Khoảng dự báo là một vùng giá trị mà kết quả thực tế được kỳ vọng sẽ rơi vào với một mức xác suất nhất định, ví dụ "doanh thu tháng tới nằm trong khoảng 282 đến 324 triệu với khả năng khoảng 80%". Nó nói thật một điều mà con số đơn lẻ giấu đi: tương lai không chắc chắn, và mức không chắc chắn đó lớn hay nhỏ.
Với dự báo vận hành ở cửa hàng và văn phòng, bạn không cần công thức thống kê để có một khoảng dự báo dùng được. Cách đơn giản và đáng tin là xem các dự báo kiểu này đã sai bao nhiêu trong quá khứ. Bài này giải thích khái niệm, phân biệt với khoảng tin cậy, cách tính, cách nhờ AI làm, và cách dùng khoảng để ra quyết định. Số liệu là ví dụ giả định.
Con số đơn lẻ gây ra những hiểu nhầm gì
Khi người lập kế hoạch báo "tháng tới doanh thu 300 triệu", người nghe thường hiểu đó là một mục tiêu gần như chắc chắn. Nếu thực tế ra 280 triệu, người lập dự báo bị coi là sai; nếu ra 320 triệu, chẳng ai thắc mắc. Lâu dần, người lập dự báo học cách báo thấp đi một chút cho an toàn, và con số dự báo trở thành con số thương lượng chứ không còn là ước tính trung thực.
Vấn đề thứ hai là con số đơn lẻ không cho biết nên chuẩn bị cho tình huống xấu tới đâu. Một dự báo 300 triệu có thể có sai số cộng trừ 5% với cửa hàng lâu năm ở khu dân cư ổn định, nhưng cộng trừ 30% với một quán mới mở ở khu du lịch. Hai tình huống cần chuẩn bị tiền mặt và hàng hoá rất khác nhau, nhưng con số dự báo thì giống hệt.
Khoảng dự báo giải quyết cả hai vấn đề. Nó chuyển câu chuyện từ "đúng hay sai" sang "thực tế có nằm trong khoảng không, và các khoảng có đáng tin không". Nếu bạn báo khoảng 80% mà sau một năm có khoảng tám trên mười tháng thực tế nằm trong khoảng, thì dự báo của bạn đang làm đúng việc, dù không tháng nào trúng con số giữa.
Khoảng dự báo và khoảng tin cậy khác nhau thế nào
Khoảng tin cậy nói về một con số trung bình. Ví dụ: khảo sát 200 khách, điểm hài lòng trung bình 4,1 trên 5, khoảng tin cậy 95% từ 3,9 đến 4,3. Khoảng này cho biết mức trung bình thật của toàn bộ khách có thể nằm ở đâu. Càng nhiều số liệu, khoảng tin cậy càng hẹp.
Khoảng dự báo nói về một giá trị cụ thể sắp xảy ra. Ví dụ: doanh thu của riêng tháng 11 sẽ nằm ở đâu. Ngoài việc không biết chính xác mức trung bình, còn có dao động ngẫu nhiên của chính tháng đó. Vì vậy khoảng dự báo luôn rộng hơn khoảng tin cậy, và không hẹp mãi khi có thêm số liệu.
AI và cả con người hay nhầm hai thứ này. Khi yêu cầu trợ lý AI chạy mô hình, nó có thể trả về khoảng tin cậy của đường xu hướng và gọi đó là khoảng dự báo. Kết quả là một khoảng hẹp đẹp đẽ nhưng thực tế liên tục rơi ra ngoài. Hãy hỏi rõ: khoảng này là cho giá trị trung bình hay cho giá trị của từng kỳ cụ thể?
Mức phần trăm phải được nói rõ. Khoảng 80% rộng ít hơn khoảng 95%. Với quyết định vận hành, khoảng 80% thường thực tế hơn; khoảng 95% hay quá rộng tới mức không giúp được gì. Quan trọng là luôn ghi rõ mức đi kèm, không để người đọc đoán.
Cách tính khoảng dự báo đơn giản từ sai số quá khứ
Phương pháp này không cần giả định thống kê phức tạp. Ý tưởng: dùng đúng cách dự báo của bạn để dự báo lại các kỳ đã qua, xem thực tế lệch bao nhiêu, rồi lấy mức lệch đó làm khoảng cho kỳ tới. Người làm phân tích gọi đây là kiểm định ngược.
- Chọn cách dự báo bạn đang dùng, ví dụ cùng kỳ năm trước nhân mức tăng ba tháng gần nhất.
- Áp dụng cách đó cho từng tháng trong 12 đến 24 tháng qua, nhưng chỉ được dùng số liệu có trước tháng đó. Không được nhìn trộm số liệu của chính tháng đang dự báo.
