Không nên tin dự báo khi điều kiện tạo ra số liệu quá khứ đã thay đổi, khi lịch sử quá ngắn, khi bạn kéo một xu hướng ra quá xa, hoặc khi chính quyết định trước đây đã làm méo số liệu. Mọi phương pháp dự báo, từ trung bình đơn giản tới mô hình mà trợ lý AI chạy, đều dựa trên một giả định ngầm: tương lai sẽ vận hành giống quá khứ. Khi giả định này gãy, con số dự báo vẫn được tính ra rất gọn gàng, nhưng không còn nghĩa lý gì.
Bài này liệt kê những tình huống hay gặp ở cửa hàng và doanh nghiệp nhỏ, cách nhận ra chúng, và nên làm gì thay cho việc tin vào một con số. Các phương pháp trong danh mục này dành cho dự báo vận hành; chúng không dùng để dự báo giá chứng khoán, vàng, tiền số hay bất động sản, và trang không đưa ra dự báo như vậy. Ví dụ trong bài là ví dụ giả định.
Dự báo dựa trên một giả định mà ít ai nói ra
Khi bạn lấy cùng kỳ năm trước nhân mức tăng gần đây, bạn đang giả định khách vẫn là những khách ấy, mùa vụ vẫn là mùa vụ ấy, cửa hàng vẫn bán những thứ ấy ở cùng chỗ ấy. Khi trợ lý AI chạy một mô hình chuỗi thời gian, nó cũng giả định như vậy, chỉ là phức tạp hơn. Không có phương pháp nào học được điều chưa từng xuất hiện trong số liệu.
Vấn đề là sự thay đổi thường không tự báo hiệu trong số liệu. Tháng đầu tiên sau khi một siêu thị lớn mở cách cửa hàng năm trăm mét, số liệu mới chỉ có một điểm, chưa đủ để bất kỳ phương pháp nào nhận ra xu hướng mới. Phải vài tháng sau mô hình mới bắt kịp, trong khi bạn đã nhập hàng theo dự báo cũ suốt thời gian đó.
Vì vậy câu hỏi quan trọng trước mỗi lần dự báo không phải là dùng phương pháp nào, mà là: có điều gì đã hoặc sắp thay đổi khiến quá khứ không còn đại diện cho tương lai không. Câu hỏi này chỉ người trong cuộc trả lời được. AI có thể gợi ý danh sách câu hỏi, nhưng không biết khu phố của bạn vừa có gì mới.
Thay đổi từ bên trong cửa hàng
Đổi địa điểm hoặc mở rộng mặt bằng. Lượng khách đi ngang qua, kiểu khách, khả năng phục vụ cùng lúc đều thay đổi. Số liệu trước khi chuyển chỉ còn giá trị tham khảo về mùa vụ, không còn giá trị về mức doanh số.
Thay đổi cơ cấu sản phẩm hoặc mức giá. Bỏ một nhóm hàng chiếm phần lớn doanh thu, hay tăng giá đáng kể, làm số liệu cũ không còn so được trực tiếp. Nên dự báo riêng cho nhóm hàng còn giữ, và coi nhóm mới như sản phẩm mới.
Mở thêm kênh bán. Bán qua ứng dụng giao đồ ăn hay sàn thương mại điện tử có thể thêm khách mới, nhưng cũng có thể kéo một phần khách tại chỗ sang. Tổng doanh số thay đổi theo cách quá khứ không chứa.
Đổi cách ghi số liệu. Đổi phần mềm bán hàng, đổi cách tính doanh thu (có hay không có thuế, có trừ hàng trả lại không), đổi mã sản phẩm. Số liệu trông như có bước nhảy đột ngột nhưng thực ra chỉ là đổi thước đo. Đây là lỗi hay bị bỏ sót nhất vì nó nằm ngoài tầm mắt người bán hàng.
Thay đổi từ bên ngoài và khi lịch sử quá ngắn
Đối thủ mới hoặc đối thủ đóng cửa gần đó. Một thay đổi trong vòng vài trăm mét có thể làm lệch lượng khách nhiều hơn mọi yếu tố khác. Số liệu cũ không biết điều này.
Công trình, đổi tuyến đường, đổi quy định trong khu vực. Rào chắn làm đường, chuyển chợ, cấm đỗ xe trước cửa hàng có thể làm giảm khách tạm thời hoặc lâu dài. Biết trước thì đưa vào kịch bản.
Sự kiện hiếm gặp. Dịch bệnh, thiên tai, gián đoạn nguồn hàng diện rộng. Số liệu trong và ngay sau những giai đoạn này nên được đánh dấu và thường nên loại khỏi việc tính mùa vụ, nếu không chúng làm méo dự báo nhiều năm sau.
