Chuyển đổi dữ liệu là nền tảng của chuyển đổi số
Trong hai thập kỷ qua, các startup ưu tiên kỹ thuật số như Uber, Amazon, Airbnb và Stripe đã làm gián đoạn những ngành thiết yếu như vận tải, thương mại, du lịch và ngân hàng. Các tổ chức trên mọi lĩnh vực đều nhận ra nhu cầu chuyển đổi số để cạnh tranh trong nền kinh tế thông tin mới. Điều này đặc biệt đúng trong bối cảnh kinh tế COVID-19, khi việc số hóa các quy trình và dịch vụ được tăng tốc (PwC). Mặc dù đầu tư lớn vào số hóa, sự thật đáng tiếc là khoảng 70% sáng kiến chuyển đổi số không đạt được mục tiêu đề ra (McKinsey).
Dù có nhiều nguyên nhân khiến các chương trình chuyển đổi số thất bại, một lý do chủ chốt là không nhận ra rằng chuyển đổi dữ liệu bền vững là điều kiện tiên quyết cho chuyển đổi số thành công. Gartner nhận thấy chưa đến 50% chiến lược doanh nghiệp được ghi chép đề cập phân tích dữ liệu như một đòn bẩy quan trọng để tạo ra giá trị toàn doanh nghiệp.
Lãnh đạo cần nhìn vào dữ liệu trước để thành công trong các sáng kiến số, thay vì coi chúng là suy nghĩ sau cùng nhằm hỗ trợ các dự án phát sinh. —Mike Rollings, Phó Chủ tịch Nghiên cứu tại Gartner
Có nhiều đòn bẩy cho chuyển đổi dữ liệu thành công—từ đầu tư vào hạ tầng dữ liệu, công cụ dữ liệu, đến quy trình cải tiến và cơ cấu tổ chức linh hoạt. Tuy nhiên, không đòn bẩy nào hiệu quả trong việc thúc đẩy chuyển đổi dữ liệu nếu không đầu tư vào kỹ năng thông thạo dữ liệu trên toàn tổ chức.
Nhiều tổ chức đã cố gắng bồi dưỡng kỹ năng thông thạo dữ liệu bằng cách lập các đội ngũ khoa học dữ liệu và phân tích. Nhưng chỉ tuyển nhà khoa học dữ liệu sẽ cô lập khoa học dữ liệu như một trung tâm dịch vụ, và sẽ không đưa kỹ năng thông thạo dữ liệu lan tỏa khắp tổ chức. Hơn nữa, khi nhu cầu đối với nhà khoa học dữ liệu tăng, việc tuyển dụng để bù đắp khoảng trống kỹ năng thông thạo dữ liệu là không bền vững.
Trong một tổ chức định hướng dữ liệu, khoa học dữ liệu—và rộng hơn là sự thông thạo dữ liệu—là một phương pháp bao quát để trả lời các câu hỏi của tổ chức, nơi mọi người đều có khả năng trả lời câu hỏi bằng dữ liệu. Điểm khác biệt then chốt giữa các đơn vị đột phá và doanh nghiệp lâu đời không nằm ở công nghệ, mà ở văn hóa dựa trên dữ liệu, những hiểu biết họ rút ra khi xem xét và lặp cải tiến dịch vụ, và các kỹ năng thông thạo dữ liệu mà họ nuôi dưỡng.
Tóm lại, thành công của chuyển đổi số phụ thuộc vào việc sở hữu các kỹ năng thông thạo dữ liệu phù hợp trên toàn tổ chức.
Giải quyết khoảng trống kỹ năng thông thạo dữ liệu
Thực tế, nhiều tổ chức đã nhận ra nhu cầu giải quyết khoảng trống kỹ năng thông thạo dữ liệu. Một khảo sát của McKinsey với hơn một nghìn doanh nghiệp thuộc nhiều ngành cho thấy khoảng trống kỹ năng cấp bách nhất cần xử lý là phân tích dữ liệu—với 43% người trả lời coi đây là ưu tiên cấp thiết nhất khi nói đến nâng cao kỹ năng. Tương tự, khảo sát CEO thường niên 2019 của PwC cho thấy 34% CEO tin rằng khoảng trống kỹ năng phân tích dữ liệu là mối đe dọa quan trọng nhất đối với tổ chức của họ.
