Khoa học Dữ liệu trong Kinh tế và Kinh doanh tại VinUni

Khoa học dữ liệu trong kinh tế và kinh doanh kết hợp kiến thức chuyên ngành, lập trình, toán học và thống kê để thu thập, xử lý và phân tích dữ liệu. Kết quả phân tích được sử dụng để hỗ trợ dự báo, lập kế hoạch, quản trị rủi ro, tối ưu vận hành và đánh giá hiệu quả.

Dữ liệu không tự tạo ra giá trị nếu thiếu câu hỏi rõ ràng, quy trình quản trị và khả năng chuyển kết quả phân tích thành hành động. Vì vậy, việc ứng dụng khoa học dữ liệu cần bắt đầu từ vấn đề kinh tế hoặc kinh doanh cụ thể, thay vì bắt đầu từ một thuật toán hoặc công cụ.

Khoa học dữ liệu trong kinh tế và kinh doanh là gì?

NIST định nghĩa khoa học dữ liệu là lĩnh vực kết hợp kiến thức chuyên môn, kỹ năng lập trình, toán học và thống kê để rút ra các insight có ý nghĩa từ dữ liệu (1). Trong kinh tế và kinh doanh, “kiến thức chuyên môn” có thể là tài chính, Marketing, vận hành, chuỗi cung ứng, quản trị nhân sự, thương mại điện tử hoặc kinh tế vĩ mô.

Khoa học dữ liệu khác với việc chỉ tạo báo cáo mô tả. Một dự án có thể bao gồm nhiều cấp độ phân tích:

• Mô tả: Điều gì đã xảy ra?
• Chẩn đoán: Vì sao kết quả đó xảy ra?
• Dự báo: Điều gì có thể xảy ra tiếp theo?
• Khuyến nghị: Nên lựa chọn hành động nào trong các điều kiện hiện có?

Không phải mọi bài toán đều cần học máy hoặc AI. Trong nhiều trường hợp, thống kê mô tả, thử nghiệm có kiểm soát, trực quan hóa dữ liệu hoặc mô hình kinh tế lượng đơn giản có thể phù hợp và dễ kiểm chứng hơn.

Tầm quan trọng của khoa học dữ liệu trong kinh tế và kinh doanh

Hỗ trợ ra quyết định dựa trên bằng chứng

Khoa học dữ liệu giúp doanh nghiệp chuyển dữ liệu giao dịch, vận hành, thị trường và khách hàng thành thông tin phục vụ quyết định. OECD nhận định đổi mới dựa trên dữ liệu có thể thúc đẩy năng suất, hiệu quả sử dụng nguồn lực, năng lực cạnh tranh và sự hình thành sản phẩm, quy trình mới (2).

Dữ liệu không loại bỏ vai trò của kinh nghiệm quản lý. Thay vào đó, dữ liệu giúp kiểm tra giả định, so sánh phương án và ghi nhận mức độ không chắc chắn trước khi đưa ra quyết định.

Nâng cao khả năng dự báo và lập kế hoạch

Mô hình dự báo có thể hỗ trợ doanh nghiệp ước tính nhu cầu, doanh thu, dòng tiền, tồn kho, nhân sự hoặc công suất. Ở cấp nền kinh tế, dữ liệu tần suất cao và các kỹ thuật phân tích mới có thể được dùng trong thống kê vĩ mô, nowcasting và giám sát biến động kinh tế (3).

Dự báo không phải một kết quả cố định. Mô hình cần được cập nhật khi hành vi thị trường, sản phẩm, chính sách hoặc chất lượng dữ liệu thay đổi.

Hiểu khách hàng và thị trường

Dữ liệu giúp doanh nghiệp phân tích hành trình khách hàng, phân khúc, khả năng rời bỏ, phản hồi, hiệu quả kênh và mức độ quan tâm đến sản phẩm. Các kết quả này có thể hỗ trợ thiết kế dịch vụ, nội dung, giá và trải nghiệm phù hợp hơn.

Cá nhân hóa cần có giới hạn. Việc thu thập và sử dụng dữ liệu khách hàng phải phù hợp với mục đích đã công bố, bảo vệ quyền riêng tư và tránh suy luận nhạy cảm không cần thiết.