Sản phẩm mới hoặc cửa hàng mới. Dưới sáu tháng số liệu thì gần như không thể tách xu hướng khỏi giai đoạn làm quen của khách. Dưới một năm thì không biết mùa vụ. Dự báo trong giai đoạn này nên dựa vào sản phẩm tương tự, kinh nghiệm ngành và theo dõi sát hằng tuần, chấp nhận sai số lớn.
Vòng lặp tự gây: khi quyết định cũ làm méo số liệu
Một tình huống khó nhận ra là khi chính các quyết định trước đây đã làm số liệu không còn phản ánh nhu cầu thật. Ví dụ điển hình là hết hàng. Một mặt hàng bị dự báo thấp, nhập ít, hết hàng giữa tuần. Số bán tuần đó thấp, không phải vì khách ít mua mà vì không có hàng. Dự báo tuần sau dựa trên số bán thấp đó, lại thấp hơn nữa, lại nhập ít hơn. Sau vài vòng, một mặt hàng có nhu cầu tốt trông như đang chết dần trên số liệu.
Khuyến mãi cũng tạo vòng lặp tương tự theo chiều ngược lại. Tuần khuyến mãi bán gấp đôi, nếu không đánh dấu, dự báo các tuần sau bị kéo lên. Nhập nhiều, bán không hết, lại phải khuyến mãi để xả, lại có tuần bán cao. Số liệu nhìn vào giống như nhu cầu ổn định ở mức cao, nhưng thật ra cửa hàng đang tự tạo ra nó bằng giảm giá.
Cách nhận ra: đối chiếu số bán với số tồn. Tuần nào số bán thấp và cuối tuần tồn bằng không thì đó là nhu cầu bị cắt, không phải nhu cầu thấp. Tuần nào số bán cao trùng với chương trình giảm giá thì đánh dấu. Khi đưa số liệu cho AI, phải nói rõ các tuần này, vì AI không tự biết tuần nào hết hàng nếu bảng chỉ có cột số bán.
Kéo dài xu hướng quá xa
Khi doanh số tăng đều vài tháng, rất dễ kéo đường xu hướng ra cả năm. Ví dụ giả định một quán mới mở có doanh thu tăng khoảng 15% mỗi tháng trong bốn tháng đầu, tháng thứ tư đạt 100 triệu. Nếu giữ nguyên tốc độ đó thêm mười hai tháng, doanh thu tháng thứ mười sáu sẽ hơn 530 triệu, tức gấp hơn năm lần, điều gần như chắc chắn không xảy ra vì quán có số bàn giới hạn, khu vực có số khách giới hạn.
Tăng trưởng giai đoạn đầu thường là giai đoạn khách biết đến quán, và nó chậm lại khi quán đã quen thuộc với phần lớn khách tiềm năng. Đường doanh số thực tế của nhiều cửa hàng giống chữ S nằm nghiêng hơn là đường thẳng hay đường cong lên mãi. Trợ lý AI khi được yêu cầu "dự báo theo xu hướng" có thể chọn một mô hình tăng đều và cho ra con số rất lớn mà không bình luận gì.
Cách tự bảo vệ: luôn hỏi con số dự báo xa có hợp với giới hạn vật lý không, như số bàn, số giờ mở cửa, sức chứa kho, số người làm. Một quán ba mươi chỗ ngồi, mỗi chỗ phục vụ tối đa vài lượt mỗi giờ cao điểm, có một mức trần mà không dự báo nào được vượt qua nếu không mở rộng. Yêu cầu AI tính mức trần này và đặt nó cạnh dự báo.
Dấu hiệu nhận biết và nên làm gì thay thế
Bảng dưới tổng hợp các tình huống, dấu hiệu trên số liệu hoặc ngoài thực tế, và cách xử lý thay vì dùng thẳng con số dự báo.
| Tình huống | Dấu hiệu | Nên làm gì |
|---|---|---|
| Thay đổi lớn bên trong hoặc bên ngoài | Có bước nhảy rõ trên số liệu, hoặc bạn biết có sự kiện mới | Chỉ dùng số sau thay đổi; lập kịch bản thay cho một con số |
| Lịch sử quá ngắn | Dưới sáu tháng số liệu, chưa có cùng kỳ | Dựa vào sản phẩm hoặc cửa hàng tương tự; quyết định nhỏ, xem lại hằng tuần |
| Vòng lặp hết hàng hoặc khuyến mãi | Số bán thấp trùng tồn bằng không; số bán cao trùng giảm giá | Đánh dấu và loại các tuần đó; ước tính nhu cầu từ những ngày còn hàng |
| Kéo xu hướng quá xa | Dự báo vượt sức chứa hoặc vượt mọi mức từng có | Đặt mức trần; dự báo tầm ngắn rồi cập nhật dần |
| Đổi cách ghi số liệu | Bước nhảy đúng tháng đổi phần mềm hoặc đổi định nghĩa | Quy đổi số cũ về cùng định nghĩa trước khi dự báo |
Điểm chung của các cách xử lý là chuyển từ "tin một con số" sang "chuẩn bị cho nhiều khả năng và cập nhật thường xuyên". Không có số liệu tốt thì giá trị nằm ở việc theo dõi nhanh và phản ứng nhanh.
