Là một người cũng mới bắt đầu tìm hiểu về AI, mình khá tò mò không biết thực tế những công cụ này có thể hỗ trợ đến đâu, nên đã thử áp dụng trực tiếp trên một file dữ liệu trong Excel.

Theo như mình biết thì trên thị trường hiện nay có khá nhiều công cụ AI hỗ trợ phân tích, nhưng mình vẫn quyết định bắt đầu với Microsoft Copilot, đơn giản vì nó đã được tích hợp sẵn trong Microsoft 365, không cần setup phức tạp, mở Excel lên là dùng được ngay.

Sau khi thử nghiệm, mình khá bất ngờ về mức độ hỗ trợ của Copilot, đặc biệt là ở những bước xử lý và dựng dashboard ban đầu. Cùng mình tìm hiểu chi tiết tại bài viết này nhé!

Để việc test không bị quá “lý thuyết”, mình lên Github search và chọn một dataset khoảng 4000 dòng dữ liệu về doanh thu và lợi nhuận của Coca-Cola trong năm 2022. Cụ thể, dữ liệu bao gồm:

• Thông tin giao dịch (retailer, ngày bán)

• Thông tin địa lý (region, state, city)

• Thông tin sản phẩm (brand)

• Thông tin vận hành (thời gian giao hàng, đơn vị vận chuyển)

• Và các chỉ số kinh doanh (doanh thu, lợi nhuận, số lượng bán, margin)

Sau khi đã tải dữ liệu về Excel, giờ mình sẽ bắt đầu sử dụng AI để phân tích.

Mình đã tích hợp Microsoft Copilot vào Excel như thế nào?

Để sử dụng Copilot trong Excel, mọi người chỉ cần vào tab Home → chọn Add-ins, sau đó nhập “Copilot” vào thanh tìm kiếm. Nếu chưa thấy, bạn có thể bấm vào “More Add-ins”, tìm lại và chọn Add là được.

Sau khi thêm thành công, Copilot sẽ xuất hiện trực tiếp trong Excel như một panel riêng. Vì mình đã cài từ trước nên nó hiển thị sẵn trên thanh công cụ, chỉ cần mở file là có thể sử dụng ngay.

Đây là giao diện Copilot sau khi mình đã tích hợp vào trong Excel. Từ đây mọi người có thể bắt đầu nhập lệnh để AI bắt đầu xử lý và phân tích dữ liệu.

Chi tiết cách mình sử dụng Copilot để tạo Pivot Table và Dashboard

Bước 1: Xác định thông tin quan trọng và lựa chọn các chỉ số chính

Vì dataset mình sử dụng đã được làm sạch từ trước, nên mình không cần dành quá nhiều thời gian cho bước xử lý dữ liệu ban đầu. Tuy nhiên, trong thực tế khi làm việc với data của doanh nghiệp, đây lại là một bước gần như không thể bỏ qua.

Vì vậy, trước khi đi vào phân tích, mình nghĩ mọi người nên dành thời gian check lại dữ liệu thật kỹ. Nếu chưa biết xử lý data như thế nào, bạn hoàn toàn có thể nhờ Copilot hoặc ChatGPT gợi ý cách làm sạch và chuẩn hóa dữ liệu.

Dưới đây là một vài cách prompt giúp bạn xử lý dữ liệu với ChatGPT.

Phần này trong slide của khóa Data Visualization & Analytics with Excel tại TM Data School cũng có hướng dẫn khá chi tiết cách dùng AI để viết công thức và xử lý data, mọi người có thể tham khảo thêm nha!

Quay trở lại với dataset của mình, thay vì mở file ra và làm pivot table ngay, mình chọn cách bắt đầu bằng việc nhờ Copilot đề xuất trước.

Cụ thể, mình sử dụng prompt như sau:

“Từ bảng dữ liệu ‘Updated data sheet’, mình cần tạo một báo cáo trực quan để theo dõi tình hình doanh thu các sản phẩm của Coca-Cola năm 2022. Hãy cho mình biết những thông tin quan trọng nào cần được cho vào trong báo cáo?”

Và Copilot trả về một danh sách khá đầy đủ, bao gồm:

• Các KPI chính

• Các chiều phân tích (theo sản phẩm, khu vực, thời gian)

• Và thậm chí còn gợi ý cả dạng biểu đồ phù hợp

Tuy nhiên có một điểm lưu ý ở đây là mình sẽ không sử dụng 100% những gì Copilot gợi ý mà sẽ đọc lại một lượt và chỉnh sửa lại những phần mình thấy chưa ổn.

Ví dụ, ở phần KPI chính, Copilot đề xuất khá nhiều chỉ số. Nhưng với mình, chỉ cần những thông tin như: Tổng doanh số, Lợi nhuận, Số sản phẩm bán ra và Số ngày vận chuyển trung bình là đủ. Những chỉ số như biên lợi nhuận mình tạm thời không đưa vào, vì nó chưa thực sự cần thiết cho bài toán này.

Sau khi chỉnh sửa lại các hạng mục, Copilot sẽ cập nhật lại toàn bộ cấu trúc dựa trên những gì mình đã tinh chỉnh. Lúc này, thay vì một danh sách khá chung chung ban đầu, mình đã có được một bộ thông tin đúng với mục tiêu mình cần theo dõi.

Và đây cũng là lúc mình chốt được cấu trúc cho một dashboard hoàn chỉnh:

Bước 2: Gợi ý biểu đồ phù hợp cho từng thông tin

Sau khi đã xác định được các mục cần có trong dashboard, mình chuyển sang bước tiếp theo là chọn biểu đồ phù hợp cho từng loại thông tin.

Thay vì phải suy nghĩ biểu đồ nào phù hợp, mình nhờ Copilot gợi ý trước bằng prompt:

“Hãy đề xuất cho tôi từng loại biểu đồ phù hợp với các hạng mục bên trên trước khi tạo Dashboard”.

Và dưới đây là kết quả Copilot trả về cho mình:

Về cơ bản, các gợi ý của Copilot là khá ổn nên mình không cần chỉnh sửa quá nhiều. Nhưng mình vẫn sẽ kiểm tra lại một lần nữa để đảm bảo biểu đồ được chọn phù hợp với mục tiêu phân tích.

Bước 3: Tạo Pivot Table và Dashboard

Sau khi đã xác định được nội dung và cách thể hiện, mình chuyển sang bước tạo dashboard. Ở bước này, mình sử dụng prompt:

“Dựa vào các thông tin trên, hãy tạo giúp mình một bản Dashboard hoàn chỉnh. Tạo sang một sheet khác và đặt tên là ‘Dashboard Coca-Cola 2022”.

Kết quả là Copilot tự động tạo Pivot Table, sau đó vẽ sẵn các biểu đồ và sắp xếp thành một dashboard cơ bản cho mình.

Tức là toàn bộ những phần trước đây mình phải làm thủ công như: kéo thả dữ liệu để tạo pivot, chọn biểu đồ phù hợp, liên kết dữ liệu với biểu đồ,… gần như đã được Copilot xử lý giúp.

Tuy nhiên, khi nhìn vào dashboard, mình nhận ra một vấn đề đó là: Mặc dù Dashboard đúng về mặt dữ liệu, nhưng chưa ổn về mặt trình bày. Mình cũng đã thử prompt lại nhiều lần để cải thiện phần này, nhưng kết quả không thay đổi quá nhiều. Có thể ở thời điểm hiện tại, Copilot vẫn chưa thực sự tối ưu cho phần thiết kế dashboard.

Cuối cùng mình vẫn phải chỉnh sửa lại phần trình bày:

• Sắp xếp lại layout theo thứ tự đọc

• Nhóm các thông tin liên quan lại với nhau

• Điều chỉnh màu sắc để phù hợp hơn với mục tiêu sử dụng (và cả yếu tố thương hiệu)

Tham khảo 5 bước thiết kế report logic - Slide thuộc khóa học Data Visualization & Analytics with Excel

Dưới đây là bản Dashboard mình đã hoàn thiện, dựa trên các biểu đồ mà Copilot gợi ý và tạo ra ban đầu:

Nhìn chung, mình thấy việc sử dụng Copilot khá tiện và thực sự giúp tiết kiệm thời gian.

Nếu như trước đây, mình sẽ mất khá nhiều thời gian cho các bước như xử lý dữ liệu, tạo Pivot Table hay vẽ biểu đồ, thì bây giờ toàn bộ quá trình đó có thể rút gọn lại rất nhiều. Chỉ trong khoảng 15 phút, mình đã có thể tạo ra một bản dashboard phác thảo cơ bản để bắt đầu phân tích.

Bước 4: Phân tích xu hướng và tìm ra insight, đề xuất

Sau khi đã có dashboard hoàn chỉnh, mình thử tận dụng Copilot thêm một bước nữa là nhờ AI phân tích xu hướng và đưa ra insight.

Mình sử dụng các prompt như “Phân tích xu hướng doanh thu theo thời gian và cho mình biết những điểm đáng chú ý” hoặc “So sánh hiệu quả giữa các sản phẩm/khu vực và đưa ra đề xuất cải thiện”.

Copilot có thể nhận diện khá nhanh các xu hướng tăng giảm theo thời gian, so sánh hiệu suất giữa các nhóm dữ liệu và đưa ra một số đề xuất mang tính tổng quát.

Tuy nhiên, khi đọc kỹ kết quả, mình thấy phần lớn insight vẫn đang dừng ở mức khá “bề mặt”, ví dụ như tập trung vào sản phẩm bán tốt hơn, đẩy mạnh khu vực hiệu quả hay cải thiện vận hành để tối ưu kết quả. Những nhận định này không sai, nhưng cũng chưa đủ sâu để có thể dùng trực tiếp cho việc ra quyết định.

Tạm kết

Sau khi thử toàn bộ quy trình phân tích dữ liệu với Copilot, điều mình thấy rõ nhất là AI thực sự mang lại lợi thế rất lớn về tốc độ.

Những công việc trước đây tốn khá nhiều thời gian như tạo Pivot Table, vẽ biểu đồ hay xây dựng structure dashboard giờ đây có thể được rút gọn lại chỉ trong vài phút. Điều này giúp mình giải phóng được khá nhiều thời gian ở phần thao tác, để tập trung nhiều hơn vào việc phân tích và tìm ra hướng giải quyết cho bài toán.

Tuy nhiên, khi sử dụng sâu hơn, mình cũng nhận ra khá rõ những giới hạn mà AI hiện tại vẫn chưa thể thay thế con người, đặc biệt là ở phần phân tích và đưa ra insight.

Ví dụ như:

• AI có thể liệt kê rất nhiều thông tin, nhưng chưa biết chọn đâu là chỉ số quan trọng nhất trong từng bài toán cụ thể

• Việc trình bày dashboard vẫn chưa tối ưu theo cách người dùng thực sự đọc và ra quyết định

• Và quan trọng nhất, các insight đưa ra vẫn khá chung chung, thiếu bối cảnh business, nên khó áp dụng vào thực tế

Do vậy, nếu sử dụng một cách “thụ động”, chúng ta rất dễ rơi vào tình trạng có dashboard rất nhanh, nhưng lại không chắc mình đang nhìn đúng vấn đề, thậm chí có thể đưa ra kết luận sai.

Chính vì vậy, sau toàn bộ quá trình này, điều mình rút ra không phải là AI có thể thay thế việc phân tích dữ liệu, mà là AI đang giúp mình làm nhanh hơn ở phần thao tác, còn phần quan trọng nhất: Tư duy vẫn phải đến từ con người.

Nếu không có nền tảng về cách xác định chỉ số, hiểu dữ liệu và đặt câu hỏi đúng, thì ngay cả khi Copilot đưa ra gợi ý, mình cũng sẽ khó đánh giá được liệu những gợi ý đó có thực sự phù hợp hay không.

Vì vậy, để sử dụng AI tối ưu hoá hiệu quả công việc, điều quan trọng nhất vẫn nằm ở việc bạn hiểu dữ liệu đến đâu, chứ không phải bạn đang dùng công cụ gì.

👉 Nếu bạn muốn xây dựng nền tảng dữ liệu bài bản và rèn luyện tư duy đọc – hiểu số liệu thông qua các dataset thực tế từ doanh nghiệp, bạn có thể tham khảo khóa học Data Visualization & Analytics with Excel tại TM Data School tại đây nhé!

Tổng quan lộ trình khóa học Data Visualization & Analytics with Excel

Điều khiến tụi mình bối rối là team vẫn làm rất đều. Nội dung vẫn chạy đúng kế hoạch, khối lượng công việc thậm chí còn tăng lên, nhưng số lead tạo ra gần như không cải thiện.

Cho đến khi ngồi lại review kỹ, tụi mình mới nhận ra vấn đề không nằm ở việc làm chưa đủ, mà nằm ở cách mình hiểu và bóc tách bài toán lead ngay từ đầu. Khi chưa nhìn rõ lead đến từ đâu và bị nghẽn ở đâu, team rất dễ tiếp tục làm nhiều hơn mà không cải thiện được kết quả.

💁 Tụi mình đã hiểu sai bài toán lead ở đâu?

Khi không đạt KPI, tụi mình thường chỉ nhìn vào tổng số lead rồi kết luận rằng có thể chưa làm đủ hoặc làm chưa đúng theo cảm tính. Nhưng thực tế, để tạo ra lead, luôn phải trả lời hai câu hỏi rất cơ bản:

• Đầu vào có đủ chưa (số lượng traffic vào landing page)

• Nếu đầu vào đã có, khả năng chuyển đổi đang tốt hay kém (conversion rate)

Khi không tách bài toán theo hai phần này, mọi thứ bị gộp lại thành một vấn đề chung. Team không biết mình đang thiếu đầu vào hay đang mất ở khâu chuyển đổi, nên mỗi lần không đạt KPI, việc tối ưu thường quay lại hướng quen thuộc là làm nhiều hơn, thay vì cải thiện đúng phần đang gặp vấn đề.

Mình học công thức tính các chỉ số quan trọng trong Marketing từ khoá Data Analysis with Power BI của TM Data School, mọi người có thể tham khảo nhé!

💁 Cách tụi mình bắt đầu giải lại bài toán lead

Tụi mình thống nhất một nguyên tắc quan trọng là không phân tích dàn trải, mà luôn bám theo funnel đầu vào của lead là từ traffic đến conversion.

Bước 1: Kiểm tra traffic (đầu vào có đủ chưa)

Khi lead không đạt, tụi mình bắt đầu từ một câu hỏi rất cụ thể: với mức chuyển đổi hiện tại, lượng người vào có đủ để tạo ra số lead mong muốn hay chưa.

Đầu tiên, team xác định lượng traffic tối thiểu cần có dựa trên conversion rate trung bình trong quá khứ. Đây là mức phản ánh khả năng chuyển đổi trong điều kiện bình thường, nên có thể dùng làm baseline.

Ví dụ, nếu target là 300 lead và conversion rate trung bình là 5%, thì cần khoảng 6.000 lượt vào landing page. Việc này giúp team có một mốc rõ ràng, thay vì nhìn traffic một cách cảm tính mà không biết bao nhiêu là đủ.

Sau khi có con số cần đạt, tụi mình mới nhìn vào traffic hiện tại đã đáp ứng với yêu cầu chưa? Nếu traffic chưa đủ lượng, tụi mình không tăng dàn trải mà nhìn lại dữ liệu theo từng kênh.

Team đặt cạnh nhau ba chỉ số: số người vào landing page, số lead tạo ra và tỷ lệ chuyển đổi của từng kênh, sau đó dùng conversion rate trung bình làm mốc so sánh:

• Kênh có CR thấp hơn trung bình trong khi là top traffic → ngay lập tức xử lý lại chất lượng đầu vào qua target audience, content angle khớp với giải pháp sản phẩm/dịch vụ cung cấp hơn vì kênh này có độ phủ

• Kênh có CR tiệm cận hoặc cao hơn trung bình nhưng traffic thấp → đẩy mạnh scale vì có khả năng tạo thêm lead

Như vậy sẽ không bị phí nguồn lực vào kênh không có ảnh hưởng quá lớn tới lead, cũng như không bị bỏ sót kênh có tiềm năng.

Bước 2: Kiểm tra tỷ lệ chuyển đổi của landing page

Sau khi kiểm tra traffic, tụi mình chuyển sang câu hỏi tiếp theo: với lượng người vào hiện tại, tỷ lệ chuyển đổi có đang ở mức bình thường không.

Tương tự bước 1, tụi mình không nhìn con số này một cách cảm tính mà luôn đặt nó trong tương quan với dữ liệu quá khứ. Team lấy conversion rate trung bình làm mốc so sánh để xác định liệu hiện tại có đang có vấn đề hay không.

Nếu conversion rate hiện tại tiệm cận mức trung bình, tụi mình tạm loại trừ khả năng vấn đề nằm ở landing page. Ngược lại, nếu conversion rate giảm rõ rệt, thì cần đi tiếp để xác định chính xác người dùng đang dừng lại ở đâu trong quá trình chuyển đổi.

Lúc này, tụi mình không nhìn conversion như một con số tổng, mà đặt nó trong chuỗi hành vi của người dùng trên landing page. Khi đặt cạnh các chỉ số như thời gian ở lại, mức độ đọc và hành vi bấm, tụi mình có thể xác định rõ vị trí vấn đề:

• Người vào nhưng rời đi nhanh, thời gian ở lại thấp → vấn đề nằm ở độ khớp giữa nội dung dẫn vào và landing page

• Người ở lại đọc nhưng không có hành động tiếp theo → vấn đề nằm ở việc nội dung chưa đủ rõ hoặc sản phẩm chưa đủ thuyết phục để chuyển đổi

Bảng Issue Tree mình tự tổng hợp sau khi ngồi review lại performance

💁 Kết luận

Để grow, marketer không thể làm theo cảm tính. Quan trọng hơn là hiểu để đạt được KPI cần những nguồn lực nào, và mình có thể tác động vào những biến nào để đạt được kết quả cuối. Khi nhìn theo cách này, team marketing sẽ không còn rơi vào việc làm nhiều hơn để chạy theo KPI, mà biết cách tối ưu đúng chỗ để tạo ra tăng trưởng thực sự.

Và khi có tư duy hành động dựa trên phân tích và dữ liệu, bạn cũng sẽ tự nhìn ra những cơ hội tăng trưởng mà trước đây có thể mình đã bỏ lỡ!

Nếu bạn muốn hiểu rõ hơn cách bóc tách vấn đề và làm việc với dữ liệu theo hướng ra quyết định (chứ không chỉ dừng ở việc đọc số), thì có thể tham khảo khóa Analytics for Strategy của TM Data School. Mình thấy cách tiếp cận trong khóa khá thực tế vì có các case study cụ thể, khá phù hợp với những bạn đang làm growth marketing nhưng tư duy Business Data Analytics và Decision Science còn yếu.

