Doanh nghiệp của bạn đang thu thập nhiều dữ liệu về khách hàng và hoạt động kinh doanh hơn bao giờ hết. Trên thực tế, dữ liệu công ty của bạn có khả năng tăng gấp đôi kích thước sau mỗi hai năm dựa trên các xu hướng hiện tại. Về lý thuyết, kho dữ liệu ngày càng tăng này lẽ ra sẽ tương đương với sự gia tăng của những insight có ý nghĩa, tuy nhiên, trong thực tế, viễn cảnh ngược lại thường xảy ra khi tổ chức của bạn thấy mình ngày càng giàu có về dữ liệu nhưng chất lượng insight lại kém. Ước tính rằng hiện tại chỉ có 0,5% của tất cả các dữ liệu là đang được phân tích.

Dữ liệu của bạn có thể chứa rất nhiều giá trị tiềm năng cho doanh nghiệp của bạn, nhưng chúng sẽ vô dụng nếu không ai có thể rút ra được các insight hữu ích, kịp thời từ nó khi bạn chỉ chăm chăm vào thu thập dữ liệu mà bỏ quên các bước phân tích quan trọng còn lại. Khó khăn tăng tỉ lệ thuận với dữ liệu của bạn tiếp tục mở rộng theo thời gian. Dưới đây là một số bước bạn có thể thực hiện để giúp doanh nghiệp của mình giảm thiểu hoặc vượt qua thử thách này:

  1. Bắt đầu với mục tiêu kinh doanh rõ ràng

    Mục tiêu kinh doanh được xác định rõ ràng sẽ giúp bạn sắp xếp, ưu tiên dữ liệu nào quan trọng cho doanh nghiệp của bạn. Khi các mục tiêu kinh doanh của bạn được diễn tả rõ, bạn sẽ dễ dàng hơn nhiều trong việc xác định các chỉ số đo lường hiệu quả công việc (KPI) và các thang đo cần hỗ trợ. Về cơ bản, bạn sẽ tạo một hệ thống phân cấp cho dữ liệu của mình để tách các dữ liệu cần thiết ra khỏi núi dữ liệu hỗn tạp này. Thay vì bị lạc giữa một đại dương sóng sánh các dữ liệu, bạn có thể tập trung vào các dữ liệu tiềm năng từ một tập hợp các thang đo chính, những thứ dùng để đo lường các khía cạnh quan trọng của doanh nghiệp bạn.

  2. Đánh giá chất lượng dữ liệu

    Bạn có thể rất khó để phát hiện ra các dữ liệu tốt nếu chúng liên tục bị che khuất bởi dữ liệu xấu. Bất cứ ai đã làm việc trong phân tích đều biết rằng không có dữ liệu nào hoàn hảo 100%, vậy nên, thay vì nghi ngờ tất cả dữ liệu và lâm vào trạng thái vô định, bạn nên xác định các dữ liệu vẫn còn hữu ích thì tốt hơn. Nó giống như việc tìm kiếm trong tủ lạnh để xem nguyên liệu nào chưa hư hỏng, từ đó bạn có thể lựa chọn để nấu các bữa ăn phù hợp. Khi sử dụng phương pháp này trong các tiếp cận về tư vấn, bạn sẽ ghi chú lại những dữ liệu bị mất hoặc bị hỏng, sau đó là bắt tay vào xử lý các ràng buộc (constraints) dữ liệu có sẵn. Bạn sẽ cảm thấy tức tối khi tìm kiếm dữ liệu bị nhiễu hoặc bị thiếu, nhưng đừng để điều đó làm chặn hoặc dừng nhiệm vụ tìm insight của bạn.

  3. Trả lời các câu hỏi cụ thể về kinh doanh

    Nếu bạn tập trung phân tích để tìm câu trả lời cho một vấn đề kinh doanh cụ thể, thì sẽ hiệu quả hơn so với mong muốn chung chung là khám phá sự thú vị của dữ liệu. Cách đây vài năm, Adobe tổ chức một cuộc thi của sinh viên về phân tích dữ liệu kỹ thuật số cho một công ty thực thụ. Họ yêu cầu khách hàng chia sẻ danh sách các câu hỏi sôi nổi tr với các sinh viên, với hy vọng sẽ giúp các sinh viên tạo dựng khung phân tích dữ liệu tốt hơn. Bằng cách dựa vào các phân tích của họ xoay quanh các câu hỏi cụ thể về kinh doanh, các sinh viên đã cho thấy được hiệu quả của việc khám phá các insight có ý nghĩa với công ty.

