Chiến lược định hướng dữ liệu dựa trên nền tảng số trong nền kinh tế số

Diễn đàn - Ngày đăng : 08:50, 02/08/2021

Trong nền kinh tế dựa trên tri thức, khả năng tạo ra những hiểu biết sâu rộng dựa trên dữ liệu sẽ cho phép doanh nghiệp (DN) cạnh tranh hiệu quả, từ đó thúc đẩy thực hiện một chiến lược định hướng dữ liệu để giúp DN đưa ra được các quyết định chính xác, cũng như định hướng các sản phẩm, dịch vụ của họ theo như kết quả của việc phân tích dữ liệu: Giúp khách hàng tìm kiếm tốt hơn, gia tăng lợi thế cạnh tranh, giảm thiểu chi phí, kinh doanh hiệu quả.

Chính bởi vậy, vai trò của dữ liệu trong việc ra quyết định sẽ thúc đẩy việc sử dụng các mô hình dữ liệu và sử dụng công cụ phân tích mạnh là điều tất yếu mà các DN thời 4.0 muốn tồn tại và phát triển! 

Dữ liệu và quản lý dữ liệu

Kể từ khi các tổ chức bắt đầu lưu trữ và quản lý dữ liệu, thậm chí trước khi sự ra đời của hệ thống điện tử để lưu trữ và xử lý nó thì dữ liệu đã là một tài sản quan trọng. Dữ liệu tốt là cần thiết và có giá trị đối với nhiều nghành công nghiệp. Bản thân dữ liệu cũng luôn được xem là nguyên liệu để DN hoạt động. Một số tổ chức thậm chí đưa ra các vị trí quản lý mới như là trưởng nhóm dữ liệu để định hướng dữ liệu và tìm kiếm kiến thức trong thông tin.

Trong ngành công nghiệp 4.0 giá trị của dữ liệu là một tài sản đang tăng lên vì rất nhiều các điều khiển cần dữ liệu, bao gồm: (i) Sự ra đời của các hệ thống vật lý, nó có thể tạo ra một lượng dữ liệu lớn một cách liên tục. (ii) Cơ sở hạ tầng mạng viễn thông như 5G cho phép truyền tải một khối lượng lớn dữ liệu. Kết quả là có thể chia sẻ dữ liệu theo thời gian thực nhằm hỗ trợ DN trong việc ra quyết định. (iii) Thư viện phần mềm cho phép phân tích nâng cao và có thể truy cập mọi nơi mọi lúc, với độ tin cậy cao. (iv) Người máy và dữ liệu đang được kết nối theo thời gian thực thông qua kết nối của các hệ thống vật lý như IoT và IIoT, cùng các hệ thống (mạng xã hội) cá nhân, hay hệ thống sản xuất dữ liệu lớn. Hình 1 cho thấy mô hình định hướng dữ liệu và đặc điểm của dữ liệu lớn. 

Chiến lược định hướng dữ liệu  dựa trên nền tảng số  trong nền kinh tế số - Ảnh 1.

Hình 1: Mô hình định hướng dữ liệu và đặc điểm của dữ liệu lớn

Trên hình cho thấy mô hình định hướng dữ liệu và có 4 miền dữ liệu. Các đặc tính của dữ liệu là được truyền trong thời gian thực, dữ liệu khác nhau thì tần số lấy mẫu khác nhau, có thể có biến đổi lớn trong dữ liệu chất lượng cao (mang tính xác thực), có sự khác biệt về lợi ích của các dữ liệu có giá trị, con người khác nhau thì cách tổ chức và quản trị dữ liệu cũng khác nhau, dữ liệu có thể dễ dàng thay đổi hoặc biến mất nên sẽ ảnh hưởng đến các hoạt động kiểm soát, có thể hạn chế làm thế nào để sử dụng dữ liệu. Mặc dù có những thách thức khi làm việc với dữ liệu nhưng tổ chức vẫn có thể đáp ứng và thích nghi. Nhưng làm thế nào để bạn biết bạn đang làm việc với dữ liệu lớn? 

Hiệu quả quản lý dữ liệu và quản trị có thể đem lại những lợi thế cạnh tranh chiến lược, trong khi thiếu quan tâm đến các vấn đề về dữ liệu có thể dẫn đến nhiều thách thức trong các chiến lược liên quan đến dữ liệu. Quản lý dữ liệu không tốt dẫn đến lãng phí (khi cần sự chính xác, khó khăn trong việc cập nhật thông tin và tìm kiếm) và có thể chậm ra quyết định. DN không sử dụng hiệu quả về dữ liệu thì sẽ có ít sự nhanh nhẹn và linh hoạt trong cung cấp sản phẩm và dịch vụ, có nhiều khả năng đem lại trải nghiệm khách hàng không tốt, thiếu các quyết định chất lượng tin cậy làm các nhà quản lý cấp cao đưa ra các quyết định sai lầm và tốn kém.

Tổ chức quản lý và quản trị dữ liệu: đặc biệt trong ngành công nghiệp thời đại 4.0, càng có thêm nhiều dữ liệu được làm sạch càng bảo đảm chất lượng của dữ liệu, cho phép thúc đẩy quản lý quá trình xây dựng cấu trúc quản trị dữ liệu thích hợp. Hiệu quả thông tin và kiến thức quản lý thực hành có thể cải thiện đáng kể chức năng giao tiếp và hiệu suất tổng thể. Framework quản lý dữ liệu bao gồm 11 miền kiến thức quản lý dữ liệu, được minh họa ở Hình 2. 

Chiến lược định hướng dữ liệu  dựa trên nền tảng số  trong nền kinh tế số - Ảnh 2.

