🔙 Quay lại trang tải sách pdf ebook Sức mạnh từ những con số Ebooks Nhóm Zalo Mục lục 1. Lời mở đầu 2. Chương 1 - Giải quyết vấn đề bằng cách Suy nghĩ logic và Phân tích data 3. Chương 2 - Nhắm trúng “mục tiêu” bằng giả thuyết 4. Chương 3 - Nắm được “Điểm chính của vấn đề” bằng “Bình quân” và “Độ lệch chuẩn” 5. Chương 4 - Tìm “nguyên nhân” của vấn đề bằng “sự tương quan” 6. Chương 5 - Cách truyền tải khiến người khác hiểu và chấp nhận Lời mở đầu C ái đó, cậu giải thích bằng số liệu được không?” Bạn đã bao giờ lúng túng vì bị cấp trên hay đàn anh hỏi câu thế này chưa? Lúc đó, bạn lại chẳng hiểu tại sao phải sử dụng số liệu, hay nghĩ cách lấy số liệu hiện có để tạo biểu đồ. Tôi nghĩ lý do độc giả chọn mua cuốn sách này là vì muốn có thêm kiến thức để xử lý những tình huống như trên dễ dàng hơn. Hoặc họ muốn học hỏi thêm cách sử dụng data, cách suy nghĩ logic, nhằm nâng cao hiệu quả công việc và hoàn thiện bản thân, cũng như góp phần làm công ty/đơn vị của mình phát triển hơn. Chìa khóa để giải quyết vấn đề này chính là “Số liệu”. Vậy để “sử dụng số liệu hiệu quả trong công việc” thì cần điều gì? Chắc nhiều người sẽ nghĩ cần có “kiến thức và kỹ năng phân tích”. Vâng, đúng thế! Tuy nhiên, không phải tất cả những bài giảng về phân tích số liệu, thống kê hoặc những gì được viết trong sách đều cần cho công việc thực tế. Phương pháp phân tích trong cuốn sách này như Bình quân, Độ lệch chuẩn, hay Hàm số cũng tương đối đủ dùng trong công việc thực tế. Có nhiều lý do dẫn đến sự khác nhau này, nhưng có thể nói, mục tiêu của phân tích số liệu trong thống kê, và mục tiêu trong công việc thực tế ở các cơ quan/đơn vị khác nhau được xem là nguyên nhân chính. Mục tiêu mà các học giả hay chuyên gia phân tích dữ liệu hướng tới là “độ chính xác cao”. Để tránh lý luận chủ quan, đảm bảo tính chính xác các thông số thuộc lĩnh vực học thuật, họ cần phải có phương pháp và số liệu chính xác. Mục tiêu mà người làm kinh doanh hướng đến lại là “vận hành doanh nghiệp”. Để công việc tiến triển thì cần phải có sự thấu hiểu của những người liên quan, sự chấp thuận của cấp trên,... hay đôi khi là sự đồng ý của khách hàng. Dù trong trường hợp nào thì việc sử dụng số liệu để làm căn cứ cũng đều rất quan trọng. Đương nhiên, phần phân tích của những người làm kinh doanh cũng cần “độ chính xác”. Nhưng ai có kinh nghiệm cũng biết một sự thật đó là “không có câu trả lời chính xác”. Sự việc càng phức tạp thì càng không thể biết điều gì là sự thật ngay cả sau này ta có nhìn lại. Nhưng nếu giả định cho là ổn (nếu sai nhiều quá thì không được), làm theo từng bước, lúc đó công việc sẽ được xúc tiến rất nhanh. Trường hợp nếu bạn phải mất cả tháng để tìm lý do vì sao tháng trước doanh số giảm, thì dù kết quả phân tích chính xác (kiểu học thuật) đến mức nào, chẳng những giá trị của kết quả đó sẽ mất đi, mà còn bị nói: “Cậu làm chậm quá đó”... Trong thực tế, có thể nói rằng, “câu trả lời chính xác là do mình tạo ra”. Và nó đúng hay không sẽ phụ thuộc vào việc người khác có nghĩ rằng “phần trình bày đó hợp lý hay không”. Đáp án cho câu hỏi này sẽ phụ thuộc vào việc hành động để khắc phục doanh số suy giảm, đưa ra cách làm mới, cải thiện quy trình đã có, hay thuyết phục được khách mua hàng,... có mang lại hiệu quả hay không. Và đương nhiên, đáp án chính xác đó được kỳ vọng sẽ mang lại hiệu quả thiết thực. Tuy nhiên, nếu ta cố gắng học kỹ năng giống với nhà chuyên môn hay học giả, không chỉ sẽ thất bại vì quá khó, mà kết quả chẳng ích gì khi đã tốn công để nhớ, nhưng lại không thể ứng dụng được vào công việc. Trong khoảng thời gian làm việc tại một công ty lớn, với vị trí là một giáo viên, hay nhà tư vấn, tôi đã chứng kiến nhiều trường hợp đáng tiếc như thế. Đồng thời, tôi cũng đã tìm nhiều cách để truyền tải cho họ biết nội dung và thông điệp “có thể thật sự sử dụng được data trong công việc”. Cách để làm cho đối phương hiểu rõ và chấp nhận sẽ được tìm thấy trong câu trả lời của yêu cầu “Cái đó, cậu hãy giải thích bằng số đi”. Kỹ thuật đó là: (1) Biết phương pháp phân tích và có thể sử dụng phù hợp (tuy nhiên bạn hãy yên tâm vì phạm vi yêu cầu có giới hạn thôi), (2) “cách suy nghĩ” trước khi bắt đầu phân tích, và phần này đặc biệt quan trọng. Có người muốn học “phân tích số liệu” nhưng lại không chú trọng phần này, khiến họ khó khăn và không thể tận dụng triệt để số liệu. Có rất nhiều người tham dự các khóa học, hay đọc sách để học các phương pháp phân tích. Tuy nhiên, không ít người khi quay lại chỗ làm ngày hôm sau và bị cấp trên yêu cầu “Vậy cậu hãy sử dụng số liệu phân tích thử xem”, trong đầu lại trống rỗng và không biết phải làm thế nào. Nguyên nhân là do họ thiếu mất phần kết nối giữa Vấn đề, Mục đích và Phân tích, chứ không phải họ học chưa đủ. Trong cuốn sách này, ngoài việc giải thích về cách phân tích, cách xem dữ liệu cần trong công việc, tôi sẽ giải thích cụ thể quan điểm hay cách suy nghĩ cần có trong cả quy trình cho các bạn. Khi có số liệu hay gặp phải vấn đề, đầu tiên bạn phải làm gì? Muốn tìm được câu trả lời, bạn cần có suy nghĩ logic để đọc được ý nghĩa từ các số liệu. Chắc chắn những dữ liệu lộn xộn, biểu đồ, hay các phần mềm phân tích nâng cao nếu bỏ qua phần này sẽ mất hết ý nghĩa vốn có. Tôi cho rằng điểm hay của cuốn sách này so với các lớp đào tạo hay sách thống kê, phân tích dữ liệu khác, chính là truyền tải nội dung “suy nghĩ thế nào để phân tích có ý nghĩa” mà không phải là “làm thế nào để phân tích”. Nếu bạn có thể nắm được kỹ năng phân tích ngày một sâu hơn thì không khi nào là muộn cả. Tôi xin đề cử cuốn sách này cho những ai hằng ngày vẫn luôn cảm thấy những điều liệt kê sau đây: - Muốn sử dụng công cụ “số liệu” để khắc phục những tình huống bị nói rằng: “Tôi không hiểu cậu muốn nói điều gì”. - Đã từng đọc sách giáo khoa, sách thống kê hay phân tích nổi tiếng, nhưng không hiểu rõ lắm. Mặc dù nắm được kỹ năng phân tích rồi, nhưng lại không thể áp dụng vào công việc và vấn đề trước mắt. - Đến giờ này vẫn xử lý dữ liệu theo cách của mình, nhưng không nghĩ nó hiệu quả lắm. Do đó muốn tận dụng số liệu để mang lại hiệu quả và giá trị hơn. - Muốn sử dụng số liệu để có thể báo cáo hay trình bày một cách logic. - Muốn cấp dưới có thể tự mình suy nghĩ và đưa ra phương án hợp lý, từ đó nâng cao năng lực của toàn công ty. Với kinh nghiệm lăn lộn trong một công ty lớn gần 20 năm với các công việc kỹ thuật, bán hàng, marketing, tôi cũng gặt hái được không ít thành quả, và đã được những người xung quanh ghi nhận. Bốn năm làm Team manager cải cách doanh nghiệp trong công ty xe hơi Nissan, với tư cách là Tư vấn viên nội bộ, tôi đã giải quyết được nhiều vấn đề kinh doanh, hay vấn đề của các bộ phận khác nhờ vào vũ khí “số liệu” này. Đặc biệt, với công ty toàn cầu như Nissan, tôi đã thấu hiểu được sự khó khăn trong việc khiến cho đối phương, vốn là những người quản lý có quốc tịch và công việc khác nhau phải thốt lên rằng: “Ừ, quả đúng như vậy nhỉ”. Đồng thời, tôi cũng đã xác nhận và chắc chắn một điều rằng, số liệu là “có thể sử dụng được” trong công việc và mang lại hiệu quả. Hiện tại, với tư cách người hướng dẫn, tư vấn giải quyết vấn đề với phân tích dữ liệu là công cụ, tại các trường đại học, công ty, hay đoàn thể, tôi có thể nhận ra “phía sử dụng” đang bị vướng ở điểm nào mà không thể đi tiếp được (hoặc đang đi sai hướng). Trong cuốn sách này, tôi sẽ đề cập đến các điểm có thể giải quyết những vướng mắc đó. Bên cạnh đó, trong cuốn sách này, tôi lấy những người bình thường đang làm công việc như lập kế hoạch, kinh doanh, thiết kế sản phẩm, marketing, kế toán, nhân sự, hay tổng vụ,... làm trọng tâm, chứ không phải nhà chuyên môn phân tích dữ liệu, tại các công ty hay đơn vị. Mục tiêu của “Người kinh doanh” thì không cần đến các môn thống kê khó nhằn. Thay vào đó, họ cần những câu chuyện đơn giản giải thích một cách hợp lý dựa vào số liệu, để nắm bắt được vấn đề rõ ràng. Điều này không liên quan gì đến các môn nhân văn hay khoa học, do đó ai cũng có thể hiểu, càng làm thì kỹ năng và cảm nhận sẽ càng tốt hơn. Sau khi đọc xong cuốn sách này, bạn hãy thử áp dụng dữ liệu để tìm lời giải cho những vấn đề đơn giản xung quanh nhé. Tôi nghĩ nếu làm nhiều, những điểm còn mơ hồ chưa rõ sẽ dần được sáng tỏ hơn đấy. “Giải thích bằng số liệu nghĩa là sao?” Nỗi khổ của người quản lý mới nhậm chức Yosuke “Mình thật không thể hiểu được làm thế nào để giải thích bằng số liệu đây…” Sau cuộc họp thường kỳ, tâm trạng của Yosuke trùng xuống. Cuộc họp mà Yosuke vốn tràn đầy tự tin vào phần trình bày của mình lại thành thế này đây. Yosuke: “Vì vậy, tôi nghĩ cần phải thực hiện phương án cho cửa hàng A để khôi phục lại doanh số”. Mặc dù tràn đầy tự tin, nhưng ngay lúc quản lý cất lời: “Tôi hiểu những gì cậu nói, nhưng cậu giải thích bằng số liệu cụ thể được không”, khiến những gì Yosuke chuẩn bị trở thành tờ giấy trắng. Với tâm trạng bối rối, lúng túng, Yosuke vừa cất lời: “Cửa hàng mà cả năm trước có doanh thu thấp nhất chính là cửa hàng A, bằng kinh nghiệm của mình, tôi cho là…”, thì bị cắt ngang: “Bằng kinh nghiệm của cậu chẳng qua cũng chỉ là suy nghĩ chủ quan thôi”. Và rồi Yosuke quay lại chỗ ngồi với tâm trạng ngổn ngang, lo lắng. Yosuke chính thức vào làm tại hệ thống cửa hàng Takaraya ở vùng Kanto cách đây 4 năm. Sau khi vào làm, Yosuke đã cố gắng tiếp thu và học hỏi từ những người đàn anh đi trước. Với người luôn tự tin vào khả năng ăn nói của mình, Yosuke không chỉ xem và ghi nhớ cách đàn anh làm việc, mà còn thường xuyên đến cửa hàng và trò chuyện với những cô chú chủ gian hàng, để sâu sát hơn tình hình buôn bán của họ. Đầu tiên là một cửa hàng, rồi hai cửa hàng,... Cùng với kinh nghiệm tích lũy được, số cửa hàng Yosuke phụ trách ngày càng tăng. Từ cửa hàng thứ ba trở đi, Yosuke được trao cơ hội báo cáo bán hàng cho khu vực mình quản lý tại cuộc họp các khu vực ở trụ sở chính. Yosuke: “Giờ thì, cơ hội thăng tiến của mình đã mở ra rồi!” Yosuke được đề bạt lên làm trưởng nhóm khu vực (Area leader) cách đây ba tháng. Đương nhiên Yosuke đã rất vui vẻ nhận lời, tuy nhiên với vị trí Area leader kiêm phụ tá của giám đốc, những việc như báo cáo cho tổng bộ hay đề xuất chiến lược,... cũng tăng theo. Chưa hết, số lượng cửa hàng phụ trách cũng tăng vọt từ 5 lên đến 20, những điều này khiến Yosuke vốn nhiều kinh nghiệm và tự tin, bên cạnh niềm vui còn có cả sự lo lắng. Điều khiến Yosuke lo lắng nhất không phải là khối lượng công việc nhiều hơn, mà chính là nội dung công việc đa dạng hơn, và những kinh nghiệm tích lũy trước đến nay có lẽ chưa đủ. Yosuke bắt đầu cảm thấy lo lắng vì nhiều việc trước giờ chưa làm, và thật sự không biết làm cách nào với việc nộp báo cáo bán hàng cho cửa hàng một lần mỗi tháng, hay trong thời gian ngắn phải giải thích được tại sao doanh số bán hàng lại giảm,... Chưa hết, trong cuộc họp hay báo cáo gửi tổng bộ, việc bị yêu cầu giải thích bằng số liệu cũng khiến Yosuke cảm thấy mệt mỏi. Đối với một Yosuke trước nay vốn chỉ quan sát và phán đoán tình huống qua thực tế, thì với yêu cầu như vậy, rõ ràng là rất lúng túng và không biết phải làm thế nào. Lúc đầu Yosuke đã định xóa bỏ bất an đó bằng sự tự tin rằng “chẳng phải từ trước đến nay mọi người trong công ty xem những lời mình nói là tiếng nói từ thực tế sao”, tuy nhiên sau đó nỗi bất an lại lấn át, và dần dần Yosuke cảm thấy không còn tự tin vào những phán đoán dựa vào kinh nghiệm bản thân nữa. Yosuke: “Đến giờ khi quan sát thực tế, mình biết nên làm thế nào, nhưng tại sao vẫn không được như kỳ vọng?” Quả thực, khi nhìn lại 1-2 năm vừa qua, Yosuke đã từ từ cảm nhận được chính câu nói “Bằng kinh nghiệm bản thân” ấy, đôi khi đi ngược lại thực tế, hay những phương án đề xuất không giải quyết được vấn đề. Từ trước đến nay, được mọi người đánh giá cao vì là “nhân vật thường xuyên đi sâu sát thực tế, luôn tươi tắn vui vẻ”, Yosuke luôn tự tin vào kinh nghiệm khi đánh giá vấn đề gì đó, và trong công việc cũng đã không ít lần vượt qua các tình huống “nguy hiểm”. Tuy nhiên, Yosuke đã nhận ra một điều rằng nếu chỉ dựa vào kinh nghiệm để đánh giá hay giải quyết vấn đề thì chắc chắn sẽ bị hạn chế. Ngày đó, Takashima là người phụ trách khu vực phía Bắc Kanto chuyển đến làm giám đốc khu vực mà Yosuke trực thuộc, đồng thời là cấp trên của Yosuke. Yosuke đã rất hồi hộp khi chào đón Takashima, vốn nổi danh trong công ty là một giám đốc khu vực có năng lực. Một ngày, Yosuke nhận được điện thoại của Takashima, thay cho câu chào hỏi, Takashima đã nói thế này: “Từ giờ rất mong cậu cố gắng. Hiện giờ tôi đang muốn nắm rõ tình hình của các khu vực, chắc là cậu có số liệu tình hình khu vực mình đúng không. Nhờ cậu giải thích rõ cho tôi, khi nào chúng ta gặp nhau nhé.” Lúc đó, Yosuke chỉ xem nhẹ việc này: “Mình chưa từng sử dụng số liệu, nhưng khu vực này mình biết rõ nhất nên giải thích cho sếp chắc không vấn đề gì đâu”. Tại sao cần dữ liệu trong kinh doanh? Là công cụ để điều chuyển nhân lực và nắm rõ tình hình chung Mấy năm gần đây tôi hay nghe nói đến phân tích data (số liệu) hay Big data. Bạn có bao giờ tránh né những việc vốn không phải sở trường với suy nghĩ rằng “phân tích” hay “data” gì đó chẳng có liên quan gì tới mình, hay “những việc đó giao cho kỹ sư, kế toán làm là được rồi”? Thực tế có những người trong công việc hằng ngày chẳng tiếp xúc gì đến “con số” cả. Rõ ràng khi chúng ta nhìn vào đặc thù hay nội dung của từng công việc, thì tần suất hay số lượng sử dụng số liệu ở mỗi công việc lại khác nhau. Tuy nhiên, không thể phủ nhận một điều, dù là công việc gì thì cuối cùng cũng có sự liên hệ với tiền bạc ở khâu nào đó. Không chỉ những người làm việc ở cơ quan hay tổ chức, mà những người tự kinh doanh cũng thế, chắc chắn họ phải sử dụng số liệu để tính toán thu nhập của mình. Như vậy, rõ ràng “con số”, “số liệu” là yếu tố không thể thiếu. Thế nhưng tại sao “số liệu” lại cần thiết tại các công ty? Đầu tiên bạn hãy thử đứng vào vị trí giám đốc để suy nghĩ. Nếu là bạn, làm thế nào để nắm được công việc của nhân viên và tình hình kinh doanh của công ty? Quy mô công ty chỉ có năm người thì còn được, chứ nếu là công ty lớn sẽ thế nào? Công ty càng lớn, thì việc một người có thể nắm rõ tình hình tổng thể càng trở nên bất khả thi. Lấy ví dụ, một người ở văn phòng tổng bộ tại Tokyo, thì không thể nắm rõ tình hình kinh doanh cụ thể mỗi ngày của công ty tại châu Á, châu Âu hay tại Mỹ. Ngoài vấn đề về khoảng cách, thì nếu hệ thống kinh doanh càng phức tạp như khi tăng sản phẩm, dịch vụ,... thì khả năng của một người không thể nắm và quản lý hết được. Vậy phải làm thế nào đây? Trong trường hợp này, có thể sử dụng công cụ rất hiệu quả, đó là data (số liệu). Lợi ích của data là có thể tập hợp được một lượng lớn thông tin, qua đó có thể nắm rõ tình hình. Vì nếu nhìn vào số liệu, bạn có thể dễ dàng biết được loại hàng nào đang bán chạy, loại hàng nào hiện đang được ưa chuộng. Không chỉ nắm được kết quả trên mặt data, chúng ta có thể dựa vào những so sánh, phân tích để đưa ra các thông tin giúp cải thiện tình hình kinh doanh. Điều mà những người điều hành luôn miệng kêu “data, data” chính là đây. Bên cạnh đó, data còn có có lợi trong những trường hợp sau: 1. Data là tài liệu thuyết phục người khác hiệu quả nhất Chắc sẽ có người cho rằng: “Tôi không phải người quản lý, và cũng không muốn trở thành nhà quản lý, nên chẳng liên quan gì cả”. Tuy nhiên, sẽ không có việc nào lại hoàn toàn không liên quan gì đến việc kinh doanh của đơn vị cả. Công việc của bạn dù là loại hình gì, chắc chắn đều được quản lý bằng data. Việc quản lý hiệu quả công việc của bản thân bằng số liệu hay dữ liệu, không chỉ nâng cao chất lượng công việc mà còn là cách bạn thuyết phục người xung quanh hay tổ chức rất hiệu quả. Bạn sẽ không thuyết phục được người khác hay tổ chức nào đó chỉ bằng câu nói: “Tôi nghĩ là thế này”, vì những câu nói không có căn cứ sẽ không có tính