Professional Documents
Culture Documents
A1digihub.com1
tuan@a1digihub.com
1
http://a1digihub.com https://facebook.com/a1digihub
https://www.facebook.com/groups/cong.dong.google.a1digihub/
https://www.facebook.com/groups/595890304519843/
Lời mở đầu
Tròn 6 tháng A1digihub ra mắt sản phẩm A1 analytics, đồng thời với các hoạt động Truyền Thông, Đào
tạo, Chia sẻ nhằm giúp các SMB nắm được các mô hình + kiến thức đúng đắn áp dụng vào kinh doanh
trong kỉ nguyên số.
Kết quả còn khiêm tốn nhưng đã tạo được ảnh hưởng tích cực và thu hoạch được rất nhiều bài học
quý giá về Tăng trưởng
Cuối năm ngồi ngẫm lại những gì đã thực hành được, kết hợp với quan sát các anh em khác tăng
trưởng thì A1digihub nhận thấy có những xu hướng sau đây đang thay đổi mạnh mẽ việc Kinh doanh
trong kỉ nguyên số. Viết lại tặng ae, như 1 lời cảm ơn đến những người bạn, đối tác, khách hàng đã
ủng hộ A1 Digihub.
Bộ sách gồm 3 cuốn
1. Phân tích số liệu . Từ excel đến Business Intelligence
2. Xây dựng Mô hình kinh doanh Tinh gọn
3. Growth mastermind - tăng trưởng tại các DN trăm tỉ thời đại số
Mình sẽ tập trung vào các case study thực tế của cá nhân, có lấn qua một chút các case hay ho khác.
Tài liệu phù hợp cho: chủ DN, Marketing manager, Head of Digital, Ecommerce Manager, Digital
specialists tại các DN SMB có quy mô từ 5 tỉ đến 100 tỉ mỗi năm, nhân sự từ 5 đến 50 người
Quyển 1 “Phân tích số liệu . Từ excel đến Business Intelligence” sẽ nói về chủ đề rất hot trong
khoảng 3 năm qua mà chúng ta được nghe loáng thoáng các từ như Big data, Data-driven marketing,
Machine learning, AI….Tuy thế mình không viết về những điều cao siêu đó (hoặc chưa đủ trình độ để
viết). Mà chỉ là những câu chuyện giản đơn, gần gũi trong thực tế kinh doanh tại VN để các bạn cùng
tham khảo
1
Hình 1: Phân tích dữ liệu là nền tảng bắt buộc để ra các quyết định kinh doanh
2
Lời mở đầu
"Số liệu là thước đo giá trị của Doanh nghiệp"
Những cái này chắc các bạn đã nghe quá nhiều rồi. Nhưng tóm lại thì Số liệu giúp gì cho công
việc kinh doanh của tôi ?
hông đo lường thì lấy gì để cải tiến và quản trị - lời của các bậc thầy Drucker và Deming
Hình 1: K
3
2014 , mảng mỹ phẩm của Giang kinh doanh thuận lợi, đỉnh điểm doanh số bán lẻ mỗi ngày gần
1.2 tỷ. Như 1 con ngựa non háu đá chúng tôi chỉ tập trung vào việc đẩy marketing & sale làm sao
cho bán được nhiều đơn hàng nhất có thể, khách hàng sử dụng ra sao, có quay lại mua tiếp
không thì mặc kệ
Lúc đó bán cho 1250 khách hàng tổng doanh số chỉ có 572 triệu, trong đó đơn lẻ thì chiếm 87%,
đơn combo chỉ có 13% và gần như tỷ lệ khách hàng cũ quay trở lại chỉ có 7%. Giá trị của một
khách hàng đó đối với Doanh nghiệp là 484.000₫, giá trị của một khách hàng đối với nhân viên
sale chỉ là 4846₫ ( không bằng 1/10 ly Trà Sữa.)
Và đến một ngày khi doanh số chúng tôi sụt giảm vì thương hiệu bắt đầu giảm dần độ nóng trên
thị trường, chỉ có một thứ cứ tăng duy nhất là chi phí nhân sự hệ thống.
