Doanh nghiệp tận dụng data để tối ưu hóa việc kinh doanh như thế nào?

Phần 1: Doanh nghiệp tận dụng data để tối ưu hóa việc kinh doanh như thế nào?

Khi nhắc đến việc phân tích dữ liệu để phục vụ cho việc kinh doanh, nhiều người cho rằng việc này chỉ phù hợp với những công ty lớn với hệ thống cơ sở dữ liệu hoàn chỉnh và nguồn nhân lực dồi dào. Tuy nhiên trong thực tế, ngay cả những công ty vừa và nhỏ hay các công ty start-up đều có thể tận dụng dữ liệu của mình để tối ưu hóa hoạt động kinh doanh, đưa ra quyết định sáng suốt và gia tăng lợi thế cạnh tranh của doanh nghiệp mình, miễn data đó hợp lý, đủ nhiều và đủ chính xác.

Cách doanh nghiệp dùng data

Data trong doanh nghiệp có thể được vận dụng để giải quyết 2 bài toán chính:

Tối ưu hóa quy trình kinh doanh (ví dụ: giảm thiểu thời gian sản xuất hàng, giảm tỉ lệ hàng lỗi, tăng năng suất cuộc gọi của nhân viên telesale...)
Tối ưu hóa hiệu quả kinh doanh (ví dụ: tăng doanh thu, giảm chi phí, mở rộng chi nhánh, mở rộng tệp khách hàng...)

Để giải quyết những bài toán kinh doanh đó, doanh nghiệp sẽ sử dụng data như một "bằng chứng" để chứng minh là hướng giải quyết hoặc kết luận của mình là chính xác. Ví dụ:

Tôi thấy mình cần tập trung cho kênh livestream hơn trong 6 tháng tiếp theo để mở rộng doanh thu. Lí do là vì:

Kênh livestream là kênh có tốc độ tăng trưởng doanh thu và số lượng khách hàng mới cao nhất trong công ty trong 3 tháng vừa qua, trong khi các kênh khác không tăng trưởng bằng --> Data này lấy từ nội bộ doanh nghiệp
Tiềm năng của kênh livestream vẫn còn rộng mở, bằng chứng là các sàn TMĐT cho biết họ sẽ tiếp tục đầu tư cho kênh livestream trong thời gian sắp tới --> Data này lấy từ nguồn thứ cấp
Công ty của chúng ta đã có tương đối đầy đủ nguồn lực cho kênh livestream, và có đủ kinh phí để mở rộng thêm ít nhất là 1.5 lần trong 6 tháng tiếp theo --> Data này lấy từ nội bộ doanh nghiệp, và ước lượng chủ quan của người phân tích

Việc sử dụng data để giải quyết các bài toán kinh doanh trong hầu hết trường hợp sẽ giúp bạn đưa ra được quyết định tối ưu, chắc chắn, đáng tin cậy và thuyết phục hơn.

Dù công ty lớn hay nhỏ, thì việc sử dụng data trong doanh nghiệp có thể được mô phỏng như sơ đồ dưới đây:

Case study

Ví dụ thực tế: Giả sử bạn đang làm cho công ty TikTok, KPI của bạn là số lượng TikToker đăng nội dung video hàng ngày. Một ngày nọ, sếp của bạn hỏi rằng: Em ơi, hình như số lượng TikToker đăng video trong tuần này bị giảm 30% so với tuần trước. Lí do là vì sao và bây giờ em đề xuất nên làm gì?

Là một người phân tích dữ liệu, quy trình vận dụng data để phân tích và đưa ra đường hướng chiến lược để tăng số lượng TikToker tạo video trở lại của bạn có thể trông như sau:

Tùy thuộc vào quy mô, mô hình kinh doanh và nhu cầu phân tích mà mỗi doanh nghiệp sẽ có cách vận dụng data khác nhau. Tuy nhiên như các bạn đã thấy thì quy trình phân tích thì sẽ đều là: xác định vấn đề --> lập framework và xác định những câu hỏi cần trả lời --> tìm kiếm data --> xử lí data, phân tích & đưa ra giải pháp --> trình bày phân tích. Việc thấu hiểu quy trình này và sở hữu những bộ kĩ năng để thực hiện từng bước trong quy trình sẽ giúp các bạn vận dụng data tốt hơn để giúp doanh nghiệp cải thiện việc kinh doanh. Trong bài viết sau, chúng ta sẽ đi qua một vài lưu ý trong quy trình này để việc phân tích được hiệu quả hơn, đồng thời giảm thiểu những lỗi sai không đáng có.

