LLM Phân Tích Dữ Liệu: Những Chuyện 'Động Trời' Mà Không Ai Nói Cho Bạn Biết!

Lê Lân

14/08/2025

Những Thách Thức Khi Ứng Dụng AI Agents Trong Phân Tích Dữ Liệu Kinh Doanh

Mở Đầu

AI agents được kỳ vọng sẽ trở thành trợ thủ đắc lực trong việc phân tích dữ liệu kinh doanh, trả lời nhanh chóng các câu hỏi như "Tại sao doanh thu tuần trước giảm?". Tuy nhiên, thực tế cho thấy những mô hình ngôn ngữ lớn (LLMs) còn gặp nhiều giới hạn nghiêm trọng khi xử lý dữ liệu phân tích.

Trong bối cảnh doanh nghiệp ngày càng dựa vào dữ liệu để đưa ra quyết định, việc tận dụng AI để hiểu và phân tích dữ liệu là một bước tiến quan trọng. Tuy nhiên, những rào cản kỹ thuật và thực tiễn vẫn tồn tại, khiến việc xây dựng trải nghiệm phân tích dựa trên AI không hề dễ dàng. Bài viết sẽ phân tích những thách thức gặp phải khi sử dụng LLMs trong phân tích dữ liệu, đồng thời chia sẻ kinh nghiệm từ dự án Tinybird MCP Server nhằm tạo ra giải pháp hiệu quả hơn.

Những Thách Thức Khi AI Agents Làm Việc Với Dữ Liệu Phân Tích

LLMs Gặp Khó Với Dữ Liệu Bảng (Tabular Data)

LLMs được huấn luyện dựa trên hàng tỷ từ trong ngôn ngữ tự nhiên, nhằm dự đoán từ tiếp theo trong câu. Tuy nhiên, dữ liệu phân tích là dữ liệu bảng phức tạp, không tuân theo ngữ cảnh theo chuỗi mà là các mối quan hệ đa chiều giữa các cột.

Khi đưa cho LLM một bảng dữ liệu CSV về hiệu suất bán hàng, nó sẽ cố gắng phân tích như một đoạn văn mà không nhận diện được các mối liên hệ quan trọng giữa các trường dữ liệu.

Việc này dễ khiến AI bỏ sót các mối tương quan quan trọng hoặc không trả lời được câu hỏi phân tích sâu.

Điểm quan trọng: Khả năng hiểu và phân tích dữ liệu bảng là một trong những giới hạn lớn của các LLM hiện nay.

Việc Tạo Câu Lệnh SQL Thường Không Chính Xác

Mặc dù LLMs có thể sinh được câu lệnh SQL, nhưng khả năng tạo ra SQL chính xác ngay lần đầu tiên còn hạn chế:

Theo benchmark từ Tinybird và các nghiên cứu của Stanford, LLMs hay mắc lỗi, đặc biệt khi liên quan đến các phép JOIN phức tạp hay cú pháp đặc thù của từng cơ sở dữ liệu.

Việc này đòi hỏi phải xác thực và sửa lỗi nhiều lần mới thu được kết quả đúng.

Truy Vấn Phân Tích Lâu Gây Mất Trải Nghiệm Người Dùng

Dữ liệu phân tích thường rất lớn, truy vấn trên các bảng lớn có thể tốn nhiều tài nguyên và thời gian:

Một câu truy vấn SQL thiếu tối ưu có thể chạy vài phút, làm gián đoạn trải nghiệm tương tác với AI.

Người dùng kỳ vọng câu trả lời nhanh trong vòng vài giây, vì vậy truy vấn hiệu quả là điều bắt buộc.

Vấn Đề Về Context Window (Cửa Sổ Ngữ Cảnh)

LLMs có giới hạn về dung lượng dữ liệu nhập vào trong mỗi lần xử lý (context window):

Khi yêu cầu trả về dữ liệu lớn, như "top 10,000 khách hàng theo doanh thu", dữ liệu quá nhiều sẽ làm LLM không thể xử lý hiệu quả.

Người dùng cũng không thể tiêu hóa nhiều dữ liệu như vậy trong một lần trả lời.

Dữ Liệu Quá Phức Tạp Với Quy Mô Lớn

Các tổ chức lớn thường có hệ thống dữ liệu rất phức tạp:

Hàng trăm bảng và schema, cùng nhiều nguồn dữ liệu khác nhau từ data lake, data warehouse.

Kiến trúc dữ liệu bao gồm các views đã được materialize, API SQL, và các query lambda tham số hóa.

LLMs thông thường chỉ được huấn luyện trên các ví dụ SQL đơn giản mà không nhận diện được kiến trúc riêng biệt, dẫn tới dự đoán sai.

Kinh Nghiệm Khi Xây Dựng Hệ Thống Tinybird MCP Server

Giới Thiệu Tinybird MCP Server

Tinybird MCP Server là một server được thiết kế để làm cầu nối giữa LLM và hệ thống dữ liệu phân tích:

Được triển khai rất sớm, chỉ hai ngày sau khi Anthropic công bố giao thức MCP.

Có khả năng biến workspace Tinybird thành tập hợp công cụ mà LLM có thể hiểu và vận dụng để truy vấn và phân tích dữ liệu.

