5 Dấu Hiệu Văn Hóa Dữ Liệu Doanh Nghiệp Đang Có Vấn Đề
Văn hóa dữ liệu không nằm ở việc có bao nhiêu dashboard
Nhiều doanh nghiệp nhầm "có công cụ phân tích dữ liệu" với "có văn hóa dữ liệu". Một công ty có thể có CRM, phần mềm BI, hàng chục dashboard đẹp mắt. Nhưng nếu các quyết định quan trọng vẫn được chốt trước, rồi mới đi tìm số liệu để biện minh, thì đó không phải văn hóa dữ liệu, dù công nghệ hiện đại đến đâu.
Trong bài "Why data culture matters" (McKinsey Quarterly, 2018), McKinsey mô tả văn hóa dữ liệu là văn hóa đưa con người làm dữ liệu, công cụ và việc ra quyết định lại với nhau. Theo kinh nghiệm của các lãnh đạo phân tích mà McKinsey phỏng vấn, văn hóa dữ liệu không thể nhập khẩu, không thể áp đặt, và nhất là không thể tách riêng thành một bộ phận. Nó được xây bằng cách vượt ra khỏi nhóm chuyên gia, để dữ liệu gắn chặt với hoạt động kinh doanh hằng ngày.
Khoảng cách giữa doanh nghiệp làm tốt và phần còn lại không nhỏ. Trong khảo sát của Harvard Business Review Analytic Services do Google Cloud tài trợ (thực hiện tháng 11/2022, công bố tháng 3/2023, trên 366 người thuộc cộng đồng độc giả HBR am hiểu chiến lược dữ liệu của tổ chức mình), nhóm "dẫn đầu" là những người tự chấm tổ chức mình từ 7 đến 10 điểm trên thang 10 về hiệu quả biến dữ liệu thành giá trị kinh doanh. Nhóm này chỉ chiếm 45%, tức hơn một nửa tự nhận tổ chức mình chưa làm tốt việc này. So với phần còn lại, nhóm dẫn đầu báo cáo cải thiện trong năm trước nhiều hơn hẳn ở nhiều chỉ số:
| Chỉ số được báo cáo là cải thiện | Nhóm dẫn đầu | Phần còn lại |
|---|---|---|
| Hiệu quả vận hành | 81% | 58% |
| Doanh thu, tăng trưởng | 77% | 61% |
| Mức độ trung thành, giữ chân khách hàng | 77% | 45% |
| Mức độ hài lòng của nhân viên | 68% | 39% |
Đây là số liệu tự đánh giá và chỉ cho thấy mối tương quan, không chứng minh rằng cứ làm tốt dữ liệu là doanh thu sẽ tăng. Nhưng nó cho thấy một điều đáng suy nghĩ: phần lớn doanh nghiệp đã đầu tư vào công cụ, mà vẫn chưa biến dữ liệu thành giá trị.
Dưới đây là 5 dấu hiệu phổ biến cho thấy văn hóa dữ liệu của một tổ chức đang có vấn đề, không phải vì thiếu công cụ, mà vì cách tổ chức đang làm việc với dữ liệu.
Dấu hiệu 1: Mỗi phòng ban có một "phiên bản sự thật" riêng
Phòng kinh doanh báo cáo doanh số một con số, phòng kế toán đối chiếu lại ra con số khác, và khi họp không ai chắc số nào đúng. Đây là hệ quả trực tiếp của việc dữ liệu nằm rải rác trên nhiều file Excel, mỗi người giữ một bản cập nhật riêng. Trong trang so sánh bảng tính với Zoho Analytics, Zoho liệt kê đúng những giới hạn này của bảng tính: file được gửi qua email khiến mỗi người giữ một bản sao trùng lặp và có thể mâu thuẫn nhau; khó duy trì khi dữ liệu đến từ nhiều nguồn và phải nhập tay; ghép dữ liệu giữa các sheet phức tạp; và càng nhiều người cùng làm thì càng không thể có "một phiên bản sự thật". Những tác hại cụ thể hơn được phân tích trong bài 5 tác hại của quản lý dữ liệu bằng Excel.
