Hướng dẫn chống gian lận! Chín cách để làm sai lệch dữ liệu

Khi phân tích dữ liệu, sẽ có dữ liệu để phân tích, nhưng làm thế nào để đảm bảo dữ liệu là đúng và hợp lệ? Bài viết này tóm tắt chín cách để ngăn chặn việc làm giả dữ liệu, hy vọng nó sẽ truyền cảm hứng cho bạn.

Để phân tích dữ liệu, bạn cần có dữ liệu. Nếu dữ liệu không đúng thì sao? Nếu dữ liệu bị bóp méo một cách giả tạo thì sao? Nếu dữ liệu bị bóp méo một cách giả tạo, bạn sẽ làm gì nếu được yêu cầu chấp nhận dữ liệu đó? Chúng ta hãy cùng thảo luận về chủ đề này hôm nay.

Sau đây là chín phương pháp phổ biến nhất, trước tiên hãy ghi nhớ chúng. Bạn sẽ thấy chúng trong các bản tóm tắt cuối năm, kế hoạch hàng năm, đánh giá hoạt động, v.v. Biết trước sẽ giúp bạn phản ứng sớm.

Hạng 1: Dữ liệu sai

Bên kinh doanh cố tình làm sai lệch, nói dối hoặc không báo cáo dữ liệu, dẫn đến thiếu dữ liệu cơ bản và thường xuyên xảy ra lỗi. Tình huống này rất phổ biến vào thời kỳ còn sử dụng giấy tờ. Tuy nhiên, với sự phổ biến của các hệ thống dữ liệu, vấn đề này đã trở nên ít phổ biến hơn.

Nếu vẫn còn những trường hợp sử dụng giấy tờ, chẳng hạn như mẫu đơn xin việc bằng giấy, bảng câu hỏi, v.v., thì vấn đề này vẫn tồn tại. Giải pháp cũng rất đơn giản: sử dụng Ví thẻ WeChat! Đây là thời đại nào? Bạn vẫn phải điền vào mẫu giấy để đăng ký làm thành viên.

Hạng 2: Thay đổi số thủ công

Xem thêm:

Hệ thống đã chết, nhưng con người vẫn còn sống. Cách duy nhất để giải quyết vấn đề này là tăng cường đánh giá và trừng phạt nghiêm khắc những người vi phạm quy định. Những hoạt động này có tính thường xuyên cao và gắn chặt với hành vi của từng người cụ thể, và có thể được xác định thông qua phân tích.

Giai đoạn 3: Sửa đổi cỡ nòng

Tôi phải làm gì nếu dữ liệu không tốt? Thay đổi trực tiếp cỡ số liệu thống kê! Về bản chất, các chỉ số dữ liệu được thiết kế để thuận tiện cho việc tính toán và phía doanh nghiệp, với tư cách là người dùng, có thể thay đổi chúng theo ý muốn. Tuy nhiên, sự thay đổi về cỡ nòng đã dẫn đến sự không nhất quán trong dữ liệu trước và sau, đây là một vấn đề lớn.

Chỉ thay đổi cỡ thống kê mà không thay đổi tên của chỉ số là một vấn đề lớn hơn trong việc nhầm lẫn giữa chỉ số thật và chỉ số giả. Vì vậy, bạn có thể thay đổi cỡ nòng và cập nhật tất cả các báo cáo dữ liệu trước đó theo cỡ nòng mới cùng một lúc.

Giai đoạn 4: Kiểm soát nhịp điệu

tham khảo:

Xin lưu ý rằng điều này khác với Hạng 2, đây là hành vi làm giả dữ liệu nghiêm trọng để lừa dối công ty. Cấp độ 4 về cơ bản không làm sai lệch dữ liệu mà sử dụng các quy tắc bán hàng, vận hành và phần thưởng để tối đa hóa lợi ích cá nhân.

Trên thực tế, mọi người đều làm như vậy. Đây là quy tắc bất thành văn trong kinh doanh. Chúng ta thường nói rằng "nước quá trong không có cá", bạn không thể yêu cầu một người không nghĩ đến bản thân mình. Nếu quản lý quá nghiêm khắc, doanh nghiệp tuyến đầu chắc chắn sẽ bỏ việc và bỏ chạy.

Là một nhà phân tích dữ liệu, bạn cần có khả năng xác định những vấn đề cụ thể này và kiểm soát chúng trong phạm vi chấp nhận được. Nếu vấn đề quá phổ biến, chúng ta sẽ xem xét cách thúc đẩy tối ưu hóa và điều chỉnh ở cấp độ tổ chức (như thể hiện trong hình bên dưới).

