Prescriptive analytics là gì?

Mục lục

1. Prescriptive analytics là gì?
2. Prescriptive nằm ở đâu trong bốn cấp độ phân tích?
3. Prescriptive analytics hoạt động thế nào?
4. Ví dụ minh hoạ: chọn cơ cấu sản xuất bằng tay
5. Những kỹ thuật và công cụ nào nằm sau prescriptive analytics?
6. Prescriptive khác gì predictive và các công cụ gần nó?
7. Doanh nghiệp Việt Nam có thể áp dụng vào đâu?
8. Cần chuẩn bị dữ liệu và đội ngũ gì?
9. Ưu điểm và hạn chế
10. Khi nào đáng làm và khi nào chưa cần?
11. Câu hỏi thường gặp

Prescriptive analytics là gì?

Prescriptive analytics, tiếng Việt thường gọi là phân tích đề xuất hoặc phân tích kê đơn, là bước phân tích đi từ “điều gì sẽ xảy ra” sang “chúng ta nên làm gì”. Theo cách Gartner định nghĩa, đây là dạng phân tích nâng cao trả lời câu hỏi “What should be done?” hay “What can we do to make ___ happen?”

Chữ “prescriptive” mượn từ y khoa: bác sĩ không chỉ chẩn đoán mà còn kê đơn. Với doanh nghiệp, “đơn thuốc” là một kế hoạch cụ thể. Ví dụ: sáng mai xe nào đi tuyến nào, kho nào nhập thêm bao nhiêu thùng, ca nào cần thêm mấy nhân viên.

Một phương án đề xuất chỉ có giá trị nếu nó thoả các điều kiện thực tế. Vì vậy Gartner mô tả nhóm này gồm các cách tiếp cận dựa trên luật và kỹ thuật tối ưu hoá, tìm kết quả tốt nhất trong giới hạn cho phép để tạo ra kế hoạch hành động có thể thực thi. Một báo cáo dự đoán doanh số tăng 12% chưa phải là prescriptive. Nó chỉ trở thành prescriptive khi hệ thống nói được: với ngân sách và công suất hiện có, hãy phân bổ theo phương án này.

Prescriptive nằm ở đâu trong bốn cấp độ phân tích?

Bốn cấp độ thường được xếp theo độ trưởng thành: mô tả, chẩn đoán, dự đoán, đề xuất. Mỗi cấp trả lời một câu hỏi khác nhau và đòi hỏi đầu vào của cấp trước. Bạn có thể xem nền tảng ở bài phân tích mô tả và phân tích dự đoán. Bài này chỉ tập trung vào bước cuối.

Cấp độ	Đầu ra điển hình	Kỹ thuật chính	Ví dụ ở chuỗi cửa hàng
Mô tả	Báo cáo, dashboard	Tổng hợp, truy vấn, trực quan hoá	Doanh thu tuần trước theo cửa hàng
Chẩn đoán	Nguyên nhân	Drill-down, so sánh nhóm	Cửa hàng A giảm vì hết hàng ngày cao điểm
Dự đoán	Xác suất, dự báo	Hồi quy, chuỗi thời gian, phân loại	Nhu cầu tuần tới của từng mã hàng
Đề xuất	Kế hoạch hành động	Tối ưu hoá, mô phỏng, luật, heuristic	Số lượng điều chuyển giữa các kho để giảm thiếu hàng

Điểm khác quan trọng nhất là loại đầu ra. Dự đoán cho bạn một con số hoặc một xác suất. Đề xuất cho bạn một tập quyết định đã được kiểm tra với giới hạn thật như công suất, ngân sách, thời hạn giao hàng. Muốn thấy bức tranh rộng hơn của cả chuỗi, bạn có thể đọc tổng quan về phân tích dữ liệu.

Prescriptive analytics hoạt động thế nào?

