Phương pháp MVP phân tích dữ liệu là gì? Sử dụng thế nào?

Nếu bạn muốn đạt được kết quả trong công việc, việc thành thạo phương pháp MVP phân tích dữ liệu là bước cần thiết. Tác giả phân tích và giải thích chi tiết các phiên bản khác nhau cho chúng ta, chúng ta hãy cùng xem nhé!

Nhiều sinh viên có tham vọng đạt được kết quả trong công việc của mình. Ở đây chúng tôi đề xuất phương pháp phân tích dữ liệu MVP, có thể bảo vệ công việc của mọi người. Các em học sinh hãy ngồi yên và giữ vững, chúng ta sẽ bắt đầu chia sẻ.

1. MVP của phân tích dữ liệu là gì?

MVP (Sản phẩm khả thi tối thiểu) ban đầu là một phương pháp được áp dụng vào thiết kế sản phẩm. Nghĩa là trước khi chính thức ra mắt sản phẩm, phiên bản đơn giản chứa các chức năng cốt lõi sẽ được ra mắt trước để kiểm tra nhu cầu và phản hồi của người dùng, từ đó nhanh chóng xác định sản phẩm có đáp ứng được nhu cầu thị trường hay không và thực hiện điều chỉnh.

Phương pháp phân tích dữ liệu MVP là cung cấp kết quả dữ liệu ảo dựa trên yêu cầu dữ liệu và các tình huống sử dụng trước khi dữ liệu được tạo chính thức, nhằm xác minh tính hợp lệ của dữ liệu và phát hiện nhu cầu dữ liệu thực tế.

Phương pháp này rất hiệu quả trong lĩnh vực phân tích dữ liệu! Bởi vì nó có thể giải quyết vấn đề cốt lõi của phân tích dữ liệu: làm việc trong thời gian dài nhưng không đạt được kết quả gì. Có rất nhiều lý thuyết đằng sau việc phân tích dữ liệu, bao gồm "Thống kê", "Toán học", "Nghiên cứu hoạt động", "Lý thuyết trò chơi" và "Học máy", vì vậy, bạn rất dễ bị cuốn theo.

Các nhân viên dữ liệu rất phấn khích và đã tính toán đủ loại lý thuyết. Khi nói đến người dùng:

• "Tôi biết mà!"
• "Những gì anh làm có ích gì!"
• "Bạn đã làm điều đó như thế nào?"

Nhấp chuột ba lần. Dự án này chắc chắn sẽ thất bại.

Mục đích của phương pháp phân tích dữ liệu MVP là sắp xếp trước logic về cách dữ liệu hữu ích cho doanh nghiệp, để tránh thảm kịch nêu trên. Trên thực tế, có nhiều phân tích dữ liệu có vẻ ấn tượng nhưng thực chất lại vô dụng...

2. Phiên bản 1.0 MVP

Để đưa ra một ví dụ đơn giản, nhóm bán hàng quảng cáo nền tảng Internet đã đề xuất: "Chúng ta cần thiết lập chân dung người dùng cho nhân viên bán hàng, hiểu giới tính, độ tuổi, hành vi và tỷ lệ chuyển đổi của từng nhân viên bán hàng để cải thiện hiệu suất".

Bây giờ tôi nên làm gì?

Nếu bạn sử dụng phương pháp MVP, đừng vội tính toán số liệu hoặc liệt kê một loạt "chỉ số chân dung người dùng chuẩn". Thay vào đó, hãy lấy các yêu cầu ban đầu do phía doanh nghiệp đưa ra: "Giới tính, độ tuổi, hành vi, tỷ lệ chuyển đổi, để cải thiện hiệu suất" và đưa ra kết quả ảo trực tiếp, sau đó xác nhận: "Nếu tôi thực sự cung cấp những điều này, bạn có thực sự cải thiện hiệu suất không?" - Để anh ấy xác nhận.

‍‍‍‍‍

Ít nhất chỉ dựa vào câu này thôi thì những kết luận mà phân tích dữ liệu đưa ra đều hoàn toàn vô dụng. Nếu phiên bản MVP 1.0 không vượt qua được bài kiểm tra, bạn có thể từ bỏ yêu cầu này hoặc tiếp tục suy nghĩ về cách nắm bắt tốt hơn những điểm khó khăn của người dùng. Thao tác này sẽ đẩy dữ liệu lên phiên bản 2.0.

3. Phiên bản 2.0 MVP

Nhìn xa hơn, vấn đề với phiên bản 1.0 là không có mục tiêu rõ ràng. Có rất nhiều cái gọi là chỉ báo chân dung, nhưng tôi vẫn không biết phải làm gì với chúng. Nếu bạn tập trung vào mục tiêu, ví dụ: hãy tìm một nhân viên bán hàng có hiệu suất tốt. Điều này làm cho mọi việc rõ ràng hơn một bước.