Đó là động lực để chúng tôi quyết định dừng lại một nhịp, nhìn toàn cảnh và xây hệ thống CRM
vào DN của mình, với hy vọng vực dậy.
4
Những thành quả không ngờ sau công cuộc cải tổ đó là:
1. Cùng với 1.250 khách hàng nhưng doanh số đạt lên tới 925 triệu, đơn giản vì lúc này đơn
lẻ chỉ chiếm 40% còn đơn combo chiếm 60%.
2. Không chỉ vậy với nhiều thay đổi về CSKH và chương trình Khuyến mãi, tỷ lệ khách quay
trở lại sau lần đầu tiên đã tăng lên từ 7% lên tới 48%.
3. 15% khách hàng mới đến từ những khách hàng cũ giới thiệu mà không tốn chi phí
Marketing nào.
4. Giá trị trung bình của một khách hàng lên tới 1 triệu 6.
1. Khi sâu sát cùng với ae Sale trong từng đơn hàng bán ra, chúng tôi phát hiện có nhiều
sale upsell rất hiệu quả, đơn mụn luôn bán được sữa rữa mặt đi kèm.
→ Nên quy trình kịch bản của chúng tôi bắt buộc và ra chỉ tiêu cho sale khi bán sản phẩm
trị mụn bắt buộc phải bán thêm sữa rửa mặt, điều đó là giúp chúng tôi tăng giá trị trung
bình đơn đơn từ 425000₫ lên 700.000₫
2. Sau đó phân tích sâu hơn về chu kỳ sử dụng sản phẩm, Ví dụ như mụn thường chu kỳ sử
dụng là 30 ngày, và nếu chủ động gọi cho KH trước khi họ xài hết thì tỉ lệ Upsell tăng
đáng kể
→ Áp dụng CRM chúng tôi cho hệ thống báo tự động cho Sale ngày KH sắp hết hạn sử
dụng, hãy gọi điện và chăm sóc ngay nhé.
a- Trường hợp KH chưa hết mụn nhân viên sale sẽ up thêm kem trị mụn.
b- Trường hợp KH đã hết mụn Sẽ up thêm sữa rửa mặt nếu trước đó KH chưa mua combo
c- Trường hợp KH không mua sữa rửa mặt Sale sẽ cross sell sang kem trị sẹo trị thâm,
d- Nếu KH không bị sẹo bị thâm Chúng tôi sẽ up kem dưỡng da
3. Mỗi KH mua đơn đầu tiên chúng tôi đều tặng 1 phiếu mua hàng trị giá 50.000 hoặc
100000₫ cho lần mua tiếp theo. Kết hợp CRM và CTKM, Chúng tôi đã tăng tỷ lệ KH cũ từ
7% lên 48%, hiện tại con số mới nhất đã lên tới 58% (t8/ 2019)
KHÔNG CHỈ GIA TĂNG DOANH SỐ VÀ SỰ TRUNG THÀNH CỦA KH mà điều ý nghĩa hơn
với tôi đó là : Tăng THÁI ĐỘ - HIỆU SUẤT công việc và lòng TRUNG THÀNH của nhân sự
sale: Trước đây sale nhìn KH chỉ trị giá bằng 4846₫ tức là bằng 1 /10 ly trà sữa. Sau đó tôi
5
cho sale hiểu rằng cùng với 1.250 khách hàng tổng hoa hồng các bạn nhận được không
chỉ là là 6 triệu mà lên tới 21 triệu và những KH đó sẽ giới thiệu thêm thêm nhiều KH cho
các bạn. Kết quả là sale Chăm sóc khách hàng ngày càng nhiệt tình chu đáo
Hình 4: Bản theo dõi “huyền thoại" của Nguyễn Tùng Giang - nhìn rất lộn xộn nhưng đáng giá tiền tỉ
6
2019 tại chuỗi 8 spa tôi đang làm giám đốc tăng trưởng, có một số quyết định đã giúp chúng tôi
loại bỏ 50% khách hàng lạnh, tăng được gần 30% KH đặt lịch
● Theo dõi báo cáo Call center và Pancake chúng tôi phát hiện có rất nhiều khách hàng call
và inbox ở những khung giờ đêm 18h-24h; lúc đó rất dễ xin số điện thoại và chốt lịch. Nên
ngay lập tức xây dựng cơ chế trực đêm ; kết quả là tỉ lệ KH lạnh trong khoảng thời gian
đêm giảm 60%, tỉ lệ chốt lên tới 30% so với trước đây không có ai chăm sóc.
