Ra quyết định dựa trên dữ liệu: hiểu đúng bằng chứng năng suất

Đăng ngày 24/10/2026

Tóm tắt: dữ liệu phải đổi được một quyết định

Ra quyết định dựa trên dữ liệu có thể giúp doanh nghiệp làm việc tốt hơn, nhưng không có mức tăng năng suất chung chỉ nhờ thu thập thêm số liệu. Trước khi dẫn một kết quả nghiên cứu, cần biết ai được đo, thời kỳ nào, so sánh theo thang gì và kết quả thực sự là gì. Điều đáng làm tại doanh nghiệp là biến một quyết định lặp lại thành việc có thể kiểm chứng, thay vì đặt kỳ vọng bằng một tỷ lệ nghe hấp dẫn.

• Con số năng suất chỉ có nghĩa khi giữ nguyên đối tượng và cách so sánh của nghiên cứu.
• Dùng phần mềm, xem báo cáo và thay đổi hành động là ba việc khác nhau.
• Bằng chứng quan sát cần được đọc cùng các giả định, không gọi là thí nghiệm ngẫu nhiên.
• Muốn đo lợi ích tại chỗ, phải ghi cả điều đã thay đổi lẫn chi phí và tác dụng phụ.
• AI giúp xử lý một số tác vụ; kết quả của một tác vụ chưa phải kết quả toàn công ty.

Ra quyết định dựa trên dữ liệu là gì khi báo cáo đã có sẵn?

Một doanh nghiệp có thể lưu nhiều dữ liệu nhưng vẫn quyết định theo thói quen. Trong cách dùng của bài, ra quyết định dựa trên dữ liệu là để bằng chứng có khả năng xác nhận, sửa hoặc bác bỏ một phương án hành động. Điều này không đòi loại bỏ kinh nghiệm. Kinh nghiệm giúp nhận ra câu hỏi và điều chưa đo được; dữ liệu giúp kiểm những nhận định có thể kiểm thay vì chỉ chọn thông tin thuận ý người chủ trì.

Giả sử nhóm mua hàng luôn đặt thêm khi kho còn ít. Sau khi xem thời gian giao và nhu cầu theo mùa, họ đổi lịch đặt cho một nhóm hàng, đồng thời theo dõi thiếu hàng và tiền bị giữ trong kho. Sự thay đổi ấy khác với việc gửi một biểu đồ tồn kho mỗi sáng. Ví dụ do bài dựng: điểm phân biệt nằm ở phương án đã thay đổi, người có quyền làm và kết quả được hẹn kiểm lại.

OECD bàn dữ liệu như một nguồn tiềm năng cho đổi mới, đồng thời đặt ra vấn đề về đo lường và rủi ro xã hội [1]. Đó không phải bảo đảm lợi ích cho từng dự án. Bài đề nghị khi nhận một báo cáo mới, hãy hỏi người dùng có thể hành động khác đi ở đâu. Nếu câu trả lời chỉ là nhìn được nhiều hơn, cần làm rõ giá trị sử dụng trước khi đặt chỉ tiêu năng suất.

Mức năm đến sáu phần trăm thực sự đang so sánh điều gì?

Trong nghiên cứu năm 2011, nhóm Brynjolfsson, Hitt, Kim phân tích mẫu gồm 179 công ty đại chúng lớn. Thông tin thực hành được hỏi năm 2008; số tài chính ghép vào trải từ 2005 tới 2009. Mức năng suất khoảng 5–6% gắn với việc điểm dùng dữ liệu cao hơn trung bình một độ lệch chuẩn, không phải kết quả mua một phần mềm. Bảng hồi quy biến công cụ có hệ số 0,059 và mức ý nghĩa p dưới 0,10 [2].