  4. Hãy khách quan nhất có thể

    Tất cả chúng ta đều mang theo những thành kiến ​​nhất định. Trở nên cởi mở và khách quan hơn sẽ cho phép bạn khám phá nhiều điều có ích trong dữ liệu của mình. Đối với những nhà khởi nghĩa và những người quản lý, thành công và thất bại cá nhân có thể ảnh hưởng đến cách bạn xem dữ liệu của mình. Bạn có thể thấy “những gì bạn muốn thấy” và bỏ qua các dữ liệu tốt vì chúng mâu thuẫn với kinh nghiệm hoặc trực giác của bạn. Ví dụ, một nhà bán lẻ thời trang có một số trang sưu tập gồm các bộ quần áo khác nhau. Khi một nhà tư vấn phát hiện ra chúng đang hoạt động kém, anh ta đề nghị thử nghiệm và phân tích thêm để cải thiện chúng. Tuy nhiên, nhà tư vấn ấy đã nhanh chóng bị chặn họng bởi tuyên bố, “Chủ của chúng tôi (chủ doanh nghiệp gia đình) thích chúng như vậy, nên chúng tôi không thể thay đổi chúng.” Mặc dù bạn không thể xóa đi tất cả các thành kiến ​​và giả định của mình, nhưng ít nhất bạn nên thừa nhận chúng là gì và xem chúng có thể ảnh hưởng đến tính khách quan của bạn như thế nào, vì điều này sẽ làm bạn vụt mất những dữ liệu quan trọng.

  5. Thêm bối cảnh phong phú

    Khi bạn phân tích dữ liệu, càng có nhiều bối cảnh càng tốt. Nếu bạn được trang bị đầy đủ thông tin về môi trường bên trong và bên ngoài, bạn có thể mở khóa các dữ liệu tốt ẩn trong một núi dữ liệu. Một điều đơn giản bạn cần biết là nếu một sự kiện có ảnh hưởng tiềm tàng xảy ra (một chiến dịch hoặc quan hệ đối tác mới, một quá trình hoặc thay đổi chính sách) thì nó sẽ thêm sắc thái có giá trị vào những việc phân tích dữ liệu của mình. Ví dụ, một nhà sản xuất đã gặp vấn đề về chất lượng trên dây chuyền sản xuất của mình, nhưng các vấn đề này được phân bổ tới cả hai cỗ máy trong nhà máy. Tuy nhiên, các nhà phân tích không thể giải thích được tại sao hai cỗ máy đặc biệt này lại góp phần gây ra các vấn đề về chất lượng khi chúng y hệt nhau đến từng chi tiết. Khi họ tình cờ đi đến tầng sản xuất, họ phát hiện ra ánh sáng mặt trời chiếu trực tiếp từ một cửa sổ gần đó đang khiến hai chiếc máy đó nóng hơn những máy khác trên dây chuyền lắp ráp. Rất nhiều manh mối hữu ích tồn tại bên ngoài bộ dữ liệu của bạn, thế nên bạn không thể xem xét các con số tách biệt khỏi điều kiện ngoại cảnh.

  6. Trực quan hóa dữ liệu của bạn

    Khi các bộ dữ liệu ngày càng phức tạp, sẽ rất khó để phát hiện những dữ liệu tốt nếu không có sự trợ giúp của trực quan hóa dữ liệu. Năm 1973, nhà thống kê Francis Anscombe đã chứng minh tầm quan trọng mang tính sống còn của việc trực quan hóa dữ liệu cho mục đích phân tích. Một bảng dữ liệu đơn giản sẽ không có bất thường hay mẫu (pattern) nào hiển thị rõ ràng về số. Tuy nhiên, khi mỗi chuỗi dữ liệu được biểu đồ hóa, các biểu thị cho thấy các chuỗi dữ liệu đa dạng sẽ khác thế nào. Trong một ví dụ về một chuỗi nhà hàng đã trực quan hóa dữ liệu về sự hài lòng của khách hàng trên lịch được cách điệu và mã hóa theo màu. Sau đó, họ có thể chỉ rõ một ca làm cụ thể (buổi chiều thứ Tư) kém hơn tất cả ca khác. Lẽ ra họ đã phát hiện ra sự bất thường này bằng cách sử dụng những tính toán siêu tốc (number crunching), nhưng sẽ phải mất rất nhiều nỗ lực để xác định chúng.

