Data Science Là Gì? Khái Niệm, Quy Trình Và Vai Trò Trong Doanh Nghiệp

Chủ shop online và hai tiếng đoán mỗi sáng

Chị Uyên bán mỹ phẩm trên Shopee được ba năm. Mỗi sáng chị mở điện thoại, lướt qua đơn hàng hôm qua rồi tự hỏi: hôm nay chạy quảng cáo mặt hàng nào? Giảm giá 15% hay 30%? Đẩy son hay kem chống nắng? Câu trả lời thường là cảm tính — và mỗi lần đoán sai, chị mất vài triệu tiền quảng cáo.

Khi bắt đầu áp dụng data science, mỗi buổi sáng chị nhận một gợi ý kiểu: "Khung 11–13h khách hay đặt son dưỡng, giá tốt nhất để chạy ads là 18%, tỷ lệ chốt đơn kỳ vọng 4,2%". Không phải phép màu. Đơn giản là máy đã đọc hết dữ liệu bán hàng, dữ liệu quảng cáo, dữ liệu khách hàng — rồi gợi ý hành động dựa trên các mẫu đã học. Data science, nói gọn, là cách để ra quyết định kinh doanh bằng dữ liệu thay vì cảm tính.

Data science không phải phép màu AI. Đó là quy trình biến đống dữ liệu thành một quyết định cụ thể mà ngày mai bạn có thể làm khác đi.

Data science là gì, nói thật dễ hiểu

Nhiều bài viết tiếng Việt mở đầu bằng cụm từ "machine learning, deep learning, trí tuệ nhân tạo" ngay câu đầu tiên. Người mới đọc xong thường gật gù rồi… đóng tab. Vậy thử bắt đầu từ đời thường: data science là khoa học để biến đống dữ liệu thành quyết định kinh doanh — biết nên làm gì, nên bỏ gì, nên đầu tư vào đâu.

Theo cách hiểu phổ biến trong giới kỹ thuật, khái niệm data science là một lĩnh vực liên ngành, kết hợp thống kê, lập trình và hiểu biết kinh doanh để khai thác thông tin có giá trị từ dữ liệu [S5][S6]. Nói đơn giản hơn, nó gồm ba lớp:

• Lớp 1 — Thu thập dữ liệu: gom lại mọi thứ có thể ghi lại được, từ đơn hàng, lượt truy cập, tin nhắn khách, đến cảm xúc khách hàng qua khảo sát.
• Lớp 2 — Tìm mẫu ẩn (pattern): phát hiện những quy luật mắt thường không thấy. Ví dụ: app gọi đồ ăn nhận ra 11h–13h khung giờ đặt cơm văn phòng tăng vọt, còn 17h–19h chuyển sang món gia đình. Mẫu này không nhìn ra nếu chỉ xem một ngày, nhưng nhìn 6 tháng dữ liệu thì rất rõ.
• Lớp 3 — Dự đoán và gợi ý hành động: dựa trên mẫu, máy đoán được điều sắp xảy ra hoặc gợi ý nên làm gì. App đồ ăn sẽ tự đẩy khuyến mãi cơm văn phòng trước 10h30 để trúng khung giờ cao điểm.

Một điểm quan trọng: data science không phải chỉ là AI hay machine learning (gọi tắt là ML — nghĩa là "máy tự học mẫu từ dữ liệu cũ"). AI/ML chỉ là một công cụ trong lớp 2 và lớp 3. Nhiều bài toán data science được giải bằng thống kê truyền thống, thậm chí bằng một file Excel gọn gàng — không cần "AI" nào cả.

