Marketing Forecasting: Sử dụng dữ liệu quá khứ để dự báo hiệu quả chiến dịch tương lai (Trend Analysis & Predictive Modeling).

Cuối tháng 11, CEO gọi bạn vào phòng và hỏi một câu tưởng đơn giản: "Nếu tôi rót thêm 500 triệu vào marketing quý sau, chúng ta có thêm bao nhiêu doanh thu?". Nếu câu trả lời của bạn là "để em xem đã chạy thế nào rồi báo lại", thì bạn vừa thừa nhận rằng cả bộ máy marketing đang lái xe bằng cách nhìn gương chiếu hậu — biết rõ mình vừa đi qua đâu, nhưng mù tịt về khúc cua phía trước.

Đa số đội marketing Việt Nam dừng ở tầng báo cáo (reporting): tháng trước tiêu bao nhiêu, ra bao nhiêu lead, ROAS (Return on Ad Spend — doanh thu trên mỗi đồng quảng cáo) là bao nhiêu. Đó là mô tả quá khứ. Forecasting là bước nhảy sang câu hỏi khác hẳn: tháng sau, quý sau, nếu tôi làm X thì kết quả kỳ vọng là Y, với biên độ sai số Z. Sự khác biệt không nằm ở công cụ phức tạp, mà ở tư duy: chuyển từ "chuyện gì đã xảy ra" sang "chuyện gì có khả năng xảy ra và tôi nên đặt cược vào đâu".

Và đây là điểm dễ hiểu lầm nhất, cần chốt ngay từ đầu: mục tiêu của forecasting không phải đoán đúng con số. Một dự báo doanh thu "1,847 tỷ" nghe rất oách nhưng vô dụng nếu nó không giúp bạn quyết định nên dồn tiền vào kênh nào, cắt campaign nào, hay có nên tuyển thêm người chạy ads không. Dự báo tốt là dự báo ra được quyết định phân bổ nguồn lực — kể cả khi nó sai vài phần trăm.

Bốn tầng năng lực phân tích: bạn đang ở đâu?

Trước khi bàn cách làm, hãy định vị. Gartner có một thang bốn tầng phân tích rất hữu ích để CMO tự soi:

Phần lớn đội Việt kẹt ở tầng 1-2. Bài này là tấm bản đồ để bước lên tầng 3, và chạm nhẹ tầng 4. Bạn không cần một data scientist với PhD; bạn cần hiểu bốn khối kiến thức: xu hướng & mùa vụ, cohort, mô hình dự báo, và khoảng tin cậy.

Bốn khối nền tảng của marketing forecasting

1. Trend & Seasonality — bóc tách tín hiệu khỏi nhiễu

Mọi chuỗi dữ liệu theo thời gian (doanh thu, lead, traffic) đều là tổng hợp của ba thành phần:

• Trend (xu hướng): hướng đi dài hạn — đang tăng trưởng, đi ngang hay suy giảm.
• Seasonality (mùa vụ): dao động lặp lại theo chu kỳ — cao điểm Tết, back-to-school tháng 8-9, sale 11/11 và 12/12, low điểm tháng Giêng âm lịch.
• Noise (nhiễu): biến động ngẫu nhiên không giải thích được.

Sai lầm kinh điển: một sếp thấy doanh thu tháng 1 dương lịch tụt so với tháng 12 và hoảng loạn cắt ngân sách — trong khi đó chỉ là mùa vụ hậu-sale bình thường. Người biết đọc seasonality sẽ so sánh tháng 1 năm nay với tháng 1 năm ngoái (year-over-year), chứ không so tháng liền kề. Với thị trường Việt, seasonality còn phải soi theo lịch âm — Tết Nguyên đán trôi giữa tháng 1 và tháng 2 dương lịch tùy năm, làm lệch toàn bộ chuỗi nếu chỉ nhìn dương lịch.

2. Cohort Analysis — dự báo hành vi theo nhóm

Cohort là nhóm khách hàng chia theo thời điểm chung (ví dụ: tất cả khách mua lần đầu trong tháng 3). Thay vì nhìn tổng doanh thu (một cục mờ), cohort cho bạn thấy một khách mới thường tạo ra bao nhiêu giá trị theo thời gian. Đây là xương sống để dự báo LTV (Lifetime Value — giá trị vòng đời khách hàng) và, quan trọng hơn, để dự báo doanh thu tương lai từ tập khách đã có.

