Raw data là gì?

Mục lục

1. Raw data là gì?
2. Dữ liệu thô khác dữ liệu đã xử lý ở đâu?
3. Dữ liệu thô trông như thế nào trong thực tế?
4. Các nguồn và dạng dữ liệu thô phổ biến
5. Vì sao dữ liệu thô không dùng ngay được?
6. Dữ liệu thô đi qua những bước nào để thành thông tin?
7. Dữ liệu thô nằm ở đâu trong kiến trúc dữ liệu hiện đại?
8. Dữ liệu thô và dữ liệu cá nhân: cần lưu ý gì?
9. Ưu điểm và nhược điểm của việc giữ dữ liệu thô
10. Khi nào nên giữ và khi nào không cần giữ dữ liệu thô?
11. Raw data khác gì với các khái niệm gần?
12. Checklist lưu giữ dữ liệu thô cho doanh nghiệp
13. Câu hỏi thường gặp

Raw data là gì?

Raw data (dữ liệu thô, đôi khi gọi là dữ liệu sơ cấp hoặc dữ liệu gốc) là dữ liệu đúng như lúc hệ thống ghi nhận nó. Nó chưa trải qua thao tác phân tích hay làm sạch nào, có thể chứa lỗi do người hoặc thiết bị, và thường chưa có cấu trúc rõ ràng. Ví dụ: một dòng log máy chủ, một bản ghi cảm biến nhiệt độ, một ô nhập tay trong biểu mẫu đăng ký.

Điểm hay bị hiểu nhầm: “thô” nói về mức độ xử lý, không nói về hình thức. Một file Excel xuất thẳng từ phần mềm bán hàng, chưa sửa gì, vẫn là dữ liệu thô dù nó nằm gọn trong các cột và hàng. Ngược lại, một bảng báo cáo doanh thu theo tháng đã là dữ liệu đã xử lý, dù nó vẫn nằm trong Excel. Chuyện thô hay không phụ thuộc vào việc đã có ai sửa, lọc, gộp hay tính toán trên nó chưa.

Dữ liệu thô còn có một đặc tính ít được nhắc: nó ghi lại sự việc ở mức chi tiết nhất. Bản tổng hợp “tháng 9 bán 1.200 đơn” không cho bạn biết đơn nào bị nhập trùng, đơn nào được tạo lúc 2 giờ sáng. Dữ liệu thô thì cho biết.

Dữ liệu thô khác dữ liệu đã xử lý ở đâu?

Dữ liệu đã xử lý (processed data) là dữ liệu thô được làm sạch, tổ chức, phân tách, tổng hợp hoặc biến đổi để trở thành thông tin có ý nghĩa, dễ hiểu hơn. Bảng dưới so sánh theo các tiêu chí thực tế khi làm việc với dữ liệu.

Tiêu chí	Raw data	Processed data
Trạng thái	Nguyên bản từ nguồn	Đã sửa lỗi, chuẩn hoá, gộp
Độ chi tiết	Cao nhất, từng sự kiện	Thường đã tổng hợp, mất chi tiết
Lỗi và trùng lặp	Còn nguyên	Đã loại hoặc đánh dấu
Định dạng	Không đồng nhất giữa các nguồn	Thống nhất kiểu dữ liệu, đơn vị
Người dùng chính	Kỹ sư dữ liệu, người kiểm tra	Nhân viên phân tích, quản lý
Dùng để	Lưu vết, xử lý lại, điều tra sai lệch	Báo cáo, dashboard, mô hình
Có sửa được không	Không nên sửa trực tiếp	Sửa và tính lại được

Hai loại này không cạnh tranh nhau. Dữ liệu đã xử lý được sinh ra từ dữ liệu thô, và nếu mất bản thô, bạn mất khả năng chứng minh con số báo cáo đến từ đâu.

Dữ liệu thô trông như thế nào trong thực tế?

