Phương pháp dự đoán là gì? Các bài báo nghiên cứu khoa học

Định nghĩa phương pháp dự đoán

Phương pháp dự đoán (forecasting method) là hệ thống công cụ khoa học dùng để ước tính trạng thái hoặc giá trị của biến số trong tương lai dựa trên tập hợp dữ liệu lịch sử và các chỉ báo hiện tại. Thuật ngữ này bao hàm cả quy trình thu thập, làm sạch, mô hình hóa và hiệu chỉnh kết quả để tạo ra chuỗi giá trị thời gian có độ tin cậy cao. Trong các mô hình hỗ trợ quyết định doanh nghiệp, dự đoán cung cấp nền tảng định lượng nhằm xác định nhu cầu sản xuất, hoạch định ngân sách, tối ưu hóa chuỗi cung ứng và thiết lập chiến lược đầu tư. Mục tiêu cốt lõi là giảm thiểu chênh lệch giữa thực tế và giá trị ước tính, đồng thời duy trì tính thích ứng với biến động của dữ liệu.

Theo NIST IR 8210, một phương pháp dự đoán đạt chuẩn phải thỏa ba tiêu chí: (i) chính xác định lượng bằng bộ chỉ số sai số, (ii) ổn định dưới các điều kiện nhiễu dữ liệu, (iii) khả năng mở rộng khi khối lượng dữ liệu tăng đột biến. Các doanh nghiệp quy mô lớn triển khai dự đoán dưới dạng mô-đun dịch vụ trong nền tảng DSS, tích hợp cùng kho dữ liệu thời gian thực để tự động cập nhật mô hình và xuất báo cáo mỗi chu kỳ kinh doanh.

Thuộc tính	Mô tả	Chỉ số đo lường
Độ chính xác	Khoảng cách giữa dự báo và giá trị thực	RMSE, MAPE
Độ ổn định	Mức dao động sai số khi bổ sung dữ liệu mới	Standard Deviation of Error
Tính thích ứng	Khả năng tự điều chỉnh tham số theo xu hướng mới	Adaptive Tracking Signal

Phân loại phương pháp dự đoán

Phương pháp dự đoán được phân tách thành hai nhóm cốt lõi tương ứng với bản chất dữ liệu và mục đích sử dụng. Nhóm định tính lệ thuộc vào kinh nghiệm chuyên gia, phán đoán tình huống, dữ liệu mô tả, hữu ích khi khối quan sát số lượng hóa quá ít hoặc chứa nhiều biến ẩn khó đo lường. Nhóm định lượng sử dụng mô hình toán – thống kê, khai thác chuỗi dữ liệu lịch sử để trích xuất quy luật, đặc trưng chu kỳ và khuynh hướng. Sự phân loại này không tương đương “thủ công” và “tự động”; trong thực tiễn, hai nhóm luôn bổ trợ nhau nhằm nâng cao độ tin cậy tổng thể.

• Định tính: Delphi, phỏng vấn sâu, bảng hỏi chuyên gia, phân tích kịch bản.
• Định lượng: hồi quy, làm trơn hàm mũ, ARIMA/SARIMA, mạng nơ-ron RNN, LSTM.

Khi dữ liệu biến động mạnh hoặc chịu tác động cú sốc kinh tế – chính trị, tổ chức thường kết hợp kỹ thuật trộn mô hình (model ensemble) để dung hòa ưu khuyết điểm từng phương pháp. Ví dụ, mô hình ARIMA dự báo phần tuyến tính, mạng LSTM xử lý phi tuyến, còn bảng hỏi Delphi cung cấp điều chỉnh cuối cùng dựa trên tri thức chuyên gia thị trường.

