Phuong Thao Analytics

Một ngân hàng có thể tăng lợi nhuận 15% mà không cần cho vay thêm một đồng, không thu thêm một đồng lãi nào. Chỉ cần bớt lo cho tương lai một chút thôi.

Nghe vô lý không? Mà nó xảy ra hoài, hợp pháp, đúng chuẩn mực kế toán. Hôm nay mình kể bạn nghe về "lãi giả" của ngân hàng, và một dòng trong báo cáo mà ít người đọc tới nhưng lại quyết định con số lãi kia THẬT hay chỉ đẹp trên giấy.

Đó là trích lập dự phòng.

Ngân hàng cho vay ra thì luôn có một phần không đòi được. Nợ xấu là chuyện đương nhiên của nghề. Nên mỗi kỳ, ngân hàng phải để dành một khoản tiền phòng khi khoản vay đó mất, gọi là provision (trích lập dự phòng rủi ro tín dụng, tức tiền để dành cho khoản vay có nguy cơ không thu hồi được). Khoản để dành này được tính vào chi phí, nên nó ăn thẳng vào lợi nhuận.

Vấn đề nằm ở chỗ: Mức trích lập bao nhiêu, phần lớn do ngân hàng TỰ đánh giá.

Cùng một danh mục cho vay, cùng một tình hình nợ xấu, nếu ngân hàng đánh giá "lạc quan" hơn về khả năng thu hồi thì trích ít lại. Trích ít thì chi phí giảm. Chi phí giảm thì lợi nhuận trên báo cáo lãi lỗ đẹp lên ngay lập tức, dù nợ xấu ngoài thực tế không hề đổi một đồng.

Một ví dụ số cho dễ hình dung (số minh họa). Ngân hàng lãi trước dự phòng 1.000 tỷ, đáng lẽ trích 200 tỷ thì lãi còn 800 tỷ. Nếu chỉ trích 100 tỷ, lãi vọt lên 900 tỷ. Không cho vay thêm, không thu thêm lãi, con số lãi đẹp hơn hẳn chỉ nhờ một dòng bút toán được đánh giá "nhẹ tay" hơn.

Mình gọi đó là "lãi giả": lãi đi vay mượn từ tương lai. Cái khoản đáng lẽ để dành phòng thân, kéo về ghi thành lãi kỳ này. Tới khi khoản vay thật sự mất, hố trống mới lộ ra, thường là ở một nhiệm kỳ khác.

Chỗ này có một nguyên tắc kế toán đáng để mọi người biết, tên là Conservatism (nguyên tắc thận trọng). Cơ chế của nó gói gọn một câu: ghi nhận lỗ và chi phí NGAY khi có khả năng xảy ra, còn ghi nhận lãi thì CHỈ khi chắc chắn. Anticipate losses, verify gains. Dự liệu cái mất trước, cái được thì phải chắc mới ghi.

Trích lập dự phòng chính là chỗ nguyên tắc này sống hay chết. Trích đủ, trích sớm là làm đúng tinh thần thận trọng. Trích thiếu để làm đẹp con số là đi ngược lại nó, mà vẫn không phạm luật, vì ranh giới nằm ở "đánh giá chủ quan".

Vậy người đọc báo cáo tỉnh táo thì nhìn vào đâu?

Không nhìn mỗi con số lãi cuối cùng. Nhìn vào phần chìm bên dưới nó.

▸ Một, so tốc độ tăng nợ xấu với tốc độ trích lập. Nợ xấu phình nhanh mà trích lập đứng yên hoặc tăng chậm hơn thì con số lãi đang được "vay" từ đâu đó.

▸ Hai, nhìn tỷ lệ bao phủ nợ xấu (coverage ratio, tức khoản đã trích dành ra so với tổng nợ xấu). Tỷ lệ này tụt dần qua các kỳ là một dấu hỏi.

▸ Ba, đối chiếu lãi kế toán với dòng tiền thật. Lãi trên giấy tăng mà tiền thật tạo ra từ hoạt động không theo kịp thì phải hỏi: Lãi này là thật hay chỉ là bút toán?

