Mình vừa hoàn thành khóa cơ bản về Data analytics của google để bổ sung, củng cố lại những hiểu biết về Phân tích dữ liệu (Data Analysis) trong quá trình làm việc của mình.
Kết thúc khóa học này, mình muốn chia sẻ những gì mình hiểu biết và cũng như recap lại khóa học này.
Nếu được nói một câu liên quan đến Phân tích dữ liệu, thì đây là câu mình sẽ nói: "Mọi người nên trau dồi kiến thức, kỹ năng về phân tích dữ liệu. Kỹ năng phân tích dữ liệu giúp bạn "đặt câu hỏi ĐÚNG" và "ra quyết định dựa trên dữ liệu" hiệu quả."
Trước khi nói về lý do tại sao nên học Data Analysis, mình chia sẻ lý do cá nhân tại sao mình lại trau dồi kỹ năng này.
- Là một startup founder, mình cần nghiên cứu về "Market opportunity", "Market size".
- Thấu hiểu hành vi, khoảnh khắc khó khăn, vấn đề của khách hàng.
- Trách nhiệm chính của mình là Product Management, minh phải đưa ra các quyết định về sản phẩm dựa trên dữ liệu, nên phải trau dồi để hiểu về các "key metrics". Để đáp ứng nhanh nhu cầu về "product analysis" hoặc cần truy xuất nhanh một dữ liệu nào đó để ra quyết định, mình cần phải tự query nhanh từ database.
- Phân tích dữ liệu là kỹ năng tất yếu trong thời đại dữ liệu sinh ra với tốc độ cao. Khi công nghệ phát triển không ngừng, nhiễu loạn thông tin, mình cần có tư duy độc lập bằng cách xác thực thông tin. Để xác thưc thông tin hiệu quả, cần có hiểu biết về "Data Analysis".
Tại sao cần trau dồi kiến thức Phân tích dữ liệu?
Một số vị dụ thực tế để đưa ra lý do "Tại sao cần trau dồi kiến thức Phân tích dữ liệu?"
Ví dụ 1: Phòng khám A bị tình trạng "có thời điểm quá tải bệnh nhân đến khám", "có thời điểm không có bệnh nhân nào", tình trạng này gây khó khăn trong việc phân bổ đội ngũ Y Bác sĩ phù hợp. Vậy dựa vào Phân tích dữ liệu để bạn đưa ra quyết định "phân bổ bệnh nhân rải đều thời gian khám bệnh".
Ví dụ 2: Bạn kinh doanh quán cafe, bạn quan sát thấy chỉ có thời điểm buổi sáng và buổi tối thì khách mới tới quán uống. Buổi trưa đến chiều quán không có khách. Lý do là gì? Nếu bạn là nhà phân tích dữ liệu bạn sẽ thu thập những dữ liệu nào để tối ưu khoảng thời gian trống đó.
Ví dụ 3: Walmart đã sử dụng Data Analysis để giảm thiểu thời gian chờ đợi khách hàng tại quầy thanh toán, từ đó tăng doanh số và giảm chi phí.
Ví dụ 4: Airbnb đã sử dụng Data Analysis để tìm ra các xu hướng và nhu cầu của khách hàng, từ đó tạo ra các trải nghiệm du lịch tốt hơn và tăng doanh số.
Ví dụ 5: Học viện Công nghệ Massachusetts (MIT) đã sử dụng Data Analysis để tìm ra các xu hướng và nhu cầu của học sinh, từ đó tăng động lực học tập và tăng cường chất lượng giảng dạy.
Ví dụ 6: Chính phủ Anh đã sử dụng Data Analysis để giảm thiểu thời gian chờ đợi tại các bệnh viện và tăng cường chất lượng chăm sóc sức khỏe.
Ví dụ 7: Bạn đang kinh doanh quán ăn, làm thế nào để tối ưu thực đơn món ăn để tăng doanh thu và cắt bỏ những món khách hàng ít gọi?