thuyết phục. Nhưng khi bạn đưa những số liệu hay dữ liệu làm căn cứ, chẳng hạn như: “Sau khi thực hiện phương án này, đã mang đến kết quả với số liệu này, tôi cho rằng chúng ta đang đi đúng hướng và nên tiếp tục”, thì chắc chắn hiệu quả thuyết phục sẽ khác. 2. Trưởng nhóm hay quản lý cũng cần “số liệu” Dù không phải người điều hành, nhưng trong một tổ chức nào đó, nếu chức vụ càng cao, thì càng phải phụ trách những lĩnh vực vượt quá khả năng một người có thể làm xuể. Do đó, việc dựa vào số liệu để quản lý công việc hiệu quả lại càng trở nên cần thiết hơn. Nghĩa là, người ở vị trí TOP trong tổ chức sẽ yêu cầu “số liệu” ở cấp ngay dưới họ, rồi người cấp dưới đó lại yêu cầu “số liệu” ở cấp dưới hơn, điều này giống như kiểu dây chuyền vậy. Trong dây chuyền này, rõ ràng về mặt logic sẽ không có chuyện ở một nút nào đó xảy ra việc “tôi không cần số liệu nữa” (Có thể có tình huống quản lý cấp trên tự mình quản lý và xử lý số liệu, nên “tạm thời” sẽ không yêu cầu cấp dưới làm việc này). Như vậy, có thể nói biết sử dụng số liệu hiệu quả là yếu tố cần cho việc đa dạng hóa nội dung công việc, và đảm đương tốt công việc ở vị trí cao. Đây chính là yếu tố cần để nâng cao hiệu quả công việc của nhóm trưởng, hay cấp quản lý. Theo tôi, nếu bạn lúc nào cũng tránh né kiểu như “vì tôi dở lắm”, thì bạn sẽ bỏ lỡ nhiều cơ hội, và đó là điều rất đáng tiếc. 3. Số liệu sẽ xóa bỏ sự mơ hồ và làm cho việc giao tiếp trôi chảy hơn Giống như công ty tôi đã làm trước kia, có nhân viên khác quốc tịch, văn hóa, thì điểm lợi của việc giao tiếp bằng “ngôn ngữ” là có thể truyền đạt tức thì những gì muốn nói, nhưng đôi khi cũng gây ra hiểu lầm. Nếu là đồng hương Nhật Bản có nhiều năm làm cùng chỗ, thì đôi khi câu nói không rõ ràng cũng khiến họ có thể hiểu được nhau. Tuy nhiên, với những người khác quốc tịch, cách nói chuyện mơ hồ có thể sẽ gây hậu quả khôn lường. Đương nhiên, ngay cả người Nhật với nhau đôi khi cách hiểu cũng khác nhau. Ví dụ như câu: “Sản phẩm này, dạo gần đây bán chạy quá ha!” Nghe đến “gần đây”, có người sẽ cho là khoảng một tuần, cũng có người nghĩ khoảng nửa năm. Giống như vậy, khi nghe đến “bán chạy quá”, có người cho là doanh số vượt 200% so với kế hoạch, nhưng cũng có người chỉ đoán khoảng 120%. Nếu như câu trên được sửa thành: “Sản phẩm này một tháng nay doanh số đạt 140% so với kế hoạch” thì chắc chắn sẽ không có chuyện người nghe đoán sai tình hình thực tế như trên. Đây chỉ là ví dụ trong giao tiếp đơn giản, thực tế kinh doanh không chỉ đơn giản như vậy, mà nó là sự kết hợp phức tạp và chặt chẽ giữa các yếu tố với nhau. Do đó cần phải hiểu được các yếu tố đó là gì, nhìn ra được bản chất thật sự của nó và hành động phù hợp, đồng thời phải nghĩ cách khiến người khác cũng hiểu và tán thành với cách làm của bạn. Công cụ hỗ trợ hiệu quả để làm việc này được gọi là Cách tiếp cận dựa vào data. “Data” là công cụ hiệu quả khiến người xung quanh hay tổ chức hiểu và tán thành cách làm của bạn. Số liệu hữu ích thế nào? Thể hiện rõ ràng tình hình và cung cấp thông tin sâu hơn Vậy nếu sử dụng số liệu, sẽ giúp được gì cho bạn? Như phần trước đã trình bày, việc chúng ta sử dụng tai hay mắt để quan sát và nắm bắt, sẽ có những hạn chế nhất định do khoảng cách vật lý, lượng thông tin quá nhiều, hay mức độ phức tạp. Do đó việc đọc được ý nghĩa từ các con số khổng lồ là một công việc rất khó khăn. Tuy nhiên, nếu xử lý và sử dụng data tốt, như đưa ra chỉ tiêu cho một lượng thông tin lớn, hay làm rõ điểm đặc trưng của số liệu phức tạp không thể nhận ra bằng mắt thường, ta có thể khiến những người xung quanh hiểu cụ thể những điều mình muốn nói. Ví dụ cụ thể như hình 0-1 Đây là dữ liệu về chiều cao của các thành viên đội A và đội B. Nếu để như vậy, sẽ không thể nào biết được đội nào cao hơn, và ta thấy rõ sự hạn chế đó. Nhưng nếu đưa Chiều cao trung bình của hai đội vào, đội A là 160.4 cm, đội B là 165.3 cm, qua đó có thể thấy rõ đội B cao hơn. Có được kết luận này hoàn toàn nhờ vào một chỉ tiêu gọi là “giá trị trung bình” từ data của 20 người này. Chắc chắn sẽ không có công cụ nào tiện lợi hơn thế nếu muốn lấy đặc trưng của nhóm nhiều data. Tóm lại, nhờ tận dụng đặc trưng “dễ dàng xử lý” của data, chúng ta có thể trình bày hay dẫn ra thông tin khó hiểu một cách rõ ràng. Ngoài ra, không chỉ có thể “trình bày những điểm phức tạp một cách đơn giản”, ta có thể thu được những thông tin quan trọng nếu chú ý đến mối quan hệ phía sau data, ví dụ như dự đoán việc mua hàng của khách cho lần tiếp theo từ data ghi nhận tình hình mua hàng trong quá khứ. Đây là kỹ năng cần thiết mà nếu chỉ nhìn chằm chằm vào data không thể làm được. Tất nhiên, data cũng có vai trò như một công cụ giao tiếp nữa, nếu sử dụng đúng, chắc chắn sẽ phát huy hết tất cả uy lực của nó, là giảm sự mơ hồ, và làm cho người khác hiểu chính xác vấn đề. Điểm mấu chốt Một điểm lợi khi sử dụng data chính là giúp ta nắm được đặc trưng của tình huống đó. “Xử lý data” khác với “Phân tích data” Để không “nắm rõ hiện trạng là xong” Có nhiều người nói rằng: “Tôi có nhiều dữ liệu ở nơi làm việc, dù không thể nói là tận dụng triệt để, nhưng hằng tháng tôi vẫn xem data hay biểu đồ”. Thường thì những gì các bạn xem là So sánh doanh số hằng tháng giữa các cửa hàng, hay Sự lên xuống của doanh số giống ở hình 0-2 đúng không? Tuy nhiên, tại các buổi hội thảo, tôi hỏi rằng: “Anh/chị xem cái này, có nhận ra vấn đề cụ thể là gì, và có tìm được giải pháp gì không?”, thì hầu hết câu trả lời là “không”. “Mục đích” chính của việc đó chỉ là cập nhật (hay bị bắt cập nhật) tình hình bán hàng mỗi tháng mà thôi. Vậy còn công ty các bạn thì sao? Đến đây tôi muốn xác nhận một chút về sự khác nhau giữa “Xử lý data” và “Phân tích data”, mặc dù cả hai giống nhau ở điểm là đều “Sử dụng data”. Để không còn tình trạng báo cáo theo kiểu “Tháng trước, ... có doanh số cao nhất. Xin hết”. “Xử lý data” nghĩa là “đã xử lý” kết quả trong quá khứ, chẳng hạn như Doanh số bán hàng của các cửa hàng tháng trước, hay sự biến động hằng tháng của Doanh số bán hàng. Tôi nghĩ mục đích chung ban đầu của chúng là nhằm so sánh giữa các cửa hàng với nhau, hay khuynh hướng thay đổi của doanh số. Ta đã thường quên mất mục tiêu cơ bản là sau khi nắm được tình hình, sẽ phải làm gì tiếp theo. Nghĩa là, không biết từ khi nào mục tiêu lại trở thành “cập nhật và xử lý data”, rồi đưa ra kết luận “Tháng trước doanh số cửa hàng Sibuya là cao nhất”, “Gần đây khu vực A khách hàng đang giảm”, và kết thúc phần báo cáo. Thêm nữa, thường chỉ có một loại data như “Doanh số” được sử dụng cho việc xử lý, và cũng không kết nối với các nguồn dữ liệu khác để tìm hiểu sâu hơn tình hình, vì vậy thông tin và giá trị của nó bị hạn chế. Có thể nói xử lý data hiện nay chỉ là: “Có thể biết tình hình, và Xin hết!” Câu giải thích đó thật sự có thể chấp nhận được không? Ở những công ty phát triển hơn, những data chỉ được xử lý như trên là chưa đủ, và có trường hợp bị cấp trên đặt câu hỏi: ”Tại sao tháng XX lại không bán được!” Trong tình huống đó, người phụ trách sẽ tiếp tục phần giải thích mang tính chủ quan của mình dựa vào thông tin hạn chế được chắt lọc khi họ nghe hay nhìn thấy. Tại thời điểm đó cũng không có ai nắm thông tin rõ hơn anh ta, thế nên phần trình bày ấy lại có thể được chấp nhận... Những tình huống như vậy, chắc hẳn ai đã từng đi làm đều đã trải qua. Vậy thì, chúng ta hãy suy nghĩ theo hướng khách quan: - Phần giải thích đó thật sự có thể được chấp nhận (hay chấp nhận cũng được) hay không? - Tại sao người phụ trách lại đưa ra kết luận như thế, anh ấy đã đưa ra được căn cứ gì ngoài thông tin bản thân nghe, nhìn thấy? - Trong số những người nghe trình bày, có ai suy nghĩ thấu đáo và tranh luận ý kiến đó, bao gồm mức độ tin cậy của nó không? Nếu những điều bên trên không thể đáp ứng được, thì đây chẳng qua chỉ là “phán đoán dựa trên sự phỏng đoán” mà thôi. Ngược lại, “Phân tích data” lại có mục tiêu rõ ràng, và tìm kiếm thêm thông tin cần thiết để đạt mục tiêu. Mục tiêu ở đây không chỉ là nắm rõ điểm đặc trưng của data, mà từ đó ta có thể thu thập được những thông tin giá trị, có thể sử dụng cho các mục đích khác nhau như dự báo cho tương lai, cho khu vực hay các sản phẩm khác. Để làm được điều này, sẽ rất khó nếu chỉ sử dụng một loại data như “Doanh số”. Cách thường được sử dụng để có thể đọc được những vấn đề bên trong mà chỉ một loại data không thể làm, đó là kết hợp từ hai loại data trở lên (thường được gọi là phân tích đa biến). Ví dụ như ở hình 0-3 “Biểu đồ doanh số các cửa hàng” là biểu đồ so sánh chỉ có một cột doanh số của các cửa hàng. Phía bên dưới là biểu đồ đã được thêm vào cột “Lượng khách” (cột này được lựa chọn dựa vào giả thuyết, chứ không phải ngẫu nhiên. Tôi sẽ trình bày phần này ở chương số 2). Nếu nhìn biểu đồ chỉ có cột doanh số phía trên, ta chỉ biết được rằng “cửa hàng C là thấp nhất”, nhưng ở biểu đồ có hai cột phía dưới, ta sẽ thấy vấn đề nằm ở cửa hàng D, tuy có lượng khách nhiều, nhưng doanh số lai thấp (so với các cửa hàng khác). Đương nhiên, tiếp theo ta cần phải tìm lời giải cho vấn đề “Tại sao lượng khách đến đông nhưng doanh số lại thấp”, đến đây chắc bạn đã biết so với việc chỉ có một data “doanh số”, thì với cách sử dụng hai data, ta đã có bước tiến khá xa rồi. Đây chỉ là ví dụ đơn giản có thể nhận ra khi nhìn trên biểu đồ, nhưng điểm mấu chốt từ “Xử lý data” sang “Phân tích data” là giống nhau. Nghĩa là, không phải chỉ sử dụng một loại data thôi, nếu tăng số lượng đó lên, ta có thể đọc được nhiều thông tin giá trị từ mối quan hệ giữa chúng. Phần tóm tắt điểm khác nhau giữa “Xử lý data” và “Phân tích data” bên trên thể hiện ở hình 0-4. Các bạn hãy thử xem lại các data mình thường sử dụng (hay xem) là dữ liệu được xử lý hay dữ liệu được phân tích. Nếu biết đó là loại gì, hẳn các bạn sẽ biết được hiệu quả data hiện nay ra sao. Nếu chỉ “xử lý data” bằng cách sắp xếp lại kết quả, ta chỉ có thể nắm được hiện trạng. Nhưng nếu “phân tích” nó, ta có thể thu được những thông tin có giá trị. Để làm được như thế thì cần tăng số loại data từ 1 lên trên 2. Đến đây tôi đã giải thích tại sao data lại quan trọng rồi, nhưng không biết Yosuke có hiểu điều này không? Chương 1Giải quyết vấn đề bằng cách Suy nghĩ logic và Phân tích data Định nghĩa vấn đề và quy trình giải quyết nó N gay cả khi xem hiện tượng nhìn thấy trên biểu đồ, cũng không tìm ra được nguyên nhân chính. Từ sau ngày Takashima trở thành cấp trên được nửa tháng, đối với Yosuke là những ngày tháng căng thẳng thấp thỏm để chuẩn bị cho phần trình bày liên quan đến khu vực mình phụ trách theo yêu cầu của Takashima. Trong sáu tháng doanh số chung toàn công ty suy giảm, doanh số khu vực Yosuke phụ trách cũng bị giảm. Câu hỏi đầu tiên của Takashima cho Yosuke rất đơn giản: “Vấn đề hiện nay của khu vực cậu phụ trách là gì?” Với câu hỏi đơn giản ấy, Yokuse thấy nhẹ cả người và trả lời một cách hồ hởi phấn khởi: “Vâng, từ nửa năm trước, doanh số đã giảm và tình hình hiện không tốt. Bên em vẫn đang tích cực thực hiện chương trình khuyến mại cho sản phẩm mới, nhưng hình như không hiệu quả lắm. Thêm nữa, tình hình các cửa hàng khu vực phía Bắc đang tệ hơn phía Nam. Lượng khách giảm, nên doanh số cũng giảm theo.” Yosuke giải thích bằng việc nêu ra các chương trình khuyến mại của các cửa hàng mình biết, sự tăng giảm doanh số vẫn xác nhận mỗi tháng, hay thông tin thu thập được từ các chủ cửa hàng hay nhân viên khi đến thăm họ. Nếu là cấp trên trước kia của Yosuke, chắc chắn sẽ có phản ứng như sau: “Vậy à, vậy thì từ tháng sau phải suy nghĩ đổi cách làm chương trình cho sản phẩm mới, và làm gì đó để thu hút khách cho các cửa hàng phía Bắc thôi”. Nhưng Yosuke đã nhìn thấy nét mặt tối dần của Takashima khi nghe điều này. Bằng thái độ bực mình, Takashima đã nói thế này với Yosuke: “Cái đó, cậu giải thích một cách khách quan bằng số được không?” Đối với Yosuke, người chỉ báo cáo số liệu đã update bằng format có sẵn, hay chỉ sử dụng số liệu cần thiết trong những lúc cần thiết, thì việc sử dụng số liệu “để tự giải thích” là lần đầu tiên. Nhìn thấy khuôn mặt “không biết làm thế nào” của Yosuke, Takashima nói thêm: “Trước tiên, đối với những “vấn đề” là hiện tượng cậu thấy trên biểu đồ, chắc chắn còn có nguyên nhân chính, vậy cậu hiểu được ở mức độ nào?” “Thêm nữa, cậu có thể giải thích cho người khác hiểu, làm thế nào mà cậu đã có những nhận xét mang tính định tính, chủ quan như “đang giảm” hay “không có hiệu quả” được không?” Yosuke nghĩ: “Hiện tượng trên biểu đồ và nguyên nhân chính? Định tính nghĩa là gì? Mình chỉ nói những gì mình nghĩ, điều đó không đúng sao?” Một người vốn tươi tắn, lạc quan dù đứng trước bất kỳ ai như Yosuke, trước câu hỏi hóc búa của Takashima, cũng lâm vào trạng thái không thể thốt nên lời. Lý do mà cuối cùng bị lật bàn là tại sao? Định nghĩa về vấn đề và mục tiêu có cụ thể không? Các bạn hãy nhớ lại xem trong những câu phát biểu tại các cuộc họp, hay giao tiếp trong công việc hằng ngày, có thường xuất hiện những câu như sau không nhé: “Thời điểm này việc bán hàng khó mà tăng trưởng” “Lợi nhuận ngày càng giảm” “Chưa thấy hiệu quả từ các chương trình khuyến mãi” “Chi phí nhân công tiếp tục tăng”,… Khi nghe ra rả bên tai như thế, nếu không cẩn thận thì đến một lúc, chúng ta lại thấy chấp nhận việc đó. Chắc chắn có nhiều người làm kinh doanh từng trải qua tình cảnh, cứ làm theo những gì mặc định trong đầu, đến cuối cùng, lại phải “bỏ đi làm lại”. Vậy thì tại sao lại phải “làm lại”. Đương nhiên nếu là do thiếu hợp lý, hay các vấn đề chuyên môn như thiếu thông tin, mắc các lỗi cơ bản,... thì đành phải xem lại. Tuy nhiên, nhiều trường hợp, nguyên nhân là do “hiểu sai” ngay từ khâu bắt đầu, sau đó trong quá trình làm, cái sai ngày càng lớn dần lên. Đến cuối cùng, chỉ còn thốt lên “Không định làm như thế”, hay “Như vậy là do giải thích không đầy đủ rồi”, thì mới biết được là do từ lúc bắt đầu, những người có liên quan bao gồm cả cấp trên đã không có được nhận thức đúng đắn. Ví dụ như trong câu chuyện trên, câu nói của Yosuke: “Doanh số giảm sút bắt đầu từ nửa năm trước, rõ ràng là không tốt rồi”, cũng được xem là cách nói gây hiểu sai. Vì vậy, trước tiên là thử chia ra: Sự thật - mang tính khách quan - và Nhận xét - mang tính chủ quan. “Sự thật khách quan” là hiện tượng rõ ràng ai nhìn vào cũng thấy. “Doanh số đang sụt giảm” là câu nói ám chỉ đến hiện tượng hay sự thật khách quan mà ai nhìn vào cũng thấy rõ sự giảm sút này. Tuy nhiên, khi chỉ nghe có “đang sụt giảm” thì ở mỗi người lại có cách hiểu khác nhau. Có người sẽ nghĩ rằng doanh số chỉ bằng 1/2 năm trước, có người lại nghĩ giảm khoảng 20%. Đối với người làm kinh doanh, nếu không làm rõ điều này mà chỉ đề cập đến “đang giảm” thôi, thì bản báo cáo đó bị xem là yếu kém, chưa đạt yêu cầu. Nếu cứ để hiểu và làm sai như thế, thời gian bỏ ra có thể lại thành vô ích (Hình 1-1). Thường thì trong những trường hợp đôi bên có sự hiểu sai khi nhìn nhận vấn đề, phía cấp trên sẽ nhìn hiện trạng theo chiều hướng trầm trọng hơn. Có trường hợp bị sếp nói: “Đó chắc chắn là vấn đề rồi, giờ thì hãy sử dụng thời gian và tiền bạc rồi nghĩ cách khắc phục đi”, nhưng khi có kết quả phân tích dữ liệu thực tế, lại bị sếp nói thành: “Cái gì, chuyện chỉ có vậy mà lại phải mất công sức đến thế à”. Mặc dù thống hận vì bị bắt tăng ca đến khuya, nhưng ta chỉ có thể kêu lên: “Nếu sếp nói sớm thì tốt hơn rồi”, nhưng công sức đã thành bọt nước rồi còn đâu. Tuy nhiên, đáng tiếc là người nói lại thường thật sự biết “đang giảm bao nhiêu”, chỉ là không thể hiện ra mà thôi. Nếu vậy sẽ không có cách nào làm cho người nghe hiểu một cách rõ ràng cả. Trong trường hợp này, thì việc sử dụng số liệu là cách hiệu quả không cần phải bàn cãi nữa. Như phần trước có đề cập, một trong những điểm ưu thế khi sử dụng data, đó là xóa bỏ sự mơ hồ. Trong cuộc sống, ở những trường hợp cần thiết đôi