Ví dụ minh hoạ: một cửa hàng xuất file đơn hàng từ ba kênh (website, sàn thương mại điện tử, bán tại quầy) và gộp vào một bảng. Chưa ai chỉnh gì, bảng có thể như sau.

ma_don	ngay	sdt	so_tien	trang_thai
DH-1001	03/10/2026	0912 345 678	350000	hoan_tat
DH-1001	2026-10-03	+84912345678	350.000	Hoàn tất
DH-1002	03-10-26		1,200,000	huy
DH-1003	04/10/2026	0987654321	-50000	hoan_tat

Trong bốn dòng có đủ các vấn đề điển hình của dữ liệu thô. Dòng 1 và 2 có thể là cùng một đơn nhập hai lần với ngày, số điện thoại, số tiền và trạng thái viết theo bốn kiểu khác nhau. Dòng 3 thiếu số điện thoại và dùng dấu phẩy ngăn cách hàng nghìn, nên phần mềm có thể đọc thành chuỗi chữ thay vì số. Dòng 4 có số tiền âm, có thể là hoàn tiền, cũng có thể là lỗi nhập. Chỉ dữ liệu thô mới cho phép bạn xem lại dòng gốc để quyết định đây là loại nào.

Các nguồn và dạng dữ liệu thô phổ biến

Dữ liệu thô đến từ mọi nơi có hệ thống ghi nhận sự kiện. Theo hình thức, nó rơi vào ba nhóm. Bạn có thể đọc kỹ hơn cách phân biệt trong bài về dữ liệu có cấu trúc và phi cấu trúc.

Nguồn thường gặp ở doanh nghiệp Việt Nam

• Phần mềm bán hàng và kế toán: bản xuất đơn hàng, phiếu thu chi, sổ chi tiết chưa lọc.
• Website và ứng dụng: file log truy cập website, dữ liệu cảm biến máy móc và thông tin khách hàng từ biểu mẫu đều là dữ liệu thô.
• Thiết bị IoT và máy móc: chuỗi giá trị đo theo từng giây, kể cả các giá trị nhiễu hoặc điểm mất tín hiệu.
• Khảo sát và biểu mẫu: câu trả lời tự do, ô để trống, lựa chọn bị chọn nhầm.
• Dữ liệu thu thập từ bên ngoài: trang web, API đối tác, file Excel do đối tác gửi. Cách lấy chúng được trình bày trong bài thu thập dữ liệu là gì.

Vì sao dữ liệu thô không dùng ngay được?

Các vấn đề thường gặp lặp lại ở hầu hết nguồn:

• Giá trị thiếu: ô trống, hoặc chữ “N/A”, “null”, “-” bị trộn lẫn.
• Trùng lặp: cùng một giao dịch ghi hai lần do người dùng bấm gửi đôi hoặc do hệ thống thử lại.
• Định dạng không đồng nhất: ngày dd/mm/yyyy lẫn yyyy-mm-dd, số điện thoại có hoặc không có mã quốc gia, dấu phân cách số khác nhau.
• Ngoại lai và sai đơn vị: một cảm biến báo 4.000 độ C, một sản phẩm giá 100 đồng vì thiếu ba số 0.
• Sai mã hoá tiếng Việt: file xuất ra hiển thị ký tự lỗi do khác bảng mã. Đây là lỗi riêng thường gặp ở dữ liệu tiếng Việt.

Xử lý các vấn đề này là công việc của khâu làm sạch, được mô tả riêng trong bài data cleaning là gì. Điều quan trọng ở đây là thứ tự: làm sạch phải xảy ra trên bản sao, không trên bản gốc.

Dữ liệu thô đi qua những bước nào để thành thông tin?

Trong thực tế, dữ liệu thô đi qua một chuỗi biến đổi, thường do một đường ống dữ liệu tự động hoá. Phần cơ chế đường ống có bài riêng là data pipeline là gì. Dưới đây là hình khái quát vị trí của dữ liệu thô trong chuỗi.

Bước 2 là chỗ nhiều doanh nghiệp bỏ qua. Khi phần mềm ghi đè dữ liệu cũ bằng bản đã sửa, sai sót phát sinh sau đó rất khó lần ngược. Kiến trúc medallion giải quyết đúng vấn đề này vì lớp bronze giữ file gốc nguyên định dạng nguồn, giúp việc sửa lỗi dễ hơn.

Dữ liệu thô nằm ở đâu trong kiến trúc dữ liệu hiện đại?

Trong kiến trúc medallion (bronze, silver, gold) dùng trên nền data lakehouse, dữ liệu thô nằm ở lớp đầu tiên. Dữ liệu thô vào hệ thống ở lớp bronze, được làm sạch và biến đổi ở lớp silver, rồi thành dữ liệu sẵn sàng cho nghiệp vụ ở lớp gold. Với doanh nghiệp đang dùng data lake, khái niệm này tương đương vùng “raw zone”; bạn có thể xem thêm ở bài data lake là gì.

Lớp thô được tổ chức ra sao?

