Mọi con số vận hành đều tự dao động quanh một mức bình thường, kể cả khi không có gì thay đổi: doanh thu ngày, số khách, số đơn hoàn, số lỗi mỗi ca. Hồi quy về trung bình là hệ quả của dao động đó: một kỳ cao bất thường thường được theo sau bởi kỳ thấp hơn, một kỳ thấp bất thường thường được theo sau bởi kỳ cao hơn, không cần bất kỳ nguyên nhân nào.
Hiểu điều này giúp tránh hai sai lầm tốn kém: đi tìm nguyên nhân cho những biến động vốn ngẫu nhiên, và tin rằng biện pháp mình vừa áp dụng đã có tác dụng trong khi số liệu chỉ đang trở về mức cũ. Bài này giải thích cơ chế bằng ví dụ văn phòng và cửa hàng, cách phân biệt tín hiệu với nhiễu, và cách dặn trợ lý AI đừng giải thích mọi gợn sóng.
Vì sao số liệu dao động khi không có gì thay đổi
Doanh thu của một quán ăn trong một ngày là kết quả của hàng trăm quyết định nhỏ độc lập: bao nhiêu nhóm khách tình cờ đi ngang, ai gọi thêm món, ai đổi ý ăn chỗ khác. Ngay cả khi thực đơn, giá, nhân viên và thời tiết giống hệt, hai thứ Ba liên tiếp sẽ không cho ra cùng một con số. Phần chênh lệch đó là dao động ngẫu nhiên, hay còn gọi là nhiễu.
Mức dao động phụ thuộc vào quy mô. Một cửa hàng có vài chục đơn mỗi ngày sẽ dao động mạnh theo phần trăm; một chuỗi có hàng nghìn đơn mỗi ngày dao động ít hơn theo phần trăm vì các yếu tố ngẫu nhiên bù trừ cho nhau. Đây là lý do một tiệm nhỏ thấy "tuần này giảm 15%" mà chẳng có gì đáng lo, trong khi với một chuỗi lớn, giảm 15% gần như chắc chắn là tín hiệu.
Bước đầu tiên để đọc số cho đúng là biết mức dao động bình thường của chính mình. Lấy số liệu của tám đến mười hai tuần ổn định gần đây, xem tuần cao nhất và thấp nhất cách nhau bao nhiêu. Khoảng đó là "vùng bình thường"; một tuần mới nằm trong vùng đó không đòi hỏi lời giải thích nào.
Hồi quy về trung bình: cơ chế đằng sau nhiều kết luận sai
Một kỳ có kết quả rất cao thường là kết hợp của năng lực thật và may mắn. Kỳ tiếp theo, năng lực vẫn còn, nhưng may mắn hiếm khi lặp lại đúng mức đó. Vì vậy kết quả có xu hướng quay về gần mức trung bình. Hiện tượng này được nhà thống kê Francis Galton mô tả từ thế kỷ 19 khi nghiên cứu chiều cao cha mẹ và con cái, và từ đó được nhận ra trong rất nhiều lĩnh vực.
Ví dụ giả định trong văn phòng: phòng kinh doanh thưởng cho nhân viên có doanh số cao nhất tháng 6. Tháng 7, người đó tụt xuống mức trung bình của phòng. Quản lý kết luận "được thưởng xong là chủ quan". Ngược lại, nhân viên thấp nhất tháng 6 bị nhắc nhở, tháng 7 tăng lên, và quản lý kết luận "nhắc nhở có tác dụng". Cả hai kết luận có thể hoàn toàn sai; phần lớn sự thay đổi có thể chỉ là hồi quy về trung bình.
Tâm lý học hành vi đã ghi nhận rằng con người rất dễ bỏ qua hiện tượng này, vì ta có xu hướng tìm câu chuyện nhân quả cho mọi thay đổi. Cái bẫy càng nguy hiểm khi ta can thiệp đúng vào lúc số liệu xấu nhất: gần như mọi can thiệp lúc đó đều có vẻ hiệu quả, vì số liệu đằng nào cũng có xu hướng quay lên.
Những tình huống văn phòng hay dính hồi quy về trung bình
Chọn chi nhánh kém nhất để cải tổ. Chi nhánh có tháng tệ nhất được cải tổ, tháng sau khá lên. Một phần sự khá lên đó có thể xảy ra dù không cải tổ gì.
Thưởng phạt theo một kỳ duy nhất. Người đứng đầu một tháng thường tụt hạng tháng sau, người đứng cuối thường khá lên, khiến thưởng trông như vô ích và phạt trông như hiệu quả.
Mua công cụ mới sau một tháng nhiều lỗi. Tháng nhiều lỗi bất thường được theo sau bởi tháng ít lỗi hơn, và công cụ mới được ghi công.
