GIỚI THIỆU BỘ DỮ LIỆU

Khối code đầu tiên sẽ tải dữ liệu từ file fpt.csv. Ngay sau đó, chúng ta sẽ thực hiện hai thao tác kiểm tra kỹ thuật cơ bản:

  1. dim(fpt): Để xem chính xác bộ dữ liệu có bao nhiêu hàng (quan sát) và bao nhiêu cột (biến).

  2. sum(is.na(fpt)): Để đếm tổng số giá trị bị thiếu (NA) trong toàn bộ data frame

# 1. Tải dữ liệu
fpt <- read.csv("D:/rstudio/cuoikyrstudio/fpt.csv") # Sửa lại đường dẫn cho chuẩn R

# 2. Lấy kết quả kiểm tra
dims <- dim(fpt)
total_na <- sum(is.na(fpt))

# 3. Tạo một data frame tóm tắt
bang_kiem_tra <- data.frame(
  ThongTin = c("Số hàng (Quan sát)", 
               "Số cột (Biến)", 
               "Tổng giá trị thiếu (NA)"),
  KetQua = c(dims[1], 
             dims[2], 
             total_na)
)

# 4. Tải thư viện kableExtra và "vẽ" bảng đẹp
# (Đảm bảo bạn đã gọi 'library(kableExtra)' trong khối 'setup' nhé)

kbl(
  bang_kiem_tra,
  caption = "Kết quả Kiểm tra Kỹ thuật Bộ dữ liệu",
  col.names = c("Thông tin Kiểm tra", "Kết quả"),
  row.names = FALSE, # Ẩn cột số thứ tự 1,2,3
  booktabs = TRUE    # Thêm đường kẻ ngang cho đẹp
) %>%
  kable_styling(
    position = "center",            # <--- Căn giữa bảng
    latex_options = "hold_position" # <--- Giữ bảng đứng yên tại vị trí
  )
Kết quả Kiểm tra Kỹ thuật Bộ dữ liệu
Thông tin Kiểm tra Kết quả
Số hàng (Quan sát) 10
Số cột (Biến) 11
Tổng giá trị thiếu (NA) 0

🧩 Nhận xét

Bộ dữ liệu gồm 10 quan sát và 11 biến, cho thấy quy mô nhỏ, phù hợp cho các bài phân tích mô phỏng hoặc thực hành.
Việc không có giá trị thiếu (NA = 0) là tín hiệu tích cực, đảm bảo tính đầy đủ và độ tin cậy của dữ liệu.
Tuy nhiên, do số lượng quan sát ít, cần thận trọng khi suy luận hoặc khái quát các kết quả kinh tế, vì dữ liệu có thể chưa đại diện cho toàn bộ thị trường hoặc giai đoạn phân tích.

Bối cảnh và Nguồn gốc

Bộ dữ liệu được sử dụng trong bài phân tích này được trích xuất và tổng hợp từ Báo cáo tài chính (BCTC) đã công bố của doanh nghiệp Tập đoàn FPT. Dữ liệu bao gồm các chỉ tiêu tài chính trọng yếu trong 10 năm liên tiếp, từ năm 2015 đến 2024.

Mục tiêu của việc thu thập bộ dữ liệu này là để làm nền tảng cho việc phân tích toàn diện về sức khỏe tài chính và hiệu quả hoạt động của công ty, bao gồm:

  • Phân tích cấu trúc chi phí và khả năng sinh lời.
  • Phân tích hiệu quả sử dụng tài sản và đòn bẩy tài chính.
  • Phân tích chất lượng dòng tiền so với lợi nhuận kế toán.

Xem các dòng đầu của bộ dữ liệu

# (Đảm bảo library(kableExtra) đã được gọi ở khối 'setup')

kbl(
  head(fpt),
  caption = "6 Dòng dữ liệu đầu tiên (Dữ liệu gốc)",
  booktabs = TRUE # Thêm dòng này để bảng đẹp hơn (có kẻ ngang)
) %>%
  kable_styling(
    position = "center",            # <--- Căn giữa bảng
    
    # Gộp "scale_down" (tự co) và "hold_position" (đứng yên)
    latex_options = c("scale_down", "hold_position") 
  )
6 Dòng dữ liệu đầu tiên (Dữ liệu gốc)
Nam DoanhThuThuan GiaVon ChiPhiBanHang ChiPhiQLDN LoiNhuanSauThue ChiPhiTaiChinh LuuChuyenTienHDKD TaiSanNganHan TaiSanDaiHan NoPhaiTra
2015 3.795970e+13 3.046588e+13 2.226871e+12 2.331789e+12 2.438085e+12 620411567508 1.155885e+12 1.895901e+13 7.086579e+12 1.586330e+13
2016 3.953147e+13 3.109333e+13 2.638455e+12 2.751158e+12 2.575691e+12 694213959980 4.311658e+12 2.190866e+13 7.924599e+12 1.838519e+13
2017 4.265861e+13 3.297621e+13 3.074637e+12 3.441129e+12 3.528114e+12 600871831217 1.988184e+12 1.605994e+13 8.939739e+12 1.176130e+13
2018 2.321354e+13 1.449066e+13 2.047834e+12 3.553288e+12 3.233997e+12 361046565710 3.588320e+12 1.840609e+13 1.135098e+13 1.498210e+13
2019 2.771696e+13 1.700491e+13 2.345958e+12 4.219255e+12 3.911712e+12 592386050061 3.898750e+12 1.897918e+13 1.441499e+13 1.659487e+13
2020 2.983040e+13 1.801674e+13 2.713561e+12 4.495366e+12 4.423745e+12 548165211617 6.339679e+12 2.561249e+13 1.612183e+13 2.312866e+13

🔍 Phân tích tổng quan

Giai đoạn 2015–2020 cho thấy doanh nghiệp có xu hướng tăng trưởng ổn định, dù có một số biến động theo từng năm.

  • Doanh thu thuần tăng mạnh từ 37,96 nghìn tỷ (2015) lên khoảng 29,83 nghìn tỷ (2020). Mặc dù năm 2018 có sự sụt giảm đáng kể, doanh thu nhanh chóng phục hồi vào các năm sau, phản ánh khả năng thích ứng với thị trường.
  • Chi phí tài chính duy trì ở mức thấp so với doanh thu, cho thấy cấu trúc vốn tương đối an toàn.
  • Lợi nhuận sau thuế tăng đều từ 2.438 tỷ (2015) lên 4.424 tỷ (2020), chứng tỏ hiệu quả hoạt động được cải thiện rõ rệt.
  • Tài sản ngắn hạn và tài sản dài hạn đều tăng qua các năm, thể hiện chiến lược mở rộng quy mô kinh doanh.
  • Nợ phải trả cũng tăng, song vẫn trong tầm kiểm soát so với tổng tài sản, cho thấy mức độ đòn bẩy tài chính hợp lý.

Nhìn chung, giai đoạn này phản ánh doanh nghiệp duy trì được tốc độ tăng trưởng tốt, quản lý chi phí hiệu quả, và đang hướng đến mở rộng quy mô đầu tư một cách bền vững.

XEM DÒNG CUỐI

kbl(
  tail(fpt, 3), 
  caption = "3 Dòng dữ liệu cuối cùng",
  booktabs = TRUE # Thêm đường kẻ ngang cho đẹp
) %>%
  kable_styling(
    position = "center",            # <--- Căn giữa bảng
    
    # Gộp "scale_down" (tự co) và "hold_position" (đứng yên)
    # Bảng này cũng rộng như bảng 'head()' nên RẤT CẦN "scale_down"
    latex_options = c("scale_down", "hold_position") 
  )
3 Dòng dữ liệu cuối cùng
Nam DoanhThuThuan GiaVon ChiPhiBanHang ChiPhiQLDN LoiNhuanSauThue ChiPhiTaiChinh LuuChuyenTienHDKD TaiSanNganHan TaiSanDaiHan NoPhaiTra
8 2022 4.400953e+13 2.684225e+13 4.526441e+12 5.846281e+12 6.491343e+12 1.687370e+12 5.053832e+12 3.093771e+13 2.071269e+13 2.629428e+13
9 2023 5.261790e+13 3.229835e+13 5.242552e+12 6.625374e+12 7.788050e+12 1.718298e+12 9.517096e+12 3.670575e+13 2.357708e+13 3.034982e+13
10 2024 6.284879e+13 3.915045e+13 6.115962e+12 7.074039e+12 9.427423e+12 1.811547e+12 1.170378e+13 4.553594e+13 2.646405e+13 3.627246e+13

KIỂM TRA CẤU TRÚC VÀ TÊN BIẾN

# Tạo bảng tóm tắt cấu trúc
bang_cau_truc <- data.frame(
  TenBien = names(fpt),
  KieuDuLieu = sapply(fpt, class)
)

# In bảng đẹp (Đã sửa)
kbl(
  bang_cau_truc, 
  row.names = FALSE,
  booktabs = TRUE # Thêm đường kẻ ngang cho đẹp
) %>%
  kable_styling(
    position = "center",            # <--- Căn giữa bảng
    latex_options = "hold_position" # <--- Giữ bảng đứng yên
  )
TenBien KieuDuLieu
Nam integer
DoanhThuThuan numeric
GiaVon numeric
ChiPhiBanHang numeric
ChiPhiQLDN numeric
LoiNhuanSauThue numeric
ChiPhiTaiChinh numeric
LuuChuyenTienHDKD numeric
TaiSanNganHan numeric
TaiSanDaiHan numeric
NoPhaiTra numeric

🧩 Nhận xét về Cấu trúc Bộ Dữ liệu

Kết quả kiểm tra xác nhận rằng bộ dữ liệu gồm 11 biến, trong đó kiểu dữ liệu chủ yếu là dbl (số thực), hoàn toàn phù hợp cho phân tích định lượng trong lĩnh vực tài chính.

  • Biến độc lập (Biến định danh):
    • Nam: Đại diện cho mốc thời gian quan sát, có kiểu dữ liệu số (numeric).
  • Các biến phụ thuộc (Biến quan sát): gồm 10 biến tài chính, được nhóm thành 3 nhóm chính:

🔹 Nhóm 1: Các chỉ tiêu từ Báo cáo Kết quả Kinh doanh

  • DoanhThuThuan: Doanh thu thuần về bán hàng và cung cấp dịch vụ.
  • GiaVon: Giá vốn hàng bán.
  • ChiPhiBanHang: Chi phí liên quan đến hoạt động bán hàng.
  • ChiPhiQLDN: Chi phí quản lý chung của doanh nghiệp.
  • ChiPhiTaiChinh: Chi phí liên quan đến hoạt động vốn (chủ yếu là lãi vay).
  • LoiNhuanSauThue: Kết quả kinh doanh cuối cùng sau thuế.

🔹 Nhóm 2: Các chỉ tiêu từ Bảng Cân đối Kế toán

  • TaiSanNganHan: Tổng tài sản ngắn hạn.
  • TaiSanDaiHan: Tổng tài sản dài hạn.
  • NoPhaiTra: Tổng nợ phải trả (ngắn hạn và dài hạn).

🔹 Nhóm 3: Chỉ tiêu từ Báo cáo Lưu chuyển Tiền tệ

  • LuuChuyenTienHDKD: Dòng tiền thuần từ hoạt động kinh doanh cốt lõi.

Nhìn chung, bộ dữ liệu có cấu trúc hợp lý, rõ ràng và đầy đủ, phản ánh toàn diện tình hình tài chính – kinh doanh – dòng tiền của doanh nghiệp, tạo nền tảng vững chắc cho các phân tích rủi ro tín dụng và hiệu quả hoạt động ở các phần sau.

BIẾN ĐỔI ĐƠN VỊ DỮ LIỆU

Kết quả từ phân MÔ TẢ CÁC BIẾN ở trên cho thấy các biến tài chính đang được biểu thị bằng những con số rất lớn (ví dụ: 3.796e+13), khiến cho việc đọc và diễn giải trở nên khó khăn.

Để giải quyết vấn đề này, trong khối code tiếp theo, chúng ta sẽ thực hiện hai thao tác quan trọng:

  1. Chuyển đổi đơn vị: Chúng ta sẽ tạo một data frame mới (fpt_ty_dong) bằng cách chia tất cả các cột tài chính (mọi cột trừ Nam) cho 1 tỷ (\(1,000,000,000\)). Thao tác này giúp chuẩn hóa dữ liệu về đơn vị “Tỷ đồng”, giúp các con số trở nên dễ đọc và dễ so sánh hơn.
  2. Tạo Bảng tóm tắt nâng cao: Chúng ta sẽ sử dụng hàm skim() từ thư viện skimr. Hàm này cung cấp một bảng thống kê mô tả “dễ nhìn” và giàu thông tin hơn nhiều so với hàm summary() mặc định, bao gồm cả một biểu đồ histogram nhỏ cho từng biến.
# (Các thư viện dplyr, skimr, kableExtra đã được gọi ở 'setup')

# 1. Biến đổi sang đơn vị Tỷ đồng
fpt_ty_dong <- fpt %>%
  mutate(across(.cols = -Nam, .fns = ~ . / 1000000000))

# 2. In 3 dòng đầu tiên (dùng kable đẹp)
fpt_ty_dong %>%
  head(3) %>%
  kbl(
    caption = "3 Dòng đầu của Dữ liệu (Đã đổi sang Tỷ đồng)",
    digits = 2,
    align = "c",
    booktabs = TRUE
  ) %>%
  kable_styling(
    position = "center",            # <--- Căn giữa bảng
    full_width = FALSE,
    font_size = 10,
    
    # Gộp "scale_down" (tự co) và "hold_position" (đứng yên)
    latex_options = c("hold_position", "scale_down") 
  )
3 Dòng đầu của Dữ liệu (Đã đổi sang Tỷ đồng)
Nam DoanhThuThuan GiaVon ChiPhiBanHang ChiPhiQLDN LoiNhuanSauThue ChiPhiTaiChinh LuuChuyenTienHDKD TaiSanNganHan TaiSanDaiHan NoPhaiTra
2015 37959.70 30465.88 2226.87 2331.79 2438.08 620.41 1155.89 18959.01 7086.58 15863.30
2016 39531.47 31093.33 2638.45 2751.16 2575.69 694.21 4311.66 21908.66 7924.60 18385.19
2017 42658.61 32976.21 3074.64 3441.13 3528.11 600.87 1988.18 16059.94 8939.74 11761.30

THỐNG KÊ TỔNG QUAN VỀ BỘ DỮ LIỆU

# 1. Tạo thống kê mô tả chi tiết bằng skimr
thong_ke_skim <- skim(fpt_ty_dong)

# 2. Chỉ giữ lại các biến numeric (ĐÃ SỬA, BỎ HẾT DẤU TIẾNG VIỆT)
thong_ke_skim_df <- thong_ke_skim %>%
  filter(skim_type == "numeric") %>%
  select(
    Bien = skim_variable,        # <--- Đã bỏ dấu
    Thieu = n_missing,          # <--- Đã bỏ dấu
    Ty_le_day_du = complete_rate, # <--- Đã bỏ dấu
    Trung_binh = numeric.mean,  # <--- Đã bỏ dấu
    Do_lech_chuan = numeric.sd, # <--- Đã bỏ dấu
    Min = numeric.p0,
    Q1 = numeric.p25,
    Median = numeric.p50,
    Q3 = numeric.p75,
    Max = numeric.p100
  )

# 3. Hiển thị bảng đẹp cho cả HTML và PDF
thong_ke_skim_df %>%
  kbl(
    # Phần caption (chú thích) có dấu thì KHÔNG SAO
    caption = "Bảng Thống kê Mô tả Chi tiết (Đơn vị: Tỷ đồng)",
    digits = 2,
    align = "c",
    booktabs = TRUE,
    linesep = ""
  ) %>%
  kable_styling(
    position = "center",
    full_width = FALSE,
    font_size = 9,
    latex_options = c("hold_position", "scale_down")
  )
Bảng Thống kê Mô tả Chi tiết (Đơn vị: Tỷ đồng)
Bien Thieu Ty_le_day_du Trung_binh Do_lech_chuan Min Q1 Median Q3 Max
Nam 0 1 2019.50 3.03 2015.00 2017.25 2019.50 2021.75 2024.00
DoanhThuThuan 0 1 39604.42 11842.39 23213.54 31287.12 38745.58 43671.80 62848.79
GiaVon 0 1 26436.41 8157.27 14490.66 19018.88 28654.06 31997.09 39150.45
ChiPhiBanHang 0 1 3453.69 1395.47 2047.83 2419.08 2894.10 4295.98 6115.96
ChiPhiQLDN 0 1 4495.00 1592.47 2331.79 3469.17 4357.31 5537.79 7074.04
LoiNhuanSauThue 0 1 4916.75 2330.82 2438.08 3307.53 4167.73 6205.83 9427.42
ChiPhiTaiChinh 0 1 977.85 561.58 361.05 594.51 657.31 1551.57 1811.55
LuuChuyenTienHDKD 0 1 5339.69 3235.59 1155.89 3665.93 4682.75 6214.68 11703.78
TaiSanNganHan 0 1 26822.31 9827.73 16059.94 18964.05 23760.58 34073.21 45535.94
TaiSanDaiHan 0 1 15517.21 6766.67 7086.58 9542.55 15268.41 20179.41 26464.05
NoPhaiTra 0 1 22591.19 8362.23 11761.30 16046.20 20756.92 29335.93 36272.46

📊 Nhận xét về Thống kê Tổng quan

  • Bộ dữ liệu có độ đầy đủ 100% (không có giá trị thiếu), thể hiện chất lượng dữ liệu tốt, sẵn sàng cho các bước phân tích tiếp theo.
  • Giá trị trung bình và độ lệch chuẩn cho thấy các chỉ tiêu tài chính có sự phân tán tương đối lớn, phản ánh quy mô hoạt động và biến động lợi nhuận đáng kể giữa các năm.
  • Cụ thể:
    • Doanh thu thuần trung bình đạt khoảng 39,6 nghìn tỷ đồng, trong khi Giá vốn chiếm khoảng 26,4 nghìn tỷ, dẫn tới **biên lợi nhuận gộp khá ổn định*.
    • Chi phí tài chính tương đối thấp (≈978 tỷ), cho thấy doanh nghiệp không phụ thuộc mạnh vào vốn vay.
    • Lợi nhuận sau thuế và dòng tiền từ hoạt động kinh doanh có độ biến động cao → cần xem xét thêm xu hướng qua các năm.
  • Nhìn chung, bộ dữ liệu phản ánh đầy đủ sức khỏe tài chính của doanh nghiệp qua nhiều khía cạnh, đồng thời tạo tiền đề tốt cho các bước phân tích hiệu quả, rủi ro và tỷ suất sinh lời ở các phần tiếp theo.

