Chia sẻ tại hội thảo “Data-Driven Finance & Business Intelligence Conference 2026” do Asia University Program tổ chức, ông Hoàng Sơn Nam bắt đầu từ chính bản chất công việc của người làm dữ liệu.
“Bản chất của nghề Data Analytics là decision-making support, có nghĩa là chúng tôi làm mọi thứ để ban lãnh đạo ra được quyết định”, ông Nam nói.
Tuy nhiên, dữ liệu hỗ trợ quyết định không có nghĩa quyết định sẽ tự động trở nên khách quan. Theo ông, thiên kiến có thể xuất hiện ở cả con người lẫn quá trình sử dụng công nghệ. Khi AI ngày càng có khả năng phân tích lượng thông tin lớn và đưa ra khuyến nghị trong thời gian ngắn, việc nhận diện những điểm có thể khiến quyết định bị lệch càng trở nên quan trọng.
Khi dữ liệu không sai nhưng bức tranh vẫn thiếu
Một trong những tình huống ông Nam đưa ra tại hội thảo là đề xuất marketing nhằm xin thêm ngân sách để tiếp cận một nhóm khách hàng tiềm năng. Người trình bày đưa ra ba trường hợp thử nghiệm thành công với tỷ lệ chuyển đổi tích cực để chứng minh phương án đáng được tiếp tục đầu tư.
Các con số có thể hoàn toàn chính xác. Vấn đề nằm ở những dữ liệu không xuất hiện trong bản đề xuất.
Điều gì xảy ra với những thử nghiệm không thành công? Tỷ lệ khách hàng rời bỏ ở nhóm đối chứng ra sao? Ba trường hợp được lựa chọn có thực sự đại diện cho toàn bộ dữ liệu hay chỉ là những kết quả thuận lợi nhất?
Theo ông Nam, đây là biểu hiện của thiên kiến xác nhận – xu hướng tìm kiếm hoặc lựa chọn những bằng chứng củng cố điều mình đã tin, trong khi những thông tin trái chiều dễ bị xem nhẹ. Trong tài chính, cách tiếp cận này có thể dẫn tới đánh giá sai một phân khúc khách hàng, phân bổ vốn thiếu hợp lý hoặc đánh giá chưa đầy đủ về rủi ro. Nội dung trình bày của ông cũng chỉ ra việc chọn mẫu thuận lợi, bỏ qua nhóm đối chứng hay xem các tín hiệu tiêu cực là ngoại lệ có thể làm sai lệch cơ sở của một quyết định.
AI không tự động loại bỏ thiên kiến
Sự xuất hiện của AI không làm vấn đề trên biến mất.
“Trong bối cảnh mới, chúng ta phải rất hiểu AI và chúng ta phải biết cách quản trị AI”, ông Nam chia sẻ. Theo ông, dù có hay không có AI, lời khuyên và quá trình ra quyết định vẫn có khả năng chịu ảnh hưởng bởi thiên kiến. Vì thế, người sử dụng không nên mặc định một khuyến nghị trở nên khách quan chỉ vì nó được tạo ra từ mô hình hoặc hệ thống dữ liệu.
Một ví dụ khác trong phần trình bày cho thấy tác động của những sự kiện xảy ra gần đây đối với phán đoán. Giả định sau một trận bão lớn được truyền thông nhắc đến rộng rãi, doanh nghiệp lập tức muốn chuyển phần lớn nguồn lực bảo hiểm sang nhóm rủi ro lũ lụt. Nếu quyết định chủ yếu dựa trên sự kiện vừa xảy ra mà bỏ qua dữ liệu khí hậu trong nhiều năm, tổ chức có thể phản ứng quá mức với một tín hiệu ngắn hạn.
Đây là dạng thiên kiến khiến những thông tin mới, nổi bật hoặc dễ nhớ được đánh giá cao hơn mức cần thiết. Với AI, rủi ro tương tự vẫn có thể xuất hiện nếu dữ liệu đầu vào, khoảng thời gian phân tích hoặc giả định mà hệ thống sử dụng không phản ánh đầy đủ bối cảnh.