khi cũng cần chút mập mờ không rõ ràng, tuy nhiên trong lĩnh vực kinh doanh, hầu hết các trường hợp đều mang lại trái đắng. Do đó “Sử dụng số liệu để giải thích” nghĩa là bỏ qua phỏng đoán chủ quan để trình bày một cách khách quan. Câu nói chủ quan”không tốt rồi” sẽ không được chấp nhận. Vậy thì “Nhận xét chủ quan” nghĩa là gì? Yosuke nói “không tốt rồi” phải hiểu thế nào? Có lẽ là câu nhận xét của Yosuke cho việc gì đó dưới mức chuẩn. Ở hình 1-2, có lẽ điều “không tốt” mà Yosuke nói đến là khi so sánh doanh số năm 2015, kỳ sau đang giảm so với kỳ đầu. Tuy nhiên, khi nhìn thêm số liệu của năm 2014 nữa, rõ ràng là kỳ sau của năm nào cũng thấp hơn kỳ trước. Trong đó kỳ sau của năm 2015 còn cao hơn so với của năm 2014. Như vậy, nếu đưa số liệu này ra, thì câu nói “không tốt rồi” của Yosuke liệu có đúng không? Chỉ cần vậy thôi thì sự đánh giá cũng khác nhau rồi. Trường hợp “đã giảm”, cũng nên nói cụ thể xem giảm bao nhiêu so với chỗ nào. Nếu bằng số, có thể có nhận thức chung rằng việc đó là “không tốt” hay ngược lại. Cả khi không hiêu nhau, ít nhất ta có thể tranh luận. Nếu bỏ qua bước này mà triển khai công việc trước, ta có thể tưởng tượng ngay được khung cảnh cãi vã nhau trong tương lai sẽ thế nào. Tôi mong các bạn hiểu một điểm quan trọng rằng, để giải quyết đúng vấn đề nhờ vào phân tích, tránh sau này không phải thốt lên rằng: “Tôi không định làm sự việc thành như thế”, thì tại thời điểm bắt đầu nhất định phải xóa bỏ ngay sự mập mờ mơ hồ đi. Giờ hãy cùng xem Yosuke đã nói gì lúc mở đầu. - Từ nửa năm trước doanh số đang sụt giảm nghiêm trọng, thật sự không tốt chút nào. - Những cửa hàng khu vực phía Bắc tình hình kinh doanh tệ hơn khu vực phía Nam. Rõ ràng việc sụt giảm là có rồi, nhưng để nhận xét tốt hay không thì cần phải có phân tích sâu hơn, và ở đây ta cũng không biết mức giảm là bao nhiêu. Giống như vậy, khi Yosuke cho rằng tình hình các cửa hàng phía Bắc đang xấu đi, người nghe cũng không biết so với khu vực phía Nam thì cái gì và mức độ tệ hại là bao nhiêu. - Chương trình khuyến mại không hiệu quả. - Số người ghé cửa hàng giảm, dẫn đến doanh số giảm theo. Mặc dù Yosuke đã đưa ra nguyên nhân chủ yếu của sự sụt giảm này là do chương trình khuyến mại không hiệu quả, khách hàng giảm sút, nhưng khá mơ hồ vì không biết nó được đánh giá theo tiêu chí nào và bằng cách nào. Cũng có thể số người ghé đến không đổi, nhưng số lượng mỗi khách mua lại giảm. Đến đây, thì rõ ràng báo cáo của Yosuke thấy toàn lỗ hổng. Các bạn không làm báo cáo theo kiểu này chứ? Trước khi “phân tích”, phải làm rõ những điểm gì? Khi muốn “trình bày bằng số liệu hay data”, có nhiều điểm các bạn nên chú ý. Ví dụ: - Giảm sút nhưng là giảm “bao nhiêu” - Giảm sút nhưng là giảm “so với chỗ nào” - “Doanh thu” là “doanh số” hay “số lượng bán” - Doanh số được tính ở phạm vi nào (sản phẩm, khu vực, khoảng thời gian) Trong lúc những điểm này còn mơ hồ, bạn lại bị yêu cầu “Cậu hãy giải thích bằng data đi”, thì bạn làm thế nào. Chắc chắn một điều, bạn sẽ không thể trình bày bằng data được (không thể giải thích bằng số liệu) nếu chưa làm rõ tất cả những điểm này. Trước khi phân tích dữ liệu, ta sẽ không biết phải xem gì và bằng cách nào nếu không định nghĩa được vấn đề. Khi xác định từng vấn đề một, chắc chắn sự mơ hồ sẽ dần được xóa bỏ. Đây là một bước rất quan trọng. Điểm mấu chốt Giảm nguy cơ phải làm lại bằng cách làm rõ vấn đề đang gặp phải hay xác định mục đích nhờ số liệu. Yosuke: “Vậy à, chắc là sẽ không nắm được tình hình nếu không làm rõ đối tượng rồi trình bày bằng số liệu, ví dụ như “So với năm ngoái, Doanh số bán hàng giảm xx% từ giữa năm đến giờ”, nhưng mà mình không tự tin nếu lúc nào cũng phải rõ ràng theo kiểu như vậy.” “Matrix” nhằm xóa bỏ sự mơ hồ Bí quyết để có “suy nghĩ” mang tính tích cực Vậy thì, phải truyền tải khách quan bằng số liệu như thế nào? Matrix như hình 1-3 bên dưới sẽ có ích trong trường hợp này. Bạn hãy xem những gì hiện lên trong đầu giống với chỗ nào của Matrix nhé. Vừa viết vừa xem từng điều bạn biết, điều bạn đang nghĩ ấy cụ thể và khách quan đến đâu. Sau khi định rõ thế này, ít nhất ta có thể chỉ ra cụ thể và khách quan những gì đang diễn ra, và bắt đầu quy trình sau đó. Hình 1-4: Cũng có những trường hợp dựa vào “hiện tượng” nhìn thấy bằng mắt giống như Yosuke, rồi vội vàng xác định “nguyên nhân” và “phương án khắc phục”, khiến mọi việc trở nên lộn xộn và rắc rối. Vì vậy ta hãy xác định rõ ràng “hiện tượng” được xem là sự thật, và “nguyên nhân” biết được thông qua phân tích bản chất của nó, sau đó lên “phương án” giải quyết rõ ràng dựa vào nguyên nhân đó. Ví dụ như phần “nguyên nhân” việc “giảm lượng khách” mà Yosuke đã nói, có thể là đúng ở thời điểm đó, nhưng vì chưa xác định bằng data nên không thể biết được điều đó có đúng hay không. Giống như vậy, “phương án” đưa ra là “đẩy mạnh khuyến mại” chẳng qua chỉ là phỏng đoán khi nguyên nhân khách quan vẫn chưa được xác định rõ ràng. Trước khi phân tích, những gì ta biết chỉ là “hiện tượng” thôi. Chắc chắn bạn sẽ nhận ra rằng, vào thời điểm này không thể trình bày cụ thể nguyên nhân và phương án nếu không dựa vào data. Nguyên nhân khiến bạn cảm thấy lúng túng khi bị vặn hỏi “Tại sao lại chọn phương án đó” là vì phần trình bày không dựa vào thực tế do chưa xử lý data (kết quả có được do phân tích thực tế). Hãy xem lại ví dụ của Yosuke thêm lần nữa. Có nhược điểm trong phần trình bày của Yosuke đó là, mặc dù nêu được hiện tượng khách quan, nhưng vì không được số liệu hóa nên thiếu tính cụ thể. Sau đó là phần câu chuyện tự dựng nên bắt đầu từ nguyên nhân đến phương án theo hướng chủ quan, khiến cho xuất hiện cả núi vấn đề từ lúc bắt đầu để có được phần phân tích khách quan. Điều này dẫn đến một mớ rắc rối sau này nếu thực hiện PR không trúng mục tiêu, hiệu quả hoàn toàn không có. Nắm được sự thật khách quan chính là nền tảng của phân tích data. Vì sau đó ta sẽ sử dụng data để phân tích sâu hơn, nên việc cụ thể từ ban đầu xem “cái gì, mức nào, như thế nào” chính là điểm then chốt. Chúng ta hãy cùng xem bốn điểm bên dưới cụ thể là gì nhé! (1) Định nghĩa từ ngữ có chính xác không? (ví dụ) “Doanh số” => Doanh số bằng tiền? Số lượng bán ra? (2) Định lượng bằng số (ví dụ) “Giảm nhiều” => 20%? 50%? (3) Làm rõ đối tượng được so sánh (ví dụ) “Đang giảm” => So với cùng kỳ năm trước? So với công ty khác? (4) Nhận biết Sự thật (hiện tượng) với những yếu tố khác Quản lý Takashima đã nhìn ra những rủi ro này, vì thế đã yêu cầu Yosuke trình bày bằng số liệu. Điểm mấu chốt Khi tìm hiểu vấn đề, ta hãy xem lại bốn điểm sau bằng Matrix nhé! (1) Làm rõ định nghĩa (2) Cố gắng định lượng hóa (3) Làm rõ đối tượng so sánh (4) Nhận biết Sự thật với những yếu tố khác Không nhận ra vấn đề nếu chỉ sử dụng data vẽ biểu đồ Lý do nhiều người không tìm thấy kết luận Yosuke: “Hèn chi, đây chắc là lý do vì sao phương án mình dựa trên kinh nghiệm bản thân lại không thuyết phục. Nói thế thì data quan trọng quá rồi, vậy để mình thử làm một lần xem sao!” Và rồi, Yosuke đã bắt tay vào việc phân tích. Tuy nhiên, data lại nhiều loại, chẳng hạn như Doanh số bán mỗi cửa hàng, Doanh số mỗi sản phẩm, Doanh số mỗi năm,... Yosuke đã sử dụng số liệu đó để thử vẽ nào là biểu đồ cột, biểu đồ đường kẻ (hình 1-5). Nhìn thì thấy rất đẹp, nhưng mà... Yosuke: “Giờ thì biết Doanh số tăng hay giảm rồi, nhưng nếu bị hỏi vấn đề là gì thì sao đây? Ngay cả khi nó giảm cũng không thể nói là đang có vấn đề được, giờ phải nhìn cái gì, như thế nào để biết lý do giảm đây...” Chúng ta hãy thử nhìn xem cách giải quyết vấn đề mà Yosuke đang đau đầu có trình tự thế nào nhé. Quá trình giải quyết vấn đề sử dụng data là gì? Tìm điểm quan trọng từ Big picture Có thể nói một trong những mục đích chính trong công việc là “Giải quyết vấn đề”. Ví dụ khi ta sử dụng data tạo biểu đồ trên hệ thời gian, thì mục đích là để xem có vấn đề gì phát sinh không, nếu có ta sẽ tìm cách để giải quyết nó. Đương nhiên, từ lúc tìm thấy nguyên nhân đến khi giải quyết vấn đề, chỉ xử lý data thôi thì chưa đủ. Quá trình giải quyết vấn đề sẽ khác nhau tùy vào đặc trưng của nó. Tuy nhiên, có một quy trình gồm các bước có thể nói gặp ở hầu hết các vấn đề mà ta nên nhớ. Đó là đi từ tổng thể đến chi tiết (From a big picture to details). Trong tiếng Anh có cách nói rất chính xác của từ “Tổng thể”, đó là “Big picture”. Quy trình này bao gồm các bước, đầu tiên là nắm tổng thể, sau đó phát hiện vấn đề trong đó, và cuối cùng tìm ra nguyên nhân chính của vấn đề. Đó chính là trình tự phân tích vấn đề dựa vào data để có được cái nhìn từ tổng thể đến chi tiết ấy. Quy trình cụ thể sẽ như dưới đây (hình 1-6) (1) Big picture Ví dụ: Một năm trước Doanh số mỗi tháng toàn công ty là 100.000.000 Yên, nay giảm xuống còn 60.000.000 Yên. (2) Nắm được Vấn đề chính Ví dụ: Khi tìm hiểu, ta thấy vấn đề chính là Doanh số của sản phẩm A chủ lực bị giảm mạnh. (3) Phân tích nguyên nhân chính Ví dụ: Sản phẩm A chủ lực giảm doanh số từ khi công ty khác tung ra sản phẩm giá thành rẻ hơn và tính năng tốt hơn. Đây có vẻ là lý do chính. Tôi sẽ giải thích theo trình tự như sau: (1) Big picture Đầu tiên, ta nắm rõ tình hình hiện tại đang diễn ra thế nào bằng Big picture. Khi này, ta cố gắng cụ thể hóa hay số hóa điểm chính của vấn đề, chẳng hạn như “giảm ...% so với năm ngoái”. Nói một cách cụ thể, ta vẽ biểu đồ tổng doanh số, hay tính doanh số trung bình tháng (giai đoạn này không chia từng loại sản phẩm hay từng cửa hàng riêng lẻ). Ở thời điểm này đôi khi ta có thể phát hiện dấu hiệu của vấn đề, tuy nhiên thường thì vấn đề vẫn bị vùi trong data tổng quát, nên chúng ta không nhìn thấy được. Ở đây, mục đích chính khi nhìn từ Big picture chính là để nắm được tình hình chung trước khi xây dựng giả thuyết, cũng là nhằm tránh tình trạng “nhìn thấy cây mà không thấy khu rừng”. Ví dụ, giả sử ta biết được tổng doanh số là khoảng 50.000.000 Yên/tháng, sau này dựa vào phân tích chi tiết, nếu tìm thấy được nguyên nhân ảnh hướng đến là con số 500.000 Yên/tháng, hẳn là ta có thể đánh giá mức độ ảnh hưởng của con số ấy trên tổng thể. Nếu không có bước này, trong lúc vùi vào việc phân tích chi tiết, thì ngay cả khi có phát hiện gì lớn, do không nhận ra mức ảnh hưởng của việc phát hiện đó so với tổng thể, thường ta sẽ bỏ qua, và gây lãng phí. Khi tôi còn phụ trách khu vực Trung Cận Đông cho một hãng sản xuất xe hơi, cứ mỗi lần phân tích số liệu bán hàng hằng tháng ở các nước khác nhau, tôi nhận ra có một quốc gia vào tháng đó lại có doanh số thấp hơn nhiều so với mức trung bình. Tuy nhiên, nhờ nắm được số liệu tổng thể, tôi đã biết được rằng doanh số đó so với cả khu vực Trung Cận Đông chỉ chiếm chưa tới 1%, và chắc chắn không ảnh hưởng gì đến tổng thể cả. Tất nhiên tôi không nói là không cần bận tâm đến doanh số tại quốc gia đó, nhưng tôi nhận ra rằng cách hiệu quả hơn để sử dụng nguồn tài nguyên có giới hạn, chắc chắn là ở một quốc gia khác ngoài quốc gia nêu trên. Như vậy, không chỉ đơn giản là nắm rõ quy mô tổng thể, mà việc nắm rõ khuynh hướng chung (đang tăng trưởng, hay có dấu hiệu xuống dốc) trước khi phân tích chi tiết, cũng là cách hiệu quả cho việc phán đoán sau này. Yosuke cũng vậy, việc nắm được quy mô bán hàng khu vực mình phụ trách, quy mô từng cửa hàng, biến động theo mùa qua các năm,... chính là tiêu chuẩn đánh giá chính xác mức độ ưu tiên, hay tầm quan trọng của sản phẩm/cửa hàng được thể hiện ở kết quả phân tích kỹ lưỡng sau này. Nếu có được “cái nhìn tổng thể” như nêu ở trên, ta có thể tránh được cái nhìn hạn hẹp, giới hạn của bản thân. Nếu chỉ có Big picture thôi, thì không thể thu thập được thông tin có giá trị. Cũng có những điểm cần lưu ý trong lúc nhìn từ Big picture này. Trong trường hợp sử dụng nhiều thông tin để tìm hướng giải quyết vấn đề gì đó, nếu cứ đứng tại Big picture, ta sẽ bị bao vây bởi rất nhiều thông tin, lúc nào cũng loay hoay với việc tạo biểu đồ, đồ thị cho tổng thể chung, sẽ khiến ta dễ rơi vào tình huống mãi không tìm ra cách phù hợp và giậm chân tại chỗ. Nguyên nhân là do khi có quá nhiều thông tin, ta như chìm vào trong một cái “nồi thập cẩm”, dù có xem thế nào dưới góc độ nào, cũng không thể biết được chi tiết bên trong (nghĩa là chưa vào được sâu và kỹ). Như ở phần trước có đề cập, Yosuke mặc dù sử dụng data để vẽ các loại biểu đồ khác nhau, nhưng chỉ ở mức độ “đã tăng, đã giảm” hay “cửa hàng nào có doanh số cao nhất”, chính là tình huống này. Vậy ở giai đoạn này phải làm gì, câu trả lời là còn tùy vào trường hợp, nhưng thường là ta nên nắm được Độ lớn (quy mô) hay Sự biến đổi đó của tổng thể trước. Sau khi đã nắm được, bước tiếp theo sẽ là “Nắm các điểm chính yếu của vấn đề”. Bạn đã từng trải qua cảm giác bứt rứt, vì lúc nào cũng làm một bản báo cáo A3, trong đó có dán các biểu đồ rất đẹp thể hiện số liệu tổng thể từ nhiều góc độ, nhưng kết cục cả bản thân cũng không hiểu mình muốn nói gì, và không thuyết phục được người nghe. Nếu có, bạn phải đặc biệt chú ý điểm này, vì nghĩa là bạn đang rơi vào tình huống loay hoay mãi ở Big picture đấy. (2) Nắm được điểm chính của vấn đề - (3) Phân tích nguyên nhân chính Tiếp theo là phân tích data, và nắm được các dấu hiệu của vấn đề. Sau đó, phân tích sâu hơn các phần đó để tìm ra nguyên nhân chính “Tại sao lại như thế”. Sau khi biết được nguyên nhân chính, tiếp theo là suy nghĩ để tìm hành động phù hợp nhằm giải quyết và cải thiện vấn đề. Trong kinh doanh, mục đích chính của ta không phải chỉ là nắm rõ tình hình, biết được nguyên nhân thôi, mà “hành động và đem lại kết quả” mới là mục đích chính. Tuy vậy có thể nói, việc phân tích data không có mục tiêu rõ ràng, sẽ rất ít có khả năng tự nhiên tìm thấy “điểm chính của vấn đề” hay “nguyên nhân chính”. Vì nếu không suy nghĩ trước khi phân tích, thì khả năng tìm thấy và không tìm thấy là như nhau. Do vậy, để phân tích data hiệu quả thì cần phải xây dựng “giả thuyết”. Về phần “giả thuyết” này tôi xin được trình bày ở chương tiếp theo. Điểm mấu chốt Hãy suy nghĩ đến giả thuyết trước khi bắt đầu phân tích data. Chương 1 Những điểm cần làm để “suy nghĩ bằng số liệu - dữ liệu” Học cách suy nghĩ và quy trình giải quyết vấn đề sử dụng số liệu, dữ liệu Giai đoạn chuẩn bị trước khi phân tích 1: Làm rõ và cụ thể vấn đề, mục đích. Cố gắng thể hiện bằng số liệu! 2: Nếu chỉ mãi luẩn quẩn ở giai đoạn Big picture, sẽ không tiến triển gì được. Sau khi nắm được tổng thể, hãy vào sâu vấn đề và tìm các điểm chính nhé. 3: Trước khi xử lý dữ liệu, phải nhớ xây dựng giả thuyết trước (suy nghĩ trước khi hành động!) Chương 2Nhắm trúng “mục tiêu” bằng giả thuyết S ẽ chẳng tìm thấy gì nếu chỉ phân tích cái này cái kia mà không suy nghĩ. “Mình phải cố gắng cho anh Takashima xem data dễ hiểu nhất có thể”. Yosuke đã sử dụng excel làm đi làm lại để biểu đồ hóa nhiều loại dữ liệu. Đến khi nhận ra, thì biểu đồ trước mắt lại không được như ý. “Nãy giờ mất nhiều thời gian vậy mà sao không thấy khá hơn chút nào hết vậy. Những gì mình muốn thể hiện qua các biểu đồ này nhìn kỹ lại chỉ thấy hình thức khác nhau nhưng nội dung lại giống nhau... Giờ làm sao đây, chết mất thôi…” Và rồi, Takashima bước đến: “Sao rồi, biết là cậu đang làm dở dang nhưng đưa tôi xem thử nào!” Yosuke rụt rè đưa những biểu đồ cho Takashima xem. Sau khi xem, Takashima hướng về Yosuke và đưa ra lời khuyên. “Cậu hình như đã xử lý xong số liệu tổng thể rồi nhỉ. Vậy làm bước tiếp theo chứ… Mà bây giờ cậu đang vướng mắc là...” “Vâng…” Takashima: “Nếu cậu chỉ loay hoay với số liệu thôi thì sẽ không bước tiếp được đâu, thay vào đó cậu phải sử dụng kinh nghiệm và cái đầu của mình để đưa ra các giả định như: “chắc chắn vì như vậy mới có chuyện này”, rồi suy nghĩ một cách hợp lý vấn đề đó. Yosuke: “Sử dụng đầu óc để suy nghĩ? Em vẫn đang sử dụng để “phân tích dữ liệu” mà?” Takashima: “Nếu cậu gọi ‘phân tích dữ liệu’ là chỉ đơn giản lấy dữ liệu và sử dụng công cụ để