Về cơ chế, một hệ thống prescriptive biến câu hỏi kinh doanh thành bài toán có ba thành phần:

• Biến quyết định (decision variables): những thứ bạn được phép thay đổi, ví dụ số đơn vị sản xuất mỗi mẫu, thứ tự giao hàng, mức giá.
• Hàm mục tiêu (objective): thứ cần cực đại hoặc cực tiểu, như lợi nhuận, tổng quãng đường, chi phí tồn kho.
• Ràng buộc (constraints): giới hạn không được vi phạm, như giờ máy, tải trọng xe, ngân sách, cam kết giao hàng.

Dự báo từ mô hình học máy thường đi vào bài toán như một tham số, ví dụ nhu cầu dự kiến là giới hạn trên của số lượng bán. Các tài liệu học thuật mô tả prescriptive là lớp lấy kết quả dự đoán rồi dùng trí tuệ nhân tạo, thuật toán tối ưu hoá và hệ chuyên gia để đưa ra quyết định thích ứng, có ràng buộc, theo thời gian và tối ưu.

Bước thứ tư dễ bị bỏ qua nhất: khuyến nghị phải đi kèm giả định. Một công cụ chỉ in ra “điều chuyển 300 thùng” mà không cho biết nó dựa trên dự báo nhu cầu nào thì người duyệt không có cơ sở để tin hay bác.

Ví dụ minh hoạ: chọn cơ cấu sản xuất bằng tay

Ví dụ minh hoạ, số liệu giả định. Một xưởng may có 100 giờ máy trong tuần và sản xuất hai mẫu:

• Mẫu A: lợi nhuận 40 nghìn đồng mỗi sản phẩm, tốn 2 giờ máy.
• Mẫu B: lợi nhuận 30 nghìn đồng mỗi sản phẩm, tốn 1 giờ máy.
• Mô hình dự báo nhu cầu cho thấy tuần này bán tối đa 40 sản phẩm A và 70 sản phẩm B.

Bài toán viết gọn: tối đa hoá 40A + 30B với 2A + B ≤ 100, A ≤ 40, B ≤ 70. Với dạng quy hoạch tuyến tính hai biến, lời giải nằm ở một trong các đỉnh của vùng cho phép. Bạn thử từng đỉnh:

Phương án (A, B)	Giờ máy dùng	Lợi nhuận (nghìn đồng)
(0, 70)	70	2.100
(15, 70)	100	2.700
(40, 20)	100	2.200
(40, 0)	80	1.600

Phương án (15, 70) cho lợi nhuận cao nhất. Lý do: mẫu B sinh 30 nghìn đồng trên mỗi giờ máy, còn mẫu A chỉ 20 nghìn đồng, nên hệ thống bán hết B trước rồi dùng giờ còn lại cho A. Trực giác “A lãi trên mỗi sản phẩm cao hơn nên làm nhiều A” cho ra (40, 20), thấp hơn 500 nghìn đồng.

Ví dụ này cũng cho thấy điểm yếu. Nếu dự báo nhu cầu B thực ra chỉ là 40, phương án tốt nhất đổi hoàn toàn. Vì vậy các hệ thống thực tế luôn chạy lại với nhiều giá trị đầu vào (phân tích độ nhạy) thay vì tin một lần chạy.

Những kỹ thuật và công cụ nào nằm sau prescriptive analytics?

Không có một thuật toán duy nhất. Theo Gartner, nhóm này dựa vào phân tích đồ thị, mô phỏng, xử lý sự kiện phức hợp và hệ gợi ý. Trong triển khai thực tế bạn hay gặp các nhóm sau.

Tối ưu hoá toán học

Gồm quy hoạch tuyến tính (LP), quy hoạch nguyên hỗn hợp (MIP) khi biến phải là số nguyên như số xe, số ca, và các bài toán định tuyến phương tiện. Đây là lõi của lập kế hoạch sản xuất, phân bổ kho, lập lịch. Các bộ giải (solver) phổ biến gồm Gurobi, IBM CPLEX và thư viện mã nguồn mở Google OR-Tools. Người dùng Python thường mô hình hoá bằng PuLP hoặc Pyomo rồi gọi solver.