Quản trị rủi ro và phát hiện bất thường

Trong tài chính, bảo hiểm, thương mại điện tử và vận hành, khoa học dữ liệu có thể hỗ trợ nhận diện giao dịch bất thường, đánh giá tín dụng, dự báo khả năng mất thanh khoản hoặc cảnh báo sự cố.

Các mô hình rủi ro cần được kiểm tra định kỳ về tỷ lệ cảnh báo sai, khả năng bỏ sót, sai lệch giữa các nhóm và tác động của quyết định tự động. Kết quả mô hình nên được kết hợp với quy trình rà soát và cơ chế khiếu nại phù hợp.

Tối ưu hoạt động và phân bổ nguồn lực

Doanh nghiệp có thể sử dụng dữ liệu để tối ưu tuyến giao hàng, lịch làm việc, tồn kho, năng lượng, thời gian xử lý và phân bổ ngân sách. Giá trị thường đến từ việc giảm lãng phí, rút ngắn thời gian và xác định điểm nghẽn thay vì chỉ xây dựng mô hình phức tạp.

Tạo sản phẩm và mô hình kinh doanh mới

IMF nhận định dữ liệu đã trở thành đầu vào cốt lõi của nhiều mô hình kinh doanh, từ dịch vụ tài chính đến giao thông và y tế (4). Doanh nghiệp có thể phát triển sản phẩm dựa trên phân tích, hệ thống gợi ý, công cụ dự báo, dịch vụ đánh giá hoặc nền tảng dữ liệu.

Việc thương mại hóa dữ liệu cần xem xét quyền sở hữu, chất lượng, sự đồng thuận, bảo mật và trách nhiệm đối với kết quả tạo ra.

Ứng dụng của khoa học dữ liệu trong các bộ phận doanh nghiệp

Lĩnh vực	Bài toán thường gặp	Kết quả cần theo dõi
Tài chính	Dự báo dòng tiền, đánh giá rủi ro, phát hiện bất thường và phân tích lợi nhuận.	Độ chính xác, tổn thất dự kiến, tỷ lệ cảnh báo sai và thời gian xử lý.
Marketing	Phân khúc khách hàng, đo lường chiến dịch, dự báo chuyển đổi và phân tích giữ chân.	Chi phí thu hút, tỷ lệ chuyển đổi, giá trị vòng đời và mức tăng thêm thực tế.
Bán hàng	Chấm điểm khách hàng tiềm năng, dự báo doanh số và tối ưu vùng bán hàng.	Tỷ lệ chốt, doanh thu, độ lệch dự báo và thời gian chu kỳ bán hàng.
Vận hành	Dự báo nhu cầu, tối ưu tồn kho, lịch làm việc và bảo trì dự đoán.	Chi phí, thời gian dừng, mức tồn kho và tỷ lệ đáp ứng.
Nhân sự	Phân tích tuyển dụng, đào tạo, gắn kết và nghỉ việc.	Thời gian tuyển, hiệu quả đào tạo, tỷ lệ nghỉ việc và công bằng giữa các nhóm.
Sản phẩm	Phân tích hành vi sử dụng, thử nghiệm tính năng và dự báo nhu cầu.	Mức độ kích hoạt, giữ chân, sử dụng tính năng và tác động kinh doanh.

Vai trò của khoa học dữ liệu trong phân tích kinh tế

Trong nghiên cứu kinh tế, dữ liệu được sử dụng để đo lường sản lượng, giá cả, lao động, thương mại, thu nhập, tiêu dùng và hành vi của hộ gia đình hoặc doanh nghiệp. Khoa học dữ liệu bổ sung các công cụ xử lý khối lượng dữ liệu lớn, dữ liệu phi cấu trúc và nguồn dữ liệu có tần suất cao.

Một số ứng dụng gồm:

• Nowcasting tăng trưởng, lạm phát hoặc hoạt động thị trường.
• Phân tích văn bản từ báo cáo, tin tức hoặc tài liệu chính sách.
• Đánh giá tác động chính sách bằng dữ liệu hành chính hoặc dữ liệu giao dịch.
• Phân tích mạng lưới thương mại, chuỗi cung ứng và mối liên kết ngành.
• Đo lường kinh tế số, nền tảng trực tuyến và tài sản dữ liệu.

