Framework 5 Dữ liệu và Phân tích (Data & Analytics)

Nhân tố khả dụng thứ hai cho khung lý thuyết về chuyển đổi số là Dữ liệu và phân tích (data & analytics). Hẳn chúng ta không thấy lạ lẫm bởi ta đã nói khá nhiều về dữ liệu lớn (big data) trong chuỗi xu hướng công nghệ có tác động mạnh mẽ tới kinh doanh và xã hội.

Trong bài viết này, chúng ta sẽ tiếp cận theo một cách khác, đó là:

• Những yếu tố quan trọng nhất trong Dữ liệu và phân tích để đảm bảo thành công cho doanh nghiệp trong chuyển đổi số
• Các hiểu nhầm thường gặp trong từng yếu tố và ví dụ thực tế

Dữ liệu là nguồn dầu mới (Data is the new oil) 

Có một câu nói gần đây được nhắc tới nhiều là "Dữ liệu là nguồn dầu mới". Từ "dầu" ở đây có lẽ hàm ý hai nghĩa, một phần là "dầu bôi trơn", "dầu ăn" -  nghĩa là nó rất cần thiết giúp "bôi trơn", hay giúp cho việc vận hành, hoạt động trơn tru. Nghĩa thứ hai là "dầu mỏ" - nguồn đầu vào năng lượng cho mọi hoạt động sản xuất kinh doanh, và quả là thiết thực bởi các sản phẩm hay dịch vụ số ta đang xây dựng ngày nay cuối cùng vẫn phải dựa vào dữ liệu. Chúng ta đã bàn về xu hướng dữ liệu lớn với một số ứng dụng và cả thách thức. Góc nhìn chúng ta xem xét ở đây là từ phía các doanh nghiệp, tập đoàn: làm sao để sử dụng dữ liệu để tạo ra giá trị, số hóa phần lõi và tăng trưởng số mới? Rất nhiều câu hỏi mà bạn có: Ta cần những năng lực gì? Công nghệ nào? Nên bắt đầu từ đâu? Đây thường là phần khó nhất. Kể cả khi ta quyết định đầu tư rất lớn vào cơ sở dữ liệu và hạ tầng phân tích thì câu hỏi mà ban lãnh đạo đặt ra là: Cần làm những gì trong những ngày tháng đầu tiên để "hoàn vốn" cho khoản đầu tư này? Và trong dài hạn hơn, làm sao để thành công trong chuyển đổi số với dữ liệu và phân tích?

Từ kinh nghiệm thực tiễn, nền tảng công nghệ không phải là thứ quyết định thành bại trong dữ liệu và phân tích. Tất nhiên một doanh nghiệp cần phải có công nghệ và biết cách thu thập, lưu trữ và phân tích dữ liệu phù hợp, nhưng việc này có thể nhân rộng hoặc được thuê ngoài khá dễ dàng. 

Điều quan trọng nhất và đầu tiên là tầm nhìn (vision), phải xuất phát từ một/ các mục đích kinh doanh, tức là công ty muốn đạt được gì? Đây là yếu tố đầu tiên và quan trọng nhất cần nghĩ tới khi xây dựng năng lực phân tích và dữ liệu.

Nội dung thứ hai là sử dụng dữ liệu (data usage). Các tầm nhìn, tham vọng trên được chuyển tải thành các trường hợp sử dụng (use case) cụ thể?  

Tiếp theo để giải quyết các vấn đề đó là bộ máy dữ liệu (data engine). Công ty cần những năng lực nào để triể khai các trường hợp sử dụng đó? 

Cuối cùng một công ty cần tính đến hệ sinh thái dữ liệu đầy đủ. Ai ở bên ngoài công ty có thể hỗ trợ phát triển những năng lực này?

Thật thú vị là dù vô cùng quan trọng, dữ liệu và phân tích vẫn đang bị rất nhiều hiểu nhầm từ cấp lãnh đạo tới nhân viên. Và chúng ta sẽ cùng tham khảo một số hiểu nhầm huyền thoại cơ bản theo từng yếu tố và các ví dụ thực tế.

