Chuyển hóa dữ liệu thành thông tin diễn ra như thế nào?

Trong hoạt động kinh tế, giá trị của chuỗi này nằm ở khả năng giảm bất định. Một doanh nghiệp không cần biết mọi thứ có trong dữ liệu; họ cần biết điều gì đang thay đổi, vì sao sự thay đổi đó đáng chú ý, mức độ tin cậy đến đâu và quyết định nào nên được cân nhắc. Cùng một tập dữ liệu vì thế có thể tạo ra các thông tin khác nhau nếu mục tiêu, thời điểm, đơn vị phân tích hoặc chuẩn so sánh thay đổi.

Điểm bắt đầu của chuyển hóa dữ liệu thành thông tin là mục tiêu sử dụng

Dữ liệu không tự mang một ý nghĩa kinh tế hoàn chỉnh. Một bản ghi doanh thu, số lượng tồn kho hay thời gian giao hàng mới chỉ mô tả một quan sát. Để trở thành thông tin, quan sát đó phải được đặt trong một câu hỏi: doanh thu giảm ở đâu, tồn kho có vượt nhu cầu hay không, chi phí vận chuyển tăng vì khối lượng hay vì đơn giá, hoặc chiến dịch bán hàng có cải thiện lợi nhuận thực sự không.

Mục tiêu sử dụng chi phối phần còn lại của quá trình. Nó xác định biến nào cần giữ, khoảng thời gian nào cần so sánh, mức chi tiết nào là đủ, đơn vị đo nào phải thống nhất và kết quả nào được xem là có ý nghĩa. Nếu câu hỏi là quản trị tồn kho tuần tới, dữ liệu cập nhật theo quý dù chính xác vẫn có thể không phù hợp. Nếu câu hỏi là đánh giá lợi nhuận theo sản phẩm, doanh thu tổng toàn công ty lại quá thô để hỗ trợ kết luận.

Vì thế, lượng dữ liệu tăng không bảo đảm lượng thông tin tăng. Cùng một nguồn dữ liệu có thể phục vụ nhiều câu hỏi khác nhau, nhưng mỗi câu hỏi đòi hỏi cách chọn biến, xử lý và diễn giải riêng.

Làm sạch và chuẩn hóa tạo đầu vào đủ tin cậy để phân tích

Sau khi xác định câu hỏi, dữ liệu cần được kiểm tra trước khi dùng. Các lỗi phổ biến gồm bản ghi trùng, mã sản phẩm không thống nhất, ngày tháng sai định dạng, đơn vị tiền tệ khác nhau, giá trị thiếu hoặc các con số vượt phạm vi hợp lý. Nếu các bất nhất này đi thẳng vào bước phân tích, kết quả có thể chính xác về mặt tính toán nhưng sai về mặt thực tế.

Làm sạch và chuẩn hóa xử lý vấn đề đó bằng cách kiểm tra tính hợp lệ, loại hoặc hợp nhất bản ghi trùng, thống nhất mã và đơn vị, xử lý giá trị thiếu theo quy tắc phù hợp, rồi xác nhận dữ liệu sau chỉnh sửa vẫn nhất quán với nguồn. Trong GSBPM của UNECE, pha Process bao gồm các công việc như tích hợp, phân loại, kiểm tra và xác thực, chỉnh sửa hoặc bù dữ liệu thiếu trước khi dữ liệu được đưa sang phân tích.

Tuy nhiên, làm sạch không “biến” dữ liệu thành thông tin theo nghĩa đầy đủ. Nó chỉ làm cho dữ liệu đáng tin cậy hơn để tiếp tục xử lý. Nếu một biến quan trọng chưa từng được thu thập, không có thao tác làm sạch nào có thể tái tạo nó một cách chắc chắn. Ngược lại, sửa dữ liệu quá mạnh hoặc áp quy tắc loại ngoại lệ thiếu căn cứ có thể xóa mất chính tín hiệu kinh tế cần quan sát.

