Prescriptive Analytics (phân tích đề xuất) là phương pháp phân tích dữ liệu tiên tiến, giúp đề xuất phương án tối ưu hoặc phù hợp nhất trong phạm vi mục tiêu và ràng buộc đã xác định. Bài viết dướii đây của FPT.AI sẽ giúp bạn có cái nhìn tổng quan về phân tích đề xuất là gì, lợi ích và cách triển khai chi tiết trong doanh nghiệp.

Prescriptive Analytics là gì?

Prescriptive Analytics thường được xem là dạng phân tích nâng cao trong mô hình gồm Descriptive, Diagnostic, Predictive và Prescriptive Analytics. Có chức năng chuyển đổi dữ liệu thành các khuyến nghị hành động cụ thể, hỗ trợ doanh nghiệp đưa ra quyết định tối ưu nhằm đạt được mục tiêu.

ó 4 loại phân tích dữ liệu chính, mỗi cấp độ trả lời một câu hỏi cốt lõi::

• Descriptive Analytics (Phân tích mô tả): Điều gì đã xảy ra?
• Diagnostic Analytics (Phân tích chẩn đoán): Vì sao điều đó xảy ra?
• Predictive Analytics (Phân tích dự đoán): Điều gì có thể xảy ra tiếp theo?
• Prescriptive Analytics (Phân tích đề xuất): Chúng ta nên làm gì tiếp theo?

Trong khi cả bốn loại phân tích trên đều giúp khai thác giá trị từ dữ liệu, Prescriptive Analytics khác biệt ở chỗ không chỉ dự đoán điều gì sẽ xảy ra mà còn đề xuất hành động phù hợp để đạt được kết quả mong muốn hoặc ngăn ngừa rủi ro.

>>> Đọc thêm: Business Analysis là gì?

Cách thức Prescriptive Analytics hoạt động như thế nào?

Prescriptive Analytics kết hợp dữ liệu và các phương pháp tối ưu hóa để đánh giá nhiều phương án và đề xuất hành động phù hợp. Quy trình gồm 5 bước:

• Bước 1. Xác định mục tiêu: Xác định vấn đề và kết quả doanh nghiệp muốn tối ưu như doanh thu, chi phí hoặc thời gian.
• Bước 2. Xác định biến quyết định và ràng buộc: Xác định các yếu tố có thể điều chỉnh cùng giới hạn về ngân sách, nguồn lực hoặc quy định.
• Bước 3. Chuẩn bị dữ liệu và tham số đầu vào: Thu thập, xử lý dữ liệu và thiết lập các thông số cần thiết cho mô hình.
• Bước 4. Đánh giá và tối ưu phương án: Phân tích các kịch bản để tìm phương án đáp ứng tốt nhất mục tiêu và ràng buộc.
• Bước 5. Đưa ra khuyến nghị hoặc thực thi: Đề xuất phương án cho người dùng hoặc tự động thực hiện khi hệ thống cho phép.

Các kỹ thuật cốt lõi của Prescriptive Analytics

Ngày nay, Prescriptive Analytics có thể kết hợp nhiều kỹ thuật như tối ưu hóa toán học, mô phỏng, mô hình dự báo, Machine Learning và quy tắc nghiệp vụ.

• Tối ưu hóa toán học: Tìm phương án tốt nhất dựa trên mục tiêu và các ràng buộc đã xác định.
• Mô phỏng và phân tích kịch bản: Đánh giá nhiều tình huống để so sánh kết quả và rủi ro của từng phương án.
• Machine Learning và mô hình dự báo: Dự đoán kết quả tương lai làm đầu vào cho quá trình lựa chọn hành động.
• Mô hình xác suất và lý thuyết quyết định: Hỗ trợ lựa chọn phương án khi kết quả có yếu tố không chắc chắn.
• Quy tắc kinh doanh và tri thức chuyên gia: Đảm bảo khuyến nghị phù hợp với chính sách, quy định và điều kiện thực tế.
• Reinforcement Learning: Học cách lựa chọn hành động dựa trên tín hiệu phần thưởng, phù hợp với các bài toán quyết định tuần tự.