McKinsey xếp tình trạng này vào một trong ba "cờ đỏ" của bài viết: năng lực phân tích bị cô lập. Khi phân tích nằm riêng ở từng bộ phận thay vì gắn với hoạt động chung, mỗi phòng ban tối ưu cho "sự thật" của riêng mình và không ai có bức tranh tổng thể đáng tin.
Dấu hiệu 2: Quyết định cuối cùng luôn thuộc về người lương cao nhất, bất kể số liệu nói gì
Avinash Kaushik, chuyên gia phân tích dữ liệu và tác giả cuốn "Web Analytics 2.0", gọi hiện tượng này là "HiPPO" (Highest Paid Person's Opinion, ý kiến của người được trả lương cao nhất). Trong bài viết "Seven Steps to Creating a Data Driven Decision Making Culture" (2006), ông viết rằng HiPPO áp đặt ý kiến của họ lên công ty và khách hàng, và chỉ riêng sự có mặt của họ trong cuộc họp đã đủ ngăn các ý tưởng được nêu ra, vì nhân viên nhanh chóng học được rằng trình bày dữ liệu trái ý sếp là vô ích. Bài viết đã gần 20 năm, nhưng triệu chứng nó mô tả vẫn còn nguyên.
Dấu hiệu nhận biết trong thực tế: dữ liệu được trình bày như thủ tục sau khi quyết định đã được ngầm thống nhất từ trước. Hoặc khi số liệu đi ngược quan điểm của người có quyền quyết định cao nhất, phản ứng phổ biến là nghi ngờ chất lượng số liệu thay vì xem lại giả định ban đầu.
Dấu hiệu 3: Có rất nhiều báo cáo, nhưng không ai dùng chúng để ra quyết định
Kaushik nhấn mạnh đây là nhầm lẫn rất phổ biến: đánh đồng "làm báo cáo" với "phân tích". Theo ông, báo cáo là cung cấp dữ liệu, còn phân tích là cung cấp hiểu biết dẫn tới hành động. Tổ chức sản xuất hàng loạt báo cáo với hy vọng sẽ có cái nào đó thúc đẩy hành động, nhưng không chuyển được thành quyết định cụ thể. Ông ví kiểu phân tích chỉ nhìn lại quá khứ như việc muốn tiến về phía trước mà lại nhìn gương chiếu hậu và lái xe lùi.
Michael Luca (Đại học Johns Hopkins) và Amy C. Edmondson (Harvard Business School), trong bài "Where Data-Driven Decision-Making Can Go Wrong" đăng trên Harvard Business Review số tháng 9–10/2024, chỉ ra một biến thể cụ thể: tổ chức có xu hướng đo những gì dễ đo, thay vì những kết quả thực sự quan trọng. Một dashboard đầy chỉ số "dễ lấy" như lượt truy cập, số email đã gửi, thay vì chỉ số gắn với mục tiêu thật như tỷ lệ chuyển đổi hay giá trị khách hàng, là một dạng ngụy trang của việc không có phân tích thực chất, dù bề ngoài trông rất "data-driven". Cách chọn chỉ số cho bảng điều khiển được bàn thêm trong bài dashboard quản trị cho CEO trên một màn hình.
Dấu hiệu 4: Không ai thực sự chịu trách nhiệm về chất lượng dữ liệu
Khi dữ liệu sai hoặc thiếu, câu hỏi "ai sửa" thường bị đá qua lại giữa IT, phòng kinh doanh và phòng vận hành. Kaushik mô tả một phiên bản của chuyện này ngay trong mảng phân tích web: hiếm công ty có một nhóm sở hữu trọn vẹn việc phân tích, mà một nhóm IT lo phần mã theo dõi, một nhóm quản lý dự án lo thu thập yêu cầu, một nhóm khác lại lo làm báo cáo. Lời khuyên của ông là đưa trách nhiệm này về phía nghiệp vụ. Khi trách nhiệm bị chia nhỏ như vậy, không ai thực sự đầu tư công sức giữ chất lượng dữ liệu lâu dài, vì đó "không phải việc của tôi".