Hình 2: Framework quản lý dữ liệu 11 miền kiến thức quản lý dữ liệu, được sử dụng để tối đa hóa giá trị từ tài sản dữ liệu

11 miền kiến thức về dữ liệu có thể được tổ chức thành ba loại dữ liệu: chất lượng dữ liệu, quản lý dữ liệu, và quản trị dữ liệu. Nhiệm vụ và trách nhiệm của các loại dữ liệu:

Chất lượng dữ liệu xác định chất lượng và xác định tầm quan trọng của dữ liệu. Cho phép tổ chức duy trì dữ liệu chất lượng cao trong các giai đoạn của vòng đời dữ liệu.

Quản lý dữ liệu giám sát thực hành để đảm bảo các dữ liệu đáp ứng yêu cầu kỹ thuật, phù hợp với việc sử dụng và mục đích, và có tất cả các đặc điểm cần thiết để hỗ trợ việc ra quyết định.

Kiến trúc dữ liệu duy trì nhân bản đồ dữ liệu lưu trữ,

tiến hành nguy cơ đánh giá và giải quyết vấn đề rủi ro; bảo đảm rõ ràng và thống nhất theo chiến lược dữ liệu.

Thiết kế mẫu dữ liệu để đảm bảo cách dữ liệu được lưu trữ trong kho hay nền tảng được quản lý dễ dàng, duy trì cấu trúc và kiến trúc của dữ liệu; hợp lý hóa và chuyển đổi hợp lý từ các mô hình lưu trữ.

Dữ liệu lưu trữ và các hoạt động quản lý sao lưu thường xuyên, tình huống khẩn cấp, và quá trình phục hồi; xử lý bảo trì, bao gồm cả làm mới hay không sử dụng dữ liệu quản lý các loại dữ liệu như dữ liệu lưu trữ, dữ liệu hệ thống (ví dụ như, điện thoại sử dụng dịch vụ trên đám mây, dữ liệu được truyền và dữ liệu trong các dịch vụ IoT).

Dữ liệu an ninh quản lý riêng tư, bí mật, và dữ liệu truy cập vào hệ thống điều khiển mới nổi liên quan đến các vấn đề an ninh, bao gồm cả các mối đe dọa và các lỗ hổng; đảm bảo các nhân sự phản ứng nhanh, kịp thời, và có trách nhiệm.

Dữ liệu đăng nhập và khả năng tương tác cung cấp cơ sở hạ tầng và quá trình dữ liệu di chuyển, chuyển đổi; quản lý khả năng (chiết xuất biến đổi, và tải), quản lý dự phòng, quản lý nguồn gốc kết hợp với dữ liệu tuân thủ quy định của chính phủ liên quan đến dữ liệu.

Tài liệu và quản lý nội dung thực hiện cấu hình quản lý vật lý, và tài liệu ảo, thiết kế, cập nhật, và phân loại sử dụng để làm cho thông tin dễ dàng hơn trong sử dụng; cho phép bảo vệ bí mật của các tài liệu và bảo vệ khả năng truy cập vào dữ liệu nhạy cảm trong tài liệu.

Tài liệu tham khảo và dữ liệu tổng thể: quản lý và duy trì hệ thống hồ sơ; duy trì dữ liệu tham khảo (ví dụ như hình mô hình sử dụng đất, mã code, mã số nhân viên mẫu).

Dữ liệu kho và thông tin kinh doanh: quản lý và duy trì trên nền tảng dữ liệu đám mây, cung cấp dịch vụ như báo cáo, và dữ liệu hình ảnh; dữ liệu duy trì quy trình cập nhật các kho dữ liệu.

Dữ liệu duy trì ngữ nghĩa và từ điển, quản lý thông tin về các mô hình dữ liệu cần tham khảo, tử điển dữ liệu là một kho meta data cho phép các doanh nghiệp CĐS thành công.

Dữ liệu quản trị thực hiện giám sát, chính sách phát triển, và triển khai chính sách cho tất cả các dữ liệu và quản lý các vấn đề liên quan đến chất lượng dữ liệu; bảo đảm quản lý thích hợp và quyền sở hữu của tất cả các dữ liệu xử lý liên quan đến các vấn đề đạo đức và thông tin liên lạc về dữ liệu và chất lượng quản lý, giám sát dữ liệu; quản lý quá trình phát triển của dữ liệu. 

Trong khi quản lý dữ liệu thường là trách nhiệm của các giám đốc dữ liệu, quản trị dữ liệu được bảo vệ là các nhóm điều hành và lãnh đạo cấp cao. Các yêu cầu về chất lượng dữ liệu đầu vào có thể tham gia mọi khâu trong tổ chức. Hình 3 cung cấp khung quản trị dữ liệu nền tảng CNTT bên thứ ba, cho phép xem xét những nhiệm vụ và trách nhiệm của bên thứ 3. Trong khi quản trị dữ liệu cho phép thiết lập chính xác để xác định chủ sở hữu và người quản lý, đồng thời định hướng hướng chất lượng dữ liệu, các bộ dữ liệu, quản lý chữ ký số dữ liệu phụ thuộc vào nền tảng bao gồm an ninh bảo mật, quản lý siêu dữ liệu và chất lượng dữ liệu quản lý. 

Chiến lược định hướng dữ liệu  dựa trên nền tảng số  trong nền kinh tế số - Ảnh 3.

Hình 3: Khung quản trị dữ liệu nền tảng CNTT bên thứ ba

Chiến lược định hướng dữ liệu cho phép ra quyết định tốt hơn

Khối lượng dữ liệu đã tăng ở mức chưa từng thấy trong những năm gần đây. Nhiều DN cạnh tranh để có được giá trị của thông tin mà họ sở hữu và làm thế nào để dữ liệu DN có thể giúp họ triển khai “chìa khóa ra quyết định” trong chiến lược kinh doanh của họ. Các phân tích dữ liệu là rất quan trọng để đóng góp vào thử thách này. Dữ liệu cho phép DN quyết định và xác nhận một hành động trước khi cam kết một cách tương đối chính xác. Các phân tích, các công cụ, máy tính phân tích dựa trên trí thông minh nhân tạo (AI) hay học máy (ML) và công nghệ khác cho phép các DN cạnh tranh vượt trội nhờ dữ liệu DN thu thập được.