làm, thì chẳng phải nó giống như cái máy tự động sao? Nếu thế thì mãi cũng chỉ là xử lý dữ liệu thôi, sẽ không đi xa hơn được. Tuy nhiên, trong quá trình phân tích dữ liệu, người phân tích bằng đầu óc của mình có thể nhận ra rất nhiều việc qua các số liệu đó. Dù có học bao nhiêu về phương pháp hay lý luận này khác trong phân tích dữ liệu, mà bỏ qua điều đó, thì kết quả thu được cũng chỉ là bảng phân tích ‘không thể sử dụng’ được.” Đúng là cơ hội tốt. Câu chuyện ở đây không phải là cái gì cũng chỉ biết phân tích dữ liệu, mà là kỹ năng sử dụng nó để làm việc logic, xây dựng phương án hay giải quyết vấn đề đấy. Nếu cậu làm được điều này, chắc chắn năng lực sẽ dần nâng cao hơn, nên phải cố mà nhớ nhé.” Để tránh không “chỉ vẽ biểu đồ là xong” Trước tiên, hãy xây dựng “giả thuyết” Nếu bị yêu cầu “Hãy phân tích dữ liệu”, thì đầu tiên bạn sẽ làm gì? Có lẽ nhiều người sẽ trả lời “nắm nội dung dữ liệu” hay “tạo biểu đồ hay bảng biểu cho dữ liệu đó”. Trong thực tế, có nhiều người sẽ bắt đầu từ việc “bắt tay vào làm dữ liệu trước”. Ví dụ như, giả sử có số liệu bán hàng thực tế trong 36 tuần của khu vực mình phụ trách, chắc chắn có nhiều người sẽ tạo biểu đồ giống như hình 2-1 bên dưới. Với dữ liệu thế này, bạn sẽ đọc được thông tin gì? Chắc sẽ là “Giữa các tuần đều có sự chênh lệch, nhưng dao động trong khoảng 28.000 - 37.000” thôi, đúng không. Nhưng mà, hãy thử nghĩ kỹ hơn một chút nhé. Sau khi biết được thông tin trên, theo bạn phải gắn nó vào cái gì và như thế nào để có được thông tin có ích đây? Hay bạn cho rằng “À, đâu cần phải vậy, chỉ cần biết được ‘doanh số trong khoảng này’ là xong rồi mà.” Như quy trình giải quyết vấn đề tôi đã trình bày ở phần trước, bước đầu tiên là nắm được tình hình tổng thể, ở đây là không sai. Trước khi xử lý dữ liệu, bạn phải xác định rõ mục đích là Nắm rõ tổng thể thôi, hay là Tìm ra vấn đề và nguyên nhân của nó. Đó chính là “lập ra giả thuyết” mà tôi muốn nói đến. Ở đây, “Giả thuyết” là chỉ việc ta phác thảo nên tình huống có nhiều khả năng xảy ra, chẳng hạn như “Chắc chắn là sẽ có chuyện này cho xem”. Nếu giả thuyết đó hợp lý và cụ thể, chắc chắn chất lượng phân tích, kết quả, hay hiệu quả làm việc sẽ cao hơn. Nhờ có “giả thuyết”, ta có thể đi từ Xử lý dữ liệu sang Phân tích dữ liệu. Ví dụ, trong tình huống “doanh số khu vực mình phụ trách đang giảm”, ta có giả thuyết: “mặc dù đang giảm, nhưng chắc chắn là bốn cửa hàng mình phụ trách lại có những đặc trưng riêng”, sau đó vẽ biểu đồ như hình 2-2. Với dữ liệu như vậy, vì sự phân bố của mỗi cửa hàng quá nhiều, ta sẽ không biết đọc và xem thế nào, do đó có lẽ ta cần giả thuyết nào cụ thể hơn một chút. Vì vậy, giả thuyết tiếp theo đưa ra lúc này là “Doanh số mỗi cửa hàng thay đổi theo thời gian, nên chắc phải thử làm theo Hệ thời gian, chứ không phải theo từng cửa hàng qua các tuần như biểu đồ này được”. Nhưng mà, thế này thì vẫn rối, nên không nhìn ra được đặc trưng gì cả. Giờ thử suy nghĩ giả thuyết nào thực tế hơn chút (không phải chỉ ngồi trên bàn giấy và tưởng tượng). Và rồi, giả thuyết tiếp theo được đưa ra theo mốc thời gian “Chắc chắn biểu đồ theo đơn vị lớn hơn tháng sẽ dễ xem hơn là biểu đồ thay đổi theo tuần”. Thế là cùng một dữ liệu như trên, ta có được biểu đồ hình 2-4 . Khi nhìn biểu đồ này, rõ ràng ta có thể thấy ở phần nửa năm sau, doanh số cửa hàng D đang dần tăng lên. Tất nhiên, lý do vì sao cửa hàng D đang dần được cải thiện so với lúc đầu phải được tìm hiểu, tuy nhiên với dữ liệu thế này, ta thấy được “cửa hàng D” chính là đối tượng phải chú ý trong bước phân tích dữ liệu tiếp theo. Bên cạnh đó, với doanh số tương đối thấp của cửa hàng C, ta đã xác định được đối tượng để phân tích nguyên nhân rồi. Với kết quả này, hãy thử so sánh với biểu đồ 2-1 xem. Cách thể hiện khác nhau sẽ làm cho kết quả thu được khác nhau. Có thể nói, đây chính là điểm khác biệt giữa việc lập giả thuyết và không lập giả thuyết trước khi phân tích. Đặc trưng của những người cho rằng việc phân tích dữ liệu không thuận lợi như họ nghĩ, hay không tận dụng được dữ liệu, là họ “bắt tay vào xử lý dữ liệu” trước khi “suy nghĩ giả thuyết”. Nếu họ khắc chế được sự thôi thúc “trước tiên muốn thử xử lý dữ liệu này xem sao”, bằng việc “trước tiên thử suy nghĩ bằng đầu óc đã” thì sẽ hiệu quả hơn. Tất nhiên, tôi không phủ định cách làm là đọc dữ liệu từ nhiều khía cạnh để tìm ra điều gì đó “nhằm xây dựng giả thuyết”. Đó có thể là cách “phân tích để xây dựng giả thuyết”, nhưng ở đây tôi chỉ muốn lưu ý hai vấn đề sau: Thứ nhất, cách làm đó chắc chắn hiệu suất không cao. Dù ta có vẽ bao nhiêu biểu đồ dựa trên phỏng đoán đi nữa, thì khả năng dùng được và không dùng được là ngang nhau, và có thể khiến ta làm đi làm lại nhiều lần. Thêm nữa, nếu chỉ dựa vào việc “vô tình phát hiện ra” rồi tập trung vào đó, về sau lại nhận ra đó không phải là điểm trọng yếu, lúc này rất có thể ta đã bỏ lỡ những điểm quan trọng hơn rồi. Nếu điều này xảy ra, ta sẽ không thể trả lời được câu hỏi “tại sao trước đây cậu lại tập trung vào điểm đó? Khi đó không còn vấn đề nào khác sao?”, sẽ khiến cho toàn bộ phần phân tích giảm đi mức độ chính xác và tin cậy. Chính vì vậy, đối với cách “xử lý dữ liệu trước để xây dựng giả thuyết”, bạn nên nghĩ đó là cách cuối cùng nếu không thể có được giả thuyết nào. Điểm mấu chốt Hãy “suy nghĩ đến giả thuyết” trước khi bắt đầu xử lý dữ liệu. Hãy nhắm đúng mục tiêu bằng việc xây dựng “giả thuyết” Kết nối data và Vấn đề Giả thuyết là phần không thể thiếu trong quy trình từ Xử lý data đến Phân tích data. Ta có thể xác định được giả thuyết đã dựng trước đó “chỗ này hẳn là có vấn đề đây” có chính xác hay không bằng việc phân tích dữ liệu sau đó. Có thể nói, xây dựng “giả thuyết” chính là bước giúp cho quá trình tìm ra vấn đề, hoặc nguyên nhân chính (tại sao lại có vấn đề đó) một cách hiệu quả. Đặc biệt, những người thường hay có tật bắt tay vào làm ngay khi có dữ liệu phải lưu ý. Trong quy trình giải quyết vấn đề, ở mỗi bước “Phát hiện vấn đề” và “Xác nhận nguyên nhân chính”, ta phải xây dựng giả thuyết trước. Có thể nói đây là phần không thể thiếu trong quy trình từ lúc “xử lý dữ liệu” đến “phân tích dữ liệu” (hình 2-5). Vậy thì, ta xem thử “giả thuyết” là gì, và có quan hệ thế nào với “phân tích data”. Nhưng trước hết ta tìm hiểu “phân tích data” là để làm gì (tôi nghĩ chắc hơn nửa số người đọc hẳn là chưa từng nghĩ đến việc đó). Có phải là để nhận biết vấn đề hay phát hiện cơ hội một cách khách quan không? Nếu là mục đích tổng thể thì YES, tuy nhiên đây không phải câu trả lời trực tiếp. Mục đích của việc phân tích data không gì khác hơn chính là: “Xác nhận những điều mà người phân tích đã giả định”. Giả định đó ví dụ như: - Doanh số đang giảm chắc chắn là do sự sụt giảm của sản phẩm nào đó. - Xuất khẩu đang trì trệ chắc là do khâu nào đó trong chuỗi cung ứng không hiệu quả. - Khách hàng giảm sút chắc chắn là do hoạt động tuyên truyền quảng cáo không hiệu quả. Giả định như vậy gọi là “giả thuyết”. Giả thuyết thật ra cũng là “phỏng đoán” thôi, nhưng để kiểm chứng xem “phỏng đoán” này có chính xác hay không thì cần phải đến tận nơi để nhìn tận mắt, hay làm sáng tỏ dựa trên data. Việc đến tận nơi có điểm hạn chế về mặt thời gian, nơi chốn, và có nhiều trường hợp không phù hợp để nắm bắt sự thật tổng quan, do đó việc Phân tích data để kiểm chứng giả thuyết có thể xem là cách làm hiệu quả hơn. Nghĩa là, tôi cho rằng mục đích trực tiếp của việc Phân tích data chính là để “kiểm chứng giả thuyết đã xây dựng trước đó”. Trong kinh doanh, việc quyết định dựa vào giả thuyết chưa được kiểm chứng nhiều khả năng sẽ gây ra hậu quả khó lường. Và vì thế ta sử dụng Phân tích data để có thể đưa “phỏng đoán” đó đến gần với “sự thật khách quan”. Khi nghe đến “giả thuyết”, có lẽ bạn sẽ cảm thấy có vẻ khó hoặc sao thấy phiền phức thế, nhưng lợi ích của nó sẽ không thể đong đếm được. Ngược lại, khi phân tích data mà không có giả thuyết cũng gần giống như “làm đại mà không có mục đích” vậy. Nếu không có hướng đi, bạn sẽ rơi vào trạng thái vẫn cứ bước, nhưng lại quay lòng vòng chỗ này chỗ kia, và không biết làm sao để đi xa hơn. Đương nhiên, giả thuyết cần phải hợp lý và cụ thể. Nếu giả thuyết không có đặc điểm này, thì phân tích dựa trên đó chắc chắn bị hạn chế, không thể nào sâu và bao quát được. Qua việc học hỏi cách suy nghĩ, cách xây dựng giả thuyết để tránh điều này, và tích lũy kinh nghiệm thực tế, ta có thể nâng cao kỹ năng, mở rộng hiểu biết và đây chính là con đường hướng tới thành công trong công việc. Bạn sẽ tìm thấy mối liên hệ giữa data và vấn đề nếu có giả thuyết Chúng ta thử tìm hiểu cụ thể: Tại sao khi có giả thuyết, quy trình sẽ tiến triển trơn tru hơn? Ví dụ, như khi Yosuke bị yêu cầu: “Tôi nghe là doanh số giảm từ cách đây nửa năm rồi, cậu hãy tìm hiểu xem vấn đề là gì”. Data liên quan đến doanh số thì có rồi, nhưng bước tiếp theo phải làm gì đây? Sử dụng data đó để vẽ biểu đồ, sau đó xem thử có phát hiện gì không? Thử tìm thêm nhiều data khác có vẻ liên quan? Hoặc hoàn toàn không nhìn ra phải làm gì tiếp theo, đành ngước lên trời cao và thở dài? - “Tôi biết là doanh số đã giảm 20%, nhìn từ số liệu cũng thấy rồi, nhưng lại không biết làm gì tiếp theo đây?” - “Vì có nhiều data, nên tôi đã tạo nhiều biểu đồ, bảng biểu,... Nhưng rồi phải làm gì đây? Tôi thường hay nghe nhiều người than như vậy, đối với các vấn đề trước mắt nhưng lại không biết cách nào để vượt qua, chẳng hạn như “không biết bắt đầu từ đâu”, “không biết dùng data gì” hay “đã bắt đầu làm rồi, nhưng không biết mục tiêu là gì”. Nếu như không có được sự liên kết giữa “vấn đề/mục đích” và “phân tích/data” thì chắc chắn các bước tiếp theo không thể đi tiếp được. Ở trường hợp của Yosuke, “vấn đề/mục đích” chính là “doanh số giảm sút từ cách đây nửa năm”. Bước kế tiếp là lập giả thuyết có khả năng xảy ra cho vấn đề này chẳng hạn như: “Việc đó xảy ra ở đâu, tại sao lại bị như vậy?” Bằng việc nhận biết chính xác vấn đề hay mục đích, kết hợp với data và phân tích “cần thiết”, ta có thể thoát khỏi tình trạng bế tắc và phần phân tích cũng sẽ chính xác. Yếu tố đóng vai trò “kết nối” đó chính là “giả thuyết” (hình 2-6) Đối với yêu cầu “tôi nghe nói doanh số sụt giảm từ cách đây nửa năm, cậu phân tích vấn đề đó bằng data rồi gửi lên cho tôi”, Yosuke không nghĩ ngợi gì và sử dụng doanh số bán hàng trong sáu tháng qua để vẽ đồ thị, “Vâng, em đã xong rồi ạ” rồi đưa kết quả mà chẳng có lấy một giả thuyết nào. Nếu nhìn kết quả này, chỉ có thể nói đơn giản là đã xử lý data (kết quả) trong quá khứ, nhưng sẽ không biết cái gì xấu, và tại sao lại thế, do đó xem như nó không có giá trị gì lớn cả. Điểm mấu chốt Phân tích data để xác nhận lại “phỏng đoán (giả thuyết) một cách khách quan nhất. Quy trình phân tích sử dụng “giả thuyết” Phân biệt Giả thuyết theo kiểu “WHAT” và “WHY” Trong thực tế có khá nhiều người cảm thấy khó khăn vào lúc bắt đầu khi không biết phải “làm cách nào để tạo ra giả thuyết”, hay “giả thuyết nghĩa là phỏng đoán hợp lý phải không”. Còn nếu là người có ít kinh nghiệm phân tích hay giải quyết vấn đề, họ lại cảm thấy phiền não ở chỗ “phải làm sao để xây dựng được một giả thuyết phù hợp đây”. Mặc dù hiểu quy trình Xây dựng giả thuyết => kiểm chứng giả thuyết đó bằng việc phân tích data, nhưng thực tế khi gặp phải tình huống hay vấn đề, có khi lại không thể nghĩ ra giả thuyết cụ thể, hay có nghĩ được cũng không tự tin giả thuyết đó có thật sự tốt hay không. Hiện có rất nhiều ứng dụng hỗ trợ phân tích data, nhưng đáng tiếc là không có ứng dụng hay máy móc nào giúp tự động tạo ra các giả thuyết phù hợp cả. Do đó, giả thuyết phải do chính người phân tích tạo nên. Những người nếu trước đây càng mong “có được kết quả phân tích như máy bán hàng tự động”, sẽ càng thấm sự khó khăn khi phải tự mình phân tích hơn. Dù vậy không hẳn là hoàn toàn không có cách. Khi đã nhớ trong đầu rằng “trước khi vào phân tích, phải xây dựng giả thuyết trước” và biết một vài cách, thì chắc chắn ta sẽ nâng cao đáng kể độ chính xác và hiệu quả phân tích hơn. Vậy thì, trong quy trình giải quyết vấn đề, chúng ta cùng xem “giả thuyết” quan trọng ở khâu nào và như thế nào nhé! Giả thuyết có kiểu “WHAT” và “WHY” Sau khi nắm được tổng thể (Big picture), thì từ bước Xác định vấn đề cụ thể, ta không thể thiếu được “giả thuyết”. Tùy vào mục đích mà giả thuyết theo kiểu WHAT hay WHY (hình 2-7) - Giả thuyết theo kiểu WHAT: Tìm hiểu xem vấn đề nằm ở đâu Ví dụ: “Điều gì đang ảnh hưởng đến việc giao hàng trễ -> Xem lại giữa từng người trong đội ngũ nhân viên giao hàng có sự khác nhau gì không”. - Giả thuyết theo kiểu WHY: Tìm hiểu xem tại sao vấn đề đó xảy ra Ví dụ: “Tìm hiểu xem tại sao nhân viên giao hàng đó lại bị chậm” Đây là hai phần sẽ xuất hiện ở phần sau! Điểm mấu chốt Có giả thuyết kiểu WHAT và WHY trong phân tích data. Nếu biết được “kiểu” rồi, thì việc tạo ra giả thuyết tương đối sẽ dễ dàng Hãy điền vào câu “Nếu ... là ..., thì ... là ...” “Giả thuyết” nghe có vẻ học thuật và dễ khiến người khác cảm thấy “có vẻ khó”, nhưng thực tế lại không khó đến vậy. Có thể xem đó như một kiểu suy nghĩ hay ý tưởng mà thôi. Trong thực tế, tùy vào mục đích hoặc quy trình sử dụng, mà có sự khác biệt trong việc tạo ra giả thuyết, tuy nhiên kiểu cơ bản của giả thuyết là giống nhau. Nếu bạn có thể đoán được câu duới đây, thì chắc chắn bạn có thể xây dựng được giả thuyết tức thì. Nếu ... là ..., thì ... là ... Ví dụ, có một giả định đơn giản rằng: “Nếu giá bán tăng, thì lợi nhuận tăng”. Với kiểu này, thì ... và ... chỉ là data sử dụng, còn ... và ... sẽ làm rõ hơn “nên xem gì để phân tích data”. Bạn hãy thử xem câu bên dưới đây: “Nếu giá bán tăng, thì lợi nhuận tăng” Nếu ... là ..., thì ... là ... Nhờ đó, bạn có thể biết được rằng: - Nên sử dụng và phân tích data “giá bán” và “lợi nhuận”. - Nên xác định kiểm chứng bằng việc phân tích “giá bán tăng, thì lợi nhuận tăng”. Hay là: “Nếu khách hàng trong độ tuổi 20, thì số lượng trang phục bán ra sẽ cao (so với các lứa tuổi khác)”. Trong trường hợp này, không chỉ có sự biến động giống như “giá sản phẩm tăng” ở ví dụ trước đó, mà nếu là điều kiện hay trạng thái “khách hàng độ tuổi 20” đi nữa, cách suy nghĩ cũng như nhau. Ở đây cũng sử dụng data “độ tuổi khách hàng” và “tỉ lệ số hàng đã bán ra” để xác nhận giả thuyết “khách hàng độ tuổi 20 thì số lượng bán ra sẽ cao hơn”. Những bạn nào bị yêu cầu “lập giả thuyết” mà cảm thấy bế tắc, trước tiên hãy tận dụng hết kiến thức, kinh nghiệm, sự hiểu biết của mình để thử tạo câu giống bên trên xem. Sau đó xác nhận lại từng điểm quan trọng bằng việc phân tích các data cần thiết nhé. Tuy nhiên, giả thuyết dù sao cũng chỉ là giả thuyết. Có nhiều trường hợp kết quả thu được sau khi kiểm chứng cho thấy giả thuyết sai, hay giả thuyết đó không giúp gì cho việc phát hiện vấn đề cả. Thực tế có nhiều trường hợp do cách phân tích bị sai hay không đầy đủ. Nếu không phải như thế, ta cần kiểm chứng lại các giả thuyết khác, hoặc là tạo ra các giả thuyết mới. Thực tế là đối với một nhân viên kinh doanh, khi bị yêu cầu phải nộp hay trình bày báo cáo trong khoảng thời gian ngắn, nhiều khi không đủ thời gian, tâm trí để suy nghĩ và xây dựng giả thuyết (họ vốn không phải là nhà phân tích chuyên nghiệp hay nhà nghiên cứu). Để có được kết quả tốt, họ cần phải dụng công xây dựng giả thuyết ít khả năng “bị lệch” nhất, bằng cách tận dụng những thông tin định tính, hoặc hiểu biết của những người liên quan. Tuy nhiên, cần phải tránh trường hợp không làm sai lệch sự thật (thành kiến) do kinh nghiệm trong quá khứ. Càng là người có kinh nghiệm làm việc lâu năm, càng có khả năng xây dựng được nhiều giả thuyết từ các kinh nghiệm ấy. Đôi khi điều đó hiệu quả hay phù hợp thực tế, tuy nhiên bạn nên nhớ rằng, trường hợp nếu tương lai không tiếp tục tăng trưởng, hay được xây dựng dựa trên thành kiến của người đó (suy nghĩ bảo thủ, hoặc