Cạnh Tranh Bằng Phân Tích

1. Bản chất của cạnh tranh bằng phân tích

Sử dụng phân tích học để tạo nên khả năng đặc biệt

Năm 1997, một anh chàng chừng 30 tuổi, từng là chuyên gia phần mềm, nhà cải cách giáo dục và cũng là một người đam mê phim ảnh, đã thuê đĩa phim Apollo 13 từ chuỗi cửa hàng cho thuê băng đĩa lớn nhất khu vực − Blockbuster, và phải trả đến 40 đô-la tiền trả đĩa quá hạn (tính theo ngày). Việc mất thêm tiền khiến anh nảy ra suy nghĩ: tại sao các cửa hàng băng đĩa không phục vụ như những câu lạc bộ thể hình, nơi các thành viên chỉ phải trả một khoản tiền phí hàng tháng cố định rồi có thể sử dụng phòng tập bao nhiêu lâu, bao nhiêu lần tùy thích? Vì chuyện này – lại thêm việc có được khoản tiền 750 triệu đô-la nhờ bán công ty phần mềm riêng của mình – Reed Hastings háo hức nhảy vào “lĩnh vực kinh tế mới” và thành lập tập đoàn Netflix.

Một sự điên rồ chăng? Rốt cuộc, Blockbuster đã thu về lợi nhuận tới hơn 3 tỷ đô-la mỗi năm nhờ vào hệ thống hàng nghìn cửa hàng khắp nước Mỹ cũng như nhiều quốc gia khác – và nó cũng chưa phải là doanh nghiệp cạnh tranh duy nhất trong lĩnh vực này. Liệu mọi người có thể thuê một đĩa phim qua mạng, sau đó chờ dịch vụ bưu chính Hoa Kỳ (vào thập niên 1990 còn bị gọi là bưu chính “chậm như sên”) chuyển đĩa, rồi lại đến thu lại đĩa trả từ hòm thư của họ? Nếu làm như thế, chắc chắn Netflix sẽ đi theo vết xe đổ của rất nhiều công ty kinh doanh trên mạng khác, cũng có “mô hình kinh doanh”, có bán hàng, marketing, nhưng không có khách hàng.

Nhưng như sau này chúng ta đã biết, câu chuyện diễn ra hoàn toàn khác, và thành công ngày nay của Netflix chủ yếu bắt nguồn từ việc họ thực sự là một doanh nghiệp cạnh tranh bằng phân tích. Công ty chuyển phát phim Netflix, với mức tăng trưởng lợi nhuận từ 5 triệu đô-la năm 1999 lên tới 1 tỷ đô-la vào năm 2006, là một minh chứng tuyệt vời nhất cho một hãng biết cạnh tranh dựa trên cơ sở toán học, thống kê và năng lực quản lý dữ liệu. Netflix cung cấp dịch vụ chuyển phát đĩa DVD miễn phí tới khoảng 6 triệu khách hàng và cung cấp cả gói dịch vụ nhận đĩa trả về cũng miễn phí. Khách hàng có thể xem những tác phẩm điện ảnh mình đã chọn vào lúc rảnh rỗi; không hề bị tính phí trả chậm. Khi đĩa DVD được trả lại, họ sẽ chọn thêm các bộ phim khác.

Bên cạnh chuyên môn vận trù mà Netflix cần để biến kế hoạch này thành một dự án sinh lợi, Netflix cũng khai thác phân tích học theo hai cách chủ yếu, cả hai cách này đều bị hành vi của khách hàng và các kiểu mua hàng chi phối. Cách đầu tiên là sử dụng một công cụ cố vấn phim có tên là Cinematch, được chế tạo dựa trên một phần mềm độc quyền về giải thuật . Netflix thuê các nhà toán học có kinh nghiệm viết giải thuật và mã nguồn để xác định các nhóm phim, kết nối những đánh giá về phim của khách hàng với những nhóm phim này, phân tích hàng nghìn đánh giá về phim của khách hàng mỗi giây, và xem xét cả những thói quen của người sử dụng trên các trang web hiện tại – tất cả để đảm bảo có thể tạo ra một trang web được cá nhân hóa cho phù hợp với từng khách hàng ghé thăm.

Netflix còn treo giải 1 triệu đô-la cho nhà phân tích số liệu bên ngoài công ty nào có thể cải thiện được hiệu năng của giải thuật Cinematch lên ít nhất 10%. Tổng Giám đốc Điều hành của Netflix, Reed Hastings chia sẻ: “Nếu bí quyết kinh doanh của Starbucks là nụ cười dành cho bạn khi bạn gọi một tách cà phê, thì với chúng tôi là những trang web được điều chỉnh để phù hợp với sở thích của từng cá nhân.” Netflix đã phân tích những lựa chọn phim của khách hàng và phản hồi của họ về những bộ phim đã thuê – khoảng trên 1 tỷ phân tích về những bộ phim họ thích, rất thích, không thích, và nhiều thông tin khác – rồi giới thiệu các bộ phim nên xem theo cách thỏa mãn cao nhất cả gu phim của khách hàng, cũng như tình trạng sẵn có của kho phim. Netflix thường giới thiệu các bộ phim phù hợp với thông tin đăng ký thành viên của khách hàng nhưng chưa được nhiều người yêu cầu. Nói cách khác, đó chính là thuyết “Cái đuôi dài  (the long tail) – giới hạn ngoài của đường cong phân phối các sản phẩm được ưa chuộng nhất và đồ thị chào hàng không bao giờ gặp nhau.”

Netflix còn tham gia vào một chiến lược còn đang tranh cãi, dựa trên phép phân tích gọi là tiết lưu (Throttling). “Tiết lưu” được biết đến như một chiến lược được doanh nghiệp sử dụng để cân bằng việc sắp xếp các yêu cầu chuyển hàng giữa nhóm khách hàng thường xuyên và khách hàng vãng lai. Khách hàng vãng lai được ưu tiên chuyển hàng nhanh hơn khách hàng thường xuyên. Có nhiều lý do biện giải cho cách làm này. Bởi vì phí vận chuyển là miễn phí trong khi phí thành viên đóng hàng tháng là cố định, vì vậy, khách vãng lai là những người đem lại nhiều lợi nhuận nhất cho Netflix. Như tất cả các công ty khác, Netflix muốn duy trì sự hài lòng của những khách hàng sinh lợi nhất và giữ chân họ. Và khi mà những khách thường xuyên cảm thấy không được đối xử công bằng (theo các báo cáo của Hastings, có một số lượng nhỏ khách hàng than phiền về điều này), Netflix phải điều chỉnh khả năng vận chuyển cho cả khách hàng vãng lai lẫn khách quen theo cách đạt hiệu quả kinh tế cao nhất. Hastings sử dụng giải thuật công bằng (fairness algorithm). Gần đây, Netflix phải giải quyết một vụ kiện tập thể liên quan đến việc điều tiết chuyển hàng này, do họ đã quảng cáo rằng gần như mọi yêu cầu về phim sẽ được chuyển phát nhanh trong ngày.

Phân tích học còn giúp Netflix quyết định đầu tư tiền bản quyền phân phối đĩa phim DVD cho bộ phim nào. Khi công ty này mua bản quyền phim Favela Rising (Favela nổi dậy), một phim tài liệu về những nhạc sĩ ở các khu ổ chuột trong thành phố Rio de Janeiro, ban lãnh đạo của Netflix nhận thấy có tới hàng triệu khách hàng cũng yêu cầu công ty cho thuê “bộ phim của năm 2003” – City of God (Thành phố của Chúa), một bộ phim chân thực về các khu ổ chuột ở Rio. Họ còn biết rằng có khoảng 500 nghìn khách hàng cũng đã chọn một bộ phim tài liệu có chút liên quan tới cuộc sống ở các khu ổ chuột tại Ấn Độ, tên là Born into Brothels (Sinh ra trong nhà thổ), và có 250 nghìn khách hàng của Netflix hỏi thuê cả hai bộ phim trên. Do đó, những người mua bản quyền thấy yên lòng khi trả tiền để mua bản quyền phát hành khoảng 250 nghìn bản. Nếu có nhiều nhu cầu thuê hơn, cả nhà sản xuất bộ phim Favela Rising và Netflix đều thu lợi.

