Dữ liệu có cấu trúc là dữ liệu đã được xếp vào khuôn cố định: mỗi bản ghi có cùng các trường, mỗi trường mang một loại giá trị, nên máy có thể đếm, lọc, cộng mà không cần hiểu nghĩa câu chữ. Một bảng Excel danh sách khách hàng với các cột mã khách, họ tên, ngày mua, số tiền là ví dụ quen thuộc nhất. Ngược lại, dữ liệu phi cấu trúc là thứ không có khuôn: thư khách phàn nàn, ảnh chụp phiếu giao hàng, đoạn ghi âm cuộc gọi, tin nhắn đặt hàng gõ vội.
Ở giữa hai đầu đó là dữ liệu bán cấu trúc: có nhãn, có tầng lớp, nhưng mỗi bản ghi không nhất thiết giống nhau, như một tệp JSON xuất từ phần mềm bán hàng hay một email có tiêu đề, người gửi, ngày gửi rồi tới phần thân tự do. Hiểu ba loại này giúp bạn biết việc nào giao thẳng cho bảng tính, việc nào phải nhờ AI đọc trước rồi mới đưa vào bảng, và vì sao cùng một câu hỏi mà AI trả lời chính xác với bảng gọn nhưng lại đoán mò với một đống văn bản.
Ba loại dữ liệu nhìn qua một văn phòng bình thường
Cách nhanh nhất để nắm khái niệm là nhìn quanh bàn làm việc của chính mình. Hầu như công ty nào cũng có đủ ba loại, chỉ là chưa ai gọi tên chúng.
| Loại | Dấu hiệu nhận ra | Ví dụ trong văn phòng | Máy xử lý thế nào |
|---|---|---|---|
| Có cấu trúc | Mọi dòng có cùng các cột, mỗi cột một loại giá trị | Bảng chấm công, danh sách hàng tồn, sổ thu chi trên Excel | Lọc, cộng, sắp xếp, đối chiếu trực tiếp bằng công thức |
| Bán cấu trúc | Có nhãn hoặc trường, nhưng số trường mỗi bản ghi có thể khác nhau, có tầng lồng nhau | Tệp JSON hay XML xuất từ phần mềm, email có tiêu đề, hoá đơn điện tử dạng tệp | Cần bước "trải phẳng" thành bảng rồi mới tính được |
| Phi cấu trúc | Không có khuôn, thông tin nằm lẫn trong câu chữ, hình ảnh, âm thanh | Thư khách hàng, biên bản họp, ảnh chụp phiếu nhập kho, tin nhắn Zalo | Phải có người hoặc AI đọc, trích ra từng thông tin rồi điền vào bảng |
Điểm cần nhớ: ranh giới giữa ba loại không nằm ở định dạng tệp mà ở việc thông tin đã được tách thành từng ô có tên hay chưa. Một tệp Excel mà mỗi dòng chứa nguyên một đoạn ghi chú dài vẫn là dữ liệu phi cấu trúc khoác áo bảng tính. Một tệp văn bản thuần mà mỗi dòng là các giá trị ngăn bằng dấu phẩy, đúng thứ tự cột, thì lại là dữ liệu có cấu trúc dù mở bằng trình soạn thảo nào cũng thấy như chữ thường.
Vì sao "có cấu trúc" quan trọng với người làm văn phòng
Mọi câu hỏi kiểu "tháng này bán được bao nhiêu", "khách nào chưa thanh toán", "nhân viên nào đi muộn quá ba lần" đều cần dữ liệu có cấu trúc để trả lời chắc chắn. Lý do đơn giản: phép cộng, phép đếm, phép lọc chỉ chạy được khi máy biết ô nào là số tiền, ô nào là ngày, ô nào là tên khách. Nếu thông tin đó nằm rải trong hai trăm tin nhắn đặt hàng, bạn hoặc phải đọc từng tin, hoặc phải nhờ ai đó chép ra bảng, và mỗi lần chép là một lần có thể sai.
