12
ỨNG DỤNG PHÂN TÍCH TIÊN TIẾN TRONG KINH DOANH
Nguyễn Quốc Thanh
Khoa Công nghệ Thông tin. Trường Đại học Tài chính - Marketing
Email: nqthanh@ufm.edu.vn
Tóm tắt: Mọi người đều nói về data analytics (phân tích dữ liệu), tuy nhiên điều mà
các nhà quản lý kinh doanh thương mại điện tử, đặc biệt chuỗi cung ứng muốn biết đó là
liệu họ có thể mang lại sự đổi mới trong cách vận hành của họ hay không. Lời giải nằm
trong bài phân tích dưới đây. Qua bài phân tích, bạn đọc sẽ hiểu rõ hơn cách khai thác Big
data (dữ liệu lớn) và data analytics thông qua bài phân tích rất thực tiễn dưới đây. Với từ
khóa “advanced analytics” (phân tích tiên tiến), chúng ta sẽ nhận được hơn 23 triệu kết
quả trong vòng chưa đầy một giây. Rõ ràng, việc sử dụng phân tích tiên tiến là một trong
những chủ đề nóng hiện nay trên báo chí kinh doanh và chắc chắn là mối quan tâm hàng
đầu của các nhà quản lý, đặc biệt quản lý chuỗi cung ứng.
Từ khóa: data analytics, advanced analytics, big data, chuỗi cung ứng, phân tích tiên
tiến
1. ADVANCED ANALYTICS LÀ GÌ?
Phân tích tiên tiến là một thuật ngữ chung cho một nhóm các phương pháp và công
cụ cao cấp có thể giúp bạn khai thác nhiều hơn dữ liệu của mình. Các khả năng dự đoán
của phân tích tiên tiến có thể được sử dụng để dự báo các xu hướng, sự kiện và hành vi.
Điều này mang lại cho các tổ chức khả năng thực hiện các mô hình thống kê nâng cao như
tính toán “điều gì xảy ra nếu”, cũng như các khía cạnh khác nhau trong tương lai của các
hoạt động.
Một số lĩnh vực tạo nên sự kỳ diệu của phân tích tiên tiến bao gồm học máy và trí tuệ
nhân tạo, phân tích ngữ nghĩa và đồ thị, khai thác dữ liệu và văn bản, xử lý sự kiện phức
tạp, đối sánh mẫu, phân tích dự đoán, trực quan hóa dữ liệu, phân tích cảm tính, mạng và
phân tích cụm , thống kê đa biến, mô phỏng, mạng nơ-ron và danh sách này không ngừng
phát triển khi các kỹ thuật mới được phát minh và điều chỉnh cho phù hợp với thế giới phân
tích dữ liệu.
Khai thác dữ liệu, một khía cạnh quan trọng của phân tích tiên tiến, là một phương
pháp tự động trích xuất thông tin có thể sử dụng từ bộ dữ liệu thô khổng lồ. Phân tích dữ
13
liệu lớn được sử dụng để tìm kiếm thông tin chi tiết hiện có và tạo kết nối giữa các điểm và
tập dữ liệu, cũng như làm sạch dữ liệu. Phân tích dự đoán có thể sử dụng các tập hợp rõ
ràng này và thông tin chi tiết hiện có để ngoại suy và đưa ra các dự đoán và dự đoán về hoạt
động, xu hướng và hành vi tiêu dùng trong tương lai.
2. PHÂN TÍCH TIÊN TIẾN (ADVANCED ANALYTICS) VÀ PHÂN TÍCH HÀNG
HÓA (COMMODITY ANALYTICS)
Vậy chính xác, sự khác biệt giữa phân tích tiên tiến và phân tích hàng hóa là gì? Theo
Bill Franks, tác giả của quyển “Taming The Big Data Tidal Wave”, mục đích của phân tích
hàng hóa là “cải thiện quy trình tại nơi kết thúc mà không cần lập bất kỳ mô hình nào cả,
một quy trình lập mô hình hàng hóa kết thúc khi bạn tìm thấy một cái gì đó đủ tốt”.
Một định nghĩa khác của phân tích hàng hóa là “mô hình mà có thể được thực hiện
với các công cụ thường có sẵn mà không cần bất kỳ kiến thức chuyên ngành về phân tích
dữ liệu.” Phần lớn những gì đang được thực hiện là thông qua các bảng tính Excel trên toàn
bộ các phân tích hàng hóa.
