Tính toán lợi nhuận đầu tư vào phần mềm và hệ thống

Thuật ngữ "lợi nhuận đầu tư" (ROI) thường được sử dụng để mô tả lãi thu được từ các khoản đầu tư vào phần mềm và các hệ thống hoặc các khoản đầu tư kinh doanh khác. Để sắp xếp tốt hơn các khoản đầu tư phần mềm và các hệ thống, có nhiều loại câu trả lời ROI khác nhau cho các câu hỏi kinh doanh khác nhau như: Cho đến giờ chúng ta đã nhận được một khoản lợi nhuận đầu tư tốt hay không? Chúng ta có nên tiếp tục các khoản đầu tư vào dự án này không? Cái gì sẽ là tổng lợi nhuận đầu tư (total ROI) trong suốt cuộc đời hoạt động của phần mềm hoặc hệ thống? Bài này cung cấp các tính toán ROI khác nhau để trả lời những câu hỏi này.

Murray Cantor, Kỹ sư xuất sắc, IBM

Ảnh của Murray CantorLà một người lãnh đạo trong nhóm các dịch vụ lĩnh vực Rational của IBM, Murray Cantor thúc đẩy và mở rộng các hướng dẫn thực hành Rational tốt nhất và làm việc chặt chẽ với các khách hàng về các cách đổi mới để xây dựng và phân phối các hệ thống hiệu quả hơn. Hiện nay, ông lãnh đạo quá trình phát triển một mô hình tham gia mới để chuyển đổi các tổ chức phát triển phần mềm, cũng như Rational Unified Process cho Systems Engineering® (RUP-SE®). Phương pháp luận RUP-SE® rất quan trọng cho các tổ chức làm việc trên tuyến đầu về phát triển hệ thống phần cứng và phần mềm quy mô lớn. Ông cũng tập trung vào cách tích hợp các khả năng của lĩnh vực Rational của IBM với các khả năng của các thương hiệu IBM khác.

Ông đã được vinh danh là Kỹ sư Xuất sắc vừa cho những đóng góp của ông về RUP-SE và vừa cho thành công của ông về các chuyển đổi doanh nghiệp khách. Là một nhà lãnh đạo có ý tưởng nổi tiếng, ông là một diễn giả chính được săn lùng tại các sự kiện ngành, ông đã xuất bản hai cuốn sách và rất nhiều bài báo và đóng một vai trò quan trọng trong các ủy ban tiêu chuẩn liên quan đến UML và RUP.

Murray Cantor đã nhận bằng tiến sĩ về toán học của Đại học California tại Berkeley vào năm 1973.



25 02 2013

Giới thiệu

Chúng ta thường nói về lợi nhuận đầu tư (ROI) của một phần mềm hoặc hệ thống hoặc dự án Công nghệ thông tin (CNTT) như là sự biện minh chính cho quyết định tiếp tục nỗ lực của mình. Thuật ngữ này đôi khi được sử dụng mang tính ước lượng phỏng đoán, vì vậy chúng ta có thể nói rằng ROI của phần mềm nào đó sẽ có hiệu quả tốt hơn, mà không nói rõ phép đo về tính hiệu quả. Điều này yêu cầu các định nghĩa chính xác về ROI. Hóa ra có nhiều hơn một định nghĩa và chúng ta có thể sử dụng từng định nghĩa cho từng loại quyết định khác nhau. Bài này mô tả các ý tưởng đằng sau các tính toán. Các công thức chi tiết có trong Phụ lục 3..


Tính toán tương lai

Có người đã từng nói, "Không thể dự đoán tương lai, nhưng đó là công việc của chúng ta". Những người đang chịu trách nhiệm cho lập luận về giá trị của các khoản đầu tư trong tương lai, cần làm việc với thông tin chưa đầy đủ. Ví dụ, không thể biết chắc doanh thu tương lai của một sản phẩm mới sẽ thế nào. Mặc dù thế, bạn cần có doanh thu đó để tính toán lợi nhuận đầu tư dự kiến về việc đưa sản phẩm đó ra thị trường. May mắn thay, có một cách để tiếp bước.

