Skip to main content

Thẻ: Big Data

Cách khai thác hiệu quả và tối đa hoá Big Data

Chuyên gia marketing chia sẻ 3 câu hỏi giúp marketer dùng Big data tạo ra giá trị cho người tiêu dùng, từ đó có được lợi thế cạnh tranh bền vững trên thị trường.

Cách khai thác hiệu quả và tối đa hoá Big Data

Chứa đựng tiềm năng khổng lồ cho marketing, Big Data (Dữ liệu lớn) thu hút sự chú ý của marketer khi có thể giải đáp hai câu hỏi “đau đầu” trong xây dựng chiến lược bán hàng. Đó là:

(1) Ai sẽ mua hàng lúc nào với mức giá ra sao?

(2) Chúng ta có thể kết nối những gì khách hàng nghe, đọc, và nhìn thấy với những gì họ sẽ mua và tiêu thụ không?

Theo Giáo sư chuyên ngành Marketing tại Ivey Business School (Canada) – Niraj Dawar thì dự đoán lần mua sắm tiếp theo của người tiêu dùng sẽ là yếu tố quan trọng khi tìm lời giải cho hai câu hỏi trên.

Trên thực tế, marketer dựa vào big data để tìm hiểu sâu và phác thảo chi tiết chân dung của từng người tiêu dùng (personas).

Họ sẽ ghi nhớ mọi nguồn tin tức khách hàng ưa đọc, phân tích kỹ thói quen mua sắm, cũng như phân loại các nhóm sở thích, cảm hứng lẫn khát khao của khách hàng tiềm năng. Khi có được những chân dung chi tiết về từng người tiêu dùng, marketer sẽ dự đoán được ý định mua sắm tiếp theo của họ.

Tuy nhiên, Niraj Dawar cho rằng việc giành được quyết định mua hàng tiếp theo của khách hàng chỉ mang đến lợi thế chiến thuật ngắn hạn.

Và khi các doanh nghiệp cạnh tranh đều có đủ năng lực dự đoán chính xác lần “rút ví” tiếp theo của khách hàng, thì các marketer sẽ cạnh tranh lợi nhuận với nhau ở vùng biên thanh toán. Cuộc chạy đua ngắn hạn này không đảm bảo được lợi thế cạnh tranh bền vững cho doanh nghiệp về dài hạn.

Vì vậy, tác giả của quyển TILT: Shifting your Strategy from Products to Customers (tạm dịch: TILT: Chuyển chiến lược của bạn từ Sản phẩm sang Người tiêu dùng) – Niraj Dawar gợi ý doanh nghiệp chỉ nên kỳ vọng đạt lợi nhuận trên mức trung bình trong cuộc đua doanh số. Hãy chọn đứng giữa những đối thủ bị rơi lại phía sau và những doanh nghiệp lớn đã vượt lên dẫn đầu cuộc chơi.

Thay vào đó, doanh nghiệp sẽ có được lợi thế cạnh tranh bền vững khi chuyển hướng tư duy khai thác Big data theo hướng giải đáp các câu hỏi chiến lược, liên quan đến sự gắn kết, trung thành và mối quan hệ lâu dài với người tiêu dùng.

Big data của bạn sẽ không đơn thuần cung cấp thông tin về yếu tố thúc đẩy khách hàng mua sắm tiếp, mà cần phân tích sâu yếu tố giúp nuôi dưỡng sự trung thành của khách hàng.

Bạn không nên chỉ dừng lại ở mục tiêu xác định mức giá khách hàng sẽ sẵn lòng chi trả trong lần mua sắm kế tiếp, mà hãy hướng đến giá trị sẽ theo khách hàng suốt cuộc đời.

Và đừng chỉ quan tâm đến yếu tố thu hút khách hàng của công ty đối thủ, mà hãy nghĩ đến giải pháp ngăn khách hàng của mình chuyển sang sản phẩm của đối thủ cạnh tranh khi đối phương áp dụng mức giảm giá tốt hơn.