Nếu bạn chỉ nhìn vào một bảng chứa các chuỗi dữ liệu khác nhau này, bạn sẽ không dễ dàng nhận ra...

  1. Sử dụng công nghệ để sàng lọc và sắp xếp dữ liệu

    Khi khối lượng và độ phức tạp của dữ liệu tăng lên, con người càng khó khăn hơn trong việc tìm tòi thủ công để có được các insight. Khi các bước trong quy trình phân tích tốn nhiều công sức và lặp đi lặp lại, bạn cần để máy móc thay thế thực hiện các công việc nặng nhọc. Vài năm trước, bạn phải mất sáu tuần phân tích để chỉ ra các dữ liệu có ích trong một trang web lớn về thương mại điện tử trị giá hàng triệu đô. Ngày nay, bạn chỉ mất vài phút khi sử dụng công nghệ phân tích tiên tiến. Các công cụ phù hợp có thể tăng đáng kể các kỹ năng phân tích và tiết kiệm thời gian của bạn.

  2. Thuê và phát triển những người nhạy bén

    Càng nhiều người tìm kiếm các dữ liệu có ích thì càng tốt. Các doanh nghiệp nhỏ và thậm chí là những doanh nghiệp lớn đầu tư vào công nghệ thường thất bại khi đầu tư vào con người, bên cạnh các công cụ. Bên cạnh các nhà khoa học dữ liệu (data scientist) hay phân tích dữ liệu (data analytics) lành nghề, bạn nên xem xét việc có một chuyên gia phân tích của một số nhóm, ngay cả với một thực tập sinh thông minh hoặc một nhà tư vấn bên ngoài. Hơn nữa, bạn và nhóm của mình cần khám phá dữ liệu hàng ngày hoặc hàng tuần, điều này sẽ đòi hỏi một khoản đầu tư vào đào tạo. Các công cụ phân tích tự phục vụ đang làm cho dữ liệu dễ tiếp cận hơn đối với người dùng trong doanh nghiệp phi kỹ thuật, nhưng đào tạo vẫn là điều cần thiết để nắm bắt toàn bộ tiềm năng của các công cụ này. Cuối cùng, khi bạn xây dựng nhóm của mình, hãy tìm kiếm những cá nhân giỏi trong việc sử dụng dữ liệu. Phân tích dữ liệu không còn là việc của người khác nữa, mà ngay bây giờ, đó là trách nhiệm chung của mọi người.

 

Tạm kết

Giáo sư Patrick Wolfe, Giám đốc điều hành của Viện Đại học Dữ liệu Lớn Luân Đôn (University College Of London’s Big Data Institute), cho biết, tốc độ tạo ra dữ liệu nhanh chóng vượt xa khả năng phân tích của chúng ta. Sự tập trung là cần thiết khi bạn đối mặt với dữ liệu có sức lan tỏa và insight khó nắm bắt. Bạn có thể thu hẹp tìm kiếm các dữ liệu có ích bằng cách tập trung vào dữ liệu quan trọng và dữ liệu nào có thể sử dụng được đối với doanh nghiệp. Nếu bạn giữ quan điểm cởi mở và tiếp cận kiến ​​thức nội bộ (tribal knowledge) càng nhiều càng tốt, nhiều dữ liệu dư thừa sẽ tiêu tan dần, để lộ ra các dữ liệu có ích. Các công cụ phân tích và trực quan hóa dữ liệu cũng có thể tăng khả năng phát hiện các dữ liệu có ích này, việc có nhiều người làm việc với dữ liệu hơn sẽ chỉ làm tăng lưu lượng insight đến doanh nghiệp của bạn. Thử thách tiếp theo sẽ là bạn sẽ làm gì với dòng insight mới, và đó sẽ là một bài toán mới cần được giải.

 

VietnamWorks InTECH
Theo Forbes