Bởi vậy, kỹ năng quan trọng không chỉ là hỏi AI để tìm thêm bằng chứng cho một phương án, mà còn phải chủ động tìm dữ liệu có thể bác bỏ phương án đó.
Không phải quyết định nào cũng cần cùng một mức kiểm chứng
Một điểm đáng chú ý khác trong chia sẻ của ông Nam là thiên kiến không phải lúc nào cũng cần được loại bỏ bằng mọi giá.
Trong môi trường thiếu dữ liệu và cần phản ứng nhanh, những lối suy nghĩ rút gọn có thể giúp con người đưa ra lựa chọn kịp thời. Vấn đề nằm ở việc biết khi nào có thể ưu tiên tốc độ và khi nào phải ưu tiên độ chính xác.
Theo ma trận quyết định ông Nam trình bày, các lựa chọn có mức độ rủi ro thấp và dễ đảo ngược có thể chấp nhận mức độ bất định cao hơn để đổi lấy tốc độ. Ngược lại, những quyết định liên quan đến phân bổ vốn lớn, cam kết dài hạn, mô hình rủi ro, tín dụng, thẩm định bảo hiểm hay dự phòng cần dựa trên quy trình kiểm chứng chặt chẽ hơn. Hoàng Sơn Nam
Điều đó cũng thay đổi cách một tổ chức sử dụng dữ liệu. Thay vì chỉ yêu cầu nhiều báo cáo hơn, doanh nghiệp cần tạo cơ chế chủ động thách thức cách dữ liệu được diễn giải. Trong phần kết, ông Nam đề cập tư duy “Red Team” – chủ động đặt một nhóm hoặc một góc nhìn vào vị trí phản biện kết luận đang được ủng hộ – cùng các phương pháp như kiểm tra kịch bản trước khi quyết định hay so sánh với dữ liệu tham chiếu.
Như vậy, dữ liệu không chỉ được dùng để chứng minh một quyết định, mà còn phải được sử dụng để kiểm tra xem quyết định đó có thể sai ở đâu.
Từ biết phân tích dữ liệu đến biết phản biện dữ liệu
Với sinh viên theo đuổi lĩnh vực Tài chính, những tình huống ông Nam đưa ra cho thấy năng lực dữ liệu không thể chỉ được hiểu là thành thạo bảng tính, mô hình phân tích hay một công cụ AI.
Người học còn cần biết đặt câu hỏi về nguồn dữ liệu, mẫu được lựa chọn, khoảng thời gian quan sát, những thông tin bị bỏ sót và giả định đứng phía sau một kết quả. Một mô hình dự báo cho tỷ lệ chính xác cao vẫn cần được xem xét trong bối cảnh thực tế; một đề xuất đầu tư có nhiều bằng chứng ủng hộ vẫn cần được kiểm tra bằng những dữ liệu có khả năng phủ định nó.
Đây cũng là ý nghĩa của việc đưa các tình huống thực tế từ doanh nghiệp vào những hoạt động như Data-Driven Finance & Business Intelligence Conference 2026. Thay vì chỉ tiếp cận AI như một công cụ giúp xử lý dữ liệu nhanh hơn, sinh viên có cơ hội nhìn thấy một tầng công việc khó hơn của người làm tài chính: đánh giá chất lượng của chính quá trình tạo ra quyết định.
Trong bối cảnh AI ngày càng có thể phân tích, dự báo và đề xuất phương án, lợi thế của người làm tài chính vì thế không chỉ nằm ở khả năng tìm ra câu trả lời. Quan trọng hơn là biết câu trả lời ấy dựa trên dữ liệu nào, điều gì đang bị bỏ sót và bằng chứng nào có thể khiến mình phải thay đổi quyết định.