Ví dụ, khi hợp nhất doanh thu từ nhiều chi nhánh, việc thống nhất tiền tệ, mã hàng và múi thời gian là cần thiết trước khi so sánh. Nhưng sau khi chuẩn hóa xong, doanh nghiệp vẫn chưa biết chi nhánh nào hoạt động tốt hay vì sao doanh thu biến động. Dữ liệu lúc này chỉ mới đủ điều kiện để đi vào bước tạo cấu trúc và phân tích.

Tích hợp, cấu trúc và tổng hợp biến dữ liệu rời rạc thành tín hiệu có thể quan sát

Dữ liệu kinh tế thường nằm ở nhiều bảng hoặc nhiều nguồn: giao dịch bán hàng, giá vốn, tồn kho, khách hàng, kênh bán và thời gian. Muốn nhìn thấy một hiện tượng, các nguồn này phải được liên kết bằng khóa chung, phân loại theo cùng hệ thống mã và tổ chức thành những biến có thể so sánh. Đây là bước biến hàng loạt bản ghi rời rạc thành một cấu trúc mà con người hoặc hệ thống phân tích có thể đọc được.

Sau tích hợp, dữ liệu thường được tạo thêm biến dẫn xuất và tổng hợp. Từng dòng hóa đơn có thể được chuyển thành doanh thu thuần, biên lợi nhuận, số đơn hàng, giá trị đơn trung bình hoặc doanh thu theo sản phẩm, khu vực và tuần. GSBPM cũng tách các hoạt động tích hợp dữ liệu, tạo biến dẫn xuất và tính tổng hợp thành những công đoạn riêng trong pha Process.

Điểm đánh đổi nằm ở mức độ tổng hợp. Tổng hợp giúp thấy xu hướng nhưng đồng thời làm mất chi tiết. Doanh thu toàn công ty có thể ổn định trong khi một nhóm sản phẩm giảm mạnh và nhóm khác tăng tương ứng. Vì vậy, mức tổng hợp phải phù hợp với câu hỏi kinh tế. Quá chi tiết khiến nhiễu che tín hiệu; quá khái quát lại che mất khác biệt có ý nghĩa.

Do đó, một bảng tổng hợp hay dashboard chưa tự động là thông tin hoàn chỉnh. Nó là lớp trung gian: dữ liệu đã được tổ chức thành các chỉ tiêu và chiều phân tích. Muốn biết chỉ tiêu đó nói lên điều gì, bước tiếp theo phải kiểm tra mẫu, quan hệ và chênh lệch trong dữ liệu.

Phân tích biến tín hiệu thành kết quả về mẫu, quan hệ và chênh lệch

Phân tích khác xử lý ở mục tiêu. Xử lý làm dữ liệu nhất quán và có cấu trúc; phân tích dùng cấu trúc đó để trả lời câu hỏi. Các thao tác có thể là so sánh theo thời gian, đối chiếu giữa nhóm, phân rã một chỉ tiêu, đo mức biến động, kiểm tra mối liên hệ giữa các biến hoặc ước lượng mức độ khác biệt so với một mốc tham chiếu.

Giả sử doanh thu tháng này thấp hơn tháng trước. Phân tích sẽ tách thay đổi theo số lượng bán, giá bán bình quân, nhóm sản phẩm, khu vực hoặc kênh để xác định phần nào tạo ra biến động. Nếu mức giảm tập trung ở một nhóm sản phẩm trong một khu vực, kết quả phân tích đã chứa nhiều giá trị nhận thức hơn so với một con số doanh thu tổng.

OECD chỉ ra rằng các insight thu được từ xử lý và phân tích dữ liệu có thể làm lộ rõ các mẫu và quan hệ, qua đó hỗ trợ quyết định dựa trên bằng chứng. Tuy nhiên, “phát hiện quan hệ” không đồng nghĩa với chứng minh nguyên nhân. Hai biến cùng thay đổi có thể do một yếu tố thứ ba, do cách chọn mẫu hoặc do thời điểm quan sát.

Đây là chỗ cần tránh một hiểu nhầm khác: phân tích không hoàn toàn khách quan chỉ vì có công thức. Việc chọn biến, mốc so sánh, khoảng thời gian, cách nhóm dữ liệu và tiêu chí loại ngoại lệ đều có thể thay đổi kết quả. Phân tích tạo ra bằng chứng có cấu trúc; nó chưa tự quyết định kết luận kinh tế cuối cùng.

