Vì sao nhiều phân tích “đúng” nhưng lại không tạo ra giá trị?
Nếu bạn đã từng làm phân tích dữ liệu trong môi trường doanh nghiệp, rất có thể bạn đã trải qua tình huống này:
Bạn nhận một yêu cầu từ stakeholder. Bạn nhanh chóng mở SQL, kéo dữ liệu, xây dashboard, viết báo cáo. Phân tích của bạn logic, số liệu rõ ràng, chart đẹp. Stakeholder xem xong gật đầu:
“Ừ, nhìn cũng hợp lý đấy.”
Rồi mọi thứ dừng lại.
Không có quyết định mới. Không có thay đổi chiến lược. Không có hành động cụ thể nào diễn ra.
Trong phần lớn trường hợp, vấn đề không nằm ở chất lượng phân tích, mà nằm ở điểm bắt đầu của bạn. Bạn đã đi thẳng vào Solution Space, trong khi Problem Space vẫn còn mơ hồ.
PROBLEM SPACE VÀ SOLUTION SPACE LÀ GÌ?
Để hiểu gốc rễ của vấn đề, trước hết cần làm rõ hai khái niệm nền tảng trong tư duy giải quyết vấn đề: Problem Space và Solution Space.
Problem Space
Problem Space là không gian của vấn đề cần giải. Nó bao gồm:
– Bối cảnh kinh doanh
– Mục tiêu cuối cùng
– Những quyết định đang bị kẹt
– Các ràng buộc và đánh đổi (trade-off)
Problem Space trả lời cho các câu hỏi:
– Vấn đề thật sự là gì?
– Vì sao vấn đề này quan trọng?
– Ai là người bị ảnh hưởng?
– Quyết định nào cần được đưa ra?
Điểm quan trọng cần nhấn mạnh là: Problem Space không nói về cách làm, mà nói về cái gì cần giải và vì sao cần giải.
Solution Space
Solution Space là không gian của cách giải. Nó bao gồm:
– Công cụ
– Kỹ thuật
– Phương pháp
– Giải pháp cụ thể
Trong phân tích dữ liệu, Solution Space thường xuất hiện dưới dạng:
– SQL
– Python
– Dashboard
– Model
– Automation
Solution Space trả lời cho câu hỏi:
“Chúng ta sẽ giải vấn đề này như thế nào?”
PHÂN BIỆT BẢN CHẤT
Sự khác biệt cốt lõi giữa hai khái niệm này có thể tóm gọn như sau:
Problem Space = What & Why
Solution Space = How
Giá trị của phân tích dữ liệu không nằm ở việc Solution Space phức tạp đến đâu, mà nằm ở việc Solution Space có đang phục vụ đúng Problem Space hay không.
VÌ SAO DATA ANALYST THƯỜNG NHẢY QUÁ NHANH QUA SOLUTION SPACE?
Trong thực tế, rất nhiều Data Analyst có xu hướng bỏ qua Problem Space và đi thẳng vào Solution Space. Điều này không phải do thiếu năng lực, mà thường đến từ ba nguyên nhân quen thuộc.
1. Áp lực phải “làm ngay”
Trong môi trường doanh nghiệp, tốc độ thường được ưu tiên. Khi nhận request, phản xạ phổ biến là:
“Em sẽ làm dashboard cho anh/chị”
“Để em kéo data xem thử”
“Em build report trước nhé”
Việc bắt tay vào làm ngay tạo cảm giác tiến độ, nhưng tiến độ không đồng nghĩa với giá trị nếu hướng đi ban đầu chưa đúng.
2. Tư duy thiên về kỹ thuật
Phần lớn Data Analyst được đào tạo để:
– Giải bài toán đã được định nghĩa
– Tối ưu lời giải
– Thành thạo công cụ
Trong khi đó, kỹ năng định nghĩa bài toán lại ít được chú trọng. Kết quả là:
Giỏi giải bài nhưng chưa chắc đã giải đúng bài cần giải.
Stakeholder đưa solution dưới dạng problem
Nhiều yêu cầu thực tế có dạng:
“Em làm cho anh cái dashboard này”
“Em chạy report kia được không?”
“Em build model này nhé”
Nếu không đặt câu hỏi ngược lại, Data Analyst rất dễ coi solution được đề xuất chính là problem cần giải.
DẤU HIỆU CHO THẤY PROBLEM SPACE ĐANG BỊ BỎ QUA
Có một số dấu hiệu khá rõ cho thấy bạn đang đi quá nhanh vào Solution Space.
Bạn bắt đầu bằng việc nói “em sẽ làm dashboard”, nhưng chưa trả lời được:
– Quyết định nào cần được đưa ra?
– Thành công được đo bằng gì?
– Scope phân tích liên tục mở rộng:
+ Thêm chỉ số
+ Thêm chart
+ Thêm breakdown
nhưng mục tiêu ban đầu ngày càng mờ nhạt.
