Dữ liệu không rời khỏi doanh nghiệp, giá trị vẫn có thể được nhân lên

Bài 1: Đầu tư cho Du lịch thông minh - Bứt phá từ hệ sinh thái dữ liệu dùng chung và mô hình AI

Bài toán kinh tế về niềm tin và...

Trong kinh doanh du lịch, dữ liệu vừa là tài sản tạo lợi thế cạnh tranh, vừa là nguồn lực mà doanh nghiệp khó khai thác hết nếu chỉ sử dụng trong phạm vi nội bộ. Khách sạn nắm dữ liệu đặt phòng, công suất buồng và chiến lược giá. Hãng lữ hành hiểu hành vi lựa chọn tour, thời điểm đặt dịch vụ và mức chi tiêu hay đơn vị vận tải có thông tin về nhu cầu di chuyển, còn điểm tham quan theo dõi biến động lượng khách theo thời gian.

Đây không đơn thuần là vấn đề công nghệ, mà là bài toán kinh tế về niềm tin, chi phí và quyền kiểm soát tài sản. Giữ dữ liệu hoàn toàn riêng biệt giúp doanh nghiệp kiểm soát thông tin, nhưng có thể hạn chế năng lực phân tích. Chia sẻ thiếu kiểm soát có thể mở rộng khả năng dự báo, song làm tăng rủi ro pháp lý, vận hành và cạnh tranh. Bài toán không phải buộc doanh nghiệp mở dữ liệu, mà là tìm cách hợp tác để tạo ra tri thức hữu ích mà không phải trao toàn bộ dữ liệu gốc cho nhau.

Học máy phân tán mở ra hướng hợp tác dữ liệu cho ngành du lịch, nhưng giá trị kinh tế chỉ hình thành khi công nghệ đi cùng cơ chế quản trị, bảo vệ dữ liệu và phân chia lợi ích minh bạch. Tôi tạm gọi đây là sáng kiến thứ hai. (TS Dương Thanh Tùng).

Học máy phân tán (Federated Learning) là một hướng tiếp cận đáng chú ý. Thay vì chuyển toàn bộ dữ liệu thô về một kho chung để huấn luyện, các bên có thể huấn luyện mô hình tại hệ thống của mình, sau đó gửi những cập nhật mô hình theo quy trình được thiết kế để tổng hợp thành mô hình chung. Mô hình được cải thiện qua nhiều vòng phối hợp, trong khi dữ liệu gốc có thể tiếp tục được lưu tại từng đơn vị.

Chẳng hạn, một nhóm khách sạn muốn dự báo nhu cầu lưu trú. Mỗi khách sạn có dữ liệu riêng về đặt phòng, hủy phòng và thời điểm lưu trú. Nếu từng đơn vị tự xây dựng mô hình, kết quả có thể bị giới hạn bởi phạm vi dữ liệu của mình. Nếu tất cả chuyển dữ liệu chi tiết sang một bên trung tâm, lo ngại về quyền kiểm soát và bí mật kinh doanh lại xuất hiện.

Với Học máy phân tán, các khách sạn có thể phối hợp huấn luyện mô hình dự báo mà không nhất thiết chuyển toàn bộ dữ liệu gốc ra khỏi hệ thống nội bộ. Tuy nhiên, đây là khả năng kỹ thuật, không phải cam kết rằng mọi mô hình đều cho kết quả tốt hơn. Hiệu quả còn phụ thuộc vào chất lượng dữ liệu, thuật toán, sự khác biệt giữa các doanh nghiệp, hạ tầng công nghệ và mục tiêu dự báo.

Giá trị tài chính nằm ở đâu?

Điều doanh nghiệp cần quan tâm không phải tên gọi công nghệ, mà là giá trị kinh tế có thể tạo ra.

Thứ nhất, hợp tác mô hình có thể giảm chi phí xây dựng năng lực phân tích riêng lẻ. Không phải doanh nghiệp nào cũng đủ dữ liệu, nhân lực chuyên môn và ngân sách để phát triển mô hình dự báo phức tạp. Cơ chế hợp tác có thể mở rộng khả năng tiếp cận AI, nhất là với doanh nghiệp vừa và nhỏ, nếu chi phí tham gia được thiết kế hợp lý.

Điều doanh nghiệp cần quan tâm không phải tên gọi công nghệ, mà là giá trị kinh tế có thể tạo ra.

Thứ hai, dự báo tốt hơn có thể hỗ trợ các quyết định tác động trực tiếp đến dòng tiền: lập kế hoạch nhân sự, chuẩn bị nguồn cung, quản trị công suất và hạn chế lãng phí. Chẳng hạn, dự báo nhu cầu đáng tin cậy hơn có thể giúp khách sạn bố trí nhân lực phù hợp hoặc giúp doanh nghiệp lữ hành phối hợp dịch vụ theo lượng khách dự kiến. Dù vậy, thuật toán không tự động tạo ra doanh thu. Giá trị chỉ xuất hiện khi kết quả phân tích được chuyển thành quyết định phù hợp và có thể đo lường.

Thứ ba, hợp tác dữ liệu có thể tạo nền tảng cho thị trường dịch vụ AI chuyên biệt. Doanh nghiệp công nghệ trong nước có thể phát triển giải pháp dự báo nhu cầu, phân tích xu hướng hoặc hỗ trợ vận hành cho khách sạn, lữ hành, vận tải và điểm tham quan. Một số năng lực công nghệ có thể được cung cấp theo mô hình dịch vụ, thay vì mỗi doanh nghiệp phải tự xây dựng từ đầu, với điều kiện quyền sử dụng dữ liệu và mô hình được quy định rõ ràng.

