Dữ liệu, yếu tố khoa học của marketing trong thời đại 4.0

Dữ liệu, yếu tố khoa học của marketing trong thời đại 4.0

ThS Trần Nhật Minh,

Khoa Marketing, Trường ĐH Tài chính – Marketing

Tóm tắt

Marketing thường được liên tưởng với những hoạt động mang tính sáng tạo, đáp ứng những mong muốn, nhu cầu của khách hàng. Marketing sử dụng thuật ngữ “hộp đen” để chỉ cách thức suy nghĩ phức tạp của người tiêu dùng trong quá trình ra quyết định lựa chọn sản phẩm của mình, và các hoạt động marketing hướng đến việc nghiên cứu, giải mã cách thức người tiêu dùng suy nghĩ và các yếu tố nào có thể có tác động, ảnh hưởng đến hành vi của họ.

Ngày nay, người tiêu dùng còn tham gia các hoạt động trên môi trường số, và hành vi của họ ngày càng trở nên phức tạp hơn, tạo ra nhiều thách thức cho các nhà marketing để tìm được cách tiếp cận hiệu quả khách hàng của mình. Sự tiến bộ của khoa học kỹ thuật, công nghệ mở ra kỷ nguyên mới cho hoạt động marketing. Với những công nghệ hiện đại, việc thu thập, phân tích và sử dụng những dữ liệu lớn từ các hành vi của người tiêu dùng trở nên thuận lợi hơn, giúp nhà marketing hiểu được hành vi của người tiêu dùng, xác định được chính xác các nhóm khách hàng và những vấn đề, nhu cầu mà họ đang có cũng như nhận biết được cách thức phù hợp để có thể tiếp cận, thuyết phục khách hàng của mình một cách tốt nhất. Để ứng dụng hiệu quả, nhà marketing không chỉ cần có hiểu biết về hành vi khách hàng mà còn phải có cả những hiểu biết về những dữ liệu có được từ những hành vi của khách hàng, thực hiện thu thập và phân tích những dữ liệu để có được những thông tin có giá trị từ những hành vi đó. Từ đó hình thành nên tri thức về khách hàng, tìm ra cách tiếp cận và đáp ứng nhu cầu của họ. Bài viết này tập trung trình bày những nội dung liên quan đến các hoạt động thu thập, tổ chức quản lý và khai thác những dữ liệu khách hàng trong môi trường ngoại tuyến.

Từ khóa: marketing, dữ liệu, thu thập dữ liệu, phân tích dữ liệu, trực quan hóa dữ liệu,

Mã JEL: M30,M31, M39

1. Giới thiệu

   Cuộc cách mạng công nghiệp 4.0 đang làm thay đổi cuộc sống, hành vi, thói quen của khách hàng và vì thế, các nhà marketing trong thời đại mới buộc phải thay đổi hoàn toàn cách thức tiếp cận khách hàng của mình. Khách hàng trong thời đại số có một phiên bản số, được tạo nên bởi dữ liệu từ hành vi, thói quen trên mạng internet, các kênh mạng xã hội, công cụ thanh toán điện tử họ sử dụng, những game họ chơi. Đó là một chân dung khác của khách hàng, được thể hiện bằng dữ liệu giúp các nhà marketing có thể nhanh chóng biết được nhu cầu của họ, đưa ra những chiến dịch phù hợp với cá nhân họ, chăm sóc sau khi họ đã mua hàng, và kéo họ quay trở lại.

   Để có được khách hàng, doanh nghiệp truyền thống hay thương mại điện tử đều cần theo đuổi trọn vẹn hành trình mua hàng của khách hàng, bắt đầu từ khi họ biết đến thương hiệu cho đến khi họ ra quyết định mua hàng và rời đi. Doanh nghiệp nào giúp khách hàng có trải nghiệm tốt hơn trong suốt hành trình này sẽ chiến thắng. Và để làm được việc này, doanh nghiệp phải có được dữ liệu của khách hàng.

