Certified Data Science Practitioner (CDSP DSP-210) 7 Sections22 Lessons20 Weeks
Business Problem đến Machine Learning: Bước đầu quyết định thành công dự án AI
Vì sao Business Problem luôn là điểm bắt đầu?
Một trong những lỗi phổ biến của người mới học Data Science là chọn thuật toán trước khi hiểu bài toán.
Trong thực tế, doanh nghiệp không cần Machine Learning, doanh nghiệp cần giải quyết vấn đề kinh doanh (Business Problem).
Chính vì vậy, trong Domain 1 – Defining the Need Through Data Science, CDSP yêu cầu người học phải biết cách chuyển một nhu cầu kinh doanh thành bài toán dữ liệu trước khi lựa chọn mô hình Machine Learning. Đây cũng là dạng câu hỏi tình huống xuất hiện khá thường xuyên trong kỳ thi.
Quy trình 5 bước chuyển đổi Business Problem
Business Problem--> Business Objective --> Business KPI ---> Machine Learning Problem -->Machine Learning Model
Đây là tư duy xuyên suốt của một Data Science Practitioner.
Bước 1. Business Problem
Đây là vấn đề doanh nghiệp đang gặp phải.
Ví dụ:
- Khách hàng rời bỏ dịch vụ ngày càng nhiều.
- Doanh số bán hàng giảm.
- Hàng tồn kho quá lớn.
- Chi phí vận hành tăng.
- Tỷ lệ gian lận giao dịch cao.
👉 Business Problem luôn được mô tả bằng ngôn ngữ kinh doanh, không đề cập đến thuật toán hay mô hình AI.
Bước 2. Business Objective
Sau khi xác định vấn đề, doanh nghiệp cần đặt ra mục tiêu cụ thể.
Ví dụ:
| Business Problem | Business Objective |
|---|---|
| Khách hàng rời bỏ | Giảm tỷ lệ rời bỏ xuống dưới 8% |
| Tồn kho cao | Giảm tồn kho trung bình 20% |
| Gian lận giao dịch | Phát hiện giao dịch bất thường theo thời gian thực |
Business Objective nên tuân theo nguyên tắc SMART (Specific, Measurable, Achievable, Relevant, Time-bound).
Bước 3. Business KPI
KPI là chỉ số dùng để đo mức độ thành công của dự án.
Ví dụ:
| Mục tiêu | KPI |
|---|---|
| Giảm khách hàng rời bỏ | Customer Churn Rate |
| Tăng doanh số | Sales Growth |
| Giảm tồn kho | Inventory Turnover |
| Phát hiện gian lận | Fraud Detection Rate |
Lưu ý: KPI là chỉ số kinh doanh, không phải chỉ số đánh giá mô hình Machine Learning.
Bước 4. Machine Learning Problem
Sau khi hiểu rõ mục tiêu kinh doanh, Data Scientist mới xác định loại bài toán Machine Learning.
| Business Problem | ML Problem |
|---|---|
| Khách hàng có rời bỏ không? | Classification |
| Doanh thu tháng tới là bao nhiêu? | Regression hoặc Forecasting |
| Phân nhóm khách hàng | Clustering |
| Gợi ý sản phẩm | Recommendation |
Đây là bước quyết định việc lựa chọn thuật toán phù hợp.
Bước 5. Lựa chọn mô hình
Ví dụ:
| ML Problem | Thuật toán thường dùng |
|---|---|
| Classification | Logistic Regression, Decision Tree, Random Forest |
| Regression | Linear Regression, Ridge, Lasso |
| Clustering | K-Means, DBSCAN |
| Forecasting | ARIMA, Prophet |
Trong CDSP, trọng tâm là chọn đúng nhóm mô hình, không yêu cầu đi sâu vào lập trình thuật toán.
Ví dụ thực tế
Tình huống: Ngân hàng
Sai lầm thường gặp
❌ Chọn Random Forest ngay khi chưa hiểu bài toán.
❌ Nhầm lẫn giữa KPI và Accuracy.
❌ Không xác định Stakeholder.
❌ Chọn Regression cho bài toán cần Classification.
❌ Xây dựng mô hình nhưng không gắn với mục tiêu kinh doanh.
Góc ôn thi CDSP DSP-210
Khi gặp câu hỏi tình huống, hãy trả lời theo đúng trình tự:
- Business Problem
- Business Objective
- Business KPI
- Machine Learning Problem
- Machine Learning Model
Đây là cách tiếp cận được nhấn mạnh trong Domain 1 – Defining the Need Through Data Science của Blueprint và cũng là tư duy xuyên suốt trong các Activity đầu tiên của Student Guide.
Thuật ngữ cần nhớ
| Tiếng Anh | Tiếng Việt |
|---|---|
| Business Problem | Vấn đề kinh doanh |
| Business Objective | Mục tiêu kinh doanh |
| KPI (Key Performance Indicator) | Chỉ số đánh giá hiệu quả |
| Stakeholder | Bên liên quan |
| Machine Learning Problem | Bài toán học máy |
| Classification | Phân loại |
| Regression | Hồi quy |
| Clustering | Phân cụm |
| Forecasting | Dự báo |
Kết luận
Một Data Scientist giỏi không bắt đầu bằng việc lựa chọn thuật toán, mà bắt đầu bằng việc hiểu đúng vấn đề doanh nghiệp cần giải quyết. Khi xác định rõ Business Problem → Business Objective → KPI → Machine Learning Problem, việc lựa chọn mô hình sẽ trở nên hợp lý và mang lại giá trị thực tiễn.