- Với mỗi tháng, tính sai số phần trăm: thực tế trừ dự báo, chia dự báo.
- Xếp các sai số từ nhỏ tới lớn. Với khoảng 80%, bỏ khoảng 10% số sai số nhỏ nhất và 10% lớn nhất; hai giá trị ở hai đầu còn lại là biên dưới và biên trên.
- Áp biên đó vào dự báo kỳ tới. Nếu dự báo là 300 triệu và biên là trừ 6% đến cộng 8%, khoảng dự báo khoảng 282 đến 324 triệu.
- Theo dõi: mỗi kỳ ghi thực tế có nằm trong khoảng không. Sau một năm, nếu số lần nằm trong khoảng thấp hơn nhiều so với 80%, khoảng đang quá hẹp.
Điểm mạnh của cách này là nó đo đúng sai số của chính phương pháp và chính cửa hàng bạn, không dựa trên giả định nào về phân phối. Điểm yếu là cần đủ số kỳ: với 12 kỳ, ước lượng biên còn thô; có 24 kỳ trở lên sẽ ổn định hơn.
Ví dụ giả định: 12 sai số và khoảng 80%
Ví dụ giả định một cửa hàng dự báo lại 12 tháng qua bằng phương pháp cùng kỳ điều chỉnh. Sai số phần trăm (thực tế so với dự báo) được xếp từ thấp tới cao như sau.
| Thứ tự | Sai số | Ghi chú |
|---|---|---|
| 1 | trừ 9% | Tháng mưa bão kéo dài, bị bỏ khi lấy khoảng 80% |
| 2 | trừ 6% | Biên dưới của khoảng 80% |
| 3 đến 6 | trừ 4%, trừ 3%, trừ 1%, 0% | Phần giữa |
| 7 đến 10 | cộng 2%, cộng 3%, cộng 5%, cộng 6% | Phần giữa |
| 11 | cộng 8% | Biên trên của khoảng 80% |
| 12 | cộng 12% | Tháng có đơn hàng lớn bất ngờ, bị bỏ |
Khoảng sai số từ trừ 6% đến cộng 8% hơi lệch về phía trên, cho thấy phương pháp có xu hướng dự báo thấp hơn thực tế một chút. Đó là một thông tin đáng giá: có thể cửa hàng đang tăng trưởng nhanh hơn mức mà ba tháng gần nhất phản ánh.
Lưu ý với 12 sai số, việc bỏ 10% mỗi đầu chỉ là bỏ khoảng một giá trị; con số biên vì vậy còn thô. Bạn nên coi khoảng này là ước lượng hợp lý chứ không phải con số chính xác tuyệt đối.
Khoảng phải rộng ra khi nhìn xa và khi có thay đổi lớn
Một quy luật gần như luôn đúng: dự báo càng xa thì càng kém chắc chắn. Khoảng dự báo cho tháng tới có thể là cộng trừ 7%, nhưng cho ba tháng tới phải rộng hơn, và cho mười hai tháng tới còn rộng hơn nữa. Nếu bạn thấy AI đưa ra một khoảng có độ rộng giống nhau cho cả tháng tới và sáu tháng tới, đó là dấu hiệu nó chỉ chép một con số, không thật sự tính.
Khi tính bằng kiểm định ngược, bạn có thể làm riêng cho từng tầm xa: dự báo một tháng trước, hai tháng trước, ba tháng trước, rồi đo sai số của từng loại. Bạn sẽ thấy sai số tăng dần theo tầm xa, và có số liệu thật để đặt khoảng cho từng tháng.
Một trường hợp khác cần nới khoảng là khi có thay đổi lớn mà quá khứ không chứa: chuyển địa điểm, thay đổi mặt hàng chính, đối thủ lớn mở gần, hoặc một thay đổi chính sách ảnh hưởng tới khách của bạn. Sai số quá khứ không phản ánh được rủi ro mới này. Cách thực tế là giữ khoảng tính được, rồi tự nới thêm theo đánh giá của bạn và ghi rõ lý do, thay vì giả vờ mức chắc chắn vẫn như cũ.
Câu lệnh mẫu buộc AI nêu khoảng và cách tính
Trợ lý AI thường có xu hướng đưa ra một con số cụ thể nếu không được yêu cầu khác, hoặc đưa ra một khoảng quá tự tin. Các câu lệnh sau giúp tránh điều đó. Bảng đưa lên chỉ cần tháng và doanh thu tổng hợp, không chứa thông tin khách hàng hay nhà cung cấp.
- "Áp dụng phương pháp dự báo (mô tả phương pháp) cho từng tháng trong 18 tháng qua, chỉ dùng số liệu có trước tháng đó. Liệt kê dự báo, thực tế và sai số phần trăm của từng tháng."
