Big Data hỗ trợ đổi mới sáng tạo bằng những cách nào?

Thay vì chỉ dựa vào kinh nghiệm, trực giác hoặc một số khảo sát tại từng thời điểm, doanh nghiệp có thể phân tích liên tục dữ liệu giao dịch, hành vi sử dụng, phản hồi khách hàng, vận hành sản phẩm và biến động thị trường. Những dữ liệu này tạo thành một vòng lặp: quan sát vấn đề, hình thành giả thuyết, thử nghiệm giải pháp, đo lường tác động và điều chỉnh.

Tuy nhiên, Big Data không tự động tạo ra đổi mới. Dữ liệu chỉ phát huy giá trị khi được gắn với một câu hỏi kinh doanh rõ ràng, một cơ chế thử nghiệm phù hợp và tiêu chí đánh giá có thể đo lường. Dữ liệu lớn nhưng sai lệch, thiếu ngữ cảnh hoặc không đại diện vẫn có thể dẫn đến quyết định kém chính xác.

Big Data thay đổi quá trình đổi mới sáng tạo như thế nào?

Đổi mới sáng tạo không chỉ là hoạt động tạo ra một sản phẩm hoàn toàn mới. Nó còn bao gồm cải tiến trải nghiệm khách hàng, thiết kế lại quy trình, phát triển mô hình kinh doanh, thay đổi cách phân phối hoặc tìm ra phương pháp sử dụng nguồn lực hiệu quả hơn.

Trong mô hình truyền thống, quá trình đổi mới thường bắt đầu từ ý tưởng của chuyên gia hoặc lãnh đạo. Ý tưởng sau đó được nghiên cứu, phát triển thành sản phẩm và đưa ra thị trường. Hạn chế của cách tiếp cận này là tổ chức có thể đầu tư nhiều thời gian và chi phí trước khi biết khách hàng có thực sự cần giải pháp hay không.

Big Data làm thay đổi trình tự đó. Quá trình đổi mới có thể bắt đầu từ những tín hiệu quan sát được trong dữ liệu:

·         Khách hàng đang tìm kiếm điều gì nhưng chưa mua được

·         Người dùng thường dừng lại ở bước nào

·         Tính năng nào được sử dụng nhiều nhưng gây khó khăn

·         Khiếu nại nào đang tăng nhanh

·         Nhóm khách hàng nào có hành vi khác với giả định ban đầu

·         Điều kiện nào thường xuất hiện trước khi nhu cầu thay đổi

Từ các tín hiệu này, tổ chức hình thành giả thuyết đổi mới. Giả thuyết được chuyển thành phiên bản thử nghiệm, triển khai với một nhóm người dùng phù hợp và đánh giá bằng các chỉ số đã xác định trước.

Cơ chế hỗ trợ đổi mới của Big Data vì vậy có thể được khái quát thành năm bước:

1.    Thu thập tín hiệu từ nhiều điểm tiếp xúc

2.    Xác định mẫu hình, bất thường hoặc nhu cầu chưa được đáp ứng

3.    Chuyển phát hiện thành giả thuyết đổi mới

4.    Thử nghiệm giải pháp trong phạm vi kiểm soát

5.    Đo lường kết quả và cập nhật quyết định

Giá trị cốt lõi không phải là thay thế hoàn toàn tư duy sáng tạo bằng thuật toán. Big Data giúp giảm mức độ phụ thuộc vào phỏng đoán và tạo thêm bằng chứng để con người lựa chọn, phát triển hoặc loại bỏ ý tưởng.

Phát hiện nhu cầu chưa được đáp ứng từ dữ liệu lớn

Một trong những đóng góp quan trọng nhất của Big Data đối với đổi mới sáng tạo là giúp tổ chức nhận biết nhu cầu trước khi khách hàng diễn đạt nhu cầu đó thành một yêu cầu rõ ràng.

Kết hợp nhiều loại tín hiệu khách hàng

Nhu cầu hiếm khi được thể hiện đầy đủ trong một nguồn dữ liệu duy nhất. Khảo sát có thể phản ánh điều khách hàng nói, nhưng dữ liệu hành vi lại cho thấy điều họ thực sự làm.