Vì vậy, câu doanh nghiệp dùng dữ liệu sẽ tăng năng suất từng ấy đã bỏ mất thang so sánh. Một độ lệch chuẩn mô tả khoảng cách trong chỉ số của mẫu nghiên cứu; nó không phải một chức năng có thể bật trong hệ thống. Cũng không thể đổi mức năng suất tương đối giữa các công ty thành tốc độ tăng trưởng mỗi năm của một công ty. Hai phát biểu cần những phép đo và thiết kế khác nhau.

Để dùng kết quả một cách có ích, bài gợi ý viết một phiếu ngắn gồm đối tượng, thời điểm, thước đo hành vi, kết quả và giả định nhận dạng tác động. Sau đó mới hỏi điểm nào gần doanh nghiệp mình và điểm nào khác. Phiếu này không thay việc đọc nghiên cứu; nó giúp người trình bày nhận ra chỗ đang chuyển từ bằng chứng sang kỳ vọng. Khi thiếu một ô quan trọng, lời hứa dự án cần được thu hẹp tương ứng.

Vì sao có kiểm soát thống kê vẫn chưa phải một lời hứa nhân quả?

Khi hai nhóm có kết quả khác nhau, nguyên nhân có thể không chỉ là cách dùng dữ liệu. Năng lực quản lý, sản phẩm, kỹ năng nhân sự hoặc cách chọn khách hàng đều có thể liên quan. Mô hình thống kê tìm cách tính tới những yếu tố đo được; phần không quan sát và giả định còn lại vẫn cần được xem xét. Không nên đọc chữ có kiểm soát như thể mọi khác biệt giữa các doanh nghiệp đã được loại bỏ hoàn toàn.

Một khó khăn là hướng quan hệ: công ty tổ chức tốt có thể vừa tạo dữ liệu tốt vừa có năng suất cao. Cũng có thể công ty làm tốt hơn nên có nguồn lực đầu tư phân tích. Các phương pháp nhận dạng cố phân biệt những khả năng này, nhưng cần điều kiện riêng. Bài không dùng một tên kỹ thuật để xác nhận tác động cho mọi hoàn cảnh; người đọc cần giữ câu hỏi tác giả đã xử lý mối lo nào và còn dựa vào điều gì.

Tình huống minh họa: hai cửa hàng cùng số người, một nơi có dữ liệu bán hàng chi tiết và bán tốt hơn. Nếu nơi đó ở vị trí thuận lợi hơn, phép so sánh đơn giản có thể gán nhầm lợi ích vị trí cho dữ liệu. So trước sau cũng chưa đủ nếu đồng thời đổi giá hoặc mở chiến dịch quảng bá. Cách xử lý nên phù hợp với câu hỏi, nguồn lực và hậu quả của kết luận, không chỉ tìm một tỷ lệ để đưa lên slide.

Với quyết định lớn, có thể cần người chuyên môn giúp thiết kế nhóm so sánh hoặc thử nghiệm thích hợp. Với thử nhỏ, ít nhất phải ghi trước kỳ đo, tiêu chí thành công và những thay đổi khác xảy ra cùng lúc. Đây là gợi ý thận trọng của bài, không phải công thức bảo đảm suy ra nhân quả. Nếu chưa có thiết kế đủ mạnh, cách nói trung thực là kết quả cải thiện cùng thời điểm, chưa xác định toàn bộ phần do dự án.

Mức phổ biến của cách làm có nói được hiệu quả không?

Brynjolfsson và McElheran công bố trên American Economic Review năm 2016 rằng tỷ lệ áp dụng cách quyết định dùng dữ liệu trong mẫu nhà máy sản xuất Mỹ tăng từ 11% lên 30% giữa năm 2005 và 2010. Tóm tắt cũng nêu mối liên hệ của việc áp dụng với quy mô, công nghệ thông tin, lao động có học vấn và học hỏi của doanh nghiệp [3]. Đây là quan sát về sự lan rộng ở một ngành, quốc gia và thời kỳ cụ thể.

