RA QUYẾT ĐỊNH DỰA TRÊN DỮ LIỆU

Từ những khoảnh khắc 'Aha!' đột phá đến sức mạnh tối ưu hóa ở quy mô lớn

Trong nhiều thế kỷ, các quyết định kinh doanh được đưa ra dựa trên một hỗn hợp của kinh nghiệm dày dặn, trực giác nhạy bén và đôi khi là cả may mắn. Các nhà lãnh đạo thành công là những người có "cảm giác" tốt về thị trường. Nhưng trong thế kỷ 21, sân chơi đã thay đổi. Một cuộc cách mạng âm thầm nhưng mạnh mẽ đang diễn ra, không phải bằng máy móc hay nhà xưởng, mà bằng những con số, những mẫu hành vi và những thuật toán. Đó là cuộc cách mạng của Ra quyết định dựa trên dữ liệu (Data-Driven Decision-Making - DDDM).

DDDM không chỉ là việc mua một phần mềm đắt tiền hay phân tích vài biểu đồ. Nó đại diện cho một sự thay đổi văn hóa sâu sắc: cam kết tìm kiếm sự thật khách quan ẩn trong dữ liệu để dẫn lối cho mọi hành động, từ chiến lược vĩ mô đến vận hành vi mô. Để thực sự làm chủ nghệ thuật này, trước hết chúng ta phải hiểu rằng dữ liệu không chỉ là một sản phẩm phụ của hoạt động kinh doanh – nó chính là một tài sản chiến lược.

Dữ liệu – Tài sản chiến lược của thế kỷ 21

Một tài sản chiến lược là thứ mang lại cho công ty một lợi thế cạnh tranh bền vững, khó bị đối thủ sao chép hay thay thế. Trong quá khứ, đó có thể là một nhà máy độc quyền, một bằng sáng chế, hay một thương hiệu mạnh. Ngày nay, dữ liệu đã gia nhập hàng ngũ đó.

Khi một công ty sở hữu dữ liệu độc quyền, có giá trị và khó thu thập, họ đã xây dựng được một "con hào kinh tế" vững chắc.

• Ví dụ về Tài chính: Các công ty như Bloomberg hay Reuters không bán phần mềm; họ bán dữ liệu. Tài sản cốt lõi của họ là hệ thống thu thập, làm sạch và cung cấp dữ liệu tài chính theo thời gian thực. Bất kỳ quỹ đầu tư nào muốn cạnh tranh đều phải trả tiền để truy cập vào tài sản này.
• Ví dụ về Công cụ tìm kiếm: Tài sản lớn nhất của Google không phải là thuật toán tìm kiếm, mà là kho dữ liệu khổng lồ về hàng tỷ truy vấn của người dùng mỗi ngày. Dữ liệu này liên tục "dạy" cho thuật toán trở nên thông minh hơn, tạo ra một vòng lặp tự củng cố: tìm kiếm tốt hơn thu hút nhiều người dùng hơn, nhiều người dùng hơn tạo ra nhiều dữ liệu hơn, và nhiều dữ liệu hơn lại giúp tìm kiếm tốt hơn nữa. Đối thủ gần như không thể tái tạo được tài sản này.
• Ví dụ về Mạng xã hội: Meta (Facebook) sở hữu "biểu đồ xã hội" (social graph) – một bản đồ chi tiết về mối quan hệ, sở thích, tương tác của hàng tỷ người. Đây là một tài sản vô giá cho việc nhắm mục tiêu quảng cáo và hiểu biết về hành vi con người, một thứ mà không công ty nào khác có được ở cùng quy mô.

Khi đã xem dữ liệu là một tài sản, câu hỏi tiếp theo là: Làm thế nào để khai thác nó? Câu trả lời nằm ở việc ra quyết định. Các quyết định này có thể được chia thành hai loại chính, mỗi loại phục vụ một mục đích khác nhau.

