Thứ tự quan tâm của các công ty Sale -> marketing -> product -> hướng phát triển.

Hiện nay, các công ty thông thường sẽ tuyển các bạn Data Analytics là những bạn có “kiến thức ngành cứng” cộng với kỹ năng về data. Bởi vậy, nghề này có mức độ cạnh tranh khá khốc liệt. Một số ngành cứng hiện giờ mình có thể kể tên là marketting, quản lý chuỗi cung ứng, vận hành, kho bãi, tài chính, v.v

Phân loại các loại data analytics

Tóm tắt ngắn gọn, cho những ai lười đọc:

Nếu tổ chức của bạn chưa bao giờ phân tích dữ liệu, hãy bắt đầu tập làm quen với việc phân tích, bằng cách đưa ra những câu hỏi cần sự trả lời, đưa ra các quy trình cần sự tối ưu, thu thập dữ liệu xung quanh các câu hỏi, các quy trình và sử dụng một trong các kiểu phân tích bên dưới để vẽ lại bức tranh đầy đủ.

Descriptive: Trend của data chỉ ra cái gì?

Diagnostic: Yếu tố nào đóng góp vào các trend trên, tại sao trend lại xảy ra?

Prescriptive: Nếu có thể, xác định khi nào trend là một yếu tố mà nó vẫn còn tiếp tục ( còn trend ở thời điểm hiện tại) hoặc trend sẽ lặp lại (chu kỳ)

Prescriptive: Đào sâu vào phân tích.

Nếu chúng ta có các thuật toán độc quyền hoặc có các công cụ phân tích của bên thứ ba, chạy thuật toán đó trên dữ liệu của mình.

Nếu không có, hãy xây dựng manual analysis các “nước” phân tích dựa trên những khám phá của bạn về quy trình cần tối ưu hoặc về câu hỏi cần sự trả lời. iến hành phân tích thủ công các bước tiếp theo có thể thực hiện được dựa trên những gì bạn đã khám phá được về câu hỏi hoặc quy trình của mình. Mỗi lựa chọn “nước” đi đó sẽ tác động như thế nào đến kết quả của các tình huống và từ đó nó sẽ tác động như thế nào đến mục tiêu của bạn?

1. No analytics:

Không có phân tích, chạy theo cảm hứng và kinh nghiệm của một số người.

2. Descriptive analytics - Phân tích mô tả

Descriptive analytics là một phần trong lĩnh vực phân tích dữ liệu (data analytics) và nó tập trung vào việc tóm tắt, mô tả và hiểu sự thực tại của dữ liệu. Mục tiêu chính của descriptive analytics là cung cấp thông tin dựa trên dữ liệu lịch sử để giúp tổ chức hoặc người quản lý hiểu rõ tình hình hiện tại, khám phá mô hình hoặc xu hướng trong dữ liệu, và đưa ra các quyết định tương lai dựa trên kiến thức này.

Các phương pháp và công cụ phổ biến trong descriptive analytics bao gồm:

Báo cáo và Biểu đồ: Sử dụng biểu đồ, biểu đồ, và báo cáo để biểu thị dữ liệu và thể hiện mối quan hệ giữa các biến số. Các biểu đồ và báo cáo này giúp tạo ra cái nhìn tổng quan về dữ liệu.

Tóm tắt Thống kê: Tính toán các thống kê mô tả như trung bình, phương sai, tỷ lệ, và phân phối dữ liệu. Điều này giúp trong việc mô tả các tính chất quan trọng của dữ liệu.

Phân tích dữ liệu lịch sử: Xem xét dữ liệu lịch sử để xác định xu hướng, biến động, và các sự kiện quan trọng trong quá khứ. Điều này có thể giúp dự đoán sự kiện tương lai dựa trên dữ liệu lịch sử.

Phân loại và nhóm dữ liệu: Nhóm dữ liệu vào các phân loại để hiểu rõ các nhóm và sự tương quan giữa chúng.

Khám phá dữ liệu (Data Exploration): Sử dụng các kỹ thuật khám phá dữ liệu để phát hiện thông tin mới và bất thường trong dữ liệu, chẳng hạn như việc sử dụng mô hình phân cụm.

Lọc và tìm kiếm dữ liệu: Tìm kiếm dữ liệu cụ thể hoặc lọc dữ liệu để tập trung vào các yếu tố quan trọng.

Descriptive analytics thường được sử dụng để mô tả hiện tượng, hiểu rõ tình hình hiện tại, và xác định các vấn đề hoặc cơ hội cơ bản. Nó cung cấp nền tảng cho các giai đoạn phân tích tiếp theo như predictive analytics (dự đoán tương lai) và prescriptive analytics (đưa ra hướng dẫn và đề xuất hành động).

Một số ví dụ sử dụng Descriptive analytics

Traffic and Engagement Reports

Ngữ cảnh là bạn đang có một website bán hàng, có lưu lại hành vi tương tác của khách hàng lên trên website sử dụng GA. Một số báo cáo bạn có thể xây dựng.

• Báo cáo kênh truyền thông nào đang thu hút nhiều lưu lượng truy cập trên trang web của bạn nhất.

• Xác định số lượng người dùng từ mỗi nguồn

• So sánh số người dùng ở thời điểm hiện tại với quá khứ từ cùng một nguồn.

• Xem số lượng truy cập từ quảng cáo trả phí đang tăng lên bao nhiêu phần trăm

Các yếu tố mình liệt kê ở trên là một trong các thông tin quan trọng để các loại phân tích khác bên dưới đào sâu hơn lý do.

• Vì sao nguồn truy cập từ facebook lại tăng theo thời gian

• Xu hướng tăng này có còn tiếp tục ở tương lai

• Hành động tiếp theo của chúng ta là gì

Financial Statement Analysis

Báo cáo tài chính là báo cáo định kỳ nêu chi tiết thông tin tài chính về một doanh nghiệp và cùng nhau đưa ra cái nhìn toàn diện về tình hình tài chính của công ty.

Có một số loại báo cáo tài chính, bao gồm bảng cân đối kế toán, báo cáo kết quả hoạt động kinh doanh, báo cáo lưu chuyển tiền tệ và báo cáo vốn chủ sở hữu của cổ đông. Mỗi kênh phục vụ một đối tượng cụ thể và truyền tải những thông tin khác nhau về tài chính của công ty.

Phân tích báo cáo tài chính có thể được thực hiện theo ba cách chính: dọc, ngang và tỷ lệ.

Phân tích theo chiều dọc là việc đọc các dòng dữ liệu theo thứ tự từ trên xuống dưới và so sánh từng mục với các mục ở trên và dưới nó. Điều này giúp xác định mối quan hệ giữa các biến. Ví dụ: nếu mỗi chi tiết đơn hàng là một tỷ lệ phần trăm của tổng số thì việc so sánh chúng có thể cung cấp thông tin chi tiết về chi tiết đơn hàng nào chiếm tỷ lệ phần trăm lớn hơn và nhỏ hơn trong tổng số.

