Phuong Thao Analytics

Cách doanh nghiệp khai thác giá trị dữ liệu trong thời đại AI!

Mỗi tuần, đội ngũ của doanh nghiệp bạn đang dành bao nhiêu giờ chỉ để gộp file và dựng báo cáo bằng tay?

Đây là phần việc ít ai tính thành tiền, nhưng nó tốn thật. Một nhân sự giỏi ngồi cả buổi kéo số từ nhiều nguồn, ghép Excel, chỉnh biểu đồ cho kịp cuộc họp, là một buổi không dành cho việc đáng giá hơn: đọc ra vấn đề và đề xuất hướng đi.

Phần lớn doanh nghiệp đều thừa nhận một thực tế giống nhau. Dữ liệu thì nhiều, báo cáo thì chạy đều, nhưng phần lớn công sức nằm ở khâu tổng hợp thủ công, còn quyết định cuối cùng vẫn thường dựa vào cảm tính hoặc một bảng số dựng vội.

Một tình huống quen thuộc: phòng ban cần một báo cáo mới, người phụ trách mất nhiều ngày để gom dữ liệu và dựng bảng. Đến khi báo cáo xong, câu hỏi kinh doanh đã đổi, hoặc thời điểm ra quyết định đã trôi qua. Lần sau cần con số khác, mọi thứ lại bắt đầu từ đầu.

Để lâu, chi phí của việc này không nhỏ:
☑ Thời gian của nhân sự giỏi bị giữ ở khâu tay chân thay vì phân tích.
☑ Quyết định chậm hoặc dựa trên số chưa chuẩn, kéo theo chi phí cho lựa chọn sai.
☑ Năng lực phân tích nằm trong đầu một vài cá nhân, người đó nghỉ là cả quy trình lung lay.

Hãy thử hình dung nếu tối ưu được phần này: đội ngũ thôi làm báo cáo thủ công, dồn thời gian cho phân tích và ra quyết định; lãnh đạo có số đúng và kịp lúc để quyết; và năng lực phân tích trở thành tài sản chung của tổ chức, không phụ thuộc một người.

Để đi tới đó, doanh nghiệp cần làm vài việc đúng thứ tự:
→ Chuẩn hóa nguồn dữ liệu và tự động hóa khâu tổng hợp báo cáo.
→ Trang bị cho đội ngũ tư duy phân tích, không chỉ thao tác công cụ.
→ Xây quy trình để insight gắn với quyết định kinh doanh, không dừng ở biểu đồ đẹp.
→ Đón sớm cách làm mới: điều phối AI Agents bằng ngôn ngữ tự nhiên để rút ngắn toàn bộ quy trình.

Đây là phần Mastering Data Analytics (MDA) đồng hành cùng doanh nghiệp, theo ba hình thức tùy nhu cầu:

📌 B2B Public Training
Doanh nghiệp cử nhân viên tham gia các khóa public của MDA. Phù hợp khi cần nâng năng lực cho một nhóm nhân sự. Đối tác tiêu biểu: P&G, Heineken, Masan, MB Bank, Panasonic... +250 doanh nghiệp khác.

📌 B2B Inhouse Training
Đào tạo trực tiếp trên dữ liệu nội bộ của doanh nghiệp, tùy chỉnh theo bài toán thực tế. Đã triển khai cùng Prudential, Generali, Coca-Cola, AEON Mall...

📌 B2B Analytics Consulting
Tư vấn, triển khai và đào tạo vận hành hệ thống BI/Analytics trọn gói, cho tập đoàn và doanh nghiệp lớn có hệ thống dữ liệu phức tạp, yêu cầu chuẩn quốc tế. MDA là partner chính thức của Microsoft, Tech Data, Rackspace & SV TECH.

Kết quả mà doanh nghiệp hướng tới, nhìn theo trước và sau:
✅ Thời gian: một báo cáo từng tốn cả buổi dựng tay, sau khi tự động hóa có thể rút xuống còn vài phút cập nhật. Đội ngũ dồn giờ tiết kiệm được vào phân tích và ra quyết định.
✅ Chi phí: bớt phụ thuộc vào việc làm tay và xử lý ad-hoc, tận dụng người nội bộ thay vì thuê ngoài liên tục; quyết định dựa trên số đúng hơn nên giảm chi phí cho quyết định sai.
✅ Tương lai: doanh nghiệp xây được năng lực và văn hóa dữ liệu nội bộ, một tài sản lâu dài không phụ thuộc một vài cá nhân.

