Nếu sếp của bạn không hiểu dữ liệu, bạn có còn coi trọng dữ liệu không?

Bất kể ngành nào, dữ liệu hóa đã trở thành xu hướng trong công việc. Vậy nếu chúng ta làm việc trong môi trường có lượng dữ liệu nhỏ hoặc nếu các nhà lãnh đạo doanh nghiệp không hiểu về dữ liệu thì làm sao chúng ta có thể phát triển doanh nghiệp dựa trên dữ liệu? Hãy cùng xem qua bài viết này và hy vọng nó có thể giúp ích cho công việc phân tích dữ liệu của bạn.

Gần đây tôi nhận được tư vấn từ một độc giả. Ông chủ công ty yêu cầu anh ấy thực hiện phát triển dựa trên dữ liệu. Tôi cũng đã thực hiện một số cuộc tư vấn về phát triển dựa trên dữ liệu trong năm qua và phát hiện ra một số vấn đề phổ biến không có trong nội dung trước, vì vậy bài viết này đã được viết.

Nếu bạn hiện đang làm việc trong môi trường có rất ít dữ liệu hoặc bạn cũng muốn phát triển các hoạt động dựa trên dữ liệu trong công ty của mình, thì xét cho cùng, xây dựng nhóm là một yêu cầu năng lực cơ bản được Giáo sư Yu Jun đề xuất. Là người ngoài cuộc và chứng kiến, đây đều là những vấn đề bạn cần suy nghĩ. Khi ngành công nghiệp dần trưởng thành, việc dựa vào các hoạt động sử dụng nhiều dữ liệu là hệ quả tất yếu và các hoạt động dựa trên dữ liệu là số phận không thể tránh khỏi của mọi người lao động.

Bối cảnh của vấn đề: Ông chủ đã trao đổi với độc giả của tôi và cảm thấy rằng công việc hiện tại của nhóm thiếu kiến ​​thức về dữ liệu và hầu hết các phán đoán đều dựa trên phán đoán trực quan của các nhà lãnh đạo doanh nghiệp. Anh ấy hy vọng rằng nhóm có thể sử dụng dữ liệu để đưa ra quyết định kinh doanh và vận hành, vì vậy anh ấy đã tìm đến tôi.

1. Việc xem lại câu hỏi là quan trọng nhất, quan trọng nhất, quan trọng nhất

Trong nghiên cứu của riêng mình, tôi thấy rằng những người thúc đẩy phát triển dựa trên dữ liệu có xu hướng tự nhiên tin rằng khả năng phân tích là quan trọng nhất và một nhóm sẽ không thành công nếu không có khả năng phân tích dữ liệu. Tôi vẫn tập trung vào phân tích dữ liệu. Tuy nhiên, xét về góc độ kinh doanh, đây không phải là vấn đề nghiêm trọng nếu nhóm không lấy dữ liệu làm trọng tâm. Vấn đề kinh doanh nghiêm trọng nhất vẫn là vấn đề chết người trong kinh doanh, đó là không tăng trưởng. Cho dù là doanh thu hay tăng trưởng kinh doanh, đây đều là vấn đề đau đầu nhất đối với ông chủ.

Trên thực tế, một doanh nhân vẫn rất tốt khi duy trì được mức tăng trưởng cao ngay cả khi chất lượng công việc không cao (thường thì tình huống này không xảy ra). Nếu điều này xảy ra, tôi nghĩ ông chủ sẽ rất vui. Tốc độ tăng trưởng cao ngay cả khi chất lượng nhân viên không cao có nghĩa là nhân viên có khả năng thay thế cao và chi phí thấp, đây là một hoạt động kinh doanh tốt.

Vì vậy, điều này đưa chúng ta đến điểm đầu tiên, “xem xét lại câu hỏi”. Việc xem lại câu hỏi là rất quan trọng. Ông chủ muốn gì khi nói rằng ông muốn dữ liệu được điều khiển?

Khi hầu hết các ông chủ nói rằng họ muốn nhóm của mình hoạt động dựa trên dữ liệu, thực ra họ chỉ muốn doanh nghiệp tăng trưởng. Hơn nữa, hầu hết các ông chủ đều không hiểu về dữ liệu và có thể chưa từng trải nghiệm một doanh nghiệp lấy dữ liệu làm trọng tâm. Họ tin rằng hiểu biết rõ ràng về dữ liệu có thể định hướng cho doanh nghiệp và họ đánh giá quá cao giá trị của dữ liệu. Vấn đề cốt lõi vẫn nằm ở doanh nghiệp, do đó những người cần triển khai thành lập nhóm doanh nghiệp cần kiểm tra xem nhóm đó có nền tảng để phát triển dựa trên dữ liệu hay không.

Tìm hiểu xem sếp của bạn muốn gì và ông ấy xem xét phát triển dựa trên dữ liệu như thế nào. Ông ấy có coi sự phát triển dựa trên dữ liệu của nhóm là quá trình xây dựng năng lực hay là chiến lược kinh doanh không? Trong một tổ chức không có khả năng xử lý dữ liệu, phát triển dựa trên dữ liệu chủ yếu là xây dựng năng lực ngay từ đầu.

Vì doanh nghiệp được thúc đẩy bởi các tổ chức hỗ trợ hoạt động kinh doanh, nếu tổ chức không có khả năng phân tích dữ liệu hoặc không nhận ra khả năng này, sẽ không thể thúc đẩy doanh nghiệp bằng dữ liệu. Một doanh nghiệp không thể hoạt động chỉ vì ông chủ có khả năng phân tích dữ liệu hoặc bộ phận phân tích kinh doanh có khả năng phân tích.

1. Dữ liệu là công việc của CEO

Thông thường, để thúc đẩy một nhóm làm việc theo định hướng dữ liệu, cần phải thúc đẩy nhóm từ nhiều hướng như cơ sở hạ tầng dữ liệu, công cụ, quy trình làm việc, phân công lao động trong tổ chức và hiệu suất nhân sự, để toàn bộ nhóm có thể bước vào chế độ làm việc hàng ngày theo định hướng dữ liệu, vì một phòng ban không thể phối hợp tất cả các liên kết và bất kỳ liên kết nào không được thực hiện tốt sẽ ảnh hưởng đến việc liệu nhóm có thể làm việc theo định hướng dữ liệu hay không. Đây là lý do tại sao việc định hướng dữ liệu lại là công việc của nhà lãnh đạo cấp cao, CEO.

