Trả lời nhanh: Data warehouse (kho dữ liệu) là hệ thống gom dữ liệu từ nhiều phần mềm như kế toán, bán hàng, CRM về một nơi, làm sạch, thống nhất và lưu cả lịch sử để phân tích, lập báo cáo. Ví dụ: chuỗi bán lẻ dùng kho dữ liệu để so doanh thu từng cửa hàng qua nhiều năm.
Điểm chính
- Theo Bill Inmon, kho dữ liệu có 4 đặc tính: hướng chủ đề, tích hợp, không biến động và gắn với thời gian.
- Kiến trúc điển hình có 6 tầng: hệ thống nguồn, ETL/ELT, staging, kho trung tâm, data mart và công cụ BI.
- Mô hình chiều của Ralph Kimball chia dữ liệu thành bảng fact (số đo) và bảng dimension (ngữ cảnh), xếp thành star schema hoặc snowflake schema.
- Data warehouse chứa dữ liệu đã làm sạch, có cấu trúc; data lake giữ dữ liệu thô; lakehouse kết hợp cả hai.
- Kho chứa dữ liệu khách hàng phải tuân thủ Luật Dữ liệu 60/2024/QH15 và Luật Bảo vệ dữ liệu cá nhân 91/2025/QH15.
Mục lục
- Data warehouse là gì?
- Khái niệm kho dữ liệu ra đời từ đâu?
- Kiến trúc data warehouse gồm những tầng nào?
- OLTP và OLAP khác nhau thế nào?
- Dữ liệu trong kho được tổ chức theo mô hình nào?
- Database, data warehouse, data lake và lakehouse khác nhau thế nào?
- Kho dữ liệu đám mây: BigQuery, Redshift, Snowflake, Azure Synapse khác nhau ra sao?
- Data warehouse mang lại lợi ích gì và được ứng dụng ở đâu?
- Xây dựng data warehouse gặp những thách thức nào?
- Doanh nghiệp vừa nên xây kho dữ liệu theo quy trình nào?
- Quản trị và pháp lý dữ liệu cần lưu ý gì tại Việt Nam?
- Những hiểu lầm phổ biến về data warehouse
- Câu hỏi thường gặp
Data warehouse là gì?
Data warehouse là gì? Đó là một cơ sở dữ liệu chuyên cho phân tích, nơi dữ liệu từ nhiều hệ thống được gom lại, chuẩn hoá và lưu theo thời gian. Nó trả lời câu hỏi quản trị, không ghi nhận từng giao dịch.
Ví dụ minh hoạ: một chuỗi 30 cửa hàng thời trang dùng phần mềm bán hàng tại quầy, một website, một phần mềm kế toán và file Excel theo dõi khuyến mãi. Mỗi hệ thống đặt mã sản phẩm, mã cửa hàng khác nhau. Muốn biết “mặt hàng nào bán chạy nhất miền Trung quý 3 so với cùng kỳ năm ngoái”, kế toán phải xuất bốn file rồi ghép tay. Kho dữ liệu làm sẵn việc ghép đó mỗi đêm, sáng hôm sau quản lý mở dashboard là có số liệu thống nhất.
Vậy kho dữ liệu là gì, tóm lại hai ý: một “nguồn sự thật” chung cho báo cáo, và nơi giữ lịch sử để so sánh qua nhiều năm.
Khái niệm kho dữ liệu ra đời từ đâu?
- Năm 1988: Barry Devlin và Paul Murphy (IBM) công bố bài “An architecture for a business and information system” trên IBM Systems Journal, tập 27, số 1, dùng cụm từ “business data warehouse”.
- Năm 1992: Bill Inmon, thường được gọi là “cha đẻ của kho dữ liệu”, xuất bản sách “Building the Data Warehouse”.
- Năm 1996: Ralph Kimball xuất bản “The Data Warehouse Toolkit”, đưa mô hình chiều (dimensional modeling) vào thực hành rộng rãi.
4 đặc tính theo định nghĩa của Bill Inmon
Inmon định nghĩa kho dữ liệu là tập dữ liệu hướng chủ đề, tích hợp, biến đổi theo thời gian và không biến động, nhằm hỗ trợ nhà quản lý ra quyết định:
- Hướng chủ đề (subject-oriented): sắp theo chủ đề kinh doanh như khách hàng, sản phẩm, doanh thu, không theo từng phần mềm.
