Tháng 6: Bổ sung dữ liệu và hoàn thiện phân tích

Sau tháng 5, ứng viên đã có thiết kế phương pháp nghiên cứu rõ hơn: biết mình sẽ sử dụng dữ liệu nào, cần bổ sung dữ liệu nào, thu thập từ ai, bằng công cụ gì và phân tích theo hướng nào. Tháng 6 là lúc thiết kế đó phải được triển khai thành dữ liệu thật và phân tích thật.

Đây là một trong những tháng quan trọng nhất của quy trình APEL.Q cho DBA. Nếu tháng 6 làm tốt, luận án sẽ có nền tảng bằng chứng vững hơn. Nếu tháng 6 làm hời hợt, các tháng sau dù viết tốt cũng khó che lấp khoảng trống dữ liệu và phân tích. Một luận án DBA không thể chỉ dựa vào ý tưởng tốt, kinh nghiệm quản lý hoặc lý thuyết phù hợp. Luận án cần dữ liệu đủ rõ để hỗ trợ lập luận và tạo ra đóng góp thực tiễn.

Theo Remenyi, Williams, Money và Swartz (1998), nghiên cứu trong lĩnh vực kinh doanh và quản trị cần được xây dựng trên bằng chứng có thể giải thích, kiểm tra và liên hệ với vấn đề thực tiễn. Với APEL.Q, tháng 6 chính là giai đoạn biến nền tảng đã có thành bằng chứng nghiên cứu có thể sử dụng trong luận án.

Mục tiêu của tháng thứ sáu

Mục tiêu của tháng 6 là hoàn thiện phần dữ liệu và tạo ra các phát hiện ban đầu. Đến cuối tháng này, ứng viên nên có bộ dữ liệu đã được bổ sung hoặc chuẩn hoá, bản mô tả nguồn dữ liệu, kết quả phân tích sơ bộ, các chủ đề hoặc mẫu hình chính, và bản đối chiếu giữa dữ liệu, câu hỏi nghiên cứu và khung lý thuyết.

Nếu tháng 5 trả lời câu hỏi “dữ liệu sẽ được thu thập và phân tích như thế nào?”, thì tháng 6 trả lời câu hỏi “dữ liệu thực tế cho thấy điều gì?”. Đây là bước chuyển từ kế hoạch sang bằng chứng.

Ứng viên cần lưu ý: bổ sung dữ liệu không có nghĩa là thu thập càng nhiều càng tốt. Dữ liệu mới chỉ có giá trị nếu nó xử lý đúng khoảng trống đã xác định, trả lời đúng câu hỏi nghiên cứu và giúp phát triển lập luận DBA.

Bước 1: Kiểm tra lại dữ liệu đã có trước khi thu thập thêm

Trước khi bổ sung dữ liệu mới, ứng viên nên kiểm tra lại dữ liệu đã có. Đây là bước quan trọng để tránh thu thập trùng lặp hoặc thu thập dữ liệu không cần thiết.

Ứng viên cần xem dữ liệu cũ có thể dùng ở mức nào. Một số dữ liệu có thể dùng trực tiếp, chẳng hạn bảng khảo sát đã có, bản ghi phỏng vấn, dữ liệu vận hành hoặc báo cáo nội bộ. Một số dữ liệu cần xử lý lại, chẳng hạn dữ liệu chưa được làm sạch, chưa được mã hoá, chưa được phân nhóm hoặc chưa được phân tích theo câu hỏi mới. Một số dữ liệu chỉ dùng làm bối cảnh, chẳng hạn tài liệu mô tả dự án, slide, kế hoạch triển khai hoặc báo cáo tổng quan.

Việc kiểm tra lại dữ liệu cũ giúp ứng viên xác định chính xác dữ liệu mới cần bổ sung. Ví dụ, nếu dữ liệu cũ đã có khảo sát định lượng tương đối tốt, ứng viên có thể không cần khảo sát lại, mà nên bổ sung phỏng vấn để giải thích kết quả. Nếu dữ liệu cũ có báo cáo vận hành nhưng thiếu góc nhìn người dùng, ứng viên nên bổ sung dữ liệu từ người dùng hoặc nhân viên tuyến đầu.

