Search for answers or browse our knowledge base.
Kinh nghiệm triển khai Chiến lược dữ liệu
4 Thực Hành Tốt Nhất để Xây Dựng Chiến Lược Dữ Liệu
Hướng dẫn từng bước để tạo nền tảng cho sự chuyển đổi kinh doanh thông qua dữ liệu.
Tận dụng tối đa dữ liệu của bạn
Công ty của bạn sở hữu một khối lượng dữ liệu khổng lồ – nhưng liệu bạn có đang sử dụng nó hiệu quả để thúc đẩy các mục tiêu kinh doanh? Nghiên cứu từ báo cáo State of Data and Analytics của chúng tôi cho thấy các nhà lãnh đạo kinh doanh và công nghệ thông tin (IT) tin rằng họ chưa khai thác tối đa giá trị từ dữ liệu. Thực tế, 94% cho rằng họ nên thu được nhiều giá trị hơn từ dữ liệu hiện có. Điều này hoàn toàn hợp lý: Khi nghĩ về những đột phá gần đây nhờ trí tuệ nhân tạo tạo sinh (generative artificial intelligence – AI) và phân tích nâng cao (advanced analytics), tất cả đều dựa trên nền tảng dữ liệu đáng tin cậy, chất lượng cao – và điều đó bắt đầu từ chiến lược.
Mục lục
- Bước 1: Phát triển chiến lược dữ liệu phù hợp với mục tiêu kinh doanh
- Bước 2: Ưu tiên quản trị dữ liệu
- Bước 3: Thúc đẩy mức độ trưởng thành dữ liệu để đạt kết quả AI thành công
- Bước 4: Phát triển văn hóa dữ liệu để đảm bảo khả năng phục hồi kinh doanh
- Kết luận: Xây dựng nền tảng cho sự thành công kinh doanh dẫn dắt bởi dữ liệu
Bước 1
Phát triển chiến lược dữ liệu phù hợp với mục tiêu kinh doanh
Vậy làm thế nào để thu hẹp khoảng cách giữa dữ liệu và những chiến thắng kinh doanh? Hãy bắt đầu bằng việc căn chỉnh chiến lược dữ liệu (data strategy) với mục tiêu kinh doanh (business goals) – đây là bước đầu tiên quan trọng, nhưng nói thì dễ hơn làm.
70% các nhà lãnh đạo kinh doanh (line-of-business leaders) cho biết chiến lược dữ liệu của họ chỉ căn chỉnh một phần hoặc không căn chỉnh với các mục tiêu kinh doanh của công ty.
4 bước để khiến dữ liệu hoạt động hiệu quả cho doanh nghiệp
1. Xác định mục tiêu kinh doanh
Hợp tác với một đội ngũ cốt lõi gồm các bên liên quan kinh doanh và công nghệ thông tin (business and IT stakeholders) để xác định và ưu tiên các mục tiêu bạn muốn hỗ trợ và theo dõi bằng dữ liệu. Tập trung vào các mục tiêu nền tảng cho sự thành công kinh doanh – như tăng trưởng doanh thu (revenue growth), sự hài lòng của khách hàng (customer satisfaction), giảm chi phí (cost reduction), và mở rộng thị trường (market expansion).
