Ở số trước của bản tin “Marketing thời loạn”, mình đã gọi tên ba thách thức lớn của ngành marketing hiện nay: vay nặng lãi kiến thức từ AI, ảo giác đôi và tư duy phân mảnh (siloed-thinking). Số này, mình chia sẻ những kinh nghiệm và quan sát mình đúc kết trong việc xây dựng một hệ thống Marketing Intelligence bền vững, tiền đề để marketer hóa giải được cả ba thách thức đó, thay vì chỉ xử lý phần ngọn.
📌 Key Takeaways
- Data-driven marketing “trên danh nghĩa” thất bại không phải vì thiếu công cụ, mà vì thiếu nền tảng con người (tư duy, kỹ năng, quy trình).
- Trụ cột 1 (Tư duy dữ liệu): Data không chỉ là những con số (định lượng) trên dashboard, mà còn gồm cả dữ liệu định tính như quan sát, trải nghiệm, phản hồi khách hàng. Sửa tư duy là bước rẻ nhất, đòn bẩy cao nhất.
- Trụ cột 2 (Kỹ năng): phân tầng nhân sự thành Data Consumers và Data Specialists để nâng cấp kỹ năng “nhanh, bổ, rẻ”.
- Trụ cột 3 (Hạ tầng): không có Single Source of Truth thì mọi phân tích đều dễ bị vô hiệu hóa. Cần Data Governance, Data Warehouse và một hệ công cụ vừa đủ.
- Trụ cột 4 (AI): là gia tốc, không phải thay thế. Đừng chạy theo AI khi ba trụ cột nền chưa dựng (quy tắc 10-20-70 của McKinsey).
Data-driven marketing thực chất cần gì?
Vài tháng trước, mình có dịp tham gia một buổi meet-up và nhận được một câu hỏi:
“Ê Lưu, sao team tao build cái dashboard nhìn ngầu, đẹp quá trời mà qua giai đoạn trầm trồ ban đầu thì chẳng giúp được gì cho việc ra quyết định? Nhìn số biết kết quả tổng quan vậy thôi, còn lại thì khá… vô dụng. Là sao mày?”
Mình bất ngờ, không phải vì lạ mà vì quá quen! Mình vẫn tưởng đây là chuyện của riêng thị trường Việt Nam còn đang phát triển, hóa ra business của bạn ở các thị trường có nền tảng và phát triển như Singapore, Châu Âu, New Zealand và Úc cũng xảy ra tình trạng tương tự. Như vậy, “Dashboard đẹp mà vô dụng” không phải vấn đề riêng của thị trường nào mà là hệ quả chung khi ta lắp công cụ mà bỏ quên nền tảng.
Nhìn lại gần 4 năm học và thực hành data analytics trong marketing, cả trong môi trường học thuật lẫn doanh nghiệp, mình rút ra: để xây một phòng ban marketing đúng nghĩa data-driven, bạn cần đủ (nhưng không nhất thiết xây ngay cùng một lúc) bốn trụ cột sau:
Tư duy → Kỹ năng → Hạ tầng & Công cụ → và cuối cùng mới là AI.
Thứ tự này không ngẫu nhiên. Nó chính là bản chi tiết của quy tắc 10-20-70 mà McKinsey hay nhắc tới khi nói về đầu tư AI: giá trị của AI chỉ đến từ khoảng 10% thuật toán và 20% công nghệ, dữ liệu, còn 70% nằm ở con người và quy trình. Bỏ qua 70% đó, bạn sẽ có một cỗ máy chạy rất nhanh nhưng có thể chạy sai hướng.
Trụ cột 1: Tư duy đúng về dữ liệu
Trước đây mình từng có một cuộc “tranh cãi” khá xôm trên LinkedIn với một bạn CMO. Bạn viết một bài dài và khá viral, đại ý “số đè bẹp insight”: doanh nghiệp chỉ chăm chăm vào dữ liệu là không phù hợp với các phòng ban cần sáng tạo như marketing, vì công việc sáng tạo cần “quan sát và cảm nhận”, cần những “yếu tố cảm xúc” của khách hàng, thứ không đo đếm được, thì mới ra được insight đủ chạm. Và quan trọng là với bạn ấy, data là mấy con số trên dashboard: KPI, click, impression… Nếu chỉ chú trọng vào đó thì sẽ không có kết quả.
Mình đồng ý một nửa. Làm marketing đúng là cần quan sát, chiêm nghiệm và cảm xúc rất người. Nếu chỉ đong đếm chỉ số qua phễu (impression, click, order, revenue) thì khó thấy được “điểm chạm cảm xúc” để tạo ra nội dung đủ khác biệt và đủ chuyển đổi.
