Hy vọng bài viết này sẽ mang đến cho bạn nhiều góc nhìn hữu ích về thế giới phân tích dữ liệu.
Author: Alice Mai | Founder & Lead Instructor of ACE Academy
Time Series Data – Phân tích dữ liệu chuỗi thời gian là một trong những kỹ thuật quan trọng trong lĩnh vực phân tích dữ liệu. Giúp chúng ta hiểu rõ hơn về các xu hướng, tính mùa vụ, chu kỳ và sự bất thường trong dữ liệu. Trong bài viết này, chúng ta sẽ cùng khám phá khái niệm dữ liệu chuỗi thời gian, cách phân tích cũng như các yếu tố cần lưu ý để đạt hiệu quả cao nhất trong Time Series Analysis.
I. Giới thiệu về Time Series Data – Dữ liệu chuỗi thời gian là gì?
Time Series Data (dữ liệu chuỗi thời gian) là tập hợp các điểm dữ liệu được thu thập theo trình tự thời gian. Thường ở các khoảng thời gian đều đặn như ngày, tháng hoặc năm. Loại dữ liệu này giúp theo dõi sự thay đổi của một biến số cụ thể theo thời gian.
Vậy, Time Series Analysis – Phân tích dữ liệu chuỗi thời gian là gì?
Time Series Analysis (Phân tích chuỗi thời gian) là phương pháp sử dụng các mô hình thống kê và toán học để phân tích dữ liệu được thu thập theo trình tự thời gian nhằm khám phá các xu hướng, mẫu hình và mối quan hệ trong dữ liệu.
Time Series Analysis được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau:
- Trong đời sống: Theo dõi lượng mưa, nhiệt độ, tỷ giá ngoại tệ hoặc biến động của thị trường chứng khoán.
- Trong kinh doanh: Theo dõi doanh số bán hàng, lượng truy cập website. Hoặc xu hướng tiêu dùng của khách hàng theo từng thời điểm.
Ví dụ: Một doanh nghiệp có thể sử dụng Time Series Analysis để phân tích số lượng người dùng truy cập website hàng ngày trong vòng 6 tháng. Kết quả phân tích sẽ giúp doanh nghiệp hiểu rõ hơn về hành vi của người dùng. Từ đó đưa ra chiến lược phù hợp.
Việc phân tích dữ liệu chuỗi thời gian (Time Series Analysis) sẽ giúp bạn:
- Hiểu rõ đặc điểm và sự biến động của dữ liệu theo thời gian.
- Xác định các yếu tố tác động đến xu hướng dữ liệu trong các giai đoạn khác nhau.
- Dự báo chính xác giá trị tương lai của các biến trong chuỗi dữ liệu dựa trên các mẫu hình đã được xác định trong quá khứ.
Đọc thêm: Các bước phân khúc khách hàng theo kỹ thuật phân tích RFM (RFM Analysis): Phân tích RFM cho Phân khúc khách hàng
II. Các yếu tố cần lưu ý khi phân tích Time Series Data là gì?
Có 4 yếu tố quan trọng khi phân tích dữ liệu chuỗi thời gian trong Time Series Analysis. Nắm vững “thành phần” này giúp bạn hiểu rõ hơn về đặc điểm, sự thay đổi của tập dữ liệu. Từ đó đưa ra những dự đoán chính xác hơn.
- Trend (Xu hướng)
- Seasonality (Tính mùa vụ)
- Cyclicity (Tính chu kỳ)
- Irregularity (Sự bất thường)
2.1. Trend (Xu hướng):
Xu hướng trong dữ liệu chuỗi thời gian đề cập đến sự chuyển động lên hoặc xuống của dữ liệu trong một khoảng thời gian dài. Bạn có thể xác định xu hướng chung dựa vào độ dốc của dữ liệu trên biểu đồ.