Các phần dưới đây trình bày một số kiểu ROI với các tính toán liên quan của chúng. Khi sử dụng các phương trình khác nhau sau đây, bạn có thể sử dụng các biến ngẫu nhiên (xem Phụ lục 1 và 2) thay cho các giá trị cố định. Điều phổ biến trong phân tích kinh doanh hiện đại là sử dụng các biến ngẫu nhiên với các phân bố tam giác, như được mô tả trong Phụ lục 1.

Các lưu ý:

  • Nếu bạn đã quen thuộc với các khái niệm về các biến ngẫu nhiên, thì hãy đọc tiếp. Nếu bạn chưa quen, trước hết bạn sẽ thấy rằng thật có ích khi đọc các phụ lục.
  • Bạn cũng có thể thấy thật có ích để đọc bài giới thiệu về tìm kiếm giá trị của các nỗ lực phát triển liên tục có trong bài viết trước đây của tôi, "Tính toán và Cải thiện lợi nhuận đầu tư của bạn trong các chương trình phần mềm và hệ thống." Communications of the Association for Computing Machinery (Digital Edition) (Truyền thông của Hiệp hội Máy tính) (Ấn bản số hóa), 09/2011. Bài này cung cấp công thức rõ ràng cho các ý tưởng trong bài viết trước đó.

To-dateROI và To-goROI

Để bắt đầu, tất cả các loại ROI đều dựa trên khái niệm cốt lõi giống nhau: lợi nhuận đầu tư, nói chung, là tỷ lệ thay đổi giá trị so với chi phí đầu tư. Trong công thức này, V0 là giá trị ban đầu nào đó, V1 là giá trị tại ngày nào đó về sau và I là tiền chi tiêu trong khoảng thời gian đó:

Phương trình toán học

Việc áp dụng phương trình này sẽ thay đổi tùy theo loại tài sản.

Ví dụ đơn giản nhất về ROI là trong lập luận về một tài sản cố định nào đó, chẳng hạn như một cổ phần mà bạn mua ở một mức giá và bán ở mức giá khác. Có hai giá trị dễ hiểu được sử dụng trong tính toán này: giá mua (pp) và giá bán (sp), cả hai đều là những giá trị do thị trường thiết lập. ROI trong trường hợp này là tỷ lệ của sự thay đổi giá so với chi phí mua cổ phiếu. Trong trường hợp này:

Phương trình toán học

Ngay cả trong trường hợp này, có thể có các biến thể. Chúng ta giả sử rằng một người đầu tư nhà nghề có một vài câu hỏi quan trọng:

To-date (Tính đến ngày)
Tôi đã đầu tư tốt hay không (ROI sẽ là bao nhiêu nếu tôi bán ngày hôm nay?)
 
To-go (Sắp tới)
Tôi có nên đầu tư vào tài sản này không? (ROI sẽ là bao nhiêu nếu tôi mua một số tài sản này ngày hôm nay?)
 

Câu hỏi đầu tiên là truy hồi, vì nó hỏi nhà đầu tư đã quyết định tốt ra sao. Câu trả lời có thể dẫn đến một sự thay đổi trong chiến lược đầu tư. Câu hỏi thứ hai là một phần của việc thực hiện chiến lược đầu tư. Tất nhiên, việc trả lời hai câu hỏi trên đòi hỏi phải có các tính toán ROI khác nhau:

To-date
Ở đây, V1 là giá trị của ngày hôm nay (số tiền thu được sẽ tích luỹ từ việc bán tất cả các cổ phần ở mức giá hiện tại), cộng với bất cứ lời lãi nào mà nhà đầu tư đã nhận được cho đến nay, như các cổ tức, V0 I là các tổng tất cả các chi phí của tất cả các khoản đầu tư vào tài sản đó.
 
