| Thống kê lượng với DataFrame trên Python

---

Thống kê lượng với DataFrame trên Python

Thống kê lượng (descriptive statistics) là một phần quan trọng trong phân tích dữ liệu, giúp bạn hiểu được đặc điểm và xu hướng của dữ liệu. Với Pandas DataFrame, việc thực hiện các phép thống kê trở nên đơn giản và hiệu quả. Bài viết này sẽ hướng dẫn bạn cách sử dụng các hàm thống kê trong Pandas để phân tích dữ liệu.

Thống kê mô tả là gì?

Thống kê mô tả là các phép toán giúp tóm tắt và mô tả các đặc điểm chính của dữ liệu mà không cần suy luận về toàn bộ quần thể. Các thống kê mô tả phổ biến bao gồm:

• Trung bình (Mean): Giá trị trung bình của dữ liệu
• Trung vị (Median): Giá trị ở giữa khi sắp xếp dữ liệu
• Độ lệch chuẩn (Standard Deviation): Đo lường độ phân tán của dữ liệu
• Phương sai (Variance): Bình phương của độ lệch chuẩn
• Tứ phân vị (Quartiles): Chia dữ liệu thành 4 phần bằng nhau
• Min/Max: Giá trị nhỏ nhất và lớn nhất

Cài đặt và import thư viện

Trước khi bắt đầu, bạn cần import các thư viện cần thiết:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Thiết lập hiển thị
pd.set_option('display.max_columns', None)
pd.set_option('display.width', None)

Tạo dữ liệu mẫu

Để minh họa, chúng ta sẽ tạo một DataFrame mẫu về doanh số bán hàng:

# Tạo dữ liệu mẫu
np.random.seed(42)
data = {
    'Ngày': pd.date_range('2024-01-01', periods=100, freq='D'),
    'Doanh_thu': np.random.normal(50000, 10000, 100),
    'Số_lượng': np.random.randint(100, 500, 100),
    'Chi_phí': np.random.normal(30000, 5000, 100),
    'Khu_vực': np.random.choice(['Miền Bắc', 'Miền Trung', 'Miền Nam'], 100),
    'Sản_phẩm': np.random.choice(['A', 'B', 'C', 'D'], 100)
}

df = pd.DataFrame(data)

# Tính thêm cột Lợi nhuận
df['Lợi_nhuận'] = df['Doanh_thu'] - df['Chi_phí']
df['Tỷ_lệ_lợi_nhuận'] = (df['Lợi_nhuận'] / df['Doanh_thu']) * 100

# Hiển thị 5 dòng đầu
print(df.head())

Thống kê mô tả cơ bản với describe()

Hàm describe() là cách nhanh nhất để xem tổng quan về dữ liệu:

# Thống kê mô tả cho tất cả các cột số
print(df.describe())

# Thống kê mô tả cho một cột cụ thể
print(df['Doanh_thu'].describe())

# Thống kê mô tả với các tứ phân vị tùy chỉnh
print(df.describe(percentiles=[0.1, 0.25, 0.5, 0.75, 0.9]))

# Thống kê mô tả bao gồm cả dữ liệu không phải số
print(df.describe(include='all'))

Kết quả của describe() bao gồm:

• count: Số lượng giá trị không phải NaN
• mean: Giá trị trung bình
• std: Độ lệch chuẩn
• min: Giá trị nhỏ nhất
• 25%: Tứ phân vị thứ nhất (Q1)
• 50%: Trung vị (Q2)
• 75%: Tứ phân vị thứ ba (Q3)
• max: Giá trị lớn nhất

Các hàm thống kê cơ bản

Trung bình (Mean)

# Trung bình của một cột
mean_revenue = df['Doanh_thu'].mean()
print(f"Trung bình doanh thu: {mean_revenue:,.2f}")

# Trung bình của nhiều cột
mean_multiple = df[['Doanh_thu', 'Chi_phí', 'Lợi_nhuận']].mean()
print(mean_multiple)

# Trung bình theo trục (axis)
# axis=0: tính theo cột (mặc định)
# axis=1: tính theo hàng
mean_by_row = df[['Doanh_thu', 'Chi_phí']].mean(axis=1)
print(mean_by_row.head())

Trung vị (Median)

