Giải thích mô hình ARIMA: Hướng dẫn thực tế về dự báo

ARIMA là một phương pháp dự báo thống kê kết hợp tự hồi quy, sai phân và trung bình trượt vào một mô hình duy nhất được viết là ARIMA(p,d,q). Hướng dẫn này cho thấy từng thành phần hoạt động như thế nào và khi nào nên sử dụng nó.

Bạn có thể đang đối mặt với một câu hỏi kinh doanh quen thuộc: tháng tới sẽ bán được bao nhiêu sản phẩm, nên đặt hàng bổ sung bao nhiêu, hoặc liệu dòng tiền vào có đủ để trang trải các khoản chi đã lên kế hoạch hay không? Một đường xu hướng trên bảng tính có thể cho thấy chiều hướng, nhưng nó thường bỏ sót cách kết quả hôm nay phụ thuộc vào lịch sử gần đây, các sai số bất thường và các mô hình đang thay đổi.

Mô hình ARIMA được giải thích bằng ngôn ngữ đơn giản có thể giúp bạn hiểu điều gì đang diễn ra bên dưới dự báo. Bạn sẽ học cách ba thành phần kết hợp với nhau như thế nào, cách tính dừng quyết định bậc sai phân ra sao, cách các biểu đồ ACF và PACF hướng dẫn việc lựa chọn mô hình, và tại sao việc kiểm tra phần dư lại quan trọng trước khi ai đó tin tưởng vào kết quả đầu ra. Bạn cũng sẽ thấy khi nào ARIMA thuần túy gặp trục trặc, đặc biệt là với tính mùa vụ, các đứt gãy cấu trúc, dữ liệu bị thiếu, và nhu cầu bị chi phối bởi khuyến mãi.

Không cần đến toán học cao cấp. Mục tiêu là khả năng phán đoán thực tế, để bạn có thể biết khi nào ARIMA là một mô hình nền tảng hữu ích, khi nào nó cần một phần mở rộng theo mùa vụ, và khi nào một phương pháp dự báo phong phú hơn phù hợp hơn với doanh nghiệp vừa và nhỏ (SME) của bạn.

Mục lục

• Tại sao ARIMA vẫn quan trọng đối với dự báo kinh doanh
• • Tại sao khung mô hình này vẫn thực tế
• Ba khối xây dựng của mô hình ARIMA
• • Tự hồi quy nắm bắt động lượng
  • Tích hợp loại bỏ độ trôi
  • Trung bình trượt học hỏi từ các sai số
• Làm cho dữ liệu của bạn dừng thông qua sai phân
• • Sai phân theo cách nói hàng ngày
  • Tránh một phép biến đổi máy móc
• Chọn p, d, và q với ACF, PACF, và các tiêu chí thông tin
• • Đọc hai biểu đồ
  • Sử dụng AIC và BIC làm yếu tố phân định
• Ước lượng mô hình và kiểm tra chẩn đoán phần dư
• • Một danh sách kiểm tra chẩn đoán thực tế
  • Cần thay đổi gì khi việc kiểm tra thất bại
• Dự báo trong thực tế với các trường hợp sử dụng trong kinh doanh
• • Ba quyết định được định hình bởi dự báo
  • Triển khai gọn nhẹ
• Khi ARIMA chưa đủ và ELECTE tự động hóa quy trình như thế nào
• • Kiểm tra mức độ sẵn sàng của dữ liệu trước khi chọn mô hình
  • Những điểm chính cần ghi nhớ

Tại sao ARIMA vẫn quan trọng đối với dự báo kinh doanh

Một quản lý yêu cầu dự báo doanh số của quý tới. Nhóm mở một bảng tính, kéo dài xu hướng gần đây, và đưa ra một con số. Điều đó có thể chấp nhận được khi nhu cầu ổn định, nhưng dữ liệu chuỗi thời gian thường mang tự tương quan, nghĩa là các quan sát gần đây có liên quan đến các quan sát trước đó. Một đợt tăng đột biến doanh số có thể ảnh hưởng đến giai đoạn tiếp theo, và một xu hướng suy giảm dai dẳng có thể tiếp tục ngay cả khi một đường xu hướng thẳng cho thấy điều ngược lại.