thiếu sót), thì ngược lại kết quả thu được sẽ không còn chính xác nữa. Tôi khuyên các bạn, dù trong bất kỳ trường hợp nào, vì cố sử dụng thông tin khách quan, do đó chỉ khi thật cần thiết mới sử dụng thông tin định tính chẳng hạn như kinh nghiệm mà thôi, thay vào đó là nên triệt để tiếp cận vấn đề một cách khách quan nhất. Như vậy bạn có thể sẽ phát hiện ra điều gì đó mới mẻ, mà nếu bỏ lỡ sẽ rất lãng phí. Thêm nữa, khi làm nhiều lần quy trình Giả thuyết => phân tích, kỹ năng và cảm nhận của một nhà phân tích trong bạn sẽ được rèn giũa, và nâng cao hơn. “Nếu ... là ..., thì ... là ...” à? Trường hợp của mình, vấn đề phát sinh ở đâu đây. Giờ mình phải tìm cho được ... và ... trong câu: “Nếu ... là ..., thì doanh số giảm” là gì đã nhỉ? Nhưng để làm được thì cụ thể là phải xác nhận thế nào đây?” Đó là câu Yosuke đã lẩm nhẩm trong miệng. Vậy giờ tôi sẽ giải thích làm thế nào để tìm được vấn đề nhé. Điểm mấu chốt Nếu bạn có thể tìm những chỗ trống trong câu “Nếu ... là ..., thì ... là ...”, thì bạn đã biết được vấn đề cần xác nhận hay data sẽ sử dụng rồi đấy. “Kiểu giả thuyết WHAT” để nắm được vấn đề Tìm thấy trục phù hợp trong “Cây logic” Bây giờ ta hãy nhanh tạo “giả thuyết kiểu WHAT” nhằm xác định vấn đề ở chỗ nào nhé. Các bước để xây dựng giả thuyết kiểu WHAT nhằm xác định vấn đề ở đâu trong tổng thể, có hai giai đoạn chính: Trước tiên, chia vấn đề ở phía trên cùng thành bốn dạng toán: Cộng, trừ, nhân, chia, sau đó quyết định xem “trục” nào sẽ lấy để so sánh nhằm tìm ra chỗ phát sinh vấn đề. Việc phân thành bốn dạng toán đó nhằm mô tả “phần bên trong” của chỉ tiêu nào đó. Giống như “phần bên trong” của hóa đơn mua hàng vậy, số tổng là phép cộng (+) của tất cả các mục bên trong đó. Đây có thể nói là cách đi vào chi tiết từ con số tổng vậy. Giờ chúng ta cùng xem ví dụ cụ thể. Bước 1: Hãy bóc tách vấn đề trên cùng! Ở đây giả sử ta có vấn đề phía trên cùng là “Lợi nhuận của sản phẩm XX bị giảm” (định nghĩa về vấn đề ở đây không được chi tiết lắm, nhưng thôi để qua một bên và tiếp tục). Chỉ số “lợi nhuận” làm thế nào để phân ra bằng bốn phép toán bây giờ? Cách tính thì không thể chỉ có một hàng là xong, nhưng tổng quan thì “lợi nhuận” = ”doanh số” - “Giá (giá vốn)” - “kinh phí” (tham khảo hình 2-9). Trong số này, ngoài những phần không thể thay đổi vì lý do nào đó, ta cần lưu ý những yếu tố còn lại. Ở đây, phần Giá (giá vốn) là cố định, không thể can thiệp được. Các phần còn lại “doanh số” và “kinh phí” thì lần lượt sẽ bằng “đơn giá” x “số lượng bán”, và “chi phí nhân công” + “chi phí khuyến mãi”. Cần phải lưu ý đến những yếu tố có thể bị thay đổi như “số lượng bán” và “chi phí khuyến mãi” này. Đến đây ta có thể sử dụng máy móc công cụ để làm tiếp, nên chắc chắn sẽ đơn giản rồi. Tuy nhiên, ta không nên dựa hoàn toàn vào máy. Bạn cần phải nhớ rằng việc phân nhỏ từng mục trong đó là bước để tìm vấn đề, chính vì vậy ta cần có “giả thuyết” cho nó. Bước 2: Tìm ra “Điểm dễ có sự chênh lệch” Có thể nói đây là điểm tương đồng với Giả thuyết kiểu WHY sẽ trình bày sau, tuy nhiên điều quan trọng sau khi phân nhỏ các yếu tố của data là tìm “Tâm điểm” để so sánh. Ví dụ như khi nói “doanh số giảm sút”, chắc chắn sẽ có các điểm (các khía cạnh) như đó là cửa hàng nào, hay vào thời điểm nào, sản phẩm nào, có phải do nhân viên không. Nếu là vấn đề liên quan đến công việc mình đã quen thuộc, chắc sẽ dễ tìm Tâm điểm phù hợp. Ví dụ, chắc chắn sẽ có giả thuyết: “Trong hoạt động kinh doanh của chúng tôi, khi nói đến doanh số, chắc chắn ở mỗi cửa hàng sẽ có sự chênh lệch. Ngay cả ở cùng một cửa hàng, thì kinh nghiệm hay năng lực của nhân viên cũng khác nhau, rồi các chương trình, sự kiện đang làm lại cũng khác nhau nữa”. Tùy vào tình huống mà giả thuyết sẽ khác nhau, và hiệu quả hay không lại tùy vào từng trường hợp. Thêm nữa, thường thì nếu chỉ nhìn từ một nguồn data, sẽ khó đánh giá được vấn đề. Nếu chỉ nhìn vào doanh số qua các kỳ của cửa hàng đó, hẳn là ta không thể biết tốt hay xấu. Tuy nhiên, khi so sánh có thể ta sẽ bắt đầu phát hiện ra những điểm khác biệt. Đương nhiên khi so sánh ta cần phải chọn “lấy điểm nào để so sánh”. Và để tìm “điểm thích hợp”, thì “giả thuyết” cũng rất quan trọng. Ở bước 1 ta đã phân nhỏ “lợi thuận” ra, và lưu ý đến “số lượng bán”, “kinh phí khuyến mãi” rồi. Bước tiếp theo, ta hãy nghĩ xem trong hai yếu tố “số lượng bán” và “kinh phí khuyến mãi”, thì điểm nào sẽ dễ có sự chênh lệch khi so sánh. Ở đây là “số lượng bán” - Ở mỗi cửa hàng - Mỗi phân khúc khách hàng - Mỗi kênh bán hàng Như vậy khi so sánh, tôi đã đưa ra ba điểm chính, dựa theo giả thuyết cửa hàng đó, kênh bán hàng đó, số lượng bán hàng đó có vấn đề gì hay không. Ở đây, việc lập giả thuyết WHAT liên quan đến “số lượng bán” đã xong. (1) Đặt chỉ tiêu lên trên cùng bên trái (2) Làm rõ theo các yếu tố, và xác định cái sẽ thay đổi (yếu tố không thay đổi ở đây là Giá (cost), được cố định để không ảnh hưởng đến sự thay đổi của lợi nhuận) (3) Làm rõ thêm các yếu tố thay đổi (nhận biết xem có kiểm soát được hay không) (4) Chọn tâm điểm để so sánh Tôi đã mô tả những phần vừa trình bày qua biểu đồ ở hình 2-9. Đây gọi là “Logic tree” thường xuất hiện trong Tư duy logic (Logical Thinking). Nếu dựa vào cây logic này để viết thành câu giả thuyết, ta sẽ có như sau: “Tóm lại, nguyên nhân chính của việc lợi nhuận giảm chắc là do doanh số giảm rồi. Doanh số giảm khi mà đơn giá được cố định, thì hẳn là do số lượng bán ra giảm. Về vấn đề số lượng bán giảm, khi tra số liệu từng cửa hàng, chắc chắn có thể xác định được cửa hàng nào đang giảm.” Với các biểu đồ tạo trên máy, và dựa vào thông tin trên đó ta đã nắm được tình hình rồi, nếu thêm vào những chữ như “nhìn chung, tóm lại,...” để giải thích nữa thì hiệu quả sẽ tốt hơn. Điểm mấu chốt Giả thuyết WHAT được xây dựng nhằm “có thể phân nhỏ để làm rõ data đó như thế nào” hay “Khi sử dụng data đã được phân nhỏ, phải chọn điểm nào để dễ nhìn thấy vấn đề hơn.” Điểm cần lưu ý khi viết Cây logic Làm rõ Giả thuyết cho đến khi tìm thấy vấn đề Để tìm vấn đề đang phát sinh, mặc dù đã phân nhỏ ra rồi, nhưng phải phân nhỏ đến mức nào? Câu trả lời đó là “cho đến khi vấn đề xuất hiện (có sự khác biệt, chênh lệch)”. Đi đến bước này thì tất nhiên việc chuẩn bị và sử dụng data nào đã rõ ràng rồi. Ở trường hợp này, liên quan đến Số lượng hàng bán, ta đã biết cần phải có những data sau đây: - Data số lượng bán của từng cửa hàng - Data số lượng bán của từng phân khúc khách hàng - Data số lượng bán của từng kênh phân phối bán hàng Sẽ có những người đặt câu hỏi chi tiết hơn là, sử dụng data trong khoảng thời gian nào, phân khúc thị trường sẽ chia thế nào,... Tuy nhiên ở giai đoạn này, so với việc thu thập những thông tin có vẻ liên quan, rồi vẽ biểu đồ mà không có mục tiêu gì, thì chẳng phải ta đã có được kết quả khác biệt khi thu hẹp trọng tâm một cách cụ thể và hợp lý hơn sao. Cách suy nghĩ theo kiểu Cây logic có hiệu quả là do các lý do: - Yếu tố nào liên quan đến vấn đề ở phía trên cùng sẽ được kiểm chứng bằng giả thuyết hay data đã chọn được đặt vị trí phía trên (bên trái) của Cây logic (vì không bị trật khỏi vấn đề, nên sẽ không bị lãng phí khi phân tích). - Vì sử dụng bốn phép tính, nên sẽ không bị bỏ sót hay bị trùng (có thể tránh nguy cơ bị bỏ sót khi có nhiều giả thuyết, hay thành kiến của người phân tích). - Không quên những yếu tố mang tính định lượng. Vì lấy phân tích sử dụng data làm cơ sở, ta hãy phân nhỏ các mục có thể số hóa, hay chỉ tiêu hóa (bằng cách sử dụng bốn phép tính, có thể tránh việc bị sót hay bị trùng). Ví dụ như, khi phân nhỏ các yếu tố “lợi nhuận” dựa vào “thương hiệu”, “thái độ của nhân viên”, “vị trí”, hẳn là sẽ khó phân tích khi để nguyên data như vậy (khó mà chia giá trị lợi nhuận qua các số liệu không đong đếm được như thương hiệu hay vị trí). Chúng ta có thể tiếp tục với các yếu tố này khi có kết quả phân tích nguyên nhân ở bước tiếp theo. - Không tự ý chuyển đến phần phương án hay nguyên nhân. Ví dụ như khi phân nhỏ vấn đề trong “lợi nhuận”, có người sẽ nghĩ đến “tiếp đãi khách hàng”, “vị trí” hay “sản phẩm”. Khi xác định nguyên nhân chính, việc chọn các điểm để làm rõ thì rất tốt, nhưng đôi khi lại vượt xa vấn đề cần phân tích là “lợi nhuận”. Ở bước này, sau khi xác nhận được điểm chính của vấn đề, thì cần xây dựng giả thuyết và chứng minh nó, do đó tránh không tùy tiện đưa vào các câu chuyện chủ quan. Để công việc được khách quan và chính xác, ta hãy phân tích theo từng bước trong Cây logic , và thử suy nghĩ một cách có hệ thống. Mỗi lần phải viết Cây logic thấy phiền làm sao… Vậy thì, dù cho giải quyết vấn đề nào hay phân tích data nào, thông thường chúng ta phải viết Cây logic như trên. Tuy nhiên, tôi nghĩ không nhất định phải viết mới được. Lúc đầu để tập làm quen, bạn có thể viết trên giấy những câu đơn giản thôi, sau đó khi quen dần và có kinh nghiệm, tự nhiên bạn có thể vẽ trong đầu Cây logic này nếu trường hợp không quá phức tạp. Tùy vào độ phức tạp của vấn đề, nhiều khi những gì bạn vẽ trong đầu khi có kinh nghiệm là đã đủ sử dụng rồi. Có điều, vì mục đích là trình bày cho người khác xem, và khiến họ bị thuyết phục bởi những căn cứ, phân tích bạn đưa ra, nên sẽ hiệu quả hơn nếu bạn làm rõ được những suy nghĩ trong đầu đó. Do vậy, nếu có được những data thể hiện chính xác, thuyết phục và không thiếu sót để trả lời cho những giả thuyết như tại sao lại chọn data đó để phân tích, hay tại sao lại cho rằng điều đó liên quan đến vấn đề phía trên, thì chắc chắn đó sẽ là phương thức rất hữu hiệu để giành được sự tin tưởng của người nghe. Khi tôi tổ chức những lớp tập huấn cho các công ty hay đơn vị, tôi hay đưa ra câu gợi ý: “Cho tôi biết chỉ tiêu quan trọng nhất trong công việc của bạn là gì. Và hãy viết xem chỉ tiêu đó có thể được phân tích như thế nào”. Nhiều người lúc đầu tỏ ra bối rối “chỉ tiêu hàng đầu của mình là gì nhỉ”. Bản chất của vấn đề ở đây là sự nhận thức rằng công việc mình làm hằng ngày thì gắn với thành quả nào, được thể hiện ở chỉ tiêu nào. Các bạn cũng hãy thử suy nghĩ trường hợp bản thân mình luôn nhé. Điểm mấu chốt Phân tích cho đến khi vấn đề được tìm thấy. Hãy nắm được ba điểm tiêu biểu Lý do tại sao các điểm ấy lại ảnh hưởng đến hiệu suất hay hiệu quả phân tích Vậy tại sao nếu so sánh theo các tiêu điểm đã phân tích, thì dễ tìm thấy vấn đề hơn. Hình 2-10 là biểu đồ hiển thị Doanh số mỗi tháng theo phân khúc khách hàng (một cái là theo độ tuổi, cái còn lại là theo thu nhập năm). Nếu chỉ tập trung vào làm biểu đồ doanh số hằng tháng theo kiểu “đã tăng hay đã giảm” mà không có tiêu điểm, thì ta cũng chỉ biết được doanh số “tổng thể” như phần in đậm phía giữa biểu đồ mà thôi. Khi nhìn biểu đồ như thế, rõ ràng ta chỉ biết được “à, đã giảm” hay “đã tăng”, nhưng lại không khơi gợi việc tìm ra vấn đề “là tại sao?” Nếu xây dựng giả thuyết và phân tích vào yếu tố ảnh hưởng đến doanh số như tuổi tác hay thu nhập, ta có thể nhìn thấy được kết quả (lý do) đó. Nếu là tuổi tác, ta sẽ nhìn ra được vấn đề mà ở biểu đồ tổng thể không thể thấy, đó là “sự sụt giảm doanh số bán cho đối tượng khách hàng trên 60”. Đây là một trong những lợi điểm khi phân tích theo tiêu điểm. Tuy nhiên, không phải tiêu điểm nào, hay lúc nào cũng có thể phát hiện ra vấn đề như vậy. Ở ví dụ trên, ngay cả khi phân tích theo thu nhập năm cũng không phát hiện điều gì bất thường cả. Trường hợp này có lẽ tiêu điểm đã chọn của giả thuyết không được chính xác. Hoặc là, tiêu điểm đã chọn đúng rồi, nhưng “cách cắt lớp” dựa trên tiêu điểm đó không đúng, dẫn đến khả năng không tìm thấy vấn đề. Lấy ví dụ trong việc chia lớp của tiêu điểm “Tuổi tác”. Nếu chia đại theo kiểu độ tuổi 10, 20, 30,... chắc là sẽ dễ hiểu về mặt data, nhưng bạn cần phải nghĩ đến chuyện, chia theo lớp 10 tuổi này có ý nghĩa gì trong việc phát hiện vấn đề không. Nếu trường hợp tìm vấn đề theo hành vi của khách hàng ở độ tuổi trung học, đại học, hay người đã đi làm, thì chia theo dưới 18 tuổi (trung học), từ 18 đến dưới 22 tuổi, và 22 tuổi trở lên, chắc chắn sẽ phù hợp hơn. Những điều này không thể nhờ vào data hay phân tích nào, mà quan trọng chính là suy nghĩ của người phân tích. Giả như khi “giả thuyết không đúng” đi nữa, cũng là phát hiện quan trọng. Vì điều này chứng tỏ những việc mà bản thân hay mọi người xung quanh đều cho rằng “có lẽ là đương nhiên”, thì thực tế lại không phải vậy. Đó cũng là dịp tốt để ta xem xét lại những gì đã thực hiện dựa vào giả định đó từ trước đến nay. Ba tiêu điểm tiêu biểu Nội dung và chủng loại của tiêu điểm khi phân tích data, cũng đa dạng tùy thuộc vào hình thái hoặc lĩnh vực kinh doanh. Tuy nhiên, nếu biết ba loại chính, ta sẽ dễ tìm thấy tiêu điểm phù hợp với từng trường hợp cụ thể hơn. Tôi cũng vẫn nhớ trong đầu ba điểm chính như hình 2-11, và cố nghĩ xem trong mỗi trường hợp thì cái nào phù hợp. Điểm mấu chốt Hãy so sánh dựa vào các tiêu điểm bên trên, để tìm ra sự khác biệt. Ba điểm để chọn tiêu điểm Để có được đáp án chính xác và phù hợp Tiếp đây, tôi xin giới thiệu các điểm cần xem xét khi chọn tiêu điểm để phân tích: (1) Có tác động, ảnh hưởng gì đến mục đích không? Đây là điểm quan trọng nhất. Bạn nên nhớ không hẳn “những gì dễ nhận ra = tiêu điểm chính” đâu nhé. So sánh dựa trên tiêu điểm vốn không ảnh hưởng lắm đến vấn đề đang phát sinh, ngay cả khi ta phát hiện ra điểm bất thường gì đó, cũng sẽ chẳng có ý nghĩa gì cả nếu dựa vào đó và đã khắc phục rồi nhưng lại không cải thiện, hay không giải quyết được vấn đề. Ví dụ như, nếu là bán hàng qua mạng trong nước, thì việc lấy số liệu bán hàng giữa các vùng, dựa trên kết quả so sánh khách hàng tại các khu vực, là công việc đơn giản. Chỉ là, dù có số liệu như thế, nhưng với việc bán hàng qua mạng vốn dĩ không bị ảnh hưởng bởi địa lý, khu vực, thì dù có dựa vào đó để cải thiện hay khắc phục, cũng khó mang lại hiệu quả rõ ràng. Mặt khác, nhìn về khía cạnh phân khúc tuổi tác của khách hàng, nếu chú ý đến độ tuổi khó bán và đưa ra phương án phù hợp thu hút đối tượng đó, có thể hình dung kết quả thu được sẽ được cải thiện rõ ràng thế nào sau này. (2) Xác nhận xem Có khả năng thay đổi hay không (Controllable) = tạm thời bỏ qua yếu tố Không thay đổi được tại đây Controllable nghĩa là có thể hành động để thay đổi yếu tố đó. Trong công việc, dù cho hiệu quả phân tích có chính xác bao nhiêu, nhưng lại không thể hành động thì cũng chẳng có giá trị gì. Ví dụ giả sử ta biết doanh số giảm là do toàn bộ thị trường của sản phẩm đó xuống dốc. Kết quả này rõ ràng rất đáng quan tâm, nhưng nếu là “toàn bộ thị trường” vốn dĩ ta không thể can thiệp được, thì kết quả đó chẳng có gì giá trị về mặt kinh doanh cả. Đây là điểm tôi thấy rất khác với các luận văn nghiên cứu hay các báo cáo khoa học nói chung. Để tránh không bị phiến diện hay hạn chế khi phân tích, đôi khi ngay từ đầu ta không nên quá bận tâm đến việc có Controllable hay không. Dù vậy, nếu trong giai đoạn trước khi phân tích này, ta có thể lường trước rằng “nếu kết quả của giả thuyết này đúng, ta hay công ty có thể làm được gì cụ thể đây”, thì giá trị của kết quả “phân tích sử dụng trong thực tế” sẽ cao hơn. (3) Có thể lấy data gốc được không Đây thật sự là vấn đề rất thực tế. Dù đã biết những điểm mấu chốt ảnh hưởng đến kết quả, hay có vẻ khả thi đi nữa, nhưng nếu từ đầu không có data, hay không thể thu thập được data thì rõ ràng ta gặp vấn đề lớn rồi. Đây là vấn đề nghiêm trọng nhưng xảy ra như cơm bữa trong thực tế. Nếu dư giả thời gian hay tiền bạc, ta có thể tìm kiếm data phù hợp, hay có thể mua nếu cần. Chỉ là từ kinh nghiệm bản thân, trừ khi là các bộ phận chuyên phân tích data, tôi nghĩ việc chấp nhận “mua data giá cao để phân tích” nghĩa là vấn đề hiện đang rất gay cấn rồi. Ngược lại, ta hãy xem như chuyện đó là không có thì hơn. Tại nơi làm việc mà thường xuyên đột ngột bị chủ yêu cầu “tuần sau phải trình bày đấy”, thì thường là nhân