Dưới đây là một số cách dữ liệu có thể hỗ trợ các mục tiêu này:
[Hình ảnh: Bảng]
| Mục tiêu kinh doanh | Trường hợp sử dụng dữ liệu |
|---|---|
| Tăng trưởng doanh thu (Revenue Growth) | Phân tích dữ liệu khách hàng để xác định cơ hội bán thêm (upsell) và bán chéo (cross-sell), tối ưu hóa chiến lược định giá (pricing strategies). |
| Sự hài lòng của khách hàng (Customer Satisfaction) | Sử dụng dữ liệu phản hồi khách hàng (customer feedback data) để cải thiện sản phẩm, dịch vụ, và trải nghiệm khách hàng (customer experience). |
| Giảm chi phí (Cost Reduction) | Phân tích dữ liệu vận hành (operational data) để xác định sự kém hiệu quả (inefficiencies) và không thành công, dẫn đến tiết kiệm chi phí (cost savings) và cải thiện lợi nhuận (profitability). |
| Mở rộng thị trường (Market Expansion) | Leverage dữ liệu thị trường (market data) để xác định các phân khúc khách hàng mới (new customer segments) và cơ hội mở rộng địa lý (geographic expansion opportunities). |
2. Xác định các chỉ số chính
Lựa chọn các chỉ số hiệu suất chính (key performance indicators – KPIs) để đo lường tiến độ hướng tới mục tiêu kinh doanh, ví dụ:
[Hình ảnh: Bảng]
| Mục tiêu kinh doanh | Trường hợp sử dụng dữ liệu |
|---|---|
| Tăng trưởng doanh thu (Revenue Growth) | Tỷ lệ chuyển đổi (Conversion Rate): Đo lường phần trăm khách hàng tiềm năng được chuyển đổi thành khách hàng trả tiền. |
| Sự hài lòng của khách hàng (Customer Satisfaction) | Tỷ lệ giữ chân khách hàng (Customer Retention Rate): Theo dõi phần trăm khách hàng tiếp tục kinh doanh với công ty trong một khoảng thời gian cụ thể. |
| Giảm chi phí (Cost Reduction) | Tỷ lệ hiệu quả vận hành (Operational Efficiency Ratio): So sánh chi phí vận hành với doanh thu tạo ra. |
| Mở rộng thị trường (Market Expansion) | Tỷ lệ thu hút khách hàng (Customer Acquisition Rate): Theo dõi tốc độ thu hút khách hàng mới. |
3. Đánh giá nguồn lực và ngân sách
Xác định liệu bạn có các hệ thống, công cụ, và ngân sách cần thiết để thực hiện mục tiêu. Ví dụ, mục tiêu của bạn có thể yêu cầu đầu tư vào một hệ thống quản lý quan hệ khách hàng (CRM) tiên tiến hơn hoặc nền tảng dữ liệu và phân tích (data and analytics platform) để theo dõi các chỉ số hiệu suất chính (KPIs) cụ thể. Nếu bạn có mục tiêu về cá nhân hóa trải nghiệm khách hàng (personalizing customer experiences), bạn có thể cần đầu tư vào các giải pháp như Data Cloud để thống nhất tất cả dữ liệu khách hàng và sử dụng nó để phục vụ họ tốt hơn.
Đánh giá này sẽ giúp bạn xác định điều gì là thực tế cho doanh nghiệp của mình.
4. Xây dựng văn hóa dữ liệu mạnh mẽ
Xét cho cùng, dữ liệu là một môn thể thao đồng đội (team sport), và các đội của bạn cần kỹ năng để hiểu và sử dụng dữ liệu trong luồng công việc (flow of work) để đưa ra quyết định sáng suốt. Hãy cân nhắc thành lập một ủy ban lãnh đạo dữ liệu (data leadership committee) và áp dụng cách tiếp cận từng bước để xây dựng văn hóa dữ liệu (data culture).
Danh sách kiểm tra để căn chỉnh các đội trong tổ chức
- Hợp tác với các bên liên quan kinh doanh và công nghệ thông tin để xác định và ưu tiên các mục tiêu kinh doanh.
- Phát triển các chỉ số hiệu suất chính (KPIs) bằng cách làm việc với nhiều đội nội bộ.
- Khảo sát các trưởng nhóm để xác định xem bạn có các hệ thống, công cụ, và ngân sách để đạt được mục tiêu không.
- Đầu tư vào việc nuôi dưỡng các kỹ năng và hành vi mà các đội của bạn cần để hiểu và sử dụng dữ liệu cho lợi thế kinh doanh.
- Cân nhắc tham gia một cộng đồng như Data Leadership Council (DLC) để nhận được lời khuyên và thực hành tốt nhất về cách thúc đẩy văn hóa dữ liệu của bạn.