– Stakeholder thấy insight “hợp lý”, nhưng không có hành động tiếp theo.
Những dấu hiệu này thường cho thấy: Problem Space chưa được làm rõ hoặc chưa được thống nhất.
ĐI SÂU VÀO PROBLEM SPACE: DATA ANALYST CẦN LÀM GÌ?
Làm chủ Problem Space không có nghĩa là phức tạp hoá vấn đề. Ngược lại, nó đòi hỏi Data Analyst quay về những câu hỏi rất căn bản.
1. Làm rõ business objective
Trước tiên, cần xác định:
– Mục tiêu cuối cùng của business là gì?
– Tăng trưởng, tối ưu chi phí hay giảm rủi ro?
Khi objective chưa rõ, mọi phân tích đều dễ rơi vào trạng thái cảm tính và thiếu trọng tâm.
2. Xác định decision cần được đưa ra
Dữ liệu chỉ có giá trị khi nó phục vụ một quyết định cụ thể. Data Analyst cần hiểu:
– Ai là người ra quyết định?
– Quyết định nào đang bị trì hoãn hoặc gây tranh cãi?
– Phân tích này sẽ giúp quyết định đi theo hướng nào?
Nếu không có decision rõ ràng, insight rất dễ trở thành “biết cho vui”.
3. Hiểu constraint và trade-off
Trong môi trường thực tế, mọi quyết định đều bị giới hạn bởi:
– Thời gian
– Ngân sách
– Nguồn lực
– Chính sách nội bộ
Việc hiểu rõ các ràng buộc này giúp Data Analyst tránh đề xuất những solution “đẹp nhưng không khả thi”.
4. Chuyển từ “request” sang “problem”
Một kỹ năng quan trọng của Data Analyst là:
Dịch request của stakeholder thành problem thật sự.
Ví dụ:
Request: “Anh muốn dashboard theo dõi doanh thu hằng ngày”
Problem có thể là:
– Doanh thu biến động mạnh
– Khó phát hiện vấn đề sớm
– Quyết định phản ứng chậm
Khi problem được làm rõ, solution mới có ý nghĩa.
KHI NÀO NÊN BƯỚC SANG SOLUTION SPACE?
Solution Space không hề xấu. Đây là nơi Data Analyst thể hiện năng lực chuyên môn. Vấn đề chỉ xảy ra khi Solution Space đến quá sớm.
Bạn chỉ nên bước sang Solution Space khi:
– Problem đã được thống nhất
– Objective rõ ràng
– Decision đã xác định
– Success metric được đồng thuận
Lúc này, Solution Space không còn là “làm cho có”, mà là làm để giải đúng vấn đề.
Cùng một bài toán, hai cách tiếp cận
Giả sử business đang gặp vấn đề: doanh thu sụt giảm ở một sản phẩm chủ lực.
– Nhảy thẳng vào Solution Space
– Build dashboard doanh thu
– Breakdown theo thời gian, kênh, khu vực
– Phát hiện nhiều insight
Kết quả:
– Nhiều số liệu
– Nhưng không rõ nên hành động thế nào
– Bắt đầu từ Problem Space
– Làm rõ mục tiêu: khôi phục tăng trưởng
– Xác định decision: nên tập trung vào giá, marketing hay product?
– Hiểu constraint: ngân sách marketing có hạn
Từ đó, chỉ chọn những phân tích phục vụ trực tiếp quyết định này. Insight lúc này dẫn thẳng tới hành động.
Khác biệt nằm ở đâu?
– Thời gian phân tích ngắn hơn
– Insight được sử dụng
– Stakeholder tin tưởng hơn
Khác biệt không nằm ở kỹ thuật, mà nằm ở điểm xuất phát của tư duy.
PROBLEM SPACE VS. SOLUTION SPACE VÀ SỰ TRƯỞNG THÀNH CỦA DATA ANALYST
Sự khác biệt giữa các level Data Analyst thể hiện rất rõ ở khả năng làm chủ Problem Space.
Junior Data Analyst
Mạnh về Solution Space, làm tốt khi bài toán đã được định nghĩa.
Senior Data Analyst
Làm chủ Problem Space, giúp định nghĩa bài toán ngay từ đầu.
Đây là bước chuyển từ: người thực thi yêu cầu sang người đồng hành giải quyết vấn đề.
KẾT LUẬN:
Data Analyst không được trả tiền vì biết nhiều công cụ.
Data Analyst được trả tiền vì:
– Hiểu đúng vấn đề
– Giải đúng bài toán
– Giúp tổ chức đưa ra quyết định tốt hơn
Và trong toàn bộ quá trình đó, Problem Space quyết định phần lớn chất lượng của Solution Space.
Phân tích tốt không bắt đầu bằng câu hỏi:
“Mình sẽ dùng tool gì?”
mà bắt đầu bằng câu hỏi:
“Vấn đề thật sự cần giải là gì?”
Chúc bạn thành công.
Cheers! 
