Trong thời điểm hiện nay, việc tìm kiếm giải pháp, nền tảng với mục tiêu xây dựng, khai thác và phát triển dữ liệu của doanh nghiệp luôn được các lãnh đạo của doanh nghiệp đặt ra cho CIO hoặc bộ phận CNTT. Việc tìm kiếm một nền tảng phù hợp với doanh nghiệp được đặt ra và không dễ để có được lời giải đáp cho tất cả.

Sau đây, tôi muốn liệt kê các vấn đề được cho là quan trọng trong quá trình tìm kiếm nền tảng phân tích dữ liệu với hy vọng giúp bạn đầy đủ hơn các vấn đề cần cân nhắc, giảm thời gian trong quá trình chọn lựa, và cho kết quả chính xác hơn.

Xác định mục tiêu

Bạn cần phải xác định mục tiêu của lãnh đạo trong khi mong muốn lựa chọn nền tảng Data Analytics. Không nên nghĩ đó là lý thuyết, mà nó thực sự là vấn đề rất quan trọng

1. Mục tiêu vận hành của các lãnh đạo đưa ra cho bạn là gì? ví dụ như là gia tăng trải nghiệm của khách hàng, hiệu quả hơn trong vận hành, hoạt động của doanh nghiệp, thúc đẩy doanh số, thúc đẩy hoạt động bán hàng, hoặc giúp lãnh đạo đưa ra các quyết định sáng suốt, chính xác hơn
2. Trường hợp sử dụng (use case): xác định rõ các trường hợp sử dụng data analytics cụ thể. Ví dụ như doanh nghiệp của bạn là doanh nghiệp bán lẻ, thì sẽ có các use case như là phân tích trải nghiệm khách hàng, phân tích về doanh số, trong khi nếu doanh nghiệp của bạn là sản xuất thì có thể tập trung vào phân tích Supply Chain nhiều hơn

Loại dữ liệu

Nói đến lựa chọn nền tảng phân tích dữ liệu thì chắc chắn phải nghĩ ngay tới việc các nguồn dữ liệu mà bạn cần phải đưa vào phân tích, và các loại dữ liệu nào. Nhưng có thể chúng ta chia các nguồn dữ liệu đầu vào theo cách

1. Không cấu trúc đó là các loại dữ liệu không có cấu trúc như các file văn bản, hình ảnh, hoặc một số các loại dữ liệu mà không dễ dàng để đưa chúng vào một cấu trúc nào đó
2. Không hiểu: đó là loại dữ liệu mà có thể có cấu trúc nhưng rất linh động và thay đổi như các file Excel, CSV và dữ liệu của các đối tác mà doanh nghiệp của bạn cộng tác với họ theo thời gian, hoặc là các ứng dụng có database nhưng lại không hiểu về cấu trúc của database này vì lý do nào đó, như là không có tài liệu để lại chẳng hạn
3. Dữ liệu: là loại dữ liệu với hệ quản trị cơ sở dữ liệu nào đó, như MS SQL Server, Oracle, DB2, HANA,… và bạn có thể có đầy đủ tài liệu để khi cần thì có thể tra cứu để hiểu rõ cấu trúc dữ liệu của các Database này

Quy mô dữ liệu của Data Analytics

Quy mô của dữ liệu tham gia vào các giai đoạn của Data Analytics cần phải được đánh giá một cách nghiêm túc nhằm lượng hoá được hệ thống hạ tầng cho cả phương án triển khai on-premise và on-cloud cho dự án

1. Khối lượng dữ liệu cần phân tích: điều này đôi khi phụ thuộc vào phương án triển khai và kiến trúc của giải pháp Data Analytics. Ví dụ như một số công ty sẽ đưa dữ liệu đã được tổng quát vào dự án Data Analytics, việc thực hiện tổng quát dữ liệu thông qua các công cụ của Database. Và có thể, đôi khi việc đánh giá dữ liệu này lại đưa tới việc thiết kế kiến trúc của giải pháp
2. Tăng trưởng dữ liệu trong tương lai: đây là điều quan trọng, cần phải phân tích và dự kiến được lượng tăng của dữ liệu trong tương lai của doanh nghiệp bạn, nhằm đảm bảo việc lựa chọn công cụ đủ năng lực phân tích cho dữ liệu trong tương lai của bạn