Tham khảo khóa học ở đây nha!

Thời gian đầu đi làm, mình khá tự tin với performance của mình. Bài viết lên đều, số liệu nhìn cũng “ổn”: view tăng, like tăng, engagement duy trì ổn định. Quan trọng hơn là lead vẫn về, thậm chí có những giai đoạn vẫn vượt goal. Do vậy, mỗi lần làm report, mình nghĩ chỉ cần tổng hợp lại bài nào nhiều view, nhiều tương tác, kpi đạt được so với tổng goal đề ra là đã có thể chứng minh hiệu quả công việc.

Cho đến một lần trong khi họp báo cáo tổng kết cuối tháng, sếp mình hỏi một câu: “Content của em lượt tương tác khá tốt, nhưng tỷ lệ chuyển đổi ra lead như thế nào?”.

Mình nhớ là lúc đó mình đã dừng lại vài giây, vì không biết trả lời như thế nào.

Đó cũng là lúc mình nhận ra một sai lầm mà mình đã lặp lại trong một thời gian khá dài: mình cứ viết bài, nhìn số liệu thấy “ổn”, nhưng lại không thực sự hiểu những nội dung đó đang hiệu quả đến đâu. Mình có data, nhưng lại không biết dùng data để đo lường giá trị thực sự của content mình làm.

Vấn đề nằm ở cách mình nhìn data

Sau lần bị sếp hỏi bất ngờ, mình bắt đầu nhìn lại cách mình tracking content một cách nghiêm túc hơn. Trước đây, mình có xu hướng nhìn từng chỉ số riêng lẻ. Bài nào nhiều view thì mình nghĩ là tốt, bài nào nhiều like hay comment thì mặc định là hiệu quả. Mỗi chỉ số giống như một “tín hiệu tích cực”, và mình gần như không đặt câu hỏi sâu hơn về nó.

Nhưng vấn đề là, khi nhìn theo cách đó, mình không thể trả lời được những câu hỏi quan trọng hơn. Ví dụ như: vì sao bài này lại mang về lead, người dùng có thực sự quan tâm đến nội dung hay không, hay họ đã đi qua những bước nào trước khi để lại thông tin.

Mọi thứ chỉ bắt đầu rõ ràng hơn khi mình thử thay đổi góc nhìn. Thay vì nhìn content như từng bài riêng lẻ, mình bắt đầu nhìn nó như một hành trình, kết hợp đọc các chỉ số với nhau để phản ánh đúng cách người dùng tiếp cận, tương tác và đưa ra hành động.

Mình bắt đầu tracking lại như thế nào?

Nếu bạn làm content trên Facebook, bạn sẽ khá quen với việc theo dõi số liệu trên Meta Business Suite. Các chỉ số như reach, reaction, comment hay link click đều có sẵn ở đó.

Trước đây, mình chỉ dừng lại ở việc nhìn các chỉ số này trực tiếp trên platform. Nhưng sau này, mình bắt đầu download data về Excel để nhìn lại một cách tổng thể hơn.

Tuy nhiên, file tải về thường khá rối và khó đọc vì chứa dữ liệu của nhiều khóa học khác nhau, trong khi mình chỉ phụ trách một vài khoá. Nếu giữ nguyên như vậy thì rất khó nhìn ra insight, nên mình thường dùng Power Query để lọc và làm sạch dữ liệu, đưa về dạng dễ nhìn và dễ phân tích hơn.

Phần làm sạch dữ liệu này là quy trình mình đã học trong khóa Data Visualization & Analytics with Excel tại TM Data School. Nếu bạn quan tâm, có thể tham khảo thêm tại đây nha.

Tham khảo khoá học tại đây

Dưới đây là file dữ liệu sau khi mình tải về và xử lý cơ bản trên Excel.

Bạn có thể tham khảo thêm về cách xử lý dữ liệu trên Power Query tại đây nha: Power Query là gì? Sử dụng Power Query để làm sạch dữ liệu trong Power BI như thế nào?

Khi đưa tất cả các chỉ số về cùng một bảng, mình có thể dễ dàng so sánh và nhìn ra hiệu quả thực sự của từng bài viết, thay vì nhìn rời rạc như trước.

Nhìn vào số liệu thì có những bài reach rất cao nhưng gần như không có click. Ngược lại, có những bài không quá nổi bật về mặt tương tác, nhưng lại có người click vào link và để lại thông tin.

Lúc này, mình bắt đầu thay đổi cách đọc data. Thay vì hỏi “bài này có nhiều view không?”, mình chuyển sang hỏi: Người dùng sau khi thấy content này đã đi được đến bước nào?

Và khi bắt đầu đặt câu hỏi theo hướng đó, mình nhận ra một điều: dù có rất nhiều chỉ số khác nhau, nhưng thực chất chúng đều đang phản ánh từng bước trong hành trình của người dùng.

4 lớp chỉ số mình luôn nhìn khi tracking content

Sau một thời gian làm việc với data, mình đã đơn giản hoá lại toàn bộ các chỉ số này thành 4 lớp chính, tương ứng với cách người dùng tiếp cận, tương tác và hành động với content. Khi nhìn theo 4 lớp này, việc đọc data trở nên rõ ràng và dễ hiểu hơn rất nhiều.

Đầu tiên là Reach — Content có tiếp cận được người đọc hay không. Đây là lớp giúp mình hiểu có bao nhiêu người nhìn thấy bài viết, nhưng chỉ dừng ở đây thì chưa đủ để đánh giá hiệu quả.

Tiếp theo là Engagement — Người dùng có dừng lại hay không. Trên Meta, điều này thể hiện qua reaction, comment, share hoặc các hành vi tương tác khác.

Sau đó là Click — Người dùng có quan tâm đủ để hành động hay chưa. Đây là bước mình từng bỏ qua, nhưng lại là bước quan trọng để phân biệt giữa content “được thích” và content “tạo ra hành động”.

Cuối cùng là Conversion — Có bao nhiêu người thực sự trở thành lead. Đây cũng là lớp giúp mình trả lời câu hỏi quan trọng nhất: content này có mang lại kết quả hay không.

Trong phần 1 này mình sẽ tập trung vào 3 chỉ số chính là: Reach, Engagement và Click nha.

Vậy mình tối ưu content như thế nào từ 4 lớp chỉ số này?

Sau khi bắt đầu nhìn content theo 4 lớp chỉ số, mình nhận ra một điều quan trọng: không phải bài nào cũng cần tối ưu giống nhau. Việc đọc data chỉ thực sự có ý nghĩa khi mình đặt nó trong đúng mục tiêu của bài viết.

Ví dụ như bài awareness để tăng tương tác, bài BOFU để tạo ra chuyển đổi. Do vậy, tương ứng với mục tiêu của mỗi bài, mình sẽ chọn các chỉ số đo lường khác nhau để phân tích.

Với những bài mang mục tiêu awareness hoặc creative, mình sẽ ưu tiên reach và engagement.

Thông thường, hai chỉ số này sẽ có xu hướng đi cùng nhau. Thay vì hỏi “bài này có nhiều tương tác không?”, mình sẽ nhìn xem với mức reach đó, tương tác có đang ở mức hợp lý hay không.

Ví dụ, nếu một bài có reach khá tốt nhưng tương tác không tăng tương ứng, mình sẽ xem lại nội dung có thực sự đủ “chạm” để giữ người đọc hay chưa. Lúc này, mình sẽ không đụng vào CTA hay landing page, mà quay lại tối ưu phần mở đầu (hook, headline hoặc cách mình dẫn dắt vấn đề). Vì với loại content này, điều quan trọng nhất vẫn là khiến người đọc dừng lại và chú ý.

Ngược lại, với những bài mang mục tiêu chuyển đổi (BOFU), mình sẽ nhìn nhiều hơn vào click và CTR. Có những bài tương tác khá ổn, có comment, có discussion, nhưng click lại thấp. Khi đó, vấn đề thường không nằm ở nội dung chính, mà nằm ở cách mình dẫn người đọc đi tiếp. Có thể CTA chưa đủ rõ, hoặc placement chưa hợp lý. Những lúc này, mình sẽ thử viết lại CTA theo hướng cụ thể hơn, hoặc đưa CTA lên sớm hơn trong bài thay vì để ở cuối.

Một trường hợp khác mình gặp khá nhiều là click tốt, nhưng không ra lead. Và đây là lúc mình nhận ra: không phải vấn đề nằm ở content nữa. Khi gặp tình huống này, mình sẽ kiểm tra lại xem thông điệp giữa content và landing page có đang bị lệch không, hoặc landing page có đủ rõ ràng và thuyết phục để người dùng tiếp tục hành động hay không.

Khi nhìn theo cách này, mình không còn cố “làm content tốt hơn” một cách chung chung nữa. Mỗi lần tối ưu đều có một lý do rất rõ ràng: bài này đang phục vụ mục tiêu gì, và mình cần cải thiện đúng phần nào để kéo người dùng đi thêm một bước trong hành trình.

Sau khi bắt đầu nhìn content theo 4 lớp chỉ số, mình nhận ra một điều: mỗi bài viết không cần “tốt toàn diện”, mà quan trọng là biết nó đang yếu ở đâu để tối ưu đúng chỗ. Thay vì cố gắng làm mọi thứ tốt hơn một cách chung chung, mình bắt đầu đọc data theo kiểu “bài này đang mắc ở bước nào”.

Tạm kết

Nhìn lại, mình nghĩ sai lầm lớn nhất trước đây không phải là mình làm content chưa đủ tốt. Mà là mình có kết quả, nhưng lại không hiểu vì sao mình có kết quả đó.

Số liệu nhìn vẫn “ổn”, nhưng tất cả diễn ra theo kiểu khá ngẫu nhiên. Viết nhiều chưa chắc đã tốt hơn, và đôi khi viết ít hơn thì kết quả vẫn không thay đổi. Bởi nếu không hiểu được logic phía sau, thì mình gần như không thể tối ưu hay lặp lại những gì đang hoạt động.

Chỉ khi bắt đầu nhìn content theo từng bước trong hành trình,từ reach, engagement, đến click, mình mới dần hiểu được người dùng đang dừng lại ở đâu, và mình cần cải thiện điều gì để kéo họ đi tiếp.

Và có lẽ điều quan trọng nhất mình học được là:

Content tốt không phải là content nhiều view Mà là content giúp người dùng đi thêm một bước trong hành trình

Và câu chuyện chưa dừng lại ở đó…

Như mình đã đề cập bên trên thì nhiều bài click tốt nhưng lại không ra lead, điều đó có thể nằm ở landing page chưa được tối ưu đề phù hợp với người đọc. Mình sẽ chia sẻ chi tiết hơn về cách đọc và tối ưu các chỉ số ở landing page trong phần 2 của series này nha.

Nếu bạn muốn tìm hiểu thêm về cách xử lý dữ liệu và tư duy xây dựng báo cáo/ dashboard với Excel, hãy tham khảo khóa học Data Visualization & Analytics with Excel của TM Data School.

1. Power Query là gì?

Power Query là một công cụ được tích hợp sẵn trong Microsoft Excel và Power BI cho phép người dùng thực hiện các thao tác làm sạch và chuẩn hóa dữ liệu trước khi tải vào Excel hoặc Power BI để trực quan hóa và phân tích.

Một số tính năng nổi bật của Power Query:

• Kết nối với đa dạng các nguồn dữ liệu khác nhau: Bạn có thể sử dụng Power Query để kết nối kéo dữ liệu từ nhiều nguồn khác nhau bao gồm: Excel Workbook, Text/CSV, Folder, Google Sheets, SQL Server database,... về một nơi là Power Query để xử lý.

• Chuyển đổi dữ liệu (Transforming data): Không cần có bất cứ kiến thức gì về coding, bạn vẫn có thể thực hiện các thao tác để xử lý, làm sạch dữ liệu phục vụ cho quá trình phân tích như:

  • Pivot / Unpivot

  • Tách/ Hợp nhất các cột (Split / Merge)

  • Tạo thêm cột mới

  • Xóa hàng, cột, giá trị trống, lỗi

  • Thay đổi kiểu dữ liệu

  • …..

• Kết hợp các bảng: Power Query cho phép kết hợp nhiều bảng dữ liệu có liên quan lại với nhau thông qua một cột chung, đây là giải pháp có thể thay thế cho hàm VLOOKUP của Excel giúp bạn có thể tra cứu giá trị từ các bảng khác nhau.

• Tự động hóa các bước: Với mỗi bước xử lý dữ liệu, Power Query sẽ tự động ghi nhớ các thao tác xử lý dữ liệu mà bạn đã thực hiện. Khi báo cáo được làm mới hay các dữ liệu mới được cập nhật thêm từ nguồn dữ liệu, Power Query sẽ tự động xử lý những dữ liệu này theo các bước mà bạn đã thực hiện và lưu lại trước đó mà không cần bạn phải thực hiện bất cứ thao tác nào thêm.

2. Giao diện của Power Query

Bạn có thể truy cập vào Power Query ngay khi import dữ liệu vào Power BI, hoặc bằng cách nhấp chuột vào nút “Transform data” trong tab Home để truy cập vào Power Query.

Dưới đây là giao diện của Power Query:

Giao diện của Power Query bao gồm 5 thành phần chính:

(1) Ribbon: Chứa các công cụ cho phép người dùng thực hiện các thao tác xử lý, biến đổi dữ liệu và tải dữ liệu vào Power BI sau khi hoàn tất.

(2) Queries pane: Hiển thị tất cả các truy vấn (Queries) mà bạn đang thực hiện.

(3) Current view: Hiển thị bản xem trước của bảng dữ liệu sau khi đã áp dụng các thao tác xử lý dữ liệu.

(4) Query settings: Nơi lưu lại lần lượt các bước truy vấn, xử lý dữ liệu mà bạn đã thực hiện.

(5) Status bar: Hiển thị thông tin liên quan đến truy vấn như số hàng, cột trong bảng. Tại đây bạn có thể thay đổi Current view từ hiển thị 1000 dòng đầu tiên thành hiển thị toàn bộ dữ liệu.

Vậy là bạn đã nắm được giao diện cơ bản của Power Query, trong phần tiếp theo TM sẽ cùng bạn đi tìm hiểu cách sử dụng Power Query để làm sạch dữ liệu nhé!

3. Sử dụng Power Query để làm sạch dữ liệu trong Power BI thế nào?

Trong những nội dung tiếp theo, TM sẽ hướng dẫn bạn một vài thao tác để xử lý dữ liệu trong Power BI nhé!

3.1. Transpose table (Đảo chiều dữ liệu từ dòng thành cột)

Chọn bảng cần đảo chiều dữ liệu từ dòng thành cột (ở đây là bảng Product Category), vào tab Transform và chọn “Transpose”.

Dữ liệu bảng sau khi đảo chiều dữ liệu sẽ có dạng như hình dưới đây:

3.2. Promote Headers (Biến dữ liệu thành tên cột)

Có thể thấy bảng kết quả chưa có tên cột mà đang để mặc định là Column 1 và Column 2. Bạn sẽ cần phải biến dòng đầu tiên: product_category_name & product_category_name_english thành tên cột.

Để làm được điều này, quay trở lại tab Home và lựa chọn “Use First Row as Headers” (1) và bạn sẽ nhận được kết quả như hình dưới đây (2):

3.2. Pivot/Unpivot (Chuyển bảng một chiều thành hai chiều và ngược lại)

Nếu bạn muốn biến dữ liệu từ bảng một chiều thành bảng hai chiều và ngược lại, có thể sử dụng tính năng “Pivot/Unpivot Columns” trong tab Transform.

3.4. Split/Merge Columns (Tách/ Kết hợp các cột)

Ví dụ: Bạn đang có một cột dữ liệu chứa First Name, một cột dữ liệu chứa Last Name, bạn muốn kết hợp 2 cột dữ liệu lại với nhau để có 1 cột Full Name, bạn có thể sử dụng tính năng Merge Columns trong Power Query.

Để thực hiện Merge Columns, bạn lựa chọn cùng lúc 2 cột muốn gộp với nhau, sau đó vào Tab Transform và nhấn “Merge Columns”.

Sau đó nhập dấu để ngăn cách các ký tự khi gộp 2 cột (Separator) và tên của cột mới, và nhấn “OK” là bạn đã có 1 cột Full Name mới được gộp bởi 2 cột First Name và Last Name.

Ngược lại khi muốn tách một cột ra thành nhiều cột, bạn có thể sử dụng tính năng “Split Columns” với các tùy chọn như hình dưới đây để tách các cột.

3.5. Removing duplicates (Loại bỏ các giá trị trùng lặp)

Để loại bỏ các giá trị trùng lặp, bạn click vào tên cột lựa chọn cột có chứa giá trị trùng, nhấp chuột phải, sau đó chọn “Remove Duplicate”

3.6. Replace value (Thay thế giá trị bằng giá trị khác)

Tính năng này có thể dùng để xử lý những dữ liệu không đồng bộ, hoặc để thay thế các giá trị null (ô trống) bằng giá trị khác.

Chọn ô có chứa giá trị mà bạn muốn thay thế, nhấp chuột phải sau đó chọn “Replace Value”.

Nhập giá trị bị lỗi vào ô “Value To Find” và nhập giá trị muốn thay thế vào “Replace With”

Ngoài ra bạn cũng có thể xử lý lỗi Missing Value bằng cách thay thế giá trị bị thiếu bằng giá trị khác với tính năng “Replace Value” ở trên. Ở mục “Value To Find” bạn sẽ nhập chữ null và ở “Replace With” bạn sẽ nhập giá trị muốn thay thế.

3.7. Change data types (Thay đổi định dạng dữ liệu)

Khi import dữ liệu vào Power BI, Power Query sẽ tự động giúp bạn xác định kiểu dữ liệu, tuy nhiên trong một vài trường hợp kiểu dữ liệu có thể bị xác định sai, lúc này bạn có thể sửa lại bằng cách nhấn vào icon ở đầu mỗi cột, sau đó lựa chọn định dạng dữ liệu mà bạn mong muốn.

3.8. Filter Data (Lọc dữ liệu để loại bỏ giá trị ngoại lai)

Dữ liệu ngoại lai là những dữ liệu khác biệt “bất thường” so với những dữ liệu khác, nếu không xử lý sẽ có thể gây ra sự sai lệch trong kết quả phân tích.