Người mới làm thường nghĩ việc khó nhất là tính toán. Thực tế, ở văn phòng nhỏ, phần tốn thời gian nhất là biến thông tin rời rạc thành bảng có khuôn. Khi bảng đã đúng khuôn, phần tính chỉ mất vài phút. Đây cũng là lý do trang này tập trung vào khâu trước phân tích: thu thập, nhập liệu, làm sạch, sắp xếp. Còn đọc ý nghĩa con số, vẽ biểu đồ, làm báo cáo quản trị là phần việc của trang AI Phân Tích trong cùng hệ.
Có cấu trúc cũng là điều kiện để làm việc nhóm. Hai người cùng nhập vào một bảng có cột cố định thì cuối tháng gộp được ngay. Hai người mỗi người ghi một kiểu trong sổ tay riêng thì cuối tháng phải ngồi dò lại từ đầu. Cấu trúc, nói cho gọn, là một thoả thuận chung về cách ghi.
AI làm gì với từng loại dữ liệu
Với dữ liệu có cấu trúc, AI giỏi nhất ở vai trò người hướng dẫn. Bạn mô tả bảng (tên cột, kiểu giá trị, vài dòng mẫu đã che thông tin), AI gợi công thức, gợi cách lọc, giải thích vì sao kết quả lệch. Việc tính thật nên để bảng tính làm, vì chatbot đọc một bảng dài có thể bỏ sót dòng hoặc đọc nhầm số mà không báo.
Với dữ liệu phi cấu trúc, AI là công cụ trích xuất. Đây là chỗ các mô hình ngôn ngữ thật sự tiết kiệm công: đọc ba mươi thư khách hàng và trả về bảng gồm tên sản phẩm bị phàn nàn, loại lỗi, ngày mua; đọc ảnh chụp phiếu nhập kho và trả về các dòng mã hàng, số lượng. Nhưng kết quả là bản nháp, phải đối chiếu với nguồn, nhất là số và dấu tiếng Việt.
Với dữ liệu bán cấu trúc, AI giúp trải phẳng. Một tệp JSON đơn hàng có thể lồng danh sách sản phẩm bên trong mỗi đơn. Bạn có thể nhờ AI giải thích cấu trúc tệp, đề xuất bảng đích gồm những cột nào, và viết bước chuyển bằng Power Query hoặc công thức. Phần chạy thật vẫn nên làm trong công cụ bảng tính để kiểm được số dòng trước và sau.
Với mọi loại, AI không biết dữ liệu của bạn đúng hay sai. Nó chỉ thấy những gì bạn đưa. Một bảng ghi nhầm đơn vị tiền, AI vẫn cộng như thường. Trách nhiệm kiểm nguồn vẫn ở người dùng.
Biến một đống dữ liệu phi cấu trúc thành bảng: quy trình năm bước
Ví dụ giả định: một cửa hàng phụ tùng xe máy ở Cần Thơ nhận đơn qua tin nhắn, mỗi ngày vài chục tin, cuối tuần cần biết mặt hàng nào được hỏi nhiều. Quy trình dưới đây áp dụng cho hầu hết tình huống tương tự.
- Chốt bảng đích trước. Viết ra giấy các cột cần có, ví dụ ngày, tên khách viết tắt, mặt hàng, số lượng, đã chốt đơn hay chưa. Thiếu bước này, AI sẽ tự nghĩ ra cột và mỗi lần một kiểu.
- Che thông tin cá nhân. Thay số điện thoại, địa chỉ, tên đầy đủ bằng ký hiệu như Khách 01, Khách 02 trước khi dán vào chatbot. Bảng kết quả vẫn đủ dùng để đếm mặt hàng.
- Giao việc rõ ràng. Câu lệnh mẫu: "Dưới đây là 40 tin nhắn đặt hàng, mỗi tin ngăn bằng dòng gạch ngang. Hãy trả về bảng gồm 5 cột: ngày, mã khách, mặt hàng, số lượng, trạng thái (chốt hoặc hỏi giá). Tin nào không rõ số lượng thì để trống và ghi chú, không tự đoán."
- Đếm và soi mẫu. Đếm số dòng kết quả so với số tin đã dán. Chọn ngẫu nhiên năm dòng, đối chiếu từng chữ với tin gốc. Sai ở dòng nào thì xem lại cả nhóm tin giống dòng đó.