2. Những sai lầm thường gặp của các ông chủ khi lập nhóm theo hướng dữ liệu

Thông thường, những vấn đề này sẽ dẫn đến thất bại cuối cùng của quá trình phát triển dựa trên dữ liệu. Đây là lý do tại sao việc phát triển theo nhóm dựa trên dữ liệu lại khó khăn. Những vấn đề này có thể trở thành danh sách kiểm tra cho quá trình phát triển dựa trên dữ liệu trong công ty hoặc khi bạn muốn thực hiện phát triển dựa trên dữ liệu. Nếu bạn gặp vấn đề ở đây, hãy giải quyết hoặc rời đi. Bởi vì những vấn đề này sẽ dẫn đến kết quả cuối cùng là thất bại.

Trước hết, chúng ta cần suy nghĩ xem doanh nghiệp có đủ điều kiện để làm việc theo nhóm dựa trên dữ liệu hay không. Thông thường, một doanh nghiệp đang trong giai đoạn tăng trưởng hoặc giai đoạn tương đối trưởng thành, phù hợp hơn với mô hình dựa trên dữ liệu. Nghĩa là bản thân doanh nghiệp đang phát triển và nhóm đang trong giai đoạn hoạt động. Nếu doanh nghiệp hiện đang chậm lại thì rất có thể doanh nghiệp đó không phù hợp với mô hình kinh doanh dựa trên dữ liệu.

Điều này là do các ông chủ và CEO sẽ tập trung nhiều hơn vào các chiến lược kinh doanh được tạo ra bởi dữ liệu do áp lực kinh doanh, nhưng thông thường khi một doanh nghiệp bước vào giai đoạn không tăng trưởng hoặc tăng trưởng rất chậm thì đó không phải là vấn đề về chiến lược kinh doanh. Vì đây là điều mà một nhà lãnh đạo cấp cao cần phải làm, chúng tôi sẽ liệt kê những sai lầm cốt lõi mà các nhà lãnh đạo cấp cao hoặc sếp thường mắc phải.

1. CEO không có kỹ năng phân tích dữ liệu và có kỳ vọng quá cao đối với dữ liệu

Việc CEO không có khả năng diễn giải hoạt động kinh doanh thành các chỉ số và thiếu hiểu biết về mối quan hệ giữa các chỉ số và hành động kinh doanh sẽ dẫn đến:

Vấn đề 1: Chính thức hóa việc truyền dữ liệu cho doanh nghiệp.

Anh ấy không biết cách giao tiếp với nhóm bằng dữ liệu. Tại sao phân tích dữ liệu lại trở thành thủ tục bắt buộc ở nhiều công ty? Phần lớn nguyên nhân là do các nhà lãnh đạo cấp cao không có khả năng phân tích và không có hiểu biết về dữ liệu. Điều này sẽ khiến họ không biết giá trị của dữ liệu và chỉ số, không biết cách vận hành dữ liệu và khám phá các hướng kinh doanh. Điều này sẽ dần dần biến hoạt động báo cáo dựa trên dữ liệu trở thành một hình thức. Vì không có giá trị nên cách làm việc này khó duy trì. Giống như một người tập thể dục để giảm cân, nhưng nếu tập mà không giảm cân thì rất khó có thể kiên trì được. Phải có phản hồi tích cực.

Câu hỏi 2: Tôi luôn cảm thấy dữ liệu không đủ.

Vì không thể thu thập được thông tin chi tiết nào nên anh ấy nghĩ rằng cần phải mở rộng phạm vi tìm kiếm và cảm thấy dữ liệu hiện tại là không đủ. Vì anh ấy không biết dữ liệu nào có thể cung cấp thông tin chi tiết về nội dung nên việc phân tích dữ liệu chỉ mang tính chất kinh doanh. Bạn nên biết rằng tình huống tốt nhất là thu thập đủ dữ liệu với chi phí thấp nhất và chỉ cần đủ là được. Đặc biệt là trong giai đoạn đầu của doanh nghiệp, bằng cách tận dụng các công cụ như WeChat và TikTok để vận hành doanh nghiệp, dữ liệu do chính các công cụ này cung cấp sẽ hỗ trợ cho các đánh giá hoạt động của doanh nghiệp.

Dữ liệu có đủ rõ ràng hay không cũng giống như vòng tròn công lý mà Giáo sư Luo Xiang đã nói. Không có công lý tuyệt đối và không có sự rõ ràng tuyệt đối về dữ liệu. Bản thân dữ liệu rõ ràng cũng có chi phí phát triển và chi phí thời gian. Tất cả chúng ta đều cần đưa ra phán đoán trong những điều kiện hạn chế.

2. Các vấn đề quản lý của CEO trong dữ liệu

Câu hỏi 1: Thông thường, vì lợi ích trước mắt hoặc do áp lực công việc, sếp sẽ trực tiếp đẩy việc kinh doanh cho bộ phận kinh doanh hoặc nhóm khoa học dữ liệu, điều này sẽ gây ra một số vấn đề.

Đầu tiên, bên kinh doanh thực sự triển khai các hoạt động kinh doanh, tương đương với việc bên kinh doanh điều hành doanh nghiệp hoàn toàn độc lập với doanh nghiệp. Thứ hai là nhóm phân tích kinh doanh hoặc khoa học dữ liệu sẽ bị kẹt ở giữa. Một mặt là áp lực kinh doanh từ ông chủ, mặt khác, phía doanh nghiệp thường không được tham gia. Thứ ba là điều này sẽ trực tiếp dẫn đến việc bộ phận kinh doanh thay đổi từ vai trò hỗ trợ sang vai trò ngược lại với kinh doanh.

Để tôi giải thích chi tiết bức tranh này: Khi nói đến dữ liệu nhóm, chính CEO và bộ phận kinh doanh mới là những người thực sự thúc đẩy dữ liệu kinh doanh. Những người thực sự làm công việc tuyến đầu phải bắt đầu hiểu dữ liệu và có khả năng phân tích dữ liệu.

CEO không biết phải xem những con số nào hoặc dữ liệu biểu thị điều gì và ông cũng gặp khó khăn khi giao tiếp với nhiều bên kinh doanh khác nhau. Cốt lõi vẫn là CEO và đội ngũ điều hành doanh nghiệp, còn đội phân tích dữ liệu hỗ trợ đưa ra quyết định kinh doanh, cung cấp dữ liệu và giảm chi phí thu thập dữ liệu.

