DAY 02SHISEIDO × THE FUTURE ANALYSTShiseido
AI Training Program · Day 02

AI-Powered
Data Analytics

Shiseido Vietnam08:30 – 17:00
The Future AnalystShiseido
CopilotCopilotMicrosoft 365
ExcelExcel
PowerPointPowerPoint
OutlookOutlook
TeamsTeams
OneDriveOneDrive
MỞ ĐẦUShiseido

Learning Objectives

MỞ ĐẦUShiseido

Agenda | AI-Powered Data Analytics

Buổi sáng08:30–12:00Chuẩn bị dữ liệu và khám phá insight
Buổi chiều13:30–17:00Phân tích nguyên nhân và kể chuyện bằng dữ liệu
Module 01The Data Analytics Process in the AI Era08:30–09:30
Module 02Data Preparation & Reconciliation09:45–10:45
Module 3AFrom Data to Insights (1)11:00–12:00
Module 3BFrom Data to Insights (2)13:30–14:30
Module 04Data Storytelling & Reporting14:45–15:45
Module 05Wrap-up & Q&A16:00–17:00
01
MODULE 0108:30 – 09:30Shiseido
Module 1 / 5

The Data
Analytics Process
in the AI Era

Nội dung chính
01Business Questions
02Data Analysis Process
03Introduction to Agentic AI
04Agentic AI in Data Analytics
05Agentic Analytics Workflow
06Today's Business Case
07Business Statistics Fundamentals
01 · Ask
02 · Prepare
03 · Analyze
04 · Share
05 · Act
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Every Business Decision Starts with a Question

Hằng ngàyTheo dõi hoạt động
TeamsTeams· Chat nhóm
DE
Digital & Ecommerce08:05
Traffic hôm qua giảm so với cùng kỳ tháng trước? Giờ nào giảm mạnh nhất?
SC
Supply Chain08:40
Điểm bán nào sắp xuống dưới mức tồn kho an toàn?
Hằng tuầnĐánh giá hiệu quả
Microsoft TeamsTeams· Báo cáo tuần
CF
Cosmetics & FragranceThứ Hai
Sell-out của khách hàng tuần này so với tháng trước và cùng kỳ năm ngoái ra sao?
HR
Human ResourceThứ Hai
Tỷ lệ nghỉ việc đang tăng ở phòng ban nào, nhóm thâm niên nào?
Hằng tháng · quýHoạch định chiến lược
TeamsTeams· Họp giao ban tháng
GĐ
Tổng giám đốcĐầu tháng 10
Vì sao doanh thu Q3 tăng 14% mà lợi nhuận giảm 17%?
AC
AccountingCuối tháng
Công nợ quá hạn tháng này bao nhiêu, khách hàng nào cần nhắc?
Câu hỏi dựa trên khảo sát đầu khóa của học viên · số liệu giả lập
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Data Analysis Process

Làm thế nào để giải quyết
bài toán kinh doanh
bằng dữ liệu?

Câu hỏi mới
01
Ask
Xác định câu hỏi
02
Prepare
Lấy và làm sạch dữ liệu
03
Analyze
Phân tích dữ liệu
04
Share
Trình bày kết quả
05
Act
Ra quyết định và hành động
BạnOutlookOutlook · Email
BạnExcelCSV · Excel
BạnExcelExcel · Pivot
BạnPowerPointPowerPoint
BạnMicrosoft TeamsTeams · Cuộc họp
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido
Như vậy

AI phát triển, quy trình phân tích sẽ thay đổi ra sao?

CopilotMicrosoft 365Copilot?
Outlook01 Ask
SharePoint02 Prepare
Excel03 Analyze
PowerPoint04 Share
Teams05 Act
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

What Is Agentic AI?

Agentic AI là gì?

Agentic AI là hệ thống AI có khả năng nhận một mục tiêu, tự lập kế hoạch, lựa chọn công cụ và thực hiện nhiều bước để hoàn thành công việc; chỉ yêu cầu xác nhận khi cần thiết.

ChatbotHỏi một câu, trả lời một câu
Copilot Chat
Microsoft 365 CopilotCopilot Chat
Đọc 2 file doanh thu Q3/26 của Cửa hàng và Online
Cửa hàng: 12,0 tỷ · Online: 8,0 tỷ
Tính tổng và so với cùng kỳ Q3/25
Tổng: 20,0 tỷ · tăng 14,3%
Lập báo cáo doanh thu quý theo mẫu
AI tạo nội dung báo cáo để bạn đưa vào biểu mẫu.
Soạn email gửi Tổng giám đốc
AI đề xuất nội dung email để bạn rà soát.
Message Copilot
Agentic AINhận một mục tiêu, tự thực hiện nhiều bước
Copilot Cowork
Mục tiêu: Báo cáo doanh thu Q3/26 theo kênh
Copilot CoworkWorking on it
  1. ExcelĐọc 2 file doanh thu Cửa hàng và Online
  2. Tính tổng và so với cùng kỳ Q3/25
  3. WordTạo báo cáo doanh thu quý bằng Word
  4. OutlookSoạn email nháp trong Outlook
WordBaoCao_DT_Q3-26.docxSaved to OneDrive
Outlook[Báo cáo doanh thu] Q3/26Saved to drafts
Bạn rà soát kết quả và phê duyệt trước khi sử dụng.
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Agentic AI đang thay đổi cách phân tích dữ liệu

TẦNG 01
TaskAI hỗ trợ từng thao tác.Một Task → một kết quả.
TẦNG 02
WorkflowAI kết nối nhiều thao tác.Nhiều Task → một quy trình liền mạch.
TẦNG 03
SystemAI vận hành Workflow lặp lại.Tự động chạy → giám sát → duyệt kết quả.
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Data Analysis Process powered by Agentic AI

Cách 1Truyền thống
Ai làmBạn làm cả 5 bước
Chuyển giữa các bướcChép tay từng bước
Câu hỏi mớiLàm lại từ đầu
Cách 2Với Agentic AI
Ai làmSkill chạy, bạn duyệt
Chuyển giữa các bướcCổng duyệt sau bước AI
Câu hỏi mớiChạy lại Skill
Câu hỏi mớiCâu hỏi mới
01
Ask
Xác định câu hỏiSoạn phạm vi phân tích để bạn duyệt
02
Prepare
Lấy và làm sạch dữ liệuKiểm tra chất lượng, làm sạch, ghi log
03
Analyze
Phân tích dữ liệuKPI thay đổi bao nhiêu, do driver nào
04
Share
Trình bày kết quảDựng deck kể chuyện cho ban điều hành
05
Act
Ra quyết định và hành độngRa quyết định từ deck
BạnEmail
BạnCopilotCopilotCSV · Excel
BạnCopilotCopilotExcel · Pivot
BạnCopilotCopilotPowerPoint
BạnCuộc họp
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Today's Business Case

Business Context

Một chuỗi bán lẻ mỹ phẩm, bán qua 2 kênh: cửa hàng và online. Kết quả quý 3/2026:

ExcelBaoCao_KetQua_Quy.xlsx· Saved to OneDriveQ3/2026
Kết quả 12 quý gần nhấtDoanh thu (tỷ đồng)Biên lợi nhuận (%)
05101520250%4%8%12%16%20%17,520,013,7%10,0%Q4/23Q1/24Q2/24Q3/24Q4/24Q1/25Q2/25Q3/25Q4/25Q1/26Q2/26Q3/26
Business Question

Vì sao doanh thu tăng mà lợi nhuận giảm?
Quý 4 sẽ ra sao, và nên làm gì?

MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Business Statistics
Fundamentals

The Foundation of Data-Driven Decision Making

MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Data-Driven Decision Making

01
DataDữ liệu đầu vàoProvides the foundation
02
StatisticsThống kêEnsures accuracy & trends
03
Domain KnowledgeKiến thức chuyên ngànhMakes insights relevant
Analytical Thinking & Problem SolvingTư duy phân tích và giải quyết vấn đề
Turns insights into actions
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Types of Business Statistics

Thống kê mô tả

Descriptive Statistics

Mean

“Dữ liệu hiện có đang thể hiện điều gì?”

  • Central TendencyMean · Median · ModeHôm nay
  • SpreadRange · Variance · SD · IQRHôm nay
  • Distribution & NormalityHình dạng phân phối
Thống kê suy luận

Inferential Statistics

“Từ dữ liệu mẫu, kết luận được gì về tổng thể?”

