Trong nền kinh tế số, dữ liệu đang dịch chuyển từ vai trò hỗ trợ sang hạ tầng cấu thành nên cách hệ thống vận hành và phản ứng trước các biến động. Nếu trước đây dữ liệu chủ yếu phục vụ báo cáo và các quyết định mang tính hậu kiểm, thì hiện nay dữ liệu ngày càng được tích hợp trực tiếp vào quy trình điều hành, chi phối cách tổ chức ra quyết định theo thời gian thực và phân bổ nguồn lực.

Trên thực tế, với nhiều tổ chức, việc thiếu dữ liệu hoặc dữ liệu không đủ tin cậy khiến bộ máy vận hành khó mở rộng, khó đồng bộ và khó duy trì hiệu quả ở quy mô lớn, tương tự như khi thiếu các hạ tầng thiết yếu phục vụ vận hành như điện, viễn thông hay logistics.

Theo McKinsey, các doanh nghiệp có chiến lược dữ liệu rõ ràng và năng lực phân tích ở mức độ trưởng thành có thể đạt mức ROI cao hơn từ 5 đến 6 lần so với những doanh nghiệp chưa khai thác hiệu quả dữ liệu. Quan trọng hơn, dữ liệu chất lượng cao giúp rút ngắn thời gian ra quyết định và thu hẹp khoảng cách giữa hoạch định và thực thi, đặc biệt trong các tổ chức vận hành đa tầng, đa đơn vị và chịu áp lực điều hành trong môi trường biến động nhanh.

Dữ liệu thay đổi cách vận hành như thế nào?

Ở cấp độ vận hành, nơi các quyết định được lặp lại với tần suất cao và chịu áp lực về thời gian, dữ liệu đang từng bước thay thế các lựa chọn dựa trên kinh nghiệm hoặc cảm tính bằng những quyết định dựa trên số liệu thực tế. Trong các chuỗi hoạt động có độ phức tạp cao như cung ứng, sản xuất hay logistics, dữ liệu giúp cải thiện khả năng dự báo, qua đó giảm tồn kho dư thừa, hạn chế lãng phí và tối ưu dòng tiền. Trong quản trị khách hàng, dữ liệu cho phép doanh nghiệp triển khai cá nhân hóa ở quy mô lớn, nâng cao khả năng giữ chân khách hàng. Ở phạm vi rộng hơn, dữ liệu tạo điều kiện cho tự động hóa quy trình, giảm phụ thuộc vào xử lý thủ công, đồng thời nâng cao tốc độ, tính nhất quán và khả năng kiểm soát vận hành.

Netflix là một trong những ví dụ điển hình về cách dữ liệu đi thẳng và quyết định vận hành. Theo các nghiên cứu và báo cáo ngành [2], khoảng 75-80% nội dung người dùng xem trên Netflix đến từ hệ thống gợi ý được cá nhân hóa, thay vì kết quả của việc tìm kiếm chủ động. Việc liên tục phân tích dữ liệu hành vi xem và mức độ tương tác không chỉ cải thiện trải nghiệm người xem mà còn trực tiếp ảnh hưởng đến các quyết định đầu tư nội dung và chiến lược giữ chân thuê bao.

Tại Đông Nam Á, Shopee cũng cho thấy dữ liệu có thể tác động trực tiếp đến vận hành hàng ngày. Nền tảng này xây dựng hệ thống dữ liệu thời gian thực cho cả người bán và nội bộ, cho phép theo dõi tồn kho, hiệu quả chiến dịch và hành vi người dùng với độ trễ rất thấp. Việc rút ngắn đáng kể thời gian truy cập dữ liệu giúp người bán phản ứng nhanh hơn trước biến động thị trường, chủ động điều chỉnh giá, chương trình khuyến mãi và các phương án logistics.

Không chỉ với doanh nghiệp, dữ liệu cũng đang định hình lại cách chính phủ điều hành. Nhiều quốc gia bắt đầu chuyển sang mô hình điều hành dựa trên dữ liệu để nâng cao hiệu quả cung cấp dịch vụ công và chất lượng hoạch định chính sách.