IMF tổ chức các chương trình về dữ liệu lớn cho thống kê vĩ mô, hướng đến sử dụng nguồn dữ liệu mới và công nghệ phân tích để tạo thống kê tần suất cao, chi tiết hơn cho giám sát và nghiên cứu kinh tế (3).

Quy trình triển khai một dự án khoa học dữ liệu

Xác định vấn đề và tiêu chí thành công

Dự án cần bắt đầu bằng câu hỏi kinh doanh hoặc kinh tế cụ thể. Nhóm thực hiện phải xác định người sử dụng kết quả, quyết định cần hỗ trợ, chỉ số thành công và chi phí của dự báo sai.

Thu thập và quản trị dữ liệu

Nhóm dự án cần xác định nguồn dữ liệu, quyền truy cập, mục đích sử dụng, thời gian lưu trữ và trách nhiệm quản lý. OECD xem quản trị dữ liệu là tập hợp khung kỹ thuật, chính sách và quy định quản lý dữ liệu trong toàn bộ vòng đời, từ tạo lập đến xóa bỏ (5).

Làm sạch và khám phá dữ liệu

Dữ liệu cần được kiểm tra về thiếu hụt, trùng lặp, đơn vị đo, ngoại lệ, thay đổi định nghĩa và sai lệch lấy mẫu. Phân tích khám phá giúp xác định cấu trúc, giới hạn và giả định trước khi xây dựng mô hình.

Xây dựng và đánh giá mô hình

Mô hình được lựa chọn dựa trên mục tiêu, loại dữ liệu, khả năng giải thích, chi phí triển khai và mức độ rủi ro. Việc đánh giá cần sử dụng dữ liệu chưa tham gia huấn luyện và chỉ số phù hợp với hậu quả thực tế của sai số.

Triển khai vào quy trình ra quyết định

Một mô hình chỉ có giá trị khi kết quả được tích hợp vào báo cáo, phần mềm hoặc quy trình vận hành. Nhóm dự án cần quy định ai nhận kết quả, ai có quyền quyết định và khi nào cần con người rà soát.

Theo dõi và cập nhật

Hiệu quả mô hình có thể giảm khi hành vi, thị trường hoặc dữ liệu thay đổi. Cần theo dõi độ chính xác, sai lệch, độ trễ, chi phí vận hành và tác động đến các nhóm liên quan.

Rủi ro và giới hạn khi ứng dụng khoa học dữ liệu

• Dữ liệu kém chất lượng: Dữ liệu thiếu, sai hoặc không đại diện có thể dẫn đến kết luận sai.
• Nhầm tương quan với nguyên nhân: Hai biến cùng thay đổi không có nghĩa một biến gây ra biến còn lại.
• Sai lệch mô hình: Mô hình có thể tái tạo hoặc khuếch đại bất bình đẳng có trong dữ liệu lịch sử.
• Rò rỉ dữ liệu: Sử dụng thông tin của tương lai trong huấn luyện làm kết quả đánh giá tốt giả tạo.
• Quá khớp: Mô hình phù hợp với dữ liệu cũ nhưng hoạt động kém khi gặp dữ liệu mới.
• Thiếu khả năng giải thích: Kết quả khó giải thích có thể không phù hợp với quyết định ảnh hưởng lớn đến con người.
• Quyền riêng tư và bảo mật: Dữ liệu cá nhân có thể bị sử dụng sai mục đích hoặc truy cập trái phép.
• Không có quy trình chịu trách nhiệm: Tự động hóa quyết định mà không xác định người kiểm soát và xử lý khiếu nại.

OECD lưu ý rằng việc mở rộng sử dụng dữ liệu đi kèm các thách thức về quyền riêng tư, bảo vệ người tiêu dùng, tiếp cận dữ liệu và đo lường (2). NIST Privacy Framework cung cấp cách tiếp cận tự nguyện để tổ chức nhận diện và quản lý rủi ro quyền riêng tư trong quá trình phát triển sản phẩm, dịch vụ (6).