Tuy nhiên, không nên đồng nhất lợi ích tiềm năng với hiệu quả tài chính đã được chứng minh. Mỗi dự án cần được đánh giá bằng các chỉ số cụ thể như chi phí triển khai và vận hành, mức cải thiện sai số dự báo, thời gian tiết kiệm, mức giảm lãng phí và tác động đến doanh thu hoặc biên lợi nhuận. Nếu không xác định đường cơ sở và cách đo lường từ đầu, doanh nghiệp có thể đầu tư vào một giải pháp hấp dẫn nhưng không chứng minh được giá trị kinh doanh.

Tuân thủ pháp luật phải bắt đầu từ mục đích xử lý dữ liệu

Một ngộ nhận cần tránh là xem Học máy phân tán như chiếc “khiên” bảo mật tuyệt đối. Các bản cập nhật hoặc tham số mô hình vẫn có thể tạo ra nguy cơ suy luận, rò rỉ thông tin hoặc bị khai thác nếu hệ thống được thiết kế không phù hợp.

Vì vậy, giải pháp không thể dừng ở việc giữ dữ liệu gốc tại chỗ. Doanh nghiệp cần đánh giá rủi ro, kiểm soát quyền truy cập, bảo vệ đường truyền, kiểm thử an ninh và xây dựng quy trình ứng phó sự cố. Tùy trường hợp, có thể xem xét những kỹ thuật bổ sung như tổng hợp an toàn hoặc cơ chế giới hạn khả năng suy luận từ kết quả mô hình. Việc lựa chọn cần dựa trên mức độ rủi ro, yêu cầu hiệu năng và nguồn lực thực tế.

Doanh nghiệp công nghệ trong nước có thể phát triển giải pháp dự báo nhu cầu, phân tích xu hướng hoặc hỗ trợ vận hành cho khách sạn, lữ hành, vận tải và điểm tham quan.

Quản trị quan hệ giữa các bên cũng quan trọng không kém. Doanh nghiệp cần thống nhất dữ liệu nào được sử dụng, mục đích nào được phép, ai quản lý hệ thống, ai có quyền sử dụng mô hình sau huấn luyện và cách xử lý khi một bên rút khỏi chương trình. Thỏa thuận cần làm rõ trách nhiệm khi xảy ra sự cố, quyền kiểm toán, cơ chế chia sẻ chi phí và lợi ích….

Nếu thiếu những nguyên tắc này, hợp tác dữ liệu có thể tạo ra bất cân xứng: một số thành viên đóng góp dữ liệu có giá trị cao, trong khi bên khác hưởng phần lớn lợi ích từ mô hình chung. Khi đó, vấn đề không nằm ở thuật toán mà ở sự công bằng của mô hình kinh doanh.

Dữ liệu du lịch có thể chứa thông tin cá nhân, tùy nội dung và khả năng liên kết. Dữ liệu đặt phòng, lịch sử giao dịch, thông tin liên hệ hoặc hành vi của khách cần được xem xét cẩn trọng. Việc không chuyển dữ liệu thô sang hệ thống tập trung không tự động loại bỏ nghĩa vụ pháp lý phát sinh trong quá trình xử lý dữ liệu.

Doanh nghiệp cần đối chiếu Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15, Luật Trí tuệ nhân tạo số 134/2025/QH15 cũng có hiệu lực từ ngày 1/3/2026 và Nghị định 356/2025/NĐ-CP cùng các quy định liên quan đang có hiệu lực. Khi viện dẫn Nghị định 13/2023/NĐ-CP, cần kiểm tra tình trạng hiệu lực và quy định chuyển tiếp, không mặc nhiên coi đây là căn cứ hiện hành độc lập.

Mỗi mô hình hợp tác cần xác định mục đích và căn cứ xử lý dữ liệu, vai trò và trách nhiệm của từng bên, quyền của chủ thể dữ liệu, phạm vi sử dụng kết quả và biện pháp bảo vệ. Công nghệ có thể giảm một số rủi ro, nhưng không thay thế việc xác định căn cứ pháp lý và thực hiện trách nhiệm của tổ chức.

Bắt đầu từ một bài toán nhỏ, đo lường được

Để tránh biến Học máy phân tán thành khẩu hiệu công nghệ, doanh nghiệp nên bắt đầu bằng một bài toán cụ thể có giá trị kinh tế và rủi ro có thể kiểm soát, chẳng hạn dự báo nhu cầu lưu trú hoặc ước lượng lượng khách theo thời điểm.

Giai đoạn thử nghiệm cần xác định đường cơ sở, tiêu chí đánh giá mô hình, chi phí đầu tư và vận hành, quy tắc tham gia, cách phân chia lợi ích và phương án xử lý sự cố. Chỉ nên mở rộng khi kết quả chứng minh hiệu quả đủ rõ và các bên chấp nhận được mức rủi ro còn lại. Không phải mọi bài toán đều cần Học máy phân tán, trong một số trường hợp, dữ liệu tổng hợp hoặc giải pháp phân tích đơn giản hơn có thể đáp ứng yêu cầu với chi phí thấp hơn.

Để tránh biến Học máy phân tán thành khẩu hiệu công nghệ, doanh nghiệp nên bắt đầu bằng một bài toán cụ thể có giá trị kinh tế và rủi ro có thể kiểm soát, chẳng hạn dự báo nhu cầu lưu trú hoặc ước lượng lượng khách theo thời điểm.

Về dài hạn, lợi thế cạnh tranh không chỉ đến từ việc sở hữu nhiều dữ liệu, mà còn từ năng lực sử dụng dữ liệu đúng mục đích, chuyển hóa kết quả phân tích thành quyết định và hợp tác trên những nguyên tắc đáng tin cậy.