Bài viết Trực quan hóa dữ liệu: Vai trò & thử thách khẳng định vai trò của trực quan hóa dữ liệu trong việc thúc đẩy hiệu quả của việc ra quyết định; bên cạnh đó những thách thức cần vượt qua bao gồm cơ sở hạ tầng kỹ thuật và công nghệ phân tích, khả năng phân tích, chất lượng dữ liệu, sự đa dạng của các nguồn dữ liệu. Mời các bạn cùng tham khảo!
TRỰC QUAN HĨA DỮ LIỆU: VAI TRỊ & THỬ THÁCH ThS Trương Đình Hải Thụy ThS Huỳnh Ngọc Thành Trung Trường Đại học Tài –Marketing Tóm tắt: Trực quan hóa liệu giúp nâng cao chất lượng trình định nhờ khả cung cấp tranh rõ ràng tình bên ngồi hiệu suất bên doanh nghiệp Lợi ích việc trực quan hóa liệu phân tích liệu lớn cơng nhận rộng rãi quy mơ tồn cầu, đặc biệt kỷ nguyên kỹ thuật số Câu hỏi liên quan làm doanh nghiệp tận dụng tiềm trực quan hóa liệu cách đầy đủ để tạo điều kiện thúc đẩy hiệu định? Phương pháp nghiên cứu tổng quan tài liệu có cấu trúc Những phát nghiên cứu khẳng định vai trị trực quan hóa liệu việc thúc đẩy hiệu việc định; bên cạnh thách thức cần vượt qua bao gồm sở hạ tầng kỹ thuật cơng nghệ phân tích, khả phân tích, chất lượng liệu, đa dạng nguồn liệu Từ khóa: trực quan hóa liệu (data visualization), phân tích liệu lớn, lực phân tích liệu Giới thiệu Tính hiệu thực tiễn trực quan hóa liệu (TQHDL) kinh doanh giúp doanh nghiệp tăng doanh số bán hàng, cải thiện lợi nhuận nâng cao kết sản xuất Ngày nay, thời đại công nghệ 4.0 với phát triển nhanh chóng cơng nghệ, internet, mạng khơng dây, thiết bị cảm biến, thiết bị lưu trữ, thiết bị di động ngày giảm giá, góp phần cho liệu tăng lên theo cấp số nhân Với lượng liệu lớn (DLL) vậy, doanh nghiệp cần có phương pháp phù hợp để vẽ lên tranh kết nối thông tin dàn trải diễn giải chúng theo định hướng có lợi Thời đại liệu ‘tĩnh’ dần qua; trực quan hóa liệu thay đổi sâu rộng nhận thức suy nghĩ bên liên quan thông qua nhận diện trực quan bối cảnh tình hình kinh doanh với biểu đồ Trực quan hóa liệu kết nối tâm trí người cách tự nhiên hơn, có tính tương tác tốt hiệu với lượng liệu lớn Từ đó, trình nhận diện xu hướng mơ hình rút trích từ liệu nhanh xác Một lợi ích cốt lõi việc TQHDL trình bày liệu dạng truyền thơng thuyết phục Tuy nhiên, thân liệu ln hàm chứa lỗi bên trong, khả thơng tin kết phân tích rút mang tính sai lệch điều khơng tránh khỏi Ngồi ra, sai sót phân tích bắt nguồn từ nguồn 180 - liệu thứ cấp loại hình trực quan liệu khác Do đó, lựa chọn phương thức TQHDL, quy trình tiêu chuẩn tiêu chuẩn đơn lẻ phù hợp nên áp dụng nhằm đảm bảo tính hiệu kết phân tích liệu, giảm thiểu sai lệch phạm vị cho phép Lợi ích việc TQHDL đưa vào q trình định tổ chức khẳng định rộng rãi Tuy nhiên, làm để đạt kết TQHDL xác đáng tin cậy; làm để tận dụng kết TQHDL trình quản lý kinh doanh cách nhịp nhàng câu hỏi lớn Tùy thuộc vào bối cảnh mục đích sử dụng doanh nghiệp tình cụ thể, yêu cầu chất lượng trực quan hóa phân tích khác Câu hỏi nghiên cứu “Làm doanh nghiệp tận dụng tốt tiềm TQHDL theo hướng hỗ trợ tích cực cho định hiệu quả?” Câu hỏi chuyên sâu bao hàm hai ý nghiên cứu – (1) vai trò TQHDL hỗ trợ tích cực cho hoạt động định đắn; (2) thử thách mà doanh nghiệp cần phải vượt qua để tận dụng tốt tiềm TQHDL? Để trả lời câu hỏi, nhiều đọc nghiên cứu từ tạp chí, báo học thuật, báo cáo, tin tức, thu thập phân tích Cơ sở lý thuyết 2.1 Trực quan hóa liệu phân tích liệu lớn Việc tích hợp hình ảnh trực quan phân tích liệu chứng minh có hiệu so với phương pháp phân tích truyền thống Từ đó, TQHDL áp dụng lĩnh vực khác Ví dụ ngành du lịch dựa vào phân tích DLL để xác định điểm đến yêu thích khách du lịch; ngành giáo dục dùng phân tích DLL để đánh giá học sinh; phân tích DLL giúp dự đốn mức tiêu thụ lượng điện quy trình sản xuất nhà máy… (Bi Cochran, 2014) TQHDL bốn lĩnh vực kỹ thuật định việc tận dụng phân tích DLL (Assuncao cộng sự, 2014) TQHDL địi hỏi doanh nghiệp phải có đủ lực quản lý tích hợp hệ thống liệu phân tích quy mơ lớn, kỹ thuật cải tiến công cụ lập trình quán để khai thác hiệu hàm ý bên liệu phức tạp (Talia, 2013) Điểm mấu chốt khơng nằm cách trình bày liệu hấp dẫn, mà độ xác khả khai thác liệu hợp lệ cách Hơn nữa, bảo mật quyền riêng tư liệu yêu cầu quan trọng khơng liên quan đến lợi cạnh tranh doanh nghiệp mà ảnh hưởng đến thơng tin liên quan khác, ví dụ liệu định hướng hành vi người tiêu dùng Thực tiễn cho thấy dù TQHDL hay phân tích liệu áp dụng từ lâu TQHDL phân tích DLL giai đoạn đầu phát triển dù công - 181 cụ kỹ thuật có phát triển vượt bậc Ngày nay, với tốc độ phát triển cơng nghệ, thấy, sử dụng phương pháp cơng cụ phân tích hỗ trợ phần hạn chế lực phân tích DLL phức tạp q trình TQHDL Hơn nữa, Internet of Things (IoT) mở rộng mục đích sử dụng TQHDL phức tạp Tuy nhiên, lại yêu cầu có kết hợp phương pháp trực quan hóa, khả người phân tích tương tác họ q trình phân tích phép hình dung có ý nghĩa Hình ảnh TQHDL yếu tố tích hợp khn khổ kết nối mơ hình liệu nhằm nâng cao hiểu biết môi trường xung quanh xu hướng tiềm ẩn mối tương quan chúng TQHDL không tạo từ liệu tĩnh thu thập thông qua nguồn truyền thống lịch sử mua hàng, khiếu nại, kết duyệt web,… mà liệu dạng văn bản, từ trò chuyện/đối thoại tương tác qua mạng xã hội (Stieglitz cộng sự, 2018) Dữ liệu dạng văn miền đất hứa cho việc hiển thị liệu hiệu với chi phí phân tích thấp TQHDL chiến lược để rút ngắn thơng tin chi tiết từ liệu dạng văn (Conner cộng sự, 2019) Như vậy, có thay đổi cách thức phân tích liệu với kết hợp liệu dạng văn kỹ thuật số Erraissi Belangour (2018) đề xuất kiến trúc hệ thống liệu lớn với tầng liệu nhỏ ghép lại, chia làm dạng liệu khơng cấu trúc, liệu có cấu trúc liệu bán cấu trúc Ví dụ sơ đồ liệu tầng thể hình 2.1 Việc quản lý tốt nguồn liệu phân loại chúng trước nhập vào sở liệu tạo điều kiện thuận lợi cho việc phân tích liệu thông qua bước xác định – rút gọn – chuyển hóa – sàng lọc – tinh gọn – xác nhận – tích hợp Điều giảm tải cho lực phân tích, đồng thời tạo nguồn liệu đầu vơ chất lượng cho phân tích Hình 2.1 Ví dụ kiến trúc liệu lớn Nguồn: Erraissi Belangour (2018) 182 - 2.2 Những thử thách trực quan hóa liệu lớn Dù lợi ích TQHDL chối cãi, việc đầu tư nhiều vào phân tích nội chi phí thuê cao ngăn cản việc ứng dụng doanh nghiệp, đặc biệt doanh nghiệp vừa nhỏ (Golfarelli & Rizzi, 2019) Ngoài ra, yêu cầu kỹ thuật từ trình thu thập liệu đến trực quan hóa phức tạp địi hỏi tính qn tích hợp cao với mơ hình hoạt động kinh doanh cấu trúc liệu Điều cho thấy tầm quan trọng kiến thức hiểu biết sâu tình hình hoạt động nội bộ, khả kỹ thuật, trường liệu phân tích, đặc điểm liệu khối lượng, đa dạng vận tốc, khối lượng công việc người,… (Hegeman cộng sự, 2013) Một thách thức khác việc TQHDL phân tích DLL giải pháp liên quan đến xử lý liệu để có kết hữu ích lúc, kịp thời 2.3 Những vấn đề bỏ ngỏ Có nhiều đề xuất tiêu chuẩn để TQHDL, hầu hết chúng xây dựng khuôn khổ cứng khía cạnh kỹ thuật, khơng liên quan đến lỗ hổng tiềm ẩn khả tổ chức Nhiều thảo luận đề cập đến sức mạnh điện toán đám mây chế thích để diễn giải liệu; nhiên, thiếu nghiên cứu khả phân tích tái lập từ việc đọc biểu đồ nguyên nhân chủ quan Điều có nghĩa lỗ hổng lớn xác định tập trung vào ‹khía cạnh khó› việc TQHDL phân tích liệu lớn, yếu tố thách thức tính đáng tin cậy, tính xác liệu kết trực quan hóa từ sai lầm người không đưa vào Hơn nữa, nhà nghiên cứu đề cập đến đa nguồn thu thập phân tích liệu, khơng có q nhiều nghiên cứu khám phá chất đặc điểm nguồn liệu có tác động quan trọng đến độ tin cậy tính tổng quát kết phân tích liệu Sự gia tăng thơng tin tương tác lấy từ phương tiện truyền thông xã hội đánh giá/ nhận xét người dùng thách thức nhà phân tích liệu q trình xác minh tính xác liệu Thậm chí, khả người việc khai thác nắm bắt hiểu biết thực từ nguồn thông tin kiểm sốt Có nghĩa có trường hợp thảo luận/ nhận xét người dùng mạng xã hội suy nghĩ thực họ, vấn đề lớn cần xem xét Phương pháp nghiên cứu Tính phức tạp TQHDL đến từ nhiều phía, từ chất lượng liệu, độ lớn liệu, tính ứng dụng phù hợp ngữ cảnh, lực phân tích, góc nhìn tính vận dụng liệu khác theo doanh nghiệp, v.v Do đó, thách thức nghiên cứu việc khám phá hiểu biết tảng ứng dụng thực tiễn tích hợp TQHDL phân tích DLL - 183 phụ thuộc lớn vào tính bảo mật quy mô công ty Trong phạm vi rộng lớn quản lý quy trình kinh doanh, quản lý kiểm sốt chun sâu quy trình thay (Paschek cộng sự, 2016) Lộ trình cải tiến chất lượng phân tích liệu, thu thập liệu lưu trữ chúng thường phức tạp với đa biến tác động phụ thuộc Để đảm bảo tính bao quát kết nghiên cứu thời gian hạn định, viết sử dụng phương pháp ‘nghiên cứu tài liệu có tính cấu trúc’ (structured literature review) Với hạn chế việc thu thập liệu sơ cấp chủ đề này, phương pháp xem xét tài liệu có hệ thống có lợi việc xác định tính minh bạch tránh thiên vị cách phân tích số lượng đầy đủ báo có liên quan Để đảm bảo tính xác hợp lệ liệu thu được, cách tiếp cận bao gồm giai đoạn khác với nhiều bước Theo Bettany-Saltikov McSherry (2016), có bốn giai đoạn phương pháp đánh giá tài liệu có cấu trúc – (1) hình thành liệu học thuật; (2) tinh chỉnh liệu; (3) đánh giá tính đủ điều kiện liệu; (4) phân tích kết luận Đây trình thu thập, đánh giá phân loại nguồn liệu học thuật; sau đó, lọc chúng cho giỏ tài liệu thích hợp để trích xuất nội dung phù hợp để phân tích sâu Tác giả sử dụng Google Scholar tảng để thu thập liệu học thuật Bước 1, từ khóa ‘trực quan hóa liệu (data visualization), khung thời gian tìm từ năm 2018, để khoanh vùng lượng lớn báo tiềm Kết tìm kiếm cho 31.300 viết liên quan chủ đề, bối cảnh góc nhìn phân tích khác Kết thúc bước 1, độ lớn sở liệu ban đầu n = 31.300 viết Tiếp tục trình lọc liệu bước với 02 bước nhỏ Thứ nhất, lọc chọn báo có nguồn từ tạp chí (journals) hội nghị (proceedings), kết sàng lọc thu gọn sở liệu 12.000 viết Thứ hai, trình tinh chỉnh đánh giá chất lượng tính liên quan viết dựa vào (a) tính phù hợp chủ đề, (b) tính quan trọng kết nghiên cứu lợi ích vai trị trực quan hóa liệu kinh doanh thập kỉ qua Từ sở đó, trình lọc liệu tiếp tục với nhóm phân tích – (1) vai trị trực quan hóa liệu; (2) kỹ thuật hỗ trợ phân tích liệu; (3) lực phân tích người; (4) nguồn liệu; (5) độ tin cậy, xác tổng quát hóa liệu Nhóm trả lời cho câu hỏi vai trị trực quan hóa liệu, nhóm 2, 3, 4, tập trung vào thử thách mà doanh nghiệp phải vượt qua để tận dụng TQHDL theo hướng hỗ trợ tích cực cho trình định hiệu doanh nghiệp Kết lọc 4.356 viết tạp chí, 3.300 viết cho nhóm 1; 415 cho nhóm 2; 375 viết cho nhóm 3; 12 cho nhóm 4; 254 cho nhóm Bước q trình lọc lối phân tích kinh nghiệm dựa theo thơng tin tổng quát từ tiêu đề viết, phần tóm tắt từ khóa báo nhằm tối ưu hóa số lượng phù hợp cho phân tích Số lượng báo lớn tạo điều kiện thuận lợi để nghiên cứu kết hợp phân tích thứ cấp; nhiên, 184 - tính dàn trải nhóm phân tích, viết sử dụng lượng tượng trưng thông tin đa chiều nhằm nêu thử thách mà doanh nghiệp gặp tận dụng tiềm TQHDL Kết nghiên cứu 4.1 Vai trị trực quan hóa liệu kinh doanh Vai trò TQHDL kinh doanh chứng thực rộng rãi thông qua viết nghiên cứu Dữ liệu trực quan hóa nâng cao khả nhận thức người tiếp nhận, cho phép họ tập trung nhiều vào thơng điệp thơng tin thay phân tích số Những dạng liệu kích thích liên kết hình ảnh phân tích ngữ cảnh, từ đó, góp phần cụ thể hóa tranh tình cần phải định Aydiner cộng (2019) cho rằng, có mối liên hệ tích cực định dựa liệu trực quan thành tích doanh nghiệp Trong đó, Ghasemaghaei Calic (2019) nhấn mạnh khả sáng tạo định định hướng phát triển doanh nghiệp cung cấp nguồn liệu phân tích mang tính mơ tả dự đốn cao Có thể thấy, vai trị TQHDL mô tả rộng chúng ứng dụng vào đa dạng mơ hình kinh doanh liên kết chức hoạt động kinh doanh 4.2 Cơ sở kỹ thuật hỗ trợ phân tích liệu Cơ sở tảng để phân tích DLL theo hướng trực quan hóa phải có đầy đủ hệ thống khả xử lý lượng lớn liệu với qui tắc 4V – tốc độ phân tích (velocity), khối lượng phân tích (volume), tính đa dạng phân tích (various) giá trị phân tích (value) (Chawla cộng sự, 2018) Điều đòi hỏi sở kỹ thuật định sở khoa học phân tích cụ thể (Novikov, 2020) Chawla cộng (2018) đề xuất công cụ Ploty, Tableau, SAS Visual Analytics, Microsoft Power BI D3 Tableau xem công cụ hữu hiệu cho phân tích liệu tương đối phức tạp (Eaton Baader, 2018) Tùy theo khả doanh nghiệp cân nhắc cụ thể tính ứng dụng, chi phí lực vận hành để lựa chọn cơng cụ phù hợp 4.3 Năng lực phân tích liệu tổ chức/ người Kết nghiên cứu phù hợp với nhận định Hegeman cộng (2013) tầm quan trọng lực phân tích dựa kiến thức hiểu biết sâu tình hình hoạt động nội bộ, trường liệu phân tích xảy ra, đặc điểm liệu khối lượng, đa dạng vận tốc, khối lượng công việc người, Năng lực phân tích khơng dừng lại khả nhân viên thơng qua q trình đào tạo, mà thiết lập mơ hình phân tích liệu với ứng dụng CNTT phù hợp, mang tính chiến lược linh hoạt với khả phân tích dự đốn xu hướng liệu liên kết chặt chẽ với mô - 185 hình kinh doanh mục tiêu doanh nghiệp (Mishra cộng sự, 2019) Cùng quan điểm việc hình thành lực phân tích trên, Brinch cộng (2021) đề xuất việc tích hợp lực CNTT vào khả quản lý quy trình kinh doanh hướng đến việc hình thành 24 loại lực phân tích liệu gồm thực hành CNTT, quy trình, hiệu suất, người, chiến lược tổ chức 4.4 Nguồn liệu Như phân tích, đa dạng hóa kênh truyền thông tạo điều kiện cho doanh nghiệp thu thập lượng liệu lớn với nhiều hình thái phương tiện khác Chia sẻ chung quan điểm việc kiểm soát DLL đầu vào, Ghorbanian cộng (2019) sử dụng hệ thống gọi SMART Grids, tích hợp với đơn vị đo lường chất lượng để đảm bảo chất lượng nguồn liệu Như vậy, vấn đề chất lượng nguồn liệu xem giải lực sàng lọc thông qua hệ thống tiêu chuẩn hoàn thiện Trong thời đại 4.0, liệu xem có tính ‘thời gian thực’, phản ánh chân thật sở thích, hành vi (insights) khách hàng nguồn lấy từ kênh truyền thông xã hội (social media) Mặc dù nguồn liệu mở giúp đa dạng hóa thơng tin hai chiều cho doanh nghiệp, đòi hỏi kỹ quản lý chuyên dụng với phần mềm cụ thể Spark, SQL, Flink Table API, KSQL, SamzaQL, v.v để lọc chọn liệu phù hợp nhằm tránh xáo trộn khơng nên có tổng tập liệu thu thập (Esfahani cộng sự, 2019; Moessner cộng sự, 2018; Sahal cộng sự, 2020) 4.5 Độ tin cậy, xác tính tổng quát liệu Nếu xét yếu tố sử dụng kết phân tích liệu sở xác thực để định tính xác chất lượng liệu tối quan trọng Dữ liệu khơng xác, suy phân tích liệu khơng đạt yêu cầu dẫn đến định sai lầm (Choughri cộng sự, 2018) Đây thử thách to lớn mà doanh nghiệp gặp phải, dù họ sử dụng quy mô liệu Chất lượng liệu xác định thơng qua tính xác, tính qn, tính hồn chỉnh, tính vượt thời gian độc Trong phạm vi giới hạn cho phép tính khơng xác, doanh nghiệp xem xét đến khía cạnh xử lý ảnh hưởng tiêu cực lỗ hổng liệu (Choughri cộng sự, 2018) Phân tích tình dựa kinh nghiệm quản lý sẵn có phương thức hiệu Từ phân tích trên, thấy doanh nghiệp phải lập tham số đo lường chất lượng liệu theo đặc trưng hoạt động, yêu cầu riêng phương thức sử dụng chúng (Heinrich cộng sự, 2018) Đi sâu hơn, tùy theo yêu cầu tiêu chuẩn chất lượng, phận sử dụng, loại liệu, việc đánh giá chất lượng liệu linh hoạt thay đổi nhằm đảo bảo tương thích với thực tiễn Heinrich cộng (2018) đưa yêu cầu cần có đo lường chất lượng: (1) có tham số 186 - đo lường giá trị tối đa tối thiểu phổ chấp nhận, (2) tham số thang đo khoảng, (3) tham số cấu hình giá trị; (4) tham số tích hợp quán chuỗi liệu; (5) tham số thể tính hiệu kinh tế Kết luận Dữ liệu đóng vai trị then chốt việc hỗ trợ định hướng kinh doanh cho doanh nghiệp Đó hình ảnh chụp lại môi trường kinh tế vĩ mô vi mô; ẩn dụ xu hướng phát triển Khi lực CNTT nâng cao, liệu tăng lên theo cấp số nhân, rải khắp kênh truyền thông Với lượng liệu lớn, việc phân tích chúng trở nên phức tạp TQHDL hình ảnh/ biểu đồ lựa chọn tối ưu để kết nối hiểu người với liệu Kết phân tích xác nhận vai trị đóng góp đáng kể TQHDL việc đưa định chuẩn xác Tuy nhiên, doanh nghiệp cần nâng cao lực phân tích trang bị tảng CNTT phần mềm hiệu để hỗ trợ trình chắt lọc liệu từ nhiều nguồn Từ đó, chất lượng liệu đảm bảo, lực phân tích nâng cao, chắc kết phân tích đáp ứng nhu cầu ứng dụng thực tiễn doanh nghiệp Sau số đề xuất ứng dụng TQHDL phân tích liệu lớn phạm vi doanh nghiệp vừa nhỏ: Một là, cách nhìn nhận TQHDL Việc ứng dụng liệu lớn trực quan hóa liệu hiệu doanh nghiệp sẵn sàng đầu tư thay đổi cách vận dụng liệu Có nhiều doanh nghiệp sở hữu lượng liệu đáng giá, lại bị nghẽn khâu phân tích, từ đó, triệt tiêu lực hỗ trợ liệu Hai là, đào tạo chuyên sâu cho nhân viên phân tích Quan trọng kỹ phân tích (phần cứng), việc đào tạo chuyên sâu cần bổ sung kiến thức vận hành kinh doanh, tình hình nội bộ, kiến thức liên phịng ban, góc nhìn/ nếp suy nghĩ rộng mở hướng tới phát triển Ba là, tạo chế ứng dụng kết hợp lực CNTT vào lĩnh vực khác doanh nghiệp Việc tích hợp khơng giúp tần suất sử dụng liệu phân tích nhiều đa dạng hơn, mà cịn nâng cao chất lượng lọc phân tích liệu phức tạp Bốn là, ứng dụng tùy theo thực tiễn Tùy khả mục tiêu doanh nghiệp, việc áp dụng trực quan hóa liệu tùy biến quy mơ mức độ Ví dụ, với cơng ty nhỏ phịng ban sử dụng lượng liệu tương đối, tận dụng Microsoft Excel Power BI để phân tích, khơng thiết phải đầu tư công nghệ tiên tiến Năm là, nguồn thu thập liệu đa dạng, đó, bước liền kề sau thu thập phải làm liệu - 187 Tài liệu tham khảo Assuncao, M D., Calheiros, R N., Bianchi, S., Netto, M A S., & Buyya, R (2014) Big data computing and clouds: trends and future directions Journal of Parallel and Distributed Computing, 79, 3-15 Aydiner, A S., Tatoglu, E., Bayraktar, E., Zaim, S., & Delen, D (2019) Business analytics and firm performance: The mediating role of business process performance. Journal of business research, 96, 228-237 Bettany-Saltikov, J., & McSherry, R (2016) How to a systematic literature review in nursing: A step-by-step guide (2nd Edn.) London: Open University Press Bi, Z., & Cochran, D (2014) Big data analytics with applications Journal of Management Analytics, 1(4), 249-265 Brinch, M., Gunasekaran, A., & Wamba, S F (2021) Firm-level capabilities towards big data value creation. Journal of Business Research, 131, 539-548 Chawla, G., Bamal, S., & Khatana, R (2018) Big Data Analytics for Data Visualization: Review of Techniques’. International Journal of Computer Applications, 182(21), 37-40 Choughri, R., Kamaleddine, K., Soubjaki, M., & Baytieh, M (2018) The Challenge of Data Accuracy in Business Analytics that Affect Managers Decision Making–Case Study of Saudi Arabia & Lebanon. IOSR Journal of Business and Management, 20(1), 13-18 Conner, C., Samuel, J., Kretinin, A., Samuel, Y., & Nadeau, L (2019) A picture of the words! Textual visualization in big data analytics Annual Conference Proceedings, the 46th NBEA https://arxiv.org/ftp/arxiv/papers/2005/2005.07849.pdf Eaton, T V., & Baader, M (2018) Data Visualization Software: An Introduction to Tableau for CPAs. The CPA Journal, 88(6), 50-53 Erraissi, A., & Belangour, A (2018) Data sources and ingestion big data layers: meta-modeling of key concepts and features. International Journal of Engineering & Technology, 7(4), 36073612 Esfahani, H., Tavasoli, K., & Jabbarzadeh, A (2019) Big data and social media: A scientometrics analysis. International Journal of Data and Network Science, 3(3), 145-164 Ghasemaghaei, M., & Calic, G (2019) Does big data enhance firm innovation competency? The mediating role of data-driven insights. Journal of Business Research, 104, 69-84 Ghorbanian, M., Dolatabadi, S H., & Siano, P (2019) Big data issues in smart grids: A survey. IEEE Systems Journal, 13(4), 4158-4168 Hegeman, T., Ghit, B, Capota, M, Hidders, J., Epema, D., & Iosup, A (2013) The BTWorld use case for big data analytics: description, MapReduce logical workflow, and empirical evaluation Delt University of Technology, Parallel and Distributed Systems Report Series Retrieved Jun 15, 2021, from Heinrich, B., Hristova, D., Klier, M., Schiller, A., & Szubartowicz, M (2018) Requirements for data quality metrics. Journal of Data and Information Quality (JDIQ), 9(2), 1-32 Hoelscher, J., & Mortimer, A (2018) Using Tableau to visualize data and drive decisionmaking. Journal of Accounting Education, 44, 49-59 188 - Golfarelli, M., & Rizzi, S (2019) A model-driven approach to automate data visualization in big data analytics Information Visualization, 19(1), 24-47 Mariani, M M., & Wamba, S F (2020) Exploring how consumer goods companies innovate in the digital age: The role of big data analytics companies. Journal of Business Research, 121, 338-352 Mishra, D., Luo, Z., Hazen, B., Hassini, E., & Foropon, C (2019) Organizational capabilities that enable big data and predictive analytics diffusion and organizational performance: A resource-based perspective Management Decision, 57(8), 1734-1755 Moessner, M., Feldhege, J., Wolf, M., & Bauer, S (2018) Analyzing big data in social media: Text and network analyses of an eating disorder forum. International Journal of Eating Disorders, 51(7), 656-667 Moon, M D (2019) Triangulation: A method to increase validity, reliability, and legitimation in clinical research. Journal of Emergency Nursing, 45(1), 103-105 Novikov, S V (2020) Data science and big data technologies role in the digital economy. TEM Journal, 9(2), 756-762 Olshannaikova, E., Ometov, A., Koucheryavy, Y., & Olsson, T (2015) Visualizing big data with augmented and virtual reality: Challenges and research agenda Journal of Big Data, 2(1), 1-27 Paschek, D., Rennung, F., Trusculescu, A., & Draghici, A (2016) Corporate development with agile business process modeling as a key success factor Procedia Computer Science, 100, 1168-1175 Perdana, A., Robb, A., & Rohde, F (2018) Does visualization matter? The role of interactive data visualization to make sense of information. Australasian Journal of Information Systems, 22, 1-35 Qin, X., Luo, Y., Tang, N., & Li, G (2020) Making data visualization more efficient and effective: A survey. The VLDB Journal, 29(1), 93-117 Sahal, R., Breslin, J G., & Ali, M I (2020) Big data and stream processing platforms for Industry 4.0 requirements mapping for a predictive maintenance use case. Journal of manufacturing systems, 54, 138-151 Stieglitz, S., Mirbabaie, M., Ross, B., & Neuberger, C (2018) Social media analytics – challenges in topic discovery, data collection and data preparation International Journal of Information Management, 39, 156-168 Talia, D (2013) Clouds for scalable big data analytics Computer, 46(5), 98-101 - 189 ... (1) vai trị trực quan hóa liệu; (2) kỹ thuật hỗ trợ phân tích liệu; (3) lực phân tích người; (4) nguồn liệu; (5) độ tin cậy, xác tổng quát hóa liệu Nhóm trả lời cho câu hỏi vai trò trực quan hóa. .. nêu thử thách mà doanh nghiệp gặp tận dụng tiềm TQHDL Kết nghiên cứu 4.1 Vai trị trực quan hóa liệu kinh doanh Vai trò TQHDL kinh doanh chứng thực rộng rãi thông qua viết nghiên cứu Dữ liệu trực. .. trình tinh chỉnh đánh giá chất lượng tính liên quan viết dựa vào (a) tính phù hợp chủ đề, (b) tính quan trọng kết nghiên cứu lợi ích vai trị trực quan hóa liệu kinh doanh thập kỉ qua Từ sở đó, q