Đổi nhà cung cấp sau một lô hàng tệ. Lô tiếp theo của nhà cung cấp mới tốt hơn, nhưng lô tiếp theo của nhà cung cấp cũ có lẽ cũng đã tốt hơn.
Đánh giá khuyến mãi bằng tuần ngay sau tuần ế. Chạy khuyến mãi khi số liệu thấp bất thường rồi so với tuần ế đó sẽ thổi phồng tác dụng của khuyến mãi.
Tín hiệu hay nhiễu: bảng phân biệt nhanh
Không có cách nào phân biệt hoàn hảo, nhưng vài dấu hiệu dưới đây giúp bạn quyết định có nên đi tìm nguyên nhân hay không.
| Dấu hiệu | Nghiêng về nhiễu | Nghiêng về tín hiệu |
|---|---|---|
| Độ lớn so với vùng bình thường | Nằm trong khoảng cao thấp của các tuần ổn định | Vượt hẳn ra ngoài khoảng đó |
| Kéo dài | Một kỳ rồi quay lại | Nhiều kỳ liên tiếp cùng một phía |
| Lan rộng | Chỉ một chi nhánh, một sản phẩm | Nhiều chi nhánh, nhiều sản phẩm cùng chiều |
| Có sự kiện đi kèm | Không có thay đổi gì đã biết | Trùng với thay đổi giá, nhân sự, đối thủ, quy trình |
| Quy mô số liệu | Số đếm nhỏ, vài chục đơn | Số đếm lớn, hàng nghìn đơn |
Những người làm quản lý chất lượng dùng biểu đồ kiểm soát để chính thức hoá ý tưởng này: vẽ số liệu theo thời gian cùng với hai đường giới hạn trên và dưới tính từ dao động lịch sử, chỉ điều tra khi điểm vượt giới hạn hoặc có chuỗi điểm bất thường. Bạn không cần dựng biểu đồ đó để áp dụng tinh thần của nó: chỉ hỏi "vì sao" khi số liệu thoát khỏi vùng bình thường.
AI rất giỏi giải thích những thứ không cần giải thích
Đưa cho một trợ lý AI bảng doanh thu tuần và hỏi "vì sao tuần này giảm", bạn sẽ nhận được một danh sách nguyên nhân nghe hợp lý: thời tiết, tâm lý cuối tháng, đối thủ khuyến mãi, chất lượng phục vụ. Mô hình được huấn luyện để trả lời câu hỏi, và câu hỏi "vì sao" ngầm giả định là có nguyên nhân. Rất hiếm khi nó trả lời "mức giảm này nằm trong dao động bình thường, không cần giải thích".
Hậu quả là báo cáo tuần nào cũng có một câu chuyện mới, và đội ngũ mất thời gian chạy theo những nguyên nhân không có thật. Tệ hơn, khi số liệu tuần sau tự hồi phục, biện pháp vừa làm được ghi công, và tổ chức học sai bài học.
Cách dặn hiệu quả là đặt câu hỏi nhiễu lên trước câu hỏi nguyên nhân: "Dựa trên mười hai tuần gần nhất, mức thay đổi tuần này có nằm ngoài khoảng dao động thông thường không? Nếu không, chỉ ghi là trong vùng bình thường và dừng lại. Nếu có, mới chia nhỏ để tìm phần nào gây ra thay đổi." Chỉ cần bảng tổng theo tuần và theo chi nhánh đã mã hoá; không đưa tên nhân viên hay khách vào phép kiểm này.
Đánh giá một biện pháp mà không bị hồi quy về trung bình đánh lừa
Khi bạn áp dụng một thay đổi sau một giai đoạn số liệu xấu, những bước sau giúp tách tác dụng thật khỏi sự hồi phục tự nhiên:
- So với mức trung bình dài hạn, không so với kỳ tệ nhất ngay trước khi thay đổi.
- Nếu có thể, giữ một nhóm tương tự không áp dụng thay đổi, ví dụ một chi nhánh khác cũng có tháng kém, để xem nó có tự hồi phục không.
- Theo dõi đủ nhiều kỳ sau thay đổi; một kỳ khá lên chưa nói được gì.
- Đánh giá người và đơn vị theo trung bình nhiều kỳ thay vì một kỳ đơn lẻ.
- Ghi lại dự đoán của bạn trước khi xem kết quả, để không bị câu chuyện sau đó dẫn dắt.
Bước hai là cách mạnh nhất, nhưng không phải lúc nào cũng làm được. Bước một và bốn thì luôn làm được và đã loại bỏ được phần lớn ảo giác do hồi quy về trung bình gây ra.