Kỹ năng cần có trong lĩnh vực khoa học dữ liệu

• Toán và thống kê: Xác suất, suy luận thống kê, đại số tuyến tính, tối ưu và thiết kế thử nghiệm.
• Lập trình: Python, R, SQL và kỹ năng xử lý dữ liệu.
• Quản lý dữ liệu: Cơ sở dữ liệu, pipeline, chất lượng và quản trị dữ liệu.
• Mô hình hóa: Hồi quy, phân loại, phân cụm, chuỗi thời gian và học máy.
• Kiến thức kinh tế – kinh doanh: Hiểu mục tiêu, quy trình, ràng buộc và chỉ số của tổ chức.
• Trực quan hóa: Trình bày cấu trúc, xu hướng, bất thường và độ không chắc chắn.
• Giao tiếp: Chuyển kết quả kỹ thuật thành khuyến nghị rõ ràng cho người ra quyết định.
• Đạo đức dữ liệu: Hiểu quyền riêng tư, bảo mật, sai lệch và tác động xã hội.

Cơ hội nghề nghiệp liên quan

Người học có thể phát triển theo nhiều vị trí tùy nền tảng kỹ thuật và kiến thức lĩnh vực:

• Data Scientist.
• Data Analyst hoặc Business Intelligence Analyst.
• Business Analyst.
• Machine Learning Engineer.
• Data Engineer.
• Risk Analyst hoặc Fraud Analyst.
• Marketing Analyst.
• Operations Research Analyst.
• Econometrician hoặc Economic Data Analyst.
• Product Analyst.

Theo Cục Thống kê Lao động Hoa Kỳ, việc làm của Data Scientist được dự báo tăng 34% trong giai đoạn 2024–2034, với khoảng 23.400 cơ hội việc làm mỗi năm tại Hoa Kỳ (7). Đây là dữ liệu tham khảo quốc tế, không phải dự báo trực tiếp cho thị trường lao động Việt Nam.

Câu hỏi thường gặp về khoa học dữ liệu trong kinh tế và kinh doanh

Khoa học dữ liệu khác phân tích dữ liệu như thế nào?

Phân tích dữ liệu thường tập trung mô tả, giải thích và hỗ trợ quyết định từ dữ liệu hiện có. Khoa học dữ liệu có phạm vi rộng hơn, có thể bao gồm thu thập dữ liệu, kỹ thuật dữ liệu, xây dựng mô hình dự báo và triển khai sản phẩm dữ liệu.

Khoa học dữ liệu có thay thế nhà kinh tế hoặc nhà quản lý không?

Không. Mô hình cung cấp bằng chứng và dự báo trong một số điều kiện nhất định. Nhà kinh tế và nhà quản lý vẫn cần xác định mục tiêu, đánh giá bối cảnh, cân nhắc tác động và chịu trách nhiệm về quyết định.

Học kinh tế có thể chuyển sang khoa học dữ liệu không?

Có. Nền tảng kinh tế lượng, thống kê và hiểu biết về hành vi thị trường là lợi thế. Người học cần bổ sung lập trình, quản lý dữ liệu, học máy và thực hành dự án.

Doanh nghiệp nhỏ có cần khoa học dữ liệu không?

Có thể có, nhưng không nhất thiết phải xây dựng đội ngũ hoặc mô hình phức tạp. Doanh nghiệp nên bắt đầu từ dữ liệu cơ bản, báo cáo chính xác và một bài toán có giá trị rõ ràng.

Mô hình có độ chính xác cao đã đủ để triển khai chưa?

Chưa. Cần xem xét chất lượng dữ liệu, độ ổn định, khả năng giải thích, chi phí sai số, quyền riêng tư, khả năng tích hợp và tác động thực tế đến người dùng.

Nguồn tham khảo

• (1) National Institute of Standards and Technology. Data Science, CSRC Glossary. https://csrc.nist.gov/glossary/term/data_science.
• (2) OECD. Data-Driven Innovation: Big Data for Growth and Well-Being. https://www.oecd.org/en/publications/data-driven-innovation_9789264229358-en.html.
• (3) International Monetary Fund. Big Data for Macroeconomic Statistics. https://www.imf.org/en/capacity-development/training/icdtc/schedule/ct/2026/bdmsct26-01.
• (4) International Monetary Fund. The Economics of Data. https://www.imf.org/en/Blogs/Articles/2019/09/23/the-economics-of-data.
• (5) OECD. Data Governance. https://www.oecd.org/en/topics/data-governance.html.
• (6) National Institute of Standards and Technology. Privacy Framework. https://www.nist.gov/privacy-framework.
• (7) U.S. Bureau of Labor Statistics. Data Scientists, Occupational Outlook Handbook. https://www.bls.gov/ooh/math/data-scientists.htm.