Tuy nhiên, mình nhìn thấy bạn ấy đang mắc một hiểu lầm rất phổ biến:
“Dữ liệu chỉ là những con số, nhất là số trên dashboard để theo dõi KPI, target.”
Thực tế, dữ liệu có định tính và định lượng, có cấu trúc và phi cấu trúc. Chính những quan sát, trải nghiệm, cảm nhận đó cũng là một dạng dữ liệu, hoặc là nền tảng để hình thành giả thuyết (hypothesis) đem đi thử nghiệm và phân tích sâu hơn. Chỉ khi thoát khỏi cái bẫy tư duy này, marketer mới thôi dùng “yếu tố sáng tạo” hay “insight mơ hồ” làm lá chắn né tránh dữ liệu, và cũng thôi né những sức ép phải thay đổi khi “dữ liệu chỉ ra”.
Bên cạnh đó, marketer cũng thường mắc 5 lỗi tư duy khiến việc ứng dụng phân tích dữ liệu nặng tính trình diễn hơn là thực chất:
- Nhầm lẫn giữa tương quan (correlation) và nhân quả (causation)
- Ám ảnh các chỉ số phù phiếm (vanity metrics)
- Phân tích thiếu kết nối với quyết định
- Thiên kiến xác nhận (confirmation bias)
- Đánh đồng phân tích dữ liệu với trực quan hóa dữ liệu
Bạn có thể xem chi tiết 5 lỗi tư duy này và cách tránh trong bài “Lý do marketing thất bại khi ứng dụng data analytics”.
Tóm tắt nhanh: Điều chỉnh tư duy đúng hướng là tiền đề để những dashboard “đẹp” trở nên hữu dụng, vì khi ấy, marketer thôi ngắm số và bắt đầu hiểu và hỏi số.
Trụ cột 2: Kiến thức và kỹ năng
Tốc độ phân tích và ra quyết định chính là yếu tố then chốt để data-driven vượt khỏi “chủ nghĩa hình thức” và phục vụ thực chất cho marketer và team trong công việc. Và để có được “tốc độ” đó, bộ phận marketing không chỉ cần biết cách đọc hiểu báo cáo và tìm insight, mà còn cần đủ khả năng tự báo cáo và tự phân tích (self-report và self-analysis). Nhờ đó, team có thể tự truy xuất, xử lý, phân tích và mô hình hóa dữ liệu để đào sâu, thay vì chỉ ngồi chờ và xem một dashboard có sẵn. Để làm được vậy, marketer cần bộ ba nhóm kỹ năng chính:
- Marketing Domain Expertise: đây là điều hiển nhiên và có lẽ mình không cần nói nhiều. Bởi vì nếu không hiểu hành trình khách hàng, phễu chuyển đổi hay phân khúc thì rất khó phát triển giả thuyết, mà giả thuyết mới là lúc phân tích bắt đầu phát huy tác dụng.
- Kỹ năng giải quyết vấn đề (Problem Solving): dùng tư duy hệ thống để phân rã một vấn đề lớn thành các phần nhỏ, xác định trọng tâm, rồi phát triển giải pháp và thử nghiệm. Ở đây, nguyên tắc MECE (Mutually Exclusive, Collectively Exhaustive) kết hợp công cụ Logic Tree là bộ khung cơ bản để phân rã vấn đề mà không bỏ sót nguyên nhân tiềm năng. (Hai quyển dễ đọc để bắt đầu: Problem Solving 101 và Bulletproof Problem Solving.)
- Data Stack Skills: gồm kỹ thuật xử lý (SQL, Python cơ bản để truy vấn, xử lý, mô hình hóa và tự động hóa; nếu dùng Power BI thì học thêm Power Query và DAX) và trực quan hóa (Data Viz), chính là kể chuyện bằng dữ liệu (Data Storytelling) qua Looker Studio, Tableau hay Power BI.
Tuy nhiên, điểm mấu chốt là không phải cả team marketing đều cần học hết toàn bộ các nhóm kỹ năng này. Làm vậy vừa tốn thời gian và chi phí, vừa không hiệu quả vì team sẽ không dùng hết, và cũng không phải ai cũng hợp làm dữ liệu. Dựa trên kinh nghiệm của mình, cách tối ưu là phân tầng nhân sự theo nhu cầu dùng dữ liệu:
| Nhóm | Là ai | Cần tập trung kỹ năng gì | Nguồn lực |
|---|---|---|---|
| Data Consumers | Số đông, thường xuyên đặt câu hỏi và dùng dữ liệu đã được xử lý sẵn | Domain + Problem Solving Đặt đúng câu hỏi về dữ liệu Data skill stack cơ bản: đọc hiểu báo cáo, sử dụng công cụ trực quan hóa dữ liệu, truy xuất và xử lý dữ liệu cơ bản | Đào tạo được ngay từ nhân sự nội bộ |
| Data Specialists | Thiểu số, xử lý, mô hình hóa và dựng báo cáo phức tạp | Domain + Problem Solving + trọn bộ Data Stack Skills | Đào tạo vài người nội bộ hoặc kết hợp nguồn lực ngoài |
Với nhóm Data Specialists, team marketing thường đứng trước lựa chọn: đào tạo nội bộ hay thuê agency, freelancer. Theo đánh giá của mình, phụ thuộc hoàn toàn vào bên ngoài là một lựa chọn nhiều rủi ro và thiếu linh động vì vẫn còn nút cổ chai, chưa kể người ngoài khó hiểu văn hóa và đội ngũ như người in-house. Tối ưu nhất vẫn là dùng nguồn lực ngoài để dựng framework chuẩn ban đầu, rồi in-house training để duy trì và tối ưu. Như thế, chúng ta không cần phải phụ thuộc nguồn lực bên ngoài mãi mãi, nhưng cũng không cần mày mò từ số 0.
