Analysis of risk (probabilistic models and decision trees)

ยินดีต้อนรับสู่โลกแห่งความเสี่ยงและความไม่แน่นอน!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่บทเรียนที่นำไปใช้ได้จริงและน่าสนใจที่สุดบทหนึ่งของวิชา P2 Advanced Management Accounting ในการเรียนวิชาบัญชีช่วงแรกๆ คุณอาจจะมองว่าตัวเลขเป็นสิ่งที่ตายตัว แต่ในโลกธุรกิจจริงๆ เราแทบจะไม่รู้เลยว่าพรุ่งนี้จะเกิดอะไรขึ้น ยอดขายจะสูงไหม? ราคาวัตถุดิบจะพุ่งกระฉูดหรือเปล่า?

ในบทนี้ เราจะมาเรียนรู้วิธีเลิก "เดาสุ่ม" แล้วหันมาใช้เครื่องมือทางตรรกะและคณิตศาสตร์เพื่อจัดการกับสิ่งที่คาดเดาไม่ได้ เราจะมาสำรวจเรื่อง แบบจำลองความน่าจะเป็น (Probabilistic Models) และ แผนผังการตัดสินใจ (Decision Trees) ที่จะช่วยให้ผู้บริหารเลือกทางเลือกที่ดีที่สุดแม้ในวันที่อนาคตยัง "คลุมเครือ" ไม่ต้องกังวลไปนะครับถ้าคุณรู้สึกว่าตัวเองไม่เก่งเลข เราจะค่อยๆ เจาะลึกไปทีละขั้นตอน!

1. ความเสี่ยง (Risk) กับ ความไม่แน่นอน (Uncertainty): ต่างกันอย่างไร?

ก่อนที่เราจะเริ่มคำนวณ เราต้องทำความเข้าใจคำศัพท์สองคำสำคัญที่ข้อสอบ CIMA ชอบออกบ่อยๆ แม้จะฟังดูคล้ายกัน แต่ในทางบัญชีบริหาร มันมีความต่างกันอย่างมากครับ:

ความเสี่ยง (Risk): คือสถานการณ์ที่เราไม่รู้ผลลัพธ์ที่แน่ชัด แต่เรามีข้อมูลในอดีตหรือประสบการณ์มากพอที่จะ กำหนดค่าความน่าจะเป็น (Probability) ได้ (เช่น โอกาสสำเร็จ 60%) ตัวอย่าง: คาสิโนรู้ดีว่ามีความเสี่ยงแค่ไหนเพราะพวกเขารู้ค่าความน่าจะเป็นทางคณิตศาสตร์ว่าเจ้ามือจะชนะเท่าไร

ความไม่แน่นอน (Uncertainty): คือสถานการณ์ที่อนาคตเป็น "กล่องดำ" สนิท เราไม่มีข้อมูลย้อนหลังและไม่สามารถระบุความน่าจะเป็นที่เชื่อถือได้เลย ตัวอย่าง: การเปิดตัวเทคโนโลยีใหม่ล่าสุดที่ไม่เคยมีมาก่อนในโลก

ทบทวนสั้นๆ: ความแตกต่าง

• ความเสี่ยง: รู้ค่าความน่าจะเป็น เราจะใช้ ค่าคาดหมาย (Expected Values) และ แผนผังการตัดสินใจ (Decision Trees) ในส่วนนี้
• ความไม่แน่นอน: ไม่รู้ค่าความน่าจะเป็น เราจะใช้เครื่องมืออย่าง Maximax, Maximin และ Minimax Regret (ซึ่งคุณอาจได้เห็นในบทอื่น)

ประเด็นสำคัญ: เราจะใช้แบบจำลองความน่าจะเป็นก็ต่อเมื่อเราสามารถระบุโอกาสเป็นเปอร์เซ็นต์ของเหตุการณ์ต่างๆ ได้เท่านั้น

2. ค่าคาดหมาย (Expected Values - EV)

ค่าคาดหมาย (EV) คือค่าเฉลี่ยถ่วงน้ำหนักของผลลัพธ์ที่เป็นไปได้ทั้งหมด มันบอกเราว่า: "ถ้าเราตัดสินใจแบบเดิมซ้ำๆ กัน 1,000 ครั้ง ผลลัพธ์โดยเฉลี่ยจะเป็นอย่างไร?"