Tiêu chí	Định tính	Định lượng
Nhu cầu dữ liệu	Thấp	Cao
Mức khách quan	Trung bình	Cao
Khả năng giải thích	Cao	Tùy mô hình
Tự động hóa	Thấp	Cao

Các mô hình định tính phổ biến

Phương pháp định tính phát huy hiệu quả trong môi trường thiếu dữ liệu số hoặc yêu cầu phản ánh góc nhìn con người. Phương pháp Delphi thực hiện chuỗi khảo sát ẩn danh nhiều vòng, sau mỗi vòng thống kê độ lệch chuẩn quan điểm để phản hồi cho nhóm chuyên gia, lặp lại cho tới khi hội tụ. Kỹ thuật này giảm áp lực “phiên họp nhóm” và tránh hiện tượng người dẫn đầu chi phối, phù hợp khi dự báo đột phá công nghệ hoặc hoạch định chính sách.

• Dự báo kịch bản (Scenario forecasting) xây dựng 2-3 kịch bản (tốt, cơ sở, xấu), đánh giá xác suất và tác động lẫn nhau của yếu tố PESTLE.
• Dự báo analog tìm kiếm tình huống lịch sử có cấu trúc biến số tương đồng, điều chỉnh theo chênh lệch bối cảnh hiện tại.
• Bình quân trọng số chuyên gia xếp hạng (Expert weighted average) gán trọng số theo độ tin cậy từng chuyên gia, tổng hợp thành dự báo cuối.

Các tổ chức nghiên cứu R&D thường sử dụng kết hợp Delphi và Scenario để dự đoán xu hướng thị trường 5–10 năm, cho phép lập kế hoạch sản phẩm dài hạn và phân bổ ngân sách đầu tư.

Kỹ thuật định tính	Ưu điểm	Hạn chế
Delphi	Giảm thiên kiến, thu thập ý kiến phong phú	Mất thời gian, phụ thuộc chuyên gia
Kịch bản	Linh hoạt, nắm bắt bất định	Khó định lượng xác suất
Analog	Tận dụng dữ liệu lịch sử tương đồng	Dễ sai lệch nếu thời đại khác biệt

Các mô hình định lượng cơ bản

Trong phương pháp định lượng, chuỗi thời gian là trung tâm phân tích. Trung bình động (Moving Average) lấy giá trị trung bình trượt của k quan sát gần nhất, làm phẳng nhiễu ngẫu nhiên, thích hợp cho nhu cầu ngắn hạn có tính dao động nhẹ. Làm trơn hàm mũ (Exponential Smoothing) gán trọng số giảm dần theo hàm mũ, thích ứng nhanh xu hướng mới, hệ số $\alpha$ điều chỉnh mức nhạy. Hồi quy tuyến tính mô tả quan hệ giữa biến phụ thuộc và một hoặc nhiều biến độc lập, cung cấp hệ số dốc giúp giải thích cơ chế sinh dữ liệu.

Mô hình ARIMA diẹn rộng xử lý chuỗi không tĩnh (non-stationary) nhờ thao tác lấy sai phân (d) kết hợp thành phần tự hồi quy (AR) và trung bình trượt (MA). Công thức rút gọn: $\Phi_p(L)(1-L)^d y_t = \Theta_q(L) \varepsilon_t$ trong đó $L$ là toán tử trễ, $\Phi_p$ và $\Theta_q$ là đa thức bậc p, q. Thủ tục Box–Jenkins đề xuất ba bước: (1) nhận dạng (p,d,q) qua đồ thị ACF/PACF, (2) ước lượng tham số, (3) kiểm định chẩn đoán phần dư (white noise). ARIMA phù hợp chuỗi có cấu trúc mùa vụ khi mở rộng SARIMA (Seasonal ARIMA) với tham số (P,D,Q)s.

• Nếu chuỗi chứa thành phần phi tuyến mạnh, mạng RNN hoặc LSTM với hàm kích hoạt tanh và gate bộ nhớ dài ngắn cung cấp khả năng học phụ thuộc xa.
• Kỹ thuật lai Prophet (của Meta) kết hợp spline phi tuyến và tính mùa vụ tự động, thân thiện khi triển khai nhanh.
• Ensemble stacking trộn XGBoost với ARIMA tăng độ chính xác MAPE cho thương mại điện tử theo báo cáo tại ICML 2023.