ARIMA được thiết kế cho loại chuỗi này. Nó sử dụng lịch sử riêng của chuỗi và các sai số dự báo trong quá khứ để mô hình hóa cách các giá trị thay đổi theo thời gian. Điều đó khiến nó hữu ích cho các câu hỏi trong ngắn hạn như lập kế hoạch nhu cầu, theo dõi dòng tiền, và đánh giá rủi ro vận hành, với điều kiện dữ liệu nền tảng có cấu trúc phù hợp.

Tại sao khung mô hình này vẫn thực tế

ARIMA vẫn là một trong hai phương pháp được sử dụng rộng rãi nhất cho dự báo chuỗi thời gian, cùng với làm mượt hàm mũ, theo tài liệu tham khảo về dự báo Forecasting: Principles and Practice. Việc tiếp tục sử dụng nó đến từ một sự cân bằng hữu ích:

• Nó có thể diễn giải được: Bạn có thể giải thích liệu mô hình dựa vào các giá trị gần đây, sai phân, hay các sai số trong quá khứ.
• Nó tôn trọng thứ tự thời gian: Mô hình không coi mỗi quan sát là một hàng riêng lẻ, biệt lập.
• Nó hỗ trợ một quy trình làm việc rõ ràng: Bạn kiểm tra chuỗi, biến đổi nó khi cần, ước lượng các mô hình ứng viên, và xác thực phần dư.
• Nó hoạt động như một mô hình nền tảng: Bạn có thể so sánh các phương pháp phức tạp hơn với một mô hình thống kê minh bạch.

Một nhà phân tích bán lẻ có thể sử dụng ARIMA để ước tính doanh số trong ngắn hạn trước khi quyết định liệu một chương trình khuyến mãi có cần thêm hàng tồn kho hay không. Một nhóm tài chính có thể sử dụng nó để theo dõi một chuỗi ngắn các biến động dòng tiền và xác định khi nào kết quả thực tế lệch khỏi hành vi kỳ vọng. Những dự báo này không thay thế phán đoán thương mại. Chúng cung cấp cho phán đoán đó một điểm khởi đầu có cấu trúc.

Quy tắc thực tế: Một dự báo chỉ hữu ích khi các giả định của nó khớp với cách dữ liệu của bạn thực sự vận hành.

Đến cuối hướng dẫn này, bạn sẽ biết AR, I, và MA có nghĩa là gì, cách p, d, và q mô tả mô hình, cách các mẫu hình ACF và PACF hỗ trợ việc lựa chọn bậc, và cách chẩn đoán phần dư tiết lộ một mô hình khớp gây hiểu lầm. Bạn cũng sẽ có các quy tắc quyết định để chuyển từ ARIMA thuần túy sang SARIMA hoặc một mô hình phong phú hơn.

Ba khối xây dựng của mô hình ARIMA

Cái tên nghe có vẻ kỹ thuật, nhưng ARIMA trở nên dễ hiểu hơn khi bạn tách riêng các thành phần của nó. Mỗi thành phần trả lời một câu hỏi khác nhau về chuỗi dữ liệu.

Tự hồi quy nắm bắt động lượng

Tự hồi quy, hay AR, đặt câu hỏi liệu các giá trị hiện tại có phản ánh các giá trị trước đó hay không. Hãy nghĩ đến quán tính của một phương tiện đang di chuyển. Nếu nhu cầu đã tăng trong các giai đoạn gần đây, quan sát tiếp theo có thể vẫn giữ một phần xu hướng đó. Mô hình biểu diễn tính kế thừa này thông qua các giá trị trễ, trong đó độ trễ là một quan sát trước đó trong chuỗi.

p trong ARIMA(p,d,q) là số lượng thành phần tự hồi quy. Giá trị p càng cao cho phép mô hình xem xét nhiều giá trị quá khứ hơn, nhưng việc thêm thành phần không tự động cải thiện dự báo. Lịch sử dư thừa có thể làm tăng nhiễu hoặc sự phức tạp không cần thiết.