  • Sampling & Confidence IntervalsPopulation · SampleHôm nay
  • Hypothesis TestingA/B Testing
  • Correlation & RegressionQuan hệ · dự báo
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Data Types: Categorical vs. Numerical

Data Types
CategoricalQualitative
NumericalQuantitative
NominalNhóm có tên, không có thứ tự
SonKemPhấn
Thống kê · chart phù hợpMode · tần suất · tỷ trọng
BinaryChỉ có 2 trạng thái
CóKhông
Thống kê · chart phù hợp23%Tỷ lệ %
OrdinalCó thứ tự, khoảng cách không đều
Thống kê · chart phù hợpMedian · Percentile
DiscreteSố đếm, giá trị rời rạc
012345
Thống kê · chart phù hợpMean · Median · Mode
ContinuousSố đo, nhận giá trị thập phân
4,27
Thống kê · chart phù hợpMean · SD · Percentile
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Practice: Define Data Types

ExcelKhach_hang_thanh_vien.xlsx· Saved to OneDrive
CategoricalNumerical
FileHomeInsertDataReviewView
Mã KHGiới tínhHạng thành viênTuổiSố đơnChi tiêu (nghìn đ)Đánh giáĐã mua lại
KH0012NữGold2863.450★★★★Có
KH0047NữSilver352980★★★Không
KH0103NamPlatinum42118.120★★★★★Có
KH0158NữGold241420★★Không
KH0211NữSilver3142.260★★★★Có
?Nominal
?Binary
?Ordinal
?Continuous
?Discrete
?Continuous
?Ordinal
?Binary
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Measures of Central Tendency

ExcelThoi_gian_cho.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Thời gian chờ của 5 khách (phút)
05101520253035OUTLIERMean = 9,8Median = 42 · 3 · 4 · 5 · 35
Mean=AVERAGE()

Tổng các giá trị chia cho số quan sát

Dữ liệu đều, không có outlier lớn
Median=MEDIAN()

Giá trị đứng giữa sau khi sắp xếp

Dữ liệu lệch hoặc có outlier
Mode=MODE.SNGL()

Giá trị xuất hiện nhiều nhất

Dữ liệu phân loại, tìm nhóm phổ biến
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Measures of Spread

ExcelDanh_muc_dau_tu.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Lợi nhuận 2 danh mục đầu tư (%) · cùng Mean 7%
Danh mục A 6, 8, 7, 9, 5SD 1,4IQR 2Range 4Danh mục B 1, 7, 15, 4, 8SD 4,7IQR 4Range 14Mean 7%0%4%8%12%16%
Range=MAX()−MIN()
Max − MinA: 4 · B: 14

Nhanh, nhưng chỉ nhìn 2 giá trị đầu mút

Standard Deviation=STDEV.P()
σ = √VarianceA: 1,4 · B: 4,7

Độ lệch trung bình quanh Mean, cùng đơn vị dữ liệu

IQR=QUARTILE.INC()
Q3 − Q1A: 2 · B: 4

50% dữ liệu ở giữa, ít bị outlier ảnh hưởng

MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

Population vs. Sample

Population · Tổng thểN = 200.000 khách thành viên · μ, σ = ParametersSAMPLINGchọn mẫu ngẫu nhiênSample · Mẫun = 500 khách khảo sát · x̄, s = StatisticsSTATISTICAL INFERENCEước lượng tổng thể từ mẫu
Sampling Bias · mẫu lệch

Chỉ khảo sát khách mua online rồi kết luận cho mọi khách.

Sample Size · mẫu quá nhỏ

Mẫu càng nhỏ, sai số càng lớn; kết luận khó tin cậy.

MODULE 01 · DATA ANALYTICS PROCESSAskShiseido

More Inferential Methods

01
Confidence Intervals

Kết quả từ mẫu đáng tin trong khoảng nào?

23%22,1%23,9%
02
Hypothesis Testing & A/B Testing

Khác biệt là thật hay chỉ do ngẫu nhiên?

AB3,1%3,8%p = 0,02
03
Correlation & Regression

Hai biến liên hệ mạnh đến đâu, dự báo được không?

dự báor = 0,85
MODULE 01 · DATA ANALYTICS PROCESSAskShiseido
Mini Game · Kahoot

Statistics Quiz

8câu trắc nghiệm15phút
MODULE 0209:45 – 10:45Shiseido
Module 2 / 5

Data Preparation
& Reconciliation

Nội dung chính
01Data Validation & Cleaning
02Data Quality Dimensions
03Data Cleaning Principles
04Data Classification
05Data Masking
06Hands-on: Data Cleaning with Copilot Cowork
01 · Ask
02 · Prepare
03 · Analyze
04 · Share
05 · Act
MODULE 02 · DATA PREP & RECONCILIATIONPrepareShiseido

Data Validation & Cleaning

Định nghĩa
Data Validation & Cleaning

Data Validation & Cleaning là quá trình kiểm tra, phát hiện và xử lý các vấn đề về chất lượng dữ liệu, nhằm đảm bảo dữ liệu chính xác, nhất quán và sẵn sàng cho phân tích.

  • Giảm thiểu lỗi và sai lệch dữ liệu
  • Chuẩn hóa cấu trúc và ý nghĩa dữ liệu
  • Nâng cao độ tin cậy của kết quả phân tích
  • Đảm bảo dữ liệu sẵn sàng cho phân tích
Excelraw.xlsxclean.xlsx· Saved to OneDrive5 lỗiSẵn sàng
FileHomeInsertShareFormulasDataReviewView
B3fxM.NamMiền Nam
ABCD
1TuổiKhu vựcEmail
234Miền Naman@example.com
3(trống)31M.NamMiền Nambinh@example.com
499945Miền Bắclechi#example.comlechi@example.com
528Miền Bắclechi@example.com
6
Sheet1+
Ví dụ minh họa · Dữ liệu bán lẻ mỹ phẩm giả lập
MODULE 02 · DATA PREP & RECONCILIATIONPrepareShiseido

6 Dimensions of Data Quality

DAMA UK · 2013
6 chiều
chất lượng
UniquenessMỗi bản ghi có bị trùng lặp?
Ví dụ: đơn hàng DH-1042 xuất hiện 2 lần
01
ValidityĐúng quy tắc và định dạng?
Ví dụ: ngày 32/07, email thiếu ký tự @
02
CompletenessDữ liệu đã đầy đủ chưa?
Ví dụ: thiếu doanh thu hoặc email
03
ConsistencyCó nhất quán ở mọi nơi?
Ví dụ: "Onl" và "Online"
04
AccuracyCó phản ánh đúng thực tế?
Ví dụ: số lượng bán ghi nhận là 999
05
TimelinessDữ liệu có đủ mới không?
Ví dụ: sử dụng dữ liệu từ năm 2018
06
01 · UniquenessTính duy nhất

Mỗi đối tượng chỉ được ghi nhận một lần, không có bản ghi trùng lặp.

Câu hỏi cốt lõi:“Mỗi bản ghi có bị trùng lặp?”
don_hang.xlsxDuplicate rows detected
HomeInsertPage LayoutFormulasDataReview
A4fx
ABCDEF
1Mã đơnNgày đặtKênhEmailSLDoanh thu
2DH-104105/07/2026Cửa hàngan@gmail.com2980.000
3DH-104205/07/2026Onlinebinh@gmail.com1520.000
4DH-104205/07/2026Onlinebinh@gmail.com1520.000
5DH-104332/07/2026Onllan#gmail.com1
6DH-104406/07/2026Cửa hàng999640.000
7DH-104512/03/2018Onlineha@gmail.com31.450.000
Common FixesDrop DuplicatesPrimary Key Check
Ví dụ minh họa · dữ liệu giả lập
02 · ValidityTính hợp lệ

Giá trị tuân thủ kiểu dữ liệu, định dạng và miền giá trị quy định.

Câu hỏi cốt lõi:“Đúng quy tắc và định dạng?”
don_hang.xlsxInvalid formats detected
HomeInsertPage LayoutFormulasDataReview
B3fx
ABCDEF
1Mã đơnNgày đặtKênhEmailSLDoanh thu
2DH-104105/07/2026Cửa hàngan@gmail.com2980.000
3DH-104205/07/2026Onlinebinh@gmail.com1520.000
4DH-104205/07/2026Onlinebinh@gmail.com1520.000
5DH-104332/07/2026Onllan#gmail.com1
6DH-104406/07/2026Cửa hàng999640.000
7DH-104512/03/2018Onlineha@gmail.com31.450.000
Common FixesRegex Pattern MatchingData Type Casting
Ví dụ minh họa · dữ liệu giả lập
03 · CompletenessTính đầy đủ

Các trường dữ liệu bắt buộc đều có giá trị, không bị bỏ trống.

