Dữ liệu lớn: Cơ hội và thách thức lớn

Dữ liệu lớn: Cơ hội và thách thức lớn

Hồ Tú Bảo

Ba lĩnh vực nhiều ảnh hưởng: Điện toán đám mây,
dữ liệu lớn, và thiết bị thông minh.

Về những công nghệ nổi trội trong năm 2012 vừa qua, có thể nói đến Dữ liệu lớn (Big Data)¹, là một trong ba lĩnh vực của công nghệ thông tin (CNTT) được cho là đang và sẽ có ảnh hưởng khắp nơi – ngoài dữ liệu lớn, hai lĩnh vực còn lại là thiết bị thông minh, điện toán đám mây.

Dữ liệu lớn là gì?

Nói một cách đại thể thì big data là các tập dữ liệu rất lớn và/hoặc rất phức tạp mà những phương pháp hiện tại của CNTT chưa phân tích và xử lý tốt được chúng.

Tên gọi dữ liệu lớn khiến đa số chúng ta chỉ hình dung tính chất lớn mà không hình dung về tính phức tạp, nhưng hai tính chất này ở dữ liệu lớn luôn đi cùng nhau, trong đó tính chất ‘phức tạp’ còn đặc trưng và thách thức hơn vấn đề về độ lớn của dữ liệu. Ta có thể tạm hình dung về điều này qua định nghĩa của IBM về dữ liệu lớn với ba chữ V: Variety, Velocity và Volume. Chữ V đầu tiên chỉ sự đa dạng, sự liên kết chằng chịt của dữ liệu với nhiều cấu trúc khác nhau, từ dữ liệu quan hệ, đến dữ liệu không cấu trúc như các văn bản thô… Chữ V thứ hai chỉ tính chất chuyển động liên tục của dòng dữ liệu rất lớn cần xử lý, khác với cách truyền thống ta thu nhận và xử lý dữ liệu theo từng mẻ (batch). Chữ V thứ ba chỉ độ lớn của dữ liệu ở mức terabytes (10¹²), rồi petabytes (10¹⁵ bytes), và cả zetabytes (10¹⁸ bytes).

Ai cũng biết dữ liệu là nguồn chứa hầu hết mọi thông tin của con người, nhưng những thông tin này không lồ lộ ra cho ta dùng ngay mà ta chỉ có thể tìm ra chúng khi phân tích (xử lý) được dữ liệu, nhưng việc xử lý dữ liệu lớn là một vấn đề khó, và hiện nay con người chưa có cách làm được tốt việc này.

Dữ liệu lớn từ đâu ra?

Lớn mà không to, to mà không lớn Như trên đã nói độ phức tạp lớn vốn thách thức nhiều hơn kích thước lớn của dữ liệu. Chẳng hạn mỗi hệ thống như lò hạt nhân, máy bay… đều gồm hàng trăm nghìn bộ cảm ứng, và hoạt động của các hệ thống phải dựa vào quyết định được đưa ra theo kết quả tính toán và phân tích những tổ hợp dữ liệu của các cảm biến này. Sự tổ hợp các nguồn dữ liệu này là hết sức phức tạp dù kích thước của chúng không lớn. Chẳng hạn một máy bay với một trăm nghìn bộ cảm biến trong một giờ bay chỉ tạo ra 3 gigabytes dữ liệu (100,000 bộ cảm biến x 60 phút x 60 giây x 8 bytes = 3Gb), nhưng chính độ phức tạp của tổ hợp dữ liệu từ các bộ cảm biến này tạo ra tình huống “dữ liệu lớn mà không to”. Ngược lại trong nhiều tình huống lượng dữ liệu được sinh ra đều đặn và rất lớn về kích thước, nhưng nếu các dữ liệu này có cấu trúc đơn giản, có quy luật, thì đây lại là tình huống của “dữ liệu to mà không lớn”.

Việc lượng dữ liệu lớn đang ngày càng rất nhiều quanh ta là một hiện thực khách quan. Dữ liệu lớn có ở rất nhiều tổ chức, nhiều hoạt động xã hội, kinh doanh, khoa học và tiềm ẩn nhiều giá trị to lớn. Nhưng dữ liệu lớn ấy đến từ đâu?

Chúng đến từ rất nhiều nguồn và ba nguồn chính là: (1) Các phương tiện truyền thông xã hội, như mỗi ngày trên toàn thế giới có 230 triệu mẩu tin trao đổi trên các twitters, có 2,7 tỷ ý kiến trao đổi trên các facebooks, và số video mỗi ngày đưa lên Youtube cần đến 86.400 giờ để xem hết; (2) Các máy móc thu nhận dữ liệu, các thiết bị công nghiệp, các cảm biến (sensors), các dụng cụ giám sát... như máy gia tốc hạt lớn của CERN (tổ chức nghiên cứu nguyên tử châu Âu) tạo ra 40 terabytes dữ liệu mỗi giây… (3) Giao dịch kinh doanh, từ số liệu giá cả sản phẩm, thanh toán, dữ liệu chế tạo và phân bố... như số sản phẩm Amazon.com bán trong Quý 3 năm 2011 có giá trị 10 tỷ USD, như dãy các nhà hàng Domino bán pizza trên toàn nước Mỹ đạt 1 triệu khách mỗi ngày...