Tích hợp loại bỏ độ trôi

Tích hợp, hay I, đề cập đến việc lấy sai phân. Thay vì mô hình hóa mức doanh số ban đầu, bạn trừ giá trị trước đó khỏi giá trị hiện tại để nghiên cứu sự thay đổi giữa các giai đoạn. Điều này giống như san phẳng một ngọn đồi để bạn có thể quan sát địa hình mà không bị độ dốc tổng thể chi phối tầm nhìn.

d là số lần lấy sai phân phi mùa vụ cần thiết để làm cho chuỗi trở nên dừng. Một chuỗi dừng có hành vi thống kê ổn định một cách hợp lý theo thời gian. Nếu chuỗi ban đầu có xu hướng trôi, việc lấy sai phân có thể giúp các mẫu hình của nó dễ mô hình hóa hơn.

Trung bình trượt học hỏi từ sai số

Trung bình trượt, hay MA, sử dụng các sai số dự báo trước đó. Giả sử một dự báo bị sai lệch vì nhu cầu đột ngột thay đổi. Thành phần MA cho phép các dự đoán sau đó tính đến những sai lầm gần đây này, giống như một bộ điều nhiệt tự điều chỉnh sau khi vượt quá hoặc chưa đạt mục tiêu.

q là số lượng sai số dự báo bị trễ được đưa vào phương trình dự đoán. AR xem xét các giá trị quá khứ. MA xem xét các sai số quá khứ. Kết hợp với việc lấy sai phân, chúng tạo thành một mô hình có thể biểu diễn tính kế thừa, loại bỏ xu hướng và điều chỉnh ngắn hạn.

George Box và Gwilym Jenkins đã phổ biến ARIMA như một phần của phương pháp luận Box-Jenkins năm 1970, thiết lập một quy trình lặp thực tiễn gồm nhận diện, ước lượng và kiểm chứng. Do đó, ARIMA không được giới thiệu như một công thức đơn lẻ, riêng biệt. Nó được phát triển như một hệ thống mô hình hóa cho các chuỗi thời gian trong thực tế, với việc lấy sai phân được sử dụng trước khi khớp các thành phần tự hồi quy và trung bình trượt, như được mô tả trong tổng quan về ARIMA của IBM.

ARIMA(p,d,q) kết hợp các giá trị quá khứ, các sai phân và các sai số dự báo quá khứ. Các chữ cái cho bạn biết mô hình sử dụng gì, và các con số cho bạn biết mô hình sử dụng bao nhiêu của mỗi thành phần.

Làm Cho Dữ Liệu Của Bạn Trở Nên Dừng Thông Qua Lấy Sai Phân

ARIMA yêu cầu chuỗi phải dừng trước khi mô hình hóa. Nói một cách thực tế, chuỗi không nên liên tục thay đổi hành vi cơ bản của nó do một xu hướng không được kiểm soát. Mức trung bình và độ biến động của nó cần đủ ổn định để các mối quan hệ giữa các quan sát có ý nghĩa.

Hãy bắt đầu bằng việc quan sát trực quan. Một đường doanh số tăng đều đặn, một số dư tài chính giảm dần, hoặc độ biến động ngày càng rộng khi mức giá trị tăng lên có thể báo hiệu tính không dừng. Bạn không cố gắng chứng minh chẩn đoán chỉ từ một biểu đồ. Bạn đang tìm kiếm bằng chứng cho thấy quy mô ban đầu có thể che giấu mẫu hình ngắn hạn mà bạn cần dự báo.

Lấy sai phân theo cách hiểu thông thường

Hãy lấy ví dụ doanh số hàng tháng tăng khoảng 5% mỗi tháng. Mức doanh số chính xác vẫn tiếp tục tăng, vì vậy một mô hình có thể chủ yếu phát hiện sự tăng trưởng thay vì mối quan hệ giữa các thay đổi lân cận. Sai phân bậc một thay thế mỗi mức giá trị bằng sự thay đổi của nó so với tháng trước. Sau khi xu hướng đã được loại bỏ, chuỗi kết quả có thể trông phẳng hơn và các biến động ngắn hạn của nó có thể dễ phân tích hơn.

Bậc sai phân d là một quyết định mô hình hóa, không phải một phỏng đoán. Box và Jenkins khuyến nghị lấy sai phân một chuỗi không dừng một hoặc nhiều lần cho đến khi đạt được tính dừng, một quy tắc được tóm tắt trong Sổ tay Thống kê Kỹ thuật NIST.

