PHÂN TÍCH WHAT-IF TRONG EXCEL

Năm kỹ thuật phân tích giả định từ bảng độ nhạy đến Monte Carlo, công cụ Excel tương ứng và bẫy con số trung bình

---

Một công ty nhựa phải quyết định tự sản xuất hay thuê ngoài một linh kiện cho năm tới. Tự làm tốn chi phí cố định 234.000 đô la mỗi năm cộng 2 đô la mỗi chiếc; thuê ngoài tốn 3,50 đô la mỗi chiếc và không có chi phí cố định. Phương án nào rẻ hơn? Câu trả lời trung thực là "tùy": tùy năm tới cần bao nhiêu chiếc, mà con số đó chưa ai biết.

Phần lớn quyết định kinh doanh có dạng như vậy. Kết quả phụ thuộc vào những đầu vào chưa chắc chắn: lượng cầu, giá nguyên liệu, tỷ giá, giá thầu của nhà cung cấp. Một bảng tính chỉ cho một con số ứng với một bộ giả định thì chưa giúp được nhiều. Điều người ra quyết định cần biết là con số ấy thay đổi thế nào khi giả định thay đổi và giả định nào làm đổi cả quyết định.

Phân tích giả định (what-if analysis) là họ kỹ thuật trả lời câu hỏi đó: đánh giá xem thay đổi ở đầu vào ảnh hưởng thế nào đến đầu ra (Richardson & Watson, 2024). Bài viết gồm năm mục. Mục 1 phân chia họ kỹ thuật thành hai nhóm. Mục 2 trình bày phân tích độ nhạy với ví dụ tự làm hay thuê ngoài. Mục 3 trình bày phân tích kịch bản và mô phỏng Monte Carlo. Mục 4 trình bày tìm kiếm mục tiêu. Mục 5 bàn khi nào what-if trở thành một quyết định.

1. Hai nhóm kỹ thuật what-if

Phân tích giả định không phải một kỹ thuật đơn lẻ mà là một họ kỹ thuật, chia thành hai nhóm theo hướng đi. Nhóm khám phá đầu ra đi từ đầu vào đến đầu ra: cho đầu vào biến động rồi xem kết quả thay đổi ra sao. Nhóm này gồm phân tích độ nhạy, phân tích kịch bản và mô phỏng Monte Carlo, tinh vi dần trong cách cho đầu vào biến động. Nhóm giải ngược đi từ đầu ra về đầu vào: đặt trước một kết quả mong muốn rồi tìm đầu vào cần thiết. Nhóm này gồm tìm kiếm mục tiêu và tối ưu hóa. Bảng 1 đối sánh năm kỹ thuật với công cụ tương ứng trong Excel.

Bảng 1. Năm kỹ thuật phân tích giả định và công cụ Excel

Nguồn: dựa trên Richardson & Watson (2024) và Camm et al. (2024).

Ba công cụ Data Table, Scenario Manager và Goal Seek nằm sẵn trong thẻ Data, mục What-If Analysis của Excel; Solver là một add-in đi kèm cần bật một lần. Một dạng what-if thường gặp nữa là phân tích cận biên: lợi nhuận thay đổi bao nhiêu khi tăng thêm một đơn vị chi phí hay sản lượng, ví dụ thuê thêm một nhân viên có đủ bù lương bằng số đơn tăng thêm hay không.

2. Phân tích độ nhạy

Phân tích độ nhạy (sensitivity analysis) đánh giá việc thay đổi một đầu vào ảnh hưởng thế nào đến kết quả: kết quả "nhạy" đến đâu với một khoảng giá trị của đầu vào đó. Trong Excel, công cụ là Data Table: đặt một cột các giá trị của đầu vào, trỏ tới ô công thức kết quả, Excel tính lại mô hình cho từng giá trị. Bảng hai chiều cho hai đầu vào chạy cùng lúc, mỗi ô là kết quả của một tổ hợp.

Quay lại công ty nhựa ở đầu bài, một ca kinh điển trong sách của Camm et al. (2024). Một Data Table một chiều cho lượng cầu chạy từ 0 đến 300.000 chiếc khoanh vùng câu trả lời: thuê ngoài rẻ hơn tới khoảng 150.000 chiếc, tự làm rẻ hơn từ khoảng 175.000 chiếc. Hình 1 vẽ lại hai đường chi phí.