Câu hỏi cốt lõi:“Dữ liệu đã đầy đủ chưa?”
don_hang.xlsx33% missing data
HomeInsertPage LayoutFormulasDataReview
B3fx
ABCDEF
1Mã đơnNgày đặtKênhEmailSLDoanh thu
2DH-104105/07/2026Cửa hàngan@gmail.com2980.000
3DH-104205/07/2026Onlinebinh@gmail.com1520.000
4DH-104205/07/2026Onlinebinh@gmail.com1520.000
5DH-104332/07/2026Onllan#gmail.com1(trống)
6DH-104406/07/2026Cửa hàng(trống)999640.000
7DH-104512/03/2018Onlineha@gmail.com31.450.000
Common FixesDrop RowImputeFlag 'Unknown'
Ví dụ minh họa · dữ liệu giả lập
04 · ConsistencyTính nhất quán

Cùng một thông tin được ghi nhận nhất quán trên các hệ thống và nguồn dữ liệu.

Câu hỏi cốt lõi:“Có nhất quán ở mọi nơi?”
don_hang.xlsxInconsistent categories
HomeInsertPage LayoutFormulasDataReview
B4fx
ABCDEF
1Mã đơnNgày đặtKênhEmailSLDoanh thu
2DH-104105/07/2026Cửa hàngan@gmail.com2980.000
3DH-104205/07/2026Onlinebinh@gmail.com1520.000
4DH-104205/07/2026Onlinebinh@gmail.com1520.000
5DH-104332/07/2026Onllan#gmail.com1
6DH-104406/07/2026Cửa hàng999640.000
7DH-104512/03/2018Onlineha@gmail.com31.450.000
Common FixesStandardize textMapping dictionaries
Ví dụ minh họa · dữ liệu giả lập
05 · AccuracyTính chính xác

Giá trị phản ánh đúng đối tượng hoặc sự kiện thực tế.

Câu hỏi cốt lõi:“Có phản ánh đúng thực tế?”
don_hang.xlsxAccuracy alerts
HomeInsertPage LayoutFormulasDataReview
C4fx
ABCDEF
1Mã đơnNgày đặtKênhEmailSLDoanh thu
2DH-104105/07/2026Cửa hàngan@gmail.com2980.000
3DH-104205/07/2026Onlinebinh@gmail.com1520.000
4DH-104205/07/2026Onlinebinh@gmail.com1520.000
5DH-104332/07/2026Onllan#gmail.com1
6DH-104406/07/2026Cửa hàng999640.000
7DH-104512/03/2018Onlineha@gmail.com31.450.000
Common FixesMin/Max limitsCross-reference lookup
Ví dụ minh họa · dữ liệu giả lập
06 · TimelinessTính kịp thời

Dữ liệu được cập nhật đủ mới tại thời điểm cần phân tích và ra quyết định.

Câu hỏi cốt lõi:“Dữ liệu có đủ mới không?”
don_hang.xlsxStale records detected
HomeInsertPage LayoutFormulasDataReview
D3fx
ABCDEF
1Mã đơnNgày đặtKênhEmailSLDoanh thu
2DH-104105/07/2026Cửa hàngan@gmail.com2980.000
3DH-104205/07/2026Onlinebinh@gmail.com1520.000
4DH-104205/07/2026Onlinebinh@gmail.com1520.000
5DH-104332/07/2026Onllan#gmail.com1
6DH-104406/07/2026Cửa hàng999640.000
7DH-104512/03/2018Onlineha@gmail.com31.450.000
Common FixesFilter by Cutoff DateSetup Auto-sync
Ví dụ minh họa · dữ liệu giả lập
MODULE 02 · DATA PREP & RECONCILIATIONPrepareShiseido

Data Cleaning Principles

SKILL.md
01Không tự ý xóa dữ liệu

Dòng trùng lặp, dòng trống: tách riêng.
Các trường hợp khác: gắn Data_Flag.

02Xác minh trước khi bổ sung

Chưa xác định nguyên nhân thiếu: không tự động bổ sung.

03Sao lưu dữ liệu trước khi chỉnh sửa

Luôn bảo toàn dữ liệu gốc.

04Đánh giá theo ngữ cảnh dữ liệu

Giá trị bất thường không đồng nghĩa với lỗi.

05Ghi nhận kết quả xử lý

Lưu riêng kế hoạch, dữ liệu sạch
và nhật ký xử lý.

BROMAN & WOO (2018): THÊM CỘT CỜ, ĐỪNG TÔ MÀU Ô

MODULE 02 · DATA PREP & RECONCILIATIONPrepareShiseido

Data Classification

01 · Xanh
Được phép sử dụng với AI

Dữ liệu công khai, dữ liệu tổng hợp hoặc dữ liệu giả lập.

Ví dụBáo cáo công khaiDoanh thu tháng theo cửa hàng
02 · Vàng
Kiểm soát trước khi dùng AI

Dữ liệu nội bộ hoặc chứa thông tin cá nhân.

Ví dụĐơn hàng có họ tên, SĐT, emailChấm công có tên nhân viên
03 · Đỏ
Không đưa vào AI cá nhân

Dữ liệu cá nhân nhạy cảm, thông tin mật.

Ví dụSức khỏeTài khoản ngân hàngCCCDBảng lươngHợp đồng bảo mậtMật khẩu, API Key
MODULE 02 · DATA PREP & RECONCILIATIONPrepareShiseido

Data Masking: 4 kỹ thuật hạn chế nhận diện cá nhân

khach_hang.xlsxCần kiểm soát1.248 → 1 dòng
HomeInsertFormulasDataReview
C2fx0903 456 789KH0001
ABCDEF
1Họ tênEmailSĐTMã KHNgày sinhNhóm tuổiĐịa chỉKhu vựcTổng chi Q3
2Nguyễn Thị Lanlan.nt@example.com0903 456 789KH000112/05/199030–39 tuổiSố 12, Khu AKhu A2.450.000
3Trần Văn Minhminh.tv@example.com0912 334 556KH000203/11/198730–39 tuổiSố 8, Khu AKhu A1.820.000
4Lê Thu Hàha.lt@example.com0938 221 447KH000321/08/199230–39 tuổiSố 5, Khu AKhu A1.610.000
Khu A · 30–39 tuổi1.248 khách1,96 tr chi TB
Ví dụ minh họa · Dữ liệu giả lập
01
SuppressionLoại bỏ trường dữ liệu không cần thiết
02
PseudonymizationThay thông tin định danh bằng mã thay thế
Lưu ý: Vẫn có khả năng tái nhận diện cá nhân
03
GeneralizationKhái quát hóa dữ liệu, giảm độ chi tiết
04
AggregationTổng hợp dữ liệu thành số liệu thống kê
GDPR Art. 4(5) · WP29 Opinion 05/2014 · NIST SP 800-188
MODULE 02 · DATA PREP & RECONCILIATIONPrepareShiseido

Ba tầng kiến trúc: ROOT › WORKSPACE › PROJECT

Inside the Workspace: Phân tích dữ liệu

Mỗi tầng có một lớp ngữ cảnh riêng, với tệp quy tắc và tệp ghi nhớ tương ứng.