Một số xu hướng phổ biến khi phân tích Time Series data:
- Upward Trend: Giá trị của dữ liệu có xu hướng tăng theo thời gian.
- Downward Trend: Giá trị của dữ liệu có xu hướng giảm theo thời gian.
- Horizontal Trend: Giá trị của dữ liệu không có sự thay đổi đáng kể hoặc không đổi theo thời gian.
- Damped Trend: Giá trị của dữ liệu giảm dần theo thời gian. Nhưng càng về sau tốc độ thay đổi càng chậm lại.
- Non-linear Trend: Giá trị của dữ liệu thay đổi không theo một xu hướng chung mà phức tạp hơn. Có thể bao gồm tăng, giảm, đổi hướng hoặc thay đổi đột biến theo thời gian.
2.2. Seasonality (Tính mùa vụ):
Seasonality trong Time Series Analysis là hiện tượng các biến động của dữ liệu lặp đi lặp lại theo một chu kỳ cố định trong một khoảng thời gian nhất định. Những thay đổi này thường diễn ra theo mô hình có thể đoán trước,. Giúp xác định được xu hướng dài hạn và các yếu tố ảnh hưởng theo thời gian.
4 dạng seasonality phổ biến trong Time Series Analysis: Weekly, Monthly, Annual, Holiday seasonality
- Weekly Seasonality: Đây là sự lặp lại các biến động trong khoảng thời gian 7 ngày. Ví dụ: Số lượng vé bán tại các rạp chiếu phim có xu hướng tăng mạnh vào cuối tuần. Do nhu cầu giải trí tăng cao.
- Monthly Seasonality: Dữ liệu có sự thay đổi lặp lại theo chu kỳ hàng tháng (30 hoặc 31 ngày). Ví dụ: Người dùng Shopee có xu hướng chi tiêu nhiều vào các đợt khuyến mãi hàng tháng: 11/11, 12/12.
- Annual Seasonality: Sự thay đổi này xảy ra theo chu kỳ hàng năm (365 hoặc 366 ngày). Thường bị ảnh hưởng bởi các yếu tố như thời tiết, mùa du lịch hoặc các sự kiện hàng năm. Ví dụ: Lượng khách du lịch thường tăng mạnh vào các tháng mùa hè.
- Holiday Seasonality: Sự thay đổi này liên quan đến các sự kiện đặc biệt như ngày lễ, lễ hội,.. Hoặc các sự kiện thể thao lớn. Ví dụ: Doanh số bán lẻ thường tăng đột biến vào dịp lễ Tết. Hoặc vào các ngày lễ lớn trong năm.
2.3. Cyclicity (Tính chu kỳ):
Cyclicity trong Time Series Analysis đề cập đến những biến động lên xuống của dữ liệu xảy ra theo chu kỳ. Nhưng không tuân theo một khoảng thời gian cố định. Các chu kỳ này có thể kéo dài trong nhiều năm. Và thay đổi theo các giai đoạn kinh tế hoặc các yếu tố bên ngoài khác.
Sự khác biệt giữa tính mùa vụ (Seasonality) và tính chu kỳ (Cyclicity):
- Seasonality: Diễn ra trong một khoảng thời gian cố định (hàng ngày, hàng tuần, hàng tháng hoặc hàng năm). Và có thể dự đoán được. Ví dụ: Doanh số bán lẻ thường tăng vào các đợt khuyến mãi hàng tháng hoặc ngày lễ.
- Cyclicity: Không bị giới hạn trong một khoảng thời gian nhất định. Có thể kéo dài trong nhiều năm và tần suất xảy ra không ổn định. Ví dụ: Chu kỳ tăng trưởng và suy thoái của nền kinh tế có thể kéo dài trong vài năm. Hoặc thậm chí là một thập kỷ.
