Big Data doanh nghiệp được ứng dụng như thế nào?

Trong thực tế, dữ liệu có thể đến từ hệ thống bán hàng, CRM, website, ứng dụng, thiết bị IoT, chuỗi cung ứng, giao dịch tài chính hoặc tương tác của khách hàng. Khi những nguồn này được liên kết và phân tích cùng nhau, doanh nghiệp có thể nhìn thấy các quan hệ mà từng hệ thống riêng lẻ khó thể hiện: nhóm khách hàng nào dễ mua lại, yếu tố nào làm nhu cầu tăng, giao dịch nào có dấu hiệu bất thường hoặc công đoạn nào đang làm giảm hiệu suất.

Big Data vì vậy đóng vai trò như một nền tảng phân tích quy mô lớn. Nó đặc biệt hữu ích khi dữ liệu đã vượt khả năng xử lý kinh tế hoặc kịp thời của cách tiếp cận truyền thống. Tuy nhiên, nhiều dữ liệu hơn không tự động tạo ra dự báo tốt hơn; chất lượng, tính đại diện và cách sử dụng dữ liệu mới quyết định giá trị cuối cùng.

Big Data biến dữ liệu phân tán thành cơ sở ra quyết định như thế nào?

Ứng dụng Big Data bắt đầu bằng việc đưa dữ liệu từ nhiều nguồn vào một quy trình thống nhất. Doanh nghiệp có thể thu nhận dữ liệu giao dịch từ ERP, hành vi từ website hoặc ứng dụng, dữ liệu khách hàng từ CRM, thông tin vận hành từ máy móc và dữ liệu bên ngoài liên quan đến thị trường.

Dữ liệu sau đó phải được làm sạch, chuẩn hóa, liên kết và lưu trên hạ tầng đủ khả năng mở rộng. Kiến trúc Big Data không chỉ giải quyết kích thước dữ liệu mà còn phải xử lý sự khác biệt về định dạng và tốc độ phát sinh. Đây là lý do một bài toán chỉ thực sự cần kiến trúc Big Data khi các yêu cầu về quy mô, tốc độ hoặc độ phức tạp khiến phương pháp xử lý thông thường trở nên không phù hợp. NIST cũng lưu ý rằng không có một ngưỡng dung lượng duy nhất để quyết định một bài toán có phải Big Data hay không; lựa chọn kiến trúc còn phụ thuộc vào yêu cầu về hiệu năng, chi phí và thời gian xử lý.

Trên lớp dữ liệu đã được chuẩn bị, doanh nghiệp có thể thực hiện ba nhóm phân tích quan trọng:

·         Phân tích mô tả để biết điều gì đã xảy ra

·         Phân tích chẩn đoán để tìm yếu tố có liên quan đến kết quả

·         Phân tích dự báo để ước lượng điều có khả năng xảy ra tiếp theo

Kết quả chỉ tạo ra giá trị khi được đưa trở lại quy trình kinh doanh. Một dự báo nhu cầu chẳng hạn phải có khả năng ảnh hưởng đến kế hoạch nhập hàng; điểm rủi ro phải hỗ trợ quy trình kiểm tra giao dịch; phân khúc khách hàng phải được dùng để điều chỉnh cách tiếp cận. Big Data vì thế là một chu trình từ dữ liệu đến phân tích, rồi từ phân tích đến hành động chứ không phải một kho dữ liệu độc lập.

Doanh nghiệp ứng dụng Big Data để hiểu và phục vụ khách hàng

Khách hàng tạo ra nhiều dấu vết dữ liệu trong quá trình tương tác với doanh nghiệp: lịch sử mua hàng, sản phẩm đã xem, phản hồi chiến dịch, lượt tìm kiếm, thời gian sử dụng ứng dụng, yêu cầu hỗ trợ và nhiều hành vi khác. Khi các dữ liệu này được phân tích cùng nhau, doanh nghiệp có thể xây dựng góc nhìn đầy đủ hơn về từng nhóm khách hàng.