Rất nhiều DN đầu tư trong lĩnh vực phân tích dữ liệu đã kích hoạt các chiến lược về dữ liệu nhằm đưa ra các khuyến nghị cho DN, giúp tiết kiệm tài chính, đảm bảo DN hoạt động tốt hơn, hiểu khách hàng hơn và tìm kiếm cơ hội kinh doanh nhiều hơn, tránh khỏi các cạm bẫy và rủi ro của thị trường. Chiến lược định hướng dữ liệu giúp hành động chủ động dựa trên các yếu tố nhanh nhẹn, linh hoạt, đúng thời điểm. Trong một cuộc điều tra được thực hiện năm 2018 bởi những nhà kinh tế thì hơn hai phần ba trong số họ trả lời rằng lợi nhuận đã tăng trong ba năm qua nhờ kỹ thuật, chiến lược, và gần ba phần tư trong số họ mong muốn sẽ có được sự tăng trưởng trong ba năm tiếp theo. 

Cũng theo một cuộc khảo sát năm 2019 cho thấy có tới 78% các giám đốc tài chính và giám đốc điều hành tin rằng AI sẽ cho phép nhân viên tài chính tìm kiếm nhiều giá trị hơn và giúp họ thành công trong vai trò chiến lược. Làm thế nào để DN của bạn thực hiện một chiến lược CĐS thông qua dữ liệu trong vòng ba năm qua? Làm thế nào bạn có thể dự đoán các quyết định quan trọng và chiến lược dữ liệu trong ba năm tiếp theo?

Hãy chọn một mặt hàng và dịch vụ (theo tỷ lệ % trả lời) và đảm bảo khả năng về xử lý dữ liệu, lưu trữ dữ liệu, loại bỏ hoặc giữ lại các khối dữ liệu trong bộ lưu trữ nội bộ tạm thời, nó sẽ cho bạn khả năng về tầm nhìn 360 ° đối với khách hàng và cách nhân viên phục vụ khách hàng. Bằng cách tận dụng phân tích dữ liệu, các DN đang đặt mình vào một vị trí tốt hơn để định lượng, đo lường và dự đoán rủi ro. Ví dụ bằng cách khai thác dữ liệu giao dịch của người tiêu dùng và hành vi. Khi nhu cầu về các phân tích này mở rộng, khiến chúng có sẵn trở thành một hình thức quản lý rủi ro cho các nhà cung cấp.

Để hiểu rõ hơn về cách các DN đang sử dụng việc ra quyết định dựa trên dữ liệu để gặt hái những lợi thế này, một loạt các ngành công nghiệp trên thế giới đã được nghiên cứu và được cung cấp tài chính và chi trả hậu hĩnh. Dữ liệu sẽ thay đổi cuộc chơi trong bất kỳ ngành nào. Nếu bạn có dữ liệu phù hợp và biết cách hòa trộn đúng phương pháp thì bầu trời là không giới hạn đối với bạn. Nhưng để gặt hái được những lợi thế về dữ liệu thì xử lý và điều khiển dữ liệu không hề đơn giản, nhất là với một khối lượng khổng lồ dữ liệu cần phân tích. 

DN cần tạo các nền tảng quản lý dữ liệu tốt hơn để có thể thu thập và làm sạch dữ liệu một cách đáng tin cậy, tìm các mẫu giữa các điểm dữ liệu, cung cấp hồ sơ, phân tích và đưa ra khuyến nghị đối với các quyết định mang tính chiến lược tốt hơn. DN cần phải làm lại các quy trình như: đào tạo lại nhân viên, sửa đổi các quy trình và quy trách nhiệm trực tiếp đối với người quản lý dữ liệu và có được các công cụ phân tích sâu hơn. Các nhà khoa học dữ liệu đang là một phần của tổ chức tiếp thị theo thời gian, nhưng việc triển khai mô hình vận hành theo hướng dữ liệu đã thay đổi vai trò của họ từ chức năng hỗ trợ sang vị trí tham gia đóng góp ý kiến tại bảng ra quyết định. Bây giờ họ đang tham gia vào tất cả các cuộc họp và ra quyết định của nhiều DN. 

Để có được khả năng phân tích thành thạo dữ liệu, các DN cần xem xét kỹ những bài học mà các tổ chức và học viện liên quan đến dữ liệu đã dạy về cách xử lý và quản lý dữ liệu tối ưu. DN cần tập trung không chỉ để tích lũy và phân tích dữ liệu để giải quyết các vấn đề cụ thể, mà còn sử dụng nó trực tiếp vào các mục tiêu chiến lược dài hạn để thông báo các mục tiêu đó cũng như đạt được chúng. Mục tiêu là để xây dựng một DN hiệu quả hơn, năng suất cao hơn và tùy biến nhiều hơn. Nhưng để làm như vậy DN cần đáp ứng những thách thức chính như: Liên kết chiến lược dữ liệu với chiến lược kinh doanh; Cải thiện và duy trì chất lượng dữ liệu; Sử dụng đầy đủ dữ liệu hiện có; Quản lý hiệu quả quyền quản trị dữ liệu; Giải quyết khoảng cách tài năng dữ liệu; Khai thác hiệu quả dữ liệu trong dự đoán nhu cầu của khách hàng.

Liên kết chiến lược dữ liệu với chiến lược kinh doanh:

Nhiều DN đang phải xử lý một khối lượng dữ liệu lớn khi mở rộng phân tích về các hoạt động nhân sự nội bộ, về khách hàng tiềm năng và đối thủ cạnh tranh. Họ cũng khai thác các luồng dữ liệu mới để hiểu rõ hơn về hiệu suất nội bộ bao gồm: hồ sơ của nhân viên và mô tả công việc, mục tiêu hiệu suất của nhân viên với kết quả có thể đo lường.