Các yếu tố mùa vụ và chu kỳ là hai khía cạnh quan trọng trong phân tích dữ liệu chuỗi thời gian (Time Series Analysis). Việc hiểu rõ và phân biệt được tính mùa vụ và tính chu kỳ sẽ giúp bạn xác định được các yếu tố ảnh hưởng đến xu hướng dữ liệu. Từ đó đưa ra các quyết định kinh doanh hiệu quả hơn.
2.4. Irregularity (Sự bất thường):
Irregularity trong phân tích dữ liệu chuỗi thời gian (Time Series Analysis) là những biến động không theo quy luật hoặc mẫu hình cụ thể nào. Xảy ra một cách ngẫu nhiên và khó có thể dự đoán trước. Đây là những thay đổi đột ngột, không tuân theo xu hướng hay tính mùa vụ. Khiến cho việc phân tích và dự báo trở nên khó khăn hơn.
Nguyên nhân gây ra sự bất thường trong Time Series Analysis:
- Lỗi đo lường dữ liệu: Các sai sót trong quá trình thu thập hoặc ghi nhận dữ liệu có thể dẫn đến sự sai lệch. Từ đó gây ra các điểm bất thường trong chuỗi thời gian.
- Các sự kiện đột ngột: Những yếu tố bất ngờ như thiên tai, khủng hoảng kinh tế,.. Hoặc các thay đổi lớn trong chính sách có thể tạo ra các biến động không thể dự đoán trước trong dữ liệu.
Sự bất thường trong dữ liệu chuỗi thời gian có thể khiến cho các mô hình dự báo trở nên kém chính xác. Do đó, việc xác định và loại bỏ các giá trị bất thường là bước quan trọng để cải thiện độ tin cậy của các phân tích và dự báo trong Time Series Analysis.
Bảng Check List: Các Yếu Tố Cần Lưu Ý Khi Phân Tích Time Series Data
| Yếu tố | Định nghĩa | Điểm lưu ý chính |
| Trend (Xu hướng) | Sự thay đổi tăng, giảm, hoặc ổn định của dữ liệu theo thời gian | Xác định xu hướng chung: tăng (upward), giảm (downward), ngang (horizontal), giảm dần (damped), phi tuyến tính (non-linear) |
| Seasonality (Tính mùa vụ) | Sự lặp lại theo chu kỳ cố định (ngày, tuần, tháng, năm) | Phâm) |
| Cyclicity (Tính chu kỳ) | Biến động lặp lại nhưng không theo chu kỳ thời gian cố định | Khác seasonality vì chu kỳ dài vài v\xe0 không ổn định (VD: chu kỳ kinh tế tăng trưởng suy thoái) |
| Irregularity (Sự bất thường) | Biến động ngẫu nhiên, không theo quy luật hoặc chu kỳ | Xử lý l\xfd bất thường do lỗi đo lường hoặc sự kiện đột ngột (thiên tai, khủng hoảng) |
III. Có các loại Time Series Data phổ biến nào và cách ứng dụng thực tế?
Time Series Analysis là quá trình áp dụng các mô hình toán học hoặc thống kê để phân tích dữ liệu theo thời gian (Time Series Data). Mục tiêu chính là sử dụng dữ liệu trong quá khứ và hiện tại để khám phá các xu hướng, mẫu hình và mối quan hệ trong dữ liệu. Từ đó đưa ra các dự báo và quyết định chiến lược.
Các loại Time Series Analysis chính bao gồm:
- Time series forecasting (Dự báo chuỗi thời gian): Dự đoán xu hướng trong tương lai. Dựa trên dữ liệu trong quá khứ.
- Anomaly detection (Phát hiện những biến đổi bất thường): Nhận diện và phân tích các điểm bất thường trong dữ liệu.
- Causality analysis (Phân tích nguyên nhân): Tìm kiếm mối quan hệ giữa các biến để xác định nguyên nhân của các thay đổi trong dữ liệu.
- Seasonality and cyclic analysis (Phân tích theo mùa hoặc chu kỳ): Xác định các mô hình theo mùa hoặc chu kỳ trong dữ liệu.