Ứng dụng phương pháp dự đoán trong thực tế

Phương pháp dự đoán giữ vai trò thiết yếu trong hoạt động vận hành và hoạch định của nhiều lĩnh vực. Trong sản xuất, các doanh nghiệp sử dụng dự báo nhu cầu để lên kế hoạch tồn kho, quản lý nguyên vật liệu và tối ưu hóa lịch sản xuất, từ đó giảm chi phí lưu kho và tránh tình trạng thiếu hàng. Trong lĩnh vực bán lẻ, các chuỗi cửa hàng áp dụng dự đoán doanh số để quyết định danh mục sản phẩm, định giá linh hoạt và triển khai chương trình khuyến mãi.

Trong tài chính, dự đoán giá tài sản, lãi suất và tỷ giá là thành phần cơ bản của các chiến lược đầu tư và kiểm soát rủi ro. Các ngân hàng trung ương như Cục Dự trữ Liên bang Mỹ (Fed) sử dụng mô hình vĩ mô để dự báo tăng trưởng GDP, lạm phát và thất nghiệp nhằm đưa ra chính sách tiền tệ. Trong logistics, dự báo thời gian giao hàng và khối lượng vận chuyển giúp tối ưu lộ trình, cân bằng tải trọng và giảm thiểu phát thải.

• Y tế: dự báo nhu cầu giường bệnh, thuốc men, dịch tễ học (ví dụ mô hình SEIR trong đại dịch COVID-19)
• Giáo dục: dự đoán số lượng học sinh nhập học, nhu cầu nhân sự giảng dạy
• Năng lượng: dự đoán nhu cầu tiêu thụ điện để điều tiết nguồn phát

Tại IHME (University of Washington), nhóm nghiên cứu đã phát triển mô hình dự báo số ca tử vong và nhu cầu ICU theo từng bang Hoa Kỳ, giúp phân bổ trang thiết bị y tế và nhân lực hiệu quả hơn trong giai đoạn khủng hoảng.

Độ chính xác và sai số trong dự đoán

Dự đoán luôn đi kèm với sai số. Việc đo lường và kiểm soát sai số là bước quan trọng để đánh giá hiệu quả của mô hình. Các chỉ số sai số phổ biến nhất gồm:

• MAE (Mean Absolute Error): trung bình sai số tuyệt đối
• MSE (Mean Squared Error): trung bình bình phương sai số
• RMSE (Root Mean Square Error): căn bậc hai của MSE
• MAPE (Mean Absolute Percentage Error): sai số phần trăm tuyệt đối trung bình

$\text{RMSE} = \sqrt{ \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 }$ $\text{MAPE} = \frac{100\%}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right|$ trong đó $y_i$ là giá trị thực tế, $\hat{y}_i$ là giá trị dự đoán, $n$ là số lượng quan sát. Mỗi chỉ số có điểm mạnh riêng: MAE đơn giản, dễ hiểu; MSE và RMSE nhạy cảm với sai số lớn; MAPE thể hiện tỷ lệ sai lệch, phù hợp khi dữ liệu > 0.

Trong môi trường kinh doanh, sai số dự báo ảnh hưởng trực tiếp đến chi phí: dự báo thấp gây thiếu hàng và mất doanh thu; dự báo cao dẫn đến tồn kho dư thừa. Do đó, tổ chức thường áp dụng chiến lược hiệu chỉnh dự báo (forecast bias correction) bằng cách kết hợp nhiều mô hình và theo dõi chỉ số Tracking Signal: $TS = \frac{\sum (A_t - F_t)}{MAD}$ TS vượt ±4 cho thấy dự báo có lệch hệ thống và cần điều chỉnh.

Vai trò của dữ liệu trong phương pháp dự đoán

Chất lượng và đầy đủ của dữ liệu là yếu tố sống còn trong mọi phương pháp dự đoán. Dữ liệu không đầy đủ, nhiễu, lỗi nhập sai hoặc không đại diện sẽ làm sai lệch kết quả mô hình, dẫn đến các quyết định sai lầm. Do đó, quá trình tiền xử lý dữ liệu là một bước bắt buộc trong mọi pipeline dự báo.