DN thu thập dữ liệu trong chiến lược của họ để hiểu rõ hơn về khách hàng đang thay đổi như thế nào. Trước đây, dữ liệu tiêu dùng chủ yếu là thông tin cá nhân như tên, địa chỉ vật lý và email và số điện thoại di động và đường đi lại. Còn bây giờ, thêm các dữ liệu mới như: ID Cookie, ID di động và các điểm đánh dấu kỹ thuật số khác được gắn cảm biến để theo dõi hành vi người dùng trên nhiều trang web và ứng dụng di động và trên các thiết bị cảm ứng IoT. Mỗi ngày chúng ta đều có thể thu thập được hàng triệu điểm dữ liệu liên quan đến hành vi tìm kiếm của khách hàng tải xuống cũng như nhiều dữ liệu được kết nối và đóng góp hàng triệu hình ảnh, video và âm nhạc được tải lên lên mạng Internet. Phần lớn dữ liệu đó cho thấy cách chúng đang tương tác với sản phẩm và dịch vụ. 

Ngoài ra, bằng cách xem các chuyển đổi dữ liệu, chúng ta có thể thấy con người đang sử dụng các bộ sưu tập dữ liệu để hợp tác với các đội nhóm của họ. DN cần một nhóm nhân sự về cơ sở hạ tầng tại chỗ, bao gồm các kỹ sư dữ liệu, các nhà khoa học và các nhà phân tích để tạo ra bảng điều khiển thông minh được thiết kế để khuyến nghị cho DN về sức khỏe và hiệu suất của DN và tình trạng các sản phẩm. DN cần tạo một báo cáo doanh thu hàng ngày để nhìn vào tỷ lệ chuyển đổi trên trang web, xây dựng trang web và doanh thu theo phân khúc kinh doanh. Ghép nối dữ liệu với các nhà khoa học và các nhà phân tích dữ liệu, có một bộ hiểu biết khuyến nghị cho DN về những gì đang xảy ra vào bất kỳ ngày nào và cách dữ liệu tập trung vào các khu vực cụ thể, phân khúc đối tượng hoặc khu vực kinh doanh.

Các nguồn dữ liệu mới như ID di động sẽ đảm bảo tầm quan trọng lớn hơn khi sử dụng trở thành thói quen và các DN tìm ra nhiều cách khác để có được những hiểu biết phân tích từ khách hàng. Tài nguyên trực tuyến cũng giúp các DN dễ dàng thu thập thông tin về đối thủ của họ. Các doanh nghiệp đang trở nên lão luyện hơn trong việc tích lũy dữ liệu để hiểu rõ hơn về những người chơi khác trong thị trường của họ. Càng nhiều DN đưa ra các quyết định dựa trên đến dữ liệu cụ thể - từ các mẫu người tiêu dùng đến năng suất và hiệu suất bên trong, thì càng có sự tự tin hơn về những quyết định có tính logic và có lợi nhuận.

Tuy nhiên, trước khi DN thực hiện một chiến lược dữ liệu để tạo ra những hiểu biết hành động, điều kiện dữ liệu, các DN cần liên kết chiến lược dữ liệu của họ theo các mục tiêu kinh doanh tổng thể. Các câu hỏi liên quan đến chiến lược định hướng dữ liệu như: Làm thế nào để họ cải thiện doanh số và lợi nhuận của khách hàng? Làm thế nào để họ cải thiện việc giao hàng hoặc cấu trúc chi phí, gia tăng lợi nhuận? Làm thế nào để họ cải thiện trải nghiệm khách hàng? Làm thế nào để họ cải thiện trải nghiệm nhân viên trong tổ chức của họ? Những vấn đề đó cần phải được thực hiện kịp thời và hiệu quả.

Cải thiện sản phẩm và dịch vụ giao hàng: Trong một thế giới ngày càng liên quan đến dữ liệu, nơi hàng hóa thường là kết quả cuối cùng của sản xuất ở nhiều nơi trên toàn cầu, hậu cần về chuỗi cung ứng hiệu quả là rất quan trọng. DN cần phát triển một công cụ hiển thị và cộng tác cho các khách hàng trong chuỗi cung ứng dịch vụ và sản phẩm để giúp họ quan sát tất cả các lô hàng và hàng hóa từ các nhà cung cấp. Vì vậy, DN có thể tưởng tượng lượng dữ liệu khổng lồ được tạo ra từ việc thấy hàng triệu lô hàng mỗi ngày thông qua nền tảng số.

Cải thiện trải nghiệm khách hàng: Tương tác của khách hàng và cách nó ảnh hưởng đến việc mua đi bán lại, duy trì và cam kết đối với khách hàng, đã trở thành nỗi ám ảnh đối với các DN trong nhiều ngành công nghiệp. Các doanh nghiệp đang ngày càng chuyển sang ứng dụng AI để cá nhân hóa các tương tác kỹ thuật số và thậm chí biến chúng thành một lĩnh vực kinh doanh mới trong khi tạo thêm dữ liệu để thử nghiệm và phân tích. 

Vào cuối ngày, các thuật toán và dữ liệu mà chúng ta có thể cho phép chúng ta hành động và có được kết quả tốt hơn. AI đang giúp các DN điều chỉnh cách tiếp cận của họ đối với khách hàng một cách chính xác hơn, cá nhân hóa trải nghiệm của khách hàng càng nhiều càng tốt thông qua sử dụng các thuật toán để tạo ra trải nghiệm mua sắm cá nhân và khuyến nghị cho mỗi khách hàng mỗi lần khi họ truy cập cửa hàng. Tiếp thị và dự báo là hai lĩnh vực đang phát triển mạnh. Trong tiếp thị, phát triển các phương pháp tinh vi để thu hút khách hàng trên các kênh, thông báo, và quảng cáo, vv...