Thông tin chương trình đào tạo Khoa học Dữ liệu trong kinh tế và kinh doanh tại VinUni

• Tên chương trình: Cử nhân Khoa học Dữ liệu (Bachelor of Data Science)
• Thời gian đào tạo: 4 năm học toàn thời gian
• Tổng số tín chỉ
  • Lựa chọn 1: Ngành chính Khoa học Dữ liệu – 120 tín chỉ
  • Lựa chọn 2: Ngành chính Khoa học Dữ liệu kết hợp chuyên ngành phụ (Minor) – 135 tín chỉ Các chuyên ngành phụ có thể chọn: Kinh doanh cơ bản, Tài chính, Tiếp thị, Truyền thông, Quản lý chăm sóc sức khỏe, Thông tin chăm sóc sức khỏe cho Kỹ sư, hoặc các chuyên ngành phụ khác phù hợp.

Mục đích của chương trình

Chương trình hướng đến việc đào tạo và phát triển các nhà lãnh đạo trẻ trong lĩnh vực khoa học dữ liệu, sở hữu:

• Nền tảng lý thuyết vững chắc về khoa học máy tính, thống kê và quản lý dữ liệu làm cơ sở xuyên suốt quá trình học tập;
• Kinh nghiệm thực tiễn với các kỹ thuật khoa học dữ liệu hiện đại và khả năng tạo ra giá trị thực sự từ dữ liệu;
• Nhận thức sâu sắc về vai trò của mình trong tổ chức và xã hội – đặc biệt trong việc quản lý, khai thác và sử dụng dữ liệu một cách hiệu quả, có trách nhiệm.

Từ đó, sinh viên sẽ trở thành những nhà khoa học dữ liệu chuyên nghiệp, thể hiện được sự sáng tạo, đổi mới, khả năng lãnh đạo và tính chuyên nghiệp cao.

Mục tiêu giáo dục của chương trình đào tạo Khoa học Dữ liệu trong kinh tế và kinh doanh

Trong vòng vài năm sau khi tốt nghiệp, phần lớn sinh viên sẽ đạt được thành tựu nổi bật ở một trong các hướng sau:

(i) Theo học các chương trình sau đại học hàng đầu thế giới;

(ii) Đảm nhận các vị trí lãnh đạo kỹ thuật hoặc quản lý trong ngành công nghiệp/công nghệ;

(iii) Khởi nghiệp hoặc tham gia các dự án khởi nghiệp sáng tạo.

Trong các vai trò này, sinh viên sẽ:

• Thể hiện sự thành thạo về nguyên lý khoa học dữ liệu, các phương pháp máy tính/thống kê cụ thể và nền tảng lý thuyết liên quan;
• Có khả năng hình thành ý tưởng, thiết kế, triển khai các sản phẩm, hệ thống, dịch vụ dựa trên dữ liệu, đồng thời tuân thủ các ràng buộc về kinh tế, môi trường, văn hóa, an toàn và đạo đức;
• Chủ động khám phá, áp dụng kiến thức mới và phát triển các công cụ, phương pháp mới cho khoa học dữ liệu và quy trình xử lý dữ liệu;
• Nhạy bén với bối cảnh chuyên môn và xã hội, cam kết hành xử đạo đức, học tập suốt đời và sẵn sàng theo đuổi sự nghiệp học thuật nếu mong muốn;
• Trở thành nhà lãnh đạo có tư duy kinh doanh, giao tiếp hiệu quả, ra quyết định sáng suốt, làm việc nhóm đa ngành trong môi trường hợp tác và hòa nhập;
• Góp phần tích cực cho cộng đồng, nghề nghiệp, quốc gia và toàn cầu.

Sinh viên đạt được gì sau khi tốt nghiệp?

