Tư duy phân tích dữ liệu là cách nhìn 1 vấn đề trong công việc hoặc đời sống qua lăng kính dữ liệu: thay vì chỉ dựa vào cảm tính hay kinh nghiệm, bạn đặt câu hỏi “dữ liệu nào đang có sẵn, và nó nói lên điều gì mà trực giác có thể bỏ sót?”
Đây không phải là kỹ năng chỉ dành cho kỹ sư hay nhà khoa học dữ liệu. Ngay cả khi bạn không tự tay phân tích, tư duy này giúp bạn đánh giá được 1 đề xuất, 1 báo cáo, hay 1 quyết định đầu tư có dựa trên nền tảng vững hay không — biết đâu là chỗ hợp lý, đâu là chỗ đang suy diễn quá xa từ số liệu.
Case thật #1 — Walmart & bão Frances
Năm 2004, khi bão Frances chuẩn bị đổ bộ vào Florida, các lãnh đạo Walmart không chỉ lo phòng chống bão — họ coi đây là cơ hội để dự đoán nhu cầu mua sắm. Thay vì đợi bão đến rồi mới phản ứng, họ nhìn lại dữ liệu bán hàng từ 1 cơn bão trước đó (Charley) để tìm mẫu hình.
Điều bất ngờ không phải là đèn pin hay nước đóng chai bán chạy hơn — ai cũng đoán được điều đó. Điều đáng giá là dữ liệu chỉ ra 1 thứ không ai ngờ: bánh Pop-Tarts vị dâu bán chạy gấp khoảng 7 lần bình thường trước bão, và mặt hàng bán chạy nhất ngay trước bão là bia. Đây chính là giá trị của phân tích dữ liệu: tìm ra cái không hiển nhiên, thứ mà kinh nghiệm hay trực giác thông thường khó nghĩ tới.
Case thật #2 — Vì sao khách hàng rời bỏ (MegaTelCo)
Ở 1 hãng viễn thông lớn tại Mỹ, khoảng 20% khách hàng rời mạng mỗi năm khi hết hợp đồng — gọi là “churn”. Giữ 1 khách hàng cũ luôn rẻ hơn tìm khách mới, nên công ty có hẳn 1 chương trình ưu đãi giữ chân khách. Nhưng câu hỏi khó không phải là “có nên giữ khách không” — mà là nên gửi ưu đãi cho ai, trong khi ngân sách ưu đãi luôn có hạn.
Đây là ví dụ sẽ xuất hiện lại nhiều lần trong lộ trình này, vì nó buộc bạn phải trả lời 1 loạt câu hỏi rất thực tế: dữ liệu nào cho biết ai sắp rời đi? Nếu gửi ưu đãi cho tất cả thì có lãng phí không? Mô hình dự đoán “đúng” nghĩa là gì trong bài toán kinh doanh này? — đây chính là những câu hỏi các Module sau sẽ lần lượt trả lời.
Xem thêm: khi dữ liệu KHÔNG phải lúc nào cũng đúng
TED Talk sau đây kể lại việc Amazon và Netflix cùng dùng dữ liệu để chọn nội dung phim/show, nhưng ra 2 kết quả rất khác nhau — 1 thất bại, 1 thành công vang dội (House of Cards). Đây là lời nhắc quan trọng: có dữ liệu không đồng nghĩa dùng đúng dữ liệu.
- Bạn giải thích được sự khác biệt giữa “có dữ liệu” và “tư duy phân tích dữ liệu”.
- Bạn nêu được 1 ví dụ dữ liệu giúp tìm ra điều không hiển nhiên (không chỉ xác nhận điều đã biết).
- Bạn hiểu vì sao bài toán “giữ khách hàng” không đơn giản là “giữ được hay không”.
Giá trị lớn nhất của phân tích dữ liệu không phải là xác nhận điều bạn đã đoán được (ai cũng biết bão thì bán chạy đèn pin) — mà là phát hiện ra điều bất ngờ, đủ cụ thể để hành động (Pop-Tarts dâu, bia). Khi đọc 1 báo cáo dữ liệu, luôn tự hỏi: phát hiện này có thực sự bất ngờ, hay chỉ đang lặp lại điều hiển nhiên bằng ngôn ngữ số liệu?
Câu hỏi thường gặp
Tư duy phân tích dữ liệu khác gì với biết dùng Excel/công cụ?
Công cụ (Excel, Python…) là phương tiện. Tư duy phân tích dữ liệu là cách đặt câu hỏi và diễn giải kết quả đúng — có công cụ mà thiếu tư duy này vẫn dễ ra kết luận sai.
Case Walmart có còn áp dụng được trong thời đại dữ liệu lớn hơn nhiều bây giờ không?
Nguyên lý vẫn giữ nguyên: so sánh dữ liệu hiện tại với các tình huống tương tự trong lịch sử để tìm mẫu hình bất thường. Quy mô dữ liệu ngày nay lớn hơn nhiều, nhưng cách đặt câu hỏi cơ bản không đổi.
Bài toán MegaTelCo (giữ khách hàng) liên quan gì đến đầu tư/kinh doanh cá nhân?
Cùng 1 khung tư duy: khi nguồn lực có hạn (ngân sách ưu đãi, hoặc vốn đầu tư), câu hỏi quan trọng không phải ‘nên làm A hay không’ mà là ‘nên ưu tiên A cho ai/khi nào để tối ưu kết quả’ — sẽ được học sâu hơn ở Module 2.