Đây là câu hỏi trung tâm của cả nghề đọc số: Quality of Earnings, chất lượng lợi nhuận. Con số lãi này bền hay mong manh, thật hay chỉ trên giấy. Và cái động cơ khiến người ta làm đẹp số, đạt thưởng, tránh vi phạm điều khoản vay, giữ giá cổ phiếu, có một cái tên riêng: Earnings Management (quản trị lợi nhuận, tức chủ động điều tiết con số lãi trong khuôn khổ kế toán cho phép).

Chuyện này không riêng gì ngân hàng. Doanh nghiệp nào cũng có những khoản "đánh giá chủ quan" tương tự: dự phòng nợ khó đòi, dự phòng hàng tồn kho, phân bổ chi phí. Nếu bạn đang vay vốn, gọi đầu tư hay định mua lại một công ty, bạn đều phải đọc báo cáo của đối tác, và cùng một cơ chế đó có thể đang che đi phần chìm.

Nói tới đây bạn thấy vì sao mình luôn đặt tư duy trước công cụ chưa?

Bây giờ cắm Claude vào bộ báo cáo tài chính, kêu nó quét bất thường trong tỷ lệ trích lập qua 12 quý, so với tốc độ nợ xấu, dựng bảng coverage ratio, chỉ trong vài phút là có. Phần thao tác đó AI làm nhanh và gọn hơn mình ngồi kéo Excel nhiều.

Nhưng AI không tự biết PHẢI HỎI câu đó. Nó không tự thấy con số lãi đẹp kia đáng ngờ, nếu người điều khiển nó không hiểu cơ chế trích lập, không biết Conservatism là gì, không biết một tỷ lệ bao phủ tụt dần nghĩa là gì. Bạn phải hiểu bản chất để biết hỏi đúng, và để check lại cái AI trả về có nói đúng chuyện hay không. Con số đẹp đánh lừa được cả người lẫn máy, nếu không ai đủ tỉnh để nghi ngờ nó.

Đọc báo cáo mà tin ngay con số bề mặt là đọc một nửa. Hiểu cơ chế kế toán đằng sau nó, bạn mới thấy được phần chìm, phần quyết định con số đó đáng tin tới đâu.

Lợi nhuận là ý kiến. Tiền mặt là sự thật. Câu đó cũ mà chưa bao giờ hết đúng.

Mấy cơ chế đọc số kiểu này, từ Conservatism, Quality of Earnings tới cách soi trích lập và earnings management, bên mình có dạy trong chương trình Finance Analytics Agent Skills. Mình để link ở comment cho ai muốn đi sâu.

Còn bạn, khi đọc một báo cáo ngân hàng, bạn có bao giờ nhìn tới dòng trích lập dự phòng không, hay chỉ dừng ở con số lãi cuối cùng?

💥Có một sự thật rằng không phải ai làm Data cũng đang phân tích 🧐

Câu hỏi mình hay nghe nhất từ các bạn analyst đi học, gần như buổi nào cũng có một người giơ tay:

"AI giờ giỏi vậy, viết được SQL, dựng được dashboard, rồi tụi em còn việc gì nữa chị?"

Mình hiểu nỗi lo đó. Nó thật. Bạn bỏ mấy năm cày Excel, học Power BI, luyện DAX tới mức tay quen phím, giờ một con AI làm cái rẹt trong 30 giây. Hụt hẫng là đúng.

Nhưng sau vài năm dùng AI hằng ngày cho việc data, mình thấy ngược lại: AI không lấy việc của analyst giỏi. Nó NÂNG VAI người đó lên. Cùng một người, khi biết điều khiển AI, làm được nhiều hơn hẳn chính mình ngày trước.

Mình kể bạn nghe 4 cái mình ĐƯỢC, rất cụ thể.

🟢 1. NHANH HƠN

Ngày xưa mình tốn cả buổi sáng chỉ để update report tay: copy số, dán, sửa công thức gãy, đối chiếu lại từng dòng. Giờ AI sinh thẳng SQL/DAX, tự nối lại workflow, report tự refresh. Việc tay biến mất gần hết.

Cái mình thấy rõ nhất là khoảng cách từ "có câu hỏi" tới "có câu trả lời" rút lại đáng kể. Theo ước tính trong khóa bên mình, time-to-insight có thể giảm tầm 70-80% ở những việc lặp đi lặp lại. Con số tùy bài toán, nhưng hướng thì rõ: bạn dành thời gian cho phần SUY NGHĨ, không phải phần thao tác.

🟢 2. XỊN HƠN (sâu hơn)

Trước đây nhiều phân tích nâng cao mình né, vì làm tay quá tốn công: dự báo, phân cụm khách, soi tương quan đa chiều. Giờ mình nhờ AI chạy phần đó, rồi mình ngồi đọc kết quả bằng đầu óc kinh doanh.

Bạn nhìn được pattern sâu hơn, làm được thứ trước đây thấy "ngợp", và trình bày cũng gọn gàng chuyên nghiệp hơn. Không phải vì bạn giỏi lên đột ngột, mà vì AI gánh phần nặng nhọc để bạn rảnh tay đi sâu.

🟢 3. CHÍNH XÁC HƠN

Đây là cái mình thích nhất mà ít người nói tới. Làm tay thì lỗi vặt là chuyện thường: gõ nhầm một ô, kéo sai một range, hai bản report ra hai con số khác nhau mà không biết bản nào đúng.

AI giúp dựng lớp kiểm: validate dữ liệu đầu vào, tự check tính nhất quán giữa các bảng, theo dõi chất lượng dữ liệu liên tục, và để lại audit trail rõ ràng - ai đổi gì, đổi lúc nào. Số bớt "nhảy múa". Bạn đỡ phải đi giải trình vì sao tháng này lệch tháng trước.

🟢 4. BÀI BẢN HƠN

Hồi mình làm một mình, quy trình nằm hết trong đầu. Mình nghỉ một bữa là không ai chạy nổi report của mình. Giờ AI giúp chuẩn hóa quy trình, tự sinh tài liệu mô tả từng bước, gắn sẵn best practice và governance vào luồng làm việc.

Nghĩa là việc của bạn không còn là "bí kíp cá nhân" nữa, mà thành một hệ thống ai vào cũng hiểu. Đó mới là thứ khiến sếp tin và giao việc lớn hơn.

⚠️ Nhưng đây là phần quan trọng, đừng bỏ qua:

4 cái trên KHÔNG tự rơi xuống đầu bạn chỉ vì bạn mở AI lên gõ vài câu.

Bạn được mấy cái đó KHI bạn lên vai người điều khiển, và vẫn giữ chặt hai phần AI không làm thay được: phán đoán (số này có ý nghĩa kinh doanh không, sát thực tế công ty mình không) và kiểm chứng (output AI đúng không, có chỗ nào nó bịa không).

Buông hết cho AI thì nó không nâng bạn lên đâu. Nó nhân lỗi của bạn lên cùng tốc độ. Một giả định sai, một bảng dữ liệu bẩn, AI vẫn chạy ro ro ra một báo cáo trông rất thuyết phục mà sai từ gốc.

Cho nên cuộc chơi không còn là "ai gõ DAX nhanh hơn". Nó dịch sang "ai điều khiển AI tỉnh táo hơn, ai check được output của nó". Người làm được phần đó không mất việc. Người đó được nâng vai.

Cách dùng và điều khiển AI để được đúng 4 cái này - nhanh, xịn, chính xác, bài bản - mà vẫn giữ phần tư duy và kiểm chứng, là thứ bên mình có dạy trong chương trình Agentic AI Analytics. Mình để link ở comment cho bạn nào muốn đi sâu nhé.

Còn bạn, bạn đang thấy AI ở phía "lấy việc" hay phía "nâng vai"? Bạn đã được cái nào trong 4 cái trên chưa?

Doanh số tháng này tăng. Sếp vẫn cau mày. Bạn thấy vô lý, nhưng sếp đúng.

Đây là một trong những cái bẫy mình gặp nhiều nhất khi làm Finance Analytics (phân tích dữ liệu tài chính): bán được NHIỀU hàng hơn tháng trước, doanh thu đẹp hơn, mà lợi nhuận lại teo đi. Nhìn báo cáo tổng thì không hiểu nổi. Bóc ra mới thấy.

Cái để bóc ra, dân tài chính gọi là PVM (Price - Volume - Mix, tức Giá - Sản lượng - Cơ cấu). Nghe tên hơi kỹ thuật, nhưng ý thì rất đời: doanh thu tăng hay giảm KHÔNG bao giờ là một khối liền. Nó luôn tách được thành 3 nguyên nhân.

