Tiến sĩ Hugo Bowne-Anderson, nhà khoa học dữ liệu và nhà giáo dục tại DataCamp, gần đây đã tổ chức một hội thảo trực tuyến về 5 điều lãnh đạo doanh nghiệp cần biết về chiến lược dữ liệu. Đọc tiếp để xem tóm tắt nội dung, hoặc xem hội thảo theo yêu cầu.
1. Quy tắc 80/20 trong khoa học dữ liệu
Quy tắc 80/20, hay còn gọi là nguyên tắc Pareto, cho rằng với nhiều hiện tượng, khoảng 80% kết quả đến từ 20% nguyên nhân. Ví dụ, năm 2018, khoảng 80% số thuế tại Hoa Kỳ do 20% người có thu nhập cao nhất đóng góp. Áp dụng vào khoa học dữ liệu, nguyên tắc Pareto ngụ ý rằng công việc thực hiện trong 20% thời gian mang lại 80% kết quả. Vì vậy khi ưu tiên công việc trong chiến lược dữ liệu, bạn cần tập trung vào những gì thực sự tạo ra giá trị.
Tập trung vào điều sẽ tạo chuyển biến rõ rệt
Không ít lãnh đạo doanh nghiệp bị thu hút bởi các chủ đề gây chú ý như học sâu, học máy (ML) và AI. Nhưng có những lĩnh vực cơ bản hơn bạn nên ưu tiên trước, có thể mang lại những kết quả lớn, như sau:
- Hạ tầng dữ liệu là điều cần thiết dù lợi ích có thể chưa thấy ngay. Các công ty như Spotify đã cải thiện khả năng khám phá dữ liệu bằng cách hợp nhất nguồn dữ liệu. Ưu tiên hạ tầng dữ liệu giúp doanh nghiệp tránh tình trạng tiêu chuẩn dữ liệu khác biệt giữa các silo, chuẩn bị tốt hơn cho các sáng kiến dữ liệu tương lai và tạo ra các góc nhìn, bảng điều khiển nhất quán.
- Thực hành tốt về dịch vụ khách hàng bao gồm định tuyến tổng đài, mô hình rời bỏ khách hàng và AI hội thoại.
- Các mô hình dự báo khả năng mua hàng quan trọng đối với đội ngũ bán hàng và tiếp thị của bạn.
Phân tích mô tả mang lại 80% giá trị cho doanh nghiệp
Bạn có thể tự hỏi: “Nên tập trung vào loại phân tích kinh doanh nào trước?” Nguyên tắc Pareto có thể giúp bạn:
- Phân tích mô tả, hay business intelligence, tạo nên 80% giá trị cho nhiều doanh nghiệp. Đó là việc tận dụng dữ liệu công ty đã có và đưa tới đúng người theo định dạng họ có thể tiếp nhận và sử dụng. Thường là dưới dạng bảng điều khiển, báo cáo và email. Chúng tôi thách thức mọi công ty thực sự muốn tạo chuyển biến hãy tập trung vào năm dự án phân tích mô tả có thể hỗ trợ ra quyết định, và sắp xếp chúng theo mức độ quan trọng.
- Phân tích dự đoán, hay ML, là chuẩn bị cho tương lai bằng cách dự đoán điều sẽ xảy ra. ML là nhánh của phân tích dự đoán sử dụng các thuật toán thống kê tinh gọn để dự báo dựa trên thông tin hiện có và xác định mối quan hệ, insight—hãy nghĩ đến công cụ gợi ý của Netflix.
- Phân tích đề xuất, hay khoa học ra quyết định, là giai đoạn cuối của phân tích kinh doanh, dự đoán điều gì, khi nào và tại sao một số kết quả sẽ xảy ra—và xác định cần làm gì với thông tin đó. Nó đưa dữ liệu vào quy trình ra quyết định. Trong podcast DataFramed của chúng tôi, Cassie Kozyrkov, Giám đốc Khoa học Dữ liệu tại Google Cloud, giải thích mối liên hệ giữa trí tuệ quyết định và khoa học dữ liệu.
2. Vì sao “dữ liệu lớn” không hẳn là quá lớn
Kết quả lớn từ “dữ liệu nhỏ”
Có nhiều cách định nghĩa dữ liệu lớn. Hugo đưa ra một định nghĩa thực dụng:
Dữ liệu lớn là lượng dữ liệu vượt xa khả năng lưu trữ trên một laptop hay một ổ cứng đơn lẻ: thứ bạn cần phân tán trên các cụm máy tính để lưu trữ, xử lý, truyền tải và phân tích.
Các công ty như Google đã tận dụng dữ liệu lớn rất hiệu quả và tạo ra nhiều kỳ vọng đi kèm. Nhưng Hugo cho rằng dữ liệu nhỏ thực ra có thể mang lại kết quả rất tốt và chúng ta không cần chạy theo làn sóng thổi phồng.