Các tổ chức tiên phong đã đầu tư mạnh để nâng cao kỹ năng cho nhân sự nhằm cạnh tranh trong kỷ nguyên số. Ví dụ, Marks & Spencer lập học viện dữ liệu bán lẻ để nâng cao kỹ năng cho hơn 1.000 nhân viên. Amazon ra mắt Machine Learning University để trang bị cho kỹ sư của họ kỹ năng triển khai machine learning ở quy mô lớn trong sản phẩm và dịch vụ. Airbnb phát triển Data University của riêng mình để cung cấp cho mọi cấp trong tổ chức kỹ năng ra quyết định dựa trên dữ liệu. AT&T khởi động dự án trị giá 1 tỷ đô la trong 10 năm để nâng cao kỹ năng cho hơn một nửa trong số 250.000 nhân viên.
Tổng thể, các nỗ lực nâng cao kỹ năng thông thạo dữ liệu đang mang lại hiệu quả. Một nghiên cứu khác của McKinsey cho thấy 70% tổ chức đầu tư vào nâng cao kỹ năng báo cáo tác động kinh doanh tích cực vượt quá khoản đầu tư ban đầu. Chẳng hạn, 48% tổ chức ghi nhận tác động tích cực từ vừa đến đáng kể đối với tăng trưởng lợi nhuận nhờ nâng cao kỹ năng—và 73% tổ chức báo cáo mức cải thiện từ vừa đến đáng kể về sự hài lòng của nhân viên. Một khảo sát của DataCamp với hơn 300 lãnh đạo L&D trên nhiều ngành cho thấy các công ty đã đầu tư vào năng lực thông thạo dữ liệu ở mức trưởng thành cũng đang vượt trội hơn các đối thủ kém thông thạo dữ liệu về tăng trưởng doanh thu, thị phần, lợi nhuận và hơn thế nữa.
Thách thức của L&D khi xây dựng sự thông thạo dữ liệu
Không giống các sáng kiến học tập & phát triển truyền thống vốn thường là các khóa đào tạo đơn lẻ cho kỹ năng cụ thể, thông thạo dữ liệu là một phương pháp trả lời câu hỏi kinh doanh mà tổ chức cần mài giũa theo thời gian. Lộ trình học tập sẽ khác nhau tùy mức độ tương tác của từng người với dữ liệu. Ví dụ, một nhà phân tích marketing thường xuyên làm việc với Excel có thể cần học R hoặc Python để thành công trong công việc, trong khi một quản lý hoặc lãnh đạo có thể chỉ cần biết cách đưa ra quyết định có cơ sở bằng dữ liệu. Nói ngắn gọn, không có một khuôn mẫu chung cho tất cả khi nói đến thông thạo dữ liệu.
Đó là lý do lộ trình học tập theo vai trò, dựa trên chân dung người học, hiệu quả hơn khi mở rộng các chương trình đào tạo thông thạo dữ liệu. Mỗi chân dung có mối quan hệ khác nhau với dữ liệu và cần tiếp thu năng lực ở các công cụ khác nhau, phát triển các kỹ năng khác nhau để phát triển trong kỷ nguyên số.
Tại DataCamp, chúng tôi đã xác định các loại công cụ khác nhau cần có để thành công khi làm việc với dữ liệu. Quan trọng hơn, chúng tôi đã tìm ra 8 chân dung dữ liệu chủ chốt có mặt trong mọi tổ chức định hướng dữ liệu cùng với các kỹ năng họ cần sở hữu và những công cụ họ thường dùng nhất.
Nếu bạn muốn tìm hiểu thêm về các chân dung dữ liệu này và cách chúng có thể phù hợp với tổ chức của bạn, hãy tải xuống sách trắng của chúng tôi.