Nói cách khác, doanh nghiệp cần chuyển từ tư duy “dữ liệu lớn có thể làm gì cho công ty” sang “dữ liệu lớn có thể làm gì cho người tiêu dùng”.

Các startup thành công với Big data.

Thông tin từ Big data sẽ giúp doanh nghiệp cải tiến gia tăng giá trị do sản phẩm, dịch vụ hiện tại hoặc tạo ra một dòng sản phẩm, dịch vụ hoàn toàn mới.

Về cải tiến chất lượng dịch vụ, ví dụ phổ biến hiện nay là công cụ gợi ý, so sánh sản phẩm trên các trang thương mại điện tử như Amazon, Netflix. Công cụ này trước hết giúp người tiêu dùng tiết kiệm thời gian lựa chọn sản phẩm.

Ngoài ra, công cụ này còn chạm vào nhu cầu sâu xa hơn của người mua. Đó là nhu cầu muốn biết “tôi có thể rút kinh nghiệm gì từ các khách hàng khác không?”, “làm sao tôi có thể so sánh quyết định mua sắm của mình với người khác?”.

Mặt khác, Big data còn giúp tạo ra những startup có tư duy khai thác dữ liệu mới như:

Startup Opower cho phép khách hàng chia sẻ các hóa đơn sinh hoạt hàng tháng với bạn bè trên Facebook. Điều này giúp người tiêu dùng so sánh mức sử dụng nhiên liệu của mình với bạn bè, người thân.

Startup INRIX thu thập dữ liệu di chuyển từ điện thoại di động của người tiêu dùng và các nguồn thông tin khác để cung cấp báo cáo giao thông theo thời gian thực tế.

Startup Zillow kết hợp thông tin từ nhiều nguồn khác nhau để tổng hợp thành tin tức cập nhật liên quan đến lĩnh vực bất động sản như: thuộc tính nhà đất, các mức giá, các vị trí cạnh tranh… đến người mua, người bán và người môi giới bất động sản.

Cả Opower, INRIX và Zillow đều là ba công ty thuần phát triển dựa trên dữ liệu lớn. Thành công của họ là dấu hiệu đánh thức dành cho các doanh nghiệp khác, rằng: ngày nay, không thể kinh doanh mà thiếu dữ liệu.

Ba câu hỏi thay đổi tư duy khai thác Big data.

Để xác định xem lượng dữ liệu lớn của công ty hiện tại có thể tạo ra giá trị cho khách hàng không, giáo sư Niraj Dawar gợi ý bạn trả lời 3 câu hỏi sau:

1/ Loại thông tin nào sẽ giúp khách hàng của tôi giảm thiểu được chi phí và rủi ro?

Những doanh nghiệp hàng tỷ USD như Yelp, Zagat, TripAdvisor, Uber, eBay, Netflix, và Amazon xử lý một lượng khổng lồ các dữ liệu bao gồm đánh giá xếp hạng dịch vụ của các nhà cung cấp và nhà bán lẻ với mục tiêu giảm thiểu rủi ro cho người tiêu dùng.

Hiện tại, tuy tính năng xếp hạng các nhà bán lẻ theo các mức tốt – khá – tệ đang phổ biến trên website thương mại điện tử, song khách hàng đang có thêm nhu cầu muốn biết: những khách hàng có nhu cầu tương tự như tôi thì nghĩ gì về sản phẩm hoặc dịch vụ này.

Đây là lĩnh vực Big data có thể tham gia vào giúp marketer cải thiện trải nghiệm khách hàng.

2/ Hiện tại, nếu tổng hợp những loại thông tin rải rác nào sẽ giúp tạo ra insight mới về khách hàng?

Ví dụ điển hình cho câu hỏi này là InVenture, một startup mới nổi tại Châu Phi. Tại một quốc gia mà phần đông dân số không có lịch sử tín dụng thì xác minh mức độ tin cậy cho các khoản vay cá nhân là một thử thách lớn.

Để thu hẹp khoảng cách thông tin này, InVenture tổng hợp các dữ liệu sử dụng trên điện thoại di động của người dân. Từ đó, phân tích và kết nối người dùng đến các khoản vay tín dụng phù hợp.