Dữ liệu lớn và lợi ích chiến lược của quốc gia

Ngày 29 tháng 3 năm 2012, Văn phòng chính sách khoa học và công nghệ của Mỹ thuộc Văn phòng điều hành của Tổng thống Mỹ đã công bố 84 chương trình về dữ liệu lớn thuộc 6 Bộ của Chính quyền Liên bang. Những chương trình này đề cập đến thách thức và cơ hội của cuộc cách mạng dữ liệu lớn và xem việc tìm lời giải cho vấn đề dữ liệu lớn là sứ mệnh của các cơ quan chính phủ cũng như của việc cách tân và khám phá khoa học. Tóm tắt các chương trình này có ở [2], và ở đây ta chỉ đưa ra một vài minh hoạ.

Ở Bộ Quốc phòng Mỹ, một kinh phí 250 triệu USD hằng năm được dành cho 8 chương trình của ‘sự đánh cuộc lớn với dữ liệu lớn’, nhằm khai thác và sử dụng dữ liệu lớn bằng những cách mới để giúp các hệ thống tự động ra quyết định, nâng cao khả năng máy tự nhận biết và đánh giá các tình huống phức tạp để hỗ trợ tác chiến. Chẳng hạn chương trình CINDER (Cyber-Insider Threat) nhằm phát triển các phương pháp mới để phát hiện các hoạt động gián điệp trên mạng máy tính quân sự. Một cách nhằm phát hiện các hoạt động gián điệp ẩn giấu là CINDER sẽ áp dụng rất nhiều mô hình hoạt động của đối phương để điều chỉnh các hoạt động trên mạng máy tính nội bộ. Chương trình đọc máy (machine reading) nhằm ứng dụng trí tuệ nhân tạo để phát triển các hệ thống có thể ‘hiểu’ và định được nghĩa của văn bản thay cho con người làm việc này vốn rất tốn kém và chậm chạp.

Có thể lấy thí dụ từ việc Tổng thống Mỹ Barack Obama dùng công nghệ khai phá dữ liệu (data mining) trong cuộc chạy đua với Mitt Romney vào Nhà Trắng để thấy giá trị của dữ liệu lớn. Tại trụ sở của Obama ở Chicago, một đội quân gần 150 kỹ thuật viên từ đầu năm 2012 đã không mệt mỏi thu thập và tạo ra một cơ sở dữ liệu lớn chứa tiểu sử riêng của các cử tri tiềm năng, đặc biệt những cử tri chưa rõ sẽ bầu cho ai. Họ thu thập dữ liệu từ nhiều nguồn khác nhau, nhất là các nguồn trên mạng như từ 16 triệu người đăng ký vào twitter của Obama (so với 500 nghìn của Romney), và gần 27 triệu người đăng ký vào facebook của Obama (so với 1.8 triệu của Romney). Các dữ liệu này cho biết nhiều chi tiết như mỗi cử tri thường đọc sách gì, mua sắm ở đâu, công ăn việc làm là gì, bạn bè là ai, thậm chí mẹ của cử tri lần trước bầu cho ai… Do tiếp cận và phân tích được nguồn dữ liệu lớn này, đội quân của Obama đã có những vận động thích hợp với cử tri, góp phần đáng kể vào chiến thắng cuối cùng.

Còn tại Bộ Năng lượng Mỹ, nhiều chương trình được xây dựng nhằm tạo ra khả năng dẫn đầu về các kỹ thuật quản lý, hiển thị và phân tích dữ liệu lớn. Chẳng hạn chương trình ‘Toán học phục vụ phân tích dữ liệu cỡ peta’ đề cập các thách thức toán học nhằm thấu hiểu được các tập dữ liệu khổng lồ, hoặc tìm ra các thuộc tính cốt lõi từ dữ liệu và hiểu được mối quan hệ giữa các thuộc tính này. Đây cũng là mục tiêu của nhiều chương trình do Quỹ khoa học quốc gia (NSF) tài trợ cho nhiều đại học và viện nghiên cứu nhằm xây dựng các kỹ thuật và công nghệ nền của dữ liệu lớn.

Ngoài ra có nhiều chương trình ở các lĩnh vực khác như an ninh quốc gia (từ phân tích và dự báo các thảm họa thiên nhiên đến các vụ tấn công khủng bố), dịch vụ cho sức khoẻ con người (ngăn chặn và điều khiển dịch bệnh, chế tạo thuốc...), nghiên cứu không gian, nghiên cứu trái đất... tất cả đều liên quan đến dữ liệu lớn.

Các quốc gia khác cũng có những chương trình khoa học về dữ liệu lớn, ví dụ như chương trình FIRST của Nhật (the Funding Program for World-leading Innovative R&D on Science and Technology) nhằm thúc đẩy các nghiên cứu cách tân và dẫn đầu trong cuộc cạnh tranh quốc tế trung và dài hạn, có một phần lớn gồm gần 50 đề tài nhánh về phát triển các phương pháp khai thác cơ sở dữ liệu rất lớn cho phép thực hiện và đánh giá các dịch vụ xã hội có tính chiến lược. Ngày 2 tháng 6 năm 2012, giám đốc NSF Subra Suresh của Mỹ và Bộ trưởng Bộ Giáo dục, văn hóa, thể thao, khoa học và công nghệ (MEXT) Hirofumi Hirano của Nhật đã ký một thỏa thuận hợp tác nghiên cứu về dữ liệu lớn và thảm họa thiên nhiên.