Giống như phần lớn các doanh nghiệp cạnh tranh bằng phân tích khác, Netflix có nền tảng phân tích học vững chắc và một phương pháp “phân tích và học hỏi” áp dụng cho chiến lược kinh doanh của họ. Giám đốc sản phẩm Neil Hunt giải thích thêm:

Từ việc quản lý thành phẩm cho đến từng đội kỹ thuật, chúng tôi đều thiết lập một nền tảng ứng dụng phân tích số liệu. Chúng tôi thường thực hiện cùng lúc hàng trăm cuộc thử nghiệm khác nhau về trải nghiệm của khách hàng. Ví dụ, hiện tại chúng tôi đang thử nghiệm “Phòng giới thiệu phim Netflix”, tại đó chúng tôi sẽ chiếu những đoạn giới thiệu các bộ phim mà khách hàng chưa xem bao giờ. Chúng tôi xây dựng bốn phiên bản của phòng giới thiệu phim để phục vụ việc phân tích. Chúng tôi đưa khoảng 20 nghìn thành viên vào mỗi phòng giới thiệu phim, và có một nhóm nhân viên kiểm soát không có mặt trong phòng chiếu. Chúng tôi đo khoảng thời gian khách hàng xem các đoạn giới thiệu phim, tỷ lệ phần trăm số người xem trọn vẹn buổi chiếu, có bao nhiêu bộ phim được người sử dụng thêm vào danh sách yêu thích của họ, và điều đó ảnh hưởng ra sao tới việc đánh giá xếp hạng các bộ phim mà họ yêu cầu cuối buổi chiếu, và các nhân tố khác nữa. Những thông tin ban đầu thu được khá hứa hẹn.

Tổng Giám đốc Điều hành của Netflix, Hastings, có bằng thạc sĩ khoa học máy tính của trường Stanford và từng là cựu giảng viên môn toán của trường Peace Corps. Công ty đã đem khoa học kỹ thuật áp dụng vào một ngành công nghiệp đặc biệt giàu tính nghệ thuật. Tờ Business Week viết: “Netflix sử dụng dữ liệu để đưa ra những quyết định mà các nhà lãnh đạo thường đưa ra dựa trên ý chí. Trung bình một khách hàng đánh giá khoảng 200 bộ phim, và Netflix nghiên cứu thông tin về quá trình thuê phim cũng như những đánh giá về phim của họ để từ đó dự đoán thể loại phim họ sẽ thích… Richard N. Barton, thành viên ban quản trị Netflix nói: ’Đó giống như một Moneyball  (Quả bóng tiền) cho phim, với những chuyên gia phần mềm như Reed, nghiên cứu phim cũng không khác gì xem xét một vấn đề dữ liệu khác’.”

Trong phân tích của mình, Netflix sử dụng rộng rãi các phương pháp định lượng và định tính, bao gồm những điều tra cơ bản, phân tích các trang web của người dùng, phát triển ý tưởng và kiểm nghiệm, đánh giá chiến lược quảng cáo, khai thác dữ liệu, nghiên cứu về nhận thức thương hiệu, sự hài lòng của người dùng, phân tích các kênh phân phối, tối ưu hóa marketing, nghiên cứu phân khúc thị trường và hiệu quả chủ chốt của marketing. Những phân tích này thâm nhập vào văn hóa công ty cũng như tất cả các mảng, từ marketing đến các hoạt động điều hành và cả dịch vụ khách hàng.

Định hướng sử dụng phân tích học của công ty đã đem đến thành công và sự tăng trưởng. Nhưng công ty còn tính đến việc sử dụng phân tích học để giúp công ty vượt qua giai đoạn chuyển đổi công nghệ vũ bão. Rõ ràng là việc phân phối phim rốt cuộc sẽ phải thông qua các kênh phân phối điện tử – Internet, mạng cáp tín hiệu, và truyền dữ liệu không dây. Thời gian chính xác cũng như công nghệ giao thoa ra sao chưa thật rõ ràng lắm, nhưng rõ ràng trong dài hạn việc phân phối DVD qua hệ thống bưu chính truyền thống sẽ lụi tàn. Tuy nhiên, Netflix muốn dựa vào phân tích học để phát đạt trong thế giới phân phối ảo. Chỉ cần Netflix nắm được nhiều thông tin hơn các hãng khác về những bộ phim khách hàng muốn xem, thì theo logic, người dùng cũng sẽ gắn bó với Netflix mà không cần quan tâm tới việc bộ phim đó đến tay họ theo cách nào.

Netflix có vẻ độc đáo, nhưng trên nhiều bình diện, nó là một điển hình của những tổ chức/ doanh nghiệp – nhỏ nhưng phát triển nhanh chóng – đã nhận ra tiềm năng của phân tích học và xông xáo đi trước tận dụng tiềm năng đó. Có thể bắt gặp những công ty này trong rất nhiều lĩnh vực khác nhau (xem hình 1-1). Một số công ty không được biết đến rộng rãi như là những hãng cạnh tranh bằng phân tích. Số khác, như tập đoàn giải trí Harrah’s trong lĩnh vực trò chơi hay Oakland A trong môn bóng chày, đã được vinh danh trên các cuốn sách và tạp chí. Một vài hãng khác, như Amazon.com, Yahoo! và Google – những ngôi sao mới nổi gần đây – đã khai thác sức mạnh của mạng Internet cho các cỗ máy tìm kiếm/phân tích của họ. Những công ty còn lại như Mars và Procter & Gamble đã tạo nên rất nhiều sản phẩm tiêu dùng quen thuộc đến hàng thế kỷ hay thậm chí lâu hơn thế. Tất cả những công ty này chỉ có hai điểm chung: họ cạnh tranh dựa trên nền tảng khả năng phân tích của mình, và họ đều rất thành công trong ngành của họ. Chúng tôi tin rằng hai điểm này không thể không có liên quan với nhau.

Phân tích học là gì?

Phân tích học là việc sử dụng rộng rãi dữ liệu, các phân tích thống kê số học, mô hình dự báo và giải thích, cùng với phương pháp quản lý dựa trên dữ liệu để đưa ra những quyết định và hành động thích hợp. Phân tích học có thể được sử dụng làm tài liệu cho các quyết định của con người hoặc tự nó có thể đưa ra các quyết định hoàn toàn tự động. Phân tích học có thể coi là một phần của các nghiệp vụ xử lý dữ liệu thông minh (Business Intelligence) : một tập hợp các công nghệ và quy trình xử lý, trong đó sử dụng dữ liệu để đánh giá và phân tích hiệu quả sản xuất kinh doanh của doanh nghiệp. Như hình 1-2 cho thấy, các nghiệp vụ xử lý dữ liệu thông minh bao gồm cả việc truy cập dữ liệu, lập báo cáo và phân tích học. Mỗi phương pháp đều đưa ra một loạt câu hỏi về tình hình hoạt động sản xuất kinh doanh của doanh nghiệp. Những câu hỏi có thể được giải đáp nhờ phân tích học chính là điển hình cho tính tiên phong và sự vượt trội về giá trị thông tin đem lại.

Trên nguyên tắc, có thể thực hiện phân tích học bằng giấy và cây bút chì hay thước lôga; nhưng ngày nay bất kỳ ai cũng biết ứng dụng công nghệ thông tin. Hiện có hàng loạt phần mềm phân tích, từ những công cụ tối ưu hóa và thống kê tương đối đơn giản dưới dạng các trang bảng tính (điển hình là MS Excel), hay những bộ công cụ hỗ trợ các nghiệp vụ xử lý dữ liệu thông minh phức tạp (như SAS, Cognos, BusinessObjects), những ứng dụng dự báo kinh doanh (như Fair Issac), cho đến những mô-đun báo cáo và phân tích trong các hệ thống quản trị doanh nghiệp lớn (như của SAP và Oracle). Và như chúng tôi sẽ còn nói rõ hơn trong cuốn sách này, việc phân tích tốt cũng đòi hỏi khả năng quản lý thông tin tốt để có thể tích hợp, trích xuất, chuyển đổi và truy cập cơ sở dữ liệu về các giao dịch kinh doanh của doanh nghiệp. Một vài người có thể dễ dàng đánh đồng phân tích học với công nghệ thông tin về phân tích. Nhưng đây là một nhầm lẫn lớn – như chúng tôi sẽ thảo luận trong suốt cuốn sách này, chính khía cạnh tổ chức và con người trong cuộc cạnh tranh bằng phân tích mới là yếu tố phân biệt thật sự.

Tại sao lại cạnh tranh bằng phân tích?

Khi các công ty ở nhiều lĩnh vực khác nhau cùng đưa ra những sản phẩm tương tự nhau và cùng sử dụng các công nghệ tương đương thì chỉ những quy trình kinh doanh có hiệu quả cao mới có thể được xem là những điểm phân biệt cuối cùng. Rất nhiều lợi thế cạnh tranh trước kia giờ đây không còn nữa. Những lợi thế địa lý độc đáo không còn nhiều ảnh hưởng trong cuộc chiến cạnh tranh toàn cầu, và phần lớn luật bảo hộ cũng bị phá bỏ. Những công nghệ độc quyền nhanh chóng bị sao chép, những đổi mới mang tính đột phá về sản phẩm và dịch vụ thì có vẻ ngày càng khó đạt được. Yếu tố duy nhất còn lại làm cơ sở cho cạnh tranh chính là việc điều hành doanh nghiệp của bạn đạt hiệu quả cao và ấn tượng nhất, và làm sao để đưa ra những quyết định khôn ngoan nhất có thể. Các doanh nghiệp cạnh tranh bằng phân tích tận dụng triệt để giá trị từ các quy trình kinh doanh cũng như những quyết định chiến lược.