Bạn có thể sử dụng tính năng Filter trong Power Query để loại bỏ các giá trị này. Dưới đây là cách thực hiện:

Chọn cột muốn filter, nhấp chuột vào icon tam giác, tùy vào kiểu dữ liệu (data types) mà các tùy chọn filter khác nhau sẽ được hiển thị: Number Filters, Text Filters, Date/Time Filters.

Sau đó nhập điều kiện Filter vào. Ở đây ví dụ bạn muốn loại bỏ giá trị 15, chọn “is less than or equal to” và điền giá trị 10, sau đó nhấn “OK”. Vậy là bạn đã loại bỏ được giá trị ngoại lai ra khỏi bảng dữ liệu của mình.

Tham khảo thêm các phương pháp xử lý dữ liệu khác, cũng như cách áp dụng các cách xử lý này với từng lỗi cụ thể trong khóa Data Analysis của Tomorrow Marketers.

4. Tips để làm sạch dữ liệu hiệu quả hơn với Power Query

4.1. Hiểu dữ liệu hơn với tính năng Data Profiling

Data Profiling là công cụ cho pháp bạn hiểu hơn về tệp dữ liệu của mình. Để bật tính năng này, bạn truy cập vào Tab View và tick vào các ô như hình dưới:

Công cụ này bao gồm 3 thành phần chính:

(1) Column quality: Giúp đánh giá chất lượng của dữ liệu: Bao nhiêu % chứa giá trị hợp lệ (Valid), bao nhiêu % chứa giá trị lỗi (Error) và bao nhiêu % số ô trong bảng dữ liệu bị trống (Empty).

(2) Column distribution: Cho thấy sự phân bổ của dữ liệu trong các cột & số lượng giá trị riêng biệt (distinct) và duy nhất (unique). Bạn có thể phát hiện ra liệu dữ liệu có bị duplicate không nhờ tính năng này.

(3) Column profile: Hiển thị giá trị thống kê của cột: Max, Min, Agerage, Standard deviation,... Ngoài ra bạn còn có thể xem chi tiết hơn sự phân bổ của dữ liệu trong các cột, nhờ vậy mà có thể phát hiện các điểm “khác biệt” trong dữ liệu một cách dễ dàng hơn.

Ví dụ: Giá trị 20 xuất hiện nhiều hơn hẳn so với các giá trị khác, cần chú ý đến điểm này khi phân tích

Việc hiểu kỹ về tệp dữ liệu của mình sẽ giúp bạn có một định hướng rõ ràng hơn trước khi bắt tay vào xử lý dữ liệu.

Bạn có thể đọc thêm về Data Profiling trong tài liệu: Data Profiling Tools

4.2. Advanced Editor với M query

Trong Power BI, mỗi khi bạn thực hiện thao tác xử lý dữ liệu, các câu lệnh Query M lại được tạo ra một cách tự động.

Câu lệnh M Query được tạo ra khi thực hiện thao tác Promoted Headers

Và bạn hoàn toàn có thể “custom” các dòng code này trong cửa sổ Advanced Editor để thực hiện các thao tác xử lý dữ liệu nâng cao hơn không có sẵn trong Power Query.

Để truy cập vào Advanced Editor, chọn bảng muốn xử lý, sau đó vào Tab Home và chọn “Advanced Editor”

Cửa sổ Advanced Editor sẽ hiện ra, và bạn có thể chỉnh sửa đoạn code tùy theo nhu cầu xử lý dữ liệu của mình.

Tạm kết

Hy vọng những kỹ thuật được hướng dẫn trên sẽ hữu ích cho bạn trong quá trình làm sạch dữ liệu để chuẩn bị cho việc phân tích.

Nếu bạn muốn tìm hiểu thêm về công cụ Power BI, cũng như muốn cải thiện kỹ năng đọc số phục vụ cho việc ra quyết định, hãy tham khảo khóa Data Analysis của Tomorrow Marketers nhé!

Chuyện là cuối năm rồi, team Marketing của mình đang chuẩn bị kế hoạch cho năm mới, nên cả team cần nghiên cứu lại khách hàng.

Trước đây, khi phân tích chân dung khách hàng (ICP), cả team chủ yếu dựa vào nghiên cứu thị trường, phân tích đối thủ, kinh nghiệm làm nội dung, hoặc một vài câu chuyện học viên tiêu biểu để phác hoạ tệp khách hàng mục tiêu. Cách làm này không sai, và thực tế vẫn rất cần thiết. Tuy nhiên, càng làm lâu mình càng cảm thấy thiếu một thứ gì đó chắc chắn hơn để kiểm chứng những giả định đó.

Vì vậy, lần này mình quyết định tiếp cận bài toán theo một hướng khác: bắt đầu từ dữ liệu. Mình xin team CS tổng hợp lại dữ liệu khảo sát của 200 học viên đã tham gia các khóa học của Tomorrow Marketers từ năm 2024 đến nay. Đây là nhóm học viên đã hoàn thành khóa học và để lại phản hồi tích cực. Mình chọn nhóm này vì mình muốn hiểu rõ hơn những người đã học, đã thấy giá trị, và thực sự gắn bó với khoá học.

Đây là file data raw mình xin từ team CS (vì lý do bảo mật nên mình đã thay đổi thông tin học viên nhưng file gốc cũng có những cột tương tự như thế này).

Data này bao gồm: Họ tên học viên, độ tuổi, chương trình học tại TM, thời gian đi làm, vai trò hiện tại, quy mô công ty, lĩnh vực ngành nghề, thu nhập.

Mục tiêu của mình là: Từ file dữ liệu này, xác định ICP phù hợp nhất cho từng khoá học, giúp team marketing viết nội dung hướng tới đúng tệp khách hàng, đúng vấn đề và tránh những thông điệp quá chung chung.

Dưới đây mình sẽ hướng dẫn chi tiết cách mình làm để đưa ra một kết quả cuối cùng:

1. Làm sạch dữ liệu

Bước đầu tiên mình bắt đầu làm sạch dữ liệu. Mặc dù dữ liệu không nhiều, nhưng nếu khâu làm sạch không được xử lý cẩn thận ngay từ đầu, toàn bộ kết quả phân tích phía sau rất dễ bị sai lệch.

Trong quá trình làm, mình nhận ra một vấn đề khá phổ biến trong file này: một ô đang chứa quá nhiều thông tin. Ví dụ, một học viên có thể học nhiều khóa, nhưng tất cả các khoá đó lại bị ghi gộp chung trong một dòng dữ liệu.

Để xử lý vấn đề này cho gọn và đỡ mất thời gian về sau, mình dùng Power Query để tách lại thông tin khoá học. Thay vì để một học viên học nhiều khoá bị gộp chung trong một dòng dữ liệu, mình tách lại để mỗi dòng chỉ ghi nhận một học viên và một khoá học.

Bạn có thể tham khảo thêm cách xử lý dữ liệu trên Power Query bằng Excel trong khóa học Data Visualization & Analytics with Excel.

Đây là file sau khi mình đã sửa. Tương tự với những lỗi khác, bạn có thể dùng Power Query để fix một cách nhanh chóng, dễ dàng.

2. Tạo Pivot Table và trực quan hoá dữ liệu bằng biểu đồ

Sau khi dữ liệu đã “sạch”, mình bắt đầu bước phân tích. Thay vì nhìn vào bảng số liệu dài và cố gắng rút ra insight ngay, mình list ra những câu hỏi để phân tích:

• Khóa học này thu hút nhóm kinh nghiệm nào nhiều nhất?

• Học viên chủ yếu đến từ Big Corp, SME hay Startup?

• Ngành nghề nào xuất hiện nhiều?

• Các khoá học có profile học viên giống hay khác nhau?

Mình sử dụng Pivot Table để so sánh và đánh giá dữ liệu. Khi các con số được đưa lên biểu đồ, việc so sánh trở nên dễ hơn rất nhiều.

Slide hướng dẫn tạo Pivot Table bằng Excel trong khóa học Data Visualization & Analytics with Excel.

Tham khảo khoá học tại đây

Đây là ví dụ về bảng Pivot Table mình đã tạo để giúp dễ dàng so sánh:

Từ bảng tổng hợp này, mình sẽ bắt đầu trực quan hoá dữ liệu bằng các biểu đồ để nhìn nhanh bức tranh tổng quan. Do số lượng khóa học khá nhiều, mình sử dụng thêm slicer để lọc theo từng khoá, giúp việc quan sát và phân tích chi tiết trở nên rõ ràng, dễ theo dõi hơn.

3. Phân tích data để rút ra chân dung khách hàng

Đây cũng là bước mà mình phải làm lại nhiều lần nhất vì 2 lần đầu gửi đi sếp đều không duyệt do mình đã input quá nhiều thông tin.

Lúc đầu thay vì làm một bảng tổng hợp ngắn gọn cho từng khoá, mình đã gửi luôn file google docs phân tích gần 20 trang cho sếp (vì lúc đó mình nghĩ là gửi càng chi tiết càng tốt, có cả biểu đồ, phân phân tích đầy đủ ^^).

Nhưng sau khi được feedback, mình đã rút ra được kinh nghiệm là hãy nhìn vào data và kết luận, đừng thêm thắt thông tin mà data không nói lên. Mình bắt đầu tập trung phân tích 3 câu hỏi chính:

• Nhóm nào chiếm tỷ trọng lớn nhất?

• Pattern nào lặp lại nhiều lần?

• Đâu là nhóm khách hàng potential nhất cho khoá học?

Ví dụ: Với khoá học Data Visualization & Analytics with Excel:

Khóa học Data Visualization & Analytics with Excel phù hợp với:

• Sinh viên, Intern hoặc Junior (0–3 năm kinh nghiệm)

• Làm việc trong SME/Startup hoặc môi trường chưa có hệ thống BI bài bản

• Công việc liên quan đến marketing, business, operations, tech

• Thu nhập dưới 20 triệu

• Có dữ liệu nhưng chưa tự tin xử lý, phân tích và làm báo cáo logic bằng Excel

• Muốn xây nền tảng phân tích dữ liệu thực tế, phục vụ công việc hằng ngày chứ không chỉ học công cụ.

4. Tổng hợp insights cho team Marketing

Bước cuối cùng, và cũng là bước mình thấy quan trọng nhất, là đưa insight cho team Marketing. Để cho mọi người trong team tiện theo dõi, mình đã tổng hợp toàn bộ ICP của từng khoá học vào một file Google Sheet dùng. Mỗi khoá học được mô tả bằng vài đoạn ngắn:

• Học viên cốt lõi là ai?

• Họ đang ở giai đoạn nào trong sự nghiệp?

• Mức thu nhập điển hình là bao nhiêu?

• Họ đang làm việc trong ngành nào, ở loại hình doanh nghiệp nào?

• Insight nổi bật rút ra từ dữ liệu là gì?

• Kết luận chung về ICP của khóa học

Cách trình bày này giúp team Marketing không chỉ “đọc số liệu”, mà còn hiểu nhanh tệp học viên thực tế, từ đó dễ dàng áp dụng vào việc xây nội dung, thông điệp và kế hoạch truyền thông cho từng khoá học.

Tạm kết

Sau khi làm xong case này, mình nhận ra rằng giá trị lớn nhất của việc xây dựng chân dung khách hàng từ dữ liệu không nằm ở công cụ, mà ở tư duy đặt câu hỏi và cách đọc số liệu đúng ngữ cảnh. Khi làm được điều đó, dữ liệu mới thực sự trở thành nền tảng cho các quyết định marketing và sản phẩm.

Nếu bạn muốn tìm hiểu thêm về cách xử lý dữ liệu và tư duy xây dựng báo cáo/ dashboard với Excel, hãy tham khảo khóa học Data Visualization & Analytics with Excel của TM Data School.

Lean Analytics – Phân tích dữ liệu tinh gọn là một cuốn sách thực tế, không màu mè. Nó trả lời một câu hỏi đơn giản nhưng sống còn: “Cần đo cái gì, vào lúc nào, và để làm gì?”. Tác giả không dạy bạn “đo mọi thứ” mà giúp bạn học cách chọn ra một vài chỉ số sẽ thực sự đẩy mô hình kinh doanh của bạn tiến lên.

Giới thiệu sách Lean Analytics

‘Lean Analytics’, bản tiếng Việt là ‘Phân tích dữ liệu tinh gọn’, là một quyển sách được xuất bản năm 2013 bởi Alistair Croll và Benjamin Yoskovitz. Quyển sách viết về phương pháp phát triển khởi nghiệp tinh gọn, dựa trên nền tảng phân tích dữ liệu.

Nội dung của ‘Lean Analytics’ bao gồm bốn phần chính:

• Giới thiệu về tư duy phân tích dữ liệu

• Giới thiệu tổng quan về các loại metrics cần chú ý đối với 6 loại mô hình kinh doanh khác nhau.

• Giải thích các loại dữ liệu khác nhau trong vòng đời của một doanh nghiệp

• Giới thiệu phương pháp đưa ra quyết định dựa trên dữ liệu trong một tổ chức – được phân thành các loại hình khởi nghiệp như B2B, B2C và Intrapreneurs (hệ thống cho phép các nhân viên được khởi nghiệp trong chính công ty họ đang làm việc).

Trong bài viết này, mình sẽ chia sẻ những điểm chính từ hai phần đầu tiên của sách – nơi bạn sẽ học được tư duy phân tích dữ liệu nền tảng và cách xác định các metrics quan trọng cho 6 loại hình kinh doanh khác nhau. Nếu bạn đang xây sản phẩm, làm marketing hay bắt đầu một dự án mới, đây là một trong những cuốn sách nên đọc.

Tại sao cần tư duy phân tích dữ liệu?

Mình từng nghĩ phân tích dữ liệu là việc của… team data. Nhưng càng làm sản phẩm, mình càng nhận ra: nếu không tự trang bị cho mình một tư duy phân tích dữ liệu cơ bản, thì rất dễ rơi vào cái bẫy lớn nhất: lừa dối chính mình bằng những con số “có vẻ đúng”.

Theo hai tác giả Croll và Yoskovitz của Lean Analytics, mục đích lớn nhất của việc phân tích là để nhìn thẳng vào những facts phơi bày rõ hiệu suất thực tế của doanh nghiệp, chứ không phải những cảm giác mơ hồ như “mình nghĩ là nó đang ổn” hay “có vẻ người dùng thích đấy”. Khi có dữ liệu, bạn sẽ ít ra quyết định theo cảm tính hơn và đó là một bước tiến lớn.

Điều khiến mình tâm đắc ở Lean Analytics là nó không khuyến khích bạn đo mọi thứ. Trái lại, nó buộc bạn phải tư duy kỹ càng về câu hỏi gốc rễ: điều gì thực sự quan trọng trong giai đoạn này? Chỉ khi bạn tập trung vào một vài chỉ số đủ “nặng ký”, những thứ có thể dẫn đến thay đổi thực sự, thì phân tích mới có giá trị. Còn nếu ôm đồm quá nhiều metrics cho “bằng bạn bằng bè”, bạn chỉ đang phí nguồn lực và thời gian.

Thông qua quyển sách, các tác giả sẽ cung cấp cho bạn một bản hướng dẫn, những công cụ và case study nhằm chứng minh: Tập trung vào dữ liệu là một yếu tố cốt lõi trong thành công của mọi startup.

Ngoài ra, các doanh nghiệp sẽ dễ thành công hơn nếu thực hiện chu trình “Build – Learn – Measure” (Xây dựng – Tìm hiểu – Đo lường). Cụ thể hơn, hãy bắt đầu bằng việc xây dựng một sản phẩm nhỏ, vừa đủ đáp ứng nhu cầu người dùng, sau đó đo lường và rút kinh nghiệm từ những phép đo để xây dựng và hoàn thiện sản phẩm ban đầu.

‘Lean Analytics’ nằm trong bước Đo lường của vòng tròn trên.

6 Business Models phổ biến và những metrics tương ứng

Một trong những phần mình thấy hay nhất của Lean Analytics là cách mà cuốn sách chia nhỏ tư duy phân tích thành từng mô hình kinh doanh cụ thể. Mỗi loại hình sẽ có những “đòn bẩy” khác nhau, điều quan trọng là bạn cần biết mình đang chơi trò chơi nào, và luật chơi là gì.

#1. Thương mại điện tử

Đây là một mô hình đang phát triển rất mạnh những năm gần đây. Với mô hình kinh doanh này, doanh nghiệp sẽ trực tiếp bán hàng trên các nền tảng kỹ thuật số. Các giao dịch là một lần. Hàng hóa được bán có thể là digital như file âm nhạc, hoặc các mặt hàng vật lý. Ví dụ, Uniqlo bán quần áo thông qua trang web http://uniqlo.com/ và Apple bán nhạc thông qua Kho nhạc iTunes.

Sau đây là một vài metrics quan trọng đối với mô hình TMĐT:

1. Tỷ lệ chuyển đổi (conversion): số lượng khách truy cập vào cửa hàng trực tuyến và thực hiện mua hàng.

2. Kích thước giỏ hàng (shopping cart size): mỗi người mua đó chi bao nhiêu.

3. Tỷ lệ từ bỏ (abandonment): số người từ bỏ mua hàng trong quá trình đặt hàng.

4. Số lượng mua hàng mỗi năm: thể hiện loại hình thương mại điện tử của doanh nghiệp.

• Loại hình mua lại (acquisition mode): khi số lượng khách hàng mua lại ít hơn 40%. Với loại hình này, ta cần tập trung vào việc thu hút khách hàng mới và bỏ qua các chương trình khách hàng thân thiết. Ví dụ: một cửa hàng thiết bị leo núi.

• Loại hình kết hợp (hybrid mode): khi 40-60% người mua năm ngoái sẽ mua trong năm nay. Doanh nghiệp cần cân bằng giữa khách hàng mới và khách hàng cũ. Ví dụ: nền tảng TMĐT Zappos.

• Loại hình trung thành (loyalty mode): khi hơn 60% người mua năm ngoái sẽ mua hàng trong năm nay. Trọng tâm của chiến lược là sự trung thành, khuyến khích các khách hàng hiện có mua thường xuyên hơn. Ví dụ: Amazon.

5. Chi phí thu hút khách hàng (customer acquisition cost): Bao gồm các chi phí liên quan đến marketing và sales.

6. Hiệu quả của từ khóa tìm kiếm (search keyword effectiveness).

7. Doanh thu trên mỗi khách hàng (revenue per customer).

8. Thời gian vận chuyển (shipping time): một metric cần thiết để đo lường mức độ hài lòng của khách hàng.

#2. SaaS (Software as a Service) – Phần mềm dịch vụ

Làm sản phẩm SaaS giống như duy trì một mối quan hệ dài hạn. Không phải ai đăng ký cũng trả tiền, và không phải ai trả tiền cũng ở lại. Trước đây mình tưởng “có user là ngon rồi”, nhưng Lean Analytics giúp mình nhìn thấy được những “lỗ hổng vô hình” qua từng chỉ số.