Bước 2
Ưu tiên quản trị dữ liệu
Dù mọi người đều hào hứng với tiềm năng chuyển đổi của trí tuệ nhân tạo (AI), điều quan trọng là phải hiểu rằng sức mạnh của AI phụ thuộc vào một nền tảng dữ liệu vững chắc. 86% các nhà lãnh đạo phân tích và công nghệ thông tin (analytics and IT leaders) đồng ý rằng kết quả của AI chỉ tốt khi dữ liệu đầu vào (data inputs) chất lượng. Họ biết rằng dữ liệu chất lượng cao (high data quality) đưa tổ chức tiến gần hơn đến mức độ trưởng thành dữ liệu (data maturity) và thành công với AI.
Vậy làm thế nào để cải thiện chất lượng dữ liệu? Nó bắt đầu từ quản trị dữ liệu (data governance).
92% các nhà lãnh đạo phân tích và công nghệ thông tin đồng ý rằng chưa bao giờ có nhu cầu lớn hơn về dữ liệu đáng tin cậy (trustworthy data).
– Báo cáo State of Data and Analytics Report, 2023
Quản trị dữ liệu (data governance) có nghĩa là thiết lập các tiêu chuẩn nội bộ về cách dữ liệu được thu thập, lưu trữ, xử lý, và loại bỏ. Đây là sự kết hợp của các kiểm soát (controls), vai trò (roles), và quy trình lặp lại (repeatable processes) tạo ra niềm tin và sự tự tin vào dữ liệu và phân tích của tổ chức. Quản trị giúp xây dựng một văn hóa tin cậy (culture of trust) xung quanh dữ liệu; khi mọi người biết dữ liệu họ sử dụng là đáng tin cậy, họ tự tin hơn trong quyết định của mình.
Làm theo sáu bước sau để đặt nền móng cho một chiến lược quản trị dữ liệu thành công:
- Gặp gỡ các bên liên quan có liên quan (relevant stakeholders) để tìm hiểu các chỉ số chính (key metrics) của họ và dữ liệu họ cần để thực hiện công việc. Đảm bảo chính sách quản trị (governance policies) bao phủ mọi trường hợp sử dụng (use case) và luồng công việc (workflow) quan trọng. Hiểu cách các đội sử dụng dữ liệu sẽ định hình mọi khía cạnh của chiến lược.
- Xác định “chất lượng dữ liệu” (data quality) có ý nghĩa gì trong tổ chức của bạn. Cân nhắc các tiêu chí chính sau trong định nghĩa:
- Tính đầy đủ (Completeness): Hồ sơ của bạn có bao gồm tất cả các trường dữ liệu cần thiết không?
- Tính kịp thời (Timeliness): Dữ liệu có đại diện cho trạng thái hiện tại của doanh nghiệp và mục tiêu chiến lược không? Dữ liệu có được cập nhật thường xuyên không?
- Tính hợp lệ (Validity): Dữ liệu có tuân theo các quy tắc, ràng buộc, và hướng dẫn quản trị không?
- Sử dụng (Usage): Dữ liệu này được sử dụng bao nhiêu lần cho báo cáo và trong các ứng dụng?
- Tính chính xác (Accuracy): Bộ dữ liệu của bạn có được cập nhật thường xuyên từ các nguồn đáng tin cậy không? Dữ liệu có phản ánh chính xác những gì nó định đại diện không?
- Tính nhất quán (Consistency): Có yêu cầu tiêu chuẩn định dạng dữ liệu trên tất cả các nguồn dữ liệu hoặc thậm chí trong cùng một tập dữ liệu không?
- Tính đáng tin cậy (Reliability): Dữ liệu có duy trì chất lượng và tính nhất quán trong thời gian dài không?