Phân tích học có thể hỗ trợ tối đa các quy trình kinh doanh của doanh nghiệp. Dẫu vậy tổ chức nào muốn có được lợi thế cạnh tranh bắt buộc phải có một số đặc điểm riêng mà những doanh nghiệp/ tổ chức khác không có – những khả năng độc đáo. Và chúng thường đòi hỏi một vài kiểu chiến lược kinh doanh và phương pháp ra quyết định nhất định. Có thể bạn cố gắng kiếm tiền bằng cách xác định những khách hàng tiềm năng và khách hàng trung thành chính xác hơn các đối thủ, rồi đưa ra mức giá tối ưu nhất cho sản phẩm và dịch vụ của bạn. Nếu bạn muốn thực hiện điều đó, phân tích học sẽ giúp bạn trở thành người giỏi nhất. Có thể bạn bán các sản phẩm tiêu dùng và muốn ước tính khả năng khan hàng đến mức xấu nhất để ngăn chặn tình trạng thiếu hàng; nếu thế, phân tích học thường là chiếc chìa khóa cho việc tối ưu hóa vòng cung ứng sản phẩm. Có thể bạn cạnh tranh nhờ vào yếu tố con người trong doanh nghiệp và đang cố tìm kiếm để thuê, giữ chân hay đề bạt những nhân viên xuất sắc nhất trong ngành. Những mong muốn đó cũng được đáp ứng thông qua phân tích học (mặc dù mục đích này thường được áp dụng rộng rãi trong lĩnh vực thể thao chuyên nghiệp và không nhiều trong sản xuất kinh doanh).

Mặt khác, có thể các quy trình kinh doanh trong hoạt động của bạn không khác biệt nhiều lắm so với doanh nghiệp khác, thì bạn cũng có thể cạnh tranh bằng cách đưa ra những quyết định sáng suốt nhất. Bạn có thể chọn được vị trí tốt nhất để mở cửa hàng – nếu vậy, có lẽ bạn đang thực hiện việc đó một cách có phân tích. Bạn cũng có thể mở rộng quy mô của công ty thông qua sáp nhập hoặc mua lại, và bạn chỉ chọn những ứng viên tốt nhất cho việc này. Theo các báo cáo được công bố rộng rãi, hầu hết các doanh nghiệp không làm tốt việc này, nhưng bạn thì làm tốt. Nếu vậy, có lẽ bạn đưa ra các quyết định không dựa vào trực giác. Những quyết định chính xác thường được đưa ra nhờ sự kết hợp một cách có hệ thống dữ liệu và quá trình phân tích.

Các doanh nghiệp cạnh tranh bằng phân tích đã ưu tiên chọn ra một hoặc một vài khả năng độc đáo của mình, sau đó xây dựng các chiến lược kinh doanh dựa trên những khả năng đó; họ áp dụng việc khai thác dữ liệu, các phân tích thống kê số học, việc ra quyết định dựa trên thực tế để phát triển những khả năng độc đáo của mình. Bản thân phân tích học không tạo nên chiến lược kinh doanh, nhưng sử dụng nó để tối ưu hóa những khả năng độc đáo của doanh nghiệp lại chắc chắn sẽ cấu thành chiến lược. Dù các khả năng đó có nổi bật thế nào trong chiến lược kinh doanh thì phân tích học vẫn có thể nâng tầm chúng lên cao nữa. Ví dụ công ty Capital One đặt tên cho phương pháp cạnh tranh bằng phân tích của mình là “chiến lược cạnh tranh bằng thông tin”. Các yếu tố cạnh tranh của Harrah’s là lòng trung thành của khách hàng và hệ thống dịch vụ, hơn nữa, họ cũng đã tối ưu hóa chúng với chiến lược cạnh tranh bằng phân tích.

Liệu mọi doanh nghiệp trong mọi lĩnh vực đều có thể thành công khi cạnh tranh bằng phân tích không? Đây là một câu hỏi thú vị mà chúng ta có thể tranh luận với nhau. Một mặt, hầu như bất cứ doanh nghiệp nào cũng đều có vẻ có tiềm năng cạnh tranh bằng phân tích. Ví dụ như kinh doanh xi măng, có vẻ là lĩnh vực rất bình thường và không cần phân tích học như các lĩnh vực khác. Nhưng một hãng xi măng lớn là CEMEX đã rất thành công khi áp dụng phân tích học cho những khả năng độc đáo của hãng để tối ưu hóa chuỗi cung ứng và thời gian giao nhận hàng.

Mặt khác, một số ngành hay lĩnh vực phù hợp với việc áp dụng phân tích học hơn hẳn so với những lĩnh vực khác. Nếu doanh nghiệp của bạn tạo ra rất nhiều dữ liệu giao dịch – chẳng hạn như các dịch vụ tài chính, du lịch và vận tải, hay lĩnh vực trò chơi giải trí – cạnh tranh bằng phân tích hẳn là một chiến lược kinh doanh bắt buộc (mặc dù vậy vẫn có nhiều hãng chưa áp dụng). Nếu mô hình kinh doanh của bạn lại dựa trên những yếu tố khó có thể đo lường – chẳng hạn như kiểu dáng trong thời trang, hay các mối quan hệ của con người, như trong ngành nghiên cứu việc điều hành doanh nghiệp – thì sẽ phải tốn nhiều công sức chuẩn bị hơn để có thể cạnh tranh bằng phân tích. Dù vậy, hàng ngày chúng ta đều có thể bắt gặp những ví dụ về các doanh nghiệp trước đây kinh doanh dựa trên trực giác, nhưng giờ đang chuyển mình vào thế giới của phân tích học. Ví dụ một công ty kinh doanh rượu đã từng (trong vài quý) quá nghiêng về trực giác và dựa vào những thị hiếu người tiêu dùng thể tiên đoán. Tuy nhiên, ngày nay, có thể phân tích số lượng cũng như dự đoán sức thu hút của tất cả các loại rượu; và những nhà sản xuất rượu lớn như E. & J. Gallo đang thực hiện cạnh tranh bằng phân tích trong lĩnh vực bán hàng và nghiên cứu thị hiếu người tiêu dùng.

Cuốn sách này có ích ra sao?

Chúng tôi không sáng tạo ra ý tưởng cạnh tranh bằng phân tích, nhưng chúng tôi tin rằng cuốn sách này (cùng với những bài báo chúng tôi đã viết trước đó) là tài liệu đầu tiên mô tả rõ tính chất của hiện tượng đó. Trong cuốn sách, bạn sẽ tìm thấy nhiều vấn đề xoay quanh chủ đề này hơn bất cứ tài liệu nào khác: thảo luận nhiều hơn về các khái niệm, nhiều ví dụ về những doanh nghiệp đang theo đuổi cạnh tranh bằng phân tích, những vấn đề về quản lý cũng được chỉ ra, cùng với những ứng dụng cụ thể hơn của phân tích học. Phần một của cuốn sách đưa ra các định nghĩa cùng những đặc điểm chính của cạnh tranh bằng phân tích, và đồng thời thảo luận (với một số phân tích) về việc phân tích học cải thiện hiệu quả kinh doanh ra sao. Đoạn cuối của phần này trình bày một loạt ví dụ khác nhau về việc ứng dụng phân tích học, trước hết là cho những quy trình nội bộ, sau đó là những quy trình bên ngoài, với khách hàng và nhà cung ứng.

Phần hai của cuốn sách hướng dẫn cách thức áp dụng. Bắt đầu bằng một sơ đồ tổng quan dành cho những tổ chức muốn cạnh tranh dựa trên những khả năng phân tích của mình. Tất cả các chương của phần này đều dành để nói đến hai yếu tố then chốt – con người và công nghệ – những yếu tố cần thiết để hiện thực hóa hình thức cạnh tranh này. Chúng tôi kết thúc bằng việc đưa ra thảo luận về một số phương hướng chính cho các doanh nghiệp cạnh tranh bằng phân tích trong tương lai.

Có rất nhiều điều muốn nói ở đây, nhưng chúng tôi biết đó không phải là chủ đề cuối cùng. Chúng tôi biết một vài tác giả khác cũng đang có kế hoạch viết sách về chủ đề này, hy vọng sẽ còn rất nhiều bài báo, học viện và nhà tư vấn sẽ tiếp tục đi theo chủ đề này. Nếu lĩnh vực này tiếp tục phát triển, thì thế giới sẽ đầu tư nhiều thời gian và công sức cho nó, và chúng ta sẽ cần tất cả tài liệu tham khảo có thể có.