Bản thảo đồng tác giả lưu tại Census cùng năm bàn sâu hơn dữ liệu sản xuất và các yếu tố bổ trợ [4]. Hai công bố có quan hệ nghiên cứu với nhau; không nên đếm chúng như hai lần kiểm chứng hoàn toàn độc lập. Bài không lấy tỷ lệ áp dụng làm mức tăng năng suất, cũng không chuyển phạm vi nhà máy Mỹ thành toàn doanh nghiệp Việt Nam. Một cách làm lan rộng có thể đáng tìm hiểu, nhưng vẫn cần biết điều kiện vận hành của nó.

Sự nhầm lẫn tương tự xuất hiện khi đọc số AI. Eurostat thống kê việc dùng ít nhất một loại công nghệ AI ở các doanh nghiệp EU từ mười lao động, với tỷ lệ 19,95% trong năm 2025 [5]. Việc được tính là có dùng chưa cho biết nhân viên dùng thường xuyên thế nào hoặc năng suất tăng bao nhiêu. Khi xem báo cáo, hãy giữ riêng ba câu: có dùng không, dùng vào việc gì và kết quả được đo ra sao.

Bốn điều kiện để dữ liệu có cơ hội đổi được hành động

Điều kiện đầu tiên là dữ liệu đủ phù hợp với câu hỏi, gồm định nghĩa, thời điểm và giới hạn có thể giải thích. Nếu doanh thu của hai kỳ được tính theo hai cách, tranh luận về xu hướng có thể bắt đầu từ một phép so sánh không cùng nghĩa. Bài không yêu cầu dữ liệu hoàn hảo; cần biết sai số nào có thể làm phương án đang chọn trở nên không phù hợp.

Điều kiện tiếp theo là có một lựa chọn thật. Nhóm cần biết phương án mặc định và điều gì có thể khiến mình đổi phương án ấy. Nếu quyết định đã chốt trước, việc gom số chỉ để hợp thức hóa không giúp kiểm chứng. Nhật ký quyết định do bài đề xuất ghi câu hỏi, phương án cũ, bằng chứng mới và lý do giữ hoặc đổi. Khi bằng chứng trái chiều, cũng cần ghi phần khiến nhóm chưa thể kết luận.

Hai điều kiện còn lại là quyền hành động và khả năng đánh giá. Người thấy vấn đề phải biết ai được phép đổi lịch, điều chỉnh quy trình hoặc dừng thử. Kết quả cần được theo dõi bằng chỉ tiêu phù hợp, kể cả hậu quả không mong muốn. Trong ví dụ giả định về đặt hàng, giảm tồn kho mà tăng thiếu hàng có thể chưa tốt hơn. Không nên chọn một số thuận lợi rồi bỏ số làm thay đổi cách hiểu kết quả.

Bốn điều kiện là khung tự kiểm do bài dựng, không phải thang điểm của công trình được trích. Nếu thiếu quyền hành động, hãy giải quyết đường phê duyệt trước khi bổ sung biểu đồ. Nếu thiếu cách đánh giá, hãy chọn một việc nhỏ có kết quả quan sát được. Các điểm nghẽn khác nhau cần bước đi khác nhau; không phải mọi khó khăn đều dẫn tới việc thuê thêm nhà khoa học dữ liệu.

Áp dụng theo quy mô: đổi cách thử, giữ câu hỏi về bằng chứng

Hộ kinh doanh có thể chọn một quyết định dễ quay lại, chẳng hạn thời điểm bổ sung một nhóm hàng. Chủ hộ ghi trước cách thường làm, theo dõi vài kỳ có thể so sánh và ghi các biến cố đáng kể. Không cần dựng báo cáo lớn; điều quan trọng là đủ dấu vết để biết vì sao đã đổi cách làm. Nếu doanh số biến động mạnh vì mùa vụ, không nên vội gán mọi chênh lệch cho việc xem dữ liệu.