Về tầm nhìn

Huyền thoại đầu tiên và vô cùng phổ biến trong tư duy của nhiều doanh nghiệp, đó là dữ liệu lớn là một bài toán công nghệ, một cuộc chạy đua về đầu tư công nghệ mới. Có quá nhiều chuyện kinh dị về các khoản đầu tư không bao giờ hoàn lại vốn vào nền tảng Hadoop hay Data lake (hồ dữ liệu). Hàng trăm triệu đô bỏ ra, thậm chí là cả tỷ đô, hay nhiệm vụ tìm kiếm công nghệ hàng đầu được giao cho IT (CNTT) mà không có một mục tiêu kinh doanh rõ ràng trong đầu. Lãng phí tiền bạc, thời gian, công sức và khởi động lại từ đầu. Vậy nên khi mục tiêu của công ty về dữ liệu và phân tích là "làm chủ" được công nghệ hoành tráng và tân tiến nhất, bạn biết các rủi ro rồi. Tầm nhìn về dữ liệu không cần phải táo bạo như Google: tổ chức lại dữ liệu trên toàn cầu, nhưng cần phải cộng hưởng với mục tiêu và kết quả kinh doanh của mình.

Về sử dụng dữ liệu 

Đây là một trong những trở ngại văn hóa khi sử dụng dữ liệu như một công cụ ra quyết định. Đồng ý là nhiều lãnh đạo kinh doanh có trực giác rất tốt hoặc có cách nhìn sắc sảo về thị trường mà họ hoạt động, thậm chí có thể kể ra một số nghiên cứu khoa học tâm lý thú vị phía sau, nhưng chúng ta không thể vận hành cả tập đoàn với hàng trăm phòng ban, tổ chức, hàng ngàn con người và đưa ra tất cả các quyết định dựa trên trực giác của mọi người. Và bạn chắc không nên làm vậy với các quyết định quan trọng. 

Ron Johnson, cựu phó chủ tịch cấp cao (SVP) về vận hành bán lẻ tại Apple, trở thành CEO của hãng bán lẻ JC Penney năm 2011. Ông nhanh chóng triển khai chiến lược không giảm giá dựa trên trực giác và kinh nghiệm của mình với chuỗi Apple Stores. Đồng nghiệp của ông đã đề xuất thử nghiệm ở vài cửa hàng trước khi nhân rộng trên toàn chuỗi nhưng không cản được Ron. Thực tế chứng minh trực giác đó là sai và cổ phiếu của JC Penney giảm 51%. 

Nói như vậy để khẳng định thêm rằng việc có các phương án sử dụng dữ liệu phù hợp, lãnh đạo trước tiên cần thúc đẩy một nền văn hóa mà quyết định được đưa ra dựa trên dữ liệu và phân tích.

Hiểu nhầm thứ hai về sử dụng dữ liệu là về sự tin tưởng. Bạn có thể nghe thấy trong các công ty lớn, khởi nghiệp và truyền thông: Bảo mật dữ liệu là vấn đề của thế hệ cũ. Sự riêng tư thực sự là một vấn đề quan trọng với tất cả các thế hệ. Không phải các bạn trẻ đăng ảnh tự sướng trên Instagram thoải mái hơn nghĩa là họ không quan tâm đến việc những bức ảnh đó được sử dụng như thế nào. Nghiên cứu chỉ ra ở các quốc gia khác nhau ít có sự thay đổi giữa các thế hệ hơn so với các loại dữ liệu. Mọi người nhạy cảm hơn với việc bảo mật các thông tin về sức khỏe của mình hơn là về thói quen mua sắm. Có lẽ vì vậy mà thủ tướng Lý Hiển Long có chia sẻ ngay trên Facebook của mình ngay sau khi Singhealth bị tấn công và thông tin sức khỏe của khoảng 1,5 triệu bệnh nhân bị rò rỉ. Các công ty, tổ chức muốn thu thập và sử dụng dữ liệu khách hàng cần làm mọi thứ có thể để bảo vệ chúng, chống rò rỉ, lạm dụng, bất kể chúng nhắm đến thế hệ hay nhóm người nào.