Quy trình data science từ A–Z

Khi nghe đến "quy trình", nhiều người tưởng là một chuỗi kỹ thuật phức tạp. Thật ra quy trình data science bắt đầu từ một câu hỏi kinh doanh, đi qua dữ liệu, và kết thúc bằng một quyết định có thể đo lường được. Dưới đây là sáu bước thường gặp, diễn đạt theo ngôn ngữ đời thường:

Bước 1 — Xác định bài toán kinh doanh

Trước khi đụng vào dữ liệu, phải trả lời: mình muốn biết điều gì, để ra quyết định gì? Một cửa hàng tạp hóa online có thể hỏi: "Tháng tới nên đẩy mặt hàng nào để không bị tồn kho?". Một quán cà phê hỏi: "Giờ nào nên chạy voucher để kéo thêm khách mà không phá giá?". Câu hỏi rõ thì phần còn lại mới đi đúng hướng. Bạn có thể tìm hiểu sâu hơn ở bài viết về bước Business Understanding trong chuỗi methodology.

Bước 2 — Thu thập dữ liệu

Dữ liệu ở đây rất đời thường: đơn hàng từ sàn, lịch sử chat với khách, dữ liệu từ phần mềm quản lý bán hàng (POS), kết quả khảo sát nhỏ chạy trên Zalo. Với doanh nghiệp lớn hơn thì thêm dữ liệu từ CRM, website, app. Không phải lúc nào cũng cần "dữ liệu lớn" — quan trọng là dữ liệu đúng cho câu hỏi đang đặt ra.

Bước 3 — Làm sạch dữ liệu

Bước tưởng nhàm chán nhất nhưng lại tốn thời gian nhất. Khách nhập hai số điện thoại khác nhau, đơn hàng bị ghi trùng, đơn vị tiền tệ lúc triệu lúc nghìn, dòng dữ liệu thiếu ngày… Tất cả phải được chuẩn hóa trước khi phân tích. Quy trình này trong giới kỹ thuật gọi là ETL — gồm ba việc: rút dữ liệu từ nguồn (Extract), sửa và chuẩn hóa (Transform), rồi nạp vào nơi dùng (Load) [S5]. Bạn có thể đọc thêm về ETL là gì để hiểu rõ hơn.

Bước 4 — Phân tích và xây mô hình

Đến đây, máy mới bắt đầu "học" từ dữ liệu. Với bài toán dự đoán, người ta dùng mô hình ML — tức là cho máy xem dữ liệu quá khứ (ví dụ 12 tháng bán hàng) để máy đoán dữ liệu tương lai (tháng tới bán bao nhiêu, ai có khả năng mua). Với bài toán phân nhóm khách hàng, có thể dùng clustering (gom nhóm tự động) để tách ra nhóm khách VIP, nhóm chỉ mua khi sale, nhóm mua một lần rồi mất hút.

Thực tế, không phải mọi bài toán đều cần mô hình ML. Nhiều khi một biểu đồ trực quan gọn gàng đã đủ để ra quyết định.

Bước 5 — Triển khai và theo dõi

Mô hình đẹp mà không ai dùng thì bằng không. Kết quả phân tích cần được đưa về đúng chỗ cần ra quyết định: báo cáo gửi cho sếp, dashboard trên TV của phòng bán hàng, gợi ý hiện ngay trong app. Có thể tìm hiểu thêm về quy trình khai phá dữ liệu 7 bước để thấy cách triển khai tổng quát hơn.

Bước 6 — Đo lường kết quả kinh doanh

Bước cuối cùng và quan trọng nhất: kết quả data science có làm kinh doanh tốt hơn không? Doanh thu tăng bao nhiêu, tỷ lệ hủy đơn giảm bao nhiêu, khách quay lại nhiều hơn không. Không đo được thì coi như chưa xong.

Data science khác gì so với phân tích dữ liệu, BI và AI?

