Khi phân tích dữ liệu, 99% mọi người không thể hiểu được bức tranh này

Khi phân tích dữ liệu, nhiều người chỉ phân tích dữ liệu và dừng lại ở đó mà không hiểu được ý nghĩa kinh doanh đằng sau dữ liệu. Vậy, làm thế nào chúng ta có thể hiểu được ý nghĩa sâu xa hơn thông qua dữ liệu? Về vấn đề này, bài viết này phân tích bảy khía cạnh, bao gồm các ví dụ về cách giải thích dữ liệu không chính xác và chìa khóa để làm rõ ý nghĩa kinh doanh trong quá trình giải thích. Nó được khuyến khích cho những người quan tâm đến phân tích dữ liệu.

Sinh viên thường phàn nàn rằng trong công ty, họ luôn được hỏi: Bạn đã thấy gì qua dữ liệu? Nhưng dữ liệu thực tế chỉ là một vài đường cong và tôi không biết cách diễn giải chúng. Không ai dạy tôi, và sau khi tôi viết được vài câu, tôi bị khinh thường: "Những gì anh nói đều là vô nghĩa, chúng tôi muốn có ý nghĩa sâu xa hơn." Phải làm gì? Hãy lấy ví dụ đơn giản nhất. Dưới đây là dữ liệu bán hàng của một công ty trong một tuần. Bạn nhìn thấy gì?

1. Ví dụ về việc giải thích dữ liệu không chính xác

1. Nếu quá cao, bạn sẽ được khen ngợi; nếu quá thấp, bạn sẽ bị mắng. Diễn giải dữ liệu cho biết: Lượng mưa rất cao từ thứ Hai đến thứ Sáu và thấp vào thứ Bảy và Chủ Nhật, vì vậy chúng ta cần lượng mưa này! Hãy làm đi! cao! ...Tất nhiên nếu bạn hiểu theo cách này, mọi người sẽ nói: Những gì bạn đang nói đều vô nghĩa! Những người kinh doanh không hề mù quáng. Họ không thấy rằng số lượng thấp hơn so với thứ Bảy và Chủ Nhật sao?
2. Giá giảm thì giá tăng. Vì giá đã giảm 48% vào thứ Bảy, chúng ta phải đẩy giá lên cao hơn nữa...điều này thật vô lý*2 và hoàn toàn giống với tuyên bố trước đó.
3. Các phép cộng, trừ, nhân và chia cứ tiếp tục. Giá trị trung bình là 95,2, giá trị tối đa là 125, giá trị tối thiểu là 35...điều này thật vô lý*3. Trung bình 95,2 Vậy thì sao? Giá trị lớn nhất là 125 thì sao? Đây chỉ là việc lặp lại các con số mà không truyền tải bất kỳ ý nghĩa nào.

2. Chìa khóa để giải thích là làm rõ ý nghĩa kinh doanh

Điểm chung của ba lỗi trên là: bàn luận về con số dựa trên con số và dừng lại ở dữ liệu. Không hiểu được ý nghĩa kinh doanh đằng sau dữ liệu. Trên thực tế, việc giải thích dữ liệu không hề khó khăn chút nào. Chúng tôi sử dụng nó hàng ngày trong mỗi tháng, ví dụ:

Điều tương tự cũng áp dụng cho các bộ phận kinh doanh đưa ra quyết định. Điều họ muốn nghe là: không hiệu quả về mặt chi phí, tôi không thích nó, tôi không đủ khả năng chi trả. Điều họ muốn nghe nhiều hơn là: "Ngân sách ăn trưa hôm nay chỉ có 50 nhân dân tệ/người, và bạn có thể ăn những món ăn ngon và no bụng tại nhà hàng Tứ Xuyên này." Điều họ muốn nghe chắc chắn không phải là "Có 28 nhà hàng trong phạm vi 2 km, giá trung bình là 63 nhân dân tệ, giá cao nhất là 725 nhân dân tệ, giá thấp nhất là 13 nhân dân tệ và giá đã tăng 10% so với tháng trước" - điều này thực sự không có ý nghĩa gì.

