Excel dễ đọc chưa chắc dễ xử lý: Nhật Bản giới thiệu công cụ Harunobu

Nhiều bộ phận xây dựng Excel để báo cáo, in ấn hoặc điền biểu mẫu. Tiêu đề có thể được gộp ô, một nhóm thông tin chỉ được ghi ở dòng đầu và màu sắc được dùng để biểu thị những trạng thái khác nhau. Nhân viên hiểu ngữ cảnh đó, nhưng chương trình phân tích không nhất thiết suy ra đúng các giá trị bị bỏ trống.

Ví dụ, một bảng doanh số gộp tên chi nhánh cho nhiều dòng dữ liệu. Khi đưa vào phần mềm tổng hợp, các dòng phía dưới có thể chỉ còn ô trống ở cột chi nhánh. Nếu không có quy tắc xử lý rõ ràng, báo cáo dễ bị phân nhóm sai hoặc buộc nhân viên sửa thủ công.

Vấn đề không nằm ở bản thân Excel mà ở việc một định dạng đang được dùng đồng thời để trình bày cho con người và để trao đổi dữ liệu giữa hệ thống. Digital Agency gọi những bảng được tối ưu cho bố cục in ấn nhưng khó tái sử dụng là một dạng 'Kami Excel' (神Excel). [2]

Harunobu dựa trên bộ quy tắc về tính đọc được bằng máy của dữ liệu hành chính được thông qua ngày 31/3/2026. Cấp độ 1 hướng đến việc có thể đọc và chuyển dữ liệu: một ô một giá trị, không gộp ô gây nhập nhằng hoặc chèn khoảng trắng chỉ để căn chỉnh. Cấp độ 2 hướng tới dữ liệu có thể tổng hợp và phân tích, với định dạng số và trường dữ liệu đủ nhất quán. Cấp độ 3 phục vụ liên kết giữa các bộ dữ liệu và tự động hóa phân tích. [2]

Công cụ chấm điểm trong thang 100 theo những cấp độ và phép kiểm tra được triển khai, đồng thời trình bày vị trí vi phạm và lý do. Những lỗi quan trọng có thể khiến điểm của một cấp độ về 0 theo quy tắc chấm điểm. Điểm số không nên được hiểu như chứng chỉ rằng mọi giá trị trong tệp đều đúng về mặt nghiệp vụ. [1]

Doanh nghiệp không cần bắt đầu bằng việc tối ưu điểm số. Một báo cáo chỉ dùng nội bộ và một tập dữ liệu được chia sẻ cho nhiều ứng dụng có nhu cầu chuẩn hóa khác nhau. Điều quan trọng là xác định cấp độ cần thiết cho mục đích sử dụng.

Digital Agency cung cấp Harunobu qua giao diện Streamlit, dòng lệnh CLI và Python API. Người dùng có thể kiểm tra tệp trực quan, chạy kiểm tra hàng loạt hoặc tích hợp bước chấm điểm vào pipeline dữ liệu. Kết quả có thể xuất dưới dạng JSON hoặc CSV để phục vụ phân loại và sửa chữa tiếp theo. [1][3]

Harunobu chủ yếu thực hiện phần kiểm tra theo quy tắc và cung cấp thông tin để cải thiện. Việc phân loại, chuẩn hóa hàng loạt và lưu dữ liệu vào kho thống nhất là một quy trình bổ sung mà doanh nghiệp có thể xây dựng, có sự hỗ trợ của con người hoặc công cụ AI. Không nên mô tả Harunobu như một hệ thống tự động biến mọi file Excel lộn xộn thành dữ liệu đúng hoàn toàn.

Ngay bước nhận diện vùng bảng, tiêu đề nhiều tầng hoặc dữ liệu bố trí phức tạp cũng có thể gây lỗi. Một số quy tắc chưa thể kiểm tra tự động; những kết quả bất thường cần được đối chiếu với ngữ cảnh nghiệp vụ. [2][3]

Harunobu có thể chạy trên máy nội bộ. Nếu không bật tính năng hỗ trợ kiểm tra bằng AI bên ngoài, logic đánh giá được thực hiện cục bộ và nội dung file không phải gửi đến máy chủ AI. Điều này hữu ích khi cần xử lý tài liệu nội bộ, dữ liệu chưa công bố hoặc các tệp có thể chứa thông tin nhạy cảm. [1]

Ngược lại, nếu người dùng tự kích hoạt tính năng hỗ trợ đánh giá bằng dịch vụ như Gemini, ChatGPT hoặc Claude, dữ liệu có thể được gửi tới API được cấu hình. Tổ chức phải kiểm tra chính sách bảo mật và quyền sử dụng dữ liệu trước khi bật tùy chọn này. 'Có thể chạy local' không có nghĩa mọi cấu hình đều bảo đảm dữ liệu không ra ngoài. [1]

Một doanh nghiệp có thể triển khai pipeline theo thứ tự: nhận các bảng tính từ chi nhánh; chạy Harunobu để tìm điểm chưa thống nhất; phân loại lỗi; đề xuất cách chuẩn hóa bằng quy tắc hoặc AI; để nhân viên kiểm tra và phê duyệt; sau đó mới ghi dữ liệu hợp lệ vào hệ thống thống nhất. Phần AI đề xuất hay sửa dữ liệu cần được tách khỏi bước xác nhận kết quả.

Ví dụ, một công ty nhận báo cáo tồn kho từ nhiều cửa hàng có thể phát hiện bảng bị gộp ô, đơn vị đo không đồng nhất hoặc cột thời gian khác định dạng. Sau khi sửa mẫu đầu vào và xác minh dữ liệu, quy trình tổng hợp định kỳ sẽ ít phụ thuộc vào thao tác thủ công hơn. Trọng tâm là tạo dữ liệu đáng tái sử dụng chứ không phải biến một hình minh họa pipeline thành cam kết về tính năng sẵn có của Harunobu.

Hiệu quả nên được đo bằng thời gian xử lý trước và sau, số lỗi nhập liệu, tỷ lệ file đạt tiêu chuẩn cần thiết và công sức giám sát. Nếu chỉ cố nâng điểm Harunobu mà không cải thiện công việc thực tế, chuẩn hóa có thể biến thành thủ tục bổ sung.

Harunobu không phải giải pháp DX trọn gói và bộ quy tắc gốc được thiết kế chủ yếu cho dữ liệu hành chính công bố ra ngoài. Doanh nghiệp tư nhân có thể tham khảo những nguyên tắc phù hợp thay vì áp dụng mọi tiêu chí một cách máy móc. [1][2]

Trong khi doanh nghiệp thường dành nhiều chú ý cho mô hình AI mới, chi phí khó nhìn thấy lại nằm ở khâu sửa dữ liệu đầu vào. Một bảng tính cần con người liên tục diễn giải và chỉnh sửa là điểm nghẽn của cả dashboard, báo cáo và AI agent. Giá trị đáng học từ Harunobu là biến những vấn đề tưởng mơ hồ về chất lượng dữ liệu thành lỗi có thể tìm thấy, giải thích và khắc phục theo thứ tự ưu tiên.

Chuyển đổi số không nhất thiết đòi hỏi từ bỏ Excel. Điều quan trọng hơn là dữ liệu trong Excel có thể được sử dụng lại một cách nhất quán, dưới một quy trình kiểm tra và phê duyệt mà tổ chức kiểm soát được.