- Event study (Đánh giá hiệu ứng của một sự kiện cụ thể): Phân tích tác động của các sự kiện đặc biệt đối với xu hướng và hành vi của dữ liệu.
1. Time series forecasting – Dự báo chuỗi thời gian
Time series forecasting là phương pháp sử dụng dữ liệu lịch sử để phân tích và xác định xu hướng, mẫu hình trong quá khứ nhằm dự đoán các giá trị trong tương lai. Bằng cách sử dụng các mô hình thống kê như ARIMA(AutoRegressive Integrated Moving Average), SARIMA(Seasonal ARIMA) hay Exponential Smoothing, người phân tích có thể đưa ra các dự báo đáng tin cậy về hành vi của dữ liệu trong tương lai.
Ứng dụng phổ biến của dự báo chuỗi thời gian:
- Kinh doanh và thương mại: Dự đoán xu hướng doanh số bán hàng. Từ đó lập kế hoạch sản xuất và quản lý hàng tồn kho.
- Tài chính: Dự báo giá cổ phiếu, tỷ giá hối đoái. Và các chỉ số tài chính để đưa ra quyết định đầu tư.
- Kinh tế vĩ mô: Dự đoán các chỉ số kinh tế như GDP, lạm phát hoặc tỷ lệ thất nghiệp. Nhằm hỗ trợ hoạch định chính sách.
- Năng lượng: Dự báo nhu cầu và giá năng lượng. Giúp điều chỉnh sản lượng và kế hoạch nhập khẩu/xuất khẩu.
- Giao thông vận tải: Dự báo lưu lượng giao thông để cải thiện quy hoạch đô thị và tối ưu hóa mạng lưới giao thông.
2. Anomaly Detection – Phát hiện những biến đổi bất thường
Anomaly detection là phương pháp xác định những điểm dữ liệu khác thường hoặc không tuân theo xu hướng thông thường trong chuỗi thời gian. Các biến động bất thường này có thể là dấu hiệu của những thay đổi quan trọng. Như sự cố kỹ thuật, hành vi gian lận hoặc các sự kiện bất ngờ khác.
Một số ứng dụng của phát hiện bất thường bao gồm:
- Phát hiện gian lận thanh toán: Ngân hàng và tổ chức tài chính sử dụng phát hiện bất thường để nhận diện hành vi lừa đảo như sử dụng thẻ tín dụng bất hợp pháp hoặc các giao dịch rửa tiền.
- Bảo mật hệ thống máy tính: Phát hiện các mẫu hành vi không bình thường có thể là dấu hiệu của một cuộc tấn công mạng (ddos). Giúp nhanh chóng khắc phục và ngăn chặn các vấn đề an ninh.
- Y tế: Phát hiện các rối loạn y tế hoặc bất thường trong dữ liệu lâm sàn. Giúp chẩn đoán bệnh sớm và cải thiện kết quả điều trị…
3. Causality Analysis – Phân tích nguyên nhân
Causality Analysis trong Time Series Analysis là phương pháp sử dụng các mô hình thống kê để xác định mối quan hệ nhân quả giữa các biến trong chuỗi thời gian. Bằng cách phân tích sự tác động của một yếu tố đến các yếu tố khác, người phân tích có thể xác định nguyên nhân sâu xa của các thay đổi trong dữ liệu.
Các mô hình thường được sử dụng trong Causality Analysis bao gồm:
- Granger Causality – Kiểm tra xem một biến trong chuỗi thời gian có thể dự đoán được sự thay đổi của một biến khác hay không.
- Vector AutoRegression (VAR) – Phân tích mối quan hệ phụ thuộc lẫn nhau giữa nhiều biến số theo thời gian.
- Structural Equation Modeling (SEM) – Mô hình hóa mối quan hệ phức tạp giữa các biến trong một hệ thống.
