10 NGUYÊN TẮC VÀNG ĐỂ THÀNH CÔNG TRONG VIỆC PHÂN TÍCH DỮ LIỆU

#Mon #Analytics #NhatCMA #Part1

“Theo một khảo sát của Gartner, chỉ có 20% thông tin đề xuất từ phân tích dữ liệu sẽ mang lại kết quả cụ thể cho tổ chức xuyên suốt năm 2022”. Phân tích dữ liệu thành công không chỉ nằm ở việc thu thập dữ liệu mà cốt lõi là nằm ở việc quản lý dữ liệu và đưa ra đề xuất hỗ trợ ra quyết định.

Trong bối cảnh hiện nay, hầu hết các cấp lãnh đạo của tổ chức đều mê mẫn những lợi ích to lớn mà dữ liệu mang lại để giúp tổ chức phát triển vượt bậc trong tương lai. Mọi người đều có niềm tin mãnh liệt rằng “Dữ liệu là vàng”, sẵn sàng đầu tư rất nhiều tâm huyết, ngân sách và nguồn lực cho các dự án hệ thống phân tích dữ liệu. Tuy nhiên, phần lớn các dự án này đều thất bại hoàn toàn và cũng rất ít tổ chức đạt được thành quả nhất định từ việc phân tích dữ liệu. Lí do đằng sau điều này là bởi hầu hết các tổ chức không tuân thủ theo những nguyên tắc vàng đã được áp dụng thành công bởi nhiều tổ chức trên thế giới mà chỉ áp dụng một cách máy móc từ sách vở hoặc chỉ đơn thuần là thuê một đơn vị nào đó chuyên triển khai hệ thống phần mềm phân tích dữ liệu (hay còn gọi là hệ thống Business Intelligence – BI).

Mặc dù nhiều tổ chức sở hữu đầy đủ các yếu tố để có thể thành công như:

  1. Có nguồn lực và ngân sách lớn.
  2. Có hệ thống công nghệ tiên tiến và rất rất nhiều dữ liệu.
  3. Có rất nhiều nhân tài với chuyên môn cao.

Nhưng điểm cốt lõi là ở việc quản lý dữ liệu và đưa ra đề xuất hỗ trợ ra quyết định. Trong thực tế, có 10 nguyên tắc vàng mà tổ chức cần lưu ý, và trong số này có 3 nguyên tắc cốt lõi quan trọng mà nếu thiếu thì chắc chắn tổ chức sẽ thất bại trong việc triển khai phân tích dữ liệu.

3 NGUYÊN TẮC CỐT LÕI

Đánh giá sự phù hợp của dữ liệu – còn gọi là giá trị phân tích của dữ liệu

Nguyên tắc này muốn đề cập tới việc tổng hợp các câu hỏi từ mọi cá nhân trong tổ chức kèm theo loại dữ liệu cần thiết để có thể trả lời cho câu hỏi đó. Ví dụ: một tổ chức có thể sở hữu rất rất nhiều dữ liệu được tạo ra một cách tự động trong quá trình hoạt động kinh doanh như bảng kê bán hàng, thông tin sản phẩm, tỉ suất sinh lợi từng sản phẩm, mức độ tiêu thụ hàng hóa tại các chi nhánh, v.v.. Nhưng nếu mục tiêu của tổ chức là hiểu về khách hàng để có thể cung cấp các sản phẩm và dịch vụ tốt hơn hoặc phù hợp hơn thì tổ chức sẽ cần thêm các thông tin định danh của khách hàng như tuổi tác, nghề nghiệp, nơi sinh sống, thậm chí là dữ liệu hành vi sử dụng của khách hàng khi họ mua sắm trên website hay thông qua các ứng dung v.v.

Việc tổ chức và phân loại dữ liệu kinh doanh theo các nhóm thông tin khác nhau sẽ cho phép người sử dụng đánh giá nhanh về mức độ phù hợp của dữ liệu với vấn đề đặt ra. Đồng thời, việc này cũng giúp cho quá trình sử dụng thông tin để phân tích nhằm đưa ra câu trả lời trong vòng từ 1 đến 2 giờ được dễ dàng hơn. Trong thực tế, dữ liệu kinh doanh sẽ được phân loại theo 3 nhóm chính gồm có