Phân tích theo chiều ngang là việc đọc một báo cáo từ trái sang phải và so sánh từng mục với chính nó ở kỳ trước. Loại phân tích này xác định sự thay đổi theo thời gian.

Cuối cùng, phân tích tỷ lệ là việc việc so sánh một phần của báo cáo với phần khác dựa trên mối quan hệ của chúng với tổng thể. Điều này so sánh trực tiếp các mặt hàng qua các thời kỳ, cũng như tỷ lệ của công ty bạn với ngành để đánh giá xem công ty của bạn hoạt động hiệu quả hơn hay kém hơn.

Mỗi phương pháp phân tích báo cáo tài chính này là ví dụ về descriptive analytics vì chúng cung cấp thông tin về xu hướng và mối quan hệ giữa các biến dựa trên dữ liệu hiện tại và lịch sử.

Demand Trends

Descriptive analytics cũng có thể được sử dụng để xác định xu hướng trong sở thích và hành vi của khách hàng, đồng thời đưa ra các giả định về nhu cầu đối với các sản phẩm hoặc dịch vụ cụ thể.

Một usecase thường được nhắc tới là Netflix’s. Team của họ đã thu thập một lượng lớn hành vi của người dùng trên nền tảng của họ. Họ phân tích dữ liệu này để xác định ra các chương trình TV và các bộ phim đang là trending ở thời điểm hiện tại và đưa ra các gợi ý phim trending ở trang chủ.

Không dừng lại ở đó, các dữ liệu này còn giúp Netflix biết được rằng loại phim nào, diễn viên nào, đạo diễn nào hiện tại đang được yêu thích. Và nó giúp đưa quyết định về nội dung các phim sắp tới sẽ được bấm máy, hợp đồng với nhà sản xuất phim, đưa ra các chiến dịch quản cáo, retargeting quản cáo.

Aggregated Survey Results

Descriptive analytics cũng hữu ích trong nghiên cứu thị trường.

Ví dụ: bạn có thể tiến hành một cuộc khảo sát và xác định rằng khi độ tuổi của người trả lời tăng lên thì khả năng họ mua sản phẩm của bạn cũng tăng theo. Nếu bạn đã thực hiện khảo sát này nhiều lần trong nhiều năm, thì phân tích mô tả có thể cho bạn biết liệu mối tương quan giữa độ tuổi mua hàng này luôn tồn tại hay nó chỉ xảy ra trong năm nay.

Những hiểu biết sâu sắc như thế này có thể mở đường cho các phân tích chẩn đoán giải thích lý do tại sao một số yếu tố nhất định lại có mối tương quan với nhau. Sau đó, bạn có thể tận dụng các phân tích dự đoán và phân tích theo quy định để lập kế hoạch cải tiến sản phẩm hoặc chiến dịch tiếp thị trong tương lai dựa trên những xu hướng đó.

Progress to Goals

descriptive analytics có thể được áp dụng để theo dõi tiến trình đạt được mục tiêu (Progress to Goals). Các báo cáo về tiến độ của KPIs có thể giúp team của bạn hiểu được rằng công việc mình làm có đang đi đúng hướng, hay nó đang đi sai hướng và chúng ta cần điều chỉnh lại để đi đúng hướng.

Ví dụ: nếu tổ chức của bạn đặt mục tiêu đạt được 500.000 unique page views / month, bạn có thể sử dụng dữ liệu lưu lượng truy cập để theo dõi. Giả sử, trong nửa tháng, bạn đạt được 200.000 lượt xem, vậy là đi nữa chặn đường rồi nhưng chúng ta chưa đạt được 1 nữa mục tiêu. Phân tích dạng này chỉ cho chúng ta điều đó và chúng ta cần sử dụng những phân tích chuyên sâu hơn bên dưới để cải thiện lưu lượng truy cập để quay lại hướng đúng KPI của bạn.

3 Diagnostic analytics - Phân tích chẩn đoán

Diagnostic analytics (phân tích chẩn đoán) là một loại phân tích dữ liệu trong lĩnh vực quản lý dựa trên dữ liệu (data analytics), nơi mục tiêu chính là tìm hiểu và hiểu rõ nguyên nhân hoặc lý do xảy ra của một sự kiện hoặc tình huống cụ thể. Mục đích chính của diagnostic analytics là giúp tổ chức hoặc người quản lý đối mặt với các vấn đề hoặc sự cố, cung cấp thông tin để làm rõ tại sao chúng xảy ra và giúp đưa ra quyết định hoặc biện pháp sửa chữa.

Các điểm chính của diagnostic analytics bao gồm:

Tìm hiểu nguyên nhân: Loại phân tích này tập trung vào việc phân tích dữ liệu để tìm ra nguyên nhân gốc rễ của một sự kiện hoặc tình huống cụ thể. Điều này giúp hiểu rõ tại sao điều đó xảy ra và tạo cơ hội để ngăn chặn sự kiện tương tự trong tương lai.

Sử dụng dữ liệu lịch sử: Diagnostic analytics sử dụng dữ liệu lịch sử và thông tin về sự kiện cụ thể để phân tích và phát hiện các mô hình hoặc mối quan hệ giữa các biến.

Hỗ trợ quyết định: Kết quả của diagnostic analytics có thể hỗ trợ quyết định về việc xử lý các vấn đề hoặc sự cố. Dựa vào thông tin này, người quản lý có thể đưa ra các biện pháp cải thiện hoặc điều chỉnh quy trình làm việc để ngăn chặn các vấn đề tương tự.

Ví dụ về ứng dụng của diagnostic analytics bao gồm việc phân tích tại sao sản phẩm có tỷ lệ trả hàng cao, làm rõ tại sao một dự án đã trễ hạn, hoặc tìm hiểu lý do tại sao doanh số bán hàng của một sản phẩm cụ thể đã giảm sút. Khi hiểu được nguyên nhân, tổ chức có thể đưa ra các biện pháp sửa chữa hoặc cải thiện quá trình làm việc để giảm thiểu các vấn đề này trong tương lai.

Có một số khái niệm cần hiểu trước khi đi sâu vào phân tích chẩn đoán: kiểm tra giả thuyết (hypothesis testing), sự khác nhau giữa mối tương quan và quan hệ nhân quả, phân tích hồi quy chẩn đoán (diagnostic regression analysis).

Tìm hiểu một số khái niệm cơ bản của Diagnostic analytics

Hypothesis Testing

Kiểm định giả thuyết (Hypothesis Testing) là một phương pháp thống kê cơ bản được sử dụng để đưa ra quyết định về các tham số của quần thể dựa trên dữ liệu mẫu. Đây là một quy trình hệ thống được sử dụng để đánh giá xem có đủ bằng chứng để hỗ trợ hoặc phủ định một giả thuyết cụ thể về quần thể hay không. Dưới đây là các bước và khái niệm chính liên quan đến kiểm định giả thuyết

Xây dựng Giả Thuyết:

• Giả thuyết không (H0): Đây là giả thuyết mặc định hoặc trạng thái hiện hành. Nó cho rằng không có hiệu ứng, không có sự khác biệt hoặc không có mối quan hệ nào trong quần thể. Thường được ký hiệu là H0.

