45
© Học viện Ngân hàng
ISSN 3030 - 4199
Tạp chí Kinh tế - Luật & Ngân hàng
Số 276- Năm thứ 27 (4)- Tháng 4. 2025
Phát triển kiến trúc ảo hóa dữ liệu tiên tiến nhằm nâng cao
hiệu quả ra quyết định trong kinh doanh thông minh
Ngày nhận: 03/01/2025 Ngày nhận bản sửa: 07/04/2025 Ngày duyệt đăng: 10/04/2025
Tóm tắt: Bài báo đề xuất một kiến trúc ảo hóa dữ liệu (DV) tiên tiến nhằm nâng
cao hiệu quả trong kinh doanh thông minh (BI) hiện đại. Mục tiêu chính là cải
thiện tính linh hoạt, hiệu suất và khả năng mở rộng của các hệ thống hiện tại
thông qua việc tích hợp các công nghệ tiên tiến như trí tuệ nhân tạo (AI) để
tối ưu hóa truy vấn, blockchain nhằm đảm bảo bảo mật và minh bạch, Edge
computing để xử lý dữ liệu gần nguồn, và giao diện người dùng thân thiện
giúp nâng cao khả năng tiếp cận. Dựa trên phương pháp phân tích tài liệu và
phỏng vấn chuyên gia, nghiên cứu đã đề xuất 08 cải tiến lớn: 02 cải tiến tại lớp
Trực quan hóa dữ liệu người dùng, 02 tại lớp Truy cập và phân phối dữ liệu,
và 04 cải tiến tổng quát trên toàn hệ thống. Những cải tiến này hỗ trợ tích hợp
An advanced data virtualization architecture for improving decision-making efficiency in
Business Intelligence
Abstract: This paper discusses a new architecture for Data Virtualization (DV) that aims to improve current
practices in Business Intelligence (BI). The integration of AI for optimizing queries, blockchain technology
for security and transparency, Edge computing for closer to source data processing, and an ergonomically
designed interface for better usability all work together to improve system flexibility, performance,
and scalability. Following a review of literature and expert interviews, the study formulated eight major
modifications: two at the User Data Visualization layer, two at the Data Access and Distribution layer,
and four fundamental modifications throughout the complete system. The proposed refinements help in
merging the data in real time, decrease the lag time, and increase responsiveness to data. With the new
DV architecture, businesses are not only able to seamlessly integrate and analyze data, but they are also
able to digitally transform and gain operational efficiency and a competitive edge. Organizations can
continuously revise their strategies with the help of this architecture and achieve sustainable development
in a fast-paced global marketplace
Keywords: Data Virtualization architecture, Business Intelligence, Digital transformation, Data integration,
Data governance
Doi: 10.59276/JELB.2025.04.2858
Chu, Thi Hong Hai
Email: haict@hvnh.edu.vn
Banking Academy of Vietnam
Chu Thị Hồng Hải
Học viện Ngân hàng, Việt Nam
Phát triển kiến trúc ảo hóa dữ liệu tiên tiến nhằm nâng cao hiệu quả ra quyết định
trong kinh doanh thông minh
46 Tạp chí Kinh tế - Luật & Ngân hàng- Số 276- Năm thứ 27 (4)- Tháng 4. 2025
dữ liệu theo thời gian thực, giảm độ trễ và tăng cường khả năng phản hồi dữ
liệu. Kiến trúc DV tiên tiến không chỉ hỗ trợ doanh nghiệp tối ưu hóa quá trình
tích hợp và phân tích dữ liệu mà còn thúc đẩy chuyển đổi số, tối ưu vận hành
và duy trì lợi thế cạnh tranh. Với vai trò là một nền tảng chiến lược, kiến trúc
này giúp các tổ chức thích nghi và phát triển bền vững trong môi trường kinh
doanh toàn cầu đầy biến động.
