Khi doanh thu giảm, phản xạ tự nhiên là đoán ngay nguyên nhân: kinh tế khó, đối thủ giảm giá, nhân viên mới làm chưa quen. Đoán sai thì sửa sai chỗ, tốn thêm thời gian và tiền trong lúc doanh thu vẫn tiếp tục đi xuống.
Bài này đưa ra một quy trình chẩn đoán từng bước với sự trợ giúp của trợ lý AI: xác nhận đây là giảm thật, phân rã doanh thu thành các thành phần, tìm thành phần nào đóng góp nhiều nhất vào mức giảm, rồi mới đối chiếu với những gì đã xảy ra ngoài đời. AI làm phần tính và phân rã; phần ghép với thực tế cửa hàng là của bạn. Ví dụ là ví dụ giả định của một tiệm văn phòng phẩm và một cửa hàng online bán đồ gia dụng.
Bước một: xác nhận đây là giảm thật
Trước khi tìm nguyên nhân, cần chắc chắn có một sự sụt giảm cần giải thích. Rất nhiều lần "doanh thu giảm" hoá ra là so sánh lệch: tháng này ít hơn tháng trước hai ngày cuối tuần, hoặc tháng trước có Tết, hoặc tháng trước có một đơn sỉ lớn. Tiệm văn phòng phẩm thì tháng Tám, tháng Chín luôn cao vì mùa tựu trường, so tháng Mười với tháng Chín thì gần như chắc chắn thấy giảm.
Ba phép kiểm đơn giản nên làm trước. Một là so doanh thu bình quân mỗi ngày mở cửa thay vì tổng tháng. Hai là so với cùng kỳ năm trước, không chỉ với tháng liền trước. Ba là loại các đơn bất thường như đơn sỉ, đơn tiệc ra khỏi cả hai kỳ. Cách so cùng kỳ cho đúng, kể cả khi Tết rơi vào tháng khác nhau, có trong bài đọc nhịp doanh thu theo ngày, tuần và mùa.
Một hiện tượng thống kê nữa đáng nhớ: nếu tháng trước cao bất thường, tháng sau thường thấp hơn dù không có gì thay đổi, chỉ vì mọi thứ quay về mức bình thường. Người ta gọi là hồi quy về trung bình. Vì vậy so với trung bình của nhiều tháng gần đây đáng tin hơn so với một tháng trước. Nếu sau ba phép kiểm này doanh thu vẫn giảm rõ, mới chuyển sang bước tiếp theo.
Bước hai: phân rã doanh thu thành các thành phần
Doanh thu là kết quả của nhiều thứ nhân và cộng với nhau. Phân rã giúp bạn biết phần nào đang kéo xuống. Bảng dưới là các cách phân rã phổ biến, áp dụng được cho hầu hết cửa hàng nhỏ.
| Cách phân rã | Công thức nói nôm na | Nếu thành phần này giảm, nghĩ tới |
|---|---|---|
| Theo hành trình mua | Lượt khách nhân tỉ lệ mua nhân giá trị đơn | Ít người ghé, ghé mà không mua, hay mua ít đi |
| Theo kênh | Tại quầy cộng giao hàng cộng tin nhắn cộng các kênh khác | Kênh nào đổi cách hoạt động, đổi phí, đổi cách hiển thị |
| Theo nhóm hàng | Tổng doanh thu của từng nhóm hàng | Hết hàng, đổi giá, đối thủ bán rẻ hơn ở nhóm đó |
| Theo loại khách | Khách mới cộng khách quay lại | Thu hút khách mới kém đi, hay giữ khách cũ kém đi |
| Theo địa điểm, khung giờ | Từng chi nhánh, từng khung giờ | Sự kiện cục bộ: đường sửa, thay đổi giờ làm, nhân sự ca |
Với cửa hàng tại quầy không đếm được người ghé, lượt khách có thể thay bằng số đơn. Khi đó công thức đơn giản hơn: doanh thu bằng số đơn nhân giá trị đơn. Ngay phép tách đơn giản này đã cho biết nhiều: số đơn giảm mà giá trị đơn giữ nguyên là vấn đề kéo khách; số đơn giữ mà giá trị đơn giảm là vấn đề trong cửa hàng.
Câu lệnh mẫu: để AI phân rã và tìm phần đóng góp lớn nhất
Ví dụ cho cửa hàng online bán đồ gia dụng, so ba tháng gần nhất với cùng ba tháng năm trước, dữ liệu đã bỏ thông tin khách (ví dụ giả định).
- "Tệp có các cột ma_don, ngay, kenh, nhom_hang, tien, la_khach_moi. Đọc tệp, báo tổng doanh thu, số đơn, giá trị đơn trung bình của kỳ này và kỳ năm trước. Chưa phân tích."
- Đối chiếu hai con số doanh thu với phần mềm bán hàng.
- "Tách mức chênh doanh thu giữa hai kỳ thành phần do số đơn và phần do giá trị đơn. Trình bày bằng bảng cộng trừ."