Một quy trình làm việc hữu ích là:

1. Vẽ biểu đồ chuỗi ban đầu: Tìm kiếm xu hướng, độ phân tán thay đổi, khoảng trống và sự thay đổi mức đột ngột.
2. Áp dụng sai phân bậc một khi cần thiết: So sánh mỗi quan sát với quan sát ngay trước đó.
3. Kiểm tra chuỗi đã được biến đổi: Xem liệu hành vi trung bình và độ biến động hiện đã trông ổn định hơn hay chưa.
4. Dừng lại khi chuỗi đã đủ dừng: Việc lấy sai phân thêm có thể loại bỏ cấu trúc có ý nghĩa và khiến việc diễn giải trở nên khó khăn hơn.

Tránh một sự biến đổi máy móc

Việc lấy sai phân quá mức có thể khiến chuỗi trở nên nhiễu một cách không cần thiết. Nó cũng có thể tạo ra sự phụ thuộc nhân tạo giữa các thay đổi liền kề, làm phức tạp phân tích ACF và PACF sau đó. Mục tiêu không phải là lấy sai phân càng nhiều càng tốt. Mà là loại bỏ hành vi không dừng trong khi vẫn giữ lại tín hiệu hữu ích.

Dữ liệu vận hành thường cần được chuẩn bị trước khi lấy sai phân. Ngày bị thiếu, tình trạng hết hàng, báo cáo bị gián đoạn và lịch thu thập không đều đặn có thể làm sai lệch sự thay đổi từ giai đoạn này sang giai đoạn khác. Nếu chuỗi dữ liệu của bạn có khoảng trống, hãy xem hướng dẫn xử lý dữ liệu bị thiếu trước khi coi việc lấy sai phân là giải pháp chính.

Chọn p, d và q bằng ACF, PACF và các Tiêu chí Thông tin

Sau khi việc lấy sai phân đã tạo ra một chuỗi dừng khả dụng, bạn cần các giá trị ứng viên cho p và q. Hai biểu đồ giúp bạn suy luận về những lựa chọn đó: hàm tự tương quan, hay ACF, và hàm tự tương quan riêng phần, hay PACF.

ACF đo lường mối quan hệ giữa chuỗi với các giá trị trước đó của chính nó tại các độ trễ khác nhau. PACF tập trung vào mối quan hệ tại một độ trễ cụ thể sau khi đã tính đến các độ trễ ngắn hơn. Không có biểu đồ nào đưa ra câu trả lời chắc chắn, nhưng hình dạng của chúng cung cấp một bước đánh giá sơ bộ hữu ích.

Đọc hai biểu đồ

Nếu PACF ngừng đột ngột sau độ trễ p trong khi ACF suy giảm dần, điều đó gợi ý cấu trúc AR(p). Nếu ACF ngừng đột ngột sau độ trễ q trong khi PACF suy giảm dần, điều đó gợi ý cấu trúc MA(q). Những quy tắc này đóng vai trò hướng dẫn sau khi đã dừng hóa chuỗi, chứ không thay thế cho việc kiểm chứng.

Một biểu đồ có thể gợi ý nhiều cấu hình khả dĩ. Điều đó là bình thường. Bạn không nên tiếp tục điều chỉnh p và q cho đến khi một mẫu hình trực quan trông hoàn hảo, vì một mô hình khớp sát với dữ liệu lịch sử có thể hoạt động kém khi dự báo các quan sát trong tương lai.

Sử dụng AIC và BIC làm yếu tố phân định

AIC và BIC so sánh mức độ khớp trong khi phạt các tham số không cần thiết. Giá trị thấp hơn được ưu tiên khi so sánh các mô hình được khớp với cùng một chuỗi và đánh giá trong các điều kiện tương đương. BIC thường áp dụng mức phạt độ phức tạp mạnh hơn, nên nó có thể ưu tiên một đặc tả gọn nhẹ hơn.

