Môn: Thực hành quản trị trên máyNgười đầu tiên dùng số liệu thống kê ppt

Môn: Thực hành quản trị trên máy
1
BÀI 4
I. TỔNG QUAN
•Dự báo luôn có sự sai lệch
•Dự báo càng tổng quát thì càng chính xác
•Thời kỳ càng dài, độ chính xác càng thấp
Que sera sera ………
Người đầu tiên dùng số liệu thống kê để dự báo?
“Lo lắng về nạn bệnh dịch, Henry VII đã hạ lệnh phải ghi
chép số người chết kể từ năm 1532. Cũng vào thời gian
đó, tại Pháp, giới tăng lữ cũng buộc phải ghi chép về số
lễ rửa tội, số đám tang và số lễ kết hôn. Trong thời kỳ bị
dịch bệnh hoành hành vào cuối thế kỷ 16, chính phủ Anh
bắt đầu phát hành số liệu thống kê hàng tu
ần về số người
chết. Đến năm 1632, Bills of Mortality cung cấp số chết
và số sinh theo giới đã ra đời.
Năm 1662, Captain John Graunt sử dụng số liệu 30 năm
của Bills of Mortality để dự báo số người sẽ chết bởi bệnh
dịch, và dự báo tỉ lệ sinh đối với nam và nữ. Graunt được
coi là người tiên phong trong việc sử dụng số liệu thống
kê để làm dự báo. Với c
ống hiến của mình, ông được mời
làm thành viên của Hàn Lâm Hoàng Gia Anh.”
Nguồn
Tr
Tr
ầ
ầ
n Tr

n Tr
í
í
D
D
ũ
ũ
ng
ng
/>Phân loại
Định tính
• Kinh nghiệm
•Phương pháp Delphi
•Cố vấn
•Khảo sát khách hàng
•……
Định lượng
• Mô hình chuỗi thời
gian
Y
t
=f(Y
t-1
, Y
t-2
,…, Y
t-n
)
• Mô hình nhân quả
Y=f(X

1
, X
2
, …, X
n
)
Môn: Thực hành quản trị trên máy
2
Phương pháp Delphi
Phương pháp dự báo định tính theo đóý kiến của
các chuyên gia được kết hợp trong một loạt số lần
lặp lại. Kết quả của mỗi lần lặp lại được sử dụng
cho lần lặp tiếp theo để thu thập được ý kiến chung
của các chuyên gia.
Dự báo theo chuỗi thời gian (Time Series Models)
•Dựa vào các giá trị khảo sát trước đó
•Ý tưởng: phát hiện “dạng thức”
•Dự báo nhu cầu ngắn hạn
•Phổ biến, dễ làm
Ngẫu nhiên
Tuyến tính
Phi tuyến
Đặc trưng chuỗi tuần tự theo thời gian
 Xu hướng dài hạn
(Trend component)
 Thành phần chu kỳ
(Cyclical component)
 Thành phần mùa
(Seasonal component)
 Thành phần bất thường

(Irregular component)
Vấn đề
F
t
–Dự báo kỳ thứ t
D
i
–Giátrị khảo sát ở kỳ i < t
a
i
–Mức độ ảnh hưởng của kỳ i

Xác định a
i
??




1
ntnt
DaF
Môn: Thực hành quản trị trên máy
3
Dự báo theo mô hình nhân quả (Causal Models)
Dùng nguyên nhân (biến độc lập) để dự báo kết quả
(biến phụ thuộc)
Công cụ: Hồi quy (Regression Analysis)
•Y = a
0

+ a
1
X
1
+ a
2
X
2
+ … a
n
X
n
•Xác định a
i
 phương pháp bình phương tối thiểu
II. Một số mô hình dự báo
Moving Averages
Exponential Smoothing
Regression Analysis
1. Ví dụ
Dự báo nhu cầu bánh trung thu
5
7
9
11
13
15
17
19
21

23
25
012345678910
kỳ
ngàn tấn
200811
140

22200710
1920069
1720058
1620047
1320036
1220025
1020014
1120003
1019992
1019981
DiNămKỳ
2
0
1
1
2
0
1
1
?
?
?

