Descriptive analytics là gì?

Mục lục

1. Descriptive analytics là gì?
2. Vị trí trong bốn loại phân tích
3. Phân tích mô tả hoạt động thế nào?
4. Các kỹ thuật và chỉ số thường dùng
5. Ví dụ có tình huống: trung bình có thể nói dối
6. Ứng dụng cho doanh nghiệp Việt Nam
7. Công cụ thường dùng
8. Lỗi thường gặp khi làm phân tích mô tả
9. So sánh ngắn với khái niệm gần
10. Ưu điểm và nhược điểm
11. Khi nào nên và không nên dừng ở mức mô tả?
12. Câu hỏi thường gặp

Descriptive analytics là gì?

Descriptive analytics, tiếng Việt thường gọi là phân tích mô tả, là quá trình tóm tắt dữ liệu lịch sử để thấy rõ hiện trạng và xu hướng đã diễn ra. Đầu ra điển hình là doanh thu theo tháng, số đơn theo kênh, tỷ lệ hủy đơn, tồn kho theo nhóm hàng. Một tài liệu khảo sát trên arXiv mô tả nó là tập kỹ thuật cung cấp phản hồi về hiệu quả hoạt động nội bộ của tổ chức, dùng thống kê để tóm tắt dữ liệu, nhận ra mẫu hình và điểm bất thường.

Điểm cần nắm là phạm vi: phân tích mô tả chỉ báo cáo cái đã có trong dữ liệu. Nó không suy ra nguyên nhân và không nói tháng sau sẽ ra sao. Đây là một lớp trong lĩnh vực rộng hơn được giải thích ở bài phân tích dữ liệu là gì.

Vị trí trong bốn loại phân tích

Mô hình bốn cấp do Gartner phổ biến, thường gọi là analytics ascendancy model hay “analytic value escalator”. Theo mô hình này, giá trị và độ khó cùng tăng khi đi từ mô tả lên đề xuất. Một số nguồn mô tả hai cấp đầu thiên về cảm nhận và phản ứng, hai cấp sau thiên về dự đoán và hành động.

Cấp kế tiếp, phân tích dự đoán, cần mô hình thống kê hoặc học máy và dữ liệu đủ dài. Phân tích chẩn đoán thì đào sâu vào các chiều dữ liệu để tìm nguyên nhân. Cả hai đều dựa trên bảng số liệu mô tả đáng tin ở dưới. Nếu số mô tả sai, mọi cấp trên đều sai theo.

Phân tích mô tả hoạt động thế nào?

Về cơ chế, đây là chuỗi biến đổi từ bản ghi giao dịch thành vài con số có nghĩa. Mỗi bước có thể làm sai lệch kết quả cuối.

Bước 1 và 2: lấy dữ liệu và làm sạch

Dữ liệu đến từ hệ thống bán hàng, kế toán, kho, website hoặc bảng tính. Cách gom về một chỗ được nói ở bài thu thập dữ liệu. Trước khi tính, phải xử lý đơn trùng, ngày sai định dạng, mã sản phẩm viết nhiều kiểu, giá trị rỗng. Các kỹ thuật này có trong bài làm sạch dữ liệu.

Bước 3: tổng hợp theo chỉ số

Đây là lõi của phân tích mô tả. Bạn chọn đại lượng (đo cái gì), chiều (cắt theo cái gì) và khoảng thời gian. Ví dụ: tổng doanh thu thuần (đại lượng) theo chi nhánh (chiều) theo tuần (thời gian). Trong cơ sở dữ liệu quan hệ, việc này thường là câu lệnh gom nhóm, xem thêm SQL cơ bản. Trong bảng tính là PivotTable.

Bước 4: trình bày

Kết quả được đưa lên bảng, báo cáo định kỳ hoặc dashboard. Chọn biểu đồ nào cho loại chỉ số nào là chủ đề của bài trực quan hoá dữ liệu.

Các kỹ thuật và chỉ số thường dùng

Nhóm kỹ thuật	Ví dụ chỉ số	Trả lời câu hỏi
Đo xu hướng trung tâm	Trung bình, trung vị, yếu vị (mode)	Giá trị “điển hình” là bao nhiêu?
Đo độ phân tán	Khoảng giá trị, độ lệch chuẩn, tứ phân vị	Dữ liệu dàn trải hay tập trung?
Tần suất và tỷ trọng	Số lượng, phần trăm theo nhóm	Nhóm nào chiếm nhiều nhất?
So sánh theo kỳ	MoM (so tháng trước), YoY (so cùng kỳ năm trước)	Tăng hay giảm so với kỳ khác?
Phân nhóm mô tả	Phân khúc khách hàng theo quy tắc RFM	Ai mua gần đây, thường xuyên, nhiều tiền?
Tương quan đơn giản	Hệ số tương quan hai biến	Hai chỉ số có biến động cùng nhau không?

