Tương lai ngành phân tích dữ liệu: AI đang định hình lại vai trò của chuyên viên phân tích

Vai trò Chuyên viên phân tích dữ liệu (Data Analyst) đã bị tuyên bố là "đã chết" nhiều lần đến mức không thể đếm xuể. AI sẽ viết truy vấn, xây dựng bảng điều khiển (dashboard) và tạo ra các thông tin chi tiết (insight). Vậy tại sao còn phải bận tâm thuê các chuyên viên phân tích làm gì?

Bởi vì lập luận đó đã nhầm lẫn giữa nhiệm vụ và công việc.

Thứ thực sự đang được tự động hóa chính là những công việc tiêu tốn thời gian của các chuyên viên phân tích nhưng không bao giờ mang lại giá trị kinh doanh: xử lý dữ liệu, xây dựng lại bảng điều khiển cho từng bên liên quan mới, viết SQL đặc thù cho các yêu cầu dùng một lần. Những chuyên viên phân tích chỉ làm những việc đó đang bị thay thế bởi tự động hóa. Ngược lại, những chuyên viên phân tích biết định hình các vấn đề kinh doanh và thúc đẩy các quyết định đang ngày càng trở nên giá trị hơn.

Đây không phải là một dự đoán. Nó đang thực sự diễn ra. Và trong bài viết này, chúng tôi sẽ giải thích lý do tại sao AI không chấm dứt vai trò của chuyên viên phân tích; mà nó đang khôi phục vai trò này về đúng vị thế vốn có.

Với kinh nghiệm cá nhân, chúng tôi đã tuyển dụng hơn 50 chuyên viên phân tích, dẫn dắt các nhóm thực thi đa ngành và thiết kế các khung quyết định hỗ trợ bởi AI trong nhiều lĩnh vực. Gần đây, khi trao đổi với nhau, chúng tôi nhận thấy một mô hình chung luôn xuất hiện: những chuyên viên phân tích thành công không phải là những người viết SQL giỏi nhất. Họ là những người đặt ra những câu hỏi hay nhất.

Các nền tảng như Databricks AI/BI đang hội tụ về hướng phân tích dựa trên ngôn ngữ tự nhiên. Bạn có thể mô tả những gì mình muốn bằng tiếng Anh thông thường và nhận được một bảng điều khiển, một chỉ số hoặc một thông tin chi tiết. Các công cụ Text-to-SQL đang giải quyết một vấn đề mà ngành công nghiệp đã phải vật lộn trong nhiều thập kỷ: thời gian và kiến thức kỹ thuật cần thiết để đi từ một câu hỏi đến kết quả đầu ra. Đó là một thắng lợi thực sự. Nhưng việc thu hẹp khoảng cách này chỉ làm nổi bật thêm khía cạnh vốn dĩ quan trọng hơn – chất lượng của chính thông tin chi tiết đó. Luôn luôn tồn tại, và sẽ mãi tồn tại, một khoảng cách khác: biết được ngay từ đầu mình cần đặt câu hỏi gì. Bước quan trọng nhất để trở thành một chuyên viên phân tích dữ liệu giỏi không chỉ là trả lời những gì được hỏi, mà là tinh chỉnh và định hình để đạt được sự hiểu biết về những gì thực sự cần được giải đáp. Đã bao nhiêu lần bạn được yêu cầu lấy dữ liệu cho một điểm dữ liệu, để rồi sau đó mới phát hiện ra rằng đó không thực sự là điều doanh nghiệp đang cố gắng đánh giá?

Chúng ta đã đến đây như thế nào: Cái bẫy công cụ BI

Đây là một quá trình chậm chạp và dần dần. Ban đầu, các chuyên viên phân tích đóng vai trò là cầu nối giữa doanh nghiệp và các nhóm CNTT sở hữu Kho dữ liệu (Data Warehouse), đôi khi hoạt động giống như các Chuyên viên phân tích nghiệp vụ (Business Analyst). Nhưng sau đó, với sự ra đời của các công cụ như QlikView, Power BI và Tableau, các nhóm phân tích hướng nghiệp vụ này không còn bị ràng buộc vào các kho dữ liệu cũ để tạo ra bảng điều khiển của họ nữa. Điều này cho phép lặp lại nhanh chóng nhưng lại dẫn đến một loạt vấn đề khác.

