Trả lời ngắn: Base rate là mức thường xảy ra trong một nhóm phù hợp; scenario là outcome có assumption rõ; Bayesian update là đổi mức tin khi evidence mới đủ liên quan và đáng tin. Ba công cụ không cho certainty hay dự báo giá, nhưng giúp bạn nói rõ prior, evidence mới và phần còn thiếu.

Đọc xong, bạn sẽ hiểu:

  • Vì sao headline không được nhảy cóc qua base rate.
  • Cách dựng base, upside và downside scenario mà không bịa xác suất.
  • Cách đổi confidence vừa đủ khi evidence mới xuất hiện.
  • Cách làm prior card 15 phút bằng Google Sheets.

Lưu ý giáo dục: Đây là bài về cách cập nhật research, không phải khuyến nghị đầu tư hoặc cam kết kết quả. Mây Foods và mọi tỉ lệ minh họa đều là dữ liệu giả; không dùng chúng để giao dịch tiền thật.

1. Base rate là điểm xuất phát, không là lời tiên tri

Base rate là mức thường xảy ra của một hiện tượng trong nhóm đủ giống câu hỏi đang nghiên cứu. Ví dụ, trước khi nghe “xe buýt hôm nay trễ”, bạn có thể nhìn lịch sử tuyến đó trong khung giờ và ngày tương tự. Prior là mức tin của bạn trước evidence mới. Prior không phải định kiến bất di bất dịch; nó là ghi chép trung thực về chỗ bạn đang đứng khi chưa có thêm data.

Người mới thường làm ngược: thấy một headline, rồi mới đi tìm các số làm headline nghe hợp lý. Base rate kéo bạn lại câu hỏi: hiện tượng này thường xảy ra bao nhiêu, ở nhóm nào, trong thời hạn nào? Nếu Mây Foods có một tháng đơn lặp lại tăng, prior cần là dữ liệu đơn lặp lại ở các tháng/chiến dịch tương tự, chứ không phải cảm giác “kênh mới luôn tốt”.

Hãy tưởng tượng trời nhiều mây. Base rate của khu vực nói hôm nay có thể mưa, nhưng không nói chắc bạn sẽ ướt. Bạn mang áo mưa là chuẩn bị theo range outcome, không tuyên bố trời sẽ mưa đúng 4 giờ. Research cũng vậy: base rate giúp bớt ngạc nhiên và bớt phóng đại, không biến quá khứ thành bản sao của tương lai.

a. Nhóm phải khớp claim

Base rate vô ích nếu nhóm quá rộng. “Các công ty tăng trưởng” không tự là nhóm cho claim về đơn lặp lại của một kênh giao hàng; “mọi tháng” không tự là nhóm cho mùa cao điểm. Hãy ghi object, variable, scope và time horizon giống question card ở bài #6. Sau đó mới hỏi nhóm so sánh có đủ gần không.

CFA Institute — Company Analysis: Forecasting nêu nhiều đầu vào cho forecast. Hiểu đơn giản, bạn có thể dựa vào kết quả quá khứ, mức thường gặp của nhóm so sánh, hướng dẫn của ban quản lý hoặc đánh giá có giải trình của analyst; scenario analysis giúp xem nhiều outcome. Điều thực hành là ghi rõ bạn dùng loại evidence nào, thay vì gọi mọi con số là forecast khách quan.

Hình 1 — Base rate cho điểm xuất phát; evidence mới chỉ được phép đổi confidence theo độ mạnh của nó.

2. Scenario không phải ba câu chuyện cho đủ màu

Scenario là outcome có mechanism, assumption, evidence cần kiểm và điều làm nó yếu đi. Một bộ tối giản có base scenario, upside scenario và downside scenario. Chúng không phải ba target; chúng là ba đường để hỏi “điều gì phải đúng thì outcome này mới hợp lý?”.

Với Mây Foods demo, base scenario có thể là kênh mới tăng đơn thử nhưng đơn lặp lại chỉ đổi nhẹ. Upside cần assumption: khách quay lại, capacity đủ và chi phí phục vụ không tăng quá mạnh. Downside cần assumption khác: ưu đãi kéo đơn một lần, cạnh tranh phản ứng hoặc kênh làm cost tăng. Cohort là nhóm khách có cùng thời điểm hoặc điều kiện bắt đầu; churn là mức khách ngừng quay lại hoặc rời dịch vụ. Không scenario nào được gọi là “chắc” chỉ vì nó chi tiết.

Scenario Assumption cần đúng Evidence cần Điều làm yếu đi
Base Đơn thử tăng vừa Đơn theo tháng Data chỉ một tuần
Upside Khách quay lại Cohort/chi phí Ưu đãi kết thúc
Downside Cost hoặc churn tăng Margin/đơn lặp Kênh ổn định qua nhiều tháng

Scenario tốt giữ alternative explanation ngay trong card. Nếu đơn tăng, có thể do thời tiết, dịp lễ, menu cũ hoặc khuyến mãi; không phải chỉ kênh mới. Bài #8 đã dạy macro–industry–company–asset: đây là nơi bạn đặt các mechanism ấy vào mỗi scenario thay vì copy cùng một mũi tên.