Về bộ máy dữ liệu 

Bộ máy dữ liệu, hay công cụ dữ liệu (data engine), các giải pháp công nghệ, việc thu thập dữ liệu, các kỹ năng cần thiết và liên kết tới các quy trình nghiệp vụ. Công nghệ về dữ liệu và phân tích đã gia tăng vượt bậc và trở thành từ khóa nổi bật trong vài năm qua. Nền tảng Hadoop hay phân tích trên bộ nhớ đệm (in memory analytics) trở thành xu hướng và một số nhà quản lý bắt đầu nghĩ tới việc thay thế cơ sở hạ tầng hiện có. Trên thực tế là máy bay ra đời đã không thay thế xe hơi bởi cả hai là các giải pháp thương mại khác nhau. Hadoop hay data lake (hồ dữ liệu) sẽ không thay thế hoàn toàn các kho dữ liệu (data warehouse), vì các kho dữ liệu vẫn hiệu quả với các dữ liệu có cấu trúc khi không cần xử lý song song. Nói chung, chúng ta không nên chỉ xem xét các giải pháp công nghệ dưới góc độ sự kết hợp mới lạ, tính mới mẻ và sự thiếu trưởng thành nếu có, luôn đi kèm với những rủi ro nhất định. Điều quan trọng là cân bằng giữa các tính năng ta cần và chi phí sẵn sàng trả. 

Data: Customer Data is more valueable than B2B or support function’s data.

Về dữ liệu, nhiều người phàn nàn rằng đặc thù kinh doanh của họ là doanh nghiệp B2B (doanh nghiệp bán cho doanh nghiệp) hay họ ở bộ phận hỗ trợ, nên họ không may mắn như những doanh nghiệp có rất nhiều dữ liệu về khách hàng cuối cùng. Đây rõ ràng là một sai lầm. Dữ liệu lớn có nhiều ứng dụng có giá trị, trong phân tích hoạt động, như tối ưu hóa quá trình mua hàng, dự đoán bảo trì, tối ưu hóa việc vận chuyển và rất nhiều ứng dụng khác. Một dự án diễn ra vài năm trước về tối ưu hóa mạng lưới nhà kho cho bộ phận mua hàng của công ty nọ ở Đông Nam Á giúp tiết kiệm 20% chi phí kho vận mà không cần thêm bất cứ khoản đầu tư chi phí vốn bổ sung nào. Tesco chẳng hạn, sử dụng các phân tích trong chuỗi cung ứng giúp tiết kiệm tới 100 triệu bảng mỗi năm. 

People & organization: You need to find a data scientist unicorn.

Huyền thoại thứ ba trong bộ máy dữ liệu là về con người và tổ chức. Ta có thể lạc lối mãi mãi đi tìm những chú kỳ lân - các nhà khoa học dữ liệu xuất chúng. Đó là người sở hữu một trong những kết hợp sâu giữa công nghệ - biết cần làm thế nào, khả năng phân tích sâu sắc, có kỹ năng, và lại có cả chuyên môn kinh doanh tuyệt vời, và có năng lực và tầm ảnh hưởng mạnh mẽ tới việc ra quyết định. Những người này nếu có tồn tại trên toàn thế giới cũng rất hiếm. Vậy nên, đừng xây lâu đài trên cát! Hãy dừng kỳ vọng về họ. Thay vào đó, việc chúng ta nên làm là thiết lập một đội mạnh gồm tất cả các kỹ năng khác nhau. Điều quan trọng là ta cần có sự hợp tác, làm việc hiệu quả trong đội để linh hoạt và hiệu quả hơn. Bạn có thể đọc lại bài viết về phương pháp agile.

Processes: once you see the value of data & analytics, change will happen.

Huyền thoại thứ 4 và cuối cùng về bộ máy dữ liệu là về quy trình: một khi ta thấy giá trị của dữ liệu và phân tích, thay đổi sẽ xảy ra. Thực tế là dù minh chứng về giá trị là một thành phần quan trọng, nó không đủ để thay đổi diễn ra. Một tập đoàn viễn thông đã xây dựng năng lực về tối ưu hóa kênh bán hàng dựa trên phân tích dữ liệu, đã có minh chứng hiệu quả chỉ trong vài tháng. Tăng trưởng doanh số thực tế tăng 20%. Nhưng để tác động này bền vững, phải mất thêm vài tháng nữa để tạo ra một nhóm ở cấp độ toàn tập đoàn để đảm bảo giao diện phù hợp với các nhóm vận hành ở của cửa hàng, các nhóm quản lý đại lý và tích hợp cách tiếp cận mới vào quy trình ra quyết định của công ty. Đây là chìa khóa cho vấn đề: phân tích dữ liệu không thể hoàn toàn đơn lẻ (silo) mà phải được gắn kết với các hoạt động kinh doanh hàng ngày.