Lưu ý: tương quan chỉ mô tả hai số cùng biến động. Việc kết luận cái này gây ra cái kia thuộc về phân tích chẩn đoán và cần thêm kiểm chứng.

Ví dụ có tình huống: trung bình có thể nói dối

Tổng là 1.800.000 + 5.000.000 = 6.800.000 đồng, nên giá trị đơn trung bình là 680.000 đồng. Nhưng chín trong mười khách chỉ trả 200.000 đồng, tức trung vị là 200.000 đồng. Nếu báo cáo chỉ ghi 680.000 đồng, người đọc sẽ tin khách điển hình chi gấp 3,4 lần thực tế và có thể đặt ngưỡng freeship hoặc khuyến mãi sai.

Cách phòng: luôn đặt trung vị hoặc biểu đồ phân phối (histogram, boxplot) cạnh trung bình khi dữ liệu có vài giá trị rất lớn, như giá trị đơn, lương, thời gian xử lý ticket.

Ứng dụng cho doanh nghiệp Việt Nam

• Bán lẻ và thương mại điện tử: doanh thu theo kênh (cửa hàng, sàn, website), tỷ lệ hủy và hoàn đơn, tồn kho theo ngày tuổi (inventory ageing), top sản phẩm theo biên lợi nhuận chứ không chỉ theo số lượng.
• Kế toán và tài chính: công nợ phải thu theo nhóm tuổi nợ (0–30, 31–60, trên 60 ngày), chi phí theo bộ phận so với ngân sách.
• Nhân sự: tỷ lệ nghỉ việc theo phòng ban và thâm niên, số giờ làm thêm theo tháng.
• Vận hành và chăm sóc khách hàng: thời gian phản hồi đầu tiên, tỷ lệ ticket giải quyết ngay lần đầu, số ticket theo loại lỗi.
• Marketing: chi phí và số lead theo kênh, tỷ lệ chuyển đổi theo từng bước phễu.

Dữ liệu cá nhân xuất hiện khi bạn mô tả theo khách hàng hoặc nhân viên cụ thể. Với báo cáo phân khúc, nên dùng số tổng hợp theo nhóm và che định danh (tên, số điện thoại) ngay ở bước tổng hợp, để người xem dashboard không cần thấy trường đó.

Công cụ thường dùng

Quy mô quyết định công cụ, không có lựa chọn duy nhất đúng:

• Bảng tính (Excel, Google Sheets): PivotTable đủ cho dữ liệu vài chục nghìn dòng và một người phụ trách.
• SQL trên cơ sở dữ liệu: phù hợp khi dữ liệu đã nằm trong hệ thống và nhiều báo cáo lặp lại.
• Công cụ BI (Power BI, Tableau, Looker Studio, Metabase…): dashboard dùng chung nhiều người. Xem bài hệ thống BI.
• Kho dữ liệu: khi cần gộp nhiều nguồn và giữ lịch sử ổn định, xem data warehouse.

Lỗi thường gặp khi làm phân tích mô tả

1. Hai phòng ban hai định nghĩa “doanh thu”. Kinh doanh tính theo đơn chốt, kế toán tính theo hoá đơn xuất. Con số lệch mà không ai sai. Cách xử lý: viết rõ công thức, nguồn bảng và thời điểm ghi nhận cho từng chỉ số trong một tài liệu dùng chung.
2. Trung bình của trung bình. Lấy trung bình tỷ lệ chuyển đổi của từng chi nhánh rồi coi là tỷ lệ toàn hệ thống sẽ sai nếu lượng khách mỗi nơi khác nhau. Phải tính lại từ tổng tử số chia tổng mẫu số.
3. So sánh kỳ không cùng điều kiện. Tháng có Tết hoặc đợt giảm giá lớn so với tháng thường dễ cho cảm giác tăng hoặc giảm giả. So YoY cùng giai đoạn lịch hoặc ghi chú sự kiện lên biểu đồ.
4. Bỏ sót dữ liệu thiếu. Nếu 15% đơn thiếu trường kênh bán, biểu đồ theo kênh chỉ vẽ 85% còn lại. Hiển thị nhóm “không xác định” thay vì lược bỏ im lặng.
5. Dashboard quá nhiều số. Người xem không biết nhìn vào đâu. Mỗi dashboard nên có một câu hỏi chính và vài chỉ số gắn với quyết định cụ thể.

Gốc của nhiều lỗi trên là chất lượng đầu vào, nên đọc thêm data quality.