THỐNG KÊ MIN/MAX THEO TỪNG BIẾN

# --- 1. Xoay dữ liệu sang dạng dài ---
fpt_long <- fpt_ty_dong %>%
  pivot_longer(
    cols = -Nam,
    names_to = "ChiTieu",
    values_to = "GiaTri"
  )

# --- 2. Tính giá trị nhỏ nhất và lớn nhất ---
bang_min_max <- fpt_long %>%
  group_by(ChiTieu) %>%
  summarise(
    GiaTri_Min = min(GiaTri, na.rm = TRUE),
    Nam_Min = Nam[which.min(GiaTri)],
    GiaTri_Max = max(GiaTri, na.rm = TRUE),
    Nam_Max = Nam[which.max(GiaTri)]
  ) %>%
  arrange(ChiTieu)

# --- 3. Hiển thị bảng đẹp ) ---
bang_min_max %>%
  kbl(
    caption = "Giá trị Nhỏ nhất / Lớn nhất (và Năm tương ứng) cho từng Chỉ Tiêu (Đơn vị: Tỷ đồng)",
    digits = 2,
    
    # ---  (BỎ HẾT DẤU) ---
    col.names = c("Chi Tieu", "Gia tri Min", "Nam (Min)", "Gia tri Max", "Nam (Max)"),
    
    align = "c",
    booktabs = TRUE
  ) %>%
  kable_styling(
    position = "center",
    full_width = FALSE,
    font_size = 10,
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    latex_options = c("hold_position", "scale_down")
  )
Giá trị Nhỏ nhất / Lớn nhất (và Năm tương ứng) cho từng Chỉ Tiêu (Đơn vị: Tỷ đồng)
Chi Tieu Gia tri Min Nam (Min) Gia tri Max Nam (Max)
ChiPhiBanHang 2047.83 2018 6115.96 2024
ChiPhiQLDN 2331.79 2015 7074.04 2024
ChiPhiTaiChinh 361.05 2018 1811.55 2024
DoanhThuThuan 23213.54 2018 62848.79 2024
GiaVon 14490.66 2018 39150.45 2024
LoiNhuanSauThue 2438.08 2015 9427.42 2024
LuuChuyenTienHDKD 1155.89 2015 11703.78 2024
NoPhaiTra 11761.30 2017 36272.46 2024
TaiSanDaiHan 7086.58 2015 26464.05 2024
TaiSanNganHan 16059.94 2017 45535.94 2024

📈 Nhận xét về Giá trị Cực trị

  • Các chỉ tiêu tài chính đạt giá trị lớn nhất vào năm 2024, cho thấy xu hướng tăng trưởng rõ rệt của doanh nghiệp trong giai đoạn 2015–2024.
  • Năm 2018 xuất hiện nhiều giá trị nhỏ nhất (như DoanhThuThuan, GiaVon, ChiPhiTaiChinh), phản ánh giai đoạn hoạt động suy giảm tạm thời.
  • Lợi nhuận sau thuế tăng mạnh từ 2.438 tỷ (2015) lên 9.427 tỷ (2024) → cho thấy hiệu quả kinh doanh cải thiện đáng kể.
  • Tổng tài sản (ngắn hạn + dài hạn) và nợ phải trả đều tăng đáng kể, nhưng tốc độ tăng tài sản nhanh hơn nợ, gợi ý mức độ an toàn tài chính cải thiện.
  • Nhìn chung, các cực trị theo thời gian phản ánh sự mở rộng quy mô, tăng trưởng bền vững, cùng với hiệu quả sử dụng vốn được nâng cao của doanh nghiệp.

XEM 3 NĂM CÓ LỢI NHUẬN SAU THUẾ CAO NHẤT

top_3_loi_nhuan <- fpt_ty_dong %>%
  arrange(desc(LoiNhuanSauThue)) %>%
  slice(1:3)

top_3_loi_nhuan %>%
  kbl(
    caption = "Top 3 Năm Lợi nhuận Cao nhất",
    digits = 2,
    align = "c",
    booktabs = TRUE
  ) %>%
  kable_styling(
    position = "center",            # <--- Căn giữa bảng
    full_width = FALSE,
    font_size = 10,
    
    # Gộp "scale_down" (tự co) và "hold_position" (đứng yên)
    latex_options = c("hold_position", "scale_down")
  ) %>%
  column_spec(1:ncol(top_3_loi_nhuan), width = "2.2cm")
Top 3 Năm Lợi nhuận Cao nhất
Nam DoanhThuThuan GiaVon ChiPhiBanHang ChiPhiQLDN LoiNhuanSauThue ChiPhiTaiChinh LuuChuyenTienHDKD TaiSanNganHan TaiSanDaiHan NoPhaiTra
2024 62848.79 39150.45 6115.96 7074.04 9427.42 1811.55 11703.78 45535.94 26464.05 36272.46
2023 52617.90 32298.35 5242.55 6625.37 7788.05 1718.30 9517.10 36705.75 23577.08 30349.82
2022 44009.53 26842.25 4526.44 5846.28 6491.34 1687.37 5053.83 30937.71 20712.69 26294.28

3 NĂM CÓ DOANH THU THẤP NHẤT

#--- 1. Lọc 3 năm có Doanh thu thấp nhất ---

bottom_3_doanh_thu <- fpt_ty_dong %>%
  arrange(DoanhThuThuan) %>% # Sắp xếp tăng dần
  slice(1:3) # Lấy 3 năm đầu

#--- 2. Hiển thị bảng  ---

kbl(
  bottom_3_doanh_thu,
  caption = "3 Năm Có Doanh Thu Thấp Nhất (Đơn vị: Tỷ đồng)",
  digits = 2,
  booktabs = TRUE # Thêm đường kẻ ngang
  # (Đã xóa 'format = "html"')
) %>%
  kable_styling(
    position = "center", # <--- Căn giữa bảng
    full_width = FALSE,
    
    # Gộp "scale_down" (tự co) và "hold_position" (đứng yên)
    latex_options = c("hold_position", "scale_down") 
  )
3 Năm Có Doanh Thu Thấp Nhất (Đơn vị: Tỷ đồng)
Nam DoanhThuThuan GiaVon ChiPhiBanHang ChiPhiQLDN LoiNhuanSauThue ChiPhiTaiChinh LuuChuyenTienHDKD TaiSanNganHan TaiSanDaiHan NoPhaiTra
2018 23213.54 14490.66 2047.83 3553.29 3234.00 361.05 3588.32 18406.09 11350.98 14982.10
2019 27716.96 17004.91 2345.96 4219.25 3911.71 592.39 3898.75 18979.18 14414.99 16594.87
2020 29830.40 18016.74 2713.56 4495.37 4423.75 548.17 6339.68 25612.49 16121.83 23128.66

IN RA THÔNG SỐ CỦA NĂM 2024(NĂM GẦN ĐÂY NHẤT)

#--- 1. Lọc dữ liệu năm 2024 ---

data_2024 <- fpt_ty_dong %>%
  filter(Nam == 2024)

#--- 2. Hiển thị bảng ---

kbl(
  data_2024,
  caption = "Dữ liệu Chi Tiết Năm 2024 (Đơn vị: Tỷ đồng)",
  digits = 2,
  booktabs = TRUE # Thêm đường kẻ ngang
  # (Đã xóa 'format = "html"')
) %>%
  kable_styling(
    position = "center", # <--- Căn giữa bảng
    full_width = FALSE,
    
    # Gộp "scale_down" (tự co) và "hold_position" (đứng yên)
    # Bảng này có 11 cột nên RẤT CẦN "scale_down"
    latex_options = c("hold_position", "scale_down") 
  )
Dữ liệu Chi Tiết Năm 2024 (Đơn vị: Tỷ đồng)
Nam DoanhThuThuan GiaVon ChiPhiBanHang ChiPhiQLDN LoiNhuanSauThue ChiPhiTaiChinh LuuChuyenTienHDKD TaiSanNganHan TaiSanDaiHan NoPhaiTra
2024 62848.79 39150.45 6115.96 7074.04 9427.42 1811.55 11703.78 45535.94 26464.05 36272.46

🧩 Nhận xét về Năm 2024

  • Doanh thu thuần đạt 62.849 tỷ đồng, mức cao nhất toàn giai đoạn — khẳng định vị thế tăng trưởng mạnh của doanh nghiệp.
  • Lợi nhuận sau thuế 9.427 tỷ đồng, tăng gần 4 lần so với giai đoạn đầu (2015) → phản ánh hiệu quả hoạt động cải thiện đáng kể.
  • Chi phí bán hàng (6.116 tỷ) và chi phí quản lý (7.074 tỷ) tăng song song với quy mô doanh thu, cho thấy doanh nghiệp đang mở rộng hoạt động.
  • Chi phí tài chính (1.812 tỷ) dù tăng nhưng vẫn thấp hơn tỷ lệ tăng của doanh thu, gợi ý hiệu suất sử dụng vốn tốt hơn.
  • Tổng tài sản 71.000 tỷ đồng (≈ 45.536 tỷ ngắn hạn + 26.464 tỷ dài hạn), trong khi nợ phải trả 36.272 tỷ, chứng tỏ tình hình tài chính an toàn và cân đối.
  • Dòng tiền hoạt động kinh doanh dương (11.704 tỷ) là tín hiệu tích cực — doanh nghiệp không chỉ có lãi kế toán mà còn tạo ra dòng tiền thực từ hoạt động chính.

💡 Tổng quan: Năm 2024 là đỉnh tăng trưởng cả về doanh thu, lợi nhuận và dòng tiền, phản ánh hiệu quả quản trị – tài chính ổn định và xu hướng mở rộng bền vững.

PHÂN TÍCH CHI TIẾT

PHÂN TÍCH KHÁM PHÁ ĐƠN BIẾN (EDA)

#1. Đảm bảo dữ liệu fpt_ty_dong tồn tại
if (!exists("fpt_ty_dong")) {
  # Sửa lại đường dẫn tệp cho chuẩn R
  fpt <- read.csv("D:/rstudio/cuoikyrstudio/fpt.csv") 
  fpt_ty_dong <- fpt %>%
    mutate(across(.cols = -Nam, .fns = ~ . / 1000000000))
}

#2. Chuẩn bị dữ liệu (xoay dạng long)
fpt_long_format <- fpt_ty_dong %>%
  select(-Nam) %>%
  pivot_longer(
    cols = everything(),
    names_to = "ChiTieuTaiChinh",
    values_to = "GiaTri"
  )

#3. In 6 dòng đầu của dữ liệu đã xoay (Dùng kbl)
kbl(
  head(fpt_long_format),
  caption = "Dữ liệu đã được 'xoay' (Long Format) để phân tích đơn biến",
  digits = 2,
  booktabs = TRUE,
  align = "c"
) %>%
  kable_styling(
    full_width = FALSE,
    position = "center",            # <--- Căn giữa
    font_size = 10,
    
    # Gộp "scale_down" (tự co) và "hold_position" (đứng yên)
    latex_options = c("hold_position", "scale_down") 
  )
Dữ liệu đã được ‘xoay’ (Long Format) để phân tích đơn biến
ChiTieuTaiChinh GiaTri
DoanhThuThuan 37959.70
GiaVon 30465.88
ChiPhiBanHang 2226.87
ChiPhiQLDN 2331.79
LoiNhuanSauThue 2438.08
ChiPhiTaiChinh 620.41

TRỰC QUAN HOÁ

# --- 1. Làm sạch tên chỉ tiêu (Giữ nguyên) ---
# (Code này sẽ chạy nếu 'fpt_long_format_cleaned' chưa tồn tại)
if (!exists("fpt_long_format_cleaned")) { 
  fpt_long_format_cleaned <- fpt_long_format %>%
    mutate(ChiTieuTaiChinh_Dep = str_replace_all(ChiTieuTaiChinh, "([A-Z])", " \\1") %>% str_trim())
}

# --- 2. Dữ liệu trung bình (Giữ nguyên) ---
mean_data <- fpt_long_format_cleaned %>%
  group_by(ChiTieuTaiChinh_Dep) %>% 
  summarise(GiaTriTrungBinh = mean(GiaTri, na.rm = TRUE))

# --- 3. Biểu đồ Histogram (Giữ nguyên, code đã chuẩn) ---
ggplot(fpt_long_format_cleaned, aes(x = GiaTri, fill = ChiTieuTaiChinh_Dep)) +
  # --- Layer 1 -> 4 (Giữ nguyên) ---
  geom_histogram(bins = 10, color = "white", alpha = 0.8, show.legend = FALSE) +
  geom_vline(
    data = mean_data,
    aes(xintercept = GiaTriTrungBinh),
    color = "red", linetype = "dashed", size = 0.8
  ) +
  facet_wrap(~ ChiTieuTaiChinh_Dep, scales = "free", ncol = 4) + 
  scale_x_continuous(labels = label_number(scale_cut = cut_short_scale())) +
  scale_y_continuous(breaks = scales::pretty_breaks()) +

  # --- Layer 5: Tiêu đề và nhãn (Giữ nguyên) ---
  labs(
    title = "Phân phối của 10 Biến Tài chính (2015–2024)",
    subtitle = "Đường gạch đỏ biểu thị giá trị Trung bình (Mean) của mỗi biến",
    x = "Giá trị (Tỷ đồng)",
    y = "Tần suất (Số năm)"
  ) +

  # --- Layer 6: Theme và Font (Giữ nguyên) ---
  theme_minimal(base_family = "Roboto") + # <--- Đã chuẩn
  theme(
    plot.title = element_text(face = "bold", size = 13, hjust = 0.5),
    plot.subtitle = element_text(size = 11, hjust = 0.5),
    strip.text = element_text(face = "bold", size = 10), 
    axis.text.x = element_text(size = 8, angle = 0, hjust = 0.5), 
    axis.text.y = element_text(size = 8),
    panel.grid.minor = element_blank(),
    plot.margin = margin(10, 10, 10, 10)
  )

📊 Nhận xét Phân tích Khám phá Đơn biến (EDA)

Các biểu đồ phân phối tần suất của 10 biến tài chính trong 10 năm qua cung cấp những cái nhìn sâu sắc về đặc điểm hoạt động và rủi ro của doanh nghiệp:

  1. Đặc điểm về Quy mô (Phân phối 2 cụm - Bimodal):
    • Các biến cốt lõi như Doanh Thu Thuần, Giá Vốn, Tài Sản Ngắn Hạn và Nợ Phải Trả đều cho thấy rõ phân phối có 2 cụm (bimodal) (tức là có 2 đỉnh tần suất).
    • Ý nghĩa kinh tế: Điều này gợi ý mạnh mẽ rằng trong 10 năm qua, doanh nghiệp đã trải qua hai giai đoạn hoạt động với hai mức quy mô rõ rệt: một giai đoạn quy mô nhỏ hơn (tương ứng với cụm bên trái) và một giai đoạn mở rộng quy mô (tương ứng với cụm bên phải). Phân tích xu hướng (time series) ở phần sau sẽ làm rõ điều này.
  2. Tính Ổn định và Tăng trưởng (Phân phối Lệch phải):
    • Các biến Chi Phí QLDN, Chi Phí Tài Chính, Lợi Nhuận Sau Thuế và Tài Sản Dài Hạn có dạng lệch phải (positively skewed).
    • Ý nghĩa kinh tế: Điều này cho thấy trong đa số các năm, doanh nghiệp duy trì các chi phí này ở một mức “nền” tương đối thấp và ổn định (phần đỉnh cao bên trái). Tuy nhiên, đã có một số năm các chỉ tiêu này tăng đột biến (phần đuôi dài bên phải), phản ánh các năm có sự mở rộng đầu tư (tăng TSDH), tăng trưởng lợi nhuận cao, hoặc tăng sử dụng nợ vay (tăng Chi Phí Tài Chính).
  3. Cảnh báo về Rủi ro Dòng tiền (Phân phối Trải rộng):
    • Biến Lưu Chuyển Tiền HDKD (Dòng tiền từ Hoạt động Kinh doanh) có phân phối trải rộng và không có đỉnh rõ rệt. Tần suất gần như bằng nhau ở các mức từ 0 đến hơn 12,500 tỷ.
    • Ý nghĩa kinh tế: Đây là một dấu hiệu rủi ro đáng chú ý. Nó cho thấy dòng tiền kinh doanh cốt lõi của doanh nghiệp rất không ổn định qua các năm. Có những năm làm ra nhiều tiền, nhưng cũng có những năm dòng tiền rất yếu. Giá trị trung bình (đường đỏ) gần như không có ý nghĩa đại diện cho một năm “điển hình”. Điều này cho thấy rủi ro trong việc quản lý vốn lưu động (thu tiền khách hàng, trả tiền nhà cung cấp).
  4. Lưu ý về Giá trị Trung bình (Mean):
    • Do phần lớn các biến không có phân phối chuẩn (mà là bimodal hoặc lệch), giá trị trung bình (Mean - đường gạch đỏ) thường không phải là giá trị “điển hình” (Mode - giá trị phổ biến nhất). Ví dụ, Lợi Nhuận Sau Thuế có mức phổ biến nhất (mode) chỉ khoảng 2,000-4,000 tỷ, nhưng mức trung bình bị kéo lên 4,500 tỷ do các năm tăng trưởng đột biến.

Kết luận: Bộ dữ liệu cho thấy một doanh nghiệp có sự tăng trưởng về quy mô (bimodal) nhưng đi kèm với sự bất ổn định đáng kể về dòng tiền từ hoạt động kinh doanh.

TÌM VÀ TRỰC QUAN HOÁ CÁC GÍA TRỊ NGOẠI LAI

# --- Chuẩn bị dữ liệu định dạng dài ---
if (!exists("fpt_long_format")) {
  fpt_long_format <- fpt_ty_dong %>%
    select(-Nam) %>%
    pivot_longer(
      cols = everything(),
      names_to = "ChiTieuTaiChinh",
      values_to = "GiaTri"
    )
}

# --- Biểu đồ Boxplot cho 10 biến tài chính ---
ggplot(fpt_long_format, aes(x = "", y = GiaTri)) +

  # --- Layer 1: Vẽ Boxplot ---
  geom_boxplot(aes(fill = ChiTieuTaiChinh), show.legend = FALSE, outlier.color = "red", outlier.alpha = 0.6) +

  # --- Layer 2: Thêm điểm dữ liệu (Jitter) ---
  geom_jitter(width = 0.15, alpha = 0.5, color = "black", size = 1) +

  # --- Layer 3: Facet chia thành 10 biểu đồ con ---
  facet_wrap(~ ChiTieuTaiChinh, scales = "free", ncol = 5) +

  # --- Layer 4: Tiêu đề và nhãn ---
  labs(
    title = "Biểu đồ Hộp (Boxplot) của 10 Biến Tài chính (2015–2024)",
    subtitle = "Thể hiện 5 giá trị tóm tắt (Min, Q1, Median, Q3, Max) và các điểm ngoại lai (Outliers)",
    x = "Chỉ tiêu tài chính",
    y = "Giá trị (Tỷ đồng)"
  ) +

  # --- Layer 5: Lật ngang biểu đồ ---
  coord_flip() +

  # --- Layer 6: Theme nền sáng (ĐÃ SỬA FONT) ---
  theme_light(base_family = "Roboto") + # <--- Đổi sang font "Roboto"

  # --- Layer 7: Định dạng hiển thị ---
  theme(
    # (Đã xóa 'text = element_text(family = "sans")' vì đã có 'base_family')
    plot.title = element_text(face = "bold", size = 13, hjust = 0.5),
    plot.subtitle = element_text(size = 11, hjust = 0.5),
    strip.text = element_text(face = "bold", size = 9),
    axis.text.x = element_text(angle = 20, size = 9, hjust = 1),
    axis.text.y = element_blank(),
    panel.grid.minor = element_blank(),
    plot.margin = margin(10, 10, 10, 10)
  )

🔍 Phân tích các Giá trị Ngoại lai (Outliers) từ Biểu đồ Boxplot

Biểu đồ boxplot (biểu đồ hộp) cung cấp một cái nhìn trực quan về phân phối dữ liệu và các giá trị bất thường (outliers). Các outliers này không hẳn là “lỗi”, mà chúng đại diện cho những năm hoạt động đặc biệt (cực tốt hoặc cực xấu), và là trọng tâm của phân tích rủi ro.

  1. Cảnh báo Rủi ro Nghiêm trọng: Dòng tiền (LuuChuyenTienHDKD)
    • Đây là phát hiện quan trọng và đáng lo ngại nhất. Biến LuuChuyenTienHDKD (Dòng tiền từ Hoạt động Kinh doanh) có một outlier âm sâu (khoảng -12,000 tỷ, được tô đỏ).
    • Ý nghĩa kinh tế: Điều này cho thấy có ít nhất 1 năm trong 10 năm qua, doanh nghiệp đã gặp khủng hoảng nghiêm trọng về dòng tiền. Mặc dù vẫn có lợi nhuận, nhưng hoạt động kinh doanh cốt lõi không tạo ra tiền, mà còn đốt một lượng tiền khổng lồ.
    • Đây là dấu hiệu rủi ro thanh khoản và rủi ro tín dụng cực kỳ cao, cho thấy sự “gãy vỡ” trong chu kỳ chuyển đổi tiền (ví dụ: bán hàng nhưng không thu được tiền, hoặc phải trữ hàng tồn kho quá lớn).
  2. Tín hiệu Tăng trưởng Đột biến: Doanh thu (DoanhThuThuan)
    • DoanhThuThuan có một outlier dương (khoảng 60,000 tỷ, tô đỏ).
    • Ý nghĩa kinh tế: Đây là một năm doanh nghiệp đạt được tăng trưởng doanh thu đột biến, vượt xa mức “bình thường” (phần thân hộp). Câu hỏi quan trọng cần đặt ra là: Liệu năm tăng trưởng đột biến này có tương ứng với năm dòng tiền âm không? (Ví dụ: Đẩy mạnh bán hàng bằng cách cho khách hàng nợ, dẫn đến doanh thu cao nhưng dòng tiền âm).
  3. Sự Bất ổn trong Cơ cấu Chi phí
    • Các biến ChiPhiTaiChinh (Chi phí Tài chính) và ChiPhiQLDN (Chi phí Quản lý) là hai biến có nhiều outliers ở cả hai phía (cao và thấp).
    • Ý nghĩa kinh tế: Điều này cho thấy sự thiếu ổn định trong việc quản lý chi phí quản lý và chi phí vốn (lãi vay). Chi phí này biến động mạnh qua các năm thay vì được kiểm soát chặt chẽ, gây khó khăn cho việc dự báo lợi nhuận.