Bước 2: Thu thập dữ liệu bổ sung theo đúng khoảng trống

Dữ liệu bổ sung phải gắn trực tiếp với khoảng trống đã xác định. Nếu khoảng trống là thiếu góc nhìn của nhân viên, cần thu thập dữ liệu từ nhân viên. Nếu khoảng trống là thiếu bằng chứng về tác động sau triển khai, cần thu thập dữ liệu kết quả. Nếu khoảng trống là thiếu lý do phía sau số liệu, cần thu thập dữ liệu định tính.

Ví dụ, trong nghiên cứu về hệ thống hỗ trợ học viên trực tuyến, dữ liệu cũ có thể gồm tỷ lệ đăng nhập, tỷ lệ hoàn thành bài học và tỷ lệ bỏ học. Dữ liệu này cho thấy hiện tượng, nhưng chưa giải thích nguyên nhân. Ứng viên có thể bổ sung phỏng vấn học viên, cố vấn học tập và nhân sự hỗ trợ để hiểu vì sao học viên giảm tương tác hoặc bỏ học.

Trong nghiên cứu về chuyển đổi số, dữ liệu cũ có thể là báo cáo triển khai hệ thống và số liệu sử dụng phần mềm. Nếu thiếu hiểu biết về sự kháng cự của nhân viên, ứng viên có thể bổ sung phỏng vấn hoặc khảo sát về nhận thức, khó khăn, hỗ trợ của lãnh đạo và mức độ phù hợp của hệ thống với công việc.

Theo Guest, Namey và Mitchell (2013), dữ liệu định tính cần được thu thập có mục đích để làm rõ trải nghiệm, ý nghĩa và bối cảnh của hiện tượng. Vì vậy, ứng viên không nên hỏi quá rộng, mà cần thiết kế thu thập dữ liệu đúng vào phần luận án còn thiếu.

Bước 3: Làm sạch và tổ chức dữ liệu

Sau khi có dữ liệu, ứng viên cần làm sạch và tổ chức dữ liệu trước khi phân tích. Đây là bước kỹ thuật nhưng rất quan trọng. Dữ liệu lộn xộn sẽ dẫn đến phân tích yếu.

Với dữ liệu khảo sát, ứng viên cần kiểm tra phản hồi thiếu, phản hồi không hợp lệ, câu trả lời trùng lặp, dữ liệu bất thường và cách mã hoá biến. Với dữ liệu phỏng vấn, cần chuẩn bị bản ghi, bản chép lại hoặc ghi chú có cấu trúc. Với dữ liệu tài liệu, cần phân loại theo nguồn, thời gian, loại tài liệu và mức độ liên quan. Với dữ liệu doanh nghiệp, cần kiểm tra định nghĩa chỉ số, giai đoạn đo lường và sự nhất quán giữa các nguồn.

Ứng viên nên lưu lại quy trình xử lý dữ liệu. Ví dụ, đã loại bỏ bao nhiêu phản hồi không hợp lệ, vì sao loại bỏ, dữ liệu được ẩn danh như thế nào, tên người tham gia được mã hoá ra sao, tài liệu nào được đưa vào phân tích và tài liệu nào bị loại. Những thông tin này sẽ rất hữu ích khi viết chương phương pháp và phần giới hạn nghiên cứu.

Bước 4: Phân tích dữ liệu theo câu hỏi nghiên cứu

Một lỗi thường gặp là phân tích dữ liệu theo những gì dữ liệu có sẵn, thay vì theo câu hỏi nghiên cứu. Trong tháng 6, ứng viên cần giữ câu hỏi nghiên cứu làm trục chính.

Nếu câu hỏi nghiên cứu có ba câu hỏi phụ, dữ liệu nên được phân tích để trả lời từng câu hỏi phụ. Ví dụ, nếu câu hỏi phụ thứ nhất hỏi về yếu tố ảnh hưởng đến mức độ tham gia của học viên, dữ liệu cần được phân tích theo các nhóm yếu tố như thiết kế chương trình, hỗ trợ học viên, động lực cá nhân, nền tảng công nghệ và tương tác giảng viên. Nếu câu hỏi phụ thứ hai hỏi về khoảng trống trong hệ thống hỗ trợ, phân tích cần tập trung vào điểm yếu trong quy trình, thời điểm can thiệp, kênh hỗ trợ và phản hồi của học viên.

Với dữ liệu định lượng, ứng viên có thể bắt đầu bằng thống kê mô tả, sau đó xem mối quan hệ, sự khác biệt hoặc xu hướng tùy theo thiết kế. Với dữ liệu định tính, ứng viên có thể mã hoá dữ liệu, tìm chủ đề, so sánh nhóm và trích xuất các mẫu hình có ý nghĩa. Với dữ liệu tài liệu, ứng viên có thể phân tích nội dung, đối chiếu chính sách với thực tế triển khai hoặc so sánh dữ liệu trước và sau.