viên không thể đáp ứng yêu cầu đó được. Những trường hợp như thế, ta không nên từ bỏ ngay, mà “nhà phân tích data hiệu quả” chính là người tận dụng data sẵn có, kiên trì và hoàn thành phần việc của mình. Điểm mấu chốt Hãy chọn tiêu điểm có ba yếu tố ảnh hưởng lớn đến Vấn đề/mục đích, Có thể can thiệp hay hành động, và Có khả năng lấy được data. Cuối cùng, ta thử suy nghĩ về trường hợp của Yosuke xem (hình 2-12) Yosuke: “Hiện vấn đề là doanh số khu vực mình bị giảm 21% từ nửa năm rồi, sao đây ta?” Doanh số thì bằng Đơn giá x Lượng bán. Đơn giá thì công ty quy định rồi, cửa hàng và nhân viên thì không tự ý đổi được, vậy giờ mình lấy sản phẩm để làm xem thế nào. Lượng bán thì có nhiều yếu tố, nhưng kết cục thì có bao nhiêu khách đến, khách mua bao nhiêu, chắc là điểm chính rồi. Giờ nếu số hóa nó và phân tích, có thể là: Số lượng bán = số khách đến x tỉ lệ mua x số lượng mua/người Làm thế này có chiều sâu hơn là chỉ xem kết quả Lượng hàng bán. Vậy ví dụ như, nếu Số khách đến cửa hàng thay đổi, thì phân tích theo cửa hàng hay khách hàng đây. Tỉ lệ mua hàng thì mỗi sản phẩm sẽ khác nhau, hay số lượng mua cũng khác nhau tùy phân khúc khách hàng. Nếu thử nhìn qua, sẽ biết được Yosuke đang cân nhắc điểm gì, nên chuẩn bị data gì để phân tích. Bên cạnh đó, ta cũng xác nhận được từng cái có liên hệ logic với vấn đề Sụt giảm doanh số hay không. Lúc đó, chắc chắn có thể giải thích hợp lý cho câu hỏi: “Tại sao lại chọn data đó?” Bốn việc cần làm khi không lấy được data mong muốn Nếu có đầu óc, sẽ tìm thấy data “thay thế” Vấn đề căn bản nhất không thể giải quyết được do không lấy được data cần thiết, vẫn “thường xuyên” xảy ra trong thực tế. Gặp trường hợp này, ta hãy tìm cách khác và sử dụng “sự thông minh” để khắc phục nó. Trong những tình huống thực tế khi nhất định phải có được kết quả gì đó, chỉ còn cách vận dụng hết mọi thứ xung quanh, vắt óc suy nghĩ để đi tiếp, thì tôi xin đưa ra vài gợi ý như sau. (1) Tìm data thay thế có điểm chính tương tự nhau (Hình 2-13) Nếu không thể lấy được data mong muốn, ta nên sử dụng data gần giống hay giống với data đó. Quan trọng là phải xác nhận và giữ nguyên bản chất “Cái ta muốn thể hiện bằng data đó là gì”, sau đó suy nghĩ thay đổi cách thể hiện có thể chấp nhận được. Ví dụ, khi ta muốn so sánh Tỉ lệ lợi nhuận của toàn bộ chi nhánh, nhưng data ở mỗi chi nhánh lại khác nhau (thời điểm, hay cách tính), nếu để nguyên như thế thì không thể so sánh được (có trường hợp các chi nhánh vận hành một hệ thống data riêng, nên không thể dễ dàng thu thập được các data đó). Nếu mục đích ban đầu là để “chia thành nhóm các chi nhánh thành tích tốt và chưa tốt”, thì ta nhận thấy không nhất định phải sử dụng Tỉ lệ lợi nhuận của mỗi chi nhánh mới được. Do vậy, ví dụ như ta có thể nhìn qua số liệu, sau đó nắm ưu khuyết điểm của tổng thể đó. Thay vì so sánh Tỉ suất lợi nhuận của từng cửa hàng, ta có thể phân thành ba nhóm để phân tích, mặc dù không hoàn toàn giống nhau, nhưng vẫn gần với mục đích ban đầu. So với việc dừng lại và không thể làm (hay không làm), thì đây rõ ràng là thành quả rất lớn. Thêm một ví dụ nữa giống như vậy, trường hợp ta muốn so sánh các chi nhánh bằng Tỉ lệ tăng trưởng sau này. Vì Tỉ lệ tăng trưởng là dự báo trong tương lai, nên khó mà đưa ra giá trị chính xác được. Nếu không có căn cứ hay data để tính Tỉ lệ tăng trưởng có độ tin cậy cao được mọi người chấp nhận, thì nhất định phải đưa ra phương án thay thế. Ví dụ như nếu muốn phân tích Tỉ lệ tăng trưởng của các chi nhánh, nhằm “dành mức ưu tiên cho các chi nhánh có tiềm năng để đầu tư”. Đầu tư cho tương lai thì Tỉ lệ tăng trưởng trong tương lai tuy lý tưởng, nhưng phải xem xét cả đến yếu tố hiện tại, ví như quy mô kinh doanh hiện tại nữa. Sau đó có thể sử dụng chỉ tiêu thay thế như Tỉ lệ lợi nhuận hay Doanh số cao nhất tại thời điểm gần nhất. Hay khi muốn phân tích yếu tố Lượng khách theo thời tiết, ta có thể biết sự chênh lệch nếu xem lại thông tin thời tiết khi trời mưa, mây, và quang nắng. Nếu muốn phân tích theo “con số (data)”, thì thêm một cái nữa là Lượng mưa. Tuy nhiên, nếu chỉ có Lượng mưa hôm đó nhiều hay ít, ta không biết chính xác rằng thời tiết vào khung giờ vắng khách của cửa hàng hay trung tâm đó như thế nào. Vì thế, ta có thể kết nối data này với data kia, ví dụ như khi xem quan hệ giữa Lượng khách và Thời gian trời quang, bằng cách liên tưởng “Thời gian trời quang” với “Thời tiết (mây, mưa, quang đãng) và “Lượng mưa”. Chỉ là điều đó còn phụ thuộc khả năng tư duy và liên tưởng của mỗi người nữa. Khi xem phần phân tích tôi đã làm dựa theo tư duy linh động như vậy, tôi cảm thấy “mình thật sự đã rất động não rồi”, và nếu làm kỹ đến thế, chắc chắn sẽ giành được sự tin tưởng của mọi người. Quan trọng là, nếu gặp phải tình huống “không có data”, ta không buông xuôi, mà hãy nghĩ vấn đề sâu xa, và linh động hơn để tiến lên, thì nhiều khả năng sẽ tìm thấy câu trả lời. (2) Thử thay Giá trị bằng Tỉ lệ Không chỉ sử dụng data như thế thôi, ta có thể tạo ra data mới bằng việc chuyển Giá trị đó sang Tỉ lệ. Ví dụ, giả sử ta chỉ có số liệu doanh số của một cửa hàng. Giờ ta kết hợp với số liệu liên quan Doanh số như diện tích, lượng khách ghé, hay câu hỏi nhận được từ khách hàng. Bằng việc kết hợp này, ta có thể lấy được số liệu “mới” thể hiện “doanh số/diện tích cửa hàng” hay “doanh số/ mỗi khách hàng ghé đến” hoặc “doanh số/câu hỏi, thắc mắc gửi về”. Những điểm lưu ý khi chuyển sang data Tỉ lệ như thế nào, tôi xin gợi ý như sau: 1) Nghĩ xem Giá trị liên quan đến data gốc là gì Ở ví dụ trước, ta có thể dễ dàng biết được sự thay đổi của “Doanh số” dựa vào Lượng khách và Diện tích quầy hàng. 2) Nghĩ xem trong trường hợp để nguyên số liệu gốc rồi so sánh, Tiền đề có bị lệch không. Ở ví dụ trước, ta thấy rằng nếu diện tích quầy hàng, hay lượng khách khác nhau, giữa các cửa hàng với nhau sẽ khó so sánh “Doanh số” nếu chỉ sử dụng số liệu gốc. 3) Đổi thông tin Định tính sang Định lượng (hình 2-14) Data là chỉ Giá trị số (định lượng), tuy nhiên không phải tất cả công việc đều có data bằng số. Công việc có data không phải số, rất có khả năng Lượng và Chất của nó vốn có thể được khai thác tốt hơn, nhưng lại đang bị ngủ quên. Lấy ví dụ, giả sử ta có kết quả thăm dò theo kiểu nhập Bình luận. Đây không thể gọi là số liệu được, nhưng có khả năng “chuyển” chúng thành số liệu. Trong số những thông tin Định tính được ghi vào ở cột Bình luận, ta chọn ra các Từ khóa (keyword) chung. Ở ví dụ hình 2-14, keyword có thể là “Tiện sử dụng”, “Giá cả”, “Thiết kế”. Sau đó đếm số Bình luận tích cực (hay tiêu cực) liên quan của từng keyword đó, rồi quy thành Số liệu. Nếu số đó càng nhiều nghĩa là ý kiến về Từ khóa đó càng tích cực (hay tiêu cực). Đương nhiên, việc đọc giải các câu Bình luận có cả yếu tố chủ quan của con người, hay số lượng Từ khóa nhiều hay ít, có ý nghĩa gì với mục đích hay không, là những vấn đề ta phải suy nghĩ kỹ. 4) Thử gián tiếp sử dụng số liệu khác (như số liệu của các cơ quan công quyền) Khi sử dụng kết hợp số liệu nội bộ với bên ngoài cũng là cách mang lại hiệu quả. Phương án này có thể áp dụng trong trường hợp ta không thể có được số liệu mình muốn đó trong nội bộ công ty hay tổ chức. Ta cũng có thể lấy thông tin trên internet, tuy nhiên có nhiều điểm cần chú ý, chẳng hạn như số liệu đó đã cũ, hay nội dung không đáng tin, do đó cần tránh việc sử dụng thông tin thiếu kiểm chứng chỉ vì “Bỗng nhiên thấy nó nên dùng luôn”. Ngược lại, ta có thể sử dụng những số liệu do các cơ quan công quyền công bố vì nó thường có độ chính xác và tin cậy cao. Tôi cũng đã nhiều lần sử dụng chỉ tiêu kinh tế thị trường mình phụ trách (GDP, biến động dân số, chỉ số vật giá, hay tình trạng bán hàng của các công ty cạnh tranh khác,...) cho các phân tích hay đề án của mình. Chỉ là khi sử dụng ta cần phải nêu rõ nguồn gốc của số liệu đó. Khi trình bày bảng phân tích, hay đề án và muốn được người khác công nhận, nếu chỉ rõ nguồn gốc số liệu là của cơ quan công quyền, chắc chắn sẽ khiến họ thấy tin tưởng và an tâm hơn. Vậy thì, bạn cũng hãy thử tìm và sử dụng một lần những số liệu đó nhé. Điểm mấu chốt Nếu không có data, ta có thể tìm cái khác gần giống để thay thế; đổi sang “tỉ lệ”; đổi thông tin định tính sang định lượng hoặc tìm số liệu bên ngoài. Những lưu ý khi thu thập số liệu Không thể có câu trả lời chính xác từ số liệu sai Nếu ta sử dụng số liệu một cách tùy tiện khi thu thập data, có thể sẽ làm sai lệch thông tin đó đi. Ta thường hay sử dụng luôn data có sẵn ở chỗ làm, hay lấy từ người khác để phân tích mà không suy nghĩ gì cả. Kết quả là những gì thu thập được phải bỏ đi vì khác hoàn toàn với giả định lúc đầu, hay nguy hiểm hơn là dựa trên kết quả phân tích không đúng với thực tế đó để hành động. Đương nhiên việc tìm thấy “data phù hợp mục đích” từ giả thuyết rất quan trọng, nhưng ngay cả khi tìm được, ta cũng phải lưu ý những điểm sau đây khi sử dụng nó. (1) Phạm vi số liệu Giả sử ta có data hàng tháng từ 10 năm trước đây. Vậy giờ ta để nguyên như thế và sử dụng cho toàn bộ phân tích? Hay chỉ lấy 5 năm thôi? Hoặc lấy từ tháng 1 năm ngoái? Sự lựa chọn sẽ có rất nhiều. Ngay cả các công cụ phân tích hay kết quả phân tích cũng không thể trả lời cho câu hỏi: Phạm vi nào thì phù hợp cho phân tích đó? Điều này cũng phụ thuộc vào sự phán đoán của người phân tích. Thông thường thì một phân tích cần có ít nhất 30 số liệu, hoặc số liệu càng nhiều thì độ chính xác của phân tích càng cao, nhưng không hẳn là điều này lúc nào cũng đúng. Ví dụ, nếu vì lý do sử dụng càng nhiều data càng tốt, bất chấp tình hình thị trường như sản phẩm hay cạnh tranh đã thay đổi đáng kể so với cách đây 5 năm, thì việc sử dụng số liệu cũ không có ý nghĩa gì. Đặc biệt, lĩnh vực hay thị trường có sự thay đổi, hay guồng quay nhanh thì chỉ cách nhau 2-3 năm thông tin cũng đã cũ rồi. Vậy thì, ở mỗi trường hợp tùy vào mục đích hay vấn đề mà người phân tích cần phán đoán xem data ở phạm vi nào thì phù hợp. Không chỉ có sự biến đổi về thị trường, tình hình chung, mà khuynh hướng số liệu cũng thay đổi theo từng năm. Do đó, ta hãy luôn nhớ và xem xét cả yếu tố hoàn cảnh của thị trường. Ví dụ, cách đây 5-8 năm trước, tình hình tốt, 3-5 năm lại đây, tình hình biến động lớn, và gần hai năm nay, tình hình trở nên tồi tệ,... Nếu chia đặc trưng, và so sánh phân tích từng giai đoạn như thế, chắc chắn chất lượng của phần phân tích đó sẽ được nâng lên. Tùy mỗi trường hợp, có khi phân tích giống nhau dựa trên data của một tháng, nhưng không ít kết quả thu được lại rất khác nhau. Trong những trường hợp này có thể thấy sự phán đoán của người phân tích ảnh hưởng không nhỏ đến kết quả phân tích. Bản thân tôi có thử sử dụng phạm vi số liệu rộng hơn một bậc so với giả định ban đầu để phân tích. Nếu kết quả sau khi xác nhận và kiểm chứng không khác nhiều so với khi phân tích dựa trên phạm vi của giả định ban đầu, tôi sẽ lấy phân tích trong phạm vi giả định ban đầu làm kết quả cuối cùng. Tuy vậy, việc lựa chọn phạm vi không phải lúc nào cũng chính xác, do đó nếu có thể trả lời với căn cứ cho câu hỏi: “Tại sao lại sử dụng số liệu trong phạm vi đó?”, nghĩa là ta đã làm đúng. Như đã đề cập, mặc dù chỉ có một giả định thôi, nhưng ta có thể dựa vào kết quả đó để thực hiện một việc hay vấn đề gì đó. (2) Độ thô khi phân tích data (Hình 2-15) Data sử dụng có lẽ thường được thu thập bằng đơn vị nhỏ nhất có thể, trong phạm vi giới hạn mang tính hệ thống hay kỹ thuật. Ví dụ, đối với số liệu bán hàng, nếu có thể lấy theo ngày, ta sẽ có số liệu theo ngày, hay có thể quản lý bằng đơn vị người nếu có thể lấy số liệu theo từng người. Như vậy thì để y chang số liệu đó và sử dụng là phù hợp nhất. Điều này giống với nguyên tắc khi chọn phạm vi số liệu để sử dụng vậy. Nghĩa là người phân tích phải đoán xem đơn vị nào là phù hợp nhất, tùy vào mục đích, độ khó dễ khi thực hiện, hoặc khi trình bày kết quả hay quá trình thực hiện. Ví dụ như, dù số liệu gốc giống nhau hoàn toàn, nhưng nếu để nguyên, tạo đồ thị doanh số mỗi ngày (ở hình 2-15 bên trái), với biểu đồ lấy số liệu theo tuần ở hình bên phải, rõ ràng khác hẳn nhau. Biểu đồ nào tốt hơn còn phụ thuộc vào mục đích và vần đề, tuy nhiên nếu muốn so sánh khuynh hướng doanh số giữa cửa hàng A và B, thì cái nào thích hợp hơn thì chắc đã rõ. Ví dụ như, để diễn tả sự khác nhau giữa biểu đồ được tạo y chang data mà Yosuke “có sẵn hằng tháng rồi”, với biểu đồ tổng hợp theo tuần, rõ ràng hình 2-16 cho ta thấy, mặc dù từ một data gốc, nhưng sẽ khiến người xem có cách nhìn khác hẳn. Thêm nữa, đơn vị sử dụng để phân tích không chỉ có thời gian. Nếu tiêu điểm là khu vực, thì có nhiều lựa chọn đơn vị chẳng hạn như: thôn - xã - quận - huyện, hay từng quốc gia, hoặc từng khu vực. Nếu tiêu điểm là độ tuổi của khách hàng, thì có thể chia theo đơn vị 10 như lứa 10 tuổi, 20 tuổi,... hoặc có thể chỉ cần hai nhóm dưới 50 tuổi và trên 50 tuổi,... sự chọn lựa dường như là vô hạn. Có một điều hiện tôi vẫn đang cố gắng, là việc phân tích rộng hơn một chút so với giả định đưa ra. Với tư cách một người phân tích, bạn cũng hãy thử đưa thêm giá trị vào phần phân tích của mình, bằng cách nghĩ xem có cách nào tốt hơn, dựa trên mục đích hoặc nội dung muốn trình bày, chứ không phải “dùng y chang số liệu đó mà không phải tạo thêm gì”. (3) Không có nghĩa Data đó cho thấy tất cả Số liệu có thể lấy được một cách ngẫu nhiên. Trong thực tế, ta thường hay sử dụng số liệu “có ở chỗ làm”, “trong thư mục chung ngay trước mắt”. Chỉ là nếu sử dụng nó thường xuyên và không suy nghĩ, sẽ dẫn đến nhiều nguy cơ sau này. Ví dụ: Giả sử số liệu doanh số đó là toàn bộ data của khách sử dụng thẻ tích điểm để mua hàng. Trường hợp đó, ta đương nhiên sẽ không có thông tin của người không mua hàng bằng thẻ, hay những người không mua hàng. Vậy số liệu đó có nên sử dụng để phân tích khuynh hướng của tất cả khách hàng không. Về cơ bản, chắc chắn phải xem xét kỹ càng xem liệu phạm vi “số liệu đó”, cái mà ta muốn sử dụng, có thật sự phù hợp với phạm vi của vấn đề hiện nay, hay điều ta muốn biết không. Tuy vậy có rất nhiều trường hợp không nghĩ đến việc họ “có đang sử dụng số liệu trong phạm vi phù hợp với mục đích không”, mà chỉ là vì có nên dùng không mà thôi. Có thể nói, đây là tình trạng “tầm nhìn” bản thân đang bị hạn chế bởi số liệu trước mắt. Chúng ta cùng xem thêm một ví dụ nữa: Theo kết quả khảo sát dành cho toàn bộ người sử dụng thiết bị của trung tâm thể thao, thì máy chạy bộ được đánh giá khá cao. Bên cạnh đó còn có ý kiến rằng sẽ tốt hơn nếu đặt lịch hẹn tại trung tâm dễ hơn, hay thời gian chờ ngắn hơn,... Khi nhìn kết quả phân tích này, nếu theo phương án “Vậy thì tìm cách làm sao để khách có thể dễ đặt lịch hơn” có chắc là sẽ thật sự tốt không? Kết quả này chẳng qua cũng chỉ là tập hợp ý kiến của “Người sử dụng thiết bị thể thao” thôi. Rõ ràng data của “Người không sử dụng” hoàn toàn không có. Nếu mục đích phân tích là nâng cao sự hài lòng của người đang sử dụng, thì có lẽ data này là đủ. Tuy nhiên, nếu muốn tăng lượng người sử dụng lên, chắc chắn cần phải có ý kiến của cả người chưa từng sử dụng nữa. Do vậy, giả sử dựa vào data này để cải thiện hơn nữa cách đặt lịch, thì chắc cũng không tác động được vào những người chưa sử dụng. Tại một triển lãm được tổ chức, thì độ tuổi người đến xem nhiều nhất là 60, và điểm đánh giá trung bình của họ rất cao với 92 điểm. Ở đây cũng thế, mức 92 này chẳng qua cũng chỉ là đánh giá của những người trên dưới 60 tuổi. Nếu như muốn thu hút thêm nữa đối tượng trẻ, thì rõ ràng ta không được tự mãn với con số 92 này, cho dù đây có là data của tất cả các khách hàng ghé đến triển lãm. Tôi khuyên các bạn, khi sử dụng data nên xem phạm vi của nó có phù hợp “mục đích” không, hoặc phạm vi đó đã được chưa, có cần thêm data khác hay không, sau đó vẽ biểu đồ tổng thể và xác nhận lại phạm vi đó. Giống với ví dụ về chiếc thẻ tích