Dạng bài nộp gây thất vọng phổ biến nhất ở môn này lại là dạng sạch sẽ về kỹ thuật. Code R chạy được, biểu đồ chú thích đầy đủ, con số chính xác, mà điểm rơi vào nhóm giữa.
Dạng bài nộp gây thất vọng phổ biến nhất ở môn này lại là dạng sạch sẽ về kỹ thuật. Code R chạy được, biểu đồ chú thích đầy đủ, con số chính xác, mà điểm rơi vào nhóm giữa. Thứ còn thiếu là câu nói rằng doanh nghiệp bây giờ nên làm khác đi ở chỗ nào, và vì sao bằng chứng này dẫn tới kết luận đó chứ không dẫn tới một kết luận nào khác. Môn Data, Insights and Decisions đặt chữ insights vào tên môn một cách có chủ ý, và khoảng cách giữa kết quả chạy ra với một insight thật chính là nơi chứa phần lớn số điểm. Dưới đây là cách mentor MAAS đi qua khoảng cách đó cùng sinh viên Việt Nam ở UNSW.
Tác giả: Ban biên tập MAAS · Hiệu đính bởi mentor cao cấp mảng Phân tích kinh doanh (Tiến sĩ, Kinh tế lượng)
Cập nhật: 10/08/2026
Chuyên mục: writing-tips
Môn COMM1190 là gì và nằm ở đâu trong chương trình?
Trả lời ngắn: COMM1190 Data, Insights and Decisions là môn bậc cử nhân trị giá 6 đơn vị tín chỉ thuộc UNSW Business School, cơ sở Kensington, mở ở cả ba kỳ giảng dạy trong năm. Môn nối thẳng lên từ COMM1110 Evidence-based Problem Solving, và dạy khai phá dữ liệu, trực quan hoá cùng phân tích dự báo trên dữ liệu kinh doanh thật bằng R, với yêu cầu rõ ràng về việc trình bày kết quả cho những người không đọc code.
Bằng chứng: Các dữ kiện này lấy từ trang handbook của UNSW và bảng thời khoá biểu chính thức của trường, nơi ghi số tín chỉ, khoa phụ trách, cơ sở học và việc môn chạy ở cả kỳ 1, kỳ 2 lẫn kỳ 3. Bảng thời khoá biểu cũng cho thấy quy mô: chỉ trong một kỳ, mỗi lớp bài giảng đã mang vài trăm sinh viên.
Ví dụ: Một bạn cho rằng môn chạy tới ba lần một năm với lớp đông như vậy hẳn là môn tự chọn dễ ăn điểm. Trên thực tế quy mô lại hàm ý điều ngược lại. Lớp đông thì bài do một đội trợ giảng chấm theo cùng một bảng tiêu chí, nên tiêu chí được áp rất nhất quán và gần như không có chỗ để người chấm thưởng cho thứ mà tiêu chí không nhắc tới.
Ý cuối cùng đó là thứ đáng rút ra nhất từ con số sĩ số. Ở một môn quy mô như thế này, bảng tiêu chí chấm không phải tài liệu hướng dẫn cho bài đánh giá. Nó chính là bài đánh giá.
Chuẩn đầu ra thật ra đòi hỏi những gì?
Trả lời ngắn: Bốn thứ, mà chỉ một trong đó là phân tích. Chuẩn đầu ra công bố yêu cầu bạn giải thích một tổ chức dùng công cụ phân tích và thống kê thế nào để thu được hiểu biết giá trị, vận dụng kỹ năng thống kê và phân tích dữ liệu lên tập dữ liệu thật để ra quyết định có căn cứ, trực quan hoá và phân tích dữ liệu nhằm làm chỗ dựa cho một lập luận, và truyền đạt hiểu biết cùng khuyến nghị tới nhiều nhóm liên quan.
Bằng chứng: Hãy đọc kỹ chuẩn đầu ra thứ ba: trực quan hoá và phân tích dữ liệu nhằm làm chỗ dựa cho lập luận. Ngay trong câu chữ, biểu đồ đã ở vị trí phụ thuộc vào lập luận. Một bài mà các biểu đồ nằm thành một bộ sưu tập, cái nào cũng vẽ đúng mà không cái nào gánh phần lập luận, là bài đã lộn ngược quan hệ mà chuẩn đầu ra mô tả. Chuẩn đầu ra thứ tư sau đó nói thẳng về người đọc, nghĩa là bạn phải viết cho một người muốn có quyết định chứ không muốn nghe phương pháp.