Theo Creswell và Poth (2018), phân tích dữ liệu cần được thực hiện theo một quy trình có hệ thống, từ tổ chức dữ liệu đến mã hoá, phát triển chủ đề và diễn giải. Với DBA, tính hệ thống này giúp kết quả không chỉ là nhận xét cá nhân.

Bước 5: Đối chiếu nhiều nguồn dữ liệu

Nếu nghiên cứu sử dụng nhiều nguồn dữ liệu, ứng viên nên đối chiếu chúng với nhau. Đây là cách tăng độ tin cậy của phân tích. Một phát hiện sẽ thuyết phục hơn nếu được hỗ trợ bởi nhiều nguồn dữ liệu khác nhau.

Ví dụ, trong nghiên cứu về chuyển đổi số, dữ liệu sử dụng hệ thống có thể cho thấy nhân viên đăng nhập ít. Phỏng vấn nhân viên có thể giải thích rằng hệ thống không phù hợp với quy trình làm việc. Phỏng vấn quản lý có thể cho thấy việc đào tạo chưa đủ. Tài liệu triển khai có thể cho thấy kế hoạch truyền thông thay đổi chưa được thực hiện đầy đủ. Khi các nguồn dữ liệu này được đối chiếu, luận án có thể xây dựng lập luận mạnh hơn về nguyên nhân của việc chấp nhận công nghệ thấp.

Trong nghiên cứu về học viên online, dữ liệu LMS có thể cho thấy học viên bỏ học sau tuần thứ ba. Phỏng vấn học viên có thể cho thấy họ thiếu phản hồi kịp thời. Dữ liệu hỗ trợ học viên có thể cho thấy thời gian phản hồi còn chậm. Khi đối chiếu, ứng viên có thể phát triển mô hình can thiệp sớm.

Theo Denzin (2017), việc sử dụng nhiều nguồn dữ liệu hoặc nhiều góc nhìn có thể giúp nghiên cứu hiểu hiện tượng sâu hơn và giảm phụ thuộc vào một nguồn bằng chứng duy nhất. Với DBA, đối chiếu dữ liệu đặc biệt hữu ích vì vấn đề quản trị thường có nhiều bên liên quan.

Bước 6: Tách kết quả mô tả khỏi phát hiện nghiên cứu

Không phải mọi kết quả đều là phát hiện nghiên cứu. Kết quả mô tả cho biết điều gì đã xảy ra. Phát hiện nghiên cứu giải thích ý nghĩa của điều đó trong quan hệ với câu hỏi nghiên cứu và khung lý thuyết.

Ví dụ, “65% nhân viên cho rằng hệ thống mới khó sử dụng” là kết quả mô tả. Phát hiện nghiên cứu có thể là: “Mức độ khó sử dụng không chỉ liên quan đến giao diện hệ thống, mà còn liên quan đến sự không phù hợp giữa hệ thống mới và quy trình bán hàng thực tế, khiến nhân viên cảm thấy công việc bị chậm lại”. Phát hiện này có chiều sâu hơn vì nó giải thích cơ chế.

Tương tự, “học viên ít đăng nhập sau tuần thứ ba” là kết quả mô tả. Phát hiện nghiên cứu có thể là: “Rủi ro bỏ học bắt đầu tăng khi học viên không nhận được phản hồi học thuật và hỗ trợ kỹ thuật trong giai đoạn chuyển từ nội dung nhập môn sang nhiệm vụ tự học phức tạp hơn”. Phát hiện này có thể dẫn đến mô hình hỗ trợ theo giai đoạn.

Ứng viên cần luyện cách viết phát hiện theo hướng phân tích, không chỉ báo cáo số liệu hoặc tóm tắt ý kiến.

Bước 7: Liên hệ phát hiện với khung lý thuyết

Dữ liệu không nên đứng riêng. Sau khi có phát hiện ban đầu, ứng viên cần liên hệ chúng với khung lý thuyết đã xây dựng ở tháng 4. Phát hiện xác nhận, bổ sung, mở rộng hay thách thức lý thuyết nào?