Nói một cách thẳng thắn, phía kinh doanh hiểu về doanh nghiệp, còn phía dữ liệu hiểu về dữ liệu. Phía doanh nghiệp có quyền thực hiện hoạt động kinh doanh và họ cần phải hợp tác với nhau. Một quy trình tốt giống như quy trình bên trái, và một quy trình xấu giống như quy trình bên phải. Nhiều ông chủ sẽ gây áp lực trực tiếp lên bộ phận kinh doanh, đây là biểu hiện điển hình của sự bất bình đẳng về quyền lợi, trách nhiệm và nghĩa vụ.

Điểm thứ hai là việc dựa trên dữ liệu sẽ gây hại cho hoạt động kinh doanh trong ngắn hạn. Có ai lại không thích lười biếng và ăn chung một nồi chứ? Nếu bạn đột nhiên công khai mọi thông tin về tình trạng kinh doanh và hoạt động kinh doanh, sẽ không dễ để lấp đầy những khoảng trống.

Người đứng đầu các phòng ban khác nhau không có khả năng xử lý dữ liệu trong quá trình thay đổi tổ chức. Họ không có động lực mạnh mẽ để cải cách, nhưng về lâu dài thì đây là điều tốt cả về góc độ kinh doanh lẫn khả năng cá nhân. Do đó, phát triển dựa trên dữ liệu nên “lặng lẽ đi vào làng” và tăng dần cường độ. Ngay cả khi CEO trực tiếp thúc đẩy thì cường độ cũng phải tăng dần, nếu không sẽ dễ dẫn đến xung đột với phía doanh nghiệp.

Trong nhiều trường hợp tư vấn, ông chủ có động lực để thay đổi, nhưng các bên liên quan thì không. Tuy nhiên, vì nhiều lý do, ông chủ không thể thúc ép mạnh tay, và những người chống đối thì không thể bị ngăn cản. Họ lo ngại rằng nếu sử dụng quá nhiều lực lượng, nhóm sẽ tan rã, cuối cùng dẫn đến việc dự án bị gác lại. Đây là lý do tại sao nhiều người nói rằng dữ liệu là thứ mà một CEO nên tự mình thực hiện. Chỉ khi CEO thúc đẩy nhân viên kinh doanh tuyến đầu tham gia vào quá trình làm việc và quy trình tổ chức thì dữ liệu mới có thể được tích hợp vào công việc hàng ngày.

3. Nhóm thiếu khả năng dữ liệu và không thể thúc đẩy quá trình

Có hai lý do chính giải thích tại sao dữ liệu nhóm không thể được sử dụng để định hướng cho nhóm. Đầu tiên là thiếu mô hình năng lực nhân sự. Lý do tại sao doanh nghiệp không được số hóa thực chất là vì những người làm kinh doanh không được số hóa. Công việc kinh doanh được thực hiện bởi con người. Thứ hai, phía doanh nghiệp thiếu phương pháp và chiến lược để cải thiện năng lực dữ liệu. Do đó, những yêu cầu đơn giản có thể dễ dàng dẫn đến xung đột giữa nhóm và ban lãnh đạo.

4. Cố gắng thực hiện phát triển theo hướng dữ liệu một cách vội vàng thông qua các công cụ đặc biệt

Đừng cố giải quyết vấn đề thông qua các dự án đặc biệt. Nếu có vấn đề với đường dây chính, chỉ cần sửa đổi đường dây chính. Có thể giải quyết vấn đề tạm thời nhưng không thể duy trì trong hoạt động kinh doanh chính. Công cụ không có ý tưởng thì không thể tạo ra ý tưởng phân tích. Nó giống như một cây cọ tốt, nhưng nó không thể vẽ được, không phải vì dụng cụ không đủ tốt. Đừng cố gắng cung cấp một khuôn khổ phân tích thông qua các công cụ vì điều này là không thực tế. Trên thực tế, mức độ phức tạp của hoạt động kinh doanh cao hơn nhiều. Nếu một khuôn khổ công cụ có thể giải quyết được vấn đề phân tích thì các công ty cung cấp công cụ phân tích dữ liệu sẽ không bị mua lại.

5. Phân công lao động không đúng, các đơn vị kinh doanh phụ thuộc vào nhiều ngành nghề kinh doanh khác nhau

Nhóm phân tích dữ liệu và phân tích kinh doanh phải độc lập với ngành kinh doanh và báo cáo với CEO để họ có thể nói ra sự thật. Nếu không, họ sẽ tìm ra bằng chứng để chứng minh cho quan điểm của mình. Tôi đã gặp nhiều công ty có hoạt động kinh doanh tăng trưởng ngay khi nhóm báo cáo, nhưng sau khi tóm tắt kết quả, người ta thấy rằng thị trường chung không có biến động.

6. Các CEO không dành thời gian

Vì đây là vấn đề xây dựng năng lực và liên quan đến sự phối hợp của nhiều phòng ban nên CEO phải đích thân hỏi ý kiến, theo dõi và dành thời gian, công sức cho việc này. Xây dựng năng lực là việc phức tạp, liên quan đến mọi khía cạnh như tổ chức, quy trình kinh doanh và kiến ​​trúc văn phòng trung gian. Không thể bỏ qua mà phải thực hiện từng bước một. Sẽ không thực tế khi cố gắng giao toàn bộ mọi vấn đề cho một điều phối viên vì họ không thể làm như vậy do thẩm quyền và trách nhiệm của mình. Điều quan trọng là phải xem xét thời gian mà CEO dành ra, và thời gian là nguồn lực quan trọng nhất của CEO. Cuối cùng, chúng ta hãy nói về dữ liệu hướng là gì và cách thực hiện.

3. Dữ liệu là gì?

1. Dữ liệu là gì?

Trước hết, chúng ta hãy nói về dữ liệu hướng là gì. Tôi đang cố gắng tìm định nghĩa cho cụm từ "dựa trên dữ liệu". Lời giải thích trên Wikipedia là toàn bộ quá trình này được thúc đẩy bởi dữ liệu thay vì kinh nghiệm và trực giác. Khi chúng ta nói đến dữ liệu, nghĩa ngược lại của nó là trải nghiệm hoặc động lực trực tiếp.

