Trong khi phần lớn các doanh nghiệp bắt đầu sử dụng dữ liệu để cải thiện việc ra quyết định của họ, thì dữ liệu ngày càng trở thành một phần quan trọng hơn trong hoạt động hàng ngày của doanh nghiệp. Cốt lõi của vấn đề này là việc dữ liệu giúp cho doanh nghiệp hoạt động nhịp nhàng và hiệu quả hơn – từ nhà kho đến dịch vụ khách hàng và cả những khâu trung gian. Ở mức cơ bản, điều này có thể liên quan đến sự tương tác giữa con người với dữ liệu, trong đó “khách hàng dữ liệu” là người diễn giải dữ liệu để cải thiện quy trình hoạt động và hành động. Nhưng ở các mức độ càng cao hơn, các hoạt động tăng cường dữ liệu ít còn liên quan đến việc con người làm việc với dữ liệu nữa, mà đa phần là máy móc làm việc với nhau với tư cách là những khách hàng dữ liệu của nhau – và tôi tin đây là giá trị thực sự của dữ liệu, ít nhất là về mặt hoạt động kinh doanh. Giá trị thực sự đến từ việc máy móc có khả năng thu thập dữ liệu có chất lượng, tự động phân tích dữ liệu và sau đó hành động dựa trên những gì mà dữ liệu cung cấp cho chúng. Giao tiếp giữa các loại máy móc với nhau là một yếu tố quan trọng của hoạt động này, cho phép các hệ thống làm việc cùng nhau để tự động hóa và cải tiến quy trình, thường không có bất kỳ tương tác nào từ con người. Như chúng ta đã thấy trong Chương 1, tất cả những điều này đều có thể trở thành hiện thực nhờ vào những tiến bộ như thiết bị cảm biến, Internet kết nối vạn vật (IoT), học máy (machine learning), học sâu (deep learning), trí tuệ nhân tạo (AI) và robot.
Nói chung, có rất nhiều cách dữ liệu giúp tăng cường hoạt động của bạn nhưng nhìn chung, có hai cách chính: 1) tối ưu hóa quy trình hoạt động hàng ngày của bạn, tức là cách thức bạn điều hành doanh nghiệp của mình hàng ngày, và 2) cải thiện các sản phẩm, dịch vụ của bạn, thông qua các dịch vụ mới hoặc dịch vụ được nâng cấp, hoặc những sản phẩm tốt hơn. Việc giải quyết cả hai khía cạnh trên hay chỉ một khía cạnh đều phụ thuộc vào doanh nghiệp của bạn. Không hề có những quy tắc bất di bất dịch nào cả – ví dụ, những cải tiến hoạt động có thể hoàn toàn thiết yếu đối với một công ty sản xuất, nhưng cũng có thể ít quan trọng đối với một công ty dịch vụ. Trong chương này, tôi phân tích cả hai khía cạnh một cách chi tiết, cùng với nhiều ví dụ thực tế để cung cấp cho bạn những ý tưởng khả thi.
Dữ liệu trở nên quyền lực nhất khi nó giúp một tổ chức đạt được những mục tiêu. Cũng như việc ra quyết định dựa trên dữ liệu (Chương 3), các hoạt động dựa trên dữ liệu phải được gắn liền với mục tiêu kinh doanh của tổ chức. Vì vậy, bạn cần xem xét một cách có hệ thống mọi khía cạnh trong hoạt động của bạn để xác định quy trình tối ưu hóa và hiệu quả tối đa hóa có thể hỗ trợ việc đạt mục tiêu như thế nào – và sau đó dành ưu tiên cho những cơ hội phù hợp. Đối với hầu hết các doanh nghiệp, các khu vực hoạt động ưu tiên bao gồm sản xuất (ví dụ, thiết bị giám sát để xác định tỷ lệ hao hụt và giảm thời gian chết), kho bãi và phân phối (ví dụ, kiểm soát tự động hàng tồn kho), quy trình kinh doanh (ví dụ, phát hiện gian lận), bán hàng và marketing (như dự đoán khách hàng rời bỏ).
Tối ưu hóa các quy trình hoạt động với dữ liệu
Bạn có thể sử dụng dữ liệu để tối ưu hóa hầu hết mọi khía cạnh trong cách điều hành doanh nghiệp của mình. Cho dù bạn muốn cải thiện quy trình sản xuất bằng cách tự động phát hiện lỗi, tối ưu hóa các tuyến đường giao hàng, nhắm đúng khách hàng mục tiêu, phát hiện gian lận nhanh chóng, hoặc bất kỳ điều gì khác giúp bạn đạt được mục tiêu chiến lược của mình, dữ liệu đều có thể giúp ích. Thật vậy, các doanh nghiệp đã sử dụng dữ liệu để tăng hiệu quả, giảm lãng phí, hợp lý hóa quy trình và tăng doanh thu.
Dữ liệu có thể cải thiện quy trình sản xuất như thế nào?
Dữ liệu đóng vai trò cực kỳ quan trọng trong quy trình sản xuất hiện đại. Ví dụ, dữ liệu và việc phân tích có thể được sử dụng để kiểm soát chất lượng, giúp xác định lỗi của sản phẩm trước khi tung ra thị trường. Dữ liệu có thể giúp loại bỏ sản phẩm lỗi và thúc đẩy quá trình cải tiến liên tục. Và nó thậm chí có thể giúp tăng sản lượng sản xuất. Trên thực tế, một nghiên cứu cho thấy một nhà sản xuất dược phẩm sinh học có thể theo dõi chín thông số ảnh hưởng nhiều nhất đến sự thay đổi năng suất đối với vắc-xin của họ1. Dựa trên dữ liệu này, họ có thể tăng năng suất lên 50%, kết quả là tiết kiệm đáng kể trong sản xuất chỉ tính riêng sản phẩm đó.
Hiểu được năng suất sản xuất là một trong những cách phổ biến nhất mà dữ liệu giúp nâng cao quy trình sản xuất. Bằng cách tích hợp cảm biến vào thiết bị sản xuất, bạn có thể thu thập được dữ liệu máy móc có giá trị giúp bạn theo dõi và đo lường tình trạng “khỏe mạnh”, cũng như hiệu quả của những máy móc đó. Các nhà sản xuất trên thế giới đã sử dụng công nghệ này để quản lý hoạt động hiệu quả hơn và giảm thiểu thời gian chết của thiết bị – điều này giúp họ luôn đạt được mục tiêu năng suất. Theo cách truyền thống, thiết bị sản xuất được thiết lập một lịch bảo trì theo thời gian cố định, trong đó máy móc được đưa ra khỏi dây chuyền sản xuất vào những thời điểm nhất định trong năm để được kiểm tra và các bộ phận mới sẽ được lắp đặt “khi và chỉ khi” hội đủ những điều kiện nhất định (tức là các bộ phận chỉ có thể được thay thế trên cơ sở khoảng thời gian đã trôi qua kể từ khi chúng được lắp đặt, không quan tâm tới việc liệu chúng có thực sự cần thay thế tại thời điểm đó hay không). Có những bộ phận riêng lẻ khá đắt tiền, có nghĩa là sẽ có nhiều máy phải ngừng hoạt động trong nhiều ngày liên tục. Khi cảm biến được tích hợp trong các máy móc này, và được kết nối với các bộ phận hoặc quy trình cụ thể, chúng có thể đo được nhiều biến khác nhau, chẳng hạn như nhiệt độ, áp suất, chuyển động, độ rung, khoảng cách, ánh sáng,… Dữ liệu được đưa trở lại máy tính để theo dõi hiệu suất của máy móc thiết bị và đưa ra cảnh báo khi có bộ phận nào cần được thay thế, hoặc khi máy đang chạy ít hơn mức sản lượng tối ưu và có thể cần phải được bảo dưỡng. Việc giám sát trong thời gian thực của dữ liệu máy có thể tạo ra khoản tiết kiệm đáng kể và gia tăng sản lượng, cho phép các đội bảo trì khắc phục vấn đề trước khi máy móc bị hư hỏng, giảm thiểu thời gian chết do dịch vụ không cần thiết.
