Một năm trước, mình từng phụ trách một line product mới trong portfolio của công ty. Vì chưa có doanh số đủ lớn để được ưu tiên như các core product, line này luôn bị xếp xó khi chia resource, nhưng nghịch lý là vẫn gánh KPI tăng trưởng rất cao. Vấn đề đau đầu nhất là trong các buổi họp duyệt kế hoạch, mình hoàn toàn lép vế, không có đủ tiếng nói để giành quyền lợi.

Kết quả là team mình vừa bị cắt bớt nhân sự, vừa phải nhận thêm những đầu việc lặt vặt mà các team khác đùn đẩy sang (vì sếp mặc định: sản phẩm nhỏ = ít việc 😭). KPI thì tăng, nhưng người không tăng, budget không tăng, sự phối hợp từ các phòng ban khác lại càng mập mờ.

Trầy trật một thời gian dài, mình mới nhận ra vấn đề không phải vì sản phẩm nhỏ, mà vì bản thân chưa biết cách work để bảo vệ team. Muốn kéo lại nguồn lực, Leader không thể bước vào phòng họp chỉ với cảm giác “team mình đang rất khó”, mà phải dùng dữ liệu để chứng minh line này đang đóng vai trò gì trong mục tiêu chung. Bài viết này là vài đúc kết thực chiến của mình, hy vọng sẽ giúp các Leader không còn phải im lặng nhận KPI vô lý rồi về team tự xoay sở.

Tham khảo khóa học Analytics for Strategy được thiết kế riêng cho Leader/ Middle Manager muốn trang bị data skills

Phần 1: Vì sao Leader thấy bị lép vế?

Để giải quyết được bài toán bị dồn ép KPI, trước hết mình phải dũng cảm nhìn thẳng vào thực tế: Tại sao mình lại lép vế? Giai đoạn đầu, mình từng nghĩ do sếp thiên vị hoặc các team khác ích kỷ. Nhưng khi bóc tách kỹ, mình nhận ra bản thân đang bị kẹp giữa một “gọng kìm” 3 phía, mà ở góc nào mình cũng thiếu vũ khí để tự vệ.

1.1. Áp lực từ trên xuống (Sếp tổng): “Sản phẩm nhỏ nhưng kỳ vọng phải lớn”

Đứng ở góc độ Business Owner, sếp tổng luôn muốn đa dạng hóa danh mục sản phẩm và tìm kiếm những động cơ tăng trưởng mới. Nhưng nghịch lý ở chỗ: vì là line mới/nhỏ, sếp chỉ xem đây là một phép thử.

Tư duy quản trị lúc này sẽ là: Chi phí tối thiểu nhưng tăng trưởng phải tối đa. Sếp chỉ nhìn vào con số tổng và muốn thấy kết quả thật nhanh để chứng minh line này có tiềm năng đi tiếp. Kết quả là sếp giao cho bạn một mục tiêu rất “khủng” nhưng lại thắt chặt hầu bao, đẩy Leader vào thế phải tự bơi với một nguồn lực vô cùng hạn chế.

Đọc thêm: Customer Growth Models: Các mô hình và công thức tăng trưởng khách hàng

1.2. Áp lực từ ngang sang (Các team bạn): “Vô can, vô cảm và vô trách nhiệm”

Phòng họp Portfolio thực chất là một “sàn đấu” về lợi ích. Mỗi Leader bước vào đó đều mang theo một tâm lý phòng vệ cực cao: bảo vệ lợi ích của team mình trước tiên.

Nguyên tắc bất di bất dịch ở công sở là không ai muốn ôm thêm việc, thêm trách nhiệm khi quyền lợi không thay đổi. Khi thấy sản phẩm của bạn nhỏ, họ mặc định đó là việc riêng của bạn. Các team chủ lực sẽ tìm mọi cách hướng KPI và ngân sách về phía họ để dễ ra số và an toàn nhất. Thậm chí, họ sẵn sàng dùng luật ngầm để đùn đẩy những task râu ria, khó đo lường hiệu quả sang cho team bạn với lý do: “Sản phẩm nhỏ, ít việc thì cầm đỡ hộ team anh/chị”. Nếu không có tiếng nói, bạn nghiễm nhiên trở thành cái “bãi đáp” cho những việc không ai muốn làm.

1.3. Áp lực từ dưới lên (Nội bộ team): “Sức người có hạn, lòng người lung lay”

Đây mới là cái tát đau nhất tỉnh thức mình. Áp lực từ sếp hay đồng nghiệp, mình vẫn có thể gồng gượng được. Nhưng áp lực từ chính nội bộ team mới là thứ khiến Leader dễ gục ngã.

Khi bạn bước ra khỏi phòng họp với một mớ KPI vô lý mà không mang về được bất kỳ một “chiến lợi phẩm” nào: không thêm người, không thêm budget, cũng chẳng có cam kết hỗ trợ từ team bạn. Team member sẽ là người gánh hậu quả trực tiếp. Sức người có hạn, tụi nhỏ cày cuốc mãi nhưng nguồn lực mỏng, không có outsource, sếp lại đòi hỏi kết quả ngay lập tức nên chạy hoài không thấy “đỉnh”.

