# AI MAPE sai số phần trăm tuyệt đối trung bình

Tiếng Anh: AI Mean Absolute Percentage Error (MAPE)

Chỉ số đo sai số dự báo dưới dạng phần trăm, thường dùng đánh giá mô hình dự báo doanh số bán sản phẩm và số dư tiền gửi khách hàng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-mape-sai-so-phan-tram-tuyet-doi-trung-binh-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI MAPE sai số phần trăm tuyệt đối trung bình là gì?

**AI MAPE** (viết tắt của **Mean Absolute Percentage Error** – tạm dịch: *sai số phần trăm tuyệt đối trung bình*) là một chỉ số thống kê được sử dụng rộng rãi trong lĩnh vực trí tuệ nhân tạo (Artificial Intelligence – **AI**) và học máy (Machine Learning – **ML**) để đánh giá độ chính xác của các mô hình dự báo. Cụ thể hơn, **MAPE** đo lường mức độ sai lệch trung bình giữa giá trị dự báo (predicted value) và giá trị thực tế (actual value), được biểu diễn dưới dạng phần trăm. Đây là một trong những **đại lượng đánh giá** (evaluation metric) phổ biến nhất mà các chuyên gia phân tích dữ liệu (data analyst) và kỹ sư học máy (machine learning engineer) sử dụng để so sánh hiệu suất giữa các mô hình dự báo khác nhau.

Công thức tính **MAPE** khá đơn giản và trực quan. Với *n* là số lượng quan sát, *At* là giá trị thực tế tại thời điểm *t*, và *Ft* là giá trị dự báo tại thời điểm *t*, **MAPE** được tính bằng trung bình cộng của các giá trị tuyệt đối của tỷ lệ sai số giữa dự báo và thực tế, chia cho giá trị thực tế, rồi nhân với 100%. Kết quả **MAPE** càng thấp thì mô hình dự báo càng chính xác. Một mô hình có **MAPE** bằng 0% nghĩa là dự báo hoàn hảo, không có sai số; ngược lại, **MAPE** càng cao thì mức độ sai lệch càng lớn và độ tin cậy của mô hình càng thấp.

Trong ngành ngân hàng, **AI MAPE** đóng vai trò đặc biệt quan trọng vì hầu hết các quyết định kinh doanh – từ dự báo doanh số bán sản phẩm, ước tính số dư tiền gửi, dự đoán nhu cầu tín dụng, đến hoạch định kế hoạch vốn – đều phụ thuộc vào chất lượng của các mô hình dự báo. Một mô hình **AI** dự báo tốt với **MAPE** thấp giúp ngân hàng tối ưu hóa nguồn lực, giảm thiểu rủi ro và nâng cao trải nghiệm khách hàng. Ngược lại, nếu **MAPE** quá cao, các quyết định dựa trên dự báo có thể dẫn đến những hệ quả nghiêm trọng như thiếu hụt thanh khoản, tồn kho sai hoặc bỏ lỡ cơ hội kinh doanh.

**Thuật ngữ tiếng Anh:** AI Mean Absolute Percentage Error (MAPE)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### Đặc điểm nổi bật của MAPE

**MAPE** có một số đặc điểm riêng biệt khiến nó trở thành lựa chọn ưu tiên trong nhiều bài toán dự báo ngân hàng:

- **Dễ diễn giải (interpretability):** Vì **MAPE** được biểu diễn dưới dạng phần trăm, các bên liên quan (stakeholders) – kể cả những người không có nền tảng kỹ thuật – cũng có thể hiểu được ý nghĩa. Ví dụ: *"Mô hình dự báo số dư tiền gửi có **MAPE** là 5%, nghĩa là trung bình cứ mỗi 100 đồng dự báo thì sai lệch khoảng 5 đồng."*
- **Không phụ thuộc vào đơn vị đo (scale-independent):** **MAPE** có thể so sánh giữa các chuỗi dữ liệu có đơn vị hoặc quy mô khác nhau, chẳng hạn như so sánh sai số dự báo doanh thu thẻ tín dụng (tính bằng tỷ đồng) với sai số dự báo số lượng giao dịch (tính bằng nghìn giao dịch).
- **Phạt sai số tương đối (relative penalty):** **MAPE** phạt các sai số trên các giá trị nhỏ nặng hơn so với các giá trị lớn. Điều này có thể là một ưu điểm hoặc nhược điểm tùy bối cảnh.
- **Giới hạn trên (upper bound):** Lý thuyết, **MAPE** không có giới hạn trên vì phép chia cho giá trị thực tế gần 0 có thể tạo ra sai số rất lớn.