Bốn khái niệm này hay bị trộn lẫn. Nếu hiểu nhầm, doanh nghiệp dễ tuyển sai người hoặc đầu tư sai công cụ. Bảng dưới tóm lại bằng ngôn ngữ đời thường:

Vai trò / Lĩnh vực	Câu hỏi điển hình	Ví dụ dễ hiểu
Phân tích dữ liệu (Data Analyst)	Tháng trước bán bao nhiêu? Khách nào mua nhiều nhất?	Báo cáo doanh thu cuối tháng gửi sếp.
Business Intelligence (BI)	Có thể xem số liệu kinh doanh theo thời gian thực không?	Dashboard tự cập nhật, lọc theo chi nhánh, theo sản phẩm.
Data Science	Tháng tới sẽ bán bao nhiêu? Nên giảm giá mặt hàng nào?	Mô hình dự đoán nhu cầu, gợi ý mức giá tối ưu.
Trí tuệ nhân tạo (AI)	Có thể để máy tự ra quyết định theo thời gian thực không?	Chatbot tự trả lời khách, hệ thống tự duyệt giao dịch.

Nói ngắn gọn: Data Analyst nhìn lại quá khứ, BI để nhìn hiện tại theo thời gian thực, Data Science để dự đoán và gợi ý, còn AI để máy tự hành động. Một dự án thường đi theo thứ tự: phân tích dữ liệu → BI → Data Science → AI. Doanh nghiệp nhỏ thường chỉ cần đi đến bước BI là đủ để thấy hiệu quả rõ rệt [S6][S7]. Nếu muốn tìm hiểu tổng quan cả hành trình, bài viết mastering data science sẽ giúp bạn có cái nhìn mạch lạc hơn.

Data Analyst trả lời "đã xảy ra gì?". BI trả lời "đang xảy ra gì?". Data Science trả lời "sẽ xảy ra gì và nên làm gì?". AI để máy tự làm.

Vai trò data science trong doanh nghiệp — nhìn từ Việt Nam

Vai trò lý thuyết thì dễ thấy trong sách vở quốc tế, nhưng đọc thường khó hình dung. Dưới đây là năm ứng dụng thực tế mà doanh nghiệp Việt — từ shop online nhỏ đến công ty FMCG lớn — đang áp dụng hoặc có thể bắt đầu áp dụng.

1. Dự đoán nhu cầu và tối ưu khuyến mãi

Một nhà phân phối FMCG thường xuyên đối mặt với câu hỏi: "Tháng tới siêu thị nào cần bao nhiêu thùng nước giặt?". Data science giúp dự đoán theo mùa, theo khu vực, theo lịch khuyến mãi — để không vừa tồn kho vừa thiếu hàng.

2. Phân nhóm khách hàng để marketing đúng đối tượng

Shop thời trang có thể gom khách thành nhóm: mua theo mùa, mua khi sale, mua để làm quà. Mỗi nhóm có cách nhắn tin và mức giá phù hợp, thay vì gửi một mẫu quảng cáo cho tất cả.

3. Phát hiện gian lận

Trong tài chính, ngân hàng và ví điện tử dùng data science để phát hiện giao dịch bất thường — ví dụ tài khoản bình thường chi 200 nghìn mỗi ngày, bỗng chuyển 50 triệu lúc 2h sáng. Hệ thống sẽ cảnh báo và khóa tạm. Đây là một trong những ứng dụng phổ biến của Data science là gì trong lĩnh vực tài chính.

4. Tối ưu vận hành

App giao hàng có thể dự đoán khung giờ nào khu vực nào đơn nhiều, từ đó điều tài xế hợp lý, giảm thời gian chờ. Kho hàng có thể sắp xếp vị trí sản phẩm theo tần suất lấy, giảm thời gian nhân viên đi lại.

5. Cá nhân hoá trải nghiệm

Khi bạn mở app thương mại điện tử và thấy sản phẩm gợi ý đúng sở thích, đó là kết quả của mô hình gợi ý (recommender) — một nhánh data science. Ngay cả khi bạn xem phim trên app streaming, hệ thống cũng đang dự đoán phim bạn muốn xem tiếp theo.

Các ứng dụng kể trên phần lớn đã được nhắc đến trong giới thiệu của IBM, AWS hay các báo cáo ngành, nhưng số liệu cụ thể tại Việt Nam (tỷ lệ doanh nghiệp ứng dụng, mức đầu tư trung bình) hiện cần kiểm tra thêm từ báo cáo uy tín trước khi công bố.