# Trung vị của một cột
median_revenue = df['Doanh_thu'].median()
print(f"Trung vị doanh thu: {median_revenue:,.2f}")

# Trung vị của nhiều cột
median_multiple = df[['Doanh_thu', 'Chi_phí', 'Lợi_nhuận']].median()
print(median_multiple)

Độ lệch chuẩn và Phương sai

# Độ lệch chuẩn
std_revenue = df['Doanh_thu'].std()
print(f"Độ lệch chuẩn doanh thu: {std_revenue:,.2f}")

# Phương sai
var_revenue = df['Doanh_thu'].var()
print(f"Phương sai doanh thu: {var_revenue:,.2f}")

# Hệ số biến thiên (CV) = std/mean
cv = df['Doanh_thu'].std() / df['Doanh_thu'].mean()
print(f"Hệ số biến thiên: {cv:.2%}")

Min, Max và Range

# Giá trị nhỏ nhất
min_revenue = df['Doanh_thu'].min()
print(f"Doanh thu nhỏ nhất: {min_revenue:,.2f}")

# Giá trị lớn nhất
max_revenue = df['Doanh_thu'].max()
print(f"Doanh thu lớn nhất: {max_revenue:,.2f}")

# Khoảng biến thiên (Range)
range_revenue = df['Doanh_thu'].max() - df['Doanh_thu'].min()
print(f"Khoảng biến thiên: {range_revenue:,.2f}")

# Hoặc sử dụng ptp (peak to peak)
range_ptp = df['Doanh_thu'].ptp()
print(f"Khoảng biến thiên (ptp): {range_ptp:,.2f}")

Tứ phân vị (Quartiles)

# Tứ phân vị thứ nhất (Q1 - 25%)
q1 = df['Doanh_thu'].quantile(0.25)
print(f"Q1 (25%): {q1:,.2f}")

# Trung vị (Q2 - 50%)
q2 = df['Doanh_thu'].quantile(0.5)
print(f"Q2 (50%): {q2:,.2f}")

# Tứ phân vị thứ ba (Q3 - 75%)
q3 = df['Doanh_thu'].quantile(0.75)
print(f"Q3 (75%): {q3:,.2f}")

# Khoảng tứ phân vị (IQR - Interquartile Range)
iqr = q3 - q1
print(f"IQR: {iqr:,.2f}")

# Tất cả các tứ phân vị cùng lúc
quartiles = df['Doanh_thu'].quantile([0.25, 0.5, 0.75])
print(quartiles)

Tổng và Đếm

# Tổng
total_revenue = df['Doanh_thu'].sum()
print(f"Tổng doanh thu: {total_revenue:,.2f}")

# Đếm số lượng (không tính NaN)
count = df['Doanh_thu'].count()
print(f"Số lượng giá trị: {count}")

# Đếm tất cả (kể cả NaN)
count_all = df['Doanh_thu'].size
print(f"Tổng số phần tử: {count_all}")

# Đếm số giá trị duy nhất
unique_count = df['Khu_vực'].nunique()
print(f"Số khu vực duy nhất: {unique_count}")

# Đếm số lần xuất hiện của mỗi giá trị
value_counts = df['Khu_vực'].value_counts()
print(value_counts)

Thống kê theo nhóm (GroupBy)

Một trong những tính năng mạnh mẽ nhất của Pandas là thống kê theo nhóm:

# Thống kê theo khu vực
stats_by_region = df.groupby('Khu_vực')['Doanh_thu'].agg(['mean', 'median', 'std', 'min', 'max'])
print(stats_by_region)

# Nhiều hàm thống kê cho nhiều cột
stats_multiple = df.groupby('Khu_vực')[['Doanh_thu', 'Chi_phí', 'Lợi_nhuận']].agg({
    'Doanh_thu': ['mean', 'sum', 'std'],
    'Chi_phí': ['mean', 'sum'],
    'Lợi_nhuận': ['mean', 'sum', 'min', 'max']
})
print(stats_multiple)

# Thống kê theo nhiều cột nhóm
stats_multi_group = df.groupby(['Khu_vực', 'Sản_phẩm'])['Doanh_thu'].agg(['mean', 'sum', 'count'])
print(stats_multi_group)

Sử dụng agg() cho thống kê tùy chỉnh

Hàm agg() cho phép bạn áp dụng nhiều hàm thống kê cùng lúc:

