Thiên lệch dữ liệu trong định giá tự động là khi mô hình sai không ngẫu nhiên mà sai theo một chiều, lặp đi lặp lại với cùng một nhóm tài sản. Sai ngẫu nhiên thì lần này cao, lần kia thấp, cộng lại bù nhau. Sai có hệ thống thì luôn cao với khu này, luôn thấp với loại nhà kia, và người dùng không thấy được nếu chỉ nhìn từng con số đơn lẻ.
Hiểu năm kiểu thiên lệch phổ biến giúp bạn biết khi nào nên chỉnh tay con số AI đưa ra, theo chiều nào. Bài cũng gợi ý những phép thử đơn giản mà người không chuyên vẫn làm được để kiểm một công cụ có đang lệch với loại tài sản của mình không. Số liệu minh hoạ trong bài là ví dụ giả định.
Kiểu 1: dữ liệu là giá rao chứ không phải giá chốt
Cơ chế. Khi kho dữ liệu chủ yếu là tin rao, mô hình học "người bán mong bao nhiêu", không phải "người mua đã trả bao nhiêu". Giá rao thường cao hơn giá chốt vì người bán chừa chỗ để thương lượng, và tin rao giá quá cao lại tồn tại lâu hơn trên mạng, nên chiếm tỉ trọng lớn hơn trong dữ liệu.
Hệ quả. Con số ước có xu hướng cao hơn giá có thể bán được. Người bán dựa vào đó dễ treo giá cao rồi bán chậm; người mua dựa vào đó dễ nghĩ mình được giá tốt khi trả thấp hơn con số máy một chút.
Cách nhận ra. Hỏi thẳng công cụ hoặc đọc phần giải thích phương pháp: dữ liệu là giao dịch hay tin rao. Nếu không công bố, giả định là tin rao. Đối chiếu với vài giao dịch thật bạn biết, từ người quen hay môi giới, để ước mức chênh thường gặp.
Một chi tiết hay bị bỏ qua. Tin rao đã bán thường bị gỡ, tin không bán được thì ở lại. Nếu công cụ chụp dữ liệu tại một thời điểm, nó thấy nhiều tin ế hơn tin đắt hàng, và tin ế thường là tin đặt giá cao. Đây là một dạng thiên lệch sống sót: thứ còn lại trong dữ liệu không đại diện cho thứ đã diễn ra trên thị trường.
Kiểu 2: khu vực và phân khúc ít dữ liệu
Mô hình học tốt nơi có nhiều giao dịch: trung tâm các thành phố lớn, các dự án căn hộ đông người mua bán, các dòng điện thoại phổ biến. Ở vùng ven, ở các tỉnh ít giao dịch, ở phân khúc nhà rất rẻ hoặc rất đắt, dữ liệu thưa và mô hình kéo kết quả về mức trung bình của vùng lân cận nhiều dữ liệu hơn.
Hệ quả là một dạng "san phẳng": tài sản đắt ở vùng ít dữ liệu bị ước thấp, tài sản rẻ bị ước cao. Ví dụ giả định: ở một thị trấn của Gia Lai, công cụ lấy nhiều giao dịch từ khu trung tâm Pleiku để bù dữ liệu, nên nhà ở thị trấn bị ước gần với mặt bằng phố hơn thực tế.
Chiều lệch này còn có mặt xã hội: những khu dân cư thu nhập thấp, ít được đăng tin, ít giao dịch qua kênh chính thức, có thể bị định giá kém chính xác hơn một cách có hệ thống. Ở nhiều nước, giới nghiên cứu và cơ quan quản lý đã bàn về rủi ro AVM tạo ra bất công trong cho vay thế chấp; với người dùng ở Việt Nam, bài học thực tế là hỏi xem công cụ có đo sai số riêng cho khu của mình không.
Kiểu 3: dữ liệu cũ khi thị trường đổi chiều
Mô hình học trên dữ liệu quá khứ. Khi thị trường đứng yên, chuyện đó không sao. Khi thị trường đổi nhanh, mô hình luôn đi sau một nhịp. Các dấu hiệu bạn nên để ý:
- Công cụ không ghi ngày cập nhật dữ liệu, hoặc ngày đó đã cách xa hiện tại.
- Khu vực vừa có thay đổi lớn: mở đường mới, có quyết định quy hoạch, sáp nhập đơn vị hành chính làm đổi cách ghi địa chỉ.
- Dòng máy vừa ra đời mới khiến đời cũ mất giá nhanh trong vài tuần.