   Dữ liệu chính là tài sản mới rất quan trọng đối với doanh nghiệp, nhưng dữ liệu thô là những dữ liệu không sử dụng được, bởi nó không mang ý nghĩa nào. Do đó ngoài thu thập dữ liệu, doanh nghiệp phải tận dụng công nghệ để trích xuất được những data có giá trị, làm “nguyên liệu” cho đội ngũ markeing.

2. 1QUÁ trình thu thập, phân tích và khai thác dữ liệu
3. Thu thập dữ liệu

   Dữ liệu chính là là nền tảng cho các kế hoạch truyền thông hay kích hoạt thương hiệu. Trong lĩnh vực marketing, mỗi dữ liệu kể một câu chuyện rất riêng. Nắm bắt được điểm cốt lõi của dữ liệu và tìm ra sự thật từ dữ liệu, đó là việc của các nhà marketing. Vì thế khi nghiên cứu dữ liệu, các nhà marketing xác định được phải theo dõi loại dữ liệu nào, sự thật nằm ở đâu.

   Hiện nay, với sự bùng nổ của dân số cùng với ngày càng nhiều loại thiết bị số như điện thoại di động, camera hay những công nghệ có thể thu thập thông tin thì lượng dữ liệu càng khổng lồ. Vạn vật kết nối internet (IOT)  xuất phát là những thiết bị điện tử ngày càng rẻ được tích hợp nền tảng trí tuệ nhân tạo, là điểm khởi đầu từ đó tạo ra dữ liệu lớn. Khi có được lượng lớn dữ liệu lớn như vậy, nhà marketing, doanh nghiệp sẽ ra được những quyết định nhanh chóng và chính xác.

   Đối với hoạt động tại doanh nghiệp, nguồn dữ liệu về khách hàng có thể có được từ rất nhiều nguồn khác nhau, với nhiều định dạng khác nhau. Các nguồn dữ liệu về khách hàng có thể được doanh nghiệp tiến hành thu thập tại các điểm tiếp xúc, các bộ phận có giao tiếp với khách hàng.

   Về cơ bản nhà marketing sẽ muốn biết được là khách thường ghé thăm vào thời điểm nào, số lượng khách hàng là bao nhiêu, khách hàng dành bao nhiêu thời gian tại đó, họ hay xem gì, cách thức di chuyển ra sao, họ là ai và hay đi với ai, mất bao lâu kể từ khi họ ghé, xem, lựa chọn và ra quyết định mua, thái độ của họ khi xem những sản phẩm trưng bày như thế nào, …

   Như vậy những dữ liệu về khách hàng này có thể được phân chia thành 2 nhóm là dữ liệu định tính (phân loại) và dữ liệu định lượng (liên tục):

   • Dữ liệu định tính (phân loại): bao gồm giới tính, độ tuổi, họ xem gì và thái độ, cách thức di chuyển, …
   • Dữ liệu định lượng (liên tục): bao gồm số lượng khách, thời điểm đến, thời điểm rời đi, thời gian từ lúc vào đến lúc ra, thời gian xem sản phẩm, ….

   Tại các các điểm tiếp xúc với khách hàng, doanh nghiệp và các nhà marketing có thể ứng dụng các công nghệ để thực hiện thu thập nhiều loại thông tin khách hàng và hành vi của họ tại các điểm tiếp xúc này.

   Đo đếm lưu lượng và phân nhóm khách hàng

   Thiết bị đo đếm hồng ngoài, được gắn ở cửa ra vào, dùng để đo đếm lượt số người qua cửa và thời gian và kết nối được với hệ thống để lưu trữ dữ liệu. Ưu điểm của giải pháp này là rẻ tiền, đơn giản và nhược điểm là không phân biệt được hướng di chuyển và phân loại được đối tượng.