Hình 1. Tự sản xuất hay thuê ngoài theo lượng cầu. Nguồn: vẽ từ số liệu của Camm et al. (2024).

Hình 1 cho thấy hai điều mà một con số đơn lẻ không cho thấy. Thứ nhất, quyết định đổi chiều ở khoảng 156.000 chiếc. Thứ hai, quanh điểm đó chênh lệch rất nhỏ: ở 150.000 chiếc, tự làm tốn 534.000 đô la, thuê ngoài 525.000 đô la, chỉ chênh 9.000 đô la. Nếu dự báo lượng cầu rơi vào vùng này, chất lượng và độ tin cậy của nhà thầu có thể quan trọng hơn con số chi phí. Một Data Table hai chiều thêm năm mức giá thầu từ 2,89 đến 3,59 đô la cho thấy câu trả lời nhạy với giá thầu ra sao, tức đáng đàm phán giá đến đâu.

Phân tích độ nhạy cũng trả lời một câu hỏi quan trọng về chính việc ước lượng: đầu vào nào đáng tốn công ước lượng kỹ. Nếu một thay đổi nhỏ của đầu vào làm đổi phương án, đầu vào đó nhạy và cần ước lượng cẩn thận hơn; nếu thay đổi lớn mà phương án không đổi, đừng tốn công tinh chỉnh nó (Camm et al., 2024).

3. Phân tích kịch bản và mô phỏng Monte Carlo

Độ nhạy đổi một hoặc hai đầu vào trong khi giữ nguyên các đầu vào khác. Trong thực tế, nhiều đầu vào thường biến động cùng lúc và có liên quan với nhau: khi kinh tế xấu, lượng cầu giảm cùng lúc với chi phí vay tăng. Hai kỹ thuật tiếp theo xử lý trường hợp này.

3.1. Phân tích kịch bản

Phân tích kịch bản (scenario analysis) thay đổi đồng thời nhiều đầu vào theo một vài bức tranh rời rạc, thường là kịch bản cơ sở (khả năng nhất), xấu nhất và tốt nhất. Công cụ trong Excel là Scenario Manager: lưu mỗi kịch bản là một bộ giá trị cho các ô đầu vào, rồi tạo bảng tóm tắt kết quả của các kịch bản cạnh nhau.

Kịch bản dễ trình bày với ban lãnh đạo, nhưng có một giới hạn ít được nói ra. Ca một công ty khởi nghiệp thiết bị y tế trong Camm et al. (2024) cho thấy điều đó: sản phẩm bán 249 đô la, chi phí quản trị và quảng cáo năm đầu 1 triệu đô la, ba đầu vào bất định là chi phí nhân công, chi phí linh kiện và lượng cầu. Kịch bản cơ sở cho lãi 710.000 đô la, kịch bản xấu nhất lỗ 1 triệu, kịch bản tốt nhất lãi 2,78 triệu. Ba con số ấy không trả lời được điều công ty lo nhất: xác suất lỗ là bao nhiêu? Kịch bản xấu nhất chỉ nói lỗ là có thể, không nói nó hiếm hay thường. Thêm vào đó, nếu một dự án phụ thuộc năm biến và mỗi ước lượng khả dĩ nhất có 60% cơ hội đúng, xác suất cả năm cùng đúng chỉ là 0,6 mũ 5, khoảng 8% (Evans, 2021). Kịch bản "cơ sở" vì thế hiếm khi là điều thật sự xảy ra.

3.2. Mô phỏng Monte Carlo

Mô phỏng Monte Carlo (Monte Carlo simulation) mô tả mỗi đầu vào bất định bằng một phân phối xác suất thay vì một hay vài giá trị, rồi rút ngẫu nhiên hàng nghìn bộ giá trị và tính kết quả ở mỗi lần. Đầu ra không còn là một con số mà là cả một phân phối, cho biết cả kết quả kỳ vọng lẫn mức rủi ro. Trong Excel có thể làm bằng hàm RAND kết hợp các hàm nghịch đảo phân phối như NORM.INV, rồi dùng một Data Table để lặp lại nghìn lần; các add-in chuyên dụng hoặc Python làm việc này gọn hơn.