- Mùa vụ: đồ điện lạnh, xe máy, đồ học sinh có mùa mua bán rõ rệt.
- Tin tức về một sự kiện ảnh hưởng thị trường mà dữ liệu chưa kịp phản ánh.
Với những dấu hiệu này, con số AI phản ánh thị trường của vài tháng trước. Đừng đoán chiều đi của giá. Chỉ cần ghi nhận rằng con số đó có độ trễ, và ưu tiên dữ liệu so sánh gần nhất mà bạn tự tìm.
Riêng chuyện sáp nhập tỉnh và bỏ cấp huyện từ giữa năm 2025, nhiều kho dữ liệu vẫn lưu địa chỉ theo tên cũ. Khi nhập địa chỉ, thử cả tên cũ và tên mới để xem công cụ có nhận đúng khu không.
Kiểu 4: lệch theo đặc điểm mà dữ liệu không ghi
Mỗi kho dữ liệu chỉ ghi được một số đặc điểm. Những gì không ghi, mô hình coi như không tồn tại, hoặc tệ hơn, gán ảnh hưởng của chúng cho một đặc điểm khác có tương quan. Ví dụ giả định: trong một khu, các căn nhà mới xây thường cũng có nội thất tốt. Nếu dữ liệu không có cột nội thất, mô hình sẽ gán toàn bộ phần giá cao cho "nhà mới", và định giá cao một căn mới xây nhưng để trống.
Với đồ cũ, đặc điểm hay thiếu nhất là tình trạng thật: pin, màn hình đã thay, khung xe từng va chạm. Các công cụ cho bạn chọn mức "tốt, khá, trung bình" nhưng mỗi người hiểu một kiểu. Kết quả là mô hình học một mức tình trạng trung bình mờ nhạt, ước cao đồ kém và ước thấp đồ thật sự tốt.
Cách xử lý là biết công cụ không hỏi gì, rồi tự điều chỉnh phần đó theo chiều hợp lý. Bài về dữ liệu đầu vào trong danh mục này có bảng các thông tin hay bị quên theo từng loại tài sản.
Kiểu 5: vòng phản hồi, khi chính con số AI làm lệch thị trường
Đây là kiểu khó thấy nhất. Khi nhiều người bán và người mua cùng dùng một công cụ để đặt giá, con số của công cụ bắt đầu ảnh hưởng tới giá giao dịch thật. Giao dịch mới lại được đưa vào huấn luyện mô hình. Mô hình dần học lại chính dự đoán của nó, và mọi sai lệch ban đầu có thể được củng cố thay vì được sửa.
Với người dùng cá nhân, hệ quả là: một khu hay một dòng máy có thể "trông như" có mặt bằng giá rất ổn định chỉ vì ai cũng nhìn cùng một con số. Khi điều kiện thực tế thay đổi, mặt bằng đó có thể điều chỉnh đột ngột. Bạn không cần đoán chuyện đó xảy ra lúc nào, chỉ cần nhớ rằng sự đồng thuận của nhiều công cụ chưa chắc là bằng chứng độc lập nếu chúng cùng nguồn dữ liệu.
Câu hỏi thực dụng: các nguồn bạn dùng để kiểm chéo có thật sự độc lập không? Hai trang ước giá lấy cùng một nguồn tin rao sẽ cho kết quả giống nhau mà không vì thế đúng hơn.
Bảng tóm tắt: năm kiểu lệch, chiều lệch và cách chỉnh
Bảng gom năm kiểu thiên lệch để bạn tra nhanh khi đọc một con số định giá tự động. Chiều lệch ghi là xu hướng thường gặp, không phải quy luật tuyệt đối.
| Kiểu lệch | Chiều lệch thường gặp | Ai dễ bị thiệt | Cách chỉnh |
|---|---|---|---|
| Giá rao thay giá chốt | Ước cao | Người bán treo giá, người mua tưởng được rẻ | Đối chiếu vài giao dịch thật, kéo xuống theo mức chênh quan sát được |
| Khu, phân khúc ít dữ liệu | San phẳng về trung bình | Chủ tài sản ở vùng ven, phân khúc đầu và cuối | Mở rộng khoảng giá, hỏi người trong vùng |
| Dữ liệu cũ | Đi sau thị trường một nhịp | Ai giao dịch lúc thị trường đổi nhanh | Ưu tiên so sánh gần nhất tự tìm |
| Thiếu đặc điểm | Gán nhầm giá trị cho đặc điểm khác | Tài sản tình trạng khác thường | Tự điều chỉnh phần công cụ không hỏi |
| Vòng phản hồi | Củng cố sai lệch sẵn có | Cả thị trường khi điều kiện đổi | Dùng nguồn kiểm chéo thật sự độc lập |
Một con số định giá tự động có thể dính cùng lúc nhiều kiểu lệch. Ví dụ giả định: một căn nhà vừa sửa ở vùng ven, công cụ dùng tin rao cũ. Ba kiểu lệch kéo theo ba chiều khác nhau, và không có cách nào biết chúng bù trừ nhau bao nhiêu nếu không kiểm bằng giao dịch thật.