- Dán vào bảng chính bằng giá trị. Chuyển kết quả sang bảng tính, kiểm cột số lượng đã là số chứ không phải chữ, rồi mới bắt đầu đếm và lọc.
Sau vài tuần làm như vậy, bạn sẽ thấy câu hỏi đáng giá hơn là: có cách nào để đơn hàng đi vào bảng ngay từ đầu, ví dụ một biểu mẫu đặt hàng, thay vì cứ số hoá lại tin nhắn? Đó là hướng đi bền vững nhất, và danh mục nhập liệu của trang có bài riêng về chuyện này.
Những nhầm lẫn hay gặp khi phân loại dữ liệu
Khái niệm nghe đơn giản nhưng dễ hiểu lệch ở mấy điểm sau, và mỗi điểm đều dẫn tới cách làm sai.
- "Cứ là Excel thì là có cấu trúc." Không đúng. Một tệp Excel có ô gộp, nhiều bảng nhỏ nằm cạnh nhau, dòng ghi chú chen giữa, thì máy vẫn không lọc hay cộng đúng được. Cấu trúc nằm ở cách sắp xếp, không ở phần mở rộng tệp.
- "PDF là có cấu trúc vì nhìn rất ngay ngắn." PDF ghi lại vị trí chữ trên trang, không ghi đâu là cột, đâu là dòng. Bảng trong PDF khi chép ra thường vỡ hàng, lệch cột. Muốn dùng phải qua bước trích xuất.
- "Ảnh chụp không phải dữ liệu." Ảnh là dữ liệu phi cấu trúc. Nó chứa thông tin thật, chỉ là cần bước đọc (OCR hoặc AI đọc ảnh) để đưa vào bảng.
- "Dữ liệu phi cấu trúc là dữ liệu kém." Thư khách hàng, biên bản họp chứa những thứ bảng không ghi được: lý do, cảm xúc, ngữ cảnh. Việc của bạn là trích phần cần đếm ra bảng, còn bản gốc vẫn giữ để tra lại.
- "Có AI rồi thì không cần cấu trúc." AI đọc văn bản tốt, nhưng mỗi lần đọc lại có thể cho kết quả hơi khác. Con số cần chốt sổ thì phải nằm trong bảng có khuôn, tính bằng công thức kiểm lại được.
Nếu chỉ nhớ một điều từ phần này, hãy nhớ: hỏi "thông tin này đã nằm trong ô có tên cột chưa", không hỏi "tệp này đuôi gì".
Dữ liệu bán cấu trúc: loại hay bị bỏ quên
Người làm văn phòng ít khi nghe tên dữ liệu bán cấu trúc, nhưng gặp nó hằng ngày. Phần mềm bán hàng xuất đơn ra tệp JSON, hoá đơn điện tử thường có kèm tệp XML, hệ thống chấm công xuất nhật ký dạng từng dòng có nhãn. Những tệp này có thứ tự, có tên trường, nhưng không phẳng như bảng: một đơn hàng chứa nhiều mặt hàng, một mặt hàng chứa nhiều thuộc tính, và đơn này có trường giảm giá, đơn kia không.
Cách nhận ra nhanh: mở tệp bằng trình soạn thảo văn bản, nếu thấy nhiều cặp "tên trường: giá trị" kèm ngoặc nhọn hoặc thẻ đóng mở lồng vào nhau thì đó là bán cấu trúc. Excel có thể nhập JSON và XML qua Power Query, còn Google Sheets thường phải nhờ tiện ích bổ sung hoặc Apps Script; dù cách nào, kết quả thường cần chỉnh: chọn tầng nào làm dòng, tầng nào làm cột.
Đây là chỗ nhờ AI rất hiệu quả, với điều kiện bạn chỉ dán một hai bản ghi mẫu đã thay giá trị thật bằng giá trị giả định. Hỏi AI: "Tệp này có những trường nào, trường nào lồng bên trong trường nào, nên trải thành mấy bảng." Câu trả lời giúp bạn hiểu dữ liệu trước khi bấm nhập, thay vì nhập rồi mới thấy mỗi đơn chỉ còn một mặt hàng.