# Áp dụng nhiều hàm cho một cột
stats_custom = df['Doanh_thu'].agg(['mean', 'median', 'std', 'min', 'max', 'sum'])
print(stats_custom)

# Áp dụng hàm tùy chỉnh
def coefficient_of_variation(series):
    """Tính hệ số biến thiên"""
    return series.std() / series.mean()

custom_stats = df['Doanh_thu'].agg(['mean', 'std', coefficient_of_variation])
print(custom_stats)

# Với GroupBy
grouped_stats = df.groupby('Khu_vực')['Doanh_thu'].agg([
    'mean',
    'std',
    ('cv', coefficient_of_variation),
    ('range', lambda x: x.max() - x.min())
])
print(grouped_stats)

Thống kê mô tả nâng cao

Độ lệch (Skewness) và Độ nhọn (Kurtosis)

# Độ lệch (Skewness) - đo độ bất đối xứng
# > 0: lệch phải, < 0: lệch trái, = 0: đối xứng
skew = df['Doanh_thu'].skew()
print(f"Độ lệch: {skew:.2f}")

# Độ nhọn (Kurtosis) - đo độ nhọn của phân phối
# > 3: nhọn hơn phân phối chuẩn, < 3: phẳng hơn
kurtosis = df['Doanh_thu'].kurtosis()
print(f"Độ nhọn: {kurtosis:.2f}")

# Sử dụng scipy để tính chính xác hơn
from scipy import stats
skew_scipy = stats.skew(df['Doanh_thu'])
kurtosis_scipy = stats.kurtosis(df['Doanh_thu'])
print(f"Độ lệch (scipy): {skew_scipy:.2f}")
print(f"Độ nhọn (scipy): {kurtosis_scipy:.2f}")

Phân phối chuẩn hóa (Z-score)

# Tính Z-score (chuẩn hóa)
df['Doanh_thu_zscore'] = (df['Doanh_thu'] - df['Doanh_thu'].mean()) / df['Doanh_thu'].std()

# Hoặc sử dụng scipy
from scipy.stats import zscore
df['Doanh_thu_zscore2'] = zscore(df['Doanh_thu'])

# Tìm các giá trị ngoại lai (outliers) với Z-score > 3 hoặc < -3
outliers = df[abs(df['Doanh_thu_zscore']) > 3]
print(f"Số lượng giá trị ngoại lai: {len(outliers)}")
print(outliers[['Ngày', 'Doanh_thu', 'Doanh_thu_zscore']])

Tứ phân vị và Box Plot

# Tính tất cả các tứ phân vị
percentiles = [0, 0.1, 0.25, 0.5, 0.75, 0.9, 1.0]
percentile_values = df['Doanh_thu'].quantile(percentiles)
print(percentile_values)

# Vẽ box plot để trực quan hóa
plt.figure(figsize=(10, 6))
df.boxplot(column='Doanh_thu', by='Khu_vực', figsize=(10, 6))
plt.title('Box Plot Doanh thu theo Khu vực')
plt.suptitle('')  # Xóa tiêu đề mặc định
plt.ylabel('Doanh thu')
plt.show()

Tương quan và Hiệp phương sai

# Ma trận tương quan
correlation_matrix = df[['Doanh_thu', 'Chi_phí', 'Lợi_nhuận', 'Số_lượng']].corr()
print(correlation_matrix)

# Tương quan giữa hai cột cụ thể
corr_revenue_profit = df['Doanh_thu'].corr(df['Lợi_nhuận'])
print(f"Tương quan Doanh thu - Lợi nhuận: {corr_revenue_profit:.2f}")

# Ma trận hiệp phương sai
covariance_matrix = df[['Doanh_thu', 'Chi_phí', 'Lợi_nhuận']].cov()
print(covariance_matrix)

# Vẽ heatmap tương quan
plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0, 
            square=True, linewidths=1, cbar_kws={"shrink": 0.8})
plt.title('Ma trận Tương quan')
plt.tight_layout()
plt.show()

Thống kê theo thời gian

Khi làm việc với dữ liệu thời gian, bạn có thể tính thống kê theo các khoảng thời gian:

# Đặt Ngày làm index
df_time = df.set_index('Ngày')

# Thống kê theo tuần
weekly_stats = df_time['Doanh_thu'].resample('W').agg(['mean', 'sum', 'std'])
print(weekly_stats.head())