Hậu quả nhãn tiền là member bắt đầu bất mãn. Họ không chỉ kiệt sức (burnout) về thể xác, mà quan trọng hơn, họ mất niềm tin vào năng lực “bảo vệ team” của Leader. Khi lòng người đã lung lay, việc họ chọn rời đi chỉ là vấn đề thời gian.

Phần 2: Vì sao bạn thất bại trên bàn đàm phán?

Nhìn vào gọng kìm 3 phía ở Phần 1, có phải bạn thấy mình hoàn toàn có lý do để cam chịu? 😞 Giai đoạn đầu mình cũng tự an ủi bản thân như vậy, rằng “tại cái thế nó thế, sản phẩm nhỏ thì phải chịu”.

Nhưng nhìn lại đi, phòng họp Portfolio thực chất là một bàn đàm phán kinh doanh, nơi các Leader “bán” kế hoạch để “mua” lại nguồn lực. Nếu bạn bước ra khỏi phòng họp với một bụng ấm ức và mớ KPI quá tải, thì sự thật phũ phàng là: Bạn đã thất bại trong một cuộc thương lượng.

Và đây là 2 sai lầm chí mạng khiến các Leader line nhỏ luôn thua ngay từ khi chưa kịp lật bài:

2.1. Bạn bước vào phòng họp với tư duy “Người đi xin”

Kịch bản quen thuộc của chúng ta là gì? Bước vào họp và dõng dạc nói: “Sản phẩm này có tiềm năng lắm, sắp tới mong các team đồng hành và hỗ trợ em”.

Đây là tư duy ngây thơ nhất chốn công sở. Bạn kỳ vọng mọi người sẽ vì đại cuộc, vì công ty mà xắn tay áo lên giúp bạn. Nhưng thực tế là ai cũng bận ngập đầu để bảo vệ lợi ích và số má của team họ trước. Việc hỗ trợ một sản phẩm mới, chưa ra doanh số rõ ràng, đối với họ là một khoản đầu tư rủi ro và tốn tài nguyên. Khi bạn không cho họ thấy họ được lợi gì ngoài việc gánh thêm việc, câu trả lời nhận lại chắc chắn sẽ là cái lắc đầu, hoặc những lời hứa hẹn “để anh/chị xem lại” rồi mất hút.

2.2. Bạn thiếu “vũ khí” cốt lõi: Dữ liệu chứng minh (Data) và sự liên kết lợi ích (win-win)

Sai lầm lớn nhất của mình ngày trước là khi sếp ép KPI, mình chỉ biết phản kháng bằng cảm giác: “KPI này cao quá sếp ơi, team em đang quá tải, không làm nổi đâu”.

Các team khác phản đòn ngay bằng những con số: “Line của em nhỏ nhưng biên lợi nhuận cao”, “Team anh đã hỗ trợ đẩy ngần này lead rồi”. Thế là mình cứng họng.

Bạn nói về cái khổ của team mình, nhưng sếp và các team bạn chỉ quan tâm đến KPI của họ và mục tiêu chung của công ty. Khi bạn thiếu dữ liệu chứng minh (Data) và không tạo được sự liên kết lợi ích (Win - Win), mọi lời nói của bạn đều bị coi là sự ngụy biện, lười nhác hoặc kém năng lực. Bạn thất bại vì bạn mang một “trái tim tổn thương” bước vào trận chiến của những “cái đầu lạnh” đầy rẫy số liệu.

Đọc thêm: Kể chuyện bằng dữ liệu (data storytelling) không khó chỉ với 4 bước

Phần 3: Chiến lược “thoát hiểm”, Leader phải làm gì để lật ngược thế cờ?

Để không còn là “bãi đáp” cho những KPI vô lý, Leader line nhỏ buộc phải thay đổi vị thế từ người nhận task sang đối tác chiến lược. Muốn làm được điều đó, bạn cần trang bị lại bộ vũ khí đàm phán của mình theo 4 bước sau:

Bước 1: Ngưng ăn mày lòng thương cảm, hãy nói chuyện bằng data

Sai lầm lớn nhất của các Leader khi gánh line sản phẩm nhỏ là bước vào phòng họp với một trái tim tổn thương và những câu cảm thán quen thuộc: “Team em quá tải rồi”, “KPI này vô lý quá sếp ơi”. Trong cuộc chơi con số, mọi lời kêu ca mà không có dẫn chứng số liệu cụ thể đều bị coi là sự bất lực hoặc lười biếng.

Vũ khí tối thượng của bạn lúc này là Metric Tree (Cây chỉ số). Trước buổi họp, hãy vẽ rõ sơ đồ phễu và bóc tách vị trí của dòng sản phẩm này trong bức tranh tổng thể của công ty.