Doanh nghiệp nhỏ cần thống nhất chỉ tiêu giữa những người tham gia quyết định. Người bán có thể xem đơn đã tạo là kết quả, trong khi người thu tiền chỉ tính khoản đã nhận. Hãy chọn một câu hỏi, chốt định nghĩa và giao người ghi nhật ký. Nếu thuê tư vấn làm phép phân tích, đề nghị bàn giao cả giả định và cách kiểm lại, để doanh nghiệp không phụ thuộc vào một bản trình bày khó tái hiện.

Doanh nghiệp vừa có thể chọn một đơn vị hoặc luồng để thử, nhưng cần xem việc lựa chọn có làm mẫu quá thuận lợi không. Nhóm tự nguyện thường có động lực cao hơn phần còn lại; kết quả tốt ở đó chưa đủ cho quyết định mở rộng ngay. Nên ghi điều kiện triển khai, thời gian hỗ trợ và phần công việc phát sinh. Những khoản không được tính ở bản thử dễ trở thành gánh nặng khi nhân rộng.

Đối với doanh nghiệp lớn hoặc tập đoàn, kết quả riêng của bộ phận cần được đặt cạnh hiệu quả hợp nhất. Một đơn vị tiết kiệm thời gian nhưng đẩy thêm công đối chiếu sang đơn vị khác có thể chưa tạo lợi ích chung. Bài đề nghị người phê duyệt yêu cầu theo dõi ranh giới công việc trước sau. Với quyết định khó đảo ngược hoặc ảnh hưởng quyền lợi con người, độ sâu kiểm chứng nên tăng theo hậu quả, thay vì giữ cùng một biểu mẫu cho mọi trường hợp.

Góc nhìn AI: nhanh hơn ở một tác vụ có nghĩa gì với doanh nghiệp?

Nghiên cứu đăng Quarterly Journal of Economics năm 2025 của Brynjolfsson, Li và Raymond dùng dữ liệu từ 5.172 nhân viên hỗ trợ khách hàng khi một trợ lý AI được đưa vào theo từng đợt. Nhóm ghi nhận số vụ giải quyết mỗi giờ tăng trung bình 15%, với tác động khác nhau theo kinh nghiệm và kỹ năng [6]. Đây là thước đo công việc hỗ trợ trong bối cảnh nghiên cứu, không phải mức tăng năng suất của toàn doanh nghiệp hoặc mọi hệ thống AI.

Điểm nối với ra quyết định dựa trên dữ liệu nằm ở việc phải chọn đúng kết quả. Một trợ lý có thể rút ngắn thời gian soạn bản phân tích nhưng vẫn làm người đọc mất thêm thời gian kiểm. Nếu chỉ đo thời gian tạo bản nháp, bạn dễ bỏ qua công sửa và hậu quả của câu trả lời sai. Bài gợi ý theo dõi cả thời gian đến quyết định đã được xác nhận, thay vì chỉ đếm số nội dung được tạo.

Hồ sơ AI tạo sinh của NIST công bố năm 2024 là tài liệu tự nguyện, hướng tới các bên xây dựng, vận hành và đánh giá hệ thống [7]. Đây không phải bằng chứng dự án chắc chắn hiệu quả. Trong phép thử nội bộ, hãy giữ các câu hỏi có căn cứ đối chiếu, ghi phiên bản dữ liệu và yêu cầu người dùng nêu phần phải kiểm lại. Không đưa dự đoán của mô hình thành số thực tế trong báo cáo mà không có nhãn.

AI cũng không thay quyền phán đoán. Khi mô hình gợi ý cắt hàng tồn, người ra quyết định còn phải xem nghĩa vụ giao hàng, khách hàng đặc thù và dữ liệu bị thiếu. Nếu kết quả chỉ tốt ở câu hỏi quen thuộc, nên giới hạn phạm vi thay vì mở quyền tự hành động. Phần có giá trị là hiểu tác vụ nào được hỗ trợ, ai hưởng lợi và chi phí nào chuyển sang chỗ khác; không phải cộng các tỷ lệ từ nhiều thí nghiệm thành một mức tăng chung.