Doanh nghiệp có thể kết hợp:

·         Lịch sử tìm kiếm

·         Dữ liệu giao dịch

·         Hành trình trên website hoặc ứng dụng

·         Tần suất sử dụng tính năng

·         Nội dung đánh giá và khiếu nại

·         Hội thoại với bộ phận hỗ trợ

·         Tỷ lệ hủy đơn, đổi trả hoặc rời bỏ

·         Dữ liệu thiết bị và cảm biến

·         Thông tin theo thời gian, địa điểm hoặc hoàn cảnh sử dụng

Ví dụ, khách hàng có thể không yêu cầu trực tiếp một phương thức thanh toán mới. Tuy nhiên, dữ liệu có thể cho thấy một nhóm người dùng thường rời khỏi quy trình tại bước thanh toán, thực hiện nhiều lần thử hoặc chuyển sang kênh khác. Đây là tín hiệu về một trở ngại chưa được giải quyết.

Phân khúc theo hành vi thay vì chỉ theo nhân khẩu học

Các nhóm khách hàng có cùng độ tuổi hoặc thu nhập chưa chắc có cùng nhu cầu. Big Data cho phép phân khúc dựa trên hành vi thực tế, chẳng hạn:

·         Mục đích sử dụng

·         Tần suất tương tác

·         Mức độ nhạy cảm với giá

·         Trình tự hành động

·         Khả năng tiếp nhận tính năng mới

·         Nguyên nhân rời bỏ

·         Bối cảnh phát sinh nhu cầu

Cách phân khúc này giúp doanh nghiệp nhận ra các nhóm nhu cầu nhỏ nhưng có giá trị. Một nhu cầu không phổ biến trong toàn bộ thị trường vẫn có thể đủ lớn hoặc đủ cấp thiết để trở thành cơ sở cho một sản phẩm chuyên biệt.

Phát hiện tín hiệu yếu và xu hướng mới

Dữ liệu lớn có thể làm nổi bật những thay đổi nhỏ xuất hiện đồng thời ở nhiều nguồn. Một cụm từ tìm kiếm mới, một dạng phản hồi lặp lại hoặc sự thay đổi trong thời điểm sử dụng sản phẩm có thể là tín hiệu sớm của một xu hướng.

Tuy nhiên, không phải mọi tương quan đều phản ánh nhu cầu thật. Một tín hiệu chỉ nên được chuyển thành cơ hội đổi mới khi tổ chức kiểm tra được:

·         Tín hiệu có lặp lại hay chỉ là biến động ngẫu nhiên

·         Tín hiệu xuất hiện ở một nguồn hay nhiều nguồn độc lập

·         Nhóm khách hàng liên quan có giá trị và quy mô phù hợp hay không

·         Hành vi quan sát được có nguyên nhân hợp lý hay không

·         Nhu cầu có đủ ổn định để đầu tư hay không

Big Data giúp phát hiện cơ hội, nhưng nghiên cứu định tính, phỏng vấn và quan sát trực tiếp vẫn cần thiết để giải thích động cơ phía sau hành vi.

Rút ngắn chu kỳ thử nghiệm và kiểm chứng ý tưởng

Sau khi phát hiện một cơ hội, thách thức tiếp theo là xác định giải pháp nào thực sự tạo ra giá trị. Big Data giúp tổ chức biến hoạt động đổi mới từ một dự án đặt cược lớn thành chuỗi thử nghiệm có kiểm soát.

Chuyển ý tưởng thành giả thuyết có thể đo lường

Một ý tưởng như “cải thiện trải nghiệm người dùng” quá rộng để kiểm chứng. Để thử nghiệm, ý tưởng cần được chuyển thành giả thuyết cụ thể.

Ví dụ:

“Nếu rút gọn quy trình đăng ký từ năm bước xuống ba bước, tỷ lệ hoàn tất đăng ký của người dùng mới sẽ tăng mà không làm giảm chất lượng thông tin thu thập.”