CFA Institute — Backtesting & Simulation nhắc rằng lịch sử chỉ chứa một số outcome có thể xảy ra và quá khứ có thể không lặp lại; scenario/simulation bổ sung cho lịch sử chứ không xóa bất định. Vì vậy, scenario là dụng cụ nhìn giới hạn, không giấy phép bỏ qua base rate.

Hình 2 — Mỗi scenario cần giả định, evidence và điều phản biện riêng; không có card nào là “mặc định đúng”.

3. Bayesian update: evidence mới phải đổi prior vừa đủ

Evidence là dữ kiện có thể truy source và kiểm lại. Signal là evidence có khả năng đổi prior vì nó đủ direct, đúng thời điểm và khó giải thích bằng noise. Noise là thông tin chưa đủ để đổi mức tin, như một headline không link, một tuần data không scope, hoặc nhiều bài chỉ kể lại một press release.

Likelihood hỏi evidence mới hợp với từng scenario đến đâu. Bayesian update là process: bắt đầu bằng prior, nhìn strength của evidence và alternative explanation, rồi tạo posterior — mức tin sau update. Bạn không cần tính công thức để học kỷ luật này. Dùng nhãn thấp/trung bình/cao hoặc một range demo là đủ, miễn ghi lý do.

Ví dụ, prior của claim “đơn lặp lại tăng bền” là thấp. Một bảng demo cho thấy đơn một tháng tăng là signal nhỏ: posterior có thể từ thấp thành thấp–trung bình, không nhảy lên cao. Nếu sau đó có data nhiều tháng, cohort rõ và không còn ưu đãi, update có thể lớn hơn. Nếu phát hiện cả ngành đều tăng vì lễ hội, alternative explanation lại kéo confidence xuống.

Hình 3 — Bayesian update không hỏi “tin mới có hay không”, mà hỏi tin mới mạnh đến đâu so với prior và các giải thích khác.

a. Đổi đúng thứ đang tin

Khi update, đừng đổi một verdict rộng như “Mây Foods tốt”. Hãy đổi một claim nhỏ: “kênh mới đang tăng đơn thử”, “đơn lặp lại qua ba tháng có dấu hiệu tăng”, hoặc “cost phục vụ chưa rõ”. Điều này làm posterior có scope và có thể bị evidence sau đó sửa tiếp.

Base rate có thể cao nhưng evidence riêng rất mạnh; prior được phép đổi. Evidence mới có thể rất ấn tượng nhưng origin yếu hoặc scope sai; posterior chỉ nên đổi ít. Đây là điểm khác giữa update và đổi ý theo cảm xúc: bạn giữ được bản ghi về vì sao confidence đổi.

b. Mini-case: hai update không giống nhau

Giả sử prior của note Mây Foods là thấp: trong các chiến dịch demo trước, đơn lặp lại thường không tăng bền chỉ vì một kênh mới xuất hiện. Ngày thứ nhất, bạn thấy một post nói “kênh mới cháy hàng”. Post không link số đơn, không ghi phạm vi và có thể chỉ phản ánh một buổi khuyến mãi. Đây có thể là manh mối để mở card, nhưng chưa là signal đủ mạnh. Posterior giữ thấp, đồng thời missing evidence ghi rõ: cần source/date, đơn qua nhiều tuần và chi phí khuyến mãi.

Hai tuần sau, có bảng demo theo cohort: khách mới quay lại trong tháng, date rõ, cùng lúc một peer không có khuyến mãi tương tự. Evidence trực tiếp hơn nên posterior có thể đổi từ thấp sang thấp–trung bình. Nhưng note vẫn không được nói “tăng bền” nếu data chỉ một tháng. Bạn còn cần kiểm alternative path: menu có đổi không, dịp lễ có rơi vào period đó không, hàng có bị thiếu ở tháng sau không.

Điểm hay của mini-case không phải chọn một con số. Nó cho thấy update theo bậc: evidence đầu tiên đổi ít vì source/scope yếu; evidence sau đổi thêm vì directness tốt hơn; nhưng stop gate giữ claim không chạy xa hơn time horizon. Nếu evidence thứ ba lại cho thấy cohort quay về mức cũ khi ưu đãi hết, posterior phải hạ. Việc hạ confidence không là “sai”; nó là process làm đúng chức năng.

Một thói quen hữu ích là giữ timestamp của prior và posterior cạnh nhau. Lần sau nhìn lại, bạn biết update xảy ra vì data nào, chứ không chỉ nhớ rằng “mình đã từng lạc quan”. Đây là nguyên liệu cho calibration: nhiều card nhỏ, có thể kiểm sau, tốt hơn một narrative lớn không biết đã đổi ra sao.