- Tích hợp (integrated): thống nhất mã, đơn vị, định dạng. “HN”, “Ha Noi” và “Hà Nội” trở thành một giá trị.
- Không biến động (non-volatile): dữ liệu đã nạp không bị sửa, xoá như trong phần mềm nghiệp vụ; người dùng chủ yếu đọc.
- Theo thời gian (time-variant): mỗi bản ghi gắn mốc thời gian, nên xem lại được bất kỳ tháng, quý, năm nào.
Inmon và Kimball khác nhau thế nào?
Cách của Inmon thường được mô tả là từ trên xuống: xây kho trung tâm chuẩn hoá cho toàn doanh nghiệp, rồi tách data mart. Cách của Kimball thường được mô tả là từ dưới lên: xây từng khối mô hình chiều theo quy trình nghiệp vụ, ghép lại bằng các dimension dùng chung.
| Tiêu chí | Inmon | Kimball |
|---|---|---|
| Điểm xuất phát | Kho trung tâm toàn doanh nghiệp | Từng quy trình (bán hàng, kho, công nợ) |
| Mô hình kho trung tâm | Chuẩn hoá nhiều bảng | Mô hình chiều: fact và dimension |
| Kết quả đầu tiên | Thường chậm hơn | Thường nhanh hơn |
| Phù hợp khi | Cần nhất quán toàn cục | Cần báo cáo sớm, mở rộng dần |
Nhiều doanh nghiệp kết hợp: tầng tích hợp chung, tầng báo cáo dùng mô hình chiều.
Kiến trúc data warehouse gồm những tầng nào?
Kiến trúc data warehouse điển hình có 6 tầng, cộng một lớp quản trị chạy xuyên suốt.
Tầng 1: Hệ thống nguồn
Gồm hệ thống ERP, phần mềm kế toán, phần mềm quản lý khách hàng, máy bán hàng, website, file Excel, API đối tác. Kho chỉ đọc dữ liệu từ đây, không thay thế chúng.
Tầng 2: ETL là gì, ELT khác gì?
ETL (Extract, Transform, Load) trích xuất dữ liệu, chuyển đổi trên máy chủ trung gian (làm sạch, bỏ trùng, gộp mã, tính chỉ số) rồi nạp vào kho. ELT (Extract, Load, Transform) nạp dữ liệu thô vào kho trước, rồi chuyển đổi ngay trong kho. Theo AWS, ETL có từ thập niên 1970; ELT phổ biến nhờ kho đám mây lưu được nhiều dữ liệu thô và xử lý song song.
| Tiêu chí | ETL | ELT |
|---|---|---|
| Nơi chuyển đổi | Máy chủ xử lý riêng | Bên trong kho |
| Dữ liệu thô | Thường không giữ trong kho | Giữ trong kho, xử lý lại được |
| Hợp với | Hệ thống cũ, dữ liệu cần lọc trước (che thông tin nhạy cảm) | Kho đám mây, khối lượng lớn, yêu cầu đổi thường xuyên |
Tầng 3: Vùng staging
Vùng đệm chứa tạm dữ liệu vừa lấy về để đối chiếu số dòng, kiểm tra trường bắt buộc, phát hiện trùng lặp. Lỗi ở một nguồn không làm hỏng cả kho, và bạn chạy lại được một đợt nạp.
Tầng 4: Kho trung tâm
Kho trung tâm, hay EDW (Enterprise Data Warehouse), chứa dữ liệu đã tích hợp, có lịch sử, thể hiện rõ nhất 4 đặc tính của Inmon.
Tầng 5: Data mart là gì?
Data mart là phần nhỏ của kho, phục vụ một phòng ban hoặc chủ đề. Theo AWS có ba loại: phụ thuộc (lấy từ kho trung tâm), độc lập (tự lấy từ nguồn, dễ sinh nhiều “phiên bản sự thật”) và lai (kết hợp kho và nguồn ngoài).
Tầng 6: BI và phân tích
Công cụ BI (Business Intelligence) đọc dữ liệu để vẽ dashboard, xuất báo cáo, cho người dùng tự kéo thả. Đội dữ liệu cũng lấy dữ liệu sạch từ đây để huấn luyện mô hình học máy (machine learning), ví dụ dự báo doanh số.
OLTP và OLAP khác nhau thế nào?
