CHƯƠNG 1: XÁC ĐỊNH CÂU HỎI

Trong chương này

• Các doanh nghiệp, tồn tại để tạo ra giá trị, thu thập và có quyền truy cập vào lượng dữ liệu khổng lồ liên quan đến các quy trình kinh doanh của họ.

• Các nhà phân tích kinh doanh sử dụng dữ liệu để giúp các nhà quản lý trả lời các câu hỏi về việc tạo ra giá trị và các chức năng kinh doanh khác.

• Mô hình phân tích SOAR là một khuôn khổ hữu ích để thực hiện phân tích kinh doanh và tư vấn cho các nhà quản lý.

• Bước đầu tiên của mô hình SOAR là XÁC ĐỊNH CÂU HỎI.

Trong chương sau

• Để giải quyết các câu hỏi kinh doanh, chúng ta phải biết dữ liệu nào có sẵn, cách truy cập dữ liệu đó và cách đánh giá dữ liệu đó.

• Chương 2 giới thiệu bước thứ hai trong mô hình SOAR: THU THẬP DỮ LIỆU. Nó tóm tắt các nguồn dữ liệu kinh doanh, các loại dữ liệu khác nhau và các công cụ quản lý dữ liệu chính.

MỤC TIÊU HỌC TẬP

Sau khi đọc chương này, bạn sẽ có thể:

• LO 1.1: Định nghĩa quy trình kinh doanh và giải thích tại sao sự gia tăng tính sẵn có của dữ liệu lại làm nảy sinh vai trò của nhà phân tích kinh doanh.

• LO 1.2: Phân biệt giữa dữ liệu và thông tin.

• LO 1.3: Tóm tắt vai trò của nhà phân tích kinh doanh.

• LO 1.4: Mô tả cách các chức năng kinh doanh khác nhau sử dụng phân tích kinh doanh.

• LO 1.5: Xác định các thành phần của mô hình phân tích SOAR.

• LO 1.6: Mô tả việc sử dụng các hình ảnh trực quan hóa dữ liệu khám phá và các hình ảnh trực quan hóa dữ liệu giải thích.

CÁC BÀI THỰC HÀNH

• LAB 1.1 Excel: Đánh giá khả năng sinh lời của doanh nghiệp cắt cỏ.

• LAB 1.2 Excel/Tableau/Power BI: Đánh giá khả năng sinh lời của khách hàng.

• LAB 1.3 Excel/Tableau/Power BI: Đánh giá khả năng sinh lời của sản phẩm (SKU).

Trong chương này, chúng ta định nghĩa vai trò của các nhà phân tích kinh doanh, những người phân tích dữ liệu để giải quyết các câu hỏi quản lý nhằm phục vụ việc ra quyết định.

1.1 DOANH NGHIỆP TẠO RA GIÁ TRỊ

Một công ty kiếm được doanh thu bằng cách sử dụng các đầu vào như nguyên liệu thô, công nhân tài năng, nhà xưởng và thiết bị để sản xuất và sau đó bán đầu ra có giá trị hơn, chẳng hạn như các bản thiết kế kiến trúc hoàn chỉnh hoặc máy tính xách tay. Hãy lấy Apple làm ví dụ. Bằng cách thiết kế, sản xuất và bán iPhone cho công chúng, Apple tạo ra giá trị vì iPhone là một thiết bị tính toán và liên lạc mạnh mẽ. Nếu Apple không tạo ra giá trị, cuối cùng nó sẽ không tồn tại.

Hãy xem một số ví dụ khác. Các công ty sản xuất như Tesla tạo ra giá trị bằng cách thu mua và xử lý nguyên liệu thô để sản xuất các sản phẩm có giá trị hơn, bao gồm ô tô điện, cho khách hàng của họ. Các nhà bán lẻ như Amazon tạo ra giá trị bằng cách thu mua sản phẩm và bán chúng theo cách thuận tiện cho khách hàng, tại địa điểm vật lý hoặc trên nền tảng thương mại điện tử (website). Amazon nâng cao trải nghiệm khách hàng bằng cách cung cấp thông tin về các sản phẩm này thông qua đánh giá của khách hàng và bằng cách tạo điều kiện thuận lợi cho quy trình thanh toán và khả năng giao hàng. Bank of America sử dụng công nghệ và quyền truy cập vốn để tạo ra giá trị bằng cách cung cấp các khoản vay thế chấp và dịch vụ tài chính khác cho khách hàng.

Như bạn có thể thấy, các doanh nghiệp cung cấp giá trị cho khách hàng của họ theo nhiều cách. Giá trị doanh nghiệp (business value) đề cập đến tất cả các hạng mục, sự kiện và tương tác xác định sức khỏe tài chính của một công ty. Giá trị này có thể đến từ nhà cung cấp, khách hàng, nhân viên và/hoặc hệ thống thông tin của công ty. Một thước đo phổ biến về giá trị của doanh nghiệp là sự gia tăng lợi nhuận trong dài hạn. Chỉ số này không chỉ kết hợp doanh thu liên quan đến sản phẩm hoặc dịch vụ mà còn cả chi phí sản xuất sản phẩm hoặc dịch vụ đó, bởi vì để duy trì hoạt động kinh doanh, một công ty phải kiếm được nhiều doanh thu hơn chi phí bỏ ra.

Để xem cách giá trị được tạo ra, chúng ta bắt đầu bằng cách nhìn vào các hoạt động cụ thể, hoặc quy trình kinh doanh, mà một công ty thực hiện. Một quy trình kinh doanh/nghiệp vụ (business process) là một tập hợp các hoạt động được phối hợp và chuẩn hóa, được thực hiện bởi cả con người và thiết bị để hoàn thành một nhiệm vụ kinh doanh cụ thể. Hãy xem các ví dụ sau về quy trình kinh doanh tại các công ty khác nhau:

• Amazon chấp nhận đơn đặt hàng cho một cuốn sách bán chạy nhất của New York Times.

• KPMG cung cấp tư vấn thuế cho khách hàng.

• TruGreen tính phí khách hàng cho việc phun thuốc diệt cỏ lên bãi cỏ của họ.

• Tesla sản xuất một chiếc xe điện để bán ở Trung Quốc.

• Fulton Homes ký hợp đồng với khách hàng để xây một ngôi nhà bằng vật liệu in từ máy in 3D.

• eBay quảng cáo một món đồ chơi cổ điển khó tìm cho những người mua tiềm năng.

• Toyota thu mua các bộ phận sẽ được sử dụng để sản xuất mẫu xe Camry.

• DoorDash trả tiền cho tài xế của mình, là những đối tác độc lập, để họ thực hiện giao hàng.

• Procter & Gamble (P&G) giải quyết các khiếu nại của khách hàng, đôi khi bằng cách hoàn tiền.

• Boston Consulting Group tóm tắt các gói thù lao quản lý khác nhau cho một khách hàng.

Các công ty thực hiện hàng ngàn, và đôi khi hàng triệu, quy trình mỗi ngày. Thách thức của ban quản lý là xác định các quy trình tạo ra nhiều giá trị nhất và giảm thiểu chi phí của các quy trình đó. Để giúp họ ra quyết định, các nhà quản lý ngày càng tìm kiếm sự hỗ trợ của các nhà phân tích kinh doanh, những người sử dụng dữ liệu để trả lời các câu hỏi của nhà quản lý. Một nhà phân tích kinh doanh (business analyst) là một chuyên gia dữ liệu, người chuyên sàng lọc và sử dụng dữ liệu để giúp một tổ chức đưa ra các quyết định kinh doanh hiệu quả.

Sự gia tăng tính sẵn có của dữ liệu và vai trò của nhà phân tích kinh doanh

Lượng dữ liệu chúng ta tạo ra với tư cách là một xã hội là rất lớn. Khoảng 2.5 quintillion (tỷ tỷ) byte dữ liệu được tạo ra mỗi ngày, và tốc độ tăng trưởng dữ liệu tiếp tục tăng tốc. Minh họa 1.1 tóm tắt sự gia tăng dữ liệu này, dự kiến sẽ mở rộng từ khoảng 1 zettabyte (ZB) vào năm 2010 lên khoảng 175 ZB vào năm 2025. (Một zettabyte bằng một nghìn tỷ tỷ hay 1,000,000,000,000,000,000,000 byte dữ liệu.) Với tốc độ này, chúng ta sẽ có bao nhiêu dữ liệu vào năm 2050?

Minh họa 1.1 Sự gia tăng dữ liệu từ 2010[^2]

Lượng dữ liệu khổng lồ có sẵn vừa có thể giúp ích vừa có thể cản trở công việc của các nhà phân tích kinh doanh. Về mặt tích cực, sự phong phú của dữ liệu có thể là vô giá trong việc giúp họ giải quyết các câu hỏi của nhà quản lý và đưa ra cái nhìn sâu sắc về các vấn đề và thách thức của công ty. Về mặt tiêu cực, lượng dữ liệu khổng lồ có thể dẫn đến quá tải dữ liệu (data overload), điều này có thể ngăn cản các nhà phân tích kinh doanh tổng hợp và diễn giải dữ liệu một cách đúng đắn.