Mình nói 3 nguyên nhân đó bằng tiếng người:

▸ GIÁ: bạn bán đắt hơn hay rẻ hơn kỳ trước? (tăng giá, hay xả chiết khấu)
▸ SẢN LƯỢNG: bạn bán được nhiều hàng hơn hay ít hàng hơn?
▸ CƠ CẤU (Mix): trong đống hàng bán ra, tỷ trọng hàng lãi cao so với hàng lãi thấp đổi thế nào?

Hai cái đầu ai cũng nhìn ra. Cái thứ ba - Cơ cấu - mới là chỗ giết chết lợi nhuận mà không ai để ý.

Lấy một ví dụ cho dễ hình dung (số minh họa cho gọn):

Bạn bán 2 dòng hàng. Dòng A cao cấp, lãi 50% mỗi đồng doanh thu. Dòng B phổ thông, lãi 30%. Tháng gốc bạn bán 50-50, tổng doanh thu 9.000, lãi gộp 2.500.

Tháng sau bạn đẩy khuyến mãi mạnh dòng B cho dễ bán. Kết quả: dòng A tụt còn 30, dòng B vọt lên 70. Tổng số lượng bán ra y hệt - vẫn 100 món. Nhìn báo cáo bán hàng thì rất bận rộn, hàng ra đều.

Nhưng lãi gộp rơi từ 2.500 xuống 1.700. Mất 800, tức hụt 32% lợi nhuận. Trong khi doanh thu chỉ nhích nhẹ.

Vì sao? Bạn bán y hệt số lượng, nhưng bán NHẦM loại. Mỗi món dòng B bán thêm là một món dòng A lãi cao bị đẩy ra rìa. Cơ cấu nghiêng về hàng lãi mỏng, biên lãi trung bình tụt từ 40% xuống 36%. Doanh thu không phản ánh chuyện đó. Lợi nhuận thì phản ánh ngay.

Đây chính là cái bẫy mình hay gọi là "chạy theo sản lượng": lấy khuyến mãi đẩy hàng dễ bán để cho con số doanh số đẹp, rồi tưởng mình đang thắng. Thực ra đang bào mòn phần lãi tốt nhất của chính mình.

Điều mình muốn bạn mang về không phải công thức. Là cách nhìn.

Đừng đọc doanh thu như một cục. Mỗi lần con số nhúc nhích, hỏi ba câu: do GIÁ, do LƯỢNG, hay do CƠ CẤU? Ba nguyên nhân đó dẫn tới ba hành động hoàn toàn khác nhau. Doanh thu tăng do tăng giá mà khách vẫn mua - đó là sức mạnh định giá, giữ được. Tăng do bán nhiều hơn - tốt, nếu chi phí không đội theo. Còn tăng (hoặc tụt) do cơ cấu - đó là tín hiệu phải xử ngay, vì nó âm thầm ăn vào lợi nhuận và thường không dừng lại một mình.

Không tách ba nguyên nhân này ra, bạn sẽ ăn mừng nhầm hoặc lo lắng nhầm. Tệ hơn: sếp hỏi "doanh số đẹp mà sao lãi mỏng đi?", bạn đứng hình, vì con số tổng không có câu trả lời.

Có người sẽ nghĩ: bóc tách kiểu này chắc phải giỏi Excel, dựng công thức lằng nhằng lắm. Trước thì đúng. Giờ thì phần tính toán rẻ đi nhiều rồi.

Bây giờ mình đưa dữ liệu bán hàng cho AI (bên mình dùng Claude nối vào Power BI), bảo nó bóc doanh thu theo Giá - Lượng - Cơ cấu, vài phút là có bảng. Nhưng chú ý chỗ này, vì nó là cả vấn đề: AI chỉ chạy đúng khi BẠN hiểu ba nhánh đó là gì. Bạn phải biết mình đang hỏi cái gì, và quan trọng hơn - nhìn vào kết quả phải đọc ra được "à, cơ cấu đang xấu đi", chứ không phải chỉ khen "biểu đồ đẹp".