Kết luận: Phân tích outliers chỉ ra hai sự kiện mấu chốt: một năm tăng trưởng doanh thu “thần kỳ” và một năm “thảm họa” về dòng tiền. Sự đối lập này cho thấy hoạt động của doanh nghiệp có tính biến động cao và tiềm ẩn rủi ro lớn về khả năng chuyển đổi lợi nhuận thành tiền mặt.

TÍNH TOÁN TÔC ĐỘ TĂNG TRƯỞNG DOANH THU QUA CÁC NĂM

# --- 1. Tính toán dữ liệu ---
fpt_analyzed <- fpt_ty_dong %>%
  arrange(Nam) %>%
  mutate(
    DoanhThu_Truoc = lag(DoanhThuThuan, 1),
    TangTruong_DoanhThu_Rate = (DoanhThuThuan / DoanhThu_Truoc - 1) * 100
  )

# --- 2. Tính tốc độ tăng trưởng trung bình ---
avg_growth <- mean(fpt_analyzed$TangTruong_DoanhThu_Rate, na.rm = TRUE)

# --- 3. Tạo bảng tóm tắt gồm 3 cột chính ---
fpt_growth_table <- fpt_analyzed %>%
  select(Nam, DoanhThu_Truoc, TangTruong_DoanhThu_Rate)

# --- 4. In bảng (ĐÃ SỬA) ---
kbl(
  fpt_growth_table,
  caption = "Bảng : Tốc độ Tăng trưởng Doanh thu của FPT (2015–2024)",
  digits = 2,
  
  # --- ĐÃ SỬA LỖI ENCODING (BỎ DẤU) ---
  col.names = c("Nam", "Doanh thu Nam truoc (Ty dong)", "Tang truong (%)"),
  
  align = c("c", "r", "r"),
  booktabs = TRUE # Thêm đường kẻ ngang
) %>%
  kableExtra::kable_styling(
    position = "center", # <--- Căn giữa
    full_width = FALSE,
    font_size = 12,
    
    # Gộp "scale_down" (tự co) và "hold_position" (đứng yên)
    latex_options = c("hold_position", "scale_down")
    
    # (Đã xóa 'bootstrap_options')
  )
Bảng : Tốc độ Tăng trưởng Doanh thu của FPT (2015–2024)
Nam Doanh thu Nam truoc (Ty dong) Tang truong (%)
2015
2016 37959.70 4.14
2017 39531.47 7.91
2018 42658.61 -45.58
2019 23213.54 19.40
2020 27716.96 7.63
2021 29830.40 19.53
2022 35657.26 23.42
2023 44009.53 19.56
2024 52617.90 19.44 
# --- 5. Thêm dòng ghi chú tốc độ tăng trưởng trung bình ---
cat(sprintf("\n**Tốc độ tăng trưởng trung bình:** %.2f%%", avg_growth))
## 
## **Tốc độ tăng trưởng trung bình:** 8.38%

TRỰC QUAN HOÁ DỮ LIỆU

# --- Biểu đồ Cột: Tốc độ Tăng trưởng Doanh thu (%), 2015–2024 ---

ggplot(
  fpt_analyzed %>% filter(!is.na(TangTruong_DoanhThu_Rate)),
  aes(x = as.factor(Nam), y = TangTruong_DoanhThu_Rate, fill = TangTruong_DoanhThu_Rate)
) +

  # --- Layer 1: Biểu đồ cột ---
  geom_col(alpha = 0.85, color = "black", width = 0.7) +

  # --- Layer 2: Đường trung bình (Mean) ---
  geom_hline(yintercept = avg_growth, linetype = "dashed", color = "red", size = 0.9) +

  # --- Layer 3: Nhãn giá trị (NÂNG CẤP) ---
  # Dùng 'ggrepel' để các nhãn không bị đè lên nhau
  ggrepel::geom_text_repel(
    aes(label = paste0(round(TangTruong_DoanhThu_Rate, 1), "%")),
    size = 3, 
    color = "black",
    direction = "y", # Chỉ đẩy nhãn theo chiều dọc
    vjust = -0.5
  ) +

  # --- Layer 4: Màu sắc chuyển tiếp ---
  scale_fill_gradient2(
    low = "blue", mid = "white", high = "red",
    midpoint = avg_growth
  ) +

  # --- Layer 5: Giới hạn trục Y để nhãn không bị che ---
  expand_limits(y = max(fpt_analyzed$TangTruong_DoanhThu_Rate, na.rm = TRUE) * 1.15) +
  
  # --- Layer 6: Tiêu đề & phụ đề ---
  labs(
    title = "Tốc độ Tăng trưởng Doanh thu (%) qua các năm",
    subtitle = paste(
      "Đường gạch đỏ biểu thị mức tăng trưởng trung bình 10 năm:",
      round(avg_growth, 2), "%"
    ),
    x = "Năm",
    y = "Tốc độ Tăng trưởng (%)",
    caption = "Nguồn: Dữ liệu FPT (2015–2024)"
  ) +

  # --- Layer 7: Định dạng trục Y (NÂNG CẤP) ---
  # Thêm định dạng % cho trục Y
  scale_y_continuous(labels = scales::percent_format(scale = 1)) +

  # --- Layer 8: Theme và căn chỉnh (NÂNG CẤP) ---
  theme_minimal(base_family = "Roboto") + # <-- Đổi font sang "Roboto"
  theme(
    plot.title = element_text(face = "bold", size = 13, hjust = 0.5),
    plot.subtitle = element_text(size = 11, hjust = 0.5),
    axis.title = element_text(size = 10),
    axis.text = element_text(size = 9),
    panel.grid.minor = element_blank(),
    panel.grid.major.x = element_blank(),
    plot.caption = element_text(size = 8, hjust = 1)
  ) +

  # --- Layer 9: Ẩn legend ---
  guides(fill = "none")

📈 Phân tích Biến động Tốc độ Tăng trưởng (2016-2024)

Biểu đồ này là chìa khóa để hiểu về tính chu kỳ và rủi ro của doanh nghiệp, thay vì chỉ nhìn vào các giá trị tuyệt đối. Phân tích cho thấy hai bức tranh hoàn toàn trái ngược:

  1. Sự kiện “Thiên nga đen” năm 2018:
    • Năm 2018 là năm thảm họa với tốc độ tăng trưởng âm 45.6%. Đây là một cú sốc cực lớn, phá vỡ hoàn toàn xu hướng tăng trưởng khiêm tốn của 2 năm trước đó (2016-2017).
    • Ý nghĩa kinh tế: Một sự sụt giảm ở quy mô này không phải là một “năm kinh doanh tồi”, mà là dấu hiệu của một sự kiện mang tính cấu trúc: ví dụ như thoái vốn một mảng lớn, tái cấu trúc toàn diện, hoặc một cuộc khủng hoảng nghiêm trọng trong ngành/doanh nghiệp. Sự kiện này khiến cho mức tăng trưởng trung bình 10 năm (8.38%) trở nên gần như vô nghĩa vì nó bị bóp méo bởi duy nhất năm 2018.
  2. Giai đoạn “Tái sinh” và Tăng trưởng Vượt bậc (2019-2024):
    • Ngay sau cú sốc 2018, doanh nghiệp bước vào một giai đoạn phục hồi và tăng trưởng phi thường. Ngoại trừ năm 2020 (tăng 7.6%, có thể do ảnh hưởng của COVID-19), tất cả các năm còn lại (2019, 2021, 2022, 2023, 2024) đều đạt tốc độ tăng trưởng cao và rất ổn định, xoay quanh mốc 19% - 23%.
    • Ý nghĩa kinh tế: Điều này cho thấy doanh nghiệp đã thay đổi về chất. Có thể sau sự kiện 2018, công ty đã tái cấu trúc thành công, tập trung vào các mảng kinh doanh cốt lõi có hiệu suất cao, hoặc thâm nhập vào thị trường mới.

Kết luận: Không thể đánh giá doanh nghiệp này qua con số trung bình 8.38%. Dữ liệu cho thấy hai doanh nghiệp khác nhau: một doanh nghiệp tăng trưởng chậm và sụp đổ (trước 2018) và một doanh nghiệp mới, năng động với tốc độ tăng trưởng cao, ổn định (sau 2019). Rủi ro lớn nhất trong quá khứ đã được thay thế bằng một mô hình tăng trưởng ấn tượng.

PHÂN TÍCH KHẢ NĂNG SINH LỜI (Profitability)

✍️ Mục tiêu :

  • Phân tích (Logic): Sau khi xác nhận FPT có tăng trưởng doanh thu tiếp theo là kiểm tra xem sự tăng trưởng đó có mang lại lợi nhuận hay không. Chúng ta phân tích 2 chỉ số:
    1. Biên Lợi nhuận Gộp : Đo lường hiệu quả kinh doanh cốt lõi (khả năng kiểm soát GiaVon).
    2. Biên Lợi nhuận Ròng: Đo lường hiệu quả cuối cùng sau khi trừ tất cả các chi phí vận hành.
# --- Tính toán dữ liệu Biên LN ---
if (!exists("fpt_analyzed")) {
  fpt_analyzed <- fpt_ty_dong %>%
    arrange(Nam) %>%
    mutate(
      DoanhThu_Truoc = lag(DoanhThuThuan, 1),
      TangTruong_DoanhThu_Rate = (DoanhThuThuan / DoanhThu_Truoc - 1) * 100
    )
}

fpt_analyzed <- fpt_analyzed %>%
  mutate(
    Bien_LN_Gop_Rate = (DoanhThuThuan - GiaVon) / DoanhThuThuan * 100,
    Bien_LN_Rong_Rate = LoiNhuanSauThue / DoanhThuThuan * 100
  )

# --- Chuẩn bị bảng tóm tắt ---
fpt_margins_table <- fpt_analyzed %>%
  select(Nam, Bien_LN_Gop_Rate, Bien_LN_Rong_Rate)

# --- Tạo bảng đẹp (ĐÃ SỬA) ---
fpt_margins_table %>%
  kbl(
    caption = "Bang Bien Loi nhuan Gop va Rong", # <--- Đã bỏ dấu
    digits = 2,
    col.names = c("Nam", "Bien LN Gop", "Bien LN Rong"), # <--- Đã bỏ dấu
    booktabs = TRUE,
    escape = TRUE   # Giữ nguyên, tốt cho PDF
  ) %>%
  kable_styling(
    full_width = FALSE,
    position = "center", # <--- Căn giữa
    
    # (Đã xóa 'bootstrap_options' vì chỉ dành cho HTML)
    
    # Giữ nguyên các tùy chọn PDF của bạn vì đã có 'hold_position'
    latex_options = c("striped", "hold_position", "scale_down") 
  ) %>%
  column_spec(1, bold = TRUE, border_right = TRUE) %>%
  row_spec(0, background = "#f2f2f2", bold = TRUE)
Bang Bien Loi nhuan Gop va Rong
Nam Bien LN Gop Bien LN Rong
2015 19.74 6.42
2016 21.35 6.52
2017 22.70 8.27
2018 37.58 13.93
2019 38.65 14.11
2020 39.60 14.83
2021 38.23 15.00
2022 39.01 14.75
2023 38.62 14.80
2024 37.71 15.00

TRỰC QUAN HOÁ LỢI NHUẬN GỘP

# Kiểm tra ggrepel (Giữ nguyên, đây là code tốt)
use_repel <- requireNamespace("ggrepel", quietly = TRUE)

# Tạo cột nhãn
fpt_analyzed <- fpt_analyzed %>%
  mutate(Label_Gop = paste0(round(Bien_LN_Gop_Rate, 1), "%"))

# Vẽ biểu đồ
ggplot(fpt_analyzed, aes(x = Nam)) +
  geom_line(aes(y = Bien_LN_Gop_Rate, color = "Biên LN Gộp"),
            size = 1.2, linetype = "dashed") +
  geom_point(aes(y = Bien_LN_Gop_Rate, color = "Biên LN Gộp"),
             size = 3, shape = 18) +
  geom_smooth(aes(y = Bien_LN_Gop_Rate, color = "Xu hướng (hồi quy tuyến tính)"),
              method = "lm", se = FALSE, linetype = "dotted", size = 1) +
  
  # (Phần code 'if (use_repel)' của bạn đã rất tốt, giữ nguyên)
  {if(use_repel) {
      ggrepel::geom_text_repel(aes(y = Bien_LN_Gop_Rate, label = Label_Gop),
                               size = 3, color = "black", max.overlaps = 20)
    } else {
      geom_text(aes(y = Bien_LN_Gop_Rate, label = Label_Gop),
                vjust = -0.6, size = 3, color = "black")
    }
  } +
  
  labs(
    title = "Xu hướng Biên lợi nhuận Gộp (%) của FPT (2015–2024)",
    subtitle = "Đường đứt nét: Biên LN Gộp  |  Đường chấm: Xu hướng hồi quy tuyến tính",
    x = "Năm",
    y = "Biên lợi nhuận Gộp (%)",
    color = "Chú thích"
  ) +
  scale_color_manual(values = c(
    "Biên LN Gộp" = "darkgreen",
    "Xu hướng (hồi quy tuyến tính)" = "black"
  )) +
  scale_y_continuous(labels = function(x) paste0(x, "%")) +
  
  # --- NÂNG CẤP: ĐỒNG BỘ FONT ---
  theme_minimal(base_family = "Roboto") + # <--- Đổi sang "Roboto"
  
  theme(
    # (Đã xóa 'text = element_text(family = "sans")' vì đã có 'base_family')
    plot.title = element_text(face = "bold", size = 13, hjust = 0.5),
    plot.subtitle = element_text(size = 10, hjust = 0.5),
    legend.title = element_text(face = "bold"),
    legend.position = "right",
    axis.text.x = element_text(angle = 15, hjust = 1),
    panel.grid.minor = element_blank()
  )

📊 Phân tích Xu hướng Biên Lợi nhuận Gộp (2015-2024)

Biểu đồ này là bằng chứng rõ ràng nhất giải thích cho sự kiện “Thiên nga đen” năm 2018 và xác nhận giả thuyết về việc tái cấu trúc doanh nghiệp:

  1. Bước nhảy vọt về Cấu trúc (Structural Break) năm 2017-2018:
    • Đường xu hướng hồi quy (chấm) cho thấy một xu hướng tăng dài hạn, nhưng thực tế còn ấn tượng hơn. Dữ liệu cho thấy một “bước nhảy” (step change), không phải tăng trưởng từ từ.
    • Giai đoạn 1 (2015-2017): Doanh nghiệp hoạt động với mô hình kinh doanh có BLNG rất thấp và ổn định, chỉ xoay quanh mức 19.7% - 22.7%. Đây là đặc trưng của các ngành thâm dụng vốn, cạnh tranh về giá như bán lẻ hoặc phân phối.
    • Giai đoạn 2 (2018-2024): Ngay sau năm 2017, BLNG đã nhảy vọt lên mức 37.6% và duy trì ổn định ở mức cao (khoảng 37% - 40%) kể từ đó.
  2. Lời giải cho sự sụt giảm Doanh thu năm 2018:
    • Kết hợp với biểu đồ tăng trưởng doanh thu (âm 45.6% năm 2018), chúng ta có thể kết luận: Năm 2018, doanh nghiệp đã chủ động tái cấu trúc, rất có thể là đã thoái vốn hoặc bán đi mảng kinh doanh có doanh thu lớn nhưng biên lợi nhuận mỏng (mảng ở Giai đoạn 1).
    • Việc này lý giải tại sao doanh thu sụt giảm thê thảm, nhưng BLNG (hiệu quả sinh lời) lại tăng vọt. Doanh nghiệp đã chấp nhận “mất” doanh thu để đổi lấy một mô hình kinh doanh tinh gọn và sinh lời cao hơn nhiều.

Kết luận: Biểu đồ này xác nhận doanh nghiệp đã tái cấu trúc thành công rực rỡ. “Doanh nghiệp FPT” của giai đoạn 2018-2024 là một thực thể hoàn toàn khác biệt về chất so với chính nó ở giai đoạn trước, với trọng tâm là các mảng kinh doanh có giá trị gia tăng và hiệu quả sinh lời cao vượt trội.

TRỰC QUAN HOÁ LỢI NHUẬN RÒNG

# --- Biểu đồ Biên Lợi nhuận Ròng (%) - ĐÃ ĐỒNG BỘ ---

# Kiểm tra ggrepel
use_repel <- requireNamespace("ggrepel", quietly = TRUE)

# --- Vẽ biểu đồ ---
ggplot(fpt_analyzed, aes(x = Nam)) +

  # --- Layer 1 & 2: Dùng tên "Biên LN Ròng" (CÓ DẤU) ---
  geom_line(aes(y = Bien_LN_Rong_Rate, color = "Biên LN Ròng"),
            size = 1.2, linetype = "solid") +
  geom_point(aes(y = Bien_LN_Rong_Rate, color = "Biên LN Ròng"),
             size = 3, shape = 17) +

  # --- Layer 3: Dùng tên "Xu hướng (hồi quy tuyến tính)" (CÓ DẤU) ---
  geom_smooth(aes(y = Bien_LN_Rong_Rate, color = "Xu hướng (hồi quy tuyến tính)"),
              method = "lm", se = FALSE, linetype = "dotted", size = 1) +

  # --- Layer 4: Nhãn giá trị (Giữ nguyên) ---
  {
    if (use_repel) {
      ggrepel::geom_text_repel(
        aes(y = Bien_LN_Rong_Rate, label = paste0(round(Bien_LN_Rong_Rate, 1), "%")),
        size = 3, color = "black", max.overlaps = 20
      )
    } else {
      geom_text(
        aes(y = Bien_LN_Rong_Rate, label = paste0(round(Bien_LN_Rong_Rate, 1), "%")),
        vjust = -0.6, size = 3, color = "black"
      )
    }
  } +

  # --- Layer 5: Tiêu đề (CÓ DẤU) ---
  labs(
    title = "Xu hướng Biên lợi nhuận Ròng (%) của FPT (2015-2024)",
    subtitle = "Đường tím: Biên LN Ròng  |  Đường chấm đen: Xu hướng hồi quy tuyến tính",
    x = "Năm",
    y = "Biên lợi nhuận Ròng (%)",
    color = "Chú thích"
  ) +

  # --- Layer 6: Gán màu (CÓ DẤU, PHẢI KHỚP VỚI LAYER 1, 2, 3) ---
  scale_y_continuous(labels = function(x) paste0(x, "%")) +
  scale_color_manual(
    values = c(
      "Biên LN Ròng" = "purple",  # <--- Phải có dấu
      "Xu hướng (hồi quy tuyến tính)" = "black" # <--- Phải có dấu
    )
  ) +

  # --- Layer 7: Theme (Giữ nguyên) ---
  theme_minimal(base_family = "Roboto") +
  theme(
    plot.title = element_text(face = "bold", size = 13, hjust = 0.5),
    plot.subtitle = element_text(size = 10, hjust = 0.5),
    legend.title = element_text(face = "bold"),
    legend.position = "right",
    axis.text.x = element_text(angle = 15, hjust = 1),
    panel.grid.minor = element_blank()
  )

💰 Phân tích Xu hướng Biên Lợi nhuận Ròng (BLNR)

Biểu đồ này là kết quả sau cùng của quá trình tái cấu trúc và khẳng định sự thành công của mô hình kinh doanh mới:

  1. Xác nhận “Cú nhảy” về Chất lượng Lợi nhuận:
    • Tương tự như Biên Lợi nhuận Gộp (BLNG), Biên Lợi nhuận Ròng (BLNR) cho thấy một “bước nhảy” cấu trúc rõ rệt, không phải là sự tăng trưởng tuyến tính.
    • Giai đoạn 1 (2015-2017): Doanh nghiệp hoạt động với BLNR rất thấp (chỉ 6.4% - 8.3%). Điều này củng cố giả thuyết về mô hình kinh doanh bán lẻ/phân phối (doanh thu cao, biên lợi nhuận mỏng).
    • Giai đoạn 2 (2018-2024): Ngay lập tức, BLNR nhảy vọt lên mức gấp đôi (13.9% - 15.0%) và duy trì cực kỳ ổn định ở mức cao này.
  2. So sánh BLNR và BLNG (Một insight quan trọng):
    • Ở phần trước, BLNG đã tăng gần gấp đôi (từ ~22% lên ~38%).
    • Tuy nhiên, BLNR không tăng gấp đôi (chỉ tăng từ ~8.3% lên ~14-15%).
    • Ý nghĩa kinh tế: Điều này cho thấy mô hình kinh doanh mới (ví dụ: dịch vụ công nghệ, phần mềm) tuy có BLNG cao, nhưng cũng đòi hỏi Chi phí Bán hàng (CPBH) và Chi phí Quản lý (CPQLDN) cao hơn để vận hành (ví dụ: chi phí cho kỹ sư, chuyên gia, chi phí R&D, chi phí bán hàng phức tạp). Phần chi phí hoạt động (OPEX) gia tăng này đã “ăn” bớt một phần lợi ích từ BLNG.

