Chất lượng dữ liệu đánh giá đầu tư ảnh hưởng kết quả thế nào?

Vì vậy, chất lượng dữ liệu đánh giá đầu tư ảnh hưởng trực tiếp đến mức độ tin cậy của kết quả, nhưng không theo một tỷ lệ cố định. Một lỗi nhỏ ở biến ít quan trọng có thể gần như không thay đổi quyết định, trong khi cùng mức sai lệch ở một biến nhạy cảm có thể làm đổi thứ hạng phương án hoặc khiến một dự án từ đạt ngưỡng trở thành không đạt.

Điểm quan trọng là không nên đồng nhất “dữ liệu chất lượng cao” với “dữ liệu hoàn hảo”. ISO/IEC 25012 định nghĩa chất lượng dữ liệu theo mức độ các đặc tính của dữ liệu đáp ứng nhu cầu đã nêu hoặc hàm ý trong những điều kiện sử dụng xác định. Cách tiếp cận này cho thấy chất lượng phải được đánh giá theo mục đích sử dụng của dữ liệu, không phải bằng một nhãn tốt/xấu tuyệt đối.

Chất lượng dữ liệu quyết định độ tin cậy của đánh giá đầu tư ra sao?

Một kết quả đánh giá đáng tin không đơn thuần là một con số được tính đúng về mặt công thức. Nó còn phải được xây dựng từ dữ liệu đủ phù hợp để các giả định và phép so sánh phản ánh hợp lý đối tượng đang được đánh giá.

Có thể nhìn tác động của chất lượng dữ liệu qua ba tầng. Tầng đầu tiên là độ tin cậy của đầu vào: giá trị quan sát có phản ánh đúng hiện trạng, thời điểm và phạm vi địa lý hay không. Tầng thứ hai là độ tin cậy của giả định: dữ liệu đầu vào có đủ cơ sở để ước tính nhu cầu, chi phí, lợi ích hoặc mức độ rủi ro hay không. Tầng cuối cùng là độ ổn định của kết quả: nếu dữ liệu thay đổi trong một phạm vi hợp lý, phương án được ưu tiên có còn giữ nguyên hay không.

Do đó, hai bộ dữ liệu cùng có tỷ lệ lỗi 5% chưa chắc tạo ra cùng một mức rủi ro cho kết quả. Nếu lỗi nằm ở trường dữ liệu chỉ dùng để mô tả, tác động có thể nhỏ. Nhưng nếu lỗi nằm ở biến quyết định phần lớn doanh thu dự báo, chi phí đầu tư hoặc điểm của một tiêu chí có trọng số cao, ảnh hưởng có thể lớn hơn nhiều.

Đây cũng là lý do đánh giá chất lượng dữ liệu nên gắn với độ nhạy của quyết định. Hướng dẫn Green Book 2026 của HM Treasury yêu cầu phân tích độ nhạy đối với các giả định chính và sử dụng switching value để xem một biến phải thay đổi đến mức nào thì phương án không còn tạo giá trị hoặc không còn là lựa chọn ưu tiên. Nguyên tắc này đặc biệt hữu ích khi xem xét tác động của sai số dữ liệu: điều cần biết không chỉ là dữ liệu sai bao nhiêu, mà là sai đến mức nào thì kết luận thay đổi.

Sai lệch dữ liệu truyền vào mô hình và làm biến dạng kết quả thế nào?

Cơ chế cơ bản có thể mô tả theo chuỗi: dữ liệu → tham số hoặc giả định → chỉ tiêu đánh giá → thứ hạng hoặc quyết định.

Giả sử nhu cầu sử dụng một hạ tầng đô thị được ước tính cao hơn thực tế 10%. Nếu một thành phần lợi ích được tính trực tiếp theo số lượt sử dụng và các yếu tố khác giữ nguyên, riêng thành phần lợi ích đó cũng có thể bị ước tính cao tương ứng. Tuy nhiên, NPV hoặc chỉ tiêu tổng hợp cuối cùng không nhất thiết tăng đúng 10%, bởi tác động còn phụ thuộc tỷ trọng của khoản lợi ích đó, thời điểm phát sinh dòng tiền, chi phí vận hành và cấu trúc của mô hình.

Sai lệch còn có thể xuất hiện khi dữ liệu thiếu. Nếu một nhóm khu vực, nhóm người dùng hoặc loại tài sản không được quan sát đầy đủ, người đánh giá thường phải dùng giá trị thay thế hoặc giả định. Khi phần bị thiếu có đặc điểm khác với phần đã quan sát, giả định thay thế có thể làm kết quả lệch theo một hướng mà nhìn vào bảng dữ liệu tổng hợp rất khó phát hiện.