3/ Những điểm khác biệt, đa dạng nào giữa các khách hàng, nếu được tổng hợp lại, sẽ mang đến lợi ích cho họ không?

Ví dụ, một công ty bán nông cụ (hạt giống, phân bón, thuốc trừ sâu…) có thể thu thập dữ liệu từ các nông dân có những phần đất trồng khác nhau.

Thông tin này sẽ giúp công ty xác định và gợi ý cho nông dân những gói sản phẩm có thể phát huy tối đa hiệu quả tùy theo từng điều kiện thời tiết.

Dữ liệu lớn có thể giúp marketer tiếp cận những câu hỏi nền tảng ngoài tầm hiểu biết hiện tại của họ. Song, chỉ khi dùng dữ liệu lớn để tạo ra giá trị mới cho người tiêu dùng thì marketer mới có được lợi thế cạnh tranh bền vững trên thị trường.

Tham gia Cộng đồng We’re Marketer để thảo luận các chủ đề về Marketing và Business tại: Link

 

Hà Anh (Theo HBR)

Tận dụng Small Data để khai thác insights trong thế giới tập trung vào quyền riêng tư

Bên cạnh Big Data (dữ liệu lớn), Small Data (dữ liệu nhỏ) đang ngày càng được quan tâm nhiều hơn khi nói đến việc phân tích dữ liệu người dùng, đặc biệt tại các doanh nghiệp vừa và nhỏ.

Tận dụng Small Data để khai thác insights trong thế giới tập trung vào quyền riêng tư
Source: iStock

Khi chúng ta nghe đến thuật ngữ “trí tuệ nhân tạo” (AI), chúng ta sẽ nghĩ ngay đến dữ liệu lớn (big data) và hàng loạt các nhiệm vụ sàng lọc khối lượng thông tin khổng lồ để có được các thông tin chi tiết chất lượng. Nhiều đột phá về AI trong vài năm qua cũng phụ thuộc rất nhiều vào dữ liệu lớn.

Tuy nhiên, một điều quan trọng khác là các doanh nghiệp cũng cần phải đánh giá cao sức mạnh của dữ liệu nhỏ (small data). Phần dữ liệu thường bị “lãng quên” này sẽ ngày càng trở nên quan trọng hơn bởi GDPR (các quy định về bảo vệ dữ liệu) và kiểm soát quyền riêng tư.

Khi Ông Christian Nielsen và Morten Lund của Đại học California thực hiện một nghiên cứu về cách Sokkelund, một nhà hàng ở Copenhagen đã tăng doanh thu từ 1,1 triệu USD lên 6,1 triệu USD trong vòng hai năm nhờ vào những insight từ dữ liệu nhỏ, họ thấy rằng nhà hàng này đã sắp xếp hợp lý của các luồng dữ liệu hiện có và loại bỏ các quy trình kém hiệu quả trong vô số các hiểu biết sâu sắc (insights) mà họ có được.

Khi số hóa các hoạt động kinh doanh của mình, Sokkelund đã chọn cách dựa vào các dữ liệu nhỏ hơn, dễ quản lý hơn mà nhà hàng đang tạo ra.

  • Những dữ liệu khách hàng, chẳng hạn như thông tin đặt chỗ, suất ăn đã mua, doanh thu trên mỗi chỗ ngồi và sự thay đổi theo mùa trong từng tệp khách hàng – tất cả những thông tin này về cơ bản đều có sẵn và dễ truy cập.
  • Thông tin chuỗi cung ứng cũng được sắp xếp hợp lý để có thể dễ quản lý hơn.
  • Lượng tiêu thụ năng lượng và nước.
  • Số hóa quy hoạch nhân viên.
  • Tận dụng dữ liệu từ các phương tiện truyền thông mạng xã hội và kỹ thuật số.