Hãy coi những tiêu chí này là công cụ hỗ trợ quyết định, không phải bằng chứng về chất lượng dự báo. Một ứng viên có tiêu chí thông tin thấp hơn vẫn cần được đánh giá ngoài mẫu và kiểm tra phần dư. Tìm kiếm bậc tự động cũng là phổ biến, đặc biệt khi bạn cần so sánh nhất quán nhiều tổ hợp khả dĩ thay vì hoàn toàn dựa vào việc đọc biểu đồ thủ công.

Để có phần giới thiệu thực tế về mối quan hệ giữa các giá trị trễ, khám phá các mẫu ẩn với ACF PACF. Thói quen quan trọng là kết hợp bằng chứng trực quan, các tiêu chí thông tin, kiểm chứng dự báo và hiểu biết về kinh doanh.

Ước lượng Mô hình và Kiểm tra Chẩn đoán Phần dư

Ước lượng mô hình khớp các tham số ARIMA với chuỗi dữ liệu lịch sử của bạn. Nói một cách đơn giản, quy trình này tìm kiếm các hệ số đại diện cho các mối quan hệ đã quan sát được trong khi giảm sai số dự báo. Các hệ số thu được rất quan trọng, nhưng chúng không phải là bài kiểm tra chất lượng cuối cùng.

Bài kiểm tra là những gì còn lại sau khi mô hình đã hoàn thành công việc của nó. Những phần còn lại đó được gọi là phần dư, tức là sự khác biệt giữa các giá trị quan sát được và các giá trị khớp mô hình. Một mô hình tốt nên để lại phần dư giống như nhiễu ngẫu nhiên chưa được giải thích, chứ không phải một mẫu hình thứ hai đang chờ được phát hiện.

Danh sách kiểm tra chẩn đoán thực tế

Sử dụng chẩn đoán như một cổng kiểm soát chất lượng:

• Nhiễu trắng: Phần dư không nên có xu hướng, chu kỳ hay hiện tượng phân cụm rõ rệt. Một mô hình lặp lại nghĩa là mô hình đã bỏ sót cấu trúc dữ liệu.
• Không có tự tương quan phần dư: Phần dư không nên có liên hệ với nhau qua các độ trễ. Kiểm định kiểu Ljung-Box giúp đánh giá hành vi tổng thể này.
• Giá trị trung bình gần bằng không: Phần dư nên cân bằng quanh giá trị 0 thay vì liên tục dự báo cao hơn hoặc thấp hơn thực tế.
• Phương sai ổn định: Độ phân tán của sai số nên duy trì tương đối nhất quán. Độ phân tán ngày càng rộng ra có thể cho thấy mô hình cần một phép biến đổi hoặc một cách tiếp cận khác.
• Xấp xỉ phân phối chuẩn: Phân phối phần dư gần với phân phối chuẩn có thể hỗ trợ các ước lượng khoảng hữu ích, mặc dù kiểm định này ít quan trọng hơn tính độc lập.

Sai sót quan trọng nhất là tự tương quan phần dư. Điều này có nghĩa là mô hình vẫn còn bỏ sót cấu trúc và cần được xem xét lại, như đã nhấn mạnh trong bài học về chuỗi thời gian của Penn State về kiểm tra mô hình.

Cần thay đổi gì khi các kiểm định không đạt

Đừng triển khai dự báo chỉ vì quy trình ước lượng đã hội tụ. Nếu tự tương quan phần dư vẫn còn, hãy xem xét lại các bậc mô hình ứng viên, cân nhắc lại lựa chọn về sai phân, và kiểm tra xem tính mùa vụ hay một sự thay đổi cấu trúc có phải là nguyên nhân gây ra mô hình đó hay không. Một mô hình bậc cao hơn không tự động là câu trả lời. Cấu trúc còn thiếu có thể xuất phát từ một sự kiện kinh doanh mà ARIMA không thể biểu diễn chỉ thông qua các giá trị quá khứ của nó.

Cổng kiểm soát chất lượng: Một mô hình ARIMA được ước lượng đúng về mặt kỹ thuật vẫn chưa đáng tin cậy cho đến khi phần dư của nó cho thấy cấu trúc phụ thuộc thời gian quan trọng đã được xử lý đầy đủ.

