Bạn sẽ sử dụng phương pháp phân tích dữ liệu nào?

Giới thiệu: Nội dung chính của bài viết này là phổ biến các khái niệm và phương pháp phân tích dữ liệu. Tác giả sử dụng cách tiếp cận rõ ràng "cái gì, tại sao và như thế nào" để cung cấp cho người đọc từng phương pháp một, mang lại kiến ​​thức nâng cao ở trình độ cơ bản cho những người mới bắt đầu phân tích dữ liệu.

Một học sinh hỏi: Thầy Trần, mỗi lần phỏng vấn, em đều được hỏi "Thầy đã sử dụng phương pháp phân tích dữ liệu nào?" Kết quả là tôi cảm thấy mình không thể trả lời câu hỏi đó. Có những phương pháp nào để phân tích dữ liệu? Tại sao tôi cảm thấy mình không có phương pháp khi phân tích dữ liệu? Hôm nay tôi sẽ cho bạn câu trả lời có hệ thống.

Trước hết, không phải tất cả các phương pháp có chữ “phân tích” trong tên đều là phương pháp phân tích dữ liệu. Có nhiều phân tích XX là công cụ chuyên nghiệp về thống kê, nghiên cứu hoạt động và toán học, nhưng không trực tiếp chỉ ra câu trả lời cho các vấn đề kinh doanh. Khi mọi người hỏi: "Phương pháp phân tích là gì?", họ thường mong đợi được nghe một phương pháp có thể đưa ra kết luận.

Vì vậy, nếu bạn muốn trả lời tốt câu hỏi này, chúng ta cần quay lại câu hỏi: phân tích dữ liệu giải quyết những vấn đề kinh doanh nào?

Theo quan điểm sử dụng kinh doanh, phân tích dữ liệu có thể giải quyết năm loại vấn đề chính

1. Giá bao nhiêu (dữ liệu mô tả tình hình)
2. (Thiết lập tiêu chuẩn dữ liệu) là gì?
3. Tại sao (khám phá nguyên nhân của vấn đề)
4. Điều gì sẽ xảy ra (dự báo xu hướng kinh doanh)
5. Vậy thì sao? (Đánh giá toàn diện tình hình)

Có sự kết hợp cụ thể các phương pháp cho từng tình huống vấn đề (như được hiển thị bên dưới)

1. Làm thế nào để giải quyết vấn đề “bao nhiêu là đủ”

Để mô tả tình hình bằng dữ liệu, cần phải thiết lập một hệ thống chỉ báo dữ liệu hoàn chỉnh. Để thiết lập hệ thống chỉ tiêu dữ liệu, cần phải sắp xếp logic giữa các chỉ tiêu dữ liệu. Có hai logic cơ bản giữa các chỉ số dữ liệu: logic tuần tự và logic song song, tạo ra hai phương pháp phân tích cơ bản: phân tích phễu và phân tích chỉ số.

Khi ngày càng có nhiều doanh nghiệp được phân tách, mọi người nhận thấy rằng một số chỉ số dữ liệu nhất định có thể được sử dụng theo các kết hợp cố định, chẳng hạn như:

• Kịch bản hoạt động của người dùng: Chỉ báo AARRR, Chỉ báo RFM
• Kịch bản cửa hàng bán lẻ: chỉ số về con người, hàng hóa và địa điểm
• Các kịch bản quản lý hàng hóa: chỉ số mua, bán và hàng tồn kho

Chúng cũng thường được gọi là: mô hình phân tích. Nhưng lưu ý rằng đây chỉ là dữ liệu trình bày. Chỉ có dữ liệu + tiêu chí đánh giá thì chúng ta mới có thể đưa ra kết luận phân tích. Tiêu chí phân tích đánh giá là: đó là loại vấn đề nào.

2. Giải pháp cho vấn đề “Cái gì là”

Tiêu chí đánh giá có thể rất đơn giản, chẳng hạn như hướng dẫn về lãnh đạo, yêu cầu KPI và dữ liệu quá khứ cùng kỳ đều có thể được sử dụng làm tiêu chí. Chúng được gọi chung là: Tiêu chuẩn đơn giản. Nhưng nhiều khi, không có ràng buộc KPI rõ ràng nào để xác định liệu xu hướng của chỉ báo có bình thường hay không. Kể cả khi KPI đạt mục tiêu nhưng xu hướng lại kỳ lạ, các nhà lãnh đạo vẫn nghĩ rằng có vấn đề. Lúc này, bạn cần tìm những điểm tham chiếu khác. Do đó, một loạt các phương pháp phân tích đã được đưa ra.