Loại 1: Quyết định dựa trên "Khám phá" – Tìm kiếm những "Aha!" moment

Đây là loại quyết định dành cho những cuộc thám hiểm vào vùng đất dữ liệu chưa được khai phá. Mục tiêu không phải là để xác nhận một giả định có sẵn, mà là để khám phá ra những quy luật, những mối tương quan, những insight mới lạ và đầy bất ngờ. Đây là nơi những "Aha!" moment ra đời, những khoảnh khắc có thể thay đổi hoàn toàn cách chúng ta nhìn nhận vấn đề và mở ra những chiến lược kinh doanh đột phá.

Đặc điểm chính:

• Tính chiến lược, phi cấu trúc: Thường bắt đầu bằng một câu hỏi mở như "Chúng ta có thể học được gì từ dữ liệu này?"
• Tạo ra năng lực mới: Kết quả của nó thường là một lợi thế cạnh tranh hoàn toàn mới.
• Giá trị đột phá: Một khám phá thành công có thể định hình lại cả một ngành.

Ví dụ từ các lĩnh vực:

• Bán lẻ (ví dụ về cơn bão Frances): Các nhà phân tích của Walmart đã khai thác dữ liệu mua sắm trong các cơn bão trước đó. Họ đã khám phá ra một quy luật không hề hiển nhiên: doanh số của bánh Pop-Tarts vị dâu tây tăng gấp 7 lần và bia là mặt hàng bán chạy nhất trước khi bão đổ bộ. Khám phá này giúp Walmart chủ động dự trữ những mặt hàng này thay vì chỉ tập trung vào những thứ hiển nhiên như đèn pin hay nước đóng chai.
• Bán lẻ (ví dụ về dự đoán mang thai): Tập đoàn bán lẻ Target muốn tiếp cận các bà mẹ tương lai trước các đối thủ. Thay vì chỉ phỏng đoán, họ khởi động một dự án khám phá. Bằng cách phân tích lịch sử mua sắm của những phụ nữ đã đăng ký chương trình cho em bé, họ khám phá ra một bộ 25 sản phẩm (như lotion không mùi, bông gòn, thực phẩm chức năng chứa magie...) mà khi được mua cùng nhau, sẽ tạo thành một "tín hiệu mang thai" với độ chính xác cao. Khám phá này cho phép họ gửi các phiếu giảm giá tã, sữa đến khách hàng ngay trong tam cá nguyệt thứ hai, tạo ra một lợi thế marketing khổng lồ.
• Y tế: Một bệnh viện phân tích dữ liệu bệnh án điện tử của hàng nghìn bệnh nhân để khám phá ra mối liên hệ chưa từng được biết đến giữa một loại thuốc cụ thể và một tác dụng phụ hiếm gặp, giúp các bác sĩ cảnh giác hơn khi kê đơn. Một viện nghiên cứu phân tích hàng triệu hồ sơ bệnh án điện tử và khám phá ra mối liên hệ chưa từng được biết đến giữa một loại thuốc điều trị tiểu đường và việc giảm đáng kể nguy cơ mắc bệnh Alzheimer. Khám phá này không chỉ là một phát hiện thống kê, nó mở ra một hướng đi hoàn toàn mới cho việc nghiên cứu và điều trị bệnh suy giảm trí nhớ.
• Giải trí: Netflix không chỉ đơn thuần gợi ý phim. Họ đã khám phá ra các "cụm thị hiếu" (taste communities) phức tạp trong cộng đồng người dùng. Ví dụ, họ phát hiện có một nhóm người cùng thích phim của đạo diễn David Fincher, các bộ phim khoa học viễn tưởng Anh và diễn viên Adam Sandler. Việc khám phá ra những cụm thị hiếu phi truyền thống này cho phép Netflix ra quyết định sản xuất những nội dung độc quyền cực kỳ thành công như "House of Cards" hay "Stranger Things" vì họ biết trước có một lượng khán giả tiềm năng đang chờ đợi.
• Sản xuất: Một nhà máy phân tích dữ liệu từ các cảm biến trên dây chuyền sản xuất và khám phá ra rằng một chuỗi dao động nhiệt độ và độ rung bất thường luôn xảy ra trước khi một loại máy móc cụ thể bị hỏng. Điều này giúp họ dự đoán và bảo trì phòng ngừa thay vì chờ máy hỏng.
• Hàng không: Các nhà sản xuất động cơ máy bay như Rolls-Royce gắn hàng trăm cảm biến lên sản phẩm của mình. Bằng cách phân tích dữ liệu về nhiệt độ, áp suất, độ rung theo thời gian thực, họ khám phá ra những mẫu rung động cực kỳ tinh vi mà mắt thường hay các phương pháp kiểm tra truyền thống không thể phát hiện, vốn là dấu hiệu sớm của một sự cố tiềm tàng. Khám phá này cho phép họ chuyển đổi mô hình kinh doanh: từ bán động cơ sang bán "Giờ bay" (Power-by-the-Hour), cam kết động cơ luôn hoạt động và thực hiện bảo trì dự đoán trước khi hỏng hóc xảy ra.
• Thành phố thông minh: Chính quyền thành phố Barcelona phân tích dữ liệu ẩn danh từ điện thoại di động và các phương tiện công cộng. Họ khám phá ra một luồng di chuyển lớn của người dân vào buổi sáng sớm giữa hai khu vực mà trước đây không được xem là có kết nối trực tiếp. Khám phá này dẫn đến quyết định tạo ra một tuyến xe buýt tốc hành mới, giải quyết một nhu cầu đi lại tiềm ẩn và giảm tải cho các tuyến đường khác.