To-go
Ở đây, V1 là số tiền thu được ước tính từ việc bán tài sản vào ngày đã định nào đó trong tương lai, Vo là chi phí ban đầu của tài sản và I là tổng số của những gì mà bạn dự kiến chi tiêu cho đầu tư, các chi phí ban đầu và các khoản thanh toán trong tương lai.
 

Quan trọng:
Các trường hợp này hầu như hoàn toàn độc lập. Các chi phí trước đó (đã chi), được sử dụng cho trường hợp to-date không có chỗ trong trường hợp to-go.

Quay lại với phương trình đầu tiên, trong phân tích đầu tư (IA), To-date ROI là biến ngẫu nhiên sử dụng phương trình đó, ở đây

  • V1 = NPVtoday + tổng lãi thực tế cho đến nay
  • V0 = NPVprogram_onset
  • I = tổng chi phí cho đến nay

Lưu ý rằng I dựa trên các khoản chi thực tế. Trong hầu hết các trường hợp, đặt NPVprogram_onset bằng không là hợp lý.

Đối với các chương trình phân tích đầu tư, "cuối đời" là khi kết thúc tất cả các chi phí và lãi. Vào thời điểm đó, giá trị là không. Tổng quát hơn, một khoản đầu tư trong phân tích đầu tư giảm giá dần sau khi đưa ra.

Trong To-go ROI, tất cả các chi phí và lãi trong quá khứ bị bỏ qua. Trên hết là chi phí và lãi tương lai được chiết khấu. Chúng ta có thể áp dụng phương trình cơ bản để có được công thức này:

Phương trình toán học

Các tính toán NPV và chi phí tương lai gồm các giá trị tương lai được nắm bắt như là các biến ngẫu nhiên trong phân tích đầu tư, vì thế công thức này sử dụng công cụ Monte Carlo về phân tích đầu tư (xem Phụ lục 2).


ROI tổng

Do phân tích đầu tư chứa cả các chi phí và lãi thực tế và lãi được dự báo, nên có thể có các tính toán ROI có ích khác. Ví dụ, bạn có thể quyết định đầu tư vào một chương trình nếu có đủ lợi nhuận kỳ vọng trong suốt toàn bộ vòng đời đầu tư. Trong trường hợp này, bạn sẽ tính toán ROI đến nay được dự kiến ở thời điểm cuối của chương trình. Vì nó có giá trị không ở thời điểm cuối của chương trình, nên bằng cách đặt NPVprogram_onset bằng không, chúng ta thấy:

Phương trình toán học

Ở thời điểm cuối thực sự của chương trình, tất cả các hạng mục là thực tế. Trước đó, bạn có thể muốn dự báo ROI tổng (total ROI), ở đây các hạng mục là hỗn hợp các giá trị tương lai đã chiết khấu và giá trị thực tế. Trong trường hợp này, ROI tổng là một biến ngẫu nhiên và được tìm thấy bằng cách sử dụng công cụ Monte Carlo trong phân tích đầu tư.


Các ngày tháng tham chiếu

Các dự báo ROI thường được tính theo hôm nay. Tuy nhiên, do phân tích đầu tư chứa toàn bộ vòng đời của các chi phí và các lời lãi đầu tư -- các giá trị quá khứ là giá trị thực tế và các giá trị trong tương lai là các biến ngẫu nhiên -- có thể thiết lập bất kỳ ngày tháng tham chiếu nào cho các tính toán. Có nghĩa là bạn có thể dự báo các phân bố của NPV, cũng như To-go ROI và To-date ROI tại bất kỳ ngày tháng nào trong tương lai. Ngày đưa ra là một ví dụ. Bạn sẽ dự báo các giá trị khi sản phẩm sẽ bắt đầu có lãi. Đây có thể là một tính toán tốt để so sánh hai khoản đầu tư có các ngày tháng đưa ra khác nhau.

Lưu ý:
ROI tổngTo-date ROI được dự báo ở cuối chương trình như là ngày đưa ra.