Bước tiếp theo sau khi nắm khái niệm
Hiểu phân loại chỉ có ích khi nó đổi cách bạn làm việc hằng ngày. Thói quen đầu tiên nên tập là khi nhận một nguồn dữ liệu mới, dù là tệp do đồng nghiệp gửi hay một chồng phiếu giấy, hãy tự hỏi ba câu: thông tin cần dùng đang ở dạng nào, bảng đích cần những cột gì, và ai hoặc công cụ gì sẽ làm bước chuyển. Ba câu đó tốn một phút nhưng tránh được việc bắt tay làm rồi mới phát hiện thiếu cột, phải làm lại.
Thói quen thứ hai là giữ nguồn gốc. Khi AI trích từ thư hay ảnh ra bảng, thêm một cột ghi nguồn, ví dụ tên tệp ảnh hay ngày nhận thư, để sau này có dòng nào đáng ngờ thì lần lại được. Bảng có cấu trúc mà không lần được về nguồn thì khi có tranh cãi, bạn không chứng minh được số của mình.
Các bài tiếp theo trong danh mục này đi vào từng khái niệm nền: thế nào là bảng gọn, khoá định danh, kiểu dữ liệu, giá trị thiếu, tệp CSV. Đọc lần lượt, bạn sẽ có đủ vốn từ để mô tả dữ liệu cho AI một cách chính xác, và đó là điều kiện để AI giúp đúng việc.
Câu hỏi thường gặp
Bảng tính Google Sheets có được tính là cơ sở dữ liệu có cấu trúc không?
Bảng tính có thể chứa dữ liệu có cấu trúc nếu được sắp đúng khuôn: một dòng tiêu đề, mỗi cột một thông tin, không ô gộp. Nhưng bảng tính không tự ép khuôn như cơ sở dữ liệu, ai cũng có thể gõ chữ vào cột số. Vì thế cần thêm quy tắc nhập và kiểm tra hợp lệ.
Email có phải dữ liệu bán cấu trúc không?
Email thường được xếp vào bán cấu trúc vì phần tiêu đề có trường rõ ràng như người gửi, người nhận, ngày gửi, chủ đề, còn phần thân là văn bản tự do. Muốn đếm theo người gửi thì dễ, muốn biết khách phàn nàn chuyện gì thì phải đọc phần thân.
Chatbot có đọc được tệp Excel bạn tải lên không?
Nhiều chatbot hiện nay nhận tệp Excel hoặc CSV, nhưng cách đọc khác nhau tuỳ công cụ và phiên bản. Có công cụ chạy mã để đọc toàn bộ, có công cụ chỉ đọc một phần. Luôn hỏi lại số dòng nó đã đọc và che dữ liệu cá nhân trước khi tải lên.
Dữ liệu phi cấu trúc chiếm phần lớn dữ liệu của công ty có đúng không?
Nhiều tài liệu ngành nhắc rằng phần lớn dữ liệu trong tổ chức là phi cấu trúc, nhưng tỷ lệ cụ thể khác nhau tuỳ nguồn và cách đếm nên không nên trích một con số chắc chắn. Với công ty nhỏ, chỉ cần nhìn lượng tin nhắn, thư, ảnh so với số bảng tính là thấy rõ.
Có cần học SQL để làm việc với dữ liệu có cấu trúc không?
Không bắt buộc. Phần lớn việc văn phòng làm được bằng bảng tính với bộ lọc, bảng tổng hợp và vài công thức dò tìm. SQL hữu ích khi dữ liệu đã nằm trong cơ sở dữ liệu nhiều bảng, và khi đó AI có thể viết giúp câu truy vấn nhập môn để bạn đọc hiểu rồi chạy.
Nên lưu bản gốc phi cấu trúc sau khi đã trích ra bảng không?
Nên giữ. Bảng trích ra chỉ chứa những thông tin bạn chọn ở thời điểm đó. Sau này có tranh chấp, có câu hỏi mới hoặc phát hiện AI trích sai, bản gốc là thứ duy nhất để đối chiếu. Lưu theo thư mục có ngày và ghi tên tệp gốc vào một cột của bảng.