OLTP (Online Transaction Processing) xử lý giao dịch: tạo đơn, trừ kho, ghi thanh toán. OLAP (Online Analytical Processing) xử lý phân tích: tổng hợp hàng triệu dòng tìm xu hướng. Data warehouse là nền tảng điển hình của OLAP. Đó là lý do không nên chạy báo cáo nặng trực tiếp trên phần mềm bán hàng.
| Tiêu chí | OLTP | OLAP (kho dữ liệu) |
|---|---|---|
| Mục đích | Ghi nhận giao dịch thời gian thực | Phân tích, hỗ trợ quyết định |
| Thao tác chính | Thêm, sửa, xoá bản ghi nhỏ | Đọc, tổng hợp khối lượng lớn |
| Dữ liệu | Một ứng dụng, hiện tại | Nhiều nguồn, lịch sử |
| Mô hình | Thường chuẩn hoá | Star, snowflake schema |
| Phản hồi | Mili giây | Vài giây đến vài phút |
| Dung lượng thường gặp | Gigabyte | Terabyte đến petabyte |
| Người dùng | Thu ngân, nhân viên kho | Nhà quản lý, chuyên viên phân tích |
Dữ liệu trong kho được tổ chức theo mô hình nào?
Theo Kimball Group, mô hình chiều chia dữ liệu thành hai loại: số đo của một sự kiện nghiệp vụ, và ngữ cảnh “ai, cái gì, ở đâu, khi nào, tại sao, như thế nào” của sự kiện đó.
- Bảng fact (bảng sự kiện): mỗi dòng là một sự kiện đo được, như một dòng hàng trên hoá đơn; cột là số lượng, doanh thu, chiết khấu và các khoá nối sang dimension.
- Bảng dimension (bảng chiều): mô tả ngày, sản phẩm, cửa hàng, khách hàng; là các cột bạn dùng để lọc, nhóm.
- Grain (độ chi tiết): mỗi dòng fact đại diện cho điều gì, ví dụ “một sản phẩm trong một hoá đơn”. Chốt grain sai là lỗi thiết kế khó sửa nhất.
Star schema: ví dụ kho dữ liệu bán hàng
Theo Kimball Group, star schema gồm bảng fact nối với các bảng dimension qua quan hệ khoá chính, khoá ngoại: fact ở giữa, dimension xoè quanh như cánh sao.
Câu hỏi “doanh thu nhóm áo khoác tại cửa hàng miền Trung quý 3/2026” chỉ cần nối fact với ba dimension rồi cộng doanh thu. Truy vấn ngắn, dễ hiểu, công cụ BI xử lý tốt.
Snowflake schema khác star schema ở đâu?
Snowflake schema (lược đồ bông tuyết) chuẩn hoá tiếp bảng dimension. Thay vì để cột “nhóm hàng” trong dim_san_pham, bạn tách bảng dim_nhom_hang riêng. Cách này giảm trùng lặp nhưng cần nhiều phép nối hơn và khó hiểu hơn với người làm báo cáo. Vì vậy star schema thường được ưu tiên ở tầng phục vụ người dùng.
Ngoài ra có mô hình chòm sao (fact constellation): nhiều bảng fact như bán hàng và tồn kho dùng chung dimension ngày, sản phẩm. Kimball gọi đó là conformed dimensions, giúp số liệu các quy trình khớp nhau.
Database, data warehouse, data lake và lakehouse khác nhau thế nào?
Database (cơ sở dữ liệu) là khái niệm rộng nhất. Data warehouse là loại cơ sở dữ liệu chuyên cho phân tích. Data lake (hồ dữ liệu) lưu dữ liệu thô mọi định dạng. Lakehouse được Michael Armbrust, Ali Ghodsi, Reynold Xin và Matei Zaharia đề xuất tại hội nghị CIDR 2021: dựa trên định dạng dữ liệu mở như Apache Parquet, hỗ trợ tốt học máy, vẫn có hiệu năng truy vấn cao.