   Ngoài ra có thể sử dụng công nghệ khác là camera quan sát và AI để đo đếm. Ưu điểm của công nghệ này là xác định được hướng di chuyển của đối tượng (vào hay ra) và phân loại được đối tượng theo giới tính, độ tuổi, loại bỏ được các đối tượng như nhân viên cửa hàng khỏi lưu lượng cần đếm, …

   Dữ liệu hành vi

   Với công nghệ camera quan sát và AI có thể áp dụng để theo dõi cách thức khách hàng di chuyển trong cửa hàng, thời gian họ dành để xem sản phẩm trưng bày, ….

   Dữ liệu về hành vi mua hàng của khách được thu thập thông qua hệ thống quản lý bán hàng của doanh nghiệp. Với hệ thống này, nhà marketing có được những thông tin cá nhân của khách hàng, lịch sử mua hàng của họ, giá bán sản phẩm, chương trình marketing được áp dụng tại thời điểm khách mua hàng, …. Hiện nay việc áp dụng các phần mềm quản lý bán hàng của các doanh nghiệp đã phổ biến nên những dữ liệu này là sẵn có tại các doanh nghiệp.

4. Tổ chức nền tảng dữ liệu

   Bài học trên thế giới nhận định rõ là phải tiêu chuẩn hóa dữ liệu trước khi thực hiện tự động hóa lưu trữ dữ liệu. Nếu các dữ liệu được thu thập một cách không đồng bộ, định dạng, cấu trúc khác nhau...thì máy tính thậm chí là cả con người cũng không thể xử lý được. Và khi đó doanh nghiệp có rất nhiều dữ liệu không nhất quán, có thể làm lãng phí nguồn tài nguyên thu thập được. Đây đang là thách thức lớn nhất đối với bất kỳ doanh nghiệp nàohiện nay. Thực tế trong doanh nghiệp cho thấy mỗi bộ phận, phòng ban khác nhau đều có cách thu thập dữ liệu và lưu trữ theo cách khác nhau hoàn toàn, do đó sẽ không thể tận dụng được tiềm năng của Big Data. Nếu có tiêu chuẩn chung về dữ liệu thì ta sẽ luôn có được nguồn dữ liệu, thông tin như nhau, từ đó sẽ giúp việc tổng hợp xử lý được dễ dàng.

   Từ Excel đến SQL và noSQL

   Excel là công cụ đa năng, hữu dụng được các doanh nghiệp sử dụng để quản lý các dữ liệu quy mô nhỏ cho mình trong các hoạt động kinh doanh, kế toán, … Tuy nhiên trong kỷ nguyên số, khối lượng dữ liệu, tốc độ phát sinh dữ liệu và các khía cạnh khác nhau của dữ liệu ngày càng lớn thì Excel không thể đảm đương được công việc của mình nữa. Một vấn đề lớn khi tổ chức và quản lý dữ liệu trên Excel là tính toàn vẹn của dữ liệu không được đảm bảo. Người dùng hoàn toàn có thể chỉnh sửa hoặc xóa trực tiếp dữ liệu lưu trữ, từ đó dẫn đến dữ liệu không được bảo vệ an toàn và hoàn toàn có thể bị sai lệch mà khó có thể truy tìm được nguyên nhân. Mặt khác Excel không phù hợp để quản lý khối lượng dữ liệu lớn do bản chất của Excel không phải để sử dụng trong mục đích này.

   Để đáp ứng được yêu cầu lưu trữ dữ liệu ở quy mô lớn, các doanh nghiệp phải sử dụng các hệ thống quản lý dữ liệu chuyên nghiệp. Phổ biến nhất là SQL để lưu trữ các dữ liệu có cấu trúc, có quan hệ và gần đây là noSQL để lưu trữ các dữ liệu phi cấu trúc, phi quan hệ.