- "Tính mức chênh doanh thu theo từng kênh, từng nhóm hàng, và giữa khách mới với khách quay lại. Với mỗi cách chia, sắp các nhóm theo mức đóng góp vào tổng mức giảm, kèm phần trăm của tổng mức giảm."
- "Với nhóm đóng góp lớn nhất, tách tiếp theo cách chia còn lại. Ví dụ nếu nhóm hàng đồ bếp giảm nhiều nhất, tách đồ bếp theo kênh và theo khách mới, khách cũ."
- "Tóm tắt: mức giảm tập trung ở đâu, chiếm bao nhiêu phần tổng mức giảm. Không nêu nguyên nhân; chỉ liệt kê câu hỏi cần kiểm tra ngoài dữ liệu."
Câu lệnh cuối cố ý cấm AI nêu nguyên nhân. Nếu không cấm, nó sẽ đưa ra những lý do nghe có lý nhưng không có căn cứ trong dữ liệu, và bạn có xu hướng tin lý do đầu tiên được nói ra.
Đọc phần đóng góp: tìm chỗ tập trung của mức giảm
Phần quan trọng nhất của chẩn đoán là nhận ra mức giảm tập trung hay dàn trải. Nếu tám phần mười mức giảm nằm ở một nhóm hàng trong một kênh, bạn có một chỗ cụ thể để tìm hiểu. Nếu mức giảm chia đều cho mọi nhóm, mọi kênh, nguyên nhân nhiều khả năng là thứ ảnh hưởng toàn bộ cửa hàng: lượng người qua lại khu vực giảm, sức mua chung đi xuống, hoặc một thay đổi chung như giá hay giờ mở cửa.
Cần đọc phần đóng góp theo số tuyệt đối, không chỉ theo phần trăm. Một nhóm hàng nhỏ giảm một nửa nghe đáng sợ, nhưng nếu nhóm đó chỉ chiếm một phần nhỏ doanh thu, nó không giải thích được mức giảm chung. Ngược lại, nhóm hàng chủ lực chỉ giảm một chút theo phần trăm có thể là phần đóng góp lớn nhất vào tổng mức giảm.
Ví dụ giả định: cửa hàng đồ gia dụng online thấy doanh thu ba tháng giảm so với cùng kỳ. Phân rã cho thấy số đơn giảm còn giá trị đơn gần như giữ nguyên. Tách theo kênh, phần lớn mức giảm nằm ở đơn từ công cụ tìm kiếm. Tách tiếp theo khách mới và cũ, gần như toàn bộ là khách mới. Khách cũ vẫn mua đều. Mức giảm vì vậy tập trung ở chỗ khách mới tìm đến qua tìm kiếm, và câu hỏi cần kiểm là thứ hạng các trang sản phẩm có thay đổi gì không, chứ không phải chất lượng hàng hay dịch vụ.
Bước ba: đối chiếu với những gì đã xảy ra ngoài đời
Khi đã biết mức giảm tập trung ở đâu, lập danh sách những thay đổi trong và ngoài cửa hàng trong thời gian đó, rồi xem cái nào khớp với chỗ tập trung. Danh sách gợi ý:
- Trong cửa hàng: đổi giá, hết hàng một số mã chủ lực, đổi nhà cung cấp, đổi cách trưng bày, nhân viên mới, đổi giờ mở cửa, sửa giao diện trang bán hàng, đổi phí giao.
- Xung quanh: đối thủ mới mở hoặc giảm giá, đường trước cửa sửa chữa, một trường học hay văn phòng gần đó chuyển đi, thời tiết bất thường kéo dài.
- Trên các kênh online: nền tảng bán hàng hay giao đồ ăn đổi cách hiển thị, đổi phí, đổi chương trình; trang bị giảm thứ hạng tìm kiếm; tài khoản mạng xã hội ít tương tác hơn.
- Phía khách hàng: nhu cầu chung với nhóm hàng đó có đổi theo mùa hay theo thói quen không; nhóm khách chính có thay đổi gì.
Với mỗi nguyên nhân khả dĩ, hỏi: nếu đây là nguyên nhân, mức giảm phải xuất hiện ở đâu và bắt đầu từ khi nào. Rồi nhờ AI kiểm đúng chỗ đó. Ví dụ nếu nghĩ là do đường sửa, mức giảm phải nằm ở đơn tại quầy và bắt đầu từ ngày khởi công, còn đơn giao hàng không bị ảnh hưởng nhiều. Nếu dữ liệu không khớp với dự đoán đó, nguyên nhân có lẽ nằm chỗ khác.
Những bẫy khi đi tìm nguyên nhân
Tin lời giải thích đầu tiên. Lý do đầu tiên được nghĩ ra, dù từ người hay từ AI, thường được tin quá mức. Viết ra ít nhất ba nguyên nhân khả dĩ và kiểm từng cái bằng dữ liệu trước khi chọn.