Theo mô tả của các tài liệu về kiến trúc này, lớp bronze thường có vài đặc điểm kỹ thuật: ghi nối thêm (append-only) để giữ lịch sử, chia phân vùng theo thời điểm nạp thay vì thuộc tính nghiệp vụ, có các cột siêu dữ liệu ghi nguồn, giờ nạp và mã lô, cùng chính sách lưu giữ cân đối với chi phí lưu trữ. Các cột siêu dữ liệu này giúp trả lời câu hỏi “dòng này đến từ hệ thống nào, lúc nào”; khái niệm này được nói rõ trong bài metadata là gì. Ngoài ra, Databricks khuyến nghị lưu phần lớn trường ở dạng chuỗi hoặc kiểu variant để thay đổi cấu trúc ở nguồn không làm hỏng việc nạp. Mục tiêu của lớp này là nạp được đủ, chưa phải là đúng.

Về chi phí, lớp bronze chứa các định dạng dài dòng như JSON, XML, Avro nên phình nhanh nhất, vì vậy cần chính sách đưa dữ liệu cũ sang lưu trữ rẻ hơn sau một thời hạn xác định.

Dữ liệu thô và dữ liệu cá nhân: cần lưu ý gì?

Vì giữ nguyên bản, dữ liệu thô thường chứa trường nhận dạng chưa được che: số điện thoại, email, địa chỉ giao hàng, nội dung ghi âm. Điểm cần làm riêng cho tầng thô, theo tinh thần Luật Bảo vệ dữ liệu cá nhân, là giới hạn quyền truy cập vào vùng này cho một nhóm nhỏ kỹ thuật, và để các bước sau (silver, gold) che hoặc mã hoá các trường nhận dạng trước khi phân tích viên nhìn thấy. Đặt thời hạn xoá cho bản thô cũng quan trọng vì “giữ để phòng khi cần” không phải lý do kéo dài vô hạn.

Ưu điểm và nhược điểm của việc giữ dữ liệu thô

Ưu điểm

• Xử lý lại được khi quy tắc nghiệp vụ đổi. Giữ dữ liệu thô nghĩa là bạn luôn có thể xử lý lại khi logic nghiệp vụ thay đổi.
• Điều tra được sai lệch: khi con số báo cáo lệch kế toán, bạn lần ngược đến dòng gốc.
• Phục vụ nhiều mục đích: cùng một bản thô có thể sinh bảng báo cáo cho kinh doanh và tập huấn luyện cho mô hình.
• Là hồ sơ đối chiếu khi cần giải trình với đối tác hoặc kiểm toán.

Nhược điểm

• Tốn dung lượng và chi phí lưu trữ, nhất là log và dữ liệu cảm biến.
• Khó đọc với người không chuyên; đưa thẳng bản thô cho phòng kinh doanh thường dẫn đến hiểu sai.
• Rủi ro an toàn thông tin cao hơn do chứa thông tin nhận dạng chưa che.
• Nếu thiếu mô tả cột và nguồn gốc, bản thô lưu nhiều năm sau không ai hiểu nổi.

Khi nào nên giữ và khi nào không cần giữ dữ liệu thô?

Nên giữ khi dữ liệu khó lấy lại (log hệ thống, cảm biến, dữ liệu thu thập từ trang web đã thay đổi), khi phải đối chiếu với chứng từ hoặc khi bạn dự định huấn luyện mô hình từ dữ liệu lịch sử. Có thể không cần giữ lâu khi nguồn vẫn truy vấn lại được nguyên vẹn bất cứ lúc nào, hoặc khi dữ liệu có độ nhạy cao mà bạn không có lý do nghiệp vụ để giữ. Với dữ liệu quá lớn, một số nơi chỉ giữ thô trong một khoảng thời gian rồi giữ bản tổng hợp; cách này phải được quyết định có chủ ý, vì sau khi xoá thì không phục hồi được chi tiết.

Raw data khác gì với các khái niệm gần?

• Raw data và dữ liệu sạch: dữ liệu sạch là kết quả sau khi xử lý lỗi, còn dữ liệu thô là điểm xuất phát. Chất lượng dữ liệu là chuyện riêng, được bàn trong bài về data quality.
• Raw data và big data: big data nói về quy mô và tốc độ; một file CSV 200 dòng vẫn là dữ liệu thô nhưng không phải big data.
• Raw data và thông tin: thông tin là dữ liệu đã được diễn giải trong một ngữ cảnh. Dòng “350000” là dữ liệu; “đơn hàng DH-1001 có giá trị 350.000 đồng” mới mang ý nghĩa.
• Raw data và phân tích: phân tích là hoạt động dùng dữ liệu đã chuẩn bị để tìm quy luật; nền tảng của nó có trong bài phân tích dữ liệu là gì.

