Tag: Data Analytics

Các loại thông tin cần thiết trong một doanh nghiệp hiệu quả

Bài viết này mô tả các loại dữ liệu khác nhau mà một doanh nghiệp hiệu quả cần. Các loại dữ liệu doanh nghiệp mà chúng ta sẽ thảo luận bao gồm: dữ liệu chiến lược (strategic data), dữ liệu chiến thuật (tactical data), dữ liệu lịch sử (historical data), và dữ liệu giao dịch (transactional data).

  • Dữ liệu chiến lược là loại dữ liệu được sử dụng bởi ban lãnh đạo cấp cao để đưa ra các quyết định và cần thiết cho việc lập kế hoạch dài hạn. Loại dữ liệu này có thể bao gồm thông tin như môi trường kinh doanh, dự báo kinh doanh, dự báo doanh số, dự báo nhà cung cấp và các loại thông tin khác ảnh hưởng đến toàn bộ doanh nghiệp, giúp đưa ra những quyết định có tác động sâu rộng. Loại dữ liệu này liên quan đến các quyết định có tầm nhìn xa, từ 1 năm, 5 năm, đến 10 hoặc 20 năm. Khi doanh nghiệp có thể đưa ra quyết định dựa trên loại dữ liệu này, họ có thể thiết lập các mục tiêu chiến thuật, dẫn đến phần tiếp theo: dữ liệu chiến thuật.
  • Dữ liệu chiến thuật là loại dữ liệu được các nhà quản lý sử dụng để vận hành doanh nghiệp hàng ngày. Dữ liệu này cần thiết để đạt được các mục tiêu ngắn hạn, được đặt ra nhằm giúp doanh nghiệp từng bước tiến tới các mục tiêu dài hạn. Nó có thể bao gồm dữ liệu ở cấp độ đơn vị hoặc nhóm, chẳng hạn như dữ liệu chỉ liên quan đến nhóm tiếp thị hoặc đơn vị bán sản phẩm cụ thể.
  • Dữ liệu lịch sử bao gồm tất cả các dữ liệu chiến lược và chiến thuật trong quá khứ. Loại dữ liệu này cần thiết để hiểu xu hướng và thiết lập các tiêu chuẩn. Ví dụ, làm sao bạn biết mình đang nhận được một mức giá tốt nếu không biết dữ liệu lịch sử về giá mà nhà cung cấp đã từng cung cấp? Hoặc làm sao bạn biết giá thuê bất động sản hợp lý nếu không biết giá thị trường trước đây? Dữ liệu lịch sử cũng rất quan trọng để hiểu doanh nghiệp đã ở đâu, từ đó đưa ra quyết định tốt hơn về nơi doanh nghiệp sẽ đi tới.
  • Dữ liệu giao dịch là dữ liệu mô tả một sự kiện hoặc giao dịch xảy ra trong quá trình vận hành doanh nghiệp. Tất cả mọi thứ liên quan đến hoạt động kinh doanh, từ việc lập hóa đơn cho khách hàng, trả lương cho nhân viên, đến số lượng hàng tồn kho, đều thuộc loại dữ liệu này. Nếu bạn có một doanh nghiệp với hàng tồn kho vật lý, dữ liệu giao dịch bao gồm cả số lượng tồn kho. Dữ liệu này không chỉ hữu ích làm tham chiếu để đưa ra các quyết định trong tương lai, mà còn cần thiết cho các mục đích báo cáo tài chính và thuế.

Trên đây các loại dữ liệu khác nhau mà một doanh nghiệp hiệu quả cần.

Bạn đọc có thể đọc thêm bài Phân loại thông tin.

Các trang web và tài nguyên cho dữ liệu mở

May mắn cho các nhà phân tích dữ liệu là có rất nhiều trang web và tài nguyên đáng tin cậy sẵn có cho dữ liệu mở. Cần lưu ý là ngay cả dữ liệu có uy tín cũng cần được đánh giá liên tục, nhưng những trang web sau vẫn là những nguồn dữ liệu khởi đầu hữu ích:

Trang dữ liệu của Chính phủ Mỹ: Data.gov là một trong những nguồn dữ liệu toàn diện nhất ở nước Mỹ. Tài nguyên này cung cấp cho người dùng dữ liệu và công cụ cần thiết để thực hiện nghiên cứu, thậm chí còn giúp họ phát triển các ứng dụng web và di động cũng như thiết kế trực quan hóa dữ liệu. 

