Quy trình CRISP-DM trong Data Science và cách áp dụng từng bước
CRISP-DM là khung 6 bước để chạy một dự án dữ liệu từ hiểu bài toán đến triển khai. Bài hướng dẫn cụ thể từng bước qua ví dụ dự đoán khách rời bỏ, kèm checklist cho người mới.
CRISP-DM là gì và vì sao người mới làm dữ liệu nên bắt đầu từ đây
Bạn được sếp giao "phân tích xem khách nào sắp bỏ mình" nhưng mở máy lên thì chỉ thấy một đống bảng Excel, vài file CSV tải về từ phần mềm bán hàng, cộng thêm vài câu hỏi đâu đâu trong đầu: bắt đầu từ đâu, dùng công cụ gì, khi nào thì xong, kết quả đưa cho ai. Nếu không có một khung rõ ràng, bạn sẽ nhảy thẳng vào YouTube xem "hướng dẫn dự đoán khách rời bỏ bằng Python", làm theo clip, chạy ra một con số, rồi không biết phải làm gì tiếp theo.
CRISP-DM (đọc là "xriúp-di-em") là viết tắt của Cross-Industry Standard Process for Data Mining — tạm dịch: quy trình chuẩn 6 bước để làm một dự án dữ liệu từ đầu đến cuối. Khung này được một nhóm công ty Daimler, SPSS và NCR đề xuất từ năm 1996 (cần verify chi tiết lịch sử), và đến nay vẫn được nhiều đội dữ liệu dùng vì nó không bắt phải dùng công cụ nào cụ thể: bạn làm bằng Excel, Python hay Power BI đều được, miễn là đi đủ 6 bước. Đọc xong bài này, bạn sẽ biết mỗi bước làm gì, cần đầu ra gì, và khi nào nên quay lại bước trước.
Để khỏi lý thuyết suông, mình sẽ đi xuyên suốt một ví dụ: dự đoán khách hàng sắp rời bỏ dịch vụ (tiếng Anh gọi là churn — tức khách hủy gói hoặc ngừng mua). Ví dụ này phổ biến vì nó vừa đủ phức tạp để thấy hết 6 bước, mà vẫn gần gũi với SME và người mới.
CRISP-DM không phải công cụ, mà là bản đồ. Đi đúng 6 bước sẽ tránh được phần lớn lý do khiến dự án dữ liệu xong rồi không ai dùng.
Bước 1 — Hiểu bài toán: biết mình đang giải quyết chuyện gì
Đây là bước dễ bị bỏ qua nhất vì tưởng "không quan trọng", nhưng thực ra nó quyết định cả dự án có đi đúng hướng hay không. Mục tiêu của Bước 1 là trả lời ba câu hỏi: mình đang cố giải quyết vấn đề gì, thành công trông như thế nào, và ai là người sẽ dùng kết quả.
Cách làm cụ thể: bạn hẹn một buổi với người giao việc (sếp, chủ doanh nghiệp, đội marketing…) và ghi lại bằng văn bản — gọi là project brief, tức bản tóm tắt dự án một trang. Trong đó cần có: mục tiêu kinh doanh (ví dụ "giảm 10% tỷ lệ khách rời bỏ trong quý tới"), tiêu chí đo thành công (số liệu cụ thể, có thể kiểm chứng), và rủi ro (ví dụ nhân viên chăm sóc khách không có thời gian gọi cho cả nghìn người).
Với ví dụ churn, bạn phải thống nhất: thế nào là "rời bỏ"? Là không mua hàng 90 ngày, hay là hủy gói dịch vụ, hay là chuyển sang đối thủ? Định nghĩa khác nhau thì bài toán khác nhau. Đầu ra của bước này là một trang brief gọn gàng, có thể in ra dán lên tường cho cả team nhìn.
Bước 2 — Hiểu dữ liệu: xem trong tay mình có gì
Sau khi đã rõ mục tiêu, bước tiếp theo là nhìn vào dữ liệu thật mà công ty đang có. Bước này giống như đi chợ: trước khi nấu, phải xem có gì trong tủ lạnh, thiếu nguyên liệu nào, có gì sắp hỏng không.
