Phân tích và dự báo bằng AI: dự báo nhu cầu, doanh thu và rủi ro cho doanh nghiệp

Phân tích và dự báo bằng AI giúp doanh nghiệp trả lời những câu hỏi quan trọng nhất trong kinh doanh: tháng tới bán được bao nhiêu, doanh thu quý này đạt bao nhiêu, khách hàng nào sắp rời bỏ, và khoản vay nào có nguy cơ vỡ nợ. Bài viết này giải thích bản chất của dự báo bằng AI, so sánh các mô hình từ thống kê cổ điển ARIMA và ETS đến Prophet, LightGBM và deep learning như LSTM và Transformer, hướng dẫn quy trình từ dữ liệu đến mô hình với backtest và đánh giá sai số đúng cách, đồng thời đưa ra cách dự báo nhu cầu, doanh thu, dòng tiền và rủi ro, cách xử lý yếu tố mùa vụ, khuyến mãi và sự kiện, cùng lộ trình triển khai thực tế cho doanh nghiệp Việt Nam.

Dự báo bằng AI là gì?

Dự báo bằng AI (AI forecasting) là việc sử dụng mô hình học máy và học sâu để dự đoán giá trị tương lai của một đại lượng kinh doanh — nhu cầu sản phẩm, doanh thu, dòng tiền, tỷ lệ rời bỏ của khách hàng — dựa trên dữ liệu quá khứ và các yếu tố tác động đã biết. Khác với dự báo theo cảm tính hay theo kinh nghiệm của một cá nhân, dự báo bằng AI có thể xử lý đồng thời hàng nghìn chuỗi dữ liệu, phát hiện các mẫu mà mắt người khó thấy, và — quan trọng nhất — đo được mức độ sai số của chính mình để doanh nghiệp biết nên tin vào dự báo đến mức nào.

Điểm mấu chốt cần hiểu đúng: AI không “đoán tương lai” theo nghĩa tiên tri. AI dự báo bằng cách học các quy luật trong dữ liệu quá khứ — xu hướng tăng hay giảm, chu kỳ lặp lại theo tuần hay theo mùa, mối quan hệ giữa khuyến mãi và doanh số, ảnh hưởng của giá đến nhu cầu — rồi áp dụng các quy luật đó cho tương lai, với giả định rằng các quy luật cơ bản vẫn còn đúng. Khi thế giới thay đổi đột ngột — một đối thủ mới xuất hiện, một quy định mới ban hành, một sự kiện bất ngờ — dự báo sẽ sai, và hệ thống dự báo tốt là hệ thống phát hiện được mình đang sai và báo cho người vận hành biết, thay vì im lặng đưa ra con số sai một cách tự tin.

Một định nghĩa ngắn gọn để phân biệt: phân tích (analytics) trả lời “chuyện gì đã xảy ra và vì sao”, còn dự báo (forecasting) trả lời “chuyện gì có thể xảy ra tiếp theo và chắc chắn đến mức nào”. Dự báo bằng AI thuộc nhóm phân tích dự đoán (predictive analytics) — tầng cao hơn của phân tích mô tả — và là nền tảng của phân tích đề xuất (prescriptive analytics), nơi hệ thống không chỉ dự báo mà còn gợi ý doanh nghiệp nên làm gì trước dự báo đó: nhập thêm bao nhiêu hàng, chuẩn bị bao nhiêu nhân sự, hay siết chặt chính sách tín dụng với nhóm khách hàng nào.

Vì sao dự báo truyền thống không còn đủ?

Phần lớn doanh nghiệp vừa và nhỏ tại Việt Nam vẫn dự báo bằng bảng tính: lấy doanh số trung bình 3 tháng gần nhất, cộng thêm một tỷ lệ tăng trưởng ước chừng, rồi điều chỉnh theo cảm nhận của người quản lý. Cách làm này có ba hạn chế lớn. Thứ nhất, nó không xử lý được tính mùa vụ một cách hệ thống: doanh số tháng Tết, tháng tựu trường hay mùa mưa không thể dự báo bằng trung bình đơn giản. Thứ hai, nó không xử lý được số lượng lớn: một doanh nghiệp có 500 mã hàng (SKU) bán ở 20 cửa hàng sẽ có 10.000 chuỗi nhu cầu, và không ai có thể dự báo thủ công từng chuỗi. Thứ ba, nó không đo được sai số: khi dự báo sai, không ai biết sai bao nhiêu, sai theo hướng nào, và có cải thiện được không.

Dự báo bằng AI khắc phục cả ba hạn chế: mô hình học được mùa vụ và xu hướng từ dữ liệu, mở rộng được lên hàng chục nghìn chuỗi nhờ mô hình toàn cục (global model) học chung từ nhiều chuỗi, và có quy trình backtest đo sai số một cách có hệ thống. Tuy nhiên, AI cũng không phải là phép màu: nếu dữ liệu lịch sử thiếu, nhiễu hoặc không còn phản ánh thực tế (ví dụ doanh nghiệp vừa đổi mô hình kinh doanh), thì mô hình AI cũng chỉ dự báo dựa trên quá khứ đã không còn đúng. Giá trị thật của AI nằm ở việc biến dự báo từ một “nghệ thuật” phụ thuộc vào cá nhân thành một quy trình có đo lường, có kiểm chứng và có thể cải thiện liên tục.

Các họ mô hình dự báo: từ thống kê cổ điển đến deep learning

Các mô hình dự báo chia thành bốn họ lớn: thống kê cổ điển, mô hình cộng dồn (additive), học máy trên bảng (tabular ML) và học sâu (deep learning), cùng một họ mới nổi là mô hình nền tảng chuỗi thời gian (time-series foundation model). Mỗi họ có giả định khác nhau về dữ liệu, và không có họ nào thắng ở mọi bài toán. Phần này giải thích cơ chế từng họ, để doanh nghiệp hiểu mình đang chọn gì.

ARIMA và ETS: thống kê cổ điển, vẫn rất mạnh

ARIMA (AutoRegressive Integrated Moving Average) là mô hình thống kê cổ điển mô tả một chuỗi thời gian bằng ba thành phần: tự hồi quy (giá trị hiện tại phụ thuộc vào các giá trị trước đó), sai phân (lấy hiệu giữa các kỳ để khử xu hướng) và trung bình trượt (mô hình hóa phần nhiễu còn lại). ETS (Error-Trend-Seasonality), hay còn gọi là mô hình làm mịn hàm mũ, tách chuỗi thành sai số, xu hướng và mùa vụ, rồi dự báo bằng cách kéo dài các thành phần đó vào tương lai. Các phiên bản tự động như AutoARIMA và AutoETS tự chọn tham số tối ưu thay vì để người dùng đoán.

Điểm mạnh của ARIMA và ETS là tính minh bạch và hiệu quả trên dữ liệu ít: với một chuỗi doanh thu tổng của công ty có 150–250 tuần dữ liệu, các mô hình này thường cho sai số thấp, dễ giải thích (“dự báo tăng vì xu hướng tăng 2% mỗi tháng”), và chạy nhanh trên CPU thông thường. Trong các so sánh thực nghiệm gần đây trên dữ liệu doanh thu doanh nghiệp, AutoARIMA và AutoETS đạt sai số WAPE khoảng 2,7–2,9% ở cấp tổng công ty — tốt hơn cả mô hình học máy và học sâu huấn luyện từ đầu trên cùng dữ liệu đó. Điểm yếu: mỗi mô hình chỉ học từ một chuỗi duy nhất (mô hình cục bộ — local model), nên không tận dụng được thông tin chéo giữa các sản phẩm; và chúng khó xử lý các yếu tố bên ngoài như khuyến mãi, giá, hay sự kiện marketing nếu không mở rộng thành ARIMAX với biến ngoại sinh.