Giả thuyết này xác định được:

·         Nhóm chịu tác động

·         Thay đổi cần thực hiện

·         Kết quả mong đợi

·         Chỉ số cần theo dõi

·         Rủi ro cần kiểm soát

Dữ liệu lịch sử có thể giúp lựa chọn giả thuyết có khả năng tạo giá trị cao nhất. Dữ liệu thử nghiệm sau đó cho biết giả thuyết có được ủng hộ hay không.

Thử nghiệm trên phạm vi nhỏ trước khi mở rộng

Doanh nghiệp có thể triển khai nguyên mẫu, phiên bản khả dụng tối thiểu hoặc một thay đổi giới hạn cho một nhóm người dùng. Kết quả của nhóm này được so sánh với nhóm không nhận thay đổi.

Các chỉ số đánh giá có thể bao gồm:

·         Tỷ lệ chuyển đổi

·         Tỷ lệ hoàn thành tác vụ

·         Thời gian thực hiện

·         Tần suất sử dụng

·         Mức độ giữ chân

·         Doanh thu trên người dùng

·         Tỷ lệ lỗi

·         Chi phí phục vụ

·         Mức độ hài lòng

·         Tỷ lệ khiếu nại hoặc hoàn trả

Việc đo nhiều chỉ số là cần thiết vì một đổi mới có thể cải thiện một kết quả nhưng làm xấu đi kết quả khác. Chẳng hạn, một giao diện thúc đẩy mua hàng nhanh hơn có thể đồng thời làm tăng tỷ lệ hoàn trả nếu khách hàng không hiểu rõ sản phẩm.

Xây dựng vòng phản hồi liên tục

Thử nghiệm không nên kết thúc bằng kết luận “thành công” hoặc “thất bại” đơn giản. Dữ liệu cần giúp trả lời sâu hơn:

·         Giải pháp hiệu quả với nhóm nào

·         Hiệu quả trong điều kiện nào

·         Thành phần nào tạo ra tác động

·         Tác động có duy trì theo thời gian hay không

·         Có xuất hiện hậu quả ngoài dự kiến hay không

·         Cần điều chỉnh sản phẩm hay điều chỉnh giả thuyết

Vòng phản hồi này làm giảm chi phí học hỏi. Tổ chức có thể loại bỏ sớm ý tưởng yếu, cải tiến ý tưởng có tiềm năng và chỉ mở rộng khi đã có bằng chứng phù hợp.

Hạn chế quan trọng là kết quả thử nghiệm có thể bị sai lệch nếu mẫu quá nhỏ, thời gian quá ngắn, các nhóm không tương đương hoặc nhiều thay đổi được thực hiện cùng lúc. Vì vậy, tốc độ thử nghiệm không được đánh đổi bằng chất lượng thiết kế thử nghiệm.

Cải thiện dự báo để lựa chọn cơ hội đổi mới

Đổi mới luôn chứa đựng bất định. Doanh nghiệp không thể biết chắc sản phẩm mới sẽ được tiếp nhận như thế nào, nhưng Big Data có thể giúp ước lượng các kịch bản và giảm một phần bất định đó.

Dự báo nhu cầu và thời điểm thị trường

Mô hình dự báo có thể kết hợp dữ liệu bán hàng, tìm kiếm, hành vi khách hàng, mùa vụ, giá, chương trình tiếp thị và yếu tố kinh tế để ước lượng nhu cầu trong tương lai.

Kết quả dự báo hỗ trợ doanh nghiệp trả lời:

·         Nhu cầu có khả năng tăng ở phân khúc nào

·         Thời điểm nào phù hợp để ra mắt

·         Khu vực nào nên được ưu tiên

·         Mức giá nào cần được thử nghiệm

·         Năng lực vận hành nào cần chuẩn bị

·         Kịch bản nào có nguy cơ thiếu hoặc dư nguồn lực

Dự báo không tạo ra sự chắc chắn. Nó cung cấp một phân bố khả năng hoặc một số kịch bản để tổ chức chuẩn bị quyết định linh hoạt hơn.