Ví dụ:

• So sánh với các quy tắc kinh doanh để đánh giá xem nó tốt hay xấu: phương pháp vòng đời, phương pháp chu kỳ tự nhiên
• So sánh với các doanh nghiệp tương tự đang phát triển cùng thời điểm: Phân tích nhóm
• So sánh với các thực thể kinh doanh khác: Phân tích phân tầng

Bằng cách so sánh theo cách này, ngay cả khi chỉ có một chỉ số dữ liệu, chúng ta vẫn có thể đưa ra phán đoán tốt hay xấu. Nếu sự phát triển của doanh nghiệp đi ngược lại các quy tắc trước đây và tệ hơn đáng kể so với những cá nhân khác, thì có thể đánh giá là: không tốt.

Tất nhiên, bạn cũng có thể sử dụng hai chỉ số, chẳng hạn như phương pháp phân tích ma trận cổ điển, chia doanh nghiệp thành bốn loại thông qua giao điểm của hai chỉ số và giá trị trung bình của hai chỉ số, từ đó đưa ra phán đoán tốt hay xấu.

Ngoài ra, có thể sử dụng nhiều chỉ số hơn, chẳng hạn như chỉ số phân cụ Kmean thường dùng. Trước tiên, bạn có thể sử dụng nhiều chỉ số để phân nhóm các cá nhân kinh doanh, sau đó xem xét hiệu suất của từng loại.

Tất cả các phương pháp trên đều có thể phân biệt được doanh nghiệp tốt và xấu, từ đó hỗ trợ cho việc phán đoán ở một mức độ nào đó.

3. Giải pháp cho câu hỏi “Tại sao”

"Phân tích nguyên nhân gây ra vấn đề này..." là một yêu cầu phổ biến, đó là câu hỏi "tại sao". Có hai ý tưởng cơ bản để giải quyết vấn đề tại sao:

1. Suy luận kết quả

Những loại phổ biến như:

• Phương pháp phân tích cấu trúc: tìm điểm vấn đề thông qua phân tích cấu trúc
• Phương pháp phân tích thẻ: bằng cách gắn thẻ và so sánh các cá nhân, tìm ra nguyên nhân của vấn đề
• Phương pháp phân tích tương quan: bằng cách tính toán tương quan giữa các chỉ số, tìm ra các chỉ số có liên quan và sau đó hình thành các giả thuyết
• Phương pháp MECE: thảo luận nhiều giả định kinh doanh, kết hợp chúng thành logic phân tích theo nguyên tắc MECE và xác minh từng cái một

Việc suy ra kết quả có nghĩa là sau khi một vấn đề xảy ra, nhiều dữ liệu khác nhau sẽ được sử dụng để tìm ra sự khác biệt và thiết lập giả thuyết. Câu phát biểu kinh doanh “Tôi nghĩ điều này là do lý do XX” có thể được tóm tắt thành một giả thuyết có thể được xác minh bằng dữ liệu, do đó nó có phạm vi ứng dụng rất rộng. Tuy nhiên, suy luận về kết quả chỉ là bản tóm tắt đơn phương dựa trên kết quả, có thể bị thiên vị và cần phải xác minh bằng thực nghiệm.

2. Suy luận thực nghiệm

Các phương pháp này gần hơn với các thí nghiệm thống kê truyền thống và hầu hết chúng đều yêu cầu:

1. Tiến hành các thí nghiệm dữ liệu để xác minh các giả thuyết
2. Thiết lập một nhóm tham chiếu/nhóm thử nghiệm và các đặc điểm của nhóm tham chiếu/nhóm thử nghiệm là tương tự nhau
3. Phân biệt giữa các biến kiểm soát và biến môi trường, và tập trung vào việc đo lường tác động của các biến kiểm soát
4. Đầu tiên hãy đưa ra giả thuyết, sau đó xác minh giả thuyết thông qua các thí nghiệm/so sánh nhóm. Các phương pháp phổ biến bao gồm ABtest, DID, PSM, RDD, Uplift và các phương pháp khác.

Suy luận thực nghiệm có cơ sở thống kê, quá trình tính toán phức tạp và có vẻ mang tính định lượng hơn. Tuy nhiên, nó có yêu cầu rất cao về điều kiện thử nghiệm. Ví dụ, khó sử dụng trong các doanh nghiệp yêu cầu chương trình khuyến mãi toàn diện, các tình huống kinh doanh không thể kiểm soát được môi trường, chẳng hạn như sản phẩm và cửa hàng, và các lĩnh vực khó thu thập dữ liệu, chẳng hạn như hành vi của nhân viên bán hàng và truyền bá nội dung.

Trạng thái lý tưởng chắc chắn là sự kết hợp của cả hai, sự thật-giả thuyết-xác minh, một chu trình liên tục để tiến gần hơn đến sự thật. Nhưng thực tế có rất nhiều hạn chế. Do đó, chúng ta chỉ có thể tiếp cận vấn đề từ một góc độ và dần dần tiến gần hơn tới sự thật.

