Nhiều tổ chức ngày nay đang áp dụng thực hành khoa học dữ liệu như một phần trong các sáng kiến chuyển đổi số. Tuy nhiên, phần lớn sẽ không thể gặt hái thành quả từ việc khai thác dữ liệu của mình nếu không có một chiến lược dữ liệu và một bản thiết kế rõ ràng để mở rộng khoa học dữ liệu trong tổ chức. McKinsey phát hiện rằng chỉ có tám trên 1.000 công ty đang thực hiện các sáng kiến chuyển đổi số có thể mở rộng khoa học dữ liệu vượt ra ngoài một vài dự án thí điểm.
Hơn nữa, dù hầu hết các tổ chức đều hiểu giá trị của việc vận hành dựa trên dữ liệu, nhiều tổ chức lại xem khoa học dữ liệu như một chức năng hỗ trợ tập trung, hoạt động theo các yêu cầu từ những nhóm khác nhau. Cách tiếp cận này vốn dĩ mâu thuẫn với bản chất của khoa học dữ liệu, vốn là phương tiện để đạt được mục tiêu kinh doanh. Như CEO Anaconda Peter Wang nói, khoa học dữ liệu là "một cách thức đặt câu hỏi và khám phá" để định hướng trong thế giới kinh doanh.
Cũng như một nhà vật lý dùng toán học để lý giải thế giới tự nhiên, các nhà khoa học dữ liệu tận dụng công cụ toán học và tính toán để lý giải thế giới kinh doanh. —Peter Wang, CEO Anaconda
Hiệu ứng chia cắt này càng trầm trọng hơn bởi quan niệm sai lầm rằng mục tiêu cuối cùng của khoa học dữ liệu luôn phải là các mô hình trí tuệ nhân tạo tự động hóa hoặc tinh giản những mảng sản xuất lớn trong tổ chức. Các công ty tìm kiếm lợi tức đầu tư ngay lập tức thường thất vọng khi nhận ra điều đó không phải lúc nào cũng xảy ra.
Góc nhìn hẹp này gán giá trị của khoa học dữ liệu vào phân tích dự báo vốn khó đạt được (tức khả năng dự đoán tương lai bằng dữ liệu). Nó cũng bỏ qua công việc hạ tầng cần thiết để triển khai học máy ở quy mô lớn. Tuy nhiên, rất nhiều giá trị của khoa học dữ liệu đến từ việc triển khai các phân tích mô tả tương đối đơn giản (khả năng mô tả dữ liệu và đưa dữ liệu đến đúng người) và phân tích kê đơn (ra quyết định dựa trên dữ liệu).
Hoàn tất một cuộc chuyển đổi số thành công đòi hỏi xây dựng năng lực tổ chức về khoa học dữ liệu và phân tích. Điều này yêu cầu xây dựng và thực thi một chiến lược dữ liệu thông minh, bao trùm và có khả năng mở rộng.
Đó là lúc khung IPTOP của chúng tôi phát huy tác dụng. IPTOP là một khung thiết lập năm trụ cột (I nfrastructure - Hạ tầng, P eople - Con người, T ools - Công cụ, O rganization - Tổ chức và P rocesses - Quy trình) để mở rộng việc thực thi chiến lược dữ liệu, hoàn tất chuyển đổi số thành công. Tham gia loạt hội thảo trực tuyến sắp tới để tìm hiểu thêm.
Hạ tầng
Mục tiêu của bất kỳ chiến lược dữ liệu nào là chuyển đổi dữ liệu thô thành thông tin chi tiết và quyết định. Điều này đòi hỏi các tổ chức phải thu thập, ghi lại và lưu trữ dữ liệu của mình một cách an toàn và hiệu quả để mọi người có thể truy cập. Nhưng dữ liệu thường được thu thập dưới nhiều dạng, hình thức và kích cỡ khác nhau. Các cơ sở dữ liệu, hồ dữ liệu, kho dữ liệu, tập lệnh và bảng điều khiển hỗ trợ hành trình này tạo thành hạ tầng dữ liệu. Xây dựng một hạ tầng dữ liệu vững chắc đòi hỏi nắm được các thông lệ tốt nhất.