Loại 2: Quyết định "Lặp lại ở quy mô lớn" – Sức mạnh của sự tối ưu

Đây là những quyết định mang tính vận hành, được đưa ra rất nhiều lần, thường xuyên và áp dụng cho một số lượng lớn các đối tượng (khách hàng, giao dịch, sản phẩm). Chúng là huyết mạch của các doanh nghiệp hiện đại. Ở đây, mục tiêu không phải là một khám phá gây chấn động, mà là sự tối ưu không ngừng. Ngay cả một cải thiện nhỏ về độ chính xác (ví dụ, tăng 1%) cũng có thể tạo ra lợi nhuận hoặc tiết kiệm chi phí khổng lồ khi được nhân với quy mô cực lớn.

Đặc điểm chính:

• Tính vận hành, có cấu trúc: Giải quyết một vấn đề kinh doanh cụ thể, lặp đi lặp lại.
• Tần suất cao, khối lượng lớn: Thường được tự động hóa để đảm bảo tốc độ và sự nhất quán.
• Tập trung vào hiệu quả: Mục tiêu là tăng độ chính xác, giảm chi phí, tối ưu hóa nguồn lực.

Ví dụ từ các lĩnh vực:

• Viễn thông (ví dụ về dự đoán khách hàng rời bỏ): Một công ty viễn thông đối mặt với vấn đề khách hàng rời bỏ (churn) hàng tháng. Họ có một ngân sách giới hạn để đưa ra các ưu đãi (giảm giá, tặng dữ liệu) nhằm giữ chân khách hàng. Câu hỏi không phải là "Liệu có khách hàng nào sẽ rời bỏ không?" mà là "Trong số 20 triệu khách hàng, chính xác thì chúng ta nên đưa ra ưu đãi cho 1.000 khách hàng nào để tối đa hóa hiệu quả?". Họ sử dụng một mô hình dữ liệu để chấm điểm "nguy cơ rời bỏ" cho từng khách hàng mỗi tháng. Đây là một quyết định lặp lại ở quy mô lớn. Việc cải thiện mô hình để xác định đúng người cần giữ chân hơn chỉ một chút thôi cũng giúp tiết kiệm hàng triệu đô la chi phí marketing và giữ lại hàng triệu đô la doanh thu.
• Tài chính & Ngân hàng: Mỗi khi bạn quẹt thẻ tín dụng, một quyết định phải được đưa ra trong chưa đầy một giây: Giao dịch này có hợp lệ hay gian lận? Các ngân hàng sử dụng mô hình AI được huấn luyện trên hàng tỷ giao dịch để tự động hóa quyết định này. Đây là một quy trình vận hành cốt lõi, lặp lại không ngừng nghỉ.
• Nhân sự: Một tập đoàn đa quốc gia như Unilever hay P&G nhận được hàng trăm ngàn hồ sơ ứng tuyển mỗi năm. Việc đọc và sàng lọc thủ công là bất khả thi. Họ sử dụng các hệ thống AI để tự động "đọc", phân tích và xếp hạng các CV dựa trên sự phù hợp với mô tả công việc và dữ liệu về các nhân viên thành công trong quá khứ. Quyết định "hồ sơ này có đáng để chuyển sang vòng phỏng vấn hay không" được lặp lại ở quy mô lớn.