Ví dụ thực tế:

Team Marketing đang bị Sales nói là “lead không chất lượng” vì chưa đạt doanh số. Nếu Marketing chỉ cãi lại rằng “bên em vẫn ra đủ lead mà”, cuộc họp rất dễ thành màn đổ lỗi qua lại. Lúc này, thay vì tranh luận cảm tính, Leader nên kéo cả hai team về cùng một Issue Tree:

Sĩ số lớp = Số lead × Tỷ lệ booking tư vấn × Tỷ lệ tham gia tư vấn × Win rate × Số deal chốt

Sau khi bóc số, team phát hiện vấn đề không nằm ở số lead vì Marketing vẫn đạt 95% lead target. Tỷ lệ booking tư vấn cũng không giảm nhiều. Điểm rơi chính nằm ở win rate của Sales, từ 32% giảm xuống còn 18% trong 1 tháng gần nhất.

Bảng Issue Tree mình tự tổng hợp trước buổi họp với sales

Lúc này, Marketing không cần nói “Sales làm chưa tốt”, mà có thể đàm phán bằng số:

“Nếu mục tiêu là đủ doanh số lớp, vấn đề hiện tại không phải thiếu lead đầu vào mà là tỷ lệ chốt đang giảm. Marketing sẽ hỗ trợ thêm 2 nhóm nội dung long form để Sales input cho khách khi tư vấn, nhưng Sales cần cùng review lại script và feedback lý do mất học viên trong 2 tuần tới. Nếu win rate quay lại mức 28-30%, với tình hình lead về như hiện tại mình có thể đủ doanh số.”

Ở đây, Marketing không đẩy lỗi ngược lại Sales, mà dùng Issue Tree để chứng minh: muốn tăng số lượng deal won thì phải xử lý đúng điểm nghẽn là win rate, không phải cứ đòi Marketing bơm thêm lead.

Đọc thêm: Team làm nhiều mà vẫn không đạt KPI? Cách team mình bóc tách mục tiêu để bám sát Growth thực tế

Bước 2: Nghệ thuật trao đổi lợi ích

Đừng bao giờ sang team bạn và mở lời bằng câu: “Bên anh/chị giúp em phần này với”. Câu trả lời bạn nhận được 90% sẽ là: “Bên anh cũng đang ngập việc”, có khi còn bị mắng xối xả. Bản chất của mối quan hệ ngang hàng ở công sở là sự trao đổi lợi ích win-win. Bạn muốn họ nhúng tay vào việc của mình? Hãy chủ động đóng gói task đó thành một món hời cho họ.

Công thức đàm phán ở đây là: Gói sẵn tài nguyên + Lồng ghép vào KPI của họ.

Ví dụ thực tế:

Mình từng phụ trách chính cho việc tăng trưởng một sản phẩm mới, nhưng nếu chỉ bán riêng lẻ, độ phủ còn thấp nên doanh thu tăng chậm. Sau khi nhìn lại dữ liệu, mình thấy sản phẩm này có thể bán theo combo với một product line khác vì hai nhóm khách có nhu cầu bổ trợ nhau.

Nếu mình sang nói với owner của product line kia: “Bạn cho mình ké truyền thông/sales chung để đẩy sản phẩm mới nhé.” thì khả năng cao họ sẽ từ chối, vì với họ đây là thêm việc, thêm rủi ro, trong khi chưa chắc đã support tốt cho KPI của họ. Nên là trước khi “nhờ vả” mình đã ngồi làm proposal siêu chi tiết để trình bày trong phòng họp giữa các team:

“Sản phẩm mới có thể đi kèm product line kia như một combo, vì hai nhóm khách có nhu cầu bổ trợ nhau. Team mình chuẩn bị sẵn landing page, nội dung truyền thông, sales script và cách tracking. Team kia chỉ cần cùng chọn tệp khách phù hợp và test trong 2 tuần.”

Mình không yêu cầu họ trợ giúp mà thể hiện rõ đây là mối quan hệ win-win, cả hai dòng sản phẩm cùng có cơ hội tăng trưởng.

Bước 3: Quản trị kỳ vọng với Sếp

Thay vì thụ động nhận một mục tiêu quá tầm rồi loay hoay tự gồng gánh trong âm thầm, cách tiếp cận chuyên nghiệp của một Leader thực chiến là chủ động ngồi lại riêng với sếp. Công cụ thuyết phục nhất lúc này chính là Scenario Planning (Lập kế hoạch theo kịch bản).

Bạn không từ chối mục tiêu tham vọng của sếp cho portfolio mới, bạn chỉ mang đến các kịch bản vận hành thực tế tương ứng với từng mức độ đầu tư để sếp đưa ra quyết định đánh đổi (Trade-off):

• Kịch bản tối ưu: Với mức ngân sách và nhân sự hiện có, team sẽ tập trung tối ưu cốt lõi để đạt mức tăng trưởng an toàn là Z. Phương án này giúp công ty kiểm chứng sản phẩm mới mà không tốn thêm chi phí, nhưng tốc độ sẽ chậm và khó tạo đột phá ngay lập tức.

• Kịch bản tăng tốc (bứt phá để chiếm lĩnh thị trường): Nếu sếp muốn đạt mục tiêu tăng trưởng kỳ vọng là 2Z hoặc 3Z, bài toán vận hành bắt buộc phải có thêm điều kiện cần. Lúc này, team cần được cấp thêm một khoản budget nhỏ để outsource các task vận hành. Đồng thời, sếp cần đứng ra làm cầu nối chiến lược, điều phối nhân sự cứng từ các team lớn sang hỗ trợ đẩy tiến độ trong giai đoạn đầu.