So sánh Descriptive, Diagnostic, Predictive và Prescriptive Analytics

Descriptive, Diagnostic, Predictive và Prescriptive Analytics là 4 cấp độ phân tích dữ liệu được doanh nghiệp sử dụng để hỗ trợ ra quyết định. Mỗi cấp độ có mục tiêu, phương pháp khác nhau, đồng thời hỗ trợ lẫn nhau để giúp doanh nghiệp đưa ra quyết định tối ưu dựa trên dữ liệu: 

Một số ứng dụng thực tế của Prescriptive Analytics

Nhờ khả năng kết hợp dữ liệu, mô hình dự báo và thuật toán tối ưu hóa, Prescriptive Analytics được ứng dụng rộng rãi trong nhiều lĩnh vực như tài chính – ngân hàng, bảo hiểm, bán lẻ và thương mại điện tử,  sales và marketing…

• Tài chính – Ngân hàng: Đề xuất hạn mức tín dụng, yêu cầu xác minh bổ sung hoặc phương án xử lý theo mức độ rủi ro và chính sách nội bộ.
• Bảo hiểm: Hỗ trợ xác định mức phí, ưu tiên xử lý hồ sơ và lựa chọn phương án bồi thường phù hợp.
• Bán lẻ và thương mại điện tử: Đề xuất giá bán, lượng nhập hàng hoặc thời điểm bổ sung tồn kho theo nhu cầu, biên lợi nhuận và khả năng cung ứng.
• Sales và Marketing: Gợi ý Next Best Action, ưu đãi, kênh tiếp cận hoặc cách phân bổ ngân sách theo mục tiêu kinh doanh.
• Sản xuất: Xác định lịch sản xuất, phân bổ công suất và kế hoạch bảo trì phù hợp với năng lực máy móc và nhu cầu.
• Chuỗi cung ứng và logistics: Tối ưu tuyến đường và lịch giao hàng theo đơn hàng, tải trọng, chi phí, phương tiện và time window.
• Chăm sóc và trải nghiệm khách hàng: Dự báo nguy cơ khách hàng rời bỏ doanh nghiệp và đề xuất các ưu đãi giữ chân hiệu quả nhất cho từng đối tượng cụ thể.

Prescriptive Analytics mang lại lợi ích gì cho doanh nghiệp?

Prescriptive Analytics giúp doanh nghiệp chuyển dữ liệu và dự báo thành các khuyến nghị hành động cụ thể, qua đó cải thiện chất lượng quyết định và hiệu quả vận hành:

• Ra quyết định nhanh hơn: Hỗ trợ lựa chọn phương án phù hợp trong thời gian ngắn.
• Phân bổ nguồn lực hiệu quả: Tối ưu nhân sự, ngân sách, thiết bị và nguyên vật liệu theo mục tiêu.
• Kiểm soát chi phí: Giảm lãng phí trong tồn kho, sản xuất, bảo trì và điều phối.
• Quản trị rủi ro tốt hơn: Đánh giá các phương án và lựa chọn cách ứng phó phù hợp.
• Cải thiện trải nghiệm khách hàng: Đề xuất sản phẩm, ưu đãi hoặc hành động tiếp theo phù hợp với từng nhóm khách hàng.
• Tăng khả năng tự động hóa: Cho phép tự động thực thi một số quyết định trong các quy trình có điều kiện và quy tắc rõ ràng.

Các hạn chế khi triển khai Prescriptive Analytics

Mặc dù mang lại nhiều lợi ích trong việc tối ưu hóa quyết định, Prescriptive Analytics vẫn đặt ra không ít thách thức như:

