Analysis of risk (probabilistic models and decision trees)

ยินดีต้อนรับสู่โลกแห่งความเสี่ยงและความไม่แน่นอน!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่บทเรียนที่นำไปใช้ได้จริงและน่าสนใจที่สุดบทหนึ่งของหลักสูตร P2 Advanced Management Accounting ในการเรียนช่วงแรกๆ 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 เราต้องทำความเข้าใจคำศัพท์สองคำสำคัญที่ CIMA ชอบออกสอบ แม้จะฟังดูคล้ายกัน แต่ในทางบัญชีบริหาร มันมีความต่างกันอย่างมากครับ:

ความเสี่ยง (Risk): คือสถานการณ์ที่เราไม่รู้ผลลัพธ์ที่แน่ชัด แต่เรามีข้อมูลในอดีตหรือประสบการณ์มากพอที่จะกำหนด ค่าความน่าจะเป็น (probabilities) ได้ (เช่น โอกาสสำเร็จ 60%) ตัวอย่าง: คาสิโนรู้ดีว่า "ความเสี่ยง" คืออะไรเพราะพวกเขารู้ค่าความน่าจะเป็นทางคณิตศาสตร์ว่าเจ้ามือจะชนะเท่าไร

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

ทบทวนสั้นๆ: ความแตกต่าง

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

ประเด็นสำคัญ: เราจะใช้แบบจำลองความน่าจะเป็นก็ต่อเมื่อเราสามารถระบุโอกาสเป็นเปอร์เซ็นต์ของผลลัพธ์ต่างๆ ได้เท่านั้น

2. ค่าคาดหมาย (Expected Values - EV)

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

สูตรการคำนวณ

สูตรของ EV คือ: \( \text{EV} = \sum px \)

โดยที่:
\(p\) = ความน่าจะเป็นของผลลัพธ์นั้นๆ
\(x\) = มูลค่า (กำไรหรือต้นทุน) ของผลลัพธ์นั้น
\(\sum\) = ผลรวมของการคำนวณทั้งหมดนี้

ตัวอย่างจากโลกจริง: ร้านกาแฟ

สมมติว่าคุณเปิดร้านกาแฟ และกำลังตัดสินใจว่าจะทำเค้กสูตรพิเศษประจำฤดูกาลขายดีหรือไม่

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

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

ดังนั้น ค่าคาดหมาย (Expected Value) คือ $260

"ข้อควรระวัง" ของค่าคาดหมาย

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

ข้อดีและข้อเสียของ EV

• ข้อดี: ช่วยย่อข้อมูลที่ซับซ้อนให้เหลือตัวเลขเดียวที่เปรียบเทียบง่าย
• ข้อดี: เหมาะมากสำหรับการตัดสินใจที่ต้องทำซ้ำๆ
• ข้อเสีย: ไม่ได้คำนึงถึง ความชอบเสี่ยง (risk appetite) ของผู้บริหาร (สูตรนี้สมมติว่าผู้บริหาร "เฉยๆ กับความเสี่ยง" หรือ risk-neutral)
• ข้อเสีย: ค่าเฉลี่ยอาจไม่เกิดขึ้นจริง (ดังที่เห็นจากตัวอย่างร้านกาแฟของเรา)

ประเด็นสำคัญ: ใช้ EV เพื่อหาทางเลือกที่ "ดีที่สุดในเชิงคณิตศาสตร์" ในระยะยาว แต่อย่าลืมว่ามันไม่ได้บอกถึง "การกระจายตัว" ของความเสี่ยง

3. แบบจำลองความน่าจะเป็นและการแจกแจงผลลัพธ์ (Probabilistic Models and Outcome Distributions)

ค่าคาดหมายเพียงค่าเดียวไม่ได้บอกเรื่องราวทั้งหมด จะเกิดอะไรขึ้นถ้าสองโครงการมีค่า EV เท่ากับ $100,000 เท่ากัน แต่โครงการ A อาจได้ผลลัพธ์เป็น $90,000 หรือไม่ก็ $110,000 ในขณะที่โครงการ B อาจขาดทุนถึง $500,000 หรือได้กำไรสูงถึง $700,000? เห็นได้ชัดว่าโครงการ B มีความเสี่ยงมากกว่าอย่างเห็นได้ชัด!