Đánh giá khả năng thành công của ý tưởng

Dữ liệu từ các sản phẩm trước, thử nghiệm ban đầu và phản ứng của người dùng có thể được sử dụng để ước lượng:

·         Khả năng chấp nhận sản phẩm

·         Khả năng chuyển đổi

·         Giá trị vòng đời khách hàng

·         Nguy cơ rời bỏ

·         Chi phí phục vụ

·         Thời gian hoàn vốn

·         Khả năng mở rộng sang phân khúc khác

Các dự báo này giúp so sánh danh mục ý tưởng trên cùng một hệ tiêu chí. Thay vì lựa chọn dự án chỉ vì ý tưởng hấp dẫn, doanh nghiệp có thể cân nhắc đồng thời giá trị kỳ vọng, chi phí, mức độ bất định và rủi ro.

Mô phỏng kịch bản trước khi đầu tư lớn

Big Data cũng hỗ trợ mô phỏng câu hỏi “điều gì sẽ xảy ra nếu”:

·         Nếu giá nguyên liệu tăng thì mô hình kinh doanh còn khả thi không

·         Nếu nhu cầu thấp hơn dự báo thì quy mô đầu tư nào vẫn an toàn

·         Nếu tốc độ tiếp nhận chậm thì cần bao lâu để đạt điểm hòa vốn

·         Nếu một phân khúc phản ứng tiêu cực thì ảnh hưởng đến toàn bộ dự án ra sao

·         Nếu thay đổi thiết kế sản phẩm thì chi phí vận hành biến động thế nào

Phân tích kịch bản giúp tổ chức thiết kế phương án dự phòng và xác định những giả định cần kiểm chứng sớm nhất.

Giới hạn của dự báo là mô hình thường học từ dữ liệu quá khứ. Khi thị trường xuất hiện thay đổi cấu trúc, hành vi hoàn toàn mới hoặc một sự kiện chưa từng có, các quan hệ trong dữ liệu cũ có thể không còn đúng. Vì vậy, dự báo nên được sử dụng như một đầu vào quyết định, không phải câu trả lời tuyệt đối.

Tối ưu sản phẩm, quy trình và mô hình kinh doanh

Big Data không chỉ hỗ trợ phát hiện ý tưởng mới. Nó còn giúp cải tiến liên tục những giải pháp đã được đưa vào sử dụng.

Cá nhân hóa sản phẩm và trải nghiệm

Dữ liệu cho phép tổ chức điều chỉnh nội dung, đề xuất, giao diện hoặc dịch vụ theo nhu cầu của từng nhóm người dùng. Cá nhân hóa có thể tạo ra giá trị khi nó giúp khách hàng:

·         Tìm thấy lựa chọn phù hợp nhanh hơn

·         Giảm số bước không cần thiết

·         Nhận đúng thông tin theo bối cảnh

·         Tránh các tính năng không liên quan

·         Tiếp cận hỗ trợ vào thời điểm cần thiết

Tuy nhiên, cá nhân hóa quá mức có thể làm người dùng cảm thấy bị theo dõi, hạn chế khả năng khám phá hoặc tạo ra sự đối xử không công bằng. Vì vậy, hiệu quả kinh doanh phải được đánh giá cùng với quyền riêng tư, tính minh bạch và mức độ kiểm soát của người dùng.

Cải tiến quy trình vận hành

Dữ liệu cảm biến, nhật ký hệ thống và dữ liệu quy trình có thể chỉ ra:

·         Điểm nghẽn

·         Thời gian chờ

·         Công đoạn thường phát sinh lỗi

·         Hoạt động không tạo giá trị

·         Nguyên nhân gây gián đoạn

·         Nhu cầu bảo trì

·         Mức độ sử dụng nguồn lực

Những phát hiện này có thể dẫn đến đổi mới quy trình, tự động hóa hoặc thiết kế lại cách phối hợp giữa con người và hệ thống.

Phát triển mô hình kinh doanh mới

Khi tổ chức hiểu rõ cách khách hàng sử dụng sản phẩm, giá trị có thể được đóng gói theo cách khác. Chẳng hạn, doanh nghiệp có thể chuyển từ bán sản phẩm sang cung cấp dịch vụ theo mức sử dụng, kết quả đầu ra hoặc gói thuê bao.