Các chuyên viên phân tích trở thành người xây dựng bảng điều khiển và người sửa lỗi dữ liệu, đôi khi hoạt động như một bộ phận CNTT ngầm (shadow-IT). Đột nhiên, vai trò này không còn đòi hỏi họ chỉ cần là những người giao tiếp giỏi, hiểu được giá trị dữ liệu của doanh nghiệp. Thời gian của họ bị tiêu tốn bởi:

Kỹ năng mà các tổ chức thực sự cần, đó là định hình vấn đề kinh doanh, đã không được phát triển. Các chuyên viên phân tích luôn bận rộn và quá tải, nhưng thường gặp khó khăn trong việc chứng minh giá trị của mình. Tất cả chúng ta đều đã chứng kiến vô số đợt tái cơ cấu trong các nhóm dữ liệu, khi mọi người chật vật tìm cách hiểu giá trị của chính họ.

Có một sự căng thẳng dai dẳng nằm ở cốt lõi của vai trò này: các chuyên gia kỹ thuật thường rất kém trong việc hiểu về kinh doanh, trong khi những người am hiểu kinh doanh lại ít có khả năng mạnh về kỹ thuật. Các tổ chức đã cố gắng giải quyết vấn đề này bằng cách thuê những người có thể làm cả hai, nhưng những người như vậy rất hiếm. Chúng tôi đã thấy điều này trong suốt quá trình làm việc của mình. Thông thường, các nhà lãnh đạo chọn cách kết hợp các kỹ năng trong nhóm thay vì kỹ năng cá nhân, tức là có một số người rất giỏi kỹ thuật nhưng không mạnh về bối cảnh kinh doanh và những người ít kỹ thuật hơn nhưng mạnh về giao tiếp. Tuy nhiên, trong các nhóm nhỏ, điều này thường dẫn đến việc các cá nhân cảm thấy bất mãn với vai trò của mình, khi cả hai nhóm người đều phải đảm nhận cả hai loại công việc. Những người tập trung vào kinh doanh cảm thấy thất vọng vì các thách thức kỹ thuật, còn nhân viên kỹ thuật lại thất vọng vì phải làm việc với bộ phận kinh doanh. Phần lớn điều này đã dẫn đến các nhóm phân tích chỉ tập trung vào việc hiển thị dữ liệu thay vì trả lời các câu hỏi. Giá trị cốt lõi của phân tích, là biến thông tin thành quyết định, đã bị pha loãng bởi các thao tác đưa dữ liệu từ A đến B.

Kết quả của việc này là một thế hệ chuyên viên phân tích có thể cho bạn biết điều gì đã xảy ra, nhưng không thể giải thích tại sao nó quan trọng hoặc phải làm gì với nó.

AI đơn giản hóa mọi thứ một lần nữa

Mỗi làn sóng công cụ đều hứa hẹn giải phóng các chuyên viên phân tích khỏi các thao tác thực thi. Trên thực tế, nó lại chôn vùi họ sâu hơn. AI thay đổi điều này. Không phải bằng cách thay thế các chuyên viên phân tích, mà bằng cách tự động hóa những công việc đã chôn vùi họ.

Các nền tảng như AI/BI Dashboards với Genie Code cho phép người dùng mô tả những gì họ muốn bằng tiếng Anh thông thường và nhận được một bảng điều khiển hoạt động ổn định, phong cách nhất quán chỉ trong vài phút. Các giao diện ngôn ngữ tự nhiên như Genie One đồng nghĩa với việc các bên liên quan có thể đặt câu hỏi đặc thù trực tiếp mà không cần gửi yêu cầu hay chờ đợi trong hàng đợi. Các định nghĩa chỉ số có thể được tạo và tinh chỉnh tự động, với AI đóng vai trò như một huấn luyện viên để mài giũa chúng dựa trên nhu cầu kinh doanh thực tế. Đây không phải là những cải tiến gia tăng. Chúng loại bỏ toàn bộ các loại ma sát mà theo thời gian, đã làm biến dạng vai trò của chuyên viên phân tích đến mức không thể nhận ra. Các tác vụ kỹ thuật đã trở thành hàng hóa phổ thông.