### Phân loại MAPE theo mục đích sử dụng

| Loại MAPE | Đặc điểm | Ứng dụng trong ngân hàng |
|---|---|---|
| **MAPE truyền thống** | Tính trung bình cộng đơn giản của các sai số phần trăm tuyệt đối | Dự báo doanh số bán thẻ tín dụng, số dư tiền gửi |
| **MAPE có trọng số (Weighted MAPE – WMAPE)** | Đưa thêm trọng số dựa trên tầm quan trọng của từng quan sát | Dự báo dòng tiền theo từng phân khúc khách hàng |
| **Symmetric MAPE (sMAPE)** | Khắc phục tình trạng **MAPE** bất đối xứng khi giá trị thực tế nhỏ | So sánh dự báo giữa các chi nhánh có quy mô khác nhau |
| **Mean Absolute Scaled Error (MASE)** | Phiên bản mở rộng, ổn định hơn với dữ liệu có giá trị bằng 0 | Dự báo nhu cầu sản phẩm mới chưa có lịch sử dữ liệu |
| **MAPE tích lũy (Cumulative MAPE)** | Đánh giá sai số dự báo trong một khoảng thời gian dài | Hoạch định kế hoạch vốn dài hạn |

### Phân loại theo ngưỡng đánh giá

Trong thực tiễn ngân hàng, các chuyên gia thường phân loại chất lượng mô hình dựa trên ngưỡng **MAPE** như sau:

| Ngưỡng MAPE | Đánh giá chất lượng | Ý nghĩa |
|---|---|---|
| Dưới 5% | Rất tốt (Excellent) | Mô hình có độ chính xác cực cao, sẵn sàng triển khai |
| 5% – 10% | Tốt (Good) | Mô hình đáng tin cậy cho hầu hết quyết định kinh doanh |
| 10% – 20% | Chấp nhận được (Acceptable) | Mô hình cần tinh chỉnh thêm trước khi áp dụng rộng rãi |
| 20% – 50% | Kém (Poor) | Mô hình cần cải thiện đáng kể hoặc thay thế |
| Trên 50% | Rất kém (Very Poor) | Mô hình không đủ tin cậy để đưa ra quyết định kinh doanh |

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Dự báo số dư tiền gửi khách hàng cá nhân tại Ngân hàng A

Ngân hàng A triển khai một mô hình **AI** dự báo số dư tiền gửi của 1.000 khách hàng cá nhân trong quý tiếp theo, dựa trên dữ liệu lịch sử 24 tháng. Mô hình sử dụng thuật toán **LSTM** (Long Short-Term Memory – một dạng mạng nơ-ron hồi quy) kết hợp với các biến vĩ mô như lãi suất tiết kiệm, tỷ lệ lạm phát và chỉ số chứng khoán.

Sau khi huấn luyện và kiểm thử trên tập dữ liệu, mô hình cho ra kết quả **MAPE** = 4,2%. Con số này có nghĩa là trung bình cứ mỗi 100 triệu đồng dự báo thì mô hình sai lệch khoảng 4,2 triệu đồng so với thực tế. Với ngưỡng **MAPE** dưới 5%, mô hình được đánh giá ở mức *"Rất tốt"* và đủ điều kiện triển khai vào môi trường vận hành thực tế. Nhờ vậy, Ngân hàng A có thể chủ động điều chỉnh lãi suất huy động, thiết kế các sản phẩm tiết kiệm phù hợp và tối ưu hóa tỷ lệ dự trữ bắt buộc.

### Ví dụ 2: Dự báo doanh số bán sản phẩm thẻ tín dụng tại Ngân hàng B

Ngân hàng B sử dụng mô hình **AI** để dự báo doanh số bán thẻ tín dụng theo từng phân khúc khách hàng trong 6 tháng tới. Dữ liệu đầu vào bao gồm: lịch sử giao dịch, điểm tín dụng (credit score), thu nhập ước tính, độ tuổi, nghề nghiệp và hành vi sử dụng dịch vụ ngân hàng số. Mô hình được huấn luyện bằng thuật toán **XGBoost** (Extreme Gradient Boosting).

