Lĩnh vực Data Science là một trong những lĩnh vực hot nhất thế kỷ 21. Đặc biệt từ sau “Khoảnh khắc iPhone” 11/2022, lúc ChatGPT xuất hiện, thế giới đã không thể đảo ngược…🔥🏴☠️🚀
Trước thời GenAI (ChatGPT và LLMs) thì lĩnh vực Data Science và Phân tích dữ liệu (Data Analytics) đã rất mạnh mẽ rồi. Đặc biệt các doanh nghiệp ứng dụng dử liệu vào Phân tích dự báo (Predictive Analysis) rất dữ dội, như trong e-commerce, social media, fintech…
Và khi tôi đọc “Ra Quyết Định Dựa Trên Phân Tích Dữ Liệu” của HBR thì…
Khi tôi ra quyết định bằng “cảm giác đúng” — và trả giá
Tôi từng tin rằng nếu mình đủ nhạy, đủ hiểu thị trường, thì chỉ cần “cảm thấy đúng” là làm.
Không cần số liệu quá nhiều. Không cần đo đạc phức tạp.
Cho đến một giai đoạn, tôi bắt đầu thấy có gì đó lệch.
Tạo ra dòng sản phẩm Mì Ý Cua siêu đỉnh, nhưng giá phải chăng hơn nhờ bán online qua app + takeaway.
Vấn đề không phải là quyết định đó ngu. Vì sản phẩm vẫn bán rất ngon, nhưng chi phí nền tảng ăn mòn lợi nhuận.
Vấn đề là tôi không có cách nào chứng minh nó đúng hay sai — ngoài việc… đợi kết quả xảy ra sau 6 tháng, tôi mới tìm ra chi phí ẩn sau mỗi đơn hàng.
Và thường thì cái giá không rẻ.
Sau 11 tháng trụ, doanh thu vẫn tăng nhưng chi phí nền tảng, mặt bằng và thêm bão/ triều cường đợt 10/2025 vừa rồi. Tôi quyết định dừng lại, cắt máu vì tiền đã cạn, dù doanh thu vẫn tăng và đạt hòa vốn 9/2025. Quá tê!
Không phải thiếu thông minh — mà thiếu data trước khi quyết định
Đọc cuốn Ra Quyết Định Dựa Trên Phân Tích Dữ Liệu, tôi mới thấy một điều hơi khó chịu:
Tôi từng nghĩ mình thiếu kiến thức.
Nhưng thực ra, tôi thiếu dữ liệu — hoặc không dùng dữ liệu trước khi ra quyết định.
Tôi vẫn ra quyết định.
Chỉ là ra trong trạng thái… đoán. Mà thường đoán khi đi trong sương mù thì…90% là sai.
Và khi mảng Cloud Kitchen không ngon như mình ‘nghĩ/ đoán’ thì mình trả giá.
Cảm giác lúc đó không phải là ngu đi, đúng ra là tỉnh táo lại.
Mà là nhận ra trước giờ mình tự tin hơi nhầm chỗ, dù đã làm business nhiều năm.
Người hơn bạn có thể không phải vì họ thông minh hơn — mà vì họ quyết định ít sai hơn (nghĩa là giỏi hơn).
Một insight khá “đau”:
Không phải người thành công thông minh hơn.
Họ chỉ có phán đoán (judgement) tốt hơn — nhờ họ có data hỗ trợ.
Trước đây, tôi kiểu:
“Có vẻ hợp lý” → Làm
“Có vẻ hay ho” → Thử
Nghe không sai. Nhưng vấn đề là:
không có cái gì kiểm chứng (dùng chiêu Trials & Errors và trả giá bằng thời gian, tiền bạc).
Hệ quả không phải là fail 1 lần, tận 4 lần.
Mà là không biết rõ vì sao fail — nên lặp lại đúng pattern đó. Nó không chết ngay, nhưng giết business dần dần (Don’t know what you don’t know).
Không đo = Không biết. Không biết = Không tối ưu
Tôi từng nghĩ tracking là thứ dành cho mấy team lớn, hoặc dân data.
Còn cá nhân thì cứ làm tốt việc là được.
Cho đến khi tôi không trả lời được một câu rất basic:
“Cái gì mình làm đang hiệu quả?”
Tại sao mình giảm giá thêm 10% mà đơn hàng không tăng?
Không biết cái nào hiệu quả → Không dám scale
Không biết cái nào không hiệu quả → Không dám bỏ
Cảm giác bị kẹt ở giữa.
Làm nhiều, nhưng không chắc mình đang đi lên.