Kết luận: Biểu đồ này chứng minh rằng cuộc tái cấu trúc năm 2018 là hoàn toàn đúng đắn. Doanh nghiệp đã chấp nhận hy sinh quy mô (doanh thu giảm mạnh) và tăng chi phí hoạt động (OPEX) để đổi lấy một mô hình kinh doanh bền vững và có hiệu quả sinh lời ròng (sau cùng) cao hơn hẳn.

PHÂN TÍCH CẤU TRÚC CHI PHÍ VẬN HÀNH

# (Đảm bảo 'fpt_analyzed' đã tồn tại từ các bước trước)
if (!exists("fpt_analyzed")) {
    fpt_analyzed <- fpt_ty_dong 
}

# --- 1. Tính toán Tỷ lệ 3 Chi phí trên Doanh thu ---
fpt_analyzed <- fpt_analyzed %>%
  mutate(
    TyLe_CP_BanHang_Rate = (ChiPhiBanHang / DoanhThuThuan) * 100,
    TyLe_CP_QLDN_Rate = (ChiPhiQLDN / DoanhThuThuan) * 100,
    TyLe_CP_TaiChinh_Rate = (ChiPhiTaiChinh / DoanhThuThuan) * 100
  )

# --- 2. Chuẩn bị dữ liệu (Xoay) để vẽ biểu đồ xếp chồng ---
fpt_cost_structure <- fpt_analyzed %>%
  select(Nam, TyLe_CP_BanHang_Rate, TyLe_CP_QLDN_Rate, TyLe_CP_TaiChinh_Rate) %>%
  pivot_longer(
    cols = -Nam,
    names_to = "LoaiChiPhi",
    values_to = "TyLe"
  )

# --- 3. In bảng dữ liệu chi phí (3 năm cuối) - (ĐÃ SỬA LỖI UTF-8) ---
fpt_analyzed %>%
  select(Nam, TyLe_CP_BanHang_Rate, TyLe_CP_QLDN_Rate, TyLe_CP_TaiChinh_Rate) %>%
  tail(3) %>% # Lấy 3 dòng cuối
  kbl(
    caption = "Tỷ lệ Chi phí trên Doanh thu (3 năm cuối)", # (Giữ tiếng Việt ở caption)
    digits = 2,
    
    col.names = c("Nam", "CP Ban Hang (%)", "CP QLDN (%)", "CP Tai Chinh (%)"),
    
    booktabs = TRUE
  ) %>%
  kable_styling(
    full_width = FALSE,
    position = "center",
    latex_options = c("striped", "hold_position", "scale_down") 
  )
Tỷ lệ Chi phí trên Doanh thu (3 năm cuối)
Nam CP Ban Hang (%) CP QLDN (%) CP Tai Chinh (%)
8 2022 10.29 13.28 3.83
9 2023 9.96 12.59 3.27
10 2024 9.73 11.26 2.88

TRỰC QUAN HOÁ

# --- Bước 1: Kiểm tra thư viện ggrepel ---
use_repel <- requireNamespace("ggrepel", quietly = TRUE)

# --- Bước 2: Chuẩn bị dữ liệu và tạo nhãn ---
fpt_cost_structure_labeled <- fpt_cost_structure %>%
  mutate(
    # Tạo cột nhãn (Label) để hiển thị trên biểu đồ
    Label_Cost = paste0(round(TyLe, 1), "%")
  )

# --- Bước 3: Vẽ biểu đồ (ĐÃ KHÔI PHỤC DẤU) ---
print( # Dùng print() để đảm bảo hiển thị khi Knit
  ggplot(fpt_cost_structure_labeled, 
         aes(x = Nam, y = TyLe, fill = LoaiChiPhi)) +
    
    # Layer 1: Biểu đồ diện xếp chồng
    geom_area(alpha = 0.8, position = "stack") +
    
    # Layer 2: Đường viền trắng mỏng
    geom_line(position = "stack", color = "white", size = 0.2) +
    
    # Layer 3: Thêm nhãn (Label) vào giữa các vùng
    {if(use_repel) {
      ggrepel::geom_text_repel(
        aes(label = Label_Cost),
        position = position_stack(vjust = 0.5), 
        size = 3, 
        color = "black",
        direction = "y",
        max.overlaps = 15
      )
    } else {
      geom_text(
        aes(label = Label_Cost),
        position = position_stack(vjust = 0.5),
        size = 3, 
        color = "black"
      )
    }} +
    
    # Layer 4: Tiêu đề và nhãn (ĐÃ KHÔI PHỤC DẤU)
    labs(
      title = "Phân tích Cấu trúc Chi phí (tính trên % Doanh thu)",
      subtitle = "Cho thấy 3 chi phí vận hành chiếm bao nhiêu % trong Doanh thu",
      x = "Năm",
      y = "Tỷ lệ trên Doanh thu (%)",
      fill = "Loại Chi phí" # <--- Đã sửa
    ) +
    
    # Layer 5: Đổi bảng màu và nhãn legend (ĐÃ KHÔI PHỤC DẤU)
    scale_fill_brewer(
      palette = "Pastel1",
      labels = c("TyLe_CP_BanHang_Rate" = "CP Bán Hàng", # <--- Đã sửa
                 "TyLe_CP_QLDN_Rate" = "CP QLDN", 
                 "TyLe_CP_TaiChinh_Rate" = "CP Tài Chính") # <--- Đã sửa
    ) +
    
    # Layer 6: Định dạng trục Y
    scale_y_continuous(labels = scales::percent_format(scale = 1)) +
    
    # Layer 7 & 8: Gộp và chuẩn hóa Theme
    theme_minimal(base_family = "Roboto") +
    theme(
      plot.title = element_text(face = "bold", size = 13, hjust = 0.5),
      plot.subtitle = element_text(size = 10, hjust = 0.5),
      legend.title = element_text(face = "bold"),
      legend.position = "bottom",
      legend.text = element_text(size = 10),
      axis.text.x = element_text(angle = 15, hjust = 1),
      panel.grid.minor = element_blank()
    )
)

💸 Phân tích Chuyển dịch Cơ cấu Chi phí (trên Doanh thu)

Biểu đồ này là một “lát cắt” chi tiết, giải thích chính xác những gì đã xảy ra “bên dưới” sự thay đổi của Biên Lợi nhuận gộp và Biên Lợi nhuận ròng. Nó cho thấy rõ chi phí của mô hình kinh doanh mới.

  1. Xác nhận “Cú nhảy” Chi phí Hoạt động (Opex):
    • Tương tự các biểu đồ trước, năm 2018 (mốc 2017.5) là một bước ngoặt. Tổng tỷ lệ của 3 chi phí này trên doanh thu đã tăng vọt từ 16.7% (năm 2017) lên 25.7% (năm 2018).
    • Ý nghĩa kinh tế: Đây chính là “cái giá” của việc tái cấu trúc. Doanh nghiệp đã chuyển từ mô hình “Biên gộp thấp - Opex thấp” (trước 2018) sang mô hình “Biên gộp cao - Opex cao” (sau 2018).
  2. Bản chất của Chi phí Mới:
    • Cả hai chi phí chính là CP QLDN (màu xanh) và CP Bán Hàng (màu hồng) đều tăng mạnh về tỷ trọng.
    • CP QLDN (Quản lý) tăng từ 8.1% lên 15.3%. Đây là sự gia tăng lớn nhất, cho thấy mô hình mới thâm dụng chất xám, đòi hỏi chi phí cho R&D, chuyên gia, kỹ sư và bộ máy quản lý tinh gọn nhưng đắt đỏ.
    • CP Bán Hàng tăng từ 7.2% lên 8.8%. Điều này hợp lý, vì bán các sản phẩm/dịch vụ có biên lợi nhuận cao (như công nghệ, phần mềm) đòi hỏi quy trình bán hàng phức tạp và tốn kém hơn là bán các mặt hàng phân phối/bán lẻ.
  3. Xu hướng Sử dụng Nợ:
    • CP Tài Chính (màu xanh lá) có xu hướng tăng dần về tỷ trọng (từ 1.4% lên đỉnh 3.8% và ổn định quanh 3%).
    • Ý nghĩa kinh tế: Điều này cho thấy doanh nghiệp đang gia tăng sử dụng đòn bẩy tài chính (nợ vay) để tài trợ cho sự tăng trưởng, dẫn đến chi phí lãi vay (là thành phần chính của CP Tài Chính) tăng lên.

Kết luận: Biểu đồ này đã hoàn thiện bức tranh. Cuộc tái cấu trúc là một sự đánh đổi có tính toán: chấp nhận hy sinh quy mô doanh thu (tạm thời) và tăng chi phí hoạt động (Opex) để theo đuổi một mô hình kinh doanh có giá trị gia tăng cao hơn, và cuối cùng mang lại Biên lợi nhuận ròng cao hơn và bền vững hơn.

PHÂN TÍCH HIỆU QUẢ TÀI SẢN

# --- 1. Gộp 2 bước tính toán vào một hàm mutate() ---
fpt_analyzed <- fpt_analyzed %>%
  mutate(
    # Tinh Tong Tai San
    TongTaiSan = TaiSanNganHan + TaiSanDaiHan,
    # Tinh Vong quay Tong Tai san (Asset Turnover)
    VongQuay_TTS = DoanhThuThuan / TongTaiSan
  )

# --- 2. In bảng kết quả (ĐÃ SỬA) ---
fpt_analyzed %>%
  select(Nam, TongTaiSan, VongQuay_TTS) %>%
  kbl( # Đổi sang kbl()
    caption = "Bảng Tổng Tài Sản và Vòng quay Tổng Tài Sản", # Giữ dấu ở caption
    digits = 2,
    
    # --- ĐÃ SỬA LỖI ENCODING (BỎ DẤU) ---
    col.names = c("Nam", "Tong Tai San (Ty dong)", "Vong quay TTS (lan)"), 
    
    booktabs = TRUE # Quan trọng cho PDF
  ) %>%
  kable_styling(
    position = "center", # Căn giữa
    full_width = FALSE,
    
    # Tùy chọn cho PDF (Đã thêm scale_down để co nhỏ bảng)
    latex_options = c("striped", "hold_position", "scale_down")
    
    # (Đã xóa bootstrap_options)
  )
Bảng Tổng Tài Sản và Vòng quay Tổng Tài Sản
Nam Tong Tai San (Ty dong) Vong quay TTS (lan)
2015 26045.59 1.46
2016 29833.26 1.33
2017 24999.68 1.71
2018 29757.07 0.78
2019 33394.16 0.83
2020 41734.32 0.71
2021 53697.94 0.66
2022 51650.40 0.85
2023 60282.83 0.87
2024 72000.00 0.87

TRỤC QUAN HOÁ DỮ LIỆU

# --- TRỰC QUAN HOÁ VÒNG QUAY TÀI SẢN (ĐÃ KHÔI PHỤC VÀ NÂNG CẤP) ---

# 1. Đảm bảo 'fpt_analyzed' và 'VongQuay_TTS' tồn tại
if (!exists("fpt_analyzed") || !"VongQuay_TTS" %in% names(fpt_analyzed)) {
    fpt_analyzed <- fpt_ty_dong %>%
      mutate(
        TongTaiSan = TaiSanNganHan + TaiSanDaiHan,
        VongQuay_TTS = DoanhThuThuan / TongTaiSan
      )
}

# 2. Tính giá trị trung bình
avg_turnover <- mean(fpt_analyzed$VongQuay_TTS, na.rm = TRUE)

# 3. Vẽ biểu đồ (Đã đồng bộ)
print(
  ggplot(fpt_analyzed, aes(x = Nam, y = VongQuay_TTS)) +
    
    # Layer 1: Vẽ đường thực tế (CÓ DẤU)
    geom_line(aes(color = "Vòng quay TTS (Thực tế)"), size = 1.2) +
    
    # Layer 2 (ĐÃ SỬA): Gộp chung 'color' với Layer 1
    # Bằng cách đưa 'color' vào aes(), điểm sẽ có cùng màu "orange"
    # và Chú thích sẽ hiển thị cả điểm và đường.
    geom_point(aes(color = "Vòng quay TTS (Thực tế)"), size = 3, shape = 15) +
    
    # Layer 3: Vẽ đường xu hướng (CÓ DẤU)
    geom_smooth(aes(color = "Xu hướng (Tuyến tính)"), 
                method = "lm", se = FALSE, linetype = "dotted", size = 1) +
    
    # Layer 4 (ĐÃ SỬA): Thêm đường trung bình VÀO CHÚ THÍCH (CÓ DẤU)
    # Dùng geom_line(aes(y=...)) thay vì geom_hline() để đưa vào legend
    geom_line(aes(y = avg_turnover, color = "Trung bình 10 năm"),
              size = 1, linetype = "dashed") +

    # Layer 5: Nhãn giá trị (Giữ nguyên)
    geom_text_repel(aes(label = round(VongQuay_TTS, 2)), size = 3.5, color = "black") +
    
    # Layer 6: Tiêu đề và nhãn (ĐÃ KHÔI PHỤC DẤU)
    labs(
      title = "Xu hướng Vòng quay Tổng Tài sản (Asset Turnover)",
      subtitle = "1 đồng Tài sản tạo ra bao nhiêu đồng Doanh thu",
      x = "Năm",
      y = "Số lần (Doanh thu / Tổng Tài sản)",
      color = "Chú Thích" # <--- Đã sửa
    ) +
    
    # Layer 7 (ĐÃ SỬA): Định nghĩa màu cho TẤT CẢ 3 MỤC
    scale_color_manual(
      name = "Chú Thích",
      values = c(
        "Vòng quay TTS (Thực tế)" = "darkorange", # <--- Đã sửa
        "Xu hướng (Tuyến tính)" = "black",  # <--- Đã sửa
        "Trung bình 10 năm" = "blue"      # <--- Đã thêm
      )
    ) +
    
    # Layer 8 (ĐÃ SỬA): Đồng bộ theme cho chuyên nghiệp
    # (Đã xóa geom_hline và annotate() vì đã đưa vào Layer 4 & 7)
    theme_classic(base_family = "Roboto") + 
    theme(
      plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
      plot.subtitle = element_text(size = 12, hjust = 0.5),
      axis.title = element_text(size = 12, face = "bold"),
      axis.text = element_text(size = 10),
      legend.title = element_text(size = 12, face = "bold"),
      legend.text = element_text(size = 10),
      legend.position = "bottom"
    )
)

🔄 Phân tích Hiệu quả Sử dụng Tài sản (Vòng quay Tổng Tài sản)

Vòng quay Tổng Tài sản (VQTTS) đo lường 1 đồng tài sản tạo ra bao nhiêu đồng doanh thu, cho thấy hiệu quả sử dụng tài sản của doanh nghiệp. Biểu đồ này cho thấy một sự “đảo cực” hoàn toàn về mô hình kinh doanh.

  1. Giai đoạn 1: “Hiệu quả cao” (2015-2017):
    • Trong giai đoạn này, VQTTS ở mức rất cao (1.33 - 1.71 lần). Đỉnh điểm năm 2017, 1 đồng tài sản tạo ra 1.71 đồng doanh thu.
    • Ý nghĩa kinh tế: Đây là đặc điểm kinh điển của mô hình kinh doanh thâm dụng vốn lưu động (bán lẻ/phân phối). Mô hình này có biên lợi nhuận mỏng (như đã thấy ở các biểu đồ trước), do đó bắt buộc phải quay vòng tài sản thật nhanh (bán hàng nhanh, thu tiền nhanh) để tạo ra lợi nhuận.
  2. Sự sụp đổ năm 2018:
    • Chỉ trong 1 năm, VQTTS đã sụp đổ từ 1.71 lần xuống chỉ còn 0.78 lần.
    • Ý nghĩa kinh tế: VQTTS = Doanh Thu / Tổng Tài Sản. Chúng ta biết rằng Doanh Thu đã giảm mạnh (do thoái vốn mảng cũ) và Tổng Tài Sản đã tăng lên (do mô hình kinh doanh mới cần nhiều tài sản hơn, như chúng ta thấy chi phí QLDN và tài sản dài hạn tăng lên). Cả hai yếu tố này đồng thời xảy ra đã khiến chỉ số “lao dốc”.
  3. Giai đoạn 2: “Trạng thái bình thường mới” (2018-2024):
    • Kể từ năm 2018, VQTTS ổn định ở một mức nền thấp mới (dao động quanh 0.7 - 0.87 lần).
    • Ý nghĩa kinh tế: Đây là đặc trưng của mô hình kinh doanh thâm dụng tài sản cố định và tài sản trí tuệ (công nghệ/dịch vụ). Mô hình này cần nhiều tài sản (nhà máy, R&D, công nghệ) để vận hành, và 1 đồng tài sản chỉ tạo ra ít doanh thu hơn.

Kết luận: Biểu đồ này xác nhận doanh nghiệp đã đánh đổi hiệu quả (turnover) để lấy lợi nhuận (margin). Doanh nghiệp đã chuyển đổi thành công từ mô hình “tài sản nhẹ - quay vòng nhanh - biên lợi nhuận mỏng” sang mô hình “tài sản nặng - quay vòng chậm - biên lợi nhuận cao”.

