Tài chính
AI dự báo dòng tiền: người phân tích cần biết gì
FinScan.vn11/10/2026
Đọc nhanh
- Bản chất
- Thống kê và machine learning chạy trên dữ liệu quá khứ, không phải quả cầu pha lê.
- Chất lượng
- Phụ thuộc trước hết vào dữ liệu đầu vào, độ dài lịch sử, cách xây dựng mô hình và tần suất cập nhật. Thuật toán tốt không cứu được dữ liệu kém.
- Giá trị
- Mạnh nhất ở vai trò chạy nhanh nhiều kịch bản và cho thấy mức độ bất định, không phải đưa ra một con số duy nhất.
- Cần hỏi
- Sai số quá khứ bao nhiêu, khi nào mô hình sai, và dữ liệu của doanh nghiệp đi đâu.

Quảng cáo “AI dự báo dòng tiền chính xác 95%” ngày càng phổ biến. Người làm tài chính nên hỏi lại: 95% đó đo bằng cách nào, trên dữ liệu nào, trong điều kiện nào. Bài này không dạy lập trình và không giới thiệu công cụ, chỉ nêu những điều người dùng cần biết để không bị một con số đẹp đánh lừa.
Phần 1/4
AI dự báo dòng tiền là gì, giỏi ở đâu
Bản chất của công cụ và ba việc nó làm tốt.
Bản chất
Bỏ lớp quảng cáo đi, phần lớn công cụ AI dự báo dòng tiền làm ba việc: đọc dữ liệu quá khứ như thu chi, công nợ, tính mùa vụ; tìm mẫu hình lặp lại, chẳng hạn khách hàng ngành bán lẻ thường trả chậm khoảng 15 ngày vào quý 4; rồi ngoại suy ra tương lai và tự cập nhật khi có số liệu mới.
Về bản chất đó là thống kê và machine learning, cùng logic với Excel nhưng chạy nhanh hơn, nhiều hơn: quá khứ lặp lại thì tương lai đoán được. Khi quá khứ không còn đại diện cho tương lai, công cụ mất chỗ dựa.
Ba điểm mạnh
- Tốc độ và số lượng kịch bản
- Chạy tay ba kịch bản (tích cực, cơ sở, tiêu cực) mất cả buổi. Công cụ có thể chạy nhanh nhiều kịch bản hoặc mô phỏng; những mô hình tốt còn cung cấp khoảng dự báo hoặc xác suất, giúp người dùng thấy mức độ bất định thay vì chỉ nhận một con số. Giá trị lớn nhất nằm ở đó: khả năng thiếu hụt tiền mặt là 10% hay 40%, chứ không chỉ là một con số dự báo.
- Bắt mẫu hình khó thấy
- Doanh nghiệp có hàng nghìn khách hàng và lượng giao dịch thu chi có thể nói là khổng lồ. Công cụ có thể chỉ ra nhóm khách thường trả chậm sau Tết, hay nhà cung cấp hay giao trễ cuối quý, những mẫu hình nằm rải rác mà mắt người khó thấy hết.
- Cảnh báo sớm
- Khi dòng tiền thực tế lệch khỏi dải dự báo, công cụ báo ngay trong ngày thay vì đợi đến cuối tháng mới phát hiện khoản hụt.
Phần 2/4
Bốn giới hạn dễ bị bỏ qua
Những chỗ con số dự báo dễ làm người dùng tin quá mức.
- 1. Dữ liệu kém thì kết quả kém
- Công cụ học từ dữ liệu quá khứ. Công nợ ghi chưa chuẩn, phân loại sai, hoặc thiếu mất vài năm biến động như giai đoạn Covid thì dự báo cũng lệch theo. Nhiều doanh nghiệp mua công cụ tốt nhưng dữ liệu đầu vào yếu, kết quả có khi không bằng file Excel do một kế toán trưởng lành nghề làm tay.
- 2. Khó dự báo những cú sốc chưa có tiền lệ
- Dịch bệnh, đứt gãy chuỗi cung ứng, khách hàng lớn phá sản đột ngột là những cú sốc ngoài dữ liệu lịch sử. Mô hình có thể đưa thêm biến bên ngoài hay chạy thử các tình huống xấu, nhưng khó tự suy ra một cú sốc hoàn toàn mới từ lịch sử không có nó. Đây thường là lúc doanh nghiệp cần dự báo nhất, nên mô hình cần được bổ sung bằng stress test, kịch bản quản trị và phán đoán của con người.