- Phát triển một quy trình kiểm soát chất lượng toàn diện (comprehensive quality control process). Các quy trình chuẩn hóa cho nhập dữ liệu (data entry), làm sạch (cleansing), loại bỏ trùng lặp (deduplication), hợp nhất (merging), và lưu trữ (archiving) là một phần của quản trị dữ liệu hiệu quả. Tận dụng các công cụ làm sạch dữ liệu được hỗ trợ bởi trí tuệ nhân tạo (AI-powered data-cleansing tools) với các tính năng tích hợp như loại bỏ trùng lặp, xác thực (validation), và làm giàu dữ liệu (enrichment data-profiling).
- Lập kế hoạch xem xét và cập nhật quản trị định kỳ (regular governance review and updates). Vì doanh nghiệp của bạn không ngừng phát triển, điều quan trọng là phải xem xét lại chiến lược quản trị hiện tại thường xuyên. Hãy đảm bảo lên lịch cho các cập nhật.
- Giáo dục mọi người trong tổ chức về yêu cầu xử lý dữ liệu (data handling requirements). Phân quyền bảo mật và quyền truy cập (security and permissions) để duy trì tính bảo mật (confidentiality) và đảm bảo tuân thủ quy định (regulatory compliance). Và tạo một cách để nhân viên báo cáo và giải quyết các vấn đề liên quan đến dữ liệu khi chúng phát sinh, như một kênh Slack chuyên dụng.
- Thiết lập các chỉ số thành công (success metrics). Các chỉ số thành công là cách tốt nhất để xác định các lĩnh vực cần cải thiện và khuyến khích các quyết định dẫn dắt bởi dữ liệu (data-driven decisions). Tiếp tục đọc để tìm hiểu sâu hơn về các chỉ số hiệu suất chính (KPIs) quản trị dữ liệu.
Tập trung vào chất lượng dữ liệu
Hơn sáu trong mười nhà lãnh đạo phân tích và công nghệ thông tin cho biết họ thiếu thông tin về các chỉ số chính (key metrics), bao gồm chất lượng dữ liệu (data quality), sử dụng dữ liệu (data utilization), và tốc độ đến thông tin chi tiết (speed to insight), theo báo cáo State of Data and Analytics của chúng tôi. Các chỉ số này rất quan trọng vì chúng giúp các đội đo lường hiệu quả của các sáng kiến dữ liệu.
Dưới đây là phân tích các chỉ số chính và phần trăm người được khảo sát cho biết tổ chức của họ thực sự theo dõi chúng:
[Hình ảnh: Bảng]
- Năng suất nhân viên phân tích/công nghệ thông tin (IT/analytics employee productivity): 47%
- Chất lượng dữ liệu (Data quality): 44%
- Sử dụng dữ liệu (Data utilization): 39%
- Chi phí điện toán đám mây (Cloud computing costs): 37%
- Hiệu quả vận hành (Operational efficiency): 37%
- Mức độ và chi phí quản lý dữ liệu (Data management levels and costs): 39%
- Giao hàng dịch vụ dữ liệu (Data services delivery): 36%
- Giá trị của việc kiếm tiền từ dữ liệu (Value of data monetization): 34%
- Lợi tức đầu tư của các sáng kiến dữ liệu (ROI of data initiatives): 32%
- Tốc độ đến thông tin chi tiết (Speed to insight): 28%
- Tiến độ trên lộ trình kỹ thuật (Progress on technical roadmap): 28%
Hãy xem xét kỹ hơn các chỉ số này để hiểu vai trò của chúng trong chiến lược dữ liệu và tại sao cần theo dõi:
- Chỉ số sử dụng dữ liệu (Data usage metrics): Xác định cách bạn sử dụng dữ liệu – và việc sử dụng đó gắn liền với các nguồn lực tổng thể, bao gồm con người, nền tảng, và quy trình.
- Chỉ số chất lượng dữ liệu (Data quality metrics): Đánh giá chất lượng dữ liệu dựa trên các tiêu chuẩn quản trị bạn đã xác định.