Vì vậy, bảng này không dùng để cộng trừ ra một con số chính xác hơn, mà để biết khoảng giá nên rộng ra ở phía nào và nên đi hỏi thêm ai.
Ba phép thử người dùng tự làm để phát hiện thiên lệch
Bạn không cần truy cập vào mô hình để biết nó có lệch với loại tài sản của mình không. Ba phép thử dưới làm trong một buổi tối.
- Thử với giá đã biết: nhập năm tài sản tương tự mà bạn biết giá giao dịch thật gần đây, từ người quen hoặc chính bạn từng mua bán. Ghi lại con số công cụ đưa ra và độ chênh. Nếu cả năm đều lệch về một phía, đó là thiên lệch có hệ thống với phân khúc này.
- Thử đổi vùng: nhập cùng một tài sản giả định ở hai khu khác nhau mà bạn biết rõ chênh lệch thực tế. Xem công cụ phản ánh chênh lệch đó tốt không, hay san phẳng.
- Thử đổi một đặc điểm: giữ nguyên mọi thứ, chỉ đổi đặc điểm bạn nghi công cụ đánh giá sai, như tình trạng hay tầng. Xem mức thay đổi có hợp lý với hiểu biết của người trong nghề không.
Ghi kết quả ba phép thử vào một bảng nhỏ. Lần sau dùng công cụ đó cho cùng loại tài sản, bạn đã có hệ số chỉnh tay riêng. Khi làm phép thử, dùng tài sản giả định hoặc bỏ mọi thông tin định danh, đừng nhập địa chỉ nhà người quen.
Câu hỏi thường gặp
Thiên lệch dữ liệu có phải lỗi cố ý của bên làm công cụ không?
Phần lớn không. Nó đến từ việc dữ liệu thu được không đại diện đều cho mọi khu, mọi loại tài sản. Bên làm công cụ có trách nhiệm đo và công bố, nhưng ngay cả khi làm tốt, thiên lệch vẫn còn ở mức nào đó.
Làm sao biết công cụ dùng tin rao hay giá giao dịch?
Đọc phần giới thiệu phương pháp hoặc câu hỏi thường gặp của công cụ. Nếu không có, hỏi bộ phận hỗ trợ. Nếu vẫn không rõ, giả định là tin rao và điều chỉnh tương ứng.
Nhiều công cụ cho cùng một con số thì có đáng tin hơn không?
Chỉ khi chúng dùng nguồn dữ liệu độc lập. Nếu cùng lấy tin rao từ những trang lớn giống nhau, sự trùng khớp chỉ cho thấy chúng cùng nguồn, không chứng minh con số đúng.
Chatbot đa năng có bị thiên lệch dữ liệu không?
Có, theo cách riêng. Hiểu biết của nó về giá đến từ văn bản trên mạng, vốn nghiêng về thành phố lớn, sản phẩm phổ biến và giai đoạn trước thời điểm nó được huấn luyện. Với vùng ít thông tin trên mạng, nó dễ đoán theo khuôn chung.
Có nên tự chỉnh con số AI theo cảm tính không?
Nên chỉnh theo bằng chứng chứ không theo cảm tính. Ba phép thử trong bài cho bạn bằng chứng về chiều lệch. Nếu không có bằng chứng, giữ con số AI và mở rộng khoảng giá thay vì kéo nó về phía mình mong.
Thiên lệch có ảnh hưởng đến việc vay ngân hàng không?
Nếu ngân hàng dùng mô hình nội bộ để sàng lọc, thiên lệch có thể ảnh hưởng hạn mức đề xuất ban đầu. Bạn có thể hỏi cơ sở định giá và đề nghị xem xét lại theo quy trình của ngân hàng. Quy trình cụ thể của từng ngân hàng khác nhau, nên hỏi thẳng cán bộ tín dụng.