EXA Enterprise
KR|EN|JP|CN|VN
Published on

BA04-3. [Phần 2 của Chuỗi bài] Quản lý Xác suất Danh mục đầu tư — Đọc toàn bộ Pipeline bằng Bayesian

BA04-3. [Phần 2 của Chuỗi bài] Quản lý Xác suất Danh mục đầu tư — Đọc toàn bộ Pipeline bằng Bayesian

Quản lý Xác suất Danh mục đầu tư — Đọc toàn bộ Pipeline bằng Bayesian

"Bán hàng mà chỉ nhìn cây thì sẽ bỏ lỡ cả khu rừng. Chỉ khi nhìn bao quát cả khu rừng bằng xác suất, chiến lược mới hiển hiện."

Mở đầu: Từ giao dịch riêng lẻ đến toàn bộ Pipeline

Trong Phần 1 của Chuỗi bài, chúng ta đã xem xét cách tính xác suất trúng thầu P(Win) của một giao dịch (deal) riêng lẻ. Tuy nhiên, một tổ chức bán hàng trong thực tế không chỉ quản lý 1 giao dịch. Trên bàn làm việc của Giám đốc Bán hàng, có hàng chục, hàng trăm giao dịch đang diễn ra cùng lúc.

"Mục tiêu doanh thu quý này là 50 tỷ won. Với các giao dịch hiện có trong pipeline, liệu chúng ta có đạt được không?"

Câu trả lời truyền thống cho câu hỏi này là cộng dồn các đánh giá chủ quan của từng nhân viên bán hàng:

Giao dịchXác suất nhân viên dự tínhGiá trị giao dịchDoanh thu đóng góp dự kiến
Triển khai ERP Công ty A80%12 tỷ9.6 tỷ
Di chuyển Cloud Công ty B60%8 tỷ4.8 tỷ
Giải pháp bảo mật Công ty C90%5 tỷ4.5 tỷ
Tổng cộng25 tỷ18.9 tỷ

18.9 tỷ? Còn cách rất xa mục tiêu 50 tỷ. Nhưng con số này đáng tin cậy đến mức nào? Ai đã quyết định con số "80%" của Công ty A? 80% đó là đánh giá quá cao hay quá thấp?

Quản lý danh mục đầu tư Bayesian mang lại câu trả lời trung thực về mặt toán học cho tất cả những câu hỏi này.

Phần 1: Tính toán Doanh thu Kỳ vọng bằng Bayesian

1.1 Công thức cơ bản: Doanh thu gia quyền theo xác suất

Nếu P(Win) của EXAWin đã được tính cho mỗi giao dịch ii, thì Doanh thu Kỳ vọng (Expected Revenue) của toàn bộ pipeline là:

E[Revenue]=∑i=1NPi(Win)×ViE[\text{Revenue}] = \sum_{i=1}^{N} P_i(\text{Win}) \times V_i

Trong đó, ViV_i là giá trị hợp đồng dự kiến của giao dịch ii.

1.2 Dự báo 3 cấp độ phản ánh sự không chắc chắn

Tuy nhiên, chỉ một P(Win) là không đủ. Bằng cách sử dụng Khoảng tin cậy (Credible Interval) đã học ở Phần 1 của Chuỗi bài, ta có thể dự báo theo 3 cấp độ, phản ánh được sự không chắc chắn của toàn bộ pipeline.

Sử dụng khoảng tin cậy 95% [Pi,lower,Pi,upper][P_{i,lower}, P_{i,upper}] cho mỗi giao dịch:

Dự baˊo Bảo thủ=∑i=1NPi,lower×Vi\text{Dự báo Bảo thủ} = \sum_{i=1}^{N} P_{i,lower} \times V_i Dự baˊo Kyˋ vọng=∑i=1NPi(Win)×Vi\text{Dự báo Kỳ vọng} = \sum_{i=1}^{N} P_i(\text{Win}) \times V_i Dự baˊo Lạc quan=∑i=1NPi,upper×Vi\text{Dự báo Lạc quan} = \sum_{i=1}^{N} P_{i,upper} \times V_i