• Giả thuyết thay thế (Ha hoặc H1): Đây là giả thuyết mà bạn muốn kiểm tra. Nó đại diện cho một khẳng định cụ thể hoặc hiệu ứng mà bạn muốn chứng minh. Thường được ký hiệu là Ha hoặc H1.

Chọn Mức Ý Nghĩa (α):

Mức ý nghĩa, ký hiệu là α (alpha), đại diện cho xác suất của lỗi loại I, tức là lỗi sai khi từ chối một giả thuyết không đúng. Mức ý nghĩa thường bao gồm 0,05 (5%) và 0,01 (1%), nhưng sự lựa chọn phụ thuộc vào ngữ cảnh và mức độ tin cậy yêu cầu.

Thu thập và Phân Tích Dữ Liệu:

Thu thập một mẫu từ quần thể quan tâm và thực hiện phân tích thống kê cần thiết để tính toán thống kê kiểm định, đo lường mối quan hệ hoặc hiệu ứng đang được nghiên cứu.

Tính Toán Thống Kê Kiểm Định:

Thống kê kiểm định phụ thuộc vào loại kiểm định đang thực hiện (ví dụ: kiểm định t-student, kiểm định chi bình phương, kiểm định z). Nó đo lường mức độ mà thống kê mẫu khác biệt so với giá trị kỳ vọng dưới giả thuyết không.

Xác định Vùng Quan Trọng hoặc Giá trị p (P-Value):

• Vùng Quan Trọng: Trong kiểm định giả thuyết, vùng quan trọng đại diện cho tập hợp các giá trị của thống kê kiểm định mà bạn sẽ từ chối giả thuyết không. Các giá trị này được xác định dựa trên mức ý nghĩa đã chọn và phân phối của thống kê kiểm định.

• Giá trị p (P-Value): Giá trị p là xác suất của việc thu được thống kê kiểm định càng “tương đối” hoặc “tương đối hơn” so với thống kê kiểm định quan sát trong mẫu dữ liệu, giả sử rằng giả thuyết không đúng. Giá trị p nhỏ (thường nhỏ hơn α) cho thấy có đủ bằng chứng để phủ định giả thuyết không.

Đưa Ra Quyết Định:

• Nếu thống kê kiểm định nằm trong vùng quan trọng (tức là xác suất xảy ra do sự tình cờ thấp), bạn từ chối giả thuyết không để ủng hộ giả thuyết thay thế.

• Nếu thống kê kiểm định không nằm trong vùng quan trọng, bạn không từ chối giả thuyết không, tức là không có đủ bằng chứng để ủng hộ giả thuyết thay thế.

Đưa Ra Kết Luận:

Dựa trên quyết định ở bước 6, bạn đưa ra kết luận về tham số của quần thể bạn đang kiểm tra. Bạn có thể kết luận rằng có đủ bằng chứng cho một hiệu ứng, một sự khác biệt, hoặc một mối quan hệ (từ chối giả thuyết không) hoặc rằng không có đủ bằng chứng để làm điều đó (không từ chối giả thuyết không).

Hypothesis testing là quy trình thống kê (the statistical process) để chứng minh hoặc bác bỏ một giả định.

Hypotheses có thể là future-oriented (ví dụ, Nếu chúng ta đổi logo của công ty chúng ta, nhiều ngừi ở Bắc Mỹ sẽ mua sản phẩm của chúng ta), trong predictive analytics hoặc prescriptive analytics.

Trong diagnostic analytics, hypotheses là historically-oriented (ví dụ, Tôi dự đoán doanh số bán hàng tháng này sụt giảm là do sản phẩm của chúng tôi tăng giá gần đây.). Các giả định định hướng việc phân tích của bạn và được sử dụng như một lời nhắc nhở về điều bạn đang muốn chứng minh hoặc bác bỏ.

Correlation vs. Causation

Tương quan và nhân quả (Correlation and Causation) là hai khái niệm quan trọng trong thống kê và khoa học dữ liệu. Tuy cùng liên quan đến sự liên kết giữa hai biến, nhưng chúng có ý nghĩa khác nhau:

• Tương Quan (Correlation):

Tương quan chỉ đơn giản là mô tả mối quan hệ tương đối giữa hai biến. Nó chỉ cho ta biết nếu có sự thay đổi theo cùng hướng hoặc ngược hướng giữa các biến. Khi hai biến tương quan, có thể có sự thay đổi chung nhưng không có liên quan nhân quả. Điều này có thể là do tình cờ hoặc có biến khác ẩn sau mối quan hệ tương quan. Ví dụ: Có một tương quan mạnh giữa việc sử dụng ô tô và lượng dầu tiêu thụ hàng năm. Tuy nhiên, điều này không có nghĩa rằng việc sử dụng ô tô gây ra sự tăng tiêu thụ dầu.

• Nhân Quả (Causation):

Nhân quả đề cập đến mối quan hệ nguyên nhân và kết quả giữa hai biến, trong đó một biến (biến nguyên nhân) gây ra sự thay đổi trong biến kết quả.

Để kết luận về mối quan hệ nhân quả, cần có nhiều bằng chứng hơn so với chỉ tương quan. Thông thường, cần tiến hành thử nghiệm kiểm tra nhân quả hoặc sử dụng thiết kế nghiên cứu để loại trừ các yếu tố khác.

Ví dụ: Nếu bạn thực hiện một thử nghiệm ngẫu nhiên để đo lượng vitamin C được cung cấp cho một nhóm người và xem xét tác động của nó đối với sức khỏe, bạn có thể đưa ra kết luận về mối quan hệ nhân quả giữa vitamin C và sức khỏe.

Tóm lại, tương quan chỉ mô tả mối quan hệ giữa hai biến, trong khi nhân quả đề cập đến mối quan hệ nguyên nhân và kết quả. Việc xác định mối quan hệ nhân quả thường phức tạp hơn và đòi hỏi nhiều nghiên cứu và bằng chứng để có thể chắc chắn rằng một biến gây ra sự thay đổi trong biến khác.

Nếu tổ chức của bạn có đủ tài nguyên, bạn có thể chạy thực nghiệm để tìm ra mối quan hệ nhân quả. Nếu xác định được mối quan hệ nhân quả của 2 biến, mối tương quan vẫn có thể mang lại cái nhìn sâu sắc cần thiết để hiểu dữ liệu của bạn và sử dụng dữ liệu đó để đưa ra các quyết định chính xác hơn.