Dữ liệu lớn và công nghiệp

Nhưng chính các doanh nghiệp và các công ty công nghiệp là những nơi đang quan tâm nhiều hơn cả đến dữ liệu lớn, coi đây là một trong những yếu tố có ảnh hưởng quan trọng tới tình hình kinh doanh và phát triển của doanh nghiệp trong tương lai. Chúng ta đã nghe nói về các nhà khoa học đang dùng siêu máy tính để phân tích những lượng dữ liệu khổng lồ trong nghiên cứu. Hiện nay, sau những bước đi tiên phong của khoa học, không chỉ giới khoa học mà những người làm kinh doanh thông minh (business intelligence) đã có thể truy nhập tới các nguồn dữ liệu lớn, và các doanh nghiệp đã bắt đầu có thể khai thác dữ liệu lớn.

Hình bên chỉ ra các công cụ quản trị dữ liệu lớn tiêu biểu hiện nay,
phân loại theo hai trục về dữ liệu có cấu trúc hay không có cấu trúc,
và mã nguồn mở hay thương mại.

Để hiểu được tại sao nhiều công ty quan tâm tới dữ liệu lớn, cần biết xu hướng là một số công ty lớn rất nổi tiếng về chế tạo thiết bị trong quá khứ hiện đang chuyển dần thành các công ty cung cấp dịch vụ, chẳng hạn hướng tới cung cấp phân tích kinh doanh (business analytics). Một thí dụ là IBM. Trước kia IBM chế tạo các máy chủ, máy tính để bàn, máy tính xách tay, và thiết bị cho hạ tầng cơ sở. Hiện nay IBM đã ngừng sản xuất một số loại thiết bị như máy tính xách tay (IBM ThinkPad) và thay vào đó đầu tư hàng tỷ đôla để gây dựng và nhằm đạt được vị trí dẫn đầu trong phân tích kinh doanh. IBM đã đầu tư hơn một tỷ USD dùng SPSS trong phân tích kinh doanh để giành được thị phần bán lẻ. Đối với các kinh doanh thương mại lớn IBM dùng Cognos để cung cấp toàn bộ phân tích dịch vụ.

Để hiểu được tại sao nhiều công ty quan tâm tới dữ liệu lớn, cần biết xu hướng là một số công ty lớn rất nổi tiếng về chế tạo thiết bị trong quá khứ hiện đang chuyển dần thành các công ty cung cấp dịch vụ, chẳng hạn hướng tới cung cấp phân tích kinh doanh (business analytics).

Một ví dụ điển hình khác là, Google, một đại gia về dữ liệu lớn. Mấy ai không từng kinh ngạc sao Google có thể tìm kiếm rất nhanh thông tin trên không gian bao la các trang web chỉ với mấy từ khóa ta đưa vào. Có thể coi Google là người tiên phong trong quản lý và xử lý các lượng dữ liệu khổng lồ. Hiện nay, trên con đường làm chủ dữ liệu lớn, Google đang tiếp tục hoàn thiện công nghệ riêng của mình để phân tích nhanh và tương tác với những lượng dữ liệu khổng lồ: Quản trị dữ liệu bởi Cloud Storage và phân tích dữ liệu bởi BigQuery (nối với công cụ hiển thị của công ty Tableau).

Theo số liệu ngày 15/10/2012 của các tổ chức nghiên cứu thị trường toàn cầu Forbes và Gartner, đầu tư của các doanh nghiệp cho dữ liệu lớn chiếm 88% trên tổng đầu tư. Các công ty đầu tư cho dữ liệu lớn vì họ nhìn thấy việc làm chủ được dữ liệu lớn sẽ cho phép giải quyết nhiều vấn đề phức tạp trước kia không thể làm được hoặc có thể tạo ra các quyết định và hành động tốt hơn. Và điều này cho phép họ có được các ưu thế cạnh tranh, điều cốt tử trong bối cảnh toàn cầu hiện nay. Ngoài ra, làm chủ dữ liệu lớn từ các mạng xã hội cho phép thấu hiểu các hành vi phức tạp của xã hội con người, và nhiều hy vọng ở những đột phá trong khoa học.

Theo dự đoán của Gartner, trong 5 năm 2012-2017 thế giới sẽ đầu tư 232 tỷ USD cho dữ liệu lớn. Tuy nhiên, Gartner cũng dự đoán cho đến cuối 2015, 85% công ty trong bảng xếp hạng 500 công ty lớn nhất Hoa Kỳ (Fortune 500) sẽ thất bại trong việc khai thác dữ liệu lớn. Đơn giản vì các phương pháp và kỹ thuật cho dữ liệu lớn trong ba năm tới chưa đáp ứng được nhu cầu sử dụng, và nhiều phương pháp mới đang được hy vọng sẽ sớm xuất hiện.

Chìa khóa của dữ liệu lớn

Vậy đâu là chìa khóa khoa học và công nghệ của dữ liệu lớn?

Hình bên giới thiệu một mô hình tổng quát về khai thác dữ liệu lớn. Mặc dù đang còn phát triển, ba chìa khóa chính của khai thác dữ liệu lớn luôn được xem là: (1) Quản trị dữ liệu, tức lưu trữ, bảo trì và truy nhập các nguồn dữ liệu lớn; (2) Phân tích dữ liệu, tức tìm cách hiểu được dữ liệu và tìm ra các thông tin hoặc tri thức quý báu từ dữ liệu; (3) Hiển thị (visualization) dữ liệu và kết quả phân tích dữ liệu.