AI làm được phần thao tác. Phần đọc ra ý nghĩa kinh doanh vẫn là của bạn. Đó đúng là chỗ tư duy phân tích ăn tiền: không phải bấm được nút, mà là biết nút nào đáng bấm và kết quả nói lên điều gì. Tư duy trước, công cụ sau - lần nào cũng vậy.

PVM là kỹ thuật gốc, không riêng ngành hàng tiêu dùng. Bất kỳ ai bán nhiều mặt hàng, nhiều mức giá, nhiều kênh - bán lẻ, dịch vụ, nhà hàng, khóa học - đều dính cơ chế này. Hễ bạn thấy "doanh số ổn mà lãi cứ mỏng dần", khả năng cao thủ phạm nằm ở cơ cấu.

Cái này bên mình có dạy trong chương trình Finance Analytics Agent Skills - từ cách bóc PVM tới cách để AI làm phần nặng còn bạn giữ phần tư duy. Mình để link ở comment cho ai muốn đi sâu.

Còn bây giờ, thử về mở lại báo cáo tháng gần nhất: doanh thu nhúc nhích của bạn là do Giá, do Lượng, hay do Cơ cấu? Bạn đoán được thủ phạm chưa?

⁉Có một kiểu bận rộn mà càng làm càng thấy mình giậm chân tại chỗ.🤔
Chi tiết ở phần comment 👇

Cột "order_date" trong file dữ liệu của bạn là ngày khách đặt, ngày mình xác nhận đơn, hay ngày kho xuất hàng?

Nếu bạn không chắc, thì mọi biểu đồ "doanh thu theo tháng", "đơn theo ngày" bạn dựng ra đều có nguy cơ sai. Không phải sai công thức. Sai ngay từ chỗ bạn hiểu nhầm một cột số đang nói về cái gì. Và cái sai đó thì công cụ không báo lỗi giúp bạn.

Làm nghề một thời gian, mình rút ra một điều: mỗi dòng trong một bảng dữ liệu không tự nhiên mà có. Nó là dấu vết của một bước nghiệp vụ vừa xảy ra ngoài đời thật. Có người bấm nút xác nhận đơn, hệ thống mới ghi xuống một dòng. Kho quét mã xuất hàng, mới sinh ra một cái mốc thời gian. Kế toán chốt hóa đơn, con số doanh thu mới "đông" lại thành số cuối.

Nói cách khác, dữ liệu chỉ là cái bóng của quy trình nghiệp vụ. Bạn nhìn cái bóng mà không biết vật thật đứng thế nào, thì đọc số cũng giống đọc chữ mà không hiểu nghĩa: đúng mặt chữ, sai hết ý.

Chỗ này mình muốn nói rõ, vì nó là bước nhiều bạn nhảy cóc mà không biết. Một phân tích tử tế đi qua ba tầng, theo đúng thứ tự:
→ Tầng 1, hiểu quy trình: Nghiệp vụ này thật ra chạy thế nào, gồm mấy bước, ai làm bước nào.
→ Tầng 2, hiểu ngữ nghĩa dữ liệu: Mỗi bảng, mỗi cột sinh ra ở bước nào, con số đó đang đo đúng cái gì.
→ Tầng 3, mới tới dựng dữ liệu và báo cáo: Phần kỹ thuật kéo bảng, viết công thức (data implementation, tức khâu thao tác trên tool).

Business tạo ra Data, chứ không phải ngược lại. Nhưng đa số người mới toàn bắt đầu từ tầng 3: mở tool lên, thấy cột nào có chữ "revenue" là kéo vào. Bỏ qua hai tầng đầu. Rồi ngồi thắc mắc sao số trên báo cáo không khớp với cái sếp nhìn thấy ngoài thực tế.

Vậy làm gì cho cụ thể? Đây là việc mình khuyên bạn làm trước khi đụng vào bất kỳ file nào.

Vẽ một business flow một trang cho đúng quy trình bạn sắp phân tích. Business flow ở đây hiểu đơn giản là luồng nghiệp vụ, tức sơ đồ các bước một việc đi từ đầu tới cuối. Một tờ A4 là đủ, không cần phần mềm gì cả.