Với công ty thiết bị y tế, gán phân phối cho ba đầu vào (lượng cầu theo phân phối chuẩn, trung bình 15.000, độ lệch chuẩn 4.500) và chạy 1.000 lượt cho lợi nhuận trung bình 726.000 đô la, khoảng chứa 95% kết quả từ −300.000 đến 1,81 triệu đô la và xác suất lỗ khoảng 8,9% (Camm et al., 2024). Giờ ban lãnh đạo có thể trả lời câu hỏi "rủi ro ấy có chấp nhận được không" thay vì nhìn ba kịch bản và đoán.

Cạm bẫy quan trọng nhất của mục này là quy luật trung bình sai lầm (flaw of averages), tên gọi của Savage (2009). Một hiệu sách mua lịch giá 7,50 đô la, bán 10 đô la, lịch ế trả lại được 2,50 đô la; nhu cầu trung bình 200 cuốn, độ lệch chuẩn 40 (Albright & Winston, 2025). Lập kế hoạch bằng con số trung bình, tức đặt 200 cuốn vì nhu cầu trung bình là 200, cho lợi nhuận 500 đô la trên giấy. Hình 2 cho thấy chuyện gì xảy ra khi nhu cầu thật dao động.

Hình 2. Lợi nhuận của hiệu sách theo nhu cầu thực tế (đô la). Nguồn: vẽ từ số liệu của Albright & Winston (2025).

Như Hình 2 cho thấy, lợi nhuận không đối xứng: khi nhu cầu vượt 200, lợi nhuận bị chặn ở 500 vì hết hàng; khi nhu cầu thấp, lỗ tăng dần theo từng cuốn ế. Mô phỏng với nhu cầu ngẫu nhiên cho lợi nhuận trung bình chỉ khoảng 380 đô la. Không có gì sai trong phép tính; sai ở chỗ trung bình của kết quả không bằng kết quả của trung bình. Mức đặt hàng tốt nhất cũng khác nhu cầu trung bình: với hiệu sách này là khoảng 175 cuốn chứ không phải 200. Hệ quả thực hành: mọi mô hình có phần phi tuyến, như hết hàng, công suất trần, phạt trễ hạn, đều cần mô phỏng thay vì cắm giá trị trung bình.

4. Tìm kiếm mục tiêu

Tìm kiếm mục tiêu (goal seek) đi ngược với ba kỹ thuật trên: xác định trước một đầu ra mục tiêu rồi tìm đầu vào cần thiết. Công cụ trong Excel là Goal Seek: chọn ô kết quả, nhập giá trị mong muốn, chọn ô đầu vào được phép thay đổi, Excel thử dần cho tới khi khớp.

Ứng dụng phổ biến nhất là phân tích hòa vốn: tìm mức sản lượng để lợi nhuận hoặc chênh lệch chi phí bằng 0. Với công ty nhựa, Goal Seek chốt điểm hòa vốn chính xác ở 156.000 chiếc, khớp với công thức 234.000 / (3,50 − 2); tổng chi phí tại điểm đó là 546.000 đô la. Một ví dụ khác: một hãng đồ chơi có 10.000 đô la ngân sách quảng cáo trên một trang web và muốn ít nhất 5 triệu lượt hiển thị; Goal Seek cho mức giá mỗi nghìn lượt hiển thị tối đa là 2 đô la (Richardson & Watson, 2024).

Tối ưu hóa có thể xem là dạng nâng cao của tìm kiếm mục tiêu. Goal Seek tìm một đầu vào để đạt một đầu ra cố định; Solver tìm nhiều đầu vào để làm lớn nhất hoặc nhỏ nhất một hàm mục tiêu, đồng thời thỏa nhiều ràng buộc, như chia ngân sách cho nhiều kênh hay xếp ca cho nhiều nhân viên. Phân tích hòa vốn cùng logic cũng xuất hiện trong quyết định vận hành thương mại điện tử, như bài Fulfillment là gì, tự giao, kho sàn hay thuê 3PL minh họa.