นี่คือจุดที่ แบบจำลองความน่าจะเป็น (probabilistic models) เข้ามามีบทบาท แบบจำลองความน่าจะเป็นจะแสดงภาพความเสี่ยงโดยการจำลอง การแจกแจงผลลัพธ์ของโครงการ (distribution of project outcomes) ทั้งหมดออกมา แทนที่จะพึ่งพาเพียงตัวเลขคาดการณ์เดียว

การแจกแจงแบบไม่ต่อเนื่องเทียบกับการแจกแจงแบบต่อเนื่อง (Discrete vs. Continuous Distributions)

• การแจกแจงความน่าจะเป็นแบบไม่ต่อเนื่อง (Discrete Probability Distributions): ผลลัพธ์จะแบ่งเป็นหมวดหมู่อย่างชัดเจนและแยกจากกัน โดยมีการกำหนดค่าความน่าจะเป็นเฉพาะเจาะจงให้แต่ละหมวดหมู่ (เช่น ตารางความน่าจะเป็นของความต้องการระดับต่ำ ปานกลาง และสูง โดยที่ผลรวมความน่าจะเป็นทั้งหมดเท่ากับ 1.0)
• การแจกแจงความน่าจะเป็นแบบต่อเนื่อง (Continuous Probability Distributions): ผลลัพธ์สามารถมีค่าใดๆ ก็ได้ตามช่วงข้อมูลที่ต่อเนื่องและราบเรียบ (เช่น การแจกแจงปกติ - Normal Distribution) โดยการกระจายตัวของผลลัพธ์จะถูกกำหนดโดยค่าเฉลี่ย (\(\mu\)) และ ส่วนเบี่ยงเบนมาตรฐาน (standard deviation) (\(\sigma\))

การวัดปริมาณความเสี่ยง: ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation)

ในการวัดปริมาณความเสี่ยง นักบัญชีบริหารจะวัดการกระจายตัวรอบค่าคาดหมายโดยใช้ ส่วนเบี่ยงเบนมาตรฐาน (\(\sigma\)):

\( \sigma = \sqrt{\sum p (x - \text{EV})^2} \)

ส่วนเบี่ยงเบนมาตรฐานที่สูงขึ้นหมายถึงการกระจายตัวของผลลัพธ์ที่เป็นไปได้กว้างขึ้น ซึ่งบ่งบอกถึงความเสี่ยงที่มากขึ้น เมื่อรวม EV เข้ากับส่วนเบี่ยงเบนมาตรฐานและตารางการแจกแจงปกติ ผู้บริหารจะสามารถคำนวณหาค่าความน่าจะเป็นที่แน่นอนได้ว่า โครงการจะไม่ถึงจุดคุ้มทุน, สร้าง NPV ติดลบ หรือได้ผลตอบแทนต่ำกว่าอัตราผลตอบแทนขั้นต่ำที่ยอมรับได้ (hurdle rate)

ประเด็นสำคัญ: แบบจำลองความน่าจะเป็นช่วยวัดปริมาณความเสี่ยงโดยแสดงให้เห็นทั้งความคาดหวังส่วนกลาง (EV) และการกระจายตัวของผลลัพธ์ที่เป็นไปได้ (ส่วนเบี่ยงเบนมาตรฐาน)

4. การวิเคราะห์ความอ่อนไหว (Sensitivity Analysis)

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

วิธีคำนวณ

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

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

ข้อผิดพลาดที่พบบ่อย

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

ประเด็นสำคัญ: การวิเคราะห์ความอ่อนไหวช่วยระบุว่าตัวแปรไหนคือสิ่งที่สำคัญที่สุดที่ต้องจับตามอง

5. แผนผังการตัดสินใจ (Decision Trees)

แผนผังการตัดสินใจ คือแผนที่แสดงการตัดสินใจที่มีหลายขั้นตอน เหมาะมากสำหรับสถานการณ์ที่การเลือกอย่างหนึ่งนำไปสู่อีกเหตุการณ์หนึ่ง และนำไปสู่การตัดสินใจอีกครั้งหนึ่ง

สัญลักษณ์ที่คุณต้องรู้

• สี่เหลี่ยม (\(\square\)): คือ จุดตัดสินใจ (Decision Point) เป็นจุดที่ผู้บริหารต้องเลือกว่าจะทำอะไร
• วงกลม (\(\bigcirc\)): คือ จุดผลลัพธ์ (Outcome Point) (หรือ Chance Node) เป็นจุดที่ "โชคชะตา" หรือตลาดเป็นตัวกำหนดว่าจะเกิดอะไรขึ้น (เราจะใส่ค่าความน่าจะเป็นไว้ที่จุดนี้)

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

ในการแก้โจทย์ Decision Tree เราจะทำงาน ย้อนกลับ (จากขวาไปซ้าย) เสมอ ซึ่งมักเรียกกันว่าการ "ตัดกิ่ง" (pruning) ต้นไม้

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

คุณรู้ไหม?