Chúng ta đã đến đây như thế nào?   Nguồn gốc của cạnh tranh bằng phân tích

Rõ ràng, thế giới đang chuyển mình theo hướng cạnh tranh bằng phân tích của các tổ chức. Chính vào lúc các nhà quản trị doanh nghiệp đang tiếp tục tìm kiếm những yếu tố tạo nên lợi thế và sự khác biệt, họ cũng nắm được nhiều thông tin về hoạt động sản xuất kinh doanh của doanh nghiệp hơn bao giờ hết. Hệ thống hoạch định nguồn lực doanh nghiệp (ERP), các hệ thống hỗ trợ bán lẻ (POS), hay các trang web, cùng với các nguồn khác đã tạo ra dữ liệu giao dịch nhiều và tốt hơn hẳn so với dữ liệu trong lịch sử nhân loại. Một thế hệ mới các nhà quản trị doanh nghiệp có kiến thức kỹ thuật – thế hệ đầu tiên trưởng thành cùng với máy tính – đang gia nhập các doanh nghiệp và tìm kiếm những phương pháp quản trị mới với sự hỗ trợ của công nghệ. Rốt cuộc, khả năng tận dụng việc khai thác thông tin nhờ máy tính và các phần mềm ứng dụng đã chín muồi. Trong vài năm qua, các nhà sản xuất phần mềm phân tích liên tục mở rộng các tính năng của sản phẩm, trong khi các nhà cung cấp thiết bị phần cứng cũng tiến hành tối ưu hóa công nghệ để tăng cường khả năng phân tích nhanh cũng như quản lý các cơ sở dữ liệu lớn.

Ban đầu, phân tích học chỉ mang tính chất nhỏ lẻ, thất thường, được thực hiện trong một vài nghiệp vụ kinh doanh sử dụng nhiều dữ liệu. Vào nửa cuối thập kỷ 1960, các bác sĩ và nhà nghiên cứu thử nghiệm sử dụng máy tính để phân tích dữ liệu và hỗ trợ việc ra quyết định. Các hệ thống đó được gọi là các hệ hỗ trợ quyết định (Decision Support Systems – DSS), các hệ thống này được ứng dụng trong các hoạt động có tính phân tích, hoặc lặp đi lặp lại hay mang tính ứng dụng hẹp chẳng hạn như hoạch định sản xuất, quản lý danh mục vốn đầu tư và các thủ tục vận tải. Hai nhà tiên phong trong hệ thống hỗ trợ quyết định là Peter Keen và Charles Stabell, cho rằng, ý tưởng đầu tiên về hệ hỗ trợ quyết định được hình thành từ những nghiên cứu tại trung tâm công nghệ Carnegie Tech (nay là Carnegie Mellon) bởi một số nhà nghiên cứu như Herbert Simon trong những năm cuối của thập kỷ 1950 và đầu thập kỷ 1960, cùng với những nghiên cứu về các hệ thống máy tính tương tác, chủ yếu được thực hiện ở MIT trong những năm 1960. Một số người lại cho rằng nguồn gốc của chúng liên quan chặt chẽ đến những ứng dụng quân sự trong và sau Chiến tranh thế giới thứ hai, mặc dù máy tính điện tử hồi đó không sẵn cho những ứng dụng kiểu như vậy.

Việc phân tích thống kê trên máy tính đã trở thành hoạt động chủ đạo trong những năm 1970, khi mà các công ty, như SAS Institute và SPSS, giới thiệu các gói phần mềm ứng dụng giúp việc truy cập thông tin thống kê trở nên dễ tiếp cận hơn với các nhà nghiên cứu và doanh nhân. Vào giai đoạn đó, bất chấp việc thống kê đã trở nên phổ biến hơn nhiều, hệ hỗ trợ quyết định vẫn không mang lại thành công và không thể trở thành hệ thống hỗ trợ điều hành. Những ứng dụng này đòi hỏi các nhà quản lý cao cấp trực tiếp sử dụng máy tính và dữ liệu để theo dõi và báo cáo hiệu quả kinh doanh (ít nhấn mạnh vào việc ra quyết định hơn). Hoạt động này cũng chưa bao giờ được ứng dụng rộng rãi, một phần do sự chần chừ của các nhà quản lý trong việc tập sử dụng.

Công nghệ phân tích được sử dụng phổ biến nhất trong việc lưu trữ lượng nhỏ thông tin và chỉ đạo các truy vấn đặc biệt trong việc hỗ trợ quyết định và theo dõi hiệu quả kinh doanh. Việc tập trung vào quản lý dữ liệu trở nên đặc biệt quan trọng khi mà lượng dữ liệu rất lớn có thể thu được từ các hệ thống quản trị giao dịch như các hệ thống hoạch định nguồn lực doanh nghiệp (ERP) hay hệ hỗ trợ bán lẻ (POS), và sau này là các giao dịch qua mạng Internet. Các dạng tập trung hướng vào dữ liệu này được biết đến như OLAP (xử lý dữ liệu phân tích trực tuyến) và sau này là kho dữ liệu (data warehousing). Những kho dữ liệu nhỏ hơn còn được gọi là các trung tâm dữ liệu (data marts).

Như đã đề cập ở trên, ngày nay, toàn bộ các hệ thống trên được gọi bằng thuật ngữ “các nghiệp vụ xử lý dữ liệu thông minh” (Business Intelligence), một hệ thống kết hợp chặt chẽ các tập hợp dữ liệu định hướng quyết định, phương pháp quản lý và báo cáo, cũng như các công nghệ phân tích và phương pháp tính toán được thực hiện trên dữ liệu đó. Trí tuệ doanh nghiệp về tổng quan là một mảng rộng và phổ biến trong ngành công nghệ thông tin – trên thực tế, một cuộc khảo sát của Gartner vào năm 2006 đối với 1.400 trưởng phòng thông tin chỉ ra rằng các nghiệp vụ xử lý dữ liệu thông minh là công nghệ ưu tiên số một cho các tổ chức doanh nghiệp công nghệ thông tin. Hai nghiên cứu trên các tổ chức doanh nghiệp lớn có sử dụng các hệ hoạch định nguồn lực doanh nghiệp (ERP) thực hiện năm 2002 và 2006 cho thấy khả năng ra quyết định chính xác là lợi ích hàng đầu được các doanh nghiệp tìm kiếm và (khảo sát năm 2006) phân tích học là công nghệ được theo đuổi nhiều nhất để tận dụng lợi thế của dữ liệu có được từ ERP.

Mặc dù có sự biến đổi về thuật ngữ, những xu hướng này – mỗi xu hướng tồn tại khoảng một thập kỷ – đều có những thuộc tính chung. Tất cả đều tập trung vào việc chỉ rõ khả năng của máy tính có thể giúp lưu trữ, phân tích, hiển thị dữ liệu và hiển thị kết quả của phân tích. Chúng chỉ tập trung vào những vấn đề tương đối hẹp – ngoại trừ các hệ thống quản trị và theo dõi hiệu quả kinh doanh, chỉ biểu thị tình hình của doanh nghiệp. Chúng còn được giao thẳng cho những “phòng ban hậu cần” (back office) của doanh nghiệp – được vận hành bởi những kỹ thuật viên và các chuyên gia, nơi các quản lý cao cấp chỉ dành chút ít sự quan tâm. Với rất ít ngoại lệ, khó có thể nói chúng tác động đến cốt lõi của cạnh tranh.

Ngày nay, đa số các doanh nghiệp lớn đều có một vài loại phần mềm ứng dụng phân tích tại chỗ và các công cụ hỗ trợ các nghiệp vụ xử lý dữ liệu thông minh được cài đặt. Nhưng chúng chỉ được coi là những công cụ ngoài lề trong sự thành công của doanh nghiệp và được quản lý ở cấp độ hành chính. Ví dụ như ở một công ty bảo hiểm, có thể trang bị một vài công cụ phân tích cho phòng thống kê bảo hiểm, nơi định giá cho các chính sách. Một hãng sản xuất thì có lẽ sẽ sử dụng những công cụ như vậy cho việc quản lý chất lượng. Các công ty marketing có thể có được khả năng phân tích giá trị khách hàng. Tuy nhiên, dù các hoạt động đó có lợi đến đâu, chúng cũng không được các nhà quản lý cao cấp, khách hàng và cổ đông nhìn nhận đúng – và đương nhiên chúng không thể được coi là có vai trò quyết định đối với các chiến lược cạnh tranh của công ty. Chúng quan trọng với từng bộ phận riêng lẻ trong công ty, nhưng lại bị coi là không đáng kể so với toàn bộ khả năng cạnh tranh của công ty.

Tuy nhiên, trong cuốn sách này, chúng ta chỉ tập trung vào các công ty biết đánh giá đúng và nâng việc quản lý dữ liệu, phân tích số học và thống kê, việc ra quyết định dựa trên thực tế lên tầm một nghệ thuật cao cấp. Các tổ chức này có những hoạt động phân tích rất minh bạch; thông tin có thể được cung cấp cho từng cổ đông và những nhóm quan tâm thông qua giám đốc điều hành. Thay vì vận hành trong những phòng ban hậu cần chẳng ai biết đến, có thể dễ dàng tìm thấy phân tích học của những công ty đó trong các báo cáo thường niên hay trên các bài báo. Các tổ chức này thu thập thông tin từ những nguồn mà mọi người đều có thể tiếp cận, sau đó gạn lọc chúng đến một mức độ đủ để dựa vào đó mà xây dựng các chiến lược kinh doanh của họ.