Một cách hữu ích để nghĩ về dữ liệu lớn là theo Chu kỳ Thổi phồng của Gartner. Nếu dùng Google Trends như một đại diện cho kỳ vọng, chúng ta đã vượt qua “đỉnh kỳ vọng phóng đại” và đang đi xuống “vực vỡ mộng”.
Nguồn: Wikipedia
Vậy câu hỏi là: dữ liệu nhỏ có đủ không? Hugo tin rằng có. Không phải là “núi dữ liệu”—mà là dữ liệu nhỏ, chính xác cao. Chẳng hạn, Tycho Brahe, nhà thiên văn học người Đan Mạch, chỉ thu thập khoảng 2.000 điểm dữ liệu để giúp Johannes Kepler xây dựng ba định luật chuyển động hành tinh, và sau đó là thuyết hấp dẫn của Newton. Các hãng thăm dò dư luận cũng có thể dùng mẫu đại diện khoảng 1.000 người và dự đoán kết quả với sai số khoảng 3%.
Điều quan trọng hơn dữ liệu lớn: tính đa dạng
Hugo đi xa hơn: ông cho rằng có sự đa dạng dữ liệu quan trọng hơn có thật nhiều dữ liệu. Kết hợp dữ liệu định tính, hay thick data, vào bộ dữ liệu của bạn sẽ cho kết quả tốt hơn. Thick data là thuật ngữ mượn từ xã hội học và nhân học, chủ yếu mang tính mô tả, đối lập với thin data dựa trên con số.
3. Tại sao tương lai của công việc dữ liệu là “trỏ và nhấp”
Dùng giao diện đồ họa (GUI) cho công việc dữ liệu
Làm sao để trang bị cho những người không có chuyên môn kỹ thuật về dữ liệu khả năng khai thác BI và dùng ML để hỗ trợ quyết định? Không phải bằng cách bắt mọi nhân viên học lập trình. Câu trả lời là qua các nhà cung cấp hoặc công cụ biến phân tích dữ liệu thành sản phẩm. Trong tương lai, Hugo dự đoán phần lớn công việc dữ liệu sẽ được thực hiện trong các giao diện người dùng đồ họa (GUI), hay các giao diện kéo-thả và trỏ-nhấp.
Các công ty công nghệ hàng đầu đã để ý. Những thương vụ mua lại công cụ BI đình đám gần đây liên tục lên báo. Năm ngoái, Salesforce mua lại Tableau, và vài tuần trước, Google hoàn tất thương vụ 2,6 tỷ đô mua Looker, một công cụ BI phổ biến.
Các công cụ phân tích dự đoán cũng đang biến ML thành sản phẩm. Google AutoML cho phép người không chuyên về dữ liệu xây dựng mô hình phân tích chẩn đoán và dự đoán, và Microsoft Azure nay có công cụ ML tự động giúp xây dựng mô hình dễ như nhập một bộ dữ liệu và cho dịch vụ biết giá trị cần dự đoán.
Tự ý thức khi sử dụng sản phẩm dữ liệu
Những công cụ này giúp nhân viên không kỹ thuật có thể sử dụng dữ liệu một cách “nguy hiểm”. Nhưng họ phải biết dùng đúng cách. Hugo quan tâm đến các sản phẩm giúp người dùng nhận ra khi nào kết quả bị thiên lệch. Ông gợi ý thử Survival of the Best Fit, một trò chơi giáo dục về thiên vị trong tuyển dụng bằng AI.
4. Chiến lược dữ liệu đồng nghĩa với văn hóa dữ liệu
Thực sự sử dụng bao nhiêu dữ liệu?
Chúng ta đã bàn rằng gom thật nhiều dữ liệu (dữ liệu lớn) không quan trọng bằng thu thập dữ liệu cốt yếu, phù hợp (dữ liệu nhỏ). Trong một khảo sát ngay trong hội thảo, chúng tôi thấy 53% người tham gia sử dụng dưới một nửa lượng dữ liệu họ thu thập. Mục tiêu, dĩ nhiên, là khiến nhiều dữ liệu hơn “làm việc” cho bạn. Điều này đòi hỏi một chiến lược dữ liệu vững vàng và xây dựng văn hóa dữ liệu khỏe mạnh.