Diagnostic Regression Analysis

Một số mối quan hệ giữa các biến có thể dễ dàng nhận ra, nhưng một số khác yêu cầu phân tích sâu hơn. Phân tích hồi quy được sử dụng để xác định mối quan hệ giữa hai biến (single linear regression) hoặc ba biến trở lên (multiple regression). Mối quan hệ được thể hiện bằng một phương trình toán học chuyển thành độ dốc của đường phù hợp nhất với mối quan hệ của các biến.

Regression giúp chúng ta xác định insight về cấu trúc của mối quan hệ trong 2 hay nhiều biến và cung cấp thước đo mức độ phù hợp của dữ liệu với mối quan hệ( của 2 hay nhiều biến) đó

nostic analytics là việc chúng ta sử dụng phân tích hồi quy để giải thích mối quan hệ giữa các biến trong dữ liệu lịch sử. Sau đó, đường hồi quy có thể được sử dụng để dự đoán cho tương lai ( là ví dụ của nhóm predictive analytics).

Một số ví dụ sử dụng diagnostic analytics

1. Examining Market Demand

Một usecase của diagnostic analytics là xác định lý do đằng sau nhu cầu sản phẩm.

Ví dụ: Công ty HelloFresh - công ty đại chúng quốc tế cung cấp đồ ăn sơ chế sẵn có trụ sở tại Berlin, Đức. Đây là nhà cung cấp đồ ăn sơ chế sẵn lớn nhất ở Hoa Kỳ, và cũng có hoạt động ở Canada, Tây Âu. Công ty thu thập hàng triệu điểm dữ liệu từ người dùng toàn cầu, bao gồm thông tin về vị trí địa lý, dữ liệu nhân khẩu học được tiết lộ, loại bữa ăn, sở thích về hương vị cũng như nhịp và thời gian đặt hàng thông thường.

Nhóm của HelloFresh sử dụng dữ liệu này để xác định mối quan hệ giữa các xu hướng về thuộc tính và hành vi của khách hàng. Như một ví dụ giả định, hãy tưởng tượng nhóm HelloFresh xác định được sự gia tăng đột biến về đơn đặt hàng công thức chế biến từ cá. Sau khi tiến hành phân tích chẩn đoán, họ phát hiện ra rằng các thuộc tính có mối tương quan cao nhất với việc đặt hàng các công thức nấu cá được xác định là nữ và sống ở vùng đông bắc Hoa Kỳ.

Từ đó, nhóm có thể tiến hành nghiên cứu thị trường với nhóm nhân khẩu học cụ thể đó để tìm hiểu thêm về nhu cầu về công thức nấu cá. Có phải nguyên nhân là do một nghiên cứu khoa học gần đây ca ngợi lợi ích sức khỏe của cá đối với phụ nữ? Có lẽ những người sống ở vùng đông bắc Hoa Kỳ có khẩu vị hải sản tinh tế vì họ sống tương đối gần Đại Tây Dương. Lý luận của họ có thể cung cấp những hiểu biết sâu sắc có tác động cho HelloFresh.

Khi nghiên cứu các loại phân tích khác, nhóm cũng có thể xem xét liệu xu hướng này có tiếp tục hay không (phân tích dự đoán) và liệu việc tạo ra nhiều công thức nấu ăn từ cá hơn có xứng đáng với công sức và tiền bạc để đáp ứng sở thích của đối tượng này hay không (phân tích theo quy định).

2. Explaining Customer Behavior

Đối với các công ty, việc thu thập dữ liệu khách hàng, phân tích, chẩn đoán là chìa khóa để hiểu lý do tại sao khách hàng làm như vậy. Những thông tin chi tiết này có thể được sử dụng để cải thiện sản phẩm và trải nghiệm người dùng (UX), định vị lại thông điệp thương hiệu và đảm bảo sản phẩm phù hợp với đối tượng.

Tiếp tục với ví dụ HelloFresh, hãy xem xét giá trị của việc giữ chân khách hàng đối với công ty hoạt động theo mô hình đăng ký. Giữ chân khách hàng sẽ tiết kiệm chi phí hơn so với việc có được khách hàng mới, vì vậy HelloFresh sử dụng phân tích chẩn đoán để xác định lý do khiến khách hàng rời đi chọn hủy đăng ký.

Trong quá trình hủy, khách hàng rời đi phải cung cấp lý do hủy. Các tùy chọn bao gồm từ “không phù hợp với túi tiền của tôi” đến “không phù hợp với lịch trình hoặc nhu cầu ăn kiêng của tôi” và cũng có tùy chọn để viết câu trả lời. Bằng cách thu thập dữ liệu này, HelloFresh có thể phân tích các lý do mất khách hàng được nêu nhiều nhất ở các khu vực và nhân khẩu học cụ thể, đồng thời sử dụng phân tích chẩn đoán để trả lời câu hỏi “Tại sao mọi người hủy đăng ký?”

Những hiểu biết sâu sắc này có thể giúp cải thiện trải nghiệm người dùng và sản phẩm của HelloFresh để tránh mất thêm khách hàng vì những lý do đó.

3. Identifying Technology Issues

Một ví dụ về diagnostic analytics trong bài toán này là các tester bị yêu cầu sử dụng chương trình phần mềm và chạy thử nghiệm (test) để xác định nguyên nhân của sự cố, các lỗi. Điều này thường được gọi là “chạy chẩn đoán” và có thể là điều bạn đã làm trước đây khi gặp sự cố máy tính.

Một số thuật toán chạy liên tục và hoạt động ở chế độ nền của máy, trong khi những thuật toán khác cần do con người thực hiện. Một loại kiểm tra chẩn đoán mà bạn có thể quen thuộc là chẩn đoán dựa trên giải pháp, phát hiện và gắn cờ các triệu chứng của các vấn đề đã biết và tiến hành quét để xác định nguyên nhân gốc rễ. Điều này có thể cho phép bạn giải quyết vấn đề và báo cáo vấn đề nếu nguyên nhân nghiêm trọng.

4. Improving Company Culture

Diagnostic analytics cũng có thể được tận dụng để cải thiện văn hóa nội bộ công ty. Bộ phận nhân sự có thể thu thập thông tin về cảm giác an toàn về thể chất và tâm lý của nhân viên, những vấn đề họ quan tâm cũng như những phẩm chất và kỹ năng giúp ai đó thành công và hạnh phúc. Nhiều thông tin chi tiết trong số này đến từ việc thực hiện các cuộc khảo sát nội bộ, ẩn danh và thực hiện các cuộc phỏng vấn thôi việc để xác định các yếu tố góp phần khiến nhân viên muốn ở lại hoặc rời đi.