điểm, ta có hình 2-17. Hiện ta đang nhìn thấy chỉ là phạm vi “Những người sử dụng thẻ tích điểm”. Chắc hẳn bạn đã nhận ra nếu muốn phân tích để thu hút nhiều hơn khách hàng mới, thì chỉ data này thôi là không đủ. Có câu nói bằng tiếng Anh là “Garbage-in Garbage-out”, có nghĩa là “Đưa rác vào sẽ phải đưa rác ra”. Nếu sử dụng kết quả phân tích đó cho công việc, ta hãy sử dụng data một cách thận trọng và có căn cứ nhé. Điểm mấu chốt Nếu đưa vào data không đúng, sẽ chỉ nhận được kết quả sai. Hãy suy nghĩ cẩn thận phạm vi mà data thể hiện hay độ thô của data, phạm vi nhé! “Giả thuyết kiểu WHY” để tìm ra nguyên nhân chính Xác nhận câu hỏi “Tại sao?” như thế nào? Yosuke: “Nhờ kết quả phân tích và so sánh, mình đã biết khách hàng giảm mạnh từ cách đây nửa năm. Chắc chắn đây là vấn đề chính rồi. Vậy tại sao điều này xảy ra? Tại sao vậy nhỉ?” Khi biết được vấn đề phát sinh, bước tiếp theo ta tiến hành xác định nguyên nhân “tại sao điều đó lại xảy ra”. Vì có từ khóa là “tại sao?”, nên giả thuyết này được gọi là Giả thuyết WHY. Tuy giống với kiểu WHAT khi tạo Cây logic, nhưng lần này ta xem xét mối liên quan của các khía cạnh bằng câu hỏi “tại sao”, chứ không phải “phân tích” dựa vào bốn phép tính nữa. Ví dụ, giả sử ta đã biết “có vấn đề trong việc bán sản phẩm YYY tại cửa hàng XXX”. Vậy thì ta phải tìm xem nguyên nhân tại sao việc đó lại xảy ra. Lần này không có gì bảo đảm sẽ không có sai xót như khi tìm bằng máy và bằng bốn phép tính. Đây chẳng qua chỉ dựa vào “phỏng đoán”, nên đương nhiên phải áp dụng kinh nghiệm, kiến thức của bản thân, bên cạnh đó nếu cần thiết hãy lắng nghe lời khuyên của người khác. Làm sao để ta không đơn thương độc mã. Ví dụ ở hình 2-19 có ba nguyên nhân của việc suy giảm Doanh số, đó là Dịch vụ khách hàng, Sản phẩm và Chương trình khuyến mại. Sự sắp xếp này được gọi là Cấu trúc hình tháp được sử dụng trong Logical thinking. Để kiểm chứng mỗi giả thuyết có chính xác hay không, dựa vào cấu trúc đó ta biết cần phải xác nhận điều gì, và sử dụng data nào. Ngoài ra, ba nguyên nhân chính cũng được tìm thấy dựa vào các câu hỏi như: “Tại sao doanh số sản phẩm này lại giảm sút”, “Nguyên nhân chính ảnh hưởng đến doanh số sản phẩm này là gì”. Ở đây hiện chỉ có một tầng giả thuyết, nhưng nếu có thể đào sâu thêm tầng 2, tầng 3,... chắc chắn nguyên nhân thật sự sẽ xác định được cụ thể. Cả khi ta chốt data sẽ sử dụng để phân tích, cũng cần phải xem Tiêu điểm phân tích, hoặc đơn vị, độ thô, phạm vi lựa chọn của data. Ta hãy thử áp dụng cho trường hợp của Yosuke nhé. Giả sử ta thấy Lượng khách ở cửa hàng nọ có điểm bất thường. Yosuke: “Doanh số cửa hàng đó đang giảm mạnh. Việc quan trọng bây giờ là phải tìm ra nguyên nhân vì sao Lượng khách cửa hàng lại giảm mạnh. Chắc chỉ có thể là do Quảng cáo, sức hút của thương hiệu, vị trí cửa hàng thôi nhỉ. À, chắc chắn là còn tùy vào đối tượng khách hàng nữa. Nhưng mà, Thương hiệu và Vị trí chắc không ảnh hưởng nhiều đâu, nên mình để sau vậy. Giờ mình lấy số liệu Quảng cáo để phân tích thôi. Nhưng nếu không biết “data Tuyên truyền quảng cáo là gì” thì khó mà tiến hành được nhỉ. Chỉ tiêu đánh giá hoạt động quảng cáo chắc là Tần suất hoạt động hay Số tiền chi cho quảng cáo rồi. Vậy mình xem thử data Tần xuất thực hiện và Kinh phí này xem sao. Đúng vậy, mình làm theo cách này để tìm ra nhiều nguyên nhân giả định, đây chính là Giả thuyết WHY rồi, cũng không cần suy nghĩ phức tạp làm chi”. Bây giờ ta hãy thử xem những gì Yosuke nghĩ nhé. Vấn đề đó được giả định “Tại sao”, và nguyên nhân ảnh hưởng đến Lượng khách chính là Hoạt động tuyên truyền quảng cáo, sức hút thương hiệu, và vị trí cửa hàng. Tuy nhiên, độ ưu tiên để phân tích sẽ giảm xuống nếu nguyên nhân đó khó thay đổi tức thời, và ít khả năng liên quan trực tiếp đến sự giảm sút từ cách đây nửa năm. Mặt khác, nếu chỉ có số liệu quảng cáo thôi thì chưa đủ cụ thể, do đó đã mở rộng thêm một bậc nữa, chia số liệu thành Chi phí quảng cáo và Tần suất thực hiện, để phân tích vấn đề “Hoạt động quảng cáo có phải nguyên nhân ảnh hưởng đến Lượng khách hay không” (hình 2-20). Như vậy ta đã có giả thuyết để xác định nguyên nhân. “Nếu vậy, dựa vào số liệu mình có thể xem “không biết Quảng cáo có phải là nguyên nhân khiến khách giảm không” để xác định giả thuyết “hoạt động quảng cáo chắc là không hiệu quả rồi”. Điểm mấu chốt Hãy đưa các câu hỏi “Tại sao” để tìm ra sự liên hệ với vấn đề đã được xác định. Lợi ích và rủi ro khi phân tích bằng giả thuyết Hiệu suất tăng cao nếu đầu tư công sức Đến đây chắc bạn đã nắm được phương pháp phân tích bằng giả thuyết rồi. Có thể bạn cho rằng, sao thấy rắc rối, khó khăn quá, nhưng lợi ích mang lại thì không thể đếm được. Có thể nói, giả thuyết rất cần khi bạn muốn phần phân tích của mình hiệu quả, chính xác hơn. Giờ ta hãy tổng hợp những lợi ích khi phân tích theo giả thuyết nhé. (1) Tránh được phân tích thừa thãi Giả sử ta không có bất cứ giả thuyết nào, và chỉ sử dụng data để tạo biểu đồ, hay sử dụng nhiều cách phân tích khác nhau. Kết quả thu được có thể là “Ô ya, cái gì vậy?”. Tuy nhiên, ta thử nghĩ đến khả năng thấp và hiệu quả xấu sau đó của nó nhé. Điều này giống với khi ta tìm đồng 100 Yên khắp công viên rộng lớn vậy. Nếu có giả thuyết, có thể ta chỉ tìm quanh máy bán hàng tự động trong công viên, hay nếu làm rơi tiền từ túi quần/ áo khi rửa tay, ta cũng chỉ cần tìm xung quanh đó thôi. Nếu biết mục tiêu là chỗ nào, rõ ràng khả năng tìm thấy là rất cao. Dù nói vậy nhưng cũng có khả năng không tìm thấy đồng 100 Yên, hay chỉ tìm thấy đồng 10 Yên thôi. Phân tích data cũng có điểm giống như vậy. Hiện nay, những người lưỡng lự không biết sử dụng data nào trong một rừng data, hay không biết phải làm sao để thực hiện, phần lớn là do họ không có giả thuyết. (2) Mục đích phân tích sẽ rõ ràng hơn Có nhiều người giữa chừng quên đi mục đích, làm mà không ý thức được rằng mình chỉ đang “phân tích để phân tích”. Tuy nhiên khi nhìn lại mục đích ban đầu “muốn biết điều gì” và sử dụng data khác, cố gắng thay đổi cách làm, sẽ có thể đi tiếp được. Xuất phát điểm của việc tạo giả thuyết là để xác định mục đích hay vấn đề phát sinh. Nếu ngay từ đầu ta rõ ràng điều này, và biết rõ giả thuyết của từng bước trong quy trình là nhằm “để làm gì”, ta sẽ không bỏ sót điểm “mấu chốt”. Đương nhiên kết quả phân tích mà không có mục đích rõ ràng, sẽ không ai hiểu và chấp nhận cả. (3) Dễ xây dựng cốt truyện tổng thể Quy trình “Làm rõ mục đích hay vấn đề” => “giả thuyết” => “kiểm chứng giả thuyết (phân tích)” => “giải thích kết quả” => “trình bày nói - viết” chắc chắn là quy trình hợp lý và khách quan nhất để tìm ra nguyên nhân và cách giải quyết. Khi trình bày vấn đề gì đó, nếu bạn không hiểu được quy trình hay điểm trọng yếu “tại sao lại trình bày như thế”, thì người nghe chắc chắn sẽ không thể chấp nhận được. Nếu phân tích theo quy trình đó, thì chỉ cần trình bày như thế người khác cũng sẽ hiểu vấn đề một cách logic (hình 2-21). Phân tích là phân tích, trình bày là trình bày, thường là thừa thãi nếu bạn để phần Trình bày ngay từ đầu. Phương pháp phân tích theo quy trình logic chính là phương pháp áp dụng giả thuyết được giới thiệu sau đây. Trong giả thuyết có cả rủi ro Mặc dù là phương pháp tiện lợi, nhưng cũng chứa rủi ro bạn cần phải biết khi áp dụng. (1) Rủi ro bỏ sót những vấn đề không thể nhìn thấy Giả thuyết chẳng qua cũng chỉ là giả định mà thôi. Những gì mình không thể thấy thì dù cố gắng cũng không thấy được, hay không biết rằng “không thể thấy”. Ta cần cố gắng giảm thiểu rủi ro này bằng cách tham khảo kinh nghiệm, sự hiểu biết của người khác, chứ không chỉ dựa vào kinh nghiệm hay kiến thức của bản thân. (2) Rủi ro khi nhìn phiến diện Ngay chính những điều chúng ta đinh ninh tin tưởng, hay nghĩ theo thói quen cũng là một điểm mù mà bản thân mãi không nhận ra. Nếu thất bại một lần, ta sẽ biết đó là sai lầm, và nhờ những sai lầm đó ta sẽ rút được nhiều kinh nghiệm và hoàn thiện hơn sau này. Chỉ là để đến được ngày đó ta phải mất nhiều thời gian và trải nghiệm. Hiện cũng có những môn học như “Kinh tế học hành vi”, trong đó tổng hợp một cách hệ thống những điều được cho là không hợp lý của con người, nêu những ví dụ điển hình, hoặc Khuynh hướng,... (bạn có thể tham khảo thêm tác phẩm của Kashiwagi Yosiki Con người quyết định dựa vào cảm tính hơn là suy nghĩ do Nhà xuất bản Gijutsuhyoronsha phát hành). Chúng ta có thể giảm thiểu rủi ro bằng cách tích lũy thêm kinh nghiệm, nhận ra những thói quen của bản thân nhờ vào thông tin hoặc các nguồn bên ngoài. Điểm mấu chốt Hãy phân tích dựa vào giả thuyết sau khi nhận ra điểm mạnh và rủi ro có thể có. Thủ thuật khi xây dựng giả thuyết Quyết định thứ tự ưu tiên hay MECE Sau cùng tôi xin được giới thiệu một số thủ thuật khi xây dựng giả thuyết sau đây: (1) MECE (là viết tắt của chữ Mutually Exclusive and Collectively Exhaustive nghĩa là Không bỏ sót và Trùng lặp) Khi lập giả thuyết, nếu có thể, ai cũng mong không bỏ sót, hay trùng lặp. Mặc dù khó đạt đến sự hoàn hảo, nhưng để duy trì MECE, sẽ hiệu quả hơn nếu ta sử dụng bốn phép tính để phân tích như ở phần Giả thuyết WHAT. Hoặc có thể sử dụng những framework được phổ biến hiện nay. Ví dụ, khi nêu giả thuyết liên quan đến marketing, ta có thể dựa vào 4P trong marketing (Sản phẩm = Product, Phân phối = Place, Khuyến mãi = Promotion, Giá cả = Price). Hay có thể dựa vào 3C (Khách hàng = Customer, Đối thủ Cạnh tranh = Competitor, Công ty = Company). Nếu ta chỉ phân tích dựa vào phạm vi data bản thân nhìn thấy, thì thường sau đó sẽ nhận ra mình đã bỏ lỡ mất phần quan trọng. Ở đây, điều quan trọng là ta phải biết “Mở rộng tầm nhìn của bản thân mình”. Trong lúc trình bày kết quả phân tích, nếu bị vặn “Nói vậy, sao lúc đầu cậu không nghĩ đến yếu tố XXX”, nếu câu trả lời của bạn là “À tôi quên mất”, thì khả năng thuyết phục trong nội dung sau đó hầu như không còn nữa. Để tránh gặp thất bại tương tự, lúc nào bạn cũng phải nhớ MECE nhé. (2) Không thể đặt mục tiêu đạt 100 điểm từ lúc đầu Không có giả thuyết nào hoàn hảo 100 điểm trước khi kiểm chứng cả. Nếu đặt mục tiêu 100 điểm, chắc chắn ta không thể đi tiếp được. Tùy vào quan điểm sử dụng thực tế, đôi khi cần có thái độ lạc quan kiểu như “nếu giả thuyết sai, thì ta sẽ làm lại. Nếu có một giả thuyết không kiểm chứng được, có lẽ ta nên tìm cái khác”. Trước tiên ta hãy đặt mục tiêu để có những giả thuyết mà cả bản thân và người nghe đều cảm thấy rằng “Trời! Mà ờ, đúng là như thế thật!” (3) Sắp xếp thứ tự ưu tiên Tùy vào trường hợp mà giả thuyết đưa ra nhiều hay ít, nhưng nếu nhiều và phải phân tích hết chắc chắn sẽ tốn không ít công sức và thời gian. Khi đó, với nguồn lực giới hạn (con người, thời gian, tiền bạc, kỹ năng,...) ta phải sắp xếp thứ tự ưu tiên của các giả thuyết cần kiểm chứng, và làm trước những phần có độ ưu tiên cao (thực tế những lúc bị yêu cầu kết quả trong khi nguồn lực giới hạn là thường xuyên). Vậy có được sắp xếp thứ tự ưu tiên dựa vào quan điểm chủ quan không? Không, nếu làm thế thì phần phân tích không có căn cứ và chắc chắn sẽ không được chấp nhận. Giờ ta hãy sắp xếp trình tự ưu tiên có sức thuyết phục và logic. Tôi xin được giới thiệu một trong những cách làm đó là “Payoff matrix” để quyết định độ ưu tiên với hai tiêu điểm. Hình 2-22 có trục tung là “phân tích dựa vào giả thuyết đó, mức độ tác động đến vấn đề”, và trục hoành là “Nếu dựa vào giả thuyết đó, thì mức độ dễ thực hiện là bao nhiêu” (độ dễ khi thực hiện). Trong đó một điểm là một giả thuyết. Tuy nhiên, mỗi giả thuyết được đặt ở vị trí nào lại không quan trọng lắm, bạn có thể đặt ở trên, giữa, hay phía dưới. Quan trọng là cần biết các giả thuyết đó được đặt ở đâu và hiểu được tại sao. Sẽ hiệu quả hơn nếu thảo luận cùng nhau để xem vị trí cần đặt giả thuyết đó. Đây là cách làm có thể tăng mức đáng tin hay thuyết phục của phần phân tích. Ta hãy dùng hai giả thuyết sau để xem cụ thể ý nghĩa của Định vị (positioning) dựa vào hai tiêu điểm nhé. Vấn đề: Doanh số bán quần áo trẻ em đang sụt giảm. Giả thuyết A: Có phải do sản phẩm mới của đối thủ ảnh hưởng không? Giả thuyết B: Việc giảm giá có giúp gì được không? Trong hình 2-23, Giả thuyết A đặt ở phía trái bên trên, điều này nghĩa là mức ảnh hưởng lớn, nhưng công ty khó để can thiệp (độ dễ thực hiện là thấp). Nghĩa là, mặc dù bị ảnh hưởng bởi sản phẩm của đối thủ cạnh tranh, nhưng ta không thể tác động được đến đối thủ, và cũng khó lập tức đưa ra sản phẩm khác cạnh tranh lại. Ở phía bên phải, phía dưới là giả thuyết B, nghĩa là mức ảnh hưởng nhỏ nhưng khả năng thực hiện cao. Trường hợp này, dù cho việc giảm giá được thực hiện cẩn thận, rõ ràng, nhưng sau khi thực hiện có thể cũng không khiến doanh số thôi sụt giảm ngay lập tức được. Như vậy theo biểu đồ có nhiều giả thuyết, phía bên phải ở trên là giả thuyết có tác động lớn đến vấn đề, khả năng thực hiện cũng dễ, nên sẽ được ưu tiên. Và những giả thuyết lùi về phía trái bên dưới sẽ lần lượt được xếp thứ tự ưu tiên sau (Hình 2-24). Tùy vào từng trường hợp, nếu vũ khí này giúp ta có lựa chọn phù hợp, làm cho người khác chấp nhận, thì chắc chắn có thể ứng dụng ở nhiều trường hợp khác nhau. Ở đây, ý nghĩa của việc này không phải lấy phân tích làm mục đích, mà trong giới hạn của bản thân hay tình huống, ta có thể hành động để khắc phục vấn đề hay đạt mục đích, sau đó thu được thành quả hay không. Để làm được điều này, ta phải sắp xếp trình tự ưu tiên cho những giả thuyết đã có, đồng thời phải hành động hiệu quả. Điểm này về cơ bản cũng có phần khác với mục đích phân tích đòi hỏi sự chính xác tuyệt đối của Học giả hay Chuyên viên phân tích, nhưng hãy nhớ kỹ để áp dụng vào công việc thực tế. Điểm mấu chốt Trường hợp có nhiều giả thuyết, hãy phân mức độ ưu tiên cho phù hợp với thực tế rồi bắt tay vào làm nhé! Chương 2 Những điều phải làm để có thể “suy nghĩ bằng số liệu - data” Chủ đề: Xây dựng giả thuyết trước khi bắt tay phân tích data 1: Tìm xem vấn đề gì đang xảy ra: Phân tích vấn đề (Kiểu WHAT), xem xét Tiêu điểm so sánh từ các giả thuyết! 2: Tìm xem tại sao vấn đề lại phát sinh: Xây dựng giả thuyết để tìm nguyên nhân bằng từ khóa “ Tại sao?”