Cách xây dựng chiến lược dữ liệu
Trong Tập 30 của podcast DataFramed, Taras Gorishnyy, khi đó là Quản lý Phân tích Cấp cao tại McKinsey, đã chỉ ra các bộ phận chuyển động cần thiết để xây dựng chiến lược dữ liệu:
- Xây dựng tầm nhìn cho phân tích phù hợp với chiến lược công ty
- Thiết lập sự ủng hộ mạnh mẽ từ lãnh đạo cấp cao, ví dụ: vận động, tài trợ và tạo hứng khởi
- Trích xuất giá trị sớm từ ít nhất vài trường hợp sử dụng
- Triển khai tái thiết kế quy trình và thay đổi văn hóa để đảm bảo đúng cơ cấu kỹ năng dữ liệu trên toàn công ty
- Xây dựng nền tảng dữ liệu mạnh để cung cấp dữ liệu tích hợp, đáng tin cậy và kịp thời
Nhu cầu tái thiết kế quy trình dữ liệu và thay đổi văn hóa
Sứ mệnh của DataCamp là dân chủ hóa kỹ năng dữ liệu trên toàn cầu gắn chặt với gạch đầu dòng thứ tư: giúp doanh nghiệp xây dựng văn hóa thành thạo dữ liệu. Tuy nhiên, khi chúng tôi khảo sát hơn 300 tổ chức vào năm 2019, chỉ 39% công ty có mức độ thông thạo dữ liệu trưởng thành đã triển khai tái thiết kế quy trình và thay đổi văn hóa liên quan đến dữ liệu, và chỉ 7% ở nhóm công ty có mức độ thông thạo dữ liệu chưa trưởng thành làm được điều này.
Nguồn: Đừng Chần Chừ: Những gì 300+ lãnh đạo L&D đã học được về xây dựng năng lực thành thạo dữ liệu
Nâng cấp kỹ năng, không chỉ tuyển mới, là con đường đến thông thạo dữ liệu
Doanh nghiệp nào cũng muốn tuyển nhân tài hàng đầu, nhưng theo quy tắc 80/20, đa số sẽ không thể làm vậy. Nhu cầu công việc dữ liệu vượt xa nguồn cung nhân lực, và xây dựng chiến lược dữ liệu dựa trên việc “tuyển kì lân” là thiếu thực tế. Lựa chọn thay thế? Xây dựng văn hóa dữ liệu chú trọng nâng cấp và đào tạo lại nhân viên hiện có bằng cách nuôi dưỡng môi trường học tập trong công ty bạn.
5. Vì sao chiến lược dữ liệu thực chất là về sự thấu cảm
Hãy cân nhắc các bên liên quan
Hugo cho rằng chiến lược dữ liệu, cũng như mọi chiến lược kinh doanh khác, đòi hỏi xem xét cẩn trọng bạn đang tác động đến ai và các bên liên quan khác nhau cần gì. Chiến lược dữ liệu của một công ty định hướng cách họ xây dựng sản phẩm và triển khai quyết định ở quy mô lớn. Vậy nên khi dùng dữ liệu, cần nhớ rằng mỗi điểm dữ liệu đại diện cho một người hay một nhóm người. Không nghi ngờ gì dữ liệu có thể giúp doanh nghiệp ở quy mô lớn—nhưng cũng có thể gây hại.
Một ví dụ: Vài tháng trước, người ta phát hiện Apple Card bị coi là “phân biệt giới tính” với phụ nữ khi xin cấp tín dụng. Dù Apple có thể không chủ đích làm giảm tính công bằng trong quy trình xét duyệt, họ đã gặp khủng hoảng truyền thông lớn và bị cơ quan quản lý soi xét kỹ hơn. Thuật toán không thể được tin tưởng một cách mặc định—chúng phải được đánh giá dưới lăng kính của sự thấu cảm.
Thừa nhận những điểm mù của bạn
Trong Tập 50 của podcast DataFramed, Cathy O’Neil, tác giả cuốn Weapons of Math Destruction, nói: “Khoa học dữ liệu không chỉ dự đoán tương lai. Nó tạo ra tương lai.”
Các công ty xây dựng sản phẩm ở quy mô lớn và phát triển chiến lược dữ liệu quy mô lớn không chỉ cần liệt kê những bên liên quan mà họ cho là liên quan, mà còn phải tham vấn càng nhiều người càng tốt, vì chắc chắn sẽ có những nhóm bị tác động mà họ bỏ qua, như trường hợp của Apple.
Thẳng thắn về những nhiệm vụ sẽ được tự động hóa
Nhiều người lo sợ máy móc sẽ cướp việc. Nhưng khi công nghệ tiến bộ, điều thách thức nhất với nhân viên không phải là tự động hóa công việc—mà là tự động hóa nhiệm vụ. Một phần công việc của ai đó có thể bị tự động hóa. Vậy nên thách thức cho nhà tuyển dụng là tìm cách nâng cấp, đào tạo lại những nhân viên này trước làn sóng tự động hóa, và chuyển họ sang làm những công việc mang tính cấp cao hơn.
Để tìm hiểu sâu hơn về các chủ đề này, hãy xem hội thảo theo yêu cầu của Hugo.
