NĂM LOẠI HÌNH PHÂN TÍCH KINH DOANH

Mô tả, chẩn đoán, dự đoán, đề xuất và thích ứng tự chủ, mỗi loại trả lời một câu hỏi và giao một sản phẩm riêng

---

Trong một cuộc họp giao ban, ba người cùng nhìn vào một con số: tỷ lệ đơn hàng giao trễ tháng này là 11%, cao hơn tháng trước. Giám đốc vận hành hỏi "kho nào trễ nhiều nhất?". Trưởng phòng chăm sóc khách hàng hỏi "vì sao tháng này trễ tăng?". Giám đốc điều hành hỏi "tháng sau có trễ nữa không và ta nên làm gì?". Ba người, cùng một con số, nhưng bốn câu hỏi thuộc bốn loại phân tích khác nhau, cần bốn loại dữ liệu, bốn kỹ thuật và bốn cách đọc kết quả khác nhau.

Phân biệt các loại hình phân tích không phải chuyện gắn nhãn cho đẹp. Xếp nhầm loại hình dẫn đến thu thập sai dữ liệu, chọn sai kỹ thuật và, nguy hiểm nhất, đọc kết quả vượt quá những gì phân tích cho phép, chẳng hạn kết luận nguyên nhân từ một báo cáo mô tả, hay coi một dự báo là một khuyến nghị.

Bài viết gồm năm mục. Mục 1 giới thiệu năm loại hình cùng câu hỏi và sản phẩm của mỗi loại. Mục 2 trình bày hai loại nhìn về quá khứ là mô tả và chẩn đoán. Mục 3 trình bày hai loại hướng tới tương lai là dự đoán và đề xuất, với một tiêu chí gọn để phân biệt chúng. Mục 4 bàn loại hình thứ năm, thích ứng và tự chủ, trong làn sóng trí tuệ nhân tạo. Mục 5 sắp năm loại hình thành mô hình thăng tiến phân tích.

1. Năm loại hình, năm câu hỏi

Bước phân tích dữ liệu trong mô hình SOAR, mà bài Mô hình SOAR trong phân tích kinh doanh đã giới thiệu, bao trùm nhiều loại phân tích khác nhau. Mỗi loại trả lời một dạng câu hỏi riêng và đòi hỏi mức tinh vi tăng dần. Bảng 1 tóm tắt năm loại hình.

Bảng 1. Năm loại hình phân tích: câu hỏi đặc trưng và sản phẩm

Nguồn: dựa trên Richardson và Watson (2024), Camm và cộng sự (2024), Sharda và cộng sự (2024).

Cột cuối của Bảng 1 đáng dừng lại, vì nó là cách chắc chắn nhất để xếp đúng loại hình cho một câu hỏi: hỏi xem câu trả lời giao ra cái gì, chứ không chỉ xem câu hỏi dùng từ khóa nào. Nhiều tài liệu, như Evans (2021) và Camm và cộng sự (2024), chỉ dùng ba loại mô tả, dự đoán, đề xuất; Richardson và Watson (2024) tách chẩn đoán ra khỏi mô tả và thêm loại thích ứng, tự chủ. Bài này theo cách chia năm loại, vì câu hỏi "vì sao" đòi kỹ thuật và mức kết luận khác hẳn câu hỏi "bao nhiêu", còn việc nối phân tích thẳng vào hành động đặt ra những bài toán quản trị mà bốn loại trước không có. Dù chia ba hay chia năm, ranh giới giữa các loại có chỗ chồng lấn; điều quan trọng không phải cái nhãn mà là sản phẩm ta cam kết giao.

2. Mô tả và chẩn đoán: nhìn về quá khứ

Hai loại hình đầu tiên hướng về quá khứ và hiện tại. Chúng là nền tảng mà mọi phân tích nâng cao hơn đều phải dựa vào.

Phân tích mô tả (descriptive analytics) trả lời "Điều gì đã xảy ra?" và "Điều gì đang diễn ra?". Ví dụ: độ tuổi trung bình của khách hàng năm ngoái là bao nhiêu và đã thay đổi ra sao trong mười năm; chiến dịch tiếp thị quý vừa rồi tạo ra bao nhiêu khách hàng tiềm năng; bao nhiêu sản phẩm bị lỗi trong sản xuất. Đây là loại phân tích phổ biến nhất và phần lớn bảng điều khiển trong doanh nghiệp, như bài Power BI là gì? Lộ trình tự học Power BI cho người mới mô tả, thuộc loại này.