• Chất lượng dữ liệu chưa đảm bảo: Dữ liệu thiếu, sai lệch, không nhất quán hoặc không được cập nhật kịp thời có thể làm giảm độ chính xác của các khuyến nghị.
• Khó xác định đúng hàm mục tiêu: Nếu mục tiêu tối ưu không phản ánh đúng nhu cầu kinh doanh, mô hình có thể đưa ra phương án tối ưu về mặt toán học nhưng không mang lại giá trị thực tế.
• Thiếu dữ liệu lịch sử: Thiếu dữ liệu hoặc dữ liệu chưa đủ chiều sâu khiến mô hình khó học được quy luật và dự báo chính xác các kịch bản.
• Khó xây dựng ràng buộc nghiệp vụ: Việc mô hình hóa đầy đủ các ràng buộc như ngân sách, nguồn lực, quy định hoặc quy trình kinh doanh thường khá phức tạp.
• Chi phí triển khai cao: Doanh nghiệp cần đầu tư vào hạ tầng công nghệ, phần mềm, dữ liệu và đội ngũ chuyên môn để xây dựng và vận hành hệ thống.
• Khó tích hợp với hệ thống hiện có: Việc kết nối Prescriptive Analytics với các hệ thống như ERP, CRM, BI hoặc các nền tảng nghiệp vụ khác có thể tốn nhiều thời gian và nguồn lực.
• Khó giải thích khuyến nghị của mô hình: Một số mô hình AI và Machine Learning có tính phức tạp cao, khiến người dùng khó hiểu được cơ sở của các khuyến nghị và ảnh hưởng đến mức độ tin tưởng khi áp dụng.

Lưu ý: Tối ưu hóa đúng hàm mục tiêu không đồng nghĩa với việc quyết định đó luôn phù hợp về đạo đức, pháp lý hoặc chiến lược. Do đó, các khuyến nghị từ Prescriptive Analytics vẫn cần được con người xem xét trước khi triển khai trong những tình huống quan trọng.

Xu hướng phát triển của Prescriptive Analytics trong tương lai

Trong bối cảnh AI và dữ liệu phát triển mạnh mẽ, Prescriptive Analytics đang dần trở thành nền tảng hỗ trợ ra quyết định thông minh cho doanh nghiệp. Một số xu hướng nổi bật gồm:

• Kết hợp Generative AI: Hỗ trợ diễn giải khuyến nghị và tương tác với hệ thống bằng ngôn ngữ tự nhiên.
• Decision Intelligence: Kết hợp dữ liệu, AI và mô hình ra quyết định để hỗ trợ lựa chọn phương án phù hợp hơn.
• Digital Twin: Mô phỏng nhiều kịch bản trước khi áp dụng quyết định vào thực tế.
• Tự động hóa và Explainable AI: Mở rộng khả năng tự động thực thi quyết định, đồng thời tăng tính minh bạch của các khuyến nghị.

Các câu hỏi thường gặp về Prescriptive Analytics

Prescriptive Analytics có bắt buộc sử dụng Machine Learning không?

Không bắt buộc. Phân tích định hướng có thể dùng các phương pháp truyền thống như mô hình toán học, tối ưu hóa tuyến tính hoặc quy tắc logic cứng thay vì học máy.

Prescriptive Analytics có thể tự động ra quyết định không?

Có thể, với các quyết định lặp lại và được kiểm soát; các quyết định rủi ro cao thường vẫn cần phê duyệt của con người.

Prescriptive Analytics cần những loại dữ liệu nào?

Nguồn dữ liệu phụ thuộc bài toán; thường có thể gồm dữ liệu lịch sử/hiện tại, dự báo, biến quyết định, ràng buộc và quy tắc nghiệp vụ.

Prescriptive Analytics và hệ thống gợi ý có giống nhau không?

Recommender system thường xếp hạng/gợi ý item hoặc nội dung; Prescriptive Analytics rộng hơn, tối ưu hành động dưới mục tiêu, constraints và trade-offs. Hai khái niệm có thể giao nhau.

Kết luận

Prescriptive Analytics là phương pháp phân tích giúp chuyển dữ liệu, dự báo và các ràng buộc kinh doanh thành những khuyến nghị hành động tối ưu. Để triển khai thành công, doanh nghiệp nên bắt đầu từ bài toán kinh doanh và mục tiêu cần tối ưu thay vì lựa chọn công nghệ trước. Nếu muốn tìm hiểu thêm về AI hoặc các giải pháp hỗ trợ ra quyết định thông minh, bạn có thể tham khảo thêm các bài viết và giải pháp AI dành cho doanh nghiệp của FPT.AI.