DigiService

 3. Các bước chuẩn bị dữ liệu trước khi nói đến AI

3.1. Xác định dữ liệu gắn với bài toán kinh doanh

Thay vì hỏi “có thể áp dụng AI vào đâu?”, doanh nghiệp nên đặt câu hỏi “bài toán kinh doanh ưu tiên là gì, và cần dữ liệu gì để giải quyết?”. Một số ví dụ:

1. Tối ưu hoạch định sản xuất: cần dữ liệu đơn hàng, năng lực máy, thời gian chuẩn bị, lỗi sản phẩm, tồn kho.
2. Giảm tỷ lệ khách hàng rời bỏ: cần dữ liệu lịch sử giao dịch, tương tác chăm sóc, khiếu nại, hợp đồng, kênh liên lạc.
3. Bảo trì dự đoán: cần dữ liệu cảm biến máy, lịch sử hỏng, điều kiện vận hành, lịch bảo dưỡng.

Chỉ khi bài toán kinh doanh được làm rõ, doanh nghiệp mới biết phải thu thập, chuẩn hóa và tích hợp những nguồn dữ liệu nào.

3.2. Chuẩn hóa và làm sạch dữ liệu

Đây thường là phần tốn công nhất nhưng ít “hào nhoáng” nhất của mọi dự án liên quan tới AI. Các bước điển hình gồm:

1. Thống nhất mã danh mục: khách hàng, sản phẩm, máy móc, nhà cung cấp… phải có mã duy nhất, không trùng, không trôi.
2. Định nghĩa rõ chỉ số: mỗi KPI/metric cần có định nghĩa, cách tính, đơn vị, nguồn dữ liệu, chu kỳ cập nhật.
3. Phát hiện và xử lý dữ liệu bất thường: giá trị ngoại lệ, trùng lặp, thiếu trường, định dạng sai.
4. Ghi nhận đầy đủ các trạng thái: không chỉ ghi kết quả cuối (thành công/thất bại), mà ghi lại cả lý do, bước trung gian.

Các công việc này cần sự phối hợp giữa nghiệp vụ và công nghệ, không thể giao hoàn toàn cho IT hoặc nhà cung cấp giải pháp.

3.3. Xây dựng năng lực quản trị dữ liệu (data governance)

Quản trị dữ liệu là nền tảng để dữ liệu không chỉ sạch tại một thời điểm, mà duy trì chất lượng ổn định theo thời gian. Một khung quản trị dữ liệu tối thiểu nên có:

1. Vai trò rõ ràng: ai là chủ dữ liệu (data owner) ở mỗi lĩnh vực; ai chịu trách nhiệm vận hành và cải thiện (data steward).
2. Chính sách và quy chế: phân quyền truy cập, quy định nhập liệu, quy tắc đặt mã, quy trình phê duyệt thay đổi.
3. Công cụ giám sát: báo cáo chất lượng dữ liệu, cảnh báo khi có bất thường, log truy vết thay đổi.

Khi data governance được thiết lập, các dự án AI sẽ có nền tảng dữ liệu ổn định để phát triển lâu dài, thay vì phải “dọn dẹp lại từ đầu” mỗi lần triển khai mới.

4. Ứng dụng thực tiễn: AI trong doanh nghiệp chỉ tạo giá trị khi dữ liệu đủ tốt

4.1. Ví dụ trong sản xuất thông minh

Trong nhà máy, AI thường được kỳ vọng hỗ trợ các bài toán như tối ưu lịch sản xuất, bảo trì dự đoán, kiểm tra lỗi sản phẩm bằng hình ảnh. Tuy nhiên, để làm được điều đó, tối thiểu cần:

1. Dữ liệu thời gian thực từ máy móc (IoT, PLC) được ghi nhận liên tục, không mất mát.
2. Dữ liệu lỗi sản phẩm được phân loại rõ nguyên nhân, công đoạn, ca sản xuất, tổ đội.
3. Dữ liệu đơn hàng, kế hoạch, tồn kho được đồng bộ với dữ liệu vận hành.

Nếu các hệ thống này không “nói chuyện” được với nhau, hoặc dữ liệu bị thiếu, mô hình AI rất khó đưa ra lịch sản xuất tối ưu hay cảnh báo hỏng hóc chính xác.

4.2. Ví dụ trong kinh doanh và chăm sóc khách hàng

Trong khối thương mại, AI thường được dùng để gợi ý sản phẩm, dự đoán nhu cầu, phát hiện khách hàng có nguy cơ rời bỏ. Điều kiện tiên quyết là:

1. Có lịch sử giao dịch chi tiết (theo khách hàng, theo mặt hàng, theo kênh).
2. Dữ liệu tương tác đa kênh (gọi điện, email, chat, gặp trực tiếp) được ghi vào cùng một hồ sơ khách hàng.
3. Các trường quan trọng như ngành nghề, quy mô, vai trò người liên hệ được cập nhật đầy đủ.

Nếu doanh nghiệp vẫn chủ yếu vận hành dựa trên quan hệ cá nhân của sales mà không ghi nhận dữ liệu, mọi thuật toán AI gợi ý hay dự đoán sẽ trở nên vô nghĩa.