Prophet: mô hình cộng dồn thân thiện với doanh nghiệp

Prophet là thư viện dự báo mã nguồn mở do Meta phát triển, mô hình hóa chuỗi thời gian dưới dạng tổng cộng dồn của bốn thành phần: xu hướng phi tuyến với các điểm đổi xu hướng (changepoints), mùa vụ được biểu diễn bằng hàm Fourier theo năm, tuần và ngày, tác động của ngày lễ và sự kiện, cùng phần dư. Công thức tư duy của Prophet rất gần với cách nhà quản lý nghĩ về kinh doanh: “doanh số = xu hướng tăng trưởng + mùa vụ cuối năm + tác động của đợt khuyến mãi + yếu tố khác”.

Điểm mạnh của Prophet là dễ dùng, dễ giải thích và xử lý tốt dữ liệu thiếu, ngoại lệ (outlier) và ngày lễ — những thứ rất phổ biến trong dữ liệu doanh nghiệp Việt Nam, nơi lịch nghỉ Tết Âm lịch, lễ 30/4 hay các đợt sale lớn đều làm lệch chuỗi doanh số. Doanh nghiệp có thể đưa ngày lễ Việt Nam vào mô hình như một biến sự kiện, và Prophet sẽ học riêng tác động của từng kỳ nghỉ. Điểm yếu: Prophet là mô hình cục bộ (một mô hình cho một chuỗi), nên dự báo hàng nghìn SKU sẽ tốn thời gian; và mặc định của Prophet cho phép xu hướng tăng trưởng không giới hạn qua các changepoint, có thể gây dự báo tăng quá mức nếu không giới hạn tăng trưởng (ví dụ đặt mức trần theo sức chứa thị trường). Prophet phù hợp nhất khi doanh nghiệp cần dự báo nhanh cho một số chuỗi quan trọng, cần giải thích rõ ràng từng thành phần, và đội ngũ không chuyên sâu về học máy.

LightGBM và XGBoost: học máy trên bảng cho hàng nghìn chuỗi

LightGBM (do Microsoft phát triển) và XGBoost là các mô hình cây quyết định tăng cường độ dốc (gradient-boosted decision trees), làm việc trên dữ liệu dạng bảng: mỗi hàng là một thời điểm của một sản phẩm, mỗi cột là một đặc trưng (feature) như doanh số các kỳ trước (lag), trung bình trượt, giá, có khuyến mãi hay không, ngày trong tuần, tháng, và thông tin sản phẩm. Thay vì huấn luyện một mô hình riêng cho mỗi chuỗi, LightGBM huấn luyện một mô hình toàn cục duy nhất trên tất cả các chuỗi gộp lại, học được các quy luật chung (ví dụ “khuyến mãi giảm giá 20% thường tăng doanh số 35% trong tuần đầu”) và áp dụng cho cả những sản phẩm mới ít dữ liệu.

Điểm mạnh của LightGBM là khả năng xử lý yếu tố bên ngoài một cách tự nhiên (giá, khuyến mãi, thời tiết, sự kiện), mở rộng tốt lên hàng chục nghìn chuỗi, và huấn luyện nhanh trên CPU đa nhân. Trong các nghiên cứu so sánh trên dữ liệu thương mại điện tử năm 2026, LightGBM và CatBoost cho hiệu quả mạnh trong mô hình hóa dữ liệu có cấu trúc, trong khi Prophet mạnh hơn ở việc nhận diện xu hướng và mùa vụ theo thời gian — kết luận thực tế là hai họ mô hình bổ sung cho nhau thay vì thay thế nhau. Điểm yếu: LightGBM không tự hiểu thứ tự thời gian — mọi thông tin thời gian phải được đưa vào qua feature engineering (lag, rolling mean, biến ngày tháng), và nếu làm feature sai, mô hình có thể “nhìn trộm” tương lai (data leakage) và cho kết quả tốt giả tạo trong thử nghiệm nhưng thất bại trong vận hành. Ngoài ra, cây quyết định không ngoại suy xu hướng tốt: nếu doanh số đang tăng đều, LightGBM khó dự báo mức cao hơn mọi mức từng thấy trong quá khứ, vì vậy thường cần kết hợp với mô hình xu hướng hoặc biến đổi dữ liệu (ví dụ dự báo trên hiệu số thay vì giá trị tuyệt đối).

LSTM và Transformer: học sâu cho chuỗi phức tạp

LSTM (Long Short-Term Memory) là mạng nơ-ron hồi quy được thiết kế để nhớ các phụ thuộc dài hạn trong chuỗi thời gian: nó duy trì một “trạng thái ô nhớ” qua các bước thời gian, quyết định giữ lại hay quên thông tin cũ. Transformer cho chuỗi thời gian — với các kiến trúc như PatchTST, NHITS, hay Temporal Fusion Transformer (TFT) — dùng cơ chế attention để học mối quan hệ giữa các điểm thời gian xa nhau, và có thể kết hợp nhiều biến đầu vào cùng lúc. Các mô hình này là mô hình toàn cục: một mô hình học từ hàng nghìn chuỗi cùng lúc.

Điểm mạnh của học sâu là khả năng học các mẫu phi tuyến phức tạp mà mô hình thống kê bỏ sót, và xử lý đồng thời nhiều chuỗi có liên quan. Điểm yếu — và là điểm doanh nghiệp hay đánh giá thấp — là nhu cầu dữ liệu: các mô hình này cần hàng chục nghìn điểm dữ liệu gộp lại mới phát huy tác dụng, và trên một chuỗi đơn lẻ ít dữ liệu, chúng thường thua ARIMA hay ETS. Trong so sánh thực nghiệm gần đây trên dữ liệu doanh thu, các mô hình deep learning huấn luyện từ đầu không vượt được mô hình thống kê ở cấp tổng công ty. Quy tắc thực hành: chỉ dùng LSTM/Transformer khi doanh nghiệp có đủ dữ liệu gộp (nhiều sản phẩm, nhiều cửa hàng, nhiều năm), có đội ngũ hiểu học sâu, và đã chứng minh được qua backtest rằng chúng thực sự tốt hơn mô hình đơn giản hơn — nếu không, mô hình đơn giản hơn là lựa chọn đúng.

Mô hình nền tảng chuỗi thời gian: Chronos, TimesFM

Một hướng phát triển mới đáng chú ý là mô hình nền tảng chuỗi thời gian (time-series foundation model) như Chronos (Amazon) và TimesFM (Google): các mô hình được huấn luyện trước trên hàng trăm tỷ điểm dữ liệu chuỗi thời gian từ nhiều lĩnh vực, rồi có thể dự báo cho chuỗi mới mà không cần huấn luyện lại, hoặc chỉ cần tinh chỉnh nhẹ (zero-shot / few-shot forecasting). Điều này thay đổi bài toán kinh tế của dự báo: doanh nghiệp nhỏ không có đủ dữ liệu để huấn luyện mô hình học sâu riêng vẫn có thể dùng sức mạnh của mô hình đã học từ dữ liệu của hàng nghìn doanh nghiệp khác.