Cách tiếp cận này biến buổi thảo luận thành một phiên làm việc chiến lược sòng phẳng. Bạn đang đứng cùng một phía với sếp để giải bài toán kinh doanh, giúp sếp thấy rõ: để mở khóa được kịch bản tăng trưởng đột phá, hệ thống luôn cần một đòn bẩy nguồn lực tương xứng.

Bước 4: Minh bạch với team member

Sau khi đã chiến đấu ở “tiền tuyến”, bước cuối cùng và quan trọng nhất là quay về bảo vệ “hậu phương”. Đừng cố đóng vai một vị anh hùng cô độc, gồng mình nhận hết áp lực rồi âm thầm chịu trận, vì member của bạn rất nhạy cảm, họ sẽ ngửi thấy mùi bế tắc ngay lập tức.

Hãy minh bạch mọi chuyện với team:

• Họp team thẳng thắn: Chia sẻ rõ bối cảnh công ty, những sức ép mà sản phẩm đang phải gánh và lý do vì sao có những mục tiêu bắt buộc phải đạt được trong 6 tháng tới.

• Vạch rõ ranh giới bảo vệ: Chỉ cho member thấy Leader đã đấu tranh để cắt giảm những task râu ria nào, đòi được quyền lợi gì (dù là nhỏ nhất) cho team.

• Tái cấu trúc công việc: Rà soát lại bảng phân vai, kiên quyết loại bỏ hoặc hoãn lại các đầu việc không trực tiếp tạo ra giá trị để dồn toàn lực cho trận đánh lớn.

Khi member thấy Leader của mình dám đứng mũi chịu sào, dám bảo vệ họ bằng hành động cụ thể chứ không chỉ hứa suông, họ sẽ không còn cảm giác bị bỏ rơi. Sự bất mãn sẽ biến thành sự đồng lòng, và đó là cái gốc vững chắc nhất để team cùng bạn vượt qua giai đoạn trầy trật.

Tạm kết

KPI sếp giao có thể vô lý, nhưng cách bạn phản kháng thì bắt buộc phải logic. Khi bạn biết cách dùng dữ liệu để bảo vệ team với văn hoá làm việc minh bạch, mình tin bạn sẽ có đủ kỹ năng để giải quyết bài toán tăng trưởng và quản lý team.

Tư duy data driven và năng lực nhìn nhận hệ thống như một Business Owner không phải là kỹ năng tự động bộc phát khi bạn được lên chức, mà là kết quả của một quá trình mài giũa bài bản. Nếu bạn đang tìm kiếm một bệ phóng để làm chủ năng lực thiết lập Metric Tree, đọc số và dùng dữ liệu làm vũ khí giành thế chủ động trên bàn đàm phán, hãy tham khảo khóa học Analytics for Strategy tại TM Data School. Khóa học được thiết kế không phải để dạy bạn những lý thuyết data khô khan, mà tập trung giải quyết đúng bài toán tăng trưởng qua 5 case study thực tế.

Tham khảo khóa học ở đây nha!

Mỗi lần làm dashboard, mình thường mất khá nhiều thời gian cho đoạn chọn chart và sắp xếp bố cục. Có những dashboard nhìn thì đầy đủ biểu đồ, nhưng khi dùng lại không đúng như team kỳ vọng hoặc chưa làm rõ được insight từ data. Thành ra làm xong rồi mà mình cũng không chắc là có thể dùng được ngay.

Vì vậy, mình bắt đầu tìm hiểu xem có cách nào làm phần này nhanh gọn hơn không. Trong lúc theo học khoá Power BI & AI for Data Analytics tại TM, mình thấy các trainer có nhắc đến ChartGen.AI - một công cụ hỗ trợ gợi ý chart và layout dashboard bằng AI khá hay. Sẵn đang muốn cải thiện tốc độ làm việc, mình quyết định dùng thử công cụ này xem thực tế đến đâu.

Bài viết này là những đúc kết từ quá trình mình mày mò em nó, hy vọng sẽ giúp ích cho các bạn cũng đang gặp tình trạng tương tự!

Bước 1: Upload data vào ChartGen.AI

Bước này dễ nha. Bạn chỉ cần xuất dữ liệu ở dạng bảng như CSV hoặc Excel thì chỉ cần upload trực tiếp vào mục Data Analysis là được. ChartGen.AI sẽ đọc và xử lý luôn để tạo dashboard.

Còn nếu dữ liệu đang nằm trong PDF hoặc ảnh, bạn cần upload vào mục Data Extraction để AI trích xuất lại thành dạng bảng trước, sau đó mới chuyển sang phân tích.

Tuy nhiên, một lưu ý nhỏ là ChartGen.AI không thay thế hoàn toàn bước làm sạch dữ liệu. Nếu file của bạn còn lỗi như:

• thiếu dữ liệu

• sai định dạng (số bị lưu thành text)

• tên cột không rõ ràng

• dữ liệu bị trùng hoặc lộn xộn

thì nên xử lý trước ở Excel hoặc Google Sheets rồi hãy upload.