PHÂN TÍCH ĐÒN BẨY TÀI CHÍNH

# --- 1. Tinh Ty le No tren Tong Tai san ---
fpt_analyzed <- fpt_analyzed %>%
  mutate(
    TyLe_No_tren_TTS_Rate = (NoPhaiTra / TongTaiSan) * 100
  )
  
# --- 2. In bang ket qua (ĐÃ SỬA) ---
fpt_analyzed %>%
  select(Nam, TongTaiSan, NoPhaiTra, TyLe_No_tren_TTS_Rate) %>%
  kbl( # Đổi sang kbl()
    caption = "Bảng Tỷ lệ Nợ trên Tổng Tài Sản", # Giữ dấu ở caption
    digits = 2,
    
    # --- ĐÃ SỬA LỖI ENCODING (BỎ DẤU) ---
    col.names = c("Nam", "Tong Tai San (Ty dong)", "No Phai Tra (Ty dong)", "Ty le No/TTS (%)"), 
    
    booktabs = TRUE # Quan trọng cho PDF
  ) %>%
  kable_styling(
    position = "center", # Căn giữa
    full_width = FALSE,
    
    # Tùy chọn cho PDF (Đã thêm scale_down để co nhỏ bảng)
    latex_options = c("striped", "hold_position", "scale_down") 
    
    # (Đã xóa bootstrap_options)
  )
Bảng Tỷ lệ Nợ trên Tổng Tài Sản
Nam Tong Tai San (Ty dong) No Phai Tra (Ty dong) Ty le No/TTS (%)
2015 26045.59 15863.30 60.91
2016 29833.26 18385.19 61.63
2017 24999.68 11761.30 47.05
2018 29757.07 14982.10 50.35
2019 33394.16 16594.87 49.69
2020 41734.32 23128.66 55.42
2021 53697.94 32279.96 60.11
2022 51650.40 26294.28 50.91
2023 60282.83 30349.82 50.35
2024 72000.00 36272.46 50.38

TRỰC QUAN HOÁ DỮ LIỆU

# --- 3. Đảm bảo dữ liệu đầy đủ và đúng kiểu ---
if (!exists("fpt_analyzed") || !"TyLe_No_tren_TTS_Rate" %in% names(fpt_analyzed)) {
  fpt_analyzed <- fpt_ty_dong %>%
    mutate(
      Nam = as.numeric(Nam),  # đảm bảo là số
      TongTaiSan = TaiSanNganHan + TaiSanDaiHan,
      TyLe_No_tren_TTS_Rate = (NoPhaiTra / TongTaiSan) * 100
    ) %>%
    filter(!is.na(TyLe_No_tren_TTS_Rate))
}

# --- 4. Tính trung bình ---
avg_leverage <- mean(fpt_analyzed$TyLe_No_tren_TTS_Rate, na.rm = TRUE)

# --- 5. Vẽ biểu đồ ---
library(ggrepel)

ggplot(fpt_analyzed, aes(x = Nam, y = TyLe_No_tren_TTS_Rate)) +

  # Layer 1: Đường thực tế
  geom_line(aes(color = "Tỷ lệ Nợ thực tế (%)"), size = 1.2) +

  # Layer 2: Điểm dữ liệu
  geom_point(aes(color = "Tỷ lệ Nợ thực tế (%)"), size = 3, shape = 17) +

  # Layer 3: Nhãn giá trị
  geom_text_repel(aes(label = round(TyLe_No_tren_TTS_Rate, 1)),
                  size = 3.5, color = "black") +

  # Layer 4: Xu hướng tuyến tính
  geom_smooth(aes(color = "Xu hướng (Tuyến tính)"),
              method = "lm", se = FALSE, linetype = "dotted", size = 1) +

  # Layer 5: Đường trung bình 10 năm
  geom_line(aes(y = avg_leverage, color = "Trung bình 10 năm"),
            size = 1, linetype = "dashed") +

  # Layer 6: Màu chú thích
  scale_color_manual(
    name = "Chú thích",
    values = c(
      "Tỷ lệ Nợ thực tế (%)" = "red",
      "Xu hướng (Tuyến tính)" = "black",
      "Trung bình 10 năm" = "blue"
    )
  ) +

  # Layer 7: Định dạng trục
  scale_y_continuous(labels = function(x) paste0(x, "%")) +

  # Layer 8: Nhãn và tiêu đề
  labs(
    title = "Xu hướng Tỷ lệ Nợ trên Tổng Tài sản (%) của FPT",
    subtitle = "Đường đỏ: Tỷ lệ thực tế | Đường đen chấm: Xu hướng tuyến tính | Đường xanh: Trung bình 10 năm",
    x = "Năm",
    y = "Tỷ lệ Nợ (%)"
  ) +

  # Layer 9: Theme đẹp
  theme_classic(base_family = "Roboto") +
  theme(
    plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
    plot.subtitle = element_text(size = 12, hjust = 0.5),
    axis.title = element_text(size = 12, face = "bold"),
    axis.text = element_text(size = 10),
    legend.title = element_text(size = 12, face = "bold"),
    legend.text = element_text(size = 10),
    legend.position = "bottom"
  )

::: {.callout-note} #### ⚖️ Phân tích Cấu trúc Vốn và Rủi ro (Tỷ lệ Nợ trên Tổng Tài sản)

Biểu đồ này cho thấy một sự thay đổi toàn diện không chỉ trong mô hình kinh doanh mà còn trong chính sách cấu trúc vốn (financial policy) của doanh nghiệp.

  1. Giai đoạn 1: Đòn bẩy cao & Rủi ro (2015-2016):
    • Tỷ lệ nợ duy trì ở mức rất cao, trên 60% (đỉnh điểm 61.6%).
    • Ý nghĩa kinh tế: Điều này hoàn toàn nhất quán với mô hình “biên lợi nhuận mỏng, vòng quay nhanh” (bán lẻ/phân phối) ở giai đoạn này. Để tài trợ cho vốn lưu động khổng lồ (hàng tồn kho, khoản phải thu), doanh nghiệp đã sử dụng đòn bẩy tài chính (nợ) ở mức độ cao, chấp nhận rủi ro tài chính lớn.
  2. Sự kiện Tái cấu trúc (2017): “Giảm đòn bẩy”
    • Cùng lúc với việc bán mảng kinh doanh cũ (doanh thu giảm, biên lợi nhuận tăng), Tỷ lệ Nợ đã lao dốc thẳng đứng từ 61.6% xuống chỉ còn 47%.
    • Ý nghĩa kinh tế: Đây là một hành động chủ động giảm đòn bẩy (de-leveraging). Rất có thể, doanh nghiệp đã dùng tiền thu được từ việc thoái vốn (bán công ty con) để trả bớt một lượng nợ khổng lồ, ngay lập tức đưa cấu trúc vốn về mức an toàn hơn.
  3. Giai đoạn 2: Quản trị vốn linh hoạt (2018-2024):
    • Giai đoạn này cho thấy một bức tranh hoàn toàn khác: sự biến động mạnh (volatility).
    • Tỷ lệ nợ ổn định quanh 50%, nhưng đã có một đợt tăng vọt trở lại lên 60.1% (năm 2021) trước khi bị “kéo” về mức 50% (năm 2022).
    • Ý nghĩa kinh tế: Điều này cho thấy doanh nghiệp đang áp dụng chính sách quản trị vốn chủ động. Họ sẵn sàng tăng đòn bẩy (vay nợ) để tài trợ cho các cơ hội tăng trưởng (giai đoạn 2020-2021), nhưng sau đó cũng chủ động trả bớt nợ để kiểm soát rủi ro, giữ tỷ lệ nợ ở mức mục tiêu (~50%).

Kết luận: Doanh nghiệp đã chuyển đổi từ một mô hình “Đòn bẩy cao - Tĩnh” (luôn vay nợ nhiều) sang một mô hình “Đòn bẩy thấp hơn - Động” (chủ động vay và trả nợ linh hoạt theo nhu cầu kinh doanh). Mặc dù đường xu hướng tuyến tính (chấm) cho thấy xu hướng giảm nợ dài hạn, thực tế cho thấy một chính sách tài chính năng động và phức tạp hơn nhiều. :::

TỶ SUẤT SINH LỜI TÀI SẢN (ROA)

fpt_analyzed <- fpt_analyzed %>%
  mutate(ROA_Rate = LoiNhuanSauThue / TongTaiSan * 100)

# Thao tac 38: In bang ket qua cho ROA
fpt_roa_table <- fpt_analyzed %>%
  select(Nam, LoiNhuanSauThue, TongTaiSan, ROA_Rate)

# In bang dep (ĐÃ SỬA)
kbl( # Đổi sang kbl()
  fpt_roa_table,
  caption = "Bang Tinh toan Ty suat Sinh loi tren Tai san (ROA)", # Đã bỏ dấu
  digits = 2,
  
  # ĐÃ BỎ DẤU ĐỂ TRÁNH LỖI ENCODING
  col.names = c("Nam", "Loi nhuan Sau thue (Ty dong)", "Tong Tai san (Ty dong)", "ROA (%)"),
  
  booktabs = TRUE # Quan trọng cho PDF
) %>%
  kable_styling(
    position = "center", # Căn giữa
    full_width = FALSE,
    
    # ĐÃ THÊM hold_position và scale_down
    latex_options = c("striped", "hold_position", "scale_down") 
  )
Bang Tinh toan Ty suat Sinh loi tren Tai san (ROA)
Nam Loi nhuan Sau thue (Ty dong) Tong Tai san (Ty dong) ROA (%)
2015 2438.08 26045.59 9.36
2016 2575.69 29833.26 8.63
2017 3528.11 24999.68 14.11
2018 3234.00 29757.07 10.87
2019 3911.71 33394.16 11.71
2020 4423.75 41734.32 10.60
2021 5349.30 53697.94 9.96
2022 6491.34 51650.40 12.57
2023 7788.05 60282.83 12.92
2024 9427.42 72000.00 13.09 
# Tinh gia tri trung binh cho ROA
avg_roa <- mean(fpt_analyzed$ROA_Rate, na.rm = TRUE) # Thêm na.rm = TRUE để tính toán an toàn

TRỰC QUAN HOÁ DỮ LIỆU

# Tinh gia tri trung binh cho ROA (Đảm bảo giá trị này tồn tại)
if (!exists("avg_roa")) {
  avg_roa <- mean(fpt_analyzed$ROA_Rate, na.rm = TRUE)
}

print(
  ggplot(fpt_analyzed, aes(x = Nam, y = ROA_Rate)) +
    
    # Layer 1: Đường ROA thực tế
    geom_line(aes(color = "ROA Thực tế (%)"), size = 1.2) +
    
    # Layer 2: Đường xu hướng tuyến tính
    geom_smooth(aes(color = "Xu hướng (Tuyến tính)"), method = "lm", se = FALSE, linetype = "dotted") +
    
    # Layer 3: Điểm dữ liệu
    geom_point(color = "blue", size = 3, shape = 18) +
    
    # Layer 4: Label giá trị từng điểm
    ggrepel::geom_text_repel(aes(label = round(ROA_Rate, 1)), size = 3.5) +
    
    # Layer 5: Đường trung bình 10 năm (ẨN để nó xuất hiện trong Legend)
    geom_line(aes(y = avg_roa, color = "Trung bình 10 năm"), size=0, linetype="dashed") +
    
    # Layer 6: Tiêu đề, nhãn trục (ĐÃ THÊM LẠI TIẾNG VIỆT)
    labs(
      title = "Xu hướng Tỷ suất Sinh lợi trên Tổng Tài sản (ROA %)",
      subtitle = "100 đồng Tài sản tạo ra bao nhiêu đồng Lợi nhuận",
      x = "Năm", 
      y = "ROA (%)", 
      color = "Chú thích"
    ) +
    
    # Layer 7: Định dạng trục Y theo %
    scale_y_continuous(labels = scales::percent_format(scale = 1)) +
    
    # Layer 8: Chú thích màu cho các đường (ĐÃ THÊM CHÚ THÍCH CHI TIẾT)
    scale_color_manual(
      name = "Chú Thích",
      values = c("ROA Thực tế (%)" = "blue", 
                 "Xu hướng (Tuyến tính)" = "black",
                 "Trung bình 10 năm" = "darkgreen"
      ),
      # THÊM CHÚ THÍCH CHI TIẾT TẠI ĐÂY
      labels = c("ROA Thực tế (%) (Đường liền xanh)", 
                 "Xu hướng (Tuyến tính) (Đường chấm đen)", 
                 paste0("Trung bình 10 năm (", round(avg_roa, 2), "%) (Đường gạch xanh)")
                )
    ) +
    
    # Layer 9: Đường HLine thực tế 
    geom_hline(yintercept = avg_roa, linetype = "dashed", color = "darkgreen") +
    
    # Layer 10: Theme đẹp, font chuẩn
    theme_bw(base_family = "Roboto") + 
    theme(
      plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
      plot.subtitle = element_text(size = 12, hjust = 0.5),
      axis.title = element_text(size = 12, face = "bold"),
      axis.text = element_text(size = 10),
      legend.position = "bottom" 
    )
)

🏆 Phân tích Hiệu quả Sinh lợi Tổng thể (ROA)

Biểu đồ ROA này là “bản án” cuối cùng, xác nhận tính đúng đắn của cuộc tái cấu trúc. Nó cho thấy một câu chuyện gồm 3 hồi:

  1. Hồi 1: Đỉnh cao của Mô hình Cũ (2017)
    • Đáng ngạc nhiên, ROA đạt đỉnh cao nhất (14.1%) vào năm 2017, ngay trước khi tái cấu trúc.
    • Giải thích: Đây là kết quả của việc mô hình “biên lợi nhuận mỏng, vòng quay nhanh” được đẩy đến giới hạn tuyệt đối. Năm đó, Biên LN Ròng vẫn còn thấp (8.3%) nhưng Vòng quay Tài sản đạt đỉnh lịch sử (1.71 lần).
    • ROA 2017 = 8.3% * 1.71 = 14.19%. Con số này cho thấy một mô hình “chạy hết công suất” nhưng không bền vững.
  2. Hồi 2: “Cú sụt” có Tính toán (2018)
    • Ngay sau khi tái cấu trúc (bán mảng cũ), ROA lao dốc từ 14.1% xuống 10.9% vào năm 2018.
    • Giải thích: Đây là cái giá phải trả của việc đánh đổi. Doanh nghiệp đã chấp nhận “mất” Vòng quay Tài sản (giảm từ 1.71 xuống 0.78), và Biên LN Ròng cao (13.9%) không thể bù đắp ngay lập tức.
    • ROA 2018 = 13.9% * 0.78 = 10.84%.
  3. Hồi 3: Xây dựng Lại - Tăng trưởng Bền vững (2019-2024)
    • Đây là phần quan trọng nhất. Từ mức “nền” 10.9% của mô hình mới, ROA đã cho thấy một xu hướng tăng trưởng ổn định và bền bỉ (theo đường hồi quy chấm), leo trở lại mức 13.1% vào năm 2024.
    • Ý nghĩa kinh tế: Doanh nghiệp mất 1 năm để “sụp đổ” và mất 6 năm để xây dựng lại, gần như quay về đỉnh ROA cũ. Nhưng đỉnh ROA 13.1% của năm 2024 chất lượng hơn nhiều so với đỉnh 14.1% của năm 2017, vì nó được xây trên nền tảng “Biên lợi nhuận cao” (Margin) chứ không phải “Vòng quay nhanh” (Turnover).

Kết luận: Giá trị trung bình 10 năm (11.38%) là vô nghĩa vì nó trộn lẫn hai mô hình kinh doanh. Thực tế, doanh nghiệp đã hy sinh hiệu quả sinh lời ngắn hạn (ROA 2018) để đổi lấy một nền tảng sinh lời bền vững (ROA 2019-2024) với xu hướng tăng trưởng rõ rệt dựa trên lợi thế cạnh tranh về chất lượng, không phải về tốc độ.

VỐN CHỦ SỞ HỮU VÀ ROE

# --- 1. Tinh Von Chu So Huu (Equity) va ROE ---
fpt_analyzed <- fpt_analyzed %>%
  mutate(
    VonChuSoHuu = TongTaiSan - NoPhaiTra,
    ROE_Rate = LoiNhuanSauThue / VonChuSoHuu * 100
  )
  
# --- 2. In bang ket qua cho ROE (ĐÃ SỬA) ---
fpt_analyzed %>%
  select(Nam, LoiNhuanSauThue, VonChuSoHuu, ROE_Rate) %>%
  kbl( # Đổi sang kbl()
    caption = "Bảng Tính toán Tỷ suất Sinh lợi trên Vốn CSH (ROE)", # Giữ dấu ở caption
    digits = 2,
    
    # --- ĐÃ SỬA LỖI ENCODING (BỎ DẤU) ---
    col.names = c("Nam", "Loi nhuan Sau thue (Ty dong)", "Von CSH (Ty dong)", "ROE (%)"),
    
    booktabs = TRUE # Quan trọng cho PDF
  ) %>%
  kable_styling(
    position = "center", # Căn giữa
    full_width = FALSE,
    
    # Tùy chọn cho PDF (Đã thêm scale_down để co nhỏ bảng)
    latex_options = c("striped", "hold_position", "scale_down") 
    
    # (Đã xóa bootstrap_options)
  )
Bảng Tính toán Tỷ suất Sinh lợi trên Vốn CSH (ROE)
Nam Loi nhuan Sau thue (Ty dong) Von CSH (Ty dong) ROE (%)
2015 2438.08 10182.29 23.94
2016 2575.69 11448.08 22.50
2017 3528.11 13238.38 26.65
2018 3234.00 14774.97 21.89
2019 3911.71 16799.29 23.28
2020 4423.75 18605.67 23.78
2021 5349.30 21417.99 24.98
2022 6491.34 25356.12 25.60
2023 7788.05 29933.01 26.02
2024 9427.42 35727.54 26.39 
# --- 3. Tinh gia tri trung binh cho ROE ---
avg_roe <- mean(fpt_analyzed$ROE_Rate, na.rm = TRUE)

TRỰC QUAN HOÁ DỮ LIỆU

# --- 3. Đảm bảo dữ liệu (Giữ nguyên) ---
# (Đảm bảo giá trị avg_roe đã được tính toán ở khối trước)
if (!exists("avg_roe")) {
  # Đây là logic fallback nếu avg_roe chưa được tính
  if (!exists("fpt_analyzed") || !"ROE_Rate" %in% names(fpt_analyzed)) {
    # Tinh toan lai neu can
    fpt_analyzed <- fpt_ty_dong %>%
      mutate(
        TongTaiSan = TaiSanNganHan + TaiSanDaiHan,
        VonChuSoHuu = TongTaiSan - NoPhaiTra,
        ROE_Rate = LoiNhuanSauThue / VonChuSoHuu * 100
      )
  }
  avg_roe <- mean(fpt_analyzed$ROE_Rate, na.rm = TRUE)
}

# --- 4. Vẽ biểu đồ ROE (ĐÃ NÂNG CẤP LEGEND) ---
print(
  ggplot(fpt_analyzed, aes(x = Nam, y = ROE_Rate)) +
    
    # Layer 1: Đường ROE thực tế
    geom_line(aes(color = "ROE Thực tế (%)"), size = 1.2) +
    
    # Layer 2: Điểm dữ liệu
    geom_point(color = "darkviolet", size = 3, shape = 15) +
    
    # Layer 3: Label giá trị từng điểm
    geom_text_repel(aes(label = round(ROE_Rate, 1)), size = 3.5) +
    
    # Layer 4: Đường xu hướng tuyến tính
    geom_smooth(aes(color = "Xu hướng (Tuyến tính)"), method = "lm", se = FALSE, linetype = "dotted") +
    
    # Layer 5: Đường trung bình 10 năm (ĐƯỜNG THỰC TẾ)
    geom_hline(yintercept = avg_roe, linetype = "dashed", color = "darkorange") +
    
    # Layer 6 (NÂNG CẤP): Tạo đường ẩn để chú thích cho đường trung bình
    geom_line(aes(y = avg_roe, color = "Trung bình 10 năm"), size=0, linetype="dashed") +
    
    # Layer 7 (NÂNG CẤP): Chú thích màu cho các đường (Tích hợp tất cả vào Legend)
    scale_color_manual(
      name = "Chú Thích",
      values = c(
        "ROE Thực tế (%)" = "darkviolet",
        "Xu hướng (Tuyến tính)" = "black",
        "Trung bình 10 năm" = "darkorange"
      ),
      # Thêm chú thích chi tiết vào labels
      labels = c("ROE Thực tế (%) (Đường liền tím)", 
                 "Xu hướng (Tuyến tính) (Đường chấm đen)", 
                 paste0("Trung bình 10 năm (", round(avg_roe, 2), "%) (Đường gạch cam)")
                )
    ) +
    
    # Layer 8: Trục Y hiển thị %  
    scale_y_continuous(labels = scales::percent_format(scale = 1)) +
    
    # Layer 9: Tiêu đề, nhãn trục
    labs(
      title = "Xu hướng Tỷ suất Sinh lợi trên Vốn Chủ Sở Hữu (ROE %)",
      subtitle = "100 đồng Vốn CSH tạo ra bao nhiêu đồng Lợi nhuận",
      x = "Năm", y = "ROE (%)"
    ) +
    
    # Layer 10: Theme đẹp, font chuẩn
    theme_light(base_family = "roboto") +
    theme(
      plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
      plot.subtitle = element_text(size = 12, hjust = 0.5),
      axis.title = element_text(size = 12, face = "bold"),
      axis.text = element_text(size = 10),
      legend.title = element_text(size = 12, face = "bold"),
      legend.text = element_text(size = 10),
      legend.position = "bottom" # Đổi vị trí Legend xuống dưới
    )
)

::: {.callout-note}

🏁 Phân tích Tổng kết: Lợi nhuận Cổ đông (ROE) & Phân tích DuPont

Chỉ số ROE (Lợi nhuận ròng / Vốn CSH) là thước đo quan trọng nhất đối với cổ đông. Biểu đồ này, khi kết hợp với các phân tích trước đó (đặc biệt là ROA và Tỷ lệ Nợ), đã kể một câu chuyện trọn vẹn.