Con người
Xem khoa học dữ liệu như phương tiện hướng tới mục tiêu cuối cùng là những quyết định tốt hơn sẽ giúp tổ chức xây dựng đội ngũ dựa trên các kỹ năng cần thiết. Cách tiếp cận dựa trên vai trò yêu cầu xác định, đánh giá và ánh xạ các mục tiêu hiệu suất với những kỹ năng cần thiết để đạt được mục tiêu kinh doanh, như dự đoán rời bỏ hay trực quan hóa dữ liệu bằng bảng điều khiển. Kết quả là các lộ trình học tập chuyên biệt cho từng vai trò.
Một ví dụ điển hình là Data University của Airbnb, chương trình đào tạo nội bộ nhằm trang bị cho mọi nhân viên kỹ năng cần có để đưa ra quyết định dựa trên dữ liệu. Trao quyền cho những nhân viên không xuất thân là nhà khoa học dữ liệu trở thành Citizen Data Scientist có khả năng ra quyết định sáng suốt đã giúp đội ngũ khoa học dữ liệu có thêm thời gian cho các dự án mang tính chiến lược hơn.
Công cụ
Nếu hạ tầng giúp tổ chức tạo ra thông tin chi tiết từ dữ liệu, thì công cụ thúc đẩy và khuyến khích việc áp dụng một ngôn ngữ dữ liệu chung trong toàn tổ chức. Sử dụng các công cụ truy cập dữ liệu, phân tích, trực quan hóa và bảng điều khiển giúp tổ chức hoạt động hiệu quả hơn, rút ngắn thời gian để có được thông tin. Những công cụ này có thể trải dài từ các ngôn ngữ lập trình nguồn mở như Python, R và SQL đến các công cụ nhấp-chọn như Power BI, Tableau và Excel.
Xây dựng các khung làm việc riêng cho tổ chức để tinh giản việc truy cập dữ liệu trên nền các công cụ này giúp giảm đáng kể rào cản trong việc mở rộng khoa học dữ liệu. Tại DataCamp, chúng tôi có các gói Python và R độc quyền, trừu tượng hóa việc kết nối với hồ dữ liệu, truy vấn và tổng hợp dữ liệu chỉ bằng các lệnh đơn giản. Bất kỳ ai cũng có thể trả lời các câu hỏi như "Đánh giá của khóa học X trong Y tuần qua là bao nhiêu?" chỉ với một hai dòng mã. Tương tự, Airbnb có một gói R hỗ trợ truy vấn và trực quan hóa dữ liệu theo thẩm mỹ mong muốn của họ, loại bỏ phỏng đoán để đảm bảo tính nhất quán trong phân tích và trực quan hóa dữ liệu trên toàn tổ chức.
Tổ chức
Một khía cạnh quan trọng của chiến lược dữ liệu là cách tổ chức các chuyên gia dữ liệu. Vì cơ cấu báo cáo và chương trình nghị sự định hướng công việc trong hầu hết doanh nghiệp, cấu trúc tổ chức phải được thiết kế để tạo nên thành công bền vững. Tồn tại những đánh đổi giữa mô hình tập trung, nơi các nhà khoa học dữ liệu thuộc một nhóm dữ liệu duy nhất, và mô hình phi tập trung, nơi họ được gắn vào các phòng ban khác nhau.
Trong mô hình tập trung, một đội khoa học dữ liệu trung tâm sẽ ưu tiên và xử lý các yêu cầu thông tin từ những phòng ban khác. Ở mô hình này, câu hỏi đi vào và câu trả lời được kỳ vọng đi ra. Điều này giúp đội khoa học dữ liệu trở thành trung tâm xuất sắc, nơi các nhà khoa học dữ liệu hợp tác và chia sẻ tri thức dưới một định hướng chiến lược thống nhất. Tuy nhiên, nó cũng cô lập các đội và công cụ khoa học dữ liệu, khiến việc phối hợp và giao tiếp với các phòng ban khác trở nên phức tạp đối với họ.
Trong mô hình phi tập trung, các nhà khoa học dữ liệu được gắn vào những phòng ban khác nhau trong tổ chức. Điều này giúp khoa học dữ liệu có vị thế để ảnh hưởng đến định hướng chiến lược của phòng ban, khi các nhà khoa học dữ liệu tích lũy kiến thức miền cần thiết để thành công. Tuy nhiên, do bị phân tán và chịu sự quản lý của các trưởng bộ phận kinh doanh, hạn chế là điều này có thể ảnh hưởng đến sự phát triển, học tập, và khả năng hợp tác của các nhà khoa học dữ liệu.