Vì không muốn dùng data nội bộ của công ty để thử tool, mình chọn một dataset phân khúc khách hàng trên Kaggle để luyện tập trước. Dataset mình dùng nằm trong bài blog 15 datasets để thực hành phân tích dữ liệu với Power BI, phần 1 luôn nha!

Bước 2: Viết prompt để ChartGen.AI tạo dashboard

2.1. Test thử prompt

Để xem công cụ này có thể tạo ra những gì, mình thử viết một prompt rất đơn giản: “create a dashboard for customer churn analysis” và chọn feature “build dashboard”.

Ngoài ra, mọi người có thể linh động chọn các feature khác như tạo lẻ từng biểu đồ, tạo slide PowerPoint hay viết báo cáo. Với dân Sales/Marketing suốt ngày phải vật lộn làm slide báo cáo các thứ thì vô cùng tiện.

Chờ khoảng tầm 5-10 phút thì ChartGen.AI trả về dashboard khá chi tiết và cấu trúc dashboard chuẩn với 3 phần rõ ràng khiến mình wow luôn.

Phần 1: Overview với các chỉ số tổng quan như số lượng khách hàng, số khách rời đi và churn rate.

Phần 2: Các biểu đồ phân tích chi tiết, tập trung vào ba khía cạnh chính gồm nhân khẩu học, hành vi chi tiêu và mức độ tương tác của khách hàng với cửa hàng.

Phần 3: Insight và khuyến nghị, nơi AI tổng hợp lại các pattern và đưa ra một số hướng hành động.

Nhìn tổng thể, dashboard đầu tiên khá chi tiết: có overview, có phân tích theo nhóm khách hàng, có cả phần insight và recommendation. Nếu chỉ dùng để xem nhanh dữ liệu, output này đã khá ổn. Tuy nhiên, vì mình đang test xem ChartGen.AI có thể tạo ra một dashboard dùng được đến đâu, mình muốn kiểm tra thêm một bước: dashboard này có chỉ dừng ở mức mô tả, hay có thể hỗ trợ mình ra quyết định.

2.2. Tối ưu prompt

Để đánh giá điều đó, mình đọc lại dataset. Đây là bộ dữ liệu mô phỏng hành vi mua hàng của khách hàng, gồm các thông tin như nhân khẩu học, số ngày kể từ lần mua gần nhất, tần suất mua hàng, kênh mua hàng và số tiền chi tiêu theo từng nhóm sản phẩm. Với những trường dữ liệu này, dashboard không chỉ có thể trả lời “nhóm khách nào có dấu hiệu rời bỏ?”, mà còn có thể đào sâu hơn: nhóm khách nào vừa có dấu hiệu rời bỏ, vừa mang lại giá trị kinh doanh đủ lớn để đáng ưu tiên giữ chân trước?

Thì dashboard mới làm đầu tiên mới làm tốt phần mô tả tình trạng rời bỏ. Nhưng nó chưa làm rõ phần thứ hai: mức độ ưu tiên theo giá trị kinh doanh.

Từ đó, mình viết lại prompt theo hướng cụ thể hơn. Về mặt chỉ số, mình yêu cầu dashboard bắt buộc phải có:

• Total customers để biết quy mô khách hàng tổng thể và làm mẫu số khi so sánh giữa các nhóm.

• Churn rate để xác định mức độ nghiêm trọng của tình trạng rời bỏ.

• Total revenue để nhìn được giá trị kinh doanh mà nhóm khách hàng tạo ra, thay vì chỉ nhìn vào số lượng khách.

• Churn rate and revenue by customer segment để so sánh giữa các nhóm và tìm ra nhóm vừa có nguy cơ rời bỏ cao, vừa đóng góp doanh thu lớn.

Mục đích của prompt mới là buộc dashboard trả lời rõ 3 câu hỏi: nhóm nào đang có vấn đề, nhóm đó có đáng ưu tiên không, và nếu mất nhóm đó thì doanh nghiệp có thể bị ảnh hưởng bao nhiêu về mặt doanh thu.

Đọc thêm: 15 câu hỏi tìm ra hướng phân tích dữ liệu hiệu quả

Chỉ với thay đổi nhỏ này, ChartGen.AI đã trả về một dashboard có phần insight rõ ràng hơn, giúp mình nhận ra nhóm khách hàng có churn cao và doanh thu lớn cần ưu tiên xử lý ngay. Dù số lượng chart ít hơn nhưng thông tin mang lại hữu ích hơn!

Xem dashboard chi tiết tại đây

Bước 3: Tối ưu lại output của AI

Mình tận dụng các charts hữu ích và nhờ ChartGen.AI tạo thêm một số chart để đào sâu hơn. Ví dụ, mình kết hợp

• Chọn lọc thông tin phù hợp từ output: biểu đồ “Customer Segment: Churn Rate vs Revenue” và bảng “Churn Rate by Maritual Status”

• Tạo thêm bảng: “Churn Rate by Education Level”

để có cái nhìn toàn diện về tỷ lệ rời bỏ, doanh thu và quy mô khách hàng thì mới ra quyết định đúng được.