สูตรการคำนวณ

สูตรของ EV คือ: \( EV = \sum px \)

โดยที่:
p = ความน่าจะเป็นของเหตุการณ์นั้นๆ
x = มูลค่า (กำไรหรือต้นทุน) ของเหตุการณ์นั้น
\(\sum\) = ผลรวมของการคำนวณทั้งหมด

ตัวอย่างจากโลกจริง: ร้านกาแฟ

สมมติว่าคุณเปิดร้านกาแฟ และกำลังตัดสินใจว่าจะทำเค้กสูตรพิเศษประจำฤดูกาลขายดีหรือไม่

• ถ้าความต้องการ สูง (โอกาส 40%) คุณจะได้กำไร $500
\n
• ถ้าความต้องการ ต่ำ (โอกาส 60%) คุณจะได้กำไร $100

การคำนวณ:
\( (0.40 \times \$500) + (0.60 \times \$100) \)
\( \$200 + \$60 = \$260 \)
\nดังนั้น ค่าคาดหมาย (EV) คือ $260

"ข้อควรระวัง" ของค่าคาดหมาย

ไม่ต้องตกใจถ้ารู้สึกแปลกๆ: ในตัวอย่างข้างต้น คุณไม่มีทางได้รับเงิน $260 จริงๆ หรอกครับ เพราะสุดท้ายแล้วคุณจะได้กำไรแค่ $500 หรือ $100 เท่านั้น ค่า EV เป็นเพียงค่าเฉลี่ยในระยะยาว ซึ่งเป็นจุดที่นักศึกษามักจะสับสนกันบ่อย!

ข้อดีและข้อเสียของ EV

\n
• ข้อดี: ช่วยย่อข้อมูลที่ซับซ้อนให้เหลือตัวเลขเดียวที่เปรียบเทียบง่าย
\n
• ข้อดี: เหมาะมากสำหรับการตัดสินใจที่ต้องทำซ้ำๆ
\n
• ข้อเสีย: ไม่ได้คำนึงถึง ความชอบเสี่ยง (Risk appetite) ของผู้บริหาร (สูตรนี้สมมติว่าผู้บริหาร "เฉยๆ กับความเสี่ยง" หรือ Risk-neutral)
\n
• ข้อเสีย: ค่าเฉลี่ยอาจไม่เกิดขึ้นจริง (ดังที่เห็นจากตัวอย่างร้านกาแฟ)
\n

ประเด็นสำคัญ: ใช้ EV เพื่อหาทางเลือกที่ "ดีที่สุดในเชิงคณิตศาสตร์" ในระยะยาว แต่อย่าลืมว่ามันไม่ได้บอกถึง "ความผันผวน" หรือความเสี่ยงที่แท้จริง

3. การวิเคราะห์ความอ่อนไหว (Sensitivity Analysis)

การวิเคราะห์ความอ่อนไหวคือการตั้งคำถามง่ายๆ ว่า "จะเกิดอะไรขึ้นถ้า..." (What if?) มันช่วยดูว่าตัวแปรเฉพาะเจาะจงตัวหนึ่ง (เช่น ปริมาณขาย หรือต้นทุนวัตถุดิบ) สามารถเปลี่ยนแปลงได้มากแค่ไหน ก่อนที่การตัดสินใจของเราจะกลายเป็นเรื่องแย่

วิธีคำนวณ

วิธีที่ง่ายที่สุดในการคำนวณหาความอ่อนไหวของตัวแปร คือ:
\n\( \text{Sensitivity \%} = \left( \frac{\text{กำไรสุทธิ (หรือส่วนเผื่อความปลอดภัย)}}{\text{มูลค่าปัจจุบันของตัวแปรที่กำลังทดสอบ}} \right) \times 100 \)

กฎเหล็ก: ยิ่งเปอร์เซ็นต์ ต่ำ ตัวแปรนั้นยิ่ง อ่อนไหว (เสี่ยง) มากเท่านั้น ถ้าหากยอดขายลดลงแค่ 2% แล้วทำให้โปรเจกต์ของคุณขาดทุน แสดงว่าโปรเจกต์นั้น "เปราะบาง" และมีความเสี่ยงสูงมาก!

