Phân tích dữ liệu thường được chia thành bốn loại theo câu hỏi nó trả lời: mô tả (chuyện gì đã xảy ra), chẩn đoán (vì sao xảy ra), dự báo (chuyện gì có thể xảy ra tiếp) và đề xuất (nên làm gì). Bốn loại này nối nhau như bậc thang: càng lên cao, câu trả lời càng hữu ích cho quyết định nhưng càng kém chắc chắn và càng cần nhiều giả định.
Biết mình đang ở bậc nào giúp bạn tránh lỗi hay gặp nhất khi làm việc với trợ lý AI: hỏi một câu thuộc bậc dưới nhưng nhận về câu trả lời của bậc trên, viết tự tin như thể đã được chứng minh. Bài này giải thích từng loại bằng ví dụ cửa hàng và văn phòng, chỉ ra AI hay trượt ở đâu, và đưa một bảng để bạn tự xếp câu hỏi của mình trước khi giao việc.
Mô tả: trả lời câu "chuyện gì đã xảy ra"
Phân tích mô tả là đếm, cộng, tính trung bình, so sánh các con số đã có. Doanh thu tháng 9 là bao nhiêu, món nào bán nhiều nhất, chi nhánh nào có nhiều đơn hoàn hơn, khách mua vào buổi nào đông nhất. Đây là bậc thấp nhất nhưng lại chiếm phần lớn công việc phân tích trong một doanh nghiệp nhỏ, và làm đúng bậc này đã giải quyết được nhiều quyết định hằng ngày.
Điểm mạnh của phân tích mô tả là nó kiểm được. Nếu dữ liệu đúng và phép tính đúng thì kết quả đúng, không có chỗ cho ý kiến. Vì thế nó là nền cho mọi bậc trên: không mô tả chính xác được chuyện đã xảy ra thì mọi giải thích và dự báo phía sau đều đứng trên cát.
Trợ lý AI có công cụ đọc tệp làm bậc này khá nhanh, nhưng có hai chỗ hay trượt. Thứ nhất, chatbot không chạy tính toán thật mà chỉ đọc lướt bảng có thể đưa ra con số tổng nghe hợp lý nhưng sai. Thứ hai, AI thường không dừng ở mô tả: bạn hỏi doanh thu tháng này so với tháng trước, nó trả lời kèm luôn "nguyên nhân có thể là do thời tiết và khuyến mãi", tức đã nhảy sang bậc chẩn đoán mà không có căn cứ nào trong dữ liệu. Câu lệnh nên ghi rõ: chỉ mô tả, không giải thích nguyên nhân, nêu cách tính từng con số.
Chẩn đoán: trả lời câu "vì sao xảy ra"
Phân tích chẩn đoán đi tìm nguyên nhân của một thay đổi. Doanh thu tháng 9 giảm thì giảm ở đâu: ở số khách hay ở giá trị mỗi đơn, ở món nào, chi nhánh nào, khung giờ nào. Cách làm cơ bản là chia nhỏ con số tổng theo từng chiều cho tới khi thấy phần nào gánh phần lớn sự thay đổi. Ví dụ giả định: một quán cà phê ở Đà Nẵng thấy doanh thu giảm, chia theo khung giờ thì thấy toàn bộ phần giảm nằm ở buổi trưa, chia tiếp theo kênh thì thấy đơn mang đi qua ứng dụng giao hàng giảm mạnh, còn khách ngồi tại quán gần như không đổi.
Tới đây bạn mới biết chỗ để hỏi tiếp, chứ chưa biết nguyên nhân thật. Có thể ứng dụng đổi cách xếp quán, có thể đối thủ mới mở gần văn phòng, có thể món bán chạy buổi trưa bị hết hàng nhiều ngày. Dữ liệu bán hàng chỉ chỉ ra vùng có vấn đề; nguyên nhân thường phải xác nhận bằng thông tin ngoài bảng số, như hỏi nhân viên, xem lại lịch nhập hàng hay đọc phản hồi khách.
Đây là bậc AI nguy hiểm nhất vì nó viết lời giải thích rất trôi. Khi bạn hỏi "vì sao doanh thu giảm", chatbot sẽ liệt kê năm sáu nguyên nhân phổ biến của ngành, nghe đúng với mọi quán trên đời. Câu lệnh tốt hơn là: "Chia mức giảm doanh thu theo khung giờ, kênh bán và nhóm món; cho biết phần nào chiếm bao nhiêu phần trăm mức giảm; chỉ nêu những gì dữ liệu cho thấy, tách riêng phần là phỏng đoán."
Dự báo: trả lời câu "chuyện gì có thể xảy ra tiếp"
Phân tích dự báo dùng quy luật trong quá khứ để ước lượng tương lai: tháng tới bán được khoảng bao nhiêu, cuối tuần cần bao nhiêu nhân viên, lô hàng này bao lâu thì hết. Từ khoá quan trọng là "khoảng". Một dự báo có ích luôn đi kèm khoảng dao động, ví dụ từ 180 đến 230 đơn mỗi ngày, chứ không phải một con số trơ trọi 205 đơn.