Diễn giải đặt kết quả phân tích vào bối cảnh để tạo ra thông tin

Bước tạo nghĩa rõ nhất là diễn giải. Một kết quả phân tích chỉ nói “điều gì được quan sát”; diễn giải nối kết quả đó với câu hỏi ban đầu, bối cảnh vận hành, thời điểm, chuẩn so sánh và mức độ chắc chắn để trả lời “điều này có ý nghĩa gì”. GSBPM dành riêng một công đoạn “Interpret and explain outputs”, trong đó kết quả được xem xét để hiểu ý nghĩa, giải thích chúng và đánh giá so với kỳ vọng ban đầu.

Ví dụ minh họa: giả sử doanh thu giảm 8%. Nếu chỉ dừng ở con số này, người quản lý chưa biết nên làm gì. Khi phân tích cho thấy mức giảm tập trung ở nhóm sản phẩm A, số lượng bán gần như không đổi nhưng giá bán bình quân giảm trong thời gian chương trình khuyến mãi, thông tin trở nên cụ thể hơn: biến động doanh thu chủ yếu đến từ yếu tố giá ở một nhóm sản phẩm, không phải từ suy giảm nhu cầu trên toàn bộ danh mục. Chính việc liên kết kết quả với bối cảnh làm phát sinh ý nghĩa phục vụ quyết định.

Diễn giải cũng phải phân biệt ba lớp: quan sát, suy luận và giả thuyết. “Doanh thu nhóm A giảm” là quan sát; “giá bán bình quân thấp hơn là yếu tố đóng góp lớn” là suy luận nếu có phân rã phù hợp; “khách hàng đang mất hứng thú với sản phẩm” chỉ là giả thuyết nếu chưa có bằng chứng bổ sung. Việc trộn lẫn ba lớp này làm thông tin có vẻ chắc chắn hơn mức dữ liệu cho phép.

Vì vậy, dữ liệu thực sự trở thành thông tin khi kết quả đã có ngữ cảnh, liên quan tới mục tiêu và được diễn giải trong giới hạn bằng chứng. Biểu đồ có thể giúp nhìn nhanh hơn, nhưng bản thân hình thức trình bày không tạo thêm ý nghĩa nếu người đọc chưa biết tín hiệu nào đáng chú ý và vì sao.

Chất lượng và giới hạn quyết định mức độ đáng tin của thông tin

Một chuỗi xử lý đúng kỹ thuật vẫn có thể tạo ra thông tin kém nếu dữ liệu đầu vào không phù hợp với mục đích. ISO/IEC 25012 đưa ra mô hình chất lượng dữ liệu có thể dùng để xác lập yêu cầu, xây dựng thước đo và đánh giá chất lượng dữ liệu trong những điều kiện sử dụng cụ thể.

Trong thực hành thống kê chính thức của Liên Hợp Quốc, các chiều chất lượng sản phẩm được xem xét gồm mức độ phù hợp với nhu cầu, độ chính xác và tin cậy, tính kịp thời, khả năng tiếp cận và rõ ràng, cùng tính nhất quán và khả năng so sánh. Những chiều này cho thấy vì sao không có một chỉ số duy nhất quyết định dữ liệu “tốt” hay “xấu”. Một tập dữ liệu có thể rất chính xác nhưng quá chậm cho quyết định vận hành; dữ liệu rất chi tiết nhưng không nhất quán giữa các chi nhánh cũng khó tạo ra thông tin so sánh đáng tin.

Ngoài chất lượng đầu vào, giới hạn còn đến từ giả định phân tích. Một kết luận có thể chỉ đúng trong khoảng thời gian, nhóm khách hàng hoặc điều kiện thị trường đã quan sát. Nếu dữ liệu thiếu các giao dịch hoàn tiền, một chỉ tiêu doanh thu có thể bị thổi phồng. Nếu công ty thay đổi cách ghi nhận đơn hàng giữa hai kỳ, mức tăng trưởng có thể phản ánh thay đổi quy trình dữ liệu chứ không phản ánh thay đổi kinh tế thực.

