TIỂU LUẬN

I. Tổng quan
1. Khái quát về khoa học dữ liệu
2. Ứng dụng của khoa học dữ liệu
II. Áp dụng khoa học dữ liệu trong kinh doanh
1. Tổng quan về áp dụng khoa học dữ liệu trong kinh doanh
1.1. Áp dụng khoa học dữ liệu trong kinh doanh là gì?
1.2. Quy trình thực hiện
2. Cơ hội và thách thức
2.1. Đối với doanh nghiệp
2.2. Đối với người lao động
3. Liên hệ thực tiễn với doanh nghiệp ( Amazon dùng big data tiếp cận với người dùng)
III. Giải pháp phát triển xu hướng áp dụng khoa học dữ liệu trong kinh doanh ( Việt Nam)

Khoa học dữ liệu đang trở thành một công cụ quan trọng trong kinh doanh, giúp các tổ chức tìm ra những
thông tin hữu ích và tối ưu hóa quyết định. Tuy nhiên, việc áp dụng khoa học dữ liệu trong kinh doanh cũng
đặt ra nhiều thách thức. Dưới đây là một số cơ hội và thách thức của việc áp dụng khoa học dữ liệu trong kinh
doanh:

Cơ hội:

1. Tối ưu hóa quyết định: Khoa học dữ liệu giúp các tổ chức tìm ra những thông tin hữu ích và tối ưu
hóa quyết định.
2. Phát hiện xu hướng và dự báo: Khoa học dữ liệu giúp các tổ chức phát hiện xu hướng và dự báo
tương lai, giúp họ đưa ra quyết định đúng đắn.
3. Tăng cường khả năng cạnh tranh: Khoa học dữ liệu giúp các tổ chức tăng cường khả năng cạnh
tranh bằng cách tìm ra những cơ hội mới và tối ưu hóa chiến lược kinh doanh.

Thách thức:

1. Dữ liệu không chính xác hoặc không đầy đủ: Dữ liệu không chính xác hoặc không đầy đủ có thể
dẫn đến quyết định sai lầm.
2. Bảo mật dữ liệu: Bảo mật dữ liệu là một vấn đề quan trọng khi áp dụng khoa học dữ liệu trong kinh
doanh.
3. Khó khăn trong việc tích hợp dữ liệu: Dữ liệu thường được lưu trữ ở nhiều nơi khác nhau và có
định dạng khác nhau, điều này có thể gây khó khăn trong việc tích hợp dữ liệu.

Hy vọng điều này giúp bạn hiểu rõ hơn về cơ hội và thách thức của việc áp dụng khoa học dữ liệu trong kinh
doanh1

Cơ hội:
 1. Hiểu rõ hơn về khách hàng: Khoa học dữ liệu giúp doanh nghiệp phân tích dữ
liệu khách hàng để hiểu rõ hơn về hành vi, sở thích và nhu cầu của họ. Điều này
giúp tối ưu hóa chiến lược tiếp thị và cung cấp sản phẩm/dịch vụ phù hợp.
2. Tối ưu hóa chiến lược giá cả: Phân tích dữ liệu có thể giúp doanh nghiệp xác
định mức giá tối ưu cho sản phẩm hoặc dịch vụ của mình, dựa trên sự hiểu biết
về thị trường và khách hàng.
3. Dự báo và quản lý rủi ro: Khoa học dữ liệu có thể được sử dụng để dự đoán xu
hướng thị trường, biến động giá cả và rủi ro kinh doanh, giúp doanh nghiệp
chuẩn bị trước và đưa ra quyết định dựa trên thông tin có cơ sở.
4. Tối ưu hóa chuỗi cung ứng: Phân tích dữ liệu có thể giúp doanh nghiệp cải
thiện hiệu suất của chuỗi cung ứng bằng cách tối ưu hóa quy trình sản xuất, dự
đoán nhu cầu và quản lý tồn kho.
5. Tăng cường trải nghiệm khách hàng: Sử dụng dữ liệu để cá nhân hóa trải
nghiệm khách hàng, từ việc tư vấn sản phẩm đến dịch vụ hỗ trợ, có thể tăng
cường sự hài lòng của khách hàng.