Về hệ sinh thái dữ liệu 

Partner network: only trust what is "homemade".

Hay nói đùa là "Không thể tin bố con thằng nào cả". Niềm tin rằng một công ty nên tự mình làm mọi thứ. Sự thật là, sẽ hiệu quả hơn nhiều khi tận dụng hệ sinh thái dữ liệu rộng hơn cho cả việc trao đổi và hỗ trợ phân tích dữ liệu. Một câu chuyện thú vị từ NASA, cơ quan hàng không vũ trụ Mỹ. Họ muốn phát triển một mô hình dự báo chính xác các sự kiện hạt năng lượng mặt trời (SPE: Solar Particle Events). Và họ đã nỗ lực không ngừng nghỉ suốt 40 năm trời với thành công rất hạn chế. Năm 2010, họ đã quyết định thừ tìm giải pháp từ bên ngoài qua một cuộc thi. Kết quả là họ đã tìm ra giải pháp trong vòng ba tháng (từ một kỹ sư vô tuyến nghỉ hưu, Bruce Cragin). Giải pháp này tốt hơn 50% so với mô hình hiện tại của NASA và với chi phí chỉ 30.000 đô. Tuy nhiên NASA không phải là người duy nhất. Netflix cũng làm điều tương tự vài năm trước với hệ thống gợi ý nội dung (recommendation) của mình. 

Relationship Framework: it’s very hard to share openly the data beyond your organization boundaries.

Hiểu nhầm phổ biến cuối cùng là thật khó để chia sẻ dữ liệu một cách công khai bên ngoài ranh giới tổ chức của mình. Thật khó để tạo ra cơ chế quan hệ phù hợp cho phép chia sẻ dữ liệu liền mạch, từ đó giúp cho việc phân tích khuynh hướng, mô hình (pattern) mới và hữu ích. Đó cũng là động lực cho nhiều chính phủ trong việc tạo ra văn hóa "dữ liệu mở" (Open Data). Tuy nhiên nếu dữ liệu đó là một phần của lợi thế cạnh tranh của doanh nghiệp mình khi xây dựng năng lực AI chẳng hạn, thì sẽ rất khó để có được sự cởi mở hoàn toàn. Các công ty sẵn sàng chia sẻ dữ liệu với nhau, thường vượt qua rào cản này bằng cách tạo ra các liên doanh. Cũng có một số sáng kiến như ở Singapore, họ xây dựng các chợ và nền tảng dữ liệu (data marketplaces/ platforms), để tạo thuận lợi cho việc khám phá và trao đổi các nguồn dữ liệu giữa những đơn vị trong ngành.

← Bài viết trước:

• Framework 6: Technology - Công nghệ trong chuyển đổi số

Nguồn tham khảo và một số bài viết thú vị

• Data & Analytics Part I và Data & Analytics Part II khóa học Digital Transformation trên Coursera
• A Strategic Mistake That Still Haunts JC Penney: https://www.forbes.com/sites/panosmourdoukoutas/2017/02/24/a-strategic-mistake-that-still-haunts-jc-penney/#4c882c4a1bcf
• Debunking Big Data Myths: https://www.bcg.com/capabilities/big-data-advanced-analytics/debunking-big-data-myths.aspx
• Singapore health system hit by ‘most serious breach of personal data’ in cyberattack; PM Lee's data targeted: https://www.channelnewsasia.com/news/singapore/singhealth-health-system-hit-serious-cyberattack-pm-lee-target-10548318
• Tesco uses supply chain analytics to save £100m a year: https://www.computerweekly.com/news/2240182951/Tesco-uses-supply-chain-analytics-to-save-100m-a-year 
• Success Story: Data-Driven Forecasting of Solar Events Challenge: https://www.nasa.gov/content/data-driven-forecasting-of-solar-events-challenge-0