Chúng tôi đã thấy điều này diễn ra trong thực tế. Một chuyên viên phân tích tại một tổ chức khu vực công cần xây dựng mô hình phân khúc khách hàng, một công việc trước đây mất hai tháng bao gồm phát triển SQL, chuẩn bị dữ liệu và các chu kỳ lặp lại với bộ phận kỹ thuật. Sử dụng Genie Code, họ đã hoàn thành nó trong nửa ngày. AI xử lý việc thực thi kỹ thuật; chuyên viên phân tích tập trung vào việc xác định các phân khúc thực sự quan trọng đối với doanh nghiệp. Đó chính là sự thay đổi: không phải ít chuyên viên phân tích hơn, mà là các chuyên viên phân tích dành thời gian cho những công việc thực sự tạo ra tác động.

Nhưng tốc độ đơn thuần không phải là giá trị. Một AI trả lời sai câu hỏi một cách hoàn hảo thì vẫn là sai. Điều mà làn sóng công cụ mới này làm rõ là nút thắt trong phân tích chưa bao giờ nằm ở SQL hay bảng điều khiển. Nó luôn luôn nằm ở khả năng phán đoán. Vẫn cần có ai đó để:

AI không làm bất kỳ điều nào trong số đó. Đó là công việc của chuyên viên phân tích. Nó vẫn luôn như vậy, chỉ là chúng ta chưa bao giờ cho họ thời gian để làm điều đó.

AI đơn giản hóa việc thực thi. Nó không sở hữu ý định, trách nhiệm giải trình hay hệ quả. Trách nhiệm đó vẫn thuộc về con người.

“Với việc AI tăng cường các quy trình và tự động hóa các tác vụ định kỳ, khả năng phán đoán, trách nhiệm giải trình và quyền sở hữu quyết định của con người vẫn là trung tâm” - Capgemini Research Institute, The multi-year AI advantage: Building the enterprise of tomorrow, tr.6

Và đây là nơi vai trò của chuyên viên phân tích không biến mất, mà tái xuất hiện.

Chuyên viên phân tích tái sinh: Ít SQL hơn, nhiều câu hỏi "Thì sao?" hơn

Với các tác vụ kỹ thuật được tự động hóa, giá trị của chuyên viên phân tích chuyển sang những công việc mà chỉ con người mới có thể làm:

Cấu trúc vấn đề

Điều giá trị nhất mà một chuyên viên phân tích có thể làm là giúp các bên liên quan làm rõ câu hỏi đúng trước khi bất kỳ ai chạm vào dữ liệu. Điều này khó hơn vẻ ngoài của nó: Capgemini Research Institute nhận thấy rằng "chỉ 33% các nhà lãnh đạo có thể diễn đạt nhu cầu của họ với một hệ thống Gen AI". Nếu bạn cần đo lường một chiến dịch tiếp thị, việc đo lường tỷ lệ nhấp (click-through rate) nghe có vẻ tuyệt vời, và bạn có thể yêu cầu AI đo lường điều này cho mình và tin rằng bạn đã có một chiến dịch thành công. Nếu bạn là người phát triển chiến dịch đó, bạn có thể không cần đặt câu hỏi thêm. Nhưng có thể bạn đã không đặt đúng câu hỏi. Nếu email đó cung cấp mức giảm giá 90% thì sao? Khi đó, bạn cũng sẽ cần phải xem xét bức tranh doanh thu tổng thể. Chuyên viên phân tích là cần thiết để giúp định hình vấn đề và đóng vai trò phản biện, và không cần phải biết SQL, chuyên viên phân tích có thể tập trung vào việc hiểu doanh nghiệp và đóng vai trò như một người phiên dịch.