- 3. Khó giải thích
- Nhiều mô hình không giải thích được vì sao ra con số đó. Một con số không giải thích được rất khó đem trình bày với Ban Giám đốc.
- 4. Con số “chính xác 95%”
- Cần hỏi lại ba điều: 95% trên tập dữ liệu nào, dự báo cho 7 ngày tới hay 12 tháng tới, sai số trung bình bao nhiêu phần trăm. Mô hình đúng 95% khi thị trường ổn định nhưng sai nhiều khi biến động thì giá trị sử dụng rất thấp.
Phần 3/4
Góc nhìn kiểm toán và kế toán
Dự báo dòng tiền được dùng ở đâu, và cần chứng minh được những gì.
Dự báo dòng tiền không chỉ phục vụ quản trị nội bộ. Khi đánh giá khả năng hoạt động liên tục, kiểm toán viên thường xem xét dự báo dòng tiền của Ban Giám đốc. Chuẩn mực kiểm toán (ISA 570 và VSA 570) yêu cầu đánh giá độ tin cậy của dữ liệu dùng để lập dự báo và các giả định hỗ trợ cho dự báo đó.
Với dự báo do AI lập, câu hỏi đó đổi thành: dữ liệu đầu vào lấy từ đâu và có kiểm soát không, giả định chính là gì, và mô hình đã đối chiếu với kết quả thực tế ra sao. Một công cụ không cho xem dữ liệu, giả định và sai số quá khứ sẽ khó đứng vững trước những câu hỏi này.
Cách kiểm tra đơn giản nhất là back-test: lấy dự báo đã lập trước đây và đối chiếu với dòng tiền thực tế phát sinh trong cùng khoảng thời gian. Nếu dự báo theo tuần thì nên so với thu, chi và số dư tiền thực tế theo tuần; nếu đánh giá ở cấp báo cáo tài chính, Báo cáo lưu chuyển tiền tệ theo VAS 24 có thể dùng để đối chiếu và kiểm tra tính nhất quán ở mức tổng hợp.
Phần 4/4
Năm câu hỏi và một mẹo nhỏ
Những điều nên hỏi nhà cung cấp trước khi tin và dùng công cụ.
Không cần học lập trình. Nhưng trước khi dùng một công cụ AI dự báo dòng tiền, nên hỏi nhà cung cấp năm câu sau.
- 1. Dữ liệu huấn luyện
- Mô hình học từ dữ liệu của chính doanh nghiệp mình hay dữ liệu chung của ngành?
- 2. Sai số quá khứ
- Sai số có được đo bằng chỉ số cụ thể, chẳng hạn MAE, WAPE, RMSE hoặc MAPE khi dữ liệu phù hợp, và có được theo dõi qua nhiều kỳ hay chỉ trình bày vài trường hợp đẹp?
- 3. Điểm mù
- Khi gặp tình huống ngoài dữ liệu huấn luyện, mô hình có tự báo không?
- 4. Yếu tố tác động
- Có xem được yếu tố ảnh hưởng nhiều nhất đến dự báo không, hay chỉ nhận một con số?
- 5. Dữ liệu đi đâu
- Công cụ xử lý ngay trên hệ thống của doanh nghiệp hay gửi lên máy chủ bên ngoài, kể cả nước ngoài? Nếu dữ liệu có thông tin cá nhân của khách hàng, cần xem thêm Luật Bảo vệ dữ liệu cá nhân.
Trả lời rõ năm câu này thì công cụ đáng cân nhắc. Trả lời mơ hồ ở câu 2 và câu 3 thì nên xem lại.
AI không thay thế người phân tích dòng tiền. Nó thay phần việc nhàm chán nhất: thu thập dữ liệu, chạy kịch bản, vẽ biểu đồ. Phán đoán, chất vấn con số và ra quyết định khi chưa chắc chắn vẫn là việc của con người, và càng có AI, phần việc đó càng có giá trị.