Câu lệnh để AI tự nêu giới hạn của dự báo
Trợ lý AI thường không tự nói dự báo của nó kém đáng tin trừ khi được hỏi. Các câu sau giúp kéo phần đó ra. Như mọi lần, bảng đưa lên chỉ gồm số tổng hợp, không có thông tin khách hay đối tác.
- "Trước khi dự báo, kiểm tra trong số liệu có bước nhảy đột ngột nào không (tăng hoặc giảm mạnh và giữ ở mức mới). Nếu có, chỉ ra tháng và hỏi có thay đổi gì xảy ra lúc đó không."
- "Dự báo này giả định những gì về tương lai? Liệt kê ít nhất năm giả định, và với mỗi giả định, nếu sai thì dự báo lệch theo hướng nào."
- "So dự báo mười hai tháng tới với mức cao nhất từng có và với sức chứa tối đa là (mô tả số chỗ, số giờ mở cửa). Có tháng nào vượt mức đó không?"
- "Trong số liệu, những tuần nào số bán thấp bất thường? Đối chiếu với cột tồn kho cuối tuần, tuần nào có thể là hết hàng chứ không phải nhu cầu thấp."
Câu thứ hai đặc biệt hữu ích khi bạn trình bày dự báo cho người khác. Danh sách giả định giúp người nghe biết khi nào nên nghi ngờ con số, thay vì chỉ thấy một con số và tin nó.
Câu hỏi thường gặp
Mới đổi địa điểm hai tháng thì dự báo thế nào?
Số liệu ở địa điểm cũ chỉ còn giá trị tham khảo về mùa vụ và cơ cấu mặt hàng. Mức doanh số nên dựa vào hai tháng mới, chấp nhận khoảng sai số rộng, và cập nhật dự báo hằng tuần. Quyết định nhập hàng nên chia nhỏ, đặt nhiều lần với lượng ít để giảm rủi ro.
Có nên loại hẳn số liệu giai đoạn dịch bệnh khỏi dự báo không?
Thường nên loại khỏi việc tính mùa vụ và xu hướng, vì giai đoạn đó có hành vi mua sắm rất khác. Tuy nhiên đừng xoá; hãy đánh dấu để vẫn xem lại được. Với một số ngành, hành vi sau giai đoạn đó đã thay đổi lâu dài, nên số liệu trước đó cũng cần xem xét cẩn thận.
AI có tự phát hiện thay đổi cấu trúc trong số liệu không?
Một số công cụ có phương pháp thống kê để dò bước nhảy, nhưng chúng chỉ phát hiện khi thay đổi đã đủ lớn và đủ lâu trong số liệu. Chúng không biết nguyên nhân và không biết điều sắp xảy ra. Thông tin về sự kiện và thay đổi sắp tới vẫn phải đến từ bạn.
Khi không tin được dự báo thì ra quyết định dựa vào gì?
Ưu tiên những quyết định nhỏ, có thể điều chỉnh nhanh: nhập hàng nhiều lần với lượng ít, xếp ca có người dự phòng, hoãn những khoản chi lớn khó đảo ngược. Đồng thời rút ngắn chu kỳ theo dõi từ tháng xuống tuần để phát hiện sớm hướng đi thật.
Dự báo của AI có đáng tin hơn dự báo bằng tay không?
AI tính nhanh và có thể thử nhiều phương pháp, nhưng nó chịu cùng giới hạn như mọi phương pháp dựa trên số liệu quá khứ. Trong những tình huống nêu ở bài này, kinh nghiệm của người trong cuộc thường quan trọng hơn độ tinh vi của phương pháp. Kết hợp cả hai là cách tốt nhất.
Có dùng các phương pháp này để dự báo giá vàng hay chứng khoán được không?
Không nên. Giá trên thị trường tài chính chịu tác động của quá nhiều yếu tố và của chính hành vi người tham gia, khác hẳn doanh số một cửa hàng. Các phương pháp trong bài chỉ dành cho dự báo vận hành như doanh số, lượng khách, lượng hàng. Trang không đưa ra dự báo hay lời khuyên đầu tư.