Dạo gần đây, mình thấy ngày càng nhiều công cụ AI có thể tạo dashboard.

Bạn chỉ cần tải file dữ liệu lên, mô tả yêu cầu muốn phân tích, AI đã có thể đề xuất KPI, lựa chọn biểu đồ và sắp xếp thành một bản dashboard tương đối hoàn chỉnh. Những công việc trước đây có thể mất hàng giờ, thậm chí vài ngày, giờ được rút ngắn chỉ còn vài câu prompt.

Nhìn vào tốc độ đó, mình nghĩ không ít người sẽ thấy hơi “lung lay” và đặt ra câu hỏi:

“Nếu AI đã có thể tạo một dashboard nhanh như vậy, liệu mình có cần tốn thời gian học cách dựng dashboard nữa hay không?”.

Đây cũng là một băn khoăn khá hợp lý. Bởi thay vì mất nhiều thời gian tổng hợp, kéo chart, chỉnh layout hay kiểm tra từng bảng số liệu, người dùng có thể nhanh chóng có một bản dashboard để theo dõi tình hình và bắt đầu phân tích.

Nhưng cũng chính vì dashboard có ảnh hưởng đến quyết định kinh doanh, câu hỏi quan trọng không chỉ là AI có tạo được dashboard nhanh hay không. Mà là dashboard đó có đủ đúng, đủ rõ và đủ đáng tin để mình dựa vào đó ra quyết định hay không.

Là một người cũng đang sử dụng AI trong công việc phân tích hàng ngày, theo mình, câu trả lời là: Chúng ta chưa thể tin AI 100%, có những đầu việc vẫn phải cần người làm thì mới chính xác được.

Vậy AI có thể hỗ trợ tốt ở đâu khi tạo dashboard, và đâu là những điểm mình vẫn cần tự kiểm soát? Trong bài viết này, mình sẽ chia sẻ lại một số ưu điểm và hạn chế mình quan sát được khi dùng AI để tạo dashboard nhé!

Dashboard do AI tạo ra có ưu điểm gì?

Lợi thế dễ thấy nhất của AI khi tạo dashboard là tốc độ.

Trước đây, để hoàn thiện một dashboard, mình thường phải đi qua khá nhiều bước: kiểm tra dữ liệu, làm sạch dữ liệu, xác định KPI, tạo công thức, chọn biểu đồ, sắp xếp layout rồi chỉnh lại màu sắc, định dạng, filter... Chưa kể nếu dữ liệu có lỗi hoặc mình chưa biết nên bắt đầu phân tích từ đâu, riêng phần chuẩn bị ban đầu cũng đã tốn kha khá thời gian.

Trong khi đó, với AI, mình chỉ cần cung cấp dữ liệu và mô tả yêu cầu tương đối rõ. Sau vài phút, AI đã có thể tạo ra một bản dashboard nháp để mình bắt đầu xem dữ liệu đang nói gì.

➤ Đọc thêm:

Ngoài tốc độ, một điểm nữa mình thấy khá hữu ích là sau khi tạo dashboard, AI có thể gợi ý thêm một vài điểm đáng chú ý trong dữ liệu.

Ví dụ, AI có thể chỉ ra chỉ số nào đang tăng hoặc giảm mạnh, nhóm nào có kết quả nổi bật, giai đoạn nào có biến động bất thường, hoặc giá trị nào nên được kiểm tra lại. Những gợi ý này giúp mình có cái nhìn tổng quan hơn về dataset, từ đó biết nên đào sâu vào đâu để tìm nguyên nhân hoặc kiểm tra các điểm bất thường.

Để mọi người hình dung rõ hơn, mình có thêm video ở đây, mọi người có thể xem thử nha:

À công cụ mình tạo Dashboard là Chartgen.ai nha, làm khá nhanh mình mất đâu đó tầm 5-10 phút là ra được bản nháp ban đầu rồi. Mình biết đến tools này khi học khoá Excel & AI for Data Analytics tại Tomorrow Marketers. Mọi người có thể tham khao thử nha :))))

Nói ngắn gọn, dashboard do AI tạo có 2 ưu điểm chính: tạo nhanh bản nháp ban đầu và gợi ý một số insight sơ bộ để mình bắt đầu phân tích.

Vì vậy, nếu bạn đang cần làm dashboard nhanh, AI hoàn toàn có thể là một công cụ hỗ trợ tốt. Thay vì bắt đầu từ một file dữ liệu và một trang dashboard trống, bạn đã có sẵn một phương án ban đầu để kiểm tra, chỉnh sửa và phát triển tiếp.

Tuy nhiên, vấn đề lớn nhất mình thấy cũng nằm ở đây. Bởi AI có thể tạo ra dashboard nhìn nhanh thì có vẻ hoàn chỉnh, nhưng điều đó không đồng nghĩa dashboard ấy đã có thể đưa vào sử dụng ngay.

Vậy Dashboard do AI tạo có những hạn chế nào?

1. AI không tự xây dựng được một hệ thống cập nhật dữ liệu ổn định

Một dashboard dùng trong công việc thường không chỉ xem một lần rồi thôi. Ví dụ hôm nay bạn xem số liệu tháng 6, sang tháng 7 có dữ liệu mới thì dashboard cũng cần cập nhật theo.

Nếu làm dashboard trong Excel, mình thường sẽ cần thiết lập cách lấy dữ liệu: dữ liệu lấy từ file nào, sheet nào, cột nào, có cần refresh tự động không, khi file mới được thêm vào thì dashboard có cập nhật đúng không.

Còn với AI, nếu mình chỉ tải một file Excel lên và yêu cầu “hãy tạo dashboard từ file này”, AI thường chỉ xử lý dựa trên đúng file mình đưa vào tại thời điểm đó. Nó có thể tạo ra một bản dashboard khá nhanh, nhưng bản đó chưa chắc đã tự cập nhật khi dữ liệu mới phát sinh.

Ví dụ, hôm nay bạn upload file doanh thu tháng 6, AI tạo dashboard cho tháng 6. Nhưng sang tháng 7, nếu có thêm file mới hoặc thêm dòng dữ liệu mới, bạn vẫn cần biết cách cập nhật dữ liệu, kiểm tra lại công thức, refresh bảng hoặc chỉnh lại dashboard nếu cấu trúc file thay đổi.

Chưa kể, chỉ cần dữ liệu đầu vào thay đổi một chút, như tên cột bị đổi, thiếu một sheet, thêm một cột mới hoặc format ngày tháng khác đi, dashboard có thể bị sai hoặc không chạy đúng như ban đầu.