Mình đã học cách trình bày slide, kết hợp chỉ số tìm insights qua feedback trực tiếp của trainers trong khoá Power BI & AI for Data Analytics nha!

Tham khảo khoá học tại đây

Việc tối ưu output không chỉ là thêm chart, mà là xây dựng một ma trận quyết định với 3 lớp thông tin để tìm insights có khả năng thực thi (actionable insights) cao nhất:

1. Descriptive metrics: Điều gì đang xảy ra? (ví dụ: data định danh khách hàng, churn rate)

2. Business value metrics: Giá trị ảnh hưởng đến doanh nghiệp là gì? (ví dụ: revenue, profit)

3. Decision trigger: Vậy giải pháp là gì? Nên ưu tiên làm gì trước? (ví dụ: ưu tiên nhóm churn cao + revenue cao)

Tạm kết

Sự hào hứng khi thấy AI tạo ra một dashboard lung linh chỉ trong 5 phút rất dễ khiến chúng ta lầm tưởng rằng công việc phân tích dữ liệu đã được giải quyết xong. Tuy nhiên, có hai ranh giới mà một Marketer hay Data Analyst tỉnh táo không bao giờ được phép bước qua khi sử dụng AI:

• Ranh giới về bảo mật dữ liệu: Dữ liệu nội bộ và chiến lược kinh doanh không thể tùy tiện để AI tiếp cận mà thiếu sự kiểm soát nghiêm ngặt.

• Ranh giới quyết định chiến lược: AI rất giỏi trong việc phân tích mô tả (Descriptive), nhưng lại thiếu khả năng hiểu bối cảnh kinh doanh thực tế. Những quyết định có sức nặng hàng tỷ đồng không thể dựa vào vài dòng prompt nhanh chóng.

Nếu bạn muốn làm chủ dữ liệu thay vì để AI “dắt mũi”, hãy bắt đầu từ việc xây dựng một nền tảng tư duy vững chắc. Bạn có thể tham khảo khóa Analytics for Strategy của TM Data School để trang bị kỹ năng bài bản từ việc xác định bài toán, chọn đúng chỉ số, xây dashboard trực quan và tư duy ra quyết định kinh doanh dựa trên dữ liệu.

Tham khảo khoá học tại đây

Nếu bạn thấy bài viết này thú vị và hữu ích thì đừng quên subscribe kênh để nhận thêm nhiều bài viết về cách ứng dụng AI trong phân tích dữ liệu nhé!

Subscribe now

Là một người cũng mới bắt đầu tìm hiểu về AI, mình khá tò mò không biết thực tế những công cụ này có thể hỗ trợ đến đâu, nên đã thử áp dụng trực tiếp trên một file dữ liệu trong Excel.

Theo như mình biết thì trên thị trường hiện nay có khá nhiều công cụ AI hỗ trợ phân tích, nhưng mình vẫn quyết định bắt đầu với Microsoft Copilot, đơn giản vì nó đã được tích hợp sẵn trong Microsoft 365, không cần setup phức tạp, mở Excel lên là dùng được ngay.

Sau khi thử nghiệm, mình khá bất ngờ về mức độ hỗ trợ của Copilot, đặc biệt là ở những bước xử lý và dựng dashboard ban đầu. Cùng mình tìm hiểu chi tiết tại bài viết này nhé!

Để việc test không bị quá “lý thuyết”, mình lên Github search và chọn một dataset khoảng 4000 dòng dữ liệu về doanh thu và lợi nhuận của Coca-Cola trong năm 2022. Cụ thể, dữ liệu bao gồm:

• Thông tin giao dịch (retailer, ngày bán)

• Thông tin địa lý (region, state, city)

• Thông tin sản phẩm (brand)

• Thông tin vận hành (thời gian giao hàng, đơn vị vận chuyển)

• Và các chỉ số kinh doanh (doanh thu, lợi nhuận, số lượng bán, margin)

Sau khi đã tải dữ liệu về Excel, giờ mình sẽ bắt đầu sử dụng AI để phân tích.

Mình đã tích hợp Microsoft Copilot vào Excel như thế nào?

Để sử dụng Copilot trong Excel, mọi người chỉ cần vào tab Home → chọn Add-ins, sau đó nhập “Copilot” vào thanh tìm kiếm. Nếu chưa thấy, bạn có thể bấm vào “More Add-ins”, tìm lại và chọn Add là được.

Sau khi thêm thành công, Copilot sẽ xuất hiện trực tiếp trong Excel như một panel riêng. Vì mình đã cài từ trước nên nó hiển thị sẵn trên thanh công cụ, chỉ cần mở file là có thể sử dụng ngay.

Đây là giao diện Copilot sau khi mình đã tích hợp vào trong Excel. Từ đây mọi người có thể bắt đầu nhập lệnh để AI bắt đầu xử lý và phân tích dữ liệu.