Bạn cũng có thể cài đặt cảm biến vào máy móc và thiết bị, hoặc bạn có thể tận dụng cảm biến đã được tích hợp sẵn vào máy móc. Trong nhiều trường hợp, điều đó đơn giản là kết nối các máy với hệ thống công nghệ thông tin của bạn để thu thập và phân tích dữ liệu. Nhiều máy móc hiện đại đã có kết nối không dây qua wifi hoặc bluetooth, thường đi kèm với phần mềm hoặc ứng dụng để theo dõi và phân tích dữ liệu, giúp cho toàn bộ quá trình dễ dàng hơn nhiều.
Cảm biến cũng có thể được đặt vào các sản phẩm bạn sản xuất, để thu thập dữ liệu có giá trị về hiệu suất sản phẩm. Rolls-Royce là ví dụ điển hình về một nhà sản xuất sử dụng những dữ liệu đó để tạo ra lợi thế cho mình. Công ty này sản xuất gần một nửa số lượng động cơ máy bay phản lực chở khách của thế giới, và mỗi động cơ đều gắn đầy các bộ cảm biến. Những cảm biến này theo dõi hiệu suất theo thời gian thực, đo lường 40 tham số với tốc độ 40 lần/giây, bao gồm nhiệt độ, áp suất và tốc độ tua-bin. Tất cả dữ liệu sau đó được lưu trữ trong các máy tính trên bo mạch, đồng thời được truyền trực tiếp qua vệ tinh đến trụ sở chính của Rolls-Royce, nơi các máy tính sàng lọc dữ liệu để tìm kiếm những dấu hiệu bất thường. Khi có bất kỳ dấu hiệu bất thường nào, chúng ngay lập tức đưa ra cảnh báo và một nhân viên sẽ kiểm tra kết quả; nếu thấy cần thiết, họ sẽ gọi đến hãng hàng không và tính toán những điều cần thiết phải được thực hiện – thường là trước khi dấu hiệu này tiến triển thành một vấn đề thực sự. Do vậy, những cảm biến này cho phép bảo trì một cách linh động dựa trên hiệu suất hoạt động của từng động cơ cụ thể, thay vì một số lịch bảo dưỡng tự động được thiết lập chỉ dựa trên yếu tố thời gian. Thay vì kéo một thiết bị đắt tiền ra khỏi dịch vụ định kỳ ba hoặc sáu tháng một lần, các cảm biến này cho phép hãng hàng không duy trì phi đội của họ nhiều hơn với chi phí được tiết kiệm và quan trọng hơn nữa, các cảm biến này giữ cho các chuyến bay an toàn hơn nhiều. Cũng như việc cải thiện quá trình bảo trì động cơ, dữ liệu máy cũng đã giúp Rolls-Royce thay đổi mô hình kinh doanh của mình, tạo một dòng doanh thu dịch vụ vượt trội hơn so với mô hình sản xuất truyền thống của họ – nhưng chúng ta sẽ tìm hiểu thêm điều này trong phần sau của chương này.
Dữ liệu có thể cải tiến hoạt động kho bãi và phân phối như thế nào?
Cải thiện quy trình lưu kho và phân phối là một trong những điều hiển nhiên trong quá trình sử dụng dữ liệu, chính xác bởi vì nó là một trong những hoạt động kinh doanh đặc biệt có rất nhiều dữ liệu. Hầu như mọi khía cạnh của kho bãi và phân phối, từ kiểm soát hàng tồn kho, quản lý chuỗi cung ứng đến các tuyến đường phân phối (và nhiều hơn thế nữa), có thể được tối ưu hóa bằng cách sử dụng dữ liệu. Ngay cả các lĩnh vực rất truyền thống cũng có thể hưởng lợi từ việc tích hợp dữ liệu vào hoạt động của họ. Ví dụ, gần đây tôi đã làm việc với một công ty xe buýt và huấn luyện lái xe mà ban đầu họ đã rất hoài nghi về giá trị của dữ liệu trong ngành của họ. Bây giờ họ đang thu thập và phân tích dữ liệu viễn thông từ những phương tiện giao thông của mình và sử dụng dữ liệu này để cải thiện hành vi lái xe, tối ưu hóa các tuyến vận tải và cải thiện việc bảo dưỡng xe.
Các siêu thị đang sử dụng camera và cảm biến để tự động giám sát chất lượng sản phẩm tươi sống của họ và xác định các vấn đề về hàng tồn kho; sử dụng dữ liệu hình ảnh, máy tính có thể phát hiện loại rau nào đang bắt đầu héo úa, và cảm biến có thể nhận biết các loại khí thoát ra khi trái cây hư hỏng. Đây chỉ là một trong những điều nhỏ bé mà các siêu thị lớn đang sử dụng dữ liệu để cải thiện cách thức hoạt động của họ. Các nhà bán lẻ có hiểu biết trên thế giới đều đang sử dụng dữ liệu của họ để dự đoán nhu cầu sản phẩm, xây dựng các hồ sơ khách hàng chi tiết, quản lý mức độ hàng tồn kho, tối ưu hóa việc giao hàng và tăng doanh thu thông qua những sản phẩm mục tiêu được đề xuất (một vài ví dụ cụ thể sẽ được phân tích tiếp theo trong chương này).
Một trong những ví dụ tốt nhất về kho lưu trữ được tối ưu hóa đến từ một nguồn không mấy ngạc nhiên: Amazon. Công ty này sử dụng hệ thống máy tính phức tạp để theo dõi hàng triệu mã hàng tồn kho trong hàng chục kho và trung tâm phân phối trên toàn cầu. Kho hàng mới nhất của họ ở nước Anh, đặt tại Hemel Hempstead, có hàng triệu sản phẩm trong kho với tổng diện tích lên tới 40.000 m2. Để hoạt động được với quy mô này, năng suất là chìa khóa dẫn đến thành công (Dù doanh thu của Amazon rất lớn, nhưng lợi nhuận của họ lại tương đối nhỏ. Lợi nhuận biên thấp và khối lượng cực cao là chuyện diễn ra hàng ngày, làm cho năng suất thậm chí còn quan trọng hơn). Mỗi bước đi của sản phẩm trong nhà kho được giám sát liên tục, từ thời điểm nó được nhập kho từ nhà cung cấp đến thời điểm nó được đưa ra khỏi kệ bởi người chọn hàng (lúc này, việc chọn hàng vẫn do con người thực hiện) cho tới thời điểm nó được dán nhãn và gửi đến khách hàng cuối cùng. Bất cứ lúc nào, hệ thống của công ty cũng có thể cho biết chính xác bất kỳ một sản phẩm riêng lẻ nào nằm trong kho. Điều này không chỉ làm cho chuỗi cung ứng an toàn hơn, mà còn giúp công ty (và cả nhân viên kho) đáp ứng mục tiêu năng suất rất nghiêm ngặt cần thiết trên quy mô này.