- "Từ các sai số trên, tính khoảng dự báo 80% cho tháng tới theo cách lấy phân vị 10% và 90% của sai số. Nêu rõ số tháng đã dùng và hai sai số làm biên."
- "Làm lại cho dự báo hai tháng tới và ba tháng tới, mỗi tầm xa tính sai số riêng. Khoảng có rộng dần không?"
- "Trong 18 tháng, bao nhiêu tháng thực tế nằm trong khoảng 80% nếu áp dụng cách này từ đầu? Nếu tỉ lệ thấp hơn nhiều so với 80%, giải thích vì sao."
Câu cuối là phép thử quan trọng nhất. Một khoảng dự báo chỉ có giá trị khi tỉ lệ trúng thực tế gần với mức đã tuyên bố. Nếu AI báo khoảng 80% mà chỉ năm trên mười tám tháng nằm trong khoảng, bạn đã biết không nên dùng khoảng đó.
Dùng khoảng để ra quyết định và để trình bày
Khoảng dự báo không bắt bạn chọn con số giữa. Với mỗi quyết định, hãy hỏi: sai về phía nào thì tốn hơn. Khi lo tiền mặt để trả nhà cung cấp, bạn nên lập kế hoạch theo mức thấp, vì thiếu tiền đúng hạn gây hậu quả lớn. Khi đặt hàng khô dễ bảo quản cho mùa cao điểm, có thể chọn gần mức cao, vì hết hàng giữa mùa đắt hơn giữ thêm hàng vài tuần. Khi đặt hàng tươi, gần mức giữa hoặc thấp hơn một chút.
Khi trình bày cho chủ doanh nghiệp hoặc cấp trên, đặt con số giữa ở trung tâm nhưng luôn kèm khoảng và một câu giải thích nguồn gốc khoảng. Ví dụ: "Dự kiến tháng 11 khoảng 300 triệu, nhiều khả năng nằm trong khoảng 282 đến 324 triệu; khoảng này lấy từ mức lệch thực tế của cách dự báo này trong một năm qua, tám trên mười tháng nằm trong khoảng tương tự." Câu này ngắn nhưng giúp người nghe hiểu mức chắc chắn mà không cần biết thống kê.
Trên biểu đồ, khoảng dự báo nên vẽ thành vùng tô nhạt quanh đường dự báo, không vẽ thành hai đường đậm ngang hàng với đường chính. Vùng tô làm người xem cảm nhận được đó là vùng không chắc chắn, còn hai đường đậm dễ bị hiểu nhầm là hai kịch bản ngang nhau.
Câu hỏi thường gặp
Khoảng dự báo nên lấy mức 80% hay 95%?
Với quyết định vận hành hằng tháng, khoảng 80% thường hợp lý: đủ rộng để phản ánh thực tế, đủ hẹp để dùng được. Khoảng 95% hợp với các quyết định mà sai về một phía gây hậu quả nặng, như dự phòng tiền mặt tối thiểu. Điều quan trọng hơn mức phần trăm là luôn ghi rõ mức đã chọn.
Nếu thực tế rơi ra ngoài khoảng dự báo thì dự báo sai à?
Không hẳn. Với khoảng 80%, khoảng hai trên mười kỳ sẽ rơi ra ngoài là chuyện bình thường. Chỉ khi tỉ lệ rơi ra ngoài cao hơn nhiều so với mức tuyên bố, hoặc luôn rơi ra một phía, thì phương pháp hoặc cách tính khoảng mới có vấn đề cần sửa.
Có thể tính khoảng dự báo khi chỉ có sáu tháng số liệu không?
Có thể, nhưng khoảng sẽ rất thô vì chỉ có vài sai số để dựa vào. Trong trường hợp này nên đặt khoảng rộng một cách có chủ ý, ghi rõ là ước lượng sơ bộ, và tính lại khi có thêm số liệu. Đừng để con số chính xác đến hàng đơn vị tạo cảm giác chắc chắn giả.
Vì sao AI đưa khoảng dự báo hẹp hơn thực tế?
Có vài lý do thường gặp: nó tính khoảng tin cậy của đường xu hướng thay vì khoảng cho từng kỳ; nó giả định sai số phân bố đều đặn trong khi thực tế có những tháng bất thường; hoặc nó dùng cả số liệu của kỳ đang dự báo khi kiểm định ngược. Yêu cầu AI giải thích cách tính sẽ giúp phát hiện các lỗi này.
Khoảng dự báo có dùng được cho dự báo theo ngày không?
Được và càng cần thiết, vì dự báo theo ngày dao động mạnh hơn theo tháng. Cách tính tương tự: dự báo lại nhiều ngày trong quá khứ, đo sai số, lấy phân vị. Nên tính riêng cho từng thứ trong tuần nếu mức dao động khác nhau, ví dụ cuối tuần thường dao động lớn hơn ngày thường.