- Chỉ số thời gian đến thông tin chi tiết (Time-to-insight metrics): Giúp bạn xác định các nút thắt (bottlenecks) giữa thông tin chi tiết và hành động, đồng thời cải thiện để thu hẹp khoảng cách.
Làm thế nào để chuyển các chỉ số này thành chỉ số hiệu suất chính thông minh (smart KPIs)? Bắt đầu bằng cách thiết lập mục tiêu cho mỗi chỉ số có thể đo lường và đạt được trong một khung thời gian cụ thể. Sau đó, tìm cách theo dõi và báo cáo các chỉ số này với các bên liên quan mà không làm phức tạp các quy trình hiện tại.
Những ví dụ sau cho thấy cách các chỉ số quản trị có thể được định hình thành các chỉ số hiệu suất chính thông minh, có thể theo dõi:
[Hình ảnh: Bảng]
| Chỉ số | Ví dụ về KPI thông minh | Cách theo dõi |
|---|---|---|
| Chất lượng dữ liệu (Data quality) | Đạt được cải thiện 4% chất lượng dữ liệu vào cuối mỗi quý. | Gán giá trị và làm mới thường xuyên tần suất (frequency), sử dụng (usage), tỷ lệ hoàn thành luồng chuẩn bị (prep flow completion rate), và tỷ lệ cảnh báo lỗi (error warning rate). |
| Sử dụng dữ liệu (Data usage) | Tăng sử dụng dữ liệu khách hàng cho việc ra quyết định lên 30% trong 12 tháng tới. | Xác định các chỉ số liên quan để đo lường, như quyền truy cập của nhân viên (employee access), tỷ lệ đăng nhập (log-in rates), và tần suất theo dõi và báo cáo dữ liệu này. |
| Thời gian đến thông tin chi tiết (Time to insight) | Giảm thời gian trung bình để được tích hợp vào bảng điều khiển dịch vụ hiện trường (field service dashboards) xuống 10 phút vào cuối quý tiếp theo. | Theo dõi thời gian trung bình đến thông tin chi tiết so với các tiêu chuẩn ngành (industry benchmarks) hoặc hiệu suất trước đó. |
Quản trị mạnh mẽ (strong governance) là chìa khóa để thúc đẩy sử dụng và chấp nhận phân tích (analytics adoption) trong tổ chức của bạn đồng thời duy trì bảo mật và tính toàn vẹn của dữ liệu (data security and integrity). Với một chiến lược chất lượng dữ liệu vững chắc, bạn đã có nền tảng cho vận hành và ra quyết định dựa trên trí tuệ nhân tạo (AI-powered operations and decision making).
Danh sách kiểm tra để thúc đẩy chất lượng dữ liệu
- Xác định chất lượng dữ liệu có ý nghĩa gì đối với tổ chức của bạn.
- Gặp gỡ các bên liên quan để hiểu dữ liệu họ cần để thực hiện công việc.
- Sử dụng các công cụ làm sạch dữ liệu được hỗ trợ bởi trí tuệ nhân tạo, như Tableau Data Prep.
- Giúp các nhà lãnh đạo chính hiểu các nguyên tắc cơ bản của làm sạch dữ liệu (data cleaning).
Bước 3
Thúc đẩy mức độ trưởng thành dữ liệu để đạt kết quả AI thành công
Mức độ trưởng thành dữ liệu trông như thế nào?
Các tổ chức đạt đến đỉnh cao của mức độ trưởng thành dữ liệu (data maturity) khi:
- Chiến lược dữ liệu bổ trợ cho mục tiêu kinh doanh: Các bên liên quan sử dụng dữ liệu để định hướng mọi động thái chiến lược, cho phép bạn chuyển đổi thông tin chi tiết (insights) thành các kế hoạch hành động (actionable plans) và thành tựu đo lường được (measurable achievement).