Chi tiết cách mình sử dụng Copilot để tạo Pivot Table và Dashboard

Bước 1: Xác định thông tin quan trọng và lựa chọn các chỉ số chính

Vì dataset mình sử dụng đã được làm sạch từ trước, nên mình không cần dành quá nhiều thời gian cho bước xử lý dữ liệu ban đầu. Tuy nhiên, trong thực tế khi làm việc với data của doanh nghiệp, đây lại là một bước gần như không thể bỏ qua.

Vì vậy, trước khi đi vào phân tích, mình nghĩ mọi người nên dành thời gian check lại dữ liệu thật kỹ. Nếu chưa biết xử lý data như thế nào, bạn hoàn toàn có thể nhờ Copilot hoặc ChatGPT gợi ý cách làm sạch và chuẩn hóa dữ liệu.

Dưới đây là một vài cách prompt giúp bạn xử lý dữ liệu với ChatGPT.

Phần này trong slide của khóa Data Visualization & Analytics with Excel tại TM Data School cũng có hướng dẫn khá chi tiết cách dùng AI để viết công thức và xử lý data, mọi người có thể tham khảo thêm nha!

Quay trở lại với dataset của mình, thay vì mở file ra và làm pivot table ngay, mình chọn cách bắt đầu bằng việc nhờ Copilot đề xuất trước.

Cụ thể, mình sử dụng prompt như sau:

“Từ bảng dữ liệu ‘Updated data sheet’, mình cần tạo một báo cáo trực quan để theo dõi tình hình doanh thu các sản phẩm của Coca-Cola năm 2022. Hãy cho mình biết những thông tin quan trọng nào cần được cho vào trong báo cáo?”

Và Copilot trả về một danh sách khá đầy đủ, bao gồm:

• Các KPI chính

• Các chiều phân tích (theo sản phẩm, khu vực, thời gian)

• Và thậm chí còn gợi ý cả dạng biểu đồ phù hợp

Tuy nhiên có một điểm lưu ý ở đây là mình sẽ không sử dụng 100% những gì Copilot gợi ý mà sẽ đọc lại một lượt và chỉnh sửa lại những phần mình thấy chưa ổn.

Ví dụ, ở phần KPI chính, Copilot đề xuất khá nhiều chỉ số. Nhưng với mình, chỉ cần những thông tin như: Tổng doanh số, Lợi nhuận, Số sản phẩm bán ra và Số ngày vận chuyển trung bình là đủ. Những chỉ số như biên lợi nhuận mình tạm thời không đưa vào, vì nó chưa thực sự cần thiết cho bài toán này.

Sau khi chỉnh sửa lại các hạng mục, Copilot sẽ cập nhật lại toàn bộ cấu trúc dựa trên những gì mình đã tinh chỉnh. Lúc này, thay vì một danh sách khá chung chung ban đầu, mình đã có được một bộ thông tin đúng với mục tiêu mình cần theo dõi.

Và đây cũng là lúc mình chốt được cấu trúc cho một dashboard hoàn chỉnh:

Bước 2: Gợi ý biểu đồ phù hợp cho từng thông tin

Sau khi đã xác định được các mục cần có trong dashboard, mình chuyển sang bước tiếp theo là chọn biểu đồ phù hợp cho từng loại thông tin.

Thay vì phải suy nghĩ biểu đồ nào phù hợp, mình nhờ Copilot gợi ý trước bằng prompt:

“Hãy đề xuất cho tôi từng loại biểu đồ phù hợp với các hạng mục bên trên trước khi tạo Dashboard”.

Và dưới đây là kết quả Copilot trả về cho mình:

Về cơ bản, các gợi ý của Copilot là khá ổn nên mình không cần chỉnh sửa quá nhiều. Nhưng mình vẫn sẽ kiểm tra lại một lần nữa để đảm bảo biểu đồ được chọn phù hợp với mục tiêu phân tích.

Bước 3: Tạo Pivot Table và Dashboard

Sau khi đã xác định được nội dung và cách thể hiện, mình chuyển sang bước tạo dashboard. Ở bước này, mình sử dụng prompt:

“Dựa vào các thông tin trên, hãy tạo giúp mình một bản Dashboard hoàn chỉnh. Tạo sang một sheet khác và đặt tên là ‘Dashboard Coca-Cola 2022”.

Kết quả là Copilot tự động tạo Pivot Table, sau đó vẽ sẵn các biểu đồ và sắp xếp thành một dashboard cơ bản cho mình.

Tức là toàn bộ những phần trước đây mình phải làm thủ công như: kéo thả dữ liệu để tạo pivot, chọn biểu đồ phù hợp, liên kết dữ liệu với biểu đồ,… gần như đã được Copilot xử lý giúp.

Tuy nhiên, khi nhìn vào dashboard, mình nhận ra một vấn đề đó là: Mặc dù Dashboard đúng về mặt dữ liệu, nhưng chưa ổn về mặt trình bày. Mình cũng đã thử prompt lại nhiều lần để cải thiện phần này, nhưng kết quả không thay đổi quá nhiều. Có thể ở thời điểm hiện tại, Copilot vẫn chưa thực sự tối ưu cho phần thiết kế dashboard.