Bằng cách theo dõi chi tiết từ các dữ liệu được liệt kê ở trên – tất cả bộ phận quản lý của nhà hàng đều có thể dễ dàng truy cập, quản lý và có thể hành động mà không cần đến các dữ liệu lớn hay công nghệ AI tốn kém, Sokkelund có thể đưa ra các quyết định liên quan đến sự phát triển của nhà hàng rất kịp thời.

Dữ liệu nhỏ về cơ bản có thể thiết thực hơn đối với các doanh nghiệp nhỏ hay thậm chí là vừa do tính hiệu quả của nó về mặt chi phí, trong khi vẫn đủ dữ liệu để phân tích.

Trong thời đại GDPR và nhận thức về quyền riêng tư của người tiêu dùng dần được nâng cao, dữ liệu lớn có thể khó tiếp cận hơn đối với các doanh nghiệp, nhưng những thông tin chi tiết từ dữ liệu nhỏ lại có thể thể hiện được sức mạnh của mình.

Dữ liệu nhỏ hay small data là gì?

Trong khi dữ liệu lớn (big data) tập trung vào khối lượng thông tin khổng lồ mà các cá nhân và người tiêu dùng đã tạo ra để sau đó doanh nghiệp sử dụng AI để sàng lọc, dữ liệu nhỏ được tạo thành từ các khối thông tin có kích thước nhỏ, dễ tiếp cận hơn, điều mà doanh nghiệp có thể chuyển tải nhanh nó thành các insights có thể hành động được.

Trong khi dữ liệu lớn có thể là trở ngại đối với các doanh nghiệp vừa và nhỏ do tính chất phi cấu trúc của nó cũng như yêu cầu một khối lượng lớn không gian lưu trữ cần thiết, dữ liệu nhỏ có nhiều sức hấp dẫn ở chỗ nó có thể sẵn sàng được sử dụng ngay mà không cần qua quá nhiều bước xử lý phức tạp.

Tuy nhiên, vì dữ liệu nhỏ thường được lưu trữ trong một công ty, điều cần thiết là các doanh nghiệp phải sử dụng các cấp độ an ninh mạng thích hợp để bảo vệ quyền riêng tư của khách hàng và giữ an toàn cho dữ liệu của họ.

Vì các dữ liệu nhỏ được lưu trữ tập trung (tại doanh nghiệp) nên nó có thể dễ bị tin tặc đánh cắp hơn – trong khi dữ liệu lớn được lưu trữ trên các máy chủ bên ngoài.

Do quy mô dữ liệu bạn đang thu thập là tương đối nhỏ và cụ thể, bạn có thể sử dụng chúng để trả lời các câu hỏi cụ thể hoặc giải quyết các vấn đề mới nảy sinh trong doanh nghiệp.

Dữ liệu này có thể bao gồm bất kỳ thứ gì từ dữ liệu bán hàng, lượt truy cập website, báo cáo hàng tồn kho, dự báo thời tiết, cảnh báo sử dụng hay bất kỳ thứ gì con người có thể truy cập và dễ dàng tìm nạp (lấy dữ liệu về).

Thách thức của dữ liệu nhỏ.

Source: Data Science

Theo các nhà phân tích của Gartner, có tới 70% doanh nghiệp sẽ chuyển trọng tâm từ dữ liệu lớn sang dữ liệu nhỏ và rộng vào năm 2025.

Cũng giống như dữ liệu nhỏ, dữ liệu rộng (wide data) dựa vào việc các doanh nghiệp liên kết các dữ liệu được tạo ra từ nhiều nguồn khác nhau như lưu lượng truy cập website, lượt ghé qua cửa hàng (offline), các tương tác trên mạng xã hội hay các yêu cầu tư vấn qua điện thoại.

Có một số thách thức đi kèm khi sử dụng các dữ liệu nhỏ, đặc biệt là khi liên quan đến việc quản lý sự mất cân bằng về dữ liệu và khó khăn trong việc tối ưu hóa tập dữ liệu nhỏ hơn.

Với suy nghĩ này, những người ra quyết định nên dành nhiều thời gian hơn để xem xét khối lượng dữ liệu mà họ có thể thu thập từ khách hàng trước khi áp dụng các thuật toán máy học phức tạp hơn để sàng lọc dữ liệu.