Từ khóa: Kiến trúc ảo hóa dữ liệu, Kinh doanh thông minh, Chuyển đổi số, Tích
hợp dữ liệu, Quản trị dữ liệu
1. Giới thiệu
Trong kỷ nguyên số hóa, dữ liệu đã trở
thành tài sản chiến lược quan trọng đối với
các doanh nghiệp, thúc đẩy các quyết định
chiến lược và duy trì sự cạnh tranh. Theo
McKinsey (2022), 90% doanh nghiệp cho
rằng việc khai thác dữ liệu là yếu tố quyết
định sự cạnh tranh. Bên cạnh đó, Kinh
doanh thông minh (BI) đóng vai trò chủ
chốt trong việc tích hợp và phân tích dữ
liệu, chuyển đổi thông tin thô thành tri thức
hữu ích để hỗ trợ các quyết định chiến lược
(Chu Thị Hồng Hải, 2024). Theo Gartner
(2019), BI không chỉ tập trung vào dữ liệu
nội bộ mà còn mở rộng khai thác từ các
nền tảng trực tuyến, thương mại điện tử
và Internet vạn vật (IoT). Tuy nhiên, với
sự gia tăng khối lượng và sự đa dạng của
các nguồn dữ liệu, các phương pháp truyền
thống như ETL (Extract, Transform, Load)
không thể đáp ứng các yêu cầu xử lý dữ
liệu thời gian thực, đặc biệt là khi đối mặt
với dữ liệu lớn và phi cấu trúc. Điều này
đặt ra thách thức lớn cho doanh nghiệp, khi
tốc độ và độ chính xác trong phân tích dữ
liệu đóng vai trò quyết định.
Công nghệ ảo hóa dữ liệu (DV) đã được đề
xuất như một giải pháp thay thế, giúp truy
cập và tích hợp dữ liệu mà không cần sao
chép vật lý, tối ưu hóa hiệu suất hệ thống
và giảm độ trễ. Tuy nhiên, các hệ thống DV
hiện nay vẫn gặp phải một số vấn đề lớn.
Theo Gartner (2023), 78% doanh nghiệp
gặp khó khăn do giao diện phức tạp, khiến
người dùng không chuyên về công nghệ khó
khăn trong việc truy xuất và phân tích dữ
liệu. Hơn nữa, thiếu tích hợp trí tuệ nhân tạo
(AI) và bảo mật yếu cũng là những yếu tố
hạn chế. Theo Deloitte (2023), các hệ thống
này chưa phát huy tối đa tiềm năng của dữ
liệu vì thiếu AI và không đủ bảo mật.
Khác với các nghiên cứu trước đây chỉ
tập trung vào phát triển DV với từng công
nghệ riêng lẻ, mục tiêu nghiên cứu của bài
báo này là phát triển một kiến trúc DV mới,
tích hợp đồng thời bốn giải pháp tiên tiến:
AI, Blockchain, Edge Computing và NLP.
Việc kết hợp đồng thời các công nghệ này
nhằm giải quyết triệt để các vấn đề hiện tại
của các hệ thống DV như giao diện phức
tạp, thiếu tính năng tối ưu hóa qua AI, bảo
mật yếu và khả năng xử lý dữ liệu thời gian
thực còn hạn chế. Cụ thể, AI sẽ tối ưu hóa
truy vấn tự động, Blockchain đảm bảo bảo
mật và tính minh bạch trong quá trình truy
cập dữ liệu, Edge Computing sẽ giảm độ
trễ và tối ưu hóa việc xử lý dữ liệu tại biên,
trong khi NLP sẽ cung cấp giao diện người
dùng dễ sử dụng và thân thiện.
Bài viết này sẽ sử dụng phương pháp nghiên
cứu tài liệu kết hợp với phỏng vấn chuyên
gia để đánh giá tính khả thi của kiến trúc
mới trên các tập dữ liệu đa nguồn, bao gồm
CHU THỊ HỒNG HẢI
47
Số 276- Năm thứ 27 (4)- Tháng 4. 2025- Tạp chí Kinh tế - Luật & Ngân hàng
dữ liệu IoT, mạng xã hội và thương mại
điện tử. Kiến trúc được đề xuất không chỉ
giúp cải thiện hiệu quả tích hợp và phân
tích dữ liệu trong thời gian thực mà còn
hướng đến việc xây dựng một hệ thống linh
hoạt, dễ sử dụng và bảo đảm tính bảo mật.
Với những cải tiến vượt trội, nghiên cứu kỳ
vọng kiến trúc này sẽ giúp doanh nghiệp
tận dụng tối đa tiềm năng của dữ liệu, từ đó
duy trì và nâng cao lợi thế cạnh tranh trong
môi trường kinh doanh số hóa ngày nay.
2. Tổng quan nghiên cứu
Phần này tổng hợp các nghiên cứu trước
đây về phương pháp ETL, Ảo hóa dữ liệu
(DV), và các công nghệ liên quan như AI,
Blockchain, Edge Computing, NLP, làm rõ
những ưu điểm, hạn chế và khoảng trống
nghiên cứu cần được khắc phục.
