Công cụ ứng dụng phân tích dữ liệu cho doanh nghiệp

Chia sẻ: Liễu Yêu Yêu | Ngày: | Loại File: PDF | Số trang:10

Thêm vào BST

Báo xấu

19
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Công cụ ứng dụng phân tích dữ liệu cho doanh nghiệp" tìm hiểu về nghề phân tích dữ liệu, các số liệu cần phân tích, cũng như tìm hiểu các phần mềm hỗ trợ cho việc phân tích dữ liệu. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Công cụ ứng dụng phân tích dữ liệu cho doanh nghiệp

CÔNG CỤ ỨNG DỤNG PHÂN TÍCH DỮ LIỆU CHO DOANH NGHIỆP Nguyễn Chí Đạt Phòng Công nghệ Thông tin, Trường Đại học Tài chính –Marketing Email: nguyenchidat@ufm.edu.vn Tóm tắt: Nghề phân tích dữ liệu nói riêng và cơ sở dữ liệu nói chung đang là một trong những nghề nóng và phát triển nhanh trên toàn thế giới cùng với dữ liệu lớn, trí tuệ nhân tạo, vạn vật kết nối. Bài viết tìm hiểu về nghề phân tích dữ liệu, các số liệu cần phân tích, cũng như tìm hiểu các phần mềm hỗ trợ cho việc phân tích dữ liệu. Từ khóa: phân tích dữ liệu, phần mềm phân tích dữ liệu, data analytics 1. PHÂN TÍCH DỮ LIỆU LÀ GÌ? Phân tích dữ liệu là một quá trình kiểm tra, làm sạch, chuyển đổi và mô hình hóa dữ liệu với mục tiêu khám phá thông tin hữu ích, thông báo kết luận và hỗ trợ ra quyết định. Phân tích dữ liệu có nhiều khía cạnh và cách tiếp cận, bao gồm các kỹ thuật đa dạng dưới nhiều tên khác nhau và được sử dụng trong các lĩnh vực kinh doanh, khoa học và khoa học xã hội khác nhau. Trong thế giới kinh doanh ngày nay, phân tích dữ liệu đóng vai trò giúp đưa ra quyết định khoa học hơn và giúp doanh nghiệp hoạt động hiệu quả hơn. Khai thác dữ liệu là một kỹ thuật phân tích dữ liệu cụ thể tập trung vào mô hình thống kê và khám phá tri thức cho mục đích dự đoán thay vì hoàn toàn mô tả, trong khi kinh doanh thông minh bao gồm phân tích dữ liệu dựa chủ yếu vào tổng hợp, tập trung chủ yếu vào thông tin kinh doanh.[2] Trong các ứng dụng thống kê, phân tích dữ liệu có thể được chia thành thống kê mô tả, phân tích dữ liệu khám phá (EDA) và phân tích dữ liệu xác nhận (CDA). EDA tập trung vào việc khám phá các tính năng mới trong dữ liệu trong khi CDA tập trung vào xác nhận hoặc làm sai lệch các giả thuyết hiện có. Phân tích dự đoán tập trung vào việc áp dụng các mô hình thống kê để dự báo hoặc phân loại dự đoán, trong khi phân tích văn bản áp dụng các kỹ thuật thống kê, ngôn ngữ và cấu trúc để trích xuất và phân loại thông tin từ các nguồn văn bản, một loại dữ liệu phi cấu trúc. Tất cả các phương thức bên trên là các dạng khác nhau của phân tích dữ liệu. Tích hợp dữ liệu là tiền thân của phân tích dữ liệu, và phân tích dữ liệu được liên kết chặt chẽ để trực quan hóa dữ liệu và phổ biến dữ liệu. 56
2. PHÂN TÍCH DỮ LIỆU LÀM GÌ? Chuyên viên phân tích dữ liệu (Data Analyst) là người thực hiện các phân tích sâu dữ liệu (deep dive analytics) ở dạng đồ thị, biểu đồ, sơ đồ, bảng biểu và báo cáo; sau đó sử dụng các dữ liệu đó để xác định xu hướng và tạo mô hình dự đoán những gì có thể xảy ra trong tương lai. Các công việc chính bao gồm sử dụng các công cụ lắng nghe Internet để thu thập dữ liệu từ các nguồn tin tức và mạng xã hội, phân tích dữ liệu và viết báo cáo, phân tích thông tin về thương