Khi nào thì các quyết định dựa trên phân tích là thích hợp?

Nhiều bằng cứ cho thấy việc ra các quyết định dựa trên phân tích học có vẻ chính xác hơn là những quyết định dựa trên trực giác. Biết sẽ tốt hơn – ít nhất là trong giới hạn dữ liệu cùng các phân tích – tin, suy nghĩ hay cảm giác, và phần lớn các công ty đều có thể kiếm lợi nhiều hơn từ những quyết định dựa trên phân tích. Tất nhiên là vẫn có những trường hợp mà các quyết định không thể, hoặc không nên dựa vào phân tích. Một vài trường hợp đó được đề cập tới trong cuốn sách nổi tiếng của Malcolm Gladwell − Blink (Trong chớp mắt) , một cuốn sách ngợi ca những quyết định dựa vào trực giác. Có vẻ thật hài hước khi cuốn sách tán dương trực giác và cho rằng các quyết định dựa trên trực giác sẽ phát triển và trở nên phổ biến trong khi có tổ chức đang phụ thuộc rất nhiều vào phân tích học, nhưng có lẽ đó là một phần mong muốn ảo tưởng của cuốn sách. Cuốn sách viết rất hài hước và thuyết phục, nhưng nó không chỉ rõ vấn đề là trực giác chỉ thích hợp với một số hoàn cảnh nhất định. Gladwell hoàn toàn đúng, chẳng hạn như loài người tiến hóa khả năng ra các quyết định nhanh chóng và chính xác về tính cách cũng như ý định của người khác, và trong trường hợp này hiếm khi phân tích học ưu việt bằng trực giác. Dẫu vậy Gladwell vẫn cho rằng trực giác của con người sẽ chỉ là kim chỉ nam cho hành động khi nó là kết quả của nhiều năm kinh nghiệm. Và rất nhiều ví dụ của Gladwell về trực giác chỉ có thể áp dụng khi đã có nền tảng hàng năm trời nghiên cứu mang tính phân tích, chẳng hạn như những phán đoán nhanh và có vẻ mang tính trực giác của Tiến sĩ John Gottsman về việc liệu các đôi đã cưới nhau mà ông theo dõi có sống được với nhau không. Ông chỉ có thể đưa ra những đánh giá đó sau khi đã theo dõi và phân tích thống kê hàng nghìn giờ xem băng ghi hình các đôi cư xử với nhau.

Rõ ràng là những người phải ra quyết định nhiều khi  buộc phải sử dụng trực giác khi họ không có thông tin mà vẫn phải đưa ra quyết định nhanh chóng – như trong ví dụ của Gladwell về các nhân viên cảnh sát phải quyết định có bắn kẻ tình nghi hay không. Gary Klein, tư vấn viên về ra quyết định, cũng có những luận điểm tương tự về những người lính cứu hỏa khi di chuyển trong tòa nhà đang bốc cháy. Thậm chí có những hãng về cơ bản sử dụng phân tích học nhưng thỉnh thoảng cũng phải cần đến trực giác khi họ không có dữ liệu tham khảo. Ví dụ, Jeff Bezos, Tổng Giám đốc Điều hành của Amazon.com, rất ưa chuộng việc tiến hành các cuộc kiểm chứng có giới hạn đối với những tính năng mới của Amazon.com, đo lường kĩ lưỡng phản ứng của người dùng trước khi đưa chúng vào hoạt động. Nhưng tính năng “tìm kiếm nội dung sách” (Search Inside the Book) của công ty không thể đánh giá kiểm tra được nếu không áp dụng trên lượng đầu sách khổng lồ (Amazon.com khởi nghiệp đã có 120 nghìn đầu sách). Chi phí phát triển cũng quá tốn kém và tăng khả năng rủi ro. Trong trường hợp này, Bezos đã tin vào bản năng của mình và đánh liều thực hiện. Sau khi ra đời, tính năng này đã chứng minh là được nhiều người yêu thích.

Tất nhiên, bất cứ phân tích số học nào cũng phải dựa trên một loạt giả định. Khi các điều kiện của những giả định này không còn đúng nữa, thì các kết quả phân tích cũng không thể đem áp dụng. Ví dụ như công ty Capital One và một số công ty kinh doanh thẻ tín dụng khác đã đưa ra những dự báo mang tính phân tích về sự sẵn sàng trả nợ tín dụng của khách hàng trong tình hình kinh tế phát triển thịnh vượng. Nếu nền kinh tế khủng hoảng nghiêm trọng, thì những dự báo này sẽ không thể được đem ra áp dụng nữa, và thật nguy hiểm nếu vẫn tiếp tục sử dụng những phân tích dự báo này.

Điều quan trọng nhất là giới hạn của việc ra các quyết định mang tính phân tích vẫn không ngừng được mở rộng. Phạm vi của việc ra quyết định phù hợp với dữ liệu trực quan và những phân tích khắt khe theo thời gian, cùng với trực giác vẫn chưa được phát huy tối đa. Ví dụ, ngày nay, một số giám đốc điều hành cho rằng vẫn có thể đưa ra các quyết định quan trọng trong việc sáp nhập hoặc mua lại dựa trên trực giác. Tuy nhiên, những công ty giỏi nhất lại biết sử dụng các kết quả phân tích chi tiết để đưa ra quyết định. Ví dụ, hãng Procter & Gamble, đã sử dụng rất nhiều công nghệ phân tích khác nhau trước khi mua lại Gillette, bao gồm cả hậu cần, vòng cung ứng, những yếu tố chi phối thị giá cổ phiếu, và nhân lực. Trong vài năm tới, hãng nào không biết tận dụng rộng rãi phân tích học trong các quyết định mua lại quan trọng sẽ bị xem là vô trách nhiệm.

Xu hướng này đang gần như bao trùm lên toàn bộ các doanh nghiệp. Số lượng dữ liệu sẵn có cũng không ngừng tăng lên. Các thiết bị xác định thông tin qua tần số radio (RFID – Radio-Frequency Identification) sẽ được cấy lên các tấm nâng hàng hay các hộp các-tông để được chuyển đi khắp nơi theo vòng cung ứng, sinh ra rất nhiều dữ liệu truyền về để công ty thu thập và phân tích. Cụ thể hơn, mỗi một xe vận chuyển hàng sẽ đủ thông minh để thu thập dữ liệu về “hướng lựa chọn”, hoặc những bản ghi thông tin về danh sách các sản phẩm được nhặt khỏi giá bày hàng theo một thứ tự nào đó. Trong ngành công nghiệp khai khoáng, lượng dữ liệu khổng lồ – vốn đã rất lớn – sẽ còn được mở rộng theo từng vùng địa lý. Trong lĩnh vực quảng cáo, việc ngày càng nhiều doanh nghiệp chuyển sang các phương tiện truyền thông đại chúng như mạng Internet, truyền hình cáp, từ đó có thể theo dõi xem quảng cáo nào được đối tượng khán giả nào xem – một lần nữa lại sản sinh một lượng lớn luồng dữ liệu mới.

Các phần mềm phân tích ngày càng sẵn có và được phân phối rộng rãi đến tất cả các tổ chức/doanh nghiệp. Các công ty phần mềm chuyên về thống kê như SAS hay SPSS đã tạo ra hàng loạt phân tích rất phức tạp cho phần lớn các công ty và người dùng trong 30 năm qua, và họ vẫn tiếp tục phát triển. Những công ty chuyên về hỗ trợ các nghiệp vụ xử lý dữ liệu thông minh như SAS, Business Objects và Cognos thì tiếp tục bổ sung những chức năng phân tích cho các bộ công cụ của họ. Những phần mềm ứng dụng mới xuất hiện nhắm tới những khả năng khác nhau của doanh nghiệp sẽ được trình làng bởi những đại lý phân phối như tập đoàn Fair Issac. Những nhà phân phối hệ thống phần mềm doanh nghiệp khác như SAP và Oracle ngày càng hiện thực hóa khả năng phân tích hệ thống dữ liệu kinh doanh và theo dõi hiệu quả kinh doanh. Và cả Microsoft cũng đang tích hợp khả năng phân tích vào bộ công cụ văn phòng chuẩn. Trong tương lai, tính năng phần mềm không còn là vấn đề trong việc cạnh tranh bằng phân tích nữa, mặc dù việc sử dụng tốt những phần mềm ứng dụng phân tích chưa bao giờ là việc dễ dàng.

Có thể cho rằng phần cứng cũng không phải là vấn đề. Ngày nay, thì bộ vi xử lý 64 bit của Intel và các hãng khác đều có thể thực hiện phân tích số học trên những tập hợp dữ liệu lớn được xem như những công nghệ hàng đầu, nhưng chúng cũng không tồn tại lâu. Các máy tính chuyên dụng khác được các hãng như Teradata và Netezza cung cấp cũng có thể dễ dàng quản lý hàng tỷ byte dữ liệu từ những kho dữ liệu. Không nghi ngờ gì nữa, trong tương lai gần, hệ thống máy tính cá nhân cũng có thể thực hiện những phân tích quan trọng. Vấn đề lớn nhất lại là làm sao các tổ chức có thể quản lý được dữ liệu và các phân tích của họ, đồng thời đảm bảo từng cá nhân người dùng có thể đưa ra các quyết định dựa trên những phân tích và giả định đúng đắn.