2.1. Phát triển công nghệ ảo hóa dữ liệu
(DV)
Trong bối cảnh dữ liệu ngày càng đóng
vai trò quan trọng đối với các doanh
nghiệp, công nghệ DV đã nổi lên như một
giải pháp thay thế cho phương pháp ETL
truyền thống, giúp cải thiện khả năng tích
hợp và xử lý dữ liệu. DV hoạt động dựa
trên lớp trừu tượng hóa, cho phép truy vấn
trực tiếp dữ liệu gốc từ các nguồn phân
tán mà không cần sao chép dữ liệu vật lý,
giúp giảm độ trễ và tối ưu hóa hiệu suất hệ
thống (Earley, 2016). Điều này khác biệt
với ETL, phương pháp yêu cầu sao chép và
làm sạch dữ liệu trước khi sử dụng, gây tốn
thời gian và tài nguyên tính toán.
Với sự gia tăng của dữ liệu lớn và dữ liệu
phi cấu trúc, DV đã chứng minh hiệu quả
trong việc xử lý các nguồn dữ liệu như IoT
và mạng xã hội, nơi mà ETL gặp khó khăn.
Denodo (2023) chỉ ra rằng DV giúp tối ưu
hóa hiệu suất hệ thống và giảm độ trễ trong
việc truy cập và tích hợp dữ liệu từ nhiều
nguồn khác nhau mà không cần sao chép
dữ liệu vật lý.
Tuy nhiên, dù có nhiều ưu điểm, các hệ
thống DV hiện tại vẫn còn tồn tại nhiều hạn
chế. Gartner (2022) chỉ ra rằng giao diện
người dùng của các hệ thống DV vẫn còn
phức tạp, khiến người dùng không chuyên
gặp khó khăn. Alex Merced (2024) cũng
nhấn mạnh rằng tốc độ truy vấn dữ liệu
trong các hệ thống này chưa đáp ứng được
yêu cầu trong môi trường kinh doanh cạnh
tranh khốc liệt. Một vấn đề quan trọng khác
là bảo mật, khi các nền tảng DV chưa tích
hợp đủ mạnh công nghệ Blockchain để
đảm bảo tính minh bạch và bảo mật dữ liệu
(Deloitte, 2023).
Tại Việt Nam, nghiên cứu về DV còn rất
hạn chế, chủ yếu chỉ là các thông tin giới
thiệu nền tảng DV của các hãng công nghệ,
các thông tin các hãng công nghệ giới thiệu
họ chỉ nhấn mạnh những lợi ích đạt được
khi triển khai và làm mờ đi những vấn đề
bất cập trong bối cảnh của Việt Nam và
những kỹ thuật bên trong nền tảng họ sử
dụng. Điều này chỉ ra khoảng trống nghiên
cứu trong việc ứng dụng toàn diện các công
nghệ tiên tiến trong DV tại Việt Nam.
2.2. Các hướng nghiên cứu DV liên quan
Mặc dù các nghiên cứu về ảo hóa dữ liệu
và ETL đã phát triển mạnh trong thời gian
qua nhưng vẫn còn nhiều khoảng trống cần
được lấp đầy, đặc biệt là trong việc kết hợp
các công nghệ tiên tiến để giải quyết những
vấn đề tồn tại trong hệ thống DV hiện tại.
Hiên nay, các nghiên cứu về DV chủ yếu
được công bố bởi các hãng công nghệ lớn,
nhưng phần lớn trong số đó chỉ đề cập đến
các lợi ích tổng thể khi ứng dụng các công
nghệ này mà không đi sâu, công bố các kỹ
thuật cụ thể đã sử dụng và thiết kế, cấu hình
ra sao. Do đó, việc nghiên cứu kiến trúc
Phát triển kiến trúc ảo hóa dữ liệu tiên tiến nhằm nâng cao hiệu quả ra quyết định
trong kinh doanh thông minh
48 Tạp chí Kinh tế - Luật & Ngân hàng- Số 276- Năm thứ 27 (4)- Tháng 4. 2025
mô hình tích hợp các công nghệ tiên tiến là
cực kỳ cần thiết và tạo ra một khoảng trống
nghiên cứu quan trọng.