hiệu và các vấn đề xã hội, dự báo và nắm bắt xu hướng trong tương lai, trình bày các nội dung trên bằng bảng số liệu, biểu đồ, bản đồ và đề xuất các hình thức minh họa hợp lý khác, tối ưu các chiến dịch Marketing, Sales dựa trên dữ liệu đã thu thập được, báo cáo thường xuyên cho quản lý và tương tác trực tiếp với khách hàng về diễn biến các sự kiện liên quan tới thương hiệu khách hàng. Yêu cầu công việc thường đòi hỏi tốt nghiệp đại học các ngành liên quan như Digital Marketing, Market Research, Toán, Khoa học máy tính, Quản trị thông tin, Công nghệ thông tin, Thống kê, ... Kỹ năng sử dụng các công cụ phân tích dữ liệu và code cơ bản để xử lý các mô hình dự báo (predictive models), kỹ năng sử dụng các công cụ visualize để chuyển hóa dữ liệu thành graphics, kỹ năng chuyển hóa dữ liệu thành actionable insight, có kỹ năng phân tích sắc bén, khả năng thu thập, tổ chức, phân tích và phổ biến lượng lớn thông tin một cách chi tiết và chính xác, kỹ năng lập kế hoạch, kiểm soát việc thực hiện kế hoạch, Cẩn thận, kiên nhẫn, chịu khó, ham học hỏi, có tinh thần trách nhiệm, ham học hỏi, trung thực, cẩn thận, nhạy bén với xu thế xã hội. 3. CÁC LOẠI SỐ LIỆU CẦN PHÂN TÍCH Dữ liệu phân tích được chia thành bốn loại cơ bản sau: Descriptive analytics (phân tích mô tả): Đây là quá trình phân tích dựa trên khoảng thời gian nhất định. Dựa trên số lượt xem trang, Doanh số tháng này… Diagnostic analytics (phân tích chuẩn đoán): Tập trung vào phân tích chuyên sâu, tại sao nó xảy ra. Điều này liên quan đến đầu vào dữ liệu và một vài giả thuyết. Thời tiết có ảnh hưởng đến doanh số bán bia không? Chiến dịch tiếp thị có ảnh hưởng đến doanh số không? Predictive analytics (phân tích dự báo): Dự đoán điều gì xảy ra trong tương lai. Điều đó có gây ảnh hưởng tới doanh số cuối cùng? Có bao nhiêu mô hình dự báo kết quả? 57
Prescriptive analytics (phân tích chuẩn đoán): Giúp bạn đưa đến kết luận quá trình hoạt động có đang thực sự hiệu quả. Một số lĩnh vực đã áp dụng phân tích dữ liệu bao gồm ngành bán hàng, du lịch và khách sạn, bất động sản… nơi công việc chồng chéo mà không thể tổng hợp và xử lý nhanh chóng. Thu thập dữ liệu khách hàng và tìm ra vấn đề để từ đó tìm ra cách khắc phục và đưa đến kết luận cuối cùng. Các nhà bán lẻ thu thập và phân tích giúp họ xu hướng thị trường, giới thiệu sản phẩm và đề ra các chiến dịch mới tăng trưởng lợi nhuận. 4. CÔNG CỤ HỖ TRỢ PHÂN TÍCH DỮ LIỆU 4.1. RapidMiner Rapidminer là một mã nguồn mở, là một môi trường cho Machine learning và Data mining và được viết bằng ngôn ngữ lập trình Java. Chúng sử dụng mô hình Client/Server với máy chủ là on-premise hoặc public cloud hoặc private cloud. Rapidminer cung cấp các lược đồ Learning Schemas, các mô hình và các thuật toán, và có thể được mở rộng bằng ngôn ngữ R và Python. Các nhà nghiên cứu thị trường, các công ty lớn thường áp dụng RapidMiner vào công việc, vì nó tiện dụng, dễ dùng, không cần biết đến đầu ra Output mà có thể cho ra khuôn mẫu theo thẻ Label hoặc Target. Các thuật toán trong Data mining được chia thành 2 loại: Thuật toán Learning được giám sát: Là các thuật toán yêu cầu đã có đầu ra Output (hoặc gọi là Label hay Target). Một số mô hình thuộc thuật toán