Tóm tắt

Mô phỏng Monte Carlo trong Phụ lục 2 đã được tính toán trong IBM® Rational® Focal Point, Phiên bản 6.5.1.

Về khái niệm, lợi nhuận đầu tư (ROI) tạm tính là tỷ lệ lãi trên chi phí. Bất kỳ ai, có vốn hạn chế, sẽ đều muốn sử dụng vốn đó để tối đa hóa tỷ lệ này. Ngay cả các khoản đầu tư đơn giản, cũng có nhiều hơn một cách tính ROI, mỗi cách tính ROI được sử dụng để trả lời cho một câu hỏi khác nhau. Bài này giới thiệu ba trong số những cách tính ROI có ích nhất:

  • To-date:Tôi đã nhận được lợi nhuận là bao nhiêu cho khoản đầu tư mà tôi đã thực hiện?
  • To-go:Tôi có thể mong chờ lợi nhuận là bao nhiêu từ các khoản đầu tư trong tương lai?
  • Tổng: Ở cuối chương trình, tôi có thể mong chờ lợi nhuận là bao nhiêu từ tất cả các khoản đầu tư?

Các công thức chi tiết có trong Phụ lục 3.


Lời cảm ơn

Bài viết này đã được chăm chút kỹ lưỡng. Tôi muốn cảm ơn Jim Densmore của IBM rất nhiều vì các hiệu đính, các đề nghị và các câu hỏi của ông. Nếu không có sự giúp đỡ của ông, tôi không thể viết ra bài này.


Phụ lục 1. Các biến ngẫu nhiên

Giả sử bạn không chắc về giá trị mà bạn muốn sử dụng. Ví dụ, khối lượng bán hàng trong một khoảng thời gian trong tương lai của một sản phẩm chưa giao hàng có thể rất quan trọng, nhưng không ai có thể chắc chắn về giá trị thực tế. Trong phân tích kinh doanh hiện đại, điều phổ biến là quy định các số lượng không chắc chắn như vậy là các biến ngẫu nhiên. Sau đây là một lời giải thích ngắn gọn về cách sử dụng chúng. (Có thể xem giải thích đầy đủ hơn nhiều trong cuốn sách của Douglas Hubbard, Làm thế nào để đo lường mọi thứ: Tìm giá trị vô hình trong kinh doanh (ấn bản thứ 2), Wiley, 2010). Khi đã biết rằng chúng ta không chắc chắn 100% về một giá trị trong tương lai, điều tốt nhất tiếp theo là chỉ rõ rằng giá trị của v có thể là bất kỳ giá trị nào trong một phạm vi. Ví dụ:

a ≤ v ≤ b

Theo cách này, chúng ta đang nói rằng xác suất bằng không với v nhỏ hơn a hay lớn hơn b (trong một số trường hợp, chúng ta có thể cho a bằng -∞ hoặc b bằng ∞). Chúng ta cũng nói rằng xác suất bằng một với v nằm giữa a b. Chúng ta có thể đi xa hơn và giả định rằng một số giá trị với v có nhiều khả năng hơn so với những giá trị khác. Trong trường hợp đó, chúng ta có thể chỉ rõ khả năng xảy ra của từng giá trị có thể có của v. Do đó, chúng ta sẽ có một đường cong, mà với mỗi giá trị có thể có của v, sẽ cho biết xác suất của việc v nhận giá trị đó. Vì thế, một biến ngẫu nhiên là một đại lượng được mô tả bằng một đường cong mà với mỗi giá trị trong một phạm vi, sẽ cho xác suất để nó nhận giá trị đó. Đường cong này được gọi là phân bố xác suất của biến ngẫu nhiên.

Một đặc tính quan trọng của các phân bố này là ở chỗ, vì một biến ngẫu nhiên phải nhận một số giá trị nào đó, nên tổng xác suất của các giá trị phải bằng một.