- Khách hàng được hưởng lợi từ cách tiếp cận tập trung vào dữ liệu: Các thông tin chi tiết sâu sắc (deep insights) giúp bạn dự đoán nhu cầu của họ – thậm chí trước khi khách hàng nhận thức đầy đủ – và cung cấp trải nghiệm tùy chỉnh (customized experiences).
- Bảo mật và niềm tin là nền tảng cho mọi sáng kiến dữ liệu: Với các tiêu chuẩn toàn tổ chức (organization-wide standards) đảm bảo dữ liệu của bạn và dữ liệu khách hàng luôn được bảo vệ.
Làm thế nào để đạt được điều đó?
Bằng cách cam kết:
- Tạo một chiến lược dữ liệu nơi các đội kinh doanh và dữ liệu (business and data teams) đồng ý về cách sử dụng dữ liệu để thúc đẩy mục tiêu kinh doanh.
- Thiết lập quản lý và quản trị dữ liệu (data management and governance) để đảm bảo tính toàn vẹn và niềm tin vào dữ liệu (data integrity and trust).
- Áp dụng các giải pháp dữ liệu (data solutions) chuyển đổi dữ liệu thành thông tin chi tiết có ý nghĩa.
- Ưu tiên bảo mật dữ liệu (data security) để bảo vệ dữ liệu khỏi vi phạm (breaches) và duy trì tuân thủ (compliance).
- Xây dựng văn hóa dữ liệu (data culture) để mọi nhân viên có kỹ năng cần thiết để nhận biết, hiểu, và hành động dựa trên thông tin chi tiết từ dữ liệu.
- Mang kiến thức dữ liệu (data literacy) vào doanh nghiệp của bạn. Tích hợp kỹ năng dữ liệu (data skills) vào lực lượng lao động để mọi người cảm thấy thoải mái sử dụng dữ liệu đáng tin cậy để hỗ trợ ra quyết định hàng ngày.
Lợi ích của mức độ trưởng thành dữ liệu cao
Mức độ trưởng thành dữ liệu (data maturity) là một khối xây dựng (building block) cho việc áp dụng trí tuệ nhân tạo (AI adoption) thành công, với các tổ chức có mức độ trưởng thành cao đề cập đến cơ sở hạ tầng, chiến lược, và sự căn chỉnh vượt trội so với các tổ chức có mức độ trưởng thành dữ liệu thấp.
Các khảo sát cho thấy các tổ chức có mức độ trưởng thành dữ liệu cao cảm thấy được chuẩn bị tốt hơn để khai thác lợi ích của trí tuệ nhân tạo:
[Hình ảnh: Bảng]
| Mức độ trưởng thành dữ liệu thấp (Low Data Maturity) | Mức độ trưởng thành dữ liệu trung bình (Moderate Data Maturity) | Mức độ trưởng thành dữ liệu cao (High Data Maturity) | |
|---|---|---|---|
| Chất lượng dữ liệu (Data quality) | 30% | 39% | 59% |
| Cơ sở hạ tầng công nghệ (Technology infrastructure) | 36% | 40% | 57% |
| Chiến lược trí tuệ nhân tạo (Artificial intelligence strategy) | 32% | 36% | 56% |
| Tài năng/kỹ năng kỹ thuật (Technical talent/skills) | 33% | 36% | 56% |
| Sự căn chỉnh của các bên liên quan kinh doanh (Business stakeholders alignment) | 34% | 36% | 55% |
| Khả năng bảo mật/tuân thủ (Security/compliance capabilities) | 32% | 39% | 55% |
Bước 4
Phát triển văn hóa dữ liệu để đảm bảo khả năng phục hồi kinh doanh
Các tổ chức có thể xoay chuyển (pivot) và phản ứng nhanh với những thay đổi của thị trường có lợi thế cạnh tranh rõ rệt (distinct competitive advantage). Những công ty này có điểm chung gì ngoài dữ liệu và công nghệ? Một văn hóa của những nhà tư duy phản biện (critical thinkers) ủng hộ việc ra quyết định dẫn dắt bởi dữ liệu (data-driven decision making) ở mọi cấp độ trong tổ chức: một văn hóa dữ liệu (data culture).