Dự báo trong thực tế với các trường hợp sử dụng kinh doanh

Một dự báo trở nên có giá trị khi nó thay đổi một quyết định. ARIMA thường tạo ra một dự báo điểm, tức ước lượng trung tâm, cùng với một khoảng bất định thể hiện phạm vi hợp lý xung quanh giá trị đó. Khoảng này rất quan trọng vì một con số đơn lẻ có thể tạo ra sự tự tin sai lầm, đặc biệt khi thời hạn lập kế hoạch kéo dài hơn.

Ba quyết định được định hình bởi dự báo

Khuyến mãi bán lẻ: Một quản lý bán lẻ xem xét mức doanh số dự kiến cho tháng tới và phạm vi bất định liên quan. Dự báo điểm hỗ trợ một kế hoạch khuyến mãi cơ bản, trong khi khoảng bất định giúp quản lý đánh giá xem chiến dịch có cần hàng tồn kho linh hoạt hay ngân sách thận trọng hay không.

Bổ sung hàng tồn kho: Một người lập kế hoạch tồn kho sử dụng nhu cầu dự kiến để xem xét lại các điểm đặt hàng lại và thời gian giao hàng của nhà cung cấp. Nếu khoảng bất định rộng, người lập kế hoạch có thể chọn cách xem xét thận trọng hơn thay vì coi ước lượng trung tâm là một yêu cầu chắc chắn.

Giám sát rủi ro: Một nhóm dịch vụ tài chính có thể sử dụng dự báo trong ngắn hạn để so sánh biến động dòng tiền dự kiến hoặc một chuỗi dữ liệu được giám sát khác với kết quả thực tế. Một sự sai lệch đáng kể so với phạm vi dự báo có thể kích hoạt việc điều tra, nhưng không nên được coi là bằng chứng của hành vi sai trái hoặc một đánh giá rủi ro toàn diện.

Các khoảng dự báo thường mở rộng ra khi dự báo tiến xa hơn vào tương lai vì mỗi bước bổ sung mang theo sự bất định từ các dự báo trước đó. Điều đó khiến các dự báo ARIMA ngắn hạn dễ hành động hơn so với các dự báo dài hạn. Đối với các quyết định tài chính hoặc tuân thủ, hãy sử dụng dự báo như một công cụ hỗ trợ phân tích, không phải như lời khuyên tài chính hay một sự thay thế cho các biện pháp kiểm soát bắt buộc.

Triển khai nhẹ nhàng

Các nhà phân tích có thể triển khai ARIMA trong Python với statsmodels hoặc trong R với gói forecast. Các câu lệnh thường ngắn gọn, nhưng việc diễn giải đòi hỏi sự thận trọng hơn nhiều so với việc ước lượng mô hình:

1. Chuẩn bị một chuỗi thời gian có thứ tự, đầy đủ.
2. Chọn hoặc tìm kiếm các giá trị p, d và q ứng viên.
3. Ước lượng mô hình.
4. Kiểm tra phần dư.
5. Tạo dự báo điểm và khoảng bất định.
6. So sánh kết quả với các quan sát thực tế trong tương lai khi chúng có sẵn.

Phần mã lập trình là phần dễ dàng. Quyết định về việc liệu dữ liệu và các giả định của mô hình có đáng tin cậy hay không mới là nơi cần đến sự đánh giá chuyên môn.

Khi ARIMA là chưa đủ và cách ELECTE tự động hóa quy trình làm việc

ARIMA có những giới hạn rõ ràng. Tính mùa vụ mạnh thường đòi hỏi SARIMA, được viết là ARIMA(p,d,q)*(P,D,Q). Ở đây, P, D và Q đại diện cho các thành phần tự hồi quy, sai phân và trung bình trượt theo mùa. Một mô hình ARIMA thông thường có thể bỏ sót một mô hình lặp lại xuất hiện ở cùng một thời điểm trong mỗi chu kỳ, vì vậy các thành phần mùa vụ giúp mô hình phù hợp hơn, như được giải thích trong hướng dẫn dự báo Box-Jenkins của Forecast Pro.