Ví dụ, nếu nghiên cứu sử dụng lý thuyết chấp nhận công nghệ, phát hiện có thể cho thấy tính hữu ích cảm nhận không đủ để thúc đẩy sử dụng nếu quy trình làm việc chưa được tái thiết kế. Điều này giúp ứng viên mở rộng phân tích từ cấp độ cá nhân sang cấp độ tổ chức. Nếu nghiên cứu dùng lý thuyết trải nghiệm khách hàng, dữ liệu có thể cho thấy trải nghiệm sau mua quan trọng hơn trải nghiệm tại thời điểm mua trong việc tạo lòng trung thành.

Liên hệ với lý thuyết giúp luận án không chỉ là báo cáo trường hợp. Nó cho thấy nghiên cứu có đối thoại với tri thức đã có. Theo Dubois và Gadde (2002), nghiên cứu có thể phát triển thông qua quá trình đối chiếu liên tục giữa dữ liệu thực tế và khung lý thuyết. Với APEL.Q, đây là cách rất phù hợp để nâng cấp dữ liệu thực tiễn thành phân tích học thuật.

Bước 8: Xác định đóng góp thực tiễn từ dữ liệu

Tháng 6 cũng là lúc ứng viên bắt đầu nhìn thấy đóng góp thực tiễn rõ hơn. Đóng góp không nên được tưởng tượng trước hoàn toàn. Nó cần đi ra từ dữ liệu và phân tích.

Ứng viên nên tự hỏi: dữ liệu đang chỉ ra vấn đề quản trị nào? Tổ chức có thể học gì từ phát hiện này? Có thể phát triển mô hình, quy trình, khung đánh giá hoặc bộ tiêu chí nào không? Phát hiện này giúp nhà quản lý ra quyết định tốt hơn ở điểm nào?

Ví dụ, nếu dữ liệu cho thấy học viên bỏ học thường có dấu hiệu giảm tương tác từ rất sớm, đóng góp có thể là mô hình cảnh báo sớm và can thiệp hỗ trợ học viên. Nếu dữ liệu cho thấy nhân viên không chống lại công nghệ vì thiếu kỹ năng, mà vì thiếu sự phù hợp giữa công nghệ và quy trình, đóng góp có thể là khung quản trị thay đổi tích hợp giữa thiết kế quy trình, đào tạo và hỗ trợ lãnh đạo tuyến đầu.

Đóng góp thực tiễn tốt thường không xuất hiện ở cuối luận án một cách bất ngờ. Nó được hình thành dần từ phân tích dữ liệu.

Bước 9: Ghi nhận giới hạn của dữ liệu

Trong tháng 6, ứng viên cũng cần ghi nhận giới hạn của dữ liệu. Không có dữ liệu nào hoàn hảo. Điều quan trọng là ứng viên hiểu dữ liệu cho phép kết luận đến đâu và không cho phép kết luận đến đâu.

Ví dụ, nếu dữ liệu đến từ một doanh nghiệp, kết luận cần được giới hạn trong bối cảnh tương đồng. Nếu dữ liệu khảo sát có cỡ mẫu nhỏ, ứng viên cần thận trọng với các kết luận định lượng. Nếu dữ liệu phỏng vấn chủ yếu đến từ quản lý, cần ghi nhận thiếu góc nhìn của nhân viên. Nếu dữ liệu cũ được thu thập trước khi đề tài DBA được tái cấu trúc, cần giải thích cách dữ liệu đó được sử dụng lại và giới hạn của nó.

Theo Maxwell (2021), việc nhận diện mối đe doạ đối với tính hợp lệ của nghiên cứu là một phần quan trọng trong thiết kế và diễn giải nghiên cứu định tính. Với DBA, thái độ trung thực về giới hạn giúp luận án đáng tin hơn, không yếu hơn.

Bước 10: Tạo bản phát hiện sơ bộ

Kết quả quan trọng nhất cuối tháng 6 nên là bản phát hiện sơ bộ. Đây không phải chương kết quả hoàn chỉnh, nhưng là tài liệu làm việc rất quan trọng.

Bản phát hiện sơ bộ nên gồm: câu hỏi nghiên cứu hoặc câu hỏi phụ, dữ liệu đã sử dụng, kết quả chính, trích dẫn hoặc bằng chứng minh hoạ, diễn giải ban đầu, liên hệ lý thuyết và hàm ý thực tiễn ban đầu.