Tuy nhiên, để duy trì cạnh tranh bằng phân tích, các doanh nghiệp phải luôn dẫn đầu về công nghệ. Các doanh nghiệp cạnh tranh bằng phân tích sẽ phải luôn đặt mình vào một cuộc chạy đua vũ trang, yêu cầu liên tục phát triển những tiêu chuẩn đánh giá, giải thuật mới và những phương pháp ra quyết định mới. Các doanh nghiệp theo đuổi chiến lược cạnh tranh này phải loại bỏ một cách có hệ thống những quyết định có tính phỏng đoán ra khỏi quy trình và mô hình kinh doanh của mình. Các doanh nghiệp cạnh tranh bằng phân tích sẽ phải hướng những phân tích theo nhiều khía cạnh của hoạt động sản xuất kinh doanh và học hỏi từ những khía cạnh đó. Để những quyết định mang tính định lượng được thực hiện hiệu quả, những phân tích sẽ phải là kết quả của trí tuệ tập thể, thay vì chỉ xuất phát từ ý kiến chuyên gia của các vị “bác học”.

Chúng tôi đã thiết kế sơ đồ chỉ dẫn các bước chính để xây dựng một doanh nghiệp cạnh tranh bằng phân tích một cách hiệu quả. Điều này đòi hỏi những điều kiện tiên quyết, chẳng hạn như tối thiểu phải có một lượng dữ liệu vừa phải, đủ chất lượng về những lĩnh vực kinh doanh mà phân tích học có thể hỗ trợ, cũng như phải có đủ phần cứng và phần mềm tốt trong tay. Tuy nhiên, còn một yếu tố quan trọng khác là con người. Một điều kiện tiên quyết là người giám đốc phải thật sự tận tụy với phân tích học để có thể phát triển các ý tưởng. Nhưng còn một nhân tố quan trọng nữa tác động đến tốc độ và chất lượng kết quả thực hiện của doanh nghiệp, đó là sự hậu thuẫn. Những hãng như Netflix, Harrah’s, và Capital One có sự hậu thuẫn ở tầm giám đốc điều hành, và thậm chí, niềm đam mê với phân tích học còn giúp họ tiến lên “với tất cả tinh thần và lực lượng” trên con đường tiến tới thành công.

Những tổ chức còn thiếu sự hậu thuẫn của ban điều hành đầy nhiệt huyết, trước hết sẽ phải vượt qua được “bước đi chứng minh” để khẳng định giá trị của cạnh tranh bằng phân tích. Quá trình này sẽ chậm hơn, và những ai phải trải qua bước đi chứng minh cuối cùng cũng trở thành những người hậu thuẫn điều hành lớn nếu họ trở thành những doanh nghiệp thực sự cạnh tranh bằng phân tích. Chúng tôi sẽ bàn về sơ đồ chỉ dẫn thực hiện – và từng bước trên hai còn đường này – một cách rất chi tiết trong phần II của cuốn sách (cụ thể là trong Chương 6). Hiện tại, chúng tôi chỉ đơn giản muốn nhấn mạnh rằng mặc dù có vẻ như phân tích học vẫn chưa được quan tâm đầy đủ và bị phụ thuộc vào máy tính, nhưng những nhân tố quan trọng nhất dẫn tới thành công luôn đòi hỏi những con người có niềm đam mê.

Phân tích học trong thể thao chuyên nghiệp – và những ứng dụng trong kinh doanh

Chúng ta có thể thu được những hiểu biết tốt nhất về quá trình phát triển của cạnh tranh bằng phân tích thông qua nghiên cứu nó trong thể thao chuyên nghiệp. Mặc dù các môn thể thao không giống nhau, nhưng bên cạnh đó, tất nhiên, chúng cũng có một số điểm chung về dữ liệu và những nguồn nhân lực tài năng nhưng đắt giá (vận động viên). Thể thao cũng khác kinh doanh, nhưng phạm vi hoạt động của cả hai đều có điểm chung là đòi hỏi phải tối ưu hóa những nguồn lực quan trọng để giành chiến thắng.

Có lẽ môn thể thao chuyên nghiệp sử dụng phân tích học nhiều nhất là bóng chày − môn thể thao đã có thời gian dài sử dụng dữ liệu phân tích thống kê số học. Việc sử dụng phân tích học cùng những phương pháp đánh giá mới đã được làm sáng tỏ trong cuốn sách Quả bóng tiền (Moneyball) của tác giả Michael Lewis. Cuốn sách mô tả xu hướng sử dụng phân tích học của Oakland A, một đội bóng chày nhà nghề với kỷ lục liên tục lọt vào  chung kết dù mặt bằng quỹ lương của đội không cao (bao gồm cả những trận chung kết vào năm 2006 – mặc dù như trong năm 2005, đội bóng này không phải luôn chiến thắng trong mọi trận đấu). Dẫn lời các chuyên gia chiêu mộ vận động viên xuất sắc ở các giải lớn, Lewis diễn tả việc tổng giám đốc của Oakland, Billy Beane, chuyển sang sử dụng phân tích học trong việc lựa chọn  cầu thủ khi ông nhận ra bản thân mình cũng sở hữu những tố chất truyền thống của một cầu thủ vĩ đại. Vì chưa bao giờ là một cầu thủ vĩ đại, nên Beane bắt đầu tập trung nhiều hơn vào hiệu quả thi đấu thực tế của cầu thủ thể hiện qua con số thống kê hơn là quan tâm tới những tiềm năng trở thành cầu thủ lớn của họ. Beane và đội bóng bắt đầu tận dụng những phương pháp khá mới để đánh giá hiệu quả thi đấu của cầu thủ, tránh  cách thức truyền thống như “thống kê thành tích” (runs batted in) hay RBIs , và tập trung vào “tỷ lệ ghi điểm” (on-base percentage)  và “tỷ lệ đánh trúng bóng và đánh bóng mạnh” (on-base plus slugging percentage) . Giống như những doanh nghiệp cạnh tranh bằng phân tích trên thương trường, họ cũng phát minh ra những đơn vị đo lường mới để đánh giá và gia tăng hiệu quả thi đấu của mình.

Tuy nhiên, Beane cũng không phải là giám đốc đầu tiên ở Oakland đi theo hướng phân tích học. Vào đầu những năm 1980, Sandy Anderson, sau đó là Tổng Giám đốc (hiện tại là Chủ tịch của San Diego Padres − một đội cũng có mặt trong trận chung kết năm 2006), sử dụng những phương pháp dựa trên thống kê nhiều hơn vì hai lý do. Thứ nhất, trong liền mấy năm, phong độ của Oakland xuống dốc liên tục và nằm trên bờ vực phá sản. Thứ hai, Anderson được giới thiệu sử dụng trước gói phần mềm ứng dụng cơ sở dữ liệu thống kê và phân tích dựa trên máy tính cá nhân (trên hệ máy Apple II). Những con số thống kê về bóng chày có thể lấy được từ các hãng như STATS, Inc. và Elias Sports Bureau dù chúng cũng có thể lấy chúng từ các đội, trước khi họ bắt đầu khai thác lợi thế của chúng. Đó là những lý do chủ yếu mà các doanh nghiệp thường chấp nhận cạnh tranh bằng phân tích: một sự kết hợp của nhu cầu kinh doanh cấp thiết, tình trạng sẵn có của dữ liệu và ứng dụng công nghệ thông tin để có thể nghiên cứu các con số.

Phương pháp phân tích cho môn bóng chày được mở rộng đáng kể trong vài năm qua. Có một đội cũng dùng phương pháp “quả bóng tiền” là Boston Red Sox – một đội bóng có cả khả năng phân tích cũng như tiềm lực tài chính để đầu tư những cầu thủ đắt giá. Red Sox cũng có những đòi hỏi kinh doanh khi họ không thể giành chiến thắng tại giải World Series trong suốt 86 năm qua tính đến mùa giải 2004. Red Sox cũng cho thấy một lý do khác khiến các tổ chức chấp nhận phương pháp cạnh tranh bằng phân tích: họ có đội ngũ lãnh đạo mới. Năm 2002, hai ông chủ mới sở hữu đội bóng là John Henry − vốn là một giám đốc hãng quản lý quỹ phòng chống rủi ro (hedge fund) , và Tom Werner − một nhà sản xuất truyền hình trước đây cũng từng sở hữu đội bóng San Diego Padres. Với Henry, mong muốn sử dụng phân tích học khá hiển nhiên, Werner cùng với đội bóng Padres cũng nhận thấy tổ chức bóng chày truyền thống không biết nhiều về yếu tố nào đem lại chức vô địch như họ vẫn tưởng. Như chúng tôi đã đề cập ở trên, việc có được sự ủng hộ ở cấp lãnh đạo đã giúp cho đội bóng Sox có sự đồng thuận nhất chí cao nhất trong cuộc chiến cạnh tranh bằng phân tích.