  1. Dữ liệu tham khảo (Reference Data): liên quan tới việc mô tả đặc điểm hoạt động của tổ chức. Ví dụ: công ty X có 3 nhà máy và 4 ngành hàng sản phẩm chủ chốt. 2 thông tin này sẽ được lưu thành 2 bảng (A) danh sách nhà máy (kèm theo các thuộc tính mô tả như mã nhà máy, diện tích, địa điểm, công suất, v.v) và (B) danh sách ngành hàng (kèm theo các thuộc tính mô tả như mã ngành hàng, đặc tính chung các sản phẩm của ngành hàng, nhóm khách hàng tiềm năng mà ngành hàng hướng tới.
  2. Dữ liệu đối tượng (Dimension/Master/Lookup Data): liên quan tới các danh mục đối tượng mà công ty cần kiểm soát trong quá trình hoạt động. Ví dụ: danh sách sản phẩm, danh sách khách hàng, danh sách nhà cung cấp. Mỗi danh sách này sẽ được lưu thành một bảng thông tin riêng.
  3. Dữ liệu giao dịch (Transactional/Fact Data): liên quan tới những sự kiện phát sinh. Ví dụ: bảng kê bán hàng, bảng theo dõi chi phí, bảng chi lương.

Các dữ liệu này nên được chuẩn hóa theo những quy tắc đặt tên hay viết tắt nhất định để đảm bảo tính thống nhất theo thời gian nhằm giúp cho việc phân tích được thông suốt. Bản chất của bất kỳ một lựa chọn áp dụng “mô hình phân tích dữ liệu” nào đều phụ thuộc hoàn toàn vào “câu hỏi / đề bài là gì” và “những loại dữ liệu nào đang hiện hữu”.

Xác định chiến lược lưu trữ và sử dụng dữ liệu

Rất nhiều tổ chức kìm hãm hoặc trì hoãn việc thực hiện phân tích chỉ đơn giản vì nghĩ rằng mình đang chưa có đủ dữ liệu, dữ liệu chưa đúng hoặc nghĩ rằng chất lượng dữ liệu đang có hiện tại còn quá tệ. Tuy nhiên, nếu chúng ta chờ tới khi đạt được trạng thái hoàn hảo thì đó là một sai lầm. Khi nói tới phân tích dữ liệu, bản chất không phải nằm ở sự hoàn hảo mà là quá trình cải thiện liên tục. Nếu chúng ta bắt đầu ngay hôm nay, chúng ta biết mình đang thiếu đủ ra sao, thì chúng ta sẽ có thể vừa làm (và có kết quả mang tính tương đối nhưng vẫn hỗ trợ định hướng phát triển cho tổ chức) và cải thiện dần theo thời gian. Còn nếu chỉ đơn giản là chờ đợi 1 năm sau khi hệ thống được hoàn thiện rồi mới bắt tay vào lấy dữ liệu và phân tích, chúng ta chắc chắn sẽ nhận ra là chúng ta chỉ mới bắt đầu và những gì tưởng là làm được hóa ra là không làm được. Kết cục là chúng ta lại sẽ phải chờ đợi hoặc quyết định vừa làm vừa cải thiện tại thời điểm đó.

Trong thực tế, chúng ta có nhiều cách khác nhau để bù đắp cho sự chưa hoàn hảo của dữ liệu. Chúng ta có thể mua dữ liệu từ các công ty nghiên cứu thị trường hoặc sử dụng những nguồn dữ liệu miễn phí trên Internet. Tổ chức nên cân đối giữa chi phí bỏ ra và giá trị mang lại đối với các quyết định đầu tư liên quan tới dữ liệu. Ngoài ra, khảo sát chọn mẫu cũng là một phương pháp dễ dàng thực hiện ngay. Trong những tình huống phức tạp hơn, chúng ta có thể sẽ cần sự can thiệp từ máy học vào quá trình chuyển đổi dữ liệu.

Thay đổi từ việc thực hiện các dự án phân tích đơn lẻ sang xây dựng nền tảng hỗ trợ tự phân tích

Thay vì điều phối một vài người để làm riêng các dự án phân tích đơn lẻ theo nhu cầu ngắn hạn. Tổ chức nên có nền tảng hỗ trợ tự phân tích để giúp mọi cá thể trong tổ chức tham gia vào việc sử dụng dữ liệu để hỗ trợ ra các quyết đinh.

 

#Mon #Analytics #NhatCMA #Part2

7 NGUYÊN TẮC CHUNG

Gắn các mục tiêu của tổ chức với các câu hỏi và các chỉ số đo lường cụ thể (KPI)

Chúng ta ai cũng biết rằng cần phải lôi kéo ban lãnh đạo và hội đồng quản trị tham gia vào quá trình phân tích dữ liệu hay nói cách khác là nhận thức được giá trị đạt được thông qua phân tích dữ liệu để có được sự hỗ trợ cần thiết về nguồn lực và ngân sách. Nhưng có lẽ chúng ta sẽ hơi thắc mắc cách thức làm điều đó một cách tự nhiên và dễ dàng. Mấu chốt nằm ở việc đặt ra đúng câu hỏi chứ không chỉ nằm ở việc là ban lãnh đạo và hội đồng quản trị muốn gì hoặc có yêu cầu cụ thể gì. Ngoài ra, chúng ta cần lưu ý tới các giả định ngầm mà chúng ta thêm vào khi đặt ra các KPI. Ban lãnh đạo và hội đồng quản trị cần được mời tham gia để đồng thuận trên những KPI này để đảm bảo mục tiêu của tổ chức hoàn thành như kỳ vọng.