Và Amazon có thể tự động hóa mạnh mẽ hơn nữa quy trình chọn lựa hàng hóa – công ty con của Amazon là Kiva Systems (được Amazon mua lại vào năm 2012 với giá 775 triệu đô la Mỹ) đã phát triển một thế hệ robot nhà kho giống như các robot kệ hàng có thể di chuyển và đưa sản phẩm đến cần cẩu chọn hàng hóa, rồi quay trở lại vị trí đã được chỉ định của nó trong kho. Robot nhà kho là một lĩnh vực mà Amazon muốn phát triển và trước đây công ty đã tổ chức nhiều cuộc thi để tìm ra những máy móc chọn hàng trong kho tốt nhất. Cuộc thi gần đây nhất được tổ chức vào năm 2016, và những con robot tham gia phải thực hiện một số nhiệm vụ, bao gồm lấy đồ vật với hình dạng và kích cỡ khác nhau ra khỏi hộp và đặt chúng chính xác vào kệ, lấy đồ vật từ trên kệ và đặt chúng vào một chiếc hộp. Cam kết luôn dẫn đầu về công nghệ mới nhất và liên tục tìm kiếm những hiệu quả mới là một trong những lý do làm nên sự thành công của công ty.
Quay trở lại thực tế nhà kho của Amazon, dữ liệu và phân tích được áp dụng nhiều hơn là trong quá trình chọn lựa hàng hóa. Các thuật toán được sử dụng để tự động xác định kích thước đóng gói nào là lý tưởng cho mỗi sản phẩm, tiết kiệm thời gian đóng gói và giúp loại bỏ sự hỏng hóc do bao bì quá khổ. Và đừng quên rằng Amazon đã từng thử nghiệm việc giao hàng bằng máy bay không người lái, nhằm tự động hóa hơn nữa quy trình giao hàng.
Dữ liệu có thể cải tiến quy trình kinh doanh như thế nào?
Đây là một phạm trù rộng, bao gồm bất kỳ cách thức nào mà trong đó dữ liệu có thể hợp lý hóa quy trình kinh doanh hàng ngày của bạn, chẳng hạn như kế toán hoặc dịch vụ khách hàng. Điều này có ý nghĩa như thế nào đối với bạn còn phụ thuộc rất nhiều vào lĩnh vực mà bạn đang hoạt động.
Dữ liệu đặc biệt hữu ích khi nó được dùng để phát hiện sự gian lận, từ các giao dịch thẻ tín dụng giả mạo, gian lận của nhân viên đến việc mọi người nói dối để yêu cầu nhận đền bù bảo hiểm. Phân tích phát hiện gian lận sử dụng dữ liệu để xác định các kiểu mẫu hoặc hành vi nhất định nhằm cảnh báo hành động gian lận, qua đó cho phép doanh nghiệp dự đoán hành vi gian lận để giảm thiểu hoặc ngăn chặn chúng. Mỗi năm, gian lận gây thiệt hại cho các doanh nghiệp rất nhiều tiền – chỉ tính riêng việc gian lận thẻ tín dụng đã gây thiệt hại đến hơn 16 tỷ đô la và được dự đoán sẽ đạt 35 tỷ đô la vào năm 2020 trên phạm vi toàn cầu. Lừa đảo trực tuyến cũng là một vấn nạn đang phát triển mà mọi doanh nghiệp đều phải thận trọng kiểm soát.
Các công ty thẻ tín dụng và công ty bảo hiểm liên tục đánh giá nạn gian lận. Ví dụ, nếu bạn thực hiện việc mua hàng bất thường bằng thẻ tín dụng, bạn sẽ nhận được một cuộc gọi điện thoại hoặc tin nhắn từ công ty phát hành thẻ tín dụng của mình để kiểm tra xem liệu giao dịch đó có hợp pháp hay không. Điều này là do các thuật toán đã đánh giá hoạt động thông thường của thẻ tín dụng và vị trí địa lý của bạn, và thuật toán sẽ có cảnh báo nếu phát hiện bất kỳ thứ gì khác với các thông số đó (và nhiều thông số khác).
Một trong những khách hàng của tôi, một công ty bảo hiểm lớn, đang sử dụng việc phân tích giọng nói để phát hiện hành vi lừa đảo tiềm ẩn trong các cuộc gọi của khách hàng. Hệ thống của họ có thể xác định mức độ căng thẳng qua giọng nói của khách hàng, đôi khi có thể cho thấy người gọi không nói sự thật. Tất nhiên, người đó có thể bị căng thẳng bởi vì nhà của họ mới bị trộm ghé thăm, vì vậy dữ liệu được sử dụng để kích hoạt việc điều tra thêm, chứ không phải là bằng chứng ngay lập tức rằng khách hàng đang nói dối! Dù sao đi nữa, việc có được một tín hiệu cảnh báo sớm một cách tự động cũng cực kỳ hữu ích.
Các công ty bảo hiểm xe hơi cũng đang sử dụng công nghệ học máy để phân tích hình ảnh từ tai nạn xe hơi liên quan đến yêu cầu bồi thường thương tích. Các máy tính có thể đưa ra cảnh báo khi các chấn thương được báo cáo không tương xứng với thiệt hại của xe do vụ tai nạn. Một lần nữa, điều này sau đó được sử dụng để kích hoạt một cuộc điều tra kỹ lưỡng hơn về yêu cầu bồi thường, thay vì từ chối ngay lập tức.
Các công ty bảo hiểm cũng đã tìm thấy mối tương quan giữa thời gian khách hàng điền vào mẫu yêu cầu bồi thường trực tuyến và sự gian lận của họ (tức là khi họ điền vào mẫu quá chậm hoặc quá nhanh), và dữ liệu này hiện đang được phân tích thường xuyên bởi các công ty bảo hiểm lớn. Thông thường, khi khách hàng mất quá nhiều thời gian để hoàn tất biểu mẫu hoặc di chuột trong một thời gian quá lâu, nghĩa là họ đang suy nghĩ quá nhiều về những gì đã xảy ra hoặc những gì họ nên viết. Điều này có thể cho thấy họ không hoàn toàn trung thực về sự kiện này. Tất nhiên, đây không phải là kết luận duy nhất; các công ty bảo hiểm đồng ý rằng thực tế họ đơn giản chỉ là chậm trễ, hoặc họ có thể bị gián đoạn bởi chuông cửa, hoặc phải rời khỏi nhà để đón lũ trẻ ở trường học. Nhưng dữ liệu làm gia tăng cảnh báo được đối chiếu với các điểm dữ liệu khác, chẳng hạn như số lần một người đã thay đổi dữ liệu trong một trường hợp cụ thể. Nếu có quá nhiều cảnh báo được đưa lên, người thẩm định bảo hiểm sẽ tìm hiểu kỹ hơn về vụ việc. Ngược lại, nếu biểu mẫu được hoàn thành quá nhanh, điều này cũng có thể nâng cao tiếng chuông báo động, vì bọn tội phạm thường sử dụng các phần mềm tự động để hoàn thành biểu mẫu, hoặc họ sẽ cắt và dán từ các biểu mẫu yêu cầu trước đó để tăng tốc quá trình.