Quy trình xử lý dữ liệu thường gồm:

1. Làm sạch (data cleaning): loại bỏ giá trị trống, chuẩn hóa đơn vị, sửa lỗi nhập.
2. Chuyển đổi (transformation): tạo biến mới, log hóa, phân cụm mùa vụ.
3. Trích chọn đặc trưng (feature selection): lựa chọn biến đầu vào tối ưu.

Ngoài dữ liệu định lượng, các mô hình hiện đại còn khai thác dữ liệu phi cấu trúc như văn bản đánh giá, hình ảnh từ cảm biến, hoặc dữ liệu hành vi từ mạng xã hội. Công nghệ học sâu (deep learning) và xử lý ngôn ngữ tự nhiên (NLP) mở rộng đáng kể khả năng dự đoán trong các môi trường dữ liệu lớn.

Phân biệt dự đoán và mô phỏng

Dự đoán và mô phỏng đều là công cụ mô hình hóa tương lai, nhưng khác nhau về cách tiếp cận và mục tiêu. Dự đoán (forecasting) hướng tới giá trị cụ thể trong tương lai, còn mô phỏng (simulation) tìm hiểu hành vi hệ thống dưới nhiều kịch bản. Dự đoán thường sử dụng chuỗi thời gian, còn mô phỏng dựa trên logic mô hình hoặc quy tắc tác nhân.

Ví dụ: doanh nghiệp bán lẻ dự đoán doanh số tháng 9 đạt 10.000 sản phẩm, nhưng đồng thời mô phỏng 3 tình huống: tăng giá 5%, quảng bá mạnh trên mạng xã hội, hoặc gặp gián đoạn chuỗi cung ứng. Trong mỗi tình huống, hệ thống chạy mô phỏng để đánh giá các chỉ số đầu ra như tồn kho, doanh thu, chi phí.

Mô phỏng nổi bật trong các công cụ như:

• Monte Carlo Simulation: lấy mẫu ngẫu nhiên để tính xác suất kết quả
• System Dynamics: mô phỏng phản hồi chậm – nhanh của hệ thống
• Agent-Based Modeling: mô phỏng hành vi tương tác giữa nhiều tác nhân độc lập

Tích hợp mô phỏng vào dự đoán giúp doanh nghiệp đánh giá rủi ro và độ nhạy trước khi đưa ra quyết định chiến lược.

Hạn chế và rủi ro của phương pháp dự đoán

Dự đoán không phải là phép toán tuyệt đối. Sai số luôn tồn tại, đặc biệt khi hệ thống thay đổi đột ngột, xuất hiện yếu tố không lường trước (black swan events) hoặc dữ liệu bị thiên lệch. Các mô hình học máy mạnh như XGBoost hay LSTM dễ bị quá khớp (overfitting) nếu không được kiểm định chéo (cross-validation) đúng cách.

Những hạn chế phổ biến gồm:

• Giả định dữ liệu quá đơn giản (linear, stationarity)
• Không cập nhật mô hình khi có dữ liệu mới
• Thiếu khả năng giải thích kết quả (interpretability)
• Phụ thuộc vào chuyên gia hoặc phần mềm độc quyền

Ngoài ra, việc triển khai mô hình không phù hợp với thực tiễn vận hành – ví dụ chọn đơn vị thời gian sai hoặc cập nhật mô hình chậm – cũng làm giảm hiệu quả ứng dụng.

Tài liệu tham khảo

1. NIST IR 8210 – Time Series Forecasting Framework
2. Hyndman, R.J. & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.)
3. Institute for Health Metrics and Evaluation (IHME) – COVID-19 Projections
4. UK Met Office – Numerical Weather Prediction
5. Montgomery, D.C., Jennings, C.L., & Kulahci, M. (2015). Introduction to Time Series Analysis and Forecasting. Wiley.
6. Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning Forecasting Methods: Concerns and Ways Forward. PLOS ONE.
7. Chatfield, C. (2000). Time Series Forecasting. Chapman and Hall/CRC.