CƠ HỘI THỊ TRƯỜNG
CÁC KỸ THUẬT DỰ BÁO ĐỊNH LƯỢNG
Hồi qui
Phương này dùng để xác định mối quan hệ (relationship) giữa một biến phụ thuộc (dependent variable) với một hay nhiều biến độc lập (independent variable), và được thể hiện thông qua tập hợp các quan sát trong quá khứ (historical observations).
Hồi qui đơn hay hồi qui tuyến tính (single or linear regression). Trong hồi qui tuyến tính, chỉ có một biến độc lập. Nếu tập hợp của các số liệu quá khứ là chuỗi thời gian, thì biến độc lập là chuỗi thời gian, còn biến phụ thuộc trong dự báo doanh số là doanh số (hay số lượng hàng bán ra). Tuy nhiên không nhất thiết phải sử dụng chuỗi thời gian làm cơ sở của biến độc lập.
Công thức chung.
Y = a + bX , gọi là phương trình hồi qui, trong đó: Y: là biến phụ thuộc, là đại lượng cần dự báo X: là biến độc lập,
a: là giao điểm của đường thẳng Y = a + bX với trục tung y (khi X=0) b: hệ số góc của đường Y = a + bX
Hồi qui bội (multiple regression). Khi số biến độc lập nhiều hơn 1, thì đây là hồi qui bội
Công thức chung có dạng: Y = f(X1, X2,,..Xn)
Chuỗi thời gian (Time series)
Chuỗi thời gian dùng trong dự báo ngắn hạn. Phương pháp này để dự báo sản lượng hay nhu cầu cho kỳ bán hàng kế tiếp. Trong kỹ thuật này, trung bình số học của các sản lượng bán trong quá khứ được dùng để dự báo cho tương lai. Trung bình di độ n g có trọ n g số (weighted moving average)
Kỹ thuật làm trơn (smoothing)
Kỹ thuật làm trơn hàm mũ (exponential smoothing)
Kỹ thuật làm trơn hàm mũ có khuynh hướng (exponential smoothing with trend)
Chuỗi thời gian (Time series)
Trung bình di động (Moving Average). Là một mô hình chuỗi thời gian dùng trong dự báo ngắn hạn. Phương pháp này để dự báo sản lượng hay nhu cầu cho kỳ bán hàng kế tiếp. Trong kỹ thuật này, trung bình số học của các sản lượng bán trong quá khứ được dùng để dự báo cho tương lai. Trung bình di độ n g có trọ n g số (Weighted Moving Average). Trong mô hình trung bình di động ở trên, các số liệu quá khứ được đánh giá với mức độ quan trọng như nhau. Trong phương pháp trung bình di động có trọng số, các số liệu trong quá khứ được gán cho các trọng số khác nhau.
Kỹ thuật làm trơn (Smoothing)
Có rất nhiều phương pháp chẳng hạn: Kỹ thuật làm trơn hàm mũ (Exponential Smoothing), Kỹ thuật làm trơn hàm mũ có khuynh hướng (Exponential Smoothing with Trend).
Kỹ thuật loại này lấy số liệu dự báo của thời đoạn trước và thêm vào những điều chỉnh để đạt được dự báo cho thời đoạn sắp tới
Áp dụng công thức: Ft + 1 = Ft + a (Yt - Ft)
Trong đó:
Ft = trị số dự báo cho thời điểm t;