Ví dụ, khi chúng ta bắt giữ trường hợp tốt nhất (H), trường hợp xấu nhất (L) hoặc giá trị có khả năng nhất (E) của khối lượng bán hàng trong tương lai, về mặt toán học, chúng ta có thể chỉ rõ biến ngẫu nhiên của nó bằng một phân bố xác suất trông giống như Hình 1.

Hình 1. Một phân bố xác suất hình tam giác đối với một biến ngẫu nhiên
Hình tam giác với L ở bên trái, E ở trên đỉnh, H ở bên phải

Chiều cao của đường cong này tại bất kỳ điểm nào dọc theo thang đo đại diện cho xác suất để biến ngẫu nhiên nhận giá trị đó. Do đó, chúng ta đã chọn một phân bố có xác suất bằng không với giá trị thấp hơn L hoặc cao hơn H và có một đỉnh tại E. Các chiều cao được lựa chọn sao cho diện tích của hình tam giác (tổng của tất cả các xác suất) bằng 1. Trong trường hợp này, xác suất để v nhận một giá trị gần L hoặc H là nhỏ và xác suất để nó nhận một giá trị gần E là tương đối cao.

Tất nhiên, hình dạng phân bố có thể là bất kỳ đường cong nào, miễn là diện tích vùng dưới đường cong đó bằng 1.

Tóm lại, một biến ngẫu nhiên là một đại lượng có thể nhận bất kỳ giá trị nào. Tuy nhiên, một số giá trị có thể có nhiều khả năng xảy ra hơn so với các giá trị khác. Vì vậy, một biến ngẫu nhiên được quy định bởi hàm gán một xác suất cho từng giá trị. Hàm này được gọi là hàm phân bố xác suất của biến ngẫu nhiên.


Phụ lục 2. Tính toán với các biến ngẫu nhiên: mô phỏng Monte Carlo

Giả sử rằng bạn muốn cộng hai biến ngẫu nhiên, v1v2. Bạn sẽ thực hiện ra sao? Đầu tiên lưu ý rằng tổng của chúng sẽ là một biến ngẫu nhiên khác. Vì vậy, cái bạn cần là phân bố xác suất của tổng đó. Không có công thức nào để tính phân bố đó, nhưng có một cách tiếp cận hiệu quả được dùng phổ biến được gọi là mô phỏng Monte Carlo.

Ý tưởng đằng sau mô phỏng Monte Carlo là sử dụng một trình tạo số ngẫu nhiên lấy một giá trị mẫu của v1 và một giá trị mẫu của v2 và sau đó cộng chúng lại. Các giá trị được chọn theo các phân bố xác suất của mỗi biến. Các giá trị có nhiều khả năng hơn được tạo ra thường xuyên hơn. Bây giờ lưu tổng đó và làm điều tương tự nhiều lần, chẳng hạn 100.000 lần và lưu trữ từng giá trị tổng. Đối với mỗi tổng, bạn có thể tính toán xác suất bằng cách xem xét tần số xuất hiện của nó trong bộ sưu tập các tổng đã lưu (một số tổng xuất hiện thường xuyên hơn các tổng khác) và chia cho số các mẫu (thực tế, bạn phải làm tròn các tổng để nhận được các số đếm). Cái bạn nhận được là một phép tính gần đúng của phân bố của các tổng.

Hãy xem xét một ví dụ, ở đây v1 có một phân bố hình tam giác với L = 3, E = 4, H = 7, như trong Hình 2 và v2 có một phân bố hình tam giác với L = 1, E = 6, H = 7, như Hình 3 đã cho thấy.

Hình 2. Đồ thị phân bố hình tam giác
L = 3, E = 4, H = 7
Hình 3. Đồ thị phân bố hình tam giác
L = 1, E = 6, H = 7

Hình 4 đưa ra phân bố của tổng của hai biến ngẫu nhiên được hiển thị trong Hình 2 và 3, mà bạn có thể tìm ra bằng cách sử dụng một trình mô phỏng Monte Carlo. Hình này được tìm ra bằng cách sử dụng 100.000 mẫu và được tính toán theo IBM Rational Focal Point.