ARIMA cũng trở nên không đáng tin cậy khi điều kiện kinh doanh thay đổi nhanh hơn so với những gì dữ liệu lịch sử có thể phản ánh. Những sự thay đổi cấu trúc, cú sốc bên ngoài, ra mắt sản phẩm, tình trạng hết hàng và nhu cầu do khuyến mãi thúc đẩy có thể khiến các giá trị và sai số quá khứ trở thành những chỉ dẫn kém chính xác. Một mô hình có thể vượt qua các kiểm định kỹ thuật nhưng vẫn khiến người ra quyết định hiểu sai sau khi bối cảnh nền tảng đã thay đổi.

Kiểm tra mức độ sẵn sàng của dữ liệu trước khi chọn mô hình

Các bộ dữ liệu của doanh nghiệp vừa và nhỏ (SME) đi kèm những ràng buộc mà các hướng dẫn thường bỏ qua:

• Lịch sử đầy đủ rất quan trọng: ARIMA yêu cầu một chuỗi thời gian có thứ tự, không bị gián đoạn. Hãy kiểm tra và xử lý các khoảng thời gian bị thiếu trước khi khớp mô hình.
• Số lượng quan sát đủ lớn rất quan trọng: Dự báo đáng tin cậy thường đòi hỏi khoảng 50 đến 100 quan sát, theo hướng dẫn thực tiễn trong tài liệu Forecast Pro.
• Các sự kiện cần được đặt trong bối cảnh: ARIMA không biết rằng một chương trình khuyến mãi, tình trạng hết hàng, hành động của đối thủ cạnh tranh hoặc sản phẩm mới đã gây ra sự thay đổi. Hãy đưa vào các yếu tố tác động bên ngoài có liên quan hoặc chọn một phương pháp mô hình hóa phong phú hơn.
• Chẩn đoán vẫn là điều thiết yếu: Sự tự tương quan phần dư kéo dài có nghĩa là mô hình cần được điều chỉnh lại. Đừng trình bày dự báo như thể đã hoàn tất.

Những kiểm tra này giúp ARIMA trở thành một mô hình cơ sở hữu ích, minh bạch, thay vì một câu trả lời tự động. Nếu cấu trúc theo mùa chiếm ưu thế, hãy thử SARIMA. Nếu các yếu tố bên ngoài hoặc sự thay đổi chế độ chiếm ưu thế, hãy cân nhắc các mô hình có khả năng thể hiện những ảnh hưởng đó.

Một nền tảng có thể hỗ trợ trong việc chuẩn bị dữ liệu, so sánh phương pháp, dự báo và giám sát bất thường, trong khi vẫn để đội ngũ quyết định việc xem xét. ELECTE, một nền tảng phân tích dữ liệu dành cho doanh nghiệp vừa và nhỏ, có thể tự động hóa việc tiền xử lý, lựa chọn mô hình, dự báo và giám sát bất thường thông qua AI Agent của mình. Các đội ngũ cũng có thể xem xét dự báo bằng AI với Electe như một phần của quy trình làm việc rộng hơn.

Những điểm chính cần ghi nhớ

1. Bắt đầu từ mức độ sẵn sàng của dữ liệu: Xác nhận rằng chuỗi dữ liệu đầy đủ, có thứ tự và phù hợp để phân tích.
2. Hiểu rõ p, d và q: Sử dụng chúng để mô tả tính tự hồi quy, sai phân và các sai số dự báo trong quá khứ.
3. Kiểm định phần dư: Sự tự tương quan kéo dài đòi hỏi phải điều chỉnh lại mô hình.
4. Mở rộng hoặc thay đổi phương pháp: Sử dụng SARIMA cho cấu trúc theo mùa, và các mô hình phong phú hơn khi các yếu tố bên ngoài hoặc sự thay đổi chế độ có ảnh hưởng đáng kể.
5. Kết nối dự báo với quyết định: Sử dụng khoảng dự đoán một cách thận trọng, đặc biệt khi nhìn xa hơn vào tương lai.

ELECTE giúp các doanh nghiệp vừa và nhỏ chuẩn bị dữ liệu kinh doanh, so sánh các phương pháp dự báo, tạo ra các thông tin chi tiết mang tính dự đoán và giám sát bất thường mà không cần phải tự xây dựng thủ công từng bước mô hình hóa. Truy cập ELECTE để tìm hiểu về dự báo tự động cho dữ liệu bán hàng, tồn kho hoặc rủi ro.