Tại Việt Nam, một trong những bước tiến đáng chú ý trong ứng dụng dữ liệu vào điều hành là Đề án phát triển ứng dụng dữ liệu về dân cư, định danh và xác thực điện tử phục vụ chuyển đổi số quốc gia giai đoạn 2022 - 2025, tầm nhìn đến 2030 (Đề án 06). Theo đó, dữ liệu dân cư được xác định là tài nguyên quốc gia, được quản lý tập trung, thống nhất và kết nối đồng bộ giữa 14 bộ, ngành và toàn bộ 34 tỉnh, thành phố. Trên nền tảng chia sẻ dữ liệu quốc gia, các hệ thống xử lý trung bình khoảng 2,5 triệu giao dịch mỗi ngày, giúp rút gọn quy trình xử lý và giảm đáng kể các bước trung gian, qua đó tiết kiệm thời gian, nguồn lực cho cơ quan quản lý, đồng thời nâng cao hiệu quả cung cấp dịch vụ công.

Dữ liệu nhiều hơn không đồng nghĩa với vận hành hiệu quả hơn

Dữ liệu được xem là “nhiên liệu” của tăng trưởng và tối ưu vận hành, nhưng trên thực tế, sở hữu nhiều dữ liệu không đồng nghĩa với vận hành hiệu quả hơn. ROI từ dữ liệu thường cao nhất khi dữ liệu được gắn trực tiếp với các quyết định vận hành có tần suất lớn và khả năng mở rộng – như phân bổ nguồn lực, quản trị tồn kho, phát hiện rủi ro, hay điều chỉnh chính sách vận hành. Các quyết định này lặp lại liên tục, chịu ảnh hưởng mạnh từ biến động bên ngoài và có “chi phí sai lệch” lớn; vì thế dữ liệu chất lượng cao có thể nhanh chóng chuyển hóa thành hiệu quả tài chính.

Ngược lại, khi dữ liệu chỉ phục vụ báo cáo hậu kiểm, thiếu người chịu trách nhiệm cho quyết định, hoặc không đủ tin cậy để đưa vào vận hành thực tế, ROI thường thấp và thậm chí âm do chi phí làm sạch, duy trì và xử lý phát sinh theo thời gian. Theo ZipDo Education Reports 2025, có tới khoảng 70% dữ liệu trong tổ chức được đánh giá là thiếu chính xác hoặc không đầy đủ, buộc các bộ phận phải dành nhiều thời gian để kiểm tra, làm sạch và xác thực trước khi sử dụng. Báo cáo cũng cho thấy sai lệch dữ liệu có thể dẫn đến mất khoảng 12% doanh thu trung bình hàng năm.

Khoảng cách giữa kỳ vọng và triển khai dữ liệu thể hiện rõ nhất ở bài toán chi phí. Dữ liệu có thể giúp giảm chi phí truyền thống như xử lý thủ công và sai sót vận hành nhưng đồng thời tạo ra các hạng mục đầu tư mới như hạ tầng lưu trữ - xử lý, bản quyền phần mềm, chuẩn hóa dữ liệu… Nếu thiếu lộ trình hợp lý, tổng chi phí vận hành trong ngắn hạn có thể tăng lên thay vì giảm xuống.

Quan trọng hơn, dữ liệu không tạo ra lợi thế nếu chỉ dừng lại ở thu thập và lưu trữ. Giá trị của dữ liệu chỉ thực sự xuất hiện khi được đưa trực tiếp vào các quyết định vận hành, nơi độ chính xác và tốc độ phản hồi đóng vai trò then chốt: AI giúp tự động hóa các quyết định phức tạp ở quy mô lớn, dữ liệu thời gian thực từ hiện trường giúp thu hẹp độ trễ giữa kế hoạch và thực tế, các mô hình mô phỏng cho phép thử nghiệm và tối ưu kịch bản vận hành trước khi triển khai ngoài đời thực…

Tuy nhiên, nếu thiếu công nghệ xử lý và quản trị tốt, dữ liệu rất dễ trở nên phân mảnh, không nhất quán và thiếu tin cậy, dẫn tới chậm trễ ra quyết định và sai sót trong thực thi. Theo báo cáo State of AI Infrastructure, khoảng 65% tổ chức gặp khó khăn trong triển khai AI do hạ tầng công nghệ phức tạp hoặc thiếu nền tảng thích hợp; hơn 54% đã phải hủy bỏ các dự án AI vì không đáp ứng được yêu cầu vận hành thực tế, không có hạ tầng dữ liệu và công nghệ xử lý đủ mạnh để đưa AI vào sản xuất.

