MÔ HÌNH SOAR TRONG PHÂN TÍCH KINH DOANH

Bốn bước xác định câu hỏi, thu thập dữ liệu, phân tích và báo cáo, cùng sản phẩm đầu ra của từng bước

---

Một nhà sản xuất kẹo lớn của Mỹ từng mất khoảng 150 triệu USD doanh thu mùa Halloween chỉ vì không còn tin được dữ liệu của chính mình. Sau khi triển khai một hệ thống thông tin mới bị trục trặc, công ty không biết chính xác hàng đang nằm ở đâu và không giao được đúng lượng kẹo cho các nhà bán buôn, bán lẻ đúng vào mùa bán chạy nhất (Richardson & Watson, 2024). Không có câu hỏi nào sai, không có thuật toán nào kém; thứ hỏng là một khâu ở giữa quy trình đi từ câu hỏi đến quyết định.

Câu chuyện ấy cho thấy phân tích kinh doanh không phải một hành động đơn lẻ như "chạy một mô hình" hay "vẽ một biểu đồ", mà là một chuỗi bước nối tiếp nhau và chuỗi chỉ mạnh bằng mắt xích yếu nhất. Người làm phân tích cần một khuôn khổ để đi qua chuỗi ấy một cách có hệ thống, biết mình đang ở bước nào và bước đó phải giao ra cái gì.

Bài viết giới thiệu một khuôn khổ như vậy: mô hình phân tích SOAR. Mục 1 nối SOAR với khái niệm tư duy phân tích. Mục 2 đi qua bốn bước. Mục 3 xác định sản phẩm đầu ra của từng bước và giải thích vì sao chu trình có tính lặp. Mục 4 trình bày ba chiều của một bài toán phân tích. Mục 5 đặt SOAR cạnh chu trình ra quyết định của Simon và quy trình CRISP-DM.

1. Tư duy phân tích và mô hình SOAR

Hãng tư vấn và kiểm toán EY từng khẳng định rằng mọi nhân sự của họ đều cần có tư duy phân tích (analytics mindset) và yêu cầu này đã lan ra nhiều ngành. Theo EY, người có tư duy phân tích có bốn năng lực: đặt câu hỏi đúng; trích xuất, chuyển đổi và nạp dữ liệu liên quan; áp dụng các kỹ thuật phân tích phù hợp; và diễn giải, chia sẻ kết quả với các bên liên quan (Banks & Christ, 2017).

Mô hình phân tích SOAR do Richardson và Watson đề xuất là một khuôn khổ để ghi nhớ và thực hành bộ năng lực ấy, gồm bốn bước đặt theo chữ cái đầu trong tiếng Anh (Richardson & Watson, 2024). Bảng 1 cho thấy sự tương ứng một với một giữa bốn năng lực của EY và bốn bước của SOAR.

Bảng 1. Tư duy phân tích của EY và mô hình SOAR

Nguồn: dựa trên Banks và Christ (2017), Richardson và Watson (2024).

Bảng 1 nhắc rằng SOAR không phải một quy trình kỹ thuật thuần túy. Hai trong bốn bước, đặt câu hỏi và diễn giải kết quả, là kỹ năng giao tiếp với người ra quyết định nhiều hơn là kỹ năng xử lý dữ liệu. Bài Ai làm gì trong chu trình phân tích kinh doanh cho thấy các vai trò khác nhau trong tổ chức tham gia vào từng bước như thế nào.

2. Bốn bước của SOAR

Mục này đi qua từng bước, mỗi bước kèm những câu hỏi mà người làm phân tích cần tự đặt ra. Hình 1 tóm tắt bốn bước như một vòng lặp.

Hình 1. Chu trình SOAR và sản phẩm đầu ra của từng bước. Nguồn: dựa trên Richardson và Watson (2024).

2.1. Bước S: xác định câu hỏi

Mọi phân tích đều bắt đầu từ một câu hỏi và chất lượng của câu hỏi quyết định phần lớn giá trị của kết quả. Theo nguyên tắc chung, câu hỏi càng rõ ràng và cụ thể càng tốt. Rất khó trả lời câu hỏi rộng như "Làm sao để tăng doanh số?", nhưng dễ hơn nhiều với câu hỏi hẹp như "Làm thế nào để tăng doanh số nước ngọt qua máy bán tự động ở Cần Thơ trong quý tới?". Thu hẹp phạm vi giúp khoanh vùng dữ liệu cần tìm và chọn phân tích phù hợp. Dữ liệu không tự lên tiếng nếu ta không đặt cho nó những câu hỏi đúng; bài Đặt đúng câu hỏi phân tích trình bày chi tiết cách làm bước này.