Phát triển công cụ quản trị dữ liệu lớn, nghiên cứu về các kỹ thuật hiển thị dữ liệu lớn, về mối quan hệ phức tạp trong chúng, là những thách thức không nhỏ, nhưng thách thức chính của dữ liệu lớn là các phương pháp phân tích dữ liệu, trong đó chủ yếu là các phương pháp của hai lĩnh vực học máy và khai phá dữ liệu.

Học máy (machine learning) là một lĩnh vực của CNTT nhằm làm cho máy tính có một số khả năng học tập của con người, chủ yếu là học để khám phá. Cốt lõi của việc tạo ra khả năng tự học này của máy là việc phân tích các tập dữ liệu để phát hiện ra các quy luật, các mẫu dạng, các mô hình. Lĩnh vực học máy đã phát triển quãng 40 năm, và đặc biệt bùng nổ trong vòng hơn mười năm qua. Kết hợp ngày càng nhiều hơn với toán học, đặc biệt với hai ngành thống kê và tối ưu, các phương pháp học máy càng mạnh hơn khi phân tích các dữ liệu phức tạp.

Khai phá dữ liệu (data mining) là một lĩnh vực phát triển trong khoảng gần hai mươi năm qua, tập trung vào việc đưa các phương pháp học máy vào phân tích, khai thác các tập dữ liệu lớn có trong các lĩnh vực khác nhau. Những hướng nghiên cứu gần đây về mô hình làm thưa, giảm số chiều, mô hình đồ thị xác suất... trong hai lĩnh vực học máy và khai phá dữ liệu chính là những hướng đi tới các phương pháp phân tích dữ liệu lớn trong những năm tới đây.

Chúng ta có cần quan tâm đến dữ liệu lớn?

Đây là câu hỏi nhiều người đã đặt ra trong các seminar khi chúng tôi giới thiệu về dữ liệu lớn ở Hà Nội và thành phố Hồ Chí Minh. Số đông người hỏi đều nghĩ là Việt Nam ta chưa có những tập dữ liệu lớn.

Câu trả lời của chúng tôi là cần lo ngay cho dữ liệu lớn, vì rất nhiều lý do. Thật ra các lĩnh vực truyền thông, thương mại, giao thông, các mạng xã hội, v.v ở trong nước cũng đã có những tập dữ liệu lớn, nhất là khi xét theo khía cạnh độ phức tạp. Ngay trong nền kinh tế nội địa, ai phân tích được những nguồn dữ liệu lớn đều có cơ hội tìm ra những lợi thế kinh doanh. Về giao thông ở các thành phố lớn như Hồ Chí Minh hay Hà Nội, nếu đã đặt được nhiều bộ cảm ứng ở rất nhiều điểm và lượng dữ liệu thu được cũng có thể coi là khổng lồ và phức tạp. Muốn giải quyết bài toán giao thông đô thị ta không thể không xem xét dựa trên dữ liệu lớn này. Cũng tương tự như vậy, nếu muốn giải bài toán dự đoán lũ lụt miền Trung, ta phải thu được rất nhiều dữ liệu phức tạp về dòng chảy các sông ngòi, về lượng mưa, v.v. Ở đây, dễ dàng thấy mối liên quan chặt chẽ giữa dữ liệu lớn với khoa học và kỹ thuật tính toán ².

Đứng ngoài xu thế chung của thế giới sẽ tất yếu khiến chúng ta bị lúng túng khi bắt buộc phải đối đầu với dữ liệu lớn. Đột phá về phương pháp phân tích dữ liệu lớn cũng có thể mở ra cho ta những con đường sản xuất kinh doanh trong ngành CNTT ở trong và ngoài nước. Và chắc chắn dữ liệu lớn đang là vấn đề được quan tâm bởi các công ty CNTT hàng đầu trong nước.

Tài liệu tham khảo

¹ Trong bài này từ ‘big data’ đôi khi được dùng xen kẽ với ‘dữ liệu lớn’ để nhấn mạnh ‘big data’ đã thành từ cửa miệng trong nhiều câu chuyện của giới khoa học, doanh nghiệp, của các nhà quản lý quốc gia... ở nhiều nơi trên thế giới.

² Phát triển khoa học và kỹ thuật tính toán ở Việt Nam: Bài học và ý kiến, http://tiasang.com.vn/Default.aspx?tabid= 62&CategoryID=2&News=5916.

-Big Data Across the Federal Government – The White House, March 2012.
http://search.whitehouse.gov/search?affiliate=wh&query=Big+data+fact+sheet+&form_id=usasearch_box

-Bill Franks, Taming the Big Data Tidal Wave, Wiley, 2012.

Read More

Thốngkêhọc búzù ứngdụng

Thốngkêhọc búzù ứngdụng


Photo Unknown. Source Somewhere In The Net

Đây là tríchđoạn chương giớithiệu khóatrình thốngkêhọc ứngdụng cho riêng văncông búzù (Applied Statistics & Probability for Buzzus, aka ASPB), gồm 4 bài-giảng siêu-côđọng cover toànbộ các vấnđề thiếtthực nhất của khoahọc thốngkê & sácxuất.

