Datadog là gì và ngân hàng Việt Nam nên áp dụng nền tảng observability này như thế nào

Ngày 13/10/2026

Datadog là nền tảng observability (khả năng quan sát hệ thống) chạy theo mô hình SaaS, gom metrics, logs, traces, trải nghiệm người dùng và tín hiệu bảo mật vào cùng một nơi để doanh nghiệp biết hệ thống đang gặp vấn đề gì và nguyên nhân gốc nằm ở đâu. Với ngân hàng Việt Nam, nền tảng này phù hợp nhất cho các kênh số chạy trên cloud. Tuy nhiên Datadog chưa có trung tâm dữ liệu tại Việt Nam, vì vậy ngân hàng cần thiết kế cách che dữ liệu cá nhân trước khi gửi telemetry ra bên ngoài.

Khi khách hàng phát hiện sự cố trước đội vận hành

Hãy hình dung một buổi tối cuối tháng, khi lượng chuyển khoản trên ứng dụng ngân hàng tăng đột biến và một số khách hàng bắt đầu nhận thông báo lỗi lúc xác thực giao dịch. Đội vận hành thấy CPU của một máy chủ lên tới 95%, nhưng con số đó chỉ cho biết hệ thống có vấn đề, chưa cho biết dịch vụ nào bị ảnh hưởng, giao dịch nào thất bại hay cơ sở dữ liệu nào đang phản hồi chậm. Trong lúc các kỹ sư lần lượt mở công cụ giám sát hạ tầng, công cụ log và công cụ theo dõi ứng dụng, tổng đài đã nhận hàng loạt cuộc gọi phàn nàn. Theo khảo sát của Splunk và Oxford Economics với 2.000 lãnh đạo thuộc nhóm Global 2000, 41% lãnh đạo công nghệ cho biết khách hàng thường là người phát hiện sự cố trước, còn thời gian ngừng hoạt động gây thiệt hại khoảng 400 tỷ USD mỗi năm, tương đương 9% lợi nhuận của các doanh nghiệp này. Vì Splunk là đối thủ của Datadog nên báo cáo mang màu sắc của nhà cung cấp, song mức thiệt hại vẫn đủ lớn để ngân hàng xem xét lại cách giám sát hệ thống của mình.

Datadog là gì và khác gì monitoring truyền thống

Datadog thu thập và liên kết nhiều loại telemetry (dữ liệu đo lường hệ thống) trong cùng một nền tảng, bao gồm metrics, logs, traces, events, hành vi người dùng thực (RUM), kiểm thử chủ động API và web (Synthetic Monitoring), dữ liệu mạng và tín hiệu bảo mật. Theo tài liệu chính thức của Datadog, nền tảng có hơn 1.000 integrations dựng sẵn để kết nối với hạ tầng, cơ sở dữ liệu, middleware và dịch vụ cloud. Monitoring truyền thống trả lời câu hỏi hệ thống có vượt các ngưỡng cảnh báo đã đặt trước hay không. Trong khi đó observability cho phép điều tra cả những lỗi chưa từng được dự đoán, vì Datadog nối được việc CPU cao ở máy chủ nào với dịch vụ nào bị ảnh hưởng, giao dịch nào lỗi và log nào liên quan.

Ba loại dữ liệu nền tảng cùng trả lời ba câu hỏi khác nhau. Metrics cho biết hệ thống đang như thế nào, logs cho biết chuyện gì đã xảy ra, còn traces cho biết một request đã đi qua những dịch vụ nào và chậm ở đâu. Khi cả ba hiển thị trong cùng một bối cảnh, kỹ sư không phải đối chiếu thủ công giữa nhiều công cụ rời rạc để tìm nguyên nhân gốc. Phía trên lớp dữ liệu này, Watchdog tự phát hiện bất thường và phân tích nguyên nhân gốc, trong khi Bits AI SRE Agent, được Datadog công bố phát hành chính thức trong quý 4/2025, tự điều tra cảnh báo thay cho kỹ sư trực. Datadog cũng cung cấp nhóm tính năng bảo mật gồm Cloud Security, Cloud SIEM, App & API Protection và Vulnerability Management, nên đội an ninh thông tin và đội vận hành có thể làm việc trên cùng một dữ liệu.

Hình 1: Ba trụ cột dữ liệu của Datadog và câu hỏi mà mỗi trụ cột trả lời.