Dữ liệu giúp xác định:

·         Đơn vị giá trị mà khách hàng sẵn sàng trả tiền

·         Mức sử dụng thực tế

·         Chi phí phục vụ từng nhóm

·         Nguy cơ lạm dụng hoặc gian lận

·         Khả năng duy trì doanh thu định kỳ

Dù vậy, mô hình kinh doanh dựa trên dữ liệu chỉ bền vững khi quyền thu thập, sử dụng và chia sẻ dữ liệu được xác định rõ ràng.

Phân bổ nguồn lực cho danh mục đổi mới

Một tổ chức thường có nhiều ý tưởng hơn khả năng đầu tư. Big Data hỗ trợ lựa chọn dự án bằng cách tạo ra một hệ thống đánh giá nhất quán.

Mỗi sáng kiến có thể được xem xét theo các nhóm chỉ số:

·         Quy mô vấn đề cần giải quyết

·         Số lượng khách hàng chịu ảnh hưởng

·         Mức độ cấp thiết của nhu cầu

·         Giá trị kinh tế kỳ vọng

·         Mức độ phù hợp với chiến lược

·         Chi phí thử nghiệm

·         Thời gian học hỏi

·         Khả năng mở rộng

·         Rủi ro kỹ thuật

·         Rủi ro pháp lý và đạo đức

·         Độ tin cậy của bằng chứng hiện có

Doanh nghiệp không nên chỉ ưu tiên dự án có doanh thu kỳ vọng cao nhất. Một dự án có giá trị kỳ vọng lớn nhưng phụ thuộc vào nhiều giả định chưa kiểm chứng có thể rủi ro hơn một dự án nhỏ có bằng chứng rõ ràng.

Cách tiếp cận phù hợp là phân bổ nguồn lực theo từng giai đoạn. Ở giai đoạn đầu, tổ chức cấp nguồn lực vừa đủ để kiểm chứng giả định quan trọng. Khi bằng chứng mạnh hơn, dự án mới nhận thêm nguồn lực. Cách làm này giúp tránh đầu tư quá sớm vào ý tưởng chưa được xác thực.

Big Data cũng hỗ trợ theo dõi danh mục đổi mới theo thời gian. Nếu dữ liệu mới làm thay đổi giả định ban đầu, tổ chức có thể tiếp tục, điều chỉnh, tạm dừng hoặc chấm dứt dự án dựa trên tiêu chí đã thống nhất.

Điều kiện để Big Data thực sự tạo ra đổi mới

Dữ liệu lớn không bảo đảm kết quả tốt hơn. Giá trị phụ thuộc vào chất lượng của toàn bộ hệ thống từ thu thập dữ liệu đến ra quyết định.

Bắt đầu từ câu hỏi thay vì bắt đầu từ dữ liệu

Thu thập dữ liệu mà không có câu hỏi rõ ràng dễ tạo ra nhiều báo cáo nhưng ít quyết định hữu ích. Tổ chức cần xác định trước:

·         Vấn đề nào cần giải quyết

·         Quyết định nào cần được hỗ trợ

·         Giả thuyết nào cần kiểm chứng

·         Chỉ số nào phản ánh giá trị

·         Điều kiện nào sẽ khiến giả thuyết bị bác bỏ

Câu hỏi càng cụ thể, yêu cầu dữ liệu càng rõ và khả năng biến phân tích thành hành động càng cao.

Bảo đảm chất lượng và tính đại diện

Dữ liệu cần được kiểm tra về:

·         Độ chính xác

·         Tính đầy đủ

·         Tính nhất quán

·         Tính cập nhật

·         Khả năng truy xuất nguồn gốc

·         Mức độ đại diện cho nhóm mục tiêu

·         Sự thay đổi của định nghĩa theo thời gian

Dữ liệu lớn không khắc phục được sai lệch có hệ thống. Nếu một nhóm khách hàng ít xuất hiện trong dữ liệu, mô hình có thể bỏ qua nhu cầu của nhóm đó dù tổng số bản ghi rất lớn.

Kết hợp dữ liệu định lượng và hiểu biết định tính

Dữ liệu định lượng thường cho biết điều gì đang xảy ra, ở đâu và với tần suất nào. Phỏng vấn, quan sát và nghiên cứu định tính giúp giải thích tại sao điều đó xảy ra.