Yếu tố thời gian cũng quan trọng. Một bộ dữ liệu từng chính xác không có nghĩa vẫn phù hợp ở thời điểm đánh giá. Giá đất, mật độ dân cư, lưu lượng giao thông hay năng lực hạ tầng có thể thay đổi; vì vậy dữ liệu quá cũ có thể tạo ra một mô hình nội bộ rất nhất quán nhưng lại mô tả một trạng thái đô thị đã không còn tồn tại.

Trong mô hình chấm điểm đa tiêu chí, sai số nhỏ còn có thể đảo thứ hạng. Ví dụ, phương án A đạt 78 điểm và phương án B đạt 76 điểm. Nếu một tiêu chí chiếm trọng số 25% và điểm của A ở tiêu chí này bị đánh giá cao hơn thực tế 10 điểm, tổng điểm điều chỉnh của A giảm 2,5 điểm, từ 78 xuống 75,5. Khi đó B trở thành phương án có điểm cao hơn.

Ví dụ trên chỉ minh họa cơ chế, không phải một benchmark chung. Chính vì thứ hạng có thể thay đổi dưới các giả định về điểm số hoặc trọng số, hướng dẫn MCDA của Chính phủ Anh coi phân tích độ nhạy là bước kiểm tra xem phương án đứng đầu có còn ổn định khi các giả định thay đổi hay không.

Những chiều chất lượng dữ liệu nào quan trọng nhất với đầu tư đô thị?

Không nên cố gắng nén chất lượng dữ liệu thành một điểm duy nhất trước khi hiểu từng loại khiếm khuyết. ISO 8000 cung cấp nền tảng cho việc mô tả và đo lường chất lượng dữ liệu, trong khi ISO/IEC 25012 cho phép thiết lập yêu cầu, biện pháp đo và quy trình đánh giá dữ liệu. Đối với dữ liệu địa lý, ISO 19157-1:2023 quy định các nguyên tắc mô tả, đo lường, đánh giá và báo cáo chất lượng dữ liệu không gian.

Trong thực hành đánh giá đầu tư đô thị, một bộ kiểm soát hữu ích có thể tập trung vào:

·         Độ chính xác: Giá trị có khớp với nguồn đối chứng hoặc hiện trạng được xác minh hay không; có thể theo dõi bằng tỷ lệ bản ghi sai hoặc mức sai lệch so với nguồn tham chiếu

·         Độ đầy đủ: Bao nhiêu trường, bản ghi, khu vực hoặc khoảng thời gian bắt buộc đã có dữ liệu; có thể biểu diễn bằng tỷ lệ dữ liệu hợp lệ trên tổng dữ liệu cần có

·         Tính cập nhật: Khoảng cách giữa thời điểm dữ liệu phản ánh hiện trạng và thời điểm đánh giá có phù hợp với tốc độ thay đổi của biến đó hay không

·         Tính nhất quán: Các trường dữ liệu, nguồn dữ liệu và kỳ quan sát có tuân theo cùng định nghĩa, đơn vị và quy tắc logic hay không

·         Khả năng truy xuất: Có xác định được nguồn, thời điểm thu thập, phương pháp xử lý và các bước biến đổi của dữ liệu trước khi đi vào mô hình hay không

·         Mức phù hợp không gian: Ranh giới, tọa độ, quy mô, độ phân giải và vùng quan sát có tương thích với khu vực đầu tư đang được đánh giá hay không

Không phải chiều nào cũng cần cùng một ngưỡng. Dữ liệu dùng để tính một biến có ảnh hưởng lớn tới NPV cần được kiểm soát chặt hơn dữ liệu chỉ phục vụ mô tả. Tương tự, sai số vị trí vài mét có thể không đáng kể trong một phân tích cấp vùng nhưng trở thành vấn đề lớn khi đánh giá tiếp cận giao thông hoặc phạm vi ảnh hưởng ở quy mô lô đất.

Cách tiếp cận theo mục đích sử dụng phù hợp với ISO/IEC 25012: mức độ quan trọng của các đặc tính chất lượng phụ thuộc vào bối cảnh và nhu cầu của bên sử dụng dữ liệu.

Khi nào lỗi dữ liệu đủ lớn để làm đảo ngược quyết định?

Không thể trả lời câu hỏi này chỉ bằng một tỷ lệ lỗi dữ liệu. Điều cần xác định là khoảng cách giữa kết quả hiện tại và điểm chuyển quyết định.

Nếu NPV của một phương án đang cao hơn đáng kể so với 0 và vẫn dương trong nhiều kịch bản hợp lý, một mức sai số vừa phải ở một biến đơn lẻ có thể không làm thay đổi kết luận. Ngược lại, nếu NPV chỉ nhỉnh hơn 0 hoặc hai phương án có điểm số gần bằng nhau, một thay đổi nhỏ ở biến nhạy cảm cũng có thể đổi lựa chọn.