Với đề xuất sản phẩm bên phải, được cá nhân hóa hoặc đề nghị đặc biệt. Sử dụng dữ liệu để giúp các nhóm mua dự báo nhu cầu, đảm bảo đủ hàng cho khách hàng. Cần phân biệt giữa hai loại dữ liệu mà các DN có thể thu thập: dữ liệu hoạt động và dữ liệu dựa trên kinh nghiệm. Dữ liệu hoạt động bao gồm các số liệu như: ai truy cập một trang web, họ nhấp vào đâu? Họ dành bao nhiêu thời gian cho một trang? Những mặt hàng nào họ thêm vào giỏ hàng? Dữ liệu kinh nghiệm về cơ bản là khác nhau. Đó là tình cảm của con người, niềm tin và cảm xúc cho bạn biết mọi người cảm thấy như thế nào về kinh nghiệm của họ. Các DN có thể nhận được các đầu vào này trên bất kỳ kênh nào, khách hàng hoặc nhân viên của họ đã sử dụng, chẳng hạn như phương tiện truyền thông xã hội, chatbots, bảng điểm gọi và trang web đánh giá. Các DN thậm chí có thể chọn các tín hiệu như nhấp chuột. Đo lường nhanh về khách hàng đang ở trên trang web và ứng dụng để biết chính xác vị trí trải nghiệm và cách thức phục vụ khách hàng.

Cải thiện kinh nghiệm nhân viên: Nhân viên có được sự tự tin và hiệu quả nhờ sử dụng các kỹ thuật phân tích tiên tiến. Cần coi đó là trách nhiệm của nhân viên và khách hàng nhằm cung cấp dịch vụ tốt hơn. Lần đầu tiên chúng ta sống trong một thế giới có thể nhận được dữ liệu phản hồi từ hầu hết khách hàng khi họ sử dụng các kênh cung cấp sản phẩm và dịch vụ của DN.

Cải thiện và duy trì chất lượng dữ liệu: Đây là khía cạnh tốn thời gian nhất đối với bất kỳ giai đoạn tích hợp và ứng dụng dữ liệu nào. Đó là chuẩn bị dữ liệu, nếu bạn muốn sử dụng dữ liệu trong việc ra quyết định, bạn nên đảm bảo rằng bạn đã có dữ liệu chất lượng để hoạt động. Công việc này khá khó khăn để có được dữ liệu tốt. Một ứng dụng cho vay cần tập hợp một số trường dữ liệu, và khi nó đi vào hệ thống, nó sẽ tương đối sạch sẽ. Ví dụ trong khi một hệ thống quản lý mối quan hệ CRM (quản lý mối quan hệ khách hàng) được tạo ra bởi những người bán hàng đang gửi dữ liệu liên quan đến các hoạt động bán hàng của họ với một mong muốn cụ thể, họ có thể lưu một số thứ vào ghi chú. Họ có thể không sử dụng các trường một cách chính xác. Có lẽ họ đã chọn sai. Vì vậy, dữ liệu không chuẩn nhiều khi là lỗi của con người, nên đã tạo ra dữ liệu “không sạch” so với dữ liệu đầu vào. 

Nếu bạn muốn sử dụng dữ liệu trong quá trình ra quyết định, bạn nên đảm bảo rằng bạn đã có dữ liệu tốt để hoạt động hay không. Một thách thức đáng kể khác là một trong nhiều công ty thậm chí có thể không nhận thức được: sử dụng đầy đủ dữ liệu của họ. Vấn đề lớn nhất, mà tất cả các DN phải đối mặt là DN không biết họ có dữ liệu nào. Thứ hai là họ không biết làm thế nào để dữ liệu có thể được sử dụng trong các cuộc nói chuyện hoặc tác động lên bộ dữ liệu. Vì vậy, bước đầu tiên là kiểm tra dữ liệu có sẵn, để gắn thẻ một cách chính xác và để thiết lập mối quan hệ giữa các bộ dữ liệu khác nhau mà DN có. 

Dữ liệu rất quan trọng đối với DN bởi vì nó giúp DN hiệu quả hơn, chính xác hơn ở từng vị trí, đặc biệt là các công ty mạng toàn cầu. Những công ty mạng này sẽ tạo ra rất nhiều dữ liệu. Trước đó, cần loại bỏ các bit và byte không cần thiết, có nghĩa là cần xử lý các cảnh báo quan trọng và không xử lý phần còn lại. Điều đó giúp DN có kiến thức hơn, chủ động hơn, và ứng dụng công nghệ nhiều hơn trong định hướng dữ liệu.

Dữ liệu chuyên môn nằm trong danh mục dữ liệu có giá trị: Ngày nay, có thể xử lý 100% dữ liệu, hãy xem xét số liệu thống kê và phân tích mạng theo thời gian thực và có thể dự đoán các mẫu nhất định ngay cả trước khi chúng xảy ra. Một hồ dữ liệu hoặc kho là một hệ thống để lưu trữ dữ liệu phi cấu trúc, bao gồm tất cả mọi thứ từ các tệp nguồn hệ thống đến tài liệu, email và hình ảnh. Tính linh hoạt và chi phí lưu trữ thấp có nghĩa là các tổ chức có thể lưu trữ một khối lượng dữ liệu lớn hơn nhiều trong một hồ dữ liệu so với cơ sở dữ liệu quan hệ truyền thống. 

Chiến lược là cung cấp dữ liệu cho doanh nghiệp theo thời gian thực là để đảm bảo mỗi khi họ cần dữ liệu thì họ có thể vào và lấy ra bất cứ dữ liệu (cho phép) tại hồ dữ liệu. Có nghĩa là tất cả nhân viên có quyền truy cập vào dữ liệu (cho phép), tùy thuộc vào những gì họ làm. DN có một quy trình nội bộ nơi DN khám phá nhu cầu của từng nhân viên và cung cấp cho họ quyền truy cập theo những nhu cầu đó. Khi DN mang một mục dữ liệu cụ thể đến hồ, cần đảm bảo quyền truy cập đúng được trao cho đúng người và kinh doanh phù hợp. Do vậy rất có thể tạo ra giá trị càng sớm càng tốt. 