Với quá nhiều dữ liệu có sẵn và máy tính thực hiện phần lớn việc thu thập cơ bản và phân tích dữ liệu đơn giản, điều ngày càng quan trọng là các doanh nghiệp phải đào tạo nhân viên của mình phát triển tư duy phân tích (analytics mindset). Tư duy này đòi hỏi sự sẵn sàng và khả năng xác định câu hỏi kinh doanh nào cần được giải quyết, tìm và trích xuất dữ liệu thích hợp có thể giải quyết các câu hỏi đó, phân tích dữ liệu đó và sau đó báo cáo kết quả cho những người ra quyết định. Các nhà phân tích kinh doanh có vị trí độc nhất để thực hiện loại phân tích này vì họ thường hiểu (1) các câu hỏi mà doanh nghiệp và những người ra quyết định đang hỏi và (2) bản chất và chất lượng dữ liệu của doanh nghiệp. Thật vậy, theo công ty tư vấn EY, “Phân tích là trọng tâm của mọi quyết định kinh doanh.”[3] Trong cuốn sách này, bạn sẽ làm việc để phát triển tư duy phân tích và chuẩn bị cho bản thân đảm nhận vai trò mới và đang phát triển của nhà phân tích kinh doanh.

PHÂN TÍCH DỮ LIỆU VÀ SỰ NGHIỆP CỦA BẠN

Phân tích kinh doanh là một cơ hội nghề nghiệp sôi động. Theo Cục Thống kê Lao động Hoa Kỳ (BLS), 907,600 người đã được tuyển dụng làm nhà phân tích quản lý hoặc kinh doanh vào năm 2020, với con số này dự kiến sẽ tăng 14% hàng năm từ năm 2020 đến năm 2030. Tốc độ này nhanh hơn nhiều so với mức trung bình của tất cả các ngành nghề tại Hoa Kỳ. Vào tháng 5 năm 2020, thu nhập trung vị của tất cả các nhà phân tích quản lý, bao gồm cả các nhà phân tích kinh doanh, là 87,660 đô la[4].

KIỂM TRA TIẾN ĐỘ

Câu 1: Sự gia tăng lượng dữ liệu có sẵn để giải quyết các câu hỏi kinh doanh vừa giúp ích vừa cản trở vai trò của nhà phân tích kinh doanh như thế nào?

Câu 2: Tại sao các nhà phân tích kinh doanh có vị trí độc nhất để giải quyết các câu hỏi kinh doanh của một tổ chức?

1.2 SỰ KHÁC BIỆT GIỮA DỮ LIỆU VÀ THÔNG TIN

Trong phần trước, chúng ta đã thấy rằng một lượng lớn dữ liệu đã có sẵn. Nhưng chính xác thì dữ liệu là gì? Thuật ngữ dữ liệu (data) đề cập đến các con số và sự kiện thô, chưa mang nhiều ý nghĩa khi đứng riêng lẻ. Ngược lại, thông tin (information) là dữ liệu được tổ chức theo cách có ý nghĩa đối với người dùng trong một bối cảnh nhất định. Bối cảnh (context) là hoàn cảnh, sự kiện, phát biểu hoặc tình huống mà ở đó dữ liệu có thể được hiểu và đánh giá một cách đầy đủ hơn. Nói cách khác, thông tin là dữ liệu có bối cảnh.

Một ví dụ ngắn gọn sẽ giúp làm rõ những thuật ngữ then chốt này. Giả sử Walmartmuốn nắm bắt nhu cầu ban đầu cũng như phản ứng của người tiêu dùng đối với một sản phẩm mới, chẳng hạn như Apple Watch Series 7. Trong trường hợp này, bối cảnh là bảy ngày ngay sau khi Apple Watch Series 7 chính thức được bán ra. Dữ liệu có sẵn là tất cả các đánh giá cá nhân về sản phẩm trên Walmart.com. Thông tin là tập hợp dữ liệu được tổ chức, giúp Walmart đánh giá phản ứng của khách hàng đối với chiếc đồng hồ này. Chẳng hạn, các nhà phân tích kinh doanh có thể đã tổng hợp danh sách các từ thường được dùng để mô tả chiếc đồng hồ, như “amazing,” “fun,” “awesome,” “complicated,” hay “life-changing.”

Chuỗi giá trị thông tin (information value chain) bao gồm các sự kiện và quy trình xuyên suốt từ việc thu thập dữ liệu, tổng hợp thông tin cho đến quyết định kinh doanh cuối cùng (Minh họa 1.2). Để chuyển đổi dữ liệu thành thông tin, các nhà phân tích kinh doanh xử lý dữ liệu theo một cách nào đó (ví dụ: bằng cách gộp, sắp xếp, tính toán, thao tác hoặc phân tích nó) và sau đó kết hợp nó với bối cảnh kinh doanh thích hợp (chẳng hạn như thời điểm trong năm, địa điểm hoặc nhu cầu kinh doanh cụ thể). Sau cùng, một phần thông tin sẽ trở thành kiến thức giúp ích cho việc ra quyết định. Kiến thức (knowledge) là sự thấu hiểu hoặc am tường về thông tin mà chúng ta có được qua học hỏi, còn quyết định (decisions) là những kết luận cuối cùng sau khi đã xem xét những kiến thức đó.

Minh họa 1.2 Chuỗi giá trị thông tin

KIỂM TRA TIẾN ĐỘ

Câu 3:Làm thế nào một tập hợp các dòng tweet về chất lượng mẫu xe mới ToyotaRAV4 có thể biến thành kiến thức có khả năng ảnh hưởng đến các quyết định tại Toyota?

→ Các dòng tweet có thể biểu đạt cả cảm xúc tích cực lẫn tiêu cực về mẫu xe mới Toyota RAV4. Những dòng tweet này có thể ảnh hưởng đến cách thức quảng cáo, tiếp thị và định giá xe. Chẳng hạn, các dòng tweet có thể tiết lộ rằng mẫu xe này được ưa chuộng bởi các gia đình có trẻ nhỏ nhưng không được các sinh viên mới tốt nghiệp ưa thích. Trong trường hợp này, việc phân tích các dòng tweet là một phần của chuỗi giá trị thông tin, kết hợp dữ liệu với ngữ cảnh để tạo ra kiến thức hỗ trợ các nhà quản lý trong quá trình ra quyết định.

Câu 4: Amazoncó thể sử dụng dữ liệu xếp hạng sản phẩm về AppleWatch Series 7 như thế nào để biến dữ liệu thành kiến thức? Loại quyết định nào mà kiến thức mới này có thể giúp các nhà quản lý của Amazon đưa ra?

→ Dữ liệu xếp hạng sản phẩm của Amazon về Apple Watch có thể được kết hợp với dữ liệu doanh số để giúp Amazon xác định nhu cầu trong quá khứ và dự báo nhu cầu tương lai, từ đó quyết định số lượng Apple Watch cần dự trữ cũng như hiểu rõ những gì người tiêu dùng thích và không thích về sản phẩm. Tất nhiên, dữ liệu này còn có thể được sử dụng theo nhiều cách khác nữa.

1.3 TÓM TẮT VAI TRÒ CỦA NHÀ PHÂN TÍCH KINH DOANH

Các nhà quản lý và những người ra quyết định khác cần thông tin và kiến thức đáng tin cậy, phù hợp để đưa ra quyết định. Như chúng ta đã thấy, các nhà phân tích kinh doanh cung cấp thông tin và kiến thức này. Tuy nhiên, thường thì họ không thành thạo các phương pháp thống kê và toán học nâng cao mang lại kết quả tốt nhất, đáng tin cậy nhất. Do đó, như Minh họa 1.3 cho thấy, các nhà phân tích kinh doanh thường đóng vai trò trung gian giữa những người ra quyết định và các nhà khoa học dữ liệu. Nhà khoa học dữ liệu (data scientist) là một chuyên gia dữ liệu biết cách làm việc với dữ liệu, thao tác và kiểm định dữ liệu về mặt thống kê. Nhà phân tích kinh doanh đóng vai trò như một người phiên dịch, chuyển ngôn ngữ kỹ thuật của nhà khoa học dữ liệu thành ngôn ngữ thông thường (plain English) cho những người ra quyết định.

Các nhà phân tích kinh doanh hiểu các quyết định mà ban quản lý phải đưa ra, nhưng họ cũng rất quen thuộc với các đặc điểm của dữ liệu. Ngoài ra, họ có kiến thức làm việc về chất lượng dữ liệu, các công cụ thống kê và lập trình máy tính—tất cả đều rất quan trọng đối với phân tích kinh doanh. Cuối cùng, công việc của nhà phân tích kinh doanh là mang kiến thức có nguồn gốc từ dữ liệu đến cho những người ra quyết định.

Minh họa 1.3 Nhà phân tích kinh doanh đóng vai trò là người phiên dịch giữa nhà khoa học dữ liệu và người ra quyết định.