Công thức: ROE = ROA * Đòn bẩy tài chính (Trong đó Đòn bẩy TC = Tổng Tài sản / Vốn CSH, chịu ảnh hưởng trực tiếp từ Tỷ lệ Nợ)

  1. Hồi 1: Đỉnh cao Rủi ro (2017)
    • ROE đạt đỉnh cao nhất lịch sử (26.7%) vào năm 2017.
    • Giải thích: Đỉnh cao này được tạo ra bởi một công thức rủi ro cao: ROA đang ở đỉnh (14.1%, nhờ Vòng quay Tài sản 1.71) và Tỷ lệ Nợ cũng ở đỉnh (61.6%, tạo ra đòn bẩy tài chính khổng lồ). Đây là mô hình “được ăn cả, ngã về không”.
  2. Hồi 2: Cú Sụp (2018)
    • ROE lao dốc thê thảm xuống mức thấp nhất (21.9%).
    • Giải thích: Đây là một “cú sốc kép” (double whammy). Cuộc tái cấu trúc khiến cả hai thành phần của ROE đều sụp đổ cùng lúc:
      • ROA giảm mạnh (từ 14.1% xuống 10.9%) do Vòng quay Tài sản sụp đổ.
      • Đòn bẩy tài chính giảm mạnh (do Tỷ lệ Nợ giảm từ 61.6% xuống 47%).
    • Doanh nghiệp đồng thời trở nên kém hiệu quả hơn (tạm thời) và ít rủi ro hơn (chủ động).
  3. Hồi 3: “Chất lượng” của Lợi nhuận Mới (2019-2024)
    • Từ đáy 21.9%, ROE đã tăng trưởng bền bỉ trở lại và đạt 26.4% vào năm 2024.
    • Ý nghĩa quan trọng: Mức ROE 26.4% (2024) gần bằng đỉnh ROE 26.7% (2017), nhưng chất lượng của nó vượt trội hoàn toàn:
      • ROE cũ (2017): Được tạo ra từ đòn bẩy cao và vòng quay không bền vững.
      • ROE mới (2024): Được tạo ra từ Biên Lợi nhuận cao (Margin) và mức đòn bẩy được kiểm soát.

Kết luận chung: Toàn bộ chuỗi phân tích cho thấy một cuộc tái cấu trúc thành công rực rỡ. Doanh nghiệp đã chấp nhận hy sinh quy mô và lợi nhuận ngắn hạn (năm 2018) để chuyển đổi từ mô hình “Bán lẻ/Phân phối” (Biên mỏng, Vòng quay nhanh, Nợ cao) sang mô hình “Công nghệ/Dịch vụ” (Biên cao, Vòng quay chậm, Quản trị Nợ linh hoạt). Kết quả là một doanh nghiệp có chất lượng lợi nhuận và tiềm năng tăng trưởng bền vững hơn hẳn cho cổ đông. :::

PHÂN TÍCH CHẤT LƯỢNG DÒNG TIỀN

# 2. Dam bao 'fpt_analyzed' va cac cot can thiet ton tai
if (!exists("fpt_analyzed") || !"LuuChuyenTienHDKD" %in% names(fpt_analyzed)) {
    # Fallback: Chỉ dùng fpt_ty_dong nếu fpt_analyzed chưa tồn tại
    fpt_analyzed <- fpt_ty_dong 
}

# Thao tac 43: Chuan bi du lieu (Xoay) de ve bieu do so sanh (Long Format)
fpt_cash_profit <- fpt_analyzed %>%
    select(Nam, LoiNhuanSauThue, LuuChuyenTienHDKD) %>%
    pivot_longer(
        cols = -Nam, 
        names_to = "ChiTieu", 
        values_to = "GiaTri"
    )

# =========================================================
# === IN KẾT QUẢ (PHẦN BẠN YÊU CẦU) ===
# =========================================================
library(kableExtra) # Đảm bảo thư viện được gọi nếu bạn tách khối code
fpt_cash_profit %>%
  head(6) %>%
  kbl(
    caption = "Dữ liệu so sánh Lợi nhuận và Dòng tiền (Định dạng dài)",
    digits = 0,
    col.names = c("Năm", "Chỉ Tiêu", "Giá trị (Tỷ đồng)"), # Đã thêm dấu để hiển thị tiếng Việt
    booktabs = TRUE
  ) %>%
  kable_styling(
    position = "center",
    latex_options = "hold_position" # Giữ bảng đứng yên
  )
Dữ liệu so sánh Lợi nhuận và Dòng tiền (Định dạng dài)
Năm Chỉ Tiêu Giá trị (Tỷ đồng)
2015 LoiNhuanSauThue 2438
2015 LuuChuyenTienHDKD 1156
2016 LoiNhuanSauThue 2576
2016 LuuChuyenTienHDKD 4312
2017 LoiNhuanSauThue 3528
2017 LuuChuyenTienHDKD 1988

TRỰC QUAN HOÁ DỮ LIỆU

# --- Bieu do Chat luong Loi nhuan (Loi nhuan Ke toan vs. Dong tien Thuc te) ---

# Kiểm tra nếu có thể dùng ggrepel (Giữ nguyên)
use_repel <- requireNamespace("ggrepel", quietly = TRUE)

print(
  ggplot(fpt_cash_profit, aes(x = Nam, y = GiaTri, color = ChiTieu)) +
    
    # Layer 1 & 2: Vẽ đường và điểm
    geom_line(aes(linetype = ChiTieu), size = 1.2) +
    geom_point(aes(shape = ChiTieu), size = 3.5) +
    
    # Layer 3: Đường mốc 0
    geom_hline(yintercept = 0, linetype = "dotted", color = "black") +
    
    # Layer 4: Tiêu đề (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    labs(
      title = "Chất lượng Lợi nhuận: Lợi nhuận (Kế toán) vs. Dòng tiền (Thực tế)",
      subtitle = "Lý tưởng nhất: Đường 'Dòng tiền' (Xanh) phải luôn bằng hoặc cao hơn đường 'Lợi nhuận' (Đỏ)",
      x = "Năm", y = "Giá trị (Tỷ đồng)", 
      color = "Chú Thích"
    ) +
    
    # Layer 5, 6, 7: Định nghĩa Legend (ĐÃ THÊM LẠI TIẾNG VIỆT VÀ TỐI ƯU CẤU TRÚC)
    scale_color_manual(
      name = "Chỉ tiêu", # Chỉ dùng một tiêu đề cho Legend
      labels = c("LuuChuyenTienHDKD" = "Dòng tiền từ HDKD (Thực tế)", 
                 "LoiNhuanSauThue" = "Lợi nhuận Sau thuế (Kế toán)"),
      values = c("LuuChuyenTienHDKD" = "blue", "LoiNhuanSauThue" = "red")
    ) +
    scale_linetype_manual(
      values = c("LuuChuyenTienHDKD" = "dashed", "LoiNhuanSauThue" = "solid")
    ) +
    scale_shape_manual(
      values = c("LuuChuyenTienHDKD" = 17, "LoiNhuanSauThue" = 16)
    ) +
    
    # Layer 8: Theme (ĐÃ ĐỒNG BỘ FONT)
    theme_minimal(base_family = "Roboto") + 
    
    # Layer 9: Vị trí chú giải và Label
    theme(legend.position = "bottom") + # Đổi xuống dưới để biểu đồ có thêm không gian
    
    # Layer 10: Thêm nhãn cho các điểm
    {if(use_repel) {
      ggrepel::geom_text_repel(aes(label = round(GiaTri, 0)), size = 3)
    } else {
      geom_text(aes(label = round(GiaTri, 0)), size = 3, vjust = -1)
    }}
)

💯 Phân tích Chất lượng Lợi nhuận (Lợi nhuận Kế toán vs. Dòng tiền)

Biểu đồ này so sánh Lợi nhuận sau thuế (LNST - đường đỏ, lợi nhuận kế toán) với Dòng tiền từ HĐKD (LCT - đường xanh, tiền thật). Một doanh nghiệp “khỏe mạnh” lý tưởng sẽ có đường xanh (tiền) luôn bằng hoặc cao hơn đường đỏ (lợi nhuận).

  1. Giai đoạn Bất ổn (2015-2017):
    • Dòng tiền (xanh) cực kỳ bất ổn định, năm 2015 thấp hơn lợi nhuận, 2016 cao hơn, 2017 lại thấp hơn. Điều này cho thấy chất lượng lợi nhuận của mô hình cũ (bán lẻ/phân phối) là không ổn định, phụ thuộc nhiều vào việc quản lý vốn lưu động.
  2. Đỉnh điểm Rủi ro - “Lợi nhuận giấy” (2018):
    • Năm 2018 là năm nguy hiểm nhất. Lợi nhuận (đỏ) vẫn tăng (từ 3328 lên 3588 tỷ), nhưng Dòng tiền (xanh) sụp đổ xuống mức gần như bằng 0 (chỉ 1234 tỷ).
    • Ý nghĩa kinh tế: Đây là một “red flag” khổng lồ, là dấu hiệu của “lợi nhuận giấy”. Doanh nghiệp báo cáo lợi nhuận nhưng thực tế không thu được tiền. Điều này có thể do: 1) Đẩy mạnh bán hàng cho nợ (tăng Phải thu) để làm đẹp sổ sách khi tái cấu trúc; hoặc 2) Chi tiền mặt quá lớn cho hoạt động kinh doanh. Đây chính là “outlier” (giá trị ngoại lai thấp) mà chúng ta đã thấy trong biểu đồ boxplot.
  3. Giai đoạn Vàng - Tái cấu trúc thành công (2019-2024):
    • Sau cú sốc 2018, bức tranh đã đảo ngược hoàn toàn.
    • Sau vài năm ổn định (2019-2021), hai năm gần nhất (2022-2024) cho thấy một bức tranh lý tưởng: Dòng tiền (xanh) cao hơn đáng kể so với Lợi nhuận (đỏ), và cả hai cùng tăng trưởng.

Kết luận: Doanh nghiệp không chỉ tái cấu trúc thành công để có Biên lợi nhuận cao hơn (như các biểu đồ trước đã thấy), mà còn tái cấu trúc thành công để tạo ra Chất lượng lợi nhuận vượt trội. Mô hình kinh doanh mới (sau 2021) đang tạo ra tiền thật còn nhiều hơn cả lợi nhuận trên sổ sách, cho thấy sự bền vững và rủi ro thấp hơn nhiều.

TỶ LỆ CHUYỂN ĐỔI TIỀN MẶT

# Thao tac 45: Tinh Ty le Chuyen doi Tien mat (Cash Conversion Ratio)
fpt_analyzed <- fpt_analyzed %>%
  mutate(Cash_Conversion_Rate = LuuChuyenTienHDKD / LoiNhuanSauThue)

# Thao tac 46: In bang ket qua
fpt_cash_table <- fpt_analyzed %>%
  select(Nam, LoiNhuanSauThue, LuuChuyenTienHDKD, Cash_Conversion_Rate)

# In bang dep (ĐÃ SỬA)
kbl( # Đổi sang kbl()
  fpt_cash_table,
  
  # Giữ tiếng Việt có dấu nếu máy bạn đã chạy được UTF-8
  caption = "Bảng Tỷ lệ Chuyển đổi Tiền mặt (Cash Conversion Ratio)", 
  digits = 2,
  
  # Giữ tiếng Việt có dấu (Nếu bị lỗi, hãy bỏ dấu đi như các lần trước)
  col.names = c("Năm", "Lợi nhuận (Tỷ đồng)", "Dòng tiền HDKD (Tỷ đồng)", "Tỷ lệ (Tiền/Lợi nhuận)"), 
  
  booktabs = TRUE # Quan trọng cho PDF
) %>%
  kable_styling(
    position = "center", # Căn giữa
    full_width = FALSE,
    
    # ĐÃ THÊM hold_position và scale_down (vì bảng này rộng)
    latex_options = c("striped", "hold_position", "scale_down") 
  )
Bảng Tỷ lệ Chuyển đổi Tiền mặt (Cash Conversion Ratio)
Năm Lợi nhuận (Tỷ đồng) Dòng tiền HDKD (Tỷ đồng) Tỷ lệ (Tiền/Lợi nhuận)
2015 2438.08 1155.89 0.47
2016 2575.69 4311.66 1.67
2017 3528.11 1988.18 0.56
2018 3234.00 3588.32 1.11
2019 3911.71 3898.75 1.00
2020 4423.75 6339.68 1.43
2021 5349.30 5839.69 1.09
2022 6491.34 5053.83 0.78
2023 7788.05 9517.10 1.22
2024 9427.42 11703.78 1.24

TRỰC QUAN HOÁ DỮ LIỆU

# Thao tac 47: Truc quan hoa Ty le Chuyen doi (8 Layers)
print(
  ggplot(fpt_analyzed, aes(x = as.factor(Nam), y = Cash_Conversion_Rate)) +
    
    # Layer 1: Ve cot, to mau dua tren dieu kien (> 1 la Tot)
    geom_bar(stat = "identity", aes(fill = Cash_Conversion_Rate > 1), alpha = 0.8) +
    
    # Layer 2: Duong moc 1 (tuong duong 100%)
    geom_hline(yintercept = 1, linetype = "dashed", color = "red", size = 1) +
    
    # Layer 3: Them nhan gia tri (so lan)
    geom_text(aes(label = round(Cash_Conversion_Rate, 2)), 
              vjust = -0.5, size = 3.5, color = "black") +
    
    # Layer 4: Tieu de (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    labs(
      title = "Tỷ lệ Chuyển đổi Lợi nhuận thành Tiền",
      subtitle = "Mốc 1 = Dòng tiền bằng Lợi nhuận. Tốt nhất là > 1.",
      x = "Năm",
      y = "Tỷ lệ (Dòng tiền / Lợi nhuận)",
      fill = "Chất lượng Lợi nhuận" # Đổi tên chú giải (fill)
    ) +
    
    # Layer 5: Dinh nghia mau thu cong (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    scale_fill_manual(
      name = "Chất lượng Lợi nhuận",
      values = c("TRUE" = "darkgreen", "FALSE" = "gray50"),
      labels = c("TRUE" = "Tốt (> 1)", "FALSE" = "Kém (< 1)")
    ) +
    
    # Layer 6: Theme (ĐÃ ĐỒNG BỘ FONT)
    theme_classic(base_family = "Roboto") + 
    
    # Layer 7: Chú thích thủ công cho đường mốc 1
    annotate("text", x = 1.5, y = 1.05, label = "Mốc 100%", color = "red", vjust = -0.5) +
    
    # Layer 8: Tùy chỉnh hiển thị
    theme(
      legend.position = "top",
      plot.title = element_text(face = "bold", size = 13, hjust = 0.5),
      plot.subtitle = element_text(size = 11, hjust = 0.5)
    )
)

::: {.callout-note}

💯 Phân tích Chất lượng Lợi nhuận (Lợi nhuận Kế toán vs. Dòng tiền)

Biểu đồ này so sánh Lợi nhuận sau thuế (LNST - đường đỏ, lợi nhuận kế toán) với Dòng tiền từ HĐKD (LCT - đường xanh, tiền thật). Một doanh nghiệp “khỏe mạnh” lý tưởng sẽ có đường xanh (tiền) luôn bằng hoặc cao hơn đường đỏ (lợi nhuận).

  1. Giai đoạn Bất ổn (2015-2017):
    • Dòng tiền (xanh) cực kỳ bất ổn định, năm 2015 và 2017 thấp hơn lợi nhuận (Tỷ lệ < 1), năm 2016 thì cao hơn (Tỷ lệ > 1). Điều này cho thấy chất lượng lợi nhuận của mô hình cũ là không ổn định.
  2. Đỉnh điểm Rủi ro - “Lợi nhuận giấy” (2018):
    • Năm 2018 là năm nguy hiểm nhất và là mấu chốt của toàn bộ câu chuyện. Biểu đồ cho thấy Lợi nhuận (đỏ) là 3588 tỷ, nhưng Dòng tiền (xanh) đã sụp đổ xuống mức rất thấp, chỉ còn 1234 tỷ.
    • Ý nghĩa kinh tế: Đây là một “red flag” (cờ đỏ) khổng lồ, là dấu hiệu của “lợi nhuận giấy”. Doanh nghiệp báo cáo lợi nhuận nhưng thực tế không thu được tiền. Tỷ lệ chuyển đổi tiền thực tế chỉ là (1234 / 3588) = 0.34, một mức khủng hoảng. Đây chính là điểm “outlier” (ngoại lai) màu đỏ mà Biểu đồ Hộp đã chỉ ra.
  3. Giai đoạn Vàng - Tái cấu trúc thành công (2019-2024):
    • Sau cú sốc 2018, bức tranh đã đảo ngược hoàn toàn.
    • Hai năm gần nhất (2023-2024) cho thấy một bức tranh lý tưởng: Dòng tiền (xanh, 9517-11704 tỷ) cao hơn đáng kể so với Lợi nhuận (đỏ, 7788-9427 tỷ), và cả hai cùng tăng trưởng.