Trên tờ giấy đó, với từng bước bạn trả lời bốn câu:
→ Bước này là gì? Khách đặt hàng, xác nhận, đóng gói, xuất kho, hay thu tiền.
→ Ai làm bước này? Sale, kho, kế toán, hay một hệ thống tự chạy.
→ Hệ thống nào ghi lại nó? Phần mềm bán hàng, file Excel của kho, hay phần mềm kế toán.
→ Bước này đẻ ra dữ liệu gì? Một dòng đơn, một mốc thời gian, hay một trạng thái mới.

Làm xong tờ giấy này, cái cột "order_date" lúc nãy tự nhiên hết mơ hồ. Bạn biết chính xác nó rơi vào bước nào, ai bấm, lúc nào ghi.

Người hiểu flow trước khi phân tích được lợi kép, mình thấy rất rõ.

Một, họ phát hiện dữ liệu bẩn nhanh hơn hẳn. Trong đầu đã có sẵn bức tranh quy trình, nên chỉ cần một con số không khớp với đời thật là họ giật mình ngay. Thấy một đơn có ngày xuất kho sớm hơn cả ngày khách đặt, người hiểu flow biết ngay là vô lý; còn người chỉ nhìn số thì cho qua, rồi báo cáo lên một con số đã hỏng.

Hai, họ đặt câu hỏi phân tích sắc hơn. Thay vì hỏi chung chung "doanh thu tháng này sao giảm", họ hỏi trúng khớp nối: "khúc từ xác nhận đơn tới lúc xuất kho có đang bị tắc không, đơn treo ở đó trung bình bao lâu". Câu hỏi bám vào quy trình thì câu trả lời mới ra được hành động.

Nên nếu phải chọn, mình luôn chọn bỏ ra một buổi ngồi với người trực tiếp vận hành: anh kho, bạn sale, chị kế toán, hỏi cho kỹ quy trình chạy thế nào. Một buổi đó đáng giá hơn cả tuần ngồi đoán mò trên file dữ liệu.

Dữ liệu không biết nói dối, nhưng nó cũng không tự giải thích. Phải có người hiểu nghiệp vụ đứng sau thì nó mới lên tiếng đúng.

Cách bóc tách từ quy trình nghiệp vụ ra tới ngữ nghĩa của từng cột dữ liệu này, bên mình có dạy trong chương trình Agentic AI Analytics. Mình để link ở comment cho ai muốn đi sâu.

Còn bạn, đã từng đọc sai một cột số chỉ vì không biết nó sinh ra từ bước nào trong quy trình chưa?

Lợi nhuận đẹp trên báo cáo chưa chắc là tiền thật trong túi.

Hồi mình còn thực tập ở một quỹ đầu tư, có một câu ám vào đầu tới giờ: "Garbage in, garbage out". Dữ liệu đầu vào mà kém chất lượng thì mọi phân tích phía sau đều lệch theo. Nhưng sau này làm Corporate Finance Analyst, mình gặp một cái bẫy mà câu đó không cảnh báo: có những con số hoàn toàn sạch, đúng chuẩn kế toán, mà vẫn khiến người ta quyết định sai. Vì một con số đúng chưa chắc là một con số bền.

Bạn nhìn một dòng lợi nhuận tăng đẹp, thấy mừng, thấy yên tâm, ký duyệt. Rồi sếp hoặc nhà đầu tư hỏi lại một câu đơn giản: "Lãi này có thật không? Năm sau còn không?". Và bạn khựng.

Trong nghề tài chính có một khái niệm để trả lời đúng câu đó: Quality of Earnings (chất lượng lợi nhuận). Nói gọn: con số lãi trên báo cáo có được "chống lưng" bằng tiền thật và bằng hoạt động kinh doanh cốt lõi bền vững không, hay nó được thổi lên nhờ vài lựa chọn kế toán, vài khoản một lần, hay ghi nhận doanh thu sớm.

Lợi nhuận và dòng tiền là hai chuyện khác nhau. Lợi nhuận kế toán ghi theo nguyên tắc dồn tích (accrual): bán được hàng là ghi doanh thu, ghi lãi, dù tiền chưa về tài khoản. Còn dòng tiền là tiền thật đã vào ra. Dân tài chính hay nói "Cash is King" là vì vậy. Lãi có thể nằm trên sổ, nhưng tiền thì hoặc có hoặc không.

Mình gợi ý 3 dấu hiệu để soi một khoản lãi có "chất" hay không.