Trung Tướng dựđịnh triểnkhai khóatrình ASPB này với giá 10 Ông Tơn per Nhândân. Nhưng qua 3 ngày thảoluận tại tùybút Sóc Đen Bụng Đỏ, dựđịnh thấtbại toàndiện. Trung Tướng quyếtđịnh tăng giá lên 50 Ông Tơn (per Nhândân), và khuyếncáo văncông: chưa hiểu mình muốn gì, đừng baogiờ xuống tiền.

Nếu chỉ mua tàiliệu mà không dự giảng, mời trả 30 Ông Tơn.

Những ai trót đăngký giá 10 Tơn trước thờiđiểm publish entry, sẽ được bảolưu order. Đó hầu-như là một khuyếnmãi.

Bốn bài ASPB sẽ hướngdẫn các cô 6 chuyênmục: (i) Cănbản, (ii) Mẫu, (iii) Ướclượng, (iv) Kiểmđịnh, (v) Dựbáo, (vi) Kỹnăng, theo cách dễ hấpthụ nhất, dễ ápdụng nhất, thậmchí cho kẻ mù-chữ.

1: Ra quyếtđịnh (Decision Making)

Ra quyếtđịnh là việc các cô phải làm mỗi ngày mỗi giờ.

Bị cảm, bú thuốc Paracetamol hay Panadol?

Sang năm cưới em Meomeo hay em Bali?

Tháng tới mở tiệm bán phở, hay điệnthoại, hay quantài?

Tuần sau đầutư cổphiếu Apple, hay Facebook, hay Google?

Đấy đều là các quyếtđịnh. Thắng hay thua. Lợi hay hại. Tùy các cô có đọc tiếp hay không.

2: Giảthuyết (Hypothesis)

"Anh tin cổphiếu Google vọt 5% trước Giángsinh".

"Em nghĩ Paracetamol hiệuquả hơn Panadol".

Đấy đều là các giảthuyết, đươngnhiên chẳng cái nào sure 100%.

Trong mọi vấnđề thườngnhật của các cô, luôn tồntại nhiều giảthuyết đầy rủiro. Để ra một quyếtđịnh đúngđắn, các cô phải đặt các giảthuyết hợplý, và chọn cái tốt nhất.

"Cổphiếu Google vọt 50% đêm nay" hẳn là một giảthuyết kém hợplý. Khảnăng hiệnthực của nó nhẽ chưa tới 0.01%.

2.1: Giảthuyết gốc (Null Hypothesis)

Khi các cô tậptrung cânnhắc một giảthuyết, thì nó là giảthuyết gốc. Kýhiệu H_o.

"Cổphiếu Google vọt 5% trước Giángsinh" đang là giảthuyết gốc của các cô.

2.2: Giảthuyết ngược (Alternative Hypothesis)

Để phánxét giảthuyết gốc đáng tincậy hay không, các cô phải đặt giảthuyết ngược. Kýhiệu H₁.

"Cổphiếu Google không-thể vọt 5% trước Giángsinh" là một giảthuyết ngược.

"Cổphiếu Google chắcchắn vọt 10% trước Giángsinh" cũng là một giảthuyết ngược, thế mới tài.

Note: Để ra một quyếtđịnh, phải xácđịnh giảthuyết gốc, và một giảthuyết ngược.

3: Sailầm loại I & sailầm loại II (Type I Error & Type II Error)

Với mỗi quyếtđịnh của mình, các cô đều có-thể mắc sailầm.

Nếu sau Giángsinh, cổphiếu Google vọt 5% thật (aka giảthuyết gốc đúng), mà các cô nhát-chết không đầutư (aka phủnhận giảthuyết gốc). Xin chia-buồn, các cô đã mắc sailầm loại I.

Nếu sau Giángsinh, cổphiếu Google đứng-yêm (aka giảthuyết gốc sai), nhưng các cô hehe nhỡ-tay đầutư mẹ 100,000 Tơn (aka chấpnhận giảthuyết gốc). Xin chia-buồn, các cô đã mắc sailầm loại II.

Sailầm loại nào tệhại hơn?

Anhhùng Lê Văn Luyện giết Lừa, Tòa Lừa nhậnđịnh anh ý "có-tội", và xử anh ý tửhình.

Nếu anh Luyện giết Lừa thật (giảthuyết gốc đúng), thì Tòa Lừa quyếtđịnh hehe chuẩn và ngon.

Nếu anh Luyện không giết Lừa (giảthuyết gốc sai), thì Tòa Lừa hehe dính sailầm loại II.

Mang anh Luyện sang Mẽo xử, Tòa Mẽo cũng nhậnđịnh anh ý "có-tội", nhưng cho anh ý 10 năm khángcáo và cơhội chứngminh anh ý vôtội.

Nếu anh Luyện giết Lừa thật, thì Tòa Mẽo dính sailầm loại I.

Sailầm loại nào dễ phântrần hơn?

4: Kiểmđịnh giảthuyết (Hypothesis Testing)

Để yêntâm một giảthuyết gốc là đáng tincậy đến-mức có-thể ra quyếtđịnh nghiêmtúc, trong chừngmực lýthuyết, các cô phải thựchiện kiểmđịnh (test) nó và giảthuyết ngược của nó.

Các cô pháthiện, rằng đã 4 năm liền, cổphiếu Google cứ trước lễ Giángsinh lại tăng giá 5-7%, chả nguyênnhân mẹ. Thôngtin ý đã đủ trôngđợi "Cổphiếu Google vọt 5% trước Giángsinh", hay chưa?