| Tiêu chí | Database nghiệp vụ | Data warehouse | Data lake | Lakehouse |
|---|---|---|---|---|
| Mục đích | Chạy ứng dụng | Báo cáo, BI | Lưu thô, khám phá, học máy | BI và học máy trên một nền |
| Dữ liệu | Có cấu trúc, hiện tại | Có cấu trúc, đã làm sạch, lịch sử | Mọi định dạng: bảng, log, ảnh | Mọi định dạng, trên tệp mở |
| Áp lược đồ | Khi ghi | Khi ghi (schema-on-write) | Khi đọc (schema-on-read) | Linh hoạt, có quản lý lược đồ |
| Rủi ro thường gặp | Chậm khi chạy báo cáo nặng | Khó đưa dữ liệu phi cấu trúc vào | Thành “đầm lầy dữ liệu” nếu thiếu quản trị | Đòi hỏi đội ngũ kỹ năng cao |
Data warehouse và data lake không loại trừ nhau: nhiều nơi đổ dữ liệu thô vào lake rồi chọn phần đã làm sạch đưa vào kho. Để hiểu bối cảnh rộng hơn về khối lượng, tốc độ, độ đa dạng của dữ liệu, xem bài dữ liệu lớn và đặc điểm 5V; kho dữ liệu chỉ là một lựa chọn lưu trữ trong hệ thống big data.
Kho dữ liệu đám mây: BigQuery, Redshift, Snowflake, Azure Synapse khác nhau ra sao?
Phần lớn dự án mới chọn kho đám mây, trả tiền theo mức dùng thay vì mua máy chủ. Nếu chưa quen mô hình này, hãy xem bài về điện toán đám mây. Bảng dưới mô tả theo tài liệu chính thức của từng hãng, không nhằm xếp hạng.
| Dịch vụ | Cách hãng mô tả (tóm tắt) | Điểm kiến trúc đáng chú ý |
|---|---|---|
| Google BigQuery | Nền tảng dữ liệu được quản lý toàn phần, serverless, truy vấn bằng SQL và Python | Tách tầng lưu trữ và tính toán; hỗ trợ định dạng bảng mở Apache Iceberg, Delta, Apache Hudi |
| Amazon Redshift | Kho dữ liệu được quản lý toàn phần, quy mô petabyte, dùng SQL và công cụ BI quen thuộc | Cụm máy cấp phát sẵn (provisioned) hoặc Redshift Serverless tự co giãn, không tính phí khi nhàn rỗi |
| Snowflake | Kiến trúc lai giữa shared-disk và shared-nothing trên hạ tầng đám mây công cộng | Ba tầng: lưu trữ, tính toán (virtual warehouse), dịch vụ đám mây; chạy trên AWS, Azure, Google Cloud |
| Azure Synapse Analytics | Dịch vụ phân tích doanh nghiệp, kết hợp SQL cho kho dữ liệu, Spark cho big data và pipeline ETL/ELT | Dedicated SQL pool và serverless SQL; Microsoft có hướng dẫn chuyển dedicated SQL pool sang Fabric Data Warehouse |
Khi chọn, hãy xét dữ liệu đang nằm ở đâu, đội ngũ quen hệ sinh thái nào, cách tính phí (theo dữ liệu quét, thời gian chạy hay tài nguyên đặt trước) và vị trí lưu trữ so với yêu cầu pháp lý. Nên chạy thử với dữ liệu thật trước khi cam kết dài hạn.
Data warehouse mang lại lợi ích gì và được ứng dụng ở đâu?
- Một nguồn số liệu thống nhất: kinh doanh và kế toán nhìn cùng một con số doanh thu.
- Giảm tải hệ thống nghiệp vụ: báo cáo nặng chạy trên kho, phần mềm bán hàng không chậm giờ cao điểm.
- Phân tích lịch sử: so cùng kỳ nhiều năm, thấy xu hướng mùa vụ.
- Nền cho AI: dữ liệu sạch, có lịch sử là đầu vào cho mô hình dự báo.
Báo cáo quản trị
Bộ báo cáo cho ban giám đốc về doanh thu, lợi nhuận gộp, dòng tiền, công nợ, tồn kho cập nhật hằng ngày, cho phép đi sâu từ số tổng xuống từng chi nhánh, sản phẩm, nhân viên kinh doanh.
Ngân hàng
Ngân hàng có core banking, thẻ, cho vay, ngân hàng số. Kho dữ liệu gom chúng lại để có cái nhìn 360 độ về khách hàng, phục vụ quản trị rủi ro, phân khúc và báo cáo định kỳ. Xem thêm bối cảnh trong bài chuyển đổi số ngành ngân hàng.
Bán lẻ
Ví dụ minh hoạ: chuỗi siêu thị mini nạp dữ liệu bán hàng từng giờ, kết hợp tồn kho và khuyến mãi, để biết sản phẩm nào sắp hết ở đâu và chương trình giảm giá nào thật sự tăng doanh thu.