Cục điều tra dân số Mỹ (U.S. Census Bureau): Nguồn dữ liệu mở này cung cấp thông tin nhân khẩu học từ chính quyền liên bang, tiểu bang và địa phương cũng như các tổ chức thương mại ở nước Mỹ.

Open Data Network: Nguồn dữ liệu này có một công cụ tìm kiếm thực sự mạnh mẽ và các bộ lọc nâng cao. Tại đây, bạn có thể tìm thấy dữ liệu về các chủ đề như tài chính, an toàn công cộng, cơ sở hạ tầng, nhà ở và phát triển.

Google Cloud Public Datasets: Có một số bộ dữ liệu công khai có sẵn thông qua Chương trình bộ dữ liệu công khai trên đám mây của Google mà bạn có thể thấy là đã được tải vào BigQuery.  

Dataset Search: Dataset Search là một công cụ tìm kiếm được thiết kế dành riêng cho các tập dữ liệu; bạn có thể sử dụng công cụ này để tìm kiếm các tập dữ liệu cụ thể.

8 GIAI ĐOẠN TRONG VÒNG ĐỜI DỮ LIỆU

Không có hai dự án dữ liệu nào giống hệt nhau. Tuy nhiên các dự án dữ liệu có xu hướng tuân theo cùng một chu trình.

Subscribe to continue reading

Subscribe to get access to the rest of this post and other subscriber-only content.

4 VÍ DỤ VỀ PHÂN TÍCH KINH DOANH TRONG THỰC TẾ

Bài viết này về một số ứng dụng gần đây của phân tích dữ liệu trong thế giới kinh doanh. Bài viết hé lộ cách thức các tập đoàn sử dụng các hiểu biết từ dữ liệu để tối ưu quá trình ra quyết định của họ.

Subscribe to continue reading

Subscribe to get access to the rest of this post and other subscriber-only content.

Các khóa học về phân tích dữ liệu

Dưới đây là một số khóa học về phân tích dữ liệu, khoa học dữ liệu. Danh sách này sẽ luôn được tác giả cập nhật. Bạn đọc có thông tin về khóa học khác có thể cung cấp cho tác giả để cập nhật cho đông đảo bạn đọc khác tham khảo.

Coursera:

Foundations: Data, Data, Everywhere, Google. Đây là khóa học nền tảng cho chuỗi các khóa học về phân tích dữ liệu (professional certificate) của Google trên Coursera.

Chuỗi khóa học về Data analytics của IBM.

Khóa học Giới thiệu về Khoa học dữ liệu của IBM.

Chuỗi khóa học chuyên gia khoa học dữ liệu (professional certificate) của IBM.

Data Science Fundamentals with Python and SQL Specialization (gồm 5 khóa học cung cấp bởi IBM).

Survey Data Collection and Analytics Specialization (gồm 7 khóa học cung cấp bởi ĐH Michigan & ĐH Maryland, College Park).

Others:

Introduction to Business Analytics, Harvard Business School.

Phân biệt Data Analytics với Data Analysis

Data Analytics và Data Analysis đều có thể dịch là “Phân tích dữ liệu”. Tuy nhiên về “kỹ thuật” thì Analytics khác với Analysis.

Data Analytics và Data Analysis đều có thể dịch là “Phân tích dữ liệu”. Tuy nhiên về “kỹ thuật” thì Analytics khác với Analysis.

Theo định nghĩa trong từ điển:

Analysis – detailed examination of the elements or structure of something: kiểm tra chi tiết các yếu tố hoặc cấu trúc của một cái gì đó

Analytics – the systematic computational analysis of data or statistics: phân tích tính toán có hệ thống về dữ liệu hoặc thống kê

Như vậy Analysis có thể thực hiện mà không cần dữ liệu hay con số, ví dụ phân tích kinh doanh (business analysis) hay phân tích tâm lý (psycho analysis); còn Analytics, ngay cả không có từ “data” đứng đằng trước cũng hầu như luôn luôn ngụ ý việc sử dụng dữ liệu để thực hiện các thao tác tính toán và suy luận số.

Một số chuyên gia thậm chí còn nói rằng Data Analysis dựa trên các suy luận dựa trên dữ liệu lịch sử, trong khi Data Analytics là để dự đoán hiệu suất trong tương lai.