‘Mỏ vàng’ dữ liệu của Twitter

Đơn giản hóa việc phân tích dữ liệu thời gian thực

Ngân hàng nên làm thế nào để tối ưu hóa việc phân tích dữ liệu sẵn có hiện tại, đồng thời tích lũy dữ liệu trong tương lai một cách an toàn và tiết kiệm nhằm thúc đẩy kinh doanh liên tục, hiệu quả theo thời gian thực?

Bằng cách tối đa hóa giá trị của tài sản thông tin, các ngân hàng, tổ chức tài chính và công ty công nghệ tài chính (Fintech) có thể thu hút khách hàng tiềm năng, cải thiện quy trình tương tác và củng cố mối quan hệ với khách hàng hiện tại một cách hiệu quả hơn. Tuy nhiên, để triển khai các sáng kiến kinh doanh theo hướng dữ liệu và hỗ trợ các khả năng mà những công nghệ mới như trí tuệ nhân tạo (AI), máy học (ML) và blockchain mang lại, ngân hàng phải thiết kế lại chuỗi giá trị dữ liệu.

Việc sắp xếp và tái cấu trúc này trước đây vốn cực kỳ phức tạp và tốn thời gian. Nhưng ở thời điểm hiện tại, chỉ bằng cách dùng công cụ tổng hợp dữ liệu dựa trên công nghệ điện toán đám mây và các kỹ thuật phân tích, mô hình sẵn có (có thể linh động thay đổi theo nhu cầu) để xác định các kết nối giữa các dữ liệu ngẫu nhiên, các tổ chức tài chính có thể chuyển đổi khối lượng dữ liệu ngày càng tăng này thành tài sản, có thể được sử dụng trong các quy trình ra quyết định tự động, chính xác hơn và gần như thời gian thực với thời gian triển khai chỉ trong 1-2 tuần.

Để tối ưu hóa kết quả của việc phân tích dữ liệu hiện đại, ngân hàng cần tuân thủ các quy tắc sau:

Một là, triệt tiêu việc quản lý các nguồn dữ liệu độc lập (De-silo dữ liệu)

Để thực hiện việc này, ngân hàng cần dùng nền tảng phân tích dữ liệu (Data Analytics Platform) dưới dạng SaaS hoặc PaaS. Nền tảng này đảm bảo việc tất cả các nguồn dữ liệu từ hồ sơ bán hàng, nhật ký ứng dụng, contact center hay từ mạng xã hội được tập hợp một cách nhất quán.

Hơn nữa, việc sử dụng các công cụ thu thập dữ liệu trên nền tảng này giúp ngân hàng không cần phải thay đổi các nguồn dữ liệu hiện tại, qua đó đơn giản hóa việc thu thập dữ liệu dành cho việc xử lý từng bài toán kinh doanh.

Hai là, tối ưu hóa chi phí phân tích dữ liệu

Hiện tại, chi phí lưu trữ dữ liệu trên đám mây chưa nhiều. Tuy nhiên, nếu ngân hàng thực hiện việc đọc, ghi, thay đổi và phân tích dữ liệu càng nhiều, chi phí cho việc sử dụng năng lực tính toán của đám mây và các công cụ phân tích càng cao. Do đó, ngân hàng cần có tư duy rành mạch và tối giản trong việc nhập, thu thập, lưu trữ và phân tích dữ liệu. Việc này không những giúp giảm chi phí, mà còn giúp quản lý dễ dàng và sáng tạo hơn trong các mô hình phân tích.

Ba là, chọn nền tảng phân tích dữ liệu có thể xử lý được tất cả các loại dữ liệu

Cấu trúc dữ liệu có nhiều định dạng khác nhau, gồm dữ liệu cấu trúc, bán cấu trúc và phi cấu trúc. Ngân hàng nên chọn nền tảng phân tích dữ liệu có khả năng xử lý và phân tích cả 03 loại dữ liệu này tốt như nhau, mà không yêu cầu chuyển đổi hay tái cấu trúc dữ liệu.