Thực tế năm 2026 cho thấy mô hình nền tảng là lựa chọn đáng thử, nhưng chưa phải là đáp án mặc định: hiệu quả của chúng phụ thuộc vào mức độ tương đồng giữa dữ liệu doanh nghiệp và dữ liệu huấn luyện, và chúng vẫn cần được backtest trên dữ liệu thật trước khi tin tưởng. Doanh nghiệp nên xem mô hình nền tảng như một ứng viên trong bộ mô hình so sánh, không phải như một sự thay thế tự động cho toàn bộ quy trình dự báo. Đặc biệt, các dự báo từ mô hình nền tảng vẫn cần được hiệu chỉnh theo bối cảnh riêng — khuyến mãi, giá, sự kiện địa phương — mà mô hình tổng quát không thể biết.

Mô hình	Họ	Cơ chế chính	Ưu điểm	Hạn chế	Phù hợp khi
ARIMA / AutoARIMA	Thống kê cổ điển	Tự hồi quy + sai phân + trung bình trượt	Minh bạch, tốt với dữ liệu ít, sai số thấp ở cấp tổng	Một mô hình một chuỗi, khó xử lý yếu tố bên ngoài	Dự báo doanh thu tổng, chuỗi đơn lẻ quan trọng
ETS / AutoETS	Thống kê cổ điển	Tách sai số – xu hướng – mùa vụ	Đơn giản, ổn định, dễ giải thích	Khó xử lý biến ngoại sinh phức tạp	Chuỗi có mùa vụ rõ ràng, cần dự báo nhanh
Prophet	Cộng dồn (GAM)	Xu hướng + mùa vụ Fourier + ngày lễ	Dễ dùng, xử lý ngày lễ và dữ liệu thiếu tốt	Một mô hình một chuỗi, có thể dự báo tăng quá mức	Dự báo kinh doanh cần giải thích, có lịch lễ/sale
LightGBM / XGBoost	Học máy dạng bảng	Cây tăng cường trên feature lag, giá, khuyến mãi	Xử lý yếu tố bên ngoài tốt, mở rộng hàng nghìn chuỗi	Cần feature engineering cẩn thận, không ngoại suy xu hướng	Dự báo nhu cầu nhiều SKU, nhiều cửa hàng
LSTM / Transformer	Học sâu	Bộ nhớ dài hạn / attention trên chuỗi	Học mẫu phi tuyến phức tạp, mô hình toàn cục	Cần rất nhiều dữ liệu, khó giải thích, tốn tài nguyên	Dữ liệu lớn, mẫu phức tạp, đã backtest thắng mô hình đơn giản
Chronos / TimesFM	Mô hình nền tảng	Huấn luyện trước trên dữ liệu lớn, zero-shot	Dùng được khi ít dữ liệu, triển khai nhanh	Hiệu quả tùy dữ liệu, cần backtest và hiệu chỉnh	Doanh nghiệp ít dữ liệu, muốn thử nhanh

Một kết luận quan trọng từ các cuộc thi dự báo lớn như M4 và M5 — các cuộc thi mà cộng đồng dự báo dùng làm chuẩn đánh giá — là không có mô hình nào thắng mọi bài toán, và các mô hình kết hợp (ensemble) nhiều mô hình khác nhau thường ổn định hơn bất kỳ mô hình đơn lẻ nào. Thực hành tốt nhất trong doanh nghiệp là luôn chạy 3–4 mô hình ứng viên song song, đo bằng backtest, rồi chọn mô hình tốt nhất cho từng nhóm sản phẩm — hoặc kết hợp chúng. Mô hình tốt nhất cho nhóm hàng tiêu dùng nhanh có thể khác mô hình tốt nhất cho nhóm hàng điện tử, và hệ thống dự báo tốt là hệ thống biết điều đó.

Quy trình dự báo bằng AI: từ dữ liệu đến mô hình đáng tin

Một hệ thống dự báo tốt là một quy trình, không phải một mô hình. Quy trình gồm 6 bước: xác định bài toán, chuẩn bị dữ liệu, tạo đặc trưng (feature), huấn luyện, backtest và đánh giá, rồi triển khai và giám sát. Bỏ qua bất kỳ bước nào cũng khiến dự báo trở nên không đáng tin, dù mô hình có hiện đại đến đâu.

Bước 1: Xác định bài toán dự báo trước khi chạm vào dữ liệu

Trước khi viết một dòng code nào, doanh nghiệp phải trả lời 5 câu hỏi. Dự báo cái gì? Doanh số theo từng SKU, doanh thu theo cửa hàng, hay số lượng khách? Ở độ chi tiết nào? Theo ngày, tuần hay tháng; theo sản phẩm, nhóm sản phẩm hay toàn công ty? Độ chi tiết càng cao thì sai số càng lớn — dự báo doanh thu tổng công ty tháng tới có thể sai 3%, nhưng dự báo doanh số một SKU tại một cửa hàng trong một tuần có thể sai 30%, và đó là bình thường. Chân trời dự báo (horizon) là bao lâu? Dự báo 1 tuần tới phục vụ nhập hàng khác hẳn dự báo 12 tháng tới phục vụ lập ngân sách. Dự báo dùng để quyết định gì? Nhập hàng, tuyển nhân sự, hay cấp tín dụng — quyết định càng quan trọng thì yêu cầu về độ chính xác và khoảng tin cậy càng cao. Tiêu chí thành công là gì? Giảm sai số bao nhiêu phần trăm so với cách làm hiện tại thì được coi là thành công? Không có đáp án cho 5 câu hỏi này thì dự án dự báo sẽ lạc hướng ngay từ đầu.

Bước 2: Chuẩn bị dữ liệu — làm sạch và xử lý đúng cách

Dữ liệu lịch sử là nguyên liệu của mọi mô hình dự báo, và chất lượng của nó quyết định chất lượng dự báo. Doanh nghiệp cần ít nhất 2 năm dữ liệu theo chu kỳ đầy đủ (để mô hình học được mùa vụ năm), và dữ liệu càng dài càng tốt — nhưng dữ liệu quá cũ có thể gây hại nếu doanh nghiệp đã thay đổi mô hình kinh doanh. Các vấn đề làm sạch thường gặp: dữ liệu thiếu (ngày không bán hàng vì hết hàng hay vì không có nhu cầu — hai trường hợp này hoàn toàn khác nhau và phải xử lý khác nhau), ngoại lệ (doanh số tăng vọt một ngày vì một đơn hàng lớn bất thường), thay đổi định nghĩa (mã sản phẩm đổi, cửa hàng sáp nhập), và dữ liệu trùng lặp.

Một điểm đặc biệt quan trọng với dữ liệu bán hàng: doanh số không bằng nhu cầu. Khi hết hàng, doanh số ghi nhận là 0 nhưng nhu cầu thực có thể rất cao. Nếu huấn luyện mô hình trên doanh số mà không xử lý tình trạng hết hàng (stockout), mô hình sẽ học sai: nó nghĩ rằng nhu cầu vào những ngày đó là thấp, và sẽ dự báo thấp trong tương lai. Cách xử lý là ghi lại tình trạng tồn kho theo từng ngày, đánh dấu các ngày hết hàng, và hoặc loại bỏ, hoặc ước lượng nhu cầu bị mất (censored demand) trong các ngày đó. Đây là một trong những lỗi làm sạch dữ liệu gây hậu quả lớn nhất trong dự báo nhu cầu, và cũng là lỗi ít được nhắc đến nhất.