Các metrics quan trọng đối với mô hình SaaS:

1. Tỷ lệ chú ý (attention): số lượng khách truy cập kênh/ sản phẩm.

2. Tỷ lệ đăng ký (enrolment): số khách truy cập trở thành người dùng miễn phí hoặc dùng thử.

3. Tỷ lệ chuyển đổi (conversion): số lượng người dùng trở thành khách hàng trả tiền.

4. Churn rate: tỷ lệ khách hàng rời đi.

5. Stickiness: tần suất khách hàng sử dụng sản phẩm.

6. Mức độ viral: khả năng khách hàng sẽ giới thiệu sản phẩm tới những người khác

7. Doanh thu trên mỗi khách hàng.

8. Chi phí thu hút khách hàng (CAC).

9. Upselling: số lượng khách hàng chuyển sang một mức sử dụng cao hơn trong một giai đoạn cụ thể (ví dụ, từ dùng phiên bản miễn phí sang phiên bản trả phí).

10. Giá trị vòng đời khách hàng (CLV).

11. Độ tin cậy: công ty đã nhận được bao nhiêu khiếu nại từ khách hàng.

12. Tỷ lệ hoàn trả chi phí thu hút khách hàng: số ngày/tháng cần bỏ ra để thu hồi CAC trên một khách hàng.

#3. Ứng dụng di động miễn phí

Mô hình này cung cấp một ứng dụng di động miễn phí, nhưng kiếm tiền từ các tính năng trong trò chơi hoặc quảng cáo. Điều này nghĩa là các ứng dụng di động trả phí không được gộp vào mô hình này. Với một ứng dụng di động miễn phí, quá trình thu lợi nhuận sẽ phức tạp hơn do bạn đang kiếm tiền từ người dùng miễn phí.

Các metrics cần đo lường:

1. Lượt tải xuống: có bao nhiêu người đã tải ứng dụng.

2. Tỷ lệ kích hoạt (activation rate): tỷ lệ % số người tải xuống ứng dụng, khởi động nó và tạo một tài khoản.

3. Phần trăm người dùng hoạt động: lượng người dùng hàng ngày (DAU) và hàng tháng (MAU).

4. Số phần trăm người dùng trả tiền.

5. Churn rate: bao nhiêu khách hàng gỡ cài đặt ứng dụng, hoặc chỉ sử dụng trong một khoảng thời gian ngắn.

6. Chi phí thu hút khách hàng (CAC).

7. Thời gian để thực hiện giao dịch đầu tiên: mất bao lâu để người dùng thực hiện trả tiền lần đầu tiên.

8. Giá trị vòng đời khách hàng (CLV).

9. Tỷ lệ đánh giá (Ratings click-through): Số % người dùng để lại đánh giá cho ứng dụng.

10. Virality: mức độ viral.

11. Doanh thu trung bình trên mỗi người dùng (Average Revenue Per User – ARPU).

#4. Trang web truyền thông

Media website là một trang web kiếm tiền bằng quảng cáo. Ví dụ: Thời báo New York, Bloomberg hay Vox Media. Điều quan trọng là doanh nghiệp cần cân bằng giữa content và quảng cáo.

Những metrics cần lưu ý:

1. Lượng khách truy cập độc nhất (Unique visitors): tổng số khách truy cập không bị trùng lặp cho mỗi khoảng thời gian.

2. Churn rate: Tỷ lệ khách rời đi.

3. Tỷ lệ click cho mỗi phiên truy cập (Sessions to clicks ratio): tỷ lệ giữa số lần người đọc click vào trang web từ các công cụ tìm kiếm hoặc nguồn bên ngoài, so với một phiên truy cập thực tế khi khách hàng tương tác với trang web.

4. Thời gian tương tác (engaged time): thời gian khách hàng bỏ ra để đọc nội dung và tương tác với website.

5. Số lượt quảng cáo (Ad inventory): số lượt xem trang có khả năng thu lợi nhuận.

6. Tỷ lệ quảng cáo (hoặc chi phí cho mỗi lượt tương tác) – Ad rates (cost per engagement).

7. Tỷ lệ click (Click-through rate).

8. Mức độ cân bằng giữa content và quảng cáo (Content/advertising balance).

#5. Nền tảng với content được tạo bởi người dùng

Nếu bạn đang làm một cộng đồng, bạn sẽ hiểu cảm giác “user đông mà không ai nói gì” nó khó chịu thế nào. Đó là lý do Lean Analytics không nói về lượng người dùng, mà nói về chất lượng tương tác trong cộng đồng.

Nếu doanh nghiệp bạn thuộc loại hình này, cần đo lường những metrics sau:

1. Số lượng người dùng tương tác: tần suất khách hàng quay lại sử dụng sản phẩm.

2. Số ngày trung bình kể từ lần truy cập cuối cùng: con số này cũng sẽ cung cấp cho bạn thông tin về lượng khách truy cập. Tuy nhiên, cần phải xác định một điểm cắt (ví dụ: 30 ngày) để không bị trùng với tỷ lệ churn.

3. Tỷ lệ nội dung được tạo (Content creation): Số % khách truy cập tương tác với content theo một cách nào đó, ví dụ như viết bài, bình luận, upvote, thích và chia sẻ.

4. Lượt tải content thành công (Content upload success): % người dùng tải nội dung của họ lên mạng xã hội thành công.

5. Tỷ lệ thay đổi kênh tham gia (Engagement funnel changes): tỷ lệ website của bạn giúp chuyển đổi người dùng đến những mức độ tương tác cao hơn.

6. Giá trị của nội dung được tạo (Value of created content): những lợi ích mà content đem lại cho doanh nghiệp. Ví dụ: Đối với các diễn đàn thì review là quan trọng, Facebook là kho quảng cáo còn Pinterest là tỷ lệ click trên các đường link quảng cáo hiển thị trên nội dung được tạo bởi người dùng.

7. Mức độ chia sẻ và lan truyền nội dung.

8. Tính hiệu quả của thanh thông báo (Notification effectiveness): % người dùng sẽ thực hiện một hành động cụ thể khi nhận được thông báo từ ứng dụng.

#6. Nền tảng thương mại điện tử hai chiều (Marketplace)

Trong trường hợp này, doanh nghiệp sẽ kiếm được tiền khi người mua và người bán trao đổi hàng hoá và tiền thông qua nền tảng TMĐT. Một trong những ví dụ điển hình: Shopee, eBay, Airbnb,.. Mô hình này khác với mô hình #1 ở chỗ, người dùng sẽ là người mua bán, còn doanh nghiệp sẽ đóng vai trò một bên trung gian.

Các metrics từ mô hình #1 cũng sẽ được áp dụng ở mô hình này vì quá trình giao dịch là như nhau. Ngoài ra, sau đây là một vài metrics đặc trưng khác:

1. Mức tăng trưởng người mua và người bán (Buyer and seller growth): tỷ lệ doanh nghiệp đang thu hút thêm người mua và người bán mới, được đo bằng tỷ lệ quay lại và số người dùng tương tác. Ví dụ: một người bán đang tương tác là người đã đăng bán hàng trong vòng 30 ngày.

2. Mức tăng trưởng hàng tồn kho (Inventory growth): tốc độ người bán đang bổ sung hàng hóa.

3. Độ linh hoạt của việc tìm kiếm (Search effectiveness): hãy kiểm tra những gì người mua đang tìm kiếm và xác định xem liệu nó có phù hợp với danh sách hàng tồn kho mà bạn đang xây dựng. Theo dõi các từ khóa không cho ra kết quả cũng như các từ khóa thường được tìm kiếm.

4. Kênh chuyển đổi (Conversion funnels): tỷ lệ chuyển đổi của các mặt hàng được bán và những phân khúc tiết lộ lý do chúng được mua. Theo dõi % người dùng hài lòng với các giao dịch.

5. Xếp hạng và những dấu hiệu của lừa đảo: theo dõi đánh giá và xếp hạng cho người mua và người bán, tìm kiếm dấu hiệu của việc lừa đảo và nội dung của các bình luận. Theo dõi tỷ lệ % các tài khoản bị gắn mác sai phạm.

6. Metrics về giá cả: liệu người bán đang đặt giá quá cao hoặc đang phá giá.

Tạm kết

Lean Analytics không đơn thuần là một cuốn sách về các chỉ số. Nó giống như một bản đồ giúp người làm sản phẩm, marketing hay vận hành hiểu rõ mình đang ở đâu, nên tập trung vào điều gì, và làm thế nào để không bị ngập trong biển dữ liệu. Hy vọng nội dung tóm tắt này sẽ là điểm khởi đầu giúp bạn nhìn lại cách mình đang theo dõi, đánh giá và hành động từ dữ liệu.

Sở hữu tư duy phân tích dữ liệu là kỹ năng vô cùng quan trọng nếu bạn muốn “đọc vị” loạt insights và khai thác triệt để sức mạnh từ lượng dữ liệu khổng lồ. Bạn có thể tham gia khóa học Data Analysis của Tomorrow Marketers, để rèn luyện tư duy phân tích dữ liệu qua nhiều case study của đa dạng ngành hàng, cùng các Trainers nhiều năm kinh nghiệm trong nghề nhé!

Có thể hình dung phân tích dữ liệu như việc khám phá từng lớp của một câu chuyện phức tạp. Khi làm việc với dữ liệu lần đầu tiên, sẽ rất dễ bị choáng ngợp bởi sự phức tạp của các biến và mối quan hệ giữa chúng. Tuy nhiên, bắt đầu với phân tích đơn biến, nơi tập trung vào từng biến một cách độc lập, là cách hiệu quả để làm quen và hiểu rõ cấu trúc cơ bản của dữ liệu. Chẳng hạn, trong một dự án khảo sát ý kiến khách hàng, việc phân tích đơn biến có thể giúp trả lời nhanh các câu hỏi như: "Độ tuổi trung bình của khách hàng là bao nhiêu?" hay "Có bao nhiêu người chọn một sản phẩm cụ thể?".

Trong bài viết này, cùng Insight Ouch! cùng tìm hiểu phân tích đơn biến (univariate analysis) là gì, các kỹ thuật phân tích và ví dụ nhé.

Đọc thêm: Hướng dẫn đọc và phân tích dữ liệu cho người mới bắt đầu

1. Phân tích đơn biến (univariate analysis) là gì?

Phân tích đơn biến (Univariate analysis) là một loại kỹ thuật phân tích cơ bản cho dữ liệu thống kê. Với kỹ thuật này, dữ liệu chỉ có một biến và đo lường khía cạnh về lượng của dữ liệu đó mà không xem xét tới mối quan hệ giữa nhiều biến khác nhau.

Ví dụ: bạn cần phân tích kết quả khảo sát của một lớp học, cụ thể là đếm số lượng nam và nữ trong phòng. Dữ liệu ở đây chỉ tập trung vào một biến và lượng hóa của biến đó.

Phân tích đơn biến về cơ bản là hình thức đơn giản nhất để phân tích dữ liệu. Mục tiêu chính của phân tích đơn biến là mô tả, tóm tắt dữ liệu và tìm ra patterns trong dữ liệu, thông qua việc tìm ra giá trị trung bình (mean), mode, giá trị trung vị (median), độ lệch chuẩn (standard deviation), độ phân tán của dữ liệu (dispersion),…

Trong đó, biến (variable) ở đây được định nghĩa là một điều kiện hoặc tập hợp con dữ liệu trong một tập dữ liệu lớn. Ví dụ: “tuổi”, “chiều cao” hoặc “cân nặng” được coi là một biến.

2. Các kỹ thuật phân tích đơn biến

Phân tích đơn biến được tiến hành theo nhiều hướng khác nhau, và hầu hết các cách phân tích này mang tính chất mô tả. Một số kỹ thuật có thể kể đến như: Frequency Distribution Tables, Frequency Polygons, Histograms, Bar Charts và Pie Charts.

Đọc thêm: Data Analysis là gì – Quy trình và phương pháp phân tích dữ liệu bạn cần biết

Summary Statistics (Thống kê)

Phương pháp phổ biến nhất để thực hiện phân tích đơn biến là summary statistics. Phương pháp này được sử dụng để tóm tắt một tập hợp các quan sát, nhằm tóm tắt thông tin một cách ngắn gọn và đơn giản.

Có hai nhóm chỉ số thống kê phổ biến nhất:

Đo lường mức độ phân tán của dữ liệu: Với loại phân tích này, bạn sẽ phân tích phạm vi của dữ liệu (range), độ trải giữa (interquartile range), phương sai (variance) và độ lệch chuẩn (standard deviation) để mô tả mức độ phân bổ đồng đều của các giá trị trong tập dữ liệu. Cụ thể:

• Range – sự khác biệt giữa giá trị tối đa và giá trị tối thiểu trong tập dữ liệu

• Interquartile Range – chênh lệch giữa 50% giá trị

• Variance – đại lượng đo lường sự phân tán của các điểm dữ liệu so với giá trị trung bình

• Standard Deviation- đại lượng đo lường trung bình mức độ phân tán của dữ liệu, standard deviation bằng căn bậc hai của variance.

Đo lường mức độ tập trung: Đo lường giá trị trung bình (mean) và giá trị trung vị (median) sẽ giúp mô tả giá trị tập trung và giá trị chính giữa của tập dữ liệu.

Frequency distribution table (Bảng phân phối tần suất)

Tần suất của một dữ liệu là số lần giá trị đó xuất hiện trong tổng thể dữ liệu đang xem xét. Bảng phân phối tần suất có thể hiển thị các biến dữ liệu phân loại (categorical data) hoặc dữ liệu dạng số (numeric data). Bảng phân phối tần suất sẽ giúp bạn có cái nhìn tổng quan mô tả về tập dữ liệu, nhằm đưa ra pattern chung của dữ liệu.

Bar chart (Biểu đồ cột/biểu đồ thanh)

Bar chart có thể được trình bày theo chiều dọc hoặc chiều ngang, nhằm so sánh sự chênh lệch của một biến trong các mốc thời gian khác nhau.

Với biểu đồ thanh, trục hoành (trục x) sẽ biểu thị các đầu dữ liệu khác nhau và trục tung (trục y) sẽ biểu diễn giá trị. Biểu đồ thanh nhìn vào tập dữ liệu và so sánh.

Histogram (Biểu đồ tần suất)

Histogram có phần tương tự bar chart, nhưng đo tần suất thay vì xu hướng theo thời gian. Trục x của histogram liệt kê các giá trị của bộ dữ liệu và các khoảng của biến, trục y là tần suất. Từ histogram, bạn có thể phân tích tần suất xuất hiện của một phạm vi dữ liệu hoặc của các khoảng dữ liệu khác nhau.

Frequency Polygon (Đa giác tần suất)

Đa giác tần suất có phần tương tự với histogram, tuy nhiên đa giác tần suất có thể được sử dụng để so sánh các tập dữ liệu hoặc để biểu diễn phân phối tần suất tích lũy. Đa giác tần suất được biểu diễn dưới dạng biểu đồ đường.

Pie Chart (Biểu đồ tròn)

Biểu đồ tròn giúp mô tả tỷ lệ phần trăm của mỗi phần tử trong một tổng thể. Tổng tỷ lệ của mỗi các mục dữ liệu sẽ bằng 100%.

Đọc thêm: Data Visualization là gì? Các loại biểu đồ giúp bạn trực quan hóa dữ liệu

3. Ví dụ của phân tích đơn biến

Phân tích dữ liệu đơn biến là kỹ thuật đơn giản nhất bởi bạn chỉ cần xử lý duy nhất một biến và quan tâm tới những thay đổi mô tả của biến đó. Kỹ thuật này không yêu cầu bạn phải nghiên cứu sự tương quan và mối quan hệ nhân quả của hai biến và thường được sử dụng để mô tả dữ liệu và tìm ra pattern trong đó.

Ví dụ, “chiều cao” của các học sinh trong một lớp học được coi là dữ liệu đơn biến. Các giá trị mô tả duy nhất biến chiều cao và không thể hiện bất kỳ mối tương quan với biến nào khác. Từ những dữ liệu này, bạn có thể rút ra pattern, mức độ phân tán và mức độ tập trung của dữ liệu chiều cao học sinh thông qua histograms, frequency distribution table, bar charts,… Dựa vào đây, bạn có thể trả lời các câu hỏi như: Học sinh nào cao nhất trong lớp học? Chiều cao trung bình của học sinh trong lớp? Chiều cao của các học sinh có xu hướng tập trung ở khoảng giá trị nào?

Trong ví dụ trên, quá trình phân tích chỉ tập trung vào biến “chiều cao”. Nếu có thêm biến “cân nặng”, “tuổi” hay “giới tính” được đưa vào phân tích, bạn sẽ cần sử dụng các kỹ thuật phân tích hai biến (bivariate analysis), và phân tích đa biến (multivariate analysis).

Tạm kết

Phân tích đơn biến mặc dù là một trong những kỹ thuật phân tích đơn giản nhất, nhưng giá trị nó mang lại trong việc mô tả dữ liệu là không thể phủ nhận. Vì vậy, để có thể tận dụng đúng cách và khai thác tối đa nguồn sức mạnh từ dữ liệu, bạn cần nâng cao tư duy và kỹ năng thống kê mô tả nhằm phân tích và đảm bảo các phân tích đưa ra chính xác. Tư duy làm việc, xử lý, phân tích dữ liệu để tìm ra các insight ẩn, phát hiện vấn đề, tránh đưa ra các quyết định cảm tính là nội dung chính mà khóa học Data Analysis của Tomorrow Marketers sẽ giúp bạn trang bị. Tham khảo ngay nhé!

Phải làm việc với số liệu thế nào? Quá nhiều số liệu khác nhau phải xử lý ra sao? Nếu chưa từng được đào tạo bài bản, chắc chắn bạn sẽ có cảm giác sợ hãi mỗi khi đối diện với “biển” số liệu này. Trong bài viết dưới đây, Insight Ouch! sẽ giúp các bạn tìm hiểu những bí quyết để chinh phục Data analysis nhé!

5 bước phân tích số liệu

1. Xác định mục tiêu (objective)

Để việc phân tích số liệu được thực hiện đúng trọng tâm, tiết kiệm thời gian và công sức, marketer cần xác định được các mục tiêu kinh doanh, mục tiêu marketing để từ đó biết được việc phân tích số liệu nhằm giải quyết vấn đề gì và làm thế nào để đạt được các mục tiêu này.