2. Nhà khoa học dữ liệu hoặc nhà phân tích kinh doanh là gì?

Nhà khoa học dữ liệu là người biết nhiều về thống kê hơn kỹ sư phần mềm, nhưng biết nhiều về lập trình hơn nhà phân tích thống kê. Nói cách khác, phẩm chất cơ bản của một nhà khoa học dữ liệu đòi hỏi một số kỹ năng lập trình nhất định.

Phần còn lại đòi hỏi phải hiểu một số số liệu thống kê nhất định, nhưng tất nhiên đây là góc nhìn tương đối hạn hẹp. Trên thực tế, do sự phát triển nhanh chóng của Internet ở Trung Quốc, các vị trí như khoa học dữ liệu và trí tuệ kinh doanh mới trở nên phổ biến. So với sản phẩm và vận hành, phân tích dữ liệu là vị trí tương đối mới với nội dung công việc, phạm vi và trách nhiệm không rõ ràng.

Tôi nghĩ bức tranh này có thể mô tả tốt hơn khoa học dữ liệu.

Điều quan trọng nhất là logic kinh doanh và khả năng hiểu biết về kinh doanh. Trước hết, công ty là một hoạt động kinh doanh và mọi hành động đều không thể tách rời khỏi hoạt động kinh doanh. Điều này có nghĩa là các nhà khoa học dữ liệu trước tiên phải hiểu sâu sắc về doanh nghiệp, nếu không, việc phân tích sẽ vô nghĩa và không mang lại kết quả nếu tách biệt khỏi hoạt động.

Thứ hai là góc dưới bên phải yêu cầu một số ngôn ngữ lập trình và khả năng xử lý dữ liệu nhất định, nghĩa là có thể trích xuất dữ liệu cần thiết từ dữ liệu phức tạp rồi thực hiện một số phân tích.

Cuối cùng là phương pháp luận khoa học, bao gồm một số phương pháp thống kê và phương pháp phân tích kinh doanh. Điều này ít nhất có thể khiến phân tích của chúng ta mang tính khoa học thay vì phân tích mù quáng. Giao điểm của ba lĩnh vực này thực chất là thứ mà ngày nay chúng ta gọi là khoa học dữ liệu hoặc là nhà phân tích kinh doanh.

3. Lý do tại sao các nhóm khó có thể định hướng dữ liệu

Nhiều nơi cho rằng làm việc theo nhóm dựa trên dữ liệu là khó khăn. Ngoài những gì tôi đã nói ở trên rằng CEO là động lực quan trọng nhất, vẫn còn những vấn đề thường gặp.

Đầu tiên là dữ liệu. Việc thu thập dữ liệu thường không đầy đủ và không chính xác. Ví dụ, khi đo lường một số chỉ số nhất định, những người khác nhau có thể đưa ra kết quả khác nhau. Hoặc sau khi thí nghiệm hoàn tất, kết quả có thể khác nhau ở những thời điểm khác nhau. Trong mọi trường hợp, dữ liệu thực tế không đầy đủ hoặc chính xác.

Thứ hai là bản chất con người là đưa ra quyết định dựa trên kinh nghiệm và trực giác, cho dù chúng ta có nhận thức được điều đó hay không, đây chính là bộ não của chúng ta. Về cơ bản nó được thiết kế cho mục đích này. Trong "Tư duy nhanh và chậm", con người sẽ vô thức đưa ra phán đoán dựa trên trực giác. Về cơ bản, nó dựa trên dữ liệu và những gì chúng tôi muốn nói đến là dựa trên dữ liệu và bằng chứng khoa học. Thay vì dựa trên kinh nghiệm và trực giác, bản thân điều này là một điều phản trực giác, và việc thực hiện điều này đòi hỏi năng lượng.

Thứ ba là thiết lập một mô hình dựa trên dữ liệu. Trên thực tế, cần phải có thời gian để phát triển một kiểu suy nghĩ bình thường.

Thứ tư là môi trường. Để làm được điều này đòi hỏi phải có một mức độ tin tưởng nhất định và một bầu không khí khuyến khích nói ra sự thật. Việc rút ra kết luận từ dữ liệu đòi hỏi phải có bối cảnh để diễn đạt chúng, thay vì trước tiên phải xác định kết luận rồi mới tìm dữ liệu để hỗ trợ kết luận đó.

Thứ năm thực ra là sự cân bằng. Nhiều khi, phân tích dữ liệu thực sự là sự cân bằng tối ưu giữa tốc độ và chi phí triển khai. Ví dụ, khi chúng ta phải đưa ra quyết định, chúng ta có nên thực hiện thử nghiệm AB không? Câu trả lời là không chắc chắn. Việc thử nghiệm có lợi ích nhưng cũng có chi phí. Nhiều lần, các thí nghiệm AB sẽ làm chậm tiến độ kinh doanh, nhưng lợi ích của nó là ở một mức độ nào đó, nó có thể dẫn đến một số kết luận về giải pháp tối ưu. Vì vậy, đây là vấn đề tìm ra giải pháp tối ưu giữa tốc độ và chi phí.

4. Phương pháp tiếp cận dựa trên dữ liệu tốt trông như thế nào?

Chúng tôi hy vọng phương pháp tiếp cận dựa trên dữ liệu tốt sẽ cải thiện năng lực của nhóm và tăng trưởng kinh doanh.

Nó có thể trở thành một chức năng đang phát triển. Ví dụ, công việc của chúng tôi rất bổ ích và có thể mang lại ý thức mạnh mẽ về bản sắc, điều này rất quan trọng. Kết quả là những nhân viên có năng lực sẽ sẵn sàng tiếp tục đảm nhiệm chức năng này và có thể làm việc chăm chỉ hơn, chủ động hơn để tạo ra tác động kinh doanh mạnh mẽ hơn. Tác động kinh doanh sẽ mang lại sự công nhận nhận thức mạnh mẽ hơn và sẽ trở thành một chu kỳ tích cực.

Chúng tôi hy vọng rằng toàn bộ chức năng trong công ty đều ở trạng thái như vậy, nhưng liệu trạng thái đó có đạt được hay không không phải là trách nhiệm của chính bộ phận chức năng này. Nó đòi hỏi sự hợp tác của nhiều phòng ban. Nó không tồn tại riêng lẻ mà hoạt động cùng với các chức năng khác. Việc này thực sự cần sự hỗ trợ và giúp đỡ từ tất cả các chức năng. Bởi vì doanh nghiệp không hoạt động một cách biệt lập.