Lưu ý rằng bắt đầu từ câu hỏi này, chúng ta sẽ bước vào mức độ khó trung bình, vì các câu hỏi tiếp theo sẽ đòi hỏi khả năng phân tích dữ liệu ngày càng cao. Ví dụ, việc phân biệt đâu là quy tắc bất thành văn hợp lý và đâu là thay đổi có ác ý đòi hỏi một lượng kinh nghiệm phân tích nhất định.

Hạng 5: Nhịp điệu ngẫu nhiên

Khi phân tích dữ liệu, bạn hẳn thường nghe câu hỏi này:

• “Tỷ lệ hoạt động gần đây có giảm không? Phân tích lý do”
• "Hiệu suất bán hàng gần đây không đạt yêu cầu. Hãy phân tích lý do."
• “Tại sao sản phẩm của chúng tôi lại tệ đến vậy?”

Tuy nhiên, bạn phải nỗ lực tìm kiếm một loạt dữ liệu và phát hiện ra rằng: không có gì sai cả? Xin chúc mừng, bạn đã mắc phải sai lầm nghiêm trọng trong việc thay đổi nhịp điệu. Những từ “suy thoái”, “xấu” và “không hài lòng” mà các doanh nhân đề cập rất có thể là những lời tuyên bố sai sự thật!

Cần lưu ý rằng phía kinh doanh có thể vô tình làm sai lệch các phán đoán về dữ liệu và nhiều nhà phân tích dữ liệu mới vào nghề sẽ rơi vào cái bẫy này. Khi nhiều người mới bắt đầu phân tích, họ không hỏi liệu điều đó có đúng hay không mà đi thẳng vào nghiên cứu lý do tại sao. Dữ liệu được chia thành nhiều phần theo nhóm người dùng, thời gian đăng ký, loại sản phẩm, v.v. và cuối cùng, không có thông tin nào có ý nghĩa cả. Khi tôi quay lại sau hai ngày, tôi thấy vấn đề không còn tồn tại nữa.

Để giải quyết những vấn đề này, hãy nhớ:

Khi bạn gặp phải các vấn đề như “kích thước, số lượng, chiều cao, tốc độ, chất lượng”, hãy hỏi về các tiêu chuẩn trước.

Khi bạn nghe một câu hỏi cụ thể, trước tiên hãy hỏi xem người đó biết câu hỏi đó như thế nào.

Khi bạn nghe mọi người nói về dữ liệu, trước tiên hãy hỏi về nguồn dữ liệu gốc. Tuy nhiên, khó khăn nằm ở chỗ ba "câu hỏi đầu tiên" này lại đi ngược lại bản năng của con người. Mọi người thường có thói quen suy nghĩ theo cách tin rằng mọi thứ họ nghe đều sai, vì vậy ba câu hỏi có vẻ đơn giản này đòi hỏi phải được đào tạo chuyên sâu và lặp đi lặp lại nhiều lần để học, nếu không bạn sẽ thường xuyên bị nhầm lẫn.

Mức 6: Sự hài lòng

Sự hài lòng ở đây đề cập đến những chỉ số được các phòng ban kinh doanh đề cập bằng lời nhưng khó có thể ghi lại trực tiếp bằng hệ thống. Những yếu tố tương tự bao gồm sự hài lòng, ảnh hưởng của thương hiệu, sức mạnh sản phẩm, vị thế trong ngành, NPS, v.v. Do thiếu hồ sơ trực tiếp nên nhiều điều bất ngờ sẽ xảy ra.

Mức 7: Tỷ lệ tăng trưởng tự nhiên

Cuối cùng, nếu bạn muốn thao tác dữ liệu, chỉ cần tiếp tục thay đổi dữ liệu "tỷ lệ tăng trưởng tự nhiên". Nếu không được, bạn có thể đổi thành số âm (như hiển thị bên dưới).

Cách tốt nhất để đối phó với cách tiếp cận này là phớt lờ anh ta. Số lượng người tham gia thực tế vào một hoạt động rất dễ tính toán. Nếu bạn muốn xác định tốc độ tăng trưởng tự nhiên, bạn có thể nêu rõ trước để tránh những rắc rối không đáng có sau này.

