Bạn đang xem một bản dự báo có vẻ thuyết phục. Doanh số dự kiến sẽ tăng, chi phí được kiểm soát tốt, dự án có vẻ vững chắc. Rồi ai đó trong cuộc họp đặt ra một câu hỏi đơn giản: “Nếu biên lợi nhuận giảm thì sao?” Hoặc: “Nếu chi phí hoạt động thay đổi, quyết định đó có còn hợp lý không?”. Lúc đó, nhiều mô hình kinh doanh bộc lộ hạn chế của mình. Chúng hoạt động tốt chừng nào các giả định vẫn không bị thay đổi.
Đây chính là lúc phân tích độ nhạy trở nên hữu ích đối với các nhà quản lý, chuyên viên phân tích và đội ngũ tài chính. Nó không chỉ đơn thuần là để “thực hiện các bài kiểm tra”. Mục đích của nó là giúp xác định những biến số nào thực sự ảnh hưởng đến kết quả, những giả định nào dễ bị lung lay và ở đâu thì mô hình không còn đáng tin cậy nữa. Đối với một doanh nghiệp vừa và nhỏ, điều này có nghĩa là có thể đưa ra các quyết định sáng suốt hơn về ngân sách, định giá, hàng tồn kho, đầu tư và dự báo.
Dù bạn làm việc trong lĩnh vực hành chính, bán lẻ, vận hành hay phân tích dữ liệu, nguyên lý đều giống nhau. Chỉ một dự báo đơn lẻ là chưa đủ. Bạn cần biết kết quả sẽ thay đổi như thế nào khi các yếu tố đầu vào thay đổi.
Trong hướng dẫn này, bạn sẽ tìm thấy một lộ trình thực tiễn, với ngôn ngữ đơn giản, các ví dụ cụ thể và cách tiếp cận được thiết kế dành riêng cho những ai cần áp dụng phân tích độ nhạy trong thực tiễn hàng ngày, chứ không chỉ dừng lại ở việc hiểu về lý thuyết.
Một chuyên viên tài chính đang chuẩn bị báo cáo đánh giá về một khoản đầu tư mới. Bảng tính được sắp xếp gọn gàng, các công thức tính toán đều chính xác, và kết quả cuối cùng có vẻ khả quan. Cùng lúc đó, một giám đốc marketing đang xem xét mô hình dự báo doanh số và cố gắng xác định liệu kế hoạch quảng bá có còn khả thi ngay cả khi tỷ lệ giữ chân khách hàng thấp hơn dự kiến hay không. Cả hai đều gặp phải cùng một vấn đề: kết quả phụ thuộc vào các giả định có thể thay đổi.
Phân tích độ nhạy được đưa ra chính là vì lý do này. Nó giúp chúng ta hiểu rõ những yếu tố nào ảnh hưởng nhiều nhất đến kết quả và mức độ mà một quyết định vẫn còn giá trị khi các yếu tố đầu vào không diễn biến như mong đợi. Đây không phải là một bài tập mang tính học thuật. Đây là một cách thức thiết thực để tránh đưa ra những quyết định quá tự tin dựa trên những cơ sở mong manh.
Trên thực tế, thay vì chỉ tin tưởng vào một dự báo duy nhất, bạn hãy bắt đầu thử thách mô hình bằng các biến thể có kiểm soát. Nếu kết quả đầu ra thay đổi không đáng kể, bạn sẽ có một nền tảng vững chắc hơn. Nếu kết quả thay đổi nhiều, bạn đã xác định được một điểm quan trọng cần chú ý.
Quy tắc thực tiễn: Một mô hình hữu ích không phải là mô hình trông có vẻ chính xác. Đó là mô hình mà bạn nhận ra được những điểm yếu của nó trước khi sử dụng để đưa ra quyết định.
Chính vì vậy, phân tích độ nhạy có ý nghĩa đối với cả những người điều hành doanh nghiệp lẫn những người xây dựng mô hình. Một bên tìm kiếm độ tin cậy. Bên kia tìm kiếm tính minh bạch.