Một ứng dụng phổ biến là phân khúc khách hàng dựa trên dữ liệu thực tế. Thay vì chỉ chia theo tuổi, khu vực hoặc giới tính, doanh nghiệp có thể kết hợp tần suất mua, giá trị đơn hàng, danh mục quan tâm và mức độ tương tác. Các nhóm thu được có thể phản ánh khác biệt về hành vi rõ hơn và hỗ trợ lựa chọn thông điệp phù hợp.

Big Data còn hỗ trợ hệ thống gợi ý và cá nhân hóa. Khi doanh nghiệp có đủ lịch sử tương tác, thuật toán có thể tìm quan hệ giữa người dùng, sản phẩm và hành vi để xếp hạng sản phẩm hoặc nội dung có khả năng phù hợp hơn với từng trường hợp.

Trong marketing, dữ liệu quy mô lớn cũng giúp doanh nghiệp đo hiệu quả theo nhiều điểm tiếp xúc thay vì nhìn từng kênh biệt lập. IBM liệt kê targeted marketing trong các ứng dụng Big Data thực tế, bên cạnh những bài toán như tối ưu chuỗi cung ứng, phát hiện gian lận và định giá động.

Giới hạn quan trọng là tương quan không đồng nghĩa với nguyên nhân. Một nhóm khách hàng có tỷ lệ mua cao sau khi nhìn thấy một quảng cáo không tự động chứng minh quảng cáo là nguyên nhân tạo ra toàn bộ mức tăng. Khi cần đánh giá tác động nhân quả, doanh nghiệp vẫn phải sử dụng thiết kế thử nghiệm hoặc phương pháp đo lường thích hợp.

Big Data hỗ trợ dự báo nhu cầu và tối ưu vận hành

Một trong những giá trị trực tiếp nhất của Big Data doanh nghiệp là kết nối dữ liệu lịch sử với dữ liệu vận hành để dự báo những gì có khả năng xảy ra.

Trong bán lẻ hoặc phân phối, mô hình dự báo có thể kết hợp doanh số trước đây với thời điểm, khu vực, danh mục hàng hóa, chương trình khuyến mại và các biến liên quan khác. Kết quả dự báo giúp doanh nghiệp ước lượng nhu cầu ở mức chi tiết hơn, từ đó hỗ trợ quyết định tồn kho, phân bổ hàng và năng lực cung ứng.

Trong chuỗi cung ứng, dữ liệu từ đơn hàng, kho, vận chuyển và nhà cung cấp có thể được phân tích để nhận diện điểm nghẽn hoặc nguy cơ chậm trễ. IBM xác định supply chain optimization là một trong những nhóm ứng dụng thực tế của Big Data.

Đối với sản xuất, dữ liệu cảm biến có thể bổ sung một lớp quan sát mà báo cáo thủ công không cung cấp được. Các biến như nhiệt độ, độ rung, tải hoặc trạng thái vận hành được theo dõi qua thời gian có thể giúp phát hiện mẫu bất thường. Nếu có đủ dữ liệu về sự cố thực tế, doanh nghiệp còn có thể xây dựng mô hình ước lượng nguy cơ hỏng hóc để ưu tiên kiểm tra hoặc bảo trì.

Điểm quan trọng là dự báo không thay thế quyết định vận hành. Một mô hình có thể dự đoán nhu cầu tăng nhưng doanh nghiệp vẫn phải cân nhắc năng lực kho, thời gian cung ứng, chi phí vốn và hậu quả của việc dự báo sai. Giá trị của Big Data nằm ở việc giảm mức độ ra quyết định dựa hoàn toàn vào trực giác, không phải loại bỏ vai trò của con người.

Big Data giúp phát hiện bất thường và kiểm soát rủi ro

Đối với những hoạt động có số lượng giao dịch lớn, nhân sự khó có thể kiểm tra từng sự kiện bằng phương pháp thủ công. Big Data cho phép hệ thống đánh giá nhiều tín hiệu đồng thời và ưu tiên những trường hợp có mức độ bất thường cao.

