AI có thể tạo dashboard trong vài phút. Vậy tại sao bạn vẫn cần học cách xây dựng dashboard?
AI tạo dashboard trong vài phút nghe rất hấp dẫn, nhưng tốc độ có đủ để thay thế tư duy dữ liệu và khả năng kiểm tra kết quả không? Cùng đọc chi tiết bài viết tại đây.
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
➤ 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.
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.