Do đó, mức độ rủi ro của dữ liệu có thể xem xét thông qua ba yếu tố đồng thời: mức sai lệch có thể xảy ra, độ nhạy của kết quả với biến đó và khoảng cách của kết quả tới ngưỡng quyết định. Một biến có dữ liệu chưa hoàn hảo nhưng gần như không tác động đến thứ hạng có thể được ưu tiên xử lý thấp hơn một biến chỉ sai nhẹ nhưng nằm ngay tại điểm có khả năng làm đổi phương án.

Switching value là một cách biểu diễn trực tiếp logic này. Thay vì hỏi “dữ liệu nhu cầu phải chính xác 95% hay 98%?”, người đánh giá có thể hỏi “nhu cầu thực tế phải thấp hơn dự báo bao nhiêu thì NPV chuyển sang âm?” hoặc “chi phí phải tăng bao nhiêu thì phương án B vượt phương án A?”. Green Book 2026 yêu cầu xem xét độ nhạy và switching value của phương án ưu tiên chính vì các phép thử này cho thấy mức độ bền vững của kết luận trước bất định.

Đặc biệt, không có cơ sở để áp một con số như 90%, 95% hay 99% làm chuẩn chất lượng chung cho mọi dữ liệu đô thị. ISO 19157-1:2023 xác định cách mô tả và đánh giá chất lượng dữ liệu địa lý nhưng không đặt ra mức chất lượng tối thiểu có thể áp dụng chung. Ngưỡng chấp nhận phải được xác định theo yêu cầu của ứng dụng và mức rủi ro của quyết định cụ thể.

Vì sao dữ liệu tốt vẫn chưa đảm bảo một kết quả đánh giá đúng?

Một hiểu nhầm phổ biến là sau khi dữ liệu được làm sạch và kiểm tra chất lượng, kết quả đánh giá sẽ tự động đáng tin. Thực tế, chất lượng dữ liệu chỉ kiểm soát một nhóm nguồn bất định.

Mô hình vẫn có thể sử dụng sai quan hệ giữa các biến. Một giả định tăng trưởng có thể không phù hợp. Trọng số trong hệ thống chấm điểm có thể phản ánh sai ưu tiên. Chi phí, lợi ích hoặc rủi ro quan trọng có thể bị bỏ khỏi phạm vi phân tích. Khi đó, dữ liệu đầu vào có thể rất chính xác nhưng kết luận vẫn không phù hợp với câu hỏi đầu tư.

Ngược lại, một phương pháp đánh giá tốt cũng không thể tự sửa một đầu vào sai có hệ thống. Công thức tính NPV có thể hoàn toàn chính xác về toán học nhưng vẫn cho kết quả lệch nếu chi phí đất, nhu cầu hoặc thời gian triển khai được đưa vào sai.

Vì vậy cần tách ít nhất hai loại bất định: bất định do dữ liệu và bất định do mô hình hoặc giả định. Kiểm soát loại thứ nhất không thay thế việc kiểm tra loại thứ hai.

Trong lĩnh vực đầu tư công, khuôn khổ PIMA của IMF coi thẩm định dự án nghiêm ngặt, phương pháp chuẩn, xem xét rủi ro và quy trình lựa chọn dự án là các yếu tố quan trọng của quản trị đầu tư. PIMA cũng xem hệ thống thông tin là một yếu tố hỗ trợ xuyên suốt. Điều này củng cố nguyên tắc rằng độ tin cậy của kết quả phụ thuộc đồng thời vào chất lượng thông tin và chất lượng của quy trình thẩm định; dữ liệu tốt là điều kiện quan trọng nhưng không phải điều kiện đủ.

Cách kiểm soát chất lượng dữ liệu trước khi tin vào kết quả đánh giá

Kiểm soát hiệu quả không bắt đầu bằng việc làm sạch toàn bộ cơ sở dữ liệu. Bước đầu tiên nên là xác định biến nào thực sự có khả năng thay đổi quyết định. Một dự án có hàng trăm trường dữ liệu nhưng chỉ một nhóm nhỏ có thể chi phối mạnh chi phí, lợi ích, rủi ro hoặc điểm tổng hợp.

Xác định dữ liệu trọng yếu từ logic của mô hình

Mỗi đầu vào nên được nối với một kết quả mà nó ảnh hưởng. Dữ liệu nhu cầu liên quan đến lợi ích hoặc doanh thu nào? Giá đất tác động đến chi phí nào? Lưu lượng giao thông đi vào chỉ tiêu nào? Nếu một trường dữ liệu không thể truy ngược tới bất kỳ giả định hoặc chỉ tiêu quyết định nào, mức độ ưu tiên kiểm soát của nó thường thấp hơn.