Thách thức:

1. Quản lý và bảo mật dữ liệu: Với việc sử dụng lượng lớn dữ liệu, quản lý và bảo
mật thông tin trở thành một thách thức quan trọng để tránh rủi ro về an ninh
thông tin và tuân thủ các quy định về bảo vệ dữ liệu.
2. Chất lượng dữ liệu: Sự chất lượng của dữ liệu ảnh hưởng trực tiếp đến chất
lượng của kết quả phân tích. Nếu dữ liệu không chính xác hoặc không đầy đủ,
các quyết định dựa trên nó có thể làm suy giảm giá trị thực tế.
3. Nguy cơ thiếu sự hiểu biết: Đôi khi, doanh nghiệp có thể tỏ ra thiếu sự hiểu
biết về cách sử dụng kết quả của khoa học dữ liệu. Điều này có thể dẫn đến việc
đưa ra quyết định sai lầm hoặc không tận dụng được cơ hội một cách hiệu quả.
4. Chi phí và đào tạo: Triển khai và duy trì hệ thống khoa học dữ liệu có thể đòi
hỏi chi phí đáng kể. Đồng thời, đào tạo nhân sự để hiểu và sử dụng các công
nghệ này cũng là một thách thức.
5. Thách thức về đạo đức: Sử dụng dữ liệu có thể tạo ra những vấn đề đạo đức,
đặc biệt là liên quan đến quyền riêng tư. Việc đảm bảo tính minh bạch và công
bằng trong việc sử dụng dữ liệu là một thách thức quan trọng.

Tổng cộng, áp dụng khoa học dữ liệu trong kinh doanh đòi hỏi sự cân nhắc kỹ lưỡng và
quản lý thông tin một cách chặt chẽ để có thể tận dụng hết cơ hội và đối mặt với thách
thức một cách hiệu quả.
Mặc dù khoa học dữ liệu có thể giúp doanh nghiệp tối ưu quy trình làm việc, đánh giá hiệu quả kinh doanh sát
sao và cải thiện trải nghiệm khách hàng hiệu quả 12, nhưng nó cũng có một số nhược điểm như sau:
1. Dữ liệu không chính xác: Khoa học dữ liệu chỉ có thể phân tích dữ liệu chính xác và đáng tin cậy.
Nếu dữ liệu không chính xác hoặc không đầy đủ, kết quả phân tích sẽ không chính xác và có thể dẫn
đến quyết định sai lầm.
2. Bảo mật dữ liệu: Khoa học dữ liệu đòi hỏi sử dụng dữ liệu của khách hàng và doanh nghiệp. Do đó,
bảo mật dữ liệu là một vấn đề quan trọng. Nếu dữ liệu bị rò rỉ hoặc bị đánh cắp, nó có thể gây ra thiệt
hại nghiêm trọng cho doanh nghiệp.
3. Chi phí đầu tư: Khoa học dữ liệu đòi hỏi đầu tư chi phí lớn để thu thập, lưu trữ và phân tích dữ liệu.
Do đó, việc triển khai khoa học dữ liệu có thể tốn kém và không phải lúc nào cũng mang lại lợi nhuận.
4. Không thể thay thế con người: Khoa học dữ liệu có thể giúp doanh nghiệp đưa ra quyết định dựa
trên dữ liệu. Tuy nhiên, nó không thể thay thế con người trong việc đưa ra quyết định cuối cùng. Con
người vẫn là yếu tố quan trọng nhất trong việc đưa ra quyết định cuối cùng.
Tuy nhiên, nếu được sử dụng đúng cách, khoa học dữ liệu có thể giúp doanh nghiệp tăng trưởng và phát triển
một cách bền vững 1
Mặc dù khoa học dữ liệu mang lại nhiều lợi ích trong kinh doanh, nhưng cũng có những
nhược điểm cần được xem xét. Dưới đây là một số nhược điểm chung khi áp dụng khoa
học dữ liệu trong kinh doanh:

1. Chi phí đầu tư cao: Triển khai và duy trì hệ thống khoa học dữ liệu đòi hỏi một
nguồn lực đáng kể, từ chi phí phần cứng và phần mềm đến chi phí nhân sự có
chuyên môn cao.
2. Khó khăn trong quá trình tích hợp dữ liệu: Dữ liệu thường phải được tổng hợp
từ nhiều nguồn khác nhau, và quá trình này có thể phức tạp và tốn thời gian. Sự
không nhất quán và chất lượng dữ liệu kém có thể ảnh hưởng đến chất lượng
của mô hình dự đoán.
3. Bảo mật và quyền riêng tư: Với việc sử dụng dữ liệu lớn, có nguy cơ rủi ro lớn
về bảo mật thông tin cá nhân và vi phạm quyền riêng tư. Điều này đặt ra những
thách thức lớn về tuân thủ các quy định và chính sách bảo mật.
4. Khả năng hiểu biết giới hạn: Khoa học dữ liệu có thể đưa ra dự đoán chính xác,
nhưng quá trình "giải thích" tại sao một mô hình ra quyết định cụ thể có thể là
một thách thức. Điều này làm giảm khả năng hiểu biết của người dùng về quyết
định của hệ thống.
5. Nguy cơ chuẩn hóa và thiếu sáng tạo: Việc dựa quá nhiều vào dữ liệu có sẵn
có thể dẫn đến việc lạc quan rằng các mô hình chỉ có thể đưa ra dự đoán chính
xác dựa trên các xu hướng hiện tại mà không có sự sáng tạo mới.
6. Khả năng đánh giá kém: Một số doanh nghiệp và nhóm công việc có thể không
có khả năng đánh giá hiệu quả của các dự đoán khoa học dữ liệu hoặc không có
cách tiếp cận đúng để đo lường giá trị thực sự của nó.
7. Rủi ro về mô hình chệch: Nếu dữ liệu đầu vào có độ chệch, mô hình dự đoán
cũng có thể có độ chệch tương ứng. Điều này có thể dẫn đến quyết định không
công bằng hoặc không chính xác.
8. Cần nguồn nhân sự chất lượng: Khoa học dữ liệu đòi hỏi sự chuyên môn và kỹ
năng đặc biệt. Thiếu nguồn nhân sự chất lượng có thể làm giảm hiệu suất và chất
lượng của các dự án khoa học dữ liệu.
https://intellipaat.com/blog/applications-of-data-science-real-world-applications/
https://online.hbs.edu/blog/post/what-is-data-science
https://www.knowledgehut.com/blog/data-science/top-data-science-applications-for-future
https://www.knowledgehut.com/blog/data-science/data-science-for-business#why
%C2%A0data-science-for-business?%C2%A0%C2%A0
https://www.knowledgehut.com/blog/data-science/data-science-business-ideas
https://www.linkedin.com/pulse/5-great-ways-data-science-boosts-business
https://www.devopsschool.com/blog/what-is-data-science-advantages-and-disadvantages-
of-data-science/
https://aspiringyouths.com/advantages-disadvantages/data-science/
https://www.intellspot.com/advantages-disadvantages-data-science/
https://phaply.net.vn/ung-dung-cong-nghe-ai-ml-va-khoa-hoc-du-lieu-trong-tieu-dung-ban-
le-a257639.html
https://tapchicongthuong.vn/bai-viet/vai-tro-va-ung-dung-du-lieu-lon-trong-kinh-doanh-
ban-le-75541.htm
https://tapchicongthuong.vn/bai-viet/nghien-cuu-ve-loi-ich-cua-du-lieu-lon-big-data-voi-
doanh-nghiep-thuong-mai-dien-tu-trong-nuoc-va-the-gioi-64331.htm
https://www.linkedin.com/pulse/how-amazon-uses-big-data-stalk-you-improve-user-
experience-
https://www.pace.edu.vn/tin-kho-tri-thuc/big-data-la-gi
https://swinburne-vn.edu.vn/news/khoa-hoc-du-lieu-la-gi/
https://redfield.ai/data-science-solutions/ (*)
https://www.bacs.vn/vi/blog/kien-thuc/9-loi-ich-khoa-hoc-du-lieu-mang-lai-cho-cac-doanh-
nghiep-33687.html
https://www.business.com/articles/how-to-use-data-science-in-business/ (*)
https://www.domo.com/glossary/what-is-data-science
https://k21academy.com/data-science/data-science-empowering-todays-world-businesses-
and-careers/#2 (*)
https://k21academy.com/data-science/data-science-empowering-todays-world-businesses-
and-careers/#4
https://www.linkedin.com/pulse/how-amazon-uses-data-science-analytics-drive-success-
michael-ampofo
https://www.shiksha.com/online-courses/articles/how-amazon-uses-data-science-to-
enhance-custmoer-customer-experience/ (*)
https://builtin.com/data-science/data-science-applications-examples (*)
https://www.harvardonline.harvard.edu/blog/how-data-science-can-benefit-your-business-
decisions
https://www.datacamp.com/blog/what-is-data-science-the-definitive-guide?
utm_source=google&utm_medium=paid_search&utm_campaignid=19589720824&utm_adg
roupid=152984013534&utm_device=c&utm_keyword=&utm_matchtype=&utm_network=g
&utm_adpostion=&utm_creative=684753664978&utm_targetid=dsa-
2222697811358&utm_loc_interest_ms=&utm_loc_physical_ms=9040369&utm_content=DS
A~blog~Data-Science&utm_campaign=230119_1-sea~dsa~tofu_2-b2c_3-row-p2_4-prc_5-
na_6-na_7-le_8-pdsh-go_9-na_10-na_11-na-
jan24&gad_source=1&gclid=Cj0KCQiAtaOtBhCwARIsAN_x-
3IorW4JJsdrzTzuOFZFEsAQgXzxTPMgnFWH6Ngw-GUL6fsy-bkGp8gaAhL1EALw_wcB\
https://data-flair.training/blogs/data-science-for-business/
Bối cảnh đại dịch cùng sự phát triển của công nghệ tân tiến đã tạo ra nhiều
xu hướng mới, buộc các ngành công nghiệp phải nỗ lực thích ứng để duy
trì hoạt động. Do đó, khoa học dữ liệu giờ đây được xem như một yếu tố
quan trọng nhằm thúc đẩy quá trình tăng trưởng của doanh nghiệp, bất kể
là về nguồn lực nhân sự, sản phẩm, hay doanh thu.
Phát triển công nghiệp công nghệ số Việt Nam: Cơ hội và thách thức (mic.gov.vn)
Cơ hội rộng mở trong ngành khoa học dữ liệu tại Việt Nam | Tạp chí Kinh tế và Dự báo
(kinhtevadubao.vn)
Vai trò của khoa học dữ liệu và dữ liệu lớn trong nền kinh tế kĩ thuật số
(tapchinganhang.gov.vn)
 Tại Việt Nam, GS. Hồ Tú Bảo cho rằng, đã đến lúc cần sự hợp sức phát triển ngành khoa học
dữ liệu, bởi đây chính là “chìa khóa” cho kinh tế số trở nên hữu ích, mang đến cơ hội công
bằng và tốt hơn cho mọi chủ thể trong nền kinh tế.

