Ảnh minh họa - Ảnh: INMA
Chưa kể tới các công cụ tìm kiếm trên mạng khác, chỉ riêng Google thôi mỗi ngày cũng đã tích tụ một khối lượng dữ liệu rất khổng lồ rồi. Với khối lượng dữ liệu đó, giờ đây chúng ta có thể tiến hành những việc mà ta chưa bao giờ có thể làm được trước đây.
Biết "lớn" để hiểu "nhỏ"
Một ví dụ nhỏ trong thực tế để chúng ta có thể hiểu hơn về luận điểm này của tác giả Seth Stephens-Davidowitz. Ông dẫn ra câu chuyện một giáo sư đại học Harvard tên là Raj Chetty muốn điều tra xem liệu những người mang trong lòng "giấc mơ Mỹ" còn tồn tại hay không.
Ông quyết định sử dụng dữ liệu lớn hỗ trợ để tìm câu trả lời cho một câu hỏi chính xác hơn: những người có cha mẹ nghèo khi lớn lên có thể trở thành những người giàu có tự thân không?
Nhóm nghiên cứu của ông Chetty đã sử dụng các hồ sơ chứng từ thuế do cơ quan thuế vụ Mỹ thu thập. Dữ liệu lớn cho thấy, khi so sánh với các quốc gia phát triển khác như Đan Mạch và Canada, tình hình ở nước Mỹ không đem lại hy vọng tuyệt vời cho những người nghèo.
Một người nghèo ở Mỹ chỉ có khoảng 7,5% cơ hội gặt hái được thành công trong lĩnh vực nghề nghiệp họ chọn. Tuy nhiên với người Đan Mạch và người Canada, cơ hội đó lần lượt là 11,7% và 13,5%.
Đó là bức tranh tổng quát, nhưng điểm thú vị là giáo sư Chetty đã có thể "soi chiếu" dữ liệu đó ở các các độ nhỏ hơn như các bang, các thành phố, thị trấn và các khu vực khác nhau.
Khi làm như vậy, ông nhận thấy dữ liệu tiết lộ thông tin là giấc mơ Mỹ thực sự vẫn tồn tại, nhưng chỉ ở một vài nơi.
Tại San Jose, California, một người Mỹ nghèo có 12,9% cơ hội trở nên giàu có. Tỉ lệ này còn tốt hơn ở Đan Mạch. Tuy nhiên với một người Mỹ lớn lên tại vùng Charlotte, bang North Carolina, cơ hội thành công của họ chỉ là 4,4%.
Điều này cho thấy dữ liệu lớn có khả năng soi chiếu dữ liệu ở quy mô nhỏ hơn, từ đó giúp chúng ta hiểu hơn về thế giới xung quanh, bất kể quy mô tiếp cận dữ liệu như thế nào.
Ảnh: GETTY IMAGES
Dữ liệu lớn giúp khảo sát đơn giản và tiết kiệm hơn
Hàng ngày chúng ta tiếp xúc với rất nhiều thông tin về sự liên đới giữa các sự việc, giữa các dữ kiện thông tin với nhau.
Chẳng hạn, loại thực phẩm nào đó có liên quan tới một chứng bệnh nguy hiểm, hay một thói quen có liên quan tới sự thành công của một doanh nhân, chính trị gia thành đạt.
Những mối liên hệ này thoạt nghe dường như khá tin cậy. Nhưng không phải lúc nào chúng cũng là những mối liên hệ có tính nguyên nhân - hệ quả.
Thử nghiệm A/B (A/B testing) là quy trình thử nghiệm mà trong đó hai phiên bản A và B sẽ được cùng so sánh trong một môi trường/tình huống để qua đó đánh giá xem phiên bản nào hiệu quả hơn.
Dữ liệu lớn khiến việc tiến hành các thử nghiệm A/B dễ dàng hơn, vày đây là lý do thứ tư khiến dữ liệu lớn trở nên quyền lực.
Trước thời của dữ liệu lớn, việc thực hiện các thử nghiệm A/B có nhu cầu rất lớn. Chẳng hạn, để kiểm nghiệm hiệu quả tác động của một đoạn quảng cáo, một công ty sẽ phải tuyển những người tham gia, tiến hành khảo sát phản hồi của họ rồi phân tích kết quả.
Tuy nhiên với dữ liệu lớn, các nhà khoa học dữ liệu có thể viết một chương trình để phân tích dữ liệu từ các cuộc thử nghiệm A/B.
Chiến dịch tranh cử tổng thống năm 2008 của tổng thống Barack Obama nổi tiếng là đã sử dụng thành công cách tiếp cận này.
Khi đó, các nhà quản lý phụ trách chiến dịch tranh cử của ông Obama muốn thiết kế một trang web có mục tiêu thu hút mọi người đăng ký thành viên và quyên tặng tiền ủng hộ ứng cử viên tổng thống.
Họ đã sử dụng các kết hợp khác nhau của hình ảnh và chữ viết, sau đó sử dụng các dữ liệu lớn liên quan để tìm ra được cách trình bày nào thành công nhất và đưa vào sử dụng.
Ghi chú: Dữ liệu lớn không phải lúc nào cũng giúp đem lại quản lý chính xác mặc dù nó "không nói dối". Cùng với đó, nó cũng có những phương diện tiêu cực mà ở phần tiếp theo của loạt bài này, chúng ta sẽ cùng tìm hiểu, mời các bạn đón đọc.
>>
Đăng ký tại đây
Bình luận hay