Sau khi phân tích dữ liệu về món ăn được yêu thích, gọi nhiều nhất, bạn sẽ có kế hoạch tối ưu hóa chi phí hơn cho món ăn để có những khuyến mãi, giảm giá để thúc đẩy giá trị đơn hàng từ những món ăn này. Và cắt bỏ những món ăn ít gọi để tiết kiệm chi phí nguyên liệu, cũng như thời gian chế biến.
Ví dụ 8: Rất dễ thấy, khi bạn sử dụng mạng xã hội, hoặc bạn mua hàng trên shoppe, tiki. Bạn sẽ thấy tính năng đề xuất kết quả phù hợp cho bạn. Vậy làm sao họ đề xuất được? Họ dựa vào những hành trình của bạn trên sản phẩm của họ, những cú click chuột quan tâm, like,...từ đó quảng cáo cá nhân hóa đến nhu cầu của bạn.
Bạn thấy đó, dữ liệu xuất hiện mọi nơi, dù ở vị trí công việc nào bạn cũng nên trau dồi kỹ năng Phân tích dữ liệu. Dưới đây là một số lý do khuyến khích bạn nên học Khóa học Phân tích dữ liệu.
1- Giúp bạn hiểu được thực trang đã diễn ra, từ đó có những phát hiện vấn đề và có giải pháp hiệu quả từ việc đưa ra quyết định dựa trên dữ liệu (Data-Driven Making-Decision/ DDMC).
2- Giúp bạn đặt câu hỏi đúng, câu hỏi đúng sẽ biết cách thu thập nguồn dữ liệu đúng, tìm nguồn dữ liệu đúng, tránh bị "missing data". Khi Data input đúng thì kết quả tạo ra mới có giá trị.
3- Có thêm kỹ năng xác thực thông tin trong thời đại thông tin nhiễu loạn. Giúp bạn phát triển tư duy độc lập.
4- Cơ hội việc làm, thêm kỹ năng sẽ thêm lợi thế trong công việc của bạn.
5- Biết đọc báo cáo bằng số liệu, dùng loại biểu đồ để giải thích hoạt động kinh doanh, công việc.
Khóa học Foundations: Data, Data, Everywhere của google trên Coursera
Đây là khóa học được tài trợ của google, ngoài khóa học này còn có rất nhiều khóa học và mình cũng đang học như UX Design,...
Kết thúc khóa học, bạn sẽ nắm được những kiến thức:
- 6 bước phân tích dữ liệu.
- Vòng đời Phân tích dữ liệu
- Hiểu cơ bản về những công cụ giúp bạn phân tích dữ liệu như: Spreadsheets, SQL, Data Visualization tool
- Hiểu biết về thiên kiến dữ liệu "Data bias"
6 bước phân tích dữ liệu.
Bước 1: Đặt câu hỏi (Ask) - Hiểu vấn đề
Theo mình đây là bước quan trọng nhất không những cho Phân tích dữ liệu mà bất kỳ công việc gì đi chăng nữa thì "Đặt câu hỏi" đúng thì "Câu trả lời mới có giá trị".
Nếu bạn đặt câu hỏi sai, thì hiểu vấn đề sai, vấn đề sai thì hành động cho giải pháp đó sẽ tốn nguồn lực rất nhiều.
Nếu tôi có một giờ để giải quyết một vấn đề, tôi sẽ bỏ ra 55 phút nghĩ về vấn đề, và 5 phút nghĩ về giải pháp - Albert Einstein 'If I had an hour to solve a problem I'd spend 55 minutes thinking about the problem and 5 minutes thinking about solutions.
Nêu vấn đề, sau đó đặt câu hỏi xung quanh vấn đề, ngữ cảnh diễn ra vấn đề, tác nhân tạo vấn đề,...nhằm mục đích tìm ra nguyên nhân gốc rễ.
Ví dụ: Khi đặt những câu hỏi tại sao, bạn phát hiện ra "Kết quả mà quá trình phân tích dữ liệu bị sai ở bước nào, bước nhập liệu hay bước xây dựng "Modelling",...)