Thu thập thông tin về suy nghĩ và cảm xúc của nhân viên cho phép bạn phân tích dữ liệu và xác định cách cải thiện các lĩnh vực như văn hóa và lợi ích công ty. Điều này có thể bao gồm bất cứ điều gì từ mong muốn công ty đóng góp nhiều hơn cho trách nhiệm xã hội của doanh nghiệp (CSR) cho đến cảm giác bị phân biệt đối xử tại nơi làm việc. Trong những trường hợp này, dữ liệu trình bày một trường hợp phân bổ nhiều nguồn lực hơn cho CSR và các nỗ lực đa dạng, công bằng, hòa nhập và thuộc về.

Những hiểu biết sâu sắc từ các cuộc khảo sát và phỏng vấn cũng có thể cho phép người quản lý tuyển dụng xác định những phẩm chất và kỹ năng nào giúp ai đó thành công tại công ty hoặc trong nhóm cụ thể của bạn, từ đó giúp thu hút và tuyển dụng những ứng viên tốt hơn cho các vai trò còn trống.

Phân tích chẩn đoán có thể giúp nâng cao mức độ hài lòng, an toàn và giữ chân nhân viên, cũng như giúp quy trình tuyển dụng hiệu quả hơn.

4 Predictive analytics:

Predictive analytics là một phương pháp trong lĩnh vực phân tích dữ liệu (data analytics) sử dụng để dự đoán các sự kiện tương lai hoặc kết quả dựa trên dữ liệu lịch sử và mô hình hóa thống kê. Đây là một công cụ mạnh mẽ trong nhiều lĩnh vực và ngành công nghiệp, như tiếp thị, tài chính, y tế, sản xuất, và nhiều lĩnh vực khác.

Các bước chính trong quá trình predictive analytics bao gồm:

Thu thập dữ liệu: Bước đầu tiên là thu thập và tổng hợp dữ liệu liên quan đến vấn đề cần dự đoán. Dữ liệu này có thể là dữ liệu lịch sử hoặc dữ liệu thời gian thực.

Tiền xử lý dữ liệu: Dữ liệu thường cần phải được làm sạch và tiền xử lý trước khi sử dụng. Điều này bao gồm việc loại bỏ dữ liệu không hợp lệ hoặc thiếu sót, xử lý giá trị thiếu, và biến đổi dữ liệu nếu cần.

Xây dựng mô hình: Trong bước này, các mô hình thống kê hoặc machine learning được sử dụng để phân tích dữ liệu và dự đoán các sự kiện tương lai. Các mô hình phổ biến bao gồm hồi quy tuyến tính, cây quyết định, mạng nơ-ron, và nhiều mô hình khác.

Đánh giá và tinh chỉnh mô hình: Mô hình được đánh giá bằng cách sử dụng các phương pháp kiểm tra và đánh giá chất lượng dự đoán. Nếu cần, mô hình được điều chỉnh để cải thiện hiệu suất.

Triển khai mô hình: Sau khi mô hình được đánh giá và chấp nhận, nó có thể được triển khai để sử dụng trong thực tế. Các dự đoán từ mô hình có thể được tích hợp vào quy trình kinh doanh hoặc hệ thống thông tin.

Predictive analytics có thể được sử dụng trong nhiều mục đích, chẳng hạn như dự đoán doanh số bán hàng, phân tích rủi ro tín dụng, dự đoán biến động thị trường, quản lý tồn kho, dự đoán thời tiết, và nhiều ứng dụng khác. Đây là công cụ quan trọng giúp doanh nghiệp và tổ chức làm quyết định dựa trên dữ liệu và cải thiện hiệu suất kinh doanh.

5 ví dụ của PREDICTIVE ANALYTICS trong thực tế

1. Finance: Forecasting Future Cash Flow

Giáo sư V.G. Narayanan của HBS nói: “Các nhà quản lý cần phải nhìn về phía trước để lập kế hoạch cho tình hình hoạt động kinh doanh trong tương lai của họ”. “Bất kể bạn làm việc trong lĩnh vực nào, luôn có rất nhiều điều không chắc chắn liên quan đến quá trình này.”

Mọi doanh nghiệp đều cần lưu giữ hồ sơ tài chính định kỳ và phân tích dự đoán có thể đóng một vai trò lớn trong việc dự báo tình trạng tương lai của công ty. Sử dụng dữ liệu lịch sử từ các báo cáo tài chính trước đó cũng như dữ liệu từ ngành rộng hơn, bạn có thể dự đoán số bán, doanh thu và chi phí để tạo ra bức tranh về tương lai và đưa ra quyết định.

Dự báo dòng tiền trong tương lai là một quy trình phân tích tài chính quan trọng, bao gồm việc ước tính dòng tiền vào và ra mà một doanh nghiệp dự kiến ​​sẽ tạo ra trong một khoảng thời gian cụ thể trong tương lai. Dự báo dòng tiền chính xác là rất quan trọng để lập kế hoạch tài chính hiệu quả, ngân sách và quyết định trong một công ty. Dưới đây là một cái nhìn tổng quan về các bước và yếu tố cần xem xét khi dự báo dòng tiền trong tương lai:

Thu thập Dữ liệu Lịch sử: Bắt đầu bằng việc thu thập và phân tích dữ liệu tài chính lịch sử, bao gồm báo cáo dòng tiền, báo cáo lợi nhuận và bảng cân đối kế toán. Dữ liệu lịch sử cung cấp thông tin quý báu về các mô hình và xu hướng dòng tiền trong quá khứ.

Xác định Các Thành Phần Dòng Tiền: Phân chia dòng tiền thành các thành phần khác nhau, bao gồm dòng tiền từ hoạt động kinh doanh, dòng tiền từ hoạt động đầu tư và dòng tiền từ hoạt động tài chính. Điều này giúp hiểu rõ dòng tiền đến từ đâu và điều gì làm tiêu hao dòng tiền.

Ước Tính Doanh Số và Doanh Thu: Ước tính doanh số bán hàng và doanh thu tương lai dựa trên nghiên cứu thị trường, dữ liệu doanh số bán hàng lịch sử và xu hướng trong ngành. Xem xét các yếu tố như mùa vụ, sự phát triển của thị trường và động thái cạnh tranh.

Ước Tính Chi Phí và Phí: Dự đoán các chi phí hoạt động, bao gồm chi phí vốn hàng bán, chi phí hoạt động cố định và chi phí biến đổi. Xem xét lạm phát, xu hướng chi phí và các biện pháp tiết kiệm chi phí có thể thực hiện.

Thay Đổi Vốn Làm Việc: Phân tích thay đổi trong vốn làm việc, bao gồm các tài khoản phải thu, tài khoản phải trả và vòng quay tồn kho. Thay đổi trong vốn làm việc có thể ảnh hưởng đáng kể đến dòng tiền.

Lập Kế Hoạch Đầu Tư Cố Định (CapEx): Dự đoán các khoản đầu tư cố định cho việc mua sắm tài sản, thiết bị và cơ sở hạ tầng. CapEx có thể có ảnh hưởng lớn đến dòng tiền, vì vậy cần lập kế hoạch cho những khoản chi này.