Tuy nhiên, để tạo ra những hiểu biết về dữ liệu để có thể sử dụng, nhiều DN đã phải đảm bảo mọi người đang nói cùng một ngôn ngữ chung thông qua dữ liệu. DN cần phải xem qua các ngành nghề kinh doanh, các đơn vị kinh doanh, các thông tư, nghị định được phê duyệt về dữ liệu để nó có thể được áp dụng nhất quán trên các nhóm và các đội. Đó thực sự là một quá trình kinh doanh. Mở cửa để làm việc với các đối tác và công nghệ khác nhau cũng rất quan trọng để theo kịp bối cảnh dữ liệu phát triển nhanh chóng. Nếu bạn bị mắc kẹt với một bộ quy trình nhất định hoặc một bộ công nghệ nhất định, bạn sẽ liên tục bị tụt lại phía sau, bởi vì khối lượng và nhiều dữ liệu có sẵn chỉ tiếp tục tăng mỗi ngày.

Giải quyết khoảng cách tài năng về dữ liệu: thách thức thực sự là có đúng những người có thể đặt câu hỏi đúng, để xây dựng các thuật toán phù hợp và bắt đầu sử dụng dữ liệu theo cách thực sự tạo ra giá trị kinh doanh, nó khá khó để tìm các loại tài nguyên trên thang điểm mà DN cần. Nó cực kỳ cạnh tranh để cố gắng xác định và tìm thấy họ. Khoảng cách tài năng kéo dài sâu hơn ở thị trường lao động có tay nghề cao. Trong tất cả nhân viên không cần là một nhà khoa học dữ liệu, nhiều công nhân ở các công ty làm việc trong vai trò thu thập thông tin và do vậy dữ liệu không đủ để hiểu biết và đảm bảo dữ liệu đó được thu thập và được sử dụng hiệu quả. Dữ liệu thưa thớt, dữ liệu được truyền qua các cảm biến có thể chứa các lỗ hổng bảo mật. Làm thế nào để DN có được các nhà khoa học dữ liệu hàng đầu để có thể giúp DN nghĩ về cách đối phó với dữ liệu thưa thớt? 

Làm thế nào để DN có được các nhà khoa học dữ liệu sau đó có thể đào tạo những người khác trở nên tốt hơn trong việc công việc của họ? Điều đó có nghĩa là thu hút và giữ lại tài năng phân tích sẽ trở thành một yêu cầu sống còn để DN cạnh tranh. Giải pháp của DN là cố gắng xây dựng chuyên môn trong tổ chức của họ thông qua các chương trình đào tạo và chương trình tuyển dụng và mang đến những người có trình độ khoa học về toán học và khoa học dữ liệu cho phép họ tham gia đóng góp cho tổ chức và gia tăng giá trị cho tổ chức. Đối với nhiều DN đào tạo và giữ lại nhân tài về chuyên môn có khả năng vẫn là một trận chiến khó khăn. Thử thách tài năng này là một vấn đề đối với bất kỳ DN hoạt động trong nền kinh tế số.

Khai thác AI để dự đoán nhu cầu của khách hàng: các DN đang tìm kiếm các công cụ và hệ thống để giúp họ đưa ra quyết định tốt hơn, do vậy dữ liệu khuyến nghị đang gia tăng từng ngày. Đây gần giống như một cơn bão. Ngành công nghệ đang tập trung vào sự phát triển về các thuật toán ML và AI. Một vài năm trước, các DN phần cứng đang cạnh tranh về năng lượng sử dụng trong máy tính thì giờ DN đang di chuyển dữ liệu lên đến đám mây bởi vì nó rẻ, nó có thể truy cập được mọi lúc, mọi nơi, giúp tiết kiệm chi phí hoạt động. Đồng thời, có một sự gia tăng khủng khiếp về các loại cảm biến được triển khai xung quanh các hoạt động của con người. Và vì vậy, ngành công nghệ mới bùng nổ với các sản phẩm mới từng ngày, từng giờ. 

Do có nhiều DN tham gia trong lĩnh vực này nên nó thúc đẩy chi phí giảm xuống bởi vậy nhiều DN đã tận dụng lợi thế để kinh doanh hiệu quả. AI và ML, mặc dù các công nghệ tương đối mới và vẫn còn phát triển, đang thu hút sự chú ý nhanh chóng dựa trên tiềm năng của chúng để dự đoán và tạo điều kiện đáp ứng nhanh hơn để thay đổi nhu cầu của khách hàng. Hình 4 là Framework mô hình ra quyết định ứng dụng AI cho phép các DN CĐS thành công dưa trên các quyết định được ứng dụng AI. Mô hình ra quyết định có thể được sử dụng trong cá nhân, trong chia sẻ, trong hơp tác, các quyết định được nhất quán trên toàn tổ chức, cho phép mô phỏng kiểm tra trên toàn tổ chức. Tổ chức cũng có thể ứng dụng các kỹ thuật trong việc ra quyết định thông minh như : ML, vai trò, mô phỏng, tối ưu, phân tích hình ảnh và các công nghệ khác. 

Chiến lược định hướng dữ liệu  dựa trên nền tảng số  trong nền kinh tế số - Ảnh 4.

Hình 4 Framework mô hình ra quyết định ứng dụng AI

Ứng dụng AI trong chiến lược định hướng dữ liệu trên nền tảng số

Nhiều DN đã ứng dụng AI và nhận thức được các bước để tích hợp nó vào hoạt động của DN và tận dụng sức mạnh của AI. Nhưng để phát triển bền vững, các DN sẽ cần phải xem xét một vấn đề trong phạm vi rộng lớn hơn: Làm thế nào để DN tận dụng việc học máy để tạo ra sản phẩm hoặc dịch vụ có các lợi thế cạnh tranh, để tạo ra thứ gì đó mà các đối thủ cạnh tranh không thể dễ dàng bắt chước. Các công ty tham gia các ngành công nghiệp với một sản phẩm hoặc dịch vụ hỗ trợ AI có thể xây dựng lợi thế cạnh tranh bền vững và nâng cao hàng phòng thủ. Việc ứng dụng AI sớm thường có lợi thế lớn hơn, nhưng đó không phải là toàn bộ câu chuyện. Bởi vì DN tham gia muộn trong ứng dụng công nghệ mới AI vẫn có thể thúc đẩy hoặc ít nhất là khắc phục một số điểm bị mất bằng cách tìm ra một thị trường ngách.