5. Tại sao dữ liệu là vấn đề xây dựng năng lực

Vấn đề cốt lõi là việc xây dựng năng lực dựa trên dữ liệu là một quá trình lâu dài và nó sẽ dần cải thiện hoạt động kinh doanh trong quá trình xây dựng.

Giả sử chúng ta nhìn vào thị trường nhân tài lớn của Trung Quốc, phân tích dữ liệu hoặc khoa học dữ liệu, chức năng này được so sánh với các chức năng khác, ý tôi là kỹ sư hoặc quản lý sản phẩm hoặc nhà thiết kế UI.

Khoa học dữ liệu vẫn là một nghề còn rất mới. Trên thực tế, nếu bạn để ý, các kỹ sư đã tồn tại trong nhiều thập kỷ. Người đảm nhiệm vai trò quản lý sản phẩm phải có ít nhất 20 năm kinh nghiệm trong ngành công nghệ, trong khi khoa học dữ liệu chỉ mới xuất hiện trong 5 hoặc 6 năm trở lại đây. Thuật ngữ này mới chỉ xuất hiện chưa đầy 10 năm trở lại đây nên đây vẫn là một vai trò tương đối mới.

Điều này có nghĩa là trong toàn bộ môi trường kinh doanh, khoa học dữ liệu thực sự đang bắt kịp các chức năng khác với tốc độ nhanh chóng. Điều này đặc biệt rõ ràng ở Trung Quốc, nơi nhận thức chung về khoa học dữ liệu vẫn còn thấp hơn so với Thung lũng Silicon. Tôi nghĩ chúng ta đang tụt hậu rất xa, nhưng đây không chỉ là vấn đề ở Trung Quốc. Ngay cả tại Thung lũng Silicon, Facebook và Google vẫn đang khám phá những gì khoa học dữ liệu có thể làm trong một công ty và vẫn chưa có câu trả lời chắc chắn.

Có thể nói, có một sự khác biệt rất lớn giữa các nhà phân tích dữ liệu ngày nay và bốn năm trước, và các công ty Trung Quốc cũng đang dần cải thiện sự hiểu biết của chúng ta. Khám phá dần giá trị thương mại của các nhà phân tích dữ liệu.

Thứ hai là việc xây dựng một nhóm làm việc dựa trên dữ liệu cần có thời gian. Về cơ bản đây là vấn đề về mô hình tư duy. Vấn đề này về cơ bản là xây dựng sự hiểu biết của toàn bộ công ty về dữ liệu, sau đó cả nhóm sẽ làm việc chăm chỉ từng chút một. Đây không phải là vấn đề có thể thay đổi trong ngày một ngày hai. Phải mất thời gian.

Thứ ba, việc phá vỡ nguyên trạng đòi hỏi nguồn lực, nỗ lực và sự kiên nhẫn, cũng như sự hợp tác của tất cả các bên. Về bản chất, việc thúc đẩy dữ liệu là một quá trình xây dựng văn hóa, thực chất là một quá trình nâng cấp nhận thức. Nhiều người cho rằng dữ liệu hoặc năng lực dữ liệu là khả năng xây dựng năng lực. Trên thực tế, mọi chuyện không đơn giản như vậy. Điều quan trọng nhất thực sự là sự nâng cao nhận thức của những người tham gia kinh doanh.

6. Bốn giai đoạn của dữ liệu điều khiển

Làm thế nào chúng ta có thể đạt được mục tiêu dựa trên dữ liệu?

Nói chung, trước tiên chúng ta hãy đưa ra một khuôn khổ. Có khoảng bốn giai đoạn phát triển dựa trên dữ liệu. Cơ bản nhất là giai đoạn đầu tiên, nghĩa là dữ liệu trước tiên phải có khả năng trình bày những gì đã xảy ra một cách khách quan. Nói cách khác, ví dụ, chuyện gì đã xảy ra với doanh nghiệp ngày hôm qua hoặc tháng trước, có bao nhiêu đơn hàng, kiếm được thêm bao nhiêu tiền và lợi nhuận gộp thì sao? Trải nghiệm của chúng tôi thế nào? Các chỉ số là gì? Doanh nghiệp của chúng ta đang kiếm được tiền hay đang thua lỗ? Trước hết, chúng ta cần biết chuyện gì đang xảy ra với mình.

Trước tiên, chúng ta đừng nói về sự hiểu biết. Điều đầu tiên là phải có khả năng phản ánh một cách khách quan những gì đang diễn ra trong thực tế. Trên thực tế, rất khó để đạt được điều này. Chỉ số dữ liệu của nhiều công ty vẫn chưa đầy đủ, hoặc chỉ số dữ liệu chưa thống nhất, cỡ số chưa thống nhất. Vì vậy, người ta thường nói rằng khi bạn đặt câu hỏi, mọi người có thể đưa ra một kết luận khác nhau.

Giai đoạn thứ hai là có khả năng hỗ trợ thụ động cho quá trình ra quyết định của doanh nghiệp. Hoạt động kinh doanh của tôi ở đây chỉ là một khái niệm rộng, bao gồm sản phẩm và hoạt động. Nó đề cập nhiều hơn đến vai trò mà doanh nghiệp của chúng ta có thể hỗ trợ thụ động trong vấn đề này.

Ví dụ, nếu người dùng mua ba mặt hàng và một mặt hàng, có hoặc không có phiếu giảm giá, liệu có ảnh hưởng đến khả năng giữ chân khách hàng trong tương lai không? Tác động là gì? Những câu hỏi như thế này là vấn đề kinh doanh khách quan, nhưng nếu câu hỏi này được nêu ra, với tư cách là một nhà phân tích dữ liệu, việc có thể trả lời thụ động một câu hỏi như vậy ít nhất có thể dẫn đến bước thứ hai, đó là tôi có thể trả lời câu hỏi.

Bước thứ ba rất nâng cao. Nếu bạn có thể đạt được bước thứ ba thì bạn đã rất giỏi rồi. Phân tích dữ liệu cũng phải có khả năng chủ động xác định vấn đề. Điều này bao gồm khái niệm khám phá, tức là cách hướng dẫn bộ phận kinh doanh chủ động xác định vấn đề.