Tầng 0 · ROOT · Quy tắc nền tảng
OneDriveMy files › Documents › My AI Workspace/ AGENTS.mdMEMORY.mdARCHIVE.md
Tầng 1 · WORKSPACE · Nhóm công việc
Kế toán/
AGENTS.mdMEMORY.md
Project
Đối chiếu công nợ/
Tạo mã KH/
Chi phí tháng/
Nhân sự/
AGENTS.mdMEMORY.md
Project
Tuyển dụng/
Onboarding/
Đánh giá 6 tháng/
Kinh doanh/
AGENTS.mdMEMORY.md
Project
Báo cáo tuần/
Bản tin tuần/
Chọn NCC/
Mới
Phân tích dữ liệu/
AGENTS.mdMEMORY.md
Project
Phân tích lợi nhuận/
Dự báo doanh thu/
Báo cáo quản trị/
AI Operation System là quy ước tổ chức trong khóa học, không phải tính năng tích hợp sẵn của Microsoft.
OneDriveOneDrive· My files › Documents › My AI Workspace ›Phân tích dữ liệu
AGENTS.mdQuy tắc cho mảng phân tích dữ liệuSố tiền VND: không dùng phần thập phân
MEMORY.mdLỗi dữ liệu có thể lặp lại giữa các projectFile CSV từ Excel có thể có BOM ở cột đầu tiên
Phân tích lợi nhuận/Mỗi đầu việc có dữ liệu, kết quả và quy tắc riêng
AGENTS.mdBối cảnh và định nghĩa chỉ sốLợi nhuận = Doanh thu − Giá vốn − Chi phí vận hành
MEMORY.mdQuy tắc dữ liệu và bài học riêng của projectDoanh thu âm phản ánh hàng trả lại
data/raw · backup · cleanedraw/ · chỉ đọc
log/Kế hoạch và nhật ký xử lýplan.json · cleaning_log.md
Dự báo doanh thu/
Báo cáo quản trị/
MODULE 02 · DATA PREP & RECONCILIATIONPrepareShiseido

Inside the Skill: data-quality-cleaning

OneDriveOneDrive
My files › Documents › Cowork › Skills
data-quality-cleaning/
04 thành phần cấu thành Skill
1.SKILL.md· Quy trình gồm 8 bướcBẮT BUỘCDescription: Đánh giá và làm sạch CSV/Excel theo 6 chiều Data Quality
2.references/· Tài liệu tham khảoquality_dimensions.mdbusiness_rules.mdplan_format.md
3.assets/· Tệp mẫuMEMORY.template.md
4.scripts/· Các phép tính tự độngdq.py assess · clean · validate
AI gọi dq.py để đo và sửa, không tự viết code làm sạch: lần nào cũng chạy cùng một cách.
MODULE 02 · DATA PREP & RECONCILIATIONPrepareShiseido

How the Skill Runs: 8 bước, 1 điểm kiểm soát

CopilotCopilot Cowork· Phân tích lợi nhuận
CopilotWorking on it
  1. 01Xác định Workspace và Project
  2. 02Đọc AGENTS.md và MEMORY.md
  3. 03Đặt file vào data/raw/
  4. 04Assess: đánh giá 6 chiều, chưa chỉnh sửa dữ liệu
  5. 05Trình bày phương án xử lý, chờ phê duyệt
  6. 06Clean: chỉ xử lý các hạng mục đã được duyệt
  7. 07Tổng hợp kết quả từ các file đầu ra
  8. 08Ghi bài học vào MEMORY.md
Phê duyệt kế hoạch làm sạch dữ liệu Chờ phê duyệt

don_hang.csv · Chưa có gì bị thay đổi.

Hành độngVấn đềNhóm
UNQ-00112 dòng bị trùng hoàn toànfix
VAL-00238 email không đúng định dạngflag
ACC-0035 đơn hàng có doanh thu âmask
fix sửa tự động an toàn · flag gắn cờ · ask chờ bạn quyết địnhSửa tự độngPhê duyệt Đã phê duyệt
MODULE 02 · DATA PREP & RECONCILIATIONPrepareShiseido

Data Flow: Đầu ra của từng bước

OneDriveOneDrive· Phân tích dữ liệu
Phân tích lợi nhuận/
AGENTS.md
MEMORY.md+ quy tắc · bài học
data/
raw/don_hang.csv chỉ đọc
backup/don_hang_20261117_0905.csvBản sao dữ liệu gốc
cleaned/cleaned_don_hang.csv+ cột Data_Flag
quarantine/quarantine_don_hang.csvCác dòng cần cách ly
log/
profile.jsonKiểu dữ liệu · tỷ lệ thiếu
plan.jsonKế hoạch xử lý· approved
assessment.mdBảng đề xuất xử lý
cleaning_log.mdNhật ký xử lý
01Assessdq.py assess

Đánh giá 6 chiều chất lượng và lập kế hoạch. Chưa chỉnh sửa dữ liệu.

02Bạn phê duyệtlog/plan.json

Cập nhật trạng thái từng action: approved hoặc rejected.

03Cleandq.py clean

Sao lưu, thực hiện các action đã duyệt, cách ly dòng trùng, ghi nhật ký.

04Ghi nhớMEMORY.md

Bổ sung quy tắc mới và bài học kinh nghiệm cho lần xử lý tiếp theo.

Bước Analyze đọc data/cleaned/cleaned_don_hang.csv
MODULE 3A11:00 – 12:00Shiseido
Module 3A / 5

From Data
to Insights (1)

Nội dung chính
01Problem-Solving
02Analytical Thinking
03Four Types of Analytics
04Descriptive Analytics
01 · Ask
02 · Prepare
03 · Analyzemô tả
04 · Share
05 · Act
MODULE 3A · FROM DATA TO INSIGHTS (1)AskShiseido

Tổng giám đốc · Teams
Vì sao lợi nhuận Q3 giảm?

Gửi tôi trước cuộc họp thứ Hai.

03Data-Driven ExecutionDữ liệu cho biết điều gì? Tiếp theo cần làm gì?Kiểm chứng bằng dữ liệu · Rút ra insight · Đề xuất hành động
02Analytical StrategyPhân rã vấn đề ra sao? Ưu tiên kiểm tra nhánh nào?Cây MECE · chọn loại phân tích
01Business ContextĐã trả lời đúng vấn đề kinh doanh chưa?Vấn đề · Mục tiêu · Người nhận · Phạm vi
01Mở dữ liệu để kiểm tra02Thêm một vài biểu đồ03Sếp yêu cầu làm rõ04Phải làm lại từ đầu
Lần 33 ngày
Phản hồi từ sếp

“Nhiều biểu đồ quá. Vậy lợi nhuận giảm do đâu và chúng ta nên làm gì?”

Chưa giải đáp đúng vấn đềMất 3 ngày, phải làm lại 3 lần
MODULE 3A · FROM DATA TO INSIGHTS (1)AskShiseido

Business Context

Business Context

Hiểu rõ bối cảnh kinh doanh trước khi bắt đầu phân tích dữ liệu.

01Làm rõ vấn đềChỉ số nào thay đổi? Mức thay đổi bao nhiêu? So với mốc nào?
02Xác định mục tiêuKết quả phân tích phục vụ quyết định nào?
03Xác định người nhậnAi sẽ đọc? Cần mức độ chi tiết nào? Khi nào cần?
04Xác định phạm viPhân tích những gì? Những gì nằm ngoài phạm vi?
Teams· Tổng giám đốc

Vì sao lợi nhuận Q3 giảm? Gửi tôi trước cuộc họp thứ Hai.

01

Lợi nhuận giảm so với cùng kỳ hay so với kế hoạch?

So với cùng kỳ: giảm từ 2,4 tỷ xuống 2,0 tỷ.

02

Báo cáo này sẽ hỗ trợ quyết định nào?

Phân bổ ngân sách Q4 vào đâu để đạt mục tiêu lợi nhuận 4 tỷ?

03

Ai sẽ đọc báo cáo? Cần mức độ chi tiết nào?

Ban điều hành · Họp thứ Hai · Ngắn gọn, có khuyến nghị

04

Phạm vi phân tích gồm những gì?

Cả Cửa hàng và Online · Q3/2025 so với Q3/2026 · Không đi sâu đến từng sản phẩm

MODULE 3A · FROM DATA TO INSIGHTS (1)AskShiseido

Câu hỏi đã rõ.
Phân rã vấn đề thế nào?

Những framework nào hỗ trợ tư duy phân tích?

MECEIssue Tree5 WhysFishboneDriver TreePareto 80/20SWOTAnalytical Strategy bắt đầu từ việc cấu trúc vấn đề
MODULE 3A · FROM DATA TO INSIGHTS (1)AskShiseido

Tư duy phân nhóm theo MECE

Luật 1
Mutually Exclusive
Không chồng lặp
Mỗi điểm dữ liệu chỉ thuộc một nhóm. Nhóm chồng lặp làm số bị đếm hai lần.
Luật 2
Collectively Exhaustive
Không bỏ sót
Các nhóm phải bao quát toàn bộ vấn đề. Cộng các nhóm phải bằng tổng thể.
Barbara Minto, McKinsey
MECE
Cửa hàng · Online quảng cáo · Online khác
Lỗi ME
Khách vừa mới, vừa mua online
Lỗi CE
Cửa hàng + Online quảng cáo,
bỏ sót Online khác
MODULE 3A · FROM DATA TO INSIGHTS (1)AskShiseido

Decomposition Methods

Metric TreeCây chỉ số
FunnelPhễu chuyển đổi
SegmentationPhân đoạn
Decomposition3 cách phân rã vấn đề
01 · Metric TreeCây chỉ số

Phân rã một chỉ số thành các thành phần theo công thức.