Một điểm khác cần tách là ETL và ELT. ETL biến đổi dữ liệu trước khi nạp vào kho, còn ELT nạp dữ liệu thô trước rồi mới biến đổi. Mẫu medallion chủ yếu theo ELT, ưu tiên nạp dữ liệu thô vào bronze trước. Vì vậy trong mô hình ELT, việc giữ dữ liệu thô là mặc định chứ không còn là lựa chọn thêm.

Checklist lưu giữ dữ liệu thô cho doanh nghiệp

1. Chọn vị trí lưu riêng cho bản thô (thư mục hoặc bucket tách biệt), cấm ghi đè và cấm sửa.
2. Đặt tên file kèm nguồn và thời điểm xuất, ví dụ pos_donhang_2026-10-12.csv.
3. Ghi lại: hệ thống nguồn, ai xuất, bảng mã ký tự, ý nghĩa từng cột.
4. Phân quyền: chỉ nhóm kỹ thuật được đọc bản thô; phân tích viên đọc bản đã xử lý.
5. Đặt thời hạn lưu và cách xoá khi hết hạn.
6. Kiểm tra định kỳ khả năng đọc lại file cũ, nhất là khi phần mềm nguồn nâng cấp và đổi cấu trúc.

Lỗi thường gặp và cách xử lý

• Sửa trực tiếp trên file xuất: sau vài tháng không ai biết con số nào đúng. Cách xử lý: luôn “Lưu thành” bản sao trước khi sửa.
• Mở CSV bằng Excel rồi lưu lại: Excel có thể tự đổi số điện thoại bắt đầu bằng 0 thành số, làm mất số 0 đầu. Cách xử lý: nhập dữ liệu qua chức năng nhập từ văn bản, đặt cột điện thoại là kiểu chữ.
• Lỗi font tiếng Việt: file mã hoá khác UTF-8 hiển thị sai dấu. Cách xử lý: chọn đúng mã hoá khi mở và ghi chú bảng mã vào tài liệu mô tả.
• Không ghi nguồn: bản thô lưu lâu mà không có mô tả cột. Cách xử lý: bổ sung một file mô tả đi kèm mỗi bộ dữ liệu.

Câu hỏi thường gặp

Raw data có phải là dữ liệu phi cấu trúc không?

Không. Dữ liệu thô có thể có cấu trúc (bảng đơn hàng), bán cấu trúc (JSON, log) hoặc phi cấu trúc (ảnh, âm thanh). “Thô” chỉ nói chưa qua xử lý, còn “cấu trúc” nói về cách tổ chức.

Dữ liệu thô có dùng để phân tích trực tiếp được không?

Có thể dùng để khám phá nhanh, nhưng kết luận dễ sai vì còn trùng, thiếu và sai định dạng. Với báo cáo chính thức nên dùng bản đã xử lý và giữ bản thô để đối chiếu.

Có nên xoá dữ liệu thô sau khi đã làm sạch không?

Thường không nên xoá ngay. Bản thô cho phép chạy lại quy trình khi quy tắc đổi hoặc phát hiện lỗi. Hãy đặt thời hạn lưu rõ ràng, đặc biệt nếu bản thô chứa thông tin cá nhân.

Dữ liệu thô trong Excel khác gì dữ liệu thô trong data lake?

Về bản chất giống nhau, đều là bản chưa xử lý. Khác ở cách quản lý: data lake thường có lớp lưu riêng, chỉ ghi thêm, kèm siêu dữ liệu nguồn và giờ nạp, còn file Excel dễ bị người dùng sửa đè.

Raw data tiếng Việt là gì ngoài “dữ liệu thô”?

Có thể gọi là dữ liệu gốc hoặc dữ liệu sơ cấp, tuỳ ngữ cảnh. Trong kỹ thuật dữ liệu, “dữ liệu thô” là cách gọi phổ biến nhất, tương ứng lớp bronze hoặc raw zone.

Ai là người làm việc trực tiếp với dữ liệu thô?

Chủ yếu là kỹ sư dữ liệu, người xây đường ống nạp và làm sạch. Phân tích viên thường làm việc trên bản đã xử lý nhưng đôi khi cần đọc bản thô để tìm nguyên nhân khi số liệu bất thường.