Khả năng tích hợp

Tìm hiểu rõ chức năng của công cụ mà bạn lựa chọn có các chứ năng này hay không

1. Tích hợp với hệ thống hiện tại: tức là giải pháp Data Analytics tích hợp liền mạch với các hệ thống quản trị hiện tại của doanh nghiệp bạn, như liền mạch với ERP, CRM ở lớp Ứng dụng. Tức là khi bên ERP tạo một đơn hàng, là trong hệ thống Data Analytics của bạn có thêm 1 dòng dữ liệu mới về đơn hàng này. Hoặc hệ thống Data Analytics có thể kết nối với Database, hoặc dữ liệu của hệ thống hiện tại này, và cung cấp công cụ để ETL dữ liệu từ các hệ thống này vào Data Analytics của bạn
2. Import / Export dữ liệu: Chức năng này nhằm đảm bảo cho việc không thực hiện được khả năng 1 ở trên, thì chúng ta có phương án giải quyết bằng cách thực hiện liền mạch việc Export số liệu từ các hệ thống hiện tại, và Import vào hệ thống Data Analytics thông qua dữ liệu trung gian là Excel, CSV, Json.. và bạn cần phải đặc biệt lưu ý về Data Governance trong trường hợp sử dụng giải pháp này

Chức năng xử lý dữ liệu

Dù thô sơ hay dễ dàng thì Data Analytics cần cung cấp cho bạn các chức năng để bạn xử lý dữ liệu của bạn

1. Xử lý dữ liệu: công cụ cần đáp ứng việc kết nối, thu thập với các loại dữ liệu thông dụng và các loại dữ liệu mà bạn đang sử dụng, và điều đặt biệt nữa là khả năng xử lý với khối lượng dữ liệu của bạn đang cần, và đang có. Chúng ta không thể chọn một công cụ mà chỉ có thể xử lý 1 triệu records dữ liệu trong một giờ trong khi dữ liệu của bạn phát sinh là 2 triệu records dữ liệu trong 1 giờ
2. Làm sạch dữ liệu: Tìm kiếm các công cụ có khả năng làm sạch dữ liệu của bạn, gia tăng chất lượng lượng dữ liệu, hoặc cung cấp các chức năng mà bạn có thể dùng nó để gia tăng mức độ làm sạch, chất lượng dữ liệu lên. Vi dụ hệ thống sẽ cảnh báo cho bạn biết nếu bạn muốn xoá đi một dòng dữ liệu của Master Data nào đó, nó sẽ ảnh hưởng như thế nào tới các báo cáo của người dùng,…

Độ trễ của dữ liệu

Năng lực xử lý dữ liệu về mặt kỹ thuật, bạn cần phải cân nhắc khả năng của nền tảng với 2 tiêu chí quan trọng sau

1. Thời gian thực: là khả năng mà ở đó yêu cầu xử lý và phân tích dữ liệu trong thời gian thực, điều này phụ thuộc rất nhiều vào mô hình và lĩnh vực kinh doanh. Các trang thương mại điện tử sẽ yêu cầu phân tích và phản ứng lại với hành vi của người dùng trong thời gian thực
2. Cập nhật dữ liệu theo định kỳ: đối với các phân tích ít nhạy cảm hơn, có thể thực hiện phân tích dữ liệu theo định kỳ nhằm tiết kiệm chi phí hơn so với việc yêu cầu phân tích dữ liệu trong thời gian thực

Trực quan dữ liệu và Thiết kế báo cáo

Nền tảng Data Analytics mà bạn chọn, nhất thiết phải cung cấp cho bạn được 2 chức năng này, đó là

1. Trực quan hoá dữ liệu: xử dụng các biểu đồ, đồ thị để trình bày dữ liệu theo các dễ hiểu và cung cấp thông tin ở các góc nhìn khác nhau
2. Thiết kế báo cáo theo yêu cầu quản trị của lãnh đạo

Phân tích nâng cao

Một trong các chức năng mà tới thời điểm này bạn cần phải đưa vào lựa chọn cho nền tảng Data Analytics của mình đó là

1. Machine Learning (Máy học) theo đó cung cấp các chức năng máy học, trí tuệ nhân tạo nhằm giúp người phân tích hoặc doanh nghiệp dễ dàng nhận ra các phân tích, điểm sâu xa của dữ liệu
2. Dự báo: dựa vào dữ liệu quá khứ và các thuật toán cung cấp cho người dùng các số liệu dự báo, nhằm giúp cho doanh nghiệp định hướng, điều chỉnh chiến lược phù hợp hơn