Phần 2: Một vài lưu ý khi dùng data để tối ưu hóa việc kinh doanh

Như ở bài trước, chúng ta đã biết là để đảm bảo việc phân tích dữ liệu & đưa ra kết luận được hiệu quả và chính xác, chúng ta sẽ cần phải đảm bảo 3 tiêu chí chính:

Data đủ lớn, sạch & chính xác
Sử dụng công cụ & phương pháp phân tích phù hợp
Đảm bảo tính logic & thực tế của phân tích

Trong bài viết này chúng ta sẽ đi sâu hơn về 3 tiêu chí này, tuy nhiên sẽ không đi quá sâu về phần kĩ thuật

Chất lượng data

Nói một cách đơn giản thì không ai muốn đưa ra kết luận không chính xác chỉ vì data bị sai hoặc không mang tính đại diện. Đó là lí do mà trước khi làm bất kì bài toán phân tích nào, điều đầu tiên chúng ta phải làm đó là kiểm tra chất lượng của data và làm sạch nó.

Chất lượng của data:

Data phải chính xác: Một vài data có thể bị sai về mặt bản chất do quá trình nhập liệu hoặc thu thập data. Ví dụ: dữ liệu doanh thu của chuỗi cà phê nhưng lại chưa thu thập hết tất cả các chi nhánh trên địa bàn; dữ liệu đơn vị là đô la nhưng lại hiểu nhầm thành đồng Việt Nam, dữ liệu số bị sai format,... Data đã sai về mặt bản chất thì không thể sử dụng được, hoặc tính đại diện sẽ không cao
Data phải đủ lớn: data càng ít mẫu thì tính đại diện càng không cao. Ví dụ như trên thị trường có 3 người thích sản phẩm của doanh nghiệp, 7 người không thích. Tuy nhiên khi đi khảo sát thì công ty chỉ khảo sát có 2 người, và 2 người này rơi đúng vào trường hợp không thích sản phẩm. Kết luận đưa ra là 2/2 (100%) người tham gia khảo sát không thích sản phẩm của công ty, điều này là hoàn toàn sai lầm. Lí do là vì số lượng mẫu khi khảo sát chưa đủ lớn, nên không đại diện được cho toàn thể. Tùy thuộc vào bài toán đang phân tích mà người phân tích cần ước lượng số mẫu cho phù hợp, hoặc phân tích với độ sâu dữ liệu cho phù hợp để đảm bảo kết luận mang tính đại diện.

Data phải sạch:

Data không chứa dữ liệu ngoại lai: Dữ liệu ngoại lai là các dữ liệu không có cùng xu hướng với toàn thể mẫu dữ liệu. Ví dụ dữ liệu học sinh tiểu học, có một số em có chiều cao lớn hơn 1m8, hoặc nhỏ hơn 1m, thì được xem là dữ liệu ngoại lai

Data không chứa data lỗi: Data lỗi ở đây có thể là sai định dạng (dữ liệu chiều cao theo cm, nhưng tự nhiên lại có 1 dòng là "một mét ba" --> không cùng kiểu dữ liệu), bị thiếu dữ liệu (dữ liệu rỗng), hoặc dữ liệu bị sai do định dạng, do lỗi nhập liệu v.v. Những dữ liệu này cũng cần được loại ra để không ảnh hưởng đến quá trình phân tích

Một ví dụ về data chưa được làm sạch:

Cột Class, Ticket: loại dữ liệu lộn xộn, không rõ nghĩa
Cột Gender: định nghĩa nam, nữ không đồng nhất
Cột Age: có dữ liệu lỗi & dữ liệu không chính xác
Cột cost: có dữ liệu rỗng & dữ liệu ngoại lai

Kĩ thuật kiểm tra tính đại diện & làm sạch data trước khi sử dụng: có nhiều phương pháp từ thủ công (filter data trên excel và sửa bằng tay) đến tự động (sử dụng hàm & công cụ làm sạch). Hẹn các bạn trong 1 bài viết khác để tránh bài này đỡ dài.

Công cụ phân tích & phương pháp phân tích dữ liệu

Chủ đề này rất dài và tốn giấy mực, vì tùy thuộc vào bài toán, câu hỏi phân tích, loại hình kinh doanh... mà chúng ta sẽ có những công cụ, phương pháp phân tích & đưa ra kết luận khác nhau.

Một vài công cụ phân tích thường dùng trong các doanh nghiệp

Doanh nghiệp nhỏ với nhu cầu phân tích đơn giản: Excel hoặc Google Sheets là lựa chọn phù hợp nhờ tính dễ sử dụng và miễn phí. Tuy nhiên nên biết thêm Power Query cơ bản để dễ tổng hợp & làm sạch dữ liệu khi cần.
Doanh nghiệp cần cộng tác và chia sẻ dữ liệu dễ dàng: Google Sheets là lựa chọn tốt do nhiều người có thể làm việc trên 1 file cùng 1 lúc.
Doanh nghiệp cần phân tích dữ liệu chuyên sâu và trực quan hóa dữ liệu: Power BI là lựa chọn phù hợp do có nhiều tính năng tổng hợp dữ liệu, làm sạch dữ liệu, trực quan hóa và báo cáo. Tuy nhiên cần cân nhắc chi phí.
Doanh nghiệp cần xử lý dữ liệu lớn và có khả năng lập trình: Python là lựa chọn mạnh mẽ, nhưng đòi hỏi đầu tư thời gian học tập. Ngoài ra với các doanh nghiệp này thì nhân viên cần biết thêm SQL để kéo được dữ liệu mong muốn từ database. Về công cụ trực quan hóa thì Power Bi, Taleau hay công cụ nào phù hợp với chi phí và nhu cầu cũng được.

Một vài phương pháp phân tích thường được sử dụng

Phân tích mô tả (Descriptive Analytics):

Tóm tắt và mô tả dữ liệu, giúp doanh nghiệp hiểu rõ hơn về đặc điểm, xu hướng và phân bố của dữ liệu.

Ví dụ:

Phân tích mô tả dữ liệu bán hàng theo sản phẩm, khu vực, thời gian để xác định sản phẩm bán chạy, khu vực tiềm năng và xu hướng mua sắm theo mùa.
Phân tích mô tả dữ liệu lỗi sản phẩm theo dây chuyền sản xuất, nguyên nhân lỗi và thời điểm xảy ra lỗi để cải thiện chất lượng sản phẩm.

Phân tích chẩn đoán (Diagnostic Analytics):

Xác định nguyên nhân gốc rễ của các vấn đề kinh doanh dựa trên dữ liệu.

Ví dụ:

Phân tích chẩn đoán dữ liệu đánh giá khách hàng để xác định nguyên nhân khiến khách hàng không hài lòng và đưa ra giải pháp cải thiện dịch vụ.
Phân tích chẩn đoán dữ liệu giỏ hàng bị bỏ lại để xác định lý do khách hàng không hoàn tất thanh toán và tối ưu hóa trải nghiệm mua sắm.

Phân tích dự đoán (Predictive Analytics):

Dự đoán các xu hướng và sự kiện tương lai dựa trên dữ liệu lịch sử.

Ví dụ:

Phân tích dự đoán dữ liệu bán hàng để dự báo nhu cầu cho từng sản phẩm, giúp tối ưu hóa việc quản lý kho hàng.
Phân tích dự đoán dữ liệu thị trường chứng khoán để dự đoán giá cổ phiếu và đưa ra quyết định đầu tư hiệu quả.

Phân tích đề xuất (Prescriptive Analytics):

Đề xuất các giải pháp tối ưu cho các vấn đề kinh doanh dựa trên dữ liệu.

Ví dụ:

Phân tích đề xuất dữ liệu giao hàng để tối ưu hóa lộ trình giao hàng, giảm thiểu thời gian và chi phí giao hàng.
Phân tích đề xuất dữ liệu giá vé máy bay để tối ưu hóa giá vé cho từng đường bay, thu nhập tối đa cho doanh nghiệp

Đây là 4 phương pháp phân tích dữ liệu thường được sử dụng nhiều nhất. Hẹn các bạn một bài viết khác, chúng ta sẽ bàn luận sâu hơn về cách sử dụng 4 phương pháp này trong thực tế, và các kiến thức các bạn cần trang bị để thực hiện tốt 4 phương pháp này.

Phần 3: Dùng công cụ gì cho việc phân tích dữ liệu?