Cách làm này giúp tránh tình trạng đầu tư nhiều công sức làm sạch dữ liệu ít giá trị trong khi các biến quyết định vẫn chưa được kiểm chứng.

Đo chất lượng bằng chỉ số có thể kiểm tra

Thay vì ghi “dữ liệu khá đầy đủ” hoặc “nguồn tương đối mới”, nên biến nhận định thành chỉ số. Tỷ lệ đầy đủ có thể tính bằng số trường bắt buộc có giá trị hợp lệ chia cho tổng số trường bắt buộc. Tỷ lệ tuân thủ quy tắc có thể tính bằng số bản ghi vượt qua kiểm tra logic chia cho số bản ghi được kiểm tra. Độ trễ dữ liệu có thể biểu diễn bằng số ngày hoặc tháng giữa ngày quan sát và ngày đánh giá.

Độ chính xác cần nguồn đối chứng phù hợp, còn khả năng truy xuất cần hồ sơ về nguồn, ngày thu thập và quá trình biến đổi. ISO 8000-8 đặt nền tảng cho việc đo lường chất lượng dữ liệu, còn ISO/TS 8000-82 mô tả cách các quy tắc dữ liệu hỗ trợ duy trì tính toàn vẹn và độ tin cậy của dữ liệu trong hệ thống.

Các chỉ số này không tự tạo ra một chuẩn đạt chung. Chúng làm cho chất lượng dữ liệu trở nên quan sát và kiểm tra được; ngưỡng chấp nhận vẫn phải gắn với mục đích sử dụng và mức độ nhạy của quyết định.

Kiểm tra độ nhạy trước khi gắn mức tin cậy cho kết quả

Sau khi biết mức chất lượng của dữ liệu, cần đưa chính bất định đó trở lại mô hình. Nếu chi phí xây dựng có thể sai lệch trong một khoảng hợp lý, hãy chạy mô hình ở các mức khác nhau. Nếu nhu cầu có nhiều nguồn ước tính, hãy kiểm tra các kịch bản tương ứng. Nếu thứ hạng phụ thuộc mạnh vào một trọng số, hãy kiểm tra xem kết quả có ổn định khi trọng số thay đổi hay không.

Một kết quả nên được xem là mạnh hơn khi phương án ưu tiên vẫn giữ nguyên qua các kịch bản hợp lý và các biến trọng yếu phải thay đổi đáng kể mới làm đảo quyết định. Ngược lại, nếu chỉ cần một điều chỉnh nhỏ trong phạm vi sai số dữ liệu đã đủ đổi thứ hạng, kết quả cần được trình bày như một kết luận nhạy cảm thay vì một đáp án chắc chắn. Đây chính là vai trò của phân tích độ nhạy và switching value trong thực hành thẩm định.

Cách tiếp cận này cũng giúp phân bổ nguồn lực kiểm chứng dữ liệu hợp lý hơn. Thay vì cố đạt chất lượng tối đa cho mọi biến, nhóm đánh giá có thể ưu tiên những biến vừa có chất lượng chưa chắc chắn, vừa có ảnh hưởng lớn đến kết quả và nằm gần điểm chuyển quyết định.

Chất lượng dữ liệu ảnh hưởng đến kết quả đánh giá đầu tư đô thị thông qua toàn bộ chuỗi từ đầu vào, giả định, phép tính đến thứ hạng phương án. Dữ liệu càng chính xác, đầy đủ, cập nhật, nhất quán, có thể truy xuất và phù hợp với không gian phân tích thì phần bất định có thể kiểm soát từ dữ liệu càng nhỏ. Tuy nhiên, mức ảnh hưởng thực tế còn phụ thuộc vào biến nào bị lỗi, mô hình nhạy với biến đó đến đâu và kết quả hiện tại cách ngưỡng quyết định bao xa.

Vì thế, cách đánh giá đáng tin cậy không phải là tìm một tỷ lệ chất lượng dữ liệu chung rồi tuyên bố “đạt”. Cần đo chất lượng của từng nhóm dữ liệu quan trọng, nối chúng với các giả định và chỉ tiêu mà chúng chi phối, sau đó kiểm tra độ nhạy và điểm chuyển quyết định. Khi làm được điều đó, chất lượng dữ liệu không còn là một tiêu chí kỹ thuật đứng ngoài quá trình thẩm định mà trở thành một phần trực tiếp của việc xác định mức độ tin cậy của chính kết quả đầu tư.