Các nghiên cứu của Earley (2016) và
Denodo (2023) đã chứng minh rằng AI có
thể giúp giảm độ trễ truy vấn thông qua tự
động hóa quy trình. Tuy nhiên, AI chưa
được áp dụng rộng rãi trong các hệ thống
DV hiện tại, do thiếu các giải pháp và
nghiên cứu kỹ thuật rõ ràng. Về bảo mật,
Deloitte (2023) đã đề xuất việc tích hợp
Blockchain vào hệ thống DV để tăng cường
tính bảo mật, nhưng điều này vẫn chưa
được triển khai thực tế. Edge Computing
được Govindaiah (2024) khuyến nghị để
xử lý dữ liệu tại biên, giúp cải thiện tốc độ
truy cập dữ liệu lên đến 50%. Cuối cùng,
Gartner (2022) nhấn mạnh nhu cầu tích
hợp NLP để cải thiện giao diện người dùng,
giúp người dùng dễ dàng tương tác với hệ
thống. Tuy nhiên, hiện tại vẫn chưa có giải
pháp toàn diện để giải quyết vấn đề này.
Điều đáng chú ý là các nghiên cứu hiện nay
chủ yếu là các công bố của các hãng công
nghệ, tập trung vào việc giới thiệu lợi ích
khi sử dụng các công nghệ này mà không
đi sâu vào các kỹ thuật và mô hình cụ thể.
Chính vì vậy, việc nghiên cứu và phát triển
kiến trúc mô hình tích hợp các công nghệ
như AI, Blockchain, Edge Computing, và
NLP để cải thiện hiệu quả của DV là rất
cần thiết. Đây chính là khoảng trống nghiên
cứu lớn mà bài nghiên cứu này hướng đến,
nhằm phát triển một mô hình tích hợp toàn
diện cho hệ thống ảo hóa dữ liệu.
Từ tổng quan tài liệu, có thể thấy rằng nhu
cầu cấp thiết về một kiến trúc DV mới có
thể khắc phục đồng thời bốn hạn chế chính:
(1) giao diện phức tạp, (2) hiệu suất chưa
cao, (3) bảo mật yếu, và (4) khả năng xử
lý dữ liệu thời gian thực. Nghiên cứu này
kế thừa và phát triển có chọn lọc các đề
xuất trước đó từ AI (Denodo), Blockchain
(Deloitte), Edge Computing (Simuni) và
NLP (Gartner), với mục tiêu phát triển một
giải pháp tích hợp toàn diện đầu tiên, hướng
đến việc tối ưu hóa hệ thống ảo hóa dữ liệu
cho kinh doanh thông minh tại các doanh
nghiệp trong bối cảnh chuyển đổi số.
3. Cơ sở lý thuyết kinh doanh thông
minh và ảo hóa dữ liệu
3.1. Kinh doanh thông minh
Kinh doanh thông minh (Business
Intelligence- BI) là tập hợp các chiến lược,
quy trình, và công nghệ nhằm thu thập,
phân tích dữ liệu để hỗ trợ doanh nghiệp
ra quyết định chiến lược (Gartner, 2019).
Trong kỷ nguyên số, BI đã mở rộng từ
phân tích dữ liệu nội bộ sang khai thác dữ
liệu từ thương mại điện tử, vạn vật kết nối,
và các nền tảng trực tuyến (Watson, 2019).
Các thành phần chính của BI bao gồm:
- Thu thập dữ liệu: Tích hợp dữ liệu từ
nhiều nguồn, cả truyền thống và phi truyền
thống, thông qua các công nghệ như ETL
và ảo hóa dữ liệu.
- Phân tích dữ liệu: Áp dụng các công cụ
Bảng 1. Tổng hợp nghiên cứu theo chủ đề
Hướng nghiên cứu
Công trình tiêu biểu
Đóng góp chính
Hạn chế
Tối ưu hiệu suất
Earley (2016), Denodo
(2023)
Giảm 30% độ trễ truy vấn
Chưa áp dụng AI để tối ưu
hóa quy trình
Bảo mật dữ liệu Deloitte (2023)
Đề xuất Blockchain để
tăng cường bảo mật
Chỉ nhắc tới, chưa triển
nghiên cứu và công bố
Giao diện người dùng Gartner (2022)
Khảo sát nhu cầu NLP để
cải thiện giao diện
Thiếu hỗ trợ đa ngôn ngữ
và giao diện thân thiện
Nguồn: Tác giả tổng hợp
CHU THỊ HỒNG HẢI
49
Số 276- Năm thứ 27 (4)- Tháng 4. 2025- Tạp chí Kinh tế - Luật & Ngân hàng
phân tích thống kê và trí tuệ nhân tạo để
xác định xu hướng và hỗ trợ dự đoán.
- Trình bày dữ liệu: Chuyển đổi kết quả phân
tích thành báo cáo trực quan, hỗ trợ các nhà
quản lý đưa ra quyết định nhanh chóng.