Ví dụ: Một báo cáo trình bày sáu biểu đồ, mỗi cái kèm một câu mô tả nó đang hiển thị gì. Khi được hỏi nếu khách hàng chỉ có đúng một trang thì giữ lại hai cái nào, bạn chỉ ra được hai cái làm đổi việc khách hàng nên làm, và không bảo vệ nổi bốn cái còn lại. Cắt bốn cái đó đi thì lập luận mới lần đầu hiện ra.
Kết quả chạy ra khác một insight ở chỗ nào?
Trả lời ngắn: Một insight gọi tên được thứ mà tổ chức chưa biết, ở dạng cụ thể đủ để hành động, có bằng chứng đi kèm và có nêu giới hạn. Mọi thứ chưa tới mức đó đều mới chỉ là kết quả chạy ra.
| Bài viết đang nói gì | Nó đang ở tầng nào | Điều gì kéo nó lên |
|---|---|---|
| "Doanh số cao nhất vào tháng Mười Hai." | Mô tả dữ liệu | Dòng sản phẩm nào đẩy con số đó, và do nhu cầu hay do giảm giá |
| "Có tương quan giữa X và Y." | Kết quả thống kê | Cơ chế hợp lý nào nối hai thứ, và điều gì khác có thể tạo ra cùng dạng dữ liệu ấy |
| "Mô hình đạt độ chính xác 87%." | Kết quả mô hình | Sai lầm của mô hình tốn bao nhiêu ở mỗi chiều sai |
| "Công ty nên cải thiện khả năng giữ chân khách hàng." | Lời khuyên chung chung | Nhóm khách nào, dựa trên bằng chứng gì, và kỳ vọng tác động tới đâu |
| "Nhóm B rời bỏ với tỷ lệ gấp đôi và chiếm một phần ba doanh thu." | Insight | Gắn thêm khuyến nghị và mức độ không chắc chắn quanh nó |
Bằng chứng: Phân biệt giữa mô tả dữ liệu và suy luận từ dữ liệu chính là toàn bộ công việc của phân tích khai phá, thứ mà Tukey đóng khung là đi tìm điều dữ liệu gợi ý chứ không phải đi xác nhận điều mình đã nghĩ sẵn. Ở phía trình bày, nguyên lý cốt lõi của Tufte là thiết kế hình ảnh tồn tại để phục vụ lập luận, nên một biểu đồ không gánh lập luận nào chỉ là đồ trang trí, dù vẽ đẹp tới đâu. Con số độ chính xác cũng đáng bị soi như vậy: trên dữ liệu kinh doanh mất cân bằng, một điểm số chính xác cao hoàn toàn có thể do một mô hình không bao giờ dự đoán đúng cái kết cục hiếm mà ai cũng quan tâm tạo ra (Provost & Fawcett, 2013).
Ví dụ: Một bạn báo độ chính xác mô hình khá cao trên tập dữ liệu khách hàng rời bỏ và coi như xong chuyện. Vì chỉ một tỷ lệ nhỏ khách hàng thật sự rời bỏ, một mô hình phán rằng không ai rời bỏ cả cũng đã đạt điểm gần bằng như vậy. Tới lúc bạn báo thêm mô hình bắt được bao nhiêu ca rời bỏ thật, con số tụt hẳn, và bài phân tích trở nên trung thực cùng thú vị hơn nhiều.
Phần code R quan trọng tới đâu?
Trả lời ngắn: Quan trọng tới mức phải chạy được và tái lập được, và không quan trọng tới mức tự nó đưa bạn lên nhóm điểm cao nhất. Code là công cụ. Điểm đi theo thứ bạn làm được với những gì công cụ đó tạo ra.
Bằng chứng: Môn dạy R vì đây là công cụ nguồn mở dùng trên tập dữ liệu thật, không phải vì kỹ năng lập trình là đối tượng được chấm. Điều này kéo theo hai hệ quả thực tế. Các bạn chưa từng lập trình thường đánh giá quá cao phần điểm bị đe doạ bởi code vụng, còn các bạn mang sẵn nền lập trình lại thường đầu tư quá nhiều vào code gọn gàng mà viết quá ít cho phần diễn giải. Cả hai nhóm cùng đọc sai một bảng tiêu chí, chỉ là sai theo hai hướng ngược nhau.