Ví dụ, dữ liệu có thể xác định người dùng thường bỏ dở tại một bước. Nhưng để thiết kế giải pháp phù hợp, doanh nghiệp vẫn cần hiểu họ bỏ dở vì thiếu niềm tin, quy trình phức tạp, thông tin không rõ hay điều kiện sử dụng không phù hợp.

Đổi mới mạnh thường xuất hiện khi bằng chứng định lượng được kết hợp với hiểu biết sâu về con người.

Xây dựng năng lực thử nghiệm

Một tổ chức có dữ liệu nhưng không thể thử nghiệm nhanh vẫn khó đổi mới. Năng lực cần thiết bao gồm:

·         Hạ tầng đo lường

·         Quy trình thiết kế thử nghiệm

·         Khả năng tạo nguyên mẫu

·         Cơ chế phê duyệt thử nghiệm

·         Đội ngũ liên chức năng

·         Tiêu chí dừng hoặc mở rộng

·         Khả năng học hỏi từ kết quả không như mong đợi

Thất bại của một thử nghiệm không nhất thiết là thất bại của đổi mới. Một thử nghiệm được thiết kế tốt có thể tạo ra kiến thức giúp tổ chức tránh một khoản đầu tư lớn hơn.

Thiết lập quản trị dữ liệu và trách nhiệm

Quá trình đổi mới phải tuân thủ nguyên tắc về quyền riêng tư, bảo mật, quyền sử dụng dữ liệu, khả năng giải thích và công bằng.

Tổ chức cần xác định:

·         Dữ liệu nào thực sự cần thu thập

·         Mục đích sử dụng có phù hợp với kỳ vọng của người dùng hay không

·         Ai được truy cập dữ liệu

·         Dữ liệu được lưu trong bao lâu

·         Cách xử lý thông tin nhạy cảm

·         Quyết định nào cần con người giám sát

·         Cách phát hiện và xử lý sai lệch của mô hình

Một giải pháp tạo ra lợi ích ngắn hạn nhưng làm suy giảm niềm tin của khách hàng không thể được xem là đổi mới bền vững.

Những giới hạn và hiểu lầm thường gặp

Nhiều dữ liệu hơn không đồng nghĩa với hiểu biết tốt hơn

Khối lượng dữ liệu chỉ là một đặc điểm của Big Data. Giá trị còn phụ thuộc vào độ tin cậy, tính liên quan, tốc độ xử lý và khả năng kết nối dữ liệu với quyết định.

Một tập dữ liệu nhỏ nhưng đúng đối tượng và đúng câu hỏi có thể hữu ích hơn một kho dữ liệu rất lớn nhưng không đại diện.

Tương quan không tự động chứng minh quan hệ nhân quả

Hai hiện tượng xuất hiện cùng nhau không có nghĩa một hiện tượng gây ra hiện tượng còn lại. Mẫu hình trong dữ liệu có thể bị ảnh hưởng bởi mùa vụ, cách chọn mẫu, biến ẩn hoặc sự thay đổi của môi trường.

Khi quyết định có mức độ rủi ro cao, doanh nghiệp cần kết hợp phân tích dữ liệu với thử nghiệm có kiểm soát, kiến thức chuyên môn và kiểm tra nguyên nhân.

Mô hình chính xác không bảo đảm ý tưởng có giá trị

Một mô hình có thể dự đoán tốt nhưng không tạo ra hành động hữu ích. Đổi mới chỉ xảy ra khi phát hiện từ dữ liệu được chuyển thành giải pháp đáp ứng nhu cầu, có khả năng triển khai và tạo ra giá trị thực tế.

Dữ liệu quá khứ có thể củng cố cách làm cũ

Nếu chỉ tối ưu theo hành vi đã tồn tại, tổ chức có thể bỏ lỡ những ý tưởng chưa từng xuất hiện trong dữ liệu. Những đổi mới mang tính đột phá thường cần trí tưởng tượng, tầm nhìn và khả năng đặt câu hỏi vượt ra ngoài các mẫu hình lịch sử.

Vì vậy, vai trò hợp lý của Big Data là hỗ trợ và thách thức trực giác, không phải loại bỏ trực giác sáng tạo.