Vì vậy, AI rất hữu ích để tạo bản nháp nhanh. Nhưng nếu muốn dashboard dùng được lâu dài, mình vẫn cần hiểu dữ liệu đang được lấy từ đâu, được làm sạch như thế nào và cần cập nhật ra sao mỗi khi có dữ liệu mới.

2. Dashboard nhiều số liệu nhưng thiếu trọng tâm

Một hạn chế khác mình thấy khá rõ là AI thường có xu hướng “thấy gì dùng nấy”.

Tức là nếu trong file có nhiều cột dữ liệu, AI có thể đề xuất khá nhiều KPI và biểu đồ dựa trên những cột đó. Ví dụ với một file Marketing có các cột như Spend, Impressions, Clicks, Leads, Revenue, AI có thể đưa lên dashboard hàng loạt chỉ số như CPC, CTR, Conversion Rate, CPL, ROAS…

Nhìn qua thì dashboard có vẻ rất đầy đủ. Nhưng vấn đề là: đầy đủ không có nghĩa là dễ hiểu.

Không phải chỉ số nào có trong file cũng cần đưa lên dashboard. Và cũng không phải chỉ số nào nhìn có vẻ “hay hay” cũng quan trọng với người xem.

Ví dụ, nếu mục tiêu của team trong tháng này là tăng doanh thu, dashboard nên làm nổi bật những chỉ số liên quan đến Revenue, ROAS, Conversion Rate hoặc các campaign tạo ra doanh thu tốt nhất. Nhưng nếu mục tiêu là tăng số lượng khách hàng tiềm năng, dashboard lại cần ưu tiên Leads, CPL, chất lượng lead hoặc kênh mang lại nhiều lead nhất.

Cùng là một file dữ liệu, nhưng nếu mục tiêu khác nhau thì dashboard cũng nên khác nhau.

Đây là điểm AI rất dễ bị thiếu nếu mình chỉ prompt chung chung kiểu: “Hãy tạo dashboard từ file này”. Khi đó, AI có thể tạo ra một dashboard có nhiều số liệu, nhiều biểu đồ, nhưng người xem lại không biết nên tập trung vào đâu trước.

Vì vậy, trước khi để AI tạo dashboard, mình nghĩ vẫn cần nói rõ một vài thông tin rất cơ bản:

• Dashboard này dành cho ai xem?

• Mục tiêu chính của dashboard là gì?

• Người xem cần theo dõi chỉ số nào quan trọng nhất?

• Sau khi xem dashboard, họ cần đưa ra quyết định gì?

Khi có những thông tin này, AI sẽ có cơ sở tốt hơn để chọn KPI, sắp xếp biểu đồ và làm nổi bật đúng phần quan trọng. Còn nếu thiếu bối cảnh, dashboard do AI tạo rất dễ rơi vào tình trạng: nhìn thì nhiều số liệu, nhưng không có trọng tâm.

Phần này mọi người có thể cải thiện bằng cách thực hành nhiều hơn với những dataset gần với công việc thực tế của mình.

Ví dụ, mình làm marketing nên khi dựng dashboard, mình thường ưu tiên các dataset liên quan đến campaign performance, traffic, lead, doanh thu theo kênh… Càng làm nhiều dạng dữ liệu quen thuộc, mình càng dễ nhận ra chỉ số nào quan trọng, chỉ số nào chỉ để tham khảo, và nên sắp xếp dashboard như thế nào để người xem không bị rối.

À với cả hồi học khoá Excel & AI for Data Analytics của Tomorrow Marketers, mình cũng được thực hành khá nhiều với các dataset về sales và marketing nên thấy dễ “ngấm” hơn. Nếu mọi người cũng từng giống mình loay hoay mỗi lần làm dashboard thì có thể tham khảo thử khoá này nha.

Một trong những bài tập thực hành trong các buổi học khoá Excel & AI for Data Analytics

Tham khảo khoá học tại đây

➤ Đọc thêm:

3. Việc tải dữ liệu lên AI có thể tạo ra rủi ro bảo mật

Một điểm nữa mình nghĩ rất cần nhắc đến là vấn đề bảo mật dữ liệu.

Để AI tạo dashboard, thường mình sẽ phải tải file dữ liệu lên hoặc copy một phần dữ liệu vào AI. Nếu đó chỉ là dataset thực hành, dữ liệu mẫu hoặc dữ liệu công khai thì không có vấn đề gì quá lớn. Nhưng nếu là dữ liệu thật trong công ty, mình nghĩ cần cẩn thận hơn rất nhiều.

Vì trong thực tế, file dữ liệu có thể chứa những thông tin khá nhạy cảm như:

• Thông tin khách hàng

• Doanh thu, chi phí, lợi nhuận

• Lương thưởng của nhân viên

• Kế hoạch kinh doanh

• Kết quả hoạt động của từng phòng ban

• Những dữ liệu nội bộ chưa được phép chia sẻ ra bên ngoài

Nếu mình tải thẳng những thông tin này lên một công cụ AI mà chưa kiểm tra kỹ, rủi ro sẽ không chỉ nằm ở chuyện “AI có xử lý đúng không”, mà còn là dữ liệu đó đang được đưa đi đâu, có được lưu lại không, ai có quyền truy cập, và việc upload như vậy có vi phạm quy định của công ty hay không.

Mình thấy đây là điểm nhiều người rất dễ bỏ qua, nhất là khi AI tạo kết quả quá nhanh và tiện..

Vì vậy, nếu muốn dùng AI để hỗ trợ làm dashboard, mình nghĩ nên áp dụng một vài cách an toàn hơn. Ví dụ, có thể dùng dataset thực hành hoặc dữ liệu đã được ẩn danh, bỏ các thông tin nhận diện cá nhân, thay doanh thu thật bằng dữ liệu mẫu, hoặc chỉ gửi cấu trúc cột để nhờ AI gợi ý KPI và cách trực quan hóa.

Trong nhiều trường hợp, mình không nhất thiết phải upload toàn bộ file lên AI. Mình có thể hỏi AI cách làm, cách chọn biểu đồ, cách viết công thức hoặc cách kiểm tra dashboard, rồi tự thực hiện trên file thật trong môi trường nội bộ.

Nói ngắn gọn, AI có thể giúp mình làm nhanh hơn, nhưng không nên vì nhanh mà bỏ qua câu hỏi: dữ liệu này có được phép đưa lên AI không?

Vậy dashboard do con người làm có gì khác biệt?

Những hạn chế ở trên không có nghĩa là dashboard do con người làm lúc nào cũng tốt hơn. Thực tế là con người vẫn có thể chọn sai KPI, dùng sai biểu đồ, sắp xếp thông tin rối hoặc tạo ra một dashboard nhìn rất “đầy đủ” nhưng không ai hiểu.