Trụ cột 3: Hạ tầng và Công cụ, “móng có chắc nhà mới cao”
Mình từng chứng kiến nhiều team cho nhân sự đi học phân tích dữ liệu nhưng sau đó lại không đầu tư công cụ tương xứng, dẫn đến lãng phí khoản đầu tư vào con người. Vấn đề thường nằm ở ba chỗ.
- Dữ liệu không được tập trung (centralization): Mỗi lần cần thì lại kéo hoặc xuất trực tiếp từ nguồn, nên data nằm rải rác khắp nơi: Facebook Ads, Google Ads, CRM, file bán hàng trên Shopee hay TikTok Shop. Các nguồn này lại không được thiết kế để kết nối với nhau, nên bạn chỉ thấy một góc của bức tranh. Ví dụ: nhìn trong Facebook Ads thì quảng cáo A ra nhiều traffic và lead hơn B, nhưng bạn không thể biết A có thực sự mang lại nhiều khách hàng thật hơn B hay không, vì dữ liệu đơn hàng nằm ở một hệ thống khác. Đồng thời, việc không centralize data cũng sẽ dẫn đến thiếu Single Source of Truth. Khi data rải rác và không có quy chuẩn thống nhất về cách làm sạch, xử lý và đọc hiểu, mỗi phòng ban sẽ có một “sự thật” riêng. Kết quả là những cuộc tranh cãi về việc “số của ai đúng” làm vô hiệu hóa cả những phân tích dày công.
- Bẫy nhốt dữ liệu: Toàn bộ data sạch và các mô hình phân tích vốn có thể tái sử dụng lại bị nhốt tại một điểm duy nhất. Bẫy này có nhiều biến thể: Nhốt trong file BI (nối thẳng Power BI hay Tableau vào nguồn để xử lý và làm dashboard mà không xây tầng lưu trữ riêng, khiến data sạch và mô hình bị khóa cứng trong một file); hoặc Nhốt trong tài khoản hoặc máy cá nhân, đặc biệt trong thời AI (dữ liệu và cả quy trình phân tích bị dồn vào một tài khoản cá nhân hoặc một chiếc máy chuyên chạy AI để phân tích; chỉ một người, một chỗ chạm được, cả team còn lại phụ thuộc, và tri thức phân tích biến mất ngay khi người đó nghỉ, đúng kiểu “bus factor” mình đã nói ở số trước).
Để tận dụng tối đa giá trị dữ liệu và cả khoản đầu tư vào tư duy, kỹ năng ở trên, team marketing cần một hệ thống dữ liệu với ba thành phần:
- Data Governance (Quản trị dữ liệu): bộ quy tắc, quy trình và công cụ chuẩn để đảm bảo bảo mật, chất lượng và tính thống nhất của dữ liệu.
- Data Warehouse (Nhà kho dữ liệu): nơi tập trung toàn bộ dữ liệu từ nhiều nguồn, xử lý và lưu trữ theo cấu trúc phân tầng để trở thành Single Source of Truth, có phân quyền để nhiều người truy vấn và tái sử dụng song song mà không ảnh hưởng luồng dữ liệu chính.
- Hệ sinh thái công cụ: bạn không cần công cụ đắt nhất hay xịn nhất, mà cần một hệ thống vừa đủ với nhu cầu. Một team nhỏ hoàn toàn có thể bắt đầu với Google Sheets và Looker Studio, rồi tiến tới BigQuery khi dữ liệu lớn dần.
Trụ cột 4: AI, gia tốc chứ không thay thế
Rất nhiều người nói với mình: “AI sẽ thay thế toàn bộ nhân sự analytics!”. Mình không phản đối hoàn toàn, nhưng có một bổ sung quan trọng: AI làm cho việc dùng dữ liệu nhanh hơn và dễ hơn, chứ không xóa bỏ nhu cầu về con người biết đặt câu hỏi đúng.