Đưa ra dự đoán với AI: Bạn sử dụng học máy để nhận ra các mẫu và sau đó đưa ra dự đoán, nhằm thu hút khách hàng, cải thiện hoạt động hoặc giúp tạo ra một sản phẩm tốt hơn. Tuy nhiên, trước khi bạn có thể xây dựng một chiến lược xung quanh những dự đoán như vậy, bạn cần phải hiểu các đầu vào cần thiết cho quá trình dự đoán, những thách thức liên quan đến việc lấy các đầu vào đó và vai trò của phản hồi trong việc cho phép một thuật toán thực hiện dự đoán tốt hơn theo thời gian. Một dự đoán, trong bối cảnh học máy, là một đầu ra thông tin xuất phát từ một số dữ liệu và chạy một thuật toán. Ví dụ: khi ứng dụng điều hướng di động của bạn phục vụ một dự đoán về tuyến đường ngắn nhất giữa hai điểm, nó sử dụng dữ liệu đầu vào về điều kiện giao thông, giới hạn tốc độ, chiều dài con đường và một số các yếu tố khác. 

Một thuật toán sau đó được sử dụng để dự đoán đường ngắn nhất để đi và thời gian đi. Thách thức đối với bất kỳ quy trình dự đoán nào là dữ liệu đào tạo các đầu vào để bạn nhận được kết quả hợp lý cần phải được tạo (bởi, giả sử, thuê các chuyên gia để phân loại mọi thứ) hoặc mua sắm từ các nguồn hiện có (nói, hồ sơ sức khỏe). Một số loại dữ liệu dễ dàng có được từ các nguồn công cộng (thông tin thời tiết và bản đồ). Người tiêu dùng cũng sẵn sàng cung cấp dữ liệu cá nhân nếu họ nhận thấy một lợi ích từ việc làm như vậy.

Xây dựng lợi thế cạnh tranh trong dự đoán theo nhiều cách, việc xây dựng một doanh nghiệp bền vững trong học máy giống như xây dựng một doanh nghiệp bền vững trong bất kỳ ngành nào. Bạn phải đến với một sản phẩm có thể bán được, khắc một vị trí sớm có thể có ưu thế trong cạnh tranh và khiến bất cứ DN AI nào khó có thể đuổi kịp.

Để có thể làm điều đó sẽ có ba câu hỏi như sau:

1. Bạn có đủ dữ liệu đào tạo không? Một máy dự đoán cần tạo ra những dự đoán đủ tốt để có khả năng thương mại. Định nghĩa về “đủ tốt” có thể được đặt theo quy định (ví dụ: AI để thực hiện chẩn đoán trong y tế phải đáp ứng các tiêu chuẩn của chính phủ), khả năng sử dụng (một chatbot phải làm việc suôn sẻ để người gọi kết nối tới máy thay vì nói chuyện với con người ), hoặc cạnh tranh (một công ty đang tìm cách vào thị trường tìm kiếm trên Internet cần một mức độ chính xác dự đoán nhất định để cạnh tranh với Google). Do đó, một rào cản để cạnh tranh là lượng thời gian và công sức liên quan đến việc tạo hoặc truy cập dữ liệu đào tạo đủ để đưa ra dự đoán đủ tốt. 

Nhưng lợi thế ban đầu có thể tồn tại trong thời gian ngắn nếu thị trường phát triển nhanh, bởi vì trong thị trường phát triển nhanh, quyền truy cập vào dữ liệu đào tạo có thể đủ lớn để thu hút nhiều công ty lớn với nguồn ngân sách rồi rao đầu tư. Điều này có nghĩa là mục nhập dữ liệu đào tạo phải chịu áp lực về quy mô kinh tế. Các thị trường tăng trưởng cao thu hút các khoản đầu tư và theo thời gian này làm tăng ngưỡng cho DN mới tiếp theo (và buộc tất cả DN hoạt động trong lĩnh vực này dành nhiều thời gian hơn cho phát triển hoặc tiếp thị sản phẩm của họ). Do đó, càng nhiều dữ liệu có thể tự đào tạo máy học, sẽ càng có ưu thế cạnh tranh hơn cho bất cứ DN AI nào gia nhập DN sau.

2. Vòng lặp phản hồi của DN nhanh như thế nào? Máy dự đoán khai thác những gì theo truyền thống là lợi thế của con người mà chúng học được. Nếu chúng có thể kết hợp dữ liệu phản hồi, thì chúng có thể học hỏi từ kết quả và cải thiện chất lượng của dự đoán tiếp theo. Tuy nhiên, mức độ của lợi thế này phụ thuộc vào thời gian cần thiết để có được phản hồi. Người khổng lồ công nghệ có một khởi đầu, nhưng nếu DN có thể phân biệt các bối cảnh và mục đích dự đoán của mình dù chỉ là một chút, DN có thể tạo một không gian khác biệt cho sản phẩm của mình.

3. Dự đoán của DN tốt như thế nào? Thành công của bất kỳ sản phẩm nào cuối cùng phụ thuộc vào những gì bạn nhận được cho những gì bạn phải trả. Điểm mấu chốt là ứng dụng AI sớm có thể đem lại một lợi thế cạnh tranh về vòng phản hồi chất lượng, độ nhanh và hiệu suất. Hai cách mà một DN có thể khắc ra không gian riêng của mình trên thị trường là: Xác định và an toàn các nguồn dữ liệu thay thế. Các nhà phân tích dự đoán có thể xem xét đào tạo một AI bằng cách sử dụng dữ liệu phản hồi nhanh hơn, người mới có thể học hỏi từ các hành động và lựa chọn của người dùng để làm cho sản phẩm tốt hơn. Phân biệt dự đoán. Một chiến thuật khác có thể giúp những người tham gia muộn trở nên cạnh tranh là xác định lại những gì tạo nên một dự đoán tốt hơn, ngay cả khi chỉ dành cho một số khách hàng. 