   NoSQL là một hệ thống lưu trữ dữ liệu không quan hệ, không yêu cầu một lược đồ cố định, tránh các phép nối, và dễ dàng mở rộng. Cơ sở dữ liệu NoSQL được sử dụng cho các kho dữ liệu phân tán với nhu cầu lưu trữ dữ liệu khổng lồ. NoSQL được sử dụng cho dữ liệu lớn và các ứng dụng thời gian thực. Ví dụ như các công ty như Twitter, Facebook, Google thu thập hàng terabyte dữ liệu người dùng mỗi ngày.

   Hệ thống ETL

   Cùng với hệ thống lưu trữ dữ liệu là hệ thống ETL - là quy trình chung sao chép dữ liệu từ một hoặc nhiều nguồn vào hệ thống đích đại diện cho dữ liệu khác với nguồn - sử dụng cho việc trích xuất, biến đổi và tải dữ liệu, chuyển từ nguồn dữ liệu sang phân tầng vào hệ thống lưu trữ dữ liệu.

   Một hệ thống ETL được thiết kế phù hợp sẽ trích xuất dữ liệu từ các hệ thống nguồn, thực thi các tiêu chuẩn về tính nhất quán và chất lượng dữ liệu, tuân thủ dữ liệu để các nguồn riêng biệt có thể được sử dụng cùng nhau và cuối cùng cung cấp dữ liệu ở định dạng sẵn sàng để có thể xây dựng ứng dụng và đưa ra quyết định.

   Các loại công cụ ETL hiện nay:

   • Công cụ xử lý hàng loạt: nhanh và hiệu quả nếu xử lý dữ liệu thời gian thực không phải là ưu tiên cao
   • Các công cụ nguồn mở: Là một giải pháp thay thế có chi phí thấp, dành cho các gói phần mềm thương mại, ETL nguồn mở hoạt động tốt cho các tổ chức vận hành và bảo trì phần mềm, muốn tránh phần mềm độc quyền và không cần thực hiện chuyển đổi dữ liệu phức tạp.
   • Các công cụ dựa trên đám mây: Các công cụ dựa trên điện toán đám mây có thể được lưu trữ trên đám mây dưới dạng SaaS hoặc được triển khai trực tiếp vào cơ sở hạ tầng đám mây của riêng.
   • Công cụ thời gian thực: đáp ứng nhu cầu cần chuyển đổi và quản lý dữ liệu lớn hoặc truyền dữ liệu theo thời gian thực. Tuy nhiên, không phải tất cả dữ liệu đều cần được xử lý trong thời gian thực.

   Các dịch vụ quản lý nền tảng dữ liệu:

   Có rất nhiều nền tảng quản lý dữ liệu lớn, đáp ứng các nhu cầu lưu trữ, phân tích và cả trực  quan hóa dữ liệu và 10 đơn vị phổ biến nhất trên thế giới có thể kể ra là:

   • V12 Data
   • Lotame
   • Adobe Audience Manager
   • MediaMath TerminalOne Marketing OS™
   • Oracle BlueKai
   • Salesforce DMP
   • Signal
   • SAS/ACCESS® 9.4 Interface to PC Files
   • Google Audience Center
   • Nielsen DMP
5. Phân tích dữ liệu

   Việc thu thập, lưu trữ dữ liệu không quan trọng bằng việc phân tích, sử dụng những giá trị của nguồn thông tin đó như thế nào. Dữ liệu là những tài sản vô giá nhưng lại có giá trị giảm dần theo thời gian. Chẳng hạn, những báo cáo hành vi digital cuối 2019 không còn phù hợp với thực tế hậu khủng hoảng; hay dữ liệu sở thích, mối quan tâm của người dùng trên các trang thương mại điện tử hoàn toàn thay đổi chỉ trong vài tháng. Thu thập dữ liệu nhưng không kịp thời khai thác  là lý do khiến không ít doanh nghiệp thất bại trong chuyển đổi số – không chỉ tại Việt Nam mà trên toàn thế giới. Dữ liệu nếu được lưu trữ như kho tàng nhưng không bao giờ sử dụng sẽ hoàn toàn vô nghĩa. Do đó, trước khi xây dựng hệ thống lưu trữ và phân tích dữ liệu, doanh nghiệp nên bắt đầu từ câu hỏi: làm thế nào để ứng dụng hệ thống này để đưa ra quyết định trong hoạt động của doanh nghiệp, trong marketing.