Cũng như những tổ chức khác thực hiện các chiến lược cạnh tranh bằng phân tích, Red Sox nhanh chóng thuê một nhà tư vấn giỏi nhất trong lĩnh vực phân tích: Bill James, người được biết đến như một chuyên gia hàng đầu thế giới của “sabermetrics ”, hay thống kê bóng chày (James tự đặt tên thuật ngữ này). Thực tế không có đội bóng nào khác có vẻ phù hợp để thuê một tài năng về phân tích học bán thất nghiệp như James cho thấy cuộc cạnh tranh bằng phân tích trong môn bóng chày vẫn chưa phổ biến. Phương pháp cạnh tranh sử dụng phân tích học – cùng với những tài năng mới và đắt giá – đã thu hồi vốn cho Sox nhanh chóng, họ đã lọt vào trận chung kết giải American League Championship Series (ALCS) với đối thủ truyền kiếp, câu lạc bộ New York Yankees, năm 2003.

Ngay cả một trận đấu trong cả loạt trận của mùa giải cũng minh họa khó khăn chính của cạnh tranh nhờ phân tích: nếu các quyết định nhờ phân tích sẽ được áp dụng, nó phải được phổ biến đến mọi nơi trong tổ chức. Trong trận đấu thứ 5 và trận quyết định của mùa giải, con át chủ bài của Red Sox là vận động viên Pedro Martinez ném bóng. Các chuyên gia phân tích của Sox đã quả quyết chứng minh rằng những cú ném bóng của Martinez rất dễ bị đối thủ đánh trúng sau khoảng 7 lượt giao bóng hay sau 105 lần ném bóng (vào năm đó, tỷ lệ trung bình các đối thủ đánh trúng bóng do Martinez ném từ 91 – 105 lần ném là 231; với 106 – 120 lần ném là 370). Họ đã cảnh báo giám đốc Grady Little, bằng mọi giá không được để Martinez chơi tiếp sau những điểm số đó. Nhưng ngay cả khi Marinez đã bắt đầu nao núng rõ rệt trong thời gian cuối của trận thứ 7, Little vẫn để anh chơi tiếp ở trận thứ 8 (thậm chí không tuân theo lời khuyên của huấn luyện viên ném bóng), và đội Yankees đã “bắn phá” Martinez tơi bời. Yankees đoạt vị trí quán quân ALCS, trong khi Little bị sa thải. Đó là một câu chuyện rất ấn tượng về hệ quả sẽ xảy ra nếu các nhà quản lý và nhân viên không nhất trí với chương trình phân tích. May mắn cho các cổ động viên trung thành của Red Sox, sự kết hợp các con số và tiền được chứng minh không thể khắc phục trong mùa giải 2004, và đội bóng Sox tiếp tục phá vỡ kỷ lục 86 năm không có được danh hiệu vô địch World Series.

Tuy vậy, các doanh nghiệp cạnh tranh bằng phân tích cũng không hoàn toàn chiến thắng trong môn bóng chày. Một vài đội – gồm cả những đội thường xuyên có thành tích tốt, chẳng hạn Atlanta Braves – vẫn chủ yếu phải dựa vào những tiêu chuẩn tuyển mộ truyền thống, mặc dù họ cũng có sử dụng các con số thống kê. Tổng Giám đốc của Braves, John Schuerholz, lý luận trong một cuộc phỏng vấn rằng: “Tôi cực lực phản đối ý kiến cho rằng một tư duy thời đại mới bóng như mạ crôm, được củng cố nhờ thống kê kỹ thuật số, và những phân tích đơn thuần có thể thay thế trực giác tìm kiếm, phân tích đánh giá con người. Vì vậy, cách của tôi là sử dụng cả hai.” Huấn luyện viên đội St. Louis Cardinals, Tony La Russa (người cùng với đội giành chức vô địch World Series mùa giải 2006) − một trong những huấn luyện viên xuất sắc nhất trong môn thể thao này − đã kết hợp một cách hoàn hảo phân tích học với trực giác khi thay những người nhiệt huyết nhất cho danh sách cầu thủ tấn công hay ra quyết định có nên thuê một cầu thủ nhạc trưởng để tăng cường tinh thần thi đấu toàn đội bóng hay không. Trong cuốn sách gần đây của ông, Three Nights in August (Ba đêm tháng tám), Buzz Bissinger mô tả về sự cân bằng này: “La Russa luôn đánh giá cao những thông tin do máy tính tạo ra. Ông ấy nghiên cứu từng hàng từng cột dữ liệu. Nhưng ông cũng biết rằng chúng có thể đưa bạn đi quá xa trong môn bóng chày, thậm chí còn làm bạn bối rối hoang mang với những phân tích thái quá. Theo những gì ông ấy biết, không có cách nào có thể định lượng được những ham muốn của con người. Và khi được kết hợp với 24 năm kinh nghiệm quản lý của ông, những con số này cho ông ấy biết chính xác điều ông ấy muốn biết.”

Phân tích học cũng được áp dụng rộng rãi trong bóng bầu dục nhà nghề. Chẳng hạn như đội New England Patriots, cuối cùng đã thành công vang dội, giành được ba Super Bowls  trong vòng bốn năm. Đội bóng đã sử dụng dữ liệu và các mô hình phân tích một cách rộng rãi, cả trong và ngoài sân cỏ. Những phân tích sâu sắc giúp đội lựa chọn các cầu thủ và luôn giữ được quỹ lương thấp (năm ngoái đội có quỹ lương xếp hạng 24 ở giải Vô địch quốc gia). Đội bóng chọn cầu thủ mà không sử dụng dịch vụ săn cầu thủ như những doanh nghiệp khác, và họ đánh giá những lựa chọn tạm thời nhưng có tiềm năng thông qua các yếu tố phi truyền thống như trí tuệ của cầu thủ hay việc cầu thủ sẵn lòng hy sinh cái tôi cá nhân cho lợi ích tập thể toàn đội bóng.

Đội Patriots cũng sử dụng phân tích học rộng rãi cho những quyết định trên sân cỏ. Chẳng hạn, họ sử dụng thống kê để quyết định khi nào nên sút bóng hay “ôm bóng chạy tiếp” ở lượt down  thứ 4; có nên cố lấy thêm một hoặc hai điểm sau lần touch down , hay có nên phản đối trọng tài hay không. Cả huấn luyện viên lẫn các cầu thủ của họ đều nổi tiếng là những người chịu khó nghiên cứu băng ghi hình trận đấu cũng như các con số thống kê, trong khi huấn luyện viên trưởng Bill Belichick còn được biết tới là người nghiên cứu các bài viết từ những học viện kinh tế chuyên về thống kê xác xuất kết quả thi đấu bóng bầu dục. Bên ngoài sân cỏ, đội bóng cũng sử dụng những phân tích chi tiết để ước lượng cũng như làm tăng số lượng cổ động viên. Chẳng hạn với mỗi trận đấu tại sân nhà, 20 đến 25 người được giao nhiệm vụ ước tính số lượng thức ăn cần cho sân vận động, chỗ đỗ xe, số lượng nhân viên, số phòng tắm sạch sẽ và các yếu tố khác. Những nhà thầu dịch vụ bên ngoài được theo dõi để gia hạn hợp đồng và được khích lệ để nâng cao hiệu quả công việc.

Những đội bóng khác của giải vô địch quốc gia cũng sử dụng thống kê rộng rãi là Kansas City Chiefs, Tennessee Titans và Green Bay Packers. Ví dụ đội Titans đã nhận ra những phương pháp đánh giá phong độ truyền thống vốn có và được chấp nhận rộng rãi đều khá vô nghĩa, từ nhận thức đó, họ đưa ra những phương pháp đánh giá khác. Đội Packers thì phân tích băng ghi hình các trận đấu về một cầu thủ đang chạy dốc bóng và bị rơi mất bóng, và họ khám phá ra rằng việc để tuột mất bóng chỉ xảy ra nếu khuỷu tay của cầu thủ không nằm ngang so với mặt đất khi cầu thủ đó bị va chạm với cầu thủ phòng ngự. Bất chấp thành công của Patriots cũng như một vài đội bóng khác, rất nhiều đội ở giải vô địch quốc gia vẫn chưa hiểu được bản chất và giá trị của cuộc cạnh tranh bằng phân tích.

