Minh Nguyệt
Intern Writer
Chắc hẳn nhiều bạn đã từng nghĩ rằng có nhiều dữ liệu hơn, hay có những bảng điều khiển thông minh hơn sẽ tự động dẫn đến quyết định tốt hơn. Tuy nhiên, sau nhiều năm làm việc trong lĩnh vực phân tích sản phẩm tại các công ty công nghệ hàng đầu và các công ty fintech, mình đã nhận ra rằng mối liên hệ giữa dữ liệu và quyết định không phải là điều tự nhiên. Đó là một yếu tố cần phải được thiết kế một cách cẩn thận. Ngay cả trong những môi trường nhiều dữ liệu, mình đã chứng kiến những đội ngũ tài năng đưa ra những quyết định không đúng đắn - không phải vì dữ liệu sai, mà vì cách diễn giải thiếu đi bối cảnh, công cụ không đủ khả năng hành động, hoặc sự phán đoán không đúng hướng. Nếu bạn là một nhà phân tích sản phẩm hay chuyên gia dữ liệu, thách thức thực sự ở đây không phải là tạo ra những cái nhìn sâu sắc, mà là giúp người khác hành động dựa trên chúng.
Mình đã học được rằng, việc dự đoán chỉ hữu ích khi nó được định hình đúng cách. Phân tích dự đoán là một công cụ mạnh mẽ, nhưng chỉ có giá trị khi nó tập trung vào những câu hỏi quan trọng. Khi mình làm việc tại một công ty fintech chuyển tiền, nhóm của mình đã xây dựng các mô hình dự đoán để ước lượng khối lượng chuyển tiền xuyên biên giới. Chúng mình đã sử dụng lịch sử giao dịch, mùa vụ, chiến dịch marketing, và thậm chí sự biến động của tiền tệ để cải thiện độ chính xác. Các phép toán hoạt động hiệu quả, nhưng điều quan trọng hơn là dự đoán đó đã được sử dụng như thế nào. Thay vì xem dự đoán như một báo cáo tĩnh, chúng mình đã tích hợp nó vào các cuộc thảo luận về kế hoạch - chẳng hạn như quyết định có nên tăng cường tuyển dụng trong bộ phận hỗ trợ khách hàng hay điều chỉnh chi tiêu marketing tại một khu vực nhất định. Chúng mình cũng đã bao gồm các khoảng tin cậy rõ ràng để cho các bên liên quan có thể hiểu được mức độ không chắc chắn.
Một điều quan trọng mình rút ra là: Một mô hình tốt không phải là mục tiêu - mà là quyết định kinh doanh tốt hơn mới là điều quan trọng. Phân tích dự đoán cần phải được xây dựng với các quyết định, không phải chỉ là những bảng điều khiển.
Còn về bối cảnh, đây chính là lớp thiếu sót trong hầu hết các bảng điều khiển mà mình đã thấy. Có quá nhiều bảng điều khiển tuy được thiết kế bắt mắt nhưng lại vô dụng thực tiễn. Tại một công ty công nghệ lớn, một trong những bảng điều khiển đã báo cáo một sự sụt giảm mạnh trong một chỉ số quan trọng. Đã có rất nhiều lo lắng xảy ra. Nhưng sau khi điều tra, chúng mình nhận ra rằng điều này trùng với một thử nghiệm A/B đang giới thiệu một quy trình đăng ký mới. Thử nghiệm không thất bại - mà là bảng điều khiển đã không tính đến bối cảnh thí nghiệm. Đây không phải là vấn đề của dữ liệu, mà là vấn đề trong thiết kế. Quá nhiều bảng điều khiển được tối ưu hóa cho việc truy cập, không phải cho sự hiểu biết.
Một điều cần ghi nhớ là dữ liệu không phải là một nguồn chân lý tuyệt đối. Mọi dữ liệu đều được định hình bởi những lựa chọn - những gì chúng ta đo lường, những gì chúng ta bỏ qua, và cách chúng ta định nghĩa thành công. Ví dụ, tại công ty fintech mà mình làm việc, chúng mình đã từng ăn mừng một sự gia tăng trong việc áp dụng tính năng. Nhưng khi phân tích dữ liệu theo phân khúc người dùng, chúng mình phát hiện rằng sự tăng này chủ yếu đến từ những người dùng đã rời bỏ ngay sau đó. Chỉ số có vẻ tốt cho đến khi chúng mình thêm những yếu tố bổ sung vào bức tranh. Thực tế, chúng mình không gặp vấn đề với dữ liệu - mà là với cách thức định hình thông tin.
Do đó, là những nhà phân tích, nhiệm vụ của chúng ta là đặt câu hỏi: Thực sự chỉ số này có ý nghĩa gì? Điều gì đang bị thiếu sót trong bức tranh? Dữ liệu không thay thế phán đoán - mà làm sắc nét hơn nó. Các nhà phân tích cần phải tạo ra những cuộc thảo luận tốt hơn, không chỉ đơn thuần là tạo ra biểu đồ.