Quản Lý Nợ và Vốn Chủ Sở Hữu: Xem xét bất kỳ khoản trả nợ, vay mới hoặc cấp vốn chủ sở hữu. Dịch vụ nợ, lãi suất và vốn cổ phần ảnh hưởng đến dòng tiền.

Phân Tích Kịch Bản: Tiến hành phân tích nhạy cảm và lập kế hoạch cho các kịch bản khác nhau để tính đến các kết quả khả dĩ khác nhau. Điều này giúp đánh giá tác động của các kịch bản khác nhau lên dòng tiền.

Tạo Báo Cáo Dòng Tiền: Phát triển báo cáo dự báo dòng tiền bao gồm dòng tiền vào và ra trong khoảng thời gian dự báo. Báo cáo này nên cung cấp cái nhìn rõ ràng về dòng tiền theo từng tháng hoặc quý.

Theo Dõi và Đánh Giá: Liên tục theo dõi và đánh giá dòng tiền thực tế so với số liệu dự báo. Điều chỉnh dự báo khi cần dựa trên hiệu suất thực tế và thay đổi trong điều kiện thị trường.

Công Cụ Dự Báo Dòng Tiền: Xem xét việc sử dụng phần mềm mô hình tài chính hoặc công cụ bảng tính để tối ưu hóa quá trình dự báo và thực hiện phân tích nhạy cảm.

Đánh Giá Rủi Ro: Xác định và đánh giá các rủi ro có thể ảnh hưởng đến dòng tiền, chẳng hạn như suy thoái kinh tế, thay đổi trong hành vi của khách hàng hoặc sự cố trong chuỗi cung ứng.

Dự báo dòng tiền hiệu quả là quan trọng để đảm bảo rằng một công ty có thể đáp ứng các nghĩa vụ tài chính của mình, tận dụng cơ hội tăng trưởng và đối mặt với những thách thức tài chính. Nó cũng giúp tối ưu hóa chiến lược quản lý tiền mặt và đưa ra quyết định đầu tư dựa trên thông tin. Ngoài ra, các dự báo dòng tiền chính xác thường được yêu cầu bởi các nhà cho vay và nhà đầu tư như một phần của quá trình kiểm tra tài chính.

2. Entertainment & Hospitality: Determining Staffing Needs

Một ví dụ là việc sòng bạc và khách sạn Caesars Entertainment sử dụng phân tích dự đoán để xác định nhu cầu nhân sự của các địa điểm kinh doanh của mình vào những thời điểm cụ thể.

Trong ngành giải trí và khách sạn, lượng khách hàng đến và đi phụ thuộc vào nhiều yếu tố khác nhau, tất cả đều ảnh hưởng đến số lượng nhân viên mà một địa điểm hoặc khách sạn cần tại một thời điểm nhất định. Việc sử dụng quá nhiều nhân lực sẽ tốn tiền và việc thiếu nhân lực có thể dẫn đến trải nghiệm khách hàng tồi tệ, nhân viên làm việc quá sức và những sai lầm tốn kém.

Để dự đoán số lượt nhận phòng khách sạn vào một ngày nhất định, một nhóm đã phát triển mô hình hồi quy bội xem xét một số yếu tố. Mô hình này cho phép Caesars bố trí nhân sự cho các khách sạn và sòng bạc của mình và tránh sử dụng quá nhiều nhân lực ở mức tốt nhất có thể.

3. Marketing: Behavioral Targeting

Trong tiếp thị, dữ liệu người tiêu dùng rất phong phú và được tận dụng để tạo nội dung, tạo quảng cáo và tạo các chiến lược nhằm tiếp cận khách hàng tiềm năng tốt hơn. Bằng cách kiểm tra dữ liệu hành vi lịch sử và sử dụng dữ liệu đó để dự đoán điều gì sẽ xảy ra trong tương lai, bạn đã sử dụng phân tích dự đoán.

Phân tích dự đoán có thể được áp dụng trong tiếp thị để dự báo xu hướng bán hàng vào các thời điểm khác nhau trong năm và lên kế hoạch cho các chiến dịch phù hợp.

4. Manufacturing: Preventing Malfunction

Các ví dụ trên sử dụng phân tích dự đoán để thực hiện hành động dựa trên các tình huống có thể xảy ra, nhưng bạn cũng có thể sử dụng phân tích dự đoán để ngăn xảy ra các tình huống không mong muốn hoặc có hại. Ví dụ, trong lĩnh vực sản xuất, các thuật toán có thể được đào tạo bằng cách sử dụng dữ liệu lịch sử để dự đoán chính xác khi nào một bộ phận máy móc có thể gặp trục trặc.

Khi đáp ứng các tiêu chí cho sự cố sắp xảy ra, thuật toán sẽ được kích hoạt để cảnh báo nhân viên có thể dừng máy và có khả năng tiết kiệm cho công ty hàng nghìn, nếu không muốn nói là hàng triệu đô la chi phí sản phẩm bị hư hỏng và sửa chữa. Phân tích này dự đoán các tình huống trục trặc tại thời điểm này thay vì trước nhiều tháng hoặc nhiều năm.

Một số thuật toán thậm chí còn đề xuất các bản sửa lỗi và tối ưu hóa để tránh các trục trặc trong tương lai và nâng cao hiệu quả, tiết kiệm thời gian, tiền bạc và công sức. Đây là một ví dụ về phân tích theo quy định; thường xuyên hơn không, một hoặc nhiều loại phân tích được sử dụng song song để giải quyết vấn đề.

5. Health Care: Early Detection of Allergic Reactions

Một ví dụ khác về việc sử dụng thuật toán để phân tích dự đoán nhanh chóng nhằm phòng ngừa đến từ ngành chăm sóc sức khỏe. Viện Wyss tại Đại học Harvard hợp tác với Quỹ KeepSmilin4Abbie để phát triển một thiết bị công nghệ có thể đeo được nhằm dự đoán phản ứng dị ứng phản vệ và tự động truyền epinephrine cứu sống.

Cảm biến, được gọi là AbbieSense, phát hiện các dấu hiệu sinh lý sớm của sốc phản vệ như những yếu tố dự báo phản ứng tiếp theo — và nó thực hiện nhanh hơn nhiều so với khả năng của con người. Khi một phản ứng được dự đoán sẽ xảy ra, một phản ứng thuật toán sẽ được kích hoạt. Thuật toán có thể dự đoán mức độ nghiêm trọng của phản ứng, cảnh báo cho cá nhân và người chăm sóc, đồng thời tự động tiêm epinephrine khi cần thiết. Khả năng dự đoán phản ứng của công nghệ này với tốc độ nhanh hơn tốc độ phát hiện thủ công có thể cứu được mạng sống.

5 Prescriptive analytics:

Đưa ra, gợi ý business modelling mới, Data đưa ra lời khuyên để thay đổi mô hình kinh doanh.

