Ở phần 1 của series về time series analysis, chúng ta đã tìm hiểu về khái niệm và tính chất đặc trưng của time series data. Trong phần này chúng ta sẽ cùng nhau đi tìm hiểu về một số loại time series analysis phổ biến và ứng dụng trên thực tế của nó nhé!

1. Phân tích chuỗi thời gian (TSA) là gì?

Phân tích chuỗi thời gian (Time Series Analysis - TSA) là một lĩnh vực quan trọng trong thống kê và phân tích dữ liệu, chuyên nghiên cứu các tập hợp dữ liệu được thu thập, ghi chép hay quan sát theo thứ tự thời gian dựa trên mối quan hệ giữa các biến số.

Mục đích của TSA nhằm nắm bắt và hiểu rõ các đặc điểm và cấu trúc nội tại trong dữ liệu thời gian (Trends, Seasonality, Cycles và Iregular) để đưa ra những dự báo, quyết định và hiểu biết sâu sắc hơn về dữ liệu được nghiên cứu.

2. Các loại TSA phổ biến và ứng dụng thực tế

TSA đề cập đến việc áp dụng các mô hình toán học hoặc thống kê để dữ liệu trong quá khứ và hiện tại nhằm làm nền tảng cho việc:

• Dự báo chuỗi thời gian  (time series forecasting).
• Phát hiện những biến đổi bất thường (anomaly detection).
• Phân tích nguyên nhân (causality analysis).
• Phân tích theo mùa hoặc chu kỳ (seasonality and cyclic analysis).
• Đánh giá hiệu ứng của một sự kiện cụ thể (event study).

2.1. Dự báo chuỗi thời gian (time series forecasting)

Time series forecasting là một phương pháp sử dụng dữ liệu lịch sử để dự đoán xu hướng trong tương lai. Qua việc phân tích những mẫu và xu hướng trong quá khứ, chúng ta có thể xây dựng các mô hình dự báo để ước lượng và dự đoán các giá trị tương lai. Mục tiêu của dự báo chuỗi thời gian là để cung cấp thông tin hữu ích cho việc ra quyết định, lập kế hoạch và quản lý chiến lược.

Một số ứng dụng phổ biến của dự báo chuỗi thời gian bao gồm:

• Kinh doanh và thương Mại: Sử dụng dự báo doanh số bán hàng để lập kế hoạch sản xuất, quản lý tồn kho ...
• Tài chính: Dự đoán giá cả cổ phiếu, tỷ giá hối đoái, và các chỉ số tài chính khác 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 để hỗ trợ việc hoạch định chính sách.
• Năng lượng: Dự báo nhu cầu và giá năng lượng, giúp lên kế hoạch nhập khẩu và xuất khẩu, cũng như vận hành các hệ thống phân phối năng lượng.
• Giao thông vận tải: Dự đoán lưu lượng giao thông để cải thiện quy hoạch đô thị và quản lý giao thông...

2.2. Phát hiện những biến đổi bất thường (anomaly detection)

Anomaly detection là quá trình xác định những quan sát, sự kiện hoặc mẫu hình khác biệt đáng kể so với phần lớn dữ liệu và không theo khuôn mẫu chuẩn. Những bất thường này có thể là dấu hiệu của một vấn đề cần được khắc phục, như lỗi hệ thống, gian lận tài chính, hay một thay đổi quan trọng trong hành vi của người dùng.

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 sàng, giúp chẩn đoán bệnh sớm và cải thiện kết quả điều trị...

2.3. Phân tích nguyên nhân (causality analysis)

Causality analysis giúp xác định liệu một biến số có thể là nguyên nhân gây ra sự thay đổi trong một biến số khác hay không.

Hiểu rõ mối quan hệ nguyên nhân giữa các biến số có vai trò quan trọng trong việc lập kế hoạch chiến lược, ra quyết định và cải thiện quy trình. Nó giúp phân biệt giữa mối quan hệ nguyên nhân thực sự và các tương quan ngẫu nhiên, từ đó hỗ trợ việc đưa ra các quyết định dựa trên bằng chứng.

Một số ứng dụng của phân tích nguyên nhân bao gồm:

• Y học: Phát hiện nguyên nhân của các loại bệnh tật thông qua việc phân tích dữ liệu lâm sàng, giúp phát triển phương pháp điều trị và phòng ngừa bệnh hiệu quả hơn.
• Kinh tế: Xác định các yếu tố kinh tế vĩ mô và vi mô ảnh hưởng đến thị trường tài chính, giúp lập kế hoạch đầu tư và quản lý rủi ro tài chính.
• Marketing: Đánh giá hiệu quả của chiến dịch quảng cáo bằng cách phân tích mối quan hệ giữa chi tiêu quảng cáo và sự thay đổi trong doanh số bán hàng.
• Khoa học xã hội: Phân tích các yếu tố ảnh hưởng đến hành vi xã hội như giáo dục, chính sách công cộng hay tội phạm để cải thiện chất lượng cuộc sống và phát triển xã hội.
• Tối ưu hóa sản phẩm: Nhận biết các yếu tố tác động đến chất lượng và hiệu suất sản phẩm, từ đó cải thiện tính năng và thiết kế sản phẩm...