Xây dựng đội ngũ có khả năng phân tích dữ liệu chuyên nghiệp

Thành công trong việc phân tích dữ liệu không chỉ trông đợi vào một cá nhân cụ thể có chuyên môn sâu như kiểu nhà khoa học dữ liệu (Data Scientist). Nó đòi hỏi tổ chức phải lan tõa tư duy phân tích cũng như tinh thần thử và sai (Hypothesis-based Methodologies) tới cho mọi cá nhân.

Xây dựng khả năng làm việc với dữ liệu mà trọng tâm xoay quanh phân tích mô tả (descriptive analytics) và chỉ số đo lường cụ thể (KPI)

Hiện nay, phải tới 80% các hoạt động liên quan tới phân tích dữ liệu xoay quanh phân tích mô tả (xem lại dữ liệu quá khứ để xác định điều gì đã xảy ra và lí do vì sao điều đó lại xảy ra). Ví dụ: tại sao doanh số tháng trước sụt giảm mạnh hay tại sao dự báo lại quá cao so với thực tế. Lan tỏa những thông tin có được từ phân tích mô tả giúp cho ban lãnh đạo và hội đồng quản trị làm quen với tư duy phân tích dữ liệu cũng như giúp họ nhận định được giá trị cơ bản nhất đến từ phân tích dữ liệu.

Thiết lập các quy định pháp lý về bảo mật thông tin

Trong khi dữ liệu được xem là một tài sản vô giá của tổ chức, nó có thể mang lại nhiều rủi ro nếu không được quản lý tốt. Việc rò rỉ dữ liệu tổ chức ra bên ngoài có thể gây thiệt hại nghiêm trọng về mặt hình ảnh tổ chức trong mắt khách hàng hoặc tiết lộ chiến lược kinh doanh cho đối thủ cạnh tranh. Tổ chức cần xây dựng các quy định pháp lý chặt chẽ để bảo mật dữ liệu nhưng vẫn cho phép dữ liệu có thể được tiếp cận bởi nhiều cá nhân và phòng ban có liên quan.

Liên tục cập nhật mô hình phân tích dữ liệu

Việc xây dựng mô hình phân tích dữ liệu đòi hỏi quá trình cập nhật liên tục và sát sao. Nó không chỉ là hoạt động thiết lập một lần duy nhất rồi giữ cố định trong thời gian dài. Khi có bất kỳ điều gì thay đổi chẳng hạn như kế hoạch vận hành, dữ liệu sẽ thay đổi theo và kéo theo là mô hình phân tích cũng thay đổi.

Thiết lập bảng định nghĩa, chú giải và giám sát quá trình thu thập lẫn phân tích dữ liệu (Data Governance)

Sau những nỗ lực thiết lập ban đầu, việc duy trì có giám sát quá trình thu thập dữ liệu càng trở nên quan trọng hơn. Thiết lập tiêu chuẩn về định nghĩa, chất lượng dữ liệu và các giám sát để đảm bảo dữ liệu thu thập và lưu trữ theo một quy tắc chung thống nhất.

Thúc đẩy nghệ thuật kể chuyện bằng dữ liệu (Data Storytelling) để chia sẻ những đề xuất hỗ trợ ra quyết định một cách hiệu quả

Trong việc phân tích dữ liệu và chia sẻ thông tin đề xuất, nếu chỉ đơn thuần là tạo ra một vài biểu đồ hoặc dữ liệu được trình bày một cách tạm bợ thì sẽ không tạo ra đủ sự thuyết phục để có thể hướng tổ chức theo xu hướng mới hoặc thay đổi hành vi hiện tại. Việc kết hợp đúng loại biểu đồ, thông điệp ngắn gọn rõ ràng, như một câu chuyện có nêu ra các lợi ích tài chính cụ thể sẽ giúp quá trình thuyết phục trở nên dễ dàng hơn. Đồng thời việc này giúp nhấn mạnh mối liên hệ giữa lợi ích tài chính với các thông tin đề xuất từ phân tích dữ liệu cho ban lãnh đạo và hội đồng quản trị.

Trả lời