Dự báo chỉ đáng tin khi tương lai còn giống quá khứ. Một tiệm bánh có ba năm số liệu ổn định thì dự báo mùa Trung thu năm nay khá sát. Một cửa hàng vừa đổi địa điểm, đổi thực đơn hay vừa trải qua một đợt khuyến mãi lớn thì số liệu cũ phần lớn mất giá trị. Phần cách làm dự báo đơn giản, mùa vụ và sai số có danh mục riêng trên trang; ở đây chỉ cần nhớ dự báo là bậc thứ ba, đứng trên nền mô tả và chẩn đoán.
AI hay trượt ở hai điểm: đưa con số dự báo mà không nêu khoảng sai, và kéo đường xu hướng từ quá ít điểm dữ liệu. Ba tháng doanh thu tăng liên tiếp chưa đủ để nói tháng thứ tư sẽ tăng. Khi nhờ AI dự báo, hãy yêu cầu nó nói rõ dựa trên bao nhiêu kỳ số liệu, giả định gì, và trong trường hợp nào dự báo sẽ sai.
Đề xuất: trả lời câu "nên làm gì"
Phân tích đề xuất là bậc cao nhất: từ mô tả, chẩn đoán và dự báo, đưa ra lựa chọn hành động kèm hệ quả ước tính. Nên nhập thêm bao nhiêu thùng hàng, nên giảm giá món nào, nên mở thêm ca tối hay không. Ở các công ty lớn, bậc này có thể dùng mô hình tối ưu phức tạp; ở cửa hàng nhỏ, nó thường là so sánh hai ba phương án bằng con số rồi chọn.
Đề xuất luôn chứa những thứ dữ liệu không có: mục tiêu của chủ doanh nghiệp, mức rủi ro chấp nhận được, ràng buộc về tiền mặt và con người. Cùng một bảng số, người muốn giữ khách quen và người muốn tối đa lợi nhuận tháng này sẽ chọn khác nhau, và cả hai đều có lý. Vì vậy phần quyết định cuối cùng thuộc về người chịu trách nhiệm, không thuộc về bảng tính hay trợ lý AI.
Khi nhờ AI ở bậc này, đừng hỏi "nên làm gì". Hãy đưa mục tiêu và ràng buộc rồi yêu cầu so sánh phương án: "Với mục tiêu giữ biên lợi nhuận và không tăng nhân sự, hãy so sánh ba phương án sau theo doanh thu ước tính, chi phí phát sinh và rủi ro; nêu giả định của từng phép ước tính." Cách hỏi này giữ AI ở vai trò người tính giúp, còn bạn giữ vai trò người chọn.
Bảng tự xếp câu hỏi của bạn vào đúng bậc
Trước khi gõ câu lệnh, thử đặt câu hỏi của mình vào bảng dưới. Cột cuối là dấu hiệu cho thấy câu trả lời của AI đã vượt khỏi bậc bạn hỏi.
| Bậc | Câu hỏi điển hình | Dữ liệu cần có | Độ chắc chắn | Dấu hiệu AI trả lời vượt bậc |
|---|---|---|---|---|
| Mô tả | Tháng này bán bao nhiêu, món nào nhiều nhất | Số liệu đã ghi | Cao, kiểm được | Tự thêm câu "nguyên nhân có thể là…" |
| Chẩn đoán | Vì sao doanh thu giảm | Số liệu chia nhỏ theo nhiều chiều, thông tin ngoài bảng | Trung bình | Nêu nguyên nhân chung của ngành, không chỉ ra con số |
| Dự báo | Tháng sau bán khoảng bao nhiêu | Chuỗi số liệu đủ dài, ổn định | Thấp hơn, có sai số | Đưa một con số duy nhất, không khoảng dao động |
| Đề xuất | Nên nhập thêm hàng hay giảm giá | Kết quả ba bậc dưới, mục tiêu, ràng buộc | Phụ thuộc giả định | Chốt luôn "bạn nên…" mà không hỏi mục tiêu |
Một câu hỏi kinh doanh thật thường cần đi qua nhiều bậc theo thứ tự. "Có nên mở thêm chi nhánh không" là câu đề xuất, nhưng muốn trả lời phải mô tả hiệu quả chi nhánh hiện tại, chẩn đoán vì sao nó lãi hoặc lỗ, rồi mới dự báo được chi nhánh mới. Nhờ AI làm từng bậc một, kiểm xong bậc này mới sang bậc sau, sẽ ít sai hơn hẳn so với hỏi gộp một câu.