So sánh ngắn với khái niệm gần

Tiêu chí	Descriptive	Diagnostic	Predictive
Câu hỏi	Chuyện gì đã xảy ra?	Vì sao xảy ra?	Điều gì sẽ xảy ra?
Phương pháp điển hình	Tổng hợp, so sánh kỳ, biểu đồ	Drill-down, phân tích theo nhóm, tương quan	Hồi quy, chuỗi thời gian, học máy
Đầu ra	Báo cáo, dashboard	Giả thuyết nguyên nhân	Điểm số hoặc dự báo kèm sai số
Dữ liệu cần	Dữ liệu sạch, chỉ số rõ	Thêm các chiều chi tiết	Lịch sử đủ dài và nhãn kết quả

Phân tích mô tả cũng khác khai phá dữ liệu: mô tả báo cáo thứ bạn đã biết cần xem (doanh thu, tồn kho), còn khai phá tìm mẫu hình chưa biết trước trong khối dữ liệu lớn.

Ưu điểm và nhược điểm

Ưu điểm

• Dễ làm với kỹ năng thống kê cơ bản và công cụ sẵn có.
• Kết quả dễ giải thích cho người không chuyên.
• Tạo nền chỉ số thống nhất cho các cấp phân tích sau.

Nhược điểm

• Không nêu nguyên nhân; một con số giảm vẫn chưa nói được vì sao giảm.
• Nhìn về quá khứ nên không cảnh báo sớm nếu thị trường đổi.
• Nhạy với định nghĩa chỉ số và dữ liệu bẩn.
• Con số tổng hợp có thể che nhóm nhỏ đang diễn biến ngược chiều.

Khi nào nên và không nên dừng ở mức mô tả?

Dừng ở mô tả là hợp lý khi quyết định chỉ cần biết hiện trạng: theo dõi tồn kho hằng ngày, báo cáo công nợ cuối tháng, giám sát SLA hỗ trợ khách hàng. Đây là các số có ngưỡng rõ, người xem biết phải làm gì khi vượt ngưỡng.

Cần đi tiếp lên chẩn đoán hoặc dự đoán khi bạn lặp lại câu hỏi “vì sao” cho cùng một biến động, hoặc khi quyết định phải ra trước khi sự việc xảy ra (đặt hàng nhập, xếp ca). Nếu chỉ số nền còn bị tranh cãi giữa các phòng, hãy sửa định nghĩa trước, vì mô hình dự đoán xây trên số sai chỉ cho dự báo sai. Khía cạnh này gắn với tinh thần data driven trong ra quyết định.

Câu hỏi thường gặp

Descriptive analytics khác gì với báo cáo thông thường?

Báo cáo là hình thức trình bày; phân tích mô tả là phần việc tạo ra nội dung của báo cáo đó. Một báo cáo thủ công sao chép số từ nhiều file chưa chắc là phân tích mô tả đáng tin, vì thiếu định nghĩa chỉ số cố định và bước kiểm tra dữ liệu.

Phân tích mô tả có cần lập trình không?

Không bắt buộc. PivotTable trong Excel hoặc Google Sheets làm được phần lớn nhu cầu ở quy mô nhỏ. Khi dữ liệu lớn hoặc báo cáo lặp lại nhiều, SQL hoặc công cụ BI giúp tự động hoá và tránh lỗi sao chép.

Descriptive analytics và descriptive statistics có giống nhau không?

Gần nhau nhưng không đồng nhất. Thống kê mô tả (descriptive statistics) là bộ công cụ toán học: trung bình, trung vị, độ lệch chuẩn. Descriptive analytics là hoạt động dùng các công cụ đó cùng dữ liệu doanh nghiệp để phục vụ báo cáo và quyết định, kèm cả khâu thu thập, làm sạch và trình bày.

Ai thường làm phân tích mô tả trong doanh nghiệp?

Nhân viên kế toán, kinh doanh, vận hành đều làm ở mức bảng tính. Phần chuyên sâu hơn, như xây mô hình dữ liệu và dashboard dùng chung, thường thuộc chuyên viên phân tích; xem data analyst là gì.

Làm sao biết một chỉ số mô tả có đáng tin?

Kiểm ba điều: công thức và nguồn bảng được ghi rõ; số tổng khớp với hệ thống gốc (ví dụ doanh thu báo cáo khớp sổ kế toán); và nhóm “không xác định” hoặc dữ liệu thiếu được hiển thị thay vì bị lược bỏ.

Từ phân tích mô tả nên đi lên bước nào?

Bước tự nhiên là chẩn đoán: chọn một chỉ số biến động mà quản lý hay hỏi nguyên nhân, rồi bổ sung chiều dữ liệu (vùng, sản phẩm, nhóm khách) để lần ra nơi biến động tập trung. Dự đoán chỉ nên đến sau khi chuỗi số mô tả đã ổn định qua nhiều kỳ.