• Thương mại điện tử: Một website như Amazon hay Tiki phải quyết định sản phẩm nào sẽ gợi ý cho mỗi một khách hàng truy cập trang web. Quyết định này được thực hiện hàng triệu lần mỗi ngày. Cải thiện độ chính xác của hệ thống gợi ý sẽ làm tăng đáng kể doanh thu.
• Lọc thư rác: Dịch vụ email như Gmail phải tự động quyết định xem mỗi một email gửi đến hộp thư của bạn có phải là thư rác hay không. Đây là một quyết định lặp lại ở quy mô cực lớn.
• Logistics và giao vận: Các công ty như Grab, FedEx, Giao Hàng Nhanh phải quyết định lộ trình tối ưu nhất cho hàng ngàn tài xế mỗi ngày. Hệ thống sẽ tự động tính toán con đường hiệu quả nhất dựa trên tình hình giao thông, số lượng điểm giao hàng và thời gian ước tính. Đây là một quyết định lặp lại giúp tiết kiệm hàng triệu lít xăng và vô số giờ lao động.
• Quảng cáo trực tuyến: Khi bạn truy cập một trang web, hệ thống quảng cáo phải quyết định trong tích tắc sẽ hiển thị quảng cáo nào cho bạn dựa trên hồ sơ của bạn. Quyết định này lặp lại với mỗi người dùng và mỗi lần tải trang.

Từ khám phá đến vận hành: Vòng đời của một quyết định

Điều quan trọng cần nhận ra là hai loại quyết định này tạo thành một vòng đời. Hầu hết các hệ thống ra quyết định Loại 2 tinh vi ngày nay đều bắt nguồn từ một dự án Khám phá Loại 1.

Hãy lấy ví dụ về chống gian lận thẻ tín dụng:

1. Giai đoạn khám phá (Loại 1): Nhiều năm trước, một nhóm phân tích của ngân hàng bắt đầu với một câu hỏi mở: "Những giao dịch gian lận có đặc điểm gì chung mà chúng ta chưa biết?". Họ phân tích dữ liệu và khám phá ra các mẫu hành vi đáng ngờ, ví dụ: một loạt giao dịch nhỏ để thử thẻ, theo sau là một giao dịch mua sắm lớn ở một địa điểm bất thường.
2. Giai đoạn vận hành (Loại 2): Khi khám phá này được xác thực, ngân hàng đã xây dựng một hệ thống tự động. Giờ đây, hệ thống đó đưa ra quyết định lặp lại ở quy mô lớn: quét mọi giao dịch trong thời gian thực để tìm kiếm mẫu hành vi đã được khám phá đó và tự động chặn các giao dịch đáng ngờ.