Chẳng hạn, nhãn hàng Ariel mong muốn đạt được mục tiêu tăng số lượng người sử dụng gel giặt tại thị trường Việt Nam, và để đạt được mục tiêu này, Ariel đối mặt với thách thức thay đổi hành vi của những người đang sử dụng nước giặt để họ chuyển sang sử dụng gel giặt. Như vậy, việc phân tích sẽ cần tập trung vào các số liệu liên quan tới hành vi, thói quen của người sử dụng nước giặt, từ đó đề ra những giải pháp giúp Ariel đạt được mục tiêu nêu trên.

2. Thu thập dữ liệu

Có hai loại dữ liệu cơ bản mà marketer cần thu thập:

• Dữ liệu sơ cấp: Thu thập trực tiếp thông qua bảng hỏi, phỏng vấn sâu, phỏng vấn nhóm

• Dữ liệu thứ cấp: Thu thập các dữ liệu đã tồn tại, thường được lưu trữ tại các công ty nghiên cứu thị trường, các cơ quan nhà nước, các marketing agency…

3. Xử lý dữ liệu

Các dữ liệu mới thu thập còn ở dạng “tươi sống” (raw), cần trải qua công đoạn kiếm chứng mức độ chính xác, khách quan.

Sau đó, các dữ liệu này được được trình bày dưới dạng bảng (dành cho dữ liệu đơn giản) và dạng biểu đồ (dành cho dữ liệu phức tạp, thay đổi theo thời gian). Marketer cần hết sức thận trọng khi lựa chọn hình thức của các biểu đồ này để tránh nguy cơ bỏ sót những thông tin quan trọng có vai trò khai phá những insight mới. Chẳng hạn, biểu đồ tròn thường được sử dụng để trình bày các số liệu về thị phần thuộc các quốc gia khác nhau, tính theo đơn vị phần trăm, thế nhưng không thể hiện được doanh số đạt được tại từng quốc gia ấy.

4. Phân tích dữ liệu

• Đọc kỹ dữ liệu lẻ: Dữ liệu lẻ là toàn bộ các số liệu, bảng biểu marketer có trong tay, chưa qua quá trình chọn lọc, phân nhóm. Trước khi đào sâu phân tích, marketer cần hiểu được các dữ liệu này nghĩa là gì, mô tả điều gì,…

• Phân nhóm dữ liệu: Sắp xếp dữ liệu thành các nhóm có điểm tương đồng. 3 nhóm dữ liệu chính marketer cần quan tâm bao gồm dữ liệu sales (bán hàng), consumer (khách hàng) và brand (thương hiệu)

• So sánh, tìm ra điểm bất thường: Sau khi đã sắp xếp các dữ liệu này vào các nhóm khác nhau, nhiệm vụ tiếp theo của marketer là so sánh chúng với các giai đoạn trước và với dữ liệu thu được về đối thủ. Chú ý tới các dữ liệu bất thường (VD: các giai đoạn tăng hoặc giảm mạnh) bởi chúng có thể hé lộ những insight mới mẻ.

5. Kế hoạch hành động

• Đưa ra 1-2 kết luận chính, liên quan trực tiếp tới mục tiêu ban đầu

• Đưa ra đề xuất: thường là 3 đề xuất (2 đề xuất cho các giải pháp ngắn hạn và 1 đề xuất cho giải pháp dài hạn)

• Thực thi: quá trình phân tích dữ liệu không hoàn thành cho tới khi một kế hoạch thực thi cụ thể, chi tiết được đề ra.

Làm quen với một số loại dữ liệu chính trong market research

Như đã đề cập ở trên, dữ liệu trong market research có thể phân thành 3 nhóm chính: sales, consumer và brand

1. Nhóm dữ liệu sales

Nhóm dữ liệu sales đo lường các chỉ số liên quan tới hàng hóa từ doanh nghiệp phân phối tới các kênh bán hàng, còn được gọi là Retail Audit. Kênh bán hàng có thể chia thành 02 loại chính: On-premise (tiêu dùng tại chỗ, chẳng hạn như uống bia ngay tại quán bia) và Off-Premise (tiêu dùng tại nhà, chẳng hạn như mua bia tại cửa hàng rồi về nhà uống). Hai kênh này tiếp tục được chia nhỏ thành kênh truyền thống (chợ, cửa hàng tạp hóa theo hộ gia đình) và kênh hiện đại (siêu thị, cửa hàng tiện lợi, trung tâm thương mại, kênh thương mại điện tử…).

Trong nhóm dữ liệu sales có một số dữ liệu sau cần chú ý:

• Value/volume sales: Doanh số bán hàng cho người tiêu dùng thể hiện trên cơ sở giá trị hoặc khối lượng hàng bán được. Dữ liệu này giúp marketer sử dụng nhằm đo lường tổng kích thước thị trường, nhà sản xuất hoặc diễn biến hoạt động thương hiệu

• Value/Volume share: Thị phần của một thương hiệu trên tổng thị trường hoặc phân khúc cụ thể, cho thấy hiệu suất của một nhà sản xuất/ thương hiệu trong bối cảnh với đối thủ cạnh tranh

• Value/Volume share of trade: phần trăm doanh số từ một số kênh hoặc thị trường nhất định trong tổng số doanh nghiệp, cho thấy tầm quan trọng của các kênh/thị trường phụ đối với tổng thị trường (kênh nào, thị trường nào đang đóng góp doanh số nhiều nhất, nên được tập trung nỗ lực marketing? Có khu vực nào đang được tập trung quá mức hay không?)

• Numeric Distribution: Số lượng cửa hàng có bán sản phẩm của doanh nghiệp trên tổng số cửa hàng trong thị trường

• Weighted Distribution: Số lượng hàng bán được tại từng cửa hàng.

Đọc thêm: Phân biệt Numeric distribution (NUM) và Weighted distribution (WTD)

Như vậy, không chỉ gia tăng số lượng cửa hàng mà doanh nghiệp còn cần chú ý tăng doanh số tại từng cửa hàng. Các cửa hàng lớn với kệ hàng kích thước lớn, thu hút đông đảo người mua hàng là các kênh nên được chú trọng.

• Price per pack: Giá bán lẻ cho người tiêu dùng, giúp đo lường giá trị thực tế được bán trên thị trường so với giá được đề xuất, biểu thị những vấn đề xảy ra tại các cửa hàng (chẳng hạn như sự giảm sút của sản phẩm), đo lường tác động của giá so với doanh số. Price per pack được tính bằng (mức giá 1 x số sản phẩm bán được ở mức giá 1 + mức giá 2 x số sản phẩm bán được ở mức giá 2+ ….)/tổng số sản phẩm bán được

• Average Price: Mức giá trung bình của sản phẩm trong trường hợp có nhiều kích cỡ, hình thức đóng gói khác nhau, thường là giá trung bình của 1 lít, 1kg, 1 gam,… sản phẩm

2. Nhóm dữ liệu về người tiêu dùng:

• Penetration: Số phần trăm hộ gia đình đã mua sản phẩm trong thị trường hoặc phân khúc ít nhất một lần trong một khoảng thời gian nhất định. Penetration không phụ thuộc vào số lần mua. Một người có mua bao nhiều lần cũng chỉ được tính một lần. Penetration = Tổng số lượng người mua hàng / tổng số hàng

• Frequency: Số lần mua hàng trung bình của ngành hàng/nhãn hàng ở một khoảng thời gian xác định dựa trên tổng số những người mua ngành hàng/nhãn hàng này. Nói cách khác, frequency là số lần mua hàng trung bình của một người mua hàng trong một khoảng thời gian. Frequency = Tổng số lần mua hàng / Tổng số người mua.

Đọc thêm: Dữ liệu về người tiêu dùng – Volume per trip và Volume per buyer

3. Nhóm dữ liệu về thương hiệu

• Brand Equity: Brand Equity được đánh giá dựa trên một số tiêu chí như thương hiệu có đáng tiền hay không, có nhiều người mua hay không, người mua hàng có sẵn sàng chi nhiều tiền hơn cho thương hiệu hay không…

• Brand Health: Brand Health thường được đo lường qua ba tiêu chí Presence (biết tới thương hiệu), Relevance (Muốn mua), Conviction (thương hiệu này là sự lựa chọn tốt nhất)

4. Một số loại dữ liệu về thời gian mà marketers cần chú ý:

• Year To Date (YTD): Là khoảng thời gian từ tháng 01 đến giai đoạn mới nhất

• Moving Annual Total (MAT): Được tính từ thời điểm hiện tại lùi về 01 năm, giúp marketer nhận định về tình hình tăng trưởng, tầm nhìn chiến lược của thị trường.

Tips và phương pháp phân tích dữ liệu

• Luôn kiểm tra tính chính xác của dữ liệu “raw”: Nếu dữ liệu đầu vào không chính xác, mọi công sức phân tích đều là vô ích

• Lựa chọn minh họa dữ liệu bằng đúng loại biểu đồ, nếu không các thông tin quan trọng dẫn tới insight có thể bị bỏ sót

• Tìm ra những điểm bất thường trong bảng biểu, đó là nơi insight xuất hiện. Chẳng hạn, hãy quan sát xem có tháng nào doanh số bỗng tăng hay giảm đột ngột hay không.

• Kết nối các dữ liệu liên quan: Chia nhóm, phân tích, đào sâu dữ liệu, tìm ra mối liên hệ giữa các nhóm dữ liệu này. Chẳng hạn, doanh số sụt giảm có thể do brand health sụt giảm, hay frequency đã không còn như trước.

• Phải hiểu được bức tranh toàn cảnh: Khi kết nối, so sánh các dữ liệu cần tìm được một bức tranh tổng quan, một “flow” thống nhất lý giải được mục tiêu ban đầu

Khi bị “lạc trôi” trong dữ liệu, hay quay về với 6P

• Proposition: Định vị đã rõ ràng, thống nhất, liên quan tới người tiêu dùng mục tiêu hay chưa?

• Product: Sản phẩm đã đúng phân khúc thị trường hay chưa? Các chức năng của sản phẩm có vấn đề gì không?

• Package: Kích cỡ, chủng loại của bao bì, thông tin in trên bao bì

• Price: Price per pack, mức độ tăng, giảm giá,…

• Promotion: Hiệu quả của các hoạt động khuyến mại, giảm giá

• Place: Các kênh phân phối, lượng hàng có sẵn tại các cửa hàng

  Nếu bạn thấy bài viết này hữu ích, hãy chia sẻ đến nhiều người hơn nhé!

  Share

Tạm kết

Trong kỉ nguyên số, một marketer chuyên nghiệp cần đảm nhiệm rất nhiều nhiệm vụ khác nhau. Trong đó tư duy phân tích số liệu là không thể thiếu, bạn phải đọc được những số liệu trong các mảng Retail Audit, Consumer Insight, Brand Health và Digital Performance, để tự tin đưa ra những quyết định chính xác cho doanh nghiệp. Chính vì thế đừng bỏ lỡ khóa học Data Analysis của Tomorrow Marketers để củng cố kiến thức marketing bài bản, tự tin giải quyết các vấn đề marketing trên thực tế bạn nhé!

1. Biểu đồ hộp (boxplot) là gì?

Box plot (hay còn được gọi là Box and Whisker plot) là dạng biểu đồ mô tả sự phân bố giá trị định lượng của một hoặc nhiều nhóm dữ liệu dạng phân loại (category data). Trong đó:

• Độ dài của hộp biểu thị phạm vi của 50% dữ liệu trung tâm;

• Đường kẻ giữa hộp là giá trị trung vị của tập dữ liệu (median);

• Các đường kẻ bên ngoài (còn được gọi là râu của biểu đồ) mô tả phạm vi của những giá trị dữ liệu ngoài khoảng 25% và 75% dữ liệu trung tâm;

• Các dấu chấm bên ngoài là các giá trị ngoại lai.

Biểu đồ ví dụ trên đây mô tả số lượt tải xuống hàng ngày của một digital app, được nhóm lại theo từng tháng. Từ biểu đồ này, chúng ta có thể thấy rằng số lượt tải xuống tăng dần từ khoảng 75 lượt/ngày trong tháng 1 lên khoảng 95 lượt/ngày trong tháng 8, trong khi số lượt tải xuống trung bình giảm nhẹ trong tháng 11 và tháng 12. Bên cạnh đó, các dấu chấm thì cho thấy có hai ngày trong tháng 6 và một ngày trong tháng 10 có số lượt tải xuống thấp so với các ngày khác trong tháng.

Nhìn chung, biểu đồ boxplot tổng hợp nhiều insight và biểu diễn một cách trực quan về xu hướng chung của dữ liệu, so với biểu đồ đường tương tự.

Biểu đồ boxplot được sử dụng để biểu thị phân phối giá trị định lượng của các dữ liệu định dạng (category data). Nhìn vào biểu đồ boxplot , chúng ta có thể biết được mức độ phân phối, tính đối xứng và độ lệch (skewness), phương sai (variance), giá trị trung vị (median), các phân vị Q1, Q3 và những giá trị ngoại lai của tập dữ liệu. Nhờ vậy, người dùng biểu đồ có thể biết được phần lớn dữ liệu chính nằm ở đâu và so sánh phạm vi này giữa các nhóm giá trị phân loại khác nhau.

Tuy nhiên, nhược điểm của dạng biểu đồ này chính là bạn không thể quan sát được phân phối chi tiết của tập dữ liệu như histogram.

Một tập dữ liệu có thể được trực quan hóa dưới dạng biểu đồ histogram hoặc boxplot như hình trên đây

2. Đọc hiểu biểu đồ boxplot như nào?

Để hiểu về boxplot , đầu tiên bạn cần làm quen với khái niệm percentile và quartile.

Biểu đồ boxplot chia tập dữ liệu thành các phần tư có số lượng giá trị bằng nhau (quartile). Phần tư đầu tiên (Q1) lớn hơn 25% dữ liệu và nhỏ hơn 75% còn lại. Phần tư thứ hai (Q2) nằm ở giữa, chia đôi dữ liệu. Q2 còn được gọi là trung vị (median). Phần tư thứ ba (Q3) lớn hơn 75% dữ liệu và nhỏ hơn 25% còn lại. Trong một biểu đồ boxplot , các hai giới hạn của hộp và đường trung tâm của nó đánh dấu vị trí của ba phần tư này.

Khoảng cách giữa Q3 và Q1 được gọi là khoảng tứ phân vị (IQR), đóng vai trò quan trọng trong việc xác định độ dài của râu của biểu đồ. Độ dài của râu kéo dài đến điểm dữ liệu xa nhất với giá trị bằng 1,5 lần IQR. Những điểm dữ liệu bên ngoài phạm vi này sẽ được coi là giá trị ngoại lai và được biểu thị bằng dấu chấm.

Khi dữ liệu phân phối đối xứng nhau, râu của hộp thể hiện giá trị trung bình sẽ nằm ở vị trí trung tâm của hộp và khoảng cách giữa Q1 và Q2 sẽ bằng khoảng cách giữa Q2 và Q3. Các giá trị ngoại lai sẽ có mặt đối xứng ở hai bên của hộp. Nếu một phân phối bị lệch, thì đường kẻ Q2 sẽ không nằm ở chính giữa hộp mà lệch vì một phía. Độ dài râu của biểu đồ cũng sẽ mất cân đối với bên dài hơn có nhiều giá trị ngoại lai hơn.

Đọc thêm: 10 khái niệm thống kê cơ bản cần biết khi làm việc với dữ liệu

3. Ứng dụng biểu đồ boxplot trong phân tích dữ liệu

So sánh các nhóm khác nhau

Box plot thường được sử dụng nhằm mục đích so sánh (comparison) phân phối của các nhóm dữ liệu khác nhau. Biểu đồ này được đánh giá là bao quát trong việc tóm tắt các chỉ số thống kê mô tả tập dữ liệu, giúp người đọc báo cáo dễ dàng so sánh các nhóm dữ liệu thông qua phạm vi của hộp và râu của biểu đồ.

Nếu chỉ có dữ liệu của một giá trị định dạng (category data), biểu đồ boxplot sẽ chỉ giúp tóm tắt dữ liệu và thiếu khả năng hiển thị các chi tiết về hình dạng của phân phối dữ liệu. Trong trường hợp này, bạn nên lựa chọn loại biểu đồ thể hiện mức độ phân phối chi tiết hơn như histogram hoặc đường cong mật độ (density curve).

Đánh giá thứ tự của các nhóm

Bạn có thể sắp xếp thứ tự của các biểu đồ để biểu diễn phạm vi của hộp, giúp đánh giá phạm vi giá trị của các dữ liệu định dạng.

Thông thường, các hộp sẽ được sắp xếp theo mức độ tăng dần của giá trị trung vị Q2.

4. Các thành phần của biểu đồ boxplot

Chiều của biểu đồ boxplot

Nhằm mục đích trực quan hóa dữ liệu một cách rõ ràng và dễ đọc hơn, bạn có thể linh hoạt trong việc căn chỉnh một biểu đồ boxplot sao cho hộp được đặt theo chiều dọc (với các dữ liệu định dạng nằm trên trục ngang) hoặc theo chiều ngang (với các dữ liệu định dạng được sắp xếp theo chiều dọc).

Biểu đồ boxplot ngang sẽ phù hợp hơn nếu bạn có nhiều dữ liệu định dạng hoặc các giá trị đó có độ dài không thích hợp để biểu thị theo chiều dọc, hạn chế việc phải xoay biểu đồ để đọc hoặc cắt bớt tên của các nhóm giá trị đó.

Trong khi đó, biểu đồ boxplot dọc thường được sử dụng hơn khi các biến định dạng là đơn vị thời gian.

Chiều dài phạm vi hộp

Chiều rộng/phạm vi của hộp biểu diễn số lượng điểm dữ liệu của mỗi nhóm. Chiều rộng của hộp thường được chia tỷ lệ theo căn bậc hai của số điểm dữ liệu, vì căn bậc hai sẽ tỷ lệ thuận với sai số chuẩn (standard error) của các giá trị. Bạn cũng có thể bổ sung chú thích số lượng điểm dữ liệu với mỗi nhóm giá trị phân loại để người đọc báo cáo dễ dàng nắm được kích thước mẫu.

Khi sử dụng biểu đồ boxplot để so sánh phân phối dữ liệu giữa các nhóm giá trị phân loại, bạn cũng có thể so sánh các giá trị phân vị bằng cách so sánh đường kẻ bên trong hộp.

Biểu đồ boxplot phía trên cho thấy Quy trình B đang tạo ra các sản phẩm với các thời gian hỏng cao hơn.