KIỂM TRA TIẾN ĐỘ

Câu 5: Ai có nhiều khả năng biết dữ liệu nào sẽ giải quyết trực tiếp nhất các câu hỏi kinh doanh, nhà khoa học dữ liệu hay nhà phân tích kinh doanh?

→ Nhà phân tích kinh doanh thường hiểu rõ dữ liệu cần thiết để giải quyết các câu hỏi kinh doanh. Họ có khả năng nắm bắt đồng thời nhu cầu thông tin của người ra quyết định và các kỹ thuật thống kê của nhà khoa học dữ liệu.

Câu 6: Nếu McGraw Hill muốn xác định những cách hiệu quả nhất để tiếp thị cuốn sách này, nhà phân tích kinh doanh sẽ giải thích gì cho nhà khoa học dữ liệu liên quan đến các nguồn dữ liệu lý tưởng để tham khảo và phân tích tiềm năng cần thực hiện?

→ Nhà phân tích kinh doanh sẽ giải thích rằng có nhiều phương thức tiếp thị sách giáo trình khác nhau (ví dụ: đến giảng viên, sinh viên, quảng cáo trên web, bán hàng trực tiếp, trưng bày tại các hội nghị học thuật), và mỗi phương thức có thể mang lại hiệu quả khác nhau. Nhà phân tích kinh doanh của McGraw Hill có thể hợp tác với nhà khoa học dữ liệu để xác định các nguồn dữ liệu sẵn có và cung cấp thông tin cùng kiến thức tốt nhất cho việc ra quyết định. Hai bên sẽ cùng nhau phân tích dữ liệu và báo cáo kết quả.

1.4 PHÂN TÍCH KINH DOANH TRONG CÁC CHỨC NĂNG KINH DOANH KHÁC NHAU

Phân tích kinh doanh (business analytics) đề cập chung đến việc sử dụng dữ liệu để tạo ra kiến thức, rút ra kết luận và giải quyết các câu hỏi kinh doanh. Tuy nhiên, phân tích kinh doanh để đưa ra các quyết định tiếp thị khác với phân tích kinh doanh cần thiết để đưa ra các quyết định liên quan đến kế toán, tài chính và vận hành. Bây giờ, hãy cùng xem xét phân tích được áp dụng trong các chức năng kinh doanh then chốt này.

Tiếp thị tập trung vào việc quảng bá và bán sản phẩm và dịch vụ. Phân tích tiếp thị (marketing analytics) sử dụng phân tích kinh doanh để đo lường và cải thiện kết quả tiếp thị. Có lẽ khía cạnh quan trọng nhất của phân tích tiếp thị là cung cấp cái nhìn sâu sắc về sở thích và xu hướng của khách hàng. Ví dụ: Amazon sử dụng phân tích tiếp thị để xác định sản phẩm nào cần cung cấp, sản phẩm nào cần quảng bá/quảng cáo và mức giá nào cần tính cho khách hàng của mình. Chương 7 được dành riêng để định nghĩa, giải thích và thực hiện phân tích tiếp thị.

Tài chính là việc quản lý tiền thông qua đầu tư, cho mượn, cho vay, lập ngân sách, tiết kiệm và dự báo. Phân tích tài chính (financial analytics) sử dụng phân tích kinh doanh để giúp một công ty đo lường, đánh giá và cải thiện kết quả tài chính của mình. Phân tích tài chính cũng đánh giá các khoản đầu tư tương lai, như đầu tư vào thiết bị mới, dựa trên rủi ro và kết quả kỳ vọng. American Airlines áp dụng phân tích tài chính để quyết định xem nên thuê hay mua máy bay, và nên huy động vốn kinh doanh bằng nợ hay bằng một hình thức nào khác. Chương 9 được dành riêng để định nghĩa, giải thích và minh họa cách phân tích tài chính giải quyết các câu hỏi về tài chính.

Vận hành bao gồm tất cả các hành động cần thiết để điều hành công ty và tạo ra thu nhập. Phân tích vận hành (operations analytics) sử dụng phân tích kinh doanh để đo lường và cải thiện hiệu suất (efficiency) và hiệu quả (effectiveness) vận hành của công ty. Thật vậy, việc đạt được một trong những mục tiêu then chốt của mọi doanh nghiệp—"đúng sản phẩm, tại đúng nơi, vào đúng thời điểm"—đòi hỏi phải phân tích dữ liệu sâu rộng để đảm bảo việc cung ứng sản phẩm xuyên suốt chuỗi cung ứng. Phân tích vận hành còn cho phép đánh giá nguồn nhân lực của công ty (ví dụ như về hiệu suất làm việc và tỷ lệ nghỉ việc của nhân viên), vận hành công nghệ thông tin (IT), tìm nguồn cung ứng, sản xuất, phân phối và logistics. Wayfair, một công ty thương mại điện tử chuyên bán đồ nội thất và hàng gia dụng, sử dụng phân tích vận hành để đảm bảo họ đã tìm nguồn cung ứng đúng sản phẩm nội thất từ các nhà sản xuất về đến kho của Wayfair, sẵn sàng để bán và vận chuyển đến khách hàng cuối cùng. Chương 10 được dành riêng để định nghĩa, giải thích và cung cấp các ví dụ về phân tích vận hành.

Tài chính, tiếp thị và vận hành đều tạo ra các giao dịch kế toán. Kế toán đo lường và ghi nhận các giao dịch này, sau đó truyền đạt kết quả thông qua báo cáo kết quả tài chính. Phân tích kế toán (accounting analytics) sử dụng phân tích kinh doanh để đánh giá kết quả tài chính và giải quyết các câu hỏi kế toán liên quan đến kế toán tài chính, kế toán quản trị, kiểm toán và thuế. Ví dụ, trong quá trình kiểm toán, phân tích kinh doanh được sử dụng để phát hiện công ty có gian lận hay không. KPMG, một trong những công ty kế toán lớn nhất thế giới, sử dụng phân tích kế toán để đánh giá các công ty mà họ kiểm toán nhằm tìm ra sai sót và tìm kiếm gian lận. Về mặt hoạch định thuế, phân tích kế toán giúp công ty đánh giá các khoản khấu trừ thuế tiềm năng nhằm giảm thiểu số tiền thuế phải nộp trong tương lai. Chương 8 được dành riêng để định nghĩa, giải thích và thực hiện phân tích kế toán.

Để nhấn mạnh thêm về các chức năng kinh doanh này, cuốn sách này cung cấp các ví dụ về phân tích kinh doanh trong tiếp thị, tài chính, vận hành và kế toán ở mỗi chương.

KIỂM TRA TIẾN ĐỘ

Câu 7:Chức năng kinh doanh nào sẽ sử dụng phân tích để đề xuất cách thức có hiệu suất cao nhất nhằm tìm nguồn cung ứng một sản phẩm làm thơm xe hơi từ Thâm Quyến, Trung Quốc đến một cửa hàng tiện lợi trên Phố Green ở Champaign, Illinois?

→ Phân tích vận hành. Trong ví dụ này, nhà sản xuất sản phẩm làm thơm xe hơi quan tâm đến một chuỗi cung ứng có hiệu suất cao, bao gồm tất cả các khía cạnh của sản xuất, phân phối và logistics. Chuỗi cung ứng là một thành phần thiết yếu trong hoạt động vận hành của công ty.

Câu 8:Chức năng kinh doanh nào sẽ sử dụng phân tích để đề xuất cách thức có hiệu suất cao nhất nhằm đánh giá xem một công ty nên đầu tư vào thiết bị sản xuất có hiệu suất cao hơn hay một chiếc xe tải giao hàng mới?

→ Phân tích tài chính sử dụng phân tích kinh doanh để giúp công ty đo lường và đánh giá kết quả tài chính cũng như các khoản đầu tư vào thiết bị mới, chẳng hạn như thiết bị sản xuất có hiệu suất cao hơn hay một xe tải giao hàng mới.

1.5 GIỚI THIỆU VỀ MÔ HÌNH PHÂN TÍCH SOAR

Hãng tư vấn và kế toán nổi tiếng EY khẳng định rằng tất cả chuyên gia hiện tại và nhân sự mới của họ đều cần phải có tư duy phân tích, như chúng ta đã định nghĩa trong Mục 1.1. Nói cách khác, EY yêu cầu nhân viên hiểu rõ và trân trọng vai trò của các nhà phân tích kinh doanh, đồng thời phát triển bộ kỹ năng tương tự. Cách tiếp cận dữ liệu này không bó hẹp trong EY mà đã lan rộng ra toàn cầu, khi nhiều doanh nghiệp hiện nay cũng đặt ra yêu cầu nhân viên phải sở hữu tư duy phân tích.

Theo EY, những người có tư duy phân tích sẽ có khả năng[5]:

●       Đặt câu hỏi đúng.

●       Trích xuất, chuyển đổi và nạp dữ liệu liên quan.

●       Áp dụng các kỹ thuật phân tích kinh doanh phù hợp.

●       Diễn giải và chia sẻ kết quả với các bên liên quan.