Mô phỏng

Mô phỏng Monte Carlo chạy hàng nghìn kịch bản ngẫu nhiên để thấy khoảng dao động của kết quả. Một bài viết của Gartner mô tả cách này như thay một con số trung bình đơn lẻ bằng cả “đoạn phim” các kết quả có thể xảy ra. Với quyết định có rủi ro như tiến độ dự án hoặc tồn kho an toàn, mô phỏng giúp so sánh phương án theo xác suất chứ không theo trung bình.

Luật nghiệp vụ và heuristic

Khi bài toán chưa đủ dữ liệu để tối ưu, nhiều đơn vị bắt đầu bằng bộ luật rõ ràng, ví dụ “tồn dưới điểm đặt hàng lại thì tạo đơn”. Gartner xếp các cách tiếp cận dựa trên luật vào cùng nhóm prescriptive. Luật dễ giải thích và dễ kiểm toán, nhưng khó xử lý khi có nhiều ràng buộc đan nhau.

Hệ gợi ý và học tăng cường

Hệ gợi ý chọn sản phẩm hoặc ưu đãi cho từng khách. Với quyết định nối tiếp nhiều bước, học tăng cường học chính sách hành động từ phản hồi, nhưng đòi hỏi môi trường mô phỏng hoặc dữ liệu thử nghiệm đủ an toàn.

Hai mức can thiệp của con người

Một tổng quan nghiên cứu dẫn Gartner phân biệt hỗ trợ quyết định (đưa khuyến nghị) và tự động hoá quyết định (thực thi luôn hành động được đề xuất). Với phần lớn doanh nghiệp Việt Nam, mức thứ nhất là điểm xuất phát hợp lý, vì người duyệt còn bắt được những ràng buộc chưa kịp đưa vào mô hình.

Prescriptive khác gì predictive và các công cụ gần nó?

Dự đoán cho biết kết quả có thể xảy ra, còn prescriptive chọn hành động. Gartner nhấn mạnh phân tích dự đoán không trả lời được câu hỏi phải làm gì với điều đó. Ngoài ra có vài khái niệm hay bị nhầm:

Khái niệm	Khác biệt so với prescriptive
Dashboard BI	Hiển thị chỉ số. Người xem tự quyết định hành động.
Mô hình dự báo nhu cầu	Cho ra số dự báo, không xét công suất hay ngân sách.
Cảnh báo theo ngưỡng	Báo khi vượt ngưỡng, nhưng không so sánh các cách xử lý.
Hệ gợi ý sản phẩm	Một dạng prescriptive hẹp, thường không có ràng buộc tài nguyên.
Phân tích what-if trên bảng tính	Người tự thử từng phương án. Prescriptive để máy tìm phương án trong không gian lớn hơn.

Doanh nghiệp Việt Nam có thể áp dụng vào đâu?

Các tình huống dưới đây là ví dụ minh hoạ về loại bài toán, không phải số liệu từ doanh nghiệp cụ thể.

• Giao hàng chặng cuối: một đơn vị giao nhận có vài chục xe máy và vài trăm điểm giao mỗi buổi sáng. Bài toán định tuyến chọn điểm giao nào cho xe nào, có khung giờ hẹn và tải trọng. Dự báo chỉ nói sẽ có bao nhiêu đơn, còn thứ tự giao phải do bộ giải tính.
• Điều chuyển hàng giữa cửa hàng: chuỗi cửa hàng tiện lợi có dự báo nhu cầu theo mã hàng. Hệ thống đề xuất chuyển từ kho nào sang cửa hàng nào, trong giới hạn xe tải và chi phí vận chuyển.
• Xếp ca nhân viên: quán cà phê hoặc trung tâm chăm sóc khách hàng có nhu cầu theo giờ. Ràng buộc gồm số giờ tối đa mỗi người, nghỉ giữa ca, kỹ năng. Mục tiêu là đủ người lúc cao điểm mà tổng giờ làm thấp nhất.
• Phân bổ ngân sách quảng cáo: dùng đường cong phản hồi ước lượng cho từng kênh, rồi chia ngân sách để tổng chuyển đổi dự kiến cao nhất trong trần chi phí.
• Lập kế hoạch sản xuất: như ví dụ xưởng may ở trên, mở rộng thêm nguyên liệu, nhân công và lô tối thiểu.

