Dự báo doanh số bằng AI: cần dữ liệu gì để chạy được

Cuối mỗi quý, trưởng phòng kinh doanh lại ngồi ước chừng con số doanh thu quý sau bằng cảm tính "chắc tăng khoảng 10-15% so với quý này", rồi ba tháng sau cả kho hàng lẫn dòng tiền đều lệch xa dự kiến — nếu tình huống này nghe quen thuộc, đã đến lúc bạn tìm hiểu AI có thể giúp gì cho việc dự báo doanh số, và quan trọng không kém là biết rõ AI cần bao nhiêu dữ liệu mới thực sự chạy được.

Vấn đề của dự báo theo cảm tính

Ở phần lớn doanh nghiệp vừa và nhỏ, kế hoạch doanh số quý sau vẫn được lập dựa trên cảm nhận của trưởng phòng kinh doanh — người thường có xu hướng lạc quan hơn thực tế vì áp lực chỉ tiêu, hoặc ngược lại đặt mục tiêu quá thận trọng để dễ đạt KPI. Cả hai thiên lệch này đều kéo theo hậu quả thật: dự báo cao hơn thực tế khiến hàng tồn kho chất đống và dòng tiền bị chôn vào hàng chưa bán được, còn dự báo thấp hơn thực tế khiến doanh nghiệp thiếu hàng đúng lúc nhu cầu tăng, bỏ lỡ doanh thu vào tay đối thủ.

AI không giúp bạn "đoán đúng tương lai" một cách kỳ diệu, mà giúp thay thế cảm tính bằng việc phân tích có hệ thống các mẫu hình lặp lại trong dữ liệu lịch sử — mùa nào bán chạy, xu hướng tăng trưởng theo tháng ra sao, tác động của các đợt khuyến mãi trước đó — để đưa ra con số dự báo có căn cứ hơn, kèm theo khoảng sai số rõ ràng thay vì một con số chắc nịch dễ gây ảo tưởng về độ chính xác.

Dữ liệu tối thiểu cần có để AI dự báo được

Đây là câu hỏi quan trọng nhất trước khi bắt tay vào dự báo, vì rất nhiều doanh nghiệp thất vọng với AI chỉ vì bắt đầu khi dữ liệu chưa đủ điều kiện tối thiểu. Theo các phương pháp thống kê dự báo chuỗi thời gian phổ biến (như phân tích xu hướng-mùa vụ hay các mô hình hồi quy theo thời gian), nguyên tắc chung là cần tối thiểu khoảng 24 tháng dữ liệu bán hàng lịch sử mới đủ để mô hình nhận diện được cả yếu tố xu hướng dài hạn lẫn yếu tố mùa vụ lặp lại theo năm; nếu ngành hàng của bạn có chu kỳ mùa vụ rõ rệt trong năm (như thời trang theo mùa, quà tặng theo dịp lễ), con số này càng quan trọng vì cần ít nhất hai chu kỳ đầy đủ để mô hình "học" được quy luật lặp lại đó.

Ngoài độ dài thời gian, dữ liệu cần đạt một số điều kiện chất lượng khác: được ghi nhận đều đặn theo cùng một đơn vị thời gian (theo ngày hoặc theo tuần, không bị đứt quãng dài), tách biệt rõ doanh số thực từ khách hàng mới với doanh số từ các đợt khuyến mãi bất thường (nếu không tách, mô hình dễ hiểu nhầm đợt giảm giá là xu hướng tăng trưởng tự nhiên), và có ghi chú lại các sự kiện đặc biệt từng ảnh hưởng tới doanh số (dịch bệnh, thay đổi giá, ra mắt sản phẩm mới) để loại trừ khỏi mẫu hình chung khi cần.

Các phương pháp dự báo có AI hỗ trợ

Không cần hiểu sâu về toán thống kê để ứng dụng dự báo AI, nhưng biết sơ lược các phương pháp đang có giúp bạn chọn đúng công cụ và không bị choáng ngợp bởi thuật ngữ khi trao đổi với đội kỹ thuật hoặc nhà cung cấp phần mềm.