2.2. Bước O: thu thập dữ liệu

Khi câu hỏi đã rõ, người phân tích xác định dữ liệu nào hữu ích nhất để trả lời: cần loại dữ liệu nào, dữ liệu nào đang sẵn có, lấy từ nguồn nào, có đủ không, có lỗi, thiếu hay thiên lệch không và có được thu thập hợp đạo đức không. Lý tưởng nhất là dữ liệu vừa liên quan (relevant), tức kết nối chặt chẽ với câu hỏi, vừa tin cậy (reliable), tức phản ánh sự thật với ít hoặc không có thiên lệch.

Evans tách "tin cậy" thành hai ý dễ lẫn: dữ liệu tin cậy khi nó chính xác và nhất quán, đo hai lần cho cùng một kết quả; dữ liệu hiệu lực (valid) khi nó đo đúng cái cần đo (Evans, 2021). Một tổng đài có thể đếm số cuộc gọi hoàn toàn chính xác, nhưng số cuộc gọi không đo được mức hài lòng của khách; con số ấy tin cậy mà không hiệu lực cho câu hỏi về sự hài lòng. Câu chuyện nhà sản xuất kẹo ở đầu bài là một thất bại ở bước này. Bài Năm nguồn thiên kiến trong dữ liệu bàn những sai lệch mà làm sạch dữ liệu không sửa được.

2.3. Bước A: phân tích dữ liệu

Khi đã có dữ liệu phù hợp, người phân tích tiến hành bước phân tích, phần kỹ thuật cốt lõi của quy trình. Tùy câu hỏi cần trả lời, người phân tích chọn một trong năm loại hình: mô tả, chẩn đoán, dự đoán, đề xuất hay thích ứng và tự chủ, như bài Năm loại hình phân tích kinh doanh trình bày. Công cụ có thể là Excel, Power BI, Tableau, R hay Python; điều quan trọng là kỹ thuật phải khớp với câu hỏi, không phải ngược lại.

2.4. Bước R: báo cáo kết quả

Phân tích dù sắc bén đến đâu cũng vô nghĩa nếu không được truyền đạt hiệu quả. Kết quả có thể trình bày bằng văn bản, số liệu, biểu đồ hay kết hợp. Báo cáo có thể là báo cáo tĩnh, công bố một lần và không cập nhật, hoặc báo cáo động, cập nhật liên tục và thường truyền tải qua một bảng điều khiển (dashboard). Theo dõi doanh số hằng ngày so với mục tiêu cần báo cáo động; một bản tổng kết quý có thể chỉ cần báo cáo tĩnh. Bài Kể chuyện bằng dữ liệu để ra quyết định đi sâu vào cách trình bày kết quả cho người ra quyết định.

3. Mỗi bước tạo ra gì

Bốn bước SOAR dễ bị hiểu thành bốn việc làm tuần tự. Cách hiểu hữu ích hơn là xem mỗi bước như một khâu tạo ra một sản phẩm đầu ra cụ thể và khâu sau không bắt đầu được nếu sản phẩm của khâu trước chưa đủ tốt. Mục này mô tả bốn sản phẩm ấy rồi giải thích vì sao chu trình phải lặp.

3.1. Bốn sản phẩm đầu ra

Bảng 2 ghi sản phẩm đầu ra của từng bước và dấu hiệu cho thấy sản phẩm ấy chưa đạt.

Bảng 2. Sản phẩm đầu ra của bốn bước SOAR

Nguồn: dựa trên Richardson và Watson (2024).

Cột cuối của Bảng 2 là phép thử thực dụng nhất: trước khi chuyển sang bước sau, hãy tự hỏi sản phẩm của bước này có rơi vào dấu hiệu chưa đạt không.

Một điểm nữa thường bị bỏ qua: báo cáo không đồng nhất với quyết định và quyết định không đồng nhất với hành động. Bước R cung cấp đầu vào cho người ra quyết định; việc chọn phương án và thực thi phương án là của họ. Chỉ ở loại hình phân tích thích ứng và tự chủ, đầu ra phân tích mới được nối thẳng vào cơ chế thực thi và khi ấy câu hỏi "máy được tự làm đến đâu" trở thành một phần của bài toán.

