau). Để khắc phục nhược điểm này, người ta đã sử dụng một phương pháp khác, gọi là phương pháp san bằng mũ.
2.3.1.3. Phương pháp san bằng mũ3 (Exponential smoothing)
Phương pháp san bằng mũ đưa ra dự báo thời kỳ hiện tại (t) dựa vào kết quả dự báo của kỳ trước (t-1) và cộng thêm một lượng điều chỉnh theo sai lệch giữa dự báo với thực tế của kỳ trước (t-1). Phương pháp san
bằng số mũ được chia thành 2 phương pháp cụ thể, đó là phương pháp san bằng mũ giản đơn và san bằng mũ có điều chỉnh xu hướng.
San bằng mũ giản đơn Công thức xác định: Ft = Ft-1 +α*(Dt-1 - Ft-1)
hoặc: Ft = α*Dt-1 + (1 - α)*Ft-1 với 0 < α <1
Trong đó:
Ft - Nhu cầu dự báo cho giai đoạn t Ft-1 - Nhu cầu dự báo của giai đoạn t-1 Dt-1 - Cầu thực tế giai đoạn t-1
α- Hệ số san bằng mũ
Theo cơng thức tính tốn ở trên, kết quả dự báo phụ thuộc nhiều vào hệ số san bằng mũ α, α hợp lý thì kết quả dự báo sẽ chính xác và ngược lại. Để xác định hệ số α phù hợp nhất, doanh nghiệp có thể thử tính tốn với nhiều mức α khác nhau, sau đó sử dụng các chỉ tiêu đánh giá sự chính xác của dự báo như “độ lệch tuyệt đối bình quân” để xem xét. Các chỉ tiêu này được trình bày trong mục 2.4
Ví dụ 4: Một đại lý ơ tô dự báo mức bán ra trong tháng 2 là 142 xe Toyota. Nhưng thực tế tháng 2 đã bán được 153 xe. Hãy dự báo nhu cầu tháng 3 với hệ số san bằng mũ là 0,2.
Áp dụng cơng thức trên ta có: F3 = 142 + 0,2*(153 - 142) = 144 xe
Như vậy, mức bán ra trong tháng 3 được dự báo là 144 xe ô tơ Toyota.
San bằng mũ có điều chỉnh xu hướng (Adjusted exponential
smoothing)
Đây là phương pháp dự báo dựa vào kết quả của san bằng mũ giản đơn và cộng thêm một lượng điều chỉnh theo xu hướng cho phù hợp với sự biến đổi của nhu cầu.
Công thức tổng quát:
FITt = Ft + Tt
Trong đó:
FITt- Mức cầu dự báo ở giai đoạn t có điều chỉnh xu hướng (FIT: Forecast including trend)
Ft - Mức cầu dự báo ở giai đoạn t (theo phương pháp san bằng mũ giản đơn)
Tt - Mức điều chỉnh xu hướng cho giai đoạn t, trong đó: Tt = Tt-1 +β*(Ft - Ft-1 - Tt-1),
Hay Tt = β*(Ft - Ft-1) + (1-β)* Tt-1
Trong đó:
Ft-1- Mức dự báo san bằng mũ giản đơn giai đoạn t-1 Tt-1- Mức điều chỉnh xu hướng cho giai đoạn ngay trước đó β- Hệ số điều chỉnh xu hướng
(0<β<1), việc xác định β giống như xác định α
Như vậy, phương pháp san bằng mũ coi trọng việc sử dụng các dữ liệu gần nhất để dự báo (dự báo kỳ trước, nhu cầu thực tế kỳ trước) và kịp thời tính tới các thay đổi gần đây trong diễn biến của nhu cầu (lượng điều chỉnh xu hướng). Đây là phương pháp dự báo được sử dụng rộng rãi trong thực tế và cho kết quả dự báo rất chính xác. Vấn đề chính đối với doanh nghiệp là xác định một hệ số α và β thích hợp.
2.3.1.4. Phương pháp xác định đường xu hướng
Như đã trình bày trong phần đầu mục 2.3.1 này, nhu cầu theo thời gian có một thành phần gọi là “xu hướng”, đó là sự biến động tăng lên hay giảm xuống của chuỗi dữ liệu theo thời gian có thể nhìn thấy trên đồ thị. Phương pháp này dự báo dựa vào việc xác định đường xu hướng y = a+bt, từ đó tính được kết quả dự báo (y) cho các thời kỳ tương lai (t).
Công thức xác định đường xu hướng như sau: Yt = a + b*t n 1 i 2 2 i n 1 i i i i t * n t t * y * n t * Y b t * b Y a Y = ∑ Yi n i=1 n và t = ∑ Trong đó:
Yt- Mức cầu dự báo giai đoạn t
Yi - Mức cầu thực tế của giai đoạn i (i = 1,n) n- Số giai đoạn quan sát
Ví dụ 5: Tình hình doanh thu của một công ty A trong 5 tháng đầu năm thống kê được như sau:
Tháng 1 2 3 4 5
Doanh thu (Triệu đồng) 20.000 26.000 28.000 36.000 40.000
Yêu cầu: Hãy xác định phương trình đường xu hướng và dự báo doanh thu cho tháng 6.
Giải:
Bước 1: Tính tốn các chỉ số trong bảng sau:
Tháng ti Yi Yi*ti 𝐭𝐢𝟐 1 1 20.000 20.000 1 2 2 26.000 52.000 4 3 3 28.000 84.000 9 4 4 36.000 144.000 16 5 5 40.000 200.000 25 Tổng 15 150.000 500.000 55 Bước 2: Xác định Y và t Ta có: Y = ∑ni=1yi n = 150.000 5 = 30.000 t = ∑ni=1ti n = 15 5 = 3 Bước 3: Xác định b và a Ta có: b = ∑ Yi*ti n i 1 - n*Yi*t ∑ni 1ti2- n*t2 = 500.000- 5*30.000*3 55-5*32 = 5.000 a = Y - b*t = 30.000 - 5.000*3 = 15.000 Bước 4: Xác định phương trình xu hướng
Phương trình xu hướng có dạng: Yt = a + b*t = 15.000 + 5.000*t Bước 5: Xác định mức cầu dự báo cho tháng 6 (t = 6)
Như vậy: Mức doanh thu dự báo cho tháng 6 của công ty A sẽ là 45.000 (triệu đồng)