Điều quan trọng là, phân tích dữ liệu có thể không chỉ giúp xác định hoạt động gian lận, nó còn có thể giúp ngăn chặn gian lận trong tương lai. Một khi hoạt động gian lận đã được xác định, chúng ta có thể khai thác dữ liệu để tìm ra các kiểu mẫu. Thông tin này sau đó có thể được sử dụng để đưa ra mô hình tiên đoán làm nổi bật các trường hợp có nhiều khả năng là gian lận. Vì vậy, khi các trường hợp cụ thể được xác định có dấu hiệu gian lận, việc yêu cầu bồi thường được cảnh báo để điều tra thêm. Những trường hợp này có thể liên quan đến hành vi của người đưa ra yêu cầu bồi thường, mạng lưới những người mà họ liên kết (thông qua mạng xã hội hoặc các nguồn dữ liệu khách hàng khác) hoặc một số cơ quan đối tác nhất định liên quan đến yêu cầu bồi thường (ví dụ như cửa hàng sửa chữa ô tô, nơi mà các mẫu hành vi có thể cho biết một cơ sở cụ thể có tham gia vào hoạt động bất chính và đồng lõa với người yêu cầu bồi thường hay không).
Ngay cả các doanh nghiệp không hoạt động trong lĩnh vực có tính gian lận cao (như tài chính và bảo hiểm) cũng có thể hưởng lợi từ việc phát hiện gian lận. Ví dụ, bạn có thể sử dụng cảnh quay từ camera giám sát CCTV để giám sát kho, khu vực chọn và đóng gói, cũng như sử dụng phân tích video để cảnh báo hoạt động gian lận tiềm ẩn.
Đánh giá rủi ro là một lĩnh vực khác nữa mà trong đó dữ liệu đặc biệt có giá trị. Về cơ bản, mô hình dự đoán và thống kê có nghĩa là tìm hiểu điều gì sẽ xảy ra trong tương lai bằng cách đo lường và tìm hiểu càng nhiều càng tốt về những gì đã xảy ra trong quá khứ. Sau đó, các mô hình được xây dựng giúp chúng ta thấy được những gì có thể xảy ra trong tương lai, dựa trên mối quan hệ giữa các biến như được mô tả trong dữ liệu quá khứ – tất cả đều giúp doanh nghiệp thiết lập khả năng xảy ra sự cố và mức độ rủi ro. Mô hình dự đoán là một công cụ quan trọng trong thế giới của dữ liệu lớn, và ngành bảo hiểm (dự đoán) rất quan tâm đến việc áp dụng công cụ này.
Một trong những cách sử dụng quan trọng nhất là thiết lập chính sách phí bảo hiểm. Công ty bảo hiểm phải đặt giá của phí bảo hiểm ở mức đảm bảo lợi nhuận bằng cách bao gồm cả rủi ro của họ, nhưng cũng phù hợp với ngân sách của khách hàng – nếu không, khách hàng sẽ tìm đến công ty bảo hiểm khác. Để định giá bảo hiểm phù hợp, các công ty bảo hiểm phải có khả năng đánh giá chính xác rủi ro gây ra bởi các tài xế cụ thể.
Nhiều công ty bảo hiểm hiện cung cấp các gói bảo hiểm từ xa (thường là thông qua một ứng dụng trên điện thoại của khách hàng), theo đó thông tin lái xe thực tế được đưa trở lại hệ thống của họ để xây dựng hồ sơ cá nhân, với độ chính xác cao về hành vi lái xe của một khách hàng cá nhân. Bằng cách sử dụng mô hình dự báo, công ty bảo hiểm có thể đánh giá chính xác về khả năng người lái xe đó có thể gặp tai nạn hoặc bị mất cắp xe khi so sánh dữ liệu hành vi của họ với hàng nghìn người lái xe khác trong cơ sở dữ liệu của mình.
Ý tưởng đằng sau tất cả các sáng kiến này là khả năng đánh giá chính xác rủi ro và phát hiện kết quả hoạt động gian lận với chi phí thấp hơn và hiệu quả cao hơn trong ngành bảo hiểm – và đối với người lái xe an toàn trung bình, chúng sẽ mang lại mức phí bảo hiểm thấp hơn, dịch vụ được cá nhân hóa nhiều hơn đến từ công ty bảo hiểm của họ.
Tuy nhiên, các ứng dụng của dữ liệu không chỉ có đánh giá rủi ro và gian lận. Ví dụ, dữ liệu, học máy và xử lý ngôn ngữ tự nhiên đang giúp các công ty truyền thông tạo ra nội dung nhanh hơn và hiệu quả hơn. Trong Chương 3, chúng ta đã quan sát Narrative Science, công ty cung cấp các công cụ xử lý ngôn ngữ tự nhiên và tạo ra văn bản tự động. Phần mềm của Narrative Science có thể tự động phân tích dữ liệu hiệu suất tài chính của công ty và tạo ra một bài báo hoặc báo cáo tài chính không thể phân biệt được với một bài viết do con người viết ra. Trên thực tế, các bài viết của Narrative Science rất tốt, giờ đây công ty viết bài cho tạp chí Forbes (và tôi thực sự không thể nhận ra sự khác biệt giữa bài báo của Narrative Science và bài báo của các nhà báo)2. Đối với bất kỳ công ty nào dựa vào việc tạo ra được những nội dung nhanh, hiệu quả và chính xác, các công cụ ngôn ngữ tự nhiên như thế này có thể thay đổi luật chơi. Nhưng các ứng dụng mở rộng cho tất cả công ty trong mọi ngành. Ví dụ, các tổ chức lớn dành nhiều thời gian và tiền bạc để tạo ra báo cáo hiệu suất tài chính chuyên sâu và giờ đây các báo cáo này có thể được máy tính tạo ra một cách tự động. Và phần mềm xử lý ngôn ngữ tự nhiên có lợi thế hơn so với những người viết thực thụ vì nó cho phép nội dung được tùy chỉnh nhanh chóng và dễ dàng – vì vậy các phiên bản khác nhau của cùng một báo cáo có thể được tạo ra đồng thời cho các đối tượng khác nhau.
Dữ liệu và phân tích thậm chí còn giúp các thành phố chống lại tội phạm hiệu quả hơn. Công nghệ ShotSpotter, được phát triển bởi công ty SST Inc của Mỹ, phân tích toàn bộ dữ liệu âm thanh của một thành phố và cung cấp cảnh báo trong thời gian thực khi phát hiện ra tiếng súng. Nó hoạt động bằng cách sử dụng những bộ cảm biến âm thanh được đặt tại các vị trí chiến lược trong khu vực dân cư có mật độ tội phạm sử dụng súng cao. Khi một sóng âm phù hợp với dữ liệu của tiếng súng được phát hiện bởi ba chiếc cảm biến, thì vị trí chính xác của nó có thể được xác định chắc chắn bằng cách đo sự khác biệt về thời gian cần thiết để âm thanh truyền tới từng cảm biến. Sau khi tung ra công nghệ này tại 90 thành phố trên thế giới, gần đây công ty đã công bố hợp tác với GE, công nghệ ShotSpotter sẽ được lắp đặt vào tất cả đèn đường GE Intelligent LED Smart City. Tín hiệu ban đầu rất đáng khích lệ; các thành phố đã triển khai công nghệ này giảm được 28% tội phạm sử dụng súng – và giá trị ngăn chặn như vậy là rất đáng kể.