Phương pháp đơn giản Ft = D
t–1
5
7
9
11
13
15
17
19
21
23
25
01234567891011
kỳ
ngàn tấn
Di
Fi
140
22
19
17
16
13
12
10
11
10
10
Di

2211

1910
179
168
137
126
105
114
103
102
NA1
FiKỳ
2
0
1
1
2
0
1
1
?
?
“Vẫn như cũ” 
?
Môn: Thực hành quản trị trên máy
4
Phương pháp trung bình Ft = D
5
7

9
11
13
15
17
19
21
23
25
01234567891011
kỳ
ngàn tấn
Di
Fi
140
22
19
17
16
13
12
10
11
10
10
Di
1411

1410
149

148
147
146
145
144
143
142
141
FiKỳ
2
0
1
1
2
0
1
1
?
?
“Vẫn y nguyên” 
?
2. Trung bình di động – Moving Average
a. Ví dụ: cửa sổ trượt w = 2
5
7
9
11
13
15
17

19
21
23
25
01234567891011
kỳ
ngàn tấn
Di
Fi
140
22
19
17
16
13
12
10
11
10
10
Di
20,511

1810
16,59
14,58
12,57
116
10,55
10,54

103
NA2
NA1
FiKỳ
2
0
1
1
2
0
1
1
?
?
“Bán bà con xa,
mua láng giềng gần”
?
b. Cách tính
Trung bình đơn giản của w kỳ gần nhất
• w càng lớn  càng ổn định
• w càng nhỏ  càng linh hoạt
12
1
1
wN
tt tw
ttw
n
DD D
FD

ww









c. Công cụ Moving Average
1. Chuẩn bị vùng
Input Range
2. Ra lịnh Tools 
Data Analysis 
Moving Average
3. Khai báo
a. Input Range
b. Interval
c. Output options
4. Nhấn OK
Ví dụ (Excel 2003)
ⓐ
ⓑ
ⓒ
Môn: Thực hành quản trị trên máy
5
3. San bằng mũ – Exponential Smoothing
a. Ví dụ: hệ số điều chỉnh a = 0,7
5

7
9
11
13
15
17
19
21
23
25
01234567891011
kỳ
ngàn tấn
Di
Fi
3,78
2,61
2,04
3,46
1,54
1,79
–0,7
1
0
NA
Di–
Fi
140
22
19

17
16
13
12
10
11
10
10
Di
20,87
11

18,2210
16,399
14,968
12,547
11,466
10,215
10,704
10,003
10,002
NA1
FiKỳ
2
0
1
1
2
0
1

1
?
?
“Sai thì sửa”
F
t
= F
t–1
+ a(D
t–1
–F
t–1
)
?
3. San bằng mũ – Exponential Smoothing
a. Ví dụ: hệ số điều chỉnh a = 0,7
5
7
9
11
13
15
17
19
21
23
25
01234567891011
kỳ
ngàn tấn

Di
Fi
3,78
2,61
2,04
3,46
1,54
1,79
–0,7
1
0
NA
Di–
Fi
140
22
19
17
16
13
12
10
11
10
10
Di
20,87
11

18,2210

16,399
14,968
12,547
11,466
10,215
10,704
10,003
10,002
NA1
FiKỳ
2
0
1
1
2
0
1
1
?
?
“Sai thì sửa”
F
t
= F
t–1
+ a(D
t–1
–F
t–1
)

b. Cách tính
•Dự báo = trung bình có trọng số của giá trị dự báo
và nhu cầu thực tế kỳ cuối
• a càng nhỏ  càng ổn định
• a càng lớn  càng linh hoạt
F
t
= F
t–1
+ a(D
t–1
–F
t–1
)
= F
t–1
+ a.D
t–1
–a.F
t–1
= a.D
t–1
+ F
t–1
–a.F
t–1
= a. D
t–1
+ (1 – a) F
t–1