Sáu lớp giám sát khi áp dụng cho ngân hàng

Khi áp dụng cho ngân hàng, nhu cầu giám sát thường được chia thành sáu lớp. Lớp hạ tầng bao gồm máy chủ, máy ảo, container, Kubernetes, mạng và lưu trữ. Lớp ứng dụng gồm giám sát hiệu năng ứng dụng (APM), distributed tracing (theo dõi một request đi qua nhiều dịch vụ), service map và giám sát cơ sở dữ liệu. Lớp log tập trung log ứng dụng, middleware, hệ điều hành, API và audit. Lớp trải nghiệm người dùng theo dõi API và ứng dụng di động, lớp bảo mật có Cloud SIEM, phát hiện mối đe dọa và bảo mật ứng dụng, còn lớp AI và tự động hóa đảm nhiệm phát hiện bất thường, điều tra bằng AI và tương quan cảnh báo.

Các tổ chức tài chính đã công bố kết quả cụ thể khi áp dụng cách tiếp cận này. Thrivent giảm thời gian khắc phục sự cố trung bình (MTTR) 66%, từ gần 10 giờ xuống hơn 3 giờ, vì sự cố được phát hiện qua monitor của Datadog thay vì qua tổng đài khách hàng, đồng thời tiết kiệm 50% chi phí nhờ hợp nhất nền tảng log. Citizens Bank đạt MTTR dưới 2 phút theo trang Financial Services của Datadog. Tại Nhật Bản, SBI Securities xử lý hơn 2 nghìn tỷ yên giao dịch mỗi ngày với khoảng 350 kỹ sư giám sát hệ thống, ghi nhận số hạng mục cảnh báo phát hiện được tăng hơn 2 lần so với mô hình on-premise trước đó, và một lý do họ chọn Datadog là dữ liệu có thể lưu trữ tại Nhật Bản. Các kết quả này đều do Datadog công bố, vì vậy doanh nghiệp cần đối chiếu với điều kiện triển khai của chính mình.

Vị thế thị trường và so sánh với các đối thủ

Theo thông cáo nhà đầu tư của Datadog, doanh thu năm tài chính 2025 đạt 3,43 tỷ USD, tăng 28%. Quý 2/2026, doanh thu đạt 1,12 tỷ USD, tăng 36%, với khoảng 4.720 khách hàng có ARR từ 100.000 USD trở lên. Về đánh giá độc lập, Datadog công bố được Gartner đặt vào nhóm Leader trong Magic Quadrant for Observability Platforms năm thứ sáu liên tiếp (bản 2026) và cho biết mình được đặt cao nhất ở trục Ability to Execute. Magic Quadrant không xếp hạng theo thứ tự, vì vậy cách diễn đạt chính xác là Datadog thuộc nhóm Leader chứ không phải vị trí số 1. Dynatrace, Elastic, Grafana Labs và Coralogix cũng công bố nằm trong nhóm này.

Khác biệt giữa các nền tảng chủ yếu nằm ở mô hình triển khai và kỹ năng vận hành. Dynatrace vẫn có Dynatrace Managed cho môi trường on-premise, nhưng Grail, kho dữ liệu của hãng, chỉ có trên SaaS, nên ngân hàng chọn on-premise sẽ không tiếp cận được các cải tiến mới nhất. Splunk thường được biết đến với năng lực SIEM mạnh nhưng đòi hỏi kỹ năng chuyên sâu như ngôn ngữ truy vấn SPL. Elastic và Grafana có thể tự vận hành trong hạ tầng của ngân hàng, đổi lại cần đội kỹ sư đủ chuyên môn để quản trị cluster và nâng cấp. Datadog nằm ở phía ngược lại, vì đội vận hành nhỏ vẫn triển khai được trong vài tuần nhờ agent và integration dựng sẵn, nhưng ngân hàng phải chấp nhận mô hình SaaS và chi phí tăng theo lượng log.

Hình 2: So sánh Datadog với bốn nền tảng observability phổ biến về triển khai, SIEM và kỹ năng vận hành.

Dữ liệu telemetry ra nước ngoài: rào cản cần giải quyết trước

Datadog có 9 site độc lập là US1, US3, US5, EU1 (Đức), UK1 (Anh), US1-FED, US2-FED, AP1 (Nhật Bản) và AP2 (Úc), và dữ liệu không được chia sẻ giữa các site. Hiện chưa có site nào tại Việt Nam, Singapore hay Ấn Độ, và cũng chưa có nguồn công khai nào cho thấy một ngân hàng Việt Nam là khách hàng của Datadog. SaaS cũng không còn là lựa chọn duy nhất, vì tại DASH 2026 Datadog giới thiệu BYOC Logs (Bring Your Own Cloud), cho phép lưu và index log trong object storage của khách hàng trong khi giao diện vẫn chạy trên Datadog. Tuy nhiên tính năng này chưa hỗ trợ SIEM, Watchdog và LiveTail, nên đây mới là mô hình hybrid chứ chưa phải bản on-premise hoàn chỉnh.