1.3 Kịch bản: Pipeline 5 giao dịch

Giao dịchGiá trị giao dịchP(Win)α + βCI LowerCI UpperĐộ trưởng thành
ERP Công ty A12 tỷ78.5%41.066.1%91.0%🌳 Mature
Cloud Công ty B8 tỷ62.3%12.535.8%88.8%🌿 Growing
Bảo mật Công ty C5 tỷ85.2%55.075.9%94.5%🌳 Mature
AI Công ty D20 tỷ45.1%8.015.6%74.6%🌱 Early
Bảo trì Công ty E3 tỷ91.3%120.086.2%96.4%🌳 Mature
Dự báo Doanh thu 3 cấp độ: Bảo thủ=120×0.661+80×0.358+50×0.759+200×0.156+30×0.862\text{Bảo thủ} = 120 \times 0.661 + 80 \times 0.358 + 50 \times 0.759 + 200 \times 0.156 + 30 \times 0.862 =79.3+28.6+38.0+31.2+25.9=20.30 tỷ= 79.3 + 28.6 + 38.0 + 31.2 + 25.9 = \textbf{20.30 tỷ} Kyˋ vọng=120×0.785+80×0.623+50×0.852+200×0.451+30×0.913\text{Kỳ vọng} = 120 \times 0.785 + 80 \times 0.623 + 50 \times 0.852 + 200 \times 0.451 + 30 \times 0.913 =94.2+49.8+42.6+90.2+27.4=30.42 tỷ= 94.2 + 49.8 + 42.6 + 90.2 + 27.4 = \textbf{30.42 tỷ} Lạc quan=120×0.910+80×0.888+50×0.945+200×0.746+30×0.964\text{Lạc quan} = 120 \times 0.910 + 80 \times 0.888 + 50 \times 0.945 + 200 \times 0.746 + 30 \times 0.964 =109.2+71.0+47.3+149.2+28.9=40.56 tỷ= 109.2 + 71.0 + 47.3 + 149.2 + 28.9 = \textbf{40.56 tỷ}

Báo cáo cho Ban giám đốc: "Dựa trên pipeline hiện tại, doanh thu kỳ vọng cho quý này là 30.4 tỷ won. Ở mức bảo thủ là khoảng 20.3 tỷ, và mức lạc quan là 40.6 tỷ. Để đạt được mục tiêu 50 tỷ, chúng ta cần đảm bảo thêm các giao dịch mới với quy mô khoảng 10~20 tỷ."

Đây chính là phương pháp Bayesian, không chỉ báo cáo một con số duy nhất ("30.4 tỷ") mà còn báo cáo cùng với phạm vi không chắc chắn. Ban giám đốc có thể đưa ra các quyết định có nhận thức về rủi ro giữa kịch bản bảo thủ (20.3 tỷ) và kịch bản lạc quan (40.6 tỷ).

Phần 2: Ma trận Ưu tiên Giao dịch — Nên dồn sức vào đâu

2.1 Ma trận P(Win) × Giá trị Giao dịch

Nguồn lực bán hàng là có hạn. 5 nhân viên bán hàng không thể quản lý 50 giao dịch cùng một lúc. Cốt lõi là tập trung vào những giao dịch nào.

Chúng ta phân loại chúng bằng ma trận 2 chiều:

Giá trị Giao dịch Cao (≥ 10 tỷ)Giá trị Giao dịch Thấp (< 10 tỷ)
P(Win) Cao (≥ 70%)🔴 Ưu tiên Hàng đầu: Đầu tư toàn lực🟡 Hiệu quả: Chốt sale nhanh chóng
P(Win) Thấp (< 70%)🟠 Chiến lược: Nuôi dưỡng tập trung hoặc Từ bỏ🟢 Quan sát: Quản lý tối thiểu

Áp dụng cho 5 giao dịch ở trên:

  • ERP Công ty A (12 tỷ, 78.5%) → 🔴 Ưu tiên Hàng đầu
  • AI Công ty D (20 tỷ, 45.1%) → 🟠 Chiến lược (Giá trị lớn nhất nhưng xác suất thấp → Cần nuôi dưỡng tập trung)
  • Bảo mật Công ty C (5 tỷ, 85.2%) → 🟡 Hiệu quả (Hoàn tất hợp đồng nhanh chóng)
  • Cloud Công ty B (8 tỷ, 62.3%) → 🟡/🟠 Ranh giới (Cần thêm tín hiệu)
  • Bảo trì Công ty E (3 tỷ, 91.3%) → 🟡 Hiệu quả (Gần như đã chắc chắn, quản lý tối thiểu)

2.2 Điều chỉnh Ưu tiên Xét theo Độ trưởng thành của Bằng chứng

Ngay cả khi P(Win) cao, nếu độ trưởng thành của bằng chứng là 🌱 Early, thì xác suất đó không ổn định. Đối với giao dịch AI Công ty D (20 tỷ, 45.1%, 🌱 Early), CI là [15.6%, 74.6%], một phạm vi cực kỳ rộng.

