Chương 2

Nhắm trúng “mục tiêu” bằng giả thuyết

Sẽ 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.