Ví dụ: Hai bài nộp dùng chung một tập dữ liệu. Bài thứ nhất có code gọn gàng, chú thích đầy đủ, hiệu quả, kèm ba đoạn diễn giải. Bài thứ hai có code ở mức làm được việc, kèm hai trang giải thích dạng dữ liệu đó nghĩa là gì với doanh nghiệp, gồm cả chỗ nó có thể không còn đúng. Bài thứ hai điểm cao hơn, và tác giả của nó mới là người lo lắng nhiều hơn về khả năng lập trình của mình.
Nên bố cục phần báo cáo thế nào?
Trả lời ngắn: Mở đầu bằng phát hiện, rồi mới biện giải. Công việc phân tích luôn mời gọi bạn kể lại quy trình theo trình tự thời gian, mà cách sắp xếp đó chôn mất đúng câu người đọc cần.
Một bố cục chạy được ở bậc năm nhất gồm năm phần. Mở đầu là quyết định hoặc câu hỏi bạn đang xử lý cùng lý do nó quan trọng, viết ngắn thôi. Tiếp theo là phát hiện chính, phát biểu thẳng trong một tới hai câu. Rồi tới phần bằng chứng, tức là các biểu đồ và phân tích làm chỗ dựa cho phát hiện đó, mỗi thành phần có mặt vì nó làm được một việc gì. Sau đó là khuyến nghị, cụ thể tới mức ai đó có thể bắt tay làm ngay trong quý này. Cuối cùng là phần giới hạn, tức là dữ liệu của bạn không nói được điều gì và điều gì sẽ làm kết luận của bạn thay đổi.
Bằng chứng: Chuẩn đầu ra về truyền đạt cho các nhóm liên quan chính là thứ khiến trật tự trở nên quan trọng. Người đọc trong doanh nghiệp đọc đoạn đầu rồi lướt phần còn lại, nên một báo cáo mãi tới trang thứ tư mới nêu phát hiện là báo cáo gần như chưa truyền đạt được cho ai. Cũng lưu ý rằng phần giới hạn là chỗ sinh viên năm nhất hay bỏ lỡ điểm dễ nhất, bởi việc thừa nhận phân tích của mình không cho thấy được điều gì lại được đọc là có phán đoán chứ không phải là điểm yếu.
Ví dụ: Một báo cáo mở đầu bằng khâu làm sạch dữ liệu, chuyển sang chọn biến, rồi tới dựng mô hình, và mãi đoạn cuối mới tới khuyến nghị. Nội dung thì đủ mà trật tự thì lộn ngược. Đưa khuyến nghị lên đầu và coi phần quy trình là bằng chứng đi kèm cho ra đúng tài liệu đó, nhưng đọc lên khác hẳn.
Sinh viên Việt Nam hay mất điểm ở đâu?
Trả lời ngắn: Ở lối rào đón mà không nêu rõ giới hạn của khẳng định, và ở lối viết vẫn giữ giọng lịch sự khi đề bài đòi một lập trường. Cả hai lộ ra ở phần khuyến nghị, đúng chỗ người chấm kiểm xem bạn có dám cam kết vào một khẳng định bảo vệ được hay không.
Bằng chứng: Chuẩn đầu ra đòi có khuyến nghị, mà một khuyến nghị né tránh việc nói nên làm gì là khuyến nghị chưa đạt. Điểm cân bằng nằm ở một khẳng định có kèm điều kiện: nêu hành động, nêu bằng chứng nó dựa vào, và nêu hoàn cảnh nào sẽ khiến nó sai. Đó không phải rào đón, đó là xác định phạm vi.
Ví dụ: Một đoạn kết viết rằng công ty "có lẽ nên cân nhắc xem xét cải thiện hoạt động marketing ở một số phân khúc". Viết lại thì thành: chuyển ngân sách sang phân khúc có tỷ lệ chuyển đổi quan sát được cao nhất, kèm ghi chú rằng quan sát mới trải qua hai quý, và cảnh báo rằng yếu tố mùa vụ có thể giải thích một phần. Bản thứ hai cam kết vào một điều gì đó, mà lại dễ bảo vệ hơn chứ không khó hơn.
Một lưu ý về thuật ngữ: hãy giữ chính xác các thuật ngữ tiếng Anh. Correlation, causation, accuracy, precision và recall đều mang nghĩa riêng, mà một cách dịch lỏng lẻo sang tiếng Việt thường ngày sẽ xoá mất đúng những phân biệt mà bảng tiêu chí đang soi.
Nên chuẩn bị thế nào suốt kỳ?