Định nghĩa đơn giản nhất cũng là định nghĩa hữu ích nhất: phân tích độ nhạy là “tập hợp các kỹ thuật toán học nhằm quan sát cách thức mà những biến động không đồng bộ của các biến đầu vào riêng lẻ trong một mô hình làm thay đổi kết quả đầu ra, có thể áp dụng cho bất kỳ lĩnh vực nào, bao gồm kinh tế, tài chính, vật lý và xã hội”, như Vedrai đã giải thích trong cuốn cẩm nang về phân tích độ nhạy của mình.
Để nắm rõ vấn đề, bạn chỉ cần phân biệt ba yếu tố sau.
Nhiều người thường nhầm lẫn ở điểm này. Họ cho rằng phân tích độ nhạy chỉ nhằm thay đổi các con số. Trên thực tế, nó còn giúp kiểm tra tính vững chắc của các giả định. Nếu một kết quả phụ thuộc vào một giả định thiếu cơ sở, thì vấn đề không nằm ở bảng tính Excel. Vấn đề nằm ở logic ra quyết định đằng sau bảng tính đó.
Hãy tưởng tượng một cánh quạt gió trên mái nhà. Nếu gió thay đổi một chút, cánh quạt sẽ chuyển động. Nếu gió thay đổi mạnh hơn, cánh quạt có thể quay đột ngột. Trong các mô hình kinh doanh, điều tương tự cũng xảy ra. Một số yếu tố đầu vào chỉ có tác động hạn chế. Một số khác lại thay đổi hướng đi của kết quả.
Sự so sánh này giúp chúng ta hiểu được hai điều.
Nếu bạn không biết những yếu tố đầu vào nào thực sự tác động đến kết quả đầu ra, thì bạn đang điều khiển mô hình trong bóng tối.
Khi một nhóm học được cách nắm bắt động lực này, phân tích độ nhạy sẽ không còn là “một bài kiểm tra thêm” nữa mà trở thành một tiêu chí đảm bảo chất lượng cho các quyết định.
Một điểm lịch sử quan trọng là: phân tích độ nhạy được sử dụng để xác định tính ổn định của một đánh giá, bằng cách xem xét phần nào của kết quả bị ảnh hưởng bởi những thay đổi trong các mô hình, các biến số chưa được đo lường hoặc các giả định, từ đó xác định những kết quả phụ thuộc vào các giả định có thể gây tranh cãi hoặc không có cơ sở, như SIMRI đã tóm tắt trong bài phân tích chuyên sâu về phân tích độ nhạy.
Phương pháp trực quan nhất là “One Factor at a Time”(Một yếu tố tại một thời điểm), thường được viết tắt là OAT. Giữ tất cả các biến ở giá trị tham chiếu và thay đổi từng biến một, đồng thời quan sát xem kết quả đầu ra thay đổi như thế nào.
Đây là phương pháp phù hợp khi:
Ưu điểm chính là tính dễ hiểu. Hạn chế là phương pháp này có nguy cơ không phản ánh rõ ràng các tương tác giữa các biến. Nếu giá và nhu cầu ảnh hưởng lẫn nhau, việc phân tích chúng một cách riêng rẽ có thể là chưa đủ.
Khi mô hình trở nên phức tạp hơn, các phương pháp toàn cục sẽ được áp dụng, những phương pháp này cũng được đề cập trong thực tiễn giảng dạy và ứng dụng với các phương pháp tiếp cận như phương pháp Morris hay mô phỏng Monte Carlo. Ở đây, bạn không thay đổi từng biến một. Thay vào đó, bạn thay đổi nhiều biến cùng lúc trong các khoảng giá trị đã định trước, nhằm quan sát hành vi tổng thể của hệ thống.
Phương pháp mô phỏng Monte Carlo đặc biệt hữu ích khi bạn muốn coi các dữ liệu đầu vào là các giá trị không chắc chắn và tạo ra nhiều kịch bản khả thi. Phương pháp này không đưa ra một câu trả lời duy nhất, mà trả về một phân phối các kết quả khả thi, phản ánh sát hơn nhiều cách mà doanh nghiệp đối mặt với sự không chắc chắn.