Lãi tăng nhưng dòng tiền hoạt động không theo.
Cái cần nhìn là Operating Cash Flow - OCF (dòng tiền từ hoạt động kinh doanh, tức tiền thật sinh ra từ việc bán hàng cốt lõi). Nếu lợi nhuận ròng (Net Income) đi lên mà OCF đứng yên hoặc âm, nghĩa là lãi đang nằm trên giấy, chưa thành tiền. Thủ phạm quen thuộc: khoản phải thu phình to, bán được nhưng chưa thu được tiền về.

Ví dụ minh họa cho dễ hình dung: một công ty báo lãi ròng 20 tỷ, tăng mạnh so với năm ngoái. Nhưng OCF chỉ 3 tỷ, thậm chí có quý âm. Lãi 20 tỷ đó đang nằm ở đâu? Phần lớn nằm trong khoản phải thu chưa đòi được. Trên báo cáo là công ty lãi to, thực tế là công ty đang phải đi vay để trả lương.

Lãi đến từ khoản một lần, không phải từ kinh doanh cốt lõi.
Có những khoản đẩy lợi nhuận lên nhưng chỉ xảy ra một lần: bán một mảnh đất, một tòa nhà, hoàn nhập dự phòng, hoặc thu nhập tài chính bất thường. Tiếng Anh gọi là one-off (khoản phát sinh một lần). Lãi kiểu này là tiền thật, nhưng nó không lặp lại năm sau. Nếu năm nay công ty lãi to chủ yếu vì bán tài sản, thì cái mảng kinh doanh chính của họ có khi đang đi xuống mà con số tổng đã che mất.

Biên lợi nhuận đẹp bất thường.
Khi biên lợi nhuận đột nhiên vọt cao hơn hẳn mặt bằng ngành, hoặc cao bất thường so với chính lịch sử công ty, đó là lúc nên đặt câu hỏi thay vì ăn mừng. Đẹp bất thường thường có lý do, và lý do đó chưa chắc bền.

Vậy soi thế nào cho nhanh? Cách gọn nhất là đặt Net Income cạnh OCF và nhìn khoảng chênh giữa hai con số (phần chênh này gọi là accruals, phần lãi ghi nhận nhưng chưa thành tiền). Trong nghề có một mốc dễ nhớ: lành mạnh là khi OCF xấp xỉ hoặc lớn hơn lợi nhuận ròng. Còn lãi tăng mà OCF tụt lại xa phía sau thì cần dừng lại xem kỹ.

Rồi tách tiếp: trong khoản lãi này, bao nhiêu đến từ kinh doanh cốt lõi, bao nhiêu từ khoản một lần. Và hỏi thẳng một câu rất đời: "Doanh thu này đã thu được tiền chưa?".

Về mặt quản trị, mình thấy Quality of Earnings quy về đúng hai câu hỏi:

Lợi nhuận này có chuyển thành tiền không?
Lợi nhuận này có lặp lại năm sau không?
Trả lời được hai câu đó, bạn không còn bị một dòng lãi đẹp dẫn dắt. Bạn duyệt vốn, định giá, hay đầu tư dựa trên sức khỏe thật, chứ không dựa trên con số đã trang điểm.

Điều mình muốn nói không phải là "hãy nghi ngờ mọi báo cáo". Mà là một con số đẹp chỉ mới là câu hỏi mở đầu, chưa phải câu trả lời. Người đọc được phần chìm dưới con số mới là người kiểm soát được quyết định.

Với AI bây giờ, phần thao tác đối chiếu Net Income với OCF, bóc tách one-off, tính accruals qua từng quý, bạn gần như không cần gõ tay nữa. Nhưng bạn vẫn phải hiểu bản chất để biết con số AI đưa ra có ý nghĩa gì, có đáng tin không, và câu hỏi đúng tiếp theo là gì. Tư duy vẫn là phần không giao được cho máy.

Còn bạn, đã gặp ca "lãi to mà không có tiền" nào chưa? Kể mình nghe ở comment nhé.

⁉Cách tránh bị số liệu dắt mũi

PHẦN TRĂM LUÔN ĐI KÈM SỐ TUYỆT ĐỐI VÀ QUY MÔ NỀN.

Chi tiết ở phần comment 👇