Dù các nhà lãnh đạo có thể hiểu giá trị của văn hóa dữ liệu tổ chức (organizational data culture), nhưng làm thế nào để xây dựng nó? Làm thế nào để tạo ra tư duy ưu tiên dữ liệu (data-first mindset) trong công ty của bạn?
Dưới đây là bốn bước sẽ giúp bạn thúc đẩy mức độ trưởng thành dữ liệu (data maturity) và khai thác nhiều giá trị hơn từ dữ liệu:
- Căn chỉnh các chỉ số lãnh đạo với ưu tiên kinh doanh
Bắt đầu với một cuộc kiểm tra (audit) việc sử dụng dữ liệu toàn tổ chức, xem xét trạng thái hiện tại so với các sáng kiến chiến lược (strategic initiatives), kết quả mong muốn (desired outcomes), và ưu tiên kinh doanh (business priorities). Soạn thảo một ủy ban lãnh đạo dữ liệu (data-leadership committee) để giúp hiểu cách doanh nghiệp đang hoạt động so với các ưu tiên này, tạo ra một tập hợp các chỉ số chính (key set of metrics), và làm việc với đúng người – thường là đội phân tích (analyst team) – để xác định, tạo, và căn chỉnh các nguồn dữ liệu (data sources) hỗ trợ các chỉ số này. - Xây dựng nguồn dữ liệu để giải quyết các điểm quyết định quan trọng
Yêu cầu các chủ sở hữu dữ liệu và kinh doanh (data and business owners) thành lập một đội liên chức năng (cross-functional team) để giải quyết một vấn đề cụ thể, cùng nhau xác định hoặc tạo các nguồn dữ liệu chính có tác động trực tiếp đến các chỉ số toàn tổ chức (organization-wide metrics). Đảm bảo các nguồn dữ liệu này căn chỉnh với một hoặc nhiều phần của quy trình kinh doanh (business process).
Tiếp theo, xác định các điểm quyết định quan trọng (critical decision points) – các điểm mà bạn chọn bắt đầu, dừng, tiếp tục, hoặc thay đổi các khía cạnh trong cách tiếp cận của mình. Sử dụng các nguồn dữ liệu để định hướng các điểm này, khám phá và mô hình hóa các kết quả tiềm năng (potential outcomes), và đo lường tác động. Một nguồn dữ liệu duy nhất có thể giúp bạn tối ưu hóa nhiều điểm quyết định trước khi chuyển sang quy trình kinh doanh tiếp theo – chuẩn bị cho bạn thành công trước khi xây dựng các tài sản dữ liệu (data assets) sẽ được sử dụng trên toàn tổ chức.
- Tăng giá trị thông qua các trường hợp sử dụng mục tiêu
Tạo các trường hợp sử dụng (use cases) căn chỉnh với các lĩnh vực ưu tiên để khuyến khích tương tác với dữ liệu. Chúng có thể là các tài sản dữ liệu (data assets) – hình ảnh hóa (visualizations), báo cáo (reports), bảng điều khiển (dashboards), và/hoặc sổ làm việc (workbooks) – hữu ích, hấp dẫn, và cung cấp thông tin chi tiết (insights) để giải quyết nhu cầu kinh doanh tức thời. Các đội trên toàn tổ chức có thể phát triển các tài sản này để phù hợp với nhu cầu riêng và xác định các lĩnh vực khác có thể hưởng lợi từ tài sản dữ liệu hoặc nguồn dữ liệu.