Xây dựng data warehouse gặp những thách thức nào?
- Chất lượng dữ liệu nguồn: mã khách trùng, tên sản phẩm nhiều kiểu, ngày sai định dạng. Kho không tự sửa được dữ liệu sai từ gốc, đúng nguyên lý “rác vào, rác ra”.
- Chi phí khó dự đoán: với kho đám mây, chi phí theo dung lượng lưu và lượng truy vấn. Một dashboard tự làm mới mỗi phút trên bảng lớn có thể đẩy hoá đơn lên cao. Cần ngân sách, cảnh báo và tối ưu truy vấn từ đầu.
- Định nghĩa không thống nhất: “doanh thu” trước hay sau chiết khấu, có trừ hàng trả không? Không chốt thì số đúng kỹ thuật vẫn sai kỳ vọng.
- Nguồn thay đổi: phần mềm nâng cấp, đổi tên trường là luồng nạp hỏng. Cần giám sát, kiểm thử tự động, ví dụ theo phương pháp DataOps.
- Độ trễ: nạp theo lô hằng đêm không hợp nếu cần số liệu tức thời.
Doanh nghiệp vừa nên xây kho dữ liệu theo quy trình nào?
- Chọn câu hỏi kinh doanh: viết 10 đến 15 câu hỏi ban giám đốc cần trả lời hằng tuần.
- Kiểm kê nguồn: hệ thống nào chứa dữ liệu gì, ai phụ trách, có API hay chỉ xuất file.
- Thống nhất định nghĩa chỉ số: lập từ điển dữ liệu, người phụ trách nghiệp vụ xác nhận.
- Thiết kế theo 4 bước của Kimball: chọn quy trình nghiệp vụ, chốt grain, xác định dimension, xác định fact. Bắt đầu với một quy trình, thường là bán hàng.
- Chọn nền tảng: kho đám mây hoặc tại chỗ, công cụ ETL/ELT, BI mà đội ngũ dùng được, chi phí minh bạch.
- Xây luồng và kiểm thử: đối chiếu tổng doanh thu trong kho với sổ kế toán từng tháng.
- Phát hành dashboard đầu tiên: đào tạo, thu phản hồi, rồi mở rộng sang tồn kho, tài chính, nhân sự.
Lưu ý: đừng bắt đầu bằng “đưa hết dữ liệu vào kho”. Kho không có câu hỏi kinh doanh rõ ràng thường tốn chi phí mà ít người dùng.
Quản trị và pháp lý dữ liệu cần lưu ý gì tại Việt Nam?
Kho dữ liệu gom dữ liệu khách hàng, nhân viên, giao dịch từ nhiều nguồn và giữ lâu, nên rủi ro pháp lý cũng tập trung tại đây.
Luật Dữ liệu số 60/2024/QH15
Luật được Quốc hội thông qua ngày 30/11/2024, có hiệu lực từ 01/07/2025.
- Điều 12: bảo đảm chất lượng dữ liệu là bảo đảm tính chính xác, hợp lệ, toàn vẹn, đầy đủ, cập nhật kịp thời, thống nhất. Đây cũng là các tiêu chí kiểm tra trong luồng ETL.
- Điều 13: chủ sở hữu, chủ quản dữ liệu ngoài cơ quan nhà nước phân loại dữ liệu theo tính chất quan trọng (cốt lõi, quan trọng, khác). Nên gắn nhãn phân loại cho từng bảng ngay từ thiết kế.
- Điều 23: quy định riêng về chuyển, xử lý dữ liệu cốt lõi, quan trọng xuyên biên giới, kể cả khi dùng nền tảng ngoài lãnh thổ.
Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15
Luật được thông qua ngày 26/06/2025, có hiệu lực từ 01/01/2026. Nghị định 356/2025/NĐ-CP hướng dẫn luật cũng hiệu lực từ 01/01/2026, thay thế Nghị định 13/2023/NĐ-CP.
- Điều 3: chỉ xử lý dữ liệu cá nhân đúng phạm vi, mục đích cụ thể; lưu trữ trong thời gian phù hợp với mục đích, trừ khi luật quy định khác. Với kho dữ liệu, “giữ mãi mọi thứ” không còn là mặc định an toàn.