Tuỳ chỉnh và Mở rộng

Công nghệ luôn thay đổi, nhưng doanh nghiệp và nhu cầu của người dùng cũng luôn thay đổi theo với độ phức tạp về mặt phân tích hơn, nhu cầu hệ thống Data Analytics cần phải mang lại các chức năng tốt hơn cũng như doanh nghiệp liên tục phát triển

1. Customization (tuỳ chỉnh) có khả năng tuỳ chỉnh như tuỳ chỉnh các đồ thị theo nhu cầu của bạn, hoặc định nghĩa các KPI đặc thù của doanh nghiệp
2. Mở rộng của giải pháp đảm bảo doanh nghiệp mở rộng thì giải pháp vẫn có thể đáp ứng được cả về quy mô của dữ liệu và độ phức tạp của việc xử lý cũng như phân tích dữ liệu

Dễ sử dụng

Dễ dàng sử dụng luôn là tính năng được các lãnh đạo của doanh nghiệp khi lựa chọn nền tảng Data Analytics

1. Dễ sử dụng: đây luôn là tính năng mà các lãnh đạo doanh nghiệp đặt lên hàng đầu khi lựa chọn nền tảng Data Analytics, nhờ nó mà họ dễ dàng xây dựng được đội ngũ phân tích dữ liệu chuyên nghiệp, và rải ra cho khắp các bộ phận, là đội ngũ để biến doanh nghiệp mà ở đó ai ai cũng có thể phân tích dữ liệu, tìm kiếm các cơ hội cho chính cá nhân và bộ phận của họ
2. Đào tạo sẽ không ai có thể giỏi ngay một ứng dụng mà điều này cần tích luỹ qua năm tháng, kinh nghiệm làm việc. Với một môi trường doanh nghiệp luôn luôn được đào tạo, chia sẽ các chức năng, kỹ thuật của ứng dụng sẽ là điều kiện cần cho sự phát triển của nền tảng phân tích dữ liệu và cho cả doanh nghiệp của bạn

Tự phân tích dữ liệu

Một trong các nhu cầu của các lãnh đạo doanh nghiệp trong quá trình lựa chọn nền tảng phân tích dữ liệu là nền tảng này giúp cho tất cả các thành viên trong doanh nghiệp đều có thể phân tích dữ liệu

1. Tự phục vụ trong phân tích số liệu (self-services analytics) điều này sẽ mang lại lợi ích cho chính các nhân viên của doanh nghiệp, cho bộ phận của họ và cho cả doanh nghiệp. Chắc chúng ta điều hiểu rằng không ai có thể hiểu và vận hành hệ thống dữ liệu tốt bằng các nhân viên nghiệp vụ của doanh nghiệp chứ không phải là bộ phận CNTT của doanh nghiệp
2. Dữ liệu cho tất cả các thành viên của doanh nghiệp và đây là khả năng mà nền tảng này có thể mang đi cho tất cả các thành viên trong doanh nghiệp

Nền tảng cộng tác

Cộng tác, chia sẻ đều là các mô hình mà giúp thúc đây

1. Cộng tác: theo đó nền tảng Data Analytics cung cấp công cụ cho các thành viên có thể chia sẻ các phân tích, dữ liệu, dashboard với nhau, cùng nhau thảo luận các vấn đề về số liệu và hệ thống có thể giúp họ kiểm soát các phiên bản của số liệu phân tích
2. Phân quyền: số liệu là vấn đề nhạy cảm và việc phân quyền truy xuất là điều mà hệ thống Data Analytics luôn phải chú trọng và cung cấp các công cụ chặc chẽ để phân quyền từ cột dữ liệu cho tới dòng dữ liệu

Di động và Đám mây

Cung cấp cho người dùng và mô hình triển khai thêm lựa chọn đó là di động và cloud

1. Di động hỗ trợ việc xem và tương tác trên các phân tích dữ liệu, đặc biệt là trên các dashboard qua thiết bị di động, điều này giúp cho các nhà lãnh đạo, quản lý luôn có dữ liệu, số liệu, tình hình hoạt động của doanh nghiệp mình trong lòng bàn tay
2. Đám mây là một lựa chọn mà doanh nghiệp có thể triển khai giải pháp trên nền tảng on-premise hoặc on-cloud (bao gồm private cloud và public cloud)

Quyền riêng tư

Chắc hẳn chúng ta đã biết với Nghị định 13 về quyền riêng tư, và các tiêu chuẩn cần có để bảo vệ dữ liệu

1. Quyền riêng tư: Đảm bảo phần mềm tuân thủ các luật về quyền riêng tư dữ liệu có liên quan như GDPR, HIPAA hoặc CCPA, và chắc chắn là Nghị định 13 của Việt Nam
2. Xử lý và Lưu trữ: Hiểu cách phần mềm xử lý và lưu trữ dữ liệu, đặc biệt là thông tin nhạy cảm, để đảm bảo phần mềm đáp ứng các tiêu chuẩn cao nhất về quyền riêng tư dữ liệu.