Expected Value=P(Win)×V=0.451×200=9.02 tỷ\text{Expected Value} = P(\text{Win}) \times V = 0.451 \times 200 = 9.02\text{ tỷ}

Tuy nhiên, trong kịch bản bảo thủ:

Conservative=Plower×V=0.156×200=3.12 tỷ\text{Conservative} = P_{lower} \times V = 0.156 \times 200 = 3.12\text{ tỷ}

Khoảng cách giữa giá trị kỳ vọng 9.02 tỷ và mức bảo thủ 3.12 tỷ là 5.9 tỷ. Khoảng cách này càng lớn, rủi ro càng cao.

EXAWin hiển thị điều này dưới dạng Độ biến động Giá trị Kỳ vọng (Expected Value Volatility - EVV):

EVV=(Pupper−Plower)×V\text{EVV} = (P_{upper} - P_{lower}) \times V
Giao dịchEVVDiễn giải
AI Công ty D(0.746 - 0.156) × 200 = 11.80 tỷRất không ổn định, cần bổ sung bằng chứng khẩn cấp
Cloud Công ty B(0.888 - 0.358) × 80 = 4.24 tỷKhông ổn định, cần thu thập bằng chứng
ERP Công ty A(0.910 - 0.661) × 120 = 2.99 tỷỔn định, tập trung vào việc chốt sale
Bảo mật Công ty C(0.945 - 0.759) × 50 = 0.93 tỷRất ổn định, giai đoạn hoàn thiện
Bảo trì Công ty E(0.964 - 0.862) × 30 = 0.31 tỷĐã chắc chắn, chỉ cần quản lý

Insight Chiến lược: Giao dịch AI Công ty D có giá trị kỳ vọng là 9 tỷ, nhưng EVV lên tới 11.8 tỷ. Đây là một lời cảnh báo mạnh mẽ: "Chỉ một giao dịch này có thể quyết định thành tích của cả quý, nhưng chúng ta vẫn đang thiếu quá nhiều bằng chứng." Phải điều động nhân sự bán hàng xuất sắc nhất vào Công ty D để nhanh chóng nâng độ trưởng thành của bằng chứng từ 🌱→🌿→🌳.

Phần 3: Phân bổ Nguồn lực Tối ưu — Toán học của Quỹ thời gian có hạn

3.1 Giá trị Kỳ vọng Cận biên (Marginal Expected Value)

Chúng ta có thể tính toán giá trị kỳ vọng cận biên mà 1 giờ làm việc của nhân viên bán hàng mang lại cho mỗi giao dịch. Đối với một giao dịch có P(Win) khoảng 50%, 1 giờ hoạt động bổ sung có thể làm tăng xác suất lên 3~5%p. Nhưng đối với một giao dịch đã đạt 90%, việc đầu tư thêm 1 giờ có thể không làm tăng nổi 1%p.

Điều này hoàn toàn phù hợp với Quy luật Lợi tức Giảm dần (Law of Diminishing Returns):

MEVi=∂Pi∂t×Vi\text{MEV}_i = \frac{\partial P_i}{\partial t} \times V_i

MEV cao nhất ở các giao dịch có P(Win) nằm trong khoảng giữa (40~60%). Việc đầu tư thời gian vào các giao dịch đã chắc chắn hoặc các giao dịch đã bị loại bỏ là kém hiệu quả.

