Dữ liệu cần được tập trung và chuẩn hóa trong kho dữ liệu thì áp dụng AI phân tích dữ liệu mới phát huy tối đa hiệu quả. Việc kết hợp mô hình AI với hạ tầng quản trị, phân quyền và định nghĩa nghiệp vụ rõ ràng như Elton DataUtils giúp người dùng non-tech dễ dàng thực hiện BI tự phục vụ. Nhờ đó, các phòng ban có thể chủ động truy vấn, tạo biểu đồ chính xác và ra quyết định nhanh chóng mà không còn phụ thuộc vào đội ngũ kỹ thuật.
Không có data thì không có gì cả
Rõ ràng, nếu data không được tập trung vào data warehouse, không được tổ chức lại theo từng dataset, datamart khác nhau, và không có định nghĩa rõ ràng, thì AI cũng không giúp được gì. Đó cũng là một lợi thế cực kì lớn của việc dùng Elton để gom data về data warehouse của doanh nghiệp, vì ngoài các việc “truyền thống” như dùng Looker / Data Studio, Power BI để kết nối vào và xây dựng dashboard, report thì giờ đây bạn còn có thể tự do (trong khuôn khổ) để khám phá dữ liệu của chính mình.
Bạn có thể hỏi các câu hỏi như: Doanh thu 6 tháng qua của chi nhánh A so với chi nhánh B ra sao? Nhân viên nào đang xử lý được nhiều hợp đồng nhất? Sản phẩm A có tuổi tồn to là bao nhiêu và gần tới ngày phải fill hàng chưa (theo công thức bạn định nghĩa). AI giúp khái niệm self service BI (BI tự phục vụ) lại gần hơn tới những người dùng non-tech, của các phòng ban kinh doanh, giảm sự chờ đợi với các team data. Ngay chính các team data cũng được hưởng lợi từ AI vì họ có thể giảm tới các câu hỏi lặp lại, các câu hỏi adhoc, và tập trung vào những bài toán quan trọng hơn, thú vị hơn.
Harness là yếu tố cực kì quan trọng
Khi mình triển khai AI cho những khách hàng hiện tại của Elton Data, đa số khách hàng đều đã từng thử nghiệm AI kết nối vào dữ liệu theo một cách nào đó rồi, dù ít dù nhiều. Có team thì sử dụng Claude và MCP dành cho BigQuery để hỏi đáp với dữ liệu, có team thì dùng N8n để nhận request từ các nền tảng chat rồi lấy kết quả từ data warehouse ra. Tuy nhiên, chỉ có model AI, tức là chỉ mới có bộ não, thì chưa đủ. Những yếu tố xung quanh, ví dụ như phân quyền ra sao, định nghĩa về dữ liệu như thế nào, agent được làm gì, không được làm gì cũng là yếu tố quan trọng không kém. Bạn có thể dùng các model ngon nhất nhưng các công cụ về data xoay quanh yếu thì cũng không ra kết quả mong muốn.
Thế nên khi đưa Elton DataUtils vào, các khách hàng ngay lập tức xài được, ngay lập tức có đáp án cho những câu hỏi trước kia, thì mình cũng mừng lắm vì đã “gãi đúng chỗ ngứa” của khách.
Data chưa tốt, chưa được cấu trúc tốt thì khó dùng
Mình sử dụng chữ khó dùng ở đây có nghĩa là xài thì vẫn được, nhưng phải là người rành data và có chút technical background, ví dụ như các bạn làm data analyst, anh em data engineer, chứ để business user vào xài thì vẫn khó. Ngay cả những business user trong khách hàng của mình khi cắm MCP vào BigQuery thì vẫn có khả năng lấy số sai, vì có nhiều logic về nghiệp vụ mà data nó lại không lưu rõ ràng tới thế (thường là do cấu trúc nghiệp vụ nằm trong các bảng data khác nhau).
Chỗ này thường mình sẽ tham gia sắp xếp lại data một chút, có thể là structure thành datamart, tạo các bảng tổng hợp lớn, rồi sau đó việc sử dụng AI tự nhiên trở nên đơn giản hơn nhiều. Với các khách đang xài Elton DataUtils - là một agent phục vụ cho việc làm data và BI - thì mình định nghĩa thêm SKILL ví dụ như khi được hỏi về chỉ số PnL thì lấy từ bảng nào, khi hỏi về traffic thì lấy từ bảng nào. Hiện tại các bộ SKILL này đang define độc lập cho từng doanh nghiệp, nhưng sắp tới mình sẽ dựng thành các bộ SKILL tiêu chuẩn cho từng nguồn dữ liệu để khách lấy về xài cho lẹ (ví dụ: Amazon có một bộ, Shopee có một bộ, Facebook Ads có một bộ).
Bên cạnh đó, mình cũng giúp khách hàng define là agent nào thì được xài cái gì, hạn chế lấy sai vì thực ra agent dành cho business user chỉ lấy được data từ các datamart đã quy hoạch thôi. Có một chút đánh đổi về khả năng khám phá dữ liệu ở đây, nhưng nó là điểm mình chấp nhận để có được sự tin cậy về số liệu.
AI + data giúp người dùng non-tech lấy được những con số, những góc nhìn mà trước đây họ không thể tự làm
Việc yêu cầu số liệu từ team IT hay team data là chuyện quá quen thuộc, tuy nhiên nhược điểm là không nhanh. Kể cả việc triển khai self service BI bằng các công cụ như Looker, Power BI cũng không dễ dàng với người dùng không rành công nghệ / không rành data. Thế nên khi có một bộ công cụ AI đủ tốt và đủ tin cậy thì người ta sẽ dễ xài hơn, tính tự động hóa và tự chủ cao hơn. Một vài ví dụ mình quan sát thấy khi triển khai Elton và Elton DataUtils cho khách về vụ này là:
- Người dùng là kế toán tự khám phá các công thức tính mới để làm việc với tồn kho, thứ mà trước đây họ phải làm rất cực bằng Excel vì data lớn, lại rải rác nhiều kho, nhiều cửa hàng.
- Các team tech triển khai “datasource” về cho mỗi phòng ban, dựa vào đó họ có thể tự lên biểu đồ mà họ cần. Semantic layer, business metrics đã được định nghĩa sẵn, nên không sợ sai nữa, chỉ là họ filter và nhìn theo các chiều khác nhau mà thôi. Thường là họ hỏi đáp với dữ liệu là nhiều, một số ít user nâng cao xài tính năng workspace để khai phá dữ liệu sâu hơn
- Trong Elton DataUtils của mình có luôn tính năng dashboard, có hỗ trợ row level security các thứ, mà business user thậm chí còn tự tạo dashboard thông qua prompt với agent trong hệ thống của DataUtils nữa chứ không cần kéo thả. Quá đã. Một khách hàng của mình thì team BA có thể tạo nhanh dashboard cho các phòng ban bằng cách dùng các bảng mà team Analytics Engineer đã define sẵn.
- So khớp dữ liệu giữa file Excel tính thủ công với data đang có trong data warehouse, tiện nhất cho các khách hàng mới onboard cần đối chiếu, migrate các bảng dữ liệu tính tay lên chạy tự động
Tầng ứng dụng là một bài toán cực kì đẹp của data, vì nó tạo ra rất nhiều giá trị. Và mình rất rất vui khi thấy khách hàng sử dụng chính sản phẩm của mình để làm những điều mà trước đây với họ là không thể, họ có thể tăng tốc ra quyết định, và rút gọn khâu tìm hiểu về dữ liệu. Ngoài tiền ra thì đây là điểm mình thấy vui nhất ở vai trò là một data engineer hay một software engineer.