Hạng 8: Nhóm tham khảo

Nhóm tham chiếu và tốc độ tăng trưởng tự nhiên là hai anh em cùng cảnh ngộ. Mọi người có thể dễ dàng sử dụng danh nghĩa “đánh giá khoa học” để thay đổi và sửa đổi chúng theo ý muốn cho đến khi doanh nghiệp hài lòng.

Nếu phía doanh nghiệp muốn tranh luận, họ sẽ tiếp tục nói rằng nhóm tham chiếu mà bạn đặt ra là phi khoa học, rằng các mẫu đều là ngoại lệ, không đủ ngẫu nhiên và không mang tính đại diện.

Trên thực tế, miễn là không phải là số liệu thống kê đầy đủ, nó luôn có thể được dán nhãn là "phi khoa học, không ngẫu nhiên và không đại diện" (nếu bạn thực sự làm số liệu thống kê đầy đủ, họ sẽ nói: tăng trưởng tự nhiên vẫn chưa bị loại bỏ, blah blah, dù sao thì điều đó luôn có lý).

Cách tốt nhất để giải quyết vấn đề này là: đừng trả lời. Chỉ cần phương pháp nhóm được làm rõ trước thì chúng ta nên chấp nhận bất kỳ kết quả nào nhận được. Không có gì đáng phàn nàn cả. Nó có nhóm tham chiếu riêng, chỉ có thể được sử dụng khi thực hiện đẩy chính xác qua các kênh hạn chế.

Việc thiết lập nhóm tham chiếu chỉ là phương pháp thử nghiệm cho thử nghiệm AB. Abtest chỉ là một trong những công cụ kiểm tra chứ không phải là quy tắc có thẩm quyền. Nếu không có bộ phận kinh doanh ABtest, liệu chúng ta sẽ không có khả năng phán đoán nào cả? Khả năng kinh doanh của bạn thế nào? Bạn có tác dụng gì? Cảm giác thật tuyệt, cuối cùng tôi cũng có thể chửi lại được rồi!

Cấp độ 9: Đánh giá toàn diện

Khi đánh giá một vấn đề, cách rõ ràng nhất là sử dụng một chỉ số duy nhất. Tuy nhiên, mọi người thích sử dụng các chỉ số tổng hợp để tỏ ra "suy nghĩ toàn diện".

Khi có nhiều chỉ số thì cần phải thiết kế phân bổ trọng số. Và rồi thủ thuật sẽ xuất hiện. Nếu ai đó không hài lòng với kết quả đánh giá, họ sẽ nói: "Trọng số này không hợp lý và không phản ánh được tình hình kinh doanh thực tế", rồi buộc bạn phải thay đổi.

Kết quả cuối cùng chắc chắn sẽ khiến mọi người hài lòng và khi đó họ sẽ nói rằng phân tích của bạn sâu sắc và hợp lý. Nếu không, hãy tiếp tục lo lắng về điều đó. Điều vô lý nhất là tôi từng thấy một giám đốc doanh nghiệp viết tay bảng xếp hạng điểm công ty chi nhánh, rồi nói với tôi: Anh sử dụng phương pháp trí tuệ nhân tạo dữ liệu lớn để tính toán toàn diện bảng xếp hạng này bằng cách kết hợp nhiều chỉ số khác nhau, và anh đã làm rất hoàn hảo, chúng tôi sẽ ký hợp đồng với anh vào năm sau...

Tất nhiên, điều tôi có thể nói vào thời điểm này là: OK. Việc ký hợp đồng là quan trọng, tính khoa học không là gì cả. Chỉ cần thay đổi trọng lượng, như thể không có chuyện gì xảy ra trong thời gian học sau đại học.

Cách giải quyết: Chấm điểm từng chỉ số riêng biệt và để người đứng đầu quyết định trọng số của nhiều chỉ số. Từ bỏ phương pháp mạng nơ-ron có tính giải thích kinh doanh thấp. Nếu doanh nghiệp có ý kiến ​​khác, hãy cho người lãnh đạo biết cách xác định dữ liệu sau cuộc chiến.

Ba cách trên là những cách để thao tác dữ liệu ở cấp độ cao. Lý do mức độ này cao là vì tỷ lệ tăng trưởng tự nhiên, nhóm tham chiếu và đánh giá toàn diện là những chủ đề thường được thảo luận trong phân tích dữ liệu. Nhiều nhà phân tích dữ liệu mới vào nghề và chưa từng trải qua khó khăn thích mày mò những thứ này, nghĩ rằng công việc càng phức tạp thì càng nâng cao.