Để đưa ra phán đoán này, cần có ba điều kiện:

1. Hiểu được ý nghĩa thực tế của dữ liệu
2. Hiểu được sự khác biệt thực tế mà kích thước dữ liệu thể hiện
3. Làm rõ tiêu chí đánh giá

Ví dụ, chi phí trung bình cho một người vào một nhà hàng trên đường Dianping là 185 nhân dân tệ. Đây không phải là một con số riêng lẻ mà là chi phí để lấp đầy dạ dày, đó mới là ý nghĩa thực sự của số tiền bình quân đầu người. Nếu chi phí thấp thì có thể chấp nhận được; nếu cao thì không đủ khả năng chi trả. Đây là sự khác biệt thực sự về kích thước dữ liệu. Ví dụ, ngân sách thực phẩm hàng tháng của tôi chỉ là 3.000 nhân dân tệ, nghĩa là chỉ 100 nhân dân tệ một ngày, vì vậy tôi có một tiêu chuẩn. Bữa ăn này tốn 185 tệ, và ngày mai tôi sẽ phải ăn đất. Điều này dẫn đến kết luận: quá tốn kém, chúng ta phải chuyển đến nơi khác.

Điều tương tự cũng áp dụng cho việc giải thích dữ liệu doanh nghiệp. Chúng ta không chỉ có thể thấy dữ liệu mà còn thấy cả hoạt động kinh doanh. Ba điểm giống nhau:

1. Ý nghĩa kinh doanh: Dữ liệu phản ánh hoạt động kinh doanh nào?
2. Xu hướng hiệu suất: diễn giải xu hướng phát triển kinh doanh thông qua biểu mẫu dữ liệu
3. Tiêu chuẩn đánh giá: điều gì tốt và điều gì xấu

Chúng ta hãy cùng xem xét từng cái một bên dưới.

3. Bắt đầu bằng việc hiểu những tác động kinh doanh

Quay trở lại ví dụ ban đầu, chỉ số "hiệu suất bán hàng" tự nó có nhiều ý nghĩa.

• Nghĩa trực tiếp: Nỗ lực của lực lượng bán hàng
• Hiệu suất bán hàng + chi phí: lợi nhuận của doanh nghiệp
• Hiệu suất bán hàng + sản ​​phẩm: Sản phẩm phổ biến như thế nào
• Hiệu suất bán hàng + phân khúc người dùng: nhu cầu của người dùng
• Hiệu suất bán hàng + hàng tồn kho: chất lượng mua sản phẩm, bán hàng và quản lý hàng tồn kho

Nhưng lưu ý: không có tiêu chuẩn nào ở đây nên không thể đánh giá được nó là tốt hay xấu. Đây chính là lý do tại sao việc trực tiếp kết luận rằng chúng ta nên cải thiện hiệu suất khi hiệu suất còn thấp lại là một hành vi rất sai lầm.

Hiệu suất bán hàng phản ánh trực tiếp nỗ lực của đội ngũ bán hàng. Nếu muốn biết giá trị này là tốt hay xấu, chúng ta có thể hỏi trực tiếp "Đội ngũ bán hàng đã đạt được KPI nào?"; chúng ta cũng có thể đánh giá từ xu hướng của đường cong hiệu suất. Điều này đòi hỏi bước thứ hai: quan sát xu hướng hiệu suất.

4. Quan sát xu hướng hiệu suất

Một câu hỏi: "Loại sản phẩm nào sẽ bán chạy như thế này?" Vì có bảy ngày dữ liệu nên nó có thể biểu thị ba xu hướng:

1. Những thay đổi theo chu kỳ tự nhiên

Bảy ngày tượng trưng cho một tuần. Từ thứ Hai đến thứ Sáu là ngày làm việc, còn thứ Bảy và Chủ Nhật là ngày nghỉ. Vì vậy, đây là sản phẩm bán chạy hơn vào những ngày làm việc và không bán được vào những ngày nghỉ. Vâng, bạn sẽ nghĩ rằng đây có thể là một giao dịch B2B. Chỉ có nhiều hoạt động kinh doanh khi mọi người đi làm vào các ngày trong tuần và nghỉ ngơi vào Chủ Nhật. Hoặc có thể là một doanh nghiệp phái sinh theo hình thức B2B, chẳng hạn như nhà hàng ở khu trung tâm thương mại.

2. Những thay đổi trong vòng đời

Có thể một sản phẩm chủ lực đã đến cuối vòng đời và đang bị rút khỏi thị trường, trong khi một sản phẩm mới sắp được tung ra, nên có sự thay đổi tạm thời. Lưu ý rằng nhìn chung, khi xem dữ liệu vòng đời, người ta nên xem biểu đồ T+N ngày kể từ khi bắt đầu vòng đời, thay vì xem số ngày tự nhiên.