Bước 3: Tạo đặc trưng (feature engineering) cho mô hình học máy

Với mô hình học máy như LightGBM, chất lượng feature quyết định phần lớn chất lượng dự báo. Các nhóm feature quan trọng gồm: lag — doanh số các kỳ trước (tuần trước, cùng kỳ năm ngoái, trung bình 4 tuần gần nhất); rolling statistics — trung bình trượt, độ lệch chuẩn trượt của doanh số; biến lịch — ngày trong tuần, tuần trong năm, tháng, có phải ngày lễ không, còn bao nhiêu ngày đến Tết; biến giá và khuyến mãi — giá hiện tại, mức giảm giá, có đang chạy chương trình khuyến mãi không, ngân sách quảng cáo; biến sản phẩm và cửa hàng — nhóm sản phẩm, giá bán trung bình, khu vực, diện tích cửa hàng; và biến bên ngoài — thời tiết, chỉ số kinh tế, hay sự kiện địa phương nếu có dữ liệu.

Nguyên tắc vàng của feature engineering cho chuỗi thời gian là không bao giờ để rò rỉ tương lai (data leakage): mọi feature tại thời điểm dự báo chỉ được dùng thông tin có sẵn đến thời điểm đó. Ví dụ, trung bình trượt 4 tuần phải tính đến tuần trước thời điểm dự báo, không bao gồm tuần đang dự báo. Lỗi leakage rất phổ biến và rất nguy hiểm: mô hình cho sai số gần như bằng 0 trong thử nghiệm vì vô tình “thấy trước” đáp án, rồi thất bại hoàn toàn khi vận hành thật. Cách phòng tránh duy nhất là dùng time-series cross-validation đúng cách (xem bước 5) và kiểm tra thủ công các feature quan trọng nhất.

Bước 4: Huấn luyện mô hình — bắt đầu đơn giản rồi mới phức tạp

Nguyên tắc huấn luyện: bắt đầu với mô hình đơn giản nhất có thể (naive: dự báo bằng giá trị cùng kỳ năm ngoái; hoặc trung bình trượt), đo sai số của nó, rồi mới thử mô hình phức tạp hơn. Mô hình đơn giản đóng vai trò đường cơ sở: nếu mô hình AI đắt tiền không thắng được đường cơ sở, thì dự án có vấn đề — có thể dữ liệu quá nhiễu, có thể bài toán không dự báo được, hoặc có thể mô hình chưa được huấn luyện đúng. Chỉ khi mô hình phức tạp hơn thắng đường cơ sở một cách ổn định qua backtest thì mới đáng triển khai.

Với mô hình toàn cục như LightGBM, hãy huấn luyện một mô hình chung cho tất cả các chuỗi có cùng bản chất, nhưng cân nhắc huấn luyện riêng cho các nhóm sản phẩm có hành vi khác biệt lớn (ví dụ hàng tươi sống và hàng điện tử). Với Prophet hay ARIMA, mỗi chuỗi cần một mô hình riêng, nên hãy tự động hóa quy trình huấn luyện và lưu lại tham số của từng mô hình để có thể kiểm tra lại sau này.

Bước 5: Backtest và đánh giá sai số — bước quan trọng nhất

Backtest là việc kiểm tra mô hình trên quá khứ như thể đang dự báo trong thời gian thực: chọn một thời điểm cắt (cutoff) trong quá khứ, huấn luyện mô hình chỉ bằng dữ liệu trước thời điểm đó, dự báo các kỳ tiếp theo, rồi so sánh với giá trị thực tế đã xảy ra. Lặp lại việc này với nhiều thời điểm cắt khác nhau (expanding window hoặc rolling window) để có đánh giá ổn định. Backtest là bước quan trọng nhất trong toàn bộ quy trình, vì nó là bằng chứng duy nhất cho thấy mô hình có thực sự dự báo được tương lai hay chỉ “học thuộc” quá khứ.

Các chỉ số đánh giá sai số cần biết:

MAPE (Mean Absolute Percentage Error): sai số tuyệt đối trung bình theo phần trăm. Dễ hiểu với lãnh đạo (“dự báo sai trung bình 8%”), nhưng không dùng được khi giá trị thực bằng 0, và thiên vị khi dự báo thấp (dự báo thấp bị phạt nặng hơn dự báo cao).
RMSE (Root Mean Squared Error): căn bậc hai của trung bình bình phương sai số, cùng đơn vị với dữ liệu gốc. Phạt nặng các sai số lớn, phù hợp khi sai số lớn gây hậu quả nghiêm trọng (ví dụ hết hàng trong mùa cao điểm).
MAE (Mean Absolute Error): sai số tuyệt đối trung bình, cùng đơn vị với dữ liệu, dễ hiểu và ít nhạy với ngoại lệ hơn RMSE.
WAPE (Weighted Absolute Percentage Error): tổng sai số tuyệt đối chia cho tổng giá trị thực — chỉ số được dùng nhiều trong bán lẻ và chuỗi cung ứng vì nó phản ánh đúng tầm quan trọng của từng sản phẩm: sai số ở sản phẩm bán chạy được tính nặng hơn sản phẩm bán chậm.
Khoảng dự báo (prediction interval): thay vì chỉ đưa ra một con số, mô hình tốt đưa ra cả khoảng tin cậy (ví dụ P10–P90: có 80% khả năng doanh số nằm trong khoảng này). Doanh nghiệp ra quyết định trên khoảng dự báo, không phải trên một con số duy nhất: nhập hàng theo P90 khi chi phí hết hàng cao, nhập theo P50 khi chi phí tồn kho cao.

Một lỗi đánh giá phổ biến là dùng train-test split ngẫu nhiên cho dữ liệu chuỗi thời gian — chia ngẫu nhiên các ngày vào tập huấn luyện và tập kiểm tra. Cách này làm rò rỉ tương lai vào quá khứ và cho kết quả tốt giả tạo. Với chuỗi thời gian, tập kiểm tra luôn phải nằm sau tập huấn luyện theo thứ tự thời gian, và quy trình cross-validation phải dùng expanding window: huấn luyện trên quá khứ, kiểm tra trên tương lai gần, rồi mở rộng cửa sổ huấn luyện và lặp lại. Đây là quy tắc không có ngoại lệ.

Bước 6: Triển khai, giám sát và tái huấn luyện

Sau khi backtest đạt yêu cầu, mô hình được triển khai thành quy trình định kỳ: mỗi tuần hoặc mỗi tháng, dữ liệu mới được nạp, mô hình dự báo lại, kết quả được đưa vào dashboard và hệ thống lập kế hoạch. Nhưng công việc không dừng ở đó: mô hình cần được giám sát liên tục — so sánh dự báo với thực tế mỗi kỳ, theo dõi sai số có tăng lên không (model drift), và tái huấn luyện định kỳ (hàng tuần hoặc hàng tháng) với dữ liệu mới nhất. Khi sai số tăng đột biến, đó là tín hiệu cho thấy thế giới đã thay đổi: có thể do đối thủ mới, thay đổi giá, hay thay đổi hành vi khách hàng — và đội ngũ cần xem xét lại mô hình, dữ liệu, hoặc cả bài toán.