Phải kiểmđịnh đcm.

Thốngkêhọc Búzù cungcấp các cô loạt phươngthức kiểmđịnh giảthuyết dưới triếtlý Bựa, bằng các côngcụ thốngkê cơbản.

5: Mẫu & cỡ-mẫu (Sample & Sample Size)

Thốngkêhọc hànlâm sửdụng các thuậttoán hànlâm nhằm kiểmđịnh any giảthuyết trên các mẫu thôngtin thuthập. Thốngkêhọc búzù cũng.

Trung Tướng phátbiểu: gái Lừa toàn vú bé.

Vú bằng ngần nào là bé?

Trung Tướng giảđịnh: vú gái mỏng hơn 5cm là bé.

Giảđịnh "dầy 5cm" đấy gọi là thôngsố (Hypothesis Parameter).

Để khẳngđịnh giảthuyết của Trung Tướng, cần kiểmtra toànbộ 45 triệu đànbà Lừa.

Số 45 triệu đấy gọi là tổngthể (Statistics Population).

Nhưng Trung Tướng chỉ test được 100 đànbà hehe.

Đám đànbà đạidiện đấy gọi là mẫu (Sample). Số 100 đấy gọi là cỡ-mẫu (Sample Size).

Cỡ-mẫu càng lớn thì giảthuyết càng chắccú, dĩnhiên.

Cỡ-mẫu baonhiêu là vừa?

Bốn mùa Giángsinh đã đủ cỡ-mẫu cho kỳvọng cổphiếu vọt 5%, hay chưa?

6: Bácbỏ & chấpthuận kiểmđịnh

Đám 100 đànbà bị Trung Tướng test vú, thật tiếc, có độ-dầy vú trungbình 80cm.

Giảthuyết gốc (aka Gái Lừa Vú Bé), bởi vậy, bị bácbỏ. Đcm sốliệu trungbình kiểmđịnh khác quá xa thôngsố của giảthuyết.

Nhưng, đcm, nếu độ-dầy vú trungbình của 100 đànbà mẫu chỉ tròmtrèm 7cm. Giảthuyết Vú Bé nên được chấpthuận, hay vẫn chưa?

6.1: Mức-bácbỏ búzù (Significance Level)

Trung Tướng địnhnghĩa, mức-bácbỏ búzù là khảnăng bácbỏ một giảthuyết gốc.

Bọn hànlâm thì địnhnghĩa, mức-bácbỏ là sácxuất của sailầm loại I.

Mức-bácbỏ kýhiệu bằng chữ Alpha (Hylạp "α").

Trái với mức-bácbỏ, mức-chấpthuận là sácxuất của sailầm loại II.

Mức-chấpthuận kýhiệu bằng chữ Beta (Hylạp "β").

Đấy là các hệsố nhằm hạnchế các sailầm (both loại I & II) khi tínhtoán kiểmđịnh các giảthuyết búzù.

Mức-bácbỏ búzù thường là 0.01, 0.05, và 0.10, tươngứng 1%, 5%, và 10%.

Sau này, các cô chỉ cần chọn Alpha & Beta, đéo cần bănkhoăn. Đạikhái, Alpha các cô chọn càng cao thì khảnăng giảthuyết bị bácbỏ càng cao.

6.2: Lệch-chuẩn búzù (Standard Deviation)

Lệch-chuẩn, hay độ-lệch chuẩn, là một kháiniệm thốngkê quantrọng.

Chảdụ, khốilượng bìnhquân của 100 bầnnông bằng 60Kg. Khốilượng bìnhquân của 2 ông voi và 50 ông gà cũng bằng 60Kg. Trung Tướng nói, lệch-chuẩn của bọn bầnnông thấp hơn, aka chúng đều-nhau hơn. Các kếtquả kiểmđịnh trên một mẫu có lệch-chuẩn thấp hơn sẽ đáng tincậy hơn.

Lệch-chuẩn kýhiệu bằng chữ Sigma (Hylạp "σ"), và tính khá giảndị.

Giảndị như nào? Mời học.

Rốtcuộc văncông búzù có nên đầutư cổphiếu Google trước Giángsinh? Mời học.

Không học thì cắn cứt.

(@2012)

(Sticked) Đẳngcấp Văn Bựa & Quán Bựa

Read More

Tài chính doanh nghiệp

Financial liquidity, solvency, and leverage (Thanhkhoản, khảnăng thanhtoán, và đòn-bẩy tàichính)

1 2 3 4 5  (835)

» *Kinh-tế
Page: 12345

Thanhkhoản, khảnăng thanhtoán, và đòn-bẩy tàichính


Photo Unknown. Source Somewhere In The Net

Note: Sốliệu dùng trong bài-biên lấy từ báocáo tàichính (BCTC) của vài côngty tiếngtăm Lừa đã côngkhai trên Gúc.

(1) Thanhkhoản

Thanhkhoản (Liquidity) là phẩmchất của một tàisản, thểhiện khảnăng giữ-giá của nó khi đem bán.

Theo địnhnghĩa ý, tiền Ông Cụ có thanhkhoản tốt nhất. Sure, Ông Cụ đang là phươngtiện thanhtoán cănbản của các cô.

Tiền Ông Tơn mất-giá khoảng 2K Cụ cho một Vé (2.1 triệu Cụ) khi mua rồi bán, có thanhkhoản cũng ngon.