Lời kết

Việc chuyển đổi sang Ra quyết định dựa trên dữ liệu là một hành trình, không phải là một điểm đến. Nó đòi hỏi các nhà lãnh đạo phải có tư duy xem dữ liệu như một tài sản chiến lược quý giá. Quan trọng hơn, họ cần phải biết khi nào nên đeo chiếc mũ của nhà thám hiểm để khám phá những vùng đất mới, và khi nào nên đội chiếc mũ của kỹ sư để tối ưu hóa một cỗ máy vận hành khổng lồ.

Bằng cách hiểu rõ sự khác biệt và mối liên hệ giữa hai loại hình quyết định này, doanh nghiệp có thể khai thác toàn bộ tiềm năng của dữ liệu, biến những con số khô khan thành trí tuệ dẫn lối, và cuối cùng, đưa ra những lựa chọn không chỉ đúng đắn mà còn mang tính đột phá trong một thế giới không ngừng biến đổi.

PHỤ LỤC: PHÂN TÍCH BÀI TOÁN DỰ ĐOÁN MANG THAI VÀ DỰ ĐOÁN RỜI BỎ

Điểm tương đồng của hai bài toán

Về mặt kỹ thuật, cả hai đều là bài toán phân loại (Classification).

1. Mục tiêu là phân loại: Cả hai đều cố gắng phân loại một đối tượng (khách hàng) vào một trong hai nhóm:
   • Churn: Sẽ rời bỏ / Sẽ không rời bỏ.
   • Mang thai: Có khả năng đang mang thai / Không có khả năng đang mang thai.
2. Dựa trên dữ liệu lịch sử: Cả hai mô hình đều phải "học" từ dữ liệu trong quá khứ.
   • Để dự đoán churn, mô hình xem xét dữ liệu của những khách hàng trong quá khứ để tìm ra các dấu hiệu.
   • Để dự đoán mang thai, mô hình xem xét dữ liệu của những khách hàng trong quá khứ để tìm ra các mẫu hành vi mua sắm.
3. Tìm kiếm các mẫu hành vi (Patterns): Cốt lõi của cả hai là phát hiện những thay đổi tinh vi trong hành vi của khách hàng để làm tín hiệu dự báo.
   • Tín hiệu churn: Giảm tần suất sử dụng dịch vụ, tăng các cuộc gọi đến bộ phận chăm sóc khách hàng, khiếu nại về cước phí...
   • Tín hiệu mang thai: Bắt đầu mua vitamin, lotion không mùi, quần áo size lớn hơn, bông gòn...
4. Kết quả là một "điểm số" hoặc "xác suất": Thông thường, kết quả của mô hình không phải là một câu trả lời "có/không" tuyệt đối, mà là một điểm số (ví dụ: điểm churn từ 1-100) hoặc một xác suất (ví dụ: 85% khả năng sẽ rời bỏ). Điều này giúp doanh nghiệp ưu tiên hành động.

Điểm khác biệt của hai bài toán

Từ góc độ của một nhà khoa học dữ liệu, quy trình xây dựng mô hình cho hai bài toán này rất giống nhau: thu thập dữ liệu, gán nhãn, tìm kiếm đặc trưng, huấn luyện mô hình phân loại, và đánh giá.

Tuy nhiên, từ góc độ của một nhà chiến lược kinh doanh hay một nhà quản lý, chúng là hai bài toán hoàn toàn khác nhau vì mục đích cuối cùng của việc dự đoán là khác nhau. Một bên là để ngăn chặn một kết quả không mong muốn, còn một bên là để chớp lấy một cơ hội kinh doanh. Sự khác biệt về mục tiêu này dẫn đến các hành động, chiến lược và cả những cân nhắc về đạo đức hoàn toàn khác biệt. Đây là điểm mấu chốt khiến chúng trở nên khác biệt trong thực tế.

Tại sao "Dự đoán mang thai" được xếp vào Loại 1: Khám phá?