Nhấn Mạnh Vai Trò Của Context

Context là Vua: Để AI phân tích dữ liệu chính xác, tránh tình trạng "hallucinate" (tự nghĩ ra kết quả không đúng), cần cung cấp hai dạng context:

Context tĩnh giúp LLM hiểu tài nguyên có sẵn.

Context động và ngữ nghĩa giúp LLM hiểu dữ liệu.

Mô Tả Chi Tiết Từng Loại Dữ Liệu Và Tham Số

Mỗi bảng, view hay API phải được mô tả kỹ, với nội dung rõ ràng, ví dụ:

Bảng orders chứa đơn hàng với các trường: order_id, timestamp, customer_id, country, product_id, category, quantity, unit_price, revenue.

Mô tả các logic quan trọng, chẳng hạn revenue = quantity * unit_price.

Tích hợp các ví dụ cụ thể, cột dữ liệu, kiểu dữ liệu giúp LLM hiểu và tạo truy vấn tốt hơn.

Mô Hình Ngữ Nghĩa (Semantic Models)

Xây dựng mô hình dữ liệu giúp LLM nhận dạng khái niệm như Fact, Dimension, Metric.

Cho phép AI hiểu các patterns thường gặp, phạm vi thời gian, phân bố dữ liệu và các mối quan hệ giữa các bảng.

Sử Dụng Dữ Liệu Mẫu

Thay vì lấy toàn bộ dữ liệu lớn làm ngữ cảnh, sử dụng các tập dữ liệu con nhỏ hơn, có chọn lọc, thể hiện rõ đặc điểm quan trọng.

Dùng các view đã được tổng hợp sẵn như tổng doanh thu theo tuần, theo tháng để tối ưu hiệu năng.

Tạo Vòng Lặp Tự Học Cho Việc Sinh SQL

Không mong đợi LLM tạo câu lệnh SQL chính xác ngay lần đầu.

Thực thi truy vấn với giới hạn LIMIT 1 trước để kiểm tra lỗi.

Nếu có lỗi, truyền thông tin lỗi ngược lại cho LLM để nó sửa và thử lại.

Quy trình này tăng dần độ chính xác của truy vấn.

Áp Dụng Các Quy Tắc Viết SQL Tối Ưu

Sử dụng sorting keys để lọc dữ liệu hiệu quả

Lọc dữ liệu trước khi JOIN nhằm giảm kích thước bảng trung gian

Chọn chỉ các cột cần thiết tránh truy vấn dư thừa

Tận dụng các materialized views để tăng tốc truy vấn

Mô Tả Chi Tiết Ví Dụ Bảng `orders` Dùng Trong Phân Tích

Cột	Kiểu Dữ liệu	Mô tả
order_id	UInt64	ID đơn hàng, không toàn cục nhưng duy nhất trong thời điểm xử lý
timestamp	DateTime	Thời gian đơn hàng tạo, dùng cho phân tích theo thời gian
customer_id	UInt64	ID khách hàng, số lượng lớn, dùng để phân nhóm hành vi
country	LowCardinality(String)	Mã quốc gia ISO 2 chữ cái (US, DE, ES), dùng phân tích theo vùng
product_id	UInt64	ID sản phẩm
category	LowCardinality(String)	Nhóm sản phẩm (Thiết bị điện tử, Quần áo, Sách)
quantity	UInt32	Số lượng sản phẩm trong đơn hàng
unit_price	Float64	Giá mỗi đơn vị
revenue	Float64	Tổng doanh thu = quantity * unit_price

Các Mẫu Truy Vấn Thường Gặp Mà LLM Nên Hỗ Trợ

"Tại sao doanh thu tuần trước tại Mỹ giảm?"

"Danh mục nào đóng góp nhiều nhất bán hàng tháng trước?"

"Giá trị đơn hàng trung bình ở Pháp trong tháng 6 là bao nhiêu?"

"So sánh doanh thu tuần này với tuần cùng kỳ năm trước."

"Khách hàng nào chi tiêu nhiều nhất quý 2?"

"Giảm doanh thu do số đơn giảm hay do giá trị đơn hàng giảm?"

"Danh mục nào kém hiệu quả hơn tháng trước?"

Kết Luận

Phát triển các AI agents phân tích dữ liệu kinh doanh là một hành trình không hề đơn giản. Các LLM hiện tại không thể thay thế hoàn toàn kiến thức sâu về dữ liệu và kỹ năng viết truy vấn SQL chính xác, đặc biệt với dữ liệu phức tạp và đa chiều.

Chìa khóa thành công là cung cấp context đầy đủ và chính xác cho AI, xây dựng các vòng lặp học tập tự sửa lỗi và thiết kế mô hình dữ liệu ngữ nghĩa rõ ràng giúp AI hiểu được cấu trúc và mục đích kinh doanh.

Khi đó, AI không chỉ trả về câu lệnh SQL hoàn hảo mà còn mang lại những insight chất lượng, có ý nghĩa thật sự với doanh nghiệp. Đây là con đường mà Tinybird và các doanh nghiệp tiên phong đang hướng đến để làm chủ tương lai phân tích dữ liệu.