   Phân tích dữ liệu là một hoạt động phức tạp, đòi hỏi người thực hiện phải có kiến thức, hiểu biết về thống kê, dữ liệu, công nghệ thông tin, và đặc biệt là về hoạt động kinh doanh của doanh nghiệp. Các doanh nghiệp thường tổ chức hoạt động này thành một nhóm gồm các vị trí có chuyên môn khác nhau, phù hợp với quá trình này như: Phân tích dữ liệu (DA – Data Analyst), Phân tích nghiệp vụ (BA – Business Analyst). Trong đó DA là người thu thập, tổng hợp và sắp xếp dữ liệu thành những thông tin hữu ích. Qua đó, giúp các doanh nghiệp thẩm định, đánh giá, cân nhắc, dự đoán để đưa ra các quyết định quan trọng. Điểm khác biệt lớn nhất của BA so với DA là sự hiểu biết về dữ liệu liên quan đến hoạt động kinh doanh của doanh nghiệp. Một BA thường sẽ làm việc trực tiếp với các vị trí lãnh đạo cấp cao phụ trách mảng kinh doanh. Bằng cách thu thập, thống kê, phân tích và xử lý dữ liệu, họ có thể đưa ra các dự báo, tối ưu, quản trị rủi ro…

   Công nghệ trong phân tích dữ liệu

   Có một số phương pháp phân tích dữ liệu bao gồm khai phá dữ liệu (data mining), phân tích văn bản (text analytics) và trí tuệ doanh nghiệp (business intelligence). Hoạt động phân tích dữ liệu có thể được chia thành 4 loại như sau:

   • Phân tích mô tả: Phương pháp phân tích bằng cách mô tả lại những gì đã xảy ra, các hoạt động đã diễn ra. Ví dụ, số lượng khách truy cập website trong 1 tháng qua, doanh số bán hàng trong năm…
   • Phân tích chẩn đoán: Lý giải cho sự xảy ra của một hoặc nhiều hiện tượng nào đó, phương pháp này cần dữ liệu đầu vào đa dạng hơn và một số giả thuyết nhất định. Ví dụ, phân tích chẩn đoán vì sao doanh thu giảm trong tuần qua.
   • Phân tích dự báo: Bằng cách kết hợp nhiều dữ liệu đầu vào, các nhà phân tích có thể đưa ra giả thuyết về các sự kiện có thể xảy ra. Ví dụ, dự báo ảnh hưởng của chiến lược marketing trong tháng tiếp theo.
   • Phân tích đề xuất: đi đến những hành động cụ thể nên thực hiện trong khoảng thời gian tiếp theo. Ví dụ, dự đoán ảnh hưởng của chiến lược marketing trong tháng tiếp theo cho kết quả khả quan, đề xuất doanh nghiệp nên bổ sung nhân lực và tăng thêm các hoạt động truyền thông.

   Các công nghệ được sử dụng trong hoạt động phân tích, khai thác dữ liệu lớn là trí tuệ nhân tạo (AI – Artificial Intelligene) với những phân ngành như học máy (Machine Learning), xử lý ngôn ngữ tự nhiên (Natural Laguage Processing), điện toán thị giác (Computer Vision), v.v… Trí thông minh nhân tạo về cơ bản là khi máy móc thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người. Lĩnh vực trí tuệ nhân tạo bao gồm Machine Learning, trong đó máy móc có thể học hỏi bằng kinh nghiệm và có được các kỹ năng mà không cần sự tham gia của con người. Deep Learning là một nhánh của Machine Learning, trong đó mạng lưới thần kinh – thuật toán lấy cảm hứng từ bộ não con người – học từ một lượng lớn dữ liệu.