Bốn là, chọn giải pháp phân tích dữ liệu không bị giới hạn bởi bất kỳ bài toán (Use-case) nào của ngân hàng

Phân tích dữ liệu có thể giải quyết các bài toán xuyên suốt các bộ phận chức năng hay sản phẩm khác nhau trong ngân hàng, từ phát triển kinh doanh thông minh và tức thời theo hướng dữ liệu, đến phát triển, triển khai phần mềm, quản lý rủi ro, quản lý độ tin cậy, thậm chí thay đổi mô hình kinh doanh và hơn thế nữa.

Do đó, để việc phân tích dữ liệu mang lại giá trị lớn nhất, giải pháp phân tích dữ liệu phải có khả năng vận hành và đáp ứng mọi bài toán hiện tại, đồng thời có thể xử lý mọi trường hợp có thể phát sinh trong tương lai. Để tăng tính sáng tạo cho sản phẩm hướng đến tăng trải nghiệm cho người dùng, ngân hàng cần tránh bị ràng buộc bởi các bài toán hay quy trình hiện tại, hoặc chỉ nghĩ đến việc dùng phân tích dữ liệu để cung cấp thông tin chi tiết cho một vài bài toán nhất định.

Đối với các kỹ thuật phân tích dữ liệu đã lỗi thời, ngân hàng được yêu cầu xây dựng hồ dữ liệu (data lake), di chuyển dữ liệu nhiều lần, dữ liệu bị đưa vào các cấu trúc dữ liệu cứng nhắc hoặc lại thực hiện việc chia nhỏ dữ liệu..., sau đó mới có thể thực hiện phân tích. Đây là một quy trình gây hao tốn nhiều tài nguyên của các tổ chức.

So với phương thức tiếp cận cũ, 04 quy tắc kể trên đều đáp ứng được như cầu cốt lõi trong việc phân tích dữ liệu hiện đại, đồng thời vẫn cho phép doanh nghiệp tận dụng tối đa khả năng nén, tránh phân mảnh dữ liệu không cần thiết và tận dụng lưu trữ đám mây hiệu suất cao để đảm bảo duy chuyển, truy cập và phân tích dữ liệu nhanh chóng, tối ưu.

Dẫu vậy, ngay cả khi ngân hàng đã chọn lựa được nền tảng và công cụ phân tích dữ liệu hiện đại như vậy, các nhà lãnh đạo ngân hàng thường nhận được các phản hồi hay băn khoăn như "Chúng ta có quá nhiều dữ liệu phải thu thập", "Chúng ta có quá ít dữ liệu để phân tích", "Làm thế nào để nhà quản trị ngân hàng biết được hiệu quả của kinh doanh hướng dữ liệu của họ đủ tốt trong bối cảnh cạnh tranh số rất lớn giữa các tổ chức tài chính và các công ty Fintech?"...

Một số chỉ số phân tích nổi bật

Bà Trần Thị Phương Hồng, Tổng giám đốc TechX

Ở thời điểm hiện tại, giải pháp và công cụ phân tích dữ liệu trên nền tảng đám mây cho phép đo lường mọi chỉ số phân tích mà ngân hàng có thể định nghĩa theo từng bài toán kinh doanh.

Bất kể ngân hàng nào, dù mới bước vào cuộc cách mạng phân tích dữ liệu, hay chỉ đang tối ưu hóa một quy trình, hoặc đang đưa ra thị trường một sản phẩm mới, đều cần phải xác định các chỉ tiêu phân tích quan trọng theo thời gian thực để nền tảng phân tích dữ liệu có thể giúp họ theo dõi cách thức tối ưu hóa trải nghiệm khách hàng qua từng điểm chạm của hành trình.

Một số chỉ số phân tích nổi bật mà ngân hàng nên theo dõi có thể kể đến như Events Metric, Conversion Rate, Session Tracking, Conversion Rate, Retention rate, Daily Active Users (DAU) & Monthly Active Users (MAU), Average Session Length & Frequency, Average Revenue per User (ARPU), Average Order Value (AOV), Cost- per-Acquisition, Cohort Analysis, Crash Analytics, Funnel Tracking, Goal Completion Rate...