Dự báo nhu cầu: bài toán quan trọng nhất của bán lẻ và sản xuất

Dự báo nhu cầu (demand forecasting) là việc dự đoán lượng sản phẩm khách hàng sẽ mua trong một kỳ tới, theo từng SKU, từng cửa hàng, từng kênh bán. Đây là bài toán dự báo có giá trị kinh tế trực tiếp nhất: dự báo cao quá thì tồn kho đọng vốn, dự báo thấp quá thì hết hàng mất doanh thu và mất khách. Với doanh nghiệp bán lẻ, sai số dự báo nhu cầu 10% có thể đồng nghĩa với hàng tỷ đồng tồn kho thừa hoặc doanh thu mất đi trong mùa cao điểm.

Cách tiếp cận thực tế là phân tầng dự báo theo mức độ quan trọng. Nhóm A — khoảng 20% SKU tạo ra 80% doanh thu — được dự báo chi tiết bằng mô hình tốt nhất, có hiệu chỉnh thủ công của người phụ trách ngành hàng. Nhóm B được dự báo bằng mô hình tự động với kiểm tra định kỳ. Nhóm C — hàng bán chậm, doanh số thấp — dùng phương pháp đơn giản như trung bình trượt, vì chi phí dự báo chi tiết vượt quá giá trị mang lại. Phân tầng này, dựa trên nguyên tắc Pareto, giúp doanh nghiệp tập trung nguồn lực vào nơi tạo ra giá trị lớn nhất.

Dự báo nhu cầu cần xử lý tốt ba yếu tố: tính mùa vụ (doanh số tăng vào dịp lễ, Tết, mùa tựu trường, mùa mưa), xu hướng (sản phẩm đang lên hay đang thoái trào), và tính không ổn định (nhu cầu biến động mạnh theo tuần). Ngoài ra, cần phân biệt nhu cầu cơ bản (baseline demand) với nhu cầu do khuyến mãi: mô hình tốt tách riêng hai phần này, để khi lập kế hoạch khuyến mãi, doanh nghiệp biết phần tăng thêm là do khuyến mãi chứ không phải nhu cầu tự nhiên tăng. Cuối cùng, dự báo nhu cầu phải gắn với quyết định tồn kho: dự báo điểm (point forecast) cho biết nên nhập bao nhiêu, còn khoảng dự báo (P10–P90) cho biết nên giữ bao nhiêu hàng an toàn (safety stock) để đạt mức độ phục vụ mong muốn — ví dụ muốn phục vụ 95% nhu cầu thì nhập theo P95, chấp nhận chi phí tồn kho cao hơn.

Dự báo doanh thu, dòng tiền và lập ngân sách

Dự báo doanh thu thường được làm ở cấp tổng hợp hơn dự báo nhu cầu: theo công ty, theo kênh bán, theo nhóm sản phẩm, theo tháng hoặc quý. Ở cấp này, các mô hình thống kê cổ điển như AutoARIMA và AutoETS thường rất mạnh — như đã nêu, các so sánh thực nghiệm gần đây ghi nhận WAPE khoảng 2,7–2,9% ở cấp tổng công ty — vì các biến động ở cấp chi tiết triệt tiêu lẫn nhau khi gộp lại. Doanh nghiệp nên dự báo doanh thu theo hai lớp: lớp xu hướng – mùa vụ bằng mô hình thống kê, và lớp điều chỉnh bằng yếu tố kinh doanh (kế hoạch mở cửa hàng mới, chiến dịch lớn, thay đổi giá) do con người đưa vào. Mô hình dự báo “chuyện gì sẽ xảy ra nếu mọi thứ diễn ra như trước”, còn con người bổ sung “chuyện gì sẽ khác đi vì chúng ta đang thay đổi”.

Dự báo dòng tiền (cash flow forecasting) là bài toán khó hơn dự báo doanh thu, vì dòng tiền phụ thuộc không chỉ vào doanh thu mà còn vào thời điểm thu tiền (công nợ khách hàng, kỳ hạn thanh toán), thời điểm chi (trả nhà cung cấp, lương, thuế, thuê mặt bằng), và tính mùa vụ của cả hai phía. AI hỗ trợ dự báo dòng tiền bằng cách dự báo từng thành phần: doanh thu theo kênh và kỳ hạn thu tiền, chi phí theo hợp đồng và lịch thanh toán, rồi tổng hợp thành dòng tiền ròng theo tuần. Giá trị lớn nhất của dự báo dòng tiền không phải là con số chính xác tuyệt đối, mà là cảnh báo sớm: hệ thống phát hiện trước 4–6 tuần rằng dòng tiền sẽ âm vào một thời điểm cụ thể, để doanh nghiệp kịp chuẩn bị hạn mức tín dụng hoặc điều chỉnh lịch chi. Một hệ thống dự báo dòng tiền tốt là hệ thống giúp doanh nghiệp không bao giờ bị bất ngờ về tiền mặt.

Trong lập ngân sách hàng năm, dự báo bằng AI nên được dùng như một “ý kiến thứ hai” độc lập: mô hình đưa ra dự báo dựa trên dữ liệu, ban lãnh đạo đưa ra mục tiêu dựa trên chiến lược, và khoảng cách giữa hai con số là chủ đề thảo luận — mục tiêu có thực tế không, cần thêm nguồn lực gì để đạt được, hay cần điều chỉnh mục tiêu. Ngân sách được lập bằng cách này vừa có căn cứ dữ liệu, vừa giữ được tính chủ động của con người.

Dự báo rủi ro: tín dụng, gian lận và churn khách hàng

Dự báo không chỉ dùng để dự đoán doanh số; một nhóm ứng dụng quan trọng khác là dự báo rủi ro — xác suất một sự kiện xấu xảy ra — để doanh nghiệp phòng ngừa trước.

Dự báo rủi ro tín dụng

Dự báo rủi ro tín dụng (credit risk) là việc ước lượng xác suất một khách hàng hoặc đối tác không trả được nợ. Mô hình học máy phân tích lịch sử thanh toán, quy mô giao dịch, ngành nghề, độ tuổi doanh nghiệp, và các tín hiệu hành vi (trả chậm bao nhiêu lần, trả chậm bao nhiêu ngày) để chấm điểm rủi ro cho từng khách hàng. Doanh nghiệp B2B dùng điểm này để quyết định hạn mức công nợ, kỳ hạn thanh toán và chính sách thu hồi. Lưu ý quan trọng: mô hình tín dụng phải được kiểm tra tính công bằng và tuân thủ quy định — không dùng các đặc trưng phân biệt đối xử, và quyết định từ chối cấp tín dụng cần có cơ sở giải thích được, không thể chỉ nói “máy tính nói vậy”.