3.2. Tính đệ quy

Một đặc điểm cốt lõi của SOAR là tính đệ quy (recursive): sau khi hoàn tất bốn bước, cả người phân tích lẫn người ra quyết định thường hiểu biết hơn và đặt ra những câu hỏi sâu hơn (Richardson & Watson, 2024). Câu trả lời cho một câu hỏi lại làm nảy sinh câu hỏi mới, giống như bóc từng lớp vỏ hành. Cách nhìn theo sản phẩm đầu ra cũng giải thích vì sao phải lặp. Khi chuẩn bị dữ liệu ở bước O, người phân tích có thể phát hiện câu hỏi ở bước S không khả thi, chẳng hạn dữ liệu chỉ được lưu ở cấp tổng hợp theo tháng trong khi câu hỏi cần từng đơn hàng. Khi phân tích ở bước A, có thể phát hiện cần thêm dữ liệu. Khi báo cáo ở bước R, người nghe đặt câu hỏi mới. Quay lại không phải thất bại của quy trình; đó chính là quy trình.

Cuộc thi Netflix Prize là một minh họa trọn vẹn. Từ năm 2006, Netflix treo giải 1 triệu USD cho đội nào cải thiện hệ thống gợi ý phim của họ ít nhất 10% và cung cấp bộ dữ liệu hơn 100 triệu lượt đánh giá phim (Bennett & Lanning, 2007). Câu hỏi (S) rõ ràng và đo được; dữ liệu (O) được chuẩn bị công phu; hàng nghìn đội phân tích (A); kết quả (R) được đánh giá theo một tiêu chí công bố trước. Và sau khi giải thưởng được trao năm 2009, câu hỏi tiếp tục thay đổi theo cách người dùng xem phim, đúng tinh thần đệ quy. Bài Hệ thống gợi ý hoạt động như thế nào kể thêm về loại hệ thống này.

4. Ba chiều của một bài toán phân tích

SOAR chỉ trả lời câu hỏi làm thế nào. Một bài toán phân tích được xác định đầy đủ khi trả lời thêm hai câu hỏi nữa. Bảng 3 tóm tắt ba chiều ấy.

Bảng 3. Ba chiều của một bài toán phân tích

Ba chiều trong Bảng 3 độc lập với nhau và nhầm chiều này với chiều kia là nguồn gốc của nhiều lỗi lập luận. Nói "đơn hàng là chuyện của phân tích dự đoán" là lẫn đối tượng với mục đích: cùng là đơn hàng, ta có thể mô tả tỷ lệ đơn trễ tuần trước, chẩn đoán vì sao đơn trễ tăng, dự đoán đơn mới có trễ không, hay đề xuất cách phân công đơn để giảm trễ. Loại hình phân tích do việc ta định làm với thông tin quyết định, không do đối tượng mà thông tin ấy nói tới. Gộp lại thành một câu: trong một hệ thống kinh doanh xác định, với một tập đối tượng và phạm vi quan sát xác định, ta dùng SOAR để trả lời một câu hỏi phân tích bằng phương pháp phù hợp, tạo ra kết luận hoặc hành động có giới hạn rõ ràng.

5. SOAR bên cạnh chu trình Simon và CRISP-DM

SOAR không phải khung quy trình duy nhất. Đặt nó cạnh hai khung kinh điển khác cho thấy khá rõ phạm vi của nghề phân tích kinh doanh. Mục này giới thiệu hai khung ấy rồi so sánh.

5.1. Hai khung kinh điển

Chu trình ra quyết định của Simon gồm ba giai đoạn: tìm hiểu (intelligence), tức nhận ra và định nghĩa vấn đề; thiết kế (design), tức xây dựng mô hình và các phương án; lựa chọn (choice), tức chọn phương án. Nhiều tác giả thêm giai đoạn thứ tư là thực thi (implementation) (Sharda và cộng sự, 2024). CRISP-DM (Cross-Industry Standard Process for Data Mining), do một nhóm doanh nghiệp châu Âu xây dựng cuối thập niên 1990, gồm sáu pha: hiểu bài toán kinh doanh, hiểu dữ liệu, chuẩn bị dữ liệu, mô hình hóa, đánh giá và triển khai (Chapman và cộng sự, 2000). Ba khung không cạnh tranh nhau; chúng mô tả ba góc nhìn của người ra quyết định, người phân tích và đội dự án khai phá dữ liệu lên cùng một việc. Hình 2 đặt chúng cạnh nhau.

Hình 2. Đối chiếu SOAR với chu trình Simon và CRISP-DM. Nguồn: dựa trên Chapman và cộng sự (2000), Richardson và Watson (2024), Sharda và cộng sự (2024).