Mô hình phân tích SOAR (SOAR analytics model), được sử dụng trong suốt cuốn sách này, là một khuôn khổ hữu ích để ghi nhớ bộ kỹ năng này:

1. Specify the question (Xác định câu hỏi): Đặt một câu hỏi kinh doanh có thể được trả lời bằng dữ liệu. (Chương 1)

2. Obtain the data (Thu thập dữ liệu): Thu thập các dữ liệu phù hợp và hiểu rõ các đặc tính của dữ liệu đó để đánh giá liệu chúng có thể giúp trả lời câu hỏi kinh doanh hay không. (Chương 2–3)

3. Analyze the data (Phân tích dữ liệu): Phân tích dữ liệu thông qua thao tác dữ liệu và các kỹ thuật thống kê. (Chương 4–5)

4. Report the results (Báo cáo kết quả):Truyền đạt các kết quả tìm được đến người ra quyết định và các bên quan tâm khác một cách hiệu quả. (Chương 6)

Lưu ý rằng có một sự tương ứng một-một giữa các đặc điểm của tư duy phân tích và các bước của mô hình phân tích SOAR. Trong suốt từng chương và mỗi hoạt động thực hành, chúng ta sử dụng mô hình phân tích SOAR như một khuôn khổ để tiến hành quy trình bắt đầu từ việc xác định câu hỏi và kết thúc bằng việc báo cáo các kết quả tìm được cho các bên quan tâm.

Mô hình SOAR được tóm tắt trong Minh họa 1.4, cho thấy tính tuần hoàn của mô hình này. Sau khi hoàn thành tất cả các bước của mô hình phân tích SOAR, cả nhà phân tích và người ra quyết định thường hiểu biết hơn và có khả năng đặt ra những câu hỏi sâu sắc, tinh tế hơn. Do đó, mô hình phân tích SOAR được xem là mang tính đệ quy (recursive): Câu trả lời cho một câu hỏi dẫn đến nhiều câu hỏi mới, từ đó tạo ra thêm câu trả lời và những câu hỏi mới khác. Một phép ẩn dụ phù hợp là việc bóc từng lớp hành. Sau khi bóc lớp đầu tiên, bạn thấy lớp tiếp theo, rồi đánh giá và bóc lớp đó để tiến đến lớp thứ ba, và cứ tiếp tục như vậy. Thường thì, như Minh họa 1.4 thể hiện, nhóm kinh doanh sẽ lặp đi lặp lại chu trình của mô hình phân tích SOAR nhiều lần, qua đó thu hẹp câu hỏi (Xác định một câu hỏi mới), cân nhắc các dữ liệu mới và tiềm năng tốt hơn (Thu thập dữ liệu mới), thực hiện các phân tích bổ sung (Phân tích dữ liệu mới), và tinh chỉnh kết quả (Báo cáo các kết quả mới nhất) trước khi quyết định cách thức giải quyết vấn đề, sự cố, hoặc thách thức.

Minh họa 1.4 Mô hình phân tích SOAR

Để hiểu cách mô hình phân tích SOAR được dùng để giải quyết một câu hỏi kinh doanh cụ thể, hãy cùng xem xét ví dụ dưới đây.

Minh họa mô hình phân tích SOAR: Dự đoán nhu cầu hàng tồn kho

Hãy tưởng tượng một đại lý ô tô Honda ở Tulsa, Oklahoma đang cố gắng dự đoán số lượng xe SUV[6] Honda Pilot cần có sẵn để bán cho khách hàng trong năm tới.

Xác định câu hỏi

Chúng ta nên dự trữ bao nhiêu chiếc Honda Pilot để bán cho khách hàng khu vực Tulsa, Oklahoma trong năm tới?

Thu thập dữ liệu

Thu thập các dữ liệu liên quan:

• Năm ngoái có bao nhiêu chiếc Honda Pilot đã được mua tại đại lý của chúng ta?

• Năm ngoái có bao nhiêu chiếc SUV tương tự Honda Pilot được bán ra trên toàn quốc?

• Mẫu xe gần đây nhất ra mắt vào năm nào?

• Mẫu xe tiếp theo sẽ ra mắt vào năm nào?

• Tình hình kinh tế tổng thể đang diễn biến ra sao?

Phân tích dữ liệu

• Sử dụng các hình ảnh trực quan hóa dữ liệu (bao gồm các đồ thị và biểu đồ xu hướng) để tổng kết doanh số bán hàng trong quá khứ và đánh giá xu hướng.

• Áp dụng dự báo dựa trên dữ liệu để ước tính doanh số Honda Pilot tại đại lý Tulsa, Oklahoma.

• Dự đoán sự biến đổi doanh số Honda Pilot tại đại lý dưới các giả định khác nhau, bao gồm kịch bản thuận lợi nhất, kịch bản xấu nhất và kịch bản có khả năng xảy ra nhất.

• So sánh các dự phóng doanh số với các dự báo của ngành.

Báo cáo kết quả

• Xác định xem một báo cáo bằng văn bản, một hình ảnh trực quan hóa (như biểu đồ hoặc đồ thị), hay sự kết hợp giữa văn bản và hình ảnh là cách tốt nhất để truyền đạt các kết quả tìm được.

• Báo cáo kết quả của kịch bản thuận lợi nhất, kịch bản xấu nhất và kịch bản có khả năng xảy ra nhất.

• Đánh giá công việc của bạn: Phân tích đã trả lời được câu hỏi ban đầu chưa? Những người ra quyết định đã có đủ thông tin họ cần để đưa ra quyết định ngay bây giờ chưa? Có cần phân tích bổ sung không?

Trong các phần tiếp theo, chúng ta sẽ đi sâu hơn từng bước trong mô hình SOAR.

KIỂM TRA TIẾN ĐỘ

Câu 9: Sự khác biệt giữa việc thu thập dữ liệu và phân tích dữ liệu, tương ứng với bước thứ hai và thứ ba trong mô hình phân tích SOAR, là gì?

→ Thu thập dữ liệu (bước thứ hai trong mô hình phân tích SOAR) bao gồm việc thu thập dữ liệu phù hợp để trả lời câu hỏi. Phân tích dữ liệu (bước thứ ba trong mô hình SOAR) triển khai phân tích kinh doanh thông qua thao tác dữ liệu và các kỹ thuật thống kê.

Câu 10: Tư duy phân tích của EY và mô hình phân tích SOAR hòa hợp với nhau ra sao?

→ Mối liên hệ giữa tư duy phân tích của EY và mô hình phân tích SOAR được thể hiện như sau:

S: SPECIFY THE QUESTION (XÁC ĐỊNH CÂU HỎI)

Thành phần đầu tiên của mô hình phân tích SOAR là XÁC ĐỊNH CÂU HỎI. Ban quản lý có rất nhiều câu hỏi cần giải đáp để điều hành doanh nghiệp và đưa ra quyết định. Ban quản lý và các nhà phân tích xác định câu hỏi càng cẩn thận sẽ càng tăng khả năng thu thập và sử dụng dữ liệu phù hợp nhất cũng như thực hiện đúng kiểu phân tích cần thiết.

Dưới đây là một số ví dụ về các câu hỏi mà nhà quyết định đã đặt ra:

●       McDonald’s: Hồ sơ nhân khẩu học (độ tuổi, trình độ học vấn, thu nhập khả dụng) của khách hàng điển hình đến nhà hàng của chúng ta đang thay đổi như thế nào?

●       Đại học Arkansas: Nếu chúng ta mua máy photocopy mới, hiệu suất cao hơn, liệu khoản tiết kiệm lâu dài có đủ để bù đắp cho mức giá đắt đỏ ban đầu không?

●       Michael’s: Sẽ mất bao lâu để các sản phẩm Giáng sinh đến các cửa hàng của chúng ta nếu chúng ta lấy nguồn hàng từ Mexico thay vì Indonesia?

●       Walmart: Thuế quan do chính phủ áp đặt (thuế đối với hàng nhập khẩu và xuất khẩu) sẽ ảnh hưởng như thế nào đến việc tìm nguồn cung ứng sản phẩm cho Hoa Kỳ?

●       Netflix: Việc cung cấp bảo hiểm y tế toàn diện hơn cho nhân viên sẽ ảnh hưởng ra sao đến mức doanh số bán hàng mà chúng ta cần để đạt điểm hòa vốn?

●       Costco: Mẫu điện thoại thông minh nào được bán trong các cửa hàng ở Florida của chúng ta có lợi nhuận cao nhất? Liệu mẫu điện thoại thông minh có lợi nhuận cao nhất được bán ở Florida có khác với mẫu điện thoại thông minh có lợi nhuận cao nhất ở California không?

Thông thường, câu hỏi càng rõ ràng và cụ thể càng tốt. Ví dụ, rất khó để trả lời một câu hỏi rộng như “Làm sao để tăng doanh số bán hàng?” nhưng dễ dàng hơn khi tập trung vào câu hỏi hẹp hơn như “Làm thế nào để bán nhiều sản phẩm Pepsi hơn qua máy bán hàng tự động tại Fayetteville, Arkansas?” Việc thu hẹp phạm vi giúp tập trung vào một câu hỏi cụ thể, từ đó dễ dàng tìm thấy dữ liệu cần thiết, thực hiện phân tích và trả lời câu hỏi.