2.4. Phân tích theo mùa hoặc chu kỳ (seasonality and cyclic analysis)

Seasonality and cyclic analysis được sử dụng để nhận diện và hiểu rõ các mô hình hoặc xu hướng lặp lại đều đặn trong dữ liệu chuỗi thời gian. Việc này giúp đánh giá được ảnh hưởng của thời gian đến biến số quan sát và cung cấp nền tảng cho việc lập kế hoạch, chiến lược kinh doanh, và dự báo hiệu quả.

Một số ứng dụng của phân tích theo mùa và chu kỳ bao gồm:

• Thương mại bán lẻ: Các công ty bán lẻ thường áp dụng phân tích mùa vụ để dự đoán nhu cầu sản phẩm trong các mùa cao điểm, như lễ hội hoặc dịp nghỉ lễ, để quản lý kho hàng, nguồn cung cấp và chiến lược giá.
• Dự báo thời tiết: Việc dự đoán thời tiết dựa trên các mẫu hình thời tiết lịch sử cho phép các ngành công nghiệp như nông nghiệp hay hàng không lập kế hoạch hoạt động kinh doanh dựa trên điều kiện thời tiết.
• Năng lượng và điện: Các công ty điện lực sử dụng phân tích mùa vụ để dự đoán nhu cầu năng lượng trong những thời điểm có sự thay đổi lớn như mùa đông lạnh giá hoặc mùa hè oi bức.
• Kinh tế vĩ mô: Chính phủ và các tổ chức tài chính sử dụng phân tích chu kỳ để nhận biết những chu kỳ kinh tế định kỳ, như chu kỳ kinh doanh và chu kỳ tài chính, giúp định hình chính sách và lập kế hoạch ngân sách.
• Y tế công cộng: Phân tích mùa vụ giúp nhận diện các xu hướng xuất hiện của các bệnh như cúm mùa, giúp cơ quan y tế chuẩn bị nguồn lực và vắc-xin phục vụ công tác phòng chống dịch bệnh....

2.5. Đánh giá hiệu ứng của một sự kiện cụ thể (event study).

Event study là một phương pháp nghiên cứu để đo lường ảnh hưởng của sự kiện không dự kiến hoặc thông tin bất ngờ lên giá trị của một công ty hoặc một thị trường. Phương pháp này chủ yếu tập trung vào việc phân tích biến động giá cổ phiếu xung quanh thời điểm xảy ra sự kiện để định lượng hiệu ứng của nó.

Ứng dụng của event study:

• Tài chính doanh nghiệp: Đánh giá hiệu quả của các quyết định lớn trong doanh nghiệp như mua lại, sáp nhập, thông báo về doanh thu hoặc lãi suất, và thay đổi cấp cao quản lý.
• Chứng khoán và thị trường Tài chính: Phân tích ảnh hưởng của các thông báo chính sách từ Ngân hàng Trung ương, báo cáo kinh tế vĩ mô và các sự kiện như biến động giá dầu, lãi suất và tỷ giá.
• Kinh tế môi trường: Đánh giá tác động của sự kiện thiên tai hoặc thảm họa môi trường lên giá cổ phiếu của các công ty trong lĩnh vực liên quan.
• Chính sách y tế: Nghiên cứu ảnh hưởng của việc ban hành hoặc thay đổi các chính sách y tế đối với thị trường dược phẩm và công ty công nghệ y tế....

Event study là công cụ quan trọng giúp nhà đầu tư và quản lý doanh nghiệp hiểu rõ hơn về các yếu tố nội tại và ngoại cảnh ảnh hưởng đến giá trị tài chính và phản ứng của thị trường.

3. Kết luận

Ứng dụng của phân tích chuỗi thời gian là vô cùng đa dạng, từ lĩnh vực kinh tế, tài chính, y tế cho đến sinh học và khí tượng thủy văn đều có thế áp dụng TSA để dự đoán và phân tích xu hướng dựa trên dữ liệu lịch sử. Điều này không chỉ giúp cho việc ra quyết định được thông minh hơn mà còn mở ra nhiều cơ hội để cải tiến và tối ưu hóa các dịch vụ và sản phẩm.

Nhìn chung, không có một công thức cố định nào Analytics Engineering là gì? Làm thế nào để trở thành Analytics Engineer?cho việc lựa chọn kĩ thuật TSA, mà chúng ta cần phải 'lắng nghe' dữ liệu và chọn lựa mô hình phù hợp nhất để 'nói chuyện' với nó.  Vậy có những kĩ thuật TSA nào? Chúng có nguyên tắc và đặc điểm gì trong các bài viết sau mình sẽ cùng các bạn tìm hiểu nhé!

Các bài viết liên quan mà bạn có thể tìm đọc tại blog 200Lab:

• Analytics Engineering là gì? Làm thế nào để trở thành Analytics Engineer?
• Data Envelopment Analysis (DEA) là gì? Giải thích dễ hiểu
• Large Language Model là gì ? Giải thích dễ hiểu