Các chỉ số độ nhạy sau đó giúp định lượng mức độ quan trọng tương đối của các yếu tố đầu vào. Chúng rất hữu ích khi bạn cần xác định thứ tự ưu tiên. Không phải tất cả các biến số đều xứng đáng được dành cùng một lượng thời gian cho việc thu thập dữ liệu, làm sạch dữ liệu hoặc theo dõi.
Đối với những ai đang làm việc với các mô hình thử nghiệm hoặc các bài kiểm tra có cấu trúc về các biến, bạn cũng nên tham khảo hướng dẫn DOE của ELECTE, tài liệu này rất hữu ích trong việc liên kết logic của các thí nghiệm với chất lượng phân tích.
Phương phápKhi nào nên sử dụngDữ liệu cần thiếtƯu điểmHạnchếOATCác mô hìnhđơn giản, phân tích ban đầuDữ liệu hạn chế, đường cơ sở rõ ràngDễ giải thíchKhông nắm bắt tốt cáctương tácPhân tích tổng thểCác mô hình phứctạpKhoảng tin cậy cho nhiều đầu vàoNắm bắt các hiệu ứng kết hợpTốn nhiều công sức hơn đểthực hiệnMonte CarloRủi rovà dự báoPhân phối hoặc phạm vi của các đầu vàoHiển thị các kịch bản xác suấtYêu cầu sự nghiêm ngặt hơn trongquá trình chuẩn bịChỉ số độ nhạyƯu tiênvà tối ưu hóaCác chỉ số thống kê của mô hìnhLàm nổi bật các yếu tố tác động chínhCó thể ít trực quan hơn đối với những người không phải là nhà phân tích
Một nguyên tắc thực tiễn hữu ích là nên bắt đầu từ những điều đơn giản và chỉ tăng mức độ phức tạp khi mô hình thực sự yêu cầu. Không cần thiết phải sử dụng phương pháp phức tạp nhất. Điều quan trọng là phải sử dụng phương pháp giúp đưa ra quyết định đáng tin cậy nhất.
Phân tích độ nhạy trở nên vô cùng hữu ích khi doanh nghiệp không thể đưa ra quyết định chỉ dựa trên một ước tính duy nhất. Điều này thường xảy ra trong các lĩnh vực lập kế hoạch tài chính, mua hàng, định giá, quản lý chương trình khuyến mãi, quản lý hàng tồn kho và đánh giá dự án. Trong tất cả các trường hợp này, vấn đề không phải là “có được con số chính xác”, mà là hiểu được con số đó sẽ ổn định đến mức nào khi các điều kiện thay đổi.
Một nội dung đặc biệt quan trọng liên quan đến việc đảo ngược quyết định. Trong lĩnh vực thống kê và vận hành, phân tích độ nhạy cho phép xác định mức độ và hướng thay đổi của từng biến đầu vào cần thiết để làm thay đổi dấu của biến phản hồi. Nói cách khác, đó là việc hiểu rõ thời điểm nào một quyết định chuyển từ có lợi sang không có lợi. Khái niệm này được giải thích chi tiết trong tài liệu về độ nhạy của Đại học Padova.
Đối với một doanh nghiệp, điều này mang lại những hệ quả thực tiễn ngay lập tức:
Một mô hình sẽ trở nên đáng tin cậy hơn khi bạn biết giải thích được những điểm nhạy cảm của nó nằm ở đâu. Điều này giúp cải thiện quá trình trao đổi với các bên liên quan, ban lãnh đạo, nhà đầu tư và đội ngũ vận hành. Thay vì chỉ nói “đây là dự báo”, bạn có thể nói “đây là dự báo, và đây là những biến số có thể khiến nó thay đổi đáng kể”.
Việc xử lý tình huống một cách nhạy bén không thể loại bỏ sự không chắc chắn. Nó chỉ giúp làm cho sự không chắc chắn đó trở nên rõ ràng và có thể kiểm soát được.