Nhiều thứ thay đổi cùng lúc. Nếu trong cùng tháng bạn đổi giá, đổi nhà cung cấp và có đối thủ mới mở, dữ liệu bán hàng khó tách được ảnh hưởng của từng thứ. Khi đó nên chấp nhận kết luận mức độ "có thể" và thử sửa từng điểm một để quan sát.
Nhìn phần trăm của nhóm nhỏ. Nhóm nhỏ dao động mạnh theo phần trăm. Một nhóm hàng từ hai mươi đơn xuống mười đơn là giảm một nửa, nhưng có thể chỉ là ngẫu nhiên và không ảnh hưởng gì đến tổng.
Tương quan không phải nhân quả. Doanh thu giảm cùng thời điểm với việc có nhân viên mới không chứng minh nhân viên mới là nguyên nhân. Có thể cả hai cùng là hệ quả của một chuyện khác, ví dụ nhân viên cũ nghỉ vì cửa hàng đã vắng từ trước.
Từ chẩn đoán đến hành động và theo dõi
Khi đã có nguyên nhân khả dĩ nhất, chọn hành động sửa trực tiếp vào chỗ đó, và quyết định trước sẽ đo gì để biết có tác dụng. Nếu nghi mức giảm do hết hàng một số mã chủ lực, hành động là bổ sung hàng, và thứ cần đo là doanh thu của đúng những mã đó cùng nhóm hàng của chúng trong các tuần sau. Nếu nghi do thứ hạng tìm kiếm, thứ cần đo là số khách mới qua kênh tìm kiếm.
Ghi lại toàn bộ quá trình chẩn đoán trong một trang: mức giảm bao nhiêu, tập trung ở đâu, nguyên nhân khả dĩ đã kiểm và kết quả, hành động đã chọn, ngày bắt đầu. Nhờ AI viết bản tóm tắt từ các bảng đã phân tích là nhanh, nhưng bạn nên tự đọc lại và sửa để chắc mỗi câu đều có con số đứng sau. Lần sau doanh thu giảm, trang ghi chép này giúp bạn không phải bắt đầu lại từ đầu.
Cuối cùng, nếu sau tất cả các bước mà mức giảm vẫn dàn trải đều mọi nơi và không khớp với nguyên nhân nào trong cửa hàng, đó cũng là một kết luận có giá trị. Nó cho thấy vấn đề có thể nằm ở bối cảnh chung mà cửa hàng không tự thay đổi được, và hành động hợp lý là điều chỉnh quy mô chi phí, lượng hàng nhập cho phù hợp với mức bán mới, thay vì liên tục thay đổi những thứ vốn không phải nguyên nhân.
Câu hỏi thường gặp
Doanh thu giảm bao nhiêu thì nên bắt đầu tìm nguyên nhân?
Không có ngưỡng chung. Nên bắt đầu khi mức giảm vẫn còn sau khi đã so theo ngày mở cửa, so cùng kỳ và loại đơn bất thường, và kéo dài từ vài tuần trở lên. Một tuần thấp riêng lẻ thường chỉ là dao động bình thường.
AI có thể tự tìm ra nguyên nhân doanh thu giảm không?
AI giỏi phân rã và chỉ ra mức giảm tập trung ở đâu, nhưng không biết những gì xảy ra ngoài dữ liệu như đường sửa, đối thủ mới hay hết hàng. Nguyên nhân phải được bạn đối chiếu với thực tế cửa hàng.
Cửa hàng không có dữ liệu chi tiết từng đơn thì làm được không?
Vẫn làm được ở mức thô hơn nếu có doanh thu theo ngày, theo nhóm hàng hoặc theo kênh. Ít nhất nên có số đơn và doanh thu theo ngày để tách được thay đổi do số đơn và do giá trị đơn.
Nên so với tháng trước hay với cùng kỳ năm trước?
Nên xem cả hai. Cùng kỳ năm trước loại được ảnh hưởng mùa vụ, tháng trước cho thấy thay đổi gần nhất. Khi hai cách cho kết luận khác nhau, nhiều khả năng mùa vụ đang đóng góp vào mức giảm bạn thấy.
Có nên thay đổi nhiều thứ cùng lúc để kéo doanh thu lên nhanh không?
Thay nhiều thứ cùng lúc khiến bạn không biết thay đổi nào có tác dụng, và có thể sửa cả những thứ vốn không phải vấn đề. Nên ưu tiên hành động nhắm đúng chỗ mức giảm tập trung, đo trong vài tuần, rồi mới thêm thay đổi khác.
Dữ liệu đưa lên AI để chẩn đoán cần che những gì?
Bỏ tên, số điện thoại, địa chỉ khách và tên nhân viên. Thay tên nhà cung cấp bằng mã nếu có trong bảng. Doanh thu chi tiết là thông tin kinh doanh nhạy cảm, nên dùng tài khoản có tuỳ chọn không dùng dữ liệu để huấn luyện theo cài đặt hiện hành.