Khi khuyến nghị tác động tới từng khách hàng, chẳng hạn ưu đãi riêng hoặc hạn mức, dữ liệu cá nhân đi vào mô hình. Bạn cần xác định rõ trường nào được dùng và lưu lại lý do khuyến nghị để giải thích khi khách thắc mắc.

Cần chuẩn bị dữ liệu và đội ngũ gì?

Một dự án prescriptive đòi hỏi nhiều loại dữ liệu hơn dự án dự báo. Ngoài lịch sử giao dịch, bạn cần:

• Dữ liệu chi phí và biên lợi nhuận theo đơn vị quyết định (mã hàng, tuyến, ca).
• Danh mục ràng buộc ở dạng số: công suất, tải trọng, thời hạn, quy định nội bộ.
• Dự báo kèm khoảng bất định, không chỉ giá trị trung bình.
• Nhật ký quyết định trước đây và kết quả của chúng, để so sánh phương án máy đề xuất với cách người từng làm.

Ràng buộc là phần khó thu thập nhất, vì nhiều giới hạn chỉ nằm trong đầu người điều phối (“tuyến này kẹt xe sau 4 giờ chiều”). Dữ liệu sai đơn vị hoặc thiếu sẽ làm solver đưa ra phương án vô lý một cách rất tự tin, nên khâu chất lượng dữ liệu cần được kiểm trước khi dựng mô hình. Dữ liệu cũng phải được cập nhật đều đặn, thường qua một data pipeline chạy theo lịch.

Về nhân sự, bài toán thường cần người hiểu cả mô hình toán lẫn nghiệp vụ. Vai trò này thường nằm ở data scientist hoặc chuyên gia vận trù học (operations research), phối hợp với người điều phối thực tế.

Ưu điểm và hạn chế

Ưu điểm

• Xét đồng thời nhiều ràng buộc mà người khó cân hết bằng tay, như ví dụ cơ cấu sản xuất ở trên.
• Cho phép so sánh định lượng các phương án thay vì tranh luận cảm tính.
• Cùng một mô hình chạy lại nhanh khi điều kiện đổi, ví dụ một xe hỏng hoặc một kho đóng cửa.
• Với quyết định lặp hằng ngày, phần tự động hoá giải phóng người điều phối khỏi tính toán thủ công.

Hạn chế

• Phụ thuộc giả định: một bài tổng quan của SolveXia nhấn mạnh prescriptive dựa trên giả định, nên đầu vào phải được xác định chính xác.
• Độ chín còn thấp: một tổng quan học thuật dẫn Gartner năm 2017 cho rằng nhóm này kém chín muồi hơn phân tích mô tả và dự đoán. Bạn nên coi số liệu thị trường và mức độ phổ biến thời đó là tham khảo cũ.
• Khó mô hình hoá: những yếu tố như tâm lý khách hàng, quan hệ với nhà cung cấp khó đưa thành ràng buộc, nên phương án tối ưu về toán có thể không khả thi về con người.
• Hộp đen: khi dùng học máy trong lõi, rất khó giải thích vì sao ra phương án này. Mô hình tối ưu tuyến tính thì dễ giải thích hơn.
• Cần đổi quy trình ra quyết định: một bài của Gartner nêu rằng phân tích và mô phỏng thôi chưa đủ, cách ra quyết định của tổ chức cũng phải thay đổi.

Khi nào đáng làm và khi nào chưa cần?

Ma trận trên cho thấy solver tối ưu có lợi nhất ở góc trên bên phải: quyết định lặp hằng ngày hoặc hằng tuần, và bị chi phối bởi nhiều giới hạn cùng lúc. Chỉ một vài đường giao hàng cố định thì một bảng tính có Solver tích hợp, hoặc người điều phối giàu kinh nghiệm, thường đã đủ.