Tại Việt Nam, hoạt động kinh doanh và đầu tư tài chính trở nên vững chãi và có căn cứ hơn
nhiều trong mấy năm gần đây khi trên thị trường xuất hiện một doanh nghiệp hoạt động trong
ngành phân tích dữ liệu và công nghệ tài chính - FiinGroup. FiinGroup đang từng bước tạo nên
những thay đổi căn bản trong đánh giá một doanh nghiệp, một cổ phiếu, một ngành, một cơ hội
đầu tư, hay nhìn nhận bức tranh tổng quan về thị trường tài chính, về nền kinh tế khi doanh
nghiệp này có năng lực tổng hợp dữ liệu lớn và khả năng “kể” câu chuyện về dữ liệu một cách có
ý nghĩa, nhằm mục tiêu tìm “insights” về thị trường, phục vụ cho hàng vạn người dùng hiện nay.

Thông qua các sản phẩm từ phân tích dữ liệu, các tổ chức, cá nhân, doanh nghiệp và Chính phủ
ngày càng đánh giá cao tính hữu ích của khoa học dữ liệu. Tuy nhiên, đâu là cái gốc để phát triển
ngành khoa học này và làm thế nào để phát triển? Đó là những câu hỏi rất mới và đang để ngỏ tại
Việt Nam. Tại chính FiinGroup - doanh nghiệp phân tích dữ liệu lớn bậc nhất Việt Nam hiện nay
- các mô hình đang được sử dụng để ra các kết quả dự báo, đánh giá (như mô hình M-score nhằm
dự báo khả năng các doanh nghiệp có thể có rủi ro về “biến tấu” số liệu báo cáo tài chính; mô
hình Scoring model nhằm dự đoán khả năng 1 sự kiện cụ thể ví dụ khó khăn tài chính, phá
sản…) hầu như được học hỏi từ nước ngoài về.
Bằng cách này, doanh nghiệp tại Việt Nam có thể tối ưu hóa giá trị từ khoa học dữ
liệu và thúc đẩy sự phát triển bền vững trong môi trường kinh doanh ngày càng cạnh
tranh.