này có thể kể đến như: Naïve Bayes, cây quyết định (Decision Tree), mạng thần kinh (Neural Networks), SVM (Support Vector Machine), mô hình hồi quy (Logistic Regression),... Thuật toán Learning không được giám sát: Là các thuật toán không bắt buộc phải biết trước đầu ra Output nhưng có thể tìm kiếm các khuôn mẫu hoặc các xu hướng mà không có Label hoặc Target, như mô hình K-Mean Clustering, Anomaly Detection, Association Mining. Với Rapidminer, có thể giúp lập trình viên tải và chuyển đổi dữ liệu (Extract, Transform, Load (ETL)), xử lý dữ liệu và trực quan dữ liệu, xây dựng các mô hình dự báo và phân tích thống kê, đánh giá và triển khai dữ liệu. Ưu điểm của phần mềm Rapidminer - Tải và tự động chuyển đổi dữ liệu (Extract, Transform, Load (ETL)); 58
- Xử lý và trực quan hóa dữ liệu; - Xây dựng các mô hình dự báo và phân tích thống kê chi tiết; - Đánh giá và triển khai hóa dữ liệu. 4.2. Tableau Tableau là phần mềm hỗ trợ phân tích (Data Analyst) và trực quan hóa dữ liệu (Data Visualization) và là công cụ của giải pháp Business Intelligence. Tableau giúp người dùng nghiệp vụ (business users) tổng hợp các dữ liệu, chuyển những liệu này từ các dãy số thành những hình ảnh, biểu đồ trực quan, xây dựng các dashboard và các phân tích (self-services). Tableau trình bày trực quan dữ liệu, rất đơn giản và hiệu quả giúp cho bạn có cái nhìn tổng quan về tình hình kinh doanh của doanh nghiệp, và ở mỗi một tiêu chí lại cung cấp cho bạn các góc nhìn khác nhau. Điều này giúp ích rất nhiều cho các manager khi đưa ra một quyết định giải quyết các vấn đề trong vận hành doanh nghiệp hàng ngày. Một số tính năng của phần mềm Tableau có thể liệt kê như: - Thu gom, tổng hợp dữ liệu, xây dựng metadata cung cấp cho người dùng nghiệp vụ (business users) để chuẩn bị phân tích dữ liệu; - Dễ dàng tạo ra các phân tích dữ liệu sử dụng với hơn 40 loại biểu đồ, bao gồm các biểu đồ mô tả các lý thuyết kinh tế như mô hình 80/20, phân tích phân khúc khách hàng RFM, bản đồ hành chính của Việt Nam,..; - Hỗ trợ tạo các truy vấn bằng thao tác đơn giản; - Vận hành trên nền tảng công nghệ in-memory nhằm đảm bảo tốc độ phân tích với lượng dữ liệu lớn của doanh nghiệp; - Tạo ra các dashboard tương tác trên các biểu đồ, tham biến, tooltip, drill up, drill down, liên kết dashboard, giải thích dữ liệu và hỏi dữ liệu giúp cho bạn luôn nắm bắt được thông tin với các góc nhìn khác nhau; - Sử dụng phần mềm Tableau trên các máy di động iOS & Android để phân tích và truy xuất các phân tích & dashboard; - Khả năng mở rộng dễ dàng đáp ứng yêu cầu mở rộng của doanh nghiệp, độ phức tạp của các nghiệp vụ hiện tại. 59
Nhu cầu sử dụng phần mềm Tableau ngày nay khá phổ biến, bởi công việc phân tích dữ liệu mang lại rất nhiều lợi ích cho doanh nghiệp. Tùy vào đặc thù của từng lĩnh vực mà Tableau có thể hỗ trợ những tính năng phù hợp. Ưu điểm của phần mềm Tableau - Có phiên bản miễn phí; - Có thể tương tác với bất kì loại dữ liệu nào từ Excel, Data Warehouse cho tới Dữ liệu Website; - Khả năng cập nhật dữ liệu theo thời gian thực; - Làm dữ liệu trở nên trực quan bằng nhiều cách như biểu đồ hay thậm chí là cả một Dashboard, tốt hơn bất kỳ phần mềm mềm nào khác trên thị trường; - Hệ thống xử lý Big Data của Tableau rất mạnh mẽ. 4.3. Ngôn ngữ lập trình Python Python là một ngôn ngữ lập trình bậc cao cho các mục đích lập trình đa năng, do Guido van Rossum tạo ra và lần đầu ra mắt vào năm 1991. Python được thiết kế với ưu điểm mạnh là dễ đọc, dễ học và dễ nhớ. Python là ngôn ngữ có hình thức rất sáng sủa, cấu trúc rõ ràng, thuận tiện cho người mới học lập trình. Cấu trúc của Python còn cho phép người sử dụng viết mã lệnh với số lần gõ phím tối thiểu. Vào tháng 7 năm 2018, Van Rossum đã từ chức Leader trong cộng đồng ngôn ngữ Python sau 30 năm lãnh đạo. Python hoàn toàn tạo kiểu động và dùng cơ chế cấp phát bộ nhớ tự động; do vậy nó tương tự như Perl, Ruby, Scheme, Smalltalk, và Tcl. Python được phát triển trong một dự án mã mở, do tổ chức phi lợi nhuận Python Software Foundation quản lý. Ban đầu, Python được phát triển để chạy trên nền Unix. Nhưng theo thời gian, Python dần mở rộng sang mọi hệ điều hành từ MS-DOS đến Mac OS, OS/2, Windows, Linux và các hệ điều hành khác thuộc họ Unix. Mặc dù sự phát triển của Python có sự đóng góp của rất nhiều cá nhân, nhưng Guido van Rossum hiện nay vẫn là tác giả chủ yếu của Python. Ông giữ vai trò chủ chốt trong việc quyết định hướng phát triển của Python. Python là một ngôn ngữ lập trình scripting phổ biến và hết sức thú vị. Nó không phải ngôn ngữ có tốc độ thực thi nhanh như Assembly, C, C++… Nó được chọn làm ngôn ngữ lập trình đầu tiên để dạy cho những người chưa biết lập trình hoặc thanh thiếu niên. Google, Microsoft, và nhiều tập đoàn, công ty tin học sử dụng để vận hành hệ thống dịch vụ của 60
mình. Các nhà nghiên cứu khóa học, nhà phân tích dữ liệu lớn cũng thích sử dụng Python cho công việc của mình, vì nó được việc, không màu mè, học nhanh, dùng luôn. Ưu điểm của ngôn ngữ lập trình Python - Được đánh giá là dễ học, dễ viết, dễ duy trì và được cung cấp dưới dạng mã nguồn mở; - Có những thư viện học máy (Machine learning) tốt như: Scikitlearn, Theano, Tensorflow và Keras; - Khả năng thu thập trên nhiều nền tảng như SQL server, tập liệu MongoDB, JSON; - Xử lý dữ liệu dạng văn bản rất tốt. 4.4. Ngôn ngữ lập trình R R là một ngôn ngữ lập trình và môi trường phần mềm dành cho tính toán và đồ họa thống kê. Đây là một bản hiện thực ngôn ngữ lập trình S với ngữ nghĩa khối từ vựng lấy cảm hứng từ Scheme. R do Ross Ihaka và Robert Gentleman tạo ra tại Đại học Auckland, New Zealand, đến nay do R Development Core Team chịu trách nhiệm phát triển. Tên của ngôn ngữ một phần lấy từ chữ cái đầu của hai tác giả (Robert Gentleman và Ross Ihaka), một phần cũng là cách chơi chữ từ tên S. Ngôn ngữ R đã trở thành một tiêu chuẩn trên thực tế (de facto) giữa các nhà thống kê cho thấy sự phát triển của phần mềm thống kê, và được sử dụng rộng rãi để phát triển phần mềm thống kê và phân tích dữ liệu. R có chứa nhiều loại kỹ thuật thống kê (mô hình hóa tuyến tính và phi tuyến, kiểm thử thống kê cổ điển, phân tích chuỗi thời gian, phân loại, phân nhóm,...) và đồ họa. R, giống như S, được thiết kế xoay quanh một ngôn ngữ máy thực thụ, và nó cho phép người dùng thêm các tính năng bổ sung bằng cách định nghĩa các hàm mới. Cũng có một số khác biệt quan trọng đối với S, nhưng nhiều mã