Dự báo doanh số bán hàng của shop để đạt kết quả tối ưu

Abstract

Đề án này tập trung vào việc dự báo doanh số bán hàng của Công ty Fonterra Brands Việt Nam bằng cách sử dụng các mô hình dự báo khác nhau, bao gồm K-Nearest Neighbors (KNN), Naive Forecaster, Random Forest và ARIMA. Dựa trên dữ liệu lịch sử doanh số, nghiên cứu phân tích các yếu tố ảnh hưởng đến doanh số, như xu hướng tiêu dùng và hoạt động kinh doanh. Mục tiêu là xây dựng mô hình dự báo có độ chính xác cao, từ đó giúp công ty tối ưu hóa chiến lược kinh doanh, quản lý hàng tồn kho và nâng cao khả năng cạnh tranh trên thị trường. Phương pháp nghiên cứu bao gồm việc thu thập và xử lý dữ liệu doanh số lịch sử, phân tích các yếu tố quan trọng và áp dụng các mô hình dự báo để dự đoán doanh số trong các kỳ tiếp theo. Hiệu suất của các mô hình được đánh giá thông qua các chỉ số như MAE, RMSE, MAPE và R² để đảm bảo tính chính xác và ứng dụng thực tiễn. Kết quả cho thấy Naive Forecaster hoạt động tốt nhất với MAE là 39.24, RMSE là 54.63, MAPE là 0.71 và R² đạt 0.55, phản ánh khả năng dự báo tương đối chính xác và ổn định. Mô hình Random Forest cũng đạt hiệu suất khá, với MAE là 45.84, RMSE là 59.45, MAPE là 1.03 và R² là 0.47, tuy chưa bằng Naive Forecaster nhưng vẫn là lựa chọn hợp lý. ARIMA cho kết quả trung bình với MAE là 48.25, RMSE là 66.39, MAPE là 1.06 và R² chỉ đạt 0.34, cho thấy mô hình này chưa được tối ưu. Trong khi đó, K-Nearest Neighbors (KNN) có hiệu suất thấp nhất với MAE là 57.05, RMSE là 80.39, MAPE là 1.08 và R² chỉ đạt 0.03, thể hiện sự kém hiệu quả trong dự báo doanh số. Nhìn chung, Naive Forecaster và Random Forest là hai mô hình dự báo có hiệu suất cao nhất, trong khi KNN cần được tối ưu hóa thêm để cải thiện độ chính xác. Dựa trên những kết quả này, có thể tiếp tục nghiên cứu đề xuất các giải pháp giúp Fonterra Brands Việt Nam cải thiện chiến lược marketing, tối ưu hóa quy trình sản xuất và quản lý hàng tồn kho, từ đó nâng cao hiệu quả kinh doanh và đáp ứng tốt hơn nhu cầu thị trường.