Doanh nghiệp nhỏ có cần data science không?

Câu trả lời ngắn: chưa cần ngay, nhưng cần hiểu và chuẩn bị nền tảng. Đây cũng là góc nhìn mà bài viết data science là gì và quy trình cơ bản đã đề cập, theo hướng đo trước — ghi sau — rồi mới phân tích.

Phần lớn doanh nghiệp SME Việt Nam đang ở giai đoạn "có dữ liệu nhưng chưa dùng được nhiều". Trước khi nghĩ đến data science, hãy chuẩn bị ba việc sau:

• Thu thập dữ liệu sạch ngay từ hôm nay. Dùng Google Sheets hoặc một file Excel chuẩn để ghi lại đơn hàng, chi phí quảng cáo, phản hồi khách. Đừng đợi "có hệ thống xịn" mới bắt đầu ghi.
• Dùng công cụ BI miễn phí. Google Data Studio (Looker Studio), Power BI bản free, hoặc các dashboard có sẵn trong phần mềm bán hàng — đủ để nhìn ra xu hướng mà không tốn thêm nhân sự.
• Xác định bài toán kinh doanh cụ thể trước khi gọi "data science". Câu hỏi như "tăng doanh thu", "giảm tồn kho", "tăng khách quay lại" cần được khoanh vùng: đo bằng gì, trong bao lâu, với ngân sách bao nhiêu. Có câu hỏi rõ thì mới biết có cần data scientist hay chưa.

Khi doanh nghiệp đã có dữ liệu sạch 6–12 tháng, dashboard ổn định và một vài bài toán dự đoán rõ ràng (ví dụ dự báo tồn kho, dự đoán khách rời bỏ), lúc đó hãy cân nhắc tuyển một data scientist hoặc thuê đội ngũ bên ngoài. Còn trước đó, khoản đầu tư "AI cho có" thường đốt tiền mà không sinh kết quả.

Để hiểu thêm về việc tại sao data science ngày nay dễ tiếp cận hơn so với 10 năm trước, có thể đọc tiếp bài về hạ tầng cloud là một trong những lý do data science ngày nay khác xa data science 10 năm trước. Nếu bạn tò mò về con người làm công việc này, bài viết data scientist là làm gì mỗi ngày sẽ cho bạn cái nhìn thực tế hơn. Còn nếu muốn đi sâu vào bộ công cụ thường gặp, hãy tham khảo bài Data science là gì? Khái niệm, quy trình và vai trò trong doanh nghiệp (đúng tiêu đề bài này nhưng khác góc nhìn, tập trung vào thư viện lập trình).

Gọn lại một lần

Data science, nói bằng một câu, là cách để doanh nghiệp ra quyết định dựa trên dữ liệu thay vì cảm tính. Quy trình của nó bắt đầu từ câu hỏi kinh doanh, đi qua dữ liệu, rồi kết thúc ở một hành động có thể đo lường. Nó khác với phân tích dữ liệu truyền thống ở chỗ không chỉ nhìn lại quá khứ mà còn dự đoán và gợi ý hành động; và nó khác với AI ở chỗ AI để máy tự hành động, còn data science có thể chỉ dừng ở mức gợi ý cho con người quyết.

Nếu bạn đang ở giai đoạn mới bắt đầu, hãy làm ba việc tuần này: ghi dữ liệu đều đặn, dựng một dashboard đơn giản, đặt một câu hỏi kinh doanh cụ thể. Đó là nền tảng mà bất kỳ dự án data science nào sau này cũng cần. Bạn có thể tiếp tục với bài Data Science Là Gì? Khái Niệm, Quy Trình Và Vai Trò Trong Doanh Nghiệp (góc nhìn khác qua ví dụ Uber, giao thông, hồ nước), hoặc tìm hiểu sâu về tìm hiểu methodology 10 giai đoạn của Rollins để có khung tư duy rõ ràng hơn khi bắt tay vào một dự án dữ liệu thật.