Phát hiện gian lận

Phát hiện gian lận (fraud detection) là bài toán dự báo theo thời gian thực: mỗi giao dịch được chấm điểm rủi ro ngay khi phát sinh, dựa trên mẫu hành vi bình thường của khách hàng (địa điểm, thiết bị, số tiền, tần suất). Giao dịch lệch khỏi mẫu — ví dụ một tài khoản thường giao dịch vài trăm nghìn đồng bỗng chuyển vài chục triệu lúc 2 giờ sáng từ thiết bị lạ — sẽ bị chặn hoặc yêu cầu xác minh thêm. Khác với dự báo nhu cầu, bài toán gian lận có dữ liệu mất cân bằng nghiêm trọng (gian lận chiếm tỷ lệ rất nhỏ trong tổng giao dịch), nên cần kỹ thuật xử lý riêng và chỉ số đánh giá riêng (precision/recall thay vì độ chính xác tổng thể).

Dự báo churn: khách hàng nào sắp rời bỏ

Churn prediction là việc dự đoán khách hàng nào có nguy cơ ngừng sử dụng dịch vụ trong thời gian tới, dựa trên các tín hiệu như tần suất sử dụng giảm, khiếu nại tăng, thời gian từ lần mua cuối kéo dài, hay tương tác với dịch vụ khách hàng giảm. Giá trị của dự báo churn nằm ở việc can thiệp sớm: khi mô hình cảnh báo một khách hàng có nguy cơ cao, đội chăm sóc khách hàng có thể liên hệ, tìm hiểu nguyên nhân và đưa ra ưu đãi giữ chân — với chi phí thấp hơn nhiều so với việc tìm khách hàng mới. Một lưu ý thực tế: mô hình churn chỉ có giá trị khi gắn với hành động giữ chân cụ thể; dự báo churn mà không có quy trình can thiệp thì chỉ là một con số trên dashboard.

Xử lý mùa vụ, khuyến mãi và sự kiện trong dự báo

Ba yếu tố này là nơi dự báo của doanh nghiệp Việt Nam hay sai nhất, vì chúng tạo ra các “cú sốc” trong dữ liệu mà mô hình không tự hiểu được nếu không được cung cấp thông tin.

Mùa vụ và ngày lễ Việt Nam

Mùa vụ (seasonality) là mẫu lặp lại theo chu kỳ: theo tuần (cuối tuần bán chạy hơn ngày thường), theo tháng, theo năm (Tết, hè, tựu trường, mùa mưa). Mô hình cần được cung cấp lịch đầy đủ: ngày lễ, kỳ nghỉ, và đặc biệt là Tết Âm lịch — vì Tết Âm lịch rơi vào tháng 1 hoặc tháng 2 dương lịch tùy năm, nên một mô hình chỉ học theo tháng dương lịch sẽ không bao giờ học đúng được tác động của Tết. Cách làm đúng: đưa Tết và các ngày lễ vào mô hình dưới dạng biến sự kiện có ngày cụ thể, giống như Prophet làm với holiday effects; đồng thời, khi so sánh “cùng kỳ năm ngoái”, hãy so sánh theo lịch âm hoặc theo số tuần trước Tết, không phải theo tháng dương lịch.

Khuyến mãi và thay đổi giá

Khuyến mãi làm tăng doanh số trong ngắn hạn nhưng có thể “ăn” doanh số tương lai (khách mua trước vì giảm giá, rồi không mua nữa trong các tuần sau — hiệu ứng pull-forward), và có thể làm giảm biên lợi nhuận nếu giảm giá quá sâu. Mô hình dự báo cần tách tác động của khuyến mãi khỏi nhu cầu cơ bản: đưa mức giảm giá, loại khuyến mãi và ngân sách quảng cáo vào làm biến đầu vào, và học hệ số tác động riêng cho từng loại khuyến mãi. Một thực hành tốt là dự báo theo hai kịch bản: kịch bản không khuyến mãi (baseline) và kịch bản có khuyến mãi, để ban lãnh đạo thấy rõ khuyến mãi mang lại bao nhiêu doanh số tăng thêm và với chi phí bao nhiêu.

Sự kiện và cú sốc bất ngờ

Sự kiện — khai trương cửa hàng mới, đối thủ mở chi nhánh bên cạnh, một bài đăng viral trên mạng xã hội, thời tiết cực đoan, hay một quy định mới — có thể làm lệch nhu cầu trong thời gian ngắn. Mô hình không thể dự báo sự kiện chưa từng xảy ra, nhưng có thể làm hai việc: (1) ghi lại các sự kiện đã xảy ra dưới dạng biến sự kiện để mô hình học được tác động của loại sự kiện tương tự trong tương lai; (2) phát hiện nhanh khi thực tế lệch khỏi dự báo (anomaly detection) và cảnh báo cho người vận hành. Với cú sốc lớn và chưa từng có tiền lệ, cách xử lý đúng là thừa nhận mô hình không dự báo được, chuyển sang dự báo theo kịch bản do con người đặt ra, và tái huấn luyện mô hình sau khi có đủ dữ liệu mới.

Sai lầm thường gặp khi dự báo bằng AI

Sai lầm	Hậu quả	Cách tránh
Dùng train-test split ngẫu nhiên	Kết quả tốt giả tạo, mô hình thất bại khi vận hành	Luôn chia theo thứ tự thời gian, dùng expanding window backtest
Để rò rỉ tương lai vào feature	Mô hình “thấy trước” đáp án, sai số gần 0 trong thử nghiệm	Kiểm tra thủ công từng feature, dịch chuyển lag theo chân trời dự báo
Huấn luyện trên doanh số mà bỏ qua hết hàng	Mô hình học rằng nhu cầu thấp vào ngày hết hàng	Ghi lại tình trạng tồn kho, xử lý nhu cầu bị kiểm duyệt (censored demand)
Chọn mô hình phức tạp nhất ngay từ đầu	Tốn kém, khó vận hành, không hơn mô hình đơn giản	Bắt đầu từ đường cơ sở, chỉ dùng mô hình phức tạp khi backtest chứng minh tốt hơn
Chỉ dự báo một con số, không có khoảng tin cậy	Ra quyết định như thể dự báo chắc chắn 100%	Luôn đưa khoảng dự báo P10–P90 và dùng nó để tính hàng an toàn
Không xử lý Tết và ngày lễ Việt Nam	Dự báo lệch lớn vào dịp lễ quan trọng nhất năm	Đưa ngày lễ vào mô hình dưới dạng biến sự kiện, so sánh cùng kỳ theo lịch âm
Triển khai xong rồi bỏ đó	Mô hình cũ dần, sai số tăng mà không ai biết	Giám sát sai số mỗi kỳ, tái huấn luyện định kỳ, cảnh báo khi drift
Tin mô hình tuyệt đối, bỏ qua phán đoán con người	Mất cảnh giác trước thay đổi mà mô hình không thấy	Dùng mô hình làm ý kiến thứ hai, con người quyết định cuối cùng

Ví dụ thực tế theo ngành

Bán lẻ và thương mại điện tử

Một chuỗi bán lẻ dự báo nhu cầu theo từng SKU tại từng cửa hàng theo tuần, dùng LightGBM với feature lag, giá và khuyến mãi, kết hợp với Prophet cho các nhóm sản phẩm có mùa vụ mạnh. Kết quả được dùng để lập kế hoạch nhập hàng và phân bổ hàng giữa các cửa hàng. Điểm mấu chốt trong triển khai: dự báo được đưa vào hệ thống đặt hàng tự động với ngưỡng — đơn hàng dưới một giá trị nhất định được duyệt tự động, đơn hàng lớn cần người xác nhận. Cách này vừa tận dụng được tốc độ của AI, vừa giữ con người ở những quyết định lớn.