Với lượng dữ liệu ngày càng lớn và đa
dạng, khả năng tích hợp và xử lý dữ liệu
nhanh chóng, linh hoạt đã trở thành yêu
cầu thiết yếu của hệ thống BI hiện đại.
3.2. Kiến trúc ảo hóa dữ liệu
3.2.1. Ảo hóa dữ liệu
Ảo hóa dữ liệu là một phương pháp tích
hợp dữ liệu, trong đó dữ liệu từ các nguồn
khác nhau được truy cập thông qua một
lớp trừu tượng mà không cần di chuyển dữ
liệu vật lý (Tibco, 2021). Thay vì thực hiện
các quy trình ETL truyền thống với độ trễ
cao, DV cung cấp khả năng truy vấn thời
gian thực từ nhiều nguồn dữ liệu khác nhau
(Denodo, 2023).
Các ưu điểm chính của DV:
- Tích hợp dữ liệu thời gian thực
Cho phép truy cập và phân tích dữ liệu
ngay lập tức từ nhiều nguồn mà không cần
sao chép vật lý, giảm độ trễ và tăng tốc độ
ra quyết định.
- Tăng tính linh hoạt
Dễ dàng tích hợp cả dữ liệu có cấu trúc và
phi cấu trúc từ các nguồn như IoT, mạng xã
hội, và đám mây, đáp ứng nhu cầu mở rộng
và thích nghi nhanh của doanh nghiệp.
- Giảm chi phí vận hành
Loại bỏ nhu cầu lưu trữ dữ liệu trùng lặp,
tối ưu hóa hạ tầng và giảm đáng kể chi phí
triển khai và bảo trì hệ thống dữ liệu.
- Nâng cao bảo mật và minh bạch
Phương pháp mã hóa tiên tiến, cung cấp
kiểm soát truy cập chặt chẽ và theo dõi dữ
liệu minh bạch, giảm thiểu rủi ro bảo mật.
- Hỗ trợ quyết định chiến lược
Tạo điều kiện cho các phân tích dữ liệu
toàn diện và ra quyết định dựa trên dữ liệu
đáng tin cậy, tăng khả năng cạnh tranh của
doanh nghiệp.
Các ưu điểm này giúp ảo hóa dữ liệu không
chỉ là một công nghệ hỗ trợ, mà còn là nền
tảng chiến lược cho kinh doanh thông minh
trong kỷ nguyên dữ liệu.
3.2.2. Kiến trúc ảo hóa dữ liệu
Theo các tài liệu của Forrester (2023) và
Denodo (2023), kiến trúc DV thông thường
được chia thành 3 lớp chính như sau:
- Lớp Nguồn Dữ liệu (Data Sources Layer)
Bao gồm các nguồn dữ liệu đa dạng như
cơ sở dữ liệu quan hệ, kho dữ liệu (Data
Warehouses), hồ dữ liệu (Data Lakes),
API, và dữ liệu phi cấu trúc từ IoT hoặc
mạng xã hội...; đảm bảo khả năng tích hợp
mà không cần sao chép dữ liệu vật lý.
- Lớp Ảo hóa (Data Virtualization Layer)
Đây là trung tâm của DV, nơi dữ liệu từ các
nguồn được hợp nhất và chuẩn hóa thông
qua một lớp trừu tượng; đảm bảo Tích hợp
dữ liệu động mà không thay đổi dữ liệu gốc.
- Lớp Truy cập và Phân phối Dữ liệu (Data
Access and Delivery Layer)
Cung cấp giao diện truy cập cho người
dùng qua API, giao thức hoặc tích hợp với
BI (Tableau, Power BI); biến dữ liệu thành
thông tin sẵn sàng sử dụng, hỗ trợ ra quyết
định nhanh chóng và chính xác.
DV đang trở thành thành phần không thể
thiếu trong hệ thống BI hiện đại, vượt trội
hơn so với ETL nhờ khả năng tích hợp dữ
liệu thời gian thực, giảm độ trễ xử lý đến
40% và hỗ trợ ra quyết định nhanh chóng
(Forrester, 2023). Với khả năng xử lý cả dữ
liệu phi cấu trúc, hiện chiếm 80% tổng dữ
liệu doanh nghiệp (Wang, 2025), DV giúp
tổ chức tối ưu hóa chi phí và tăng trưởng
doanh thu trung bình 20% (McKinsey,
2023). DV không chỉ là giải pháp công
nghệ mà còn là nền tảng chiến lược để
doanh nghiệp khai thác tối đa giá trị dữ liệu
trong kỷ nguyên số.