Nếu cohort tháng 1 cho thấy: tháng đầu khách chi 100, tháng 2 còn 40, tháng 3 còn 25 (retention curve suy giảm rồi phẳng dần), bạn có thể chiếu (project) hành vi này lên các cohort mới để dự báo doanh thu định kỳ mà không cần chi thêm một đồng acquisition nào.

3. Mô hình dự báo — từ đơn giản đến ML nhẹ

Đừng nhảy ngay vào machine learning. Quy tắc vàng: bắt đầu bằng mô hình đơn giản nhất còn dùng được, chỉ leo thang khi đơn giản không đủ. Thang leo:

Với 80% nhu cầu marketing của doanh nghiệp Việt tầm trung, một mô hình hồi quy tuyến tính giữa chi tiêu quảng cáo và số lead, cộng hệ số điều chỉnh mùa vụ, đã đủ ra quyết định. Facebook Prophet (thư viện mã nguồn mở) là điểm ngọt tiếp theo khi bạn cần bắt seasonality tự động mà chưa muốn thuê data scientist.

4. Confidence Interval & Assumptions — điều tách chuyên gia khỏi thầy bói

Một con số dự báo trần trụi ("tháng sau 5,000 lead") là vô trách nhiệm. Chuyên gia luôn giao một khoảng: "5,000 lead, khoảng tin cậy 80% nằm trong 4,200–5,800, với giả định CPL giữ nguyên và không có thay đổi thuật toán nền tảng". Khoảng tin cậy (confidence interval) nói lên mức độ chắc chắn; giả định (assumptions) nói lên điều kiện để dự báo còn đúng. Khi một giả định vỡ (Facebook đổi thuật toán, đối thủ đốt tiền đẩy CPM lên), bạn biết ngay phải cập nhật dự báo — thay vì bảo vệ một con số đã chết.

Mô hình khung: Marketing Forecasting Stack

Để hệ thống hóa, tôi dùng một tháp bốn tầng — mỗi tầng là đầu vào cho tầng trên:

        ┌─────────────────────────────────┐
Tầng 4  │  ALLOCATION (Kê đơn phân bổ)     │  → Dồn tiền vào đâu?
        ├─────────────────────────────────┤
Tầng 3  │  REVENUE FORECAST               │  → Pipeline & doanh thu kỳ vọng
        ├─────────────────────────────────┤
Tầng 2  │  CONVERSION MODEL               │  → Lead → SQL → Deal (tỷ lệ & lag)
        ├─────────────────────────────────┤
Tầng 1  │  DEMAND SIGNAL                  │  → Traffic, lead theo kênh (trend+seasonality)
        └─────────────────────────────────┘

Logic chảy từ dưới lên: dự báo lượng cầu (tầng 1) → nhân với tỷ lệ chuyển đổi và độ trễ theo cohort (tầng 2) → ra pipeline và doanh thu kỳ vọng (tầng 3) → so sánh hiệu suất biên (marginal) giữa các kênh để quyết định phân bổ (tầng 4). Chính tầng 4 là nơi forecasting "trả tiền" — nó biến số dự báo thành đồng ngân sách được đặt đúng chỗ.

Phân tích theo 5W3H1R: Xây năng lực Marketing Forecasting

Why — Tại sao phải làm

Ba pain point cụ thể. Một, ngân sách bị phân bổ theo cảm tính hoặc quán tính ("năm ngoái chia thế nào năm nay chia vậy") thay vì theo hiệu suất biên kỳ vọng. Hai, marketing không bảo vệ được ngân sách trước CFO vì không nối được chi tiêu với doanh thu tương lai. Ba, phản ứng luôn chậm một nhịp — chỉ biết campaign hỏng sau khi đã đốt hết tiền. Giá trị tạo ra: chuyển marketing từ trung tâm chi phí (cost center) sang trung tâm tăng trưởng có thể dự báo (predictable growth engine), giành được vị thế đàm phán ngân sách và giảm lãng phí phân bổ sai.

What — Bản chất là gì (chi tiết nhất)

Marketing Forecasting là năng lực (capability), không phải một báo cáo. Đó là quy trình + mô hình + dữ liệu + nhịp review cho phép ước lượng kết quả marketing tương lai (lead, pipeline, doanh thu) kèm khoảng tin cậy và giả định, để phục vụ quyết định phân bổ nguồn lực.

Scope IN (nằm trong):

• Dự báo demand: traffic, lead, MQL theo kênh và theo thời gian.
• Dự báo conversion & lag: tỷ lệ và độ trễ lead → SQL → deal, tách theo cohort.
• Dự báo pipeline & doanh thu từ marketing (marketing-sourced revenue).
• Kịch bản phân bổ ngân sách (scenario planning) với khoảng tin cậy.