Tại Việt Nam, đọc lời giới thiệu khác với đọc kết quả đo

Trong các nguồn đã mở, bài chưa có một ước lượng nhân quả đại diện cho hiệu quả quyết định dùng dữ liệu của doanh nghiệp Việt Nam. Bình luận trên cổng Cục Thống kê năm 2026 nhấn mạnh thông tin đáng tin và có thể kiểm chứng như cơ sở của niềm tin [8]. Luận điểm ấy phù hợp với việc đòi hỏi căn cứ, nhưng không cung cấp một hệ số năng suất để đưa thẳng vào phương án đầu tư của doanh nghiệp.

Ở trang Data & AI, FPT IS mô tả dịch vụ phân tích cùng bước xem xét liệu dữ liệu đầu vào có đủ khả thi [9]. Đây là nguồn tự giới thiệu có lợi ích thương mại. Một khách hàng tiềm năng có thể dùng nó để đặt câu hỏi về phạm vi dịch vụ; chưa thể coi đó là đánh giá độc lập về lợi ích thực nhận. Bài không kể một dự án khách hàng hay nêu tỷ lệ hiệu quả chưa được xác minh.

Khi xem một đề xuất tại Việt Nam, hãy yêu cầu tách ba lớp: hệ thống sẽ có tính năng gì, người dùng phải đổi cách làm nào và kết quả kinh doanh sẽ được đo thế nào. Nếu nhà cung cấp chỉ cam kết lớp tính năng, doanh nghiệp không nên tự thêm một cam kết năng suất vào hồ sơ. Nếu lợi ích được tính theo thời gian tiết kiệm, cần ghi ai sẽ dùng quỹ thời gian ấy và công việc nào thực sự có thể thay đổi.

Thử một quyết định trước khi nhân rộng cách làm

Bài đề xuất một chu kỳ thử có điểm dừng rõ, không một chương trình dữ liệu bao trùm ngay từ đầu. Hãy chọn việc đủ lặp lại để học được nhưng có thể quay lại phương án cũ khi kết quả xấu. Người chịu trách nhiệm cần biết điều kiện nào cho phép tiếp tục và điều kiện nào buộc xem xét lại, trước khi nhìn thấy số liệu thuận lợi.

• Bước 1: Viết quyết định, phương án đang dùng và một kết quả cần cải thiện; giữ cách tính qua cả kỳ thử.
• Bước 2: Ghi dữ liệu có sẵn, phần chưa biết và các thay đổi đồng thời có thể ảnh hưởng kết quả.
• Bước 3: Đưa bằng chứng vào cuộc họp có người được quyền hành động; ghi lý do giữ hoặc đổi phương án.
• Bước 4: Đo kết quả, công phát sinh và tác dụng phụ; quyết định dừng, sửa thiết kế hay mở rộng.

Kết thúc vòng thử không nhất thiết là quyết định mua thêm công nghệ. Có thể phát hiện nhóm đang thiếu một định nghĩa, quyền phê duyệt hoặc nguồn đối chiếu. Ghi đúng điểm nghẽn ấy là một kết quả có ích. Không nên sửa tiêu chí thành công sau khi đã thấy số, rồi trình bày như thể đó là mục tiêu đặt ra ban đầu.

Giới hạn nào cần được nói ngay trong báo cáo?

Những nghiên cứu trong bài khác nhau về thời kỳ, đơn vị quan sát và phương pháp; chúng không tạo thành một tỷ lệ tổng hợp. Doanh nghiệp lớn, nhà máy và nhân viên hỗ trợ cũng không phải cùng một đối tượng. Khi trình bày, nên dành một câu cho điều kết quả không cho phép kết luận. Câu ấy giúp người phê duyệt hiểu khoảng cách từ nghiên cứu tới quyết định cụ thể đang cân nhắc.