Cần phải phân tích thêm ở đây, vì bản thân "tốt" và "xấu" cũng cần phải được phân tích.

• Những chỉ số nào được sử dụng để đo lường
• Liên tục hay đơn lẻ tốt hơn?
• Lựa chọn nên được thực hiện trong phạm vi nào?

Ở giai đoạn này, khi tạo MVP, bạn có thể trực tiếp đưa ra trước một số vấn đề khó khăn và dễ đoán trước, đồng thời suy nghĩ trước về các kế hoạch ứng phó với phía doanh nghiệp, thay vì phải chờ chạy nhiều dữ liệu và tự tính toán nhiều vòng trước khi thảo luận. Bạn thảo luận càng sớm thì càng tránh được lãng phí công sức.

Ví dụ, vấn đề thường gặp là chồng chéo nhiều chỉ số trong đánh giá: "tốt/xấu" (như thể hiện trong hình bên dưới).

Ví dụ, vấn đề về hiệu suất không ổn định (như hiển thị bên dưới):

Đối với những chỉ số không liên quan đến giai đoạn này, bạn có thể mạnh dạn trừ đi và vứt bỏ. Khi mục tiêu mới xuất hiện, hãy sắp xếp dữ liệu xung quanh mục tiêu đó. Tránh những hành vi bừa bãi như chỉ lấy một loạt số liệu trước rồi mới lo lắng về nó - các nhà phân tích dữ liệu không thể tan làm đúng giờ vì những vấn đề tầm thường này.

Sau khi sắp xếp những thứ này, chúng ta có phiên bản 2.0 của MVP. (Như hình dưới đây)

Có vẻ như phiên bản này rõ ràng hơn nhiều so với phiên bản 1.0 khi nhiều chỉ số không hợp lệ đã bị xóa và tập trung vào một mục tiêu rõ ràng. Xin lưu ý rằng không có dữ liệu nào được chạy tại thời điểm này, đây chỉ là mô phỏng dựa trên kinh nghiệm, nhưng nó có thể phơi bày dữ liệu "đã được biết đến từ lâu", lọc ra các chỉ số "thực sự vô dụng" và thảo luận về các điểm mơ hồ có thể có dưới dạng các trường hợp cụ thể, do đó tránh được nhiều vấn đề.

Nhưng xin lưu ý rằng đây không phải là MVP đủ tiêu chuẩn, vì việc bạn biết ai giỏi và ai dở có quan trọng không? Biết Lý Tư thật sự rất giỏi, ai cũng có thể trở thành Lý Tư sao? Hay là Lý Tư không thể sao chép được và tôi cần tìm thêm những người như Lý Tư? Không có câu trả lời cho những câu hỏi này. Do đó, vẫn chưa thể kết luận trực tiếp tại thời điểm này rằng dữ liệu này có thể cải thiện hiệu suất. Kiểm tra MVP không thành công, hãy tiếp tục!

4. Phiên bản 3.0 MVP

Chỉ nói ai giỏi và ai dở sẽ không cải thiện được hiệu suất. Hiệu suất được đạt được bởi tuyến đầu và những gì tuyến đầu cần là SOP và đạn dược, do đó dữ liệu cần được xử lý thêm, ví dụ:

1. Chỉ số dữ liệu của các điểm chuẩn tuyệt vời (số cuộc gọi? Phân bổ thời gian? Cơ hội theo dõi?)

2. Nhắm mục tiêu đến những khách hàng có điểm chuẩn tuyệt vời (liệu những khách hàng cụ thể có nhiều khả năng thành công hơn không?)

3. Kỹ năng bán hàng đạt chuẩn xuất sắc (sử dụng những từ ngữ nào? Sử dụng những tài liệu/hoạt động nào?)

Xin lưu ý rằng vấn đề này không chỉ còn là dữ liệu. Dữ liệu chỉ có thể được dán nhãn và liệt kê dưới dạng chỉ số. Tuy nhiên, cách diễn đạt, giọng điệu và thời gian cần phải do bộ phận đào tạo/kinh doanh cung cấp. Do đó, khi tạo MVP ở giai đoạn này, bạn có thể trực tiếp làm rõ với bộ phận kinh doanh liệu nhu cầu có thể được đáp ứng chỉ bằng cách xuất dữ liệu hay không. Nếu không thể, hãy yêu cầu các phòng ban khác hợp tác càng sớm càng tốt, thay vì chỉ vùi đầu vào dữ liệu.