viết bằng S vẫn chạy được mà không cần thay đổi. Nhiều hệ thống trong R được viết bằng chính ngôn ngữ của nó, giúp cho người dùng dễ theo dõi các giải thuật. Để thực hiện công việc chuyên về tính toán, R có thể liên kết được với ngôn ngữ C, C++ và Fortran để có thể được gọi trong khi chạy. Người dùng thông thạo có thể viết mã C để xử lý trực tiếp các đối tượng của R. R cũng có tính mở rộng cao bằng cách sử dụng các gói cho người dùng đưa lên cho một số chức năng và lĩnh vực nghiên cứu cụ thể. Do được thừa hưởng từ S, R có nền tảng 61
lập trình hướng đối tượng mạnh hơn đa số các ngôn ngữ tính toán thống kê khác. Việc mở rộng R cũng dễ dàng nhờ các luật đóng khối từ vựng. Một điểm mạnh khác của R là nền tảng đồ họa của nó, có thể tạo ra những đồ thị chất lượng cao cùng các biểu tượng toán học. R cũng có đinh dạng văn bản riêng tương tự như LaTeX, dùng để cung cấp tài liệu hướng dẫn toàn diện, có trực tuyến ở các định dạng khác nhau và cả bản in. Dù R được dùng chủ yếu bởi những nhà thống kê và những người sử dụng khác đòi hỏi một môi trường tính toán thống kê và phát triển phần mềm, nó cũng có thể dùng làm một công cụ tính toán ma trận tổng quát với các kết quả đo đạc cạnh tranh so với GNU Octave và đối thủ thương mại của nó, MATLAB. Giao diện RWeka đã được thêm vào phần mềm khai phá dữ liệu phổ biến Weka, cho phép đọc/ghi định dạng arff vì vậy cho phép sử dụng tính năng khai phá dữ liệu trong Weka và thống kê trong R. Ưu điểm của ngôn ngữ lập trình R - Công cụ dẫn đầu trong ngành phân tích, được rộng rãi sử dụng trong việc mô hình hóa dữ liệu; - Thao tác dễ dàng với dữ liệu của bạn và trình bày chúng theo nhiều cách khác nhau; - Sử dụng SAS về dung lượng dữ liệu (Data Capacity); - Chạy trên đa nền tảng (UNIX, Windows và MacOS); - Có hơn 11,556 packages có thể được cài đặt tự động theo nhu cầu của người dùng. 4.5. SAS (Statistical Analysis Software) SAS, viết tắt của Statistical Analysis Software. Nó được tạo ra vào năm 1960 và được sử dụng cho hệ thống BI (business intelligence), Predictive Analysis (phân tích dự đoán), Descriptive & Prescriptive Analysis (phân tích mô tả và đề xuất), quản lý dữ liệu, v.v... Kể từ đó, nhiều thủ tục và thành phần thống kê mới đã được giới thiệu trong phần mềm này. Đây là một trong những bộ chương trình chuyên dụng phục vụ cho xử lý và phân tích số liệu thống kê rất thông dụng trên thế giới. SAS rất mạnh trong lĩnh vực quản lý dữ liệu, cho phép người sử dụng thao tác dữ liệu hầu như với mọi cách có thể. SAS cũng đưa vào 62
thủ tục Proc sql cho phép thực hiện mọi câu hỏi Sql (Structured query language) trên file dữ liệu. Có 4 loại phần mềm SAS: - SAS cho Windows; - SAS Enterprise Guide (EG): Một IDE giống GUI, với các trình hướng dẫn để hỗ trợ viết code cho các quy trình khác nhau; - SAS Enterprise Miner (EM): Một công cụ khai thác dữ liệu phân tích nâng cao, nhằm giúp người dùng nhanh chóng phát triển các mô hình mô tả và đề xuất, thông qua quy trình khai thác dữ liệu; - SAS STAT Software: Phần mềm SAS này được sử dụng riêng cho các quy trình thống kê và bao gồm một loạt các tính năng. Ưu điểm của SAS - Là môi trường dành cho lập trình và ngôn ngữ thao tác dữ liệu (Data manipulation) dẫn