Cuối cùng, hãy trở thành một người hỗ trợ chiến lược, không chỉ đơn thuần là cung cấp dữ liệu. Những nhà phân tích có ảnh hưởng mà mình đã làm việc cùng - và luôn cố gắng noi theo - không chỉ xuất sắc về mặt kỹ thuật. Họ là những người suy nghĩ rõ ràng, có thể dự đoán nhu cầu của doanh nghiệp và thiết kế công việc của họ với quyết định trong tâm trí. Dù bạn đang xây dựng một bảng điều khiển, dự đoán doanh số cho quý tiếp theo, hay giải thích một sự gia tăng trong tỷ lệ rời bỏ, hãy tự hỏi bản thân: Nếu không, đã đến lúc nhìn xa hơn. Dữ liệu là đầu vào. Chất lượng quyết định là đầu ra. Tất cả những gì nằm giữa chính là nơi mà các nhà phân tích có thể tạo ra ảnh hưởng lớn nhất. (datasciencecentral)
Mình đã học được rằng, việc dự đoán chỉ hữu ích khi nó được định hình đúng cách. Phân tích dự đoán là một công cụ mạnh mẽ, nhưng chỉ có giá trị khi nó tập trung vào những câu hỏi quan trọng. Khi mình làm việc tại một công ty fintech chuyển tiền, nhóm của mình đã xây dựng các mô hình dự đoán để ước lượng khối lượng chuyển tiền xuyên biên giới. Chúng mình đã sử dụng lịch sử giao dịch, mùa vụ, chiến dịch marketing, và thậm chí sự biến động của tiền tệ để cải thiện độ chính xác. Các phép toán hoạt động hiệu quả, nhưng điều quan trọng hơn là dự đoán đó đã được sử dụng như thế nào. Thay vì xem dự đoán như một báo cáo tĩnh, chúng mình đã tích hợp nó vào các cuộc thảo luận về kế hoạch - chẳng hạn như quyết định có nên tăng cường tuyển dụng trong bộ phận hỗ trợ khách hàng hay điều chỉnh chi tiêu marketing tại một khu vực nhất định. Chúng mình cũng đã bao gồm các khoảng tin cậy rõ ràng để cho các bên liên quan có thể hiểu được mức độ không chắc chắn.
Một điều quan trọng mình rút ra là: Một mô hình tốt không phải là mục tiêu - mà là quyết định kinh doanh tốt hơn mới là điều quan trọng. Phân tích dự đoán cần phải được xây dựng với các quyết định, không phải chỉ là những bảng điều khiển.
Còn về bối cảnh, đây chính là lớp thiếu sót trong hầu hết các bảng điều khiển mà mình đã thấy. Có quá nhiều bảng điều khiển tuy được thiết kế bắt mắt nhưng lại vô dụng thực tiễn. Tại một công ty công nghệ lớn, một trong những bảng điều khiển đã báo cáo một sự sụt giảm mạnh trong một chỉ số quan trọng. Đã có rất nhiều lo lắng xảy ra. Nhưng sau khi điều tra, chúng mình nhận ra rằng điều này trùng với một thử nghiệm A/B đang giới thiệu một quy trình đăng ký mới. Thử nghiệm không thất bại - mà là bảng điều khiển đã không tính đến bối cảnh thí nghiệm. Đây không phải là vấn đề của dữ liệu, mà là vấn đề trong thiết kế. Quá nhiều bảng điều khiển được tối ưu hóa cho việc truy cập, không phải cho sự hiểu biết.
Một điều cần ghi nhớ là dữ liệu không phải là một nguồn chân lý tuyệt đối. Mọi dữ liệu đều được định hình bởi những lựa chọn - những gì chúng ta đo lường, những gì chúng ta bỏ qua, và cách chúng ta định nghĩa thành công. Ví dụ, tại công ty fintech mà mình làm việc, chúng mình đã từng ăn mừng một sự gia tăng trong việc áp dụng tính năng. Nhưng khi phân tích dữ liệu theo phân khúc người dùng, chúng mình phát hiện rằng sự tăng này chủ yếu đến từ những người dùng đã rời bỏ ngay sau đó. Chỉ số có vẻ tốt cho đến khi chúng mình thêm những yếu tố bổ sung vào bức tranh. Thực tế, chúng mình không gặp vấn đề với dữ liệu - mà là với cách thức định hình thông tin.
Do đó, là những nhà phân tích, nhiệm vụ của chúng ta là đặt câu hỏi: Thực sự chỉ số này có ý nghĩa gì? Điều gì đang bị thiếu sót trong bức tranh? Dữ liệu không thay thế phán đoán - mà làm sắc nét hơn nó. Các nhà phân tích cần phải tạo ra những cuộc thảo luận tốt hơn, không chỉ đơn thuần là tạo ra biểu đồ.
Cuối cùng, hãy trở thành một người hỗ trợ chiến lược, không chỉ đơn thuần là cung cấp dữ liệu. Những nhà phân tích có ảnh hưởng mà mình đã làm việc cùng - và luôn cố gắng noi theo - không chỉ xuất sắc về mặt kỹ thuật. Họ là những người suy nghĩ rõ ràng, có thể dự đoán nhu cầu của doanh nghiệp và thiết kế công việc của họ với quyết định trong tâm trí. Dù bạn đang xây dựng một bảng điều khiển, dự đoán doanh số cho quý tiếp theo, hay giải thích một sự gia tăng trong tỷ lệ rời bỏ, hãy tự hỏi bản thân: Nếu không, đã đến lúc nhìn xa hơn. Dữ liệu là đầu vào. Chất lượng quyết định là đầu ra. Tất cả những gì nằm giữa chính là nơi mà các nhà phân tích có thể tạo ra ảnh hưởng lớn nhất. (datasciencecentral)