Tại các thành phố ở châu Âu, nơi mà bạo lực súng ống là một vấn đề ít nghiêm trọng hơn tại Mỹ, công nghệ này có thể được áp dụng cho hoạt động chống khủng bố. Ở Nam Phi, ShotSpotter đã được sử dụng thành công để giúp bắt những kẻ săn trộm nhắm vào những con tê giác đang bị đe dọa trong Vườn Quốc gia Kruger. Và ở Đông Nam Á, một phiên bản điều chỉnh của hệ thống đang được sử dụng để ngăn chặn những ngư dân đánh bắt cá bằng thuốc nổ, gây ra thiệt hại không thể khắc phục cho các rặng san hô.
Dữ liệu có thể tăng cường quy trình bán hàng và marketing như thế nào?
Dữ liệu và phân tích cũng có thể giúp tự động hóa và tối ưu hóa quy trình bán hàng và marketing nhất định, chẳng hạn như các đề xuất được cá nhân hóa cho khách hàng và định giá năng động (dynamic pricing). Khách hàng của tôi, một công ty viễn thông hàng đầu, đang sử dụng phân tích để dự đoán sự hài lòng của khách hàng và khả năng khách hàng rời khỏi. Dựa trên các mẫu cuộc gọi và tin nhắn, cùng với dữ liệu truyền thông xã hội, công ty có thể tự động phân loại khách hàng thành các danh mục khác nhau dựa trên khả năng hủy hợp đồng của họ và chuyển sang đối thủ cạnh tranh. Sử dụng dữ liệu này, công ty có thể giám sát chặt chẽ mức độ hài lòng của một số khách hàng nhất định và ưu tiên các hành động để ngăn họ hủy hợp đồng.
Tôi đã làm việc rất nhiều với các nhà bán lẻ hàng đầu trong vài năm qua và có thể nói rằng phân tích dữ liệu lớn hiện đang được áp dụng ở mọi giai đoạn của quá trình bán lẻ: dự báo nhu cầu dành cho những sản phẩm đó, tối ưu hóa giá cho lợi thế cạnh tranh, xác định khách hàng có khả năng quan tâm đến sản phẩm và tìm cách tốt nhất để tiếp cận họ, kiếm tiền từ họ và cuối cùng tìm được sản phẩm kế tiếp để tiếp tục bán cho khách hàng.
Trong trường hợp tối ưu hóa việc định giá, dữ liệu giúp các công ty xác định thời điểm nào sản phẩm nên được giảm giá – gọi là “tối ưu hóa việc giảm giá”. Trước khi có phân tích chuyên sâu, hầu hết các nhà bán lẻ chỉ đơn giản là giảm giá vào cuối mùa mua sắm, khi mà nhu cầu mua sắm cao điểm đã kết thúc. Tuy nhiên, các phân tích đã chỉ ra rằng việc giảm giá dần dần, từ thời điểm nhu cầu bắt đầu giảm xuống, thường kéo theo việc tăng doanh thu. Thử nghiệm của nhà bán lẻ Mỹ Stage Stores cho thấy rằng phương pháp này, được hỗ trợ bởi một phương pháp tiên đoán để xác định sự tăng giảm nhu cầu về một sản phẩm, đánh bại phương pháp “bán cuối mùa” truyền thống đến 90% trong toàn bộ thời gian. Macy’s cũng sử dụng cách tiếp cận tương tự, thay đổi giá thường xuyên để phản ứng lại với xu hướng và nhu cầu bán lẻ. Theo báo cáo, hệ thống đã được chứng minh mang lại hiệu quả hơn nhiều so với các mô hình định giá trước đó, nhà bán lẻ đã có thể tiết kiệm được 26 giờ mỗi lần tối ưu hóa giá cho 73 triệu sản phẩm của mình.
Walmart, nhà bán lẻ lớn nhất thế giới và là công ty lớn nhất thế giới theo doanh thu, thực sự hiểu được giá trị của dữ liệu. Vào năm 2015, công ty thông báo họ đang trong quá trình tạo ra dữ liệu đám mây cá nhân lớn nhất thế giới, cho phép xử lý 2,5 petabyte thông tin mỗi giờ. Các siêu thị cạnh tranh không chỉ về giá cả mà còn về dịch vụ khách hàng và tiện ích đi kèm. Có đúng sản phẩm ở đúng nơi vào đúng thời điểm sẽ đặt ra những vấn đề khổng lồ về hậu cần, và các sản phẩm phải được định giá một cách hiệu quả đến từng xu để duy trì tính cạnh tranh. Walmart làm việc với một cơ sở dữ liệu được làm mới liên tục bao gồm 200 tỷ dòng dữ liệu giao dịch – và chỉ đại diện cho vài tuần kinh doanh gần đây nhất! Trên hết, nó lấy dữ liệu từ 200 nguồn khác, bao gồm dữ liệu khí tượng, dữ liệu kinh tế, dữ liệu viễn thông, dữ liệu truyền thông xã hội, giá gas và cơ sở dữ liệu về các sự kiện diễn ra trong vùng lân cận của các cửa hàng Walmart. Tất cả dữ liệu này được sử dụng để xác định những sản phẩm mà mọi người có nhiều khả năng mong muốn nhất, ở đâu, và giá cạnh tranh nhất là bao nhiêu. Một sáng kiến khác là Dự án Social Genome của Walmart, giám sát các cuộc trò chuyện trên truyền thông xã hội công khai và nỗ lực tự động dự đoán những sản phẩm mà mọi người sẽ mua dựa trên các cuộc trò chuyện trực tuyến của họ.
Khi nói đến việc tối ưu hóa doanh thu bán hàng trực tuyến thông qua dữ liệu và phân tích, Amazon – cụ thể hơn, công cụ đề xuất của Amazon – là ví dụ tiêu biểu. Amazon có lẽ đã không phát minh ra công cụ đề xuất nhưng họ chắc chắn đã giới thiệu nó cho công chúng sử dụng rộng rãi.