Tuân thủ các quy định của ngành

1. Tuân thủ theo ngành cụ thể: Một số ngành có các yêu cầu pháp lý cụ thể để xử lý và phân tích dữ liệu. Đảm bảo phần mềm đáp ứng các tiêu chuẩn tuân thủ dành riêng cho ngành này.
2. Quá trình thanh tra (audit trail) và báo cáo: Tìm kiếm các tính năng cho phép dễ dàng theo dõi và báo cáo việc sử dụng và sửa đổi dữ liệu, thường là yêu cầu bắt buộc đối với việc tuân thủ quy định.

Bảo mật và Mã hoá dữ liệu

1. Mã hóa: Mã hóa dữ liệu, nhất là trong giai đoạn chuyển tải, là một tính năng quan trọng để bảo vệ thông tin nhạy cảm khỏi bị truy cập trái phép.
2. Giao thức bảo mật: (Security Protocols) Đánh giá các giao thức bảo mật của phần mềm, bao gồm tường lửa, hệ thống phát hiện xâm nhập và kiểm tra bảo mật thường xuyên.
3. Kiểm soát truy cập: (Access Control) Cơ chế kiểm soát truy cập mạnh mẽ đảm bảo rằng người dùng chỉ có thể truy cập dữ liệu và tính năng cần thiết cho vai trò của họ, giảm nguy cơ vi phạm dữ liệu nội bộ.

Cập nhật và Bản vá

1. Cập nhật phần mềm: Cập nhật thường xuyên là điều cần thiết để bảo vệ khỏi các lỗ hổng mới. Kiểm tra cách nhà cung cấp phần mềm xử lý các bản cập nhật và bản vá.
2. Quản lý lỗ hổng bảo mật: Đánh giá khả năng phản hồi của nhà cung cấp đối với các lỗ hổng bảo mật và quy trình phát hành bản vá bảo mật của họ.

Chi phí đầu tư

Chi phí của phần mềm phân tích dữ liệu là một yếu tố quan trọng đối với hầu hết các doanh nghiệp. Điều quan trọng là phải hiểu không chỉ giá ban đầu mà còn cả ý nghĩa tài chính lâu dài của phần mềm, bao gồm bảo trì, nâng cấp và các dịch vụ bổ sung. Mô hình định giá

1. Đăng ký thuê bao so với mua một lần: Một số phần mềm có sẵn dưới dạng dịch vụ đăng ký, trong khi những phần mềm khác yêu cầu mua một lần. Đánh giá mô hình nào phù hợp nhất với kế hoạch tài chính của bạn.
2. Cấu trúc định giá theo cấp độ: Nhiều nhà cung cấp đưa ra mức giá theo cấp độ dựa trên tính năng, người dùng, khối lượng dữ liệu hoặc các số liệu khác. Đánh giá cấp độ nào phù hợp với nhu cầu của bạn mà không phải trả tiền cho các tính năng bổ sung không cần thiết.

Tổng chi phí sở hữu

1. Chi phí triển khai: Xem xét các chi phí liên quan đến việc triển khai phần mềm, bao gồm cài đặt, tích hợp với các hệ thống hiện có và bất kỳ nâng cấp phần cứng cần thiết nào.
2. Bảo trì và nâng cấp: Tính đến chi phí liên tục để bảo trì phần mềm, bao gồm các bản cập nhật và hỗ trợ kỹ thuật.
3. Chi phí đào tạo: Đừng bỏ qua chi phí đào tạo nhân viên của bạn cách sử dụng phần mềm mới một cách hiệu quả.

Hiệu quả đầu tư

Cân nhắc lợi ích tiềm năng của phần mềm (như hiệu quả được cải thiện, ra quyết định tốt hơn và lợi thế cạnh tranh) so với chi phí của nó. Xem xét tác động tài chính dài hạn, bao gồm cả cách phần mềm có thể giúp giảm chi phí hoặc tăng doanh thu theo thời gian.

