Phân tích theo giả thuyết nghĩa là trước khi mở dữ liệu, bạn liệt kê các khả năng có thể giải thích vấn đề, ghi rõ nếu mỗi khả năng đúng thì số liệu sẽ cho thấy điều gì, rồi mới dùng dữ liệu để loại dần những khả năng không khớp. AI giúp được cả hai đầu: gợi thêm những khả năng bạn chưa nghĩ tới và kiểm từng khả năng trên bảng số.
Cách làm này ngược với thói quen thường thấy là mở bảng ra, nhìn quanh, thấy gì lạ thì ghi lại. Cách nhìn quanh đôi khi tìm ra điều hay, nhưng thường tốn thời gian và dễ dẫn tới chỗ chỉ thấy điều mình vốn đã tin. Bài viết cho người phải trả lời những câu hỏi "vì sao" trong công việc: vì sao doanh thu giảm, vì sao khách phàn nàn nhiều hơn, vì sao chi phí tăng.
Vì sao nên có giả thuyết trước khi mở dữ liệu
Khi bạn mở một bảng số mà chưa có giả thuyết, mọi con số đều có vẻ đáng chú ý. Bạn tách theo chi nhánh, theo tháng, theo nhóm hàng, theo kênh, và với đủ nhiều cách tách, gần như lúc nào cũng có một nhóm nào đó trông khác thường. Câu hỏi là nhóm đó có liên quan tới vấn đề hay chỉ là dao động ngẫu nhiên. Không có giả thuyết, bạn không có tiêu chí để phân biệt.
Một lý do nữa là thiên kiến xác nhận, xu hướng tự nhiên của con người là tìm và tin vào thông tin ủng hộ điều mình đã nghĩ. Nếu quản lý đã tin rằng doanh thu giảm vì nhân viên mới, họ sẽ dễ thấy con số ủng hộ điều đó và lướt qua con số không ủng hộ. Viết ra nhiều giả thuyết cạnh tranh nhau ngay từ đầu, kể cả những giả thuyết mình không thích, là cách đơn giản để giảm thiên kiến này.
Cuối cùng, giả thuyết giúp bạn biết cần dữ liệu gì. Có những giả thuyết kiểm được ngay bằng bảng đang có, có những giả thuyết cần dữ liệu khác hoặc cần đi hỏi người. Biết trước điều đó tiết kiệm nhiều thời gian hơn là phân tích xong mới nhận ra bảng không trả lời được câu hỏi quan trọng nhất.
Năm bước phân tích theo giả thuyết
Trình tự dưới đây áp dụng được cho hầu hết câu hỏi "vì sao" ở cửa hàng và văn phòng. Bạn có thể làm toàn bộ trong một cuộc trò chuyện với AI, miễn là đi đúng thứ tự.
- Viết vấn đề bằng con số. Ví dụ: số khách phàn nàn về giao hàng chậm trong tháng này gấp đôi tháng trước. Vấn đề chưa có con số thì quay lại bước làm rõ câu hỏi.
- Liệt kê giả thuyết. Tự viết ba bốn giả thuyết trước, rồi nhờ AI bổ sung. Gom lại khoảng năm đến bảy giả thuyết, bỏ những cái trùng nhau.
- Viết dấu vết của từng giả thuyết. Với mỗi giả thuyết, ghi rõ nếu nó đúng thì trong dữ liệu sẽ thấy gì, và nếu sai thì thấy gì. Đây là bước quan trọng nhất.
- Xếp thứ tự kiểm. Ưu tiên giả thuyết dễ kiểm bằng dữ liệu đang có và giả thuyết mà nếu đúng thì ảnh hưởng lớn tới quyết định.
- Kiểm và ghi kết quả. Với mỗi giả thuyết, ghi là bị loại, còn đứng, hay chưa kiểm được vì thiếu dữ liệu. Không cần chứng minh một giả thuyết là đúng; loại được những cái sai đã là tiến bộ lớn.
Bước năm có một điểm tinh tế: một giả thuyết "còn đứng" sau khi kiểm chưa có nghĩa là nó đúng. Có thể nhiều giả thuyết cùng đứng, hoặc nguyên nhân thật là một điều chưa ai nghĩ tới. Kết luận nên nói đúng như vậy.