Nghĩa là, vì vấn đề tồn tại nên nó không còn được gọi là định nghĩa nữa. Nhiều khi chúng ta cần phải chủ động tìm kiếm và khám phá các cơ hội kinh doanh. Ví dụ, nếu không ai hỏi, chúng ta có thể tự hỏi mình một số câu hỏi như các nhà phân tích dữ liệu, chẳng hạn như trải nghiệm mua sắm tồi tệ sẽ gây hại như thế nào đến khả năng ghi nhớ lâu dài. Nếu đây không phải là cơ hội để hiểu biết sâu sắc về kinh doanh, mà là câu hỏi chúng ta tự hỏi mình, chúng ta có thể cân nhắc cách phân tích vấn đề này và có thể có một số khuôn khổ phân tích. Vấn đề quan trọng hơn là bản chất của vấn đề và cách chúng ta có thể chuyển đổi trải nghiệm mua sắm tồi tệ thành lợi thế giữ chân khách hàng và tăng doanh thu kinh doanh trong tương lai.

Ở bước thứ ba, thực sự cần có một mô hình năng lực hoàn toàn khác. Điều này đòi hỏi khả năng định hình vấn đề. Các nhà quản lý sản phẩm có thể hiểu sâu hơn rằng ở một mức độ lớn, chức năng của sản phẩm là định hình vấn đề và phân tích dữ liệu cũng tương tự.

Đạt đến bước thứ tư thực sự có nghĩa là dữ liệu có thể đi sâu hơn, nghĩa là mọi khía cạnh trong suy nghĩ và công việc hàng ngày của chúng ta đều được dữ liệu hỗ trợ. Tôi tin rằng tại thời điểm này, các công ty sẽ không còn nói về dữ liệu nữa vì không cần phải nói về điều này nữa. Nó tương đương với việc đi sâu vào mao mạch của chúng ta. Lúc này, mọi người sẽ bỏ qua sự tồn tại của nó vì họ đã có nhận thức này từ trước rồi. Tôi chưa thấy công ty nào đạt tới mức đó.

Tôi nghĩ đây là khuôn khổ để mọi người cùng suy nghĩ về cách chúng ta xử lý dữ liệu nâng cao.

7. Mô tả công việc của Nhà khoa học dữ liệu hoặc Nhà phân tích kinh doanh

Các nhà khoa học dữ liệu nên làm gì? Tôi đã liệt kê hai chiều ở đây, chiều trên và chiều dưới. Phần trên là sự hiểu biết sâu sắc, phần dưới là sự trình bày. Bạn có thể hình dung rằng phần bên dưới nói nhiều hơn về những gì đã xảy ra, còn phần bên trên nói về lý do tại sao nó xảy ra, tức là những gì đã xảy ra và ý nghĩa của việc định vị. Một phần nói nhiều hơn về màn hình hiển thị, phần còn lại nói về những gì xảy ra sau khi màn hình hiển thị. Đây là một chiều. Kích thước bên trái và bên phải rất dễ hiểu, đó là sự khác biệt giữa chủ động và thụ động.

Nếu bạn nhìn vào góc dưới bên trái này, bạn sẽ thấy đây là cách trình bày thụ động về mọi thứ. Trên thực tế, về cơ bản nó là việc thu thập dữ liệu. Điều đơn giản nhất là thu thập dữ liệu và có một số báo cáo dữ liệu cơ bản.

Phần tư ở góc dưới bên phải thực sự đang trình bày một số thứ, chẳng hạn như theo dõi hoạt động của sản phẩm bằng chỉ báo theo dõi những thay đổi. Sản phẩm của chúng tôi tương đối chủ động về mặt chỉ số và bảng thông tin, nhưng vẫn là vấn đề ở cấp độ trình bày và vẫn ở cấp độ "điều gì đã xảy ra" thay vì "tại sao điều đó xảy ra".

Phần trên bên trái là thụ động, nhưng nó cung cấp thông tin chi tiết. Ví dụ, trong bốn giai đoạn phát triển dựa trên dữ liệu, giai đoạn thứ hai liên quan đến khả năng trả lời các câu hỏi, nhưng những câu hỏi thụ động này, bao gồm trả lời các câu hỏi về kinh doanh, phân tầng người dùng, phân loại, v.v., thường thuộc về góc phần tư này. Góc trên bên phải là phần nâng cao nhất, liên quan đến việc chủ động đưa ra những hiểu biết sâu sắc.

Đầu tiên, hãy xác định những vấn đề khác nhau, chưa rõ ràng, khám phá các cơ hội chiến lược và đưa ra một số giải pháp bền vững. Việc này tương đối khó. Càng về phía trên bên phải, tác động dài hạn càng lớn và càng về phía dưới bên trái, tác động ngắn hạn càng lớn. Chúng tôi hy vọng có thể kéo nó lên góc trên bên phải, nhưng điều này không có nghĩa là phân tích dữ liệu. Chúng ta chỉ muốn làm những việc ở góc trên bên phải. Trên thực tế, mọi việc ở cả bốn góc phần tư đều cần phải được thực hiện. Đây là một vấn đề toàn diện. Điều chúng ta cần là sự cân bằng nhất định, nhưng chúng ta không thể chỉ làm những việc ở góc dưới bên trái.

8. Giá trị của nhà khoa học dữ liệu hoặc nhà phân tích kinh doanh đối với doanh nghiệp

Đây là một điểm quan trọng. Chúng tôi luôn thảo luận về những việc mà các nhà phân tích dữ liệu nên làm, những hiểu biết họ nên tạo ra và những việc họ nên làm. Về bản chất, chúng tôi muốn tăng cường ảnh hưởng của mình. Hãy quay lại câu hỏi cốt lõi về ảnh hưởng là gì.

Đối với các nhà phân tích, dù là báo cáo phân tích hay thông tin chi tiết, thì thực tế đều giống nhau. Hoặc khi bạn làm một số công việc liên quan đến sản phẩm hoặc hoạt động vận hành, bất kể là gì, thì nó có tác động gì?

Tác động thường xảy ra ở bốn khía cạnh. Chúng ta thường tiến hành một số phân tích rồi mới tác động đến một chỉ số nhất định. Đây là hiện tượng phổ biến nhất. Ví dụ, chúng tôi nghiên cứu khả năng duy trì và cuối cùng là cải thiện tỷ lệ duy trì. Yếu tố thứ hai ảnh hưởng đến hình thức sản phẩm là phân tích mà chúng ta thực hiện, ảnh hưởng trực tiếp đến thiết kế và định vị sản phẩm của người quản lý sản phẩm.