Tuy nhiên, kết quả kiểm thử cho thấy **MAPE** lên tới 18,5% – nằm trong vùng *"Chấp nhận được"*. Đội ngũ khoa học dữ liệu (data science team) nhận định rằng mô hình đang gặp khó khăn trong việc dự báo cho phân khúc khách hàng trẻ tuổi (dưới 25 tuổi) vì hành vi tài chính của nhóm này biến động mạnh và ít có mẫu lặp lại. Họ quyết định bổ sung thêm biến xã hội (như xu hướng tiêu dùng theo mùa, sự kiện khuyến mãi) và sử dụng kỹ thuật **ensemble learning** (kết hợp nhiều mô hình) để giảm **MAPE** xuống mức 9,3%, đạt ngưỡng *"Tốt"*.

### Ví dụ 3: So sánh hai mô hình dự báo nhu cầu tín dụng doanh nghiệp

Một ngân hàng thương mại cổ phần (giả định là Ngân hàng C) đang phân vân giữa hai mô hình **AI** để dự báo nhu cầu vay vốn của khách hàng doanh nghiệp vừa và nhỏ (SME):

- **Mô hình 1:** Hồi quy tuyến tính (Linear Regression) kết hợp với phân tích chuỗi thời gian (ARIMA). **MAPE** = 12,8%.
- **Mô hình 2:** Mạng nơ-ron tích chập (Convolutional Neural Network – **CNN**) áp dụng trên dữ liệu dạng bảng. **MAPE** = 7,5%.

Dựa trên kết quả **MAPE**, ngân hàng lựa chọn **Mô hình 2** vì có sai số thấp hơn đáng kể, đồng nghĩa với khả năng dự báo chính xác hơn nhu cầu tín dụng. Nhờ đó, Ngân hàng C có thể chuẩn bị nguồn vốn hợp lý, tăng tỷ lệ phê duyệt khoản vay hợp lệ và giảm thiểu rủi ro tín dụng.

## AI MAPE sai số phần trăm tuyệt đối trung bình trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Mean Absolute Percentage Error (MAPE) | /miːn ˈæbsəluːt pəˈsɛntɪdʒ ˈɛrər/ |
| Tiếng Nhật | 平均絶対百分比誤差 (へいきんぜったいひゃくぶんひごさ) | heikin zettai hyakubunhi gosa |
| Tiếng Hàn | 평균 절대 백분율 오차 (평균절대백분율오차) | pyeong-gyun jeoldae baegbun-yul ocha |
| Tiếng Trung | 平均绝对百分比误差 (MAPE) | píngjūn juéduì bǎifēnbǐ chāwù |
| Tiếng Tây Ban Nha | Error Porcentual Absoluto Medio (EPAM) | /eˈroɾ poɾθenˈtwal aβsoluto ˈmeðjo/ |

## Câu hỏi thường gặp

### AI MAPE sai số phần trăm tuyệt đối trung bình khác gì RMSE (Root Mean Squared Error)?

**MAPE** và **RMSE** đều là các chỉ số đánh giá mô hình dự báo, nhưng có cách tính và ý nghĩa khác nhau. **MAPE** biểu diễn sai số dưới dạng phần trăm nên dễ diễn giải và so sánh giữa các tập dữ liệu có quy mô khác nhau, nhưng lại nhạy cảm với các giá trị thực tế gần bằng 0. Trong khi đó, **RMSE** tính sai số bình phương trung bình nên phạt nặng hơn các sai số lớn, giúp phát hiện những trường hợp dự báo sai nghiêm trọng. Trong ngân hàng, các chuyên gia thường sử dụng **MAPE** khi cần truyền đạt kết quả cho ban lãnh đạo và dùng **RMSE** khi cần tối ưu hóa kỹ thuật mô hình.

### Khi nào cần biết về AI MAPE sai số phần trăm tuyệt đối trung bình?

Bạn cần nắm vững **MAPE** khi làm việc trong các vị trí liên quan đến phân tích dữ liệu, khoa học dữ liệu, hoặc quản trị rủi ro tại ngân hàng. Cụ thể, **MAPE** thường xuất hiện trong các bài thi tuyển dụng vị trí **Data Analyst**, **Data Scientist**, **Risk Modeler** hoặc **Business Intelligence** tại các ngân hàng. Ngoài ra, trong quá trình làm việc, **MAPE** được sử dụng hàng ngày để đánh giá chất lượng các mô hình dự báo doanh số, số dư tiền gửi, nhu cầu vay, tỷ lệ churn (rời bỏ dịch vụ) và nhiều chỉ tiêu kinh doanh khác.