Cụ thể, khi ba trụ cột nền đã vững, AI sẽ giúp:
- Nhóm Data Consumers thực hiện được các truy vấn và xử lý phức tạp hơn mà không cần biết code, hoặc chỉ cần một chút SQL.
- Nhóm Data Specialists bớt sa vào việc code, chuyển sang xây hệ thống dữ liệu “AI-ready” để AI làm việc trên dữ liệu sẵn có một cách an toàn và chính xác.
- Cả team xử lý được nhóm dữ liệu định tính (phản hồi khách hàng, bình luận, review trên Fanpage hay Shopee) ở quy mô lớn, mở rộng phạm vi phân tích và tăng khả năng tìm insight.
Đây cũng là lý do góc nhìn “AI hỗ trợ, không thay thế” (augment, not replace) mới là điều đang thực sự diễn ra: AI xử lý phần cơ học như kéo số, làm sạch và báo cáo lặp lại, còn con người tập trung vào phần cần phán đoán, đặt đúng câu hỏi, diễn giải dữ liệu mơ hồ và kiểm chứng đầu ra của AI so với thực tế kinh doanh.
Bốn trụ cột là một hệ sinh thái, không phải một checklist
Việc xây ba trụ cột đầu chính là tiền đề để có một hệ sinh thái dữ liệu “AI-ready”, giúp AI thật sự gia tăng hiệu quả marketing thay vì phóng đại rủi ro. Bốn trụ cột (Tư duy, Kỹ năng, Hạ tầng và AI) không hoạt động độc lập mà bổ trợ cho nhau. Thiếu một, cỗ máy marketing của bạn sẽ khập khiễng. Vì vậy, đừng vội chạy theo AI khi ba trụ cột nền tảng chưa được xây dựng.
Bạn cũng không cần áp lực phải có đủ bốn trụ cột ngay lập tức. Cách thực tế là chọn một trụ cột yếu nhất đang cản trở bạn nhất lúc này và bắt đầu từ đó. Với phần lớn team mình gặp, điểm khởi đầu rẻ và hiệu quả nhất luôn là Trụ cột 1 và 2, trước khi tiêu thêm một đồng nào cho công cụ hay AI.
Câu hỏi thường gặp (FAQ)
Data-driven marketing là gì?
Là cách làm marketing trong đó các quyết định (từ nội dung, kênh, ngân sách đến tối ưu chiến dịch) được dẫn dắt bởi dữ liệu và phân tích, thay vì chỉ dựa vào cảm tính. Quan trọng: dữ liệu ở đây gồm cả định lượng (số) và định tính (quan sát, phản hồi khách hàng), không chỉ là các chỉ số trên dashboard.
Team marketing nhỏ, ngân sách hạn chế thì bắt đầu từ đâu?
Bắt đầu từ Trụ cột 1 (Tư duy) vì nó gần như miễn phí, rồi tới Trụ cột 2 (Kỹ năng) cho một vài người chủ chốt. Về công cụ, Google Sheets kết hợp Looker Studio là đủ để đi rất xa trước khi cần đến Data Warehouse.
Có cần cả team học SQL, Python không?
Không. Chỉ nhóm Data Specialists (thiểu số) cần trọn bộ data stack skills. Nhóm Data Consumers (số đông) chỉ cần biết đọc hiểu báo cáo và đặt đúng câu hỏi về dữ liệu.
AI có thay thế nhân sự phân tích không?
Trong ngắn hạn, AI thiên về hỗ trợ hơn là thay thế. Nó gánh phần việc cơ học và tăng tốc phân tích, nhưng vẫn cần con người đặt câu hỏi đúng và kiểm chứng kết quả. Không có nền tảng tư duy và kỹ năng, AI có thể khiến sai lầm lan nhanh hơn.
Nên đầu tư công cụ trước hay đào tạo con người trước?
Con người trước. Theo quy tắc 10-20-70, khoảng 70% giá trị đến từ con người và quy trình. Đầu tư công cụ khi đội ngũ chưa đủ năng lực sử dụng là cách nhanh nhất để có thêm một dashboard “trang trí”.
Kết
Số tới, mình sẽ chia sẻ một phương pháp học đặc biệt đã giúp một dân “toàn chữ” như mình vượt qua rào cản kỹ thuật để học data. Nếu thấy hữu ích, hãy đăng ký Bản tin thứ Ba để nhận bài bản tin đầy đủ và sớm nhất nhé.
📥 Đăng ký Bản tin thứ Ba để cùng nhau xây dựng năng lực Marketing Intelligence, làm marketing tỉnh táo giữa thời loạn.
Đọc thêm trên site: 5 sai lầm tư duy khi làm data-driven marketing · Dashboard and report: effective use · Cheap data, expensive insights