Ví dụ, trong X quang, chiến lược như vậy nếu có nhu cầu thị trường cho các loại dự đoán khác nhau. Những người tham gia sớm có khả năng đã đào tạo các thuật toán của họ với dữ liệu từ một hệ thống bệnh viện, một loại phần cứng hoặc một quốc gia. Bằng cách sử dụng dữ liệu đào tạo (sau đó là dữ liệu phản hồi) từ một hệ thống khác hoặc một quốc gia khác, người mới có thể tùy chỉnh AI của nó cho phân khúc người dùng đó nếu nó đủ khác biệt. Tạo dự đoán dựa vào dữ liệu đến từ một loại phần cứng cụ thể cũng có thể cung cấp cơ hội thị trường, nếu mô hình kinh doanh đó dẫn đến chi phí thấp hơn hoặc tăng khả năng tiếp cận cho khách hàng.

Rủi ro khi thực hiện các chiến lược định hướng dữ liệu

Các tổ chức DN có thể có nhiều giá trị kinh doanh hơn nhờ phân tích dữ liệu và phân tích nâng cao. Ngày càng nhiều DN xem khoa học dữ liệu như một chức năng và khả năng. Nhưng nhiều người trong số họ đã không thể liên tục có được giá trị kinh doanh từ các khoản đầu tư vào dữ liệu lớn ( big data), trí tuệ nhân tạo (AI) và học máy (ML). Hơn nữa, nhiều bằng chứng cho thấy khoảng cách đang mở rộng giữa các DN đạt được giá trị thành công từ khoa học dữ liệu và những DN đang vật lộn để ứng dụng. Để hiểu rõ hơn về những rủi ro mà các DN triển khai và thực hiện các dự án định hướng dữ liệu có lợi nhuận và tìm hiểu cách tránh rủi ro này dưới đây là 5 loại rủi ro: (i) Mô hình thuật toán áp dụng cho từng đối tượng và từng bối cảnh chưa phù hợp, (ii) Các nguồn dữ liệu bị sai lệch và nguồn dữ liệu chuẩn không được công nhận, (iii) Giải pháp đúng, sai thời điểm, (iv): Công cụ phù hợp, người dùng sai, (v) Rủi ro do AI mang lại.

Kết luận: Hành trình đến một nền văn hóa dựa trên dữ liệu

Tóm lại để thực hiện một chiến lược định hướng dữ liệu DN cần giải giải quyết các vấn đề liên quan đến chất lượng dữ liệu, quản lý dữ liệu và các hoạt động quản trị dữ liệu để cung cấp cho nền tảng và mô hình xử lý dữ liệu AI là một bước đi rất quan trọng của bất kỳ DN nào. Định hướng dữ liệu cho phép giảm chi phí, và loại bỏ rủi ro cho DN. Thông tin hữu ích chỉ khi nó được tạo ra từ dữ liệu có chất lượng cao và bạn đang kết nối với nó. Thông minh giúp bạn hiểu và trả lời điều kiện hiện tại, đặc biệt là khi có rất nhiều dữ liệu để chọn lọc. Tự động xử lý dữ liệu, và thông tin là cần thiết để giải phóng thời gian và công sức, và rút ngắn vòng phản hồi. Ngành công nghiệp 4.0 và nay đang rất cần sử dụng dữ liệu sạch vì nó là bước đi đầu tiên và quan trọng giúp DN CĐS thành công.

Tài liệu tham khảo

1. BUSINESS STATISTICS A DECISION-MAKING APPROACH, David F. Groebner Copyright © 2018 Pearson Education, Inc.

2. Machine Learning Automation with TPOT, by Dario Radečić, Copyright © 2021 Packt Publishing

3. Digitalization: The New Normal of the Post-Pandemic World, by Nicholas Pasquale Lorizio 4. Hands-On Data Analysis with Pandas – Second Edition by Stefanie Molin, Copyright © 2021 Packt Publishing

5. What Is Artificial Intelligence? Seeing Through the Hype and Focusing on Business Value, byAnalysts ErickBrethenoux,VPAnalystPublished17July2020-IDG00730970

6. Artificial Intelligence for Marketing, by Jim Sterne, Copyright © 2017 by Rising Media, Inc.

7. Artificial Intelligence for Marketing, by Jim Sterne, Copyright © 2017 by Rising Media, Inc. All rights reserved.

8. Enterprise Artificial Intelligence Transformation by Rashed Haq, Copyright © 2020 by Rashed Haq. All rights reserved. Published by John Wiley & Sons, Inc., Hoboken, New Jersey. Published simultaneously in Canada

9. Enterprise Artificial Intelligence Transformation by Rashed Haq, Copyright © 2020 by Rashed Haq. All rights reserved. Published by John Wiley & Sons, Inc., Hoboken, New Jersey. Published simultaneously in Canada

10. Application of Artificial Intelligence to Assessment, edited by Hong Jiao University of Maryland Robert W. Lissitz University of Maryland, Copyright © 2020 Information Age Publishing Inc.

11. Data Visualization by Kieran Healy, © 2019 Princeton University Press Published by Princeton University Press 41 William Street, Princeton, New Jersey 08540 6 Oxford Street, Woodstock, Oxfordshire OX20 1TR

12. Designing Data-Intensive Applications by Martin Kleppmann, Copyright © 2017 Martin Kleppmann. All rights reserved. Printed in the United States of America.

(Bài đăng ấn phẩm in Tạp chí TTT&TT số 7 tháng 7/2021)

THS TẠ QUỐC ƯNG