Tóm lại, dữ liệu của bạn sẽ không tự lên tiếng nếu bạn không đặt ra những câu hỏi phân tích đúng đắn[7]. Chúng ta có thể hỏi bất kỳ câu hỏi nào trên đời, nhưng nếu không có dữ liệu phù hợp để giải quyết câu hỏi đó, chúng ta sẽ không bao giờ tìm thấy câu trả lời. Các nhà phân tích kinh doanh sở hữu bộ kỹ năng độc nhất giúp nâng cao chất lượng phân tích của tổ chức thông qua việc đặt ra những câu hỏi đúng.

O: OBTAIN THE DATA (THU THẬP DỮ LIỆU)

Một khi các nhà phân tích dữ liệu đã hiểu rõ câu hỏi, họ bắt đầu xem xét dữ liệu nào có thể hữu ích nhất trong việc trả lời câu hỏi đó. Trong quá trình tìm kiếm dữ liệu hữu ích nhất, họ sẽ hỏi:

• Những loại dữ liệu nào cần được thu thập?

• Những loại dữ liệu nào đang có sẵn?

• Các nguồn cung cấp dữ liệu hữu ích là gì?

• Làm thế nào để có thể truy cập dữ liệu?

• Dữ liệu có đủ để giải quyết câu hỏi một cách thỏa đáng không?

• Dữ liệu có bị lỗi hoặc có sự không nhất quán không?

• Một tập dữ liệu cụ thể có bị thiếu nhiều dữ liệu không?

• Dữ liệu có cần phải được điều chỉnh để có thể sử dụng được không?

• Dữ liệu có bị thiên vị theo một cách nào đó không?

• Dữ liệu có được thu thập một cách hợp đạo đức không và việc chúng ta sử dụng dữ liệu có bảo vệ được quyền riêng tư của mọi người không?

• Dữ liệu có vừa liên quan vừa tin cậy không?

Lý tưởng nhất, nhà phân tích sẽ sử dụng dữ liệu vừa liên quan vừa đáng tin cậy. Dữ liệu liên quan (relevant data) là dữ liệu được kết nối trực tiếp hoặc chặt chẽ với câu hỏi đang được xem xét. Dữ liệu tin cậy (reliable data) là dữ liệu phản ánh sự thật hoặc thực tế với ít hoặc không có sự thiên vị. Một thành phần quan trọng của dữ liệu tin cậy là tính toàn vẹn dữ liệu (data integrity), đề cập đến sự kết hợp giữa tính chính xác (accuracy), tính hợp lệ (validity) và tính nhất quán (consistency) của dữ liệu được lưu trữ và sử dụng theo thời gian. Vì không phải dữ liệu nào cũng vừa liên quan vừa đáng tin cậy, nhà phân tích cần hiểu rõ ưu và nhược điểm khi sử dụng những dữ liệu có khiếm khuyết theo một cách nào đó.

Khi thu thập dữ liệu, điều quan trọng là phải xem xét các hàm ý về đạo đức. Theo một báo cáo năm 2020, "Bất kỳ người tiêu dùng nào có số lượng ứng dụng trung bình trên điện thoại của họ—khoảng từ 40 đến 80 ứng dụng—sẽ bị chia sẻ dữ liệu của mình với hàng trăm hoặc có lẽ hàng nghìn cá nhân trực tuyến." Những con số này đặt ra những câu hỏi nghiêm túc về quyền riêng tư dữ liệu và khả năng lạm dụng dữ liệu [8]. Trong Chương 2, chúng ta sẽ xem xét kỹ hơn các cân nhắc về đạo đức trong việc thu thập và sử dụng dữ liệu, và chúng ta sẽ thảo luận về các câu hỏi đạo đức liên quan đến việc thu thập và sử dụng dữ liệu xuyên suốt cuốn sách này.

Lý tưởng nhất, các nhà phân tích kinh doanh muốn sử dụng dữ liệu được tổ chức tốt và có cấu trúc, chẳng hạn như báo cáo tài chính của một công ty, nhưng họ cũng nhận ra rằng dữ liệu không được tổ chức (ví dụ như các xu hướng trên Instagram hoặc Twitter) cũng có thể hữu ích.

Đôi khi, công ty sở hữu dữ liệu mình cần, nhưng cũng có lúc phải mua dữ liệu từ nguồn bên ngoài. Khi quyết định có nên mua và sử dụng dữ liệu bên ngoài hay không, công ty phải cân nhắc giữa chi phí sử dụng và truy cập với giá trị tiềm năng mà việc phân tích dữ liệu mang lại. Chương 2 sẽ cung cấp thêm thông tin chi tiết về các loại dữ liệu và nguồn dữ liệu khác nhau có thể dùng để giải quyết các câu hỏi kinh doanh.

A: ANALYZE THE DATA (PHÂN TÍCH DỮ LIỆU)

Sau khi các nhà phân tích kinh doanh xác định được dữ liệu hữu ích nhất để giải quyết vấn đề, họ sẵn sàng tiến hành phân tích kinh doanh. Có năm loại hình phân tích phổ biến được thực hiện tùy theo câu hỏi cần trả lời, được tổng hợp trong Minh họa 1.5 và được trình bày chi tiết dưới đây.

Minh họa 1.5 Các loại hình phân tích

1. Các câu hỏi như “Điều gì đã xảy ra?” và “Điều gì đang diễn ra?” là nền tảng của*********************phân tích mô tả (descriptive analytics)*************************. Những câu hỏi như thế có thể bao gồm:

• Độ tuổi trung bình của khách hàng chúng ta vào năm ngoái là bao nhiêu? Độ tuổi trung bình của khách hàng có thay đổi trong mười năm qua không?

• Chiến dịch tiếp thị của chúng ta đã tạo ra bao nhiêu khách hàng tiềm năng trong quý trước?

• Có bao nhiêu chiếc điện thoại thông minh mà chúng ta sản xuất đã không thể sử dụng được do lỗi trong quy trình sản xuất?

• Chúng ta đã trả bao nhiêu tiền thuế liên bang vào năm ngoái?

• Thời gian vận chuyển cho các sản phẩm của chúng ta được sản xuất tại Đài Loan là bao lâu?

2. Các câu hỏi như “Tại sao điều đó xảy ra?”, “Nguyên nhân của kết quả trong quá khứ là gì?” và “Tại sao kết quả khác với kỳ vọng?” là cơ sở cho*********************phân tích chẩn đoán (diagnostic analytics)*************************. Những câu hỏi như thế có thể bao gồm:

• Tại sao tổng thời gian vận chuyển lại tăng trong quý này so với quý trước?

• Tại sao tổng số thuế của chúng ta lại tăng mặc dù doanh số không tăng?

• Tại sao chi phí nhân công năm ngoái lại tăng vượt mức dự kiến?

• Việc chúng ta tăng chi tiêu cho quảng cáo có dẫn đến tăng doanh số không?

3. Các câu hỏi như “Liệu điều đó có xảy ra trong tương lai không?”, “Xác suất điều gì đó xảy ra là bao nhiêu?” và “Chúng ta có thể dự báo điều gì sẽ xảy ra không?” là nền tảng của*********************phân tích dự đoán (predictive analytics)*************************. Những câu hỏi như thế có thể bao gồm:

• Nhu cầu cho chiếc điện thoại thông minh mới của chúng ta vào năm tới sẽ là bao nhiêu?

• Chúng ta có khả năng bị IRS (Sở Thuế vụ Hoa Kỳ) kiểm toán không?

• Chúng ta có thể dự báo giá cổ phiếu và lợi nhuận từ cổ phiếu không?

• Cơ hội một công ty nào đó sẽ phá sản là bao nhiêu?

4. Các câu hỏi như “Chúng ta nên làm gì dựa trên những gì kỳ vọng sẽ xảy ra?” và “Làm thế nào để tối ưu hóa kết quả dựa trên các ràng buộc tiềm năng?” là cơ sở cho*********************phân tích đề xuất (prescriptive analytics)*************************. Những câu hỏi như thế có thể bao gồm:

• Làm thế nào để có thể tối đa hóa doanh thu (hoặc tối thiểu hóa chi phí) nếu chính phủ các nước tăng thuế xuất nhập khẩu?

• Làm thế nào chúng ta có thể tối ưu hóa các nhà kho và hệ thống vận tải để giảm thiểu chi phí?

• Chúng ta nên thuê trụ sở chính theo hợp đồng ngắn hạn hay dài hạn?

• Chúng ta nên sản xuất sản phẩm của mình tại Hoa Kỳ hay thuê ngoài sản xuất ở một quốc gia khác?