3.2 Ví dụ Phân bổ Thực tế

Nếu trong 40 giờ/tuần, thời gian khả dụng cho các hoạt động bán hàng = 30 giờ:

Giao dịchKhoảng P(Win)Thời gian phân bổChiến lược
AI Công ty D45.1% (Khoảng giữa)12 giờNuôi dưỡng tập trung — POC Kỹ thuật, họp với người ra quyết định
Cloud Công ty B62.3% (Khoảng giữa)8 giờThu thập tín hiệu — Demo bổ sung, điều chỉnh báo giá
ERP Công ty A78.5% (Cao)5 giờChốt sale — Đàm phán điều khoản cuối cùng
Bảo mật Công ty C85.2% (Cao)3 giờHoàn thiện — Xem xét hợp đồng
Bảo trì Công ty E91.3% (Gần như chắc chắn)2 giờQuản lý — Kiểm tra lịch ký kết

Nguyên tắc Cốt lõi: "Đừng lãng phí thời gian vào những giao dịch đã chắc chắn. Hãy đầu tư vào những giao dịch có giá trị cao trong số những giao dịch không chắc chắn." Đây chính là bản chất của phân bổ nguồn lực dựa trên xác suất.

Phần 4: Các Chỉ số Sức khỏe của Pipeline

4.1 Tỷ lệ Bao phủ Pipeline Gia quyền (Weighted Pipeline Coverage)

Tỷ lệ bao phủ pipeline truyền thống chỉ đơn giản là tỷ lệ "Tổng Pipeline / Mục tiêu":

Coverage Đơn giản=∑ViMục tieˆu=48 tỷ50 tỷ=0.96x\text{Coverage Đơn giản} = \frac{\sum V_i}{\text{Mục tiêu}} = \frac{48\text{ tỷ}}{50\text{ tỷ}} = 0.96x

Nhưng con số này đã bỏ qua P(Win). Tỷ lệ bao phủ gia quyền Bayesian là:

Coverage Gia quyeˆˋn=∑Pi×ViMục tieˆu=30.42 tỷ50 tỷ=0.61x\text{Coverage Gia quyền} = \frac{\sum P_i \times V_i}{\text{Mục tiêu}} = \frac{30.42\text{ tỷ}}{50\text{ tỷ}} = 0.61x

Và tỷ lệ bao phủ bảo thủ:

Coverage Bảo thủ=∑Pi,lower×ViMục tieˆu=20.30 tỷ50 tỷ=0.41x\text{Coverage Bảo thủ} = \frac{\sum P_{i,lower} \times V_i}{\text{Mục tiêu}} = \frac{20.30\text{ tỷ}}{50\text{ tỷ}} = 0.41x

Góc nhìn của Ban giám đốc: Mức coverage đơn giản 0.96x có vẻ "gần như có thể đạt được", nhưng mức coverage gia quyền 0.61x cho thấy "có một khoảng cách lớn", và mức coverage bảo thủ 0.41x ngụ ý "rủi ro nghiêm trọng". Thực tế được nói lên qua xác suất, chứ không phải những con số khô khan.

4.2 Xác suất Đạt Mục tiêu (Goal Achievement Probability)

Tinh vi hơn, chúng ta có thể trực tiếp tính toán "xác suất đạt được mục tiêu 50 tỷ". Giả sử mỗi giao dịch là độc lập, thì phân phối của tổng doanh thu sẽ trở thành tổng của các biến ngẫu nhiên Bernoulli riêng lẻ.

Sử dụng mô phỏng Monte Carlo với 10.000 lần lặp:

  • Trong mỗi mô phỏng, giao dịch ii thành công (doanh thu ViV_i) với xác suất PiP_i, và thất bại (doanh thu 0) với xác suất (1−Pi)(1 - P_i).
  • Tỷ lệ số lần tổng doanh thu ≥ 50 tỷ trong 10.000 lần = Xác suất Đạt Mục tiêu

Xác suất đạt 50 tỷ với pipeline hiện tại = khoảng 12.3%.

"Làm thế nào để nâng xác suất đạt mục tiêu lên trên 50%?" → Nâng P(Win) của giao dịch AI Công ty D từ 45% → 70% = 34.7% → + Thêm 2 giao dịch mới quy mô 10 tỷ (P(Win) 50%) = 51.2%

Phần 5: Tái cân bằng Danh mục đầu tư — Khi nào nên từ bỏ và Khi nào nên đẩy mạnh

5.1 Ngưỡng Cắt lỗ (Cut-off Threshold)

Chúng ta không thể theo đuổi mọi giao dịch đến cùng. Một giao dịch mà P(Win) liên tục giảm và dưới 30% mặc dù Độ trưởng thành của bằng chứng là 🌳 Mature, thì trên thực tế là đã thất bại.