Vì sao chọn MDA: 7 năm là đơn vị đi đầu thiết lập tiêu chuẩn phân tích dữ liệu chuyên nghiệp, thực tế, ứng dụng cao tại Việt Nam. 3.000+ học viên cá nhân, 250+ doanh nghiệp đồng hành, dẫn đầu thị phần số 1 mảng đào tạo Analytics tại VN. Đồng hành cùng Prudential, BIDV, Heineken, Coca-Cola, AIA, P&G, Masan, MB Bank, Panasonic, Generali, AEON Mall và nhiều doanh nghiệp khác, qua hàng chục khóa BI (nay là Agentic AI Analytics) cùng các khóa Analytics theo ngành hàng: Finance, Marketing, Sales ...

Và đây là phần cho tương lai. MDA cũng là đơn vị đầu tiên và duy nhất tại Việt Nam đào tạo & tư vấn theo hướng Agentic AI Analytics: điều phối toàn bộ quy trình phân tích bằng ngôn ngữ tự nhiên, no-code, với Claude điều phối AI Agents trên nền Power BI và Microsoft Fabric. Đi cùng MDA, doanh nghiệp đón đầu chuẩn làm việc mới thay vì chạy theo sau.

Hình ảnh kèm bài là một số buổi đào tạo và tư vấn thực tế của MDA cùng các doanh nghiệp.

Doanh nghiệp của anh chị đang muốn đội ngũ ra quyết định nhanh và chắc hơn nhờ dữ liệu? Liên hệ MDA để được tư vấn!

2026 rồi, nhưng lần đầu tiên thấy giao diện Power BI thì có học được Agentic AI Analytics?

Nhiều người nghe đến Agentic Analytics là cứ nghĩ phải phân tích chuyên nghiệp lắm mới làm được. Nhưng thực tế rào cản kỹ thuật rất thấp. Làm Agentic Analytics, bạn chỉ dùng "ngôn ngữ tự nhiên" để giao việc cho AI Agents thôi, còn đơn giản hơn cả thời kéo thả, no-code với Power BI 10 năm qua.

K60 vừa khai giảng hôm qua. Gần 100 học viên, 80 học viên online, 20 học viên offline; phần lớn do doanh nghiệp đăng ký cho nhân sự.

Điều mình thấy đáng kể nhất không phải con số. Là chân dung người ngồi học. Khoảng 80% đến từ nền business, không phải dân kỹ thuật, không phải Data Analyst. Phần lớn đang làm Excel mỗi ngày, có người lần đầu tiên trong đời nhìn thấy giao diện Power BI.

Bạn không cần là Data Analyst để biết phân tích dữ liệu, để bước vào cuộc chơi này. Phân tích và ra quyết định len vào từng việc nhỏ trong ngày, chứ đâu nằm gọn trong cái title "Data Analyst".

Mình biết cái rào cản lớn nhất trong đầu nhiều anh/chị không phải học phí hay thời gian. Mà là một câu tự hỏi: "Mình không phải dân kỹ thuật, liệu có học nổi mấy thứ Power BI với AI này không?"

Nhưng thật sự khi vào học bạn mới thấy: tool chỉ chiếm phần nhỏ; phần còn lại kỹ năng hiểu ngữ cảnh kinh doanh, tư duy phân tích, thiết kế luồng phân tích, khai phá dữ liệu, đọc Insight, xây dựng câu chuyện dữ liệu ... 1 bầu trời kiến thức phân tích giá trị mà không chỉ có Power BI.

Mình nói thật một điều, để bạn cân nhắc cho kỹ trước khi đăng ký bất kỳ khóa nào, không riêng của bên mình.

Lột xác thì ĐAU. Đang quen Excel thủ công, bước sang tư duy phân tích bài bản cộng điều phối AI là một cú vỡ vùng an toàn. Choáng, ngợp, có lúc tự nghi ngờ mình. Đi học một khóa không có nghĩa về làm được 100% ngay đâu.

Nhưng kể cả khi chưa làm chủ hết công cụ, thì việc đổi được MINDSET và hiểu thị trường đang dịch chuyển ra sao đã là giá trị lớn. Biết mình đang đứng ở đâu, cuộc chơi đang đổi luật thế nào, để không bị bỏ lại.