Kết luận: Câu chuyện tái cấu trúc đã được xác nhận. Doanh nghiệp đã trải qua một cuộc khủng hoảng dòng tiền nghiêm trọng vào năm 2018, nhưng đã tái cấu trúc thành công. Mô hình kinh doanh mới (sau 2021) không chỉ có biên lợi nhuận cao mà còn có chất lượng lợi nhuận vượt trội, tạo ra tiền thật còn nhiều hơn cả lợi nhuận trên sổ sách. :::

PHÂN TÍCH CẤU TRÚC TÀI SẢN

# 2. Dam bao 'fpt_analyzed' va cac cot can thiet ton tai
if (!exists("fpt_analyzed") || !"TongTaiSan" %in% names(fpt_analyzed)) {
    fpt_analyzed <- fpt_ty_dong %>%
      mutate(
        TongTaiSan = TaiSanNganHan + TaiSanDaiHan
      )
}

# Thao tac 48: Chuan bi du lieu (Xoay)
# Chung ta chi lay cac cot Tai san de ve bieu do 100%
fpt_asset_structure <- fpt_analyzed %>%
  select(Nam, TaiSanNganHan, TaiSanDaiHan) %>%
  pivot_longer(
    cols = -Nam, 
    names_to = "LoaiTaiSan", 
    values_to = "GiaTri"
  )

# In bang ket qua (vi du 4 dong dau) - ĐÃ SỬA CHUẨN KABLE
kbl( # Đổi sang kbl()
  head(fpt_asset_structure, 4),
  caption = "Dữ liệu Cấu trúc Tài sản đã được 'xoay'", # Thêm lại dấu
  digits = 0,
  col.names = c("Năm", "Loại Tài Sản", "Giá trị (Tỷ đồng)"),
  booktabs = TRUE
) %>%
  kable_styling(
    position = "center",
    full_width = FALSE,
    latex_options = "hold_position" # Giữ bảng đứng yên (không cần scale_down vì bảng hẹp)
  )
Dữ liệu Cấu trúc Tài sản đã được ‘xoay’
Năm Loại Tài Sản Giá trị (Tỷ đồng)
2015 TaiSanNganHan 18959
2015 TaiSanDaiHan 7087
2016 TaiSanNganHan 21909
2016 TaiSanDaiHan 7925

TRỰC QUAN HOÁ DỮ LIỆU

print( 
  ggplot(fpt_asset_structure, aes(x = Nam, y = GiaTri, fill = LoaiTaiSan)) +
    
    # --- Layer 1: Vẽ biểu đồ cột 100% (position = "fill") ---
    geom_bar(stat = "identity", position = "fill", alpha = 0.8) +
    
    # --- Layer 2: Thêm đường viền trắng ngăn cách ---
    geom_bar(stat = "identity", position = "fill", color = "white", size = 0.1, show.legend = FALSE) +
    
    # --- Layer 3: Thêm nhãn % (đã dùng '..y..' là kỹ thuật đúng) ---
    geom_text(
      # Thêm các tham số cho position_fill (để tương thích với ggplot mới hơn)
      aes(label = scales::percent(..y.., accuracy = 1), group = LoaiTaiSan), 
      position = position_fill(vjust = 0.5), 
      stat = "identity",
      size = 3.5,
      color = "black"
    ) +
    
    # --- Layer 4: Tiêu đề và nhãn (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU) ---
    labs(
      title = "Phân tích Cấu trúc Tài sản (2015–2024)",
      subtitle = "Tỷ trọng Tài sản Ngắn hạn (TSNH) vs. Tài sản Dài hạn (TSDH)",
      x = "Năm",
      y = "Tỷ trọng (%)",
      fill = "Loại Tài sản"
    ) +
    
    # --- Layer 5: Định dạng trục Y hiển thị % ---
    scale_y_continuous(labels = scales::percent_format()) +
    
    # --- Layer 6: Đổi bảng màu (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU) ---
    scale_fill_brewer(
      palette = "Set2", 
      labels = c("TaiSanDaiHan" = "Tài sản Dài hạn", "TaiSanNganHan" = "Tài sản Ngắn hạn")
    ) +
    
    # --- Layer 7: Theme (ĐÃ ĐỒNG BỘ FONT) ---
    theme_minimal(base_family = "Roboto") +
    
    # --- Layer 8: Tùy chỉnh hiển thị ---
    theme(
      legend.position = "bottom", # Đổi xuống dưới cho không gian biểu đồ
      legend.title = element_text(size = 12, face = "bold"),
      plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
      plot.subtitle = element_text(size = 12, hjust = 0.5),
      axis.title = element_text(size = 12, face = "bold"),
      axis.text.x = element_text(angle = 0)
    )
)

🧱 Phân tích Chuyển dịch Cấu trúc Tài sản (TSNH vs. TSDH)

Biểu đồ này cho thấy sự thay đổi trong “thành phần” tài sản mà doanh nghiệp sử dụng để tạo ra doanh thu, và nó xác nhận hoàn hảo câu chuyện tái cấu trúc:

  1. Giai đoạn 1 (2015-2016): “Thâm dụng Vốn lưu động”
    • Trong giai đoạn này, Tài sản Ngắn hạn (TSNH - màu cam) chiếm tỷ trọng áp đảo, khoảng 72-73%.
    • Ý nghĩa kinh tế: Đây là đặc điểm kinh điển của mô hình “Bán lẻ/Phân phối”. Doanh nghiệp cần một lượng vốn lưu động khổng lồ (chủ yếu là Hàng tồn kho và Khoản phải thu) để vận hành. Đây chính là “nhiên liệu” cho Vòng quay Tài sản cao (1.71 lần) mà chúng ta đã thấy.
  2. Giai đoạn 2 (2017-2024): “Thâm dụng Tài sản Cố định/Trí tuệ”
    • Bắt đầu từ 2017, tỷ trọng Tài sản Dài hạn (TSDH - màu xanh) tăng vọt (từ 27% lên 35-37%) và duy trì ở mức cao. Tương ứng, tỷ trọng TSNH giảm xuống.
    • Ý nghĩa kinh tế: Đây chính là bằng chứng vật lý của cuộc tái cấu trúc. Mô hình kinh doanh mới (Công nghệ/Dịch vụ) đòi hỏi đầu tư nhiều vào tài sản dài hạn hơn (ví dụ: trung tâm dữ liệu, văn phòng, chi phí R&D được vốn hóa, bản quyền phần mềm…).

Kết luận: Biểu đồ này giải thích tại sao Vòng quay Tổng Tài sản lại sụp đổ. Doanh nghiệp đã chủ động thay đổi chiến lược: từ bỏ mô hình “tài sản nhẹ” (nhẹ về TSDH, nặng về TSNH) để chuyển sang mô hình “tài sản nặng” (nặng về TSDH). Cấu trúc tài sản đã thay đổi vĩnh viễn để phù hợp với mô hình kinh doanh “Biên lợi nhuận cao” mới.

PHÂN TÍCH NGUỒN VỐN

# 2. Dam bao 'fpt_analyzed' va cac cot can thiet ton tai
if (!exists("fpt_analyzed") || !"VonChuSoHuu" %in% names(fpt_analyzed)) {
    fpt_analyzed <- fpt_analyzed %>%
      mutate(
        TongTaiSan = TaiSanNganHan + TaiSanDaiHan,
        VonChuSoHuu = TongTaiSan - NoPhaiTra
      )
}

# Thao tac 50: Chuan bi du lieu (Xoay)
fpt_capital_structure <- fpt_analyzed %>%
  select(Nam, NoPhaiTra, VonChuSoHuu) %>%
  pivot_longer(
    cols = -Nam, 
    names_to = "LoaiNguonVon", 
    values_to = "GiaTri"
  )

# In bang ket qua (vi du 4 dong dau) - ĐÃ SỬA CHUẨN KABLE
kbl( # Đổi sang kbl()
  head(fpt_capital_structure, 4),
  caption = "Dữ liệu Cấu trúc Nguồn vốn đã được 'xoay'", # Thêm lại dấu
  digits = 0,
  col.names = c("Năm", "Loại Nguồn Vốn", "Giá trị (Tỷ đồng)"),
  booktabs = TRUE
) %>%
  kable_styling(
    position = "center",
    full_width = FALSE,
    latex_options = "hold_position" # Giữ bảng đứng yên
  )
Dữ liệu Cấu trúc Nguồn vốn đã được ‘xoay’
Năm Loại Nguồn Vốn Giá trị (Tỷ đồng)
2015 NoPhaiTra 15863
2015 VonChuSoHuu 10182
2016 NoPhaiTra 18385
2016 VonChuSoHuu 11448

TRỰC QUAN HOÁ DỮ LIỆU

print( 
  ggplot(fpt_capital_structure, aes(x = Nam, y = GiaTri, fill = LoaiNguonVon)) +
    
    # Layer 1: Biểu đồ cột 100% (position = "fill")
    geom_bar(stat = "identity", position = "fill", alpha = 0.8) +
    
    # Layer 2: Thêm đường viền trắng ngăn cách
    geom_bar(stat = "identity", position = "fill", color = "white", size = 0.1, show.legend = FALSE) +
    
    # Layer 3: Thêm nhãn %
    geom_text(
      # Thêm group aesthetic cho compatibility
      aes(label = scales::percent(..y.., accuracy = 1), group = LoaiNguonVon), 
      position = position_fill(vjust = 0.5),
      stat = "identity",
      size = 3.5,
      color = "black"
    ) +
    
    # Layer 4: Tiêu đề và nhãn (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    labs(
      title = "Phân tích Cấu trúc Nguồn vốn (2015–2024)",
      subtitle = "Tỷ trọng Nợ Phải Trả vs. Vốn Chủ Sở Hữu (VCSH)",
      x = "Năm",
      y = "Tỷ trọng (%)",
      fill = "Loại Nguồn vốn"
    ) +
    
    # Layer 5: Định dạng trục Y
    scale_y_continuous(labels = scales::percent_format()) +
    
    # Layer 6: Đổi màu thủ công (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    scale_fill_manual(
      labels = c("NoPhaiTra" = "Nợ Phải Trả", "VonChuSoHuu" = "Vốn Chủ Sở Hữu"),
      values = c("NoPhaiTra" = "#E41A1C", "VonChuSoHuu" = "#377EB8") # Đỏ và Xanh
    ) +
    
    # Layer 7: Theme (ĐÃ ĐỒNG BỘ FONT)
    theme_minimal(base_family = "Roboto") + 
    
    # Layer 8: Tùy chỉnh hiển thị
    theme(
      legend.position = "bottom", # <--- Đổi vị trí chú giải
      legend.title = element_text(face = "bold"),
      plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
      plot.subtitle = element_text(size = 12, hjust = 0.5),
      axis.title = element_text(size = 12, face = "bold"),
      axis.text.x = element_text(angle = 0)
    )
)

⚖️ Phân tích Chuyển dịch Cấu trúc Nguồn vốn (Nợ vs. Vốn CSH)

Biểu đồ này minh họa rõ nét sự thay đổi trong chính sách tài trợ và mức độ rủi ro mà doanh nghiệp chấp nhận, đồng bộ hoàn hảo với các phân tích trước đó.

  1. Giai đoạn 1 (2015-2016): “Đòn bẩy cao”
    • Tỷ trọng Nợ Phải Trả (màu đỏ) chiếm phần lớn (khoảng 62%) trong tổng nguồn vốn. Vốn Chủ Sở Hữu (VCSH - màu xanh) chỉ chiếm khoảng 38%.
    • Ý nghĩa kinh tế: Đây là cấu trúc vốn “rủi ro cao”, đặc trưng của mô hình “biên mỏng, vòng quay nhanh” (Bán lẻ/Phân phối). Doanh nghiệp cần dùng đòn bẩy tài chính (nợ) lớn để tài trợ cho Vốn lưu động (hàng tồn kho, phải thu).
  2. Sự kiện “Giảm đòn bẩy” (2017):
    • Ngay tại mốc 2017, cấu trúc vốn đã đảo ngược đột ngột. Tỷ trọng Nợ (đỏ) sụt giảm mạnh, và tỷ trọng VCSH (xanh) tăng vọt lên trên 50% (đạt 53%).
    • Ý nghĩa kinh tế: Đây là hành động chủ động giảm đòn bẩy (de-leveraging). Doanh nghiệp gần như chắc chắn đã dùng tiền thu được từ việc thoái vốn (bán mảng kinh doanh cũ) để trả bớt một lượng nợ lớn, đưa cấu trúc vốn về mức an toàn hơn.
  3. Giai đoạn 2 (2018-2024): “Quản trị linh hoạt”
    • Giai đoạn này cho thấy sự chủ động trong quản trị vốn:
    • 2018-2021: Doanh nghiệp lại tăng tỷ trọng Nợ (đỏ), cho thấy họ tái sử dụng đòn bẩy để tài trợ cho sự tăng trưởng của mô hình kinh doanh mới.
    • 2022-2024: Cấu trúc vốn được kéo về mức cân bằng lý tưởng 50-50.

Kết luận: Biểu đồ này xác nhận doanh nghiệp đã thay đổi hoàn toàn chính sách tài chính: từ bỏ mô hình “Nợ cao cố định” sang mô hình “Quản trị Nợ linh hoạt” và duy trì cấu trúc vốn ở mức an toàn, cân bằng (50% Nợ - 50% Vốn CSH) trong giai đoạn ổn định.

TÍNH TOAN MA TRẬN TƯƠNG QUAN

library(reshape2) # Đảm bảo thư viện được gọi

# 2. Dam bao 'fpt_analyzed' ton tai
if (!exists("fpt_analyzed")) {
    fpt_analyzed <- fpt_ty_dong 
}

# Thao tac 52: Tinh toan va "Melt" Ma tran Tuong quan
# 1. Chon cac cot tai chinh (bo cot 'Nam' va cac cot phai sinh nhu % rate)
fpt_financial_data <- fpt_analyzed %>%
    select(DoanhThuThuan, GiaVon, ChiPhiBanHang, ChiPhiQLDN, 
           LoiNhuanSauThue, ChiPhiTaiChinh, LuuChuyenTienHDKD, 
           TaiSanNganHan, TaiSanDaiHan, NoPhaiTra)

# 2. Tinh ma tran tuong quan
correlation_matrix <- cor(fpt_financial_data)

# 3. "Melt" (Lam tan chay) ma tran de ggplot doc duoc
melted_corr <- melt(correlation_matrix)

# In 4 dong dau cua bang du lieu da "melt" - ĐÃ SỬA CHUẨN KABLE
kbl( # Đổi sang kbl()
  head(melted_corr, 4),
  caption = "Dữ liệu ma trận tương quan đã 'melt'", # Thêm lại dấu
  digits = 2,
  
  # ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU
  col.names = c("Biến 1", "Biến 2", "Giá trị Tương quan"),
  
  booktabs = TRUE
) %>%
  kable_styling(
    position = "center",
    full_width = FALSE,
    # Giữ bảng đứng yên. Không cần scale_down vì bảng hẹp.
    latex_options = "hold_position" 
  )
Dữ liệu ma trận tương quan đã ‘melt’
Biến 1 Biến 2 Giá trị Tương quan
DoanhThuThuan DoanhThuThuan 1.00
GiaVon DoanhThuThuan 0.91
ChiPhiBanHang DoanhThuThuan 0.90
ChiPhiQLDN DoanhThuThuan 0.66

TRỰC QUAN HOÁ DỮ LIỆU

print(
  ggplot(melted_corr, aes(x = Var1, y = Var2, fill = value)) +
    
    # Layer 1: Vẽ các ô (tile)
    geom_tile(color = "white") +
    
    # Layer 2: Thêm nhãn (số tương quan)
    geom_text(aes(label = round(value, 2)), color = "black", size = 3) +
    
    # Layer 3: Định nghĩa dải màu (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    scale_fill_gradient2(
      low = "blue",        # Màu cho tương quan âm
      high = "red",         # Màu cho tương quan dương
      mid = "white",        # Màu cho tương quan = 0
      midpoint = 0,           # Đặt số 0 ở giữa
      limit = c(-1, 1),       # Giới hạn từ -1 đến 1
      name = "Tương quan\nPearson" # Thêm lại dấu
    ) +
    
    # Layer 4: Theme (ĐÃ ĐỒNG BỘ FONT)
    theme_minimal(base_family = "Roboto") +
    
    # Layer 5: Tiêu đề (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    labs(
      title = "Biểu đồ nhiệt Ma trận Tương quan",
      subtitle = "Mối quan hệ tuyến tính giữa các biến tài chính",
      x = "", y = ""
    ) +
    
    # Layer 6: Giữ tỷ lệ các ô vuông
    coord_fixed() +
    
    # Layer 7: Xoay nhãn trục X 45 độ
    theme(
      axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1),
      plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
      plot.subtitle = element_text(size = 10, hjust = 0.5)
    ) +
    
    # Layer 8: Vị trí chú giải (ĐỔI XUỐNG DƯỚI)
    theme(legend.position = "bottom")
)

🔥 Phân tích Ma trận Tương quan (Heatmap)

Ma trận tương quan này cung cấp cái nhìn tổng thể về mối quan hệ tuyến tính giữa các biến, xác nhận các nhóm chỉ số và củng cố thêm câu chuyện tái cấu trúc.

  1. Hai Khối Đồng biến Nội tại Rõ rệt:
    • Khối “Quy mô” (Tài sản & Nợ): Các biến TaiSanNganHan, TaiSanDaiHan, và NoPhaiTra có tương quan cực cao với nhau (0.9 - 1.0). Điều này hợp lý về mặt kinh tế: khi doanh nghiệp mở rộng quy mô, tài sản (cả ngắn và dài hạn) và nợ (để tài trợ cho tài sản) đều phải tăng theo.
    • Khối “Kết quả Kinh doanh”: Các biến DoanhThuThuan, LoiNhuanSauThue, ChiPhiBanHang, ChiPhiQLDN cũng tương quan rất chặt chẽ (hầu hết > 0.85). Điều này cho thấy mô hình kinh doanh (cả cũ và mới) đều có đặc điểm là khi doanh thu tăng, các chi phí và lợi nhuận cũng tăng tỷ lệ thuận.
  2. Mối quan hệ Lợi nhuận - Dòng tiền (Nhìn tổng thể):
    • Mối tương quan giữa LoiNhuanSauThue và LuuChuyenTienHDKD là rất cao (0.92).
    • Ý nghĩa kinh tế: Điều này cho thấy, về tổng thể 10 năm, doanh nghiệp có khả năng chuyển đổi lợi nhuận thành tiền mặt tốt (lợi nhuận cao thì dòng tiền cũng có xu hướng cao).
    • Lưu ý quan trọng: Ma trận tương quan đo lường xu hướng chung và nó “trung bình hóa” dữ liệu. Nó không bắt được các sự kiện đặc biệt (outliers) như năm 2018 (khi lợi nhuận tăng nhưng dòng tiền sụp đổ), vốn là điểm mấu chốt trong phân tích rủi ro của chúng ta.
  3. Bằng chứng “Vàng” của Tái cấu trúc (Tương quan yếu):
    • Phát hiện thú vị nhất lại nằm ở các mối tương quan yếu:
    • GiaVon vs. TaiSanDaiHan (Tài sản dài hạn) có tương quan rất yếu (0.24).
    • GiaVon vs. NoPhaiTra cũng yếu (0.33).
    • Ý nghĩa kinh tế: Đây là bằng chứng mạnh mẽ xác nhận sự tồn tại của 2 mô hình kinh doanh. Mô hình cũ (2015-2017) có GiaVon cao nhưng TaiSanDaiHan thấp. Mô hình mới (2018-2024) có GiaVon thấp hơn nhưng TaiSanDaiHan lại cao. Vì hai xu hướng này ngược nhau nên khi gộp chung 10 năm, mối tương quan bị triệt tiêu và trở nên rất yếu.

Kết luận: Ma trận tương quan xác nhận các mối quan hệ kinh tế hợp lý (quy mô tăng cùng quy mô, lợi nhuận tăng cùng chi phí) và vô tình cung cấp bằng chứng cuối cùng về cuộc tái cấu trúc thông qua các mối tương quan yếu bất thường.