Trong phát hiện gian lận, mỗi giao dịch có thể được xem xét cùng nhiều đặc trưng như giá trị, thời điểm, địa điểm, thiết bị, lịch sử giao dịch và những thay đổi khác so với hành vi thông thường. IBM cũng xác định fraud detection là một use case tiêu biểu của Big Data.

Cơ chế ở đây không nhất thiết là khẳng định ngay một giao dịch có gian lận. Hệ thống thường tạo ra tín hiệu hoặc điểm rủi ro, từ đó hỗ trợ các hành động như yêu cầu xác thực bổ sung, chuyển sang kiểm tra hoặc hạn chế một giao dịch.

Cách tiếp cận tương tự có thể dùng để giám sát hoạt động CNTT, phát hiện lỗi vận hành hoặc nhận diện thay đổi bất thường trong các chỉ số kinh doanh. Thay vì thiết lập một vài ngưỡng cố định, mô hình có thể xem xét nhiều biến và lịch sử của đối tượng để nhận ra những mẫu khó phát hiện bằng quy tắc đơn giản.

Đổi lại, doanh nghiệp phải quản lý hai loại sai số: hệ thống có thể bỏ sót sự kiện thực sự nguy hiểm hoặc tạo quá nhiều cảnh báo giả. Vì vậy một mô hình rủi ro không nên chỉ được đánh giá bằng mức độ “chính xác” chung; doanh nghiệp phải xem chi phí của từng loại sai lệch và đặt ngưỡng hành động phù hợp với nghiệp vụ.

Vì sao Big Data có thể cải thiện dự báo nhưng không bảo đảm dự báo chính xác?

Big Data có khả năng làm mô hình dự báo tốt hơn khi dữ liệu bổ sung cung cấp tín hiệu mới thực sự liên quan đến kết quả cần dự đoán. Nhiều quan sát hơn có thể giúp mô hình nhận diện mẫu ổn định hơn, còn nhiều nguồn dữ liệu hơn có thể bổ sung những biến giải thích mà một tập dữ liệu đơn lẻ không có.

Nhưng kích thước dữ liệu chỉ là một điều kiện. Độ chính xác của dự báo còn chịu ảnh hưởng bởi ít nhất bốn yếu tố.

Chất lượng và tính đại diện của dữ liệu

Nếu dữ liệu bị thiếu, sai, trùng, lệch mẫu hoặc chỉ phản ánh một nhóm khách hàng, việc tăng khối lượng dữ liệu có thể khuếch đại vấn đề thay vì giải quyết nó. Dữ liệu quá khứ cũng phải đại diện đủ tốt cho hoàn cảnh mà mô hình sẽ được sử dụng.

Khả năng biến dữ liệu thành đặc trưng có ý nghĩa

Một kho dữ liệu rất lớn chưa chắc chứa những biến giúp dự báo mục tiêu. Giá trị xuất hiện khi doanh nghiệp xác định được quan hệ giữa tín hiệu dữ liệu và câu hỏi kinh doanh cụ thể.

Cách đánh giá mô hình

Mô hình phải được kiểm tra trên dữ liệu không dùng để huấn luyện và bằng chỉ số phù hợp với bài toán. Với dự báo nhu cầu, sai số dự báo cần được theo dõi; với bài toán phân loại rủi ro, doanh nghiệp phải xem xét cả khả năng phát hiện đúng và tỷ lệ cảnh báo sai.

Sự thay đổi của môi trường

Hành vi khách hàng, giá cả, cạnh tranh và điều kiện vận hành có thể thay đổi. Quan hệ học được từ dữ liệu lịch sử vì vậy có thể suy giảm theo thời gian. Doanh nghiệp cần theo dõi hiệu năng sau triển khai và cập nhật mô hình khi phân phối dữ liệu hoặc hành vi thực tế thay đổi.