Mà rào cản hạ xuống không phải để mọi thứ dễ đi, nó dịch cuộc chơi sang chỗ khác. Mười năm qua, ngày xưa phải kéo thả chart để dựng báo cáo nhiều người nói khó, giờ thì chỉ nói ngôn ngữ tự nhiên là AI làm được. Khi phần thao tác mất dần giá trị, cái còn lại đáng giá là tư duy, khung chuyên môn và hiểu nghiệp vụ. Đó là phần AI sao chép không được, vì nó không hiểu bài toán kinh doanh của riêng công ty bạn, và nó không phải người chịu trách nhiệm cho quyết định.

Đây cũng là chỗ làm nhiều người kẹt lâu năm. Làm báo cáo quần quật, bị xem là "người làm report", học hết tool này tới tool kia mà vẫn không lên được vai trò ra quyết định. Phần ngốn thời gian nhất, kéo data, gộp file, dựng báo cáo bằng tay, lại đúng là phần đang mất giá dần. Kết cục là khoảng 80% sức đổ vào phần thao tác tay chân, còn phần tư duy đáng giá nhất lại được chia ít thời gian nhất.

Với mình, Agentic AI Analytics không phải chuyện "AI làm thay con người". Nó là đảo ngược cái tỷ lệ đó.

Phần tư duy, đặt đúng câu hỏi, đọc ra insight, chọn phương án, mình giữ.
Phần thao tác, mình giao cho AI.

Còn bạn, công việc của bạn có đang ngốn 80% thời gian vào phần thao tác đó không? Kể mình nghe ở comment nhé.

Nếu đọc tới đây mà bạn thấy mình trong đó, đang làm Excel mỗi ngày và bắt đầu sốt ruột với chuyện AI, thì cứ thử đổi mới một kĩ năng mới để bắt đầu lại cho đúng cách. Mình để link chương trình Agentic AI Analytics ở comment, bạn quan tâm thì xem qua nhé.

Một phân tích "đúng" và một phân tích "dùng được" là hai chuyện khác nhau.

Phần lớn báo cáo dừng lại ở vế đầu. Số khớp, nhánh đủ, nhìn vào không bắt lỗi được. Vậy mà sếp đọc xong vẫn hỏi một câu quen thuộc: "Rồi sao?"

Ai làm data đều được dạy phải làm cho "đúng". B**g Logic Tree ra đủ nhánh, không trùng không sót (dân trong nghề gọi là MECE), số liệu kiểm tra hai ba lượt cho chắc. Cần chứ. Nhưng đủ thì chưa.

Vì có một loại nhánh phân tích rất lạ: nó KHÔNG sai, mà cũng chẳng dùng được vào việc gì.

Bạn viết "Mất mát hàng hóa tăng". Đúng. Số liệu chứng minh rõ ràng. Nhưng sếp đọc xong không biết làm gì với câu đó. Mất ở đâu? Vì sao mất? Sửa từ đâu? Câu phân tích "đúng" mà rỗng, mình gọi vui là cái nhãn dán: dán lên cho có, gỡ ra thì không còn gì.

MECE lo cho bạn phần "đủ và không trùng". Nó không lo phần "sắc và đáng làm". Hai việc khác nhau.

Bên mình có một bộ lọc nhỏ cho chuyện này, tên là Toothbrush Test.

Cái tên nghe lạ nhưng ý đơn giản: bàn chải đánh răng là thứ bạn thật sự cầm lên dùng mỗi ngày, không phải thứ mua về trưng tủ. Một nhánh phân tích cũng vậy - nó chỉ đáng giữ khi người ta DÙNG được nó để ra quyết định. Còn lại là đồ trưng bày.

Một nhánh muốn qua được bài kiểm tra này, nó phải đạt 3 tiêu chí.

🔍 1. Cụ thể đúng bối cảnh (Problem-Specific)

Nhánh phải cắm xuống một tình huống thật, không lửng lơ chung chung.

❌ "Mất mát hàng hóa"
✅ "Trộm cắp do lỗ hổng an ninh nội bộ tại kho X, ca đêm"

Cùng một vấn đề, nhưng vế dưới chỉ thẳng được chỗ để soi. Câu tự hỏi: đọc nhánh này lên, mình có biết đi tìm ở ĐÂU không?