Bối cảnh và phán đoán

Một con số không có bối cảnh chỉ là một con số. Một chuyên viên phân tích am hiểu doanh nghiệp có thể cho bạn biết rằng mức giảm 5% trong tỷ lệ giữ chân khách hàng là đáng báo động, nhưng mức giảm 5% trong một chỉ số mà định nghĩa của nó vừa bị thay đổi lại là vô nghĩa. AI không có nhận thức về bối cảnh đó. Một chuyên viên phân tích giỏi thì có.

Đây là ý nghĩa của kiến thức chuyên môn (domain knowledge) trong thực tế. Không chỉ là sự quen thuộc với ngành, mà là biết rằng sự tăng vọt doanh thu của quý trước là do một chương trình khuyến mãi dùng một lần. Hoặc việc di chuyển một tài khoản chính đang làm sai lệch dữ liệu. Hoặc một trường dữ liệu cụ thể đã được sửa thủ công trong CRM trong nhiều năm vì hệ thống thượng nguồn chưa bao giờ được sửa chữa. AI không có ký ức về bất kỳ điều nào trong số này.

Khi AI mở rộng quy mô về khối lượng và tốc độ tạo ra thông tin chi tiết, khoảng cách này không thu hẹp lại; nó ngày càng rộng ra. AI tạo ra càng nhiều kết quả đầu ra, bạn càng cần một người có thể đối chiếu từng kết quả với thực tế của tổ chức và đặt câu hỏi liệu nó có thực sự hợp lý hay không. Sự diễn giải của con người chính là phương thuốc khắc phục hai lỗ hổng lớn nhất của AI:

Chuyên viên phân tích với kiến thức chuyên môn sâu sắc là người nhìn vào một bảng điều khiển được định dạng hoàn hảo và nói: "Con số này sai, và tôi biết chính xác tại sao". Khả năng đó không phải là một câu lệnh (prompt). Nó được xây dựng dựa trên nhiều năm quen thuộc với doanh nghiệp.

Kể chuyện và gây ảnh hưởng

Dữ liệu không thúc đẩy các quyết định; những câu chuyện mới làm được điều đó. Công việc của chuyên viên phân tích không phải là trình bày một bảng số liệu. Đó là bước vào phòng và nói: "Đây là những gì đang xảy ra, đây là lý do tại sao, và đây là những gì tôi nghĩ chúng ta nên làm". Nghiên cứu cho thấy việc kết hợp dữ liệu định tính và định lượng luôn có sức thuyết phục hơn là chỉ dùng các con số; mọi người ghi nhớ những câu chuyện, không phải số liệu thống kê (Heath & Heath, Made to Stick). Để đi đến quyết định kinh doanh đúng đắn đòi hỏi kỹ năng thuyết phục mạnh mẽ và sự hiểu biết về đối tượng khán giả (HBR: Data Science and the art of persuasion). Không có LLM nào thay thế được điều đó trong phòng họp.

Quản trị và niềm tin

Khi AI tạo ra nhiều thông tin chi tiết hơn, cần có ai đó đảm bảo rằng chúng có cơ sở, có thể kiểm toán và chính xác. Cùng với một công cụ lập danh mục tốt như Unity Catalog, chuyên viên phân tích trở thành lớp kiểm soát chất lượng, giám tuyển các kết quả đầu ra của AI, xác thực chúng dựa trên kiến thức chuyên môn và gắn cờ khi mô hình bị "ảo giác" hoặc dữ liệu bị sai. Vấn đề sau là một vấn đề rất phổ biến. Rất nhiều dữ liệu không tinh khiết. Nhập liệu thủ công, các giá trị tra cứu mới, các sự kiện ngoài hệ thống. Tất cả những điều này tạo ra nhiễu mà AI không nhận thức được. Chuyên viên phân tích giỏi biết điều này và xử lý dữ liệu cho phù hợp.

Điều phối

Chuyên viên phân tích hiện đại không viết SQL; họ điều phối các tác nhân AI thực hiện việc đó. Họ giám tuyển các không gian Genie, xác định các chỉ số đúng, cấu trúc các cơ sở tri thức và thiết kế các quy trình phân tích. Hãy nghĩ về nó như việc chuyển từ người chơi sang huấn luyện viên, đó mới chính là vị trí mà họ nên đảm nhận ngay từ đầu.