Thứ ba là tác động tới quá trình vận hành. Điều này thường phổ biến hơn và liên quan nhiều hơn đến con người, chẳng hạn như hoạt động của chiến lược phân bổ phiếu giảm giá và mô hình phân bổ phiếu giảm giá. Đây cũng là những tác động. Ví dụ, chúng tôi đã tạo ra một số công cụ vận hành hệ thống khiến nó khác biệt so với trước đây.

Thứ tư là về việc tạo ra một giải pháp có khả năng mở rộng, tập trung nhiều hơn vào hiệu quả. Ví dụ, khi chúng ta tạo mô hình, dù là mô hình thống kê hay mô hình dự đoán, về cơ bản chúng đều thuộc về loại này. Mô hình này có thể giúp doanh nghiệp hoạt động hiệu quả hơn.

Thế nào không thể được gọi là ảnh hưởng? Ví dụ, khi hoàn thành một phân tích khó, nhiều nhà phân tích có xu hướng rơi vào một cái bẫy, tức là họ có xu hướng theo đuổi mức độ khó và chiều sâu của phân tích. Bản thân điều này không phải là vấn đề và không có sai lầm nào, nhưng nó không thể trở thành tác động tại thời điểm này. Điều quan trọng là liệu việc phân tích có khó khăn, đòi hỏi công nghệ cao hay cao cấp hay không, nhưng điều quan trọng là điều gì xảy ra sau đó.

Thứ hai là tham gia vào một dự án thành công. Nếu giá trị của một nhà phân tích được xác định bởi sự thành công của một dự án, nhiều người sẽ thích chọn các dự án và sẵn sàng làm việc trong một dự án có nhiều khả năng thành công hơn. Về bản chất, vấn đề này có nghĩa là có một số vấn đề với cơ chế khuyến khích của chúng ta hoặc có một số vấn đề với sự hiểu biết của tôi về cơ chế này.

Sự thành công hay thất bại của một dự án thực ra không phản ánh tầm ảnh hưởng của bạn. Điều quan trọng là nếu đó là một dự án thất bại thảm hại và bạn là người duy nhất tham gia vào dự án đó thì dự án có thể thất bại ít nghiêm trọng hơn. Trên thực tế, đây cũng là một sự ảnh hưởng. Nhưng nếu đó là một dự án rất thành công và bạn tham gia vào đó, bạn không thể giải thích những gì bạn đã làm để dự án thành công hơn nữa. Trên thực tế, đây không phải là tác động. Nói cách khác, chúng ta vẫn cần phải sản xuất nó và chúng ta cần xem xét vấn đề gia tăng này.

Nói tóm lại, chúng tôi tin rằng bản thân việc phân tích không có giá trị nội tại trừ khi kết quả của nó ảnh hưởng đến điều gì đó khác và quan trọng nhất là thay đổi hoạt động kinh doanh.

9. Các nhà khoa học dữ liệu hoặc nhà phân tích kinh doanh hòa nhập vào doanh nghiệp như thế nào?

Các nhà phân tích tham gia vào quy trình làm việc như thế nào? Tham gia vào mọi bước. Góc trên bên trái đề cập đến một số phân tích. Trên thực tế, DS thường bắt đầu tham gia trước khi chúng tôi quyết định thực hiện một dự án.

Ví dụ, phát hiện ra các vấn đề của người dùng, theo quan điểm của sản phẩm, có nghĩa là phát hiện ra những điểm khó khăn của người dùng, phát hiện ra giá trị của người dùng, xác định các điểm cơ hội và xem xét sơ bộ giới hạn của vấn đề này là bao nhiêu, liệu có nhiều chỗ để cải thiện hay không, liệu có đáng để chúng ta dành thời gian nỗ lực tiếp theo hay không, chúng ta nên đưa ra loại giải pháp nào và sau đó thuyết phục bên kinh doanh hoặc đối tác rằng chúng ta có thể làm được điều này.

Sau đó tham gia vào toàn bộ quá trình và tham gia lắp đặt vị trí một cách kịp thời. Các nhà phân tích nên tham gia theo dõi dữ liệu ngay từ đầu vì họ là người dùng cuối cùng của dữ liệu. Do đó, các nhà phân tích nên tham gia vào quá trình phối hợp dữ liệu cả theo chiều ngược lại và chiều xuôi.

Điều thứ hai là xem xét nhà máy thử nghiệm của chúng tôi, nghĩa là chúng tôi thực hiện loại thử nghiệm nào và thực hiện như thế nào? Cách công bố bài kiểm tra, tiêu chuẩn là gì, kết quả nào được coi là tốt và kết quả nào là xấu. Nếu không tốt thì giải thích thế nào? Có thể nói rằng đối với toàn bộ chu kỳ sản phẩm hoặc bất kỳ chu kỳ dự án nào, các nhà phân tích cần tham gia vào toàn bộ quá trình từ đầu đến cuối. Vấn đề không chỉ là thực hiện thử nghiệm AB hay đưa ra kết quả trực tuyến.

10. Đặc điểm của một nhà phân tích dữ liệu

Nhiều nhóm bắt đầu phân tích dữ liệu sẽ rất ám ảnh với các công cụ. Cá nhân tôi nghĩ rằng điều này không quan trọng lắm. Tất cả các bản vẽ đều hướng dẫn cách thực hiện. Về cơ bản, điều quan trọng trong phân tích dữ liệu là khả năng suy nghĩ, suy nghĩ về vấn đề và thúc đẩy nó.

Về hiểu biết về cơ hội kinh doanh, tại sao chúng ta nên làm và tại sao không nên làm? Vì mọi quyết định đều dựa trên dữ liệu nên khả năng thành công sẽ cao hơn nhiều. Về tính cách, bạn có tinh thần sở hữu mạnh mẽ nên sẽ chủ động tìm kiếm cơ hội kinh doanh.

Thứ hai, chúng ta có khả năng giải quyết vấn đề tốt. Trên thực tế, nhiều doanh nghiệp không có vấn đề rõ ràng. Điều đó có nghĩa là, nhiều lần chúng tôi hỏi một số câu hỏi chuyên sâu và đóng khung các vấn đề kinh doanh là một vấn đề. Khả năng này thực sự khó có được, nhưng nó là một khả năng rất cốt lõi.

Thứ ba là khả năng có được dữ liệu. Tôi đã giành chiến thắng nói nhiều về điều này.

Thứ tư, toán học và thống kê đòi hỏi một số nền tảng phân tích thống kê để đảm bảo rằng phân tích của bạn là quan trọng và khoa học.