Đây cũng là cờ đỏ thứ ba trong bài của McKinsey: thiếu trách nhiệm giải trình với các rủi ro chính. Một lãnh đạo dữ liệu của NBCUniversal kể trong bài rằng dữ liệu có lúc hỏng mà không ai nhận ra: một nhà cung cấp không đọc được ký tự "&" trong tên một chương trình, và công ty ước tính lỗi đó làm mất hàng chục triệu USD doanh thu tiềm năng. Bài học của họ là phải có người theo dõi và cài cảnh báo, thay vì nghĩ rằng giao hệ thống cho người dùng là xong.
Dấu hiệu 5: Dữ liệu được dùng để biện minh cho quyết định có sẵn
Đây là dấu hiệu khó nhận ra nhất, vì bề ngoài tổ chức vẫn trông "data-driven": mọi đề xuất đều kèm số liệu, mọi báo cáo đều có biểu đồ. Nhưng nếu quan sát kỹ, số liệu được chọn lọc để ủng hộ một kết luận đã quyết từ trước, thường là điều cấp quản lý mong muốn, thay vì được xem xét cởi mở để tìm câu trả lời đúng.
Luca và Edmondson nêu những lỗi khiến việc này dễ xảy ra: nhầm tương quan với nhân quả, bỏ qua các yếu tố gây nhiễu, không xét cỡ mẫu và bối cảnh nghiên cứu, và không hỏi một kết quả có thực sự áp dụng được cho tình huống của mình hay không. Những lỗi này, dù vô tình hay cố ý, dễ bị dùng để "hợp lý hóa" một quyết định đã chọn trước bằng vỏ bọc dữ liệu. Giải pháp hai tác giả đề xuất là thảo luận nghiêm túc cả hai câu hỏi: phân tích có trả lời đúng câu hỏi không, và kết quả có áp dụng được sang bối cảnh đang xét không.
Một lưu ý: dữ liệu không phải lúc nào cũng đúng hơn trực giác
Cần nói rõ để tránh đi từ cực đoan này sang cực đoan khác: văn hóa dữ liệu tốt không có nghĩa mọi quyết định phải dựa 100% vào số liệu và gạt bỏ kinh nghiệm, trực giác của người quản lý. Chính Luca và Edmondson cảnh báo lãnh đạo thường rơi vào một trong hai thái cực: hoặc coi bằng chứng là chân lý, hoặc gạt bỏ nó hoàn toàn. Văn hóa dữ liệu lành mạnh là văn hóa biết đặt đúng câu hỏi về dữ liệu, không phải văn hóa tôn sùng mọi con số.
Khắc phục từ đâu: hợp nhất dữ liệu trước, xây văn hóa song song
Phần lớn 5 dấu hiệu trên có chung một gốc kỹ thuật: dữ liệu nằm rải rác trên nhiều file và hệ thống rời rạc, không ai có một nguồn đáng tin duy nhất để tham chiếu. Về công cụ, hợp nhất dữ liệu khách hàng và hoạt động kinh doanh vào một CRM trung tâm, kết hợp nền tảng phân tích tự đồng bộ dữ liệu từ nhiều nguồn (ví dụ Zoho Analytics) thay vì tổng hợp thủ công, là bước nền để giải quyết dấu hiệu 1 và một phần dấu hiệu 4. Cách làm cụ thể có trong bài đồng bộ dữ liệu giữa sales, marketing và CSKH.