Scope OUT (không nằm trong):

• Không phải attribution model (bài MKT-06 lo việc gán công); forecasting dùng output của attribution làm đầu vào.
• Không phải dashboard báo cáo quá khứ đơn thuần.
• Không thay thế phán đoán chiến lược — nó là công cụ hỗ trợ quyết định.

Thành phần cấu thành: nguồn dữ liệu lịch sử sạch (≥12–24 tháng lý tưởng), thư viện mô hình dự báo, bộ giả định được ghi rõ, và cơ chế review định kỳ để hiệu chỉnh.

Output / sản phẩm đầu ra: một Forecast Sheet hằng kỳ gồm: con số dự báo trung tâm (point estimate), khoảng tin cậy, danh sách giả định, độ lệch so với kỳ trước (forecast vs actual — đo forecast accuracy), và khuyến nghị phân bổ.

Who — Ai làm & ai hưởng lợi

Người hưởng lợi: CFO (planning dòng tiền), Sales (biết pipeline đầu vào), và chính team marketing (bảo vệ được ngân sách, tránh làm việc vô ích).

Where — Diễn ra ở đâu

Về kênh dữ liệu: các platform quảng cáo (Meta, Google, TikTok Ads), GA4/analytics, CRM (nguồn deal & sales cycle), và CDP nếu có. Về nơi tính toán: khởi đầu hoàn toàn ổn với Google Sheets/Excel; leo thang lên notebook (Python/R) với Prophet; trưởng thành thì đặt trong module Intelligence Hub / Forecasting của dashboard nội bộ (như định hướng SellersStar), nơi forecast được cập nhật tự động và hiển thị cạnh actual. Điểm chạm ra quyết định: cuộc họp phân bổ ngân sách hằng tháng/quý.

When — Khi nào bắt đầu & kết thúc

Bắt đầu khi bạn đã có tối thiểu 6–12 tháng dữ liệu lịch sử tương đối sạch (dưới ngưỡng này, dự báo chỉ là đoán). Đây là năng lực liên tục, không có điểm kết thúc. Nhịp:

• Hằng tuần: cập nhật demand signal ngắn hạn (leading indicators).
• Hằng tháng: chạy lại forecast, đối chiếu forecast vs actual, hiệu chỉnh mô hình.
• Hằng quý: forecast doanh thu phục vụ planning; review giả định lớn.
• Thời điểm vàng: chạy dự báo trước mùa cao điểm (Tết, 11/11) đủ sớm để kịp khóa ngân sách và inventory.

How — Thực hiện thế nào (quy trình đánh số)

Bước 1 — Thu thập & làm sạch dữ liệu.
Đầu vào: export lịch sử từ ad platforms, GA4, CRM.
Hoạt động: hợp nhất về một bảng theo thời gian (ngày/tuần/tháng), xử lý missing, đánh dấu các sự kiện bất thường (đợt sale, sự cố tracking).
Đầu ra: một dataset chuỗi thời gian sạch, có cột đánh dấu event.

Bước 2 — Bóc tách trend & seasonality.
Đầu vào: dataset sạch.
Hoạt động: decomposition (tách 3 thành phần), tính chỉ số mùa vụ theo tháng, chuẩn hóa theo lịch âm cho mùa Tết.
Đầu ra: đường trend nền + bảng hệ số mùa vụ.

Bước 3 — Xây conversion & cohort model.
Đầu vào: dữ liệu CRM lead → deal, thời điểm.
Hoạt động: tính tỷ lệ chuyển đổi từng chặng phễu và độ trễ (lag) trung bình; dựng retention/LTV curve theo cohort.
Đầu ra: bộ tỷ lệ chuyển đổi + đường cong cohort.

Bước 4 — Chọn & huấn luyện mô hình dự báo.
Đầu vào: trend, seasonality, conversion, biến chi tiêu.
Hoạt động: bắt đầu bằng moving average làm baseline; thử hồi quy chi tiêu→lead; nếu mùa vụ mạnh thì Holt-Winters/Prophet. Luôn giữ baseline để so.
Đầu ra: mô hình cho ra point estimate.

Bước 5 — Tính khoảng tin cậy & ghi giả định.
Đầu vào: sai số lịch sử của mô hình (residuals).
Hoạt động: tính confidence interval; liệt kê rõ mọi giả định (CPL, CPM, tỷ lệ chuyển đổi, ngân sách).
Đầu ra: dự báo dạng khoảng + danh sách giả định.