5. Từ what-if đến quyết định

Một lưu ý về vị trí của what-if: tự nó, một bảng độ nhạy hay một lần chạy mô phỏng chỉ cho biết "nếu… thì…", vẫn là một dạng mô tả có điều kiện. Nó chỉ trở thành phân tích đề xuất khi được nối với ba thứ: các phương án cụ thể đang được cân nhắc, một tiêu chí để chấm chúng và một quy tắc lựa chọn, ví dụ chọn phương án có giá trị kỳ vọng cao nhất hay phương án có kết quả xấu nhất ít tệ nhất. Thiếu ba thứ này, mô phỏng nghìn kịch bản cũng chỉ là một bản mô tả rất dài về tương lai. Vị trí của phân tích đề xuất giữa các loại hình phân tích được bàn trong bài Năm loại hình phân tích kinh doanh, còn cách chọn giữa vài phương án khi có rủi ro được trình bày trong bài Cây quyết định, giá trị kỳ vọng và giá trị của thông tin.

Bảng 2 gợi ý chọn kỹ thuật theo câu hỏi.

Bảng 2. Chọn kỹ thuật what-if theo câu hỏi quản trị

AI giúp được nhiều ở bước dựng mô hình what-if. Một trợ lý AI có thể viết công thức cho bảng tính, dựng khung Data Table hay viết đoạn mã Python chạy Monte Carlo từ mô tả bằng lời, như bài Trí tuệ nhân tạo cho bảng tính hướng dẫn. Nhưng hai việc vẫn thuộc về người: chọn phân phối cho từng đầu vào bất định, vì AI dễ mặc định phân phối chuẩn cho mọi thứ và kiểm tra lại các con số. Ngay trong sách của Camm et al. (2024), bản in ghi tổng chi phí tại điểm hòa vốn là 564.000 đô la trong khi phép tính cho 546.000; kiểm lại bằng tay là một phần của mô hình hóa, dù mô hình do người hay máy dựng.

Kết luận

Phân tích what-if biến một bảng tính một con số thành công cụ ra quyết định. Phân tích độ nhạy cho biết quyết định đổi chiều ở đâu và đầu vào nào đáng ước lượng kỹ; trong ví dụ tự làm hay thuê ngoài, điểm đổi chiều ở 156.000 chiếc và quanh đó chênh lệch nhỏ đến mức yếu tố khác có thể quyết định. Phân tích kịch bản cho vài bức tranh trọn vẹn nhưng không cho xác suất; mô phỏng Monte Carlo cho cả phân phối kết quả và trả lời được câu hỏi "xác suất lỗ là bao nhiêu".

Bài học quan trọng nhất là quy luật trung bình sai lầm: với mọi mô hình có phần phi tuyến, kết quả của con số trung bình không phải kết quả trung bình. Đặt hàng bằng nhu cầu trung bình cho 500 đô la trên giấy và khoảng 380 đô la trong thực tế. Và what-if chỉ thành quyết định khi được nối với phương án, tiêu chí và quy tắc lựa chọn.

Đọc thêm

• Cây quyết định, giá trị kỳ vọng và giá trị của thông tin
• Dự báo doanh số bằng chuỗi thời gian cho doanh nghiệp
• Năm loại hình phân tích kinh doanh
• Trí tuệ nhân tạo cho bảng tính
• Fulfillment là gì, tự giao, kho sàn hay thuê 3PL

Tài liệu tham khảo

Albright, S. C., & Winston, W. L. (2025). Business analytics: Data analysis and decision making (8th ed.). Cengage Learning. https://www.cengage.ca/c/new-edition/9780357984581/

Camm, J. D., Cochran, J. J., Fry, M. J., & Ohlmann, J. W. (2024). Business analytics (5th ed.). Cengage Learning. https://www.cengage.com/c/business-analytics-5e-camm-cochran-fry-ohlmann/9780357902202/

Evans, J. R. (2021). Business analytics (3rd global ed.). Pearson. https://www.pearson.com/store/p/business-analytics-global-edition/P200000004157/9781292339061

Richardson, V. J., & Watson, M. W. (2024). Introduction to business analytics. McGraw Hill. https://www.mheducation.com/highered/product/introduction-business-analytics-richardson-watson/9781265450175.html

Savage, S. L. (2009). The flaw of averages: Why we underestimate risk in the face of uncertainty. Wiley. https://www.oreilly.com/library/view/the-flaw-of/9780470488126/