6. Trực quan hóa, báo cáo hỗ trợ ra quyết định

   Trực quan hóa dữ liệu (Data Visualization) thường được sử dụng sau khi có kết quả phân tích từ dữ liệu, tức có được thông tin trích xuất từ dữ liệu để trình bày cho người xem. Ngoài ra, trực quan hóa dữ liệu cũng được sử dụng để khai phá và hiểu dữ liệu trước khi dữ liệu được đưa vào giai đoạn phân tích. Đây là việc tạo ra các biểu đồ, đồ thị... hay sử dụng các phương pháp, công cụ khác nhau để trực quan hóa và minh họa dữ liệu được tốt nhất. Hoạt động marketing cần trực quan hóa dữ liệu cho các báo cáo nội bộ, cung cấp các báo cáo cho khách hàng hoặc các ấn phẩm marketing, giúp người đọc những thông tin quan trọng khó nhìn thấy ngay lập tức trong dữ liệu thô.

   Để chuyển hóa tạo ra giá trị từ dữ liệu thô ban đầu, thông thường cần có ba giai đoạn sau:

   • Dữ liệu (Data): là những dữ liệu thô tạo ra từ thực tế, thường ở dạng số, văn bản, hình ảnh, âm thanh, video, … trích xuất từ cơ sở dữ liệu của doanh nghiệp. Dữ liệu có thể là định lượng hoặc định tính.
   • Thông tin (Information): là ‘dữ liệu’ được xử lý, tổng hợp, sắp xếp thành một định dạng có cấu trúc và cung cấp nhiều ngữ cảnh cụ thể để tạo ra thông tin có ý nghĩa. Dữ liệu mà không có ngữ cảnh thì ít có giá trị.
   • Những hiểu biết giá trị (Insights): đây là kết quả từ việc phân tích thông tin và rút ra kết luận, từ đó mang đến những hiểu biết có giá trị đối với doanh nghiệp để giúp nhà quản trị đưa ra những quyết định kinh doanh.

   Các nguyên tắc cơ bản trình bày dữ liệu

   Để được sử dụng hiệu quả dữ liệu phải được tổng hợp và xử lý một cách khoa học để chuyển hóa thành thông tin hữu ích. Các thông tin này được trình bày một cách dễ đọc, dễ hiểu, để những người đọc thông thường, không cần có nhiều kiến thức chuyên môn cũng có thể hiểu rõ các thông điệp từ báo cáo trực quan hóa dữ liệu này. Thực hiện trực quan hóa dữ liệu thường được thực hiện theo các nguyên tắc:

   • Xác định mục tiêu, kỳ vọng. Trực quan hóa dữ liệu cần cung cấp một thông điệp rõ ràng và có ý nghĩa cho đối tượng sử dụng. Mục tiêu, ngữ cảnh và đối tượng sử dụng kết quả theo đó cần được xác định rõ ràng trước khi trực quan hóa dữ liệu.
   • Chuẩn bị. Các dữ liệu cơ bản cần được làm sạch, chuyển đổi và chuẩn bị cho công việc phân tích. Dữ liệu cần thiết phải được xác định dựa trên mục tiêu, bối cảnh và đối tượng sử dụng để quá trình phân tích và trực quan dữ liệu có thể đưa ra thông điệp đầy đủ và toàn diện.
   • Tối giản. Trực quan hóa dữ liệu phải được hiển thị đơn giản đến mức các đối tượng không chuyên có thể hiểu được thông điệp truyền đạt. Việc sử dụng tốt hình ảnh trực quan (biểu đồ, màu sắc...) sẽ loại bỏ sự thiếu tập trung, giúp làm rõ thông điệp của hình ảnh trực quan, giúp người đọc dễ dàng lĩnh hội các số liệu, thống kê phức tạp.
   • Sử dụng tiêu đề và bình luận. Tiêu đề và bình luận nên được sử dụng đúng lúc đúng chỗ để giúp người đọc nhanh chóng xác định thông điệp chính của hình ảnh. Ngoài ra, tránh sử dụng các thuật ngữ chuyên ngành hoặc từ viết tắt khi giao tiếp với đối tượng sử dụng đại chúng.
   • Không sử dụng hình ảnh kém trung thực. Việc trực quan hóa dữ liệu cần cung cấp thông điệp và sự kiện chuẩn xác. Thực hiện trực quan hóa dữ liệu phải dựa trên quy chuẩn đo lường phổ biến, bao gồm dữ liệu đầy đủ để tránh các hình ảnh không trung thực gây ra cách hiểu sai lệch về dữ liệu.
   • Chọn đúng công cụ. Có nhiều yếu tố cần xem xét khi lựa chọn một công cụ, từ công nghệ phù hợp, tốc độ triển khai, đến chi phí sở hữu, tính tích hợp, khả năng mở rộng,... Hiện có rất nhiều ứng dụng hỗ trợ trực quan hóa dữ liệu như Microsoft Excel, Power BI, Tableau, Google Data Studio….