● Một phân tích cho thấy có rất nhiều khung giờ đặc biệt bị bỏ qua : 6h30 – 7h30 / 11h30 –
13h / 24h – 2h. Nên đã xoay ca linh hoạt để đảm bảo khi kh liên hệ thì luôn luôn có người
giải đáp và phục vụ. Kết quả tỉ lệ chốt tăng hơn 18% ở các khung giờ đó
● Cuộc Miss Call ở khung giờ hành chính quá cao. Đưa vào cơ chế bắt buộc không để điện
thoại reo quá 5s, đem vào KPI hiệu suất, phạt nếu quá cao => tỉ lệ miss call giảm 80%
Hình 5: Chưa cần đến CRM - một file excel đã đủ theo dõi mọi thứ quan trọng
● Nếu ngay từ lúc đầu phát triển doanh nghiệp chúng tôi tập trung vào những vấn đề trên,
thì có lẽ đã không xảy ra những câu chuyện như tụt giảm doanh số, khách hàng bỏ đi.
Theo ước tính tôi đã bỏ rơi gần 50.000 khách đã chi trên 1 triệu 2 trong thời mông muội
đó
Giang khuyên các bạn trước khi bắt đầu Xây dựng hệ thống phân tích số liệu marketing và
sale: HÃY ACTION NGAY ĐI ANH EM À.
7
Mà ACTION từ đâu ?
Có bao giờ bạn ngồi xuống vài ghi ra cụ thể những câu hỏi mà mình luôn phải “đau đáu" không ?
Như thế này :
1. Doanh thu , lợi nhuận của bạn đến từ mặt hàng nào, đang tăng giảm bao nhiêu % từng
ngày/tuần/tháng/quý/năm
2. Lãi ròng trên từng sản phẩm hoặc cửa hàng là bao nhiêu sau khi trừ đi tất cả mọi chi phí
(kể cả lương chủ)
3. Tỉ lệ % của từng loại chi phí: giá vốn, marketing, sale, giao nhận - bóc tách tỉ lệ này ra cho
từng loại sản phẩm, từng cửa hàng, từng team, chia theo ngày/tháng/quý
4. Chi phí để có 1 khách (CAC = customer acquisition cost) là bao nhiêu ; giá trị vòng đời của
khách (LTV = Life time value) là bao nhiêu. Tần suất mua hàng và giá trị trung bình từng
đơn hàng
5. Tỉ lệ chốt của từng sale? Tốc độ và hiệu suất làm việc của Sale?
6. Hiệu quả của Marketing: reach, view, traffic, lead, qualified lead, deal... Google hay
Facebook đang đem lại hiệu quả tốt hơn. CPL trên từng kênh là bao nhiêu? Đang tăng
hay giảm? Nếu tăng thêm 20% ngân sách cho Ads thì liệu doanh số có tăng 20% ?
7. Các chỉ số nào đang tốt và các chỉ số nào đáng báo động? Hay đợi chuyện xảy ra rồi mới
vỡ lẽ
8. ……………..