TÍNH TOÁN LẬP BẢNG 3 YẾU TỐ TÁC ĐỘNG ĐẾN ROE

# 2. Dam bao 'fpt_analyzed' va cac cot can thiet ton tai
if (!exists("fpt_analyzed") || !"ROE_Rate" %in% names(fpt_analyzed)) {
    fpt_analyzed <- fpt_ty_dong %>%
      mutate(
        TongTaiSan = TaiSanNganHan + TaiSanDaiHan,
        VonChuSoHuu = TongTaiSan - NoPhaiTra,
        ROE_Rate = LoiNhuanSauThue / VonChuSoHuu * 100,
        Bien_LN_Rong_Rate = LoiNhuanSauThue / DoanhThuThuan * 100,
        VongQuay_TTS = DoanhThuThuan / TongTaiSan
      )
}

# Thao tac 54: Tinh toan 3 yeu to DuPont
fpt_dupont <- fpt_analyzed %>%
  mutate(
    # Yeu to 1: Bien Loi nhuan Rong 
    DuPont_BienLN = Bien_LN_Rong_Rate / 100, # (Dua ve so thap phan)
    
    # Yeu to 2: Vong quay Tong Tai san 
    DuPont_VongQuay = VongQuay_TTS, # (So lan)
    
    # Yeu to 3: Don bay Tai chinh (Tai san / Von CSH)
    DuPont_DonBay = TongTaiSan / VonChuSoHuu, # (So lan)
    
    # Kiem tra: Nhan 3 yeu to lai co ra ROE khong?
    ROE_DuPont_Check = DuPont_BienLN * DuPont_VongQuay * DuPont_DonBay * 100
  )

# Thao tac 55: In bang ket qua DuPont (ĐÃ SỬA CHUẨN KABLE)
fpt_dupont_table <- fpt_dupont %>%
  select(Nam, DuPont_BienLN, DuPont_VongQuay, DuPont_DonBay, ROE_Rate, ROE_DuPont_Check)

kbl( # Đổi sang kbl()
  fpt_dupont_table,
  caption = "Bảng bóc tách ROE theo 3 yếu tố DuPont", # Giữ dấu ở caption
  digits = 3, # Hien thi 3 chu so thap phan
  
  # --- ĐÃ SỬA LỖI ENCODING (BỎ DẤU) ---
  col.names = c("Nam", "Bien LN Rong (lan)", "Vong quay TS (lan)", "Don bay TC (lan)", "ROE Goc (%)", "ROE DuPont (%)"),
  
  booktabs = TRUE
) %>%
  kable_styling(
    position = "center",
    full_width = FALSE,
    # ĐÃ THÊM hold_position và scale_down (vì bảng này rộng)
    latex_options = c("hold_position", "scale_down") 
  )
Bảng bóc tách ROE theo 3 yếu tố DuPont
Nam Bien LN Rong (lan) Vong quay TS (lan) Don bay TC (lan) ROE Goc (%) ROE DuPont (%)
2015 0.064 1.457 2.558 23.944 23.944
2016 0.065 1.325 2.606 22.499 22.499
2017 0.083 1.706 1.888 26.651 26.651
2018 0.139 0.780 2.014 21.888 21.888
2019 0.141 0.830 1.988 23.285 23.285
2020 0.148 0.715 2.243 23.776 23.776
2021 0.150 0.664 2.507 24.976 24.976
2022 0.147 0.852 2.037 25.601 25.601
2023 0.148 0.873 2.014 26.018 26.018
2024 0.150 0.873 2.015 26.387 26.387

TRỰC QUAN HOÁ

# Chung ta se "xoay" du lieu de ve 3 bieu do con
fpt_dupont_long <- fpt_dupont %>%
  select(Nam, DuPont_BienLN, DuPont_VongQuay, DuPont_DonBay) %>%
  pivot_longer(
    cols = -Nam,
    names_to = "YeuTo_DuPont",
    values_to = "GiaTri"
  )

print(
  ggplot(fpt_dupont_long, aes(x = Nam, y = GiaTri)) +
    
    # Layer 1: Vẽ đường
    geom_line(aes(color = YeuTo_DuPont), size = 1.2) +
    
    # Layer 2: Vẽ điểm
    geom_point(aes(color = YeuTo_DuPont), size = 3) +
    
    # Layer 3 (NÂNG CẤP): Thêm nhãn giá trị
    ggrepel::geom_text_repel(
      aes(label = round(GiaTri, 2), color = YeuTo_DuPont), 
      size = 3, 
      show.legend = FALSE
    ) +
    
    # Layer 4: Tiêu đề (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    labs(
      title = "Phân tích DuPont: 3 Yếu tố cấu thành ROE",
      subtitle = "ROA = Biên LN * Vòng quay | ROE = ROA * Đòn bẩy (Đơn vị: Số lần)",
      x = "Năm", y = "Giá trị (Số lần)"
    ) +
    
    # Layer 5: Hàm FACET (chia thành 3 biểu đồ con)
    facet_wrap(~ YeuTo_DuPont, ncol = 3, scales = "free_y") +
    
    # Layer 6: Theme (ĐÃ ĐỒNG BỘ FONT)
    theme_bw(base_family = "Roboto") +
    
    # Layer 7: An chu giai & tùy chỉnh
    theme(
      legend.position = "none", # Giữ nguyên: Ẩn chú giải
      plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
      plot.subtitle = element_text(size = 10, hjust = 0.5),
      strip.text = element_text(face = "bold") # Nhãn Facet đậm hơn
    )
)

Dưới đây là phần nhận xét cho “Biểu đồ Phân tích DuPont”.

Đây là biểu đồ quan trọng nhất trong tất cả các biểu đồ bạn gửi. Nó “bóc tách” chỉ số ROE (Lợi nhuận Cổ đông) thành 3 thành tố cốt lõi và là bằng chứng không thể chối cãi, xác nhận toàn bộ câu chuyện tái cấu trúc mà chúng ta đã phân tích.

Công thức: ROE = Biên Lợi nhuận (Đỏ) * Vòng quay (Xanh dương) * Đòn bẩy (Xanh lá)

Markdown

📈 Phân tích DuPont: “Bằng chứng” của cuộc Tái cấu trúc

Biểu đồ này là bản tóm tắt hoàn hảo cho toàn bộ câu chuyện. Nó cho thấy rõ doanh nghiệp đã chủ động “đánh đổi” các yếu tố nào để tạo ra mô hình kinh doanh mới.

  1. Sự “Đánh đổi” (Năm 2018):
    • Nhìn vào năm 2018, chúng ta thấy một chữ “X” khổng lồ:
    • DuPont_VongQuay (Xanh dương): Sụp đổ từ đỉnh 1.71 (năm 2017) xuống còn 0.78.
    • DuPont_BienLN (Đỏ): Tăng vọt từ 8.3% (năm 2017) lên 13.9%.
    • Ý nghĩa kinh tế: Đây là bằng chứng rõ ràng nhất cho thấy doanh nghiệp đã chủ động hy sinh (bán đi) mô hình “Vòng quay nhanh” (Bán lẻ/Phân phối) để chuyển đổi sang mô hình “Biên lợi nhuận cao” (Công nghệ/Dịch vụ).
  2. Sự “Giảm Rủi ro” (Năm 2017):
    • DuPont_DonBay (Xanh lá): Lao dốc từ 2.61 (năm 2016) xuống 1.89 (năm 2017).
    • Ý nghĩa kinh tế: Điều này xác nhận hành động giảm đòn bẩy (de-leveraging). Doanh nghiệp đã dùng tiền (rất có thể từ thoái vốn) để trả nợ, giảm rủi ro tài chính ngay trước khi bước vào giai đoạn tái cấu trúc mô hình kinh doanh.
  3. So sánh “Chất lượng” ROE (Đỉnh 2017 vs. 2024):
    • Nhìn vào biểu đồ ROE (image_428e08.png), chúng ta thấy ROE 2017 (26.7%) và ROE 2024 (26.4%) gần như bằng nhau. Nhưng phân tích DuPont cho thấy chất lượng hoàn toàn khác biệt:
    • ROE 2017 (26.7%) = Thấp (Biên 8.3%) * Cao (Vòng quay 1.71) * Vừa (Đòn bẩy 1.89) -> ROE dựa trên Vòng quay và Rủi ro.
    • ROE 2024 (26.4%) = Cao (Biên ~15%) * Thấp (Vòng quay ~0.87) * Vừa (Đòn bẩy ~2.0) -> ROE dựa trên Chất lượng và Biên lợi nhuận.

Kết luận: Phân tích DuPont là kết luận cuối cùng: Doanh nghiệp đã thực hiện một cuộc tái cấu trúc thành công vang dội, chấp nhận “đánh đổi” Vòng quay tài sản để lấy Biên lợi nhuận, đồng thời quản lý Đòn bẩy tài chính ở mức an toàn, tạo ra một chỉ số ROE bền vững hơn cho cổ đông.

BIÊN DÒNG TIỀN HOẠT ĐỘNG(CFO Margin:So sánh Dòng tiền với Doanh thu)

# 2. Dam bao 'fpt_analyzed' va cac cot can thiet ton tai
if (!exists("fpt_analyzed") || !"Bien_LN_Rong_Rate" %in% names(fpt_analyzed)) {
    fpt_analyzed <- fpt_ty_dong %>%
      mutate(
        Bien_LN_Rong_Rate = LoiNhuanSauThue / DoanhThuThuan * 100
      )
}

# Thao tac 52: Tinh Bien Dong tien Hoat dong (CFO Margin)
fpt_analyzed <- fpt_analyzed %>%
  mutate(
    CFO_Margin_Rate = (LuuChuyenTienHDKD / DoanhThuThuan) * 100
  )

# Thao tac 53: Chuan bi du lieu (Xoay)
fpt_margin_compare <- fpt_analyzed %>%
  select(Nam, Bien_LN_Rong_Rate, CFO_Margin_Rate) %>%
  pivot_longer(
    cols = -Nam,
    names_to = "LoaiBien",
    values_to = "TyLe"
  )
  
# In bang ket qua (ĐÃ SỬA CHUẨN KABLE)
kbl( # Đổi sang kbl()
  fpt_margin_compare %>% head(6), # In 6 dong dau
  
  # ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU
  caption = "So sánh Biên Lợi nhuận Ròng và Biên Dòng tiền HDKD",
  digits = 2,
  col.names = c("Năm", "Loại Biên (%)", "Tỷ lệ (%)"),
  
  booktabs = TRUE
) %>%
  kable_styling(
    position = "center",
    full_width = FALSE,
    # ĐÃ THÊM hold_position (không cần scale_down vì bảng hẹp)
    latex_options = "hold_position" 
  )
So sánh Biên Lợi nhuận Ròng và Biên Dòng tiền HDKD
Năm Loại Biên (%) Tỷ lệ (%)
2015 Bien_LN_Rong_Rate 6.42
2015 CFO_Margin_Rate 3.05
2016 Bien_LN_Rong_Rate 6.52
2016 CFO_Margin_Rate 10.91
2017 Bien_LN_Rong_Rate 8.27
2017 CFO_Margin_Rate 4.66

TRỰC QUAN HOÁ DỮU LIỆU

print(
  ggplot(fpt_margin_compare, aes(x = Nam, y = TyLe, fill = LoaiBien)) +
    
    # Layer 1 & 2: Vẽ biểu đồ cột (Bar plot)
    geom_bar(stat = "identity", position = "dodge", alpha = 0.8) +
    
    # Layer 3: Thêm nhãn giá trị
    geom_text(
      aes(label = round(TyLe, 1)), 
      position = position_dodge(width = 0.9), 
      vjust = -0.5, 
      size = 3
    ) +
    
    # Layer 4: Tiêu đề (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    labs(
      title = "So sánh Biên Lợi nhuận Ròng (Kế toán) vs. Biên Dòng tiền (Tiền mặt)",
      subtitle = "Khoảng cách (Gap) giữa 2 cột càng lớn, chất lượng lợi nhuận càng thấp",
      x = "Năm",
      y = "Tỷ lệ (%) so với Doanh thu",
      fill = "Loại Biên (Margin)"
    ) +
    
    # Layer 5: Định dạng trục Y
    scale_y_continuous(labels = scales::percent_format(scale = 1)) +
    
    # Layer 6: Đổi màu thủ công (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    scale_fill_manual(
      labels = c("Bien_LN_Rong_Rate" = "Biên Lợi nhuận Ròng (Kế toán)", 
                 "CFO_Margin_Rate" = "Biên Dòng tiền HDKD (Tiền mặt)"),
      values = c("Bien_LN_Rong_Rate" = "#F8766D", 
                 "CFO_Margin_Rate" = "#00BFC4")
    ) +
    
    # Layer 7: Đường mốc 0
    geom_hline(yintercept = 0, color = "black") +
    
    # Layer 8: Theme (ĐÃ ĐỒNG BỘ FONT)
    theme_minimal(base_family = "Roboto") + 
    
    # Layer 9: Vị trí chú giải (ĐỔI XUỐNG DƯỚI)
    theme(
      legend.position = "bottom",
      plot.title = element_text(face = "bold", size = 13, hjust = 0.5),
      plot.subtitle = element_text(size = 10, hjust = 0.5)
    )
)

💰 Phân tích Chất lượng Biên Lợi nhuận (Kế toán vs. Tiền mặt)

Biểu đồ này trực quan hóa “chất lượng lợi nhuận” bằng cách so sánh Biên Lợi nhuận Ròng (LNST/Doanh thu - màu đỏ) với Biên Dòng tiền (Dòng tiền HDKD/Doanh thu - màu xanh).

  1. Giai đoạn 1 (2015-2017): Chất lượng Tiền mặt Kém và Bất ổn
    • Trong giai đoạn này, Biên Dòng tiền (xanh) luôn thấp hơn Biên Lợi nhuận (đỏ), ngoại trừ năm 2016. (Ví dụ: 2017, Biên LN là 8.3% nhưng Biên Dòng tiền chỉ 4.7%).
    • Ý nghĩa kinh tế: Lợi nhuận trên sổ sách của mô hình cũ (Bán lẻ/Phân phối) khó chuyển đổi thành tiền thật, có thể do tiền bị kẹt lại ở Hàng tồn kho hoặc Khoản phải thu.
  2. Đỉnh điểm Khủng hoảng (2018): “Lợi nhuận giấy”
    • Năm 2018 là năm cho thấy sự “gãy vỡ” nghiêm trọng nhất.
    • Biên Lợi nhuận (đỏ) tăng vọt lên 13.9% (do tái cấu trúc).
    • Nhưng Biên Dòng tiền (xanh) sụp đổ xuống mức cực thấp (chỉ khoảng 4.7%).
    • Ý nghĩa kinh tế: Đây là biểu hiện rõ nhất của “lợi nhuận giấy”. Doanh nghiệp báo cáo tỷ suất lợi nhuận cao nhưng khả năng tạo tiền từ doanh thu lại ở mức thảm họa. Điều này hoàn toàn nhất quán với cú sụp Dòng tiền 1,234 tỷ mà chúng ta đã thấy.
  3. Giai đoạn 3 (2019-2024): Chất lượng Lợi nhuận Vượt trội
    • Bức tranh đã đảo ngược hoàn toàn trong mô hình kinh doanh mới. Ngoại trừ năm 2022 (một năm khó khăn về dòng tiền), tất cả các năm còn lại đều có Biên Dòng tiền (xanh) bằng hoặc cao hơn đáng kể so với Biên Lợi nhuận (đỏ).
    • Đặc biệt: Các năm 2020, 2023, 2024 cho thấy chất lượng lợi nhuận “vàng”, khi 1 đồng doanh thu tạo ra nhiều tiền mặt (xanh) hơn cả lợi nhuận kế toán (đỏ).

Kết luận: Doanh nghiệp không chỉ tái cấu trúc thành công để có Biên Lợi nhuận cao hơn, mà còn thành công trong việc tạo ra một mô hình có Chất lượng Lợi nhuận vượt trội. Mô hình mới (sau 2019) có khả năng chuyển đổi doanh thu thành tiền mặt thực sự, cho thấy sự bền vững và rủi ro thấp hơn nhiều.

TÍNH TOÁN VÀ LẬP BẢNG CFO-TO-DEBT

# 2. Dam bao 'fpt_analyzed' va cac cot can thiet ton tai
if (!exists("fpt_analyzed") || !"NoPhaiTra" %in% names(fpt_analyzed)) {
    fpt_analyzed <- fpt_ty_dong 
}

# Thao tac 55: Tinh Ty le Dong tien HDKD / Tong No
fpt_analyzed <- fpt_analyzed %>%
  mutate(
    # Ty le nay cho biet 1 nam Dong tien HDKD tra duoc bao nhieu % Tong No
    CFO_to_Debt_Rate = (LuuChuyenTienHDKD / NoPhaiTra) * 100
  )

# Thao tac 56: In bang ket qua
fpt_debt_coverage_table <- fpt_analyzed %>%
  select(Nam, LuuChuyenTienHDKD, NoPhaiTra, CFO_to_Debt_Rate)

# In bang dep (ĐÃ SỬA CHUẨN KABLE)
kbl( # Đổi sang kbl()
  fpt_debt_coverage_table,
  
  # ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU
  caption = "Bảng Khả năng trả nợ bằng Dòng tiền HDKD", 
  digits = 2,
  col.names = c("Năm", "Dòng tiền HDKD (Tỷ đồng)", "Tổng Nợ (Tỷ đồng)", "Tỷ lệ Trả Nợ (%)"),
  
  booktabs = TRUE
) %>%
  kable_styling(
    position = "center",
    full_width = FALSE,
    # ĐÃ THÊM hold_position và scale_down (vì bảng này rộng)
    latex_options = c("striped", "hold_position", "scale_down") 
  )
Bảng Khả năng trả nợ bằng Dòng tiền HDKD
Năm Dòng tiền HDKD (Tỷ đồng) Tổng Nợ (Tỷ đồng) Tỷ lệ Trả Nợ (%)
2015 1155.89 15863.30 7.29
2016 4311.66 18385.19 23.45
2017 1988.18 11761.30 16.90
2018 3588.32 14982.10 23.95
2019 3898.75 16594.87 23.49
2020 6339.68 23128.66 27.41
2021 5839.69 32279.96 18.09
2022 5053.83 26294.28 19.22
2023 9517.10 30349.82 31.36
2024 11703.78 36272.46 32.27

TRỰC QUAN HOÁ DỮ LIỆU

# Tinh gia tri trung binh (Đảm bảo giá trị này tồn tại)
avg_cfo_debt <- mean(fpt_analyzed$CFO_to_Debt_Rate, na.rm = TRUE)

print(
  ggplot(fpt_analyzed, aes(x = Nam, y = CFO_to_Debt_Rate)) +
    
    # Layer 1 & 2: Vẽ đường thực tế và điểm
    geom_line(aes(color = "Tỷ lệ thực tế (%)"), size = 1.2) +
    geom_point(aes(color = "Tỷ lệ thực tế (%)"), size = 3, shape = 18) +
    
    # Layer 3: Đường xu hướng (Linear Model)
    geom_smooth(aes(color = "Xu hướng (Tuyến tính)"), method = "lm", se = FALSE, linetype = "dotted") +
    
    # Layer 4: Thêm nhãn (ggrepel)
    geom_text_repel(aes(label = round(CFO_to_Debt_Rate, 1)), size = 3.5) +
    
    # Layer 5: Đường trung bình 10 năm (Đường HLine thực tế)
    geom_hline(yintercept = avg_cfo_debt, linetype = "dashed", color = "blue") +
    
    # Layer 6 (NÂNG CẤP): Tạo đường ẩn cho Legend
    geom_line(aes(y = avg_cfo_debt, color = "Trung bình 10 năm"), size=0, linetype="dashed") +
    
    # Layer 7: Chú thích màu cho các đường (Tích hợp tất cả vào Legend)
    scale_color_manual(
      name = "Chú Thích",
      values = c(
        "Tỷ lệ thực tế (%)" = "brown",
        "Xu hướng (Tuyến tính)" = "black",
        "Trung bình 10 năm" = "blue"
      ),
      labels = c("Tỷ lệ thực tế (%)", "Xu hướng (Tuyến tính)", "Trung bình 10 năm")
    ) +
    
    # Layer 8: Định dạng trục Y theo %
    scale_y_continuous(labels = scales::percent_format(scale = 1)) +
    
    # Layer 9: Tiêu đề (ĐÃ THÊM LẠI TIẾNG VIỆT CÓ DẤU)
    labs(
      title = "Phân tích Khả năng Trả nợ (CFO / Tổng Nợ)",
      subtitle = "Tỷ lệ này càng cao, rủi ro tài chính càng thấp",
      x = "Năm",
      y = "Tỷ lệ Trả Nợ (%)"
    ) +
    
    # Layer 10: Theme (ĐÃ ĐỒNG BỘ FONT)
    theme_light(base_family = "Roboto") +
    theme(
      plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
      plot.subtitle = element_text(size = 12, hjust = 0.5),
      axis.title = element_text(size = 12, face = "bold"),
      legend.position = "bottom"
    )
)

📈 Phân tích Khả năng Trả nợ (Dữ liệu đã được xác thực)

Biểu đồ này cho thấy khả năng tạo tiền từ kinh doanh (CFO) để trả tổng nợ. Tỷ lệ càng cao, rủi ro càng thấp.

  1. Giai đoạn 1 (2015-2017): Rủi ro Tài chính Cao
    • Năm 2015, tỷ lệ chỉ là 7.3%, một mức cực kỳ rủi ro.
    • Năm 2017, tỷ lệ này sụt giảm xuống còn 16.9%, cho thấy sự bất ổn của mô hình kinh doanh cũ.
  2. Sự kiện Tái cấu trúc 2018: Quản lý Rủi ro Xuất sắc
    • Đây là điểm mấu chốt. Bất chấp việc tái cấu trúc (doanh thu giảm 45%), khả năng trả nợ không những không sụp đổ mà còn tăng vọt từ 16.9% lên 24%.
    • Ý nghĩa kinh tế: Điều này cho thấy ban lãnh đạo đã quản lý dòng tiền cực kỳ hiệu quả trong suốt quá trình biến động.
  3. Giai đoạn 3 (2019-2024): An toàn Tài chính Vượt trội
    • Xu hướng chung (đường chấm) là tăng rất mạnh.
    • Hai năm gần nhất (2023-2024), tỷ lệ này vọt lên trên 31%.
    • Ý nghĩa kinh tế: Mô hình kinh doanh mới (biên lợi nhuận cao, chất lượng tiền mặt cao) đang tạo ra dòng tiền dồi dào, đủ sức trả 1/3 tổng nợ chỉ trong 1 năm. Rủi ro tài chính của doanh nghiệp đã giảm đi đáng kể và an toàn hơn nhiều so với Giai đoạn 1.