Phân tích chẩn đoán (diagnostic analytics) đi xa hơn một bước để trả lời "Tại sao điều đó xảy ra?" và "Vì sao kết quả khác với kỳ vọng?". Ví dụ: vì sao thời gian vận chuyển tăng so với quý trước; vì sao chi phí nhân công vượt dự kiến; tăng chi quảng cáo có thật sự kéo theo tăng doanh số không. Chẩn đoán là nơi dễ sai nhất về lập luận, vì một liên hệ quan sát được chưa chắc là quan hệ nhân quả. Các bài Tương quan không phải nhân quả và 5 bẫy cần tránh và Suy luận nhân quả từ dữ liệu bàn kỹ những cạm bẫy này.

Ranh giới giữa mô tả và chẩn đoán nằm ở sản phẩm. Một hệ số tương quan hay một biểu đồ phân tán là mô tả một liên hệ quan sát được. Nó chỉ thành chẩn đoán khi được dùng để giải thích một kết quả cụ thể và được đối chiếu với các giải thích khác hoặc với một nhóm so sánh.

3. Dự đoán và đề xuất: hướng tới tương lai

Trong khi mô tả và chẩn đoán nhìn về phía sau, hai loại hình tiếp theo hướng tới tương lai: dự báo điều sắp xảy ra và khuyến nghị hành động nên làm. Mục này định nghĩa hai loại, đưa ra một tiêu chí để phân biệt, rồi minh họa bằng một bài toán đi qua cả bốn loại.

3.1. Định nghĩa và tiêu chí phân biệt

Phân tích dự đoán (predictive analytics) trả lời "Điều đó có xảy ra trong tương lai không?" và "Xác suất là bao nhiêu?". Ví dụ: nhu cầu cho sản phẩm mới năm tới; khả năng một doanh nghiệp bị kiểm toán thuế; xác suất một khách hàng rời bỏ. Bài Hồi quy trong thống kê và học máy giới thiệu kỹ thuật nền của loại này.

Phân tích đề xuất (prescriptive analytics) trả lời "Chúng ta nên làm gì dựa trên những gì kỳ vọng sẽ xảy ra?" và "Làm thế nào để tối ưu kết quả trong các ràng buộc?". Ví dụ: tối ưu mạng lưới kho và vận tải để giảm chi phí; nên sản xuất trong nước hay thuê ngoài.

Ranh giới giữa dự đoán và đề xuất là chỗ người mới hay nhầm nhất và Camm cùng cộng sự cho một tiêu chí gọn: một dự báo, khi ghép với một quy tắc, trở thành mô hình đề xuất (Camm và cộng sự, 2024). Mô hình ước tính xác suất vỡ nợ của một người xin vay là dự đoán; sản phẩm của nó là một con số, chẳng hạn 0,7. Thêm quy tắc "xác suất vỡ nợ trên 0,6 thì không cho vay" và sản phẩm trở thành một quyết định: từ chối. Con số không đổi, nhưng loại hình đã đổi, vì thứ giao cho người ra quyết định đã đổi. Tiêu chí này cũng giải thích vì sao chọn ngưỡng cho một mô hình là một câu hỏi đề xuất, như bài Đọc ma trận nhầm lẫn cho nhà quản lý cho thấy bằng tiền.

3.2. Một bài toán, bốn loại hình

Bài toán giảm giá hàng thời trang cuối mùa cho thấy các loại hình nối tiếp nhau trên cùng một quyết định (Evans, 2021). Một nhà bán lẻ nhập 100 bộ đồ bơi cho mùa hè mười hai tuần; mỗi tuần có thể giữ giá hoặc giảm giá, nên có hàng chục lịch giảm giá khả dĩ. Hình 1 đặt bốn câu hỏi của bốn loại hình cạnh nhau.

Hình 1. Bốn loại hình phân tích trên cùng bài toán giảm giá cuối mùa. Nguồn: dựa trên Evans (2021).