Bước 6 — Backtest (kiểm định ngược).
Đầu vào: dữ liệu lịch sử.
Hoạt động: giả lập "đứng ở tháng T dự báo T+1", so với thực tế; tính MAPE (Mean Absolute Percentage Error — sai số phần trăm tuyệt đối trung bình).
Đầu ra: điểm số độ chính xác, biết mô hình đáng tin đến đâu.

Bước 7 — Chạy kịch bản & khuyến nghị phân bổ.
Đầu vào: mô hình đã kiểm định.
Hoạt động: dựng 3 kịch bản (thận trọng / cơ sở / lạc quan), so hiệu suất biên giữa các kênh, đề xuất dồn tiền.
Đầu ra: Forecast Sheet + khuyến nghị allocation.

Bước 8 — Review & hiệu chỉnh (vòng lặp).
Đầu vào: actual kỳ vừa qua.
Hoạt động: đối chiếu forecast vs actual, mổ xẻ sai lệch, cập nhật giả định & mô hình.
Đầu ra: mô hình tốt hơn cho kỳ sau — forecasting là sản phẩm được version hóa liên tục.

How Much — Cần bao nhiêu nguồn lực

Định tính theo mức. Giai đoạn khởi đầu (mức thấp): một analyst part-time + Google Sheets, gần như không chi phí công cụ. Giai đoạn nâng cao (mức trung bình): một analyst chuyên trách, thời gian dựng data pipeline, chi phí công cụ BI/notebook. Giai đoạn trưởng thành (mức cao): tích hợp vào Intelligence Hub, cần dev + data engineer, chi phí hạ tầng lưu trữ. Chi phí cơ hội đáng nói nhất không phải tiền công cụ mà là thời gian analyst và kỷ luật duy trì dữ liệu sạch. Nguyên tắc: đừng đầu tư ML nặng khi bạn còn chưa làm sạch nổi dữ liệu — rác vào thì rác ra (garbage in, garbage out).

How Long — Bao lâu thấy kết quả

• Tuần 2–4: có baseline forecast đầu tiên bằng moving average — thô nhưng đã tốt hơn cảm tính.
• Tháng 2–3: mô hình có seasonality, backtest cho MAPE tin cậy được để đưa vào họp ngân sách.
• Tháng 4–6: forecast vs actual hội tụ dần, đội bắt đầu tin và dùng để phân bổ thật.
• Sau 2–3 chu kỳ mùa vụ (~1 năm+): mô hình bắt được các đỉnh/đáy lớn, độ chính xác đủ để CFO đưa vào financial planning.

Risk — Rủi ro & biện pháp dự phòng

Framework áp dụng ngay: Marketing Forecast Sheet

Copy bảng này vào Google Sheets, chạy hằng tháng. Đây là bản tối giản dùng được ngay:

Checklist chất lượng một forecast trước khi trình lãnh đạo:

• Có ≥6 tháng dữ liệu nền
• Đã tách seasonality (chuẩn hóa lịch âm nếu chạm mùa Tết)
• Báo cáo dạng khoảng, không phải con số trần
• Mọi giả định được ghi thành văn
• Đã backtest, có MAPE
• Có ít nhất 3 kịch bản (thận trọng/cơ sở/lạc quan)
• Kết thúc bằng khuyến nghị phân bổ, không dừng ở con số

Case study Việt Nam (minh họa điển hình)

Bối cảnh minh họa — số liệu dựng để minh họa phương pháp, không phải dữ liệu công ty thật.

Một thương hiệu mỹ phẩm D2C (bán trực tiếp cho người tiêu dùng qua online) tại TP.HCM, doanh thu online phụ thuộc lớn vào Facebook và TikTok Ads. Vấn đề: mỗi cuối năm, đội marketing "gồng" ngân sách cho 11/11 và 12/12 theo cảm giác, năm thì thiếu hàng lỡ đơn, năm thì ôm tồn kho.

Cách làm. Team dựng Forecast Sheet với 18 tháng dữ liệu. Bước bóc seasonality lộ ra một mẫu hình rõ: lead tháng 11 thường gấp ~2.3 lần trung bình các tháng thường, nhưng CPL cũng leo ~40% do đấu giá quảng cáo nóng lên (đối thủ cùng đốt tiền). Cohort analysis cho thấy khách mua lần đầu trong đợt sale có retention thấp hơn khách mua tháng thường — nghĩa là LTV đợt sale bị thổi phồng nếu chỉ nhìn doanh thu tháng đó.