Một phép thử nội bộ cũng có thể bị ảnh hưởng bởi người tham gia tự chọn, mức hỗ trợ khác nhau hoặc thay đổi thị trường. Bài không coi nhật ký quyết định là phương pháp đủ để nhận dạng nhân quả. Nó là bằng chứng vận hành giúp tránh kể lại câu chuyện theo trí nhớ sau khi có kết quả. Khi cần kết luận mạnh hơn, phải bổ sung thiết kế và chuyên môn tương ứng.

Hỏi đáp về ra quyết định dựa trên dữ liệu

Data-driven decision making là gì nếu người quản lý vẫn dùng kinh nghiệm? Kinh nghiệm vẫn có vai trò đặt câu hỏi và nhận diện điều dữ liệu chưa phản ánh. Khác biệt nằm ở việc có chấp nhận kiểm một nhận định và đổi hành động khi căn cứ không ủng hộ nó hay không. Không cần giả vờ mọi quyết định đều có thể quy thành một công thức duy nhất.

Dữ liệu có làm tăng năng suất không? Có những nghiên cứu tìm thấy quan hệ tích cực, nhưng câu trả lời tại một doanh nghiệp cần thêm bối cảnh và phép đo. Thu thập thêm dữ liệu chưa đủ nếu người dùng không có lựa chọn hoặc không được quyền hành động. Nên chỉ rõ quyết định nào sẽ thay đổi và kết quả nào sẽ cho biết thay đổi đó có ích.

Có thể lấy mức năm đến sáu phần trăm để tính lợi ích dự án không? Không nên dùng như một khoản chắc chắn. Bài nghiên cứu được dẫn có mẫu, thang so sánh và giả định riêng. Để lập phương án, doanh nghiệp cần công khai các giả định tại chỗ, khả năng kết quả thấp hơn kỳ vọng và cách kiểm lại sau triển khai, thay vì biến hệ số nghiên cứu thành cam kết.

Văn hóa hướng dữ liệu có phải luôn làm theo con số cao nhất? Không. Một số tổng hợp có thể che khác biệt giữa các nhóm hoặc bỏ sót hậu quả chưa được đo. Người chủ trì cần hỏi số liệu thể hiện phần nào của công việc và điều gì còn ngoài phạm vi. Giữ một phản biện có căn cứ trong biên bản thường hữu ích hơn ép mọi người đồng ý với biểu đồ.

Doanh nghiệp dùng dữ liệu để ra quyết định nên bắt đầu bằng đâu? Chọn một việc có người nhận trách nhiệm và một kết quả đủ quan sát, rồi giữ dấu vết trước sau. Nếu nhóm chưa tái hiện được số đang dùng, hãy giải quyết việc đó trước. Khi cả kết quả lẫn chi phí có thể giải thích, mới cân nhắc mở rộng sang quyết định khó hơn hoặc hỗ trợ bằng AI.

Một quyết định giải thích được tốt hơn một lời hứa rộng

Giá trị của ra quyết định dựa trên dữ liệu không nằm ở việc bỏ kinh nghiệm hay tích thêm báo cáo. Nó nằm ở khả năng cho thấy căn cứ nào đã làm một hành động thay đổi và kết quả được kiểm ra sao. Hãy giữ đúng phạm vi của nghiên cứu, nói rõ giới hạn của phép thử tại chỗ và trao quyền xem xét lại khi bằng chứng đi ngược kỳ vọng.

Nguồn và phương pháp

Nội dung được biên soạn với AI từ nghiên cứu, thống kê và tài liệu tổ chức đã đối chiếu ngày 24/10/2026, trình bày bằng lập luận riêng, không phải bản dịch. Bản thảo được phân biệt với bài tạp chí; tài liệu hãng FPT không được xem là kiểm định hiệu quả. Các phiếu đọc, điều kiện và ma trận là gợi ý của bài, chưa kiểm định. Chưa có hệ số đại diện cho doanh nghiệp Việt Nam. Không dùng số từ nguồn không mở được hoặc gộp các thí nghiệm khác tác vụ; khuyến khích kiểm chứng trực tiếp tài liệu gốc.