Bên cạnh bài toán chi phí và công nghệ, dữ liệu còn đặt ra thách thức ngày càng lớn về bảo mật và tuân thủ, khi rủi ro không còn chỉ dừng ở khía cạnh kỹ thuật mà lan sang pháp lý, uy tín và niềm tin xã hội. Một sự cố rò rỉ dữ liệu hay vi phạm quyền riêng tư có thể gây gián đoạn vận hành nghiêm trọng, kéo theo tổn thất vượt xa những lợi ích ngắn hạn mà dữ liệu mang lại. Dữ liệu vì thế chỉ trở thành lợi thế khi được quản trị như một phần của hệ thống vận hành, chứ không phải như một “tài sản công nghệ” độc lập.

Làm gì để dữ liệu tạo ra lợi thế vận hành bền vững?

Thực tế triển khai cho thấy phần lớn các dự án dữ liệu không thất bại vì thiếu công nghệ mà vì sai ngay từ cách tiếp cận ban đầu: dữ liệu nằm rải rác ở các hệ thống không thể kết nối; dữ liệu sai định dạng, trùng lặp hoặc thiếu ngữ cảnh; kiến trúc công nghệ bị chia nhỏ bởi quá nhiều công cụ rời rạc. Khi hệ thống dữ liệu trở nên cồng kềnh và khó kiểm soát, khả năng khai thác cho vận hành gần như không có.

Từ góc nhìn của các đơn vị trực tiếp triển khai hệ thống dữ liệu và AI quy mô lớn cho cả khu vực công và doanh nghiệp, Trung tâm Dịch vụ dữ liệu và Trí tuệ nhân tạo Viettel (Viettel AI) cho rằng một nguyên nhân cốt lõi là việc nhiều tổ chức tiếp cận dữ liệu như một dự án công nghệ độc lập, thay vì coi đó là một phần của hệ thống điều hành.

Ông Đặng Đức Thảo, Phó Giám đốc Viettel AI, nhận định“Nhiều tổ chức hiện nay không thiếu dữ liệu mà thiếu khả năng biến dữ liệu thành quyết định vận hành có thể kiểm chứng và mở rộng ở quy mô lớn”. Khi dữ liệu được thu thập mà không xuất phát từ những câu hỏi cụ thể, tổ chức rất dễ rơi vào trạng thái giàu dữ liệu nhưng nghèo nàn trong quyết định đưa ra.

Từ năm 2026 trở đi, tiêu chuẩn dữ liệu phục vụ AI có xu hướng được siết chặt hơn. Dữ liệu dùng cho huấn luyện và suy luận AI cần đạt độ tin cậy rất cao, với trust score (điểm tin cậy dữ liệu) từ 95% trở lên, nhằm đảm bảo rằng các quyết định tự động có thể được triển khai ở quy mô lớn mà không cần can thiệp thủ công liên tục hoặc hiệu chỉnh lại sau khi vận hành.

Cùng với đó, khái niệm “Data Debt” ngày càng được nhấn mạnh, tương tự như “Technical Debt”, để phản ánh chi phí tích lũy mà dữ liệu kém chất lượng gây ra trong dài hạn. Data Debt là chi phí tích lũy phát sinh khi dữ liệu được thu thập, lưu trữ hoặc sử dụng không chuẩn từ đầu, dẫn đến sai lệch thông tin, thiếu ngữ cảnh, khó tích hợp và làm suy giảm hiệu quả phân tích, vận hành về lâu dài. Technical Debt là khoản phải trả do các quyết định kỹ thuật tạm thời, làm nhanh, thiếu chuẩn hoặc không tối ưu từ đầu. Càng để lâu, tái cấu trúc và kiểm soát rủi ro càng tăng, khiến tổ chức trả “lãi suất” ngày càng đắt cho những lựa chọn tạm bợ.