🔍 2. Kiểm chứng được (Falsifiability) - cái này quan trọng nhất

Một nhánh đáng đào là nhánh bạn đặt được phép thử lên dữ liệu, để biết nó đúng hay sai. Còn nhánh không cách nào kiểm chứng thì có đào cả tháng cũng không ra kết luận.

❌ "Doanh số giảm do vận may, do năm nay xấu"
✅ "Giá bán đang cao hơn đối thủ 15%, làm mất nhóm khách VIP 35-50 tuổi"

Vế dưới kiểm được ngay: kéo số giá ra so, lọc nhóm khách đó xem có rớt thật không. Vế trên thì... chịu. Câu tự hỏi: mình có thể lấy dữ liệu ra để chứng minh nhánh này SAI không? Nếu không, đừng đổ công vào.

🔍 3. Giải thích hợp lý (Reasonable Explanation)

Nguyên nhân phải là một cơ chế, không phải cái tên phòng ban dán đại vào cho có chỗ đổ lỗi.

❌ Nguyên nhân: "Phòng Nhân sự"
✅ "Chi phí bảo trì tăng do máy móc đã chạy trên 8 năm"

Một phòng ban không phải nguyên nhân. Cái máy cũ 8 năm mới là nguyên nhân. Câu tự hỏi: cái này giải thích được CƠ CHẾ, hay chỉ đang chỉ tay vào ai đó?

▸ ▸ ▸

Có nhánh tốt rồi, biến nó từ tù thành sắc cũng có quy trình bài bản, gói gọn vài bước: đổi danh từ thành mệnh đề hành động ("Chi phí" → "Chi phí tăng do bảo trì"), đóng khung công thức cho rõ (Doanh thu = Giá × Số lượng), đào tiếp xuống tới driver cụ thể, rồi xếp các nhánh lên ma trận Tác động × Khả năng kiểm soát để dồn sức vào mấy đòn bẩy lớn. Phần này bên mình đi kỹ trong khóa, ở đây mình chỉ nói để bạn thấy: lọc nhánh không phải cảm tính, nó có phương pháp.

Mà nói cho cùng, đây không phải chuyện kỹ thuật.

Người làm data giỏi không phải người đào được nhiều nhánh nhất. Là người biết nhánh nào đáng đào. Đào lan man mười nhánh không kiểm chứng được thì vừa tốn thời gian, vừa rước về một đống "nhận xét đúng" mà sếp đọc xong vẫn không biết làm gì. Đúng cảnh "rồi sao?" mà ai làm nghề cũng sợ.

Phân tích đáng giữ không phải phân tích đúng. Là phân tích dùng được để ra quyết định.

Cho mỗi nhánh đi qua 3 câu hỏi - cụ thể chưa, kiểm chứng được không, giải thích có hợp lý không - TRƯỚC khi đổ thời gian vào nó. Theo ví dụ trong khóa, lọc sớm kiểu này từng giúp rút thời gian một dự án phân tích từ 12 tuần xuống còn 3 tuần. Không phải vì làm nhanh hơn, mà vì bớt đào những chỗ vốn không dẫn tới đâu.

Mấy cái này - Logic Tree, Toothbrush Test, cách lọc nhánh để khỏi đào lan man - bên mình có dạy trong chương trình Agentic AI Analytics. Ai muốn đi sâu thì mình để link ở comment nhé.

Còn bạn, lần gần nhất bạn làm ra một phân tích "đúng mà vô dụng" là ở ca nào?

Sếp bảo: "Cắt 10% mọi phòng cho đều." Đó là CẮT chi phí.

Tối ưu chi phí thì ngược lại: bỏ chỗ không tạo giá trị, dồn tiền cho chỗ đang sinh lời.

Hai cái này nghe na ná, nhiều người làm Finance vẫn gộp làm một. Nhưng nhầm nó, bạn không cắt mỡ thừa đâu — bạn tự cắt vào cơ bắp của chính công ty mình.

▸ ▸ ▸

Cắt đều 10% nghe rất công bằng. Dễ ra quyết định, dễ trình lên sếp, dễ viết vào báo cáo. Ai cũng chịu một phần, không ai kêu ca được.

Vấn đề là cào bằng không phân biệt mỡ với cơ.

Phòng đang ngốn tiền mà chẳng đẻ ra giá trị: cắt 10%. Phòng đang là động cơ tăng trưởng, mỗi đồng bỏ vào sinh ra ba đồng: cũng cắt 10%. Bạn nhẹ được sổ sách năm nay, rồi năm sau ngồi nhìn đối thủ chạy trước mà không hiểu vì sao mình hụt hơi.