Lưu ý
Lưu ý
: Ký hi
: Ký hi
ệ
ệ
u dampFactor
u dampFactor =
1
1
–
–
a
a
c. Công cụ Exponential Smoothing
1. Chuẩn bị Input
Range
2. Ra lịnh Tools
 Data
Analysis 
Exponential
Smoothing
ⓐ
ⓑ
3. Khai báo
a. Input Range và Damping factor (mặc định là 0.3)
b. Output options
4. Nhấn OK
Ví dụ
(Excel 2003)

Môn: Thực hành quản trị trên máy
6
Moving Average vs. Exponential Smoothing
Giống nhau
• Quá trình ổn định
• 1 thông số (a hoặc N)
MA: N kỳ cuối
MA: N số liệu gần nhất
ES: Kỳ cuối cùng
ES: Dữ liệu kỳ cuối
cùng
4. Hồi quy đơn tuyến tính
a. Ví dụ
y = 1.32x + 6.67
R
2
= 0.89
5
7
9
11
13
15
17
19
21
23
25
01234567891011
kỳ

ngàn tấn
140
22
19
17
16
13
12
10
11
10
10
Di
21,2
11

19,910
18,69
17,28
15,97
14,66
13,35
12,04
10,63
9,32
8,01
FiKỳ
2
0
1

1
2
0
1
1
?
?
Mối quan hệ hàm số
Y = f(x) = a.x + b
?
b. Các khái niệm liên quan
Mô hình nhân quả – Quan hệ Tương quan
 “Ở hiền gặp lành”
Nguyên nhân Kết quả
Vấn đề:
“có quan hệ”
Câu trên có đúng không?
Và
nếu đúng thì đúng bao nhiêu phần?
Hồi Qui (Regression) – Tương Quan (Correlation)
Phân tích hồi quy là kỹ thuật dự báo dùng để thiết lập
mối quan hệ giữa các lượng biến.
Y=f(X
1
, X
2
, …, X
n
)
Nếu n = 1  hồi quy đơn biến; n > 1  đa biến

Nếu f có dạng đường thẳng  hồi quy tuyến tính
Nếu f không có dạng thẳng  phi tuyến
bi
bi
ế
ế
n đ
n đ
ộ
ộ
c l
c l
ậ
ậ
p
p
bi
bi
ế
ế
n ph
n ph
ụ
ụ
thu
thu
ộ
ộ
c
c

Môn: Thực hành quản trị trên máy
7
Hệ số tương quan (coefficient of correlation)
Dùng đánh giá mức độ tương quan giữa 2 đại lương
X và Y
Chặt chẽ> 0.9
Rất cao
0.81  0.90
Cao
0.61  0.80
Trung bình
0.41  0.60
Vừa phải
0.31  0.40
Yếu
0.21  0.30
Rời rạc
0.16  0.20
Không có quan hệ< 0.15
Mức độ quan hệ| r
xy
|
r
r
xy
xy
>
>
0
0

tương quan
tương quan
thu
thu
ậ
ậ
n
n
r
r
xy
xy
<
<
0
0
tương quan
tương quan
ngh
ngh
ị
ị
ch
ch
b. Cách tính
Hồi quy đơn tuyến tính Y
t
= ax
t
+ b

b ≅ Hệ số / tung độ gốc (Intercept)


22
22
xx
yxyx
xnx
yxnyx
a








xbyb 
a ≅ Hệ số gốc / độ dốc (Slope)  xu hướng
yx
II
ii
YX
XY
yxxy
YY
n
XX
n

YYXX
n
YX
r












22
)(
1
)(
1
)()(
1
),cov(
ˆ
r
xy
≅ Hệ số tương quan (coefficient of correlation)
c. Công cụ
①