Hình 4. Sự phân bố mô phỏng của tổng (từ 100.000 mẫu)
Đường cong phân bố, với đỉnh ở 9.80

Đầu tiên, hãy lưu rằng tổng không phải là một phân bố hình tam giác, mà có phần gần hơn với một phân bố chuẩn, một đường cong hình chuông. Đỉnh cao (mode) của phân bố này là 9,80. Điều này là hoàn toàn đúng như dự kiến từ toán học xác suất (cụ thể là, theo định lý giới hạn trung tâm). Phân bố của tổng có nghĩa. Ví dụ, chúng ta trông đợi giá trị có nhiều khả năng nhất của tổng là 10, là tổng của hai giá trị có khả năng nhất, nhưng mô phỏng này đã tìm ra 9,8. Khoản chênh lệch này là do may rủi và sẽ giảm đi với nhiều mẫu hơn. Ngoài ra, cũng lưu ý rằng xác suất đến gần không với các tổng nhỏ hơn 4, đây là tổng của hai giá trị thấp nhất (không hiện rõ cụ thể trong Hình 4, nhưng có thể thấy được) và xác suất cũng đến gần không với các tổng lớn hơn 14, đây là các tổng của hai giá trị cao nhất.

Cuối cùng, có thể dễ dàng kết hợp các biến cố định và ngẫu nhiên. Bạn có thể xử lý một biến cố định như là một biến ngẫu nhiên nhận một giá trị duy nhất với xác suất bằng một và xác suất của tất cả các giá trị khác là không.


Phụ lục 3. Các công thức ROI

Giả sử rằng, trong chương trình của chúng ta, có các khoảng thời gian T, lãi đã biết là NB và các chi phí đã biết là NC. Lưu ý rằng mỗi chi phí và lãi là một chuỗi thời gian. Thế thì:

  • Đối với 0 ≤ t ≤ T1 ≤ n ≤ NB, đặt Phương trình toán học = giá trị của lãi thứ n ở khoảng thời gian t,
  • Đối với 0 ≤ t ≤ T1 ≤ m ≤ Nc, đặt Phương trình toán học = giá trị của chi phí thứ m ở khoảng thời gian t.

Trước khi tiếp tục, có một điểm quan trọng cần nhấn mạnh: Tất cả các chuỗi thời gian được soát lại trong suốt vòng đời, vì vậy chúng phụ thuộc vào thời gian. Lần lượt bắt giữ từng chuỗi thời gian giống như một loạt các ảnh chụp nhanh. Vì vậy, khi có nhiều thông tin đến hơn, các biến ngẫu nhiên sẽ được cập nhật trong suốt vòng đời. Khi thời gian trôi qua, các giá trị ước tính chuyển thành giá trị thực tế và các giá trị trong tương lai được cập nhật. Trong thực hành, từng số hạng chi phí và lãi cũng phụ thuộc vào thời gian. Điều này đã được thảo luận chi tiết hơn trong các phần về các công thức, To-date ROI và To-go ROIROI tổng.

Bk(s)Cl(s) là các ảnh chụp nhanh về các luồng lãi và chi phí. Để tránh lộn xộn, chúng ta sẽ bỏ biến ảnh chụp nhanh nếu không cần thiết. Chúng ta cần thêm ký hiệu:

  • Đặt r = chu kỳ tham chiếu cho việc tính toán, là chu kỳ hiện tại hoặc chu kỳ tương lai đã xác định nào đó
  • Đối với 1 ≤ n ≤ NB, đặt rbn = tỷ lệ chiết khấu của lãi Bn
  • Đối với 1 ≤ m ≤ NB, đặt rcm = tỷ lệ chiết khấu của chi phí Cm
  • Đối với một chu kỳ đã cho t và chu kỳ tham chiếu r, đặt tổng của tất cả lãi chiết khấu tại thời điểm t so với r là:

Phương trình toán học

  • Tương tự như vậy, đối với một chu kỳ đã cho t và chu kỳ tham chiếu r, đặt tổng của tất cả chi phí đã chiết khấu tại t so với r là:

Phương trình toán học

Lưu ý rằng các số hạng của các chuỗi thời gian có thể là các biến ngẫu nhiên, các biến cố định hoặc cả hai. Trong bất kỳ trường hợp nào, có thể cộng chúng lại bằng cách sử dụng mô phỏng Monte Carlo, khi cần thiết.