Bước 2: Chuẩn bị (Prepare) - Thu thập
Thu thập dữ liệu như thế nào? Nguồn nào? Có cần thực hiện chiến dịch khảo sát khách hàng để bổ sung thêm nguồn dữ liệu đa dạng không? Có dữ liệu thô rồi, sắp xếp thế nào?
Đây là những câu hỏi để bạn chuẩn bị thu thập dữ liệu để bước vào xử lý dữ liệu.
Đảm bảo đa dạng, đầy đủ trong phạm vi "hiểu vấn đề", tránh "missing data", tránh sự bất công trong thu thập dữ liệu.
Ví dụ: Chỉ thu thập dữ liệu liên quan đến những người thành công để trả lời cho câu hỏi khóa học có hiệu quả hay không.
Bước 3: Xử lý (Process) - Giá trị của dữ liệu
Đây là bước làm sạch dữ liệu để tạo tập dữ liệu chất lượng. Khi bạn thu thập dữ liệu rồi, bạn sẽ "Clean Data".
- Xóa dữ liệu không chính xác, sai định dạng, xóa những dòng dữ liệu trống.
- Sửa những liệu sai định dạng, để đồng bộ "Data set/ tập dữ liệu"
Bạn có thể dùng nhiều cách để làm sạch dữ liệu. Đơn giản và hiệu quả như Excel hoặc google sheet, nếu bạn biết Python thì sử dụng Pandas,...
Bước 4: Phân tích (Analyze)
Ở bước này, các nhà phân tích dữ liệu sẽ đưa ra những mô tả về dữ liệu, những khám phá, phát hiện sau khi họ thực hiện chuyên môn phân tích của họ.
Hay nói cách khác, các nhà phân tích dữ liệu sẽ mô tả những gì đã diễn ra trong quá khứ.
Ví dụ như Walmart phát hiện ra thời gian khách hàng đứng đợi lâu tại quầy thanh toán, làm giản doanh thu bán hàng của họ. Hay, trang khóa học online phát hiện ra tỷ lệ hoàn thành khóa học giảm dần trong 6 tháng gần đây.
Bước 5: Chia sẻ (Share)
Sau khi đã phát hiện ra những gì đã phân tích. Bạn phải thuyết trình, báo cáo mô tả cho các bên liên quan cũng hiểu những phát hiện đó với mục đính tránh chủ quan.
Bạn trực quan hóa dữ liệu (Data Visualization)bằng những biểu đồ dễ hiểu, đơn giản.
Bạn có thể dùng Excel, Tablue,...
Bước 6: Act (Hành động)
Sau khi các bên liên quan hoặc CEO sẽ đưa ra quyết định, chiến lược khắc phục vấn đề dựa trên dữ liệu (Data-driven making-decision)
Trên đây là quy trình 6 bước để phân tích dữ liệu.
Bạn không cần phải là một nhà Phân tích dữ liệu (Data Analytics). Nhưng bạn phải có hiểu biết về Phân tích dữ liệu
Tóm tắt về Phân tích dữ liệu
Kiến thức phân tích giúp bạn:
- Hiểu những gì ĐÃ diễn ra (Quá khứ) được gọi là Phân tích mô tả (Descriptive analytics). Trả lời câu hỏi "Chuyện gì đã xảy ra - What happened?"
- Hiểu được lý do tại sao điều đó xảy ra (Why did it happen?) được gọi là Phân tích chẩn đoán (Diagnostic analytics). - Dựa vào những mô tả và chẩn đoán, bạn sẽ dự báo những gì sẽ xảy ra, các xu hướng diễn ra. Đây gọi là Phân tích dự đoán (Predictive analytics). Trả lời câu hỏi "Điều gì có khả năng xảy ra?/ What is likely to happen?"
- Cuối cùng là hành động, là quyết định của bạn. Được gọi là Phân tích đề xuất (Presciptive analytics).
Đây là link chứng chỉ khóa học của mình, bạn có thể nhấp vào để tham gia khóa học trên coursera.
Comments