Các điều kiện khuyến nghị từ bỏ của EXAWin:

  1. P(Win) < 25% AND Độ trưởng thành của bằng chứng ≥ 🌿 Growing
  2. Trong 3 cuộc họp liên tiếp S⁻ > S⁺ (Tín hiệu tiêu cực lấn át tín hiệu tích cực)
  3. Momentum P(Win) thấp hơn P(Win) cơ bản từ 15%p trở lên (Xu hướng gần đây đang xấu đi)

5.2 Ưu tiên Nuôi dưỡng (Nurture Priority)

Ngược lại, có những giao dịch P(Win) vẫn còn thấp nhưng tiềm năng tăng trưởng lại lớn:

  1. P(Win) = 30~50% AND Độ trưởng thành của bằng chứng 🌱 Early (Vẫn đang ở giai đoạn đầu thu thập bằng chứng)
  2. Thuộc Top 20% giá trị giao dịch
  3. Có ít nhất 1 tín hiệu SA 5.0 trong một cuộc họp gần đây

Những giao dịch này có khả năng làm P(Win) tăng vọt chỉ với 1~2 cuộc họp then chốt. Đây là việc sử dụng tính năng cốt lõi của Bayesian một cách có chiến lược — một bằng chứng nhỏ ban đầu có thể tạo ra sự thay đổi lớn về xác suất.

Phần 6: Theo dõi Danh mục đầu tư theo chuỗi thời gian — Chẩn đoán sức khỏe của khu rừng hàng tuần

6.1 Bảng điều khiển Pipeline hàng tuần

Vào mỗi thứ Hai, Giám đốc Bán hàng kiểm tra các số liệu sau trên một màn hình:

Số liệuTuần nàyTuần trướcThay đổiTín hiệu
Tổng số giao dịch4845+3🟢 Dòng chảy mới
Pipeline Gia quyền30.42 tỷ28.7 tỷ+1.72 tỷ🟢 Đang phát triển
Pipeline Bảo thủ20.30 tỷ19.8 tỷ+0.5 tỷ🟡 Tăng nhẹ
Xác suất Đạt Mục tiêu12.3%10.8%+1.5%p🟡 Đang cải thiện
P(Win) Trung bình58.2%56.7%+1.5%p🟢 Khỏe mạnh
Số giao dịch P(Win) < 30%87+1🔴 Ứng viên từ bỏ đang tăng
Cảnh báo Hình phạt Im lặng53+2🔴 Cần Follow-up gấp

6.2 Phân tích Xu hướng: Pipeline có đang trở nên khỏe mạnh hơn không?

Xu hướng pipeline gia quyền trong 4 tuần:

  • Tuần 1: 24.5 tỷ
  • Tuần 2: 26.7 tỷ
  • Tuần 3: 28.7 tỷ
  • Tuần 4: 30.4 tỷ

Xu hướng tuyến tính: khoảng +2 tỷ mỗi tuần. Nếu xu hướng này được duy trì, nó sẽ đạt khoảng 46 tỷ sau 8 tuần. Mức này gần đạt nhưng vẫn chưa đạt mục tiêu 50 tỷ.

Đánh giá Chiến lược: "Xu hướng hiện tại rất tốt, nhưng cần có thêm động lực để đạt được mục tiêu. Sự gia tăng P(Win) của giao dịch AI Công ty D, hoặc sự gia nhập của các giao dịch mới quy mô lớn là những biến số cốt lõi."

Kết luận: Đôi mắt nhìn thấu khu rừng

P(Win) của một giao dịch riêng lẻ là tình trạng sức khỏe của một cái cây. Nhưng điều mà Giám đốc Bán hàng cần là sức khỏe của toàn bộ khu rừng.