Vì bạn đã tự tay bóp cái chân đang chạy nhanh nhất.

▸ ▸ ▸

Phân biệt cho rõ hai khái niệm, vì cả bài nằm ở đây:

CẮT chi phí (cost cutting) — giảm con số tuyệt đối, thường cào bằng, nhắm cái lợi trước mắt. Câu hỏi của nó: "Giảm được bao nhiêu?"

TỐI ƯU chi phí (cost optimization) — bỏ chỗ KHÔNG tạo giá trị, dồn nguồn lực sang chỗ sinh lời. Đây là bài toán TÁI PHÂN BỔ, không phải bài toán kéo đều. Câu hỏi của nó: "Mỗi đồng nên nằm ở đâu để tạo giá trị cao nhất?"

Hai câu hỏi khác nhau ở một chữ. Người chỉ hỏi "bao nhiêu" tư duy như thủ kho. Người hỏi "ở đâu" tư duy như người điều vốn.

▸ ▸ ▸

Có hai cái bẫy mà mình thấy nhiều người sập:

Bẫy 1 — Cào bằng là rủi ro chiến lược, không phải sự công bằng.

Cắt đều làm tổn thương chỗ đang sinh lời ngang với chỗ đang lãng phí. Đẹp trên giấy, nhưng bạn vừa lấy mất nhiên liệu của cái đang chạy tốt. Nhẹ chi phí năm nay, mất đà tăng trưởng năm sau — và cái mất sau thường đắt hơn cái lợi trước rất nhiều.

Bẫy 2 — Chỉ nhìn giá mua (TCO Blind Spot).

TCO = Total Cost of Ownership, tức tổng chi phí sở hữu trọn vòng đời của một thứ, không phải mỗi giá lúc mua.

Hình dung một tảng băng. Giá mua là phần nổi bạn nhìn thấy. Phần chìm dưới nước — vận hành, bảo trì, đào tạo người dùng, thời gian chết khi nó hỏng, rủi ro kèm theo — mới là phần lớn. Cái rẻ nhất lúc ký hợp đồng rất hay là cái đắt nhất sau hai năm dùng. Chọn nhà cung cấp mà chỉ so giá mua là đang nhìn mỗi cái chóp băng.

▸ ▸ ▸

Vậy tối ưu cho đúng thì bám vào đâu? Mình gói gọn 5 nguyên tắc:

→ Tái phân bổ — rút khỏi chỗ kém, dồn cho chỗ tốt, không phải cắt cho hết.
→ Theo giá trị — đồng nào tạo giá trị thì giữ, đồng nào không thì xét lại.
→ Bền vững — cắt mà tháng sau phình lại thì chưa phải tối ưu, mới chỉ là dọn nhà.
→ Giữ người tài — cắt nhầm người giỏi là cắt vào tương lai.
→ Theo ROI — nhìn cái nó đẻ ra, không chỉ nhìn cái nó tốn.

Và vài cách làm thật, gọi tên cho dễ nhớ:

• Lean — soi quy trình, loại bỏ phần lãng phí trong vận hành (việc thừa, chờ đợi, làm đi làm lại).
• Target Costing — chi phí mục tiêu = giá thị trường − lợi nhuận mong muốn. Thay vì làm xong rồi mới tính giá, bạn chốt chi phí được phép tiêu ngay từ lúc thiết kế.
• ABC → ABM — Activity-Based Costing rồi tới Management, tức phân bổ chi phí theo HOẠT ĐỘNG thật chứ không chia bình quân. Khi đó mới lòi ra: hoạt động nào ngốn tiền mà tạo ít giá trị.
• Nhìn theo TCO mỗi lần chọn nhà cung cấp, không nhìn mỗi giá mua.

Một điều nữa quan trọng không kém: làm có KỶ LUẬT. Tối ưu chi phí không phải cắt một phát cho xong rồi quên. Nó là một quy trình nhiều bước, có danh sách sáng kiến được theo dõi từng cái — cái nào tiết kiệm bao nhiêu, ai làm, khi nào xong. Cắt một lần là sự kiện. Tối ưu là thói quen.

▸ ▸ ▸

Nên nói lại cho gọn: tối ưu chi phí là bài toán phân bổ THÔNG MINH, không phải kéo đều cho công bằng.