Viết dấu vết cho từng giả thuyết (ví dụ giả định)
Ví dụ: một cửa hàng online bán đồ gia dụng ở Đắk Lắk thấy số phàn nàn về giao hàng chậm tăng gấp đôi trong tháng. Bảng dưới là bốn giả thuyết và dấu vết tương ứng trong dữ liệu.
| Giả thuyết | Nếu đúng, dữ liệu sẽ cho thấy | Nếu sai, dữ liệu sẽ cho thấy |
|---|---|---|
| Đơn vị vận chuyển chậm hơn | Thời gian từ lúc bàn giao hàng tới lúc giao xong tăng, khâu đóng gói không đổi | Thời gian vận chuyển giữ nguyên |
| Kho đóng gói chậm | Thời gian từ lúc đặt tới lúc bàn giao cho vận chuyển tăng | Khâu đóng gói không đổi |
| Đơn đi xa tăng | Tỉ lệ đơn đi tỉnh xa tăng, thời gian mỗi tuyến không đổi | Cơ cấu điểm giao không đổi |
| Khách phàn nàn nhiều hơn dù giao như cũ | Thời gian giao không đổi nhưng tỉ lệ phàn nàn trên đơn tăng | Phàn nàn tăng cùng lúc với thời gian giao |
Để ý giả thuyết cuối: vấn đề có thể không nằm ở việc giao hàng mà ở kỳ vọng của khách, ví dụ trang bán hàng vừa đổi dòng hứa hẹn thời gian giao. Giả thuyết kiểu này hay bị bỏ sót vì nó không nằm trong quy trình vận hành, và đó là lý do nên nhờ AI gợi thêm giả thuyết.
Câu lệnh mẫu cho từng bước
Để liệt kê giả thuyết, bạn có thể viết: "Vấn đề: số phàn nàn về giao hàng chậm tháng này gấp đôi tháng trước. Mình đã nghĩ tới: đơn vị vận chuyển chậm, kho đóng gói chậm. Hãy gợi ý thêm các giả thuyết khác, kể cả những giả thuyết không nằm ở khâu vận hành. Chưa phân tích dữ liệu." Câu cuối giữ AI ở bước nghĩ, không nhảy vào kết luận.
Để viết dấu vết, dùng: "Với mỗi giả thuyết trong danh sách, hãy ghi: nếu giả thuyết đúng, những cột nào trong bảng sẽ thay đổi và thay đổi theo hướng nào; nếu sai thì sao. Nếu bảng hiện tại không đủ để kiểm một giả thuyết, nói rõ cần thêm dữ liệu gì." Bạn đọc lại và sửa phần dấu vết theo hiểu biết của mình trước khi kiểm.
Để kiểm, đi từng giả thuyết một: "Kiểm giả thuyết thứ nhất: tính thời gian trung bình từ lúc bàn giao tới lúc giao xong, tháng này so với tháng trước, tách theo tuyến. Kết luận giả thuyết này bị loại, còn đứng hay chưa kiểm được, và giải thích bằng số." Một lượt một giả thuyết giúp kết quả rõ ràng và dễ ghi chép.
Những lỗi hay gặp khi làm theo giả thuyết
Chỉ có một giả thuyết. Một giả thuyết thì không còn là phân tích mà là đi tìm bằng chứng cho điều đã tin. Luôn có ít nhất ba giả thuyết cạnh tranh nhau, trong đó có ít nhất một giả thuyết bạn thấy khó tin.
Giả thuyết không kiểm được. "Do thị trường khó khăn" là giả thuyết không để lại dấu vết cụ thể trong bảng số của cửa hàng. Viết lại thành điều có thể đo, ví dụ "số khách vào cửa hàng giảm đều ở mọi nhóm hàng", hoặc ghi rõ là không kiểm được bằng dữ liệu hiện có.
Sửa giả thuyết sau khi thấy dữ liệu. Thấy số liệu không khớp rồi đổi định nghĩa cho khớp là cách tự lừa mình phổ biến. Nếu phải sửa giả thuyết, ghi rõ đó là giả thuyết mới, cần được kiểm lại trên dữ liệu khác hoặc thời gian khác.
Coi giả thuyết còn đứng là kết luận. Một giả thuyết không bị loại chỉ có nghĩa là dữ liệu chưa phản bác nó. Khi báo cáo, dùng cách nói "dữ liệu phù hợp với giả thuyết" thay cho "nguyên nhân là".
Đưa thêm dữ liệu cá nhân để kiểm. Giả thuyết về nhân viên hay khách cụ thể dễ dẫn tới việc tải lên dữ liệu có tên người. Kiểm bằng mã ẩn danh hoặc bằng dữ liệu theo nhóm, ca, khu vực; che tên khách, số liên lạc, địa chỉ trước khi đưa vào AI.
Giữ một bảng theo dõi giả thuyết
Khi việc phân tích kéo dài nhiều ngày hoặc có nhiều người cùng tham gia, nên ghi giả thuyết vào một bảng đơn giản gồm năm cột: giả thuyết, dấu vết nếu đúng, dữ liệu dùng để kiểm, kết quả (bị loại, còn đứng, chưa kiểm được), và ghi chú. Bảng này không cần công cụ gì đặc biệt; một trang tính chung hay một trang giấy là đủ.