Việc lựa chọn công cụ phù hợp để phân tích dữ liệu là một quyết định quan trọng ảnh hưởng trực tiếp đến hiệu quả hoạt động và khả năng cạnh tranh của doanh nghiệp. Bài viết này sẽ cung cấp cho bạn thông tin về một số công cụ phân tích dữ liệu phổ biến, cùng với ưu, nhược điểm và chi phí của từng công cụ, để hỗ trợ bạn đưa ra lựa chọn phù hợp nhất cho doanh nghiệp SME của mình. Các bạn yêu thích phân tích dữ liệu nói chung, dù đang làm trong công ty SME hay các công ty lớn, thì cũng đều có thể xem qua bài viết này để có định hướng rõ ràng hơn về các công cụ phân tích bạn nên học.

1. Excel:

Excel thì hầu như ai cũng biết rồi do tính phổ biến rất cao của nó. Ngoài các hàm hỗ trợ xử lí và tính toán dữ liệu như sum, count, vlookup,... thì Excel cũng cung cấp thêm 2 tính năng rất mạnh cho phân tích dữ liệu đó là Pivot Table và Power Query.

Có một lưu ý nhỏ là nếu các bạn dùng Excel nhiều để phân tích thì nên mua máy có hệ điều hành Windows. Excel trên Mac không được thân thiện lắm, và cũng thiếu đi Power Query.

Ưu điểm:

Miễn phí hoặc chi phí thấp: Excel có sẵn trên hầu hết các máy tính và thường đi kèm với bộ cài đặt Microsoft Office.
Dễ sử dụng: Giao diện quen thuộc và thao tác đơn giản giúp người dùng dễ dàng học hỏi và sử dụng. Hầu như tin học văn phòng ai cũng phải học qua Excel nên nếu phải học thêm thì học cũng nhanh và không sợ thiếu tài liệu tiếng Việt.
Tính năng đa dạng: Excel cung cấp nhiều chức năng tính toán, phân tích dữ liệu và khả năng trực quan hóa dữ liệu cơ bản.
Phù hợp cho các doanh nghiệp nhỏ: Với nhu cầu phân tích dữ liệu đơn giản, Excel có thể đáp ứng đầy đủ nhu cầu của nhiều doanh nghiệp SME.

Nhược điểm:

Hạn chế về khả năng xử lý dữ liệu lớn: Excel gặp khó khăn khi xử lý lượng dữ liệu lớn, dẫn đến hiệu suất chậm và khả năng phân tích bị hạn chế. Nếu data của mọi người trên 100k dòng và có quá nhiều cột thì nên cân nhắc sử dụng công cụ khác như Power BI (đọc thêm về Power BI ở phía dưới).
Khó khăn trong việc cộng tác: Việc chia sẻ và cập nhật dữ liệu trong Excel giữa nhiều người dùng có thể gặp nhiều trở ngại. Thông thường muốn chia sẻ file thì phải lưu file lại gửi cho người khác, nên mỗi lần có chỉnh sửa gì thì lại phải cập nhật file mới. Nhìn chung là tính cộng tác không cao bằng Google Sheets.
Thiếu tính năng phân tích nâng cao: Excel không cung cấp các tính năng phân tích dữ liệu chuyên sâu như mô hình học máy hay phân tích dự đoán.

Chi phí: Miễn phí (bản dùng thử) hoặc chi phí thấp khi mua bản quyền Microsoft Office.

2. Google Sheets:

Google Sheets là một sản phẩm của Google, có tính năng gần tương tự như Excel, nên cũng có thể sử dụng tốt cho việc xử lí và phân tích dữ liệu. Tuy nhiên Google Sheets cũng sẽ có một vài ưu điểm và nhược điểm cần phải cân nhắc.

Ưu điểm:

Miễn phí: Google Sheets là công cụ trực tuyến hoàn toàn miễn phí, giúp tiết kiệm chi phí cho doanh nghiệp.
Dễ sử dụng: Giao diện trực quan và thao tác đơn giản tương tự Excel, giúp người dùng dễ dàng học hỏi và sử dụng. Hầu hết các hàm trên Excel đều sử dụng được trên Google, với cú pháp gần như là giống nhau.
Tính năng cộng tác: Google Sheets cho phép nhiều người dùng cùng chỉnh sửa dữ liệu trong thời gian thực, thúc đẩy cộng tác hiệu quả.
Khả năng truy cập từ mọi nơi: Doanh nghiệp có thể truy cập và sử dụng Google Sheets từ mọi thiết bị có kết nối internet.