Nếu không thể mô tả prior bằng một câu, hãy thu hẹp claim trước. Process tốt thường bắt đầu bằng câu hỏi nhỏ hơn, rõ hơn, kiểm được, không bằng thêm số hay thêm scenario cho đủ bảng.

4. Sai lầm, giới hạn và calibration

Sai lầm đầu là base-rate neglect: bỏ mức thường xảy ra chỉ vì một ví dụ nổi bật. Sai lầm thứ hai là giữ prior quá chặt: xem mọi evidence trái ý là ngoại lệ. Hai lỗi đối lập cùng làm research kém; prior là điểm xuất phát, không là bức tường.

Sai lầm thứ ba là gắn số xác suất mà không có meaning. “70%” không hay hơn “trung bình” nếu bạn không biết 70% dựa vào nhóm nào, period nào hoặc confidence đó đã từng được kiểm chưa. Calibration là nhìn lại qua thời gian: các note “cao” có thực sự đúng nhiều hơn note “thấp” không? Đừng giả vờ calibration chỉ bằng một bài tập.

Sai lầm thứ tư là gọi scenario là independent khi chúng cùng dùng một assumption. Ba scenario cùng giả định cost không đổi không tạo ba đường khác nhau. Giới hạn nữa là data công khai có thể trễ, thiếu hoặc không cùng scope. Investor.gov mô tả risk gắn với uncertainty và potential financial loss; một posterior có căn cứ hơn vẫn không xóa risk.

5. Prior card 15 phút

Mở Google Sheets. Dùng 3 phút viết claim và base rate/prior, 4 phút lập ba scenarios, 4 phút ghi evidence mới/source/date, 2 phút ghi alternative explanation và 2 phút ghi confidence mới/stop gate. Không chọn asset, không đặt lệnh và không dùng tiền thật.

b. Mẫu đối chiếu đã điền

Claim Prior Evidence mới Confidence mới Stop gate
Đơn lặp lại tăng bền Thấp Một tháng demo tăng Thấp–trung bình Cần nhiều tháng/khuyến mãi
Kênh mở đúng ngày Trung bình Thông báo có date Cao hơn Truy link/source gốc

Checklist trước khi update:

  1. Prior có nhóm, scope và date không?
  2. Evidence đo đúng variable hay chỉ xác nhận event?
  3. Source/origin và timeliness có đủ mạnh không?
  4. Evidence hợp với scenario nào, và có path khác không?
  5. Confidence đổi bao nhiêu, không chỉ đổi hướng nào?
  6. Stop gate còn thiếu gì trước khi note mạnh hơn?

Hình 4 — Prior card lưu cả lý do tăng/giảm confidence và phần evidence còn thiếu.

6. Tổng kết

a. Năm ý chính

  • Base rate là điểm xuất phát từ nhóm phù hợp, không phải lời tiên tri.
  • Scenario cần mechanism, assumption, evidence và điều phản biện riêng.
  • Signal chỉ đổi prior khi source, scope và timing đủ phù hợp; noise không đáng để nhảy kết luận.
  • Bayesian update tạo posterior có scope và lý do, không tạo certainty.
  • Calibration, alternative explanation và stop gate giữ confidence không chạy nhanh hơn data.

b. Câu hỏi tự kiểm tra

  • Vì sao một headline không được thay base rate?
  • Scenario khác prediction ở đâu?
  • Khi nào evidence mới chỉ nên đổi confidence ít?
  • Calibration dùng để kiểm điều gì?

c. Gợi ý đáp án

Xem gợi ý câu 1

Headline có thể là signal nhưng cần so với nhóm, scope và history phù hợp → xem mục 1.

Xem gợi ý câu 2

Scenario ghi assumption, mechanism và evidence cần; prediction thường bỏ các điều kiện này → xem mục 2.

Xem gợi ý câu 3

Khi origin/scope yếu, còn alternative explanation lớn hoặc data chỉ một kỳ → xem mục 3.

Xem gợi ý câu 4

Calibration nhìn confidence trước đây có khớp outcome qua thời gian không → xem mục 4.

d. Thuật ngữ cần nhớ

Thuật ngữ Giải thích ngắn
Base rate Mức thường xảy ra ở nhóm phù hợp.
Prior Mức tin trước evidence mới.
Scenario Outcome có assumption và mechanism.
Signal Evidence đủ sức đổi mức tin.
Noise Thông tin chưa đủ đổi mức tin.
Posterior Mức tin sau update.
Calibration Kiểm confidence có gần thực tế qua thời gian.
Stop gate Điều kiện phải dừng kết luận.

e. Nguồn tham khảo

f. Bài tiếp theo

Bài trước Kết nối Macro → Industry → Company → Asset #8 giúp đặt mechanism đúng tầng. Bài tiếp theo là Integrated Research Framework #10, nơi các card được ghép thành một process nghiên cứu lặp lại.

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch. Ví dụ là dữ liệu giả; mọi thị trường đều có rủi ro mất vốn.