Về pháp lý, Điều 20 Luật Bảo vệ dữ liệu cá nhân 91/2025/QH15 (hiệu lực từ 1/1/2026) coi việc đưa dữ liệu cá nhân lên dịch vụ cloud của nhà cung cấp nước ngoài là chuyển dữ liệu xuyên biên giới. Bên chuyển phải lập hồ sơ đánh giá tác động và gửi Bộ Công an trong vòng 60 ngày kể từ lần chuyển đầu tiên, và mức phạt tối đa đối với vi phạm có thể lên tới 5% doanh thu năm liền trước. Thông tư 09/2020/TT-NHNN không cấm đặt dữ liệu ở nước ngoài, nhưng Điều 35 yêu cầu bên thứ ba minh bạch vị trí trung tâm dữ liệu ngoài lãnh thổ Việt Nam, còn Điều 33 yêu cầu đánh giá rủi ro trước khi dùng dịch vụ bên thứ ba cho hệ thống từ cấp độ 3 trở lên. Log và trace của ngân hàng thường chứa số tài khoản, tên, số điện thoại và địa chỉ IP, vì vậy nếu gửi thẳng lên Datadog thì ngân hàng gần như chắc chắn thuộc phạm vi này.

Cách xử lý thực tế là che dữ liệu ngay trong hạ tầng của ngân hàng. Observability Pipelines có Worker chạy tại data center của ngân hàng, được xây trên nền Vector mã nguồn mở, và khi kết hợp với Sensitive Data Scanner thì dữ liệu cá nhân được che hoặc băm trước khi rời khỏi cơ sở. Bản log gốc được giữ trong nước theo Nghị định 53/2022/NĐ-CP, còn Datadog chỉ nhận telemetry đã khử định danh qua site AP1 hoặc AP2, với vị trí được ghi rõ trong hợp đồng. Ngân hàng cần lưu ý rằng chế độ Sensitive Data Scanner chạy trên cloud của Datadog che dữ liệu sau khi dữ liệu đã rời môi trường của khách hàng, vì vậy cần chọn chế độ chạy cùng Observability Pipelines. Phần pháp lý trong bài mang tính tham khảo nghiệp vụ, và bộ phận pháp chế cần xác nhận trước khi triển khai.

Hình 3: Kiến trúc che dữ liệu cá nhân tại data center Việt Nam trước khi gửi telemetry tới Datadog.

Khi nào nên chọn Datadog

Datadog phù hợp khi khối lượng công việc chủ yếu chạy trên cloud, Kubernetes hoặc microservices, khi đội vận hành nhỏ và không muốn tự quản trị cluster, shard hay chính sách lưu trữ, và khi doanh nghiệp cần đưa nền tảng vào vận hành nhanh để phục vụ digital banking, ứng dụng di động và API gateway. Ngược lại, với core banking đặt on-premise hoặc khi chính sách nội bộ cấm hoàn toàn telemetry ra nước ngoài, doanh nghiệp không nên dùng Datadog làm nền tảng duy nhất mà nên kết hợp theo mô hình hybrid, trong đó Datadog giám sát kênh số còn SIEM hoặc kho log đặt trong nước. Về chi phí, các đánh giá của bên thứ ba cho biết log được tính phí ở cả khâu thu nhận lẫn lập chỉ mục, nên ngân hàng cần chỉ index phần log cần tra cứu nhanh và đưa phần còn lại vào lưu trữ giá thấp ngay từ đầu.

Một bước khởi đầu hợp lý là chọn một dịch vụ kênh số, chẳng hạn luồng chuyển khoản trên ứng dụng di động, làm thí điểm trong một giai đoạn ngắn, đo MTTR trước và sau khi áp dụng, đồng thời hoàn thiện hồ sơ pháp lý cho luồng dữ liệu đã che.

Tác giả: Lê Thanh Hải – Chuyên gia công nghệ Ngân hàng, FPT IS, Tập đoàn FPT

Nguồn tham khảo

FPT IS

Đăng ký nhận tin tức mới nhất từ FPT IS