5.2. Khác biệt cốt lõi nằm ở phạm vi

Hình 2 cho thấy SOAR mô tả công việc phân tích: trả lời một câu hỏi cho người ra quyết định và kết thúc khi kết quả đã được báo cáo. CRISP-DM mô tả một dự án khai phá dữ liệu: sản phẩm thường là một mô hình chạy được và dự án chỉ xong khi mô hình được đưa vào vận hành. Một câu hỏi như "doanh thu quý III của từng chi nhánh thay đổi ra sao" đi trọn bốn bước SOAR mà không cần pha mô hình hóa hay triển khai nào. Ngược lại, một dự án xây hệ thống chấm điểm tín dụng đi trọn sáu pha CRISP-DM, trong đó bước R của SOAR chỉ là một phần nhỏ. CRISP-DM cũng tách chuẩn bị dữ liệu thành một pha riêng, thừa nhận đây là phần tốn công nhất; trong SOAR, việc này nằm trong bước O. Bài Từ bài toán kinh doanh đến giải pháp dữ liệu trình bày một dự án theo tinh thần CRISP-DM.

Hai khung giống nhau ở tính lặp: CRISP-DM vẽ mũi tên quay từ pha đánh giá về pha hiểu bài toán kinh doanh, đúng tinh thần đệ quy của SOAR. Đặt cạnh nhau, chúng cùng nhắc một điều: sau bước R còn những việc mà người phân tích không gánh một mình. Người ra quyết định chọn và thực thi phương án; khi khuyến nghị đòi thay đổi phần mềm, đội công nghệ hiện thực hóa nó. Biết ranh giới này giúp người phân tích không nhận về mình việc của một dự án công nghệ, đồng thời không bỏ quên bước mà CRISP-DM nêu thành hẳn một pha: kiểm tra kết quả có thật sự đạt mục tiêu kinh doanh hay chưa.

Kết luận

Mô hình SOAR biến tư duy phân tích thành bốn bước có thể thực hành: xác định câu hỏi, thu thập dữ liệu, phân tích dữ liệu và báo cáo kết quả. Giá trị của nó không nằm ở bốn chữ cái dễ nhớ, mà ở chỗ mỗi bước có một sản phẩm đầu ra cụ thể và bước sau không bắt đầu được nếu sản phẩm của bước trước chưa đạt. Từ đó, việc quay lại bước trước không còn là thất bại mà là bản chất đệ quy của phân tích.

SOAR trả lời câu hỏi làm thế nào; hai chiều đối tượng và mục đích hoàn tất định nghĩa của một bài toán phân tích. Đặt cạnh chu trình Simon và CRISP-DM, SOAR cho thấy phạm vi của nghề phân tích kinh doanh: trả lời đúng một câu hỏi cho đúng một quyết định và biết rõ đâu là việc của người ra quyết định, đâu là việc của đội công nghệ.

Đọc thêm

• Ai làm gì trong chu trình phân tích kinh doanh
• Đặt đúng câu hỏi phân tích
• Năm loại hình phân tích kinh doanh
• Năm nguồn thiên kiến trong dữ liệu
• Kể chuyện bằng dữ liệu để ra quyết định
• Ra quyết định dựa trên dữ liệu

Tài liệu tham khảo

Banks, C., & Christ, M. (2017, June 7). EY Academic Resource Center: An overview of analytics mindset competencies and case offerings [Webinar]. American Accounting Association. https://aaahq.org/Education/Webinars/6-7-17-EY-Academic-Resource-Center-An-Overview-of-Analytics-Mindset-Competencies-and-Case-Offerings

Bennett, J., & Lanning, S. (2007). The Netflix Prize. In Proceedings of KDD Cup and Workshop 2007. https://www.cs.uic.edu/~liub/KDD-cup-2007/proceedings/The-Netflix-Prize-Bennett.pdf

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc. https://s2.smu.edu/tfomby/eco5385_eco6380/data/SPSS/CRISPWP-0800%20Data%20Mining%20Standards.pdf

Evans, J. R. (2021). Business analytics: Methods, models, and decisions (3rd ed., Global ed.). Pearson Education. https://www.pearson.com/store/p/business-analytics-global-edition/P200000004157/9781292339061

Richardson, V. J., & Watson, M. W. (2024). Introduction to business analytics. McGraw Hill. https://www.mheducation.com/highered/product/introduction-business-analytics-richardson-watson/9781265450175.html

Sharda, R., Delen, D., & Turban, E. (2024). Business intelligence, analytics, data science, and AI: A managerial perspective (5th ed.). Pearson. https://www.pearson.com/en-us/subject-catalog/p/business-intelligence-analytics-data-science-and-ai/P200000009781