Dân Finance giỏi không trả lời sếp câu "cắt được bao nhiêu". Họ trả lời câu khó hơn nhiều: "Cắt ở đâu thì công ty khỏe lên, cắt ở đâu thì gãy."

Trả lời được câu đó, bạn không còn là người tổng hợp số nữa. Bạn là người giữ cho con tàu vừa nhẹ vừa chạy nhanh.

Mấy kỹ thuật này — TCO, ABC/ABM, Target Costing, cả cái playbook tối ưu chi phí có kỷ luật — bên mình dạy trong chương trình Finance Analytics Agent Skills. Mình để link ở comment cho ai muốn đi sâu.

Công ty bạn đang CẮT chi phí hay đang TỐI ƯU chi phí? Kể mình nghe ở comment nhé.

⚡ 4 dấu hiệu nói rằng đã đến lúc nâng cấp vai trò trong nghề Finance

Giờ mới có thời gian vô mò coi lại cái giao diện quản lý Agentic Analytics, lâu lâu rảnh vô improved cái frontend tí, còn workflows thiệt thì chạy mỗi ngày rồi.

Mà ko chỉ Analytics mình mới điều khiển AI Agents nha, mà trong công ty, những cái workflow nhiều bước mình đều điều khiển AI Agents làm hết á, như mình viết content MKT nè, cũng dùng Agentic MKT Content (CMO) hỗ trợ.

Mình nghĩ khi mọi người hiểu cách điều khiển AI Agents làm Analytics, mọi người có thể hiểu được cơ chế & điều khiển được nhiều mảng khác. Kiểu điều khiển AI Agents làm Analytics: xử lý dữ liệu, viết công thức tính toán, kéo Report, đọc Insight, build Data Story ... kiểu nó phức tạp mà nó đã làm được full cycle luôn á, thì mấy workflows khác như viết content MKT mình thấy nó đơn giản hơn về kỹ thuật á. Kiểu học Analytics nhưng học thêm Agentic AI luôn. =))

Tối nay khai giảng K60 Agentic AI Analytics rồi sao, nhanh dữ trời! Quay qua quay lại cái mở khóa mới liền á, mở non-stop luôn ấy! 😍😍😍

Một cái biểu đồ đẹp không có nghĩa là nó nói thật.

Mình từng ngồi họp, sếp chiếu lên một cái chart cột, doanh thu "nhảy vọt" so với quý trước. Cả phòng gật gù. Mình cũng suýt gật. Tới lúc nhìn kỹ trục Y mới thấy: nó không bắt đầu từ 0. Chênh lệch thật ra chỉ vài phần trăm, nhưng cách vẽ làm nó trông như một cú bứt phá.

Cái đáng sợ không phải người vẽ cố tình lừa. Nhiều khi họ cũng tin cái chart đó thật. Cái đáng sợ là: người đọc dữ liệu giỏi tool tới mấy, biết kéo Power BI, viết DAX ngon lành, mà vẫn bị một cái biểu đồ qua mặt. Vì đọc chart không phải kỹ năng tay. Nó là kỹ năng tư duy.

Và đây là chỗ mình muốn nói: AI giờ vẽ chart hộ bạn trong 5 giây. Bạn gõ một câu, nó ra cả dashboard. Nhưng nếu bản thân bạn không biết một cái chart đang nói dối ở đâu, thì AI vẽ sai bạn cũng gật theo, nhanh hơn thôi. Tư duy đọc chart không mất giá đi vì AI. Nó đắt lên.

Mình kể 6 chiêu mà một cái biểu đồ hay dùng để qua mặt người đọc, theo những gì mình hay gặp nhất. Đọc xong, lần tới nhìn chart bạn sẽ thấy khác.

▸ ▸ ▸

Chiêu 1 — Cắt trục Y (baseline không bắt đầu từ 0)

Đây là chiêu cổ điển và phổ biến nhất. Trục Y lẽ ra bắt đầu từ 0, nhưng người vẽ cho nó bắt đầu từ 95, hay từ một con số gần đỉnh. Hai cột chênh nhau 2% bỗng trông cao thấp như núi với đồi.

Cách bắt thóp: nhìn vào gốc trục Y trước khi nhìn chiều cao cột. Trục có bắt đầu từ 0 không? Nếu không, hãy tự hỏi: nếu kéo nó về 0 thì cái "cú nhảy vọt" kia còn lại bao nhiêu?