Cuối cùng mình vẫn phải chỉnh sửa lại phần trình bày:

• Sắp xếp lại layout theo thứ tự đọc

• Nhóm các thông tin liên quan lại với nhau

• Điều chỉnh màu sắc để phù hợp hơn với mục tiêu sử dụng (và cả yếu tố thương hiệu)

Tham khảo 5 bước thiết kế report logic - Slide thuộc khóa học Data Visualization & Analytics with Excel

Dưới đây là bản Dashboard mình đã hoàn thiện, dựa trên các biểu đồ mà Copilot gợi ý và tạo ra ban đầu:

Nhìn chung, mình thấy việc sử dụng Copilot khá tiện và thực sự giúp tiết kiệm thời gian.

Nếu như trước đây, mình sẽ mất khá nhiều thời gian cho các bước như xử lý dữ liệu, tạo Pivot Table hay vẽ biểu đồ, thì bây giờ toàn bộ quá trình đó có thể rút gọn lại rất nhiều. Chỉ trong khoảng 15 phút, mình đã có thể tạo ra một bản dashboard phác thảo cơ bản để bắt đầu phân tích.

Bước 4: Phân tích xu hướng và tìm ra insight, đề xuất

Sau khi đã có dashboard hoàn chỉnh, mình thử tận dụng Copilot thêm một bước nữa là nhờ AI phân tích xu hướng và đưa ra insight.

Mình sử dụng các prompt như “Phân tích xu hướng doanh thu theo thời gian và cho mình biết những điểm đáng chú ý” hoặc “So sánh hiệu quả giữa các sản phẩm/khu vực và đưa ra đề xuất cải thiện”.

Copilot có thể nhận diện khá nhanh các xu hướng tăng giảm theo thời gian, so sánh hiệu suất giữa các nhóm dữ liệu và đưa ra một số đề xuất mang tính tổng quát.

Tuy nhiên, khi đọc kỹ kết quả, mình thấy phần lớn insight vẫn đang dừng ở mức khá “bề mặt”, ví dụ như tập trung vào sản phẩm bán tốt hơn, đẩy mạnh khu vực hiệu quả hay cải thiện vận hành để tối ưu kết quả. Những nhận định này không sai, nhưng cũng chưa đủ sâu để có thể dùng trực tiếp cho việc ra quyết định.

Tạm kết

Sau khi thử toàn bộ quy trình phân tích dữ liệu với Copilot, điều mình thấy rõ nhất là AI thực sự mang lại lợi thế rất lớn về tốc độ.

Những công việc trước đây tốn khá nhiều thời gian như tạo Pivot Table, vẽ biểu đồ hay xây dựng structure dashboard giờ đây có thể được rút gọn lại chỉ trong vài phút. Điều này giúp mình giải phóng được khá nhiều thời gian ở phần thao tác, để tập trung nhiều hơn vào việc phân tích và tìm ra hướng giải quyết cho bài toán.

Tuy nhiên, khi sử dụng sâu hơn, mình cũng nhận ra khá rõ những giới hạn mà AI hiện tại vẫn chưa thể thay thế con người, đặc biệt là ở phần phân tích và đưa ra insight.

Ví dụ như:

• AI có thể liệt kê rất nhiều thông tin, nhưng chưa biết chọn đâu là chỉ số quan trọng nhất trong từng bài toán cụ thể

• Việc trình bày dashboard vẫn chưa tối ưu theo cách người dùng thực sự đọc và ra quyết định

• Và quan trọng nhất, các insight đưa ra vẫn khá chung chung, thiếu bối cảnh business, nên khó áp dụng vào thực tế

Do vậy, nếu sử dụng một cách “thụ động”, chúng ta rất dễ rơi vào tình trạng có dashboard rất nhanh, nhưng lại không chắc mình đang nhìn đúng vấn đề, thậm chí có thể đưa ra kết luận sai.

Chính vì vậy, sau toàn bộ quá trình này, điều mình rút ra không phải là AI có thể thay thế việc phân tích dữ liệu, mà là AI đang giúp mình làm nhanh hơn ở phần thao tác, còn phần quan trọng nhất: Tư duy vẫn phải đến từ con người.

Nếu không có nền tảng về cách xác định chỉ số, hiểu dữ liệu và đặt câu hỏi đúng, thì ngay cả khi Copilot đưa ra gợi ý, mình cũng sẽ khó đánh giá được liệu những gợi ý đó có thực sự phù hợp hay không.

Vì vậy, để sử dụng AI tối ưu hoá hiệu quả công việc, điều quan trọng nhất vẫn nằm ở việc bạn hiểu dữ liệu đến đâu, chứ không phải bạn đang dùng công cụ gì.

👉 Nếu bạn muốn xây dựng nền tảng dữ liệu bài bản và rèn luyện tư duy đọc – hiểu số liệu thông qua các dataset thực tế từ doanh nghiệp, bạn có thể tham khảo khóa học Data Visualization & Analytics with Excel tại TM Data School tại đây nhé!

Tổng quan lộ trình khóa học Data Visualization & Analytics with Excel