Quản lý Danh mục đầu tư Bayesian mang lại những khả năng sau:

  1. Dự báo Doanh thu Trung thực: Trình bày không chỉ giá trị kỳ vọng, mà còn cả phạm vi bảo thủ/lạc quan.
  2. Phân bổ Nguồn lực Tối ưu: Tập trung năng lượng vào các giao dịch có giá trị kỳ vọng cận biên cao nhất.
  3. Phát hiện Sớm Rủi ro: Xác định các giao dịch không ổn định thông qua EVV (Độ biến động Giá trị Kỳ vọng).
  4. Ra quyết định Chiến lược: Cung cấp các tiêu chí khách quan để từ bỏ, nuôi dưỡng và chốt sale.
  5. Xây dựng Niềm tin cho Ban giám đốc: Xây dựng văn hóa giao tiếp bằng xác suất, chứ không phải bằng trực giác.

Trong Phần 3 của Chuỗi bài, chúng ta sẽ đề cập đến Phân tích Đối thủ Cạnh tranh sử dụng Xác suất Có điều kiện — "Nếu đối thủ cạnh tranh tham gia vào giao dịch này, P(Win) của chúng ta sẽ thay đổi như thế nào?"

Tác giả: EXA Bayesian Research Lab
Phát hành: EXAWin Technical Series — Vol. 2
Từ khóa: #BayesianPortfolio #PipelineManagement #SalesForecast #ResourceOptimization #EXAWin

Bayesian EXAWin-Rate Forecaster

Phân tích tín hiệu từ các cuộc đàm phán trong thời gian thực bằng cập nhật Bayesian để dự đoán xác suất thành công. Với EXAWin, bán hàng trở thành khoa học dữ liệu hoàn hảo.

Bắt đầu

Comments0

Deep Dive

More in Bayesian

Explore Archive →
Sự cố PQC trên dây chuyền: quản lý lỗi bằng bằng chứng thay vì kết luận vội
Bayesian
Exa Omni+
EXA Intel

Sự cố PQC trên dây chuyền: quản lý lỗi bằng bằng chứng thay vì kết luận vội

Đây là một kịch bản kinh doanh SCM lấy dây chuyền sản xuất chủ lực làm quy trình tham chiếu, mô tả cách một NG được phát hiện trong PQC tuần tra trên dây chuyền được kết nối với LOT, dây chuyền, vị trí, loại lỗi, trạng thái xử lý, rủi ro vật tư cung ứng và ảnh hưởng đến giao hàng. Tài liệu giải thích cách hồ sơ chất lượng dựa trên giấy và Excel được chuẩn hóa trong Exa Omni+, và cách các bằng chứng lặp lại cập nhật phán đoán rủi ro.

ANALYSIS
Khoảnh khắc một nhập liệu POP nối đến xuất hàng: một ngày kiểm soát thực thi dây chuyền
Bayesian
Exa Omni+
EXA Intel

Khoảnh khắc một nhập liệu POP nối đến xuất hàng: một ngày kiểm soát thực thi dây chuyền

Đây là một kịch bản kinh doanh mô tả cách dữ liệu POP do công nhân nhập trên dây chuyền sản xuất chăn điện được nối đến tồn kho line-side, trạng thái WIP, nhập xuất WMS, cảnh báo rủi ro sản xuất R/Y/G và màn hình giám sát của trụ sở Nhật Bản. Tài liệu giải thích cách hiện trường sử dụng Exa Omni+ xoay quanh lệnh sản xuất, thực tích và tín hiệu rủi ro, thay vì phải hiểu các thuật toán phức tạp.

ANALYSIS
Từ nhập kho tầng 1 đến kho thành phẩm bên ngoài: cách tồn kho vẫn là tài sản của công ty
Bayesian
Exa Omni+
EXA Intel

Từ nhập kho tầng 1 đến kho thành phẩm bên ngoài: cách tồn kho vẫn là tài sản của công ty

Đây là kịch bản đồng bộ nhập xuất thời gian thực từ nhập nguyên vật liệu ở tầng 1, kiểm tra IQC tầng 2, quản lý location Keeping, Picking, đưa vào công đoạn, đến bảo quản tại kho thành phẩm 3PL bên ngoài. Tài liệu giải thích cách các ngoại lệ hiện trường như xuất khác, Scrap, trả hàng, điều chỉnh kiểm kê được đối soát thành độ chính xác tồn kho toàn công ty.

ANALYSIS
BA04-3. [Phần 2 của Chuỗi bài] Quản lý Xác suất Danh mục đầu tư — Đọc toàn bộ Pipeline bằng Bayesian | EXA Enterprise