Bạn liệt kê tất cả nguồn dữ liệu liên quan: phần mềm CRM (phần mềm quản lý quan hệ khách hàng — tức nơi lưu thông tin khách và lịch sử liên lạc), hóa đơn bán hàng, log truy cập web, file Excel của kế toán, thậm chí cả tin nhắn Zalo CSKH. Với mỗi nguồn, ghi lại: bảng có bao nhiêu dòng, bao nhiêu cột, cột nào đáng tin, cột nào bị trống nhiều, có giá trị nào trông vô lý không (ví dụ tuổi khách là 200).
Quay lại ví dụ churn: giả sử bảng khách hàng có 50.000 dòng, nhưng cột "ngày mua cuối" bị trống tới 20%. Đây là phát hiện quan trọng — bạn phải ghi nhận ngay từ bước này, chứ không phải đợi đến khi chạy mô hình mới biết. Đầu ra là một bản mô tả dữ liệu (gọi là data description) kèm danh sách câu hỏi cần làm rõ, ví dụ: "cột ngày mua cuối có đáng tin không, hay do hệ thống chỉ ghi nhận từ khi đổi phần mềm?".
Bước 3 — Chuẩn bị dữ liệu: dọn dẹp trước khi nấu
Dữ liệu thô trong thực tế gần như chắc chắn có lỗi: trùng dòng, ô trống, chữ viết không thống nhất (Hà Nội vs Ha Noi vs hà nội), đơn vị lung tung (mét và feet trộn lẫn). Bước 3 là lúc dọn dẹp để có một bảng sạch, sẵn sàng cho phân tích.
Các việc cụ thể: xóa dòng trùng, xử lý ô trống (điền giá trị hợp lý hoặc loại bỏ dòng đó, tùy trường hợp), chuẩn hóa đơn vị, và tạo thêm cột mới nếu cần. Với ví dụ churn, bạn sẽ tạo thêm cột recency — tức số ngày kể từ lần mua gần nhất đến hôm nay, rồi gắn nhãn 0/1: 1 nếu khách đã rời bỏ theo định nghĩa ở Bước 1, 0 nếu còn lại. Hai cột này là đầu vào cốt lõi cho bước sau.
Một điểm thực tế mà dân trong nghề hay nói: bước chuẩn bị dữ liệu thường là bước tốn thời gian nhất trong cả dự án — có nguồn cho rằng chiếm tới 60–80% tổng thời gian (cần verify con số; nếu bạn không chắc, ghi nhận là "phần lớn thời gian dự án thường rơi vào đây"). Lý do là vì dữ liệu thực tế luôn bẩn hơn bạn tưởng. Đầu ra của bước này là một bảng dữ liệu sạch, mỗi dòng là một khách hàng, mỗi cột là một đặc điểm có thể dùng để dự đoán.
Bước 4 — Xây mô hình: thử vài cách dự đoán
Tới đây mới đến phần nhiều người tưởng là "làm data science" — tức chạy mô hình. Mục tiêu của Bước 4 là thử vài thuật toán khác nhau, rồi so sánh để chọn cái phù hợp nhất với bài toán.
Cách làm thường gặp: chọn 2–3 thuật toán phù hợp với loại bài toán. Với churn — đây là bài toán phân loại có/không — các lựa chọn phổ biến gồm logistic regression (hồi quy logistic — thuật toán đơn giản, dễ giải thích), decision tree (cây quyết định — vẽ ra như sơ đồ nhánh, rất trực quan), và random forest (rừng ngẫu nhiên — kết hợp nhiều cây quyết định để tăng độ chính xác). Bạn chia dữ liệu thành hai phần: một phần lớn để train (dạy mô hình), một phần nhỏ để test (kiểm tra mô hình trên dữ liệu nó chưa thấy) — gọi chung là chia tập train/test. Cách chia này giúp bạn biết mô hình có "học thuộc" hay học được kiến thức tổng quát.