Ứng dụng phổ biến của phân tích nguyên nhân
- Kinh doanh và thương mại: Phân tích nhân quả giúp xác định các yếu tố ảnh hưởng đến doanh số và hành vi mua sắm. Doanh nghiệp có thể dùng kết quả để điều chỉnh giá, chiến dịch quảng cáo và phân phối sản phẩm
- Ví dụ: Tăng cường quảng cáo dịp lễ có thể thúc đẩy doanh số và lượt truy cập. Việc tăng giá có thể làm giảm doanh số. Nhưng nếu kết hợp với chương trình khách hàng thân thiết, doanh số có thể phục hồi nhanh.
- Tài chính: Phân tích nhân quả cho phép nhà đầu tư hiểu rõ mối liên hệ giữa chỉ số kinh tế và biến động cổ phiếu. Từ đó, họ có thể điều chỉnh danh mục đầu tư phù hợp.
- Ví dụ: Khi lãi suất tăng, chi phí vay vốn tăng, giá cổ phiếu trong lĩnh vực bất động sản và ngân hàng có thể giảm. Ngược lại, giá dầu giảm giúp ngành hàng không tiết kiệm chi phí, từ đó cải thiện lợi nhuận.
- Kinh tế vĩ mô: Phân tích nguyên nhân giúp chính phủ nhận diện các yếu tố ảnh hưởng đến tăng trưởng GDP, lạm phát hay thất nghiệp. Từ đó đưa ra chính sách điều chỉnh kinh tế phù hợp.
- Ví dụ: Tăng lương tối thiểu có thể làm tăng sức mua của người tiêu dùng. Nhưng cũng có thể khiến chi phí sản xuất tăng cao và dẫn đến lạm phát. Sự gia tăng tỷ lệ thất nghiệp có thể liên quan đến việc cắt giảm chi tiêu của chính phủ. Hoặc khủng hoảng kinh tế toàn cầu.
4. Seasonality and cyclic analysis – Phân tích theo mùa hoặc chu kỳ
Seasonality and cyclic analysis trong Time Series Analysis là quá trình xác định các yếu tố tác động đến sự thay đổi của dữ liệu theo các mô hình lặp lại hoặc theo chu kỳ. Phân tích này giúp khám phá các mẫu hình theo mùa hoặc theo chu kỳ trong dữ liệu. Từ đó xác định các yếu tố tiềm ẩn. Và đưa ra dự đoán chính xác hơn về xu hướng trong tương lai.
Các kỹ thuật phổ biến được sử dụng trong phân tích này bao gồm:
- Granger Causality – Kiểm tra mối quan hệ nhân quả giữa các biến trong chuỗi thời gian.
- Vector AutoRegression (VAR) – Mô hình phân tích mối quan hệ và sự phụ thuộc của các biến số trong chuỗi dữ liệu.
Ứng dụng thực tế của phân tích theo mùa và chu kỳ
- Thương mại bán lẻ: Các công ty bán lẻ sử dụng phân tích theo mùa để dự báo nhu cầu sản phẩm trong các giai đoạn cao điểm như lễ hội, ngày nghỉ hoặc đợt khuyến mãi. Điều này hỗ trợ lập kế hoạch hàng tồn kho. Tối ưu chuỗi cung ứng và điều chỉnh giá bán phù hợp với nhu cầu.
- Kinh tế vĩ mô: Phân tích theo chu kỳ giúp chính phủ và tổ chức tài chính nhận diện các giai đoạn tăng trưởng hoặc suy thoái của nền kinh tế. Dữ liệu này làm cơ sở xây dựng chính sách tài khóa. Điều chỉnh lãi suất nhằm kiểm soát lạm phát và hỗ trợ tăng trưởng.