Ở nhiều doanh nghiệp vừa và nhỏ, bước này thường bị bỏ qua. Các mô hình thì có, nhưng lại không đi kèm với việc nhận thức được những điểm yếu của chúng. Kết quả là nảy sinh một cảm giác an toàn giả tạo, thường còn nguy hiểm hơn cả sự không chắc chắn đã được thừa nhận.
Trong lĩnh vực tài chính, phân tích độ nhạy thường được sử dụng để đánh giá mức độ phản ứng của giá trị doanh nghiệp trước các yếu tố tác động từ hoạt động kinh doanh. Một số liệu cụ thể đặc biệt hữu ích: trong lĩnh vực tài chính, việc tăng 10% tốc độ quay vòng vốn đầu tư và tỷ suất lợi nhuận trên doanh thu sẽ dẫn đến sự biến động 20,58% về giá trị doanh nghiệp trong trường hợp không có tăng trưởng và 43,23% trong trường hợp có tăng trưởng, theo báo cáo của Evaluation trong bài phân tích chuyên sâu về phân tích độ nhạy nhằm hỗ trợ các quyết định đầu tư.
Đối với một Giám đốc Tài chính (CFO) hay một Kế toán trưởng, thông điệp này rất rõ ràng. Không phải tất cả các biến số đều xứng đáng được quan tâm như nhau. Nếu hai yếu tố tác động đến hoạt động có ảnh hưởng mạnh mẽ đến mức định giá như vậy, thì chúng phải là trọng tâm của việc theo dõi và kiểm tra khả năng chịu áp lực.
Những người làm việc trong lĩnh vực ngân sách đa năm, quản lý quỹ hoặc lập kế hoạch có thể kết nối logic này với các công cụ chuyên dụng về lập kế hoạch tài chính nâng cao, từ đó chuyển từ mô hình tĩnh sang cách phân tích các giả định một cách linh hoạt hơn.
Trong lĩnh vực bán lẻ, điểm khởi đầu không phải là giá trị doanh nghiệp mà là việc lựa chọn các yếu tố đầu vào phù hợp. Việc phân tích dữ liệu bán hàng đòi hỏi phải theo dõi theo thời gian thực 8 chỉ số KPI cụ thể, bao gồmchỉ số luân chuyển hàng tồn kho(calculated by dividing the total sales at cost by the average inventory for the period) và tỷ lệ giữ chân khách hàng(calculated by dividing the number of customers who made the most purchases by the total number of active customers), như đã được mô tả trong bài viết của DTR Italy về các chỉ số KPI bán lẻ cần theo dõi.
Điều này thay đổi cách thức thiết lập phân tích độ nhạy. Trong một cửa hàng hoặc trên nền tảng thương mại điện tử, bạn không bắt đầu từ các biến số trừu tượng. Bạn bắt đầu từ các chỉ số mà đội ngũ đã theo dõi hàng ngày. Nếu tốc độ luân chuyển hàng tồn kho suy giảm, điều này sẽ tác động như thế nào đến hàng tồn kho, biên lợi nhuận và khả năng hấp thụ dòng tiền? Nếu tỷ lệ giữ chân khách hàng được cải thiện, dự báo doanh số của quý sẽ thay đổi như thế nào?
Lý luận tương tự cũng áp dụng cho các ngành có tính mùa vụ hoặc nhu cầu biến động mạnh. Nếu bạn đang xem xét một hoạt động kinh doanh dịch vụ lưu trú ngoài trời và muốn xây dựng các kịch bản doanh thu thực tế, việc so sánh chi phí cơ sở vật chất với các nguồn lực vận hành bên ngoài – ví dụ như tham khảo chi phí lắp đặt một lều glamping – có thể rất hữu ích. Đây không phải là một chi tiết phụ. Đây là một ví dụ cụ thể cho thấy một phân tích độ nhạy tốt phụ thuộc như thế nào vào chất lượng của các giả định ban đầu.