Nhưng cần nói thẳng: công cụ chỉ giải quyết phần kỹ thuật. Dấu hiệu 2, 3 và 5 là vấn đề về cách lãnh đạo và đội ngũ ra quyết định. Không phần mềm nào tự sửa được thói quen "HiPPO quyết trước, tìm số liệu biện minh sau". Đó là lý do nhiều dự án CRM, BI chạy tốt về kỹ thuật mà vẫn không tạo ra văn hóa dữ liệu: công cụ được đặt vào một tổ chức không thay đổi thói quen ra quyết định.
Checklist tự đánh giá nhanh
- Khi hai phòng ban đưa ra hai con số khác nhau cho cùng một chỉ số, có quy trình rõ ràng để xác định số nào đúng, hay mỗi người tự tin vào số của mình?
- Lần gần nhất một quyết định quan trọng bị thay đổi vì số liệu không ủng hộ giả định ban đầu của người quản lý là khi nào?
- Các dashboard hiện có đang đo những gì dễ đo, hay đo đúng những gì gắn với mục tiêu kinh doanh thực sự?
- Khi dữ liệu sai hoặc thiếu, có một người hay bộ phận cụ thể chịu trách nhiệm xử lý, hay ai cũng nghĩ đó là việc của người khác?
Câu hỏi thường gặp
Doanh nghiệp nhỏ có cần "văn hóa dữ liệu" bài bản như tập đoàn lớn không? Nguyên tắc là như nhau dù quy mô khác nhau. Với SME, xây văn hóa dữ liệu không đòi hỏi một đội khoa học dữ liệu riêng. Chỉ cần thống nhất một nguồn dữ liệu duy nhất cho các chỉ số quan trọng nhất, và tập thói quen hỏi "số liệu nói gì" trước khi chốt quyết định lớn.
Mua phần mềm CRM, BI mới có tự cải thiện văn hóa dữ liệu không? Không tự động. Công cụ giải quyết vấn đề kỹ thuật như dữ liệu phân mảnh, báo cáo thủ công chậm. Còn văn hóa, tức thói quen ra quyết định và cách lãnh đạo phản ứng khi số liệu trái ý mình, là vấn đề con người và cần thay đổi song song.
Làm sao phân biệt "dùng dữ liệu để quyết định" với "dùng dữ liệu để biện minh"? Một phép thử đơn giản: nếu số liệu cho kết quả trái với điều người quản lý muốn làm, quyết định có thực sự thay đổi không? Nếu câu trả lời luôn là "không, nhưng mình sẽ tìm cách diễn giải lại số liệu", đó là dấu hiệu rõ của việc dùng dữ liệu để biện minh.
Kết: văn hóa dữ liệu là thói quen, không phải phần mềm
Năm dấu hiệu trên có một điểm chung: chúng không biến mất chỉ vì doanh nghiệp mua thêm phần mềm. Dữ liệu phân mảnh, HiPPO áp đặt, nhầm báo cáo với phân tích, không ai chịu trách nhiệm chất lượng dữ liệu, và dùng số liệu để biện minh thay vì để quyết định đều là thói quen tổ chức, cần được nhận diện đúng trước khi sửa. Phần kỹ thuật (hợp nhất dữ liệu, tự động hóa báo cáo) là điều kiện cần nhưng chưa đủ; phần quan trọng hơn là thay đổi cách lãnh đạo phản ứng khi dữ liệu nói điều họ không muốn nghe.
Nếu doanh nghiệp bạn nhận ra vài dấu hiệu trên đang xảy ra, đội ngũ Phanmembiz có thể cùng bạn đánh giá hiện trạng dữ liệu và đề xuất lộ trình hợp nhất phù hợp, như bước nền để xây văn hóa dữ liệu thực chất chứ không chỉ có thêm công cụ. Xem thêm về Zoho CRM tại Phanmembiz hoặc đặt lịch tư vấn miễn phí.