Số đếm nhỏ dao động mạnh hơn bạn nghĩ
Những chỉ số đếm sự việc hiếm, như số khiếu nại mỗi tuần, số lần giao nhầm, số tai nạn nhỏ trong kho, dao động đặc biệt mạnh. Một kho trung bình có bốn lần giao nhầm mỗi tuần hoàn toàn có thể có tuần chỉ một lần và tuần lên tới bảy, tám lần mà quy trình không hề thay đổi. Theo lý thuyết xác suất cho các sự việc hiếm xảy ra độc lập, mức dao động điển hình của số đếm vào khoảng căn bậc hai của mức trung bình, nên với trung bình bốn, chênh vài lần qua lại là chuyện thường.
Điều này có hệ quả trực tiếp cho báo cáo. Một câu như "số khiếu nại tuần này tăng gấp đôi" khi con số đi từ ba lên sáu nghe đáng báo động, nhưng có thể chỉ là nhiễu. Với số đếm nhỏ, nên gộp theo tháng hoặc theo bốn tuần trượt trước khi so sánh, và luôn ghi kèm con số gốc. Khi AI tóm tắt kiểu "khiếu nại tăng 100%", yêu cầu nó viết lại bằng số đếm và so với vùng dao động của các kỳ trước.
Hồi quy về trung bình không phải luật bù trừ
Cần phân biệt hồi quy về trung bình với niềm tin rằng "tuần này tệ thì tuần sau phải tốt để bù lại". Hai tuần liên tiếp của một quy trình ổn định là độc lập với nhau ở phần ngẫu nhiên; tuần sau không có nghĩa vụ phải cao để cân bằng. Hồi quy về trung bình chỉ nói rằng tuần sau nhiều khả năng gần mức trung bình hơn tuần cực đoan vừa rồi, chứ không vượt lên phía bên kia.
Cũng cần nhớ rằng hồi quy về trung bình chỉ áp dụng khi mức trung bình không đổi. Nếu một chi nhánh giảm doanh thu vì một siêu thị lớn mở ngay bên cạnh, mức bình thường của nó đã dịch xuống; chờ số liệu "tự hồi phục" là sai lầm ngược lại. Đó là lý do bảng tín hiệu ở trên hỏi về sự kiện đi kèm và độ kéo dài: một chuỗi nhiều kỳ cùng ở một phía là dấu hiệu mức bình thường đã thay đổi.
Câu hỏi thường gặp
Hồi quy về trung bình là gì?
Là xu hướng một kết quả cực đoan, rất cao hoặc rất thấp, được theo sau bởi kết quả gần mức trung bình hơn. Nó xảy ra vì kết quả cực đoan thường chứa một phần may rủi không lặp lại, dù năng lực hay điều kiện thật vẫn như cũ.
Làm sao biết doanh thu giảm là bình thường hay đáng lo?
So mức giảm với khoảng dao động của các tuần ổn định gần đây. Nếu nằm trong khoảng đó và chỉ một kỳ, nhiều khả năng là dao động bình thường. Nếu vượt khoảng, kéo dài nhiều kỳ hoặc lan ra nhiều chi nhánh, mới nên tìm nguyên nhân.
Vì sao nhân viên giỏi nhất tháng này thường tụt hạng tháng sau?
Vì đứng đầu một tháng thường là kết hợp của năng lực và may mắn. Năng lực ở lại, may mắn thì không chắc. Đánh giá theo trung bình nhiều tháng sẽ công bằng và chính xác hơn so với xếp hạng từng tháng.
Hồi quy về trung bình có nghĩa là tuần tệ sẽ được bù bằng tuần tốt không?
Không. Nó chỉ nói tuần sau nhiều khả năng gần mức trung bình hơn tuần cực đoan, chứ không nói tuần sau sẽ cao hơn trung bình để bù. Mỗi kỳ có phần ngẫu nhiên riêng, không có cơ chế bù trừ.
Có nên hỏi AI vì sao doanh thu tuần này giảm không?
Có thể, nhưng nên hỏi trước liệu mức giảm có nằm ngoài dao động thường lệ không. Nếu không dặn, AI thường liệt kê nguyên nhân nghe hợp lý cho cả những biến động ngẫu nhiên, khiến bạn mất thời gian theo đuổi nguyên nhân không có thật.
Cửa hàng nhỏ cần bao nhiêu tuần số liệu để biết vùng dao động bình thường?
Tám đến mười hai tuần ổn định thường đủ để có cảm giác ban đầu, miễn là giai đoạn đó không có thay đổi lớn hay mùa vụ đặc biệt. Ngành có mùa vụ rõ nên xem vùng bình thường theo từng mùa.