Trong dự báo, mô phỏng Monte Carlo rất hữu ích khi bạn không muốn chỉ giới hạn ở một dự báo “trung tâm”. Bằng cách lấy mẫu các giá trị tham số trong các khoảng đã chỉ định, bạn có thể tạo ra nhiều kịch bản và chuyển đổi sự không chắc chắn của các dữ liệu đầu vào thành một phân phối kết quả đầu ra. Điều này đặc biệt hữu ích khi doanh số, chi phí hoặc nhu cầu có xu hướng biến động mạnh.
Một đội ngũ kinh doanh có thể áp dụng logic này để trả lời các câu hỏi thực tiễn:
Khi dự báo được xem như một khoảng giá trị chứ không phải là một con số duy nhất, các cuộc trao đổi giữa các nhà quản lý sẽ ngay lập tức trở nên hiệu quả hơn.
Lợi thế không phải là có nhiều công thức hơn. Mà là đưa ra những quyết định ít ngây thơ hơn.
Một phân tích độ nhạy tốt không bắt đầu từ việc mô phỏng. Nó bắt đầu từ việc quản lý dữ liệu một cách có kỷ luật và thiết kế mô hình.
Trước hết, hãy kiểm tra xem các dữ liệu đầu vào có nhất quán, sạch sẽ và được mô tả theo cùng một cách trong toàn bộ tập dữ liệu hay không. Nếu bạn ghi chi phí vào một bảng tính hàng tháng và doanh thu vào một bảng tính khác với cách tổng hợp khác nhau, thì kết quả kiểm tra sẽ chỉ mang lại những thông tin nhiễu thay vì những thông tin hữu ích.
Nên tập trung vào các bước sau đây:
Lúc này, hãy chọn các biến số quan trọng. Đừng chọn tất cả cùng một lúc. Hãy bắt đầu từ những biến số có mức độ không chắc chắn cao nhất hoặc có tác động dự kiến lớn nhất đến kết quả.
Một cách làm đơn giản có thể như sau:
Đây chính là lúc khái niệm nhạy cảm nhất được đưa vào. Phân tích độ nhạy cho phép trả lời các câu hỏi định lượng cụ thể, chẳng hạn như xác định mức độ và hướng thay đổi mà một biến đầu vào cần phải thay đổi để làm thay đổi dấu của biến phản hồi. Đây chính là điểm mà mô hình báo hiệu khả năng đảo ngược quyết định. Đối với những người ra quyết định, đây không chỉ là một chi tiết kỹ thuật. Đây là ngưỡng mà vượt qua đó, kế hoạch sẽ thay đổi bản chất.
Lưu ý về mặt vận hành: nếu bạn không xác định trước các khoảng thời gian thực tế, kết quả thu được sẽ đúng về mặt toán học nhưng lại vô dụng về mặt quản lý.
Đây là giai đoạn mà nhiều người thường mắc sai lầm. Họ thấy rằng một biến số có tác động rất lớn và kết luận rằng biến số đó “chính là vấn đề”. Điều này không phải lúc nào cũng đúng. Đôi khi, đó chỉ đơn giản là biến số có độ không chắc chắn cao nhất. Đôi khi khác, đó lại là biến số được đo lường kém nhất.
Để hiểu rõ kết quả, hãy tự hỏi mình:
Câu hỏi: Tại sao điều này lại quan trọng? Kết quả đầu ra thay đổi nhiều hay ít? Điều này cho biết mô hình có ổn định hay không? Những yếu tố đầu vào nào dẫn đến sự chênh lệch? Điều này giúp bạn xác định thứ tự ưu tiên trong việc giám sát và thu thập dữ liệu. Có ngưỡng nào khiến quyết định bị đảo ngược không? Điều này cảnh báo bạn về rủi ro thực sự đối với doanh nghiệp. Hiệu ứng này có tuyến tính hay không? Điều này giúp bạn tránh những đơn giản hóa sai lầm
Cuối cùng, hãy trình bày kết quả ngoài phạm vi tài liệu kỹ thuật. Một nhà quản lý không cần đến năm mươi mô phỏng thô. Họ cần ba điều: các biến nhạy cảm, mức độ ảnh hưởng và ngưỡng chú ý.