Với các ký hiệu này, chúng ta có thể định nghĩa giá trị hiện tại ròng NPV (net present value) ở chu kỳ r là:

Phương trình toán học

Và sau đó:

Phương trình toán học

Lưu ý rằng đối với bất kỳ hai chu kỳ, s t:

Phương trình toán học

Trong tính toán này, TodateROIsROIs,0 của trường hợp đặc biệt. Trong trường hợp này Bj,sCj,s thường là giá trị thực tế.

Cuối cùng, TodateROI ROIT,0.

Theo định nghĩa của cuối cuộc đời, NPVT = 0 từ đó, không có chi phí hoặc lãi nào còn lại. Ngoài ra, trong hầu hết các trường hợp, NPV0 gần tới 0, do tất cả các chi phí thuộc về tương lai. Như vậy, bằng cách đặt NPV0 bằng 0, ta có:

Phương trình toán học

Tài nguyên

Học tập

Lấy sản phẩm và công nghệ

  • Tải một phiên bản dùng thử miễn phí của phần mềm Rational.
  • Đánh giá các sản phẩm của IBM theo cách phù hợp với bạn nhất: Tải về một bản dùng thử sản phẩm, hãy dùng thử một sản phẩm trực tuyến, sử dụng một sản phẩm trong một môi trường đám mây hoặc dành một vài giờ trong SOA Sandbox để học cách thực hiện kiến trúc hướng dịch vụ (SOA) một cách hiệu quả.

Thảo luận

Bình luận

developerWorks: Đăng nhập

Các trường được đánh dấu hoa thị là bắt buộc (*).


Bạn cần một ID của IBM?
Bạn quên định danh?


Bạn quên mật khẩu?
Đổi mật khẩu

Bằng việc nhấn Gửi, bạn đã đồng ý với các điều khoản sử dụng developerWorks Điều khoản sử dụng.

 


Ở lần bạn đăng nhập đầu tiên vào trang developerWorks, một hồ sơ cá nhân của bạn được tạo ra. Thông tin trong bản hồ sơ này (tên bạn, nước/vùng lãnh thổ, và tên cơ quan) sẽ được trưng ra cho mọi người và sẽ đi cùng các nội dung mà bạn đăng, trừ khi bạn chọn việc ẩn tên cơ quan của bạn. Bạn có thể cập nhật tài khoản trên trang IBM bất cứ khi nào.

Thông tin gửi đi được đảm bảo an toàn.

Chọn tên hiển thị của bạn



Lần đầu tiên bạn đăng nhập vào trang developerWorks, một bản trích ngang được tạo ra cho bạn, bạn cần phải chọn một tên để hiển thị. Tên hiển thị của bạn sẽ đi kèm theo các nội dung mà bạn đăng tải trên developerWorks.

Tên hiển thị cần có từ 3 đến 30 ký tự. Tên xuất hiện của bạn phải là duy nhất trên trang Cộng đồng developerWorks và vì lí do an ninh nó không phải là địa chỉ email của bạn.

Các trường được đánh dấu hoa thị là bắt buộc (*).

(Tên hiển thị cần có từ 3 đến 30 ký tự)

Bằng việc nhấn Gửi, bạn đã đồng ý với các điều khoản sử dụng developerWorks Điều khoản sử dụng.

 


Thông tin gửi đi được đảm bảo an toàn.


static.content.url=http://www.ibm.com/developerworks/js/artrating/
SITE_ID=70
Zone=Rational
ArticleID=859301
ArticleTitle=Tính toán lợi nhuận đầu tư vào phần mềm và hệ thống
publish-date=02252013