AI phân tích dữ liệu đang thay đổi cách các doanh nghiệp khai thác số. Cũng như mảng lập trình, sự xuất hiện của AI giúp đỡ rất nhiều cho khâu phân tích dữ liệu. Những việc mà trước đây phải tốn nhiều thời gian, giờ có thể xử lý nhanh chóng hơn, đưa ra số liệu nhanh hơn, kịp thời hơn, tới đúng tay, đúng thời điểm cho người dùng ở phía kinh doanh (business user).
Khi mà AI ngày càng tiến bộ, cách tiêu thụ data cũng thay đổi
Nếu như AI giúp lập trình viên tăng tốc độ phát triển phần mềm, giúp tăng năng suất, giảm thời gian thì trong mảng data, AI giờ có thể giúp chuyên viên phân tích trích xuất dữ liệu nhanh chóng hơn, giảm lỗi khi viết các câu lệnh. Nó cũng giúp những người dùng không quá rành về kỹ thuật cũng có khả năng trích xuất dữ liệu một cách nhanh chóng và chính xác (tí nữa mình sẽ nói kỹ hơn về “chính xác” có nghĩa là gì và làm sao đạt được sự chính xác đó).
Trước đây, các công đoạn này hoàn toàn có thể làm được, và thậm chí chuyện người dùng không phải phòng ban IT / Data tự viết SQL để truy xuất dữ liệu cũng không có gì mới. Tuy nhiên nó vẫn là một rào cản khiến cho việc sử dụng, phân tích dữ liệu bị giới hạn, giờ thì AI đã giúp loại bỏ gần như hoàn toàn khâu thủ công này. Việc lấy dữ liệu từ data warehouse / datamart có thể diễn ra trong tích tắc với độ chính xác cao. Khi kết hợp với các bảng mô tả (data dictionary, để biết cột nào có ý nghĩa gì, công thức tính toán ra sao), hệ thống tự sinh ra dữ liệu càng chính xác.
Xin đừng nhầm lẫn việc sử dụng AI ở đây với các kỹ thuật khai thác dữ liệu (data mining) đang được áp dụng. Các mô hình ngôn ngữ lớn như Gemini, Claude, ChatGPT có thể phát hiện được một vài pattern đơn giản trong dữ liệu, nhưng các pattern phức tạp, dễ sai, khó nhìn thấy thì các hệ thống này vẫn chưa làm tốt. Khi đó các kỹ thuật data mining truyền thống, ví dụ như phân loại dữ liệu (classification), gom cụm (clustering), phân tích sự liên quan (association analysis) vẫn cần được sử dụng một cách đầy đủ. Các kỹ thuật này có thể áp dụng một vài thuật toán machine learning, nhưng nó không phải là Generative AI như chúng ta hay nói với nhau.
Như vậy, ở đoạn đầu là đoạn “làm sao để có data”, AI đã giúp tiết kiệm được thời gian. Đoạn phía sau, bao gồm tìm hiểu xem dữ liệu ra sao, chạy data mining… thì thậm chí còn không cần tới AI. Rất nhiều phần mềm chuyên dùng cho việc phân tích số đã có sẵn công cụ không cần code để thực hiện, người dùng không rành tech cũng có thể thoải mái khai thác dữ liệu mà họ có.
AI + Knowledge Base = máy móc bắt đầu có suy nghĩ
Nếu như bạn có 1 bảng dữ liệu, hoặc 1 loạt các biểu đồ, bạn nhờ các hệ thống GenAI phân tích, nó có thể làm được, thậm chí làm tốt. Tuy nhiên, mình gọi đây là phân tích “mù” thôi, tức là AI chỉ đang dựa trên số để cho bạn biết về xu hướng chung, so sánh các chỉ số với nhau, hay nó biết được hạng mục này đang tốn của bạn bao nhiêu chi phí.
Tuy nhiên nó sẽ không biết con số đó như vậy là có hợp lý hay chưa? Số đó có gì bất thường không? Cái tỉ lệ 46% mà bạn thấy trong dashboard có nghĩa là bạn làm tốt hay chưa và so với KPI đề ra thì đã đạt hay chưa.
Đó là lý do mình thử nghiệm Elton DataUtils, khi hệ thống có thể tự tim được thông tin liên quan tới câu hỏi và đưa vào chung cho AI phân tích (cùng với đó là bảng, số dữ liệu), AI sẽ đưa ra insight hay hơn, tốt hơn và sát với tình hình kinh doanh của bạn hơn. Ví dụ, bạn có một ghi chú với AI rằng “Tháng 4 thường chi phí sẽ tăng cao do đó là tháng nộp thuế hằng năm”, thì khi biểu đồ cho thấy chi phí tháng 4 tăng lên nó vẫn sẽ biết điều đó trong kỳ vọng. Hoặc khi bạn đặt KPI cho bài viết phải đạt 100.000 reach, và số liệu khớp được phần này, bạn sẽ biết là bạn đạt KPi hay cao hơn, thấp hơn, chứ nếu chỉ nhìn vào con số 100.000 thì nó chỉ là data, không có information, càng không phải là knowledge.
Knowledge base cũng chẳng có gì phức tạp, nó chỉ là một cái bài viết, một tóm tắt, một cách diễn đạt nào đó, hết.
Đặc biệt hữu ích với các sếp
Sau 3 tuần chạy thử nghiệm, số lượng người dùng tính năng này nhiều nhất là các sếp =]] cũng đúng như dự đoán ban đầu của mình, vì sếp thì hay cần số adhoc, nên có thể hỏi đáp nhanh gọn lẹ. Chứ thường thì các bạn vận hành cũng đã có dashboard sẵn sàng rồi nên cũng không cần thêm các số adhoc mấy. À, có team marketing cũng hay phải coi những chỉ số khác nhau để chuẩn bị làm plan cho tương lai nên có mấy số không có sẵn trên dashboard, hỏi luôn cũng tiện.
Ngoài truy cập từ nền web, mình có làm thêm cái app để sếp có thể hỏi nhanh, đáp gọn. Kinh nghiệm của mình khi triển khai dashboard là các sếp rất thích xem từ app của điện thoại, vì không phải lúc nào họ cũng ngồi trên máy tính để coi số, nhất là khi sếp SME toàn phải bương chải ra đường bán hàng, kiếm cơm.
Quan trọng nhất vẫn là có data đúng, đủ và ổn định
Đây là phần quan trọng của nhất của hệ thống Elton DataUtils, vì không có data ngon lành thì mọi thứ khác đều không có ý nghĩa, hoặc nếu data lấy về mà lung tung, sai, hoặc khó hiểu, thì cũng như không. Phần gốc phải chắc thì mới phân tích được, thế nên mình thấy các công cụ AI này sẽ phát huy hiệu quả cao nhất khi đã có datamart để tổ chức dễ kiểm soát dữ liệu, phân quyền hiệu quả. Datamart nó đã bao trọn (encapsulate) các logic như doanh thu tính như thế nào, thế nào gọi là đơn thành công và bắt đầu ghi nhận doanh thu, chi phí thế nào gọi là hợp lệ để tính, hay danh sách nhân viên theo tháng này là đúng. Chứ nếu chỉ lấy từ các bảng raw thì khả năng cao là không đúng với flow hiện tại của công ty, do mỗi tổ chức sẽ có những định nghĩa khác nhau về các chỉ số này.
Đó, bạn thấy không, cuối cùng cái quan trọng nhất lại không phải là AI gì cả. Nó là những thứ rất là bình thường: data. Thứ mà ai cũng có, nhưng mà không phải ai cũng lấy về và quản lý tốt.