①
H
H
à
à
m
m
③
③
Công c
Công c
ụ
ụ
Regression
Regression
②
②
Đ
Đ
ồ
ồ
th
th
ị
ị
(Add Trendline)
(Add Trendline)
a
.
T

R
E
N
D
(
k
n
o
w
n
_
y
'
s
,
k
n
o
w
n
_
x
'
s
,
n
e
w
_
x

’
s
)
b
.
I
N
T
E
R
C
E
P
T
(
k
n
o
w
n
_
y
'
s
,
k
n
o
w
n

_
x
'
s
)
c
.
S
L
O
P
E
(
k
n
o
w
n
_
y
'
s
,
k
n
o
w
n
_
x

'
s
)
d
.
C
O
R
R
E
L
(
a
r
r
a
y
1
,
a
r
r
a
y
2
)
Xác định phương trình hồi quy bằng hàm
TREND(known_y's,known_x's,new_x’s)
INTERCEPT(known_y's,known_x's)
SLOPE(known_y's,known_x's)

CORREL(array1,array2)
Ví d
ụ
(
Excel 2003
)
22
19
17
16
13
12
10
11
10
10
Di
11
10
9
8
7
6
5
4
3
2
1
Kỳ
known_y’s

known_x’s
new_x’s
Môn: Thực hành quản trị trên máy
8
Đồ thị (Add Trendline)
1. Tạo đồ thị
2. Chọn data
series
3. Click Add
Trendline trên
Chart menu
4. Chọn dạng
linear trong
trang Type
5. Nhấn OK
Tùy chọn hiển
thị phương
trình hồi quy
Tùy chọn hiển thị
hệ số R
2
Trend line

Area,Bar, Column, Line, XY scatte
r
Area,Bar, Column, Line, XY scatter
Ví dụ (Excel 2003)
Công cụ Regression
1. Ra lịnh Tools,
Data Analysis,

Regression
2. Khai báo
– Input Y Range:
biến độc lập
– Input X Range:
biến độc lập
– Output options
5. Nhấn OK
Ví dụ (Excel 2003)
Bài tập
So sánh ưu nhược điểm của 3 phương pháp dự báo
1. Trung bình di động
2. San bằng mũ
3. Hồi quy đơn tuyến tính
III. Lựa chọn mô hình dự báo
Môn: Thực hành quản trị trên máy
9
1. Đo lường sai số dự báo
• Mean Square Deviation
•Bias
• Mean Absolute Deviation
Ghi chú: Hàm SUMXMY2(array_x,array_y) tính

(x
–
y)
2
2. Quan hệ nhân quả ???
Số liệu thống kê giữa các thành phố cho thấy có
quan hệ giữa số lượng cảnh sát với số lượng

tội phạm.
 Ta có thể kết luận: Cảnh sát nhiều thì tội
phạm nhiều  để giảm tội phạm cần giảm

3. Tính thời vụ (Seasonal Patterns)
Thời vụ là thời gian lặp lại
Ví dụ: Tuần là 1 thời vụ có 7 giai đoạn, năm là thời vụ
có 4 giai đoạn
Ý tưởng cơ bản:
– Gán trọng số
c
n
cho mỗi kỳ
hạn (N kỳ)
– Σc
n
= 1
– Điều chỉnh kết
quả dự báo
bằng trọng số
c
n
Môn: Thực hành quản trị trên máy
10
Nhu cầu và chu kỳ sản phẩm (Product Life Cycles)
Dự báo nhu cầu phụ thuộc vào chu kỳ sản phẩm
Quyết định dựa theo PLC
Product Development
• Development Effort
• Market Entry

• Product Specs
Analysis
• delphi / expert
• Comparisons
•QFD
Product Introduction
• facility size
• supply chain design
Analysis
• market tests
• consumer survey
• life cycle analysis
Quyết định dựa theo PLC
Growth
• capacity expansion
statistical tech
• production planning
promotions
Analysis
• Causal Models
• Simulation
Steady State
• production planning
• inventory models
Analysis
• time series
• causal models
The End