# Thống kê theo tháng
monthly_stats = df_time['Doanh_thu'].resample('M').agg(['mean', 'sum', 'std', 'min', 'max'])
print(monthly_stats)

# Thống kê theo quý
quarterly_stats = df_time['Doanh_thu'].resample('Q').agg(['mean', 'sum'])
print(quarterly_stats)

Ví dụ thực tế: Báo cáo thống kê hoàn chỉnh

Dưới đây là một ví dụ tạo báo cáo thống kê hoàn chỉnh:

def generate_statistics_report(df, numeric_columns):
    """
    Tạo báo cáo thống kê chi tiết cho các cột số
    """
    report = {}

    for col in numeric_columns:
        series = df[col]
        report[col] = {
            'Số lượng': series.count(),
            'Trung bình': series.mean(),
            'Trung vị': series.median(),
            'Độ lệch chuẩn': series.std(),
            'Phương sai': series.var(),
            'Min': series.min(),
            'Q1 (25%)': series.quantile(0.25),
            'Q2 (50%)': series.quantile(0.5),
            'Q3 (75%)': series.quantile(0.75),
            'Max': series.max(),
            'IQR': series.quantile(0.75) - series.quantile(0.25),
            'Range': series.max() - series.min(),
            'Độ lệch': series.skew(),
            'Độ nhọn': series.kurtosis(),
            'Hệ số biến thiên': series.std() / series.mean()
        }

    report_df = pd.DataFrame(report).T
    return report_df

# Tạo báo cáo
numeric_cols = ['Doanh_thu', 'Chi_phí', 'Lợi_nhuận', 'Số_lượng']
report = generate_statistics_report(df, numeric_cols)
print(report.round(2))

Trực quan hóa thống kê

# Vẽ histogram với thống kê
fig, axes = plt.subplots(2, 2, figsize=(15, 12))

# Histogram Doanh thu
axes[0, 0].hist(df['Doanh_thu'], bins=20, edgecolor='black', alpha=0.7)
axes[0, 0].axvline(df['Doanh_thu'].mean(), color='r', linestyle='--', label=f'Mean: {df["Doanh_thu"].mean():,.0f}')
axes[0, 0].axvline(df['Doanh_thu'].median(), color='g', linestyle='--', label=f'Median: {df["Doanh_thu"].median():,.0f}')
axes[0, 0].set_title('Phân phối Doanh thu')
axes[0, 0].set_xlabel('Doanh thu')
axes[0, 0].set_ylabel('Tần suất')
axes[0, 0].legend()
axes[0, 0].grid(True, alpha=0.3)

# Box plot theo Khu vực
df.boxplot(column='Doanh_thu', by='Khu_vực', ax=axes[0, 1])
axes[0, 1].set_title('Doanh thu theo Khu vực')
axes[0, 1].set_xlabel('Khu vực')
axes[0, 1].set_ylabel('Doanh thu')

# Scatter plot Doanh thu vs Lợi nhuận
axes[1, 0].scatter(df['Doanh_thu'], df['Lợi_nhuận'], alpha=0.6)
axes[1, 0].set_title('Tương quan Doanh thu - Lợi nhuận')
axes[1, 0].set_xlabel('Doanh thu')
axes[1, 0].set_ylabel('Lợi nhuận')
axes[1, 0].grid(True, alpha=0.3)

# Bar chart trung bình theo Khu vực
mean_by_region = df.groupby('Khu_vực')['Doanh_thu'].mean()
axes[1, 1].bar(mean_by_region.index, mean_by_region.values, color=['#1f77b4', '#ff7f0e', '#2ca02c'])
axes[1, 1].set_title('Trung bình Doanh thu theo Khu vực')
axes[1, 1].set_xlabel('Khu vực')
axes[1, 1].set_ylabel('Doanh thu trung bình')
axes[1, 1].grid(True, alpha=0.3, axis='y')

plt.tight_layout()
plt.show()

Xử lý dữ liệu thiếu trong thống kê

# Tạo dữ liệu có giá trị thiếu
df_missing = df.copy()
df_missing.loc[df_missing.sample(10).index, 'Doanh_thu'] = np.nan

# Thống kê với dữ liệu thiếu
print("Số lượng giá trị thiếu:", df_missing['Doanh_thu'].isna().sum())
print("Thống kê (bỏ qua NaN):")
print(df_missing['Doanh_thu'].describe())