Độ dài râu của biểu đồ và các giá trị ngoại lai

Có nhiều cách để xác định độ dài tối đa của râu của biểu đồ. Cách phổ biến nhất chính là lấy giá trị tương ứng 1,5 lần IQR từ mỗi đầu hộp.

Cách thứ hai, bạn có thể đánh dấu độ dài tối đa của râu của biểu đồ tại một giá trị phân vị khác tương tự như giá trị Q1, Q2 và Q3. Thông thường, điểm tối đa này là giá trị ở phân vị 9% và 91%, hoặc giá trị ở phân vị 2% và 98%. Việc lựa chọn khoảng giá trị này sẽ phụ thuộc vào phân phối chuẩn (normal distribution) của tập dữ liệu. Theo phân phối chuẩn, khoảng cách giữa phân vị 9% và 25% (hoặc 91% và 75%) phải có cùng kích thước với khoảng cách giữa phân vị 25% và 50% (hoặc 50% và 75%), trong khi khoảng cách giữa phân vị 2% và 25% (hoặc 98% và 75%) phải bằng khoảng cách giữa phân vị 25% và 75%. Dựa vào đây, bạn có thể nhanh chóng nhận ra dữ liệu đối xứng (phân phối chuẩn) hay bất đối xứng (phân phối lệch).

Nếu sử dụng cách hai để xác định phạm vi chiều dài của râu của biểu đồ, bạn nên có thêm ghi chú để tránh nhầm lẫn với công thức truyền thống của cách thứ nhất.

5. Các biểu đồ tương tự

Histogram

Histogram sẽ là dạng biểu đồ phù hợp hơn boxplot nếu bạn muốn phân tích phân phối của một giá trị định dạng duy nhất. Dạng biểu đồ này sẽ không mô tả chính xác các phần tư của dữ liệu như boxplot , nhưng với histogram, bạn có thể quan sát được chi tiết về phân phối của tập dữ liệu.

Nếu có hai hoặc nhiều nhóm dữ liệu định dạng, bạn có thể trực quan bằng nhiều biểu đồ histogram được xếp chồng lên nhau, giống như với biểu đồ boxplot ngang ở hình dưới đây. Tuy nhiên, cần lưu ý rằng, khi vẽ biểu đồ cho quá nhiều nhóm giá trị định dạng hơn, biểu đồ histogram của mỗi nhóm sẽ ngày càng nhiễu và khó xác định hình dạng của mỗi biểu đồ. Ngoài ra, việc thiếu các chỉ số thống kê có thể khiến việc so sánh giữa các nhóm trở nên khó khăn hơn. Vì vậy, boxplot sẽ phù hợp nếu mục đích của bạn là so sánh phân phối giữa các nhóm giá trị định dạng.

Violin plot

Một thay thế cho cốt truyện hình hộp là cốt truyện vĩ cầm. Trong một biểu đồ violon, phân phối của mỗi nhóm được biểu thị bằng một đường cong mật độ. Trong một đường cong mật độ, mỗi điểm dữ liệu không rơi vào một ngăn đơn lẻ như trong biểu đồ, mà thay vào đó đóng góp một phần diện tích nhỏ vào tổng phân phối. Biểu đồ vĩ cầm là một cách nhỏ gọn để so sánh phân phối giữa các nhóm. Thông thường, các dấu bổ sung được thêm vào biểu đồ vĩ cầm để cung cấp thông tin biểu đồ hộp tiêu chuẩn, nhưng điều này có thể làm cho biểu đồ kết quả trở nên ồn ào hơn khi đọc.

Một biểu đồ khác tương tự boxplot chính là violin plot. Với biểu đồ violin plot, phân phối của mỗi nhóm dữ liệu định dạng được biểu diễn bằng đường cong mật độ (density curve). Nói cách khác, đường cong này là phạm vi của các điểm dữ liệu. Như vậy, mỗi điểm dữ liệu sẽ là một phần tạo nên diện tích của đường cong này thay vì được tóm tắt trong phạm vi của hộp. Ngoài ra, tương tự boxplot , các giá trị ngoại lai cũng được biểu diễn dưới dạng dấu chấm trong biểu đồ violin plot.

Violin plot là dạng biểu đồ được sử dụng để so sánh mức độ phân phối dữ liệu giữa các nhóm dữ liệu định dạng.

Đọc thêm: Data Visualization – Cách chọn loại biểu đồ minh họa tốt nhất cho metrics của bạn?

Biểu đồ giá trị chữ cái (Letter-value plots)

Được phát triển bởi Hofmann, Kafadar và Wickham, biểu đồ letter-value plot là một dạng mở rộng của biểu đồ boxplot tiêu chuẩn. Dạng biểu đồ này sử dụng các hộp chữ nhật để biểu diễn mức độ phân phối của tập dữ liệu. Hộp đầu tiên chiếm 50% diện tích trung tâm. Hộp thứ hai mở rộng từ hộp thứ nhất và chiếm một nửa diện tích còn lại (75% tổng thể, 12,5% còn lại ở mỗi đầu), trong khi hộp thứ ba chiếm một nửa diện tích còn lại (87,5% tổng thể, 6,25% còn lại ở mỗi đầu), v.v. cho đến khi kết thúc và các điểm dữ liệu còn lại được đánh dấu là giá trị ngoại lai.

Dạng biểu đồ này được phát triển với ưu điểm giúp đưa ra các ước tính ổn định hơn ở các dữ liệu phần đuôi ngoài của tập dữ liệu khi bạn có nhiều dữ liệu hơn. Ngoài ra, khi càng có nhiều dữ liệu, sẽ càng có nhiều điểm dữ liệu có thể được coi là giá trị ngoại lai.

Mặc dù dạng biểu đồ này vẫn còn nhược điểm trong việc hiển thị một số giá trị thống kê mô tả phân phối (ví dụ: giá trị mode), nhưng dạng biểu đồ này có thể cung cấp nhiều insight chi tiết khi so sánh giữa các nhóm giá trị định dạng nếu bạn có quá nhiều dữ liệu.

Đọc thêm: Kể chuyện bằng dữ liệu (data storytelling) không khó chỉ với 4 bước

Tạm kết

Mọi dữ liệu đều ẩn chứa một câu chuyện, nhưng nếu chọn sai dạng biểu đồ, bạn có thể chỉ đang trình bày dữ liệu mà không thực sự kể chuyện thông qua dữ liệu, hoặc tệ hơn, việc này còn có thể khiến người đọc báo cáo gặp phải thiên kiến và đưa ra quyết định không chính xác.

Biết cách lựa chọn biểu đồ và áp dụng đúng các quy tắc trực quan hóa dữ liệu sẽ giúp bạn gỡ rối những khó khăn này. Những nội dung này được giảng dạy trong khóa học Data Analysis của Tomorrow Marketers. Nếu bạn đang gặp khó khăn trong việc khai thác triệt để sức mạnh của dữ liệu trong kinh doanh, đừng bỏ lỡ khóa học nhé!

Bài viết được biên dịch từ chartio, xin vui lòng không sao chép dưới mọi hình thức.

Khi thực hiện phân tích chuỗi thời gian, bạn không chỉ đơn giản là nhìn vào những con số mà đòi hỏi sự nhạy bén để phát hiện xu hướng, thậm chí là những bất thường trong dữ liệu. Nếu không nắm vững, bạn có thể bỏ lỡ những cơ hội quan trọng.

Trong bài viết này, hãy cùng Insight Ouch! tìm hiểu về dữ liệu chuỗi thời gian, các yếu tố cần lưu ý khi phân tích và một số kỹ thuật bạn có thể áp dụng để phân tích dữ liệu chuỗi thời gian nhé!

1. Dữ liệu chuỗi thời gian (Time Series data) là gì?

Dữ liệu chuỗi thời gian, hay còn được gọi là time series data là một tập hợp các điểm dữ liệu được thu thập theo các khoảng thời gian (ngày, tháng, năm,...), cho phép theo dõi sự thay đổi của một yếu tố nào đó theo thời gian.

Dữ liệu chuỗi thời gian được ứng dụng phổ biến không chỉ trong đời sống (theo dõi lượng mưa, nhiệt độ, thị trường chứng khoán,...) mà còn được sử dụng để theo dõi và tìm ra xu hướng trong các hoạt động trong doanh nghiệp theo thời gian. Ví dụ theo dõi số lượng sản phẩm được bán theo từng tháng, số lượng users truy cập vào website theo ngày,...

Ví dụ: Sử dụng time series data để theo dõi số lượng users truy cập vào website trong 2 tháng

Việc phân tích dữ liệu chuỗi thời gian (Time Series Analysis) sẽ giúp bạn:

• Hiểu đặc điểm của tệp dữ liệu, sự thay đổi của tệp dữ liệu theo thời gian.

• Xác định được những yếu tố ảnh hưởng đến các biến tại các thời điểm khác nhau.

• Hỗ trợ đưa ra dự đoán giá trị tương lai của các biến trong chuỗi thời gian dựa vào xu hướng của dữ liệu trong quá khứ.

Đọc thêm: Phân tích RFM là gì và các bước phân khúc khách hàng theo RFM

2. Các yếu tố cần lưu ý khi phân tích dữ liệu chuỗi thời gian

Có 4 yếu tố quan trọng bạn sẽ cần lưu ý khi phân tích dữ liệu chuỗi thời gian, việc nắm vững những “thành phần” này sẽ giúp bạn hiểu rõ hơn về đặc điểm và sự thay đổi của tệp dữ liệu, từ đó đưa ra những dự đoán chính xác hơn.

Image Source: Github

2.1. Trend (Xu hướng):

Xu hướng trong dữ liệu chuỗi thời gian đề cập đến sự chuyển động lên hoặc xuống của dữ liệu trong một khoảng thời gian dài. Bạn có thể xác định xu hướng chung dựa vào độ dốc của dữ liệu trên biểu đồ.

Một số xu hướng phổ biến khi phân tích Time Series data:

• Upward Trend: Giá trị của dữ liệu có xu hướng tăng theo thời gian

• Downward Trend: Giá trị của dữ liệu có xu hướng giảm theo thời gian

• Horizontal Trend: Giá trị của dữ liệu không có sự thay đổi đáng kể, hoặc không đổi theo thời gian

• Damped Trend: Giá trị của dữ liệu giảm dần theo thời gian, nhưng càng về sau tốc độ thay đổi càng chậm lại.

• Non-linear Trend: Giá trị của dữ liệu thay đổi không theo một xu hướng chung mà phức tạp hơn, có thể bao gồm tăng, giảm, đổi hướng hoặc thay đổi đột biến theo thời gian

2.2. Seasonality (Tính mùa vụ):

Tính mùa vụ trong dữ liệu chuỗi thời gian đề cập đến những biến động tăng hoặc giảm lặp đi lặp lại một cách đều đặn của dữ liệu trong một khoảng thời gian.

Một số tính mùa vụ phổ biến khi phân tích Time Series data:

• Weekly Seasonality: Sự thay đổi lặp lại trong khoảng thời gian 7 ngày. Ví dụ: số lượng vé xem phim tại các rạp tăng mạnh vào các dịp cuối tuần.

• Monthly Seasonality: Sự thay đổi lặp lại trong khoảng thời gian 30 hoặc 31 ngày. Ví dụ: Chi tiêu của người dùng shopee tăng vọt vào các đợt sales định kỳ hàng tháng.

• Annual Seasonality: Sự thay đổi lặp lại trong khoảng thời gian 365 hoặc 366 ngày. Ví dụ: Số lượng khách du lịch tăng vọt vào các đợt cao điểm tháng hè.

• Holiday Seasonality: Sự thay đổi này thường được gây ra bởi các sự kiện đặc biệt như ngày lễ, lễ hội, sự kiện thể thao. Ví dụ: Doanh số các hãng bán lẻ tăng mạnh vào dịp sát Tết.

2.3. Cyclicity (Tính chu kỳ):

Tính chu kỳ trong dữ liệu chuỗi thời gian đề cập đến những biến động lên xuống lặp lại, hoặc những thay đổi định kỳ, có thể kéo dài trong nhiều năm và chuyển từ giai đoạn này qua giai đoạn khác.

Sự khác biệt giữa tính mùa vụ (Seasonality) và tính chu kỳ (Cyclicity):

Tính mùa vụ (Seasonality) đề cập đến sự thay đổi lặp lại, xảy ra trong một khoảng thời gian cố định (hàng ngày, hàng tuần, hàng tháng hoặc hàng năm), bị ảnh hưởng bởi nhiều yếu tố như thời tiết, các ngày lễ, hành vi người dùng,…. và có thể dự đoán được.

Mặt khác, tính chu kỳ (Cyclicity) đề cập đến các biến động lặp đi lặp lại trong một khoảng thời gian không xác định. Những biến động này thường bị ảnh hưởng bởi những yếu tố vĩ mô hơn như chu kỳ kinh tế, xu hướng thị trường,… Tính chu kỳ không bị giới hạn trong một khoảng thời gian cố định và có thể có diễn ra với tần suất khác nhau, nên việc dự đoán sẽ trở nên khó khăn hơn.

2.4. Irregularity (Sự bất thường):

Sự bất thường trong dữ liệu chuỗi thời gian đề cập đến những sự thay đổi bất thường của dữ liệu, xảy ra một cách ngẫu nhiên, có thể trái ngược hoàn toàn với các dữ liệu trong quá khứ, khó có thể giải thích và không dự đoán được trước. Sự bất thường này có thể do sự sai sót trong đo lường dữ liệu, hoặc những sự kiện bất ngờ diễn ra và có thể vô tình làm ảnh hưởng đến tính chính xác khi đánh giá dữ liệu chuỗi thời gian.

3. Phân tích dữ liệu chuỗi thời gian với phương pháp Moving Average

Moving averages (MA), hay còn gọi là đường trung bình trượt, là một phương pháp thống kê được sử dụng để phân tích và dự đoán các điểm dữ liệu bằng cách xem xét trung bình của các điểm dữ liệu trong quá khứ.

Mục tiêu chính của phương pháp này là để xác định xu hướng và mô hình trong dãy thời gian bằng cách “làm mịn”, loại bỏ bớt những biến động ngắn hạn hoặc nhiễu.

Image source: Turing

Để giúp bạn hiểu rõ hơn về phương pháp này, dưới đây là một ví dụ:

Cho số liệu bán hàng của một doanh nghiệp từ 2000 đến 2009, Moving averages của doanh thu mỗi 3 năm sẽ được tính bằng trung bình cộng của 3 năm gần nhất trở về trước theo công thức:

MA (2002) = (Doanh thu 2000 + Doanh thu 2001 + Doanh thu 2002)/3 = (4 + 7 + 4)/3 = 5

Bạn có thể theo dõi trong bảng dưới đây:

Khi đó, đường trung bình động sẽ được biểu diễn như hình dưới đây:

Ví dụ trên vừa sử dụng phương pháp

• Cumulative Moving Average (CMA)

• Exponential moving average (EMA)

Ưu điểm của phương pháp Moving Average là cách tính toán đơn giản, dễ hiểu, có thể thấy các giá trị gây nhiễu đã được loại bỏ bớt, bạn có thể dễ dàng hiểu được xu hướng của dữ liệu thông qua việc phân tích các yếu tố như xu hướng, tính mùa vụ, tính chu kỳ,...

Tuy nhiên nhược điểm của phương pháp này là nó dựa hoàn toàn vào dữ liệu trong quá khứ mà không tính đến những dữ kiện tương lai. Vì vậy, để đảm bảo dự đoán chính xác hơn, bạn nên kết hợp với nhiều phương pháp dự đoán khác.

4. Một số phương pháp khác để phân tích dữ liệu chuỗi thời gian

4.1. Auto-Regressive

Auto-Regressive (AR) hay còn gọi là mô hình tự hồi quy là phương pháp dùng để dự báo giá trị tương lai dựa trên mối tương quan giữa các giá trị trong một chuỗi thời gian nhất định với các giá trị trong quá khứ.

Image source: simplilearn.com

Trong đó: X[t] (giá trị tương lai) phụ thuộc vào Y[t-1] (các giá trị ở thời điểm trước đó) và epsilon[t] các biến số nhiễu ngẫu nhiên.

Bạn có thể tìm hiểu thêm về Auto-Regressive tại đây

4.2. ARIMA (AutoRegressive Integrated Moving Average)

Image source: Turing

ARIMA viết tắt của cụm từ Autoregressive Integrated Moving Average. Mô hình dựa trên giả thuyết chuỗi dừng và phương sai sai số không đổi, sử dụng những dữ liệu trong quá khứ bao gồm: chuỗi tự hồi quy Auto-Regression và chuỗi trung bình trượt Moving average của chuỗi được dự báo để dự báo chính chuỗi đó.

Bạn có thể tìm hiểu thêm về mô hình ARIMA tại đây

Ngoài ra còn có nhiều mô hình khác để phân tích và dự đoán dữ liệu chuỗi thời gian như SARIMA, ARIMAX, GARCH.

5. Một số công cụ hỗ trợ phân tích dữ liệu thời gian

Hiện tại cả Python và R đều có những thư viện hỗ trợ xây dựng các mô hình để xử lý dữ liệu thời gian:

Python

Với Python, dưới đây là 3 thư viện phổ biến có thể sử dụng để phân tích chuỗi thời gian:

• Pandas: Pandas cung cấp nhiều chức năng khác nhau để lập chỉ mục, cắt, lấy mẫu lại và căn chỉnh dữ liệu theo chuỗi thời gian. Thư viện này cũng cung cấp các phương pháp để xử lý dữ liệu bị thiếu, tổng hợp và tính toán dữ liệu theo thời gian.

• NumPy: NumPy cung cấp các cấu trúc và hàm dữ liệu để xử lý các mảng và ma trận lớn và thường được sử dụng làm cấu trúc dữ liệu cơ bản để phân tích chuỗi thời gian trong các thư viện khác như pandas và statsmodels.

• statsmodels: statsmodels bao gồm các mô hình thống kê để xử lý dữ liệu chuỗi thời gian như ARIMA, SARIMA và ARCH/GARCH. statsmodels cũng cung cấp các công cụ để ước tính mô hình, kiểm tra giả thuyết và kiểm tra chẩn đoán.

R

Dưới đây là 3 thư viện thường được sử dụng trong R để phân tích chuỗi thời gian:

• forecast: forecast trong R được phát triển riêng để đưa ra dự báo cho dữ liệu dạng chuỗi thời gian, cung cấp nhiều phương pháp và mô hình khác nhau như ETS, ARIMA…. Và bao gồm nhiều chức năng như lựa chọn mô hình tự động, đánh giá mô hình và đưa ra dự báo với khoảng tin cậy.