Kết quả cuối cùng là công việc càng phức tạp thì việc giải thích ý nghĩa kinh doanh càng khó khăn và bạn sẽ càng phải đối mặt với nhiều nghi ngờ từ phía doanh nghiệp. Cuối cùng, bạn bị mũi dẫn dắt và trở thành: "Nếu kết quả có lợi cho doanh nghiệp thì đó là khách quan và toàn diện; nếu kết quả không có lợi cho doanh nghiệp thì đó là thiếu phân tích chuyên sâu". Bạn đang tự chuốc lấy rắc rối. Tóm tắt Chúng ta sẽ thấy rằng các phòng ban khác nhau sử dụng các phương pháp khác nhau.

Đối với các phòng ban tuyến đầu như bán hàng, quảng cáo và chuỗi cung ứng, dữ liệu là sản phẩm trực tiếp từ công việc của họ nên việc can thiệp vào nguồn dữ liệu là dễ nhất. Các phòng ban vận hành, lập kế hoạch, sản phẩm và các phòng ban khác thích tạo ra các chỉ số khó định lượng, thích nói về "tác động sâu rộng", thích đặt ra một loạt "tỷ lệ tăng trưởng tự nhiên" và "nhóm người dùng tham chiếu" rồi sau đó loại bỏ chúng, can thiệp vào các đánh giá dựa trên dữ liệu.

Tại sao hoạt động bán hàng, khuyến mại và chuỗi cung ứng lại không bị xáo trộn? Bởi vì những gì họ đang phải đối mặt là những vấn đề nan giải trong việc thu tiền từ doanh số bán hàng, tuyển dụng nhân viên để thăng chức và vận chuyển hàng hóa từ kho. Mỗi người nhận được bao nhiêu là rất rõ ràng và không có chỗ cho sự tranh cãi. Tuy nhiên, khi mọi người cùng làm việc về một vấn đề nào đó như vận hành, lập kế hoạch và sản phẩm, họ luôn muốn nhấn mạnh đến những đóng góp của riêng mình.

Và thế là cuộc trò chuyện bất tận bắt đầu. “Không tính đến sự tăng trưởng tự nhiên, hoạt động của tôi mang lại bao nhiêu lợi ích?” “Không tính tăng trưởng tự nhiên và tăng trưởng do hoạt động, thì việc sửa đổi sản phẩm của tôi mang lại bao nhiêu lợi ích?” “Không tính đến tăng trưởng tự nhiên, tăng trưởng do hoạt động và sửa đổi sản phẩm, thì lợi ích mà hoạt động viết quảng cáo của tôi mang lại là bao nhiêu?” ... Nếu phải so sánh hai mối nguy hiểm này thì việc can thiệp vào nguồn dữ liệu chắc chắn có hại hơn.

Nếu dữ liệu sai thì việc phân tích không có ý nghĩa gì. Việc can thiệp vào nguồn dữ liệu cho thấy hoạt động quản lý của công ty hỗn loạn và khả năng kiểm soát kênh yếu. Điều thú vị là tất cả các phòng ban chức năng tại trụ sở đều ghét loại điểm yếu này, vì vậy về vấn đề này, các phòng ban tại trụ sở thường đồng loạt chỉ trích thế giới bên ngoài. Tuy nhiên, khi nói đến việc đánh giá dữ liệu, mọi người thường làm một cách tùy tiện từ cấp trên.

Sẽ rất có hại cho việc đạt được sự phát triển thực sự dựa trên dữ liệu khi các nhân viên vận hành, sản phẩm và lập kế hoạch tại trụ sở chính tùy ý thay đổi các tiêu chuẩn vì lợi ích ích kỷ của riêng họ. Không dám đối mặt với sự thật và dùng dữ liệu để che đậy tình hình, hậu quả cuối cùng là bản thân các phòng ban kinh doanh ngày càng mất đi khả năng phán đoán, quay trở lại tình trạng ban đầu là ra quyết định một cách bốc đồng và bỏ đi mà không suy nghĩ thêm. Đây là điều chúng ta không muốn thấy.

Trạng thái lý tưởng là nguồn dữ liệu thực và phong phú, phán đoán dữ liệu đơn giản và rõ ràng, phân tích dữ liệu chuyên sâu và ba chiều. Tập trung nhiều hơn vào việc tìm ra nguyên nhân, đưa ra dự đoán và thử nghiệm tác động để bạn có thể đưa ra kết quả tốt hơn.