Các công cụ phân tích dữ liệu hiện đại giúp ngân hàng tránh các thao tác khó khăn khi nhập dữ liệu và cung cấp thông tin của các chỉ số phân tích cơ bản và quan trọng này.

Trong giai đoạn chuyển đổi số của các ngân hàng ở Việt Nam hiện nay, nếu ngân hàng có thể sử dụng một cách hiệu quả các chỉ số phân tích trên đã là một khởi đầu rất tốt. Tuy nhiên, để tối ưu hóa nguồn lực, việc lựa chọn một đối tác phân tích dữ liệu có năng lực lập các mô hình dữ liệu phù hợp và khác biệt cho ngân hàng cũng là điều quan trọng không kém.

Đối với các tổ chức tài chính cam kết việc ra quyết định dựa trên dữ liệu, việc họ có quá ít dữ liệu về đối thủ cạnh tranh hay có quá nhiều thông tin để phân tích là một trở ngại không nhỏ.

Vì vậy, ngân hàng nên lựa chọn đối tác phân tích dữ liệu có khả năng hỗ trợ xây dựng các chỉ số phân tích được đánh giá so với chỉ số trung bình ngành theo thời gian thực có thể giải quyết vấn đề về ít dữ liệu. Đồng thời, họ cũng có thể đưa ra các góc nhìn, lọc và làm giàu các bộ dữ liệu cho các dữ liệu sẵn có nhằm giải quyết vấn đề quá nhiều dữ liệu.

Một ví dụ cụ thể về hiện trạng của các ngân hàng tại Việt Nam trong việc phân khúc khách hàng. Công việc này đang được thực hiện bởi những chuyên gia dày dạn kinh nghiệm, nhạy bén trong ngành, nhưng việc phân tích được diễn ra thủ công nên thường không tránh được sai sót. Đồng thời, với sự thay đổi rất nhanh của thị trường cũng như lượng dữ liệu khổng lồ về khách hàng chưa được khai thác, công việc phân nhóm khách hàng một cách thủ công cũng gặp nhiều khó khăn hơn trước đây.

Giải pháp phân tích dữ liệu hiện đại có thể cung cấp phần mềm theo kiểu dịch vụ (SaaS) giúp ngân hàng có thể ngay lập tức thực hiện việc hiện đại hóa dữ liệu và thu được các hiệu quả như: Thứ nhất, đánh giá tập khách hàng của ngân hàng dựa trên nhiều chiều thông tin; thứ hai, xuất bản kết quả phân nhóm theo nhiều phương thức khác nhau; thứ ba, có thể dễ dàng điều chỉnh để tích hợp với nguồn dữ liệu mới; thứ tư, dự đoán được phân khúc dựa vào dữ liệu và mô hình máy học.

Nền tảng phân tích dữ liệu hiện đại giúp ngân hàng hiểu tường tận và chi tiết về hành vi của khách hàng và có thể biến dữ liệu thành hành động cụ thể, biến chiến lược thành những mục tiêu cụ thể hàng ngày với các giải pháp linh hoạt.

Các công cụ phân tích giúp ngân hàng đánh giá trải nghiệm đầu cuối của khách hàng một cách liền mạch, xác định được các điểm khó khăn trong hành trình của họ. Từ đó, ngân hàng có thể phân khúc khách hàng theo thời gian thực, cá nhân hóa trải nghiệm của khách hàng và giúp ngân hàng tăng doanh thu một cách bền vững.

Như vậy, với việc phát triển của công nghệ điện toán đám mây, nền tảng phân tích và công cụ phân tích dữ liệu hiện đại đã giúp cộng đồng người dùng kinh doanh tiếp cận và phân tích dữ liệu đơn giản hơn bao giờ hết.

Điều quan trọng là ngân hàng cần xác định các chỉ số có giá trị nhất và theo dõi chúng liên tục. Việc này trở thành một "cuộc chơi" cùng có lợi giữa khách hàng và những tổ chức tài chính trong ngành, mang lại lợi ích cho cả đôi bên, đồng thời, kết quả kinh doanh có thể được biết chính xác vào cuối mỗi ngày.