Với số liệu giả định, bốn bước trong Hình 1 có thể diễn ra như sau. Mô tả: những mùa trước, tuần đầu bán 15 bộ ở giá gốc, sau tuần thứ sáu gần như không bán được nếu không giảm giá. Chẩn đoán: so sánh với một năm có mùa hè nóng bất thường cho thấy thời tiết giải thích phần lớn sự sụt giảm. Dự đoán: một mô hình ước lượng giảm giá 20% ở tuần thứ bảy làm doanh số tuần tăng từ 3 lên 9 bộ. Đề xuất: mô hình tối ưu chọn giảm 20% ở tuần bảy và 40% ở tuần mười. Nhà bán lẻ có thể dừng ở bất kỳ bước nào, nhưng không thể bỏ qua bước nào bên dưới bước mình cần: không có dự báo tốt nếu chưa mô tả đúng.

4. Thích ứng và tự chủ trong làn sóng AI

Loại hình thứ năm là nơi lĩnh vực phân tích kinh doanh đang chuyển động nhanh nhất. Mục này định nghĩa loại hình, điểm qua các thế hệ công nghệ của nó, rồi nêu một góc nhìn cân bằng.

4.1. Định nghĩa và các thế hệ

Phân tích thích ứng, tự chủ (adaptive, autonomous analytics) trả lời những câu hỏi như "làm sao để học hỏi liên tục nhờ trí tuệ nhân tạo?" (Richardson & Watson, 2024). Ví dụ: liên tục cập nhật dự báo tồn kho để bám sát nhu cầu; tự động tái cân bằng danh mục đầu tư khi giá biến động; để hệ thống tự học nhận diện giao dịch có dấu hiệu gian lận. Điểm khác biệt với bốn loại trước là đầu ra phân tích được nối thẳng vào cơ chế thực thi và câu hỏi "máy được tự làm đến đâu" trở thành một phần của bài toán.

Loại hình này tiến hóa qua nhiều thế hệ. Trước hết là phân tích tăng cường (augmented analytics), trong đó học máy và xử lý ngôn ngữ tự nhiên tự động hóa việc chuẩn bị dữ liệu, phát hiện mẫu hình và sinh ra hiểu biết, cho phép người dùng hỏi bằng ngôn ngữ tự nhiên. Gartner dự báo đến năm 2027 khoảng 75% nội dung phân tích mới sẽ được tạo ra hoặc bối cảnh hóa nhờ AI tạo sinh (Gartner, 2025a). Bước tiến mới nhất là phân tích tác tử (agentic analytics), trong đó các tác tử AI không chỉ trả lời câu hỏi mà còn tự thực hiện cả một chuỗi tác vụ, từ chuẩn bị dữ liệu, chạy phân tích, tạo trực quan hóa đến đề xuất hành động (Gartner, 2025c). Bài Ai làm gì trong chu trình phân tích kinh doanh cho thấy những công cụ này đang đổi vai trò của từng người trong chu trình ra sao.

4.2. Một góc nhìn cân bằng

Chính Gartner cũng cảnh báo rằng hơn 40% dự án AI tác tử có nguy cơ bị hủy trước cuối năm 2027 vì chi phí leo thang, giá trị kinh doanh chưa rõ ràng hoặc rủi ro chưa được kiểm soát (Gartner, 2025b). Bài học rút ra rất rõ: công nghệ tự động hóa càng mạnh thì vai trò con người trong việc đặt đúng câu hỏi, bảo đảm chất lượng dữ liệu, diễn giải kết quả có trách nhiệm và quản trị đạo đức càng thiết yếu. Cũng cần phân biệt thuật ngữ: trí tuệ kinh doanh (business intelligence, BI) không đồng nghĩa với phân tích mô tả, còn trí tuệ ra quyết định (decision intelligence) là một lĩnh vực thực hành lấy chính quyết định làm đối tượng thiết kế, không phải loại hình phân tích thứ sáu. Bài Ba cách hiểu đúng về trí tuệ kinh doanh bàn kỹ chữ BI.

5. Mô hình thăng tiến phân tích

Năm loại hình không tồn tại rời rạc mà tạo thành một bậc thang năng lực ngày càng cao. Mục này giới thiệu bậc thang ấy và cách đọc nó cho đúng.