Chiêu 2 — Biểu đồ 3D

Cái pie 3D nghiêng nghiêng trông rất "pro". Nhưng góc nghiêng cộng chiều sâu bóp méo tỷ lệ diện tích: miếng nào nằm gần mắt người xem sẽ trông to hơn thực tế, miếng phía sau bị nén lại. Bạn đọc bằng cảm giác diện tích, mà diện tích đã bị bẻ.

Cách bắt thóp: thấy chart 3D thì cảnh giác ngay. Tìm con số thật đằng sau mỗi miếng. Một cái pie phẳng, thậm chí một bảng số, gần như luôn trung thực hơn cái pie 3D lung linh.

Chiêu 3 — Hai trục Y (dual-axis)

Ghép hai đường lên cùng một chart, mỗi đường một trục Y khác đơn vị. Doanh thu một bên, số nhân sự một bên. Người vẽ kéo giãn hai cái thang sao cho hai đường bám sát nhau, rồi ngầm bảo: thấy chưa, hai cái này liên quan với nhau, cái này kéo cái kia.

Cách bắt thóp: hai trục khác đơn vị úp lên nhau thì "trông giống nhau" không chứng minh được gì. Tương quan hình ảnh không phải nhân quả. Hỏi luôn: nếu đổi thang đo của một trục, hai đường còn bám nhau nữa không?

Chiêu 4 — Cherry-pick khoảng thời gian

Cùng một bộ số, chọn điểm đầu và điểm cuối có lợi là kể được câu chuyện ngược nhau. Muốn cho thấy "tăng trưởng tốt"? Chọn đáy làm mốc gốc. Muốn cho thấy "đang suy giảm"? Chọn đỉnh làm mốc gốc. Phần context bị cắt đi mới là phần quan trọng.

Cách bắt thóp: hỏi vì sao chọn đúng khoảng thời gian này mà không phải khoảng dài hơn. Kéo dài đường ra cả vài năm xem xu hướng thật còn giữ nguyên không. Một mốc gốc được chọn khéo có thể vẽ bất kỳ câu chuyện nào.

Chiêu 5 — Tương đối che tuyệt đối (%tăng che con số gốc)

Cái này tinh vi hơn, và mình gặp suốt khi đọc báo cáo. "Sản phẩm A tăng trưởng 200%!" Nghe choáng. Nhưng A đi từ 1 đơn vị lên 3 đơn vị, tức tăng đúng 2 đơn vị. Trong khi sản phẩm B chủ lực chỉ tăng 5%, nhưng đi từ 10.000 lên 10.500, tức tăng 500 đơn vị.

Về phần trăm, A thắng đậm. Về tác động thật lên doanh thu, B đóng góp gấp 250 lần A. Khoe %tăng mà giấu con số gốc bé tí là một trong những cách thổi phồng êm ái nhất.

Cách bắt thóp: thấy phần trăm thì hỏi con số tuyệt đối, thấy con số tuyệt đối lớn thì hỏi nó so với nền là bao nhiêu phần trăm. Luôn nhìn cả hai. Tăng trưởng lớn trên nền nhỏ thường ít tác động hơn tăng trưởng nhỏ trên nền lớn.

Chiêu 6 — Số gộp che mất phân phối thật

Đây là chiêu nguy hiểm nhất, vì nó không nằm ở cách vẽ, mà nằm ở cách gộp số. Một con số trung bình hay một con tổng có thể che mất toàn bộ sự thật bên dưới.

Hai ví dụ mình hay dùng để giải thích cho học viên:

Một, "trung bình thời gian trên trang là 5 phút" nghe có vẻ người dùng rất gắn bó. Nhưng tách phân phối ra thì 80% người rời đi trong chưa đầy 2 phút, con số 5 phút bị kéo lên bởi vài phiên "treo máy" hơn 30 phút. Tối ưu theo con số 5 phút đó là tối ưu cho một hành vi không có thật.

Hai, nghịch lý Simpson, cái này mới thú vị. Cửa hàng B có tỷ lệ chuyển đổi cả năm 34%, cửa hàng A chỉ 26%. Nhìn tổng, B thắng. Nhưng tách theo hai nửa năm: nửa đầu A đạt 40% còn B 35%, nửa sau A đạt 25% còn B 20%. Tức là A thắng cả hai giai đoạn, mà gộp lại vẫn thua. Vì B có lượng khách rất lớn vào đúng giai đoạn thị trường đang dễ chuyển đổi. Gộp mù số lại, bạn khen nhầm cửa hàng.