- Ví dụ: Việc nhận biết sớm chu kỳ suy thoái giúp chính phủ tung ra các gói kích thích kinh tế để thúc đẩy sản xuất và tiêu dùng
- Năng lượng và điện: Các công ty điện lực sử dụng phân tích theo mùa để dự báo nhu cầu điện trong thời tiết khắc nghiệt như mùa đông hoặc hè. Nhờ đó, họ có thể điều chỉnh phân phối năng lượng và định giá hợp lý.
- Ví dụ: Mùa hè, nhu cầu dùng điều hòa tăng mạnh. Phân tích theo mùa giúp chuẩn bị trước để tránh thiếu điện.
- Y tế công cộng: Trong y tế, phân tích theo mùa giúp nhận diện xu hướng bệnh như cúm mùa, sốt xuất huyết hay bệnh hô hấp. Nhờ đó, các cơ quan y tế chủ động chuẩn bị cơ sở vật chất, thuốc men, nhân lực.
- Ví dụ: Cúm thường bùng phát vào mùa đông. Phân tích giúp triển khai tiêm phòng và tăng cường hệ thống y tế kịp thời.
4. Đánh giá hiệu ứng của một sự kiện cụ thể (event study)
Event study trong Time Series Analysis là phương pháp nghiên cứu được sử dụng để đo lường tác động của các sự kiện không mong đợi hoặc thông tin bất ngờ đến giá trị của công ty hoặc thị trường tài chính. Phương pháp này tập trung vào việc phân tích biến động giá cổ phiếu hoặc các chỉ số tài chính xung quanh thời điểm xảy ra sự kiện nhằm xác định và định lượng ảnh hưởng của nó.
Event Study là công cụ quan trọng giúp các nhà đầu tư và doanh nghiệp hiểu rõ hơn về tác động của các yếu tố nội tại (các quyết định nội bộ của công ty) và yếu tố ngoại cảnh (các biến động thị trường) đến giá trị tài chính và phản ứng của thị trường.
Ứng dụng thực tế của Event Study
- Chiến dịch giảm giá lớn (Mega Sales): Event Study trong Time Series Analysis giúp đánh giá tác động của các đợt giảm giá lớn tới hành vi mua sắm và doanh số.
- Ví dụ: Trong sự kiện Shopee 11.11, lượng truy cập có thể tăng gấp 3. Kéo theo doanh số tăng mạnh. Tuy nhiên, sau đó doanh số có thể giảm nhẹ khi nhu cầu mua sắm đã được đáp ứng.
- Phát hành sản phẩm mới: Event Study được sử dụng trong Time Series Analysis để phân tích ảnh hưởng của việc ra mắt sản phẩm mới đối với doanh số và giá trị thương hiệu.
- Apple ra mắt iPhone mới vào tháng 9 thường ghi nhận lượng đặt hàng kỷ lục trong 24 giờ đầu. Ngược lại, nếu bị chê về giá hoặc tính năng, doanh số có thể giảm trong các tháng tiếp theo.
- Khai trương cửa hàng mới: Event Study được dùng để đo lường tác động của việc mở cửa hàng đến doanh số và độ phủ thương hiệu.
- Ví dụ: Zara khai trương cửa hàng flagship tại Vincom Bà Triệu thu hút lượng khách lớn trong tuần đầu. Với doanh số tháng đầu tăng hơn 50% so với trung bình.
- Tài chính doanh nghiệp: Phân tích sự kiện giúp đánh giá ảnh hưởng của các quyết định lớn như sáp nhập, tái cấu trúc hoặc thay đổi lãnh đạo.
- Ví dụ: Công bố sáp nhập hai công ty lớn có thể khiến giá cổ phiếu biến động mạnh. Việc bổ nhiệm CEO mới có thể khiến cổ phiếu tăng hoặc giảm tùy vào kỳ vọng nhà đầu tư.