Những hiểu lầm hay gặp về bốn loại phân tích
Bậc cao hơn thì tốt hơn. Không hẳn. Rất nhiều quyết định tốt chỉ cần mô tả chính xác. Một chủ quán biết đúng món nào lãi và món nào lỗ đã đủ để sửa thực đơn, không cần mô hình dự báo nào cả.
Có AI thì nhảy thẳng lên đề xuất được. AI có thể viết ra đề xuất ở bất kỳ đâu, nhưng chất lượng đề xuất không vượt được chất lượng phần mô tả và chẩn đoán bên dưới. Đề xuất đứng trên con số sai thì càng tự tin càng hại.
Chẩn đoán là tìm ra một nguyên nhân duy nhất. Trong kinh doanh, thay đổi thường do nhiều yếu tố cùng lúc. Kết quả chẩn đoán tốt là "phần lớn mức giảm nằm ở đây, phần còn lại rải rác", không phải một thủ phạm duy nhất.
Dự báo sai là do công cụ kém. Dự báo sai thường vì tương lai khác quá khứ, không phải vì phép tính. Thay công cụ không sửa được điều đó; chỉ có theo dõi sai số và cập nhật giả định mới sửa được.
Đưa dữ liệu cho AI ở mỗi bậc: cần gì và che gì
Mỗi bậc cần lượng dữ liệu khác nhau, và nguyên tắc chung là chỉ đưa vừa đủ. Bậc mô tả thường chỉ cần bảng tổng theo ngày, theo món, theo chi nhánh, không cần từng giao dịch có tên khách. Bậc chẩn đoán cần chia nhỏ hơn, nhưng các cột như họ tên, số điện thoại, địa chỉ giao hàng gần như không bao giờ cần cho câu hỏi kinh doanh; thay bằng mã khách ngẫu nhiên là đủ.
Với bậc dự báo và đề xuất, bạn hay phải đưa thêm thông tin nhạy cảm như giá vốn, chiết khấu với nhà cung cấp, kế hoạch mở rộng. Đây là bí mật kinh doanh. Nếu công cụ AI bạn dùng chưa được công ty duyệt cho loại dữ liệu này, hãy quy đổi về chỉ số tương đối (ví dụ giá vốn bằng 100 làm gốc) hoặc tự làm phần tính toán trên bảng tính, chỉ nhờ AI giải thích phương pháp. Phần chuẩn bị, làm sạch và gộp bảng trước khi phân tích thuộc khâu khác; trang chị em AI Dữ Liệu viết riêng về khâu đó.
Câu hỏi thường gặp
Doanh nghiệp nhỏ có cần làm đủ cả bốn loại phân tích không?
Không bắt buộc. Phần lớn cửa hàng nhỏ được lợi nhiều nhất từ mô tả chính xác và chẩn đoán đơn giản. Dự báo hữu ích khi việc nhập hàng hoặc xếp ca tốn kém nếu sai. Đề xuất bằng mô hình phức tạp thường chỉ đáng làm khi quy mô đủ lớn.
Báo cáo doanh thu hằng tháng thuộc loại phân tích nào?
Phần lớn là phân tích mô tả: tổng hợp và so sánh số đã xảy ra. Nếu báo cáo có thêm phần chia nhỏ để giải thích vì sao tăng giảm thì đã sang chẩn đoán, và nếu có phần ước tính tháng tới thì có thêm dự báo.
Làm sao biết AI đã trả lời vượt quá câu hỏi?
Đọc tìm những câu giải thích nguyên nhân, dự đoán hay khuyên làm gì mà bạn không hỏi. Nếu các câu đó không trỏ về một con số cụ thể trong dữ liệu bạn đưa, coi chúng là phỏng đoán và yêu cầu AI tách riêng hoặc bỏ đi.
Phân tích chẩn đoán có chứng minh được nguyên nhân không?
Thường là không. Nó khoanh vùng nơi thay đổi xảy ra và gợi ý giả thuyết. Muốn khẳng định nguyên nhân, bạn cần thông tin ngoài bảng số hoặc một phép thử có kiểm soát, ví dụ thay đổi ở một chi nhánh và giữ nguyên ở chi nhánh khác để so sánh.
Có nên để AI tự chọn loại phân tích phù hợp không?
Có thể hỏi AI gợi ý, nhưng bạn nên tự quyết. Người hiểu quyết định cần ra là bạn. Một câu lệnh tốt nói rõ bậc phân tích mong muốn, ví dụ chỉ mô tả, hoặc mô tả rồi chia nhỏ để chẩn đoán, giúp kết quả gọn và dễ kiểm hơn.
Học bốn loại phân tích này có cần biết thống kê không?
Hai bậc đầu chủ yếu cần cộng trừ, tỉ lệ và cách chia nhỏ số liệu. Bậc dự báo cần hiểu xu hướng, mùa vụ và sai số ở mức khái niệm. Thống kê sâu hơn chỉ cần khi bạn làm phân tích chuyên nghiệp hoặc phải chứng minh một tác động.