Chính vì vậy, nên kết thúc mỗi phân tích bằng một bản tóm tắt mang tính thực tiễn:
Nếu bạn làm việc trong lĩnh vực tài chính hoặc tuân thủ, hãy lưu ý rằng hướng dẫn này chỉ mang tính chất giáo dục và không thay thế cho tư vấn tài chính, pháp lý hoặc quy định.
Phần thường bị đánh giá thấp nhất trong phân tích độ nhạy thường là việc trình bày đồ họa. Bạn có thể có một phân tích hợp lệ, nhưng nếu trình bày không tốt thì sẽ không ai hiểu được cần can thiệp ở đâu.
Có ba định dạng hoạt động rất hiệu quả.
Trong lĩnh vực bán lẻ, cách tiếp cận này lại càng quan trọng hơn, bởi việc lựa chọn các biến số phải dựa trên các chỉ số KPI được theo dõi theo thời gian thực, như chỉ số luân chuyển hàng tồn kho và tỷ lệ giữ chân khách hàng – những chỉ số đã được đề cập trong phân tích các chỉ số KPI bán hàng của ngành. Nếu bạn chọn sai các dữ liệu đầu vào, thì ngay cả biểu đồ đẹp nhất cũng không nói lên được điều gì nhiều.
Để chọn định dạng trực quan phù hợp nhất, bạn nên tham khảo các ví dụ cụ thể trong hướng dẫn của ELECTE về các loại biểu đồ.
Khi tích hợp phân tích độ nhạy vào quy trình hoạt động của doanh nghiệp, hãy chú trọng đến tính lặp lại.
Một nền tảng được cấu hình tốt sẽ hỗ trợ rất nhiều trong giai đoạn này, đặc biệt là khi đội ngũ còn nhỏ và không có thời gian để cập nhật các mẫu và báo cáo theo cách thủ công.
Phân tích độ nhạy biến một dự báo cứng nhắc thành một quyết định sáng suốt hơn. Nó chỉ ra cho bạn thấy mô hình vững chắc ở đâu, yếu ở đâu và những biến số nào cần được theo dõi liên tục. Đối với một nhà phân tích, điều này có nghĩa là làm việc hiệu quả hơn. Đối với một nhà quản lý, điều này có nghĩa là ra quyết định với ít bất ngờ hơn. Đối với một doanh nghiệp vừa và nhỏ, điều này có nghĩa là thu hẹp khoảng cách giữa các con số lý thuyết và thực tế hoạt động.
Sức mạnh thực sự của phân tích độ nhạy không nằm ở việc đưa ra nhiều kịch bản hơn. Nó nằm ở việc làm rõ những giả định nào thực sự chi phối kết quả và trong những điều kiện nào thì một quyết định sẽ không còn hiệu quả. Khi phương pháp này được áp dụng vào công việc hàng ngày, các dự báo, ngân sách, lượng hàng tồn kho và các đánh giá sẽ trở nên đáng tin cậy và hữu ích hơn.
Nếu bạn muốn việc áp dụng logic này trở nên đơn giản hơn, bạn nên sử dụng các công cụ giúp tự động hóa việc xử lý dữ liệu, phân tích thông tin và lập báo cáo mà không làm tăng thêm độ phức tạp về mặt kỹ thuật.
ELECTE, một nền tảng phân tích dữ liệu dựa trên trí tuệ nhân tạo (AI) dành cho các doanh nghiệp vừa và nhỏ (SME), giúp các đội ngũ biến dữ liệu thô thành những thông tin chi tiết rõ ràng, các dự báo có thể áp dụng và các phân tích có thể lặp lại. Nếu bạn muốn tích hợp phân tích độ nhạy vào quy trình ra quyết định của mình với ít công việc thủ công hơn, hãy khám phá ELECTE và trải nghiệm cách tiếp cận nhanh chóng hơn trong việc phân tích dữ liệu của bạn.
.svg)
.svg)
.svg)
.webp)
.webp)
.webp)