Một số dấu hiệu cho thấy prescriptive chưa phải ưu tiên:

• Quyết định xảy ra vài lần mỗi năm và có thể bàn bạc kỹ.
• Dữ liệu chi phí và ràng buộc chưa được ghi lại ở đâu, chỉ có trong trí nhớ.
• Chưa có dự báo đủ tin cậy làm đầu vào, vì nếu chỉ mới có báo cáo tay thì bước hợp lý hơn là hoàn thiện phần mô tả và dự đoán trước.
• Phương án khuyến nghị không thể thực thi vì bộ phận vận hành không có quyền đổi lịch hay quy trình.

Câu hỏi thường gặp

Prescriptive analytics có phải là AI không?

Không hoàn toàn. Nhiều hệ thống prescriptive dùng tối ưu hoá toán học hoặc luật nghiệp vụ, không có học máy. AI, cụ thể là học máy, thường nằm ở khâu dự báo cấp đầu vào. Một số hệ thống dùng thêm học tăng cường hoặc hệ gợi ý, khi đó phần AI nằm ngay trong lõi quyết định.

Prescriptive analytics khác gì predictive analytics?

Predictive cho biết điều gì có khả năng xảy ra, ví dụ nhu cầu tuần tới. Prescriptive nhận dự báo đó cùng ràng buộc rồi chọn hành động, ví dụ nhập bao nhiêu và chuyển đi đâu. Predictive không tự cho biết phải làm gì tiếp theo. Bạn có thể coi predictive là đầu vào của prescriptive.

Doanh nghiệp nhỏ có cần prescriptive analytics không?

Không bắt buộc. Nếu quyết định ít lặp và ít ràng buộc, bảng tính hoặc kinh nghiệm của người điều phối thường đủ. Giá trị rõ nhất khi quyết định lặp hằng ngày với nhiều giới hạn, như xếp tuyến giao hàng hay lập lịch ca. Lúc đó có thể thử trước với thư viện mã nguồn mở, không nhất thiết mua nền tảng đắt tiền.

Cần những công cụ nào để làm prescriptive analytics?

Ở mức bài toán, bạn cần một bộ giải tối ưu (như Gurobi, IBM CPLEX hoặc Google OR-Tools), thư viện mô hình hoá (như PuLP, Pyomo) và nguồn dữ liệu đầu vào đã làm sạch. Gartner cũng mô tả nhóm nền tảng prescriptive tập trung vào xây dựng giải pháp tối ưu, gồm chuẩn bị dữ liệu, dựng mô hình, quản lý và triển khai mô hình. Việc chọn công cụ phụ thuộc quy mô bài toán và kỹ năng đội ngũ.

Vì sao khuyến nghị của hệ thống đôi khi không dùng được?

Nguyên nhân thường gặp là thiếu một ràng buộc thực tế (giờ cấm tải, hợp đồng với nhà cung cấp), dự báo đầu vào lệch, hoặc hàm mục tiêu không phản ánh ưu tiên thật. Cách xử lý là đưa ràng buộc còn thiếu vào mô hình, chạy lại với nhiều kịch bản dự báo và cho người điều phối ghi lý do khi bác khuyến nghị. Lý do đó chính là dữ liệu để cải tiến mô hình.

Có rủi ro pháp lý hay đạo đức nào khi để hệ thống tự quyết định?

Có, nhất là khi quyết định ảnh hưởng đến cá nhân như giá riêng, hạn mức hoặc phân ca. Bạn cần biết hệ thống dùng trường dữ liệu nào, có thiên lệch với nhóm nào không và có cho người có thẩm quyền xem xét lại không. Với quyết định chỉ liên quan đến vận hành nội bộ như tuyến xe hay lịch máy, rủi ro chủ yếu là kinh doanh chứ không phải dữ liệu cá nhân.