Điểm khác biệt nằm ở chỗ: khi người làm dashboard có nền tảng dữ liệu và hiểu mục tiêu kinh doanh, họ có thể kiểm soát toàn bộ quá trình tốt hơn. Họ biết vì sao chọn chỉ số này, vì sao bỏ chỉ số kia, dữ liệu đang được lấy từ đâu, công thức có đúng với cách doanh nghiệp đo lường không, và dashboard này cuối cùng phục vụ cho quyết định nào.

Nói đơn giản hơn, AI có thể tạo ra một bản dashboard nhanh. Nhưng con người mới là người kiểm tra xem bản dashboard đó có thật sự dùng được trong công việc hay không.

1. Có thể xây dựng hệ thống cập nhật dữ liệu tự động

Một dashboard dùng trong công việc cần được cập nhật thường xuyên. Không ai muốn mỗi lần có dữ liệu mới lại phải làm lại dashboard từ đầu.

Khi hiểu dữ liệu đến từ đâu và quy trình vận hành ra sao, bạn có thể thiết lập cách lấy dữ liệu phù hợp để dashboard được cập nhật định kỳ.

Ví dụ, nếu làm dashboard trong Excel, mình có thể dùng Power Query để kết nối dữ liệu, làm sạch dữ liệu và tổng hợp dữ liệu theo một quy trình cố định. Khi file nguồn có dữ liệu mới, mình chỉ cần refresh để các bước xử lý trước đó chạy lại, thay vì ngồi làm thủ công từ đầu.

Nhưng quan trọng hơn cả việc “dashboard có cập nhật được” là mình biết kiểm tra khi nó cập nhật sai. Ví dụ, nếu một cột bị đổi tên, dữ liệu tháng mới bị thiếu, file nguồn sai định dạng hoặc số liệu tăng giảm bất thường, người làm dashboard cần biết tìm lỗi nằm ở đâu để sửa.

Đây là phần mà AI có thể hỗ trợ, nhưng khó thay thế hoàn toàn.

2. Thiết kế dashboard dựa trên quyết định cần đưa ra

Một dashboard tốt không nên bắt đầu bằng câu hỏi “mình có những cột dữ liệu nào?”, mà nên bắt đầu bằng câu hỏi “người xem cần dùng dashboard này để quyết định điều gì?”.

Ví dụ, Marketing Manager có thể cần biết ngân sách đang được phân bổ hiệu quả chưa. Sales Manager có thể muốn biết team còn thiếu bao nhiêu doanh số để đạt mục tiêu. Finance có thể quan tâm nhiều hơn đến chi phí, lợi nhuận và dòng tiền.

Khi hiểu nhu cầu của người xem, người làm dashboard sẽ biết cách chọn và sắp xếp thông tin hợp lý hơn:

• KPI nào cần đặt ở vị trí nổi bật?

• Chỉ số nào dùng để giải thích nguyên nhân?

• Thông tin nào chỉ nên đưa xuống phần chi tiết?

• Người xem nên đọc dashboard theo thứ tự nào?

• Màu sắc nào nên dùng để cảnh báo vấn đề?

Nhờ vậy, dashboard không chỉ là nơi đặt số liệu lên cho đủ, mà còn giúp người xem nhanh chóng hiểu điều gì đang xảy ra và nên chú ý vào đâu trước.

Hướng dẫn các bước đặt câu hỏi, chọn thông tin để phác thảo Dashboard - Slide thuộc khoá học Excel & AI for Data Analytics

➤ Đọc thêm:

3. Kiểm soát bảo mật tốt hơn

Khi dashboard được triển khai trong hệ thống nội bộ, doanh nghiệp có thể kiểm soát tốt hơn việc ai được xem dữ liệu nào.

Không phải ai trong công ty cũng cần xem toàn bộ thông tin. Ví dụ, nhân viên có thể chỉ cần xem dữ liệu thuộc khu vực hoặc nhóm khách hàng mình phụ trách. Quản lý phòng ban có thể xem dữ liệu tổng hợp của cả team. Ban lãnh đạo có thể xem các chỉ số ở cấp cao hơn.

Người xây dựng dashboard cần hiểu phần nào là dữ liệu nhạy cảm, ai được phép truy cập và phần nào không nên đưa vào báo cáo dùng chung.

AI có thể gợi ý cách làm dashboard hoặc cách trình bày dữ liệu, nhưng con người và doanh nghiệp vẫn phải là bên quyết định quy định bảo mật, phân quyền truy cập và chịu trách nhiệm nếu dữ liệu bị chia sẻ sai cách.

4. Hiểu rõ mục tiêu kinh doanh của từng phòng ban

Mỗi phòng ban có mục tiêu và hệ thống KPI khác nhau.

Dashboard cho Marketing có thể tập trung vào chi phí, số lượng khách hàng tiềm năng, tỷ lệ chuyển đổi và doanh thu theo kênh. Dashboard cho Sales lại quan tâm nhiều hơn đến doanh số, số lượng cơ hội, tỷ lệ chốt đơn và hiệu suất của từng nhân viên.

Ngay cả trong cùng một phòng ban, nhu cầu theo dõi cũng có thể thay đổi theo từng thời điểm.

Ví dụ, nếu doanh nghiệp đang ưu tiên tăng trưởng, dashboard có thể cần làm nổi bật số lượng khách hàng mới, doanh thu theo kênh hoặc tốc độ tăng trưởng theo tháng. Nhưng nếu ngân sách đang bị siết chặt, các chỉ số về chi phí, hiệu quả đầu tư và lợi nhuận lại cần được ưu tiên hơn.

AI sẽ khó tự biết những thay đổi này nếu mình không cung cấp đủ bối cảnh. Trong khi đó, người hiểu hoạt động kinh doanh có thể điều chỉnh dashboard theo đúng mục tiêu hiện tại, thay vì giữ nguyên một bộ chỉ số cho mọi tình huống.

Cách xác định người xem Dashboard và loại report phù hợp - Slide thuộc khoá học Excel & AI for Data Analytics

Tạm kết

AI đang làm thay đổi đáng kể cách chúng ta xây dựng dashboard.

Những công việc từng mất nhiều giờ giờ có thể được rút ngắn chỉ còn vài phút. AI có thể hỗ trợ tạo ý tưởng, lựa chọn biểu đồ, viết công thức và dựng nhanh một phiên bản dashboard ban đầu.