Bảng Check List: Các loại Time Series Data phổ biến và đặc điểm chính
| Loại Time Series Analysis | Đặc điểm chính |
| Time Series Forecasting | Dự đoán xu hướng tương lai dựa trên dữ liệu lịch sử. |
| Anomaly Detection | Phát hiện các biến đổi bất thường trong chuỗi thời gian. |
| Causality Analysis | Phân tích mối quan hệ nhân quả giữa các biến trong dữ liệu. |
| Seasonality and Cyclic Analysis | Xác định các mô hình theo mùa hoặc theo chu kỳ trong dữ liệu. |
| Event Study | Đánh giá tác động của các sự kiện cụ thể đến xu hướng dữ liệu. |
IV. Khóa học Data for Business Professionals – Xây dựng tư duy phân tích dữ liệu cho quyết định kinh doanh
Nếu bạn đang là newbie và đang bắt đầu tìm hiểu về phân tích dữ liệu nhưng chưa biết bắt đầu từ đâu, khóa học Data Analysis For Business Professionals sẽ là một sự lựa chọn hoàn hảo cho bạn. Khóa học phân tích dữ liệu giúp nâng cao các kĩ năng Business Analytics trên cả Excel và Power BI. Bên cạnh việc định hình tư duy và lộ trình phân tích dữ liệu chuẩn chỉnh, hoàn thành khóa học bạn sẽ có đầy đủ kỹ năng xử lí dữ liệu. Học cách xây dựng dashboard, phân tích chiến lược để tìm ra insight. Từ đó nâng cao thêm nhiều kĩ năng data storytelling. Nếu bạn đang tìm kiếm khóa học với nhiều case study và project thực tế, đây cũng là sự lựa chọn tuyệt vời cho bạn.
Bắt đầu hành trình dữ liệu của bạn ngay hôm nay với các khóa học của ACE Academy! Đừng ngần ngại liên hệ với ACE nếu bạn cần hỗ trợ về mọi khía cạnh của Data Analytics.
V. FAQ – Câu hỏi thường gặp về Time Series Data
Time Series Data là phương pháp phân tích dữ liệu được thu thập theo trình tự thời gian. Nhằm phát hiện xu hướng, tính chu kỳ, tính mùa vụ và các bất thường để đưa ra dự báo. Từ đó ra quyết định kinh doanh hiệu quả hơn.
Time Series Data phổ biến trong tài chính (giá cổ phiếu, lãi suất), kinh doanh (doanh số bán hàng theo tháng), khí tượng (nhiệt độ, lượng mưa) và sản xuất (sản lượng theo ca/kíp).
a.Time Series Analysis tập trung vào dữ liệu theo thời gian và các yếu tố như xu hướng, mùa vụ, chu kỳ;
b. Machine Learning có thể áp dụng cho nhiều loại dữ liệu khác nhau mà không yêu cầu yếu tố thời gian.
Time Series Forecasting là việc sử dụng dữ liệu chuỗi thời gian lịch sử để dự đoán giá trị tương lai. Ví dụ như dự đoán doanh số tháng tới hoặc lượng truy cập website quý sau.
Một số kỹ thuật phổ biến bao gồm: Decomposition (phân tách thành xu hướng, mùa vụ, nhiễu), ARIMA model, Exponential Smoothing, và Machine Learning như LSTM (Long Short-Term Memory).
About the author
Alice Mai
Founder & Lead Instructor of ACE Academy
Cô Alice là founder tại ACE Academy – nền tảng đào tạo kỹ năng phân tích dữ liệu và tư duy kinh doanh thực chiến. Cô đồng thời là chuyên gia tư vấn tại ACE Partners Consulting & 180 Systems Canada, tập trung vào chiến lược, digital marketing và chuyển đổi số cho các doanh nghiệp. Với hơn 15 năm kinh nghiệm tại các tập đoàn đa quốc gia như TikTok, Lazada và ACFC, Alice kết hợp giữa tư duy lãnh đạo và công nghệ để kiến tạo giải pháp giáo dục phù hợp cho thế hệ trẻ trong thời đại AI.