Vàng SJC mất-giá khoảng 800K Cụ cho một Lạng (46 triệu Cụ), thanhkhoản không tệ.

Cổphiếu STB mất-giá khoảng 2K Cụ cho một Chấng (20 ngàn Cụ), thanhkhoản như dái.

(2) Tàisản ngắn-hạn & dài-hạn

Trong ngạch tàichính, tàisản ngắn-hạn aka tàisản lưuđộng (Current Assets) được hiểu là các tàisản có thanhkhoản tốt của doanhnghiệp.

Tàisản dài-hạn aka tàisản cốđịnh (Fixed Assets, or Long-term Assets) như nhàcửa, đấtcát, xepháo, đươngnhiên thanhkhoản dái.

Chứngkhoán (aka Chấng) thanhkhoản dái cũng.

Tàisản ngắn-hạn của doanhnghiệp luôn được xếp-nhóm theo thanhkhoản giảm-dần, gồm: Tiền-mặt, Đầutư Ngắn-hạn, Phải-thu, Ứng-trước, và Hàng-tồn-kho.

Doanhnghiệp quá dồidào tàisản thanhkhoản ngon, như tiền-mặt, tráiphiếu, tiền phải-thu của kháchhàng, etc, cũng không hayhớm gì. Điều ý chứngtỏ các cô dùng tiền không mấy hiệuquả, quay-vòng chậm, hoặc cho kháchhàng nợ quáđáng.

Nhưng nếu eohẹp thanhkhoản, các cô sẽ khốnđốn vì nợnần, lúc nào cũng méo mồm lo tiền-tiền-tiền đcm.

(3) Nợ ngắn-hạn

Nợ ngắn-hạn (Current Liabilities) là số tiền phải-trả trong một chukỳ tàichính (vídụ 1 năm) của doanhnghiệp.

Note: Các khoản nợ dài-hạn đến-hạn trả (vídụ vay ngânhàng đáohạn) cũng là nợ ngắn-hạn.

Bản BCTC 2012 của côngty QC Jalai chép như sau:

- Vay ngắn-hạn: 109 tỷ Cụ.
- Phải-trả người-bán: 183 tỷ.
- Người-mua trả trước: 261 tỷ.
- Phải-trả thuế: 62 tỷ.
- Phải-trả nhâncông: 1.7 tỷ.
- Làm từthiện: (2.4) tỷ.
- Các khoản phải-trả ngắn-hạn khác: 1,222.2 tỷ.

Note: Khoản 2.4 tỷ trong dấu ngoặc-đơn (...) nhằm thểhiện một giátrị Âm. Aka tiền đó đã chitiêu mẹ rồi.

Tấtcả các khoảnmục trên đều là nợ ngắn-hạn của QC Jalai. Tổngcộng 1,836.5 tỷ Cụ (số Âm thì bị trừ, đươngnhiên).

Món nợ nóng 1,836.5 tỷ ý sẽ đốt đít các cô mỗi ngày, nếu các cô là sếp, cổđông, hoặc chủ-nợ của QC Jalai. Bởi nó ngắn-hạn, đcm thế mới hiểm.

Để nợ bớt thôithúc, QC Jalai cần bảođảm sẵnsàng một lượng tàisản thanhkhoản tốt.

Vậy khốngchế lượng tàisản ý bằng baonhiêu là vừa?

(4) Nợ dài-hạn

Nợ dài-hạn (Long-term Liabilities) cũng là Nợ, nhưng ít nóng hơn nợ ngắn-hạn.

Đây thường là các khoản vay dài-hạn từ ngânhàng và đốitác, hoặc nhận tiền-cọc, hoặc nhận vốn-góp liêndoanh etc.

(5) Vốnliếng

Vốnliếng (Owners Equity), Lừa hay kêu bằng Vốn Chủ Sởhữu, đươngnhiên là vốn tự-có của doanhnghiệp.

Note: Lừa các cô thường nhầm Vốnliếng (Equity) với Vốn Hoạtđộng (Capital). Đcm thế mới đầnđộn.

Vốnliếng của một doanhnghiệp gồm: Vốn Cổphần, Thặngdư Vốn, Quỹ, Lãi Chưa-chia, và các món tươngtự.

Vốn cổphần là tiền các cô góp thànhlập doanhnghiệp.

Thặngdư vốn là tiền các cô bán cổphiếu cao hơn mệnhgiá khi pháthành ra côngchúng.

Quỹ là tiền trích lãi hàng-năm nhằm các mụcđích như phúclợi, khenthưởng, dựphòng, R&D, etc.

Lãi chưa-chia là tiền lãi rốtcuộc của doanhnghiệp, nhưng chưa chiabôi phânbổ.

Tóm-lại, vốnliếng (equity, not capital) là tiền của chính các cô, gồm đầutư banđầu, và lờilãi kiếm được.

(6) Cânđối tàisản

Cânđối tàisản aka cânđối kếtoán (Balance Sheet) là báocáo về tàisản, nợnần, và vốnliếng của doanhnghiệp.

Một bảng cânđối tàisản luôn chứa 3 mục: tàisản, nợnần, và vốnliếng.

Trong đó, tàisản (ngắn-hạn & dài-hạn) luôn bằng tổng nợnần (ngắn-hạn & dài-hạn, too) và vốnliếng.

Đây, cânđối tàisản của QC Jalai 2012. Đơnvị báocáo: Tỷ Cụ.