Câu hỏi cốt lõi:“Chỉ số này được cấu thành từ những thành phần nào?”
Phân rã doanh thu bằng Metric TreeSo sánh Q3/2026 với Q3/2025
Doanh thu+14,3%
20,0 tỷ
Q3/25: 17,5 tỷ
Số đơn+11,1%
40.000
Q3/25: 36.000
Giá trị đơn hàng TB+2,9%
500.000 đ
Q3/25: 486.000 đ
Lượt khách+33,3%
1,0 triệu
Q3/25: 750.000
Tỷ lệ chuyển đổi−16,7%
4,0%
Q3/25: 4,8%
Ví dụ minh họa · dữ liệu giả lập
02 · FunnelPhễu chuyển đổi

Phân rã hành trình thành các bước, đo tỷ lệ chuyển đổi qua từng bước.

Câu hỏi cốt lõi:“Khách rời bỏ ở bước nào?”
Phễu chuyển đổi OnlineQ3/2026
Tỷ lệ so với bước đầuTỷ lệ chuyển đổi toàn hành trình: 2,67%
Ví dụ minh họa · dữ liệu giả lập
03 · SegmentationPhân đoạn

Phân rã tổng thể thành các nhóm theo một chiều dữ liệu.

Câu hỏi cốt lõi:“Nhóm nào có gì khác biệt?”
Phân tích doanh thu theo kênh bánQ3/2026 · đơn vị: tỷ đồng
Kênh bánKhu vựcNhóm sản phẩm
NhómDoanh thu Q3/2026 (tỷ đồng)Tỷ trọngSố đơn
Cửa hàng12,060%24.000
Online8,040%16.000
051015
Tổng20,0100%40.000
Ví dụ minh họa · dữ liệu giả lập
MODULE 3A · FROM DATA TO INSIGHTS (1)AskShiseido

Minigame: Thiết kế Driver Tree
Business Context

Một chuỗi bán lẻ mỹ phẩm, bán qua 2 kênh: cửa hàng và online. Quý 3/2026, doanh thu tăng nhưng lợi nhuận giảm.

Q3/2025Q3/2026So cùng kỳ
Doanh thu17,5 tỷ20,0 tỷ+14,3%
Chi phí15,1 tỷ18,0 tỷ+19,2%
Lợi nhuận2,4 tỷ2,0 tỷ−16,7%
Biên lợi nhuận13,7%10,0%−3,7 điểm %
Ví dụ minh họa · Dữ liệu giả lập
Nhiệm vụ

Vẽ driver tree cho Lợi nhuận

  1. 01Bắt đầu từ Lợi nhuận, tách ít nhất 4 tầng.
  2. 02Mỗi tầng MECE, ghi rõ cách tách:FormulaFunnelSegmentation
  3. 03Khoanh 2 nhánh đáng nghi nhất.
MODULE 3A · FROM DATA TO INSIGHTS (1)AskShiseido

Driver Tree: Truy tìm yếu tố tác động

Đáp án · Mini game
Q3/2026 · % so Q3/2025
Formula
Funnel
Segmentation
Mix · theo tỷ trọng
Số minh họa
Lợi nhuận
2,0 tỷ
2,4 tỷ →−16,7%
Doanh thu
20,0 tỷ+14,3%
Chi phí
18,0 tỷ+19,2%
Số đơn
40.000+11,1%
Giá trị đơn
500k+2,9%
Giá vốn
10,0 tỷ+14,3%
Vận hành
8,0 tỷ+26,0%
Lượt khách
1,0 tr+33,3%
Chuyển đổi
4,0%−16,7%
Giá TB/SP250k+2,9%
SP/đơn2,0±0
Doanh thu20,0 tỷ+14,3%
Tỷ lệ giá vốn50%±0
Marketing
2,45 tỷ+113%
Nhánh 2
Nhân sự3,2 tỷ+6,7%
Mặt bằng2,35 tỷ+6,8%
Cửa hàng400k±0
Online
600k+71,4%
Cửa hàng6,0%±0
Online
2,67%−22,2%
Nhánh 1
Lượt quảng cáo440k+132%
Chi phí/lượt5.568đ−8,0%
Quảng cáo
440k+132%
Nguồn khác160k±0
Quảng cáo
1,60%−0,4%
Nguồn khác5,59%±0
TikTok260k+136%
Facebook180k+125%
TikTok1,4%±0
Facebook1,9%±0
Lượt khách Q3/25 → Q3/26
Cửa hàng 400k → 400k
Nguồn khác 160k → 160k
TikTok 110k → 260k · Facebook 80k → 180k
+250k lượt mới, 100% từ quảng cáo
Chuyển đổi Q3/25 → Q3/26
CR từng nguồn giữ nguyên: TikTok 1,4% · Facebook 1,9% · khác 5,59%
Tỷ trọng lượt quảng cáo trong online 54% → 73%
CR online 3,43% → 2,67% vì cơ cấu khách (mix),
không vì nguồn nào bán kém đi
Lượt quảng cáo 190k → 440k
Mỗi lượt 6.053đ → 5.568đ, rẻ hơn
Marketing 1,15 → 2,45 tỷ (×2,1)
vì mua thêm 250k lượt, không vì giá lượt
Cùng 440k lượt quảng cáo
Đẩy chi phí ×2,1 · chỉ 1,6% mua
Cửa hàng đi ngang
CR cửa hàng giữ 6,0%
AOV +2,9%, không gây giảm
Giá vốn luôn = 50% doanh thu
Tăng ~7%, chậm hơn doanh thu
2 nhánh cần kiểm chứng ở Module 3B
Ví dụ minh họa · Dữ liệu giả lập
MODULE 3A · FROM DATA TO INSIGHTS (1)AskShiseido

Analytical Strategy

Four Types of Analytics: Bốn loại phân tích

Bước 01
Xây dựng cây MECE
Xác định nhánh cần ưu tiên kiểm tra và nhánh có thể loại trừ. Phân rã sai thì phân tích đúng kỹ thuật vẫn dẫn đến kết luận sai.
Bước 02
Chọn loại phân tích
Mỗi câu hỏi kinh doanh cần một loại phân tích phù hợp. Hôm nay học đủ cả bốn loại.
Descriptive
Diagnostic
Predictive
Prescriptive
Level 1Descriptive

Tổng hợp dữ liệu để xác định điều gì đã xảy ra.

Level 2Diagnostic

Tìm nguyên nhân và lý giải vì sao chỉ số thay đổi.

Level 3Predictive

Dự báo những khả năng có thể xảy ra trong tương lai.

Level 4Prescriptive

Đề xuất hành động phù hợp để đạt mục tiêu.

Từ phân tích quá khứ đến định hướng hành động tương lai
Gartner: thang mức độ phức tạp, không phải trình tự bắt buộc
MODULE 3A · FROM DATA TO INSIGHTS (1)Analyze · mô tảShiseido

What Is Descriptive Analytics

Định nghĩaDescriptive Analytics

Phân tích dữ liệu lịch sử để trả lời câu hỏi: What happened?