ข้อผิดพลาดที่พบบ่อย

นักศึกษามักเข้าใจผิดว่าเปอร์เซ็นต์ความอ่อนไหวที่สูงเป็นเรื่องไม่ดี แต่จริงๆ แล้วมันกลับกันครับ! ถ้าค่าความอ่อนไหวเท่ากับ 50% หมายความว่าตัวแปรนั้นต้องเปลี่ยนไปมหาศาลถึงจะทำให้คุณเดือดร้อน ซึ่งถือว่าเป็น "เบาะรองรับ" ที่ปลอดภัย

ประเด็นสำคัญ: การวิเคราะห์ความอ่อนไหวช่วยให้เราระบุได้ว่าตัวแปรไหนคือสิ่งที่ต้องจับตามองเป็นพิเศษ

4. แผนผังการตัดสินใจ (Decision Trees)

แผนผังการตัดสินใจ คือแผนที่แสดงการตัดสินใจที่มีหลายขั้นตอน เหมาะมากสำหรับสถานการณ์ที่การเลือกอย่างหนึ่งนำไปสู่เหตุการณ์ถัดไป และนำไปสู่การตัดสินใจอีกครั้งหนึ่ง

สัญลักษณ์ที่คุณต้องรู้

\n
• สี่เหลี่ยม (\(\square\)): คือ จุดตัดสินใจ (Decision Point) เป็นจุดที่คุณ (ผู้บริหาร) ต้องเลือกเอง
\n
• วงกลม (\(\bigcirc\)): คือ จุดผลลัพธ์ (Outcome Point) หรือจุดเสี่ยง เป็นจุดที่ "โชคชะตา" หรือตลาดเป็นตัวกำหนด (เราจะใส่ค่าความน่าจะเป็นไว้ที่จุดนี้)
\n

วิธี "ย้อนกลับ" (Roll-Back Method - ทีละขั้นตอน)

ในการแก้โจทย์ Decision Tree เราจะทำงานจาก ขวาไปซ้าย เสมอ ซึ่งมักเรียกกันว่าการ "ตัดกิ่ง" (pruning) ต้นไม้

\n
1. วาดแผนผัง: เริ่มจากซ้ายสุดด้วยการตัดสินใจแรก แล้วแตกกิ่งไปทางขวา
\n
2. ใส่ค่า: ใส่กำไร/ต้นทุนไว้ที่ปลายกิ่ง (ส่วนยอดของต้นไม้)
\n
3. คำนวณ EV ที่วงกลม: ทำงานจากขวาไปซ้าย โดยคำนวณหาค่า EV ที่จุดวงกลมทุกจุด
\n
4. ตัดสินใจที่สี่เหลี่ยม: ณ จุดสี่เหลี่ยม ให้เปรียบเทียบตัวเลือกต่างๆ แล้วเลือกทางที่มีค่า EV สูงสุด (หรือต้นทุนต่ำสุด) จากนั้นขีดฆ่ากิ่งที่ "แพ้" ทิ้งไป
\n
5. ผลลัพธ์สุดท้าย: ค่าที่สี่เหลี่ยมจุดแรกสุดคือผลลัพธ์ที่คาดหวังได้ดีที่สุดของคุณ
\n

คุณรู้ไหม?

แผนผังการตัดสินใจถูกใช้ทั้งในการวินิจฉัยทางการแพทย์และคดีความทางกฎหมาย ไม่ใช่แค่ในบัญชีบริหารเท่านั้น! เพราะมันช่วยให้คนเรายังคงมีเหตุผลในยามที่อารมณ์ (หรือตัวเลขเงินก้อนโต) อาจทำให้ตัดสินใจผิดพลาดได้

ประเด็นสำคัญ: ต้อง "ย้อนกลับ" (Roll-back) จากขวามาซ้ายเสมอ ใช้ EV ที่วงกลม และเลือกทางที่ดีที่สุดที่สี่เหลี่ยม

5. มูลค่าของข้อมูล (Value of Information)

บางครั้งเราอาจต้องจ่ายเงินซื้อรายงานวิจัยตลาดหรือความเห็นจากผู้เชี่ยวชาญเพื่อลดความไม่แน่นอน แต่เราควรจ่ายเท่าไหร่ดีล่ะ?