Do đó, phát biểu chính xác hơn không phải là “càng nhiều dữ liệu thì dự báo càng chính xác”, mà là Big Data mở rộng lượng tín hiệu có thể khai thác; độ chính xác tăng hay không phụ thuộc vào chất lượng dữ liệu, thiết kế mô hình và khả năng duy trì mô hình trong điều kiện thực tế.

Doanh nghiệp cần điều kiện gì để khai thác Big Data hiệu quả?

Đầu tư vào Big Data chỉ có ý nghĩa khi bắt đầu từ một vấn đề kinh doanh đủ rõ. Doanh nghiệp nên xác định quyết định nào cần cải thiện, dữ liệu nào có thể ảnh hưởng đến quyết định đó và kết quả sẽ được đo bằng chỉ số nào trước khi lựa chọn công nghệ.

Một hệ thống có giá trị thường cần bốn lớp năng lực liên kết với nhau.

·         Dữ liệu: Có nguồn dữ liệu liên quan, quy tắc chất lượng, quyền truy cập và định danh đủ để liên kết dữ liệu

·         Hạ tầng: Có khả năng lưu trữ và xử lý ở quy mô, tốc độ và chi phí phù hợp

·         Phân tích: Có phương pháp thống kê, machine learning hoặc công cụ phân tích phù hợp với câu hỏi

·         Vận hành: Có quy trình đưa kết quả phân tích vào quyết định và theo dõi hiệu quả sau triển khai

NIST xây dựng Big Data Reference Architecture với các vai trò và thành phần liên quan đến cung cấp dữ liệu, xử lý, ứng dụng, tiêu thụ dữ liệu, quản lý cũng như bảo mật và quyền riêng tư. Điều này phản ánh một thực tế: Big Data là bài toán hệ thống, không chỉ là lựa chọn một công cụ phân tích.

Doanh nghiệp cũng không nên triển khai kiến trúc Big Data chỉ vì đang sở hữu nhiều dữ liệu. Nếu một cơ sở dữ liệu hoặc kho dữ liệu thông thường vẫn xử lý được khối lượng và độ trễ cần thiết với chi phí hợp lý, việc bổ sung một hệ thống phân tán phức tạp có thể làm tăng chi phí tích hợp, quản trị và vận hành mà chưa tạo thêm giá trị.

Bên cạnh đó, dữ liệu khách hàng, tài chính hoặc hành vi thường liên quan trực tiếp đến quyền truy cập và quyền riêng tư. Quản trị dữ liệu phải xác định ai được sử dụng dữ liệu, sử dụng cho mục đích nào, dữ liệu được giữ bao lâu và cách kiểm soát việc sử dụng trong hệ thống phân tích. Năng lực kỹ thuật càng lớn thì yêu cầu quản trị càng cần được thiết kế rõ.

Big Data doanh nghiệp phát huy giá trị khi biến lượng dữ liệu lớn và đa dạng thành tín hiệu phục vụ một quyết định cụ thể. Trong marketing, dữ liệu giúp nhận diện và cá nhân hóa khách hàng; trong vận hành, dữ liệu hỗ trợ dự báo nhu cầu và tối ưu chuỗi cung ứng; trong quản trị rủi ro, dữ liệu giúp phát hiện các mẫu bất thường trên số lượng giao dịch rất lớn.

Khả năng phân tích quy mô lớn không đồng nghĩa với độ chính xác tự động tăng. Doanh nghiệp chỉ cải thiện được dự báo khi dữ liệu đủ chất lượng, có quan hệ với mục tiêu cần dự đoán, mô hình được đánh giá đúng và kết quả được theo dõi sau khi triển khai. Vì vậy, điểm xuất phát phù hợp của một dự án Big Data không phải là câu hỏi “cần lưu bao nhiêu dữ liệu?”, mà là “quyết định kinh doanh nào cần được cải thiện bằng dữ liệu?”.