  • 01
    Summary StatisticsDoanh thu, lợi nhuận, sản lượng, tỷ lệ, giá trị trung bình
  • 02
    TrendXu hướng tăng, giảm và biến động theo thời gian
  • 03
    SegmentationPhân tích kết quả theo khu vực, sản phẩm, kênh bán hàng và nhóm khách hàng
ExcelBao_cao_KQKD_Q3.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
ABCD
1Chỉ sốQ3/2025Q3/2026So cùng kỳ
2Doanh thu17,5 tỷ20,0 tỷ▲+14,3%
3Lợi nhuận2,4 tỷ2,0 tỷ▼−16,7%
4Số đơn36.00040.000▲+11,1%
5Giá trị đơn TB486.000 đ500.000 đ▲+2,9%
Tổng quan+
MODULE 3A · FROM DATA TO INSIGHTS (1)Analyze · mô tảShiseido

3 Lenses of Descriptive Analytics

01Summary Statistics
What
Tóm tắt đặc điểm của một chỉ số thông qua các thống kê cơ bản như trung bình, trung vị và độ phân tán.
When
Khi cần xác định giá trị điển hình và mức độ biến động của dữ liệu trước khi so sánh.
How
Tính trung bình, trung vị; phân tích phân bố và xác định các giá trị bất thường.
02Trend
What
Theo dõi sự thay đổi của một chỉ số theo thời gian.
When
Khi cần nhận diện xu hướng tăng, giảm hoặc thời điểm xuất hiện biến động đáng chú ý.
How
Trực quan hóa dữ liệu theo tuần hoặc tháng; so sánh cùng kỳ và nhận diện các thời điểm biến động rõ rệt.
03Segmentation
What
Chia dữ liệu thành các nhóm để phân tích cơ cấu và sự khác biệt giữa các nhóm.
When
Khi cần xác định nhóm đóng góp lớn nhất hoặc tạo ra biến động trong kết quả.
How
Phân nhóm theo kênh, khu vực hoặc nguồn; so sánh giữa các nhóm và với kỳ trước.
ExcelGia_tri_don_Q3.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Phân bố+
ExcelChuyen_doi_theo_thang.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Theo tháng+
ExcelNguon_truy_cap.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Theo nguồn+
MODULE 3A · FROM DATA TO INSIGHTS (1)Analyze · mô tảShiseido

Advanced Analytics Techniques

01Box Plot
What
Thể hiện trung vị, khoảng tứ phân vị và các giá trị ngoại lai của dữ liệu.
When
Khi cần so sánh mức độ phân tán giữa các nhóm hoặc phát hiện giá trị ngoại lai.
How
Xác định Q1, trung vị và Q3; vẽ hộp, râu và đánh dấu các giá trị ngoại lai.
02Histogram
What
Biểu diễn phân bố dữ liệu theo từng khoảng giá trị.
When
Khi cần biết dữ liệu tập trung ở đâu, lệch về phía nào và có bao nhiêu đỉnh.
How
Chia dữ liệu thành các khoảng giá trị; đếm số quan sát trong từng khoảng và biểu diễn bằng các cột liền nhau.
03Correlation
What
Đo lường mức độ liên hệ giữa hai chỉ số.
When
Khi cần kiểm tra hai chỉ số có biến động cùng nhau hay không.
How
Vẽ biểu đồ phân tán; tính hệ số r. Lưu ý: tương quan chưa phải nhân quả.
04Pareto
What
Xếp hạng các nhóm theo giá trị giảm dần để xác định nhóm đóng góp lớn nhất.
When
Khi cần ưu tiên nguồn lực cho những nhóm tạo ra tác động lớn nhất.
How
Sắp xếp giảm dần; tính tỷ trọng lũy kế và xác định các nhóm đóng góp chính.
ExcelGia_tri_don_Q3.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Box plot+
ExcelGia_tri_don_Q3.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Histogram+
ExcelQC_va_truy_cap.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Theo tuần+
ExcelNguon_truy_cap.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Pareto+
3B
MODULE 3B13:30 – 14:30Shiseido
Module 3B / 5

From Data
to Insights (2)

Nội dung chính
01Diagnostic Analytics
02Predictive Analytics
03Prescriptive Analytics
01 · Ask
02 · Prepare
03 · Analyzechẩn đoán → đề xuất
04 · Share
05 · Act
MODULE 3B · FROM DATA TO INSIGHTS (2)Analyze · chẩn đoánShiseido

What Is Diagnostic Analytics

Định nghĩaDiagnostic Analytics

Phân tích dữ liệu nhằm xác định nguyên nhân đằng sau một biến động, trả lời câu hỏi:
Why did it happen?

  • 01
    ConfirmXác nhận biến động có thực sự xảy ra hay chỉ là dao động thông thường?
  • 02
    IsolateXác định biến động xảy ra ở đâu, nhóm nào và trong khoảng thời gian nào?
  • 03
    ExplainXác định nguyên nhân nào được dữ liệu kiểm chứng?
01 · CONFIRMBiến động có thực sự xảy ra?Lợi nhuận giảm 16,7%: Biến động thực hay chỉ là dao động?
Loại trừ nhiễuMùa vụ · Sai lệch đo lường
02 · ISOLATEBiến động tập trung ở đâu?Xác định dòng chi phí, kênh và thời điểm biến động bắt đầu.
Khoanh vùng biến độngDòng P&L · Kênh · Thời gian
03 · EXPLAINNguyên nhân nào giải thích được biến động?Kiểm chứng các giả thuyết về giá, thanh toán và quảng cáo bằng dữ liệu.
Loại trừ giả thuyếtGiá · Thanh toán
Lợi nhuận −16,7%nhiều khả năng
1 nguyên nhânđược xác thực bằng dữ liệu
MODULE 3B · FROM DATA TO INSIGHTS (2)Analyze · chẩn đoánShiseido

Confirm

Thay đổi này thật hay chỉ là dao động?

01 · Confirm02 · Isolate03 · Explain
1Số đo đúngDoanh thu, chi phí khớp sổ kế toán; đủ 3 tháng, không trùng dòng.
2So đúng mốcSo Q3/2026 với Q3/2025 để loại yếu tố mùa vụ: lợi nhuận 2,4 → 2,0 tỷ.
3Vượt dải dao độngBiên lợi nhuận 10,0% thấp hơn dải bình thường 11,7–15,4% của các quý trước.
ExcelBien_loi_nhuan.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Theo quý+
MODULE 3B · FROM DATA TO INSIGHTS (2)Analyze · chẩn đoánShiseido

Isolate

Thay đổi xảy ra ở đâu, nhóm nào, từ khi nào?

01 · Confirm02 · Isolate03 · Explain
01Ở đâu trong P&L?Lợi nhuận Q3/25 → Q3/26 · tỷ đồng
LàMarketing +1,30 tỷ (+113%)Không làLãi gộp vẫn tăng +1,25 tỷ
02Ở kênh nào?Tỷ lệ chuyển đổi theo kênh
LàOnline: 3,43% → 2,67%Không làCửa hàng: giữ 6,0%
03Từ khi nào?Tỷ lệ chuyển đổi theo tháng (%)
LàTừ 07/26: 2,55–2,80%Không là12 tháng trước: quanh 3,4%
MODULE 3B · FROM DATA TO INSIGHTS (2)Analyze · chẩn đoánShiseido

Explain

Nguyên nhân đã được kiểm chứng bằng dữ liệu là gì?

01 · Confirm02 · Isolate03 · Explain
Giả thuyếtSự thật từ bước Isolate
Chỉ Onlinecửa hàng không đổiTừ 07/26trước đó ổn địnhMarketing ×21,15 → 2,45 tỷLượt khách +71%350k → 600k lượt
Giả thuyết 01Tăng giá bánNếu do giá, cửa hàng cũng phải giảmLoại
Giả thuyết 02Trang thanh toán lỗiKhông giải thích được chi phí và lượt khách tăngLoại
Giả thuyết 03Quảng cáo kéo thêm khách ít muaGiải thích được cả 4 sự thậtGiữ
ExcelNguon_truy_cap.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
C8fx=C3*C6+C4*C7
ABC
1NguồnQ3/2025Q3/2026
2Tỷ trọng lượt khách
3Quảng cáo54,3%73,3%
4Nguồn khác45,7%26,7%
5Tỷ lệ chuyển đổi
6Quảng cáo1,6%1,6%
7Nguồn khác5,6%5,6%
8Toàn bộ3,43%2,67%
Q3+
MODULE 3B · FROM DATA TO INSIGHTS (2)Analyze · dự báoShiseido

What Is Predictive Analytics

Định nghĩaPredictive Analytics

Phân tích dữ liệu lịch sử để dự báo những kết quả có khả năng xảy ra trong tương lai.

What is likely to happen?