Công nghệ One-shot learning (học một lần).

Trong khi con người thường có khả năng học hỏi từ một ví dụ duy nhất và có khả năng phân biệt nó với các sự kiện mới một cách chính xác, thì điều này lại rất khó khăn với các máy móc.

Các máy móc hay hệ thống máy học yêu cầu khối lượng lớn dữ liệu được lặp lại để đào tạo chúng và từ đó chúng dần có thể học và phân biệt được.

Tuy nhiên, với công nghệ học một lần (one-shot learning), máy tính có thể học chỉ thông qua một lần duy nhất từ các dữ liệu nhỏ.

Điều này có nghĩa là bằng cách phân tích một tập dữ liệu lớn, công nghệ one-shot learning sẽ học hỏi từ các quy trình của nó và lặp lại chúng trên các tập dữ liệu nhỏ hơn.

Điều này chắc chắn có thể hữu ích cho các doanh nghiệp nhỏ vốn không có quá nhiều dữ liệu để đào tạo máy móc hay AI.

Nói một cách đơn giản, “học một lần” chỉ yêu cầu một tập dữ liệu lớn ban đầu để áp dụng các quy trình của nó cho các tập dữ liệu nhỏ tiếp theo.

Tận dụng các công cụ phân tích để có được các insights từ các dữ liệu nhỏ.

Tận dụng dữ liệu nhỏ có nghĩa là các doanh nghiệp có thể khai thác các nguồn dữ liệu dễ tiếp cận và quản lý hơn như Google Analytics hay Hotjar – cả hai nền tảng đều cung cấp những thông tin chi tiết toàn diện về cách người dùng tương tác với website.

Đối với các doanh nghiệp nhỏ, những thông tin chi tiết từ các dữ liệu nhỏ mà các công cụ phân tích có thể cung cấp có khả năng thúc đẩy mức độ tương tác lớn hơn rất nhiều và các chiến dịch marketing từ đây cũng mang tính chiến lược hơn.

Học hỏi từ AI.

Về mặt kỹ thuật, các mô hình AI có thể học hỏi từ các điểm dữ liệu nhỏ nhờ các thuật toán khám phá dữ liệu (discovery algorithms), đây là một loại thuật toán mới được thiết kế để xác định các thông tin quan trọng của người dùng.

Về mặt kinh doanh, điều này có nghĩa là các thuật toán AI thông thường có thể được “nuôi dưỡng” bởi các dữ liệu nhỏ trên nhiều nguồn khác nhau để xác định các sự kiện được lặp lại hay các insights hữu ích khác.

Khi công nghệ phát triển, AI có thể xác định thêm thông tin chi tiết về người tiêu dùng cho những người làm marketing qua vô số thông tin mà người tiêu dùng đã tạo ra thông qua các điểm tiếp xúc khác nhau trên các kênh.

Mặc dù dữ liệu lớn (big data) đang được nhiều người biết đến, nhưng dữ liệu nhỏ (small data) có thể sẽ nổi lên như một phần thiết yếu của một tương lai bị ràng buộc bởi chính sách GDPR và quyền riêng tư của người dùng.

Tham gia Cộng đồng We’re Marketer để thảo luận các chủ đề về Marketing và Business tại: Link

Tra Nguyen

Amazon: Cách sử dụng Big Data để thấu hiểu khách hàng

Amazon sử dụng Big Data (dữ liệu lớn) thu thập được từ khách hàng trong khi họ duyệt web để xây dựng và tinh chỉnh các công cụ đề xuất (recommendation engine) của mình.

Amazon: Sử dụng Big Data để thấu hiểu khách hàng
Cre: Time Magazine.

Cách Amazon sử dụng Big Data.

Amazon đã phát triển một cách thịnh vượng nhờ áp dụng mô hình “everything under one roof”, tạm dịch: “Có thể bán tất cả mọi thứ tại một nơi duy nhất”.