Tối ưu chỉ số cục bộ có thể làm giảm giá trị tổng thể

Một nhóm có thể tối ưu tỷ lệ nhấp, thời gian sử dụng hoặc số giao dịch mà không cải thiện trải nghiệm lâu dài. Thậm chí, chỉ số ngắn hạn có thể tăng trong khi niềm tin, sự hài lòng hoặc khả năng giữ chân giảm.

Mỗi sáng kiến đổi mới cần có:

·         Chỉ số kết quả chính

·         Chỉ số kiểm soát tác dụng phụ

·         Mốc thời gian đánh giá

·         Ngưỡng dừng

·         Tiêu chí mở rộng

Khung ứng dụng Big Data vào đổi mới sáng tạo

Doanh nghiệp có thể triển khai quá trình đổi mới dựa trên dữ liệu theo bảy bước.

1. Xác định vấn đề cần đổi mới

Mô tả vấn đề theo hành vi hoặc kết quả quan sát được, thay vì bắt đầu bằng một giải pháp đã định trước.

2. Xác định quyết định cần hỗ trợ

Làm rõ dữ liệu sẽ được dùng để chọn ý tưởng, thiết kế giải pháp, ưu tiên phân khúc, đánh giá thử nghiệm hay dự báo khả năng mở rộng.

3. Lập bản đồ dữ liệu

Xác định nguồn dữ liệu hiện có, dữ liệu còn thiếu, chất lượng, quyền sử dụng và mức độ đại diện.

4. Tìm mẫu hình và hình thành giả thuyết

Chuyển phát hiện thành một phát biểu có thể kiểm chứng, bao gồm thay đổi dự kiến, nhóm chịu tác động và kết quả mong đợi.

5. Thiết kế thử nghiệm

Xác định nhóm thử nghiệm, nhóm đối chứng khi phù hợp, thời gian, chỉ số chính, chỉ số kiểm soát và tiêu chí quyết định.

6. Phân tích kết quả trong đúng bối cảnh

Không chỉ kiểm tra chỉ số có tăng hay không, mà còn đánh giá tác động theo phân khúc, độ bền của kết quả, chi phí, rủi ro và các hậu quả ngoài dự kiến.

7. Quyết định và cập nhật vòng học hỏi

Dựa trên bằng chứng để lựa chọn một trong bốn hướng:

·         Mở rộng giải pháp

·         Điều chỉnh và thử nghiệm lại

·         Giới hạn cho một nhóm phù hợp

·         Dừng ý tưởng và lưu lại bài học

Hiệu quả của hệ thống có thể được đánh giá bằng các chỉ số như thời gian từ phát hiện đến thử nghiệm, chi phí cho mỗi giả thuyết được kiểm chứng, tỷ lệ thử nghiệm tạo ra kiến thức có thể hành động và giá trị thực tế của các sáng kiến sau khi mở rộng.

Big Data hỗ trợ đổi mới sáng tạo chủ yếu qua ba năng lực: nhìn thấy nhu cầu rõ hơn, học nhanh hơn từ thử nghiệm và dự báo tốt hơn trước khi đầu tư quy mô lớn. Khi được tổ chức thành một vòng lặp liên tục, dữ liệu giúp doanh nghiệp chuyển từ đổi mới dựa nhiều vào phỏng đoán sang đổi mới dựa trên bằng chứng.

Tuy nhiên, Big Data không phải cỗ máy tự động sản xuất ý tưởng. Dữ liệu có thể chỉ ra mẫu hình nhưng không tự giải thích đầy đủ động cơ của con người; có thể hỗ trợ dự báo nhưng không loại bỏ bất định; có thể tối ưu giải pháp hiện có nhưng không thay thế trí tưởng tượng cần thiết cho đổi mới đột phá.

Giá trị lớn nhất xuất hiện khi tổ chức kết hợp dữ liệu đáng tin cậy, hiểu biết định tính, tư duy sáng tạo, thử nghiệm có kiểm soát và quản trị có trách nhiệm. Khi đó, Big Data không chỉ giúp doanh nghiệp biết nhiều hơn mà còn giúp doanh nghiệp học nhanh hơn và đưa những ý tưởng tốt vào thực tế với mức rủi ro thấp hơn.