Một lưu ý quan trọng: không có thuật toán nào "tốt nhất mọi lúc". Cái nào hơn phụ thuộc vào dữ liệu của bạn và câu hỏi bạn đặt ra. Với ví dụ churn, giả sử bạn thử ba mô hình và random forest cho kết quả tốt nhất trên tập test — bạn chọn nó làm ứng viên số một.
Về số liệu đo, ngoài accuracy (tỷ lệ dự đoán đúng tổng thể), bạn nên đặc biệt quan tâm recall — nghĩa là trong số khách thật sự rời bỏ, mình tìm được bao nhiêu người. Với churn, bỏ sót một khách giá trị cao có thể tốn tiền hơn là gọi thừa vài khách bình thường, nên recall thường quan trọng hơn accuracy.
Bước 5 — Đánh giá: mô hình tốt kỹ thuật có nghĩa là giải được bài toán?
Đây là bước phân biệt người làm dữ liệu có kinh nghiệm với người mới. Một mô hình có accuracy 90% nghe rất ấn tượng, nhưng nếu nó giải không đúng vấn đề kinh doanh ở Bước 1, thì nó vẫn là thất bại.
Bước 5 bạn cần làm ba việc. Thứ nhất, so sánh kết quả với tiêu chí đã ghi trong brief ở Bước 1: nếu mục tiêu là "tìm ra được ít nhất 70% khách sắp rời bỏ trước khi họ rời", mô hình có đạt không. Thứ hai, kiểm tra các rủi ro đạo đức và thiên lệch (bias): ví dụ mô hình chỉ dự đoán tốt cho khách thành phố lớn, bỏ sót khách vùng nông thôn — vậy là nó không công bằng, cần xem lại. Thứ ba, trình bày kết quả cho người đặt hàng bằng ngôn ngữ đời thường, kèm khuyến nghị hành động.
Quay lại ví dụ churn: mô hình accuracy 85%, nghe có vẻ cao, nhưng khi nhìn kỹ thì bỏ sót phần lớn khách giá trị cao (nhóm mua nhiều, gói lớn). Trong khi đó, nhóm khách giá trị cao lại chính là nhóm mà công ty muốn giữ nhất. Vậy là dù con số kỹ thuật ổn, mục tiêu kinh doanh chưa đạt — cần quay lại Bước 3 để bổ sung dữ liệu, hoặc Bước 4 để thử mô hình khác. Đầu ra của bước này là một quyết định rõ ràng: triển khai, làm lại, hoặc dừng dự án.
Một mô hình chính xác 90% mà giải sai bài toán kinh doanh thì vẫn là thất bại. Đánh giá là lúc nối số liệu kỹ thuật với giá trị thật.
Bước 6 — Triển khai: đưa kết quả ra dùng thật
Nhiều dự án dừng lại ở bước này: mô hình chạy ra kết quả đẹp, lưu trong file Jupyter Notebook, rồi… không ai mở lại. Bước 6 nhắc bạn rằng giá trị thật nằm ở việc ai đó dùng được kết quả trong công việc hằng ngày.
Mức độ triển khai tuỳ quy mô. Với SME, bạn có thể chỉ cần một file Google Sheet cập nhật mỗi tuần, kèm vài biểu đồ trong Google Data Studio hoặc Power BI. Với công ty lớn, mô hình có thể được tích hợp vào hệ thống CRM để chạy tự động và cảnh báo khi khách có nguy cơ rời bỏ. Dù ở mức nào, bạn cũng cần lên kế hoạch theo dõi sau triển khai: theo dõi 4–8 tuần xem tỷ lệ rời bỏ có giảm không, mô hình có còn chính xác không.
Với ví dụ churn, triển khai có thể đơn giản: xuất danh sách 1.000 khách có nguy cơ cao mỗi tuần, gửi cho đội chăm sóc khách hàng qua email, kèm một cột "lý do dự đoán" để nhân viên biết nên nói gì khi gọi. Sau 4 tuần, đo lại xem có bao nhiêu khách trong danh sách thật sự rời bỏ — nếu tỷ lệ giảm so với trước khi triển khai, dự án thành công.