Amazon thu thập dữ liệu trên mỗi một khách hàng của họ (khoảng hơn 250 triệu người) khi khách hàng sử dụng trang web, và dữ liệu này được sử dụng để xây dựng và liên tục tinh chỉnh công cụ đề xuất. Về lý thuyết, nếu họ càng biết nhiều về bạn, thì họ càng có nhiều khả năng dự đoán được những gì bạn muốn mua. Cũng như những gì bạn mua, Amazon giám sát những gì bạn xem, địa chỉ giao hàng của bạn (để xác định dữ liệu khách hàng – chúng có thể dự đoán rất tốt mức thu nhập của bạn thông qua việc biết được khu vực mà bạn đang sinh sống), rồi liệu bạn có để lại đánh giá và phản hồi hay không. Họ cũng xem xét thời gian nào trong ngày mà bạn thường duyệt web, để xác định thói quen hành vi của bạn và kết hợp dữ liệu đó với những người khác cũng có những hành động tương tự như bạn. Tất cả dữ liệu này được sử dụng để xây dựng việc quan sát 360 o đối với từng khách hàng riêng lẻ. Dựa trên điều này, Amazon có thể tìm thấy những người khác mà họ nghĩ là phù hợp với cùng một nhóm (như những lao động nam từ 18 đến 45 tuổi ở nhà thuê với thu nhập trên 30.000 đô la thường thích xem phim nước ngoài chẳng hạn) và đưa ra các đề xuất dựa trên những gì những người khác trong nhóm đó thích.
Bài học lớn ở đây là doanh nghiệp (bất kỳ doanh nghiệp nào) càng biết nhiều về khách hàng thì càng có thể bán hàng tốt hơn. Phát triển việc quan sát 360 o từng khách hàng riêng lẻ là nền tảng của marketing và bán hàng theo định hướng dữ liệu.
Sử dụng dữ liệu để cải thiện việc cung ứng hàng hóa
Cũng như việc cải thiện hoạt động kinh doanh, dữ liệu cũng có thể giúp bạn cải thiện việc cung ứng hàng hóa bằng cách cung cấp dịch vụ hoặc sản phẩm tốt hơn. Điều này có nghĩa là tăng thêm giá trị cho khách hàng bằng cách tăng cường các sản phẩm hoặc dịch vụ hiện có thông qua việc sử dụng dữ liệu, hoặc điều đó có nghĩa là đưa ra một đề xuất giá trị hoàn toàn mới cho khách hàng. Một lần nữa, cách bạn sử dụng dữ liệu liên quan đến việc cung ứng hàng hóa sẽ phụ thuộc vào mục tiêu chiến lược của doanh nghiệp bạn. Dữ liệu vì lợi ích của dữ liệu chưa bao giờ là một ý tưởng tuyệt vời cả – thay vào đó, hãy tập trung vào các khía cạnh giúp doanh nghiệp của bạn phát triển và đạt được vị trí cần thiết.
Cung cấp một dịch vụ tốt hơn cho khách hàng
Hãy cùng quay trở lại với công ty Rolls-Royce một chút. Bạn có nhớ đến những cảm biến mà họ đặt vào các động cơ phản lực của họ không? Các cảm biến này liên tục theo dõi hiệu suất của hơn 3.700 động cơ phản lực trên toàn thế giới để xác định các vấn đề trước khi chúng phát sinh. Dữ liệu được tạo ra bởi các cảm biến này đã khiến cho Rolls-Royce thay đổi mô hình kinh doanh của mình. Nếu như trước kia công ty chỉ đơn giản là sản xuất và bán động cơ, thì giờ đây họ đã tạo ra các luồng doanh thu liên tục hơn và cao hơn cả hoạt động sản xuất. Bên cạnh việc bán động cơ, Rolls-Royce hiện cung ứng dịch vụ giám sát động cơ liên tục, và sửa chữa hoặc thay thế các bộ phận nếu phát hiện vấn đề, tính phí khách hàng dựa trên thời gian sử dụng động cơ – họ đã “dịch vụ hóa” sản phẩm của mình bằng cách bổ sung thêm yếu tố dịch vụ dữ liệu dựa vào sản phẩm. Khách hàng đang mua một tùy chọn dịch vụ năng động một cách hiệu quả, giúp họ điều hành hoạt động của mình hiệu quả hơn và an toàn hơn (vì việc bảo trì máy bay có thể được lên kế hoạch và lên lịch trình tốt hơn). Đó là điều thật tuyệt vời cho khách hàng, nhưng nó cũng tạo ra một sự nhảy vọt về doanh thu đáng kể cho Rolls-Royce – dịch vụ hiện chiếm 70% doanh thu hàng năm của bộ phận máy bay dân dụng.
Tương tự như vậy, nhà sản xuất nông nghiệp Mỹ John Deere đã đón nhận dữ liệu lớn một cách nhiệt tình, tung ra một số dịch vụ hỗ trợ dữ liệu lớn cho phép nông dân hưởng lợi từ việc theo dõi dữ liệu thu thập được từ hàng nghìn người dùng. Myjohndeere.com là một cổng thông tin trực tuyến cho phép nông dân truy cập dữ liệu được thu thập từ các cảm biến gắn liền với máy móc khi chúng hoạt động trên các cánh đồng, cũng như dữ liệu tổng hợp từ những người dùng khác trên khắp thế giới. Nó cũng được kết nối với bộ dữ liệu bên ngoài bao gồm dữ liệu tài chính và thời tiết. Các dịch vụ này cho phép nông dân đưa ra quyết định sáng suốt hơn về việc sử dụng các thiết bị của họ như thế nào, họ có thể nhận được kết quả tốt nhất từ đâu và lợi tức đầu tư của họ là gì. Một dịch vụ khác của John Deere là Farmsight, ra mắt vào năm 2011, cho phép nông dân đưa ra quyết định về việc sẽ trồng những loại cây nào và ở đâu, dựa trên những thông tin được thu thập trên các cánh đồng của họ và của những người dùng khác.
Dữ liệu đang giúp các nhà cung cấp dịch vụ chăm sóc sức khỏe cung cấp dịch vụ hiệu quả hơn và được cá nhân hóa cho bệnh nhân. Nền tảng Watson của IBM tập trung rất nhiều vào ngành y tế, và IBM tuyên bố rằng nó có thể phân tích số lượng lớn dữ liệu chính xác hơn các chuyên gia trong khi chi phí lại thấp hơn3. Đương nhiên, điều này tạo ra rất nhiều tiềm năng để tự động hóa và tăng tốc độ cho các dịch vụ nhất định. IBM cũng đang làm việc trên một giao diện cho phép Watson (hoặc một chương trình tương tự) phân tích nghiên cứu y học hiện có về bất kỳ chủ đề nào, rồi tóm tắt thông tin cho bác sĩ. Sau đó, bác sĩ sẽ đưa ra những lựa chọn điều trị tốt nhất cho từng bệnh nhân dựa trên số lượng lớn dữ liệu khổng lồ có sẵn – mà không phải tốn hàng giờ tự nghiên cứu. Có khả năng là các loại thuốc và phương pháp điều trị mà bác sĩ chỉ định sau đó cũng sẽ được điều chỉnh với sự trợ giúp của dữ liệu. Gần đây, các thỏa thuận chia sẻ dữ liệu giữa những công ty dược phẩm khổng lồ đã dẫn đến những đột phá (như khám phá ra rằng Desipramine thường được sử dụng như là một chất chống trầm cảm, có tiềm năng sử dụng trong việc chữa ung thư phổi).
Hệ thống giao thông vận tải cho London (Transport for London – TfL), cũng đang sử dụng dữ liệu để cung cấp dịch vụ tốt hơn cho khách hàng. Công ty giám sát mạng lưới xe buýt, xe lửa, taxi, đường sá, xe đạp cho thuê, đường dành cho xe đạp, lối đi bộ và thậm chí cả phà được sử dụng bởi hàng triệu người ở London hàng ngày. Việc điều hành mạng lưới rộng lớn này cho phép TfL truy cập vào một khối lượng dữ liệu khổng lồ – và công ty đang sử dụng dữ liệu này để lập kế hoạch dịch vụ, cung cấp thông tin tốt hơn cho khách hàng.