3. Những thay đổi đột ngột

Có thể đã xảy ra sự cố vào thứ Bảy và hệ thống giao dịch bị ngừng hoạt động, có thể chương trình khuyến mãi đã kết thúc vào thứ Bảy và Chủ Nhật hoặc có thể thời tiết xấu vào thứ Bảy và Chủ Nhật.

Bằng cách đánh giá xu hướng, các tiêu chuẩn sơ bộ có thể được thiết lập. Nếu đó là sự thay đổi theo chu kỳ, thì nhiều khả năng đó là sự biến động bình thường và chúng ta tạm thời đánh giá là "bình thường". Nếu là sự giảm đột ngột thì rất có thể đây là biến động bất thường và xấu, và chúng ta có thể sơ bộ đánh giá đây là một "vấn đề". Với tiêu chuẩn này, chúng ta có thể đưa ra phán đoán, nhưng cả ba giả định đều khả thi và cần được xác minh thêm.

5. Liệt kê các giả thuyết để xác minh

Nếu bạn muốn biết suy nghĩ của mình có đúng hay không, bạn phải xác minh giả thuyết. Có hai cách để xác minh giả định: Đầu tiên, bạn có thể liên lạc với bộ phận kinh doanh để hiểu rõ tình hình thực tế. Thứ hai, bạn có thể tham khảo dữ liệu trong quá khứ để xác minh phán đoán của mình và ngược lại xác minh xem bộ phận kinh doanh có nói dối hay không.

Xác thực dữ liệu có thể rất phức tạp nhưng cũng có thể rất đơn giản. Không cần logic phức tạp, chỉ cần một đường cong là đủ. Như hình minh họa bên dưới.

Chỉ cần kéo dài thời gian, chúng ta cũng có thể lý giải lý do thay đổi dựa trên xu hướng hiệu suất và hiệu quả kinh doanh. Nếu luôn có những biến động theo chu kỳ trong quá khứ, thì mô hình chu kỳ có thể được nhìn thấy trong một khoảng thời gian dài hơn.

Trong hoạt động kinh doanh thực tế, ba tình huống trên cũng thường xảy ra, nhưng hình thức phức tạp hơn và thường là sự kết hợp của cả ba. Ví dụ, bán lẻ B2C và bán hàng B2B là trái ngược nhau:

1. Tính chu kỳ tự nhiên: cao từ thứ sáu đến chủ nhật, thấp vào các ngày trong tuần khác;
2. Vòng đời: Có một mô hình theo mùa từ khi ra mắt đến khi kết thúc vòng đời của sản phẩm mới
3. Trường hợp khẩn cấp: Bán hàng lớn (tăng mạnh) Thời tiết xấu (giảm mạnh)

Khi xem dữ liệu, nhãn thường được thêm vào đường cong hiệu suất, chẳng hạn như ngày nào đó có phải là ngày lễ không, vòng đời của một sản phẩm chính đã kết thúc chưa hoặc có trường hợp khẩn cấp nào không. Theo cách này, có thể phân biệt được các đường cong đều đặn với các đường cong có vẻ không đều đặn.

Đây là lý do tại sao nhiều doanh nhân giàu kinh nghiệm có thể nhanh chóng đánh giá tình hình ngay cả khi không cần phân tích dữ liệu chuyên sâu. Bởi vì họ biết rất rõ những gì đang diễn ra trong doanh nghiệp và hình dạng của đường cong hiệu suất trong quá khứ. Việc xem xét xu hướng dựa trên hiệu suất kinh doanh hữu ích hơn nhiều so với việc tính toán một cách mù quáng theo năm, theo tháng, trung bình hoặc trung vị.

6. Xem xét chi tiết

Sau khi hoàn thành bước trước, tôi chỉ giúp mọi người hiểu ý nghĩa của dữ liệu, nhưng không trả lời bất kỳ câu hỏi nào. Nếu bạn dừng lại ở bước trước, bạn sẽ trở thành người luôn đồng tình với doanh nghiệp: "Hiệu suất giảm là do mưa lớn", "Đây là biến động bình thường, chắc chắn sẽ giảm vào cuối tuần"... Nếu bạn chỉ hiểu theo cách này, rất có thể bạn sẽ nhận được câu trả lời: "Tôi đã biết từ lâu rồi".