   Trong hoạt động trực quan hóa dữ liệu thường có 4 cách trình bày như sau:

   Giá trị so sánh:

   Hầu hết các biểu đồ được tạo ra nhằm mục đích so sánh dữ liệu. Vì chức năng so sánh giúp bạn hình dung được bức tranh lớn về các dữ liệu. Loại  này được chia thành hai phần, so sánh giữa các mục tiêu trong cùng một thời điểm cụ thể và so sánh thay đổi qua thời gian. Thông thường các phép so sánh được dùng để thực hiện một trong các mục tiêu sau:

   • So sánh hai hoặc nhiều giá trị cạnh nhau để nắm bắt trực quan sự khác biệt
   • Liệt kê các giá trị chính để nhanh chóng tìm và đọc chúng (ví dụ: doanh thu mỗi tháng)
   • Xếp hạng nhiều loại dữ liệu tốt nhất đến mức tồi tệ nhất và những dữ liệu xung quanh
   • Hiển thị nhận dạng mẫu bằng cách làm nổi bật các khoảng trống, điểm dị biệt (outlier) hoặc xu hướng

   Loại biểu đồ thường được sử dụng khi so sánh giữa các mục tiêu là biểu đồ cột, khi so sánh theo dòng thời gian thường dùng biểu đồ đường.

   Mối quan hệ:

   Mục đích của biểu đồ là hiển thị mối quan hệ giữa các biến của dữ liệu hoặc suy ra một số sự tương quan về mối quan hệ giữa hai hay nhiều biến.

   Loại biểu đồ thường được sử dụng phổ biến là các biểu đồ Scatter plot cho 2 biến, bubble cho 3 biến.``

   Sự phân bố giá trị:

   Biểu đồ phân phối kết hợp chức năng so sánh và tỷ trọng thành phần. Nó thể hiện phổ dữ liệu đầy đủ và trực quan hóa các điểm dữ liệu liên quan hoặc không liên quan. Với biểu đồ này, ta có thể thấy các mối tương quan mối tương quan, xu hướng, mô hình, hình dạng, cụm, điểm trung bình hoặc điểm dị biệt. Một phần rất phổ biến trong phân tích phân phối thường được sử dụng trong báo cáo kinh doanh là phân tích Độ lệch hoặc Phương sai.

   Các biểu đồ, đồ thị được sử dụng phổ biến:

   • Column histogram thường dành cho một biến và phân phối rời rạc
   • Line histogram cũng dành cho phân phối một biến nhưng là phân phối liên tục.
   • Scatter plot thường dành cho 2 biến trở lên và phân phối phân tán, dựa vào đó để kiểm tra mối tương quan và xây dựng mô hình dự đoán.