### AI MAPE sai số phần trăm tuyệt đối trung bình ảnh hưởng thế nào đến khách hàng?

Mặc dù khách hàng không trực tiếp tính toán **MAPE**, nhưng chỉ số này ảnh hưởng gián tiếp đến trải nghiệm của họ. Khi ngân hàng có mô hình dự báo với **MAPE** thấp, ngân hàng có thể cung cấp các sản phẩm tài chính phù hợp hơn, lãi suất cạnh tranh hơn và dịch vụ chăm sóc khách hàng chủ động hơn. Ví dụ, nếu mô hình dự báo chính xác rằng một khách hàng sắp có nhu cầu vay mua nhà, ngân hàng có thể gửi đề xuất khoản vay kịp thời. Ngược lại, nếu **MAPE** quá cao, ngân hàng có thể đưa ra các quyết định sai lầm, ảnh hưởng đến chất lượng dịch vụ và sự hài lòng của khách hàng.

## Tổng kết

**AI MAPE – sai số phần trăm tuyệt đối trung bình** là một trong những chỉ số quan trọng nhất trong việc đánh giá chất lượng mô hình **AI** và **Machine Learning** trong ngành ngân hàng. Với ưu điểm dễ hiểu, dễ so sánh và có thể áp dụng cho nhiều bài toán dự báo khác nhau, **MAPE** đã trở thành công cụ không thể thiếu đối với các chuyên gia dữ liệu. Việc nắm vững khái niệm, cách tính, ngưỡng đánh giá và ứng dụng thực tế của **MAPE** sẽ giúp bạn tự tin hơn trong các kỳ thi tuyển dụng ngân hàng cũng như trong công việc hàng ngày. Hãy nhớ rằng: mục tiêu cuối cùng của **MAPE** không chỉ là một con số, mà là cơ sở để đưa ra những quyết định kinh doanh thông minh, tối ưu hóa nguồn lực và mang lại giá trị bền vững cho cả ngân hàng lẫn khách hàng.

## Thuật ngữ liên quan

- [Bảo hiểm liên kết ngân hàng](https://vieclam.nganhang.com/thuat-ngu/bao-hiem-lien-ket-ngan-hang-la-gi) — Mô hình phân phối sản phẩm bảo hiểm qua kênh ngân hàng, kết hợp giữa ngân hàng và công ty bảo hiểm.
- [Dự báo dòng tiền](https://vieclam.nganhang.com/thuat-ngu/du-bao-dong-tien-la-gi) — Việc ước tính dòng tiền vào, dòng tiền ra trong tương lai để lập kế hoạch tài chính và quản lý vốn lưu động.
- [Nguyên tắc Basel](https://vieclam.nganhang.com/thuat-ngu/nguyen-tac-basel-la-gi) — Bộ nguyên tắc quản trị rủi ro ngân hàng do Ủy ban Basel về Giám sát Ngân hàng ban hành và cập nhật.
- [Quyết định 2345/QĐ-NHNN](https://vieclam.nganhang.com/thuat-ngu/quyet-dinh-2345qd-nhnn-la-gi) — Quyết định của Ngân hàng Nhà nước Việt Nam ban hành năm 2023 quy định về bảo đảm an toàn thông tin trong hoạt động ngân hàng.
- [Quản trị rủi ro mô hình](https://vieclam.nganhang.com/thuat-ngu/quan-tri-rui-ro-mo-hinh-la-gi) — Khung quy trình quản lý vòng đời mô hình phân tích nhằm đảm bảo độ chính xác và tuân thủ theo quy định NHNN.
- [Tiền gửi không kỳ hạn](https://vieclam.nganhang.com/thuat-ngu/tien-gui-khong-ky-han-la-gi) — Loại tiền gửi trong tài khoản thanh toán có thể rút bất kỳ lúc nào, không cam kết thời hạn và thường hưởng lãi suất thấp.
- [Trí tuệ nhân tạo](https://vieclam.nganhang.com/thuat-ngu/tri-tue-nhan-tao-la-gi) — Lĩnh vực nghiên cứu tạo ra hệ thống có khả năng thực hiện tác vụ đòi hỏi trí thông minh của con người, đang được ứng dụng sâu rộng trong ngân hàng từ chatbot đ…
- [Đề án 06 của Chính phủ](https://vieclam.nganhang.com/thuat-ngu/de-an-06-cua-chinh-phu-la-gi) — Đề án phát triển ứng dụng dữ liệu về dân cư, định danh và xác thực điện tử phục vụ chuyển đổi số quốc gia.