Ví dụ, với mỗi phát hiện, ứng viên có thể viết theo cấu trúc: “Dữ liệu cho thấy… Điều này có nghĩa là… Phát hiện này liên hệ với lý thuyết… Về thực tiễn, phát hiện này gợi ý rằng…”. Cấu trúc này giúp ứng viên chuyển từ dữ liệu sang lập luận.

Bản phát hiện sơ bộ sẽ trở thành nền tảng cho tháng 7, khi ứng viên bắt đầu viết lại luận án theo cấu trúc DBA. Nếu tháng 6 không có phát hiện rõ, tháng 7 sẽ dễ trở thành giai đoạn viết mô tả, thiếu chiều sâu phân tích.

Những sai lầm cần tránh trong tháng 6

Sai lầm đầu tiên là thu thập dữ liệu quá nhiều nhưng không phục vụ câu hỏi nghiên cứu. Dữ liệu nhiều không đồng nghĩa với phân tích mạnh.

Sai lầm thứ hai là chỉ mô tả dữ liệu mà không diễn giải. Một luận án DBA cần phát hiện, không chỉ cần bảng số liệu hoặc trích dẫn phỏng vấn.

Sai lầm thứ ba là không đối chiếu các nguồn dữ liệu. Nếu có nhiều nguồn nhưng phân tích rời rạc, luận án sẽ thiếu sự tích hợp.

Sai lầm thứ tư là bỏ qua dữ liệu trái chiều. Nếu chỉ chọn dữ liệu ủng hộ quan điểm của mình, nghiên cứu sẽ thiếu độ tin cậy. Dữ liệu trái chiều có thể giúp phân tích sâu hơn.

Sai lầm thứ năm là kết luận vượt quá dữ liệu. Ứng viên cần bảo đảm mọi kết luận đều có bằng chứng tương ứng.

Kết quả cần có sau tháng 6

Sau tháng thứ sáu, ứng viên nên có năm sản phẩm cụ thể.

Thứ nhất, bộ dữ liệu đã được làm sạch, tổ chức và lưu trữ có hệ thống. Thứ hai, bản mô tả nguồn dữ liệu và quy trình xử lý dữ liệu. Thứ ba, kết quả phân tích sơ bộ theo từng câu hỏi nghiên cứu. Thứ tư, bản đối chiếu dữ liệu với khung lý thuyết. Thứ năm, bản phát hiện sơ bộ kèm hàm ý thực tiễn ban đầu.

Những sản phẩm này là nền tảng trực tiếp cho tháng 7. Khi bước sang tháng 7, ứng viên không còn hỏi “dữ liệu nói gì?”, mà bắt đầu viết luận án dựa trên những phát hiện đã được phân tích.

Kết luận

Tháng 6 trong quy trình APEL.Q cho DBA là giai đoạn bổ sung dữ liệu và hoàn thiện phân tích. Đây là tháng biến thiết kế phương pháp thành bằng chứng nghiên cứu, biến dữ liệu rời rạc thành phát hiện, và biến kinh nghiệm thực tiễn thành lập luận có cơ sở.

Ứng viên cần kiểm tra dữ liệu cũ, thu thập dữ liệu bổ sung đúng khoảng trống, làm sạch dữ liệu, phân tích theo câu hỏi nghiên cứu, đối chiếu nhiều nguồn, phân biệt kết quả mô tả với phát hiện nghiên cứu, liên hệ phát hiện với lý thuyết, xác định đóng góp thực tiễn và ghi nhận giới hạn dữ liệu.

Một luận án DBA mạnh không chỉ vì có đề tài hay. Nó mạnh vì có dữ liệu phù hợp, phân tích chặt chẽ và phát hiện có thể dẫn đến đóng góp thực tiễn. Tháng 6 là giai đoạn quyết định để tạo ra nền tảng đó.

Tài liệu tham khảo

Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4th ed.). SAGE Publications.

Denzin, N. K. (2017). The research act: A theoretical introduction to sociological methods. Routledge.

Dubois, A., & Gadde, L.-E. (2002). Systematic combining: An abductive approach to case research. Journal of Business Research, 55(7), 553–560.

Guest, G., Namey, E. E., & Mitchell, M. L. (2013). Collecting qualitative data: A field manual for applied research. SAGE Publications.

Maxwell, J. A. (2021). Why qualitative methods are necessary for generalization. Qualitative Psychology, 8(1), 111–118.

Remenyi, D., Williams, B., Money, A., & Swartz, E. (1998). Doing research in business and management: An introduction to process and method. SAGE Publications.