(*1) Tàisản ngắn-hạn: 3,237.9
(*1.1) Tiền: 8.6
(*1.2) Phải-thu: 543.8
(*1.3) Hàng-tồn-kho: 2,685.5
(*3) Tàisản dài-hạn: 1,821.6
(*3.1) Tàisản cốđịnh: 423.2
(*3.2) Đầutư dài-hạn: 1,398.4
Tổng Tàisản: 5,059.5

(*2) Nợnần: 2,839.0
(*2.1) Nợ ngắn-hạn: 1,836.5
(*2.2) Nợ dài-hạn: 1,002.5
(*4) Vốnliếng: 2,220.5
Tổng Nợnần & Vốnliếng: 5,059.5

Nguồn: Somewhere in Net.

(7) Khảnăng thanhtoán

Khảnăng thanhtoán (Solvency) của một doanhnghiệp là khảnăng trả các khoản nợ ngắn-hạn bằng các tàisản ngắn-hạn của nó.

Hiếm con điên nào dùng nhà-xưởng (tàisản dài-hạn) để gán nợ mua xăng (nợ ngắn-hạn), nên nhândân kinhtài chỉ xét khảnăng thanhtoán của một doanhnghiệp trên quymô tàisản ngắn-hạn của nó.

Khảnăng thanhtoán phổthông của doanhnghiệp được phântích qua các chỉsố tàichính below. Sốmá minhhọa lấy từ bảng cânđối tàisản của QC Jalai, mục (6) above.

(7.1) CR: Current Ratio, aka Chỉsố Thanhtoán Ngắn-hạn, or Chỉsố Thanhtoán Hiệnhành

CR tính bằng tỷsố tàisản ngắn-hạn (*1) và nợ ngắn-hạn (*2.1) trong bảng cânđối-tàisản:

CR = 3,237.9/1,836.5 = 1.76

CR nằm khoảng 1.5-3.0 thì tìnhtrạng tàichính cơbản OK.

CR<1 thì doanhnghiệp gặp khókhăn về thanhtoán.

Nếu CR quá cao, doanhnghiệp có-thể đã không tậndụng hiệuquả tàisản lưuđộng của mình, hoặc quảnlý vốn chưa chuẩn.

Nhiều côngty Lừa chuyên cốgắng nuôi CR<1. Lýdo: mời học Fast-MBA.

CR thằng Gúc quãng 3.8-4.0.

(7.2) QR: Quick Ratio, or Acid Test Ratio, aka Chỉsố Thanhtoán Nhanh

QR tính bằng tỷsố tàisản thanhkhoản ngon và nợ ngắn-hạn (*2.1).

Tàisản thanhkhoản "ngon" là các tàisản ngắn-hạn (*1) không-kể hàng-tồn-kho (*1.3), aka tổng các khoản tiền & tươngđương, đầutư nhanh (marketable securities, chấng khảmại), và tiền phải-thu.

QR = (3,237.9-2,685.5)/1,836.5 = 0.30

QR>1: Khảnăng thanhtoán nuộtnà.

QR<1: Khảnăng thanhtoán lìutìu.

QR thằng Gúc quãng 3.5-3.7.

(7.3) CSR: Cash Ratio, aka Chỉsố Thanhtoán Tiền-mặt

CSR tính bằng tỷsố tàisản tươngđương tiền (*1.1) và nợ ngắn-hạn (*2.1).

Tàisản tươngđương tiền gồm tiền-mặt, tiền bank, và các thểloại Marketable Securities Chấng Khảmại.

CSR = 8.6/1,836.5 = 0.0047

CSR Lừa thường cực thấp, dưới 0.1, bằng 1/10 Tây Lông. Lýdo: Lừa đéo thích dựphòng chấng khảmại.

CSR thằng Gúc quãng 2.8-3.0.

(7.4) NWCA: Net Working Capital to Total Assets Ratio, aka Chỉsố Vốn Hoạtđộng Ròng

NWCA tính bằng tỷsố vốn hoạtđộng ròng (NWC) và tổng-tàisản.

Vốn hoạtđộng ròng (NWC) thì bằng hiệusố tàisản ngắn-hạn (*1) và nợ ngắn-hạn (*2.1).

NWC = 3,237.9-1,836.5

NWCA = (3,237.9-1,836.5)/5,059.5 = 0.28

NWC>0 thì doanhnghiệp hoạtđộng trơntru, dòng-tiền êmái.

NWC<0 thì doanhnghiệp luôn loayhoay trả nợ.

Lúc này tiền vay (hoặc chiếmdụng) ngắn-hạn không đổ hoàntoàn vào tàisản ngắn-hạn để sảnxuất kinhdoanh, mà tống mẹ sang chỗ khác, dài-hạn, vídụ đầutư bấtđộngsản.

Tại Mẽo, NWCA bìnhquân quãng 0.25 (aka 25%), và giảm mạnhmẽ từ mức 0.40 sau WW2.

(8) Đòn-bẩy tàichính

Mời học Fast-MBA đcm văncông gẳm thối-tai.

(@2012)

Tags: thanh-khoản, khả-năng thanh-toán, đòn-bẩy tài-chính, tài-sản doanh-nghiệp.

Author An Hoang Trung Tuong posted at 9:07 am

CHÉP TỪ QUÁN BỰA PHẢI GHI NGUỒN VÀ TÁCGIẢ

Read More