4. Giải pháp cho vấn đề “Nếu như”

Các vấn đề dự đoán là chủ đề mà mọi người đều quan tâm và cũng là nơi mà thống kê/thuật toán có khả năng phát huy tác dụng nhất. Điều duy nhất hạn chế việc sử dụng phương pháp này là lượng dữ liệu và liệu nhân viên kinh doanh có nên tham gia hay không.

Nếu nhân viên kinh doanh muốn tham gia vào quá trình dự báo, họ chỉ có thể sử dụng phương pháp giả thuyết kinh doanh hoặc phương pháp dự báo lăn. Các phương pháp này liệt kê tất cả các thông số ảnh hưởng đến kết quả, giúp nhân viên kinh doanh dễ dàng đưa ra quyết định dựa trên đánh giá của riêng mình và giúp họ hiểu rõ: mình cần phải làm bao nhiêu.

Nếu nhân viên kinh doanh không tham gia thì điều này phụ thuộc vào lượng dữ liệu. Nếu có ít dữ liệu, có thể sử dụng phương pháp dự đoán chuỗi thời gian. Nếu có nhiều dữ liệu và có dữ liệu về nguyên nhân ảnh hưởng đến kết quả, các thuật toán như mô hình hồi quy có thể được sử dụng để dự đoán.

5. Giải pháp cho vấn đề “Vậy thì sao”

Các vấn đề đánh giá và phân bổ toàn diện được gọi chung là các vấn đề "thì sao". Đây là bước cuối cùng trong quá trình ra quyết định, quyết định xem có nên hành động đối với doanh nghiệp hay không và hành động đó nên ở quy mô nào. Một số đánh giá đơn giản rất dễ thực hiện, chẳng hạn như nhân viên bán hàng ký hợp đồng sống còn và bị sa thải nếu không đạt được mục tiêu hiệu suất.

Nhưng trong hầu hết các trường hợp, việc đánh giá rất phức tạp và cần phải xem xét nhiều khía cạnh. Sự khác biệt lớn nhất ở đây nằm ở việc có nên xem xét ý kiến ​​chủ quan của người lãnh đạo hay không. Nếu muốn, hãy sử dụng phương pháp chấm điểm chủ quan một cách quyết đoán! Thỏa mãn mong muốn ghi điểm của người lãnh đạo là ưu tiên hàng đầu. Nếu không, hãy cân nhắc sử dụng thuật toán học máy có giám sát hoặc các phương pháp khách quan như phân tích nhân tố, DEA (tìm kiếm hiệu quả tương đối).

Còn về: phải làm bao nhiêu và ai sẽ làm. Đây là vấn đề phức tạp hơn. Nếu bạn muốn phân bổ tốt, trước tiên bạn phải hoàn tất các bước phân tích trước đó và hiểu đầy đủ về năng lực cơ bản của từng ngành kinh doanh trước khi có thể đưa ra phán đoán. Ở đây, phương pháp lập trình tuyến tính có thể được sử dụng làm hỗ trợ.

6. Tại sao tôi cảm thấy phương pháp này không được sử dụng?

Từ những điều trên, chúng ta có thể thấy rằng có nhiều phương pháp để phân tích dữ liệu. Nhưng tại sao nhiều sinh viên cảm thấy rằng họ chưa sử dụng phương pháp này? Bởi vì mỗi phương pháp đều có liên quan chặt chẽ đến tình hình kinh doanh, phong cách lãnh đạo và chất lượng dữ liệu.

Ví dụ, các thuật toán suy luận nhân quả chủ yếu dựa trên thử nghiệm nhóm, nhưng trong kinh doanh thực tế, nhiều phân tích nhân quả được thực hiện sau thực tế, mà không tạo cơ hội cho thử nghiệm thứ cấp.

Ví dụ, kế hoạch phân bổ của nhiều công ty chỉ được quyết định bởi những người lãnh đạo, những người có tiếng nói cuối cùng và không cho các nhà phân tích bất kỳ cơ hội nào để sử dụng thuật toán.

Ví dụ, khi nói đến dự báo, nhiều công ty không có đủ dữ liệu tích lũy và chỉ có một dữ liệu bán hàng, vì vậy, tốt nhất họ chỉ có thể sử dụng phương pháp chuỗi thời gian.

Khoảng cách giữa lý tưởng và thực tế này khiến nhiều sinh viên cảm thấy rất đau khổ. Một mặt, tôi không rõ cách sử dụng những phương pháp này, mặt khác, tôi không hiểu mình nên đáp ứng nhu cầu kinh doanh như thế nào. Phỏng vấn và làm việc đều rất khó khăn.

Tác giả: Thầy giáo thực tế Chen

Nguồn: Tài khoản công khai WeChat "Giáo viên thực tế Trần"