Do đó, không có ngưỡng chất lượng phổ quát áp dụng cho mọi bài toán kinh tế. Mức đủ dùng phụ thuộc vào hậu quả của quyết định. Quyết định chiến lược dài hạn có thể chấp nhận dữ liệu cập nhật chậm hơn nhưng cần tính so sánh cao; quyết định tồn kho ngắn hạn lại ưu tiên tính kịp thời. Thông tin đáng tin không phải thông tin “hoàn hảo”, mà là thông tin có chất lượng phù hợp với mục tiêu và có giới hạn được nói rõ.

Thông tin tạo giá trị kinh tế khi được chuyển thành quyết định và vòng phản hồi

Thông tin chỉ tạo giá trị kinh tế khi nó làm thay đổi cách lựa chọn nguồn lực, hành động hoặc kiểm soát rủi ro. OECD xem việc khai thác insight từ dữ liệu là một cơ chế có thể cải thiện quyết định, đổi mới, năng suất và hiệu quả sử dụng nguồn lực. Ở cấp doanh nghiệp, cơ chế này rất cụ thể: thông tin về nhu cầu ảnh hưởng kế hoạch tồn kho; thông tin về biên lợi nhuận ảnh hưởng giá bán; thông tin về thời gian giao hàng ảnh hưởng lựa chọn nhà vận chuyển.

Tuy vậy, thông tin không tự ra quyết định. Người quản lý vẫn phải cân nhắc mục tiêu, ngân sách, năng lực vận hành, chi phí cơ hội và rủi ro. Hai doanh nghiệp có thể nhận cùng một thông tin nhưng chọn hành động khác vì ràng buộc khác nhau. Đây là ranh giới giữa phân tích dữ liệu và quản trị: phân tích làm rõ lựa chọn và mức độ bất định, còn trách nhiệm ra quyết định vẫn thuộc về người hoặc cơ chế quản trị được giao quyền.

Chuỗi chuyển hóa cũng không kết thúc ở quyết định. Sau hành động, kết quả thực tế tạo ra dữ liệu mới để kiểm chứng giả định ban đầu. Nếu doanh nghiệp nhận thấy giảm giá làm tăng số lượng bán nhưng giảm biên lợi nhuận, họ có thể thử chính sách ở một nhóm sản phẩm, đo phản ứng rồi cập nhật cách phân tích và ngưỡng quyết định. GSBPM cũng có pha Evaluate để tổng hợp đầu vào đánh giá, xác định điểm cần cải thiện và đưa kết quả đó vào những vòng xử lý tiếp theo.

Nhìn theo cách này, chuyển hóa dữ liệu thành thông tin là một vòng học hỏi chứ không phải dây chuyền một chiều. Dữ liệu được làm sạch và cấu trúc để phân tích; kết quả được diễn giải thành thông tin; thông tin hỗ trợ hành động; kết quả của hành động quay lại cải thiện dữ liệu, giả định và cách ra quyết định. Giá trị kinh tế xuất hiện khi vòng lặp đó giúp giảm bất định và nâng chất lượng lựa chọn, chứ không đơn giản vì tổ chức sở hữu nhiều dữ liệu hơn.

Chuyển hóa dữ liệu thành thông tin diễn ra qua nhiều lớp nối tiếp: xác định mục tiêu sử dụng, kiểm soát chất lượng, tích hợp và tổng hợp, phân tích mẫu hoặc quan hệ, rồi diễn giải kết quả trong đúng bối cảnh. Xử lý làm dữ liệu đáng tin hơn, phân tích tạo ra kết quả có cấu trúc, còn diễn giải mới gắn kết quả với ý nghĩa và mục tiêu kinh tế.

Thông tin chỉ có giá trị khi phù hợp với quyết định cần đưa ra, đủ kịp thời và đáng tin trong giới hạn của dữ liệu. Vì thế, một tổ chức thực sự khai thác dữ liệu hiệu quả không dừng ở dashboard hay báo cáo; họ dùng thông tin để hành động, đo kết quả và đưa dữ liệu mới trở lại vòng phân tích tiếp theo.