Với vai trò nhà khoa học dữ liệu, sinh viên có khả năng:

1. Thu thập, quản lý, khám phá và phân tích các tập dữ liệu lớn/phức tạp để đưa ra thông tin giá trị giải quyết các vấn đề cụ thể trong tổ chức hoặc lĩnh vực khoa học;
2. Thực hiện công việc trên bằng tư duy linh hoạt (agile), phương pháp phát triển hiện đại và tinh thần khởi nghiệp;
3. Thiết kế, triển khai, đánh giá và duy trì quy trình xử lý dữ liệu hoàn chỉnh bằng các công cụ tiêu chuẩn ngành;
4. Vận dụng phù hợp lý thuyết máy tính, thống kê và nguyên tắc phát triển phần mềm để giải quyết bài toán khoa học dữ liệu;
5. Sử dụng kỹ thuật trực quan hóa dữ liệu và giao tiếp hiệu quả trong nhiều bối cảnh chuyên môn khác nhau.

Với tư cách chuyên gia chuyên nghiệp, sinh viên sẽ:

1. Nhận thức rõ trách nhiệm nghề nghiệp, đưa ra quyết định dựa trên các yếu tố pháp lý, đạo đức, quyền riêng tư và bảo mật dữ liệu;
2. Làm việc hiệu quả với vai trò thành viên hoặc lãnh đạo trong các nhóm đa ngành, phù hợp với các hoạt động chuyên môn của chương trình.

Cấu trúc chương trình Khoa học Dữ liệu trong kinh tế và kinh doanh tại VinUni

STT	KHỐI KIẾN THỨC	SỐ TÍN CHỈ	PHÂN BỔ TÍN CHỈ (%)
I	GIÁO DỤC ĐẠI CƯƠNG	31	25.8%
I.1	Khởi nghiệp và Đổi mới sáng tạo	4	3.3%
I.2	Tư duy lãnh đạo	2	1.7%
I.3	Trách nhiệm công dân	2	1.7%
I.4	Đạo đức	2	1.7%
I.5	Học tập qua phục vụ cộng đồng	45 giờ
I.6	Làm việc với tư duy và trí tuệ	2	1.7%
I.7	Làm việc với công nghệ
I.8	Làm việc cùng người khác	4	3.3%
I.9	Làm việc cùng bản thân	90 giờ
I.10	Khám phá Việt Nam	11	9.2%
I.11	Phát triển bền vững và công dân toàn cầu	2	1.7%
I.12	Nghệ thuật sáng tạo	2	1.7%
II	GIÁO DỤC QUỐC PHÒNG
III	GIÁO DỤC CHUYÊN NGHIỆP	89	74.2%
III.1	Kiến thức cơ sở ngành	24	20.0%
III.2	Khiến thức cơ sở chuyên ngành	29	24.2%
III.3	Môn tự chọn ngành	21	17.5%
III.4	Môn tự chọn tự do	7	5.8%
III.5	Kiến thức chuyên ngành phụ (Tuỳ chọn)	15*
III.6	Đồ án môn học	2	1.7%
III.7	Trao đổi học tập/Thực tập	640 giờ
III.8	Đồ án tốt nghiệp	6	5.0%
	TỔNG	120 (135) *	100 %

* Sinh viên phải hoàn thành tối thiểu 120 tín chỉ để tốt nghiệp. Sinh viên được học tối đa 135 tín chỉ trong khung thời gian theo quy định mà không phải trả thêm học phí.

Phân bổ chương trình

Data Science Course Flow (Main track)

Data Science Course Flow (Pathway)

Với sự chú trọng vào việc tạo ra giá trị từ dữ liệu, sinh viên sẽ có cơ hội thực hành các kỹ thuật Khoa học Dữ liệu hiện đại và hiểu rõ vai trò của mình trong tổ chức và xã hội. Sau khi tốt nghiệp, sinh viên có khả năng thể hiện xuất sắc ở các chương trình sau đại học, các vị trí lãnh đạo kỹ thuật hoặc khởi nghiệp, góp phần quan trọng vào sự phát triển của lĩnh vực Khoa học Dữ liệu. VinUni sẽ là nơi lý tưởng để bạn bắt đầu hành trình trở thành một nhà Khoa học Dữ liệu chuyên nghiệp và sáng tạo.