Phân tích dữ liệu lớn cũng giúp cho TfL phản hồi khi xảy ra sự tắc nghẽn. Khi có điều gì đó bất ngờ xảy ra – ví dụ như nếu các dịch vụ của TfL bị ảnh hưởng bởi lỗi tín hiệu, công ty có thể đo lường số lượng người bị trì hoãn để khách hàng có thể đăng ký hoàn lại tiền. Khi sự gián đoạn đặc biệt nghiêm trọng, TfL có thể tự động hoàn tiền cho khách hàng bị ảnh hưởng. Khách hàng đi du lịch bằng thẻ thanh toán không cần tiếp xúc sẽ tự động được ghi có vào tài khoản của họ. Khi xuất hiện những gián đoạn có khả năng kéo dài, TfL sử dụng các mẫu lịch sử để đánh giá nơi khách hàng có khả năng di chuyển đến và lên kế hoạch các dịch vụ thay thế để đáp ứng nhu cầu đó. Dữ liệu du lịch cũng được sử dụng để xác định những khách hàng thường xuyên sử dụng các tuyến đường cụ thể và gửi cập nhật hành trình phù hợp cho họ, để họ biết mình sẽ bị ảnh hưởng bởi sự tắc nghẽn như thế nào.
Lauren Sager Weinstein, người đứng đầu nhóm phân tích tại TfL, đã cho tôi một ví dụ cụ thể khi Hội đồng Wandsworth đã buộc phải ngừng lưu thông trên cây cầu Putney – nơi mà có tới 110.000 lượt xe buýt qua cầu mỗi tuần – để sửa chữa khẩn cấp:
“Chúng tôi có thể xác định được rằng một nửa số cuộc hành trình bắt đầu hoặc kết thúc rất gần với cầu Putney. Cây cầu vẫn mở cửa cho người đi bộ và người đi xe đạp, vì vậy chúng tôi biết những người đó sẽ có thể vượt qua và đến được điểm đến của họ, hoặc tiếp tục cuộc hành trình ở phía bên kia. Hoặc là họ sống ở khu vực đó, hoặc điểm đến của họ là trong khu vực đó. Một nửa còn lại đang băng qua cây cầu ở nửa đường trong cuộc hành trình của họ. Để phục vụ nhu cầu của khách hàng, chúng tôi có thể thiết lập một nút giao thông vận tải và tăng cường các dịch vụ xe buýt trên các tuyến đường thay thế. Chúng tôi cũng đã gửi những tin nhắn được cá nhân hóa cho tất cả những người đang di chuyển trong khu vực để họ biết hành trình của mình có thể bị ảnh hưởng như thế nào.”
Dữ liệu và phân tích thậm chí còn giúp hội đồng thành phố điều hành các dịch vụ công hiệu quả hơn, cung cấp dịch vụ tốt hơn cho người dân và cải thiện chất lượng cuộc sống của họ. Milton Keynes ở Anh là ví dụ tuyệt vời về một “thành phố thông minh”, sử dụng công nghệ thông minh, kết nối để cải thiện các tiện ích công cộng. Đây là một chủ đề mà tôi khá quan tâm, ít nhất là vì “thành phố thông minh” sẽ là một chủ đề lớn trong vài năm tới, nhưng cũng vì Milton Keynes chính là quê nhà của tôi. Trong vòng mười năm tới, dự kiến có khoảng 50.000 người sẽ chuyển đến Milton Keynes, dân số tăng lên từ 0,25 triệu đến 0,3 triệu người. Ngay cả một thị trấn trẻ như Milton Keynes, với một cơ sở hạ tầng tương đối hiện đại, điều này có thể gây ra một số vấn đề trong việc cung cấp các dịch vụ công cộng.
Để đối phó với tình trạng đó, hội đồng thị trấn đã khảo sát cách thức mà công nghệ thông minh, được kết nối và định hướng dữ liệu có thể giúp cải thiện các dịch vụ công cộng. Geoff Snelson, giám đốc chiến lược tại Hội đồng Milton Keynes và là người dẫn chương trình, nói với tôi: “Chúng tôi có cảm biến được lắp đặt trong các thùng rác để báo hiệu khi nó đầy, ở chỗ đậu xe, và trong một số công viên, thu thập tiếng bước chân và những thứ như nhiệt độ nước và độ ẩm của đất”. Ví dụ, mạng lưới cảm biến đã được triển khai trên tất cả trung tâm tái chế trong 80 khu vực dân cư của hội đồng để giúp hợp lý hóa dịch vụ thu gom, vì vậy xe chở rác có thể ưu tiên đến các trung tâm thu gom rác đầy nhất và không cần phải di chuyển đến những trung tâm gần như không có rác.
Ngoài ra, các ngôi nhà đang sử dụng thử nghiệm một loạt công nghệ tiết kiệm năng lượng, và xe hơi không người lái sẽ sớm được thử nghiệm trên các đường phố của thị trấn. Khi kết thúc giai đoạn thử nghiệm kéo dài ba năm, hy vọng là những chiếc xe không người lái này sẽ di chuyển cùng với (và hy vọng tránh được) những chiếc xe được điều khiển bởi người dân trong thị trấn. Một dự án khác liên quan đến việc chụp ảnh vệ tinh có độ nét cao và bao phủ nó với dữ liệu từ bộ phận quy hoạch để đảm bảo thị trấn đang phát triển đúng hướng, phù hợp với hướng dẫn quy hoạch và kế hoạch tăng trưởng địa phương. Snelson chia sẻ thêm: “Rất nhiều giải pháp trong số này là về việc tạo ra tính hiệu quả bằng cách thu thập thông tin tốt hơn – kịp thời và chính xác hơn. Nó không phải là phù phép, chỉ là có thông tin tốt hơn mà thôi”.
Cung cấp sản phẩm tốt hơn
Nhờ vào những tiến bộ công nghệ, cụ thể là sự kết nối ngày càng gia tăng do IoT mang lại, dữ liệu cũng có thể giúp bạn tối ưu hóa rất nhiều sản phẩm mà bạn cung cấp và cách khách hàng của bạn sử dụng chúng.
Một ví dụ tuyệt vời khác đến từ một loạt các thiết bị thông minh hiện đang có sẵn trong những gia đình trung lưu. Tôi có một chiếc tivi thông minh có thể phát hiện khi nào các con tôi bước vào phòng và tự động tắt các chương trình không thân thiện với trẻ em. Tôi cũng có một thiết bị báo cháy Nest thông minh được kết nối với camera an ninh thông minh và bộ điều nhiệt thông minh. Vì vậy, nếu có báo động cháy nổ trong khi tôi không ở nhà, tôi có thể đăng nhập và kiểm tra từ camera về những gì đang xảy ra. Giả sử đó là một báo động giả, tôi có thể tắt chuông báo động từ xa bằng chiếc điện thoại của mình.