Tuy nhiên, khi đối mặt với một loạt các lựa chọn như vậy, khách hàng thường có thể cảm thấy choáng ngợp. Amazon trở nên giàu có về dữ liệu, với vô số các lựa chọn, nhưng họ lại thiếu hiểu biết sâu sắc, với rất ít ý tưởng về các quyết định mua hàng của khách hàng.

Để chống lại điều này, Amazon sử dụng Big Data thu thập được từ khách hàng trong khi họ duyệt web để xây dựng và tinh chỉnh các công cụ đề xuất của mình (công cụ đề xuất hay recommendation engine là một trong những công cụ hay hệ thống quan trọng nhất của các sàn thương mại điện tử).

Amazon càng biết nhiều thứ về bạn, thì Amazon càng có thể dự đoán tốt hơn những gì bạn thích và có thể muốn mua.

Và, một khi nhà bán lẻ biết bạn có thể muốn gì, họ có thể hợp lý hóa quá trình thuyết phục bạn mua nó – ví dụ: bằng cách giới thiệu các sản phẩm khác nhau mà bạn có thể thích vì bắt bạn phải tìm kiếm trên toàn bộ các danh mục vốn rất mất thời gian.

Công nghệ đề xuất (recommendation technology) của Amazon dựa trên việc sàng lọc cộng tác, có nghĩa là nó quyết định những gì nó nghĩ bạn muốn bằng cách xây dựng một bức tranh về việc bạn là ai, sau đó cung cấp cho bạn những sản phẩm mà những người có thông tin tương tự đã mua.

Amazon thu thập hầu hết mọi dữ liệu về mọi khách hàng của mình khi họ sử dụng và tương tác trên các website hoặc ứng dụng.

Cũng như những gì bạn mua, Amazon quan sát những gì bạn xem, địa chỉ giao hàng của bạn (Amazon có thể đưa ra một dự đoán chính xác đáng đến mức ngạc nhiên về mức thu nhập của bạn dựa trên nơi bạn sinh sống) và liệu bạn có để lại bất cứ đánh giá hay phản hồi nào hay không.

Hàng tá dữ liệu này được sử dụng để xây dựng một “góc nhìn 360 độ” về bạn với tư cách là một khách hàng cá nhân.

Sau đó, Amazon có thể tìm kiếm những người khác với cùng một phân khúc khách hàng chính xác đó (chẳng hạn như nam giới có việc làm từ 18 đến 45 tuổi, sống trong một căn nhà thuê với thu nhập trên 30.000 USD, những người này thích phim nước ngoài…) và đưa ra đề xuất dựa trên những gì mà những khách hàng khác đã làm.

Chi tiết về yếu tố kỹ thuật.

Amazon thu thập dữ liệu từ người dùng khi họ duyệt web, chẳng hạn như thời gian xem từng trang. Họ cũng sử dụng các bộ dữ liệu bên ngoài, chẳng hạn như dữ liệu điều tra dân số, để thu thập những thông tin chi tiết khác về nhân khẩu học của người dùng.

Hoạt động kinh doanh cốt lõi của Amazon được xử lý trong kho dữ liệu trung tâm (central data warehouse), bao gồm các máy chủ Hewlett-Packard (HP) chạy Oracle trên hệ điều hành Linux.

Những ý tưởng và insights mà bạn có thể học được.

Khi có quá nhiều lựa chọn và quá ít sự hướng dẫn, điều này làm cho khách hàng trở nên choáng ngợp và khiến họ không thể đưa ra các quyết định mua hàng.

Các công cụ đề xuất đơn giản hóa nhiệm vụ dự đoán những gì khách hàng muốn bằng cách lập hồ sơ cho họ và xem những người khác cùng phân khúc tương tự sẽ mua gì.

Theo cách này, họ có được những cái nhìn 360 độ về khách hàng của họ ở cấp độ cá nhân, điều này là nền tảng của mọi dịch vụ khách hàng và marketing theo hướng dữ liệu.

Tham gia Cộng đồng We’re Marketer để thảo luận các chủ đề về Marketing và Business tại: Link

 

Nam Nguyen