Hai mô hình này nên được nhìn nhận như hai đầu đối nghịch của một phổ lựa chọn. Có nhiều mô hình lai kết hợp các yếu tố của mô hình tập trung và phi tập trung, với những cách nhóm và gom các phòng ban khác nhau nhằm tối đa hóa giá trị của khoa học dữ liệu ở quy mô lớn.
Quy trình
Cuối cùng, xây dựng một chiến lược dữ liệu có khả năng mở rộng đòi hỏi sự thống nhất về quy ước, thông lệ tốt nhất và quy trình. Thúc đẩy sự thống nhất là điều thiết yếu để tạo thuận lợi cho hợp tác và tránh tình trạng tổ chức bị chia cắt. Điều này cho phép tất cả các nhóm làm việc cùng nhau một cách liền mạch và giao tiếp bằng một ngôn ngữ dữ liệu chung.
Một cách dễ dàng để bắt đầu xây dựng sự thống nhất về quy trình là tạo cấu trúc và mẫu dự án được định nghĩa trước, trong đó các tác vụ và tác vụ con cho một dự án phân tích được lập bản đồ cùng các yêu cầu của chúng từ trước. Microsoft đã áp dụng The Team Data Science Process, cho phép mọi bên liên quan hiểu rõ yêu cầu dự án, sử dụng các mẫu để phân tích dữ liệu và truy cập năng lực tính toán, đồng thời xác định ai phụ trách các giai đoạn khác nhau của quy trình.
Tùy theo tổ chức và ngành của bạn, các mẫu dự án định sẵn có thể phải tuân thủ những yêu cầu quản lý cụ thể và đòi hỏi quy trình phức tạp. Bạn có thể tận dụng các công cụ nguồn mở để thiết lập mẫu cấu trúc dự án, tăng cường sự thống nhất giữa các nhóm và các chuyên gia dữ liệu.
Hãy thực hiện đánh giá mức độ trưởng thành dữ liệu để hiểu rõ hơn cách tiếp cận dữ liệu của đội ngũ bạn.
Nhiều tổ chức ngày nay đang áp dụng thực hành khoa học dữ liệu như một phần trong các sáng kiến chuyển đổi số. Tuy nhiên, phần lớn sẽ không thể gặt hái thành quả từ việc khai thác dữ liệu của mình nếu không có một chiến lược dữ liệu và một bản thiết kế rõ ràng để mở rộng khoa học dữ liệu trong tổ chức. McKinsey phát hiện rằng chỉ có tám trên 1.000 công ty đang thực hiện các sáng kiến chuyển đổi số có thể mở rộng khoa học dữ liệu vượt ra ngoài một vài dự án thí điểm.
Hơn nữa, dù hầu hết các tổ chức đều hiểu giá trị của việc vận hành dựa trên dữ liệu, nhiều tổ chức lại xem khoa học dữ liệu như một chức năng hỗ trợ tập trung, hoạt động theo các yêu cầu từ những nhóm khác nhau. Cách tiếp cận này vốn dĩ mâu thuẫn với bản chất của khoa học dữ liệu, vốn là phương tiện để đạt được mục tiêu kinh doanh. Như CEO Anaconda Peter Wang nói, khoa học dữ liệu là "một cách thức đặt câu hỏi và khám phá" để định hướng trong thế giới kinh doanh.
Hiệu ứng chia cắt này càng trầm trọng hơn bởi quan niệm sai lầm rằng mục tiêu cuối cùng của khoa học dữ liệu luôn phải là các mô hình trí tuệ nhân tạo tự động hóa hoặc tinh giản những mảng sản xuất lớn trong tổ chức. Các công ty tìm kiếm lợi tức đầu tư ngay lập tức thường thất vọng khi nhận ra điều đó không phải lúc nào cũng xảy ra.