Cách bắt thóp: đừng dừng ở con số tổng hay con số trung bình. Tách ra theo nhóm, theo thời gian, theo vùng. Thêm một cái histogram hay box plot bên cạnh con trung bình. Hỏi câu: gộp lại có giấu mất nghịch lý nào không?

▸ ▸ ▸

Để ý là cả 6 chiêu không có chiêu nào bắt bằng cách "học thêm một tính năng vẽ chart". Bạn bắt được chúng vì bạn hiểu bản chất con số bên dưới, chứ không phải vì bạn kéo Power BI giỏi.

Và đây mới là phần mình thấy quan trọng nhất trong thời điểm này.

AI đang vẽ chart, gộp số, viết DAX, tính trung bình hộ bạn, rất nhanh và rất nhiều. Phần thao tác đó đang rẻ đi mỗi ngày. Nhưng AI cũng cắt trục Y, cũng báo cáo mỗi con trung bình, cũng khoe %tăng trên nền nhỏ, nếu bạn không bảo nó đừng. Nó làm sai nhanh y như nó làm đúng nhanh.

Cái không rẻ đi, là người ngồi sau nhìn output của AI và nói được: "Khoan, con số này đang giấu phân phối", "Cái %này nền có bao nhiêu", "Trục này sao không từ 0". Bạn không cần gõ tay nữa. Nhưng bạn phải hiểu bản chất đủ để check lại cái AI vừa đưa. Đó chính là chỗ tư duy phân tích đứng cao hơn thao tác tool, và là chỗ AI chưa thay được.

Mấy cái bẫy đọc số và cách điều khiển AI tránh chúng, bên mình có dạy trong chương trình Agentic AI Analytics, phần bias và kiểm chứng output. Mình để link ở comment cho ai muốn đi sâu nhé.

Còn bạn, gần đây có cái chart nào suýt làm bạn tin nhầm không? Kể mình nghe ở comment nha.

“Giá mà mình biết cách phân tích này sớm hơn…”
Câu này, MDA đã nghe rất nhiều từ học viên cũ.

- Có người làm Marketing 3 năm, toàn phân tích theo cảm tính.
- Có người làm Business lâu năm, đọc báo cáo không ra insight.
- Có người học xong Power BI, vẫn không biết bắt đầu từ đâu khi sếp hỏi:
👉 “Tại sao doanh thu giảm?”
👉 “Tại sao chi phí tăng mà lợi nhuận không đổi?”

Vì sự thật là: Power BI không tự dạy bạn cách phân tích.
Nó chỉ là công cụ.
Còn năng lực phân tích thật sự nằm ở tư duy.

💡 K60 không phải khóa học dạy tool đơn thuần. Không phải học thêm tool, mà là nâng cấp cách làm việc
Chương trình được thiết kế cho người làm Business & Data muốn đi xa hơn việc "biết dùng AI":
✓ Xây tư duy phân tích có cấu trúc từ câu hỏi kinh doanh đến dữ liệu cụ thể
✓ Tận dụng AI để xử lý nhanh các bước kỹ thuật (cleaning, EDA, reporting)
✓ Biến kết quả phân tích thành câu chuyện ra quyết định không phải dashboard đẹp để "cho vui"
✓ Làm việc theo workflow rõ ràng, có thể lặp lại và cải thiện theo thời gian

Và điều quan trọng nhất:
Bạn biết bắt đầu từ đâu, khi đối diện với một bài toán thật sự.

⏳ Còn đúng 1 ngày nữa là K60 khai giảng.
Nếu bạn:
- Đã mua vài khóa học nhưng vẫn phân tích “cho có”
- Vẫn chật vật mỗi lần làm báo cáo
- Vẫn chưa khiến dữ liệu tạo ra ảnh hưởng thật sự
→ Thì đây là thời điểm quyết định bạn bước vào level mới hay tiếp tục dậm chân tại chỗ.

🎯 Khai giảng: Thứ 5 - ngày 18/06/2026
📩 Inbox MDA ngay hôm nay - vì chờ nữa là… trễ.
---
📍Liên hệ Mastering Data Analytics để được tư vấn:
📞 0961 48 66 48 (Zalo)
📧 [email protected]