Một ví dụ về phân tích hàng hóa có thể đưa ra ở đây là một nghiên cứu về lý do tại
sao các lô hàng lại bị trễ. Trong nghiên cứu này, người phân tích thu thập các dữ liệu sau
đây vào một bảng tính:
Và dựa vào dữ liệu đó, người phân tích kết luận như sau:
14
Vậy, người phân tích này kiến nghị điều gì? Cải thiện tình trạng các đơn đặt hàng bị
xử lý trễ để ngăn chặn các lô hàng chậm giao.
Tuy nhiên, một nhà phân tích (hay một nhà khoa học dữ liệu) thành thạo trong phân
tích dự báo (predictive analytics) sẽ nghĩ đến một câu hỏi khác, chẳng hạn như “Liệu xử lý
trễ có dự báo đơn hàng chậm giao?”. Trong trường hợp này, người phân tích sẽ phải thu
thập thêm thông tin chi tiết: Ví dụ, có bao nhiêu đơn đặt hàng bị xử lý chậm so với đúng
giờ, và có bao nhiêu đơn đặt hàng đến đúng giờ so với đến sớm.
Tập hợp dữ liệu thu thập được sẽ trông giống như bảng dưới đây:
Để trình bày thông tin theo cách dễ hiểu hơn, một nhà khoa học dữ liệu có thể minh
họa theo định dạng của hình dưới đây:
Trên thực tế, việc một đơn hàng bị xử lý trễ không phải là yếu tố dự báo liệu đơn
hàng đó có đến đúng giờ hay không . Vì vậy, cải thiện thời gian xử lý đơn hàng có thể là
một hành động tốt nhất, nhưng cần phải nhận thức rằng đối với vấn đề cải thiện đơn hàng
chậm giao, 81% nỗ lực này là lãng phí.
15
Nếu nhìn vào vấn đề theo sơ đồ cây ra quyết định, chúng ta sẽ nhận được hình này:
Điều chúng ta muốn là phát triển một mô hình cho phép chúng ta dự đoán đơn đặt
hàng trễ mà không cần nắm bắt rất nhiều đơn đặt hàng đúng hạn. Tuy nhiên, thử nghiệm đã
được tạo ra (các đơn đặt hàng xử lý trễ) không chỉ ghi nhận các đơn đặt hàng được tô màu
đỏ trong hình bên trên (95 đơn đặt hàng trễ) mà còn ghi nhận các đơn đặt hàng được tô màu
xanh lá cây (405 đơn đặt hàng xử lý trễ nhưng đến đúng giờ). Nói cách khác, đây là một
thử nghiệm với một tỷ lệ lỗi cao và chúng ta cần phải cải tiến nhiều hơn.
Đến đây, chúng ta hãy giả định rằng một chuyên gia về vấn đề này cho biết nếu có
“thủ tục hải quan nhanh chóng tại cửa khẩu” sẽ tác động lớn đến kết quả giao hàng. Vì vậy
dữ liệu được làm mới, thêm vào “thủ tục hải quan nhanh chóng tại cửa khẩu” và mô hình
được xây dựng lại, bây giờ cây ra quyết định sẽ trông giống như hình bên dưới.
16
Như bạn có thể thấy, thử nghiệm đến đây đã nắm bắt được phần lớn các đơn đặt hàng
chậm trễ, đồng thời loại trừ các đơn đặt hàng đúng hạn. Chúng ta giờ đã có một thử nghiệm
có thể dự đoán 90% những đơn đặt hàng trễ (90 đơn đặt hàng màu đỏ) trong khi chỉ có 5
đơn đặt hàng đúng hạn. Đây là mức giảm rất đáng kể từ 405 đơn đặt hàng đúng hạn bị đưa
vào do lỗi trong cách tiếp cận trước.
Chúng ta cũng thấy rằng có một “nhóm” (cluster) các đơn đặt hàng trễ mà mô hình
này không nhận diện ra (vòng tròn màu xanh lá cây), điều này cho thấy rằng cần thực hiện
những nghiên cứu xa hơn với dữ liệu bổ sung để cải tiến mô hình để dự đoán những lỗi này.
Kết quả sẽ đem lại phân tích đầu ra như trong hình bên dưới: