Google đang thay đổi cách doanh nghiệp làm việc với dữ liệu. Thay vì mở hàng loạt dashboard, điều chỉnh bộ lọc hoặc chờ Data Analyst viết thêm truy vấn, người dùng có thể đặt câu hỏi trực tiếp bằng ngôn ngữ tự nhiên ngay trong BigQuery.

Hệ thống không chỉ trả về một con số. AI có thể tự xây dựng kế hoạch phân tích, tạo và thực thi SQL, tìm nguyên nhân khiến chỉ số biến động, dự báo xu hướng, phát hiện bất thường và trình bày kết quả dưới dạng báo cáo trực quan.

Sự xuất hiện của một “AI Analyst” ngay bên trong nền tảng dữ liệu đặt ra câu hỏi lớn: Dashboard truyền thống có đang đi đến hồi kết?

Google đưa Conversational Analytics vào BigQuery

Ngày 30/6/2026, Google Cloud công bố Conversational Analytics trong BigQuery đã chính thức được cung cấp rộng rãi.

Tính năng này sử dụng các mô hình Gemini kết hợp với dữ liệu, metadata và logic kinh doanh được quản trị trong BigQuery. Người dùng có thể đặt câu hỏi bằng ngôn ngữ tự nhiên để truy vấn dữ liệu, thực hiện phân tích nhiều bước và tạo báo cáo trực quan ngay tại nơi dữ liệu đang được lưu trữ.

Đọc công bố chính thức từ Google Cloud

Theo Google, đây không chỉ là một chatbot được kết nối với cơ sở dữ liệu. Hệ thống được thiết kế như một Data Agent có khả năng hiểu bối cảnh doanh nghiệp, lựa chọn dữ liệu phù hợp và giải thích cách tạo ra kết quả.

Ví dụ, lãnh đạo doanh nghiệp có thể hỏi:

Tại sao doanh thu khu vực phía Nam giảm trong tháng này?

Thay vì chỉ truy xuất một bảng số liệu, AI có thể kiểm tra doanh thu theo cửa hàng, nhóm sản phẩm, tồn kho, chương trình khuyến mãi và hành vi khách hàng. Sau đó, hệ thống xác định những yếu tố đóng góp lớn nhất vào mức giảm và tạo bản tóm tắt phục vụ quyết định.

Từ truy vấn dữ liệu đến tự thực hiện cuộc điều tra

Các công cụ hỏi đáp dữ liệu bằng ngôn ngữ tự nhiên không hoàn toàn mới. Điểm đáng chú ý nằm ở phạm vi công việc mà Google đang trao cho AI.

Conversational Analytics trong BigQuery có thể:

• Tạo và thực thi truy vấn SQL.
• Phân tích nguyên nhân khiến một chỉ số thay đổi.
• Dự báo xu hướng bằng AI.FORECAST.
• Phát hiện dữ liệu bất thường bằng AI.DETECT_ANOMALIES.
• Xác định những yếu tố tác động chính bằng AI.KEY_DRIVERS.
• Phân tích đồng thời dữ liệu có cấu trúc và tài liệu, hình ảnh, log hoặc video.
• Tự xây dựng kế hoạch phân tích nhiều bước.
• Tạo báo cáo và gửi kết quả theo lịch.

Đáng chú ý nhất là chế độ phân tích chuyên sâu. Khi nhận được câu hỏi như “Vì sao lợi nhuận giảm?”, AI có thể chia câu hỏi thành nhiều vấn đề nhỏ, kiểm tra lần lượt các giả thuyết và tổng hợp thành một báo cáo hoàn chỉnh.

Google cũng giới thiệu khả năng thiết lập các Agentic Workflows. Doanh nghiệp có thể yêu cầu AI theo dõi chỉ số hằng ngày, tự phát hiện bất thường và gửi báo cáo vào công cụ làm việc của đội ngũ mà không cần chờ người dùng đặt câu hỏi.

Analytics vì thế bắt đầu chuyển từ mô hình phản ứng sang mô hình chủ động. Hệ thống không chỉ trả lời khi được hỏi mà còn có thể liên tục quan sát dữ liệu và cảnh báo khi phát hiện vấn đề.

Dashboard truyền thống đang bộc lộ giới hạn

Dashboard đã trở thành thành phần quen thuộc trong hệ thống quản trị doanh nghiệp. Tuy nhiên, phần lớn dashboard hiện nay vẫn vận hành theo một mô hình khá tĩnh.

Data Analyst xác định trước các chỉ số, thiết kế biểu đồ và bố trí bộ lọc. Người dùng mở dashboard để xem những gì đã được chuẩn bị. Khi xuất hiện một câu hỏi nằm ngoài phạm vi có sẵn, họ phải gửi yêu cầu mới cho đội dữ liệu.

Chẳng hạn, dashboard có thể cho biết doanh thu giảm 12%, nhưng chưa chắc trả lời ngay được:

• Mức giảm đến từ khu vực nào?
• Sản phẩm nào ảnh hưởng nhiều nhất?
• Do thiếu hàng, giảm nhu cầu hay chiến dịch quảng cáo hoạt động kém?
• Đây là biến động tạm thời hay dấu hiệu của một xu hướng dài hơn?
• Doanh nghiệp nên ưu tiên xử lý vấn đề nào trước?

Để trả lời, Data Analyst thường phải mở rộng truy vấn, kết hợp thêm bảng dữ liệu và tạo một báo cáo mới. Quá trình này có thể kéo dài từ vài giờ đến nhiều ngày.

Conversational Analytics rút ngắn khoảng cách giữa câu hỏi kinh doanh và dữ liệu. Người dùng không còn bị giới hạn hoàn toàn bởi những biểu đồ được thiết kế từ trước.

Một khách hàng được Google dẫn lại cho biết những phân tích từng mất nhiều tuần có thể được hoàn thành trong vài phút, đồng thời giúp đội ngũ phân tích tài chính tiết kiệm khoảng nửa ngày làm việc mỗi tuần.

Dashboard sẽ không biến mất, nhưng vai trò sẽ thay đổi

Nói dashboard sắp biến mất hoàn toàn là một kết luận quá sớm.

Dashboard vẫn phù hợp với những nhu cầu cần theo dõi thường xuyên, chẳng hạn doanh thu, lợi nhuận, tồn kho, dòng tiền hoặc hiệu suất bán hàng. Một giao diện trực quan được thiết kế tốt giúp lãnh đạo nắm bắt tình hình nhanh hơn mà không cần đặt lại cùng một câu hỏi mỗi ngày.

Điều đang mất dần giá trị là những dashboard tĩnh, chứa quá nhiều biểu đồ nhưng không hỗ trợ người dùng đi từ quan sát đến nguyên nhân và hành động.

Trong mô hình mới, dashboard có thể trở thành điểm khởi đầu của cuộc phân tích. Khi nhìn thấy một chỉ số bất thường, người dùng hỏi AI ngay trên dashboard để điều tra sâu hơn.

Google đã đưa cách tiếp cận này vào Looker. Người dùng có thể trò chuyện với dữ liệu ngay trong giao diện dashboard, trong khi AI sử dụng các bộ lọc, biểu đồ và lớp ngữ nghĩa hiện có để hiểu đúng bối cảnh của câu hỏi.

Đọc thêm về Dashboard Agents trong Looker

Thay vì thay thế dashboard, AI đang biến dashboard từ một màn hình báo cáo thành một giao diện tương tác với dữ liệu.

Vì sao AI không thể chỉ kết nối thẳng vào dữ liệu?

Một mô hình AI có thể viết đúng cú pháp SQL nhưng vẫn đưa ra kết luận sai về kinh doanh.

Nguyên nhân là dữ liệu doanh nghiệp chứa nhiều quy tắc mà tên bảng hoặc tên cột không thể hiện đầy đủ. Hai phòng ban có thể định nghĩa “khách hàng mới” khác nhau. Doanh thu có thể được ghi nhận theo thời điểm đặt hàng, xuất hóa đơn hoặc nhận thanh toán. Một đơn hàng bị hủy có thể vẫn tồn tại trong dữ liệu nguồn.

Nếu AI không hiểu các quy tắc này, hệ thống có thể thực thi một truy vấn hoàn toàn hợp lệ nhưng trả về con số sai.

Vì vậy, Google đặt lớp ngữ nghĩa, metadata, bảng thuật ngữ, truy vấn đã được kiểm chứng và hướng dẫn nghiệp vụ vào trung tâm của Conversational Analytics. AI cũng có thể hiển thị SQL, nguồn dữ liệu và logic được sử dụng để người dùng kiểm tra kết quả.

Hệ thống đồng thời kế thừa cơ chế phân quyền và quản trị của BigQuery. Người dùng chỉ được truy vấn những dữ liệu họ có quyền truy cập, còn các truy vấn được ghi lại để phục vụ kiểm toán.

Đây là khác biệt quan trọng giữa một chatbot phân tích dữ liệu thử nghiệm và một hệ thống có thể đưa vào vận hành trong doanh nghiệp.

Data Analyst có bị AI thay thế?

Những phần việc lặp lại của Data Analyst sẽ chịu tác động rõ rệt. Viết truy vấn đơn giản, tạo biểu đồ cơ bản, tổng hợp báo cáo định kỳ và trả lời các yêu cầu dữ liệu phổ biến đang được tự động hóa nhanh chóng.

Tuy nhiên, AI Analyst không làm giảm nhu cầu đối với dữ liệu đáng tin cậy và logic kinh doanh chính xác. Ngược lại, khi nhiều người trong doanh nghiệp có thể tự đặt câu hỏi, một sai lệch trong định nghĩa chỉ số có thể tạo ra tác động lớn hơn trước.

Vai trò của Data Analyst vì thế sẽ dịch chuyển từ người tạo báo cáo sang người thiết kế hệ thống phân tích.

Data Analyst trong giai đoạn mới cần:

• Hiểu bài toán và mô hình hoạt động của doanh nghiệp.
• Xây dựng định nghĩa thống nhất cho các chỉ số.
• Chuẩn hóa dữ liệu và kiểm soát chất lượng.
• Cung cấp bối cảnh để AI hiểu đúng câu hỏi.
• Thiết kế và đánh giá Data Agent.
• Kiểm chứng kết quả trước khi đưa vào quyết định.
• Chuyển insight thành đề xuất hành động.

SQL và công cụ trực quan hóa vẫn quan trọng, nhưng không còn đủ để tạo lợi thế nghề nghiệp. Giá trị cao hơn nằm ở khả năng kết nối Business, Data và AI.

Doanh nghiệp nên chuẩn bị gì?

Việc triển khai AI Analytics không nên bắt đầu bằng cách đưa một mô hình ngôn ngữ vào kết nối trực tiếp với toàn bộ dữ liệu.

Doanh nghiệp cần chuẩn bị nền tảng trước:

Thống nhất hệ thống chỉ số

Doanh thu, lợi nhuận, khách hàng mới, tỷ lệ chuyển đổi và tồn kho phải có định nghĩa rõ ràng giữa các phòng ban.

Nâng cao chất lượng dữ liệu

AI không thể tạo ra kết luận đáng tin cậy nếu dữ liệu thiếu, trùng lặp hoặc không được cập nhật đúng thời điểm.

Xây dựng lớp ngữ nghĩa

Tên bảng và tên cột chưa đủ để mô tả hoạt động kinh doanh. Hệ thống cần bổ sung quan hệ dữ liệu, thuật ngữ, công thức và quy tắc nghiệp vụ.

Thiết lập phân quyền và kiểm toán

Khả năng hỏi dữ liệu bằng ngôn ngữ tự nhiên không có nghĩa mọi người đều được quyền xem mọi dữ liệu.

Duy trì con người trong quy trình kiểm soát

Những phân tích liên quan đến tài chính, giá bán, nhân sự hoặc quyết định vận hành quan trọng vẫn cần được kiểm chứng trước khi thực thi.

Kỷ nguyên mới của Business Intelligence

Dashboard truyền thống chưa đi đến hồi kết. Nhưng thời kỳ doanh nghiệp xây hàng trăm dashboard rồi kỳ vọng người dùng tự tìm ra câu trả lời đang dần khép lại.

Lớp giao diện mới của dữ liệu sẽ ngày càng giống một cuộc hội thoại. Người dùng có thể hỏi điều gì đang xảy ra, tại sao nó xảy ra, điều gì có thể xảy ra tiếp theo và doanh nghiệp nên ưu tiên hành động nào.

Sự thay đổi này cũng định hình lại nghề Data Analyst. Người chỉ biết lấy dữ liệu và tạo biểu đồ sẽ chịu áp lực lớn. Người hiểu business, xây dựng logic phân tích và biết kiểm soát AI sẽ trở nên quan trọng hơn.

Trong tương lai gần, lợi thế không nằm ở việc doanh nghiệp có bao nhiêu dashboard. Lợi thế nằm ở khả năng biến dữ liệu thành quyết định nhanh, chính xác và có thể kiểm chứng.

Nguồn tham khảo

• Conversational Analytics in BigQuery brings trusted agentic reasoning to everyone – Google Cloud
• Dashboard agents in Looker – Google Cloud
• Conversational Analytics in Google Data Cloud – Google Cloud

TechData.AI - Leading The Future

Hoàng Minh.