Bắt đầu track — nhưng không phải kiểu hoàn hảo
Tôi không chuyển sang kiểu “data-driven” ngay lập tức.
Ban đầu rất thủ công, rất thô.
Mỗi ngày tôi chỉ ghi lại:
- Mình làm gì
- Kết quả ra sao
Tôi track thói quen cá nhân bằng app: Habits (Workout, Reading, Learn Data Analytics, Do Yoga, Do SQL on Leetcode,…) để xem tiến bộ cụ thể từng cái. Vì trong khoa học về Phase Transiton, Đủ về Lượng => Biến đổi về Chất.
Nhìn lại thì nhiều thứ rất rõ ràng.
Nhưng trước đó tôi không thấy — vì tôi không nhìn (bằng data).
2026 kinh tế nhìn có vẻ ổn, nhưng nội lực khá bất ổn, lạm phát cao, sức mua yếu, chiến tranh khiến giá dầu tăng trong khi lương không tăng. Nên tập trung vào các lĩnh vực thiết yếu Healthy F&B, Shoppertainment và xu hướng tăng trưởng lớn, dài hạn như AI Agents/ Robots.
Data không giải thích mọi thứ — nhưng nó bóc trần ảo tưởng
Một điểm hay của sách là: Data không phải chân lý tuyệt đối.
Data cho bạn biết What (cái gì đang xảy ra)
Nhưng không luôn cho bạn biết Why (tại sao)
Tôi từng hiểu sai chỗ này.
Tưởng có data là đủ.
Data có thể gây nhiễu, hoặc hiểu lầm nếu không biết rõ Vấn đề của mình là gì.
Nhưng không có data thì còn tệ hơn.
Vì lúc đó, thứ bạn tin thường là… cảm giác.
Khi bắt đầu dùng data + AI — cách ra quyết định thay đổi
Tôi không làm Data Science gì ghê gớm. Chỉ đơn giản các bước có hệ thống:
- Set Clear Goals (Mục tiêu mong muốn sau khi đã xác định rõ Vấn đề cần giải quyết)
- Mình/ Team có kỹ năng đọc, hiểu và dùng Data chưa? (Năng lực)
- Kế hoạch triển khai rõ ràng, có hệ thống (tổ chức lẫn cá nhân)
- Data Analyst giỏi làm gì? Ưu tiên tốc độ, chọn dữ liệu hữu ích => Tell stories by data.
Tuyệt đối: Không kết luận vượt quá data, ngôn ngữ mềm dẻo và thận trọng. Nhận ra cái gì quan trọng. - Hạn chế của Data? Know What (Quantitative), Not Why (Qualitative). Cân nhắc yếu tố tạm thời/ khác.
- Khắt khe khi thử nghiệm và đảm bảo khách quan, đặc biệt A/B testing.
- Khoa học dữ liệu phát triển chóng mặt. 1 Team Data dựa theo năng lực: Data Engineer/ Data Scientist + Data Analyst/ Domain Expert + Manager (Scrum)
- Quyết định dựa vào AI là sao? Với dữ liệu có cấu trúc, AI tìm sự khác biệt tinh tế và các quan hệ phi tuyến tính. Còn con người là chiến lược, sứ mệnh, điều kiện thị trường, văn hóa, dữ liệu phí số hóa (feedback, review, hành vi…). Con người cần kết hợp với AI = Co-Intelligence.
Với cá nhân,
- Ghi lại việc làm mỗi ngày (Habits cho cá nhân, Notion AI cho công việc)
- Ghi lại kết quả (theo dõi mỗi ngày)
- Dùng AI (ví dụ ChatGPT) để nhìn lại pattern và phản biện, phân tích.
- Loop (lặp lại phiên bản cải thiện vào hôm sau)
Có những thứ trước đây tôi nghĩ mình làm tốt — hóa ra không (The Most Important Thing).
Có những thứ tôi nghĩ nhỏ — lại mang kết quả lớn (Atomic Habits).
Cảm giác khó chịu nhất không phải là sai.
Mà là thấy mình đã sai… nhiều lần giống nhau.
Ra quyết định bây giờ: ít “cảm thấy đúng” hơn, nhiều “có bằng chứng” hơn
Tôi vẫn dùng intuition (trực giác).
Nhưng không còn dùng nó một mình.
Nếu có data → Ưu tiên data
Nếu chưa có → Test nhỏ, đo lại
Nếu không đo được → Chấp nhận rủi ro, nhưng biết mình đang đánh cược
Kết hợp: Định tính (trực giác) x Định lượng (data).
Không phải mọi thứ đều tối ưu.
Nhưng ít nhất, tôi biết mình đang làm gì — và vì sao.