Tuy nhiên, một dashboard thực sự hữu ích không chỉ cần được tạo nhanh. Nó còn phải cập nhật ổn định, sử dụng đúng KPI, phản ánh đúng logic kinh doanh, bảo vệ dữ liệu và giúp người xem đưa ra quyết định.

Vì vậy, vai trò của con người vẫn rất quan trọng.

Do đó, cách làm phù hợp nhất không phải là chọn AI hay con người, mà là dùng AI để tăng tốc và dùng kiến thức của con người để kiểm soát chất lượng, bảo mật và tính ứng dụng của dashboard.

Nếu bạn muốn học cách xử lý dữ liệu và xây dựng dashboard bài bản, từ làm sạch dữ liệu, lựa chọn KPI, trực quan hóa đến ứng dụng AI để làm việc nhanh hơn, bạn có thể tham khảo khóa học Excel & AI for Data Analytics của Tomorrow Marketers nha.

Tham khảo khoá học tại đây

Trong khóa học, bạn sẽ được thực hành trên các dataset gần với bài toán thực tế và học cách kết hợp Excel, Power Query, dashboard và AI trong một quy trình phân tích dữ liệu hoàn chỉnh, thay vì chỉ học từng công cụ riêng lẻ.

Với những file nhỏ thì không sao. Nhưng khi dữ liệu lên đến vài nghìn dòng, việc ngồi dò lỗi, chỉnh từng cột, chuẩn hoá từng định dạng hay kiểm tra từng giá trị bất thường thực sự ngốn của mình rất nhiều thời gian.

Trước đây, để giảm bớt phần xử lý thủ công, mình thường dùng Power Query. Công cụ rất tiện ở chỗ là mình có thể xây sẵn một quy trình làm sạch dữ liệu. Sau đó, mỗi khi có dữ liệu mới, mình chỉ cần refresh là các bước xử lý sẽ tự động chạy lại, không cần phải làm lại từ đầu. À đây là kiến thức mình được học trong khoá Excel & AI for Data Analytics tại Tomorrow Marketers, mọi người có thể tham khảo thử nha :)))

Tuy nhiên, dạo gần đây mình thấy khá nhiều người khen Claude xử lý dữ liệu trong Excel rất tốt, nên mình cũng bắt đầu tò mò dùng thử, tranh thủ test luôn xem có xứng đáng với số tiền mình bỏ ra để mua bản Pro không =)))

Trong quá trình thử nghiệm, mình cũng gặp không ít tình huống mà mình nghĩ bất kỳ ai mới bắt đầu sử dụng AI cho công việc dữ liệu đều có thể gặp phải. Phần lớn trong số đó đến từ cách mình giao tiếp với AI thông qua prompt.

Vì vậy, trong bài viết này, mình sẽ chia sẻ lại cách mình dùng Claude để xử lý và làm sạch dữ liệu trong Excel: từ cách prompt để AI hiểu dataset, đề xuất hướng làm sạch, xử lý trực tiếp trên workbook, cho đến cách kiểm tra lại để hạn chế lỗi trước khi phân tích.

Để việc test thực tế hơn, mình sử dụng dataset lấy từ game FIFA 21, một trò chơi mô phỏng bóng đá do Electronic Arts phát hành. Dataset gồm thông tin của 8110 cầu thủ bóng đá trong năm 2021, với 19 cột dữ liệu liên quan đến thông tin cá nhân, chỉ số, hợp đồng và giá trị cầu thủ.

Một số cột trong file bao gồm: ID, Name, LongName, Nationality, OP, Potential Rating, Contract, Best Positions, Height, Preferred Foot, Best Position, Joined, Loan Date End, Value, Wage, Release Clause, W/F, SM, Hits.

Trước khi dùng AI, mình có nhìn qua file một lượt để xem dữ liệu đang có những lỗi gì. Sau đó, mình mới bắt đầu dùng Claude để rà sâu hơn và kiểm tra xem AI có phát hiện thêm vấn đề nào không.

Bước 1: Cho AI hiểu bối cảnh của dataset

Mình thấy khá nhiều người khi dùng AI sẽ upload file lên rồi prompt ngay kiểu: “Làm sạch giúp tôi bộ dữ liệu này.”

Prompt này không sai, nhưng hơi chung. Khi không có đủ bối cảnh, AI có thể vẫn xử lý được một phần, nhưng câu trả lời dễ bị chung chung hoặc không đúng với mục đích phân tích của mình. Vì vậy, trước khi yêu cầu Claude làm sạch dữ liệu, mình sẽ mô tả ngắn gọn dataset này là gì và mình dùng nó để làm gì.

Đây là prompt mình dùng:

Điểm quan trọng ở đây là mình nói rõ mục đích: dataset sẽ được dùng để phân tích trong Excel, không chỉ để xem dữ liệu.

Khi có context, AI sẽ biết cần chú ý đến những lỗi ảnh hưởng đến phân tích, ví dụ: kiểu dữ liệu sai, giá trị tiền tệ đang ở dạng text, chiều cao chưa chuẩn hóa, ngày tháng không đồng nhất, cột rating có ký tự thừa…

Và sau khoảng 2-3 phút, đây là kết quả Claude trả về cho mình:

Điều khiến mình khá bất ngờ là Claude trả về phần nhận diện vấn đề chi tiết hơn mình nghĩ. Dù trước đó mình đã tự xem qua file, vẫn có một vài lỗi hoặc điểm bất thường trong dữ liệu mà mình chưa kịp phát hiện ra.

Bước 2: Yêu cầu AI đề xuất cách làm sạch dữ liệu

Sau khi Claude đã giúp mình rà soát các vấn đề trong dataset, bước tiếp theo là yêu cầu AI đề xuất cách xử lý.

Các bạn có thể sử dụng prompt sau:

Mình đợi khoảng 3-5 phút thì Claude tạo cho mình một sheet dữ liệu đã clean. Trong quá trình xử lý, Claude có thể hỏi thêm một vài quyền thao tác với file, lúc đó mình chỉ cần nhấn “Allow” để tiếp tục là được nha.

Đây là sheet mà AI trả về cho mình:

Nhìn qua thì các lỗi Claude phát hiện trước đó đều đã được sửa. Một điểm mình khá thích là Claude còn sắp xếp lại các cột liên quan gần nhau hơn, nên file nhìn cũng dễ theo dõi hơn.

Ví dụ cho mọi người dễ hình dung nha:

Sau khi trả về sheet data đã clean xong thì Claude tạo cho mình một sheet Cleaning Log như thế này để mình tiện theo dõi xem những dữ liệu nào đã được làm sạch:

Cách làm này khá tiện nếu bạn muốn có một phiên bản dữ liệu sạch nhanh để kiểm tra hoặc phân tích thử. Thay vì tự xử lý thủ công từng bước, mình có thể để Claude tạo sẵn một sheet mới với dữ liệu đã được chuẩn hoá.