. Nếu nhiều giả thuyết, hãy sắp theo mức độ ưu tiên nhé! (Kiểu WHY) 3: Nghĩ cách để có data phù hợp, độ thô khi phân tích, hoặc phạm vi data sẽ sử dụng. Chương 3Nắm được “Điểm chính của vấn đề” bằng “Bình quân” và “Độ lệch chuẩn” Không thể kết luận kiểu “Hỗ trợ cửa hàng có Lượng khách bình quân thấp” được Y osuke: “Thế à, vậy nếu biết ‘phương pháp thực hiện theo logic dựa vào giả thuyết’, thật là có thể trình bày tự tin những gì mình nghĩ rồi”. Takashima: “Đúng vậy. Dù cậu nói bao nhiêu ‘có vẻ như thế’ đi nữa, nếu thiếu căn cứ người khác sẽ không tin tưởng, và cũng ảnh hưởng cả đến việc kinh doanh thực tế nữa”. Yosuke: “Em sẽ xem lại cẩn thận cách làm và những gì đã làm của mình. Trước đây em cũng có tạo giả thuyết, thu thập data cho giả thuyết đó, nên giờ sẽ thử đi sâu hơn nữa xem thế nào.” Takashima: “Ừ, tôi trông cậy vào cậu đấy. Nhưng giả thuyết chỉ là tiền đề cho phân tích, và cũng chỉ là bước bắt đầu. Tôi đã muốn cậu phân tích kỹ hơn. Vì tôi cũng không thể nói chuyện cậu làm qua loa cho Trưởng bộ phận được”. Và rồi, Yosuke đã nhanh chóng tra lại Lượng khách của các cửa hàng trong khoảng một năm qua, để kiểm chứng giả thuyết mình đã tạo. Khi nhìn thấy số khách ghé bình quân, Yosuke đã thấy Lượng khách tại cửa hàng B và D ở khu vực phía Bắc thấp hơn. Yosuke: “Anh Takashima, đúng là trung bình tại cửa hàng B là 460 người/ngày, và D là 450 người/ngày là quá thấp nhỉ. Quả đúng là vấn đề phát sinh ở các cửa hàng phía Bắc này, vậy giả định ban đầu của em hình như đúng rồi. Giờ em sẽ cải thiện hết mức các cửa hàng này nha!” Takashima: “Cảm ơn cậu. Tôi biết rõ là Lượng khách cửa hàng B và D thấp hơn hẳn rồi. Nhưng chỉ có như thế, thật sự có thể nói cửa hàng B và D là vấn đề chính hiện nay sao. Nghĩa là, thật sự cậu nghĩ nếu dốc sức tăng Lượng khách cửa hàng B và D, là có thể giải quyết hết vấn đề hiện nay hả?” Yosuke: “Ủa, em nghĩ là nếu mà như thế... thì... (mà ủa!? Mình nói gì sai hay sao ta?)” Takashima: “Đó chẳng qua chỉ là phương án cậu chợt nghĩ ra sau khi nhìn số trung bình cả năm, rồi khẳng định đó là vấn đề cần giải quyết thôi, đúng không? Nếu thế thì cũng chỉ là suy đoán mà thôi.” Yosuke: (Nhưng mà, ngoài chuyện này thì còn chuyện gì nữa hay sao?) Hãy nắm bắt điểm chính của vấn đề Sẽ không hiệu quả nếu cho rằng “có vấn đề do nhỏ hơn số bình quân” Chắc có nhiều người đã từng cảm thấy mơ hồ khi đưa ra những kết luận đơn giản kiểu như “vì cao hơn trung bình nên ổn, vì nhỏ hơn nên có vấn đề” giống Yosuke. Yosuke đã lấy data để vẽ biểu đồ, trong một tình huống mà “Cái đó, không cần làm biểu đồ, chỉ cần để số liệu thôi cũng nhận ra được mà”. Các bạn có nhớ không? Để nắm được tổng thể thì chỉ cần data tổng quát như Tổng doanh số, tuy nhiên bằng đó thôi thì chưa đủ cụ thể để giải quyết vấn đề hay để đạt mục đích. Ở chương 1 ta đã biết rằng cần phải có quy trình để từng bước đi sâu vào phân tích. Để làm được điều đó, đòi hỏi ta phải biết vấn đề nằm ở đâu. Tuy nhiên, tuyệt đối không quyết định một cách thiếu suy nghĩ như kiểu “vì cửa hàng này doanh số thấp nhất, nên hẳn đây là vấn đề rồi”. Ở đây để biết được vấn đề một cách chính xác, ta hãy học các bước cụ thể hơn (hình 3-2). Để nắm được điểm chính của vấn đề, cách làm chủ yếu là tìm ra các điểm khác biệt với các yếu tố khác, bằng cách so sánh số liệu với nhau. Chỉ là không hẳn lúc nào khi so sánh ta cũng thấy được điểm cần thiết đó. Như ta đã biết, nếu muốn có thông tin thích hợp từ data, trước tiên phải phân data thành các yếu tố phù hợp (bằng bốn phép tính), rồi so sánh nó trên Tiêu điểm thích hợp (như từng khách hàng, từng cửa hàng, theo thời gian,...). Có thể nói bước đầu tiên như Yosuke đã làm, chính là phân data Lượng khách hay Doanh số tổng thể toàn khu vực thành yếu tố “cửa hàng”. Tuy nhiên khi chọn sử dụng không chỉ “vì có data của các cửa hàng”, mà cần phải có lý do vì sao chọn data đó (căn cứ hay giả thuyết). Trường hợp của Yosuke, anh ấy đã lấy số bình quân của data có trong tay, rồi kết luận dựa vào số liệu đo (thực tế có nhiều trường hợp giống như vậy). Nhưng ví dụ như trước khi phân tích data, ta biết nhận định rằng: “Mỗi cửa hàng đều được quản lý bởi các cửa hàng trưởng, nên khó có chuyện tất cả đều đồng loạt giảm sút từ nửa năm trước được. Vậy chắc là có cửa hàng nào đó vì một lý do gì đó mà doanh số đi xuống, gây trở ngại cho tổng thể rồi đây”, thì việc suy nghĩ và tìm xem data nào cần cho việc đó (ví dụ như data doanh số thực tế của từng cửa hàng), chuyện gì xảy ra (ví dụ có cửa hàng nào đó thay đổi khác thường bắt đầu cách đây nửa năm không), sẽ cụ thể hơn. Giống như vậy, chuyện so sánh các data với nhau thì đơn giản rồi, nhưng khi làm đòi hỏi phải có cách suy nghĩ, cách nhìn phù hợp. Lúc đó, việc nắm bắt chính xác mấu chốt của vấn đề (nguyên nhân) có được từ data, chính là chìa khóa ảnh hưởng lớn đến chất lượng và hiệu suất của kết quả phân tích. Chọn lựa tiêu điểm phù hợp để phân tích data là việc đương nhiên, nhưng qua đó có dễ nắm bắt điểm đặc trưng, mà không bỏ sót thông tin được giấu ở data gốc hay không, chính là điểm quyết định. Chính vì vậy, các bạn nhất định phải ghi nhớ ba quan điểm và hai tiêu điểm để nắm và so sánh đặc trưng cửa data mà tôi sẽ giới thiệu tiếp theo nhé. Điểm mấu chốt Tạo giả thuyết, sau đó nghĩ để tìm ra “tiêu điểm thích hợp”, “phân tích cho phù hợp” nhằm xác định vấn đề hiện nay. Để làm được như thế, bạn hãy thử suy nghĩ cụ thể xem “Vấn đề” dễ bị ảnh hưởng bởi yếu tố nào nhé. Nắm được Độ lớn của data bằng số liệu “Bình quân” Xem đặc trưng của data bằng “Độ lớn” và “Phân bố” (1) Để nắm được chính xác đặc trưng của data, ta phải nhìn vào điều gì? Để tìm ra vấn đề, việc biết được đặc trưng của data đó rất quan trọng. Hẳn nhiều người cho rằng “data” là “giá trị thể hiện độ lớn”. Trong công việc thực tế, thường ta hay nói đến Tỉ suất hay Độ lớn cho data chẳng hạn như “Doanh số”, “So với cùng kỳ năm ngoái”, “Tỉ lệ sản lượng/nguyên liệu” hay “Lượng khách”. Và đại diện để biểu đạt độ lớn đó thường là “Bình quân”. Giá trị bình quân mà mọi người thường sử dụng, là một chỉ tiêu rất tiện để nắm được độ lớn. Nếu để riêng từng data một, số lượng càng nhiều thì càng khó nắm được đặc trưng tổng thể. Tuy nhiên, nếu đưa thành chỉ tiêu bình quân để thể hiện “độ lớn của tổng thể”, ta có thể gom các data riêng lẻ đó thành một. Như ví dụ ở hình 3-3, ngay cả khi nhìn data Doanh số ngày trong tháng đó, ta cũng khó biết được độ lớn đó là bao nhiêu. Nếu đưa nó về “giá trị bình quân” 189.000 Yên, chỉ thoạt nhìn thôi sẽ biết được độ lớn đó. Hay khi so sánh giữa các data có số lượng khác nhau (ví dụ 30 ngày hay 31 ngày), nếu sử dụng bình quân, con số chênh lệch sẽ không lớn. Điểm mấu chốt “Giá trị bình quân” rất tiện lợi khi muốn biết độ lớn của tổng thể. Yosuke: “Nhưng mà, anh Takashima đã nói là không thể chỉ sử dụng bình quân để kết luận cửa hàng này có vấn đề được. Cái đó, có nghĩa là sao?” Tại sao không được xem “bình quân thấp là có vấn đề”? Lưu ý những thông tin bị mất khi sử dụng bình quân Ta hãy thử xem nhanh một đáp án cho câu hỏi của Yosuke nhé! Bình quân thì tiện lợi, nhưng mặt khác, nó sẽ khiến vài thông tin bị mất đi, và hiện có rất nhiều người sử dụng mà không biết đến sự thật đó. Như ở ví dụ Doanh số phía trên. Khi nghe đến bình quân là 189.000 Yên, chắc nhiều người sẽ nghĩ ngay “Doanh số trung bình mỗi ngày khoảng 189.000 Yên”. Vậy ta hãy xem kỹ số liệu gốc, ngay trước và sau số 189.000 Yên thì thế nào? Khi xác nhận data trong 30 ngày bằng biểu đồ Histogram, ta sẽ có hình 3-4. Nhìn biểu đồ ta thấy nhóm có doanh số 160.000 - 200.000 Yên gồm cả trung bình 189.000 Yên, chỉ có một ngày. Nhiều số ngày nhất là nhóm doanh số 260.000 - 300.000 Yên, kế đến là 210.000 - 250.000 Yên. Ở đây rõ ràng Số ngày càng nhiều sẽ càng cách xa Doanh số trung bình 189.000 Yên đó. Có hai lý do chính làm ta bất ngờ với thực tế và hình ảnh trong những trường hợp như vậy. (1) Tác dụng phụ khi tổng kết bằng Giá trị bình quân Nếu tổng hợp nhiều data bằng chỉ tiêu Giá trị bình quân, có thể ta sẽ đánh mất thông tin có trong data gốc. Ví dụ như nếu chỉ nhìn vào Giá trị bình quân 189.000 Yên, ta không biết được Giá trị nhỏ nhất hay lớn nhất là bao nhiêu, hay mức doanh số nào có số ngày nhiều nhất. Ngay cả quan hệ giữa Số ngày và Số tiền trong biểu đồ Histogram trước đó (nghĩa là sự phân bố của data) ta cũng không thể biết. (2) Có nhiều người hiểu sai về “Bình quân” Tại các buổi hội thảo hay tập huấn, tôi thường hay đặt câu hỏi: “Ai có thể giải thích cho học sinh tiểu học biết “Bình quân là gì”, mà không phải là cách tính (lấy tổng chia cho số đơn vị)”. Tuy nhiên đến giờ vẫn chưa có ai giải thích chính xác được từ này (thực tế trong nhiều cuốn từ điển, hầu hết cũng không giải thích đúng từ này): - Giá trị đại diện - Giá trị trung tâm - Giá trị thường xuất hiện Thường câu trả lời sẽ như trên. Nếu sử dụng cách hiểu này và áp dụng Giá trị bình quân nhiều quá, rủi ro hiểu sai thực tế đang diễn ra là rất cao. Đặc biệt những người thời sinh viên vẫn cho rằng, khi điểm số bài kiểm tra của mình trên mức bình quân của lớp, nghĩa là “mình thuộc nửa trên nhóm điểm cao”, thì càng cần chú ý hơn. Khi bình quân được phác họa bằng hình ảnh, ta sẽ có hình 3-5 bên dưới. Mỗi dấu tròn sẽ là một data. Tính từ Mốc bình quân, giá trị nào càng về bên phải thì càng +, càng về bên trái sẽ càng -. Mỗi dấu tròn sẽ được đặt tương đương với giá trị của mình trên mặt phẳng. Chắc chắn sẽ có một điểm tại vị trí nào đó cân bằng hai bên trái phải, và là điểm trụ từ dưới lên cho mặt phẳng này. Và đó là nơi đặt (giá trị) bình quân. Vì thế theo suy nghĩ của tôi, Bình quân chính là “Điểm cân bằng”. Đặc biệt hãy chú ý đến vị trí và số lượng dấu tròn bên trái, phải của Bình quân. Dấu tròn nhỏ hơn Bình quân (bên trái) có 3, lớn hơn có 8 dấu. 3 dấu tròn bên trái nằm cách xa Bình quân, nghĩa là giá trị của nó nhỏ hơn nhiều so với bình quân. Ở đây ta thấy rằng: 1. Giá trị bình quân không hẳn ở chính giữa, trung tâm của data (không hẳn số lượng trái phải thì phải giống nhau). 2. Không hẳn data tập trung nhiều ở nơi gần giá trị bình quân. 3. Không hẳn giá trị bình quân là giá trị đại diện cho toàn bộ data. Như vậy “Bình quân” ở đây chắc hẳn là khác nhiều so với trong suy nghĩ của nhiều người rồi. Yosuke: “Trời, mình chưa từng nghĩ đến chuyện đó. Nhưng mà đúng là nói bình quân một ngày 189.000 Yên, thì mỗi ngày mỗi khác. Do vậy nếu chỉ nhìn bình quân thôi, sẽ không biết được sự chênh lệch đó ra sao. Nhưng mà, giờ phải làm thế nào đây?” Điểm mấu chốt Ta nên biết, mặt trái của sự tiện lợi khi sử dụng “Bình quân” là bỏ sót điểm quan trọng nào đó nếu chỉ dựa vào một giá trị thôi. Xem “phân bố” (độ lệch chuẩn) để lấy lại thông tin đã mất do Bình quân Xem đặc trưng của data bằng “Độ lớn” và “Phân bố” (2) Vậy thì, làm thế nào để lấy lại được thông tin bị mất khi tổng hợp toàn bộ data sử dụng Giá trị bình quân như vậy. Đó là hãy xem lại “sự phân bố” của data gốc. Ta có thể hiển thị toàn bộ data trên biểu đồ Histogram, để xem tổng thể sự phân bố của data (hình 3-6). Tuy nhiên, do chỉ nhìn thấy bằng mắt, nên việc đánh giá mức độ phân bố cũng phụ thuộc vào cảm giác của con người. Đặc biệt, khi so sánh nhiều mức phân bố với nhau, có người cho rằng “rắc rối hơn họ nghĩ”, hay “sao thấy cái nào cũng như nhau”,... sự đánh giá có thể khác nhau tùy mỗi người, nghĩa là dù nhìn cùng một biểu đồ, nhưng suy nghĩ mỗi người có thể sẽ khác nhau. Ngoài ra, khi tạo Histogram bằng excel, có điểm khó là mất nhiều thời gian và công sức hơn việc tạo biểu đồ thông thường, do trước đó cần phải đếm số lượng data. Vì vậy, để có thể làm nhanh và dễ so sánh hơn, ta nên có chỉ tiêu mức phân bố trước. Chỉ tiêu đại diện cho mức phân bố data đó chính là “Độ lệch chuẩn”. Độ lệch chuẩn là chỉ tiêu thể hiện “Sự phân bố giống nhau” ai nhìn cũng thấy. Dưới đây là công thức của chỉ tiêu Độ lệch chuẩn: Trong excel cũng có thể sử dụng hàm STDEV với cú pháp = STDEV (phạm vi) để lấy kết quả tương tự (ngoài hàm STDEV còn những hàm khác, nhưng tôi xin không đề cập ở đây, nếu bạn nào quan tâm hãy tra thêm để tìm hiểu nhé). Công thức này nghĩa là lấy Giá trị mỗi data - Bình quân [(sẽ có số (-) và số (+)], nếu cộng lại thì số dương và âm này kết quả là 0). Sau đó tính tổng Bình phương số (-) và số (+) đó, và chia cho Số đơn vị data. Thật ra không cần phải nhớ công thức này, chỉ cần hiểu cách tính, sử dụng hàm excel để ra được giá trị cần tìm. Nếu Giá trị của mỗi data càng lớn (càng cách xa bình quân), hay càng có nhiều data cách xa bình quân, thì Độ lệch chuẩn càng lớn. Nói cách khác nghĩa là “sự phân bố” càng rộng. Độ lệch chuẩn có thể chỉ ra “Mức phân bố chuẩn so với bình quân”, hay phạm vi mà data thu thập được (nghĩa là “chuẩn”) so với bình quân (nghĩa là “độ lệch”). Mặc dù việc nắm được ý nghĩa tổng quan đó là cần thiết, tuy nhiên bạn nên biết sự phân bố chính quy như hình quả chuông đó chỉ là tiền đề, nên cũng có trường hợp không đúng hoàn toàn. Sự phân bố = rủi ro, nhưng không có nghĩa rủi ro = xấu Khái niệm “phân bố” khá quan trọng trong lĩnh vực sản xuất hay kinh doanh. Sẽ dễ hiểu hơn nếu ta thay từ “Sự phân bố” trong môn thống kê thành từ Độ chính xác hay Rủi ro. Ví dụ, mức nhỏ nhất trong phân bố doanh số là rủi ro kinh doanh của các cửa hàng bán lẻ. Nếu sự phân bố của ngày bán chạy, và ngày bán ế là lớn, sẽ dẫn đến rủi ro như hàng trong kho thiếu sẽ bỏ lỡ cơ hội bán hàng, hay hàng trong kho nhiều sẽ gây khó cho lưu chuyển tiền mặt. Nếu trong sản xuất mà sự phân bố đó rộng, nghĩa là thành phẩm càng khác xa quy cách hướng dẫn bao nhiêu, thì độ chính xác hay chất lượng sản phẩm đó sẽ đi xuống bấy nhiêu. Tất nhiên có những người cho rằng “Rủi ro cao sẽ thu được lợi cao (high risk, high return), tuy nhiên không hẳn “rủi ro (phân bố) = xấu“. Ở đây tôi muốn các bạn nắm được tầm quan trọng của việc hiểu về Phân bố và Rủi ro một cách định lượng. Ở đây, ta hãy nhìn để xác định ý nghĩa của việc đưa “tiêu điểm” Độ lệch chuẩn (phân bố) vào (lưu ý “tiêu điểm” ở đây là chỉ “độ lớn” và “phân bố”, khác với “tiêu điểm” là các cửa hàng ở chương trước). Hình 3-8 là biểu đồ Histogram hiển thị doanh số hằng ngày của hai tháng khác nhau. (hình 3-8 bên dưới giống với hình 3-5) Những người chỉ có “độ lớn” sẽ chỉ chú ý đến Giá trị bình quân này, và kết luận của họ sẽ là “Vì giá trị bình quân không thay đổi, nên doanh số không biến động gì. Như vậy không có vấn đề gì cả”. Nhưng nếu nhìn tiêu điểm “phân bố” của hai hình này, ta thấy Độ lệch chuẩn của hình trên là 5.1 (10.000 Yên) và hình dưới là 8.5 (10.000 Yên). Rõ ràng hình bên dưới sự phân bố lớn hơn nhiều, nghĩa là sự phân bố của hai tháng này chênh lệch khá nhiều. Nghĩa là, có thể nói mặc dù Bình quân không đổi, nhưng có sự khác nhau lớn ở “rủi ro kinh doanh” của hai tháng này. Với những người chỉ có mỗi Bình quân (độ lớn) thôi thì vĩnh viễn sẽ không nhận ra, nhưng đây là một điểm cực kỳ quan trọng. Điểm mấu chốt “Phân bố” có thể biết được bằng Độ lệch chuẩn (bằng hàm STDEV). Để so sánh “sự phân bố”? So sánh sự phân bố của cửa hàng nhỏ lẻ với cửa hàng lớn bằng “Hệ số biến động” Vậy nếu đã biết giá trị trung bình, có độ lệch chuẩn rồi thì chắc trường hợp nào ta cũng có thể so sánh “sự phân bố” của data được. Thực tế không đơn giản như thế! Ví dụ ở hình 3-9, so sánh giữa một cửa hàng lớn với doanh số trung bình hằng tháng 500.000.000 Yên, và một cửa hàng nhỏ lẻ có doanh số 500.000 Yên. Để xem sự phân bố doanh số hằng tháng của cả hai, ta đã tính ra độ lệch chuẩn là 100.000 Yên. Trường hợp này nếu kết luận: “Vì cả hai có độ lệch chuẩn 100.000 Yên giống nhau, nên sự phân bố là giống nhau” thì có được không? Ta cần chú ý khi so sánh sự phân bố của các data có quy mô khác nhau (ở đây là doanh số trung bình tháng) chỉ bằng giá trị của độ lệch chuẩn. Khi xem xét mức ảnh hưởng của độ lệch chuẩn là con số 100.000 Yên, đối với cửa hàng lớn, nó là 1/50, nhưng đối với cửa hàng tư nhân thì nó là 1/5000. Chỉ nghĩ thôi ta đã thấy có sự khác biệt rất lớn giữa tỉ lệ 1/50 đối với cửa hàng lớn, và 1/5000 của cửa hàng nhỏ lẻ rồi. Có một cách để so sánh tương đối mức độ phân bố khi đã biết quy mô khác nhau giữa các data, đó là sử dụng chỉ tiêu “Hệ số biến động”. Hệ số biến động là lấy Độ lệch chuẩn chia cho Giá trị trung bình (ứng với quy mô của data). Như ở hình trước là 1/5000 hay 1/5 (có thể quy ra số lẻ hay %). Hệ số biến động = Độ lệch chuẩn: Giá trị trung bình Khi so sánh mức phân bố của cửa hàng bán lẻ và đại lý lớn bằng Hệ số biến động, ta có thể kết luận rằng sự phân bố doanh số của cửa hàng bán lẻ là rộng (lớn) hơn. Hệ số biến động (đại lý) 100.000: 500.000.000 = 0.0002 (0.02%) Hệ số biến động (cửa hàng tư) 100.000: 500.000 = 0.2 (20%) Ở đây, phần trăm hệ số biến động là chỉ mức phân bố chủ yếu cho tổng thể. Cửa hàng lớn ở trên có doanh số trung bình với độ rộng +-0.02% trên tổng thể, còn cửa hàng tư nhân giống như vậy khoảng +-20%. Tuy nhiên, thực tế ít khi số liệu này được sử dụng một mình để đánh giá hay tính toán, mà thường được sử dụng cùng với các chỉ tiêu khác. Điểm mấu chốt Khi quy mô khác nhau hãy sử dụng “hệ số biến động” để so sánh. Tầm quan trọng của hai tiêu điểm “độ lớn” và “phân bố” “Không dám” nhìn sẽ không biết được Như đề cập ở trên, bạn hãy luôn nhớ đến hai tiêu điểm chính là “độ lớn” và “sự phân bố” khi muốn biết đặc trưng của data (hình 3-10). Thực tế thì “độ lớn” thường được ưu tiên và chú ý hơn. Bên cạnh đó, không phải toàn bộ trường hợp đều phải mất thời gian tính toán sự phân bố và so sánh cả. Tuy nhiên tôi nghĩ ít nhất cũng phải xác nhận lại xem trong data gốc, sự phân bố có bị sai lệch, hay vấn đề gì không.