Trước khi hỏi “dữ liệu cho kết quả gì?”, người phân tích nên hỏi một câu khó hơn: dữ liệu này có đủ đáng tin để trả lời câu hỏi của mình không? Một bảng Excel đẹp, một dashboard nhiều biểu đồ hay một báo cáo từ thương hiệu lớn đều không thay thế được việc kiểm tra nguồn, định nghĩa, thời điểm và cách dữ liệu được tạo ra.
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
Cập nhật 2026: Bài giảng yêu cầu kiểm chứng độ tin cậy của dữ liệu thứ cấp và đối chiếu nhiều nguồn. Bài này mở rộng theo các khung chất lượng dữ liệu hiện đại: phù hợp mục tiêu – chính xác – đầy đủ – cập nhật – nhất quán/so sánh được – minh bạch phương pháp – đại diện – truy vết được. Không đánh giá nguồn chỉ bằng tên tổ chức.
1. “Đáng tin” không có nghĩa là “đúng tuyệt đối”
Dữ liệu thị trường luôn có sai số, thiếu hụt và giới hạn. Vì vậy, chất lượng dữ liệu nên được hiểu là mức độ dữ liệu phù hợp để sử dụng cho một mục tiêu cụ thể.
Một nguồn có thể rất tốt cho câu hỏi này nhưng không phù hợp cho câu hỏi khác:
- tin đăng tốt để quan sát giá rao và inventory chào bán;
- dữ liệu giao dịch tốt hơn để nghiên cứu giá chốt;
- báo cáo tư vấn tốt để đọc xu hướng phân khúc;
- dữ liệu thống kê dân số phù hợp cho nền cầu dài hạn;
- khảo sát thực địa tốt để kiểm tra điều kiện vi mô tại thời điểm nghiên cứu.
2. Tám câu hỏi kiểm tra chất lượng dữ liệu
| Chiều chất lượng | Câu hỏi cần hỏi | Ví dụ BĐS |
|---|---|---|
| Relevance – phù hợp | Dữ liệu có trả lời đúng câu hỏi không? | Giá rao không thay cho giá giao dịch |
| Accuracy – chính xác | Giá trị ghi có gần thực tế không? | Diện tích 5.000 m² có phải lỗi nhập 50 m²? |
| Completeness – đầy đủ | Thiếu biến/nhóm/khu vực nào? | 30% bản ghi thiếu pháp lý |
| Timeliness – cập nhật | Dữ liệu phản ánh thời điểm nào? | Bảng giá quý trước không mô tả cú sốc tháng này |
| Consistency – nhất quán | Đơn vị, mã, định nghĩa có thống nhất? | m² đất và m² sàn bị trộn chung |
| Comparability – so sánh được | Hai kỳ/hai nguồn dùng cùng phạm vi? | Quận A năm trước đổi ranh giới |
| Representativeness – đại diện | Mẫu đại diện cho tổng thể đến đâu? | Chỉ có dự án cao cấp nhưng kết luận cả thị trường |
| Provenance – truy vết | Biết dữ liệu từ đâu, khi nào, xử lý thế nào? | Có source_url, collected_at, raw_id, cleaning log |
3. Kiểm tra nguồn trước khi kiểm tra con số
Trước khi mở Excel, hãy đọc metadata hoặc phương pháp của nguồn:
- Ai tạo ra dữ liệu?
- Mục đích ban đầu là gì?
- Đơn vị quan sát là gì?
- Địa bàn bao phủ?
- Khoảng thời gian?
- Cơ chế thu thập?
- Có sửa đổi/revision không?
- Định nghĩa các chỉ tiêu?
- Có giới hạn sử dụng hoặc bias nào đã được công bố?
Một báo cáo chuyên nghiệp thường ghi rõ market universe, hạng tài sản, đơn vị đo, kỳ so sánh và nguồn. Một file “data_final.xlsx” không có metadata dù rất nhiều dòng lại khó kiểm chứng.
4. Nguồn “chính thức” có phải lúc nào cũng phù hợp nhất?
Không. Nguồn chính thức có lợi thế về tính chuẩn hóa, trách nhiệm công bố và độ bao quát của một số chỉ tiêu; nhưng có thể có độ trễ hoặc mức tổng hợp quá cao đối với một micro-market. Ngược lại, dữ liệu nền tảng rất cập nhật nhưng có thiên lệch độ phủ; dữ liệu doanh nghiệp có chiều sâu nhưng đôi khi chỉ phản ánh danh mục khách hàng của họ.
Do đó, thay vì xếp hạng cứng “nguồn A tốt hơn nguồn B”, nên hỏi: nguồn nào phù hợp nhất với biến nào?
5. Kiểm tra logic nội tại của dataset
Sau khi đánh giá nguồn, chuyển sang kiểm tra dữ liệu:
- ID có trùng không?
- ngày đăng có sau ngày thu thập không?
- giá tổng = đơn giá × diện tích có hợp lý không?
- tọa độ có nằm đúng khu vực?
- mã phường/xã có tồn tại?
- loại BĐS và thuộc tính có mâu thuẫn?
- giá trị âm, 0 hoặc cực lớn có ý nghĩa hay lỗi?
- các biến dẫn xuất có tái tính được từ raw variables không?