Du lịch và khách sạn

Khách sạn dự báo nhu cầu phòng theo ngày, dựa trên dữ liệu đặt phòng lịch sử, mùa du lịch, sự kiện địa phương và giá của đối thủ. Dự báo này là đầu vào cho định giá động (dynamic pricing): khi dự báo nhu cầu cao, giá tăng; khi dự báo thấp, tung khuyến mãi sớm thay vì đợi đến sát ngày rồi giảm giá sâu. Đây là bài toán mà dữ liệu đặt trước (booking lead time) là feature quan trọng nhất: số phòng đã đặt trước 30 ngày cho biết rất nhiều về nhu cầu thực tế vào ngày đó.

Sản xuất

Doanh nghiệp sản xuất dùng dự báo nhu cầu để lập kế hoạch sản xuất và mua nguyên vật liệu: dự báo nhu cầu thành phẩm theo tháng, rồi quy đổi ngược thành nhu cầu nguyên vật liệu theo định mức (BOM). Sai số dự báo ở đây được chuyển thành tồn kho an toàn cho nguyên vật liệu có thời gian cung ứng dài. Với sản xuất, chân trời dự báo dài hơn bán lẻ (3–6 tháng thay vì 1–4 tuần) và độ chính xác thấp hơn là chấp nhận được, miễn là khoảng dự báo được dùng đúng cách.

Tài chính – ngân hàng

Ngân hàng và công ty tài chính dùng mô hình dự báo để chấm điểm tín dụng, dự báo tỷ lệ vỡ nợ theo nhóm khách hàng, và dự báo dòng tiền cho vay – huy động. Khác với bán lẻ, bài toán tài chính có yêu cầu giải thích mô hình cao hơn nhiều: cơ quan quản lý và khách hàng đều có quyền hỏi vì sao một hồ sơ bị từ chối. Vì vậy, trong tài chính, mô hình cần giải thích được (như hồi quy logistic hay cây quyết định có độ sâu giới hạn) thường được ưu tiên hơn mô hình chính xác hơn một chút nhưng không giải thích được.

Giáo dục và y tế

Trường học và cơ sở đào tạo dự báo số lượng học viên đăng ký theo khóa, theo mùa tuyển sinh, để chuẩn bị giảng viên và phòng học. Bệnh viện và phòng khám dự báo lượng bệnh nhân theo ngày trong tuần và theo mùa (mùa cúm, mùa nắng nóng) để sắp xếp ca trực. Trong các lĩnh vực này, dự báo phục vụ lập kế hoạch nguồn lực là chính, và sai số chấp nhận được thường rộng hơn bán lẻ, vì quyết định liên quan đến con người chứ không phải hàng hóa.

Lộ trình triển khai dự báo AI cho doanh nghiệp Việt Nam

Giai đoạn 1 (tuần 1–3): Chọn một bài toán, gom dữ liệu

Chọn một bài toán dự báo duy nhất có giá trị rõ ràng — thường là dự báo doanh thu tổng theo tháng hoặc dự báo nhu cầu cho 20–50 SKU quan trọng nhất. Gom dữ liệu lịch sử ít nhất 2 năm, ghi lại các ngày lễ, đợt khuyến mãi và sự kiện lớn đã xảy ra. Xây đường cơ sở bằng phương pháp đơn giản (trung bình trượt hoặc cùng kỳ năm ngoái) và đo sai số của nó bằng backtest — đây là thước đo mà mọi mô hình AI sau này phải vượt qua.

Giai đoạn 2 (tháng 1–2): Thử 3–4 mô hình, chọn mô hình tốt nhất

Thử song song 3–4 mô hình ứng viên (ví dụ AutoETS, Prophet, LightGBM và một mô hình nền tảng) trên cùng một quy trình backtest, đo MAPE/WAPE và khoảng dự báo. Chọn mô hình tốt nhất cho từng nhóm sản phẩm, hoặc kết hợp các mô hình thành ensemble nếu ensemble ổn định hơn. Trình bày kết quả cho ban lãnh đạo bằng ngôn ngữ kinh doanh: “mô hình này giảm sai số từ 12% xuống 8%, tương đương giảm tồn kho thừa khoảng X”, chứ không phải bằng thuật ngữ kỹ thuật.

Giai đoạn 3 (tháng 2–4): Tự động hóa và gắn với quyết định

Tự động hóa quy trình: dữ liệu mới được nạp định kỳ, mô hình tái huấn luyện và dự báo lại, kết quả hiển thị trên dashboard kèm khoảng tin cậy. Gắn dự báo vào một quyết định cụ thể: đơn đặt hàng, kế hoạch sản xuất, hay hạn mức tín dụng. Đặt ngưỡng can thiệp của con người: dự báo nào vượt ngưỡng thay đổi lớn so với kỳ trước sẽ được gắn cờ để người phụ trách xem xét trước khi dùng.

Giai đoạn 4 (từ tháng 4 trở đi): Mở rộng và nâng cấp

Mở rộng sang các nhóm sản phẩm và bài toán khác (dự báo dòng tiền, dự báo churn), bổ sung dữ liệu bên ngoài (thời tiết, giá đối thủ, chỉ số kinh tế) khi có bằng chứng rằng chúng cải thiện sai số, và thiết lập quy trình giám sát drift: cảnh báo khi sai số tăng vượt ngưỡng trong 2–3 kỳ liên tiếp. Đây cũng là lúc cân nhắc mô hình học sâu hoặc mô hình nền tảng cho các nhóm dữ liệu đã đủ lớn.

Checklist triển khai dự báo bằng AI

Đã xác định rõ: dự báo cái gì, ở độ chi tiết nào, chân trời bao lâu, dùng để quyết định gì.
Đã có ít nhất 2 năm dữ liệu lịch sử, đã xử lý hết hàng, dữ liệu thiếu và ngoại lệ.
Đã ghi lại lịch lễ, khuyến mãi và sự kiện lớn để đưa vào mô hình.
Đã xây đường cơ sở bằng phương pháp đơn giản và đo sai số của nó.
Đã backtest bằng expanding window theo đúng thứ tự thời gian, không dùng split ngẫu nhiên.
Đã đo MAPE/RMSE/WAPE và khoảng dự báo, không chỉ một con số duy nhất.
Đã thử ít nhất 3 mô hình ứng viên và chọn theo kết quả backtest, không theo cảm tính.
Đã gắn dự báo vào một quyết định cụ thể với ngưỡng can thiệp của con người.
Đã có quy trình tái huấn luyện định kỳ và giám sát sai số (drift).
Đã trình bày kết quả bằng ngôn ngữ kinh doanh cho ban lãnh đạo.

Dự báo bằng AI không giúp doanh nghiệp biết trước tương lai; nó giúp doanh nghiệp chuẩn bị cho tương lai tốt hơn, với con số có đo lường, có khoảng tin cậy và có quy trình cải thiện. Doanh nghiệp nào biến dự báo thành thói quen ra quyết định — xem lại sai số mỗi kỳ, điều chỉnh khi thế giới thay đổi, và giữ con người ở khâu quyết định cuối cùng — sẽ là doanh nghiệp tận dụng được AI hiệu quả và bền vững nhất.