Quyết định phân bổ. Thay vì dồn toàn lực vào đúng ngày 11/11, mô hình gợi ý: (1) kéo một phần ngân sách sang giai đoạn "pre-sale" cuối tháng 10 khi CPL còn rẻ để gom lead giá tốt rồi remarketing đúng ngày sale; (2) đặt ngưỡng chi tối đa theo kịch bản CPL để không đốt tiền khi đấu giá vượt ngưỡng hiệu quả biên; (3) chuẩn bị inventory theo khoảng dự báo (kịch bản cơ sở), không theo con số đơn lẻ.

Kết quả (minh họa). Điểm mấu chốt không phải "dự báo đúng doanh thu 11/11" — thực tế lệch khoảng một chữ số phần trăm so với point estimate. Giá trị thật là: đội ra quyết định phân bổ tốt hơn — gom lead rẻ trước sale, không vung tiền khi CPL vượt ngưỡng, và nhập hàng sát cầu hơn. Forecasting đã làm đúng việc của nó: dẫn dắt phân bổ, không phải bói số.

GÓC NHÌN CMO

• Nếu CEO hỏi "thêm 500 triệu ra thêm bao nhiêu doanh thu", tôi trả lời được bằng một khoảng có giả định, hay chỉ ậm ừ?
• Đội tôi đang báo cáo quá khứ hay dự báo tương lai? Bao nhiêu % thời gian phân tích dành cho mỗi loại?
• Chúng tôi có đo forecast-vs-actual (MAPE) không, hay chỉ dự báo rồi bỏ đó không bao giờ chấm điểm mình?
• Mỗi con số dự báo tôi trình lên có đi kèm khoảng tin cậy và giả định, hay tôi đang tạo cảm giác chắc chắn giả tạo cho lãnh đạo?
• Forecast của tôi có thực sự thay đổi cách chúng tôi tiêu tiền không — hay nó chỉ là một slide đẹp rồi ngân sách vẫn chia y như năm ngoái?

🔗 Liên kết với các bài khác (Alignment)

• Forecasting tiêu thụ output của hệ thống đo lường: để dự báo doanh thu bạn cần attribution và CLV chuẩn — xem Thiết kế Hệ thống Đo lường.
• Dữ liệu lịch sử sạch là nhiên liệu; không có nền data tốt thì forecast là rác — xem Data Strategy cho Marketing.
• Dự báo pipeline dựa trực tiếp trên tỷ lệ chuyển đổi từng chặng phễu — xem Chiến lược Phễu (Funnel Hacking).
• Forecast chỉ có giá trị khi khớp với mục tiêu — nối OKRs/KPIs để dự báo phục vụ đúng đích — xem OKRs vs. KPIs trong Marketing.
• Đầu ra allocation của forecasting là đầu vào cho quyết định ngân sách & ROI — xem Chi phí & Hiệu suất (ROI).
• Dự báo chỉ đáng tin khi marketing–sales–product chốt chung một định nghĩa dữ liệu và feedback loop — xem Alignment & Feedback Loop.

Kết bài

Marketing forecasting không biến bạn thành nhà tiên tri, và đó không phải mục tiêu. Nó biến marketing từ một trung tâm chi phí phản ứng bị động thành một cỗ máy tăng trưởng có thể lập kế hoạch được — nơi mỗi đồng ngân sách được đặt cược dựa trên hiệu suất biên kỳ vọng, chứ không phải quán tính hay cảm tính. Sức mạnh không nằm ở con số cuối cùng, mà ở kỷ luật: ghi giả định, báo cáo bằng khoảng, chấm điểm chính mình bằng MAPE, và luôn kết thúc bằng một khuyến nghị phân bổ.

Hành động thực chiến tuần này: mở một Google Sheet, lấy 6–12 tháng dữ liệu lead/chi tiêu của một kênh, dựng một moving-average baseline và thử dự báo tháng tới dạng khoảng. Nó sẽ thô. Không sao. Một dự báo thô có giả định rõ ràng vẫn hơn xa một cái nhìn gương chiếu hậu bóng loáng. Từ baseline đó, bạn bắt đầu leo thang — và lần sau CEO hỏi "thêm tiền ra thêm bao nhiêu", bạn đã có câu trả lời.

Bài trước: Chiến lược Phễu (Funnel Hacking) · Bài tiếp theo: Alignment & Feedback Loop