Trả lời ngắn: Luyện phần diễn giải có chủ đích ngang với luyện code, bởi trong hai thứ đó chỉ có một thứ được ôn lại một cách tự nhiên khi bạn làm bài tập hằng tuần.
Một nhịp chạy được: mỗi tuần, làm xong bài tập kỹ thuật thì viết thêm hai câu nói rằng một người quản lý nên làm khác đi điều gì vì kết quả này. Giữ lại những câu đó, vì tới giữa kỳ bạn sẽ có một kho diễn giải và một cái nhìn rõ ràng về việc câu nào trong đó là rỗng. Trước bài đánh giá lớn, lấy bất kỳ biểu đồ nào bạn đã vẽ và thử phát biểu insight của nó mà không mô tả nó. Nếu không phát biểu nổi thì biểu đồ ấy chưa gánh lập luận nào cả.
Bằng chứng: Cấu trúc và trọng số đánh giá thay đổi theo từng kỳ, và nguồn có thẩm quyền là course outline của chính bạn, do Business School công bố trước khi bắt đầu giảng. Thứ không đổi là mối quan tâm của bảng tiêu chí với phần diễn giải, bởi nó được viết thẳng vào chuẩn đầu ra chứ không nằm trong một bài cụ thể nào.
Mentor MAAS thật sự làm gì ở môn này?
MAAS làm việc với vai trò cố vấn học thuật. Buổi trao đổi hữu ích nhất ở một môn như thế này thường rất ngắn: bạn mang tới một biểu đồ hoặc một kết quả mô hình, và mentor hỏi một người quản lý nên làm khác đi điều gì vì nó. Nếu câu trả lời dài hơn một câu thì phân tích chưa chạm tới đích. Từ đó trở đi thì công việc như thường lệ, tức là đọc bản nháp đối chiếu tiêu chí của môn, kiểm xem từng biểu đồ có đang làm việc gì không, và soi xem khuyến nghị của bạn đã đủ cụ thể để hành động chưa. Bạn tự viết code, tự viết báo cáo và tự nộp bài của mình.
Câu hỏi thường gặp
Môn COMM1190 mấy tín chỉ và chạy khi nào?
Sáu đơn vị tín chỉ, mở ở cả ba kỳ giảng dạy của UNSW tại cơ sở Kensington, thuộc UNSW Business School.
Chưa biết lập trình có học được không?
Được. Môn dạy R từ đầu như một công cụ phân tích. Các bạn không có nền lập trình thường đánh giá quá cao phần điểm phụ thuộc vào chất lượng code.
Quan hệ với môn COMM1110 là gì?
COMM1190 nối thẳng lên từ Evidence-based Problem Solving, môn giới thiệu các công cụ thống kê cơ bản và vai trò của bằng chứng. Nếu phần đó còn lung lay thì ôn lại từ sớm, đừng đợi tới tuần nộp bài.
Đây có phải môn toán không?
Không. Đây là môn về ra quyết định có dùng công cụ thống kê. Bạn cần diễn giải đúng kết quả định lượng, mà đó là yêu cầu khác với việc tự chứng minh ra chúng.
Môn chấm thế nào?
Dạng bài và trọng số thay đổi giữa các kỳ, và course outline của chính bạn là căn cứ. Dù chia thế nào thì chuẩn đầu ra cũng khiến phần diễn giải và truyền đạt được chấm ở mọi bài.
Biểu đồ của em trông đơn giản quá, có bị trừ điểm không?
Ít hơn bạn nghĩ nhiều. Một biểu đồ đơn giản mà gánh được lập luận sẽ hơn một biểu đồ cầu kỳ không gánh gì, và sự cầu kỳ vì chính nó còn đi ngược lại tính rõ ràng mà chuẩn đầu ra đòi hỏi.
Bài liên quan
- ISYS3453: hướng dẫn bài phân tích dữ liệu
- Cách viết báo cáo đại học
- Hỗ trợ đồ án dữ liệu và lập trình cùng MAAS
Trao đổi với mentor MAAS về môn học của bạn
References
Provost, F., & Fawcett, T. (2013). Data science for business: What you need to know about data mining and data-analytic thinking. O'Reilly Media.
Tufte, E. R. (2001). The visual display of quantitative information (2nd ed.). Graphics Press.
Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
Wickham, H., & Grolemund, G. (2017). R for data science: Import, tidy, transform, visualize, and model data. O'Reilly Media.
Wilkinson, L. (2005). The grammar of graphics (2nd ed.). Springer.