Góc nhìn hẹp này gán giá trị của khoa học dữ liệu vào phân tích dự báo vốn khó đạt được (tức khả năng dự đoán tương lai bằng dữ liệu). Nó cũng bỏ qua công việc hạ tầng cần thiết để triển khai học máy ở quy mô lớn. Tuy nhiên, rất nhiều giá trị của khoa học dữ liệu đến từ việc triển khai các phân tích mô tả tương đối đơn giản (khả năng mô tả dữ liệu và đưa dữ liệu đến đúng người) và phân tích kê đơn (ra quyết định dựa trên dữ liệu).
Hoàn tất một cuộc chuyển đổi số thành công đòi hỏi xây dựng năng lực tổ chức về khoa học dữ liệu và phân tích. Điều này yêu cầu xây dựng và thực thi một chiến lược dữ liệu thông minh, bao trùm và có khả năng mở rộng.
Đó là lúc khung IPTOP của chúng tôi phát huy tác dụng. IPTOP là một khung thiết lập năm trụ cột (I nfrastructure - Hạ tầng, P eople - Con người, T ools - Công cụ, O rganization - Tổ chức và P rocesses - Quy trình) để mở rộng việc thực thi chiến lược dữ liệu, hoàn tất chuyển đổi số thành công. Tham gia loạt hội thảo trực tuyến sắp tới để tìm hiểu thêm.
Hạ tầng
Mục tiêu của bất kỳ chiến lược dữ liệu nào là chuyển đổi dữ liệu thô thành thông tin chi tiết và quyết định. Điều này đòi hỏi các tổ chức phải thu thập, ghi lại và lưu trữ dữ liệu của mình một cách an toàn và hiệu quả để mọi người có thể truy cập. Nhưng dữ liệu thường được thu thập dưới nhiều dạng, hình thức và kích cỡ khác nhau. Các cơ sở dữ liệu, hồ dữ liệu, kho dữ liệu, tập lệnh và bảng điều khiển hỗ trợ hành trình này tạo thành hạ tầng dữ liệu. Xây dựng một hạ tầng dữ liệu vững chắc đòi hỏi nắm được các thông lệ tốt nhất.
Con người
Xem khoa học dữ liệu như phương tiện hướng tới mục tiêu cuối cùng là những quyết định tốt hơn sẽ giúp tổ chức xây dựng đội ngũ dựa trên các kỹ năng cần thiết. Cách tiếp cận dựa trên vai trò yêu cầu xác định, đánh giá và ánh xạ các mục tiêu hiệu suất với những kỹ năng cần thiết để đạt được mục tiêu kinh doanh, như dự đoán rời bỏ hay trực quan hóa dữ liệu bằng bảng điều khiển. Kết quả là các lộ trình học tập chuyên biệt cho từng vai trò.
Một ví dụ điển hình là Data University của Airbnb, chương trình đào tạo nội bộ nhằm trang bị cho mọi nhân viên kỹ năng cần có để đưa ra quyết định dựa trên dữ liệu. Trao quyền cho những nhân viên không xuất thân là nhà khoa học dữ liệu trở thành Citizen Data Scientist có khả năng ra quyết định sáng suốt đã giúp đội ngũ khoa học dữ liệu có thêm thời gian cho các dự án mang tính chiến lược hơn.
Công cụ
Nếu hạ tầng giúp tổ chức tạo ra thông tin chi tiết từ dữ liệu, thì công cụ thúc đẩy và khuyến khích việc áp dụng một ngôn ngữ dữ liệu chung trong toàn tổ chức. Sử dụng các công cụ truy cập dữ liệu, phân tích, trực quan hóa và bảng điều khiển giúp tổ chức hoạt động hiệu quả hơn, rút ngắn thời gian để có được thông tin. Những công cụ này có thể trải dài từ các ngôn ngữ lập trình nguồn mở như Python, R và SQL đến các công cụ nhấp-chọn như Power BI, Tableau và Excel.
Xây dựng các khung làm việc riêng cho tổ chức để tinh giản việc truy cập dữ liệu trên nền các công cụ này giúp giảm đáng kể rào cản trong việc mở rộng khoa học dữ liệu. Tại DataCamp, chúng tôi có các gói Python và R độc quyền, trừu tượng hóa việc kết nối với hồ dữ liệu, truy vấn và tổng hợp dữ liệu chỉ bằng các lệnh đơn giản. Bất kỳ ai cũng có thể trả lời các câu hỏi như "Đánh giá của khóa học X trong Y tuần qua là bao nhiêu?" chỉ với một hai dòng mã. Tương tự, Airbnb có một gói R hỗ trợ truy vấn và trực quan hóa dữ liệu theo thẩm mỹ mong muốn của họ, loại bỏ phỏng đoán để đảm bảo tính nhất quán trong phân tích và trực quan hóa dữ liệu trên toàn tổ chức.