   Tỷ trọng thành phần:

   Biểu thị cách thức các phân phối thành phần, riêng lẻ kết hợp thành một tổng thể. Hoặc ngược lại, một tổng thể sẽ được chia nhỏ thành nhiều thành phần từ đó nổi bật lên giá trị một thành phần so với tổng thể.

7. 2Kết luận

Phân tích dữ liệu được sử dụng trong kinh doanh để giúp các tổ chức đưa ra quyết định kinh doanh tốt hơn. Cho dù đó là nghiên cứu thị trường, nghiên cứu sản phẩm, định vị, đánh giá khách hàng, phân tích tình cảm hay bất kỳ vấn đề nào khác mà dữ liệu tồn tại, việc phân tích dữ liệu sẽ cung cấp thông tin chi tiết mà các tổ chức cần để đưa ra lựa chọn phù hợp. Phân tích dữ liệu rất quan trọng đối với các doanh nghiệp ngày nay, bởi vì các lựa chọn dựa trên dữ liệu là cách duy nhất để thực sự tự tin trong các quyết định kinh doanh.

Sử dụng phân tích dữ liệu, doanh nghieejp có thể xác định những hình thức tiếp cận khách hàng một cách hiệu quả và tạo ra tác động khiến họ mua sản phẩm. Dữ liệu cho phép hiểu những phương pháp marketing nào có tác động lớn nhất đến đối tượng mục tiêu và có thể áp dụng ở quy mô nào.

Không có hoạt động nào mà phân tích dữ liệu thực hiện tốt hơn việc kiểm tra hiệu quả của các sản phẩm hoặc doanh nghiệp trên thị trường. Khi hiểu được sản phẩm phù hợp với đối tượng khách hàng nào, nhà marketing có thể xác định lĩnh vực sẽ tập trung vào và đối tượng khách hàng nào. Các xu hướng trên thị trường cũng cung cấp thông tin về chi tiêu và sở thích của người tiêu dùng. Khi có đủ thông tin về những điều quan trọng này, nhà marketing có thể hướng doanh nghiệp sản xuất hoặc phân phối một số hàng hóa hoặc dịch vụ nhất định để đáp ứng mong muốn của khách hàng tiềm năng. Thông tin cũng rất cần thiết trong việc định giá và xác định quảng cáo bạn sẽ áp dụng cũng như thị trường ngách bạn sẽ nhắm mục tiêu.

Tài liệu tham khảo

Rossi, P. E., McCulloch, R. E., & Allenby, G. M. (1996). The value of purchase history data in target marketing. Marketing Science, 15(4), 321-340.

Hui, S. K., Fader, P. S., & Bradlow, E. T. (2009). Path data in marketing: An integrative framework and prospectus for model building. Marketing Science, 28(2), 320-335.

Rust, R. T., Moorman, C., & Bhalla, G. (2010). Rethinking marketing. Harvard business review, 88(1/2), 94-101.

Peter, J. P., & Olson, J. C. (1983). Is science marketing?. Journal of Marketing, 47(4), 111-125.

Phelan, W. L., Reagen, J. Q., Peo, C. R., Hackney, M. L., Pedersen, E., Skrzypczak, M. P., & Wells, J. C. (2011). U.S. Patent No. 7,904,327. Washington, DC: U.S. Patent and Trademark Office.

Yao, J., Teng, N., Poh, H. L., & Tan, C. L. (1998). Forecasting and analysis of marketing data using neural networks. J. Inf. Sci. Eng., 14(4), 843-862.

Looney, H. F., Jacobson, M., & Redding, M. J. (2011). U.S. Patent No. 7,925,549. Washington, DC: U.S. Patent and Trademark Office.

Fayyad, U. M., & Ojjeh, B. Y. (2008). U.S. Patent No. 7,424,439. Washington, DC: U.S. Patent and Trademark Office.

Harms, B., & Johnson, K. (2000). U.S. Patent No. 6,070,147. Washington, DC: U.S. Patent and Trademark Office.