Tuy nhiên, mình sẽ không dùng luôn file AI trả về để phân tích. Vì ngoài khả năng hiểu sai logic ở một vài cột, AI cũng có thể tự nhận diện một số dòng hoặc cột là không cần thiết và xoá đi, trong khi những dữ liệu đó vẫn có thể ảnh hưởng đến kết quả phân tích sau này.

Vì vậy, bước tiếp theo mình sẽ nhờ Claude kiểm tra lại xem trong file còn lỗi nào chưa đc xử lý không.

Bước 3: Nhờ Claude giải thích các bước đã xử lý và chỉ ra điểm cần kiểm tra lại

Một trong những điều khiến mình đắn đo nhất khi dùng AI để xử lý dữ liệu là: Làm sao để chắc chắn Claude đã clean hết lỗi trong file?.

Bởi với những file dữ liệu lớn, rất khó để ngồi dò từng dòng từng cột một để check xem liệu còn lỗi nào chưa được xử lý hay không. Vì vậy, sau khi Claude tạo xong sheet Cleaned Data, mình tiếp tục prompt để AI kiểm tra lại một lần nữa:

Sau khi Claude trả về kết quả, mình vẫn kiểm tra lại một lượt và phát hiện một lỗi khá rõ ở cột Height: có một dòng đang có giá trị 17888.

Đây là kiểu lỗi mà nếu nhìn trong bảng dữ liệu lớn thì khá dễ bị bỏ qua, nhưng khi kiểm tra Min/Max hoặc nhờ Claude rà lại các giá trị bất thường, nó sẽ nổi lên ngay. Vì chiều cao của cầu thủ thường chỉ dao động quanh một khoảng hợp lý, nên 17888 gần như chắc chắn là lỗi nhập liệu.

Trong trường hợp này, mình sẽ không yêu cầu AI tự đoán và sửa toàn bộ. Mình chọn tự sửa tay giá trị 17888 thành 178, vì khả năng cao đây là lỗi đánh thừa số 8 khi nhập dữ liệu.

Bước này giúp mình có một lớp kiểm tra thứ hai, thay vì chỉ nhận file cleaned data rồi dùng luôn.

Bước 4: Dùng Power Query để kiểm tra dữ liệu có bị mất dòng/cột không

Vì mình vốn khá kỹ tính với dữ liệu nên để cho chắc chắn, mình vẫn muốn có thêm một lớp kiểm tra nữa trước khi bắt đầu phân tích. Mục tiêu của bước này là kiểm tra xem trong quá trình AI xử lý, dữ liệu có bị thay đổi sai cấu trúc hay không.

Ở bước này, mình dùng Power Query để đối chiếu lại một số điểm cơ bản:

• Số dòng trước và sau khi clean có giống nhau không

• Số cột có bị thiếu hoặc bị thêm bất thường không

• Tên cột có bị đổi ngoài ý muốn không

• Các cột quan trọng như ID, Name, Height, Value, Wage, Release Clause có còn được giữ lại đầy đủ không

• Kiểu dữ liệu của các cột chính có được chuyển đúng không

Cách kiểm tra này là phần mình được học trong khóa Excel & AI for Data Analytics của Tomorrow Marketers. Với mình, đây là bước “confirm” lại lần cuối để chắc chắn file dữ liệu đủ ổn trước khi chuyển sang tạo dashboard và phân tích.

Slide hướng dẫn sử dụng Power Query - thuộc khoá học Excel & AI for Data Analytics

Tham khảo khoá học tại đây

Đọc thêm:

Nói ngắn gọn, Claude giúp mình tạo bản cleaned data nhanh hơn, còn Power Query giúp mình kiểm soát lại cấu trúc dữ liệu. Nhờ vậy, mình có thể hạn chế rủi ro dữ liệu bị mất dòng, mất cột hoặc bị thay đổi ngoài ý muốn trước khi bước sang phân tích.

Tạm kết

Sau khi thử dùng Claude để làm sạch dữ liệu trong Excel, mình thấy AI thật sự giúp tiết kiệm khá nhiều thời gian.

AI có thể đọc file nhanh, phát hiện lỗi, đề xuất hướng xử lý, thậm chí tạo luôn một sheet dữ liệu đã được làm sạch để mình kiểm tra. Với những bước như rà format, chuyển kiểu dữ liệu, tìm giá trị bất thường hay gợi ý workflow, AI là một trợ lý rất hữu ích.

Tuy nhiên, có một điểm mình nghĩ rất cần lưu ý khi dùng AI để xử lý file Excel đó là tính chính xác và vấn đề bảo mật dữ liệu.

• Về tính chính xác, mình sẽ không mặc định file AI trả về là đúng 100%. AI có thể xử lý rất nhanh, nhưng vẫn có khả năng hiểu sai logic, sửa nhầm giá trị, xoá nhầm dòng/cột hoặc bỏ sót một vài điểm bất thường. Vì vậy, sau khi để AI clean dữ liệu, mình vẫn cần kiểm tra lại bằng Power Query trước khi dùng file đó để phân tích.

• Còn về tính bảo mật, trong ví dụ này, mình dùng dataset thực hành nên không có vấn đề gì quá nhạy cảm. Nhưng nếu bạn đang làm với dữ liệu nội bộ của công ty, dữ liệu khách hàng, doanh thu, chi phí, lương thưởng hoặc bất kỳ thông tin nào chưa được phép chia sẻ ra bên ngoài, thì không nên upload trực tiếp lên AI chỉ để xử lý cho nhanh.

Và nói thật là càng dùng, mình càng nhận ra rằng AI không làm mất đi nhu cầu học phân tích dữ liệu bài bản. Ngược lại, nó khiến nền tảng này quan trọng hơn.

Vì nếu không hiểu dữ liệu, mình sẽ rất khó biết output của AI có hợp lý không. Nếu không biết logic phân tích, mình dễ copy một kết quả trông có vẻ đúng nhưng thực ra sai từ bước xử lý. Nếu không hiểu Excel, Power Query hay cách dữ liệu được transform, mình cũng khó phát hiện khi AI sửa nhầm, xoá nhầm hoặc diễn giải sai một cột nào đó.

Vậy nên với mình, AI không phải là lý do để bạn bỏ qua Excel hay kỹ năng phân tích dữ liệu.