Bóng rổ nhà nghề có lịch sử ít liên quan tới thống kê hơn là bóng bầu dục và bóng chày, nhưng phương pháp sử dụng các con số cũng đang bắt đầu cất cánh. Một vài đội, kể cả những đội đang thể hiện phong độ cao như San Antonio Spurs, cũng thuê các tư vấn viên thống kê hay giám đốc điều hành có thiên hướng sử dụng thống kê. Houseton Rockets gần đây cũng chọn tổng giám đốc là một người trẻ tuổi, điều hành theo thiên hướng sử dụng thống kê số học, người trước đây từng quản lý các hệ thống thông tin và phân tích ở Boston Celtics. Daryl Morey, thạc sĩ quản trị kinh doanh tại Học viện Công nghệ Massachusetts, coi Bill James, người sáng tạo và theo đuổi phương pháp phân tích bóng chày, là một hình mẫu có vai trò quan trọng, và cho rằng phân tích học trong môn bóng rổ cũng tương tự như quả bóng tiền (moneyball) trong môn bóng chày. “Về cơ bản là như nhau. Ta có được chiến thắng với ít tiền đầu tư hơn.” Cũng như trong bóng chày và bóng bầu dục, các đội bóng với những nhà phân tích học đang theo đuổi các phương pháp đánh giá mới, chẳng hạn như giá trị của cầu thủ đối với đội bóng khi còn thi đấu hay khi nghỉ thi đấu (được gọi là Roland Rating).

Cạnh tranh bằng phân tích đang chiếm vai trò quan trọng không chỉ trong lĩnh vực thể thao của Mỹ. Một vài đội bóng đá ở châu Âu cũng bắt đầu sử dụng những công nghệ tương tự. AC Milan, một trong những câu lạc bộ hàng đầu châu Âu, sử dụng mô hình dự đoán để giảm thiểu chấn thương cho cầu thủ bằng cách phân tích các dữ liệu về sinh lý, chỉnh hình, tâm lý các cầu thủ từ các nguồn dữ liệu khác nhau. Trung tâm nghiên cứu của Milan xác định những yếu tố rủi ro có liên quan nhiều nhất tới chấn thương của mỗi cầu thủ. Trung tâm cũng đánh giá tiềm năng của các cầu thủ để đưa họ vào đội hình thi đấu. Một vài thành viên đội tuyển quốc gia Italia từng vô địch World Cup đã được đào tạo ở trung tâm đào tạo của Milan. Đội Bolton Wanderers, đội bóng vươn lên nhanh nhất ở giải Ngoại hạng Anh, cũng nổi danh khi giám đốc của câu lạc bộ sử dụng rộng rãi dữ liệu để đánh giá phong độ của các cầu thủ và chiến lược toàn đội bóng. Đội bóng cũng sử dụng phân tích học để xác định những khách hàng đem lại nhiều lợi nhuận nhất cũng như đem lại cho các khách hàng này những lợi ích nhằm xây dựng lòng trung thành.

Tại sao tất cả hoạt động này đều có ở những môn thể thao chuyên nghiệp, và điều gì làm nên sự khác biệt cho những loại hình tổ chức khác? Có rất nhiều ý tưởng đối với thể thao và kinh doanh. Có lẽ bài học quan trọng nhất của phân tích học trong thể thao chuyên nghiệp là việc tập trung vào nguồn nhân lực – vào việc tuyển chọn và giữ chân những cầu thủ giỏi nhất với mức chi phí thấp nhất. Đây chưa phải là một hình mẫu phổ biến nên áp dụng rộng rãi trong lĩnh vực “quản lý nhân tài” trong doanh nghiệp, nhưng có lẽ tương lai cũng nên như vậy. Khi mức lương của các giám đốc điều hành cũng như các thành viên đóng góp cho công ty ngày càng tăng lên, có lẽ đã đến lúc bắt đầu phân tích và thu thập thông tin về nhân viên nào thể hiện tốt trong một số điều kiện nhất định, và để đảm bảo rằng những cầu thủ tốt nhất đã có mặt trong đội bóng. Một vài hãng đang bắt đầu  sử dụng phương pháp vận dụng phân tích nhiều hơn trong quản lý nhân sự, tuy nhiên, các câu lạc bộ thể thao vẫn bỏ xa những doanh nghiệp này.

Cạnh tranh bằng phân tích trong thể thao cho thấy phân tích học phát triển trước khi dữ liệu có đủ để phân tích. Nếu có một lĩnh vực kinh doanh mà trong đó một lượng lớn dữ liệu đã có sẵn ngay từ đầu, thì có lẽ nó sẽ sớm trở thành sân chơi cho cuộc cạnh tranh bằng phân tích. Những nhà đổi mới về phân tích trong các môn thể thao chuyên nghiệp cũng thường tạo ra những phương pháp đánh giá mới, và những người làm kinh doanh cũng nên làm như vậy.

Mặc dù phân tích học khá trừu tượng và là một chủ đề phức tạp, nhưng việc nó được chấp nhận trong thể thao chuyên nghiệp lại chứng tỏ khía cạnh con người trong quy trình. Khi một đội đi theo con đường cạnh tranh bằng phân tích, thì đó là vì người lãnh đạo đã quyết định làm như vậy. Quyết định đó thường có thể được đưa ra dựa trên kinh nghiệm và kiến thức của nhà lãnh đạo. Cạnh tranh bằng phân tích – dù trong thể thao hay trong các doanh nghiệp – cũng luôn liên quan tới yếu tố con người và sự lãnh đạo.

Cũng không phải tình cờ mà các câu lạc bộ thể thao theo đuổi phương pháp cạnh tranh bằng phân tích lại có thành tích chung khả quan như vậy. Tất nhiên không phải năm nào họ cũng giành được chức vô địch, nhưng các đội cạnh tranh bằng phân tích thành công trong mọi môn thể thao họ tham gia. Tuy nhiên, khi cạnh tranh bằng phân tích ngày càng phổ biến – và nó sẽ phổ biến rất nhanh chóng – các đội sẽ phải không ngừng sáng tạo và xây dựng những khả năng phân tích của riêng mình nếu muốn vượt lên phía trước. Dù phương pháp cạnh tranh là gì đi nữa, thì không một đội bóng (hay công ty) nào có thể được phép ngủ quên trên chiến thắng.

Nội dung của cuốn sách này

Trong chương này chúng tôi đã cố gắng đưa ra những nét chính về cạnh tranh bằng phân tích cùng một vài ví dụ trên thế giới cả trong lĩnh vực kinh doanh lẫn thể thao chuyên nghiệp. Sẽ còn rất nhiều ví dụ nữa, và trong suốt phần một của cuốn sách này, chúng tôi sẽ đi vào chi tiết hơn nữa về khái niệm thế nào là cạnh tranh bằng phân tích và làm sao để các công ty có thể chuyển đổi tới con đường đó. Chương hai nói về những đặc trưng của các công ty áp dụng cạnh tranh bằng phân tích và đưa ra mô hình năm giai đoạn cho một tổ chức chuyển đổi sang hướng phân tích. Chương ba giải thích tại sao phân tích học có thể đóng góp tốt hơn cho hiệu quả kinh doanh của doanh nghiệp, bao gồm cả một vài dữ liệu cũng như phân tích cho chủ đề này. Chương bốn và năm nói về một vài ứng dụng của phân tích học trong doanh nghiệp; chúng được chia thành nhóm ứng dụng dành cho nội bộ và nhóm ứng dụng chủ yếu liên quan tới những mối quan hệ bên ngoài, với khách hàng và nhà cung ứng.

Trong phần hai của cuốn sách, mục đích của chúng tôi là thảo luận về những bước quan trọng cũng như những khả năng liên quan đến cạnh tranh bằng phân tích. Chúng tôi bắt đầu với việc thảo luận trong chương 6 về sơ đồ tổng quan dành cho cạnh tranh bằng phân tích. Chương 7 nói về yếu tố quan trọng nhất để xây dựng nên một doanh nghiệp cạnh tranh bằng phân tích: yếu tố con người. Chương 8 nói về những nguồn lực quan trọng như công nghệ và dữ liệu, và làm sao có thể kết hợp chúng để tạo nên một kiến trúc tổng quan cho cạnh tranh bằng phân tích. Chúng tôi kết thúc cuốn sách bằng chương 9 với việc thảo luận về những đường hướng mà cạnh tranh bằng phân tích có thể đi theo trong tương lai.

Chúng tôi cố gắng hết sức để giúp các tổ chức đi tới con đường thành công, trong kinh doanh cũng như trong tổ chức doanh nghiệp. Tuy nhiên, cần phải nhớ rằng đây chỉ là những thông tin mang tính định hướng tổng quát. Còn có rất nhiều cuốn sách khác nói về cách xây dựng các nghiệp vụ xử lý dữ liệu thông minh, cách tạo mới, chỉnh sửa những mô hình phân tích trong các lĩnh vực cụ thể, chẳng hạn như vòng cung ứng hay marketing, và hướng dẫn cách thức cơ bản nhất để thực hiện những phân tích dựa trên thống kê số học. Tham vọng của chúng tôi không phải là trang bị cho mọi người làm kinh doanh những hiểu biết đầy đủ về việc làm sao thực hiện cạnh tranh bằng phân tích thực sự, mà chỉ muốn khơi dậy hứng khởi cho bạn với những khả năng mà cạnh tranh bằng phân tích mang lại, tăng cường động lực thúc đẩy bạn tiếp tục nghiên cứu sâu hơn.