Câu hỏi thường gặp (FAQs)

Phân tích và dự báo bằng AI là gì?

Phân tích và dự báo bằng AI là việc dùng mô hình học máy và học sâu để dự đoán giá trị tương lai của một đại lượng kinh doanh — nhu cầu, doanh thu, dòng tiền, rủi ro tín dụng hay tỷ lệ rời bỏ của khách hàng — dựa trên dữ liệu quá khứ và các yếu tố tác động. Khác với dự báo theo cảm tính, dự báo bằng AI xử lý được hàng nghìn chuỗi dữ liệu cùng lúc và đo được sai số của chính mình. Ví dụ: mô hình dự báo nhu cầu từng sản phẩm theo tuần để doanh nghiệp nhập đúng lượng hàng, tránh tồn kho thừa và hết hàng.

ARIMA, Prophet và LightGBM khác nhau thế nào? Nên chọn mô hình nào?

ARIMA và ETS là mô hình thống kê cổ điển, mỗi mô hình học từ một chuỗi duy nhất, minh bạch và rất mạnh khi dữ liệu ít — các so sánh thực nghiệm gần đây ghi nhận WAPE khoảng 2,7–2,9% ở cấp doanh thu tổng công ty. Prophet là mô hình cộng dồn, tách chuỗi thành xu hướng, mùa vụ và tác động ngày lễ, dễ dùng và dễ giải thích, phù hợp khi cần dự báo nhanh cho các chuỗi quan trọng. LightGBM là mô hình học máy dạng bảng, huấn luyện một mô hình chung cho hàng nghìn chuỗi và xử lý tốt giá, khuyến mãi cùng các yếu tố bên ngoài. Không có mô hình tốt nhất cho mọi bài toán: hãy chạy 3–4 mô hình song song, đo bằng backtest và chọn mô hình tốt nhất cho từng nhóm sản phẩm, hoặc kết hợp chúng thành ensemble.

MAPE, RMSE và WAPE là gì? Nên dùng chỉ số nào?

MAPE là sai số tuyệt đối trung bình theo phần trăm, dễ hiểu với lãnh đạo (“dự báo sai trung bình 8%”) nhưng không dùng được khi giá trị thực bằng 0. RMSE là căn bậc hai của trung bình bình phương sai số, cùng đơn vị với dữ liệu và phạt nặng các sai số lớn. WAPE là tổng sai số tuyệt đối chia cho tổng giá trị thực, được dùng nhiều trong bán lẻ vì nó tính nặng hơn cho sản phẩm bán chạy. Doanh nghiệp bán lẻ nên dùng WAPE làm chỉ số chính, doanh thu tổng nên theo dõi thêm MAPE, và mọi dự báo đều nên kèm khoảng dự báo (ví dụ P10–P90) thay vì chỉ một con số duy nhất.

Backtest là gì và vì sao bắt buộc phải làm?

Backtest là việc kiểm tra mô hình trên quá khứ như thể đang dự báo trong thời gian thực: huấn luyện mô hình chỉ bằng dữ liệu trước một thời điểm cắt, dự báo các kỳ tiếp theo, rồi so sánh với giá trị thực tế đã xảy ra, lặp lại với nhiều thời điểm cắt khác nhau. Backtest là bằng chứng duy nhất cho thấy mô hình có thực sự dự báo được tương lai hay chỉ học thuộc quá khứ. Lưu ý quan trọng: với chuỗi thời gian, tập kiểm tra luôn phải nằm sau tập huấn luyện theo thứ tự thời gian; dùng train-test split ngẫu nhiên sẽ cho kết quả tốt giả tạo và mô hình sẽ thất bại khi vận hành thật.

Doanh nghiệp ít dữ liệu có dự báo bằng AI được không?

Được, với điều kiện chọn đúng mô hình. Với ít dữ liệu, mô hình thống kê cổ điển như ARIMA, ETS hay Prophet thường cho kết quả tốt hơn học sâu, vì chúng cần ít dữ liệu hơn và ít bị overfitting. Ngoài ra, mô hình nền tảng chuỗi thời gian như Chronos hay TimesFM — được huấn luyện trước trên lượng dữ liệu lớn từ nhiều lĩnh vực — có thể dự báo cho chuỗi mới mà không cần huấn luyện lại, và là lựa chọn đáng thử cho doanh nghiệp ít dữ liệu. Dù chọn mô hình nào, hãy luôn backtest trên dữ liệu thật của doanh nghiệp trước khi tin tưởng vào kết quả.

Dự báo nhu cầu cần xử lý hết hàng và khuyến mãi như thế nào?

Doanh số không bằng nhu cầu: khi hết hàng, doanh số ghi nhận là 0 nhưng nhu cầu thực có thể rất cao, vì vậy phải ghi lại tình trạng tồn kho theo từng ngày và xử lý các ngày hết hàng khi huấn luyện mô hình, nếu không mô hình sẽ học sai và dự báo thấp. Với khuyến mãi, mô hình cần tách nhu cầu cơ bản khỏi nhu cầu do khuyến mãi: đưa mức giảm giá, loại khuyến mãi và ngân sách quảng cáo vào làm biến đầu vào, và dự báo theo hai kịch bản — không khuyến mãi và có khuyến mãi — để ban lãnh đạo thấy rõ khuyến mãi mang lại bao nhiêu doanh số tăng thêm với chi phí bao nhiêu.

Dự báo bằng AI có thay thế được phán đoán của con người không?

Không. AI dự báo dựa trên quy luật trong dữ liệu quá khứ, với giả định các quy luật đó còn đúng; khi thế giới thay đổi đột ngột — đối thủ mới, quy định mới, sự kiện bất ngờ — dự báo sẽ sai. Cách dùng đúng là coi mô hình như một ý kiến thứ hai độc lập, có đo lường sai số: mô hình đưa ra dự báo và khoảng tin cậy, con người bổ sung những gì mô hình không biết (kế hoạch mở cửa hàng mới, chiến dịch lớn, thay đổi chiến lược) và ra quyết định cuối cùng. Doanh nghiệp dự báo tốt nhất là doanh nghiệp kết hợp được cả hai: kỷ luật dữ liệu của máy và phán đoán bối cảnh của người.

Doanh nghiệp Việt Nam nên bắt đầu dự báo bằng AI từ đâu?

Hãy bắt đầu với một bài toán duy nhất có giá trị rõ ràng, thường là dự báo doanh thu tổng theo tháng hoặc dự báo nhu cầu cho 20–50 sản phẩm quan trọng nhất, với ít nhất 2 năm dữ liệu lịch sử. Xây đường cơ sở bằng phương pháp đơn giản và đo sai số của nó, rồi thử song song 3–4 mô hình (AutoETS, Prophet, LightGBM) trên cùng một quy trình backtest và chọn mô hình tốt nhất theo kết quả đo được. Khi đã chứng minh được mô hình tốt hơn cách làm hiện tại, mới tự động hóa quy trình và gắn dự báo vào một quyết định cụ thể như đặt hàng hay lập kế hoạch sản xuất. Cách làm theo giai đoạn này giúp doanh nghiệp thấy giá trị sớm và kiểm soát được chi phí.

Liên hệ AIA qua hotline 0939 936 168 để được tư vấn giải pháp phân tích và dự báo bằng AI phù hợp với dữ liệu và ngành nghề của doanh nghiệp bạn.