Trong bối cảnh của ví dụ về Target, mục tiêu chính không chỉ đơn thuần là tìm ra khách hàng mang thai. Mục tiêu là một cuộc khám phá mang tính chiến lược:

1. Tìm ra điều chưa biết (The "Aha!" Moment): Câu hỏi cốt lõi của Target là: "Liệu chúng ta có thể dự đoán việc mang thai chỉ dựa trên dữ liệu mua sắm hay không, và làm điều đó trước cả đối thủ?". Trước khi thực hiện phân tích này, họ không biết liệu điều đó có khả thi hay không. Việc phát hiện ra rằng "có, chúng ta có thể" chính là một khám phá (discovery). Nó mở ra một năng lực cạnh tranh hoàn toàn mới.
2. Tạo ra chiến lược mới: Khám phá này không chỉ tối ưu hóa một quy trình có sẵn, mà nó tạo ra một chiến lược marketing hoàn toàn mới: tiếp cận "trước đối thủ". Thay vì kiểm tra một giả thuyết đơn giản, dữ liệu đã được khám phá với hy vọng rằng một điều gì đó hữu ích sẽ được phát hiện. Đây chính là bản chất của Loại 1.

Tại sao "Dự đoán Khách hàng rời bỏ" được xếp vào Loại 2: Lặp lại ở quy mô lớn?

Trong bối cảnh của ví dụ công ty viễn thông, bài toán được đặt ra như một vấn đề vận hành (operational problem) đã tồn tại:

1. Tối ưu hóa quy trình có sẵn: Công ty viễn thông nào cũng biết churn là một vấn đề và họ đã có sẵn ngân sách marketing để giữ chân khách hàng. Vấn đề không phải là "khám phá" xem liệu có thể dự đoán churn hay không (câu trả lời chắc chắn là có). Vấn đề là: "Làm thế nào để quyết định nên gửi ưu đãi cho ai trong số hàng chục triệu khách hàng mỗi tháng một cách hiệu quả nhất?"
2. Tập trung vào hiệu quả ở quy mô lớn: Quyết định này được lặp đi lặp lại hàng tháng cho hàng triệu người. Mục tiêu là tối ưu hóa một quy trình lặp lại. Ngay cả một cải tiến nhỏ về độ chính xác (ví dụ từ 80% lên 81%) cũng sẽ mang lại lợi ích tài chính khổng lồ khi nhân với quy mô đó. Đây chính là đặc trưng của Loại 2.

Sự tiến hóa của một bài toán: Từ Khám phá đến Vận hành

Điểm mấu chốt để giải quyết sự "mâu thuẫn" là: Hầu hết các bài toán Loại 2 đều bắt đầu vòng đời của mình như một bài toán Loại 1.

• Giai đoạn 1 (Khám phá - Loại 1): Lần đầu tiên công ty viễn thông cố gắng giải quyết bài toán churn, họ cũng phải thực hiện một dự án "khám phá". Họ phải tìm ra những yếu tố nào thực sự dự báo được churn trong tập dữ liệu của họ. Đây là giai đoạn khám phá.
• Giai đoạn 2 (Vận hành - Loại 2): Khi họ đã "khám phá" ra các yếu tố dự báo và xây dựng được mô hình ban đầu, bài toán chuyển sang giai đoạn vận hành. Mô hình được tích hợp vào quy trình kinh doanh, được chạy tự động hàng tháng. Giờ đây, mục tiêu là liên tục cải tiến, tối ưu hóa độ chính xác và hiệu quả của nó ở quy mô lớn.

Xem ví dụ về Target thuộc giai đoạn 1 (khám phá) và ví dụ về công ty viễn thông thuộc giai đoạn 2 (vận hành) để làm nổi bật sự khác biệt giữa hai loại ra quyết định.

Vì vậy, cách phân loại phụ thuộc vào lăng kính và giai đoạn trưởng thành của bài toán được dùng làm ví dụ minh họa. Về bản chất kỹ thuật, chúng có thể hoán đổi cho nhau.