đầu trong ngành phân tích dữ liệu; - Dễ dàng kết nối, quản trị và phân tích số liệu từ bất kỳ nguồn dữ liệu nào; - Có nhiều modules cho web, mạng xã hội và phân tích marketing, hiện đang được sử dụng rộng rãi cho việc hồ sơ hóa khách hàng tiềm năng; - Có khả năng về dự đoán hành vi, quản lý và tối ưu hóa giao tiếp. 4.6. Knime KNIME được biết đến là phần mềm chuyên cung cấp các tính năng phân tích, khai thác dữ liệu và tổ chức công việc theo cấu trúc nhất định theo giao diện chuyên nghiệp, trực quan hóa. Công cụ này hỗ trợ hơn +1000 module và khả năng xử lý nhiều loại dữ liệu như XML, JSON, hình ảnh, tài liệu, v.v. Bên cạnh đó KNIME còn hỗ trợ khả năng tổng hợp dữ liệu và trình bày phân tích dưới các dạng bảng biểu, đồ thị, bản đồ. Ưu điểm của phần mềm KNIME - Phân tích và tự động khai thác dữ liệu bằng 1 cú click; 63
- Tổ chức công việc theo cấu trúc có sẵn; - Hỗ trợ hơn 1000 module; - Xử lý nhiều loại dữ liệu XML, JSON, v.v…; - Thay đổi đặc tính của các node; - Khai thác các thuật toán AI ( tự học theo) và thuật toán dự đoán theo cách chuyên nghiệp. 4.7. Orange Orange là công cụ sử dụng mã nguồn mở. Giúp tổng hợp và đem lại cái nhìn trực quan hóa dữ liệu. Hỗ trợ tạo ra những dashboard có biểu đồ, đồ thị… giúp người mới có thể dễ dàng sử dụng. Orange là giải pháp phần mềm Self-Service Business Intelligence Software với chức năng và chi phí phù hợp cho các doanh nghiệp từ nhỏ và vừa (SMEs) tới các doanh nghiệp lớn. Phần mềm Orange được đánh giá cao bởi cả người dùng lẫn chuyên gia trong lĩnh vực Business Intelligence Software. Ngoài ra, có thêm nhiều tiện ích mở rộng khác. Ưu điểm của Orange - Dành cho tất cả mọi người, ngay cả khi bạn mới bắt đầu sử dụng; - Thực hiện phân tích dữ liệu: Biến dữ liệu thô thành dữ liệu đơn giản hóa; - Tạo ra nhiều bảng template đẹp và tiện dụng; - Lấy source từ nhiều nguồn để phân tích nâng cao. 4.8. OpenRefine OpenRefine là chương trình chạy trên nền tảng Java: đây là ứng dụng máy tính sử dụng trình duyệt website và làm việc trên giao diện đồ họa. Bạn không cần sửa đổi tập dữ liệu gốc. Tất cả hành động đều dễ dàng được đảo ngược trong OpenRefine và bạn có thể nắm bắt hành động của mình. Ngoài ra, còn có chức năng chia sẻ tài liệu này với ấn phẩm dưới dạng tài liệu bổ sung. Bạn có thể quay lại dự án để chọn nơi bạn rời đi hoặc xuất dữ liệu sang một tệp mới. Ưu điểm của phần mềm Open Refine - Tổng quan hóa và đồng bộ dữ liệu; 64
- Giải quyết sự không nhất quán trong tập dữ liệu; - Giúp chia dữ liệu thành nhiều phần nhỏ; - Khớp dữ liệu cục bộ với các tập dữ liệu khác; - Tăng cường tập dữ liệu với dữ liệu từ nhiều nguồn khác; - Lưu tập hợp các bước làm dữ liệu để phát lại trên cùng một tệp. 5. KẾT LUẬN Bài viết phân tích nghề phân tích dữ liệu nói chung và ngành nghề dữ liệu nói riêng. Bài viết tập trung tìm hiểu các phần mềm, ngôn ngữ lập trình phổ biến hiện nay hỗ trợ tốt cho nghành nghề phân tích dữ liệu, làm rõ những điểm mạnh của các phần mềm. TÀI LIỆU THAM KHẢO [1] https://vi.wikipedia.org/wiki/Phân_tích _dữ_liệu [2] vi.wikipedia.org/wiki/R_(ngôn_ngữ_lập_trình) [3] https://en.wikipedia.org/wiki/Analytics [4] www.tableau.com [5] vi.wikipedia.org/wiki/Python_(ngôn_ngữ_lập_trình) 65