Nhược điểm:

Hạn chế về tính năng: So với Excel, Google Sheets có ít chức năng phân tích dữ liệu và khả năng trực quan hóa dữ liệu hạn chế hơn.
Khả năng xử lý dữ liệu lớn: Google Sheets có thể gặp khó khăn khi xử lý lượng dữ liệu lớn, hoặc nếu file có quá nhiều người cộng tác cùng một lúc, dẫn đến hiệu suất chậm.
Yêu cầu kết nối internet: Doanh nghiệp cần có kết nối internet để sử dụng Google Sheets, tuy nhiên trong thời đại này thì đây cũng không phải là một trở ngại lớn.

Chi phí: Miễn phí.

3. Power BI:

Sản phẩm của Microsoft nên có giao diện dễ sử dụng, mang phong cách của Microsoft Office. Công cụ này cũng có tương thích tốt với Excel. Tuy nhiên Power BI không sử dụng được trên Macbook, các bạn muốn sử dụng trên Macbook sẽ cần tải phần mềm giả lập Windows.

Các bạn muốn học 1 công cụ trực quan hóa dữ liệu thì có thể bắt đầu với Power BI vì tính dễ sử dụng, và miễn phí (bản dùng thử) của nó.

Ưu điểm:

Khả năng kết nối dữ liệu đa dạng: Power BI có thể kết nối với nhiều nguồn dữ liệu khác nhau như Excel, SQL Server, Google Analytics, v.v. Do đó nếu dữ liệu của bạn ở nhiều nguồn hoặc nhiều file khác nhau, lượng dữ liệu tương đối lớn thì có thể cân nhắc sử dụng Power BI
Tính năng trực quan hóa dữ liệu mạnh mẽ: Power BI cung cấp nhiều biểu đồ, đồ thị và khả năng trực quan hóa dữ liệu chuyên nghiệp.
Tính năng phân tích dữ liệu nâng cao: Power BI hỗ trợ nhiều tính năng phân tích dữ liệu như phân tích xu hướng, phân tích nhóm, phân tích dự đoán.
Dễ dàng chia sẻ báo cáo: Power BI cho phép tạo và chia sẻ báo cáo phân tích dữ liệu trực quan một cách dễ dàng.

Nhược điểm:

Chi phí: Power BI có phiên bản miễn phí với tính năng hạn chế (ví dụ như không chia sẻ báo cáo trực tuyến cho nhiều người được), phiên bản Pro và Premium có chi phí cao hơn.
Đường cong học tập: Power BI có nhiều tính năng nâng cao, đòi hỏi người dùng cần đầu tư thời gian học tập để sử dụng. Nếu muốn sử dụng Power BI hiệu quả thì sẽ cần phải học thêm code DAX để viết các hàm chuyên sâu (tuy nhiên cũng không quá khó, vì nó có điểm giống với hàm Excel).

Chi phí: Miễn phí (bản dùng thử); Phiên bản Pro: $9.99/người dùng/tháng; Phiên bản Premium: $49.99/người dùng/tháng (chi phí tham khảo, có thể thay đổi tùy theo quốc gia và thời điểm).

4. Tableau:

Một đối thủ cạnh tranh với Power BI đó là Tableau, cũng cung cấp các giải pháp phân tích và trực quan hóa dữ liệu mạnh mẽ.

Ưu điểm: Nhìn chung thì hầu hết ưu điểm của Power BI cũng là ưu điểm của Tableau.

Giao diện kéo thả trực quan: Tableau cung cấp giao diện kéo thả trực quan, giúp người dùng dễ dàng tạo các biểu đồ, đồ thị và báo cáo phân tích dữ liệu.
Khả năng phân tích dữ liệu đa chiều: Tableau hỗ trợ phân tích dữ liệu theo nhiều góc nhìn khác nhau, giúp doanh nghiệp khai thác sâu hơn về insights (phân tích chuyên sâu) từ dữ liệu.
Tính năng chia sẻ báo cáo: Tableau cho phép tạo và chia sẻ báo cáo phân tích dữ liệu một cách chuyên nghiệp và dễ dàng.

Nhược điểm:

Chi phí: Tableau có chi phí bản quyền cao, có thể là gánh nặng cho các doanh nghiệp SME.

Chi phí:

Phiên bản Creator: $70/người dùng/tháng;
Phiên bản Explorer: $35/người dùng/tháng (chi phí tham khảo, có thể thay đổi tùy theo quốc gia và thời điểm).