Nói ngắn gọn lại thì AI nên được xem như một lớp hỗ trợ trong workflow, giúp mình làm nhanh hơn, rà kỹ hơn và có thêm gợi ý khi xử lý dữ liệu. Nhưng để dùng AI hiệu quả, mình vẫn cần có nền tảng dữ liệu, biết cách đặt câu hỏi, hiểu logic dữ liệu, kiểm tra kết quả và chịu trách nhiệm với phân tích cuối cùng.

À, nếu bạn muốn học cách xử lý dữ liệu trong Excel bài bản hơn, không chỉ biết vài công thức rời rạc mà hiểu được toàn bộ workflow từ làm sạch dữ liệu, phân tích, trực quan hoá đến ứng dụng AI để làm nhanh và kiểm tra tốt hơn, bạn có thể tham khảo khóa học Excel & AI for Data Analytics của Tomorrow Marketers nhé!

Và đừng quên subscribe “Analytics & AI Strategy” nếu bạn cảm thấy bài viết này hữu ích nhé! Hẹn gặp các bạn trong những bài viết sau ^^

Subscribe now

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

Thế nhưng câu hỏi đặt ra là: Liệu đây có thực sự là một cuộc thay đổi mang tính nền tảng trong cách chúng ta phân tích và ra quyết định từ dữ liệu, hay chỉ là cách gọi mới cho những gì vốn đã tồn tại dưới một cái tên “hấp dẫn” hơn?

AI giờ không còn chỉ trả lời, mà còn có thể phân tích và đề xuất hành động

Để hiểu tại sao Agentic AI lại tạo nên sự khác biệt, chúng ta cần nhìn lại cách AI đang vận hành hiện nay.

Phần lớn các công cụ Generative AI hiện nay (như ChatGPT) đều hoạt động theo cơ chế “hỏi - đáp”. Bạn đưa câu lệnh (prompt), AI trả kết quả. Đây là mô hình thụ động, nơi con người vẫn phải cầm tay chỉ việc trong từng bước nhỏ.

Thế nhưng, Agentic AI đã đi xa hơn một bước. Thay vì chỉ xử lý từng yêu cầu riêng lẻ, bạn không cần phải “hỏi từng bước” như trước nữa.

Trước đây, nếu muốn phân tích một vấn đề, bạn thường phải lần lượt đặt nhiều câu hỏi: lấy dữ liệu, so sánh theo thời gian, tìm nguyên nhân, rồi mới nghĩ đến hướng xử lý. Toàn bộ quá trình đó vẫn phụ thuộc vào việc bạn biết mình cần hỏi gì.

Nhưng với Agentic AI, bạn có thể bắt đầu từ một mục tiêu mang tính business, ví dụ như: “tăng conversion thêm 10% trong tháng này”.

Từ đó, hệ thống có thể tự chạy toàn bộ quá trình phía sau: kiểm tra dữ liệu hiện tại, xác định điểm nghẽn trong funnel, phân tích nguyên nhân, đề xuất hướng tối ưu. Và trong một số trường hợp, thậm chí trực tiếp thực hiện các điều chỉnh như phân bổ lại ngân sách hoặc thay đổi targeting.

Nguồn ảnh: Davizas

Nói cách khác, thay vì bạn phải dẫn dắt từng bước phân tích, Agentic AI có thể tự “chạy” cả một workflow để đi từ dữ liệu đến hành động.

Nói tóm lại, nếu Generative AI là một trợ lý đợi lệnh, thì Agentic AI chính là một cộng tác viên biết tự quản lý công việc.

Tại sao nhiều người nói Agentic AI là “Bước ngoặt”?

Sự khác biệt này thể hiện rõ nhất trong cách chúng ta làm Marketing Analytics. Trước đây, việc làm việc với dữ liệu luôn là một quy trình nhiều bước: thu thập dữ liệu, làm sạch, xây dựng dashboard, rồi mới bắt đầu đi vào phân tích để tìm insight. Mỗi bước đều tốn thời gian, và quan trọng hơn là có độ trễ, thường chỉ đến khi nhìn lại báo cáo, bạn mới biết chuyện gì đã xảy ra.

Nhưng với Agentic AI, phần lớn quy trình đó có thể được rút ngắn hoặc tự động hóa, khiến việc phân tích không còn là một hoạt động “nhìn lại”, mà trở thành một quá trình diễn ra liên tục và gần như theo thời gian thực. Cụ thể, sự thay đổi này thể hiện ở ba điểm rõ ràng.

• Ra quyết định theo thời gian thực: AI có thể theo dõi dữ liệu liên tục, phát hiện bất thường ngay khi xảy ra và đưa ra hành động gần như tức thì thay vì chờ đến cuối tuần để đọc báo cáo.

• Cá nhân hóa ở cấp độ từng người dùng: Không còn dừng lại ở các segment lớn, AI có thể điều chỉnh nội dung, ưu đãi và hành trình trải nghiệm dựa trên hành vi real-time của từng user.

• Kết nối dữ liệu thành một hệ thống hành động: Thay vì dữ liệu bị rời rạc giữa CRM, Google Analytics và các nền tảng quảng cáo, AI có thể đóng vai trò như một lớp kết nối, giúp dữ liệu được sử dụng xuyên suốt để phục vụ quyết định.

Những rào cản khi AI bắt đầu tham gia vào quyết định

Tuy nhiên, chính việc AI tiến gần hơn đến việc “ra quyết định” lại làm lộ ra những rào cản mà trước đây ít được chú ý.

Trước hết là giới hạn của chính AI. Nó có thể xử lý dữ liệu rất nhanh, nhưng không thực sự hiểu bối cảnh kinh doanh theo cách con người hiểu. Nó có thể chỉ ra rằng conversion giảm ở mobile, nhưng việc đánh giá xem đó có phải là vấn đề quan trọng hay không, có cần ưu tiên xử lý hay không, vẫn là quyết định của con người.

Tiếp theo là bài toán về hệ thống. Agentic AI không phải là một “công tắc” có thể bật lên là chạy. Nó đòi hỏi dữ liệu phải sạch, được chuẩn hóa và các nguồn dữ liệu phải được kết nối thông suốt. Trong khi đó, thực tế ở nhiều doanh nghiệp là data vẫn rời rạc, tracking chưa chuẩn và dashboard còn chưa thống nhất.

Cuối cùng là yếu tố con người: Niềm tin và quyền kiểm soát. Khi AI bắt đầu đề xuất hoặc thực thi hành động, câu hỏi không còn là “AI có làm được không”, mà là “chúng ta có dám giao quyền cho nó không”, đặc biệt khi những quyết định đó gắn trực tiếp với chi phí và doanh thu.