แผนผังการตัดสินใจถูกใช้อย่างกว้างขวางทั้งในการวินิจฉัยทางการแพทย์และคดีความทางกฎหมาย ไม่ใช่แค่ในบัญชีบริหารเท่านั้น! เพราะมันช่วยให้คนเรายังคงมีเหตุผลในยามที่อารมณ์ (หรือตัวเลขเงินก้อนโต) อาจทำให้การตัดสินใจไขว้เขวได้

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

6. มูลค่าของข้อมูล (The Value of Information)

บางครั้งเราอาจต้องจ่ายเงินซื้อรายงานวิจัยตลาดหรือความเห็นจากผู้เชี่ยวชาญเพื่อลดความไม่แน่นอน แต่เราควรจ่ายเงินสำหรับสิ่งนั้นเท่าไหร่ดีล่ะ?

ค่าคาดหมายของข้อมูลที่สมบูรณ์แบบ (Expected Value of Perfect Information - EVPI)

ลองจินตนาการว่าคุณมีลูกแก้ววิเศษที่ สมบูรณ์แบบ EVPI คือจำนวนเงินสูงสุดที่คุณควรจะยอมจ่ายเพื่อซื้อลูกแก้วนั้น

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

ขั้นตอนการคำนวณทีละขั้นตอน:

1. คำนวณ EV ของการตัดสินใจที่ดีที่สุด เมื่อไม่มี ข้อมูลเพิ่มเติมใดๆ (ทำแบบที่เราทำไปในส่วนที่ 2)
2. คำนวณ EV เมื่อมี ข้อมูลสมบูรณ์แบบ: สมมติว่าคุณรู้แน่นอนว่าตลาดจะ "สูง"—กำไรที่ดีที่สุดคือเท่าไหร่? จากนั้นสมมติว่าคุณรู้แน่นอนว่ามันจะ "ต่ำ"—กำไรที่ดีที่สุดคือเท่าไหร่? นำผลลัพธ์ใน "กรณีที่ดีที่สุด" เหล่านี้มาถ่วงน้ำหนักด้วยค่าความน่าจะเป็นดั้งเดิม
3. ส่วนต่างที่ได้คือ EVPI ของคุณ

ค่าคาดหมายของข้อมูลที่ไม่สมบูรณ์แบบ (Expected Value of Imperfect Information - EVII)

ในโลกความเป็นจริง งานวิจัยตลาดแทบไม่มีอะไรสมบูรณ์แบบ 100% ซึ่งนี่คือ EVII มันใช้ตรรกะเดียวกับ EVPI แต่จะมีการปรับค่าความน่าจะเป็น (โดยใช้สิ่งที่เรียกว่า ทฤษฎีบทของเบย์ - Bayes' Theorem แม้ว่าโดยทั่วไป CIMA P2 จะเน้นการประยุกต์ใช้มูลค่ามากกว่าการคำนวณแบบเบย์ที่ซับซ้อนก็ตาม)

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

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

บทส่งท้าย

ไม่ต้องกังวลนะ ถ้า Decision Trees หรือ EVPI จะรู้สึกเหมือนปริศนาที่ยากในตอนแรก กุญแจสำคัญคือการฝึกวาดแผนผังและใส่ป้ายกำกับรายละเอียดให้ชัดเจน เมื่อคุณเข้าใจตรรกะการ "Roll-Back" แล้ว คุณจะพบว่านี่เป็นคะแนนกลุ่มที่ "เก็บเข้ากระเป๋าได้แน่นอนที่สุด" ในข้อสอบ P2 เลยล่ะ!

กล่องทบทวนด่วน:
- ความเสี่ยง (Risk) = รู้ค่าความน่าจะเป็น
- EV = \( \sum px \)
- การกระจายตัวของความเสี่ยง (Risk Spread) = วัดโดยส่วนเบี่ยงเบนมาตรฐาน (\(\sigma\)) จากการแจกแจงผลลัพธ์
- ความอ่อนไหว (Sensitivity) = กำไรส่วนเกิน / ตัวแปร
- สี่เหลี่ยม = การตัดสินใจ; วงกลม = ความน่าจะเป็น
- มูลค่าข้อมูล = (กำไรเมื่อมีข้อมูล) - (กำไรเมื่อไม่มีข้อมูล)