Để tránh rơi vào vòng xoáy chi phí và rủi ro, bước chuyển quan trọng nhất nằm ở tư duy “decision-first”: xác định rõ những quyết định và quy trình nào cần dữ liệu hỗ trợ, rồi mới thiết kế cách thu thập, chuẩn hóa và kết nối dữ liệu. Song song, quản trị và bảo mật dữ liệu cần được đặt ở trung tâm ngay từ khâu thiết kế, bởi rủi ro dữ liệu ngày nay có thể nhanh chóng chuyển hóa thành rủi ro vận hành.

Ở góc độ kiến trúc, hiệu quả không đến từ một công nghệ đơn lẻ mà từ một kiến trúc dữ liệu nhất quán: dữ liệu được thu thập từ nhiều nguồn (theo lô và thời gian thực), lưu trữ trên kiến trúc linh hoạt như lakehouse, được quản trị chặt chẽ về chất lượng – danh tính – bảo mật, trước khi được khai thác. Cách tiếp cận này giúp dữ liệu không chỉ “nằm trong kho” mà được thiết kế để có thể tham gia vào các quyết định vận hành thường xuyên của tổ chức.

Trong kỷ nguyên số, dữ liệu đang dần trở thành một lớp hạ tầng vận hành có vai trò chiến lược. Tuy nhiên, lợi thế không nằm ở việc tổ chức có bao nhiêu dữ liệu mà ở việc dữ liệu đó có đủ tin cậy, đủ gắn kết với bài toán vận hành và đủ an toàn để được khai thác lâu dài hay không. Khi AI phát triển nhanh và cạnh tranh ngày càng gay gắt, khoảng cách giữa các tổ chức sẽ được quyết định bởi khả năng sử dụng dữ liệu một cách thông minh, có trách nhiệm và bền vững.

*Ngô Hoàng Đăng - Thạc sĩ, Chuyên gia Phân tích dữ liệu, Viettel AI

Với 7 năm kinh nghiệm phát triển các mô hình học máy, AI và phân tích dữ liệu, ThS.Ngô Hoàng Đăng là chuyên gia tiêu biểu trong việc đưa dữ liệu trở thành nền tảng cốt lõi cho tự động hóa ra quyết định trong vận hành thực tiễn. Ông trực tiếp tham gia xây dựng và triển khai mô hình AI phục vụ nhiều bài toán phức tạp trong các lĩnh vực như Viễn thông (chăm sóc khách hàng, kinh doanh, vận hành và khai thác mạng lưới), Logistics và giám sát thông tin không gian mạng, góp phần nâng cao hiệu quả vận hành và khả năng phản ứng linh hoạt của hệ thống trước các biến động.

Dấu ấn chuyên môn của ông cũng được thể hiện rõ qua các sáng chế công nghiệp trong lĩnh vực viễn thông, tập trung vào giải quyết những bài toán cốt lõi của xã hội số như:

- Phương pháp xây dựng hệ thống khuyến nghị tuần tự phối hợp các tác nhân học tăng cường (2025)

- Phương pháp xây dựng hệ thống phát hiện tin nhắn rác và tự động huấn luyện (2025)

- Phương pháp tự động xác định thuê bao thực hiện cuộc gọi quảng cáo và lừa đảo nhằm bảo vệ người dùng viễn thông (2024)

- Phương pháp xác định tự động xu thế, xu hướng thảo luận trên không gian mạng (2024)

Với những đóng góp nổi bật, ThS. Ngô Hoàng Đăng đã được vinh danh là Cá nhân ngành dọc xuất sắc Viettel năm 2022, khẳng định vai trò của một chuyên gia dữ liệu giỏi về công nghệ, am hiểu sâu sắc bài toán vận hành và chuyển hóa nghiên cứu thành giá trị ứng dụng thực tiễn.