5.1. Từ hồi kiến đến tuệ kiến

Mô hình thăng tiến phân tích (analytics ascendancy model) xác định kỹ năng tương ứng với các loại hình, từ thấp đến cao: hồi kiến (hindsight), nhìn lại điều đã xảy ra trong phân tích mô tả; nội kiến (insight), thấu suốt nguyên nhân trong phân tích chẩn đoán; viễn kiến (foresight), nhìn xa về tương lai trong phân tích dự đoán; và ở đỉnh là tuệ kiến (rightsight) trong phân tích thích ứng, tự chủ: đặt đúng câu hỏi cho dữ liệu, vào đúng thời điểm, ở đúng nơi, để thông tin đến được đúng người với đúng định dạng vào đúng lúc (Richardson & Watson, 2024). Hình 2 vẽ năm loại hình thành một bậc thang.

Hình 2. Mô hình thăng tiến phân tích. Nguồn: dựa trên Richardson và Watson (2024).

5.2. Bậc thang của tổ chức, không phải lộ trình bắt buộc của dự án

Các bậc cao hơn trong Hình 2 không phủ định bậc thấp hơn. Ở cấp năng lực của tổ chức, chúng xây trên nền của nhau: một tổ chức chưa đo đúng và chưa hiểu dữ liệu của chính mình thì khó dự đoán đáng tin cậy và không thể tự động hóa phân tích một cách an toàn nếu chưa làm chủ các bậc dưới. Hãng SAS, theo Sharda và cộng sự, chia bậc thang này mịn hơn thành tám mức, từ báo cáo chuẩn, báo cáo tùy biến, truy vấn tự do, cảnh báo, phân tích thống kê, dự báo, mô hình dự đoán đến tối ưu hóa (Sharda và cộng sự, 2024); nhìn cách một tổ chức đang dùng dữ liệu, ta thường đoán được nó ở mức nào.

Nhưng ở cấp một dự án cụ thể, bậc thang không phải lộ trình bắt buộc. Dự án chỉ cần lên tới bậc mà quyết định đòi hỏi và có thể vào thẳng một bậc cao khi dữ liệu nền đã đủ tin cậy. Một câu hỏi về cơ cấu doanh thu theo chi nhánh chỉ cần mô tả; ép nó thành một dự án học máy là lãng phí. Bài Ra quyết định dựa trên dữ liệu bàn thêm về các mức trưởng thành dữ liệu của tổ chức.

Kết luận

Năm loại hình phân tích, gồm mô tả, chẩn đoán, dự đoán, đề xuất và thích ứng tự chủ, trả lời năm câu hỏi khác nhau và giao năm sản phẩm khác nhau: con số, lời giải thích, dự báo, phương án hành động và một hệ thống tự hành động trong giới hạn. Cách xếp loại đáng tin nhất không phải nhìn từ khóa của câu hỏi, mà hỏi xem câu trả lời giao ra cái gì; một dự báo ghép với một quy tắc đã là một đề xuất.

Mô hình thăng tiến cho thấy năng lực của tổ chức xây theo từng bậc, nhưng mỗi dự án chỉ cần lên tới bậc mà quyết định đòi hỏi. Loại hình thứ năm, với phân tích tăng cường và tác tử, đang phát triển rất nhanh, song chính tốc độ ấy làm cho các kỹ năng ở bậc dưới, đo đúng, hiểu đúng và đặt đúng câu hỏi, càng trở nên quan trọng.

Đọc thêm

• Mô hình SOAR trong phân tích kinh doanh
• Đặt đúng câu hỏi phân tích
• Ai làm gì trong chu trình phân tích kinh doanh
• Suy luận nhân quả từ dữ liệu
• Hồi quy trong thống kê và học máy
• Ba cách hiểu đúng về trí tuệ kinh doanh

Tài liệu tham khảo

Camm, J. D., Cochran, J. J., Fry, M. J., & Ohlmann, J. W. (2024). Business analytics (5th ed.). Cengage Learning. https://www.cengage.com/c/business-analytics-5e-camm-cochran-fry-ohlmann/9780357902202/

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

Gartner. (2025a, June 18). Gartner predicts 75% of analytics content to use GenAI for enhanced contextual intelligence by 2027 [Press release]. https://www.gartner.com/en/newsroom/press-releases/2025-06-18-gartner-predicts-75-percent-of-analytics-content-to-use-genai-for-enhanced-contextual-intelligence-by-2027

Gartner. (2025b, June 25). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027 [Press release]. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027

Gartner. (2025c, February 21). Market guide for agentic analytics. https://www.gartner.com/en/documents/6198355

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