Cái thứ năm là rất quan trọng. Bạn cần có khả năng kể một câu chuyện hay, bởi vì bản thân phân tích không có giá trị nội tại. Bạn cần có khả năng thúc đẩy phía doanh nghiệp để giải thích cho người khác tại sao chúng tôi đang làm điều này, tại sao nó lại hữu ích và tại sao họ nên lắng nghe tôi. Khả năng này rất quan trọng.

Thứ sáu là động lực. Nhiều người hoàn thành phân tích và sau đó thấy rằng không có hiệu lực hoặc không theo dõi sau hai tháng. Người thực hiện phân tích thực sự phải theo dõi với phía kinh doanh và bạn tự chịu trách nhiệm về kết quả. Một nhà phân tích không chịu trách nhiệm phân tích, nhưng đối với những gì đã thay đổi sau khi phân tích và bạn chịu trách nhiệm cho điều đó.

Vì vậy, tôi đã thực hiện một phân tích để tìm hiểu xem phân tích này có hữu ích cho các chuyến thăm kinh doanh mà tôi muốn theo dõi hay không. Nếu nó là vô dụng, tôi đã làm điều gì đó sai, tôi đã không làm đủ, hoặc tôi đã đi sai hướng. Nó không quan trọng nếu nó không có tác động đến doanh nghiệp, nhưng tôi muốn học một cái gì đó từ nó và cố gắng tránh loại điều này trong tương lai, hoặc tại sao phía doanh nghiệp không thực hiện bước tiếp theo.

Nói về cơ hội này, tại sao nó đã được gần hai tháng kể từ khi chúng tôi bắt đầu làm việc, và vẫn không có chuyển động nào từ phía kinh doanh? Bạn phải quan tâm. Vì vậy, loại động lực này là rất quan trọng. Đối với các nền tảng chung, toán học, thống kê, vật lý và khoa học máy tính phù hợp hơn, nhưng nó không nhất thiết phải là một nền tảng thống kê hoặc một cái gì đó tương tự. Nền tảng của mọi người có thể rất đa dạng, nhưng chìa khóa là có đủ khả năng suy nghĩ, ý thức sở hữu và tinh thần động lực.

Phân tích logic và tư duy khác nhau là những khả năng tương đối khó có được, trong khi công nghệ này tương đối dễ dàng để có được.

11. Những quan niệm sai lầm phổ biến trong phân tích dữ liệu

Đây là một sai lầm hoặc bẫy phổ biến. Một số người nghĩ rằng dữ liệu có thể giải quyết tất cả các vấn đề.

Điều này thực sự là sai. Dữ liệu chỉ cung cấp một quan điểm, một cơ sở cho việc ra quyết định. Nó không chỉ là một quan điểm dữ liệu, cũng không phải là một quan điểm chỉ có dữ liệu. Ví dụ, sản phẩm có quan điểm sản phẩm, thiết kế có quan điểm thiết kế, kỹ thuật có quan điểm kỹ thuật và dữ liệu có quan điểm dữ liệu. Khi chúng ta cuối cùng tạo ra một sản phẩm hoặc một chức năng, chúng ta cần tóm tắt và phân tích tất cả các thông tin. Dữ liệu là một phần rất quan trọng, nhưng điều đó không có nghĩa là dữ liệu nên ghi đè bất kỳ khía cạnh nào khác. Đây là điều đầu tiên cần được làm rõ.

Điểm thứ hai cũng rất quan trọng. Nhìn thấy những gì đã xảy ra thông qua dữ liệu không nhất thiết phải giải thích tại sao nó xảy ra, cũng không nhất thiết phải cung cấp một chiến lược. Từ việc nhìn thấy dữ liệu đến cung cấp một chiến lược hiệu quả là một quá trình. Don Tiết quá mật độ sức mạnh của dữ liệu. Nhiều vấn đề không thực sự là vấn đề dữ liệu .

Ví dụ, hãy để các vấn đề như cung và cầu. Vấn đề cơ sở hạ tầng không phải là một vấn đề kinh doanh có thể được giải quyết thông qua thông tin chi tiết dữ liệu. Trong thực tế, bản thân phép biện chứng không nhất thiết là một vấn đề dữ liệu. Dữ liệu có thể giúp đóng khung vấn đề, nhưng chính quyết định là một vấn đề của cảm giác. Trong tình huống ngày nay, chúng ta có nghĩ rằng chúng ta nên tập trung vào cung cấp trước hoặc cầu trước, và đầu tư vào cơ sở hạ tầng hoặc chuỗi cung ứng bao nhiêu? Dữ liệu có thể giúp chúng tôi hiểu và nhìn rõ mọi thứ, nhưng bản thân đây không phải là một quyết định dữ liệu.

Cái thứ ba là thử nghiệm AB phải được thực hiện . Không cần phải nói, không phải mọi thứ có thể được thực hiện với thử nghiệm AB. Thứ hai, AB sẽ làm chậm sự lặp lại của doanh nghiệp của bạn và bạn phải chờ đợi ý nghĩa, cần có thời gian.

Thứ tư, ví dụ, kết quả âm không có ý nghĩa thống kê, vì vậy chức năng được thực hiện đầy đủ. Trên thực tế, không phải như vậy. Trong thực tế, trong nhiều trường hợp, nó có tác động tiêu cực. Nó chỉ là kích thước mẫu hoặc phương pháp thử nghiệm của chúng tôi không thể đo lường rõ ràng nó. Không quan trọng thống kê không có nghĩa là không có tác động. Điều này phải được xác nhận đầu tiên. Ngược lại, điều đó có nghĩa là thứ này có ý nghĩa thống kê, vì vậy chúng ta nên sử dụng toàn bộ số tiền, nhưng điều đó không nhất thiết là trường hợp.

Ví dụ, nếu chúng tôi muốn cải thiện một cái gì đó, chẳng hạn như GMV, chúng tôi có thể làm một cái gì đó và sau đó GM tăng, ví dụ, 0,1%, đó là một cải tiến rất nhỏ, nhưng có ý nghĩa thống kê, và có thể không đáng để đầu tư nhiều tài nguyên hơn.

Hy vọng rằng điều này giúp bạn hiểu làm thế nào để được điều khiển dữ liệu.

Tác giả: Viện nghiên cứu tăng trưởng Arun

Tài khoản công cộng WeChat: Arungrowth365 (ID: Arungrowth365)