Các dạng bài toán dự báo
  • 01
    Time Series ForecastingDự báo một chỉ số theo thời gian.
  • 02
    RegressionDự báo một giá trị số.
  • 03
    ClassificationDự báo một đối tượng thuộc nhóm nào.
Quy trình dự báo
MODULE 3B · FROM DATA TO INSIGHTS (2)Analyze · dự báoShiseido

Three Types of Predictive Analytics

01Time Series Forecasting
What
Dự báo giá trị của một chỉ số trong các kỳ tiếp theo, dựa trên xu hướng và tính mùa vụ trong dữ liệu quá khứ.
When
Khi cần lập kế hoạch theo thời gian: doanh số, nhu cầu nhập hàng, ngân sách quý tới.
How
Thu thập dữ liệu đủ dài (ít nhất 2 chu kỳ mùa vụ); xác định xu hướng và mùa vụ; dự báo các kỳ tiếp theo kèm khoảng dự báo.
02Regression
What
Ước tính một giá trị số cho từng đối tượng dựa trên đặc điểm của nó.
When
Khi cần ước tính giá trị cho từng khách hàng, sản phẩm hoặc cửa hàng: chi tiêu năm tới, doanh số cửa hàng mới.
How
Dùng dữ liệu đã biết kết quả để tìm mối quan hệ giữa đặc điểm và giá trị; áp dụng mô hình cho đối tượng mới.
03Classification
What
Dự báo đối tượng thuộc nhóm nào (ví dụ: có ngừng mua hay không), kèm xác suất từ 0 đến 100%.
When
Khi cần xác định đối tượng cần ưu tiên: khách có nguy cơ ngừng mua, đơn dễ bị hủy hoặc khách có khả năng mua cao.
How
Học từ dữ liệu đã biết kết quả; dự báo nhóm cho đối tượng mới; chọn ngưỡng để quyết định hành động.
ExcelDoanh_thu_quy.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Forecasting+
ExcelKhach_hang.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Regression+
ExcelThanh_vien.xlsx· Saved to OneDrive
FileHomeInsertDataReviewView
Classification+
MODULE 3B · FROM DATA TO INSIGHTS (2)Analyze · đề xuấtShiseido

What Is Prescriptive Analytics

Định nghĩaPrescriptive Analytics

Phân tích dữ liệu, dự báo và mục tiêu để xác định hành động phù hợp nhằm đạt kết quả tốt nhất.

What should we do?

Các kỹ thuật chính
  • 01
    OptimizationTìm phương án tốt nhất trong giới hạn nguồn lực.
  • 02
    SimulationMô phỏng kịch bản What-if để đánh giá kết quả.
  • 03
    Decision TreesPhân tích các lựa chọn và kết quả có thể xảy ra.
Chọn phương án tốt nhất
MODULE 3B · FROM DATA TO INSIGHTS (2)Analyze · đề xuấtShiseido

How Prescriptive Analytics Works

Prescriptive Analytics:
Thông thường, Prescriptive Analytics kết hợp ba yếu tố:
Historical DataDữ liệu lịch sử để hiểu các xu hướng và hành vi.
Predictive ModelsMô hình dự báo để ước tính các kết quả có thể xảy ra.
Optimization & SimulationTối ưu hóa và mô phỏng các kịch bản để tìm ra phương án hành động phù hợp nhất.
Phương án Q4Doanh thu (tỷ)Lợi nhuận (tỷ)
1Giữ nguyên cách làm24,03,4
2+1 tỷ quảng cáokhách quảng cáo chỉ mua 1,6%25,43,1
3Giảm giá 15%vượt trần tồn kho28,13,0
4+1 tỷ tư vấn viên26,93,8
5+1 tỷ combo quà tặng26,43,6
6Tối ưu: 0,6 tỷ tư vấn + 0,4 tỷ combo27,94,3
Mục tiêu Q4: lợi nhuận ≥ 4,0 tỷChỉ phương án tối ưu vượt mục tiêu, đạt 4,3 tỷ.
MODULE 3B · FROM DATA TO INSIGHTS (2)AnalyzeShiseido

Four Types of Data Analytics

Loại phân tíchCâu hỏi cốt lõiKết quả
DescriptiveWhat happened?Báo cáo
DiagnosticWhy did it happen?Nguyên nhân
PredictiveWhat is likely to happen?Dự báo
PrescriptiveWhat should we do?Khuyến nghị hành động
MODULE 3B · FROM DATA TO INSIGHTS (2)AnalyzeShiseido

Chữ D trong B.A.D đại diện cho điều gì?

03 · DData-Driven ExecutionDữ liệu cho biết điều gì? Tiếp theo cần làm gì?Kiểm chứng bằng dữ liệu · Rút ra insight · Đề xuất hành động
04
MODULE 0414:45 – 15:45Shiseido
Module 4 / 5

Data Storytelling
& Reporting

Nội dung chính
01Consulting Deck Structure
02Pyramid Principle
03Choosing the Right Chart
01 · Ask
02 · Prepare
03 · Analyze
04 · Share
05 · Act
MODULE 04 · DATA STORYTELLINGShareShiseido

Consulting Deck Structure

01SLIDE 1
Cover
  • Tiêu đề thể hiện thông điệp chính
  • Xác lập bối cảnh
  • Nêu vấn đề cần giải quyết
02SLIDE 2
SCQ
  • Chỉ gồm S + C + Q
  • Làm rõ vấn đề
  • Chưa nêu giải pháp
03SLIDE 3
Executive Summary
  • Nêu kết luận chính
  • Đọc riêng vẫn hiểu
  • 3–5 ý chính, gắn với hành động
04SLIDE 4*
Methodology
  • Củng cố độ tin cậy
  • Có thể lược bỏ nếu phương pháp đã rõ
  • Ngắn gọn
05SLIDES 5-11
Analysis
  • Mỗi slide tập trung vào một insight
  • Pyramid Principle
  • Dùng bằng chứng củng cố kết luận
06SLIDES 12+
Recommendations
  • Hành động và người phụ trách
  • Xác định mốc tiến độ
  • Các bước triển khai tiếp theo
Cover
SCQ
Executive Summary
Methodology
Analysis
Recommendations
MODULE 04 · DATA STORYTELLINGShareShiseido

Cover: Set the Context

Cover không chỉ là trang tiêu đề. Đây là phần định vị nội dung của deck. Tiêu đề cần nêu vấn đề hoặc phát hiện chính, thay vì chỉ đặt tên dự án.

3 thành phần chính
1
Tiêu đề báo cáo

Nêu vấn đề, phát hiện hoặc hướng hành động; tránh chỉ nêu tên chủ đề.

2
Người thực hiện

Tên người chuẩn bị và ngày báo cáo.

3
Phụ đề (nếu cần)

Bổ sung bối cảnh liên quan.

Slide 01 của Deck TechWorld123
Deck TechWorld01 / 13
MODULE 04 · DATA STORYTELLINGShareShiseido

SCQ: Frame the Problem

SCQA Framework — Barbara Minto (McKinsey)

Situation › Complication › Question › Answer

Trong deck, slide SCQ chỉ trình bày S + C + Q.

Answer được trình bày trong Executive Summary.

S
Situation

Bối cảnh chung mà các bên liên quan đã thống nhất.

C
Complication

Nêu thay đổi, vấn đề hoặc diễn biến tạo ra nhu cầu phân tích.

Q
Question

Đặt câu hỏi trọng tâm deck cần giải đáp.

A
Answer

Trình bày câu trả lời trong Executive Summary.

Slide 04 của deck TechWorld
Deck TechWorld04 / 13
MODULE 04 · DATA STORYTELLINGShareShiseido

Executive Summary: Lead with the Answer

Executive Summary không phải phần giới thiệu. Đây là nơi trình bày kết luận chính, bằng chứng quan trọng và hành động đề xuất. Người đọc có thể nắm được thông điệp của toàn bộ deck chỉ qua slide này.

3 nguyên tắc trình bày ý chính
1
Nêu kết luận chính

Đưa ra kết luận có căn cứ, thay vì chỉ mô tả số liệu.

2
Định lượng phát hiện

Sử dụng số liệu, tỷ lệ hoặc mốc thời gian để làm rõ quy mô và mức độ tác động.

3
Đề xuất hành động

Nêu quyết định hoặc hành động cần triển khai tiếp theo.

Slide 02 của deck TechWorld123
Deck TechWorld02 / 13
MODULE 04 · DATA STORYTELLINGShareShiseido

Methodology: Explain the Approach

Methodology giúp người đọc đánh giá độ tin cậy của kết quả phân tích. Chỉ đưa vào deck khi cần giải thích phương pháp thực hiện.

Có thể rút gọn hoặc chuyển vào phụ lục nếu phương pháp phổ biến, không có điểm cần giải thích thêm và người đọc đã hiểu cách thực hiện.