• tseries: tseries cung cấp một bộ công cụ để phân tích chuỗi thời gian, bao gồm kiểm tra nghiệm đơn vị (unit root tests), kiểm tra tính thời vụ (seasonality tests),... tseries cũng cung cấp các chức năng như phân tách chuỗi thời gian, loại bỏ xu hướng và sai phân.

• zoo: thư viện zoo chủ yếu tập trung vào việc quản lý và phân tích dữ liệu chuỗi thời gian có khoảng cách đều nhau. Nó cung cấp các cấu trúc dữ liệu cho phép dễ dàng thao tác, tập hợp và hợp nhất dữ liệu chuỗi thời gian. zoo cũng cũng bao gồm các chức năng xử lý các giá trị bị thiếu và thực hiện tổng hợp trong các khoảng thời gian không đều.

6. Hạn chế của Time series Analysis

Một trong những nhược điểm chính của Time series Analysis là kỹ thuật này chỉ hữu ích khi phân tích dữ liệu được thu thập theo thời gian. Ngoài ra, kỹ thuật này còn yêu cầu khoảng cách đều đặn giữa các điểm dữ liệu để tạo ra các mô hình có ý nghĩa. Do đó những dữ liệu không phụ thuộc vào thời gian (ví dụ category data) và dữ liệu có khoảng cách không đều nhau sẽ không phù hợp để sử dụng phương pháp này.

Ngoài ra, khi làm việc với dữ liệu thời gian, bạn sẽ cần xử lý các giá trị ngoại lai và nhiễu. Công việc làm sạch và chuẩn hóa dữ liệu sẽ tốn thời gian và đòi hỏi nhiều kỹ năng để xử lý.

Tạm kết

Time series Analysis là một phương pháp hiệu quả giúp doanh nghiệp hiểu được nguyên nhân cơ bản của các xu hướng theo thời gian, từ đó đưa ra dự báo trong tương lai. Hy vọng thông qua bài viết này bạn đã hiểu dữ liệu thời gian là gì, những yếu tố cần quan tâm, và những cách để phân tích dữ liệu dạng thời gian hiệu quả.

Nếu bạn đang phải tiếp xúc với hàng loạt dữ liệu, biểu đồ, mà chưa biết tận dụng chúng như thế nào để tìm kiếm Insights phục vụ công việc và ra các quyết định kinh doanh chiến lược, thì đừng bỏ lỡ khóa học Data Analysis của Tomorrow Marketes nhé!

Khóa học Data Analysis – Trang bị tư duy phân tích dữ liệu để ra quyết định chiến lược

Khóa học sẽ giúp bạn:

• Nắm được các bước trong quy trình làm việc với dữ liệu: Nắm được 6 bước trong quy trình làm việc với dữ liệu bao gồm Define problem, Data Collection, Data Preparation, Data Exploration, Building Report, Insight & Recommendation để tiếp cận dữ liệu một cách hiệu quả.

• Rèn luyện tư duy đặt vấn đề, xác định bài toán phân tích dữ liệu: Nắm vững tư duy ‘đặt câu hỏi đúng’, xác định đúng bài toán để đảm bảo dữ liệu sau khi phân tích giải quyết được đúng vấn đề của doanh nghiệp thông qua công cụ “Issue Tree”.

• Trang bị kỹ năng xử lý và trực quan dữ liệu với công cụ: Cách sử dụng công cụ như Power BI, Tableau để hỗ trợ quá trình xử lý và trực quan hóa dữ liệu giúp khai phá dữ liệu tốt hơn.

• Cải thiện khả năng đọc số rút ra insight: Luyện tập đọc số rút ra insight (các điểm bất thường, xu hướng, nguyên nhân…) và trình bày đề xuất (data storytelling) qua các case study ở nhiều lĩnh vực khác nhau (Sales, Customer, Digital, E-commerce) dưới sự hướng dẫn của các trainers nhiều năm kinh nghiệm.

Tìm hiểu và đăng ký tư vấn khóa học Data Analysis ngay tại đây

Dữ liệu ngày càng đóng vai trò quan trọng giúp doanh nghiệp đưa ra các quyết định tốt hơn. Nhiều doanh nghiệp cũng nhận ra điều này, và tập trung rất nhiều nguồn lực vào việc thu thập dữ liệu, xây dựng văn hóa doanh nghiệp dựa trên dữ liệu. Dù vậy, trên thực tế nhiều quyết định cuối cùng của doanh nghiệp vẫn dựa vào kinh nghiệm chứ không dựa trên dữ liệu, bởi doanh nghiệp thiếu đi khả năng biến dữ liệu thành những insight hay đề xuất “có thể ứng dụng” được trong thực tế. 

Bài viết này sẽ cung cấp cho bạn một mindset bao gồm 3 bước để biến dữ liệu thành “Actionable Insight”, được đúc kết từ kinh nghiệm làm Data tại Meta, Uber, Rippling của tác giả Torsten Walbaum. 

Bước 1: Xác định các chỉ số quan trọng để theo dõi và phân tích

Trước tiên, bạn cần xác định những chỉ số “key” cần theo dõi và phân tích, điều này sẽ đảm bảo không bị dàn trải nguồn lực của mình, mà chỉ tập trung vào phân tích những yếu tố tác động trực tiếp đến kết quả kinh doanh cuối cùng. 

Một phương pháp hiệu quả để làm điều này chính là sử dụng Driver/Issue tree để chia nhỏ vấn đề hoặc mục tiêu mà bạn muốn đạt được.

Hãy xem một ví dụ dưới đây: 

Ví dụ, mục tiêu cuối cùng ở đây là tăng doanh thu từ quảng cáo. Chúng ta sẽ sử dụng công thức toán học để chia nhỏ ra: 

Revenue (Doanh thu) = Impressions (Số lượt hiển thị) * CPM / 1000

Từ phương trình này, ta có thể tiếp tục bẻ nhỏ Impressions = Active users * Impression/user >  Active users = New active users * Retained active users,... 

Sau quá trình “bẻ nhỏ” này, bạn sẽ xác định rõ ràng các yếu tố cần tập trung để tăng doanh thu từ quảng cáo, từ đó thu thập và xây dựng các dashboard để theo dõi, phân tích các yếu tố đó. 

Lưu ý: Các doanh nghiệp với các mô hình kinh doanh (business model) khác nhau sẽ có những công thức khác nhau để tính toán, đòi hỏi bạn phải có hiểu biết về mô hình kinh doanh của doanh nghiệp. Nếu bạn đang làm cho các doanh nghiệp công nghệ, có thể tham khảo một số công thức tại đây. 

Ngoài phương pháp sử dụng công thức toán học (Algebra structure), có một số phương pháp khác mà bạn có thể tham khảo để phát triển Driver/Issue tree như Process Structure, Conceptual Framework,... Bạn có thể tham khảo thêm trong bài viết 3 kỹ thuật lập Issue Tree để xác định và giải quyết vấn đề hoặc trong khóa học Data Analysis with Power BI | Tableau - Phân tích dữ liệu cho quyết định chiến lược. 

3 kỹ thuật lập Issue tree giúp chia nhỏ vấn đề để phân tích - Slide khóa học Data Analysis with Power BI | Tableau - Phân tích dữ liệu cho quyết định chiến lược.  

Từ Driver/Issue tree đã được phát triển, để xác định những chỉ số “key” hiệu quả, có một số khái niệm mà bạn sẽ cần biết: 

Leading Indicators (Chỉ số dẫn dắt): 

Đây là những chỉ số mà bạn theo dõi để dự đoán và điều chỉnh chiến lược nhằm đạt kết quả mong muốn. 

Ví dụ: Số lượt hiển thị quảng cáo (Impressions) có thể là một chỉ số dẫn dắt, giúp bạn biết được mức độ tiếp cận của quảng cáo và dự đoán số lượng người dùng mới. Nếu sau khi thay đổi nội dung quảng cáo, số lượt hiển thị tăng, bạn có thể tiếp tục sử dụng mẫu quảng cáo đó để đạt mục tiêu về số lượt hiển thị đề ra.

Các chỉ số càng ở cuối Driver/Issue tree thường sẽ là chỉ số dẫn dắt mà bạn có thể tác động vào và điều chính nhằm đạt được mục tiêu cuối cùng. 

Lagging Indicators (Chỉ số trễ):

Là những chỉ số phản ánh kết quả cuối cùng, cung cấp cái nhìn toàn diện về hiệu quả của các chiến lược và hành động đã thực hiện, từ đó giúp rút ra bài học để cải thiện các hành động trong tương lai. 

Chỉ số trễ thường cho thấy kết quả của các hành động đã thực hiện từ vài tuần đến vài tháng trước đó. Doanh thu (Revenue) là một ví dụ điển hình của chỉ số trễ. Team Sales và Marketing thực hiện rất nhiều hành động để thu hút lead, nhưng để lead chuyển đổi thành deals, và cuối cùng chốt thành công để tạo ra doanh thu sẽ là một quá trình có thể kéo dài đến nhiều tháng. 

Các chỉ số càng ở đầu của Driver/Issue tree thường sẽ là các chỉ số trễ. 

Lag (Độ trễ): 

Là khoảng thời gian giữa một hành động và kết quả của nó. Ví dụ, từ khi thực hiện chiến dịch quảng cáo đến khi thấy được doanh thu từ chiến dịch đó có thể có một khoảng thời gian nhất định.

Việc xác định độ trễ giúp bạn hiểu được phải chờ bao lâu mới thấy kết quả từ các hành động, từ đó đưa ra quyết định tiếp tục hoặc điều chỉnh chiến lược kịp thời.

Ví dụ, nếu bạn biết rằng phải mất 3 tháng để thấy kết quả từ một chiến dịch quảng cáo, bạn sẽ không vội vàng thay đổi chiến dịch trước khi hết khoảng thời gian này. 

Ban đầu, bạn sẽ cần thử nghiệm để có thể xác định một khoảng thời gian hợp lý, sau khi có được mốc thời gian rồi, bạn sẽ biết được với một hành động mới sẽ cần bao lâu để có thể thấy kết quả.  

Bước 2: Thu thập và khám phá dữ liệu

Sau khi xác định được các chỉ số quan trọng, bước tiếp theo là thiết lập các hệ thống và quy trình để theo dõi và thu thập dữ liệu về các chỉ số này. Điều này giúp bạn có được cái nhìn liên tục và cập nhật về hiệu suất của doanh nghiệp, từ đó có thể đưa ra các quyết định kịp thời và chính xác.

Để theo dõi các chỉ số một cách hiệu quả, bạn cần thiết lập các dashboard (bảng điều khiển) để hiển thị dữ liệu một cách trực quan và dễ hiểu. Các công cụ BI (Business Intelligence) như Power BI, Tableau, Google Sheets hay Excel đều có thể được sử dụng cho mục đích này.

Đọc thêm: Excel vs Power BI: Nên Dùng Công Cụ Nào Để Phân Tích Dữ Liệu?

Bài viết này sẽ không đi quá sâu vào cách để tạo một Dashboard mà sẽ đi vào các tips thực tiễn để bạn hiểu rõ tệp dữ liệu, thu thập được data một cách hợp lý, từ đó tránh việc đưa ra những insight thiếu chính xác từ dữ liệu. 

Nếu bạn muốn tìm hiểu thêm về cách xây dựng Dashboard có thể tham khảo một số bài viết dưới đây:

• Hướng dẫn cách tạo Dashboard với Excel Pivot Table (Có dataset thực hành)

• Hướng dẫn 5 bước tạo Dashboard trên Tableau

Hoặc có thể tham khảo khóa học Data Analysis with Power BI | Tableau để được hướng dẫn chi tiết.

Chọn khung thời gian thu thập dữ liệu phù hợp

Để tránh việc thu thập quá nhiều dữ liệu gây ra nhiễu, nhưng vẫn đảm bảo có đủ dữ liệu để phát hiện ra những “điểm nóng” kịp thời, việc xác định khoảng thời gian để thu thập dữ liệu là vô cùng quan trọng. 

Để xác định khoảng thời gian thu thập dữ liệu phù hợp, sẽ phụ thuộc vào việc bạn có thể đưa ra hành động dựa trên những dữ liệu đó hay không. 

Ví dụ: Việc đo lường dữ liệu theo thời gian thực sẽ rất hữu ích cho các nền tảng B2C như Uber vì các giao dịch có chu kỳ ngắn (một chuyến đi Uber thường được yêu cầu, chấp nhận và hoàn thành trong vòng chưa đầy một giờ) và Uber có các “công cụ” để hành động ngay lập tức dựa trên các data thu thập được (giá tăng vào giờ cao điểm, khuyến khích người dùng đặt xe nhờ thêm mã giảm giá, hay thông báo cho tài xế mỗi khi có khách đặt xe).

Ngược lại, với một doanh nghiệp B2B SaaS, các giao dịch thường có chu kỳ giao dịch dài ngày, team kinh doanh có thể sẽ không có các hành động liên tục để tác động đến khách hàng, nên việc thu thập dữ liệu bán hàng hằng ngày sẽ khiến dữ liệu bị nhiễu. 

Tuy nhiên, nếu không thu thập dữ liệu theo ngày, mà sử dụng chỉ số theo tháng, hoặc dài hơn, bạn sẽ có một vấn đề phát sinh là bạn sẽ có rất ít điểm dữ liệu để quan sát, và sẽ phải chờ một thời gian dài để có đủ data. 

Một giải pháp để cân bằng chính là sử dụng phương pháp trung bình cuốn (Rolling Average). 

Trung bình cuốn được tính bằng cách lấy trung bình cộng của một tập hợp các điểm dữ liệu trong một khoảng thời gian nhất định, sau đó dịch chuyển khung thời gian này một khoảng nhất định và tính lại trung bình.

Ví dụ, nếu bạn sử dụng trung bình cuốn 7 ngày, bạn sẽ tính trung bình cộng của dữ liệu từ ngày 1 đến ngày 7, sau đó từ ngày 2 đến ngày 8, từ ngày 3 đến ngày 9, và cứ tiếp tục như vậy.

Đây là một phương pháp tính toán được sử dụng để làm mượt dữ liệu, giúp loại bỏ nhiễu do các biến động ngẫu nhiên, giúp bạn có cái nhìn chính xác hơn về xu hướng thực sự. 

Hãy nhìn vào ví dụ dưới đây: 

Nếu nhìn vào chart bên trái, doanh thu tăng theo từng tháng và đều đạt hoặc vượt goal, có thể kết luận rằng chúng ta có vẻ sẽ tiếp tục đạt được mục tiêu tháng 4, tuy nhiên nếu thu thập dữ liệu theo ngày và sử dụng phương pháp trung bình cuốn (30 ngày) để làm mượt dữ liệu sẽ có thể nhìn thấy doanh thu đang có xu hướng đi xuống, nếu không “đào sâu” và đưa ra giải pháp kịp thời có khả năng cao sẽ không đạt goal tháng 4. 

Thiết lập Benchmarks cho các chỉ số

Việc thiết lập benchmarks rất quan trọng trong quá trình thu thập và khám phá dữ liệu vì nó giúp bạn hiểu rõ hơn và đánh giá được các chỉ số bạn đang theo dõi. Cụ thể, benchmarks cung cấp một tiêu chuẩn để so sánh hiệu suất hiện tại với hiệu suất quá khứ hoặc với các mục tiêu đã đề ra. Điều này giúp bạn biết được các hoạt động hiện tại có đang diễn ra theo kế hoạch hay không. 

Ví dụ: Nếu doanh thu trong 3 tháng gần đây đều thấp hơn so với benchmark, bạn có thể thấy việc giảm doanh thu không chỉ là ngẫu nhiên, bạn có thể cần xem xét lại chiến lược marketing hoặc kiểm tra các yếu tố ảnh hưởng khác.

Ngoài ra benchmarks giúp bạn thiết lập các mục tiêu thực tế và khả thi hơn dựa trên dữ liệu lịch sử trước đó. Nếu bạn biết rằng một chỉ số cụ thể thường dao động trong một phạm vi nhất định, bạn có thể đặt ra các mục tiêu dựa trên phạm vi đó và điều chỉnh chiến lược nếu cần thiết. 

Ví dụ, nếu tỷ lệ giữ chân khách hàng trung bình là 70%, bạn có thể đặt mục tiêu tăng lên 75% và theo dõi tiến độ đạt được mục tiêu này.

Cân nhắc đến yếu tố mùa vụ khi đánh giá dữ liệu

Trong quá trình thu thập và theo dõi dữ liệu, nếu bỏ qua tính mùa vụ, bạn sẽ rất dễ bị dữ liệu đánh lừa và đưa ra những quyết định sai lầm. Hãy cùng xem một ví dụ nhỏ dưới đây: 

Đây là dữ liệu Doanh thu hàng tháng của một doanh nghiệp SaaS B2B. Nếu chỉ nhìn vào biểu đồ này, có thể thấy doanh thu sau khi đạt đỉnh vào tháng 6 đã bắt đầu tụt giảm liên tiếp xong hai tháng 7 và 8, và có khả năng cao sẽ tiếp tục giảm vào tháng 9, chắc chắn chúng ta sẽ cần “nhanh chóng” đưa ra những điều chỉnh để ngăn việc doanh thu tiếp tục giảm vào các tháng tiếp theo. 

Tuy nhiên, nếu so sánh với dữ liệu về doanh thu của công ty đó trong quá khứ, có một xu hướng chung về việc doanh thu thường sẽ giảm trong tháng 7, 8 (những tháng hè) và sẽ phục hồi dần từ tháng 9. 

Nếu biết được tính mùa vụ này, khi doanh thu có xu hướng tụt giảm vào tháng 7, 8, bạn sẽ không còn quá hoảng hốt, bạn sẽ biết rõ nguyên nhân doanh thu giảm là do tính mùa vụ, và biết liệu có cần thực hiện các hành động “khẩn cấp” để khắc phục tình hình, hay chờ cho doanh thu tự phục hồi.  

Tính mùa vụ không chỉ giới hạn ở các tháng trong năm; mà có thể là các ngày trong tuần, hoặc các thời điểm trong tháng. Hãy cùng xem một ví dụ nữa: 

Đường màu vàng thể hiện hiệu suất bán hàng của team Sales trong tháng 4, nếu chỉ dựa vào kết quả trong vòng 15 ngày đầu, team sales bán được $26,000, việc team có thể bán thêm gấp đôi trong vòng 6 ngày để đạt mục tiêu $50,000 vào ngày 21 gần như là không thể. Tuy nhiên, nếu nhìn vào dữ liệu ở tháng 2 và tháng 3, có thể thấy team Sales thường chốt được nhiều deal vào cuối tháng, đồng nghĩa với việc tổng doanh thu tháng hoàn toàn có thể tăng gấp đôi và đạt con số $50,000 chỉ trong vòng 6 ngày.  