Kiểm tra logic giúp phát hiện lỗi mà thống kê mô tả đơn thuần có thể bỏ qua.
6. Completeness không chỉ là “bao nhiêu ô trống?”
Cần phân biệt:
- item missing: một vài biến bị thiếu;
- record missing: một nhóm tài sản/khách hàng không xuất hiện;
- coverage missing: cả khu vực hoặc phân khúc không được nguồn bao phủ;
- structural missing: biến không áp dụng cho loại tài sản đó.
Dataset có 100% ô được điền vẫn có thể thiếu cả một nhóm thị trường.
7. Timeliness: dữ liệu đúng nhưng đã quá cũ vẫn có thể gây sai
Thị trường BĐS phản ứng với lãi suất, pháp lý, hạ tầng, nguồn cung và tâm lý. Một con số đúng ở thời điểm công bố có thể không còn phù hợp vài quý sau. Vì vậy luôn lưu:
- reference_period: kỳ mà số liệu phản ánh;
- published_at: ngày nguồn công bố;
- collected_at: ngày bạn lấy dữ liệu;
- last_updated: ngày nguồn cập nhật lần cuối nếu có.
Không nên dùng “ngày tải file” thay cho “kỳ dữ liệu”.
8. Consistency và comparability: cùng tên chưa chắc cùng nghĩa
Hai nguồn đều ghi “giá trung bình” nhưng một bên dùng asking price, bên kia dùng transaction price. Hai báo cáo đều ghi “vacancy rate” nhưng market universe khác nhau. Hai năm đều ghi “phường X” nhưng ranh giới hành chính đã thay đổi.
Muốn so sánh, cần chuẩn hóa:
- định nghĩa chỉ tiêu;
- đơn vị đo;
- địa bàn;
- phân khúc/hạng tài sản;
- kỳ thời gian;
- mẫu số;
- cách xử lý outlier và missing.
9. Provenance và data lineage: dữ liệu đã đi qua những bước nào?
Một dataset tốt nên cho phép trả lời:
Raw data → lấy từ đâu → được làm sạch gì → biến nào được tạo mới → ai thực hiện → phiên bản nào → kết quả cuối dùng file nào.
Tối thiểu nên giữ:
- raw_id/source_id;
- source_name/source_url;
- collected_at;
- cleaning_flag;
- reason_removed nếu loại;
- version;
- data dictionary;
- script hoặc log biến đổi nếu có.
10. Một thang kiểm tra thực hành trước khi dùng dữ liệu
Không nhất thiết phải biến thành điểm số. Có thể dùng ba trạng thái:
- Đạt: có thể dùng cho mục tiêu hiện tại;
- Cần xử lý/xác minh: có vấn đề nhưng có thể khắc phục;
- Không phù hợp: bản chất nguồn không trả lời được câu hỏi.
| Kiểm tra | Đạt | Cần xử lý | Không phù hợp |
|---|---|---|---|
| Nguồn và kỳ dữ liệu | Rõ | Thiếu một phần metadata | Không truy được |
| Định nghĩa biến | Có data dictionary | Cần chuẩn hóa | Không biết biến đo gì |
| Độ phủ | Phù hợp mục tiêu | Thiếu vài nhóm | Lệch khỏi tổng thể mục tiêu |
| Missing/outlier | Đã audit | Cần xử lý | Không thể khôi phục biến cốt lõi |
| Truy vết | Có raw/source/log | Thiếu log | Chỉ còn bảng đã sửa tay |
11. Ba câu hỏi cuối trước khi đưa dữ liệu vào mô hình
- Nếu kết quả bất ngờ, tôi có truy ngược được về bản ghi gốc không?
- Nếu người khác dùng cùng nguồn và quy trình, họ có tái tạo được gần giống kết quả không?
- Nếu đổi câu hỏi nghiên cứu, dataset này còn phù hợp không?
Ghi nhớ trong 30 giây
- Dữ liệu đáng tin là dữ liệu fit for purpose, không phải dữ liệu “hoàn hảo”.
- Kiểm tra relevance, accuracy, completeness, timeliness, consistency, comparability, representativeness và provenance.
- Nguồn chính thức, chuyên nghiệp, nền tảng và khảo sát đều có thế mạnh và bias riêng.
- Không so sánh số liệu nếu định nghĩa, kỳ, địa bàn hoặc mẫu số khác nhau.
- Dataset tốt phải truy vết được từ kết quả về dữ liệu gốc và các bước xử lý.
Nguồn tham khảo
- Nguyễn Mạnh Hùng, Bài giảng Phân tích thị trường BĐS – Tuần 2: Thu thập và xử lý dữ liệu.
- Nguyễn Mạnh Hùng, Bài giảng Phân tích TTBĐS – Buổi 2.
- United Nations Statistics Division, tài liệu về các chiều chất lượng thống kê: relevance, accuracy, timeliness/punctuality và non-sampling error.
- Eurostat/Open Data Support, Data Quality Dimensions.
- Mourouzi-Sivitanidou, R. & Sivitanides, P., Market Analysis for Real Estate, Routledge.
Bài tiếp theo: “Quy trình kiểm chứng chéo dữ liệu: khảo sát – tin đăng – nguồn chính thức”.