Nest là một ví dụ tuyệt vời về một doanh nghiệp dựa trên IoT, là sản phẩm có tiềm năng đơn giản hóa hoặc cải thiện cuộc sống của chúng ta. Nest Labs đã được Google mua lại vào năm 2014 với giá 3,2 tỷ đô la – một chỉ báo lớn về mức độ quan trọng của thị trường này trong tương lai. Rõ ràng Google hy vọng các dịch vụ của mình sẽ trở thành nguồn sức mạnh đứng đằng sau những ngôi nhà thông minh trong tương lai và nó nhận thấy sản phẩm của Nest là một trong những khối xây dựng đầu tiên đứng phía sau “hệ điều hành” mà chúng ta sẽ sử dụng để tương tác với những ngôi nhà đó.
Tất cả điều này là một phần của sự lan truyền liên tục của IoT vào cuộc sống hàng ngày của chúng ta. Bây giờ chúng ta có Ralph Lauren sản xuất áo polo thông minh để thu thập dữ liệu di chuyển của người mặc, cũng như nhịp thở và nhịp tim. SmartMat đã sản xuất thảm tập yoga thông minh đầu tiên trên thế giới, phát hiện khi nào người dùng thực hiện động tác sai và đưa ra phản hồi ngay lập tức về việc họ phải điều chỉnh tư thế ra sao. Chảo thông minh của Pantellig có cảm biến nhiệt độ giao tiếp với ứng dụng trên điện thoại của bạn và cho biết khi nào cần lật miếng bít tết hoặc khi nào nhiệt độ quá cao.
Ngay cả Mattel, hợp tác với ToyTalk, cùng tham gia vào việc chế tạo búp bê Barbie mới theo định hướng trí tuệ nhân tạo. Với tên gọi là Hello Barbie, con búp bê có một microphone giấu trong vòng cổ của nó ghi lại những gì ai đó nói với nó và truyền chúng đến các máy chủ tại ToyTalk. Ở đó, bản ghi âm được phân tích cú pháp, phân tích và phản hồi chính xác được lựa chọn và gửi lại cho Barbie để trả lời – tất cả chỉ trong một giây. Mỗi một cuộc trò chuyện tiềm năng của Barbie được vạch ra, giống như các cành cây, với hơn 8.000 dòng đối thoại có sẵn cho nó như những phản ứng có thể. Barbie cũng nhớ những gì trẻ em nói, lưu lại câu trả lời để sử dụng sau này trong cuộc trò chuyện. Ví dụ, nếu con bạn nói ca sĩ yêu thích của cô bé là Taylor Swift, Barbie sẽ nhớ và đề cập đến nó trong một vài ngày hoặc vài tuần sau đó (Cập nhật sẽ được ghi lại định kỳ để Barbie luôn được bổ sung về nền văn hóa pop mới nhất).
Như bạn có thể tưởng tượng, con búp bê không phải là thứ thu hút đối với tất cả mọi người và cũng có những lo ngại về cách dữ liệu đàm thoại đang được sử dụng. Tất cả các câu trả lời của trẻ được ghi lại và lưu trữ trên máy chủ của ToyTalk, nơi cha mẹ và nhân viên của ToyTalk, Mattel, và các đối tác không được tiết lộ của họ, có thể nghe lại các cuộc trò chuyện. ToyTalk đã tuyên bố rằng các dữ liệu thu thập sẽ không được sử dụng cho mục đích quảng cáo, nhưng tiềm năng chắc chắn là có (Về mặt lý thuyết, Hello Barbie có thể cho con bạn biết khi nào album mới của Taylor Swift ra mắt, hoặc khi nào vé hòa nhạc được bán, chẳng hạn). Và, như Chiến dịch vì Tuổi thơ phi Thương mại khẳng định, “Ngay cả cha mẹ cũng không nên bí mật nghe những bản ghi âm của con cái họ!”.
Dù có lo ngại hay không, có thể Hello Barbie chỉ là một trong hàng loạt sản phẩm hỗ trợ AI sẽ tận dụng các thuật toán học sâu để tương tác với chúng ta theo nhiều cách thực tế hơn trong tương lai. Ví dụ, Google đã dự đoán rằng cuối cùng chúng ta sẽ sử dụng lệnh thoại nhiều hơn là gõ trên thiết bị di động của chúng ta.
Sự phát triển của các sản phẩm thông minh (như áo thun thể thao, thảm tập yoga và búp bê) là dấu hiệu cho thấy rõ ràng rằng mọi ngành đều được đánh thức với những lợi ích tiềm năng từ các phát minh thông minh, theo định hướng dữ liệu và không ai muốn bị bỏ quên. Bằng cách đó, tất cả các doanh nghiệp đang dần trở thành doanh nghiệp dữ liệu – ngay cả những doanh nghiệp mà bạn không ngờ tới nhất. Khi mà hầu như bất kỳ sản phẩm nào cũng được kết nối với Internet và các sản phẩm khác, tiềm năng để cải thiện các sản phẩm là rất lớn – và khiến cho những núi dữ liệu được tạo ra phản hồi trở lại doanh nghiệp, giúp cung cấp dịch vụ tốt hơn và hợp lý hóa các hoạt động.
Điều thực sự thú vị (hoặc điều đáng sợ, tùy thuộc vào quan điểm của bạn) là sự phát triển được nêu trong chương này chỉ là bước khởi động. Công nghệ đang phát triển rất nhanh và chúng ta đang bắt đầu cuộc cách mạng dữ liệu – có tiềm năng ảnh hưởng đến hầu hết mọi sản phẩm, dịch vụ và doanh nghiệp. Trong tương lai, tất cả các lĩnh vực này được kết hợp với nhau – giao tiếp giữa các máy móc với nhau, học máy, robot, AI, giám sát tự động và giám sát từ xa ngôi nhà của chúng ta, xe hơi không người lái, máy quét ung thư tự động,... – để tạo ra một thế giới rất khác.
Khi các đối tượng gia tăng kết nối hơn nữa, nhà thông minh, thành phố thông minh và thậm chí cả quốc gia thông minh sẽ trở thành tiêu chuẩn. Vì số lượng thiết bị kết nối Internet sớm vượt qua số lượng con người trên hành tinh, nên giá trị thực sự rõ ràng nằm trong những máy móc có thể giao tiếp và trao đổi thông tin với nhau, và phân tích thông tin đó trong thời gian thực. Khi khả năng học máy tăng lên, và máy móc học tốt hơn từ dữ liệu và sửa đổi hành động dựa trên dữ liệu mà không có bất kỳ đầu vào nào của con người, chúng ta có thể thấy một số diễn biến rất thú vị trong tương lai không xa.
Chú thích
1. Louis Columbus (2014), 10 cách dữ liệu lớn đang cách mạng hóa sản xuất, Forbes , ngày 28 tháng 11, xem tại: http://www.forbes.com/sites/louiscolumbus/2014/11/28/ten-ways-big-data-is-revolutionizing-manufacturing/#747b95627826
2. Bạn có thể tìm thấy các bài báo của Forbes được đóng góp bởi Narrative Science, xem tại: http://www.forbes.com/sites/narrativescience/#117a32554f72
3. Ian Steadman (2013), Watson của IBM chẩn đoán ung thư tốt hơn các bác sĩ là con người, Wired, ngày 11 tháng 2, xem tại: http://www.wired.co.uk/article/ibm-watson-medical-doctor