ค่าคาดหมายของข้อมูลที่สมบูรณ์แบบ (EVPI)

ลองจินตนาการว่าคุณมี "ลูกแก้ววิเศษ" ที่บอกอนาคตได้แม่นยำ EVPI คือจำนวนเงินสูงสุดที่คุณควรจะยอมจ่ายเพื่อซื้อลูกแก้วนั้น

สูตร:
\n\( \text{EVPI} = \text{EV เมื่อมีข้อมูลที่สมบูรณ์แบบ} - \text{EV เมื่อไม่มีข้อมูล} \)

ขั้นตอนการคำนวณ:

\n
1. คำนวณ EV ของการตัดสินใจที่ดีที่สุด เมื่อไม่มี ข้อมูลเพิ่มเติม (ทำแบบที่เราเรียนไปในส่วนที่ 2)
\n
2. คำนวณ EV เมื่อมี ข้อมูลสมบูรณ์แบบ: สมมติว่าคุณรู้แน่นอนว่าตลาดจะ "สูง" กำไรที่ดีที่สุดคือเท่าไหร่? และสมมติว่าคุณรู้ว่ามันจะ "ต่ำ" กำไรที่ดีที่สุดคือเท่าไหร่? จากนั้นนำผลลัพธ์กรณีที่ดีที่สุดเหล่านี้มาถ่วงน้ำหนักด้วยค่าความน่าจะเป็นดั้งเดิม
\n
3. ส่วนต่างที่ได้คือ EVPI ของคุณ
\n

ค่าคาดหมายของข้อมูลที่ไม่สมบูรณ์แบบ (EVII)

ในโลกความจริง งานวิจัยตลาดแทบไม่มีอะไรสมบูรณ์แบบ 100% ซึ่งนี่คือ EVII ครับ มันใช้ตรรกะเดียวกับ EVPI แต่จะมีการปรับค่าความน่าจะเป็น (โดยใช้สิ่งที่เรียกว่า ทฤษฎีบทของเบย์ - Bayes' Theorem แม้ว่า CIMA P2 ส่วนใหญ่มักเน้นการประยุกต์ใช้มากกว่าการคำนวณสถิติที่ซับซ้อนก็ตาม)

กฎสำคัญ: คุณไม่ควรจ่ายเงินซื้อข้อมูล แพงกว่า มูลค่าที่ข้อมูลนั้นสร้างให้คุณ ถ้า EVPI คือ $5,000 แล้วนักวิจัยขอค่าจ้าง $6,000 ให้บอกไปเลยว่า "ไม่เอา ขอบคุณ!"

ประเด็นสำคัญ: มูลค่าของข้อมูล = (EV ใหม่) ลบด้วย (EV เดิม) มันคือ "กำไร" ที่ได้จากการเป็นคนที่มีข้อมูลดีขึ้นนั่นเอง

บทส่งท้าย

ถ้ารู้สึกว่า Decision Trees หรือ EVPI เหมือนปริศนาที่ยากในตอนแรก ไม่ต้องกังวลนะ... กุญแจสำคัญคือการฝึกวาดแผนผังและเขียนรายละเอียดให้ชัดเจน เมื่อคุณจับจังหวะการ "Roll-Back" ได้แล้ว คุณจะพบว่านี่เป็นคะแนนที่ "เก็บเข้ากระเป๋าได้ง่ายที่สุด" ในข้อสอบ P2 เลยล่ะ!

สรุปสั้นๆ:
- ความเสี่ยง (Risk) = รู้ค่าความน่าจะเป็น
- EV = \( \sum px \)
- ความอ่อนไหว (Sensitivity) = กำไร / ตัวแปร
- สี่เหลี่ยม = จุดตัดสินใจ; วงกลม = จุดความน่าจะเป็น
- มูลค่าข้อมูล = (กำไรเมื่อมีข้อมูล) - (กำไรเมื่อไม่มีข้อมูล)