Bảng theo dõi giải quyết một vấn đề thực tế: sau vài lượt trò chuyện với AI, rất dễ quên giả thuyết nào đã kiểm, kiểm bằng số nào, và kết quả ra sao. Khi sếp hỏi "đã xem khả năng kho đóng gói chậm chưa", bạn trả lời được ngay kèm con số, thay vì phải lục lại cuộc trò chuyện.
Bạn có thể nhờ AI cập nhật bảng sau mỗi lượt kiểm: "Cập nhật bảng theo dõi giả thuyết với kết quả vừa có, giữ nguyên các dòng khác." Nhưng hãy giữ bản gốc ở phía bạn và tự xác nhận từng dòng, vì AI có thể diễn đạt lại kết quả mạnh hơn hoặc yếu hơn so với điều số liệu thật sự cho thấy. Khi kết thúc, bảng này trở thành phần phụ lục ngắn gọn và đáng tin của báo cáo.
Khi nào phân tích theo giả thuyết không phù hợp
Cách làm này mạnh với câu hỏi "vì sao", nhưng không phải lúc nào cũng là lựa chọn tốt nhất. Những trường hợp nên dùng cách khác hoặc kết hợp:
- Khi bạn mới nhận một bộ dữ liệu hoàn toàn lạ và chưa biết vấn đề là gì; lúc này nên xem tổng quan trước để biết có vấn đề nào đáng hỏi không.
- Khi câu hỏi là mô tả thuần tuý, như doanh thu theo chi nhánh tháng này bao nhiêu; không có gì cần giả thuyết.
- Khi bạn không có đủ hiểu biết về lĩnh vực để đặt giả thuyết hợp lý; nên hỏi người trong nghề trước, hoặc dùng AI để học bối cảnh trước khi phân tích.
- Khi vấn đề cần xử lý gấp và có cách khắc phục rẻ, chẳng hạn gọi điện hỏi đơn vị vận chuyển mất năm phút; làm việc đó trước, phân tích sau nếu cần.
- Khi hậu quả của quyết định rất lớn và dữ liệu phức tạp; phân tích theo giả thuyết vẫn hữu ích, nhưng nên có người có chuyên môn thống kê xem lại cách kiểm.
Kết hợp thường hiệu quả nhất: nhìn tổng quan một lượt để thấy vấn đề, rồi chuyển sang giả thuyết để tìm nguyên nhân. Cách nhìn tổng quan một bảng lạ có câu lệnh mẫu ở bài bộ câu lệnh theo tình huống trong cùng danh mục.
Câu hỏi thường gặp
Nên có bao nhiêu giả thuyết là đủ?
Thường năm đến bảy giả thuyết là vừa cho một câu hỏi vì sao ở cửa hàng hay văn phòng. Ít hơn ba dễ bỏ sót; nhiều hơn mười thì nên gom những giả thuyết gần giống nhau hoặc xếp thứ tự và chỉ kiểm nhóm đầu trước.
Giả thuyết do AI gợi ý có đáng tin không?
Giả thuyết không cần đáng tin; nó chỉ cần đáng kiểm. AI thường gợi được những khả năng chung mà bạn quên, nhưng không biết đặc thù cửa hàng bạn. Bạn lọc lại, bỏ những giả thuyết vô lý, và bổ sung những điều chỉ người trong nghề mới biết.
Nếu tất cả giả thuyết đều bị loại thì sao?
Đó là kết quả có giá trị: nguyên nhân nằm ngoài những điều đã nghĩ tới. Quay lại bước liệt kê, hỏi thêm người làm trực tiếp, hoặc xem lại dữ liệu có bị thay đổi cách ghi nhận không. Đôi khi chính cách ghi số liệu mới là thứ thay đổi.
Nếu nhiều giả thuyết cùng còn đứng thì kết luận thế nào?
Báo cáo đúng như vậy: dữ liệu hiện có phù hợp với cả hai hoặc ba khả năng, kèm dữ liệu nào cần có để phân biệt. Nếu phải quyết định ngay, chọn hành động hợp lý với nhiều giả thuyết cùng lúc hoặc hành động ít tốn kém nhất để thử.
Phân tích theo giả thuyết có cần kiến thức thống kê không?
Ở mức cửa hàng và văn phòng, chủ yếu cần tư duy rõ ràng: so sánh công bằng, cẩn thận với nhóm nhỏ, phân biệt tương quan và nhân quả. Khi quyết định lớn hoặc dữ liệu phức tạp, nên nhờ người có chuyên môn thống kê xem lại.
Có nên ghi lại cả những giả thuyết đã bị loại không?
Nên. Lần sau gặp vấn đề tương tự, danh sách giả thuyết đã bị loại giúp bạn khỏi kiểm lại từ đầu. Nó cũng cho người đọc báo cáo thấy bạn đã xem xét những khả năng nào, tránh câu hỏi đã kiểm cái này chưa.