Khi các tài sản này phát triển, đảm bảo các đội tham chiếu lại các định nghĩa được nêu trong các chỉ số lãnh đạo (leadership metrics) để mọi người sử dụng cùng ngôn ngữ. Chia sẻ các chiến thắng (victories) và mô hình thành công (patterns of success) để tạo ra một chu kỳ tích cực (virtuous cycle) mở rộng và làm sâu sắc sự tham gia trên toàn tổ chức. - Thúc đẩy khám phá dữ liệu rộng rãi
Khi mọi người tự tin với dữ liệu, họ sẽ muốn đặt ra các câu hỏi phong phú hơn và tự tạo các tài sản dữ liệu mới. Điều này có nghĩa là dữ liệu phải được mô tả tốt (well described), quản trị tốt (well governed), và dễ tiếp cận (accessible). Nó cũng yêu cầu kiến thức dữ liệu rộng rãi (widespread data literacy) – khả năng khám phá, hiểu, và giao tiếp với dữ liệu. Ở giai đoạn này, các tổ chức được hưởng lợi từ các chương trình đào tạo kiến thức dữ liệu (data literacy training programs) để dạy các kỹ năng dữ liệu cơ bản (fundamental data skills).
Thúc đẩy các chương trình cộng đồng (community programs) cung cấp cho mọi người một không gian chuyên dụng để đặt câu hỏi, chia sẻ thực hành tốt nhất (best practices), và khuyến khích sự tham gia. Những chương trình này không cần phải là những nỗ lực lớn, đặc biệt là ở giai đoạn đầu. Chúng có thể diễn ra ở nơi các cuộc trò chuyện đã xảy ra. Khi sự tham gia tăng, bạn có thể chính thức hóa các nỗ lực với các chủ sở hữu (owners), lãnh đạo (leaders), và quy trình (processes) chuyên dụng.
Để có cái nhìn sâu hơn về cách xây dựng văn hóa dữ liệu trong tổ chức của bạn, hãy xem Data Culture Playbook.
Kết luận
Xây dựng nền tảng cho sự thành công kinh doanh dẫn dắt bởi dữ liệu
Kỷ nguyên trí tuệ nhân tạo (AI) đã làm nổi bật nhu cầu về dữ liệu đáng tin cậy, chất lượng cao (trustworthy, high quality data). Một nền tảng dữ liệu vững chắc (robust data foundation) là yếu tố quan trọng để có được các phản hồi chính xác và ý nghĩa mà AI cần để cách mạng hóa hoạt động kinh doanh của bạn. Với nền tảng này, bạn đã mở đường cho các trường hợp sử dụng AI mang tính chuyển đổi (transformational AI use cases) đồng thời giúp đội ngũ của bạn đưa ra quyết định nhanh hơn, sáng suốt hơn trong các luồng công việc hàng ngày.
Bạn có thể khiến dữ liệu hoạt động hiệu quả hơn bằng cách:
- Phát triển một chiến lược dữ liệu căn chỉnh với mục tiêu kinh doanh. Đây là công việc chuẩn bị ban đầu đặt nền móng cho sự chuyển đổi kinh doanh (business transformation).
- Ưu tiên quản trị dữ liệu (data governance) để đảm bảo dữ liệu chất lượng cao, đáng tin cậy cần thiết cho các trường hợp sử dụng phân tích nâng cao (advanced analytics) và trí tuệ nhân tạo (AI).
- Thúc đẩy mức độ trưởng thành dữ liệu (data maturity) để mọi người trong tổ chức hiểu và cảm thấy thoải mái khi làm việc với dữ liệu – dẫn đến hiệu suất kinh doanh tổng thể tốt hơn.
Tiến lên phía trước
Đọc báo cáo State of Data and Analytics Report để có thông tin chi tiết toàn cầu từ hơn 10.000 nhà lãnh đạo phân tích, công nghệ thông tin, và kinh doanh về quản lý dữ liệu (data management) và ra quyết định (decision making) trong kỷ nguyên trí tuệ nhân tạo.
Bắt đầu xây dựng nền tảng chất lượng dữ liệu (data-quality foundation) cho các kết quả AI thành công trong tổ chức của bạn. Truy cập bản dùng thử miễn phí Tableau của bạn ngay hôm nay tại Tableau trial.
Tải tài liệu của Tableau ở đây