Tổ chức
Một khía cạnh quan trọng của chiến lược dữ liệu là cách tổ chức các chuyên gia dữ liệu. Vì cơ cấu báo cáo và chương trình nghị sự định hướng công việc trong hầu hết doanh nghiệp, cấu trúc tổ chức phải được thiết kế để tạo nên thành công bền vững. Tồn tại những đánh đổi giữa mô hình tập trung, nơi các nhà khoa học dữ liệu thuộc một nhóm dữ liệu duy nhất, và mô hình phi tập trung, nơi họ được gắn vào các phòng ban khác nhau.
Trong mô hình tập trung, một đội khoa học dữ liệu trung tâm sẽ ưu tiên và xử lý các yêu cầu thông tin từ những phòng ban khác. Ở mô hình này, câu hỏi đi vào và câu trả lời được kỳ vọng đi ra. Điều này giúp đội khoa học dữ liệu trở thành trung tâm xuất sắc, nơi các nhà khoa học dữ liệu hợp tác và chia sẻ tri thức dưới một định hướng chiến lược thống nhất. Tuy nhiên, nó cũng cô lập các đội và công cụ khoa học dữ liệu, khiến việc phối hợp và giao tiếp với các phòng ban khác trở nên phức tạp đối với họ.
Trong mô hình phi tập trung, các nhà khoa học dữ liệu được gắn vào những phòng ban khác nhau trong tổ chức. Điều này giúp khoa học dữ liệu có vị thế để ảnh hưởng đến định hướng chiến lược của phòng ban, khi các nhà khoa học dữ liệu tích lũy kiến thức miền cần thiết để thành công. Tuy nhiên, do bị phân tán và chịu sự quản lý của các trưởng bộ phận kinh doanh, hạn chế là điều này có thể ảnh hưởng đến sự phát triển, học tập, và khả năng hợp tác của các nhà khoa học dữ liệu.
Hai mô hình này nên được nhìn nhận như hai đầu đối nghịch của một phổ lựa chọn. Có nhiều mô hình lai kết hợp các yếu tố của mô hình tập trung và phi tập trung, với những cách nhóm và gom các phòng ban khác nhau nhằm tối đa hóa giá trị của khoa học dữ liệu ở quy mô lớn.
Quy trình
Cuối cùng, xây dựng một chiến lược dữ liệu có khả năng mở rộng đòi hỏi sự thống nhất về quy ước, thông lệ tốt nhất và quy trình. Thúc đẩy sự thống nhất là điều thiết yếu để tạo thuận lợi cho hợp tác và tránh tình trạng tổ chức bị chia cắt. Điều này cho phép tất cả các nhóm làm việc cùng nhau một cách liền mạch và giao tiếp bằng một ngôn ngữ dữ liệu chung.
Một cách dễ dàng để bắt đầu xây dựng sự thống nhất về quy trình là tạo cấu trúc và mẫu dự án được định nghĩa trước, trong đó các tác vụ và tác vụ con cho một dự án phân tích được lập bản đồ cùng các yêu cầu của chúng từ trước. Microsoft đã áp dụng The Team Data Science Process, cho phép mọi bên liên quan hiểu rõ yêu cầu dự án, sử dụng các mẫu để phân tích dữ liệu và truy cập năng lực tính toán, đồng thời xác định ai phụ trách các giai đoạn khác nhau của quy trình.
Tùy theo tổ chức và ngành của bạn, các mẫu dự án định sẵn có thể phải tuân thủ những yêu cầu quản lý cụ thể và đòi hỏi quy trình phức tạp. Bạn có thể tận dụng các công cụ nguồn mở để thiết lập mẫu cấu trúc dự án, tăng cường sự thống nhất giữa các nhóm và các chuyên gia dữ liệu.
Hãy thực hiện đánh giá mức độ trưởng thành dữ liệu để hiểu rõ hơn cách tiếp cận dữ liệu của đội ngũ bạn.