Có thể thấy tính mùa vụ đóng vai trò quan trọng trong việc diễn giải dữ liệu đã thu thập được, từ đó tránh việc bị dữ liệu đánh lừa, dẫn đến những insight và những quyết định thiếu chính xác. 

Để xác định được liệu dữ liệu có tính mùa vụ hay không, bạn hãy xem xét xem dữ liệu của bạn có xuất hiện các mẫu lặp lại theo thời gian trong ngày, ngày trong tuần, thời gian trong tháng, hoặc tháng trong năm không?

Bạn có thể đọc thêm về tính mùa vụ (Seasonality), tính chu kỳ (Cyclicity) hay tính bất thường (Irregularity) của dữ liệu khi phân tích theo thời gian trong bài viết: Dữ liệu chuỗi thời gian (Time series) là gì? Phân tích dữ liệu chuỗi thời gian như thế nào?

Xử lý dữ liệu chưa thu thập được đầy đủ

Một trong những cạm bẫy phổ biến nhất khi phân tích các chỉ số là xem xét các chỉ số đó khi dữ liệu chưa đạt đến giá trị cuối cùng của chúng.

Ví dụ: Bạn đang đo lường tỷ lệ chuyển đổi từ đăng ký thành khách hàng, ở thời điểm hiện tại con số ở là 50%. Nhưng vì một chu kỳ bán hàng có thể kéo dài trong nhiều tháng, bạn sẽ không thể biết trước được có bao nhiêu người đăng ký trong tháng này chưa được team Sales chốt thành công, có thể trở thành khách hàng ở những tháng sau. Điều này dẫn đến việc tỷ lệ chuyển đổi 50% sẽ còn có thể thay đổi sau khi chúng ta đã đo lường.  

Việc dữ liệu chưa đạt đến giá trị cuối cùng ở thời điểm đo lường, có thể khiến dữ liệu trở nên sai lệch và dễ khiến chúng ta đưa ra những kết luận sai lầm. Thông thường chúng ta sẽ cần đợi đến khi dữ liệu hoàn chỉnh, trở về đúng giá trị thật của nó, sao đó mới đánh giá và đưa ra kết luận. 

Tuy nhiên trong một số trường hợp, như ví dụ ở trên, một chu kỳ bán hàng có thể kéo dài trong nhiều tháng, để tránh việc phải chờ đợi quá lâu có 3 phương pháp mà bạn có thể áp dụng:  

Phương pháp 1: Chia nhỏ chỉ số theo thời gian

Cách đơn giản nhất là chia các chỉ số theo thời gian (ví dụ: tỷ lệ chuyển đổi tuần đầu, tỷ lệ chuyển đổi tuần thứ hai,...). Điều này cho phép bạn không phải chờ đợi dữ liệu đạt đến giá trị cuối cùng, mà vẫn có thể tránh được sự “thiên vị” khi đánh giá dữ liệu. 

Hãy xem ví dụ dưới đây:  

Trên đây là biểu đồ (cohort heatmap) để theo dõi tỷ lệ chuyển đổi (CVR - Conversion Rate) từ đăng ký (signup) đến hoạt động (active) theo tuần cho từng nhóm người dùng (cohort) khác nhau theo ngày đăng ký.

Nếu chỉ nhìn vào tỷ lệ chuyển đổi Total (cột cuối cùng), chúng ta sẽ không thể biết được tỷ lệ giảm từ khoảng 43% xuống khoảng 30% trong tháng 4 là do giảm thật hay dữ liệu chưa hoàn chỉnh, bởi tỷ lệ chuyển đổi ở Week 2, Week 3, Week 4+ đang trống và vẫn có thể sẽ thay đổi trong tương lai. 

Tuy nhiên nếu đánh giá dựa trên dữ liệu ở Week 1 (dữ liệu lúc này đã hoàn chỉnh và không thể thay đổi) có thể thấy tỷ lệ chuyển đổi của chúng ta đang tệ đi (tỷ lệ chuyển đổi trong tuần đầu tiên giảm từ 22% xuống còn 15% với các nhóm đăng ký gần đây). 

Xem thêm: Cách đọc và hiểu bản chất của từng yếu tố trong một bảng báo cáo Cohort Analysis

Phương pháp 2: Thay đổi định nghĩa chỉ số

Trong một số trường hợp, bạn có thể thay đổi định nghĩa của chỉ số để tránh nhìn vào dữ liệu chưa hoàn chỉnh.

Ví dụ, thay vì nhìn vào có bao nhiêu giao dịch đã vào được đưa lên hệ thống trong tháng Ba và đã hoàn thành cho đến nay, bạn có thể xem có bao nhiêu giao dịch đã hoàn thành trong tháng 3 mà đã được chuyển đổi thành khách hàng thay vì lost (khách hàng hủy đăng ký). Con số này sẽ không thay đổi theo thời gian, trong khi dữ liệu về giao dịch đã vào được đưa lên hệ thống trong tháng Ba và đã hoàn thành sẽ còn có thể tiếp tục cập nhật. 

Phương pháp 3: Dự báo

Dựa trên dữ liệu quá khứ, bạn có thể đưa ra dự báo về giá trị cuối cùng mà mà chỉ số đó có thể đạt được. Càng có nhiều dữ liệu bạn đã thu thập được trong quá khứ, dự báo của bạn sẽ càng sát với giá trị thực.

Ví dụ: CR của team Sales trong 6 tháng đầu năm dao động trong khoảng 45 - 50%, nếu không có gì thay đổi trong chiến lược, hay hoạt động của team, khả năng cao CR trong tháng 6 có thể tiếp tục sẽ giao động trong khoảng từ 45 - 50%. 

Tuy nhiên, dự báo là một công việc rất khó, và có nhiều “biến số bất ngờ” có thể ảnh hưởng đến dự đoán của bạn, vì vậy cần rất cẩn thận khi thực hiện các hoạt động dự báo để tránh sai lầm. 

Nếu bạn quan tâm đến các bài toán dự báo (ứng dụng Machine Learning), có thể tham khảo khóa học Advanced Analytics:

Ứng dụng phương pháp Linear Regression cho bài toán dự báo doanh thu - Nội dung khóa học Advanced Analytics with Python

Vậy là chúng ta đã hoàn thành bước 2 thu thập & khám phá dữ liệu, sau bước này bạn đã có thể hiểu hơn về đặc điểm của tệp dữ liệu, biết cách thu thập dữ liệu, đồng thời thiết lập được các dashboard để theo dõi các chỉ số. 

Nếu bạn muốn nhận bộ tài liệu MIỄN PHÍ tổng hợp Key Metrics và Mẫu báo cáo theo bộ phận/ngành hàng & hướng dẫn trực quan hóa dữ liệu, có thể đăng ký nhận tại: Data Resource Packs. 

Bước 3: Tìm insight từ dữ liệu 

Sau bước trên, chúng ta đã thu thập được “một núi” dữ liệu, xây dựng được nhiều dashboard để theo dõi hiệu quả. 

Câu hỏi tiếp theo đặt ra ở đây là: “Làm thế nào để chuyển các dữ liệu đó thành insight?”

Nếu xem xét và đánh giá tất cả các chỉ số, bạn sẽ rất dễ rơi vào tình trạng “lạc lối” giữa một rừng dữ liệu và không đưa ra được kết luận gì hết. 

Thay vào đó, hãy tập trung nhìn vào những “điểm nóng” hoặc những điểm mà dữ liệu có sự biến động nhiều nhất. 

Ví dụ: 

• Team có đang không hoàn thành được mục tiêu nào không? 

• Có con số nào tăng trưởng hay giảm mạnh bất thường hay không? 

• Có xu hướng nào đang diễn ra không?

Dưới đây là một số dạng xu hướng của các chỉ số mà bạn sẽ gặp phải và ví dụ cụ thể cho từng loại, hiểu các xu hướng này sẽ giúp bạn biết cách tìm ra “insight” thật sự ẩn đằng sau những con số: 

Net neutral movements (Chuyển động không ròng)

Hiểu một cách đơn giản, đây là các tình huống mà, mặc dù có sự biến động rõ ràng trong dữ liệu, kết quả cuối cùng không thay đổi nhiều, vì sự thay đổi này được bù đắp bởi các yếu tố khác.

Khi bạn thấy một sự thay đổi đáng kể trong một chỉ số, hãy quay ngược trở lại Driver/Issue tree để xem chỉ số đó có thật sự ảnh hưởng đến những chỉ số quan trọng mà bạn đang quan tâm hay không, nếu có thì cần có hành động để giải quyết luôn, còn không chúng ta có thể tạm thời bỏ qua để ưu tiên cho những mục tiêu quan trọng hơn. 

Hãy cùng xem một ví dụ dưới đây:  

Trong hình trên, nếu chỉ nhìn vào tỷ lệ chuyển đổi từ lượt truy cập sang đăng ký trên trang web của bạn giảm mạnh vào tháng 4. Như bình thường, có thể bạn sẽ hoảng loạn và cho rằng chắc hẳn lượt đăng ký trong tháng 4 sẽ tụt thê thảm. Tuy nhiên, nếu nhìn vào dữ liệu về số người đăng ký (Signups) và lượt truy cập trang (Daily Unique Visitors) có thể thấy tổng số đăng ký vẫn ổn định, tỷ lệ chuyển đổi giảm là do lượt truy cập tăng bất thường, các lượt truy cập này có vẻ không quá chất lượng, dẫn đến việc khó chuyển đổi. Về cơ bản hiệu suất của lượng truy cập "cốt lõi" của bạn không thay đổi. Bạn có thể không cần hành động luôn nếu ưu tiên của bạn chỉ là duy trì số lượng người đăng ký. 

Denominator vs. numerator (Mẫu số vs. tử số)

Khi xử lý các thay đổi trong các chỉ số tỷ lệ (ví dụ: impressions per user, trips per driver,...), trước tiên hãy kiểm tra xem tử số hay mẫu số đã thay đổi.

Chúng ta thường cho rằng sự thay đổi thường đến từ tử số, ví dụ: số lượng khách mỗi nhân viên sales chốt được giảm, thường được cho rằng do Conversion rate thấp của nhân viên đó thấp (do chất lượng tư vấn kém, nhân viên Sales không nhiệt tình,...). Điều này là do tử số thường là những chỉ số hiệu suất (productivity) mà chúng ta muốn tăng trưởng trong ngắn hạn, nên mọi người thường tập trung vào hơn. Tuy nhiên trên thực tế thì không phải lúc nào cũng vậy. 

Số lượng khách mỗi nhân viên sales chốt được giảm có thể là do doanh nghiệp mới tuyển thêm một đội sales mới (số lượng nhân viên sales tăng) trong khi số lượng khách hàng tiềm năng thì không đổi, dẫn đến việc một nhân viên có ít khách hàng hơn để tư vấn. Vì vậy bạn sẽ cần xác định rõ nguyên nhân thay đổi đến từ đâu, để tránh đưa ra những insight và quyết định sai lầm. 

Isolated / Concentrated Trends (Xu hướng tập trung/ Cô lập)

Hiểu đơn giản Isolated / Concentrated Trends là các xu hướng thường chỉ xuất hiện ở một khu vực hoặc một nhóm nhỏ trong tổng thể, và không phản ánh toàn bộ tình hình chung.

Ví dụ: Bạn nhận thấy tổng doanh số bán hàng ở 10 chi nhánh giảm trong tháng vừa rồi, nhưng trên thực tế không phải doanh số của cả 10 chi nhánh đều giảm, mà chỉ giảm ở 1 hoặc 2 chi nhánh, nhưng do doanh thu giảm mạnh nên ảnh hưởng đến tổng thể. 

Với nếu dữ liệu của bạn có xu hướng này, đầu tiên bạn hãy sử dụng Driver/Issue tree kết hợp cùng các dữ liệu đã thu thập được để xác định được đâu là nguyên nhân chính dẫn đến sự tăng hay giảm.  

Sau đó tiếp tục nhìn dữ liệu theo nhiều lát cắt khác nhau như:

• Địa lý (khu vực, quốc gia, thành phố,…)

• Thời gian (tuần, tháng,...)

• Sản phẩm (các sản phẩm khác nhau như Instagram Feed với Reels)

• Nhân khẩu học của người dùng hoặc khách hàng (độ tuổi, giới tính,...)

• Thực thể (người dùng, đại lý,...)

Ví dụ: Giả sử bạn làm việc tại DoorDash (ứng dụng giao đồ ăn) và thấy rằng số lượng đơn hàng hoàn tất ở Boston giảm theo tuần. Thay vì nhanh chóng đề ra các ý tưởng để thúc đẩy nhu cầu hoặc tăng tỷ lệ hoàn tất đơn hàng, hãy thử cô lập vấn đề, tìm ra nguyên nhân gốc rễ để có thể phát triển các giải pháp cụ thể hơn.

Dựa trên Issue tree ở trên, số đơn hàng thành công bị ảnh hưởng bởi 2 yếu tố, yêu cầu giao hàng (Delivery requests) và tỷ lệ đơn hàng hoàn thành (Completion rate), không có vấn đề gì với yêu cầu giao hàng, số đơn hàng giảm do tỷ lệ đơn hàng hoàn thành giảm, cụ thể -5pp WoW. Tiếp tục nhìn sâu hơn, vấn đề cốt lõi là do các đơn hàng không có tài xế hoặc người giao hàng nhận để thực hiện (% order w/o couriers). 

Cuối cùng, chúng ta sẽ kiểm tra xem đây có phải là vấn đề phổ biến hay không. Cách để kiểm tra chính là nhìn dữ liệu theo nhiều lát cắt khác nhau. Nếu nhìn theo các nhà hàng, ta thấy vấn đề này phổ biến và ảnh hưởng đến nhiều nhà hàng khác nhau, do đó việc nhìn theo lát cắt này sẽ không giúp chúng ta thu hẹp phạm vi.  

Tuy nhiên, nếu tạo một biểu đồ heatmap theo thời gian và địa lý với chỉ số các đơn hàng không tìm được tài xế như trên, ta sẽ thấy phần lớn các đơn hàng không có tài xế đều ở ngoại ô, và thường được giao vào ban đêm. 

Vậy chúng ta có thể làm gì với “insight” này?  

Việc có thể xác định chính xác vấn đề cho phép chúng ta sử dụng tài nguyên một cách hiệu quả hơn. Ví dụ chúng ta có thể tập trung vào việc tuyển dụng thêm tài xế hoặc người giao hàng ở khu vực ngoại ô thay, hay tạo ra những chương trình khuyến khích dành riêng cho các tài xế nhận thêm đơn vào ban đêm thay vì dàn trải nguồn lực tuyển thêm tài xế khắp Boston. 

Mix Shifts (Sự thay đổi hỗn hợp) & Simpson’s Paradox (Nghịch lý Simpson)

Mix shift là sự thay đổi trong thành phần hoặc cấu trúc của các phần tử trong một tổng thể, dẫn đến sự thay đổi trong chỉ số tổng hợp. Điều này thường xảy ra khi các phần khác nhau của tổng thể thay đổi tỷ lệ, gây ra sự thay đổi trong kết quả tổng thể mặc dù các phần tử riêng lẻ có thể không thay đổi.

Simpson's Paradox (Nghịch lý Simpson) là một hiện tượng thống kê trong đó một xu hướng hoặc mối quan hệ xuất hiện trong một số nhóm dữ liệu nhưng lại đảo ngược hoặc biến mất khi dữ liệu được gộp lại thành một nhóm duy nhất. 

Để hiểu hơn về khái niệm và ứng dụng của 2 xu hướng này, hãy xem một ví dụ sau: 

Giả sử bạn đang theo dõi doanh thu từ quảng cáo cho một nền tảng như YouTube. CPM (cost per mille) là chi phí trung bình trả cho mỗi 1.000 lượt hiển thị quảng cáo. Bạn nhận thấy rằng doanh thu tổng thể đang giảm và khi tìm hiểu sâu hơn, bạn thấy rằng CPM cũng đang giảm.

Tuy nhiên, khi bạn phân tích kỹ hơn, bạn nhận thấy rằng CPM của từng khu vực địa lý riêng lẻ (như US, CAN, EMEA, APAC) không thay đổi. Điều này có nghĩa là CPM tổng giảm không phải do CPM của từng khu vực bị giảm. 

Vậy nguyên nhân CPM giảm là do đâu? 

Đây là nơi sự Mix shift và Simpson's Paradox xuất hiện: 

Cụ thể, CPM của từng khu vực địa lý riêng lẻ không thay đổi, nhưng nếu bạn nhìn vào tỷ lệ của lượt hiển thị theo khu vực, bạn thấy rằng các lượt hiển thị đang dần đang chuyển từ US sang APAC. Và vì APAC có CPM thấp hơn Mỹ, nên CPM tổng cũng giảm theo.

Vậy chúng ta có thể làm gì với “insight” này?  

Sau khi biết được nguyên nhân gốc rễ này, bạn sẽ có thể có được những chiến lược cụ thể hơn để tăng CPM. Có thể là kích thích tăng trưởng ở các khu vực CPM cao, suy nghĩ về các tùy chọn kiếm tiền bổ sung cho khu vực APAC, hoặc tập trung vào việc bù đắp cho CPM thấp thông qua tăng trưởng số lượt hiển thị (Impression) ở khu vực APAC.

Kết luận 

Vậy là TM đã vừa cùng bạn đi qua 3 bước biến dữ liệu thành “Actionable Insight” được đúc kết từ kinh nghiệm làm Data tại Meta, Uber, Rippling của tác giả Torsten Walbaum. Hãy nhớ rằng, dữ liệu chỉ có giá trị khi bạn sử dụng chúng để tìm ra các insights, đưa ra được những đề xuất hữu ích cho doanh nghiệp. 

Nếu bạn mong muốn trang bị tư duy làm việc với dữ liệu (Data Mindset) bài bản, cải thiện kỹ năng “đọc số tìm insight” qua các case study thực tế với dữ liệu Sales, Customers, Marketing,... nhằm hỗ trợ cho việc ra quyết định, hãy tham khảo thêm khóa học Data Analysis - Phân tích dữ liệu cho quyết định chiến lược!

Còn nếu bạn muốn tìm hiểu thêm về tư duy trực quan hóa dữ liệu (Data Visualization Mindset) và nâng cao kỹ năng xây dựng báo cáo trên Excel, hãy tham khảo khóa học Data Visualization & Analytics with Excel của TM Data School nhé!