5. Các câu hỏi như “Làm sao để học hỏi liên tục qua trí tuệ nhân tạo (AI)?” và “Chúng ta có thể học hỏi từ các sự kiện quá khứ và hiện tại bằng cách học thích ứng không?” là nền tảng của*********************phân tích thích ứng/tự chủ (adaptive/autonomous analytics)*************************. Trí tuệ nhân tạo (AI) là thuật ngữ chung chỉ các hệ thống máy tính có khả năng cảm nhận môi trường, suy nghĩ, học hỏi và hành động để phản ứng lại những gì chúng đang cảm nhận và các mục tiêu của chúng. Các hệ thống AI dường như bắt chước các quá trình suy nghĩ của con người [11]. Phân tích thích ứng/tự chủ trả lời các câu hỏi như:

• Làm thế nào để chúng ta liên tục cập nhật các dự đoán về lượng hàng tồn kho cần thiết để đáp ứng sát hơn nhu cầu của khách hàng?

• Hoạt động tiếp thị của chúng ta có hiệu quả không? Chúng ta nên điều chỉnh các chiến lược tiếp thị của mình như thế nào?

• Làm thế nào để chúng ta tái cân bằng và tối ưu hóa danh mục đầu tư của mình dựa trên sự thay đổi giá dầu vào tuần trước?

• Dựa trên các quyết định của bộ phận kiểm toán nội bộ, liệu một máy tính có thể học được giao dịch nào có thể cấu thành hành vi gian lận không?

Mô hình thăng tiến phân tích (analytics ascendency model) trong Minh họa 1.6 xác định các kỹ năng cần thiết cho từng loại hình phân tích. Kỹ năng tuệ kiến (rightsight) trong phân tích thích ứng/tự chủ bao gồm việc học cách đặt đúng câu hỏi cho dữ liệu của bạn, vào đúng thời điểm, ở đúng nơi, cho đúng đối tượng (hoặc sự kiện), trong đúng bối cảnh để thông tin và kiến thức hữu ích có thể được chuyển đến đúng người, ở đúng định dạng, vào đúng thời điểm. Chúng ta sẽ trình bày kỹ năng tuệ kiến chi tiết hơn trong Chương 11.

Minh họa 1.6 Mô hình thăng tiến phân tích[12]

Khi đã xác định được câu hỏi cụ thể cần trả lời và thu thập dữ liệu phù hợp, chúng ta có thể tiến hành phân tích đúng loại bằng các công cụ phần mềm thống kê. Mặc dù cuốn sách này giới thiệu nhiều phần mềm phân tích dữ liệu như UiPath, Microsoft Access, Idea/ACL, SAS, SAP Lumira, R và Python, trọng tâm của chúng ta là sử dụng Excel, Tableau và Power BI. Đây là ba phần mềm phân tích phổ biến nhất trong giới kinh doanh, được các nhà phân tích kinh doanh sử dụng rộng rãi. Việc thành thạo các công cụ này sẽ là bước chuẩn bị vững chắc cho sự nghiệp của bạn, dù bạn là nhà phân tích kinh doanh toàn thời gian, nhà khoa học dữ liệu, người ra quyết định, hay chỉ đơn giản là người thường xuyên đặt ra và trả lời các câu hỏi kinh doanh.

R: REPORT THE RESULTS (BÁO CÁO KẾT QUẢ)

Khi việc phân tích hoàn tất, điều quan trọng là phải truyền đạt và báo cáo kết quả cho những người ra quyết định. Báo cáo này có thể ở dạng văn bản, kết quả thống kê, biểu đồ cột và các loại đồ họa khác, hoặc bất kỳ sự kết hợp nào của những hình thức này. Kết quả có thể được báo cáo một lần duy nhất dưới dạng một báo cáo tĩnh (static report), tức là một báo cáo không được cập nhật. Hoặc, báo cáo có thể được cập nhật liên tục theo thời gian thực (một báo cáo động - dynamic report), được truyền tải thông qua một bảng điều khiển (dashboard). Bảng điều khiển này là một bản tóm tắt trực quan về các chỉ số đo lường khác nhau mà công ty theo dõi liên tục.

SỬ DỤNG PHẦN MỀM ĐỂ THÀNH CÔNG

Chúng ta sử dụng Excel, Tableau và Power BI làm công cụ phân tích trong cuốn sách này. Phần lớn các vị trí thực tập và nhà phân tích kinh doanh cấp nhập môn đều yêu cầu hiểu biết cơ bản về Excel cùng kỹ năng sử dụng một công cụ trực quan hóa như Tableau hoặc Power BI. Một số doanh nghiệp ưa thích công cụ phần mềm này hơn công cụ khác, nhưng nhìn chung, các bài tập và bài thực hành trong toàn bộ cuốn sách này sẽ dạy bạn một phương pháp tiếp cận để truy cập và phân tích dữ liệu. Mặc dù bạn có thể sẽ không được sử dụng những công cụ mà bạn thành thạo nhất ở công việc đầu tiên hoặc công việc tiếp theo của mình, nhưng phương pháp tiếp cận để truy cập và phân tích dữ liệu đó sẽ phục vụ bạn trong suốt sự nghiệp của mình.

Bạn cần ôn tập hay làm quen với các công cụ này? Các phụ lục A, B và C lần lượt cung cấp các bài hướng dẫn về Excel, Tableau và Power BI.

KIỂM TRA TIẾN ĐỘ

Câu 11: “Doanh số dự kiến sẽ là bao nhiêu trong năm tới?” thuộc loại câu hỏi nào?

a. Điều gì đã xảy ra? Điều gì đang xảy ra?

b. Tại sao điều đó xảy ra? Nguyên nhân của kết quả trong quá khứ là gì?

c. Liệu điều đó có xảy ra trong tương lai không? Xác suất điều gì đó xảy ra là bao nhiêu? Chúng ta có thể dự báo điều gì sẽ xảy ra không?

d. Chúng ta nên làm gì dựa trên những gì kỳ vọng sẽ xảy ra? Làm thế nào để tối ưu hóa kết quả dựa trên các ràng buộc tiềm năng?

e. Chúng ta có thể học hỏi từ các sự kiện quá khứ và hiện tại bằng cách học thích ứng không?

→ (c) Dự báo doanh số năm tới đòi hỏi phải trả lời câu hỏi “Liệu điều đó có xảy ra trong tương lai không?” Việc tìm kiếm câu trả lời này cần đến phân tích dự đoán. Ngược lại, “Doanh số năm ngoái là bao nhiêu?” là ví dụ cho câu hỏi “Điều gì đã xảy ra?” và yêu cầu phân tích mô tả.

Câu 12: Tham khảo các lựa chọn trả lời câu hỏi trên. “Giá đăng ký hàng tháng nào tối ưu hóa doanh thu cho Netflix?” thuộc loại câu hỏi nào?

→ Tối ưu hóa doanh thu hoặc kết quả khác tại Netflix đòi hỏi trả lời các câu hỏi “Chúng ta nên làm gì dựa trên những gì kỳ vọng sẽ xảy ra?” và “Làm thế nào để tối ưu hóa kết quả dựa trên các ràng buộc tiềm năng?” qua việc sử dụng phân tích đề xuất.

Câu 13: Tại sao mô hình phân tích SOAR lại mang tính đệ quy? Phân tích có bao giờ hoàn tất không?

→ Mô hình phân tích SOAR mang tính đệ quy hoặc tuần hoàn bởi vì câu trả lời cho một câu hỏi dẫn đến nhiều câu hỏi hơn, từ đó tạo ra thêm câu trả lời và câu hỏi mới. Tính lặp lại của mô hình SOAR giúp nhóm kinh doanh thu hẹp phạm vi câu hỏi và nâng cao chất lượng các câu trả lời.

1.6 SỬ DỤNG HÌNH ẢNH TRỰC QUAN HÓA DỮ LIỆU KHÁM PHÁ VÀ GIẢI THÍCH TRONG PHÂN TÍCH KINH DOANH

Một công cụ phân tích quan trọng được sử dụng trong các bước PHÂN TÍCH DỮ LIỆU và BÁO CÁO KẾT QUẢ của mô hình phân tích SOAR là việc sử dụng các hình ảnh trực quan hóa (visualization). Một hình ảnh trực quan hóa dữ liệu (data visualization) là một biểu diễn đồ họa của dữ liệu, thường dưới dạng biểu đồ, đồ thị hoặc hình ảnh khác. Các hình ảnh trực quan hóa dữ liệu khám phá (exploratory data visualizations) giúp phát hiện các mẫu hình trong dữ liệu, từ đó mang lại hiểu biết sâu sắc hơn. Các hình ảnh trực quan hóa dữ liệu giải thích (explanatory data visualizations) rất hữu ích trong việc truyền đạt kết quả phân tích kinh doanh đến các bên liên quan[14].

Hình ảnh trực quan hóa khám phá

Một hình ảnh trực quan hóa khám phá (exploratory visualization) là một biểu diễn đồ họa hữu ích nhằm phát hiện các mẫu hình và hiểu biết sâu sắc trong dữ liệu, thường thuộc phân tích mô tả hoặc chẩn đoán. Những hình ảnh này thường được sử dụng trong bước PHÂN TÍCH DỮ LIỆU của mô hình SOAR để thăm dò và hiểu dữ liệu. Ví dụ, khi thực hiện phân tích mô tả hoặc chẩn đoán nhằm xác định điều gì đã xảy ra, nhà phân tích có thể quyết định biểu diễn dữ liệu dưới dạng đồ thị để nắm bắt rõ hơn các hiện tượng đang diễn ra.