5. Python:

Sau khi đã học xong các công cụ phân tích dữ liệu phía trên, nếu các bạn có nhu cầu phân tích dữ liệu chuyên sâu, phân tích dữ liệu lớn, hoặc tự động hóa công việc thì có thể cân nhắc sử dụng thêm Python.

Ưu điểm:

Miễn phí: Python là ngôn ngữ lập trình mã nguồn mở hoàn toàn miễn phí.
Cộng đồng lớn: Python có cộng đồng người dùng và nhà phát triển lớn, cung cấp nhiều tài nguyên hỗ trợ và thư viện phân tích dữ liệu phong phú.
Khả năng xử lý dữ liệu lớn: Python có khả năng xử lý và phân tích lượng dữ liệu lớn hiệu quả nhờ các thư viện chuyên dụng như Pandas và NumPy. Python cũng thường được sử dụng cho các bài toán về dữ liệu chuyên sâu như Machine Learning hay AI.
Tính linh hoạt cao: Python cho phép tùy chỉnh và xây dựng các giải pháp phân tích dữ liệu theo nhu cầu cụ thể của doanh nghiệp.

Nhược điểm:

Đường cong học tập dốc: Python đòi hỏi người dùng có kiến thức lập trình nhất định, dẫn đến thời gian học tập lâu hơn so với các công cụ khác.
Yêu cầu kỹ thuật: Doanh nghiệp có thể cần thuê chuyên gia phân tích dữ liệu có kỹ năng lập trình Python để tận dụng tối đa sức mạnh của công cụ này.

Chi phí: Miễn phí.

Lời kết

Tùy thuộc vào quy mô và nhu cầu của doanh nghiệp mà bạn có thể cân nhắc sử dụng các công cụ phân tích dữ liệu khác nhau. Doanh nghiệp SME nên đánh giá nhu cầu phân tích dữ liệu thực tế của mình, nguồn lực sẵn có (nhân sự, ngân sách) và khả năng công nghệ trước khi lựa chọn công cụ phù hợp. Nên cân nhắc bắt đầu với các công cụ miễn phí như Excel, Google Sheets hoặc Power BI phiên bản miễn phí để làm quen với phân tích dữ liệu. Sau đó, khi nhu cầu gia tăng, doanh nghiệp có thể nâng cấp lên các công cụ trả phí mạnh mẽ hơn như Python hoặc Tableau.

Doanh nghiệp nhỏ với nhu cầu phân tích đơn giản: Excel hoặc Google Sheets là lựa chọn phù hợp nhờ tính dễ sử dụng và miễn phí. Tuy nhiên nên biết thêm Power Query cơ bản để dễ tổng hợp & làm sạch dữ liệu khi cần.
Doanh nghiệp cần cộng tác và chia sẻ dữ liệu dễ dàng: Google Sheets là lựa chọn tốt do nhiều người có thể làm việc trên 1 file cùng 1 lúc.
Doanh nghiệp cần phân tích dữ liệu chuyên sâu và trực quan hóa dữ liệu: Power BI là lựa chọn phù hợp do có nhiều tính năng tổng hợp dữ liệu, làm sạch dữ liệu, trực quan hóa và báo cáo. Tuy nhiên cần cân nhắc chi phí.
Doanh nghiệp cần xử lý dữ liệu lớn và có khả năng lập trình: Python là lựa chọn mạnh mẽ, nhưng đòi hỏi đầu tư thời gian học tập. Ngoài ra với các doanh nghiệp này thì nhân viên cần biết thêm SQL để kéo được dữ liệu mong muốn từ database. Về công cụ trực quan hóa thì Power Bi, Taleau hay công cụ nào phù hợp với chi phí và nhu cầu cũng được.

Ngoài ra, các doanh nghiệp SME cũng có thể cân nhắc các giải pháp phân tích dữ liệu do các công ty Việt Nam phát triển. Nhiều giải pháp này có chi phí hợp lý, giao diện tiếng Việt và hỗ trợ kỹ thuật tốt, phù hợp với nhu cầu của các doanh nghiệp này.Ngoài ra nếu bạn là nhân viên các công ty lớn, có hệ thống cơ sở dữ liệu (database) hoàn chỉnh thì nên cân nhắc học thêm SQL để biết cách trích xuất dữ liệu để sử dụng cho việc phân tích.