Phân tích xu hướng và mùa vụ (Time series)

Đây là phương pháp nền tảng và dễ tiếp cận nhất, tách dữ liệu doanh số thành ba thành phần: xu hướng dài hạn (đang tăng, giảm hay đi ngang), yếu tố mùa vụ lặp lại theo chu kỳ (theo tuần, tháng hoặc năm), và phần dao động ngẫu nhiên không giải thích được. Hầu hết công cụ dự báo tích hợp sẵn trong phần mềm kế toán hoặc CRM hiện nay đều dùng biến thể của phương pháp này làm nền tảng.

Mô hình học máy có tính đến nhiều yếu tố (Machine learning đa biến)

Khi doanh nghiệp có thêm dữ liệu về các yếu tố ảnh hưởng khác ngoài lịch sử bán hàng — ngân sách quảng cáo từng tháng, giá đối thủ, thời tiết với ngành hàng nhạy cảm thời tiết — các mô hình học máy có thể học được mối liên hệ giữa những yếu tố này với doanh số, cho dự báo chính xác hơn phương pháp chỉ nhìn lịch sử đơn thuần. Đây là hướng phù hợp cho doanh nghiệp đã có đủ dữ liệu đa dạng và đội ngũ kỹ thuật hoặc đối tác hỗ trợ triển khai.

Dự báo cấp độ lead/pipeline (dành riêng cho B2B)

Với doanh nghiệp bán B2B có chu kỳ bán hàng dài, thay vì chỉ dự báo tổng doanh số, một số CRM có AI còn dự báo dựa trên xác suất chốt của từng deal đang nằm trong pipeline, cộng dồn lại thành tổng doanh số kỳ vọng — cách này phản ánh sát tình hình thực tế hơn so với dự báo thuần theo lịch sử, đặc biệt hữu ích khi số lượng deal không quá nhiều để thống kê theo kiểu chuỗi thời gian.

Các bước triển khai dự báo doanh số bằng AI

1. 1

   Tập hợp và làm sạch dữ liệu lịch sử

   Gom dữ liệu doanh số từ tất cả kênh bán (online, tại cửa hàng, qua đại lý) về cùng một định dạng thống nhất theo thời gian, loại bỏ các đơn hàng trùng lặp hoặc đã huỷ, và đánh dấu rõ các giai đoạn có khuyến mãi đặc biệt để xử lý riêng ở bước phân tích.

2. 2

   Chọn công cụ phù hợp với quy mô dữ liệu hiện có

   Nếu dữ liệu vừa đủ điều kiện tối thiểu (24 tháng trở lên), có thể bắt đầu ngay với tính năng dự báo tích hợp sẵn trong phần mềm kế toán hoặc CRM đang dùng thay vì đầu tư công cụ chuyên biệt đắt tiền. Chỉ khi nhu cầu phức tạp hơn (nhiều biến số, nhiều ngành hàng cùng lúc) mới cần cân nhắc giải pháp chuyên sâu hơn.

3. 3

   Chạy thử và đối chiếu với một giai đoạn đã biết kết quả

   Trước khi tin tưởng dùng dự báo cho kỳ tới, hãy thử "dự báo ngược" cho một giai đoạn đã có kết quả thật (ví dụ dùng dữ liệu tới hết tháng 6 để dự báo tháng 7-8, rồi so với số thật đã xảy ra) để đo được sai số thực tế của mô hình trên chính dữ liệu doanh nghiệp mình, thay vì tin vào con số quảng cáo chung chung của nhà cung cấp phần mềm.

4. 4

   Kết hợp con số AI với đánh giá định tính của người quản lý

   Đưa con số dự báo AI vào cuộc họp lập kế hoạch như một điểm khởi đầu tham khảo, để trưởng phòng kinh doanh và các bên liên quan điều chỉnh dựa trên thông tin AI không có (một hợp đồng lớn sắp ký, một đối thủ sắp ra mắt sản phẩm cạnh tranh), thay vì áp dụng máy móc con số đầu ra như một mệnh lệnh cuối cùng.