# Thống kê với skipna=False (sẽ trả về NaN nếu có giá trị thiếu)
mean_with_na = df_missing['Doanh_thu'].mean(skipna=False)
print(f"nTrung bình (không bỏ qua NaN): {mean_with_na}")

# Điền giá trị thiếu trước khi tính thống kê
df_filled = df_missing.copy()
df_filled['Doanh_thu'].fillna(df_filled['Doanh_thu'].mean(), inplace=True)
print("nThống kê sau khi điền giá trị thiếu:")
print(df_filled['Doanh_thu'].describe())

Kết luận

Thống kê lượng với DataFrame trong Python là một công cụ mạnh mẽ để phân tích và hiểu dữ liệu. Với Pandas, bạn có thể:

• Tính toán các thống kê mô tả cơ bản và nâng cao
• Phân tích dữ liệu theo nhóm
• Trực quan hóa kết quả thống kê
• Xử lý dữ liệu thiếu trong quá trình tính toán
• Tạo báo cáo thống kê tự động

Để tìm hiểu thêm về Pandas, bạn có thể xem bài viết Giới thiệu về Pandas. Nếu bạn muốn áp dụng thống kê trong phân tích tài chính, hãy tham khảo bài viết Phân tích kỹ thuật với Python.

Tài liệu tham khảo

• Pandas Statistical Functions
• NumPy Statistical Functions
• SciPy Statistics

Tổng quan về thống kê lượng dataframe

Thống Kê Lượng Dataframe là chủ đề được nhiều người quan tâm trong cộng đồng đầu tư và lập trình. Hiểu đúng bản chất giúp bạn áp dụng hiệu quả vào công việc và đầu tư.

Bài viết này tổng hợp kiến thức về thống kê lượng dataframe: khái niệm, các bước thực hiện, ví dụ minh họa và câu hỏi thường gặp.

Các khái niệm cần nắm

Khái niệm	Giải thích	Ví dụ
Khái niệm 1	Nền tảng của chủ đề	Áp dụng thực tế
Khái niệm 2	Mở rộng kiến thức	Tình huống cụ thể
Khái niệm 3	Ứng dụng nâng cao	Kết hợp nhiều yếu tố

Các bước thực hiện chi tiết

Bắt đầu từ việc xác định mục tiêu rõ ràng, sau đó chia nhỏ công việc thành từng bước có thể kiểm tra được. Ghi chép lại quá trình để rút kinh nghiệm.

def main():
    # bước 1: xác định mục tiêu
    # bước 2: thu thập thông tin
    # bước 3: thực hiện và kiểm tra
    print('Hoàn thành')

if __name__ == '__main__':
    main()

Lưu ý và lỗi thường gặp

Lỗi phổ biến là làm tắt các bước quan trọng dẫn đến kết quả sai. Hãy kiểm tra từng giai đoạn và sẵn sàng quay lại điều chỉnh khi cần.

Câu hỏi thường gặp về thống kê lượng dataframe

Tôi nên bắt đầu học thống kê lượng dataframe từ đâu?

Hãy bắt đầu từ khái niệm cơ bản, làm theo ví dụ, rồi tự áp dụng vào một bài toán nhỏ của riêng bạn.

Cần bao lâu để thành thạo?

Tùy vào thời gian đầu tư, nhưng với thực hành đều đặn vài tuần bạn sẽ nắm được phần cốt lõi và tiếp tục phát triển.

Có tài liệu nào nên đọc không?

Ưu tiên tài liệu chính thức và các khóa học có bài tập thực hành, kết hợp với việc tự xây dựng dự án nhỏ.

Kết luận

Thống Kê Lượng Dataframe là hành trình cần sự kiên trì và thực hành. Hãy đặt mục tiêu nhỏ, hoàn thành từng bước và không ngừng cải thiện để đạt kết quả tốt nhất.

Checklist kiểm tra trước khi áp dụng thống kê lượng dataframe

Trước khi triển khai thống kê lượng dataframe, hãy dùng checklist dưới đây để đảm bảo bạn không bỏ sót bước quan trọng nào. Checklist giúp quy trình trở nên nhất quán và giảm thiểu sai sót.