Vậy cuối cùng, Agentic AI có thực sự tạo ra khác biệt, hay chỉ là một xu hướng đang được thổi phồng?

Câu trả lời thực tế là: Cả hai, tuỳ vào việc bạn đang ở đâu.

AI thực sự sẽ trở thành một bước ngoặt khi bạn đã có nền tảng dữ liệu đủ tốt: tracking rõ ràng, hệ thống ổn định và bạn hiểu mình đang đo cái gì, vì sao đo. Khi đó, AI không thay bạn làm việc, mà giúp bạn làm nhanh hơn, từ việc đọc số, tìm insight đến ra quyết định. Nói cách khác, AI giúp bạn scale những gì bạn vốn đã làm tốt.

Nhưng nếu nền tảng của bạn chưa sẵn sàng: dữ liệu còn rời rạc, tracking chưa chuẩn, dashboard còn chưa rõ thì việc đưa AI vào không giúp bạn giải quyết vấn đề. Vì bản thân vấn đề gốc vẫn chưa được xử lý.

Vì lúc này, AI vẫn phân tích trên dữ liệu chưa đáng tin. Và nếu bạn cũng không đủ hiểu để kiểm tra lại, bạn rất dễ tin vào những đề xuất nghe có vẻ hợp lý nhưng chưa chắc đúng.

Khi đó, bạn có thể thấy mọi thứ “xịn” hơn: báo cáo nhanh hơn, dashboard đẹp hơn, insight nhiều hơn. Nhưng thực tế, bạn vẫn chưa hiểu rõ chuyện gì đang xảy ra và quyết định cũng không tốt hơn trước.

Nên đôi khi, cái gọi là “AI bị thổi phồng” không hẳn là do AI, mà là do bạn chưa có đủ nền tảng để biết khi nào nên tin và khi nào không.

Vậy bạn sẽ đứng ở đâu trong làn sóng này?

Đây có lẽ là phần đáng suy nghĩ nhất. Khi AI không chỉ đọc số nhanh hơn, tổng hợp nhanh hơn mà còn có thể đưa ra đề xuất, thậm chí gợi ý hành động, thì thứ còn lại để phân biệt một marketer không còn nằm ở việc bạn dùng tool giỏi đến đâu hay làm nhanh đến mức nào.

Nó nằm ở việc bạn có đủ nền tảng để hiểu và đánh giá những gì AI đang đề xuất hay không.

Trong bối cảnh này, một marketer không chỉ cần hiểu business, mà còn cần ba thứ rất cụ thể:

• Hiểu dữ liệu đang được thu thập như thế nào, metric nào thực sự quan trọng

• Hiểu AI đang dựa vào dữ liệu và logic nào để đưa ra đề xuất

• Và quan trọng nhất, biết cách đánh giá xem những đề xuất đó có thực sự phù hợp với bối cảnh business hay không

Bởi vì AI có thể đề xuất rất nhiều thứ (tăng ngân sách, thay đổi target, điều chỉnh campaign,...) nhưng nếu bạn không hiểu về dữ liệu, không biết AI đang dựa vào đâu để đưa ra kết luận, thì bạn cũng không thể biết đề xuất đó là đúng, sai, hay chỉ đúng trong một phần bức tranh.

Học cách xây dựng Issue Tree để xác định bài toán và chọn metrics phù hợp - Được dạy trong học phần Data Analysis của chương trình Professional Data Analyst

Tham khảo lộ trình học chi tiết

Tạm kết

Ở góc độ người làm data trong marketing, chúng ta luôn đứng ở điểm giao giữa hai thứ: công nghệ và business. Công việc của chúng ta không chỉ tạo campaign, xây dashboard hay model tracking hiệu quả đơn thuần, mà là giải thích được “vì sao” phía sau con số. Và quan trọng hơn là đảm bảo những gì mình làm thực sự phục vụ đúng mục tiêu kinh doanh.

Trước đây, khi AI hoặc dashboard chỉ dừng lại ở việc cung cấp insight, câu hỏi thường khá đơn giản: số liệu này đúng hay sai?

Nhưng khi AI bắt đầu đi xa hơn, không chỉ phân tích mà còn đề xuất, thậm chí thực thi hành động (ví dụ như tự điều chỉnh ngân sách giữa các kênh) thì một câu hỏi khác trở nên quan trọng hơn:

👉 Tại sao lại đưa ra quyết định đó?

Bởi vì ở phía stakeholder, họ không chỉ “xem báo cáo”. Họ đang bỏ tiền thật vào campaign, vào khách hàng, vào những quyết định mà hệ thống đề xuất.

Ví dụ, nếu AI đề xuất giảm ngân sách Facebook và tăng mạnh vào Google, thì điều họ cần không chỉ là “AI thấy Google hiệu quả hơn”, mà là:

• Dữ liệu nào dẫn đến kết luận đó?

• Sự thay đổi này ảnh hưởng đến overall strategy ra sao?

• Nếu kết quả không như kỳ vọng, có thể trace lại nguyên nhân không?

Vì vậy, dù AI có thể giúp bạn làm việc nhanh và hiệu quả hơn, nhưng nếu bạn không có đủ nền tảng dữ liệu để hiểu và kiểm chứng những gì AI đưa ra, thì các quyết định dựa trên AI vẫn rất khó được tin tưởng.

Nếu bạn đang muốn tham khảo một lộ trình học Data Analyst một cách bài bản, trang bị đủ các kiến thức & kỹ năng cần thiết để làm Data trong thời AI, hãy tham khảo lộ trình Professional Data Analyst của TM Data School nha!

Sau lộ trình này, bạn không chỉ biết dùng tool, mà còn:

• Hiểu AI đang dựa vào metric nào để đưa ra đề xuất và liệu những metric đó có thực sự phù hợp với mục tiêu business hay không

• Biết cách kiểm tra dữ liệu và logic phân tích phía sau, thay vì chỉ tin vào insight được đưa ra

• Và quan trọng nhất, có đủ nền tảng để đánh giá xem đề xuất của AI có áp dụng được trong bối cảnh thực tế của doanh nghiệp hay không

Trong bối cảnh đó, một marketer vừa có chuyên môn tốt vừa hiểu dữ liệu rõ ràng được xem là lợi thế lớn. Junior biết đọc số đã trở thành nhân sự nổi bật, senior vừa nắm chiến lược vừa hiểu dữ liệu gần như khó thay thế. Sự kết hợp giữa Marketing và Data từng được xem là “vũ khí chiến lược” để tạo ra bước nhảy vọt trong sự nghiệp.