Dùng thử

Bản dùng thử và bản demo miễn phí: Tận dụng các bản dùng thử hoặc bản demo miễn phí do nhà cung cấp cung cấp. Điều này có thể giúp bạn đánh giá xem phần mềm có đáp ứng nhu cầu của bạn hay không trước khi đưa ra cam kết tài chính.

Chi phí ẩn

Hãy lưu ý đến bất kỳ khoản phí bổ sung nào, chẳng hạn như phí dành cho người dùng bổ sung, mô-đun bổ sung hoặc phí lưu trữ dữ liệu, có thể không được bao gồm trong giá cơ sở.

Những cân nhắc về chi phí vượt xa giá niêm yết của phần mềm. Việc phân tích kỹ lưỡng tất cả các chi phí liên quan và lợi tức đầu tư tiềm năng sẽ giúp đảm bảo rằng bạn chọn giải pháp phân tích dữ liệu mang lại giá trị tốt nhất cho tổ chức của mình.

Độ tin cậy của Nhà cung cấp dịch vụ

Danh tiếng và độ tin cậy của nhà cung cấp
Khi lựa chọn phần mềm phân tích dữ liệu, danh tiếng và độ tin cậy của nhà cung cấp cũng quan trọng như các tính năng của chính phần mềm. Một nhà cung cấp uy tín không chỉ cung cấp sản phẩm chất lượng mà còn đảm bảo sự hỗ trợ, cập nhật nhất quán và tuổi thọ trên thị trường.

Sự hiện diện và chuyên môn trên thị trường của nhà cung cấp
Xem xét nhà cung cấp đã có mặt trên thị trường được bao lâu và kinh nghiệm của họ trong lĩnh vực phân tích dữ liệu. Sự hiện diện lâu dài có thể là một dấu hiệu tốt về độ tin cậy và chuyên môn. Đánh giá sự đa dạng và quy mô của cơ sở khách hàng của nhà cung cấp. Một loạt khách hàng, đặc biệt nếu họ bao gồm các công ty nổi tiếng, có thể là minh chứng cho tính linh hoạt và độ tin cậy của phần mềm.

Đánh giá và lời chứng thực của khách hàng
Tìm kiếm đánh giá của khách hàng, lời chứng thực và nghiên cứu điển hình. Những điều này có thể cung cấp thông tin chi tiết về hiệu suất của phần mềm và chất lượng dịch vụ của nhà cung cấp trong các tình huống thực tế. Kiểm tra các trang web đánh giá độc lập và báo cáo của nhà phân tích ngành để có cái nhìn khách quan về phần mềm và nhà cung cấp.

Hỗ trợ và hợp tác nhà cung cấp
Hãy xem xét danh tiếng của nhà cung cấp trong việc cung cấp hỗ trợ lâu dài cho khách hàng của mình. Một nhà cung cấp tốt phải được coi là một đối tác đầu tư vào thành công của bạn. Đánh giá cam kết của nhà cung cấp đối với sự đổi mới và đi trước những tiến bộ công nghệ. Điều này rất quan trọng để đảm bảo rằng phần mềm vẫn hoạt động hiệu quả về lâu dài.

Việc chọn một nhà cung cấp có danh tiếng vững chắc và thành tích đã được chứng minh về độ tin cậy sẽ đảm bảo rằng bạn đầu tư vào một giải pháp không chỉ đáp ứng nhu cầu hiện tại mà còn tiếp tục phát triển và hỗ trợ doanh nghiệp của bạn trong tương lai.

Kết luận

Chọn phần mềm phân tích dữ liệu là một quyết định quan trọng đòi hỏi phải đánh giá toàn diện nhiều yếu tố khác nhau. Điều cần thiết là phải hiểu nhu cầu kinh doanh cụ thể của bạn, đánh giá khả năng kỹ thuật của phần mềm, đảm bảo tính thân thiện với người dùng và xem xét các khía cạnh tuân thủ và bảo mật.

Ngoài ra, đánh giá chi phí, danh tiếng của nhà cung cấp, khả năng kiểm chứng trong tương lai và tiến hành thử nghiệm kỹ lưỡng là những bước quan trọng trong quá trình lựa chọn. Cách tiếp cận chu đáo và đầy đủ thông tin để lựa chọn phần mềm phân tích dữ liệu có thể đóng góp đáng kể vào khả năng của tổ chức bạn trong việc đưa ra quyết định dựa trên dữ liệu, tối ưu hóa hoạt động và duy trì lợi thế cạnh tranh trong bối cảnh kỹ thuật số đang phát triển nhanh chóng.