#	Hạng mục	Trạng thái
1	Mục tiêu rõ ràng, đo lường được	[ ]
2	Dữ liệu / thông tin đầu vào đầy đủ	[ ]
3	Công cụ và môi trường sẵn sàng	[ ]
4	Quy trình từng bước được xác định	[ ]
5	Kế hoạch kiểm tra kết quả	[ ]
6	Phương án xử lý rủi ro	[ ]
7	Ghi chép và lưu trữ kết quả	[ ]

Hãy hoàn thành từng mục trước khi chuyển sang bước thực hiện chính. Nếu bất kỳ mục nào chưa sẵn sàng, hãy dành thời gian xử lý trước thay vì lao vào làm vội. Chuẩn bị kỹ lưỡng giúp bạn tránh những sửa chữa tốn kém về sau.

Sau khi hoàn thành

Sau khi triển khai, hãy quay lại kiểm tra từng mục và ghi chú kết quả. Những ghi chú này là tài liệu tham khảo quý giá cho lần triển khai tiếp theo, giúp bạn rút ngắn thời gian và nâng cao chất lượng dần theo thời gian.

Case study điển hình về thống kê lượng dataframe

Để thấy rõ giá trị thực tế của thống kê lượng dataframe, chúng ta xem xét một case study điển hình. Một người mới bắt đầu với ít kinh nghiệm, sau khi áp dụng có hệ thống đã đạt được kết quả rõ rệt trong một khoảng thời gian nhất định.

Ban đầu, họ dành thời gian học khái niệm và xây dựng phiên bản tối giản. Thay vì tìm kiếm giải pháp hoàn hảo, họ tập trung vào việc hoàn thành từng bước nhỏ và đo lường kết quả. Cách tiếp cận này giúp họ duy trì động lực và cải thiện liên tục.

Mốc thời gian	Hành động	Kết quả
Tháng 1	Học cơ bản, chuẩn bị công cụ	Nắm nền tảng
Tháng 2	Xây dựng phiên bản đầu tiên	Có sản phẩm chạy được
Tháng 3	Kiểm thử và tối ưu	Kết quả cải thiện
Tháng 4	Mở rộng và tự động hóa	Tiết kiệm thời gian đáng kể
Tháng 6	Vận hành ổn định	Kết quả nhất quán, dài hạn

Bài học rút ra từ case study

Bài học quan trọng nhất là sự kiên trì và làm có hệ thống. Không có bước nhảy thần kỳ nào, chỉ có sự tích lũy đều đặn. Bạn cũng nên sẵn sàng điều chỉnh khi dữ liệu cho thấy cần thay đổi, thay vì cố chấp giữ nguyên kế hoạch cũ.

Xu hướng và tương lai của thống kê lượng dataframe

Lĩnh vực liên quan đến thống kê lượng dataframe đang phát triển rất nhanh. Hiểu được xu hướng giúp bạn chuẩn bị tốt hơn và nắm bắt cơ hội trước khi chúng trở nên phổ biến.

Một xu hướng rõ ràng là sự tự động hóa ngày càng sâu. Những công việc từng đòi hỏi thao tác thủ công đang dần được thay thế bằng các quy trình tự động, giúp con người tập trung vào quyết định chiến lược.

Xu hướng thứ hai là vai trò ngày càng lớn của dữ liệu và trí tuệ nhân tạo. Việc ra quyết định dựa trên dữ liệu khách quan đang trở thành chuẩn mực, thay vì dựa vào cảm tính.

Xu hướng	Tác động	Cơ hội
Tự động hóa	Giảm công việc thủ công	Xây dựng hệ thống 24/7
Dữ liệu lớn	Quyết định chính xác hơn	Phân tích sâu hơn
AI / Machine Learning	Tự học và thích nghi	Mô hình thông minh hơn
Đa nền tảng	Phủ rộng người dùng	Ứng dụng linh hoạt
Bảo mật	An toàn hơn	Niềm tin của người dùng

Chuẩn bị cho tương lai

Để không bị tụt lại, hãy xây dựng nền tảng vững chắc về kiến thức cốt lõi và không ngừng học hỏi công nghệ mới. Kỹ năng học cách học chính là lợi thế cạnh tranh bền vững nhất trong thời đại thay đổi nhanh.