Thế nhưng, sự xuất hiện của AI gent đang làm thay đổi toàn bộ cấu trúc lợi thế đó. Khi AI có thể phân tích hành vi người dùng chỉ trong vài phút, tự động phát hiện pattern, gợi ý insight và theo dõi hiệu suất quảng cáo trên Facebook, Google, TikTok gần như theo thời gian thực, tốc độ xử lý dữ liệu không còn phụ thuộc vào năng lực thủ công của con người nữa.

Vậy khi AI Agent có thể viết code, vẽ chart và đọc dữ liệu thay bạn, vai trò của marketer sẽ là gì?

Câu trả lời không phải là “bị thay thế”, mà là dịch chuyển vai trò. Marketer không còn cạnh tranh bằng việc ai thao tác nhanh hơn hay viết được nhiều dòng code hơn. Vai trò bắt đầu chuyển sang việc đặt câu hỏi đúng cho hệ thống, hiểu logic kinh doanh phía sau con số, đánh giá insight AI đưa ra và thiết kế workflow dữ liệu sao cho AI vận hành hiệu quả. Từ người trực tiếp phân tích, marketer dần trở thành người điều phối và định hướng hệ thống phân tích có AI.

Điều đáng nói là không phải tất cả marketer đều thay đổi theo tốc độ đó. Nhiều người vẫn vận hành theo cách cũ: xuất báo cáo thủ công, dành hàng giờ để ngồi gõ từng dòng code, miệt mài vẽ, phân tích từng biểu đồ. Họ vẫn chăm chỉ và vẫn bận rộn, nhưng lợi thế cạnh tranh đang dần dịch chuyển sang những người biết kết hợp chuyên môn, tư duy dữ liệu và AI Agent.

Cuộc chơi trong ngành Marketing không còn chỉ xoay quanh việc ai có kỹ năng phân tích, mà xoay quanh việc ai có thể tận dụng AI hiệu quả hơn trong công việc phân tích của mình.

Vậy giữa làn sóng thay đổi đó, đâu mới là hướng đi phù hợp cho một marketer để giữ vững lợi thế của mình?

Đó cũng là lý do Tomorrow Marketers tổ chức buổi Masterclass đầu năm với chủ đề FUTURE OF MARKETING – TRANSFORMING WITH AI AGENT để có thể nhìn rõ:

• AI và AI Agent đang thay đổi công việc Marketing (đặc biệt là các công việc liên quan đến phân tích dữ liệu) như thế nào

• Người mới cần hiểu gì để không bị tụt lại ngay từ những năm đầu sự nghiệp

• Manager cần hiểu gì để có thể triển khai AI vào hệ thống dữ liệu của team

• Cách bắt đầu ứng dụng AI vào học tập và công việc dựa trên dữ liệu, ngay cả khi chưa có nền tảng kỹ thuật

  

  Đăng ký tham gia sự kiện tại đây

New Year Masterclass dành cho ai?

1. Manager & Senior Executive trong ngành Marketing nói riêng & kinh doanh nói chung

• Đang ứng dụng AI trong marketing nhưng hiện tại hệ thống dữ liệu vẫn được tổng hợp và phân tích theo cách truyền thống, chưa tích hợp AI Agent vào việc phân tích hành vi người dùng, theo dõi hiệu suất quảng cáo đa kênh hay tự động hóa báo cáo.

• Khao khát tìm kiếm giải pháp để giải phóng đội ngũ khỏi các tác vụ lặp lại như tổng hợp dữ liệu, làm báo cáo định kỳ, tối ưu ngân sách thủ công — những công việc mà AI Agent hoàn toàn có thể xử lý dựa trên dữ liệu realtime.

• Muốn vượt qua rào cản về tư duy ứng dụng AI Agent ở cấp độ hệ thống dữ liệu marketing và hạn chế về năng lực kỹ thuật nội bộ để thực sự nâng cao hiệu suất vận hành dựa trên dữ liệu.

2. Sinh viên & Người đi làm mới bước vào ngành Marketing

• Đang đứng trước một thị trường Marketing thay đổi nhanh chóng với sự xuất hiện dồn dập của các cải tiến mới như AI và AI Agent.

• Cảm thấy lúng túng khi chưa hiểu rõ cách AI vận hành trên nền dữ liệu marketing, dẫn đến việc chưa biết nên phát triển tư duy dữ liệu hay kỹ năng ứng dụng AI như thế nào để không bị tụt lại.

• Mong muốn được cập nhật phương pháp ứng dụng AI Agent vào dữ liệu Marketing một cách thực tế để nâng cao năng lực và tạo lợi thế cạnh tranh ngay từ giai đoạn đầu sự nghiệp.

Bạn nhận được gì tại New Year Masterclass 2026?

1. Hiểu cách doanh nghiệp ứng dụng AI Agent: Tiếp cận các use case AI Agent đang vận hành thực tế tại các doanh nghiệp. Cụ thể:

• Creative AI Agent: Tạo video ngắn hàng loạt, bắt trend nhanh, rút ngắn thời gian sản xuất.

• Customer Service AI Chatbot: Tư vấn & chăm sóc khách hàng 24/7, hỗ trợ đội Sales chốt đơn.

• Data Agent: Thu thập dữ liệu, xây dashboard, hỗ trợ phân tích & ra quyết định.

• Các công ty công nghệ tới giới thiệu giải pháp trong việc ứng dụng AI mới nhất của họ.

2. Kết nối & networking chuyên sâu cùng các anh/chị Marketing Director & Marketing Manager:

• Thảo luận về career adaptation khi ngành Marketing đang thay đổi.

• Hỗ trợ định hướng phát triển cá nhân:

Câu hỏi quan trọng nhất lúc này không phải là AI có thay thế senior hay không, mà là mỗi người đã có chiến lược career adaptation cho mình hay chưa. Nếu chưa, thì thời điểm tốt nhất để bắt đầu chính là từ bây giờ.

Đăng ký New Year Master Class: Future of marketing - Transforming with AI Agent tại đây

Sự kiện tại Hà Nội

• Link đăng ký tham dự tại Hà Nội

• Thời gian: 18:30 - 21:00, ngày 27/2/2026.

• Địa điểm: Mrd Place, tầng 8, tòa nhà Viet Tower, số 1 Thái Hà, Hà Nội.

Sự kiện tại TP. Hồ Chí Minh

• Link đăng ký tham dự tại HCM

• Thời gian: 13:30 - 17:00, ngày 28/2/2026.

• Địa điểm: Saigon Innovation Hub, 123 Trương Định, Phường Xuân Hòa, TP.HCM.