Prescriptive analytics là một loại phân tích dữ liệu trong lĩnh vực quản lý dựa trên dữ liệu (data analytics), nơi mục tiêu chính là cung cấp các hướng dẫn và đề xuất về cách thực hiện một hành động cụ thể để đạt được kết quả tối ưu dựa trên một loạt các biến số và hạn chế. Khái niệm này đặt ra câu hỏi “Nên làm gì?” và đưa ra các giải pháp hoặc hướng dẫn để đạt được mục tiêu mong muốn.

Prescriptive analytics thường bao gồm các bước sau:

Thu thập dữ liệu: Bắt đầu bằng việc thu thập và tổng hợp dữ liệu liên quan đến vấn đề hoặc quá trình cần được tối ưu hóa. Điều này có thể bao gồm dữ liệu lịch sử, dữ liệu hiện tại và các thông tin khác liên quan.

Tiền xử lý dữ liệu: Dữ liệu thường cần được làm sạch, biến đổi và chuẩn hóa trước khi sử dụng cho phân tích. Điều này bao gồm việc loại bỏ dữ liệu không hợp lệ, xử lý giá trị thiếu và chuẩn hóa định dạng.

Xây dựng mô hình: Sử dụng các phương pháp phân tích dữ liệu phức tạp như tối ưu hóa, mô hình hóa toán học, mô hình học máy và mô hình lập kế hoạch để tạo ra các kịch bản và giải pháp tối ưu dựa trên dữ liệu và các yếu tố hạn chế.

Đưa ra giải pháp và quyết định: Dựa trên kết quả của mô hình phân tích, prescriptive analytics đưa ra các giải pháp hoặc quyết định cụ thể để đạt được mục tiêu tối ưu. Điều này có thể bao gồm việc đề xuất kế hoạch sản xuất, quản lý tồn kho, lập lịch giao hàng, hoặc các hành động kinh doanh khác.

Triển khai và theo dõi: Các giải pháp và quyết định được triển khai trong thực tế và theo dõi để đảm bảo tính hiệu quả và đề xuất điều chỉnh nếu cần.

Prescriptive analytics thường được sử dụng trong nhiều lĩnh vực, như tài chính, sản xuất, dự án, y tế và quản lý chuỗi cung ứng để giúp tổ chức ra quyết định chiến lược, tối ưu hóa quá trình kinh doanh và tạo ra giá trị tối ưu.

6 ví dụ PRESCRIPTIVE ANALYTICS trong thực tế

1. Venture Capital: Investment Decisions

Các quyết định đầu tư, mặc dù thường dựa trên trực giác, nhưng có thể được củng cố bằng các thuật toán cân nhắc rủi ro và đưa ra khuyến nghị có nên đầu tư hay không.

Một ví dụ trong lĩnh vực đầu tư mạo hiểm là một thử nghiệm kiểm tra tính hiệu quả của các quyết định của thuật toán về việc nên đầu tư vào công ty khởi nghiệp nào so với quyết định của các nhà đầu tư thiên thần.

Những phát hiện này có nhiều sắc thái. Thuật toán hoạt động tốt hơn các nhà đầu tư thiên thần, những người ít kinh nghiệm đầu tư hơn và kém kỹ năng hơn trong việc kiểm soát thành kiến nhận thức của họ; tuy nhiên, các nhà đầu tư thiên thần đã vượt trội hơn thuật toán khi họ có kinh nghiệm đầu tư và có thể kiểm soát những thành kiến ​​nhận thức của mình.

Thử nghiệm này làm sáng tỏ vai trò bổ sung mà phân tích theo quy định phải đóng trong việc đưa ra quyết định và tiềm năng của nó trong việc hỗ trợ việc ra quyết định khi không có kinh nghiệm và cần gắn cờ những thành kiến về nhận thức. Một thuật toán chỉ không thiên vị khi dữ liệu được đào tạo cùng với nó, do đó cần có sự đánh giá của con người cho dù có sử dụng thuật toán hay không.

2. Sales: Lead Scoring

Prescriptive analytics đóng một vai trò nổi bật trong việc bán hàng thông qua việc chấm điểm khách hàng tiềm năng, còn được gọi là xếp hạng khách hàng tiềm năng. Ghi điểm khách hàng tiềm năng là quá trình chỉ định giá trị điểm cho các hành động khác nhau dọc theo kênh bán hàng, cho phép bạn hoặc thuật toán xếp hạng khách hàng tiềm năng dựa trên khả năng họ chuyển đổi thành khách hàng.

Các hành động bạn có thể gán giá trị bao gồm:

Lượt xem trang

Tương tác qua email

Tìm kiếm trang web

Tương tác nội dung, chẳng hạn như tham dự hội thảo trên web, tải xuống sách điện tử hoặc xem video

Khi gán cho mỗi hành động một giá trị điểm, hãy chỉ định số điểm cao nhất cho những hành động ngụ ý ý định mua hàng (ví dụ: truy cập trang sản phẩm) và điểm tiêu cực cho những hành động tiết lộ ý định không mua hàng (ví dụ: xem tin tuyển dụng trên trang web của bạn ). Điều này có thể giúp ưu tiên tiếp cận những khách hàng tiềm năng có nhiều khả năng chuyển đổi thành khách hàng nhất, có khả năng tiết kiệm thời gian và tiền bạc cho tổ chức của bạn.

3. Content Curation: Algorithmic Recommendations

Nếu bạn đã từng sử dụng một mạng xã hội hoặc ứng dụng hẹn hò, bạn có thể đã trực tiếp trải nghiệm các Prescriptive analytics thông qua các đề xuất nội dung thuật toán.

Thuật toán của doanh nghiệp thu thập dữ liệu dựa trên lịch sử tương tác của bạn trên nền tảng của họ (và có thể cả những nền tảng khác). Sự kết hợp các hành vi trước đây của bạn có thể đóng vai trò là tác nhân kích hoạt thuật toán đưa ra đề xuất cụ thể. Ví dụ: nếu bạn thường xuyên xem video đánh giá giày trên YouTube, thuật toán của nền tảng có thể sẽ phân tích dữ liệu đó và khuyên bạn nên xem nhiều hơn cùng loại video hoặc nội dung tương tự mà bạn có thể thấy thú vị.

Trên mạng xã hội, nguồn cấp dữ liệu “Dành cho bạn” của TikTok là một ví dụ về hoạt động phân tích theo quy định. Trang web của công ty giải thích rằng các tương tác của người dùng trên ứng dụng, giống như việc ghi điểm trong doanh số bán hàng, được tính trọng số dựa trên dấu hiệu quan tâm.

“Ví dụ”, trang web của TikTok cho biết, “nếu bạn xem hết một video, đó là dấu hiệu mạnh mẽ cho thấy bạn quan tâm. Sau đó, các video được xếp hạng để xác định khả năng bạn quan tâm đến từng video và được gửi tới từng nguồn cấp dữ liệu ‘Dành cho bạn’ duy nhất.”