- Điều 20: dùng nền tảng ngoài lãnh thổ để xử lý dữ liệu cá nhân thu thập tại Việt Nam là chuyển dữ liệu xuyên biên giới; phải lập hồ sơ đánh giá tác động, gửi cơ quan chuyên trách trong 60 ngày kể từ lần chuyển đầu tiên, trừ các trường hợp được miễn như lưu dữ liệu người lao động của tổ chức trên dịch vụ điện toán đám mây.
- Điều 30: xử lý dữ liệu cá nhân trong dữ liệu lớn, AI, điện toán đám mây phải đúng mục đích, trong phạm vi cần thiết, có biện pháp bảo mật, xác thực, phân quyền phù hợp.
Việc cần làm: lập danh mục cột chứa dữ liệu cá nhân, che hoặc mã hoá cột nhạy cảm ở tầng báo cáo, phân quyền theo vai trò, ghi nhật ký truy cập, đặt thời hạn lưu trữ và quy trình xoá hoặc ẩn danh hoá.
Lưu ý: phần trên chỉ để định hướng, không thay thế tư vấn pháp lý. Hãy đối chiếu văn bản gốc và hỏi bộ phận pháp chế trước khi triển khai.
Những hiểu lầm phổ biến về data warehouse
- “Chỉ tập đoàn lớn mới cần.” Với kho đám mây trả theo mức dùng, doanh nghiệp vừa có thể bắt đầu với vài nguồn, vài dashboard.
- “Có kho là có số liệu đúng.” Kho chỉ đúng khi dữ liệu nguồn đúng và định nghĩa chỉ số thống nhất.
- “Data lake sẽ thay thế data warehouse.” Hai loại phục vụ mục đích khác nhau; lakehouse là kết hợp, không xoá bỏ khái niệm kho.
- “Cài một phần mềm là xong.” Kho dữ liệu là cả kiến trúc: luồng dữ liệu, mô hình, quy trình quản trị và con người.
- “Lên đám mây là hết trách nhiệm bảo mật.” Nhà cung cấp bảo vệ hạ tầng; phân quyền, che dữ liệu và tuân thủ luật vẫn là việc của doanh nghiệp.
Câu hỏi thường gặp
Data warehouse và database khác nhau thế nào?
Database là khái niệm chung. Database nghiệp vụ tối ưu cho ghi giao dịch nhanh. Data warehouse là loại database tối ưu cho đọc, tổng hợp dữ liệu lịch sử từ nhiều nguồn.
Nên chọn data warehouse hay data lake?
Nhu cầu chính là báo cáo trên dữ liệu có cấu trúc thì bắt đầu với data warehouse. Cần lưu log, ảnh, văn bản để khám phá hoặc huấn luyện mô hình thì data lake phù hợp hơn. Nhiều nơi dùng cả hai hoặc chọn lakehouse.
ETL là gì, có bắt buộc không?
ETL là quy trình trích xuất, chuyển đổi, nạp dữ liệu vào kho. Cần một dạng tích hợp dữ liệu, nhưng bạn chọn ETL hoặc ELT. Với kho đám mây, ELT ngày càng phổ biến.
Data mart có phải data warehouse thu nhỏ?
Gần đúng. Data mart chỉ chứa dữ liệu cho một phòng ban hoặc chủ đề, có thể lấy từ kho trung tâm, tự lấy từ nguồn hoặc kết hợp cả hai.
Nên dùng star schema hay snowflake schema?
Star schema thường được ưu tiên ở tầng báo cáo vì truy vấn đơn giản. Snowflake schema giảm trùng lặp nhưng nhiều phép nối hơn.
Kho dữ liệu cập nhật bao lâu một lần?
Báo cáo quản trị thường nạp mỗi đêm hoặc vài giờ một lần. Giám sát gian lận hay tồn kho tức thời cần nạp gần thời gian thực, chi phí và độ phức tạp cao hơn.
Đặt kho dữ liệu ở nước ngoài có vi phạm luật Việt Nam không?
Không tự động vi phạm, nhưng phát sinh nghĩa vụ. Theo Điều 20 Luật 91/2025/QH15, cần lập hồ sơ đánh giá tác động chuyển dữ liệu cá nhân xuyên biên giới, trừ trường hợp được miễn. Dữ liệu cốt lõi, quan trọng còn chịu Điều 23 Luật Dữ liệu 60/2024/QH15.