Ví dụ, giả sử một nhà phân tích muốn hiểu khả năng sinh lời được phân phối như thế nào theo thời gian trên tất cả các công ty đang giao dịch trên một sàn giao dịch công khai của Hoa Kỳ. Nhà phân tích có thể chọn vẽ biểu đồ tỷ suất lợi nhuận trên vốn chủ sở hữu (ROE, bằng lợi nhuận ròng chia cho vốn chủ sở hữu) của tất cả các công ty đó theo từng khoảng lợi nhuận. Các nhà nghiên cứu kế toán David Burgstahler và Ilia Dichev [15] đã làm điều đó, tạo ra hình ảnh trực quan hóa được trình bày trong Minh họa 1.7 cho giai đoạn 1976-1994. Hình ảnh trực quan hóa khám phá này cho thấy mức lợi nhuận đã được báo cáo trong mỗi khoảng lợi nhuận, vì vậy nó thuộc loại phân tích mô tả. Cột tại mỗi giá trị trên khoảng lợi nhuận cho thấy có bao nhiêu công ty rơi vào khoảng đó (tần số).

Phần lớn hình ảnh trực quan hóa này hiển thị một sự phân phối hình chuông của lợi nhuận như kỳ vọng, điều thường xuất hiện trong lợi nhuận của thị trường chứng khoán. Tuy nhiên, hình ảnh trực quan hóa cho thấy một sự bất thường (anomaly)—trong trường hợp này là một sự gián đoạn (discontinuity), ngay xung quanh mốc số không. Ngay dưới mốc số không, dường như có các quan sát bị thiếu hoặc một tần số thấp hơn kỳ vọng, cho thấy sự bất thường nào đó. Và ngay trên mốc số không, dường như có thêm các quan sát (hoặc một tần số cao hơn kỳ vọng), một lần nữa cho thấy sự bất thường.

Minh họa 1.7 Phân phối lợi nhuận trên giá trị thị trường của vốn chủ sở hữu giai đoạn 1976–1994

Hình ảnh trực quan hóa này có thể dẫn đến các câu hỏi tiếp theo:

• Điều gì giải thích cho sự khác biệt về mức độ sinh lời giữa các công ty?

• Liệu các nhà quản lý có chịu trách nhiệm cho mức lợi nhuận cao của các công ty có thu nhập cao hơn không?

• Liệu các nhà quản lý có sử dụng sự linh hoạt trong các chuẩn mực kế toán để làm cho lợi nhuận cao hơn (hoặc thấp hơn) so với kỳ vọng không? Nếu họ thực sự điều chỉnh lợi nhuận, họ làm điều đó bằng cách nào?

• Những động cơ nào khiến các nhà quản lý điều chỉnh lợi nhuận tăng lên hoặc giảm xuống?

• Liệu các nhà quản lý có điều chỉnh lợi nhuận để tối đa hóa tiền thưởng (bonus) của chính họ không?

Hình ảnh trực quan hóa giải thích

Như đã đề cập, nhà phân tích dữ liệu đóng vai trò là người phiên dịch, cầu nối giữa nhà khoa học dữ liệu và người ra quyết định. Một nhà phân tích kinh doanh cần thành thạo trong việc báo cáo kết quả đến những người ra quyết định và các bên quan tâm khác. Báo cáo thường bao gồm các hình ảnh trực quan hóa giải thích (explanatory visualizations) nhằm truyền tải kết quả phân tích đến các bên liên quan.

Ngày càng nhiều người ưu tiên các hình ảnh trực quan hóa hơn là nội dung viết để truyền tải kết quả. Vì sao? Các nghiên cứu cho thấy 91% người dùng thích nội dung trực quan hơn là nội dung viết [16]. Ví dụ, trên Facebook, ảnh có tỷ lệ tương tác lên tới 87%, trong khi các bài đăng khác như liên kết hay văn bản chỉ đạt dưới 4% [17]. Thêm vào đó, bộ não xử lý hình ảnh nhanh hơn 60,000 lần so với văn bản và 90% thông tin truyền tới não bộ là trực quan [18].

Các loại hình ảnh trực quan hóa được sử dụng với mục đích khác nhau. Minh họa 1.8 tổng hợp những mục đích phổ biến của trực quan hóa dữ liệu cùng năm câu hỏi kinh doanh tương ứng và các loại hình ảnh trực quan hóa phổ biến: biểu đồ cột/thanh (column/bar chart), biểu đồ tròn (pie chart), biểu đồ tần số (histogram), đồ thị đường (line graph) và biểu đồ phân tán (scatterplot). Minh họa 1.9 trình bày ví dụ của năm loại hình ảnh trực quan hóa cơ bản này. Chương 6 sẽ mô tả chi tiết mục đích của từng loại hình ảnh trực quan hóa đồng thời giới thiệu thêm nhiều loại hình ảnh trực quan hóa hữu ích khác. Bên cạnh đó, bạn sẽ được tiếp cận với trực quan hóa dữ liệu cùng với các bài tập trực quan hóa dữ liệu trong mỗi chương và trong nhiều bài thực hành.

Minh họa 1.8 Mục đích của trực quan hóa dữ liệu, ví dụ kinh doanh và loại hình ảnh trực quan hóa

(A) Biểu đồ cột dùng để so sánh giá trị

(B) Biểu đồ tròn dùng để trực quan hóa tỷ lệ thành phần của giá trị

(C) Biểu đồ tần số thể hiện phân phối giá trị (số ngày xử lý đơn hàng)

(D) Đồ thị đường dùng thể thể hiện xu hướng (doanh thu quảng cáo của Google theo thời gian)

(E) Biểu đồ phân tán dùng để minh họa mối quan hệ giữa các giá trị (chi phí quảng cáo và doanh thu bán hàng)

Minh họa 1.9 Các loại hình ảnh trực quan hóa dữ liệu phổ biến

THỰC HÀNH

Cuối chương này có ba bài thực hành. Mỗi bài đều minh họa cách áp dụng toàn bộ mô hình phân tích SOAR, từ việc xác định câu hỏi đến báo cáo kết quả. Mỗi bài yêu cầu bạn sử dụng ít nhất một công cụ phần mềm: Excel, Tableau hoặc Power BI. Hoàn thành các bài thực hành là phần quan trọng trong khóa học này. Chúng sẽ trang bị cho bạn kỹ năng phần mềm mà nhà tuyển dụng mong muốn. Chúng giúp bạn trả lời những câu hỏi như:

• Cơ hội kinh doanh tiềm năng có mang lại mức thu nhập đủ để bạn từ bỏ công việc hiện tại không? (Lab 1.1 Excel)

• Ai là những khách hàng mang lại lợi nhuận cao nhất cho bạn? (Lab 1.2 Excel/Tableau/Power BI)

• Những sản phẩm nào mang lại lợi nhuận cao nhất cho bạn? (Lab 1.3 Excel/Tableau/Power BI)

KIỂM TRA TIẾN ĐỘ

Câu 14: Trong bước nào của mô hình SOAR thì các hình ảnh trực quan hóa khám phá thường được tạo ra? Bước nào sử dụng các hình ảnh trực quan hóa giải thích?

→ Trong khi các hình ảnh trực quan hóa khám phá hỗ trợ nhà phân tích nhận diện những hiểu biết và mẫu hình tiềm ẩn trong dữ liệu (thuộc bước PHÂN TÍCH DỮ LIỆU trong mô hình SOAR), thì các hình ảnh trực quan hóa giải thích lại giúp truyền đạt những hiểu biết và kết quả phân tích đến các bên liên quan.

Câu 15: Nếu một công ty muốn theo dõi doanh số bán hàng thực tế hàng ngày so với mục tiêu doanh số, họ nên sử dụng báo cáo động hay báo cáo tĩnh? Giải thích.

→ Việc theo dõi doanh số hàng ngày đòi hỏi cập nhật gần như liên tục, do đó cần sử dụng các báo cáo động thay vì báo cáo tĩnh với nội dung không đổi.

TÓM TẮT CHƯƠNG

Các doanh nghiệp tồn tại để tạo ra giá trị. Các nhà quản lý thường nhờ nhà phân tích kinh doanh trả lời các câu hỏi có thể giúp họ tạo ra giá trị. Trong chương này, chúng ta đã đề cập đến khối lượng dữ liệu khổng lồ và ngày càng gia tăng, từ đó làm nổi bật vai trò của nhà phân tích kinh doanh. Chúng ta hiểu rằng dữ liệu khi được đặt trong bối cảnh phù hợp có thể trở thành thông tin quý giá, từ đó chuyển hóa thành tri thức và có thể ảnh hưởng đến các quyết định kinh doanh. Ngoài ra, chúng ta cũng nhận thấy phân tích kinh doanh có thể giải quyết đa dạng các loại vấn đề thuộc các chức năng kinh doanh khác nhau như tiếp thị, kế toán, tài chính và vận hành. Chúng ta đã tóm tắt mô hình phân tích SOAR như một khuôn khổ thực hiện phân tích kinh doanh, thảo luận về loại và phạm vi các câu hỏi mà nhà phân tích kinh doanh đặt ra như thành phần đầu tiên của mô hình SOAR, đồng thời giới thiệu tầm quan trọng của trực quan hóa dữ liệu.