5. Phiên bản 4.0 MVP

Có vẻ như phiên bản 3.0 đã khá ấn tượng rồi. Tuy nhiên, có một lỗi tiềm ẩn, đó là liệu người khác có thể học được điều đó hay không. Lưu ý rằng điều chưa biết này sẽ cản trở rất nhiều đến việc doanh nghiệp nhận ra kết quả phân tích dữ liệu - nếu kết quả không hiệu quả, liệu có phải do kết luận phân tích dữ liệu sai hay do quá trình thực hiện chưa được triển khai? Bạn phải sắp xếp rõ ràng việc này trước, nếu không bạn sẽ bị khiển trách ngay.

Do đó, cần phải thêm các bước thử nghiệm dựa trên phiên bản hiện tại để kiểm tra xem nó có hữu ích hay không.

Điều này, đến lượt nó, bao gồm:

1. Bạn nên chọn phạm vi thử nghiệm lớn đến mức nào?

2. Thời gian thử nghiệm kéo dài bao lâu?

3. Làm thế nào để loại trừ các yếu tố khác như ngày lễ và sự kiện

4. Tiêu chuẩn chứng nhận kết quả thử nghiệm

Khi bạn suy nghĩ kỹ những điều này, bạn sẽ có phiên bản 4.0.

Ở giai đoạn này, nhu cầu dữ liệu cuối cùng có thể được hướng tới kết quả mong muốn của doanh nghiệp là "cải thiện hiệu suất". Và kết quả cuối cùng được xác minh bằng cách phục hồi dữ liệu thử nghiệm. Ngay cả khi thử nghiệm không thành công, vẫn có kế hoạch dự phòng. Lúc này, bạn có thể tự tin tính toán và kết quả chắc chắn sẽ hữu ích.

6. Ứng dụng rộng rãi của thử nghiệm MVP

Lưu ý rằng thử nghiệm MVP tập trung chặt chẽ vào nhu cầu của người dùng. Lý do có nhiều phiên bản của ví dụ trên là vì người dùng có kỳ vọng cao và muốn thấy kết quả trực tiếp. Nếu kỳ vọng của người dùng thấp, việc thử nghiệm MVP có thể trở nên đơn giản.

Ví dụ:

• Yêu cầu của người dùng là: Hiện tại không có dữ liệu → Cung cấp dữ liệu sớm nhất có thể
• Nhu cầu của người dùng là: quá nhiều dữ liệu hiện tại → xóa các chỉ số vô dụng
• Nhu cầu của người dùng: dữ liệu mục tiêu quá lộn xộn → sắp xếp lại logic
• Nhu cầu của người dùng: Không chắc chắn vấn đề nằm ở đâu → Đưa ra các điểm vấn đề có thể định lượng được

Những vấn đề này có thể được giải quyết bằng cách mô phỏng dữ liệu trước và lập sơ đồ để xác nhận các yêu cầu.

Đối với trường hợp phức tạp hơn một chút, ví dụ, nếu nhu cầu của người dùng là dự đoán chính xác doanh số, có thể chỉ cần thực hiện hai hoặc ba bước để tinh chỉnh phạm vi và cải thiện tính hữu ích (như thể hiện trong hình bên dưới).

7. Tại sao chúng ta nên thúc đẩy phương pháp MVP?

Trong lĩnh vực phân tích dữ liệu, luôn có một trường phái bạch tuộc được nhiều người ưa chuộng. Bất kể nó có hữu ích hay không, bất kể nó có hợp lý hay không, chỉ cần đưa ra nhiều chỉ số như một con bạch tuộc (như hình dưới đây)

Cách tiếp cận này có vẻ hiệu quả, nhưng thực chất đây là nguyên nhân gốc rễ dẫn đến thất bại của dự án. Những người làm việc với dữ liệu thường lầm tưởng rằng công việc của họ chỉ là làm bài tập về nhà. Họ không quan tâm đến kết quả thực tế mà chỉ theo đuổi những mục tiêu lớn. Cuối cùng, họ kiệt sức mà vẫn không nhận được lời cảm ơn nào.

Ngược lại, chỉ bằng cách thực hiện những điều sau, chúng ta mới có thể tích lũy kinh nghiệm phân tích nhanh hơn và sử dụng dữ liệu tốt hơn.

• Nghiên cứu các hình thức cơ bản của dữ liệu kinh doanh
• Khám phá nhu cầu dữ liệu thực tế của nhiều doanh nghiệp
• Nhiều dữ liệu thử nghiệm hữu ích
• Loại bỏ các chỉ số vô dụng, trống rỗng và nổi bật

Tác giả: Thầy giáo thực tế Chen

Tài khoản công khai WeChat: Giáo viên thực tế Chen (Tài khoản công khai WeChat: gh_abf29df6ada8)