Vòng lặp CRISP-DM: khi nào nên quay lại bước trước
Một điểm ít bài viết nhấn mạnh: CRISP-DM không phải đường thẳng từ 1 đến 6, mà là một vòng xoáy. Sau khi triển khai, dữ liệu thay đổi, thị trường thay đổi, mục tiêu kinh doanh thay đổi — và bạn sẽ phải quay lại các bước trước đó. Đây là điều bình thường, không phải thất bại.
Một ví dụ dễ thấy: công ty bạn vừa ra mắt app mua hàng mới, nhưng dữ liệu lịch sử vẫn chủ yếu ghi nhận từ website cũ. Mô hình churn đột nhiên dự đoán sai nhiều — vì hành vi khách trên app khác hành vi trên web. Bạn cần quay lại Bước 2 và Bước 3 để bổ sung nguồn dữ liệu mới. Hoặc công ty đổi chiến lược, không còn ưu tiên giữ khách cũ mà tập trung vào khách mới — bạn phải quay lại Bước 1 để định nghĩa lại bài toán. Khi nào quay lại? Câu trả lời ngắn: bất cứ khi nào bạn nhận ra "cái mình đang làm không còn trả lời đúng câu hỏi ban đầu".
Cách áp dụng CRISP-DM cho SME và người mới bắt đầu
Nếu bạn là chủ SME, sinh viên, hoặc nhân viên văn phòng lần đầu làm dự án dữ liệu, đây là checklist để biết mình đã đi đủ sáu bước chưa, kèm công cụ miễn phí phù hợp từng giai đoạn:
Bước
Đầu ra cần có
Công cụ gợi ý
1. Hiểu bài toán
1 trang brief có mục tiêu + tiêu chí thành công
Google Docs
2. Hiểu dữ liệu
Bảng mô tả nguồn dữ liệu + câu hỏi phát sinh
Google Sheets, Excel
3. Chuẩn bị dữ liệu
1 bảng dữ liệu sạch
Google Sheets, Excel, OpenRefine
4. Xây mô hình
1–3 mô hình kèm số liệu đo
Python + scikit-learn, Orange (kéo thả)
5. Đánh giá
Quyết định: triển khai / làm lại / dừng
Google Sheets, Jupyter Notebook
6. Triển khai
Dashboard hoặc báo cáo cho người dùng
Google Data Studio, Power BI (miễn phí bản Desktop)
Với dữ liệu vài nghìn dòng, bạn hoàn toàn có thể đi hết sáu bước mà không cần viết một dòng code. Lưu ý rằng giá và tính năng các công cụ có thể thay đổi theo từng năm (đặc biệt giai đoạn 2025–2026) — trước khi chọn, nên kiểm tra lại trang chính hãng để xem bản miễn phí còn cung cấp đủ tính năng bạn cần không.
Tổng kết và hướng đi tiếp
CRISP-DM là một khung 6 bước — Hiểu bài toán, Hiểu dữ liệu, Chuẩn bị dữ liệu, Xây mô hình, Đánh giá, Triển khai — và là một vòng lặp chứ không phải đường thẳng. Đi đúng sáu bước sẽ giúp bạn tránh phần lớn những lý do khiến dự án dữ liệu "xong rồi không ai dùng", và quan trọng hơn, giúp bạn biết khi nào cần quay lại bước trước khi mọi thứ đổi.
Nếu bạn đang muốn tìm hiểu sâu hơn về methodology trong data science và các cách tổ chức một dự án dữ liệu từ đầu đến cuối, hãy xem bài tổng quan đi kèm. Còn nếu bạn không chắc CRISP-DM có phải khung phù hợp với mình không, hoặc đang phân vân giữa CRISP-DM với các quy trình khác, bài so sánh với các framework khác sẽ giúp bạn chọn được phương án hợp lý nhất cho đội và bài toán của mình.
Phong Nguyen