THUẬT NGỮ CHÍNH

• accounting analytics (phân tích kế toán): Phân tích kinh doanh nhằm đánh giá kết quả tài chính và giải quyết các câu hỏi về kế toán.

• analytics mindset (tư duy phân tích): Sự sẵn sàng và khả năng xác định câu hỏi kinh doanh nào cần được giải quyết, tìm và trích xuất dữ liệu thích hợp có thể giải quyết các câu hỏi đó, phân tích dữ liệu đó và sau đó báo cáo kết quả cho những người ra quyết định.

• artificial intelligence (trí tuệ nhân tạo): Thuật ngữ chung chỉ các hệ thống máy tính có khả năng cảm nhận môi trường, suy nghĩ, học hỏi và hành động để phản ứng lại những gì chúng đang cảm nhận và các mục tiêu của chúng.

• business analyst (nhà phân tích kinh doanh): Chuyên gia dữ liệu chịu trách nhiệm sàng lọc và sử dụng dữ liệu nhằm hỗ trợ tổ chức đưa ra các quyết định kinh doanh hiệu quả.

• business analytics (phân tích kinh doanh): Việc sử dụng dữ liệu để tạo ra tri thức, rút ra kết luận và giải quyết các câu hỏi kinh doanh.

• business process (quy trình kinh doanh/nghiệp vụ): Tập hợp các hoạt động được phối hợp và chuẩn hóa, được thực hiện bởi cả con người và thiết bị để hoàn thành một nhiệm vụ kinh doanh cụ thể.

• business value (giá trị kinh doanh): Tất cả các hạng mục, sự kiện và tương tác xác định sức khỏe tài chính của một công ty.

• context (bối cảnh): Hoàn cảnh, sự kiện, phát biểu hoặc tình huống mà ở đó dữ liệu có thể được hiểu và đánh giá một cách đầy đủ hơn.

• dashboard (bảng điều khiển): Bản tóm tắt trực quan về các chỉ số đo lường khác nhau mà công ty theo dõi liên tục.

• data (dữ liệu): Các con số và sự kiện thô, chưa mang nhiều ý nghĩa khi đứng riêng lẻ.

• data integrity (tính toàn vẹn dữ liệu): Sự kết hợp giữa tính chính xác (accuracy), tính hợp lệ (validity) và tính nhất quán (consistency) của dữ liệu được lưu trữ và sử dụng theo thời gian.

• data overload (quá tải dữ liệu): Tình trạng truy cập hoặc tiếp xúc với quá nhiều dữ liệu, điều này ngăn cản dữ liệu được tổng hợp và diễn giải một cách đúng đắn.

• data scientist (nhà khoa học dữ liệu): Chuyên gia dữ liệu biết cách làm việc với dữ liệu, thao tác và kiểm định dữ liệu về mặt thống kê.

• data visualization (hình ảnh trực quan hóa dữ liệu): Một biểu diễn đồ họa của dữ liệu, thường dưới dạng biểu đồ, đồ thị hoặc hình ảnh khác.

• decision (quyết định): Kết luận được đưa ra sau khi xem xét kiến thức thu nhận được.

• dynamic report (báo cáo động): Báo cáo có đặc điểm được cập nhật, thay đổi liên tục.

• explanatory visualization (hình ảnh trực quan hóa giải thích): Một biểu diễn đồ họa hỗ trợ truyền tải kết quả phân tích đến các bên liên quan.

• exploratory visualization (hình ảnh trực quan hóa khám phá): Một biểu diễn đồ họa giúp phát hiện các mẫu hình và hiểu biết sâu sắc trong dữ liệu, thường thuộc phân tích mô tả hoặc chẩn đoán.

• financial analytics (phân tích tài chính): Phân tích kinh doanh nhằm đo lường, đánh giá và cải thiện kết quả tài chính.

• information (thông tin): Dữ liệu được tổ chức theo cách có ý nghĩa đối với người dùng trong một bối cảnh nhất định.

• information value chain (chuỗi giá trị thông tin): Các sự kiện và quy trình xuyên suốt từ việc thu thập dữ liệu, tổng hợp thông tin cho đến quyết định kinh doanh cuối cùng.

• knowledge (kiến thức): Sự thấu hiểu hoặc am tường về thông tin mà chúng ta có được qua học hỏi.

• marketing analytics (phân tích tiếp thị): Phân tích kinh doanh nhằm đo lường và cải thiện kết quả tiếp thị của công ty.

• operations analytics (phân tích vận hành): Phân tích kinh doanh nhằm đo lường và cải thiện hiệu suất (efficiency) và hiệu quả (effectiveness) vận hành của công ty.

• relevant data (dữ liệu liên quan): Dữ liệu được kết nối trực tiếp hoặc chặt chẽ với câu hỏi đang được xem xét.

• reliable data (dữ liệu tin cậy): Dữ liệu phản ánh sự thật hoặc thực tế với ít hoặc không có sự thiên vị.

• SOAR analytics model (mô hình phân tích SOAR): Một khuôn khổ thực hiện phân tích kinh doanh gồm bốn bước: Xác định câu hỏi, Thu thập dữ liệu, Phân tích dữ liệu và Báo cáo kết quả.

• static report (báo cáo tĩnh): Báo cáo một lần, không được cập nhật.

---

[1] Banks, C. & Christ, M. (2017). An Overview of Analytics Mindset Competencies and Case Offerings. E&Y Academic Resource Center. http://aaahq.org/Education/Webinars/6-7-17-EY-Academic-Resource-Center-An-Overview-of-Analytics-Mindset-Competencies-and-Case-Offerings

[4] U.S. Bureau of Labor Statistics (n.d.). Occupational Outlook Handbook: Management Analysts. https://www.bls.gov/ooh/business-and-financial/management-analysts.htm

[5] Banks, C. & Christ, M. (2017). An Overview of Analytics Mindset Competencies and Case Offerings. E&Y Academic Resource Center. http://aaahq.org/Education/Webinars/6-7-17-EY-Academic-Resource-Center-An-Overview-of-Analytics-Mindset-Competencies-and-Case-Offerings

[6] SUV (Sport Utility Vehicle) là xe thể thao đa dụng được thiết kế nhằm vận hành và di chuyển trên những địa hình hiểm trở hay môi trường khắc nghiệt.

[7] Durcevic, M. (2021). Your Data Won’t Speak Unless You Ask It the Right Data Analysis Questions. Datapine. https://web.archive.org/web/20210127204214/https://www.datapine.com/blog/data-analysis-questions/

[8] Singer, N.  & Krolik, A. (2020). Grindr and OkCupid Spread Personal Details, Study Says. New York Times. https://www.nytimes.com/2020/01/13/technology/grindr-apps-dating-data-tracking.html

[9] Carr, D. F. (2002). Hershey’s Sweet Victory. Baseline.

[10] ProjectPro (2024). How Big Data Analysis Helped Increase Walmart's Sales Turnover? http://projectpro.io/article/how-big-data-analysis-helped-increase-walmarts-sales-turnover/109

[11] PwC (2017). Sizing the Price: What’s the Real Value of AI for Your Business and How Can You Capitalise? https://www.pwc.com.au/government/pwc-ai-analysis-sizing-the-prize-report.pdf

[12] Tạm dịch: Hindsight → Hồi kiến (Nhìn lại), Insight → Nội kiến (Nhìn vào trong, thấu suốt), Foresight → Viễn kiến (Nhìn ra xa), Rightsight → Tuệ kiến (Nhìn chuẩn xác ở mọi khía cạnh)

[13] Kasula, C. P. (2020). Netflix Recommender System — A Big Data Case Study. Towards Data Science. https://medium.com/data-science/netflix-recommender-system-a-big-data-case-study-19cfa6d56ff5

[14] Dzuranin, A. C. (2022). Explanatory Data Visualizations. Strategic Finance. https://www.sfmagazine.com/articles/2022/january/explanatory-data-visualizations/

[15] Burgstahler, D. & Dichev, I. (1997). Earnings Management to Avoid Earnings Decreases and Losses. Journal of Accounting and Economics, 24(1), 99–126. https://doi.org/10.1016/S0165-4101(97)00017-7

[16] Dayan, Z. (2018). Visual Content: The Future of Storytelling. Forbes. https://www.forbes.com/sites/forbestechcouncil/2018/04/02/visual-content-the-future-of-storytelling/

[17] Whiteoak, H. (2018). Six Reasons to Embrace Visual Commerce in 2018. Pixlee. https://web.archive.org/web/20191112030640/https://www.pixlee.com/blog/six-reasons-to-embrace-visual-commerce-in-2018/  

[18] Eisenberg, H. (2014). Humans Process Visual Data Better. Thermopylae Sciences + Technology. https://web.archive.org/web/20141009081405/https://www.t-sciences.com/news/humans-process-visual-data-better