Nội dung cần trình bày
1
Nguồn dữ liệu

Nguồn dữ liệu và thời gian thu thập.

2
Các bước xử lý

Các bước lọc, làm sạch và chuẩn hóa dữ liệu có ảnh hưởng đến kết quả.

3
Giới hạn phân tích

Những giới hạn cần cân nhắc khi diễn giải kết quả.

Slide 03 của Deck TechWorld123
Deck TechWorld03 / 13
MODULE 04 · DATA STORYTELLINGShareShiseido

Analysis: One Insight per Slide

Mỗi slide phân tích tập trung chứng minh một insight. Các slide liên kết theo mạch: tổng quan → xu hướng → phân nhóm → bất thường → nguyên nhân.

3 thành phần chính
1
Tiêu đề thể hiện insight

Tiêu đề nêu kết luận có số liệu, thay vì chỉ gọi tên biểu đồ.

2
Biểu đồ cung cấp bằng chứng

Một biểu đồ chính làm rõ thông điệp của tiêu đề.

3
Diễn giải và số liệu nổi bật

Giải thích ý nghĩa, kèm 1–2 con số cần ghi nhớ.

Slide 06 của Deck TechWorld123
Deck TechWorld06 / 13
MODULE 04 · DATA STORYTELLINGShareShiseido

Pyramid Principle: Lead with the Answer

Barbara Minto phát triển Pyramid Principle tại McKinsey. Phương pháp này trình bày câu trả lời trước, sau đó sắp xếp các luận điểm và bằng chứng để củng cố kết luận.

1
Đưa ra kết luận trước

Nêu câu trả lời ngay từ đầu, sau đó trình bày các luận điểm và bằng chứng để làm rõ kết luận.

2
Nhóm các luận điểm

Nhóm các ý hỗ trợ theo logic, thường thành 3 nhóm chính. Mỗi nhóm đại diện cho một luận điểm hoặc mạch phân tích.

3
Bổ sung bằng chứng

Sử dụng dữ liệu, sự kiện và biểu đồ để chứng minh từng luận điểm.

1. The AnswerKết luận chính
2.1 ArgumentLuận điểm hỗ trợ
2.2 ArgumentLuận điểm hỗ trợ
2.3 ArgumentLuận điểm hỗ trợ
DataFactsChartsDataFactsCharts
MODULE 04 · DATA STORYTELLINGShareShiseido

Before & After: Pyramid in Practice

Before: chưa có mạch lập luận
Slide báo cáo doanh số tháng 8/2026Slide báo cáo doanh số tháng 9/2026
After: sắp xếp theo Pyramid
Slide 05 của deck TechWorld
Deck TechWorld05 / 13
MODULE 04 · DATA STORYTELLINGShareShiseido

Predictive: Forecast with a Range

Slide dự báo cho biết điều gì có thể xảy ra và mức độ tin cậy, giúp người đọc chủ động lập kế hoạch.

3 thành phần chính
1
Tiêu đề nêu kết quả dự báo

Nêu kỳ dự báo và giá trị dự kiến.

2
Thực tế và dự báo trên cùng biểu đồ

Đánh dấu thời điểm bắt đầu dự báo và hiển thị khoảng dự báo.

3
Độ tin cậy của dự báo

Nêu sai số dự báo khi kiểm định và so sánh với phương pháp tham chiếu.

Slide 07 của Deck dự báo mẫu123
Deck dự báo mẫu07 / 14
MODULE 04 · DATA STORYTELLINGShareShiseido

Prescriptive: Identify the Gap to Target

Slide đặt dự báo cạnh mục tiêu để xác định khoảng chênh lệch và mức độ cần hành động.

3 thành phần chính
1
So sánh dự báo với mục tiêu

Tiêu đề nêu khoảng cách và khả năng đạt mục tiêu.

2
Khoảng dự báo và mục tiêu trên cùng trục

Người đọc nhận biết ngay mục tiêu có nằm trong khoảng dự báo hay không.

3
Định lượng khoảng chênh lệch

Dùng % hoặc số tuyệt đối để xác định mức cần bù đắp.

Slide 08 của Deck dự báo mẫu123
Deck dự báo mẫu08 / 14
MODULE 04 · DATA STORYTELLINGShareShiseido

Recommendations: Turn Insights into Action

Mỗi khuyến nghị cần trả lời ba câu hỏi:

So What? (Ý nghĩa là gì?)Phát hiện này quan trọng thế nào với kinh doanh?
Now What? (Cần làm gì tiếp theo?)Cần triển khai hành động cụ thể nào?
How? (Thực hiện như thế nào?)Ai phụ trách, thời hạn hoàn thành và KPI đánh giá là gì?
3 yếu tố cần có
1
Hành động cụ thể

Sử dụng động từ cụ thể. Ví dụ: “Dồn 1 tỷ ngân sách Q4 cho tư vấn viên và combo” thay vì “Tối ưu ngân sách”.

2
Người phụ trách

Xác định cá nhân hoặc vai trò chịu trách nhiệm chính.

3
Thời hạn và KPI đánh giá

Nêu thời hạn hoàn thành và KPI đo lường kết quả.

Slide 12 của deck TechWorld
Deck TechWorld12 / 13
MODULE 04 · DATA STORYTELLINGShareShiseido

Prioritization Matrix: Impact × Effort

Khi có từ 3 khuyến nghị trở lên, ma trận Tác động × Mức độ dễ triển khai giúp xác định việc cần ưu tiên.

Sử dụng khi cần phân bổ nguồn lực (ngân sách, nhân sự, thời gian) và giải thích cơ sở ưu tiên hành động.

3 thành phần chính
1
Hai trục đánh giá

Trục dọc thể hiện tác động đến kết quả kinh doanh; trục ngang thể hiện mức độ dễ triển khai.

2
Bốn nhóm ưu tiên

Ưu tiên Quick Wins (tác động cao, dễ triển khai); cân nhắc loại bỏ các việc có mức ưu tiên thấp.

3
Xác định việc cần ưu tiên

Chọn một khuyến nghị ưu tiên và nêu rõ lý do, thay vì chỉ kết luận “tùy trường hợp”.

Slide 11 của Deck TechWorld123
Deck TechWorld11 / 13
MODULE 04 · DATA STORYTELLINGShareShiseido

Action Plan: Owner & Deadline

Action Plan chuyển khuyến nghị thành các đầu việc cụ thể: ai phụ trách, làm gì và hoàn thành khi nào.

3 thành phần chính
1
Phân chia theo đầu việc và bộ phận

Mỗi dòng thể hiện một đầu việc và bộ phận chịu trách nhiệm.

2
Sắp theo mốc thời gian

Phân biệt việc đã chốt, đang chỉnh và chưa quyết định.

3
Tiêu đề nêu deadline quan trọng nhất

Người đọc dễ dàng xác định mốc cần ưu tiên thực hiện.

Slide 12 của Deck dự báo mẫu123
Deck dự báo mẫu12 / 14
MODULE 04 · DATA STORYTELLINGShareShiseido

Choosing the Right Chart

Bạn muốn truyền tải điều gì?
Comparison

So sánh giá trị giữa các nhóm hoặc theo thời gian

Column/BarSo sánh giữa các nhóm
Line ChartTheo dõi xu hướng
theo thời gian
Data TableTra cứu số liệu
chính xác
Composition

Tỷ trọng từng thành phần trong tổng thể

Pie/DonutTỷ trọng 2⁠–⁠3 thành phần
Stacked ColumnCơ cấu thay đổi
theo thời gian
WaterfallPhân tích các yếu tố
cộng, trừ vào tổng
Distribution

Mức độ tập trung và phân tán của dữ liệu

HistogramTần suất dữ liệu
theo từng khoảng
Box & WhiskerĐộ phân tán và
giá trị ngoại lệ
Density PlotHình dạng
phân phối dữ liệu
Relationship

Mối quan hệ giữa hai hoặc nhiều biến

Scatter PlotMối quan hệ giữa 2 biến
Bubble ChartThể hiện thêm
biến thứ 3
Correlation MatrixNhiều cặp biến
DAY 02SHISEIDO × THE FUTURE ANALYSTShiseido
AI Training Program · Day 02

Cảm ơn
& hẹn gặp lại

Day 02AI-Powered Data Analytics
The Future Analyst · Empowering Analyst of the FutureShiseido