Trường hợp sử dụng phân tích theo quy định này có thể giúp tỷ lệ tương tác của khách hàng cao hơn, mức độ hài lòng của khách hàng tăng lên và khả năng nhắm mục tiêu lại khách hàng bằng quảng cáo dựa trên lịch sử hành vi của họ.

4. Banking: Fraud Detection

Bài toán prescriptive analytics ở đây là phát hiện và gắng nhãn gian lận ngân hàng.

Với khối lượng dữ liệu khổng lồ được lưu trữ trong hệ thống của ngân hàng, một người gần như không thể phát hiện thủ công bất kỳ hoạt động đáng ngờ nào trong một tài khoản. Một thuật toán—được đào tạo bằng cách sử dụng dữ liệu giao dịch lịch sử của khách hàng—phân tích và quét dữ liệu giao dịch mới để tìm những điểm bất thường. Ví dụ: có lẽ bạn thường chi 3.000 đô la mỗi tháng, nhưng tháng này, thẻ tín dụng của bạn bị tính phí 30.000 đô la.

Thuật toán phân tích các mẫu trong dữ liệu giao dịch của bạn, cảnh báo ngân hàng và đưa ra hướng hành động được đề xuất. Trong ví dụ này, hành động có thể là hủy thẻ tín dụng vì nó có thể đã bị đánh cắp.

5. Product Management: Development and Improvement

Prescriptive analytics cũng có thể cung cấp thông tin cho việc phát triển và cải tiến sản phẩm. Người quản lý sản phẩm có thể thu thập dữ liệu người dùng bằng cách khảo sát khách hàng, chạy thử nghiệm phiên bản beta của sản phẩm, tiến hành nghiên cứu thị trường với những người hiện không phải là người dùng sản phẩm và thu thập dữ liệu hành vi khi người dùng hiện tại tương tác. Tất cả dữ liệu này có thể được phân tích—theo cách thủ công hoặc bằng thuật toán—để xác định xu hướng, khám phá lý do của những xu hướng đó và dự đoán liệu các xu hướng được dự đoán có tái diễn hay không.

Phân tích theo quy định có thể giúp xác định những tính năng nào nên đưa vào hoặc loại bỏ khỏi sản phẩm và những tính năng nào cần thay đổi để đảm bảo trải nghiệm người dùng tối ưu.

6. Marketing: Email Automation

Tự động hóa email là một ví dụ rõ ràng về phân tích theo quy định tại nơi làm việc. Các nhà tiếp thị sử dụng tính năng tự động hóa email để sắp xếp khách hàng tiềm năng thành các danh mục dựa trên động lực, suy nghĩ và ý định của họ, đồng thời gửi nội dung email cho họ dựa trên các danh mục đó. Mọi tương tác của khách hàng tiềm năng với email đều có thể xếp họ vào danh mục khác, dẫn đến kích hoạt một nhóm thông báo khác.

Mặc dù đây chỉ là phân tích quy định theo thuật toán thuần túy, nhưng một người nên lập kế hoạch, tạo và giám sát các luồng tự động hóa. Tự động hóa email cho phép các công ty cung cấp tin nhắn được cá nhân hóa trên quy mô lớn và tăng cơ hội chuyển đổi khách hàng tiềm năng thành khách hàng bằng cách sử dụng nội dung phù hợp với động cơ và nhu cầu của họ.

Sáu bước cơ bản bắt đầu một dự án Data Analytics

Bước 0 : Prepair - Chuẩn bị

• Kiến thức ngành

• Sản phẩm như thế nào

• Khách hàng là ai (who)

• Khái niệm đặc thù

Bước 1: Define analytics requirement - Tìm ra các câu hỏi cần trả lời

• Câu hỏi được đưa ra từ các bộ phận trong công ty

• Câu hỏi được đưa ra từ chính bạn trong quá trình các bạn làm việc trong công ty

Bước 2: Collecting data

Nắm rõ dữ liệu mình đang có

Nắm rõ data mình có thể lấy được từ

Data Engineer

Data analytics lead

Data sciencetist

Từ những người có kiến thức liên quan tới data mình cần thu thập

Bước 3: Clearning data

Xử lý dữ liệu rỗng

Xử lý outliers

Xử lý giá trị sai lệch

Đưa các giá trị số về cùng 1 range khi có sự chênh lệch quá lớn

Bước 4: Analyzing data

Sử dụng các mô hình

Segmentation -> clustering

Predict prices -> time series

Khách hàng tiềm ẩn -> classification

Đánh giá campain -> A/B testing

Bước 5: Presenting Report

Tạo các Reporting cho ban giám đốc và các đối tượng liên quan

Thu nhận các góp ý

Quay lại bước 0 để chỉnh sửa

Các bài toán thông dụng nhất của DA

Có 3 bài toàn thông dụng nhất, mình chỉ liệt kê tóm tắt, do mỗi mục là một chủ đề siêu to khổng lồ và có thể được tiếp tục trình bày ở các bài viết tiếp theo

Đo lường tác động của thay đổi so với hiện tại ( Quan trọng nhất)

Sự thay đổi về sản phẩm

Sự thay đổi về sáng kiến

Sử dụng A/B testing

A lấy 1 tập nhỏ để cải tiến, gọi là A

B là phần cũ, lúc chưa thay đổi

Dự báo ( Quan trọng)

Sử dụng trong tài chính, marketing

Dự báo doanh thu của quý

Dự báo doanh thu của năm

Dự đoán giá cổ phiếu , giá vàng, sức mua ….

Sử dụng mô hình time series

Phân tích khách hàng

Nhận dạng khách hàng ( Quan trọng nhất)

Customer segmentation

Customer profiling

Sử dụng thuật toán clustering

Sử dụng mô hình RFM

Các bạn có thể xem ví dụ trong bài viết này của mình về mô hình RFM

https://www.phamduytung.com/blog/2022-12-03-marketing-with-python/

Cross selling

Tìm khách hàng tiềm năng sẽ mua hàng

Customer propensity model

Sử dụng logistic regression

Customer journey

Phân tích phễu khách hàng

tìm hiểu lộ trình của khách hàng

Funnel analysis

Basket analytics

Phân tích giỏ hàng

Một khách hàng sẽ nhiều khả năng mua một loại hàng nào tiếp theo thì sử dụng Basket analytics

Luật kết hợp

Đo lường thời hạn tác động của một cải tiến / sale

Survival analytics

Cảm ơn các bạn đã theo dõi bài viết, hẹn gặp lại ở các bài viết tiếp theo

Tài liệu tham khảo

https://online.hbs.edu/blog/post/descriptive-analytics

https://online.hbs.edu/blog/post/diagnostic-analytics

Khoá học nên học

https://www.coursera.org/specializations/statistical-inference-for-data-science-applications