5. 5

   Theo dõi và tinh chỉnh định kỳ

   Sau mỗi kỳ dự báo, so sánh con số dự báo với thực tế xảy ra, ghi nhận nguyên nhân lệch (nếu có) và dùng thông tin đó để cải thiện mô hình ở kỳ sau — dự báo doanh số không phải việc làm một lần rồi thôi mà là một quy trình lặp lại được cải thiện dần theo thời gian.

Sai số hợp lý và khi nào không nên tin

Một điều quan trọng cần hiểu đúng ngay từ đầu là không có mô hình dự báo nào — dù dùng AI hiện đại tới đâu — cho ra con số chính xác tuyệt đối, và việc kỳ vọng sai số bằng không mới chính là sai lầm nguy hiểm nhất. Với ngành hàng có nhu cầu tương đối ổn định (nhu yếu phẩm, dịch vụ định kỳ), sai số dự báo trong khoảng một vài phần trăm đến khoảng mười phần trăm cho kỳ dự báo gần (1-3 tháng tới) thường được xem là chấp nhận được; còn với ngành hàng biến động mạnh theo trend hoặc thời vụ ngắn (thời trang nhanh, đồ chơi theo trào lưu), sai số có thể cao hơn đáng kể và bạn nên chuẩn bị kế hoạch dự phòng linh hoạt hơn thay vì chỉ dựa vào một con số duy nhất.

Dấu hiệu cho thấy bạn không nên tin vào một kết quả dự báo cụ thể bao gồm: mô hình đưa ra con số tăng trưởng đột biến không giải thích được bằng bất kỳ sự kiện thực tế nào sắp diễn ra, khoảng tin cậy (nếu công cụ có hiển thị) quá rộng khiến con số trung tâm gần như vô nghĩa, hoặc giai đoạn bạn đang dự báo trùng với một sự kiện chưa từng xảy ra trong dữ liệu lịch sử (ra mắt sản phẩm hoàn toàn mới, mở rộng sang thị trường mới) — những trường hợp này mô hình buộc phải ngoại suy từ dữ liệu không tương đồng nên độ tin cậy giảm mạnh.

Trường hợp không nên dùng dự báo tự động

Có ba tình huống mà việc phụ thuộc vào dự báo AI tự động thường gây hại nhiều hơn lợi. Thứ nhất là doanh nghiệp hoàn toàn mới, chưa có đủ 24 tháng dữ liệu như đã nói ở trên — lúc này kinh nghiệm ngành và nghiên cứu thị trường định tính đáng tin hơn một mô hình được huấn luyện từ quá ít dữ liệu. Thứ hai là khi doanh nghiệp sắp trải qua một thay đổi lớn chưa từng có tiền lệ trong dữ liệu lịch sử, như đổi hoàn toàn mô hình kinh doanh, ra mắt dòng sản phẩm hoàn toàn khác biệt, hay mở rộng sang thị trường mới — mô hình AI chỉ học được từ quá khứ nên không thể lường trước được những thay đổi mang tính bước ngoặt này.

Thứ ba, cần đặc biệt thận trọng khi dùng dự báo tự động để ra quyết định tài chính có tính ràng buộc cao như vay vốn ngân hàng hay cam kết với nhà đầu tư, vì lúc này sai số dự báo có thể kéo theo hậu quả pháp lý hoặc tài chính nghiêm trọng — trong các trường hợp này, con số AI nên chỉ đóng vai trò tham khảo, còn quyết định cuối cùng cần có sự thẩm định thêm của người có chuyên môn tài chính. Nếu bạn muốn tìm hiểu thêm về việc dự báo dòng tiền — một bài toán liên quan mật thiết tới dự báo doanh số — có thể đọc thêm bài Dự báo dòng tiền bằng AI cho doanh nghiệp nhỏ và vừa, hoặc nếu doanh nghiệp bạn chưa có đội ngũ chuyên trách phân tích dữ liệu để tự triển khai những mô hình này, bài Phân tích dữ liệu kinh doanh bằng AI khi không có nhân sự data sẽ cho bạn hướng đi phù hợp hơn. Muốn xem bức tranh tổng thể hơn về cách AI hỗ trợ cả khâu bán hàng, quay lại bài gốc AI cho Bán hàng: tăng tỷ lệ chốt mà không tăng nhân sự.