Trên thực tế, mọi người thường chú ý đến các bệnh cấp tính đột ngột mà lại bỏ qua việc quan sát các bệnh mãn tính. Ví dụ, hình sau đây:

Nếu chỉ xem dữ liệu hàng ngày, bạn sẽ thấy không có nhiều biến động mỗi ngày và chỉ có thể cảm thấy đầu tháng có vẻ cao hơn một chút so với cuối tháng. Nhưng nếu bạn xem xét dữ liệu hàng tuần trong một khoảng thời gian dài hơn, bạn sẽ thấy có vấn đề. Tại sao chúng ta không phấn đấu đạt hiệu suất tốt trong tuần cuối cùng của tháng? Hiệu suất tháng trước tốt + không có sự tăng tốc vào cuối tháng + khởi đầu tháng này đặc biệt tốt. Đường cong này có xu hướng không đều. Rất có thể đây là hành vi “che giấu hiệu suất” trong bán hàng B2B.

Lúc này, những người làm phân tích dữ liệu cũng có thể nói với doanh nghiệp tuyến đầu: Tôi đã biết điều này từ lâu rồi. Bạn thậm chí có thể tính ra được doanh số ẩn của từng người dựa trên số lượng đơn hàng họ đặt vào đầu tháng tiếp theo.

Đây cũng chính là lý do tại sao trong hoạt động kinh doanh thực tế, chúng ta không chỉ nhìn vào một con số duy nhất mà phải xây dựng hệ thống chỉ tiêu dữ liệu và lập báo cáo hàng ngày, hàng tuần và hàng tháng. Báo cáo hàng ngày được sử dụng để so sánh các hoạt động kinh doanh và ứng phó với các vấn đề bất ngờ, trong khi báo cáo hàng tuần và hàng tháng được sử dụng để theo dõi xu hướng và xác định các vấn đề sâu hơn. Những vấn đề sâu hơn sẽ được giải quyết thông qua phân tích đặc biệt. Điều này sẽ hình thành nên hệ thống phân tích dữ liệu và các hoạt động có hệ thống sẽ có hiệu quả.

Tất nhiên, kịch bản phân tích thực tế sẽ phức tạp hơn. Có thể sau khi giải thích dữ liệu, chúng ta đi đến kết luận rằng "doanh số đang che giấu đơn hàng và hiệu suất thực tế tốt hơn những gì dữ liệu phản ánh". Tuy nhiên, liệu họ có che giấu lệnh hay không và con số thực tế là bao nhiêu vẫn cần phải được xác định bằng cách thành lập một dự án đặc biệt và tiến hành phân tích chuyên sâu. Nhưng trong mọi trường hợp, chúng ta đã đạt được nhiều tiến bộ so với việc chỉ trả lời: "Hãy nhắm tới mục tiêu cao hơn!" và chúng ta cũng có thể giành được sự tôn trọng của doanh nghiệp.

7. Giải thích dữ liệu là một kỹ năng khó

Một số sinh viên có thể nói: Vì rất khó để các nhà phân tích dữ liệu tự đoán, tại sao không truyền đạt trực tiếp nhu cầu kinh doanh? Đúng vậy, về mặt lý thuyết, trạng thái tốt nhất là có sự giao tiếp thường xuyên giữa doanh nghiệp và dữ liệu, trong đó doanh nghiệp nêu rõ nhu cầu của mình và dữ liệu cung cấp phản hồi về kết luận của mình.

Tuy nhiên, ở hầu hết các công ty, trạng thái này không tồn tại. Ở hầu hết các công ty, mọi người đều bận rộn với công việc riêng của mình. Người quản lý dữ liệu bận rộn thu thập dữ liệu trên bảng và tạo ra các con số để xử lý nhiều báo cáo hàng ngày, trong khi người quản lý doanh nghiệp bận rộn làm việc và đấu tranh. Có những khoảng cách và rào cản sâu sắc giữa các phòng ban và hầu như không có sự giao tiếp, đặc biệt là ở các công ty lớn.

Ngoài ra, nhiều người còn hiểu mơ hồ về bản chất của phân tích dữ liệu và vẫn có ấn tượng rằng "một đạo sĩ có ngoại hình như tiên tử đếm ngón tay và thốt ra những lời lẽ gây sốc và không theo khuôn mẫu". Những tác động kết hợp này dẫn đến câu hỏi ở đầu bài viết. Do đó, các nhà phân tích dữ liệu không thể chỉ trông chờ doanh nghiệp giải quyết mọi vấn đề và chuyển cho họ. Họ vẫn cần có khả năng diễn giải chúng một cách chủ động.

Tác giả: Thầy giáo thực tế Chen

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