Mình gặp rất nhiều DN vừa và nhỏ, có đến 90% các bạn rất mù mờ về câu trả lời. Hoặc sẽ biết 1
cách chung chung rằng đang lời bao nhiêu, hoặc nhớ đơn giản là bỏ 1tr tiền ads thu về 30tr
doanh số
Khi thuận lợi thì ko sao. Đến lúc gặp khó thì ko biết khó ở đâu để gỡ. Hoặc dễ quyết định theo
cảm tính, và đỡ ko kịp. Hoặc nghe lời nhân viên rồi đến lúc mới a đã lầm tin em
8
BÀI HỌC
Qua 2 Câu chuyện của GIANG, chúng ta nhận rõ được cốt yếu trong cách vận hành DN bán
online hướng đến Tăng trưởng lợi nhuận là
- QUYẾT LIỆT: mọi thứ cần phải hành động ngay với tinh thần và kỉ luật cao nhất
- THỰC DỤNG: đánh thẳng vào doanh số (với Sale) và Lợi ích (với khách hàng); rõ ràng DN
nhỏ không thể quá trông mong vào những cái dài hạn như Brand awareness hay
Customer experiences
- HỆ THỐNG: có quy trình, báo cáo và phân tích liên tục; mặc dù hệ thống nhìn hơi lộn xộn
Hình 6: Báo cáo tự động của 1 cty cho vay tài chính. Kiểm soát được mọi thứ quan trọng trong lòng bàn tay
9
Tâm bắt tay vào thực hiện & chỉnh sửa Hệ thống bằng GG Spreadsheet ngay từ đầu, dựa trên
nhu cầu thực tế, đáp ứng cơ bản được việc quản trị kinh doanh tự động
File ban đầu khá đơn giản, nhưng liên tục nâng cấp và cải tiến suốt 6 năm giờ thành một hệ
thống hoàn chỉnh và sát với nhu cầu DN
1. Nắm được chi tiết hiệu quả từng Sku, từng Ads, từng sale. (REALTIME)
2. Dự đoán được theo mùa vụ, theo Sku, biết cần đầu tư vào đâu
3. Tối ưu Vòng lưu chuyển hàng hoá để ko bị âm vốn
4. Scale bằng đội freelance & agency thế nào
Hàng chục file google sheet liên kết với nhau. Đồng bộ giữa số bán với Inventory, Forecast, P&L
và Purchasing. Đảm bảo ko sai sót bất kì số liệu nào
10
ệ thống quản trị, tối ưu và lập kế hoạch của cty TMĐT/ Bán lẻ dưới 1tr usd (và dưới 30 người).
Hình 7 & 8: H
11
Hoạt động vận hành & giao hàng, tích hợp vẫn sử dụng Haravan (hoặc Nhanh, Sapo, Trustsales…
mỗi hệ thống có một ưu thế riêng tuỳ đặc thù của bạn mà chọn cho phù hợp). Tuy nhiên toàn bộ
đơn hàng và Quảng cáo (Facebook ads) được mình dùng API kéo số liệu ra cloud để đưa lên
spreadsheet , sau đó được hợp nhất và đổ về một file phân tích thành 5 loại đo lường như ở trên.
1. Sale Tracking
- Tổng quan: doanh số, running rate (doanh thu dự kiến)
- Sale KPI cho nhân viên
- Promotion - Coupon: với từng chương trình phải biết giảm vậy với số bán là lời hay lỗ....
- Conversion rate: từng ngày của từng kênh, từng ca làm việc, và từng seller để biết bạn
nào hôm qua mải chơi, kênh nào mang lại doanh số tốt....
- Chi tiết conversion rate của từng sản phẩm theo khoảng thời gian muốn xem
2. Inventory - COGS Tracking
Hiện nay các hệ thống Omni-channel đều có sẵn, nếu không muốn tự làm có thể mua để
dùng. Tâm làm thêm phần đo lường ITR (Inventory Turnover Ratio) của từng sản phẩm dựa
trên mức tồn nhập - xuất & ROI để đánh giá , rồi đẩy vào phần Forecast nhằm giúp
Purchasing có cơ sở mua hàng & deal giá với Vendor.
3. Forecast System:
Tâm khá tự hào . Chỉ cần đưa vào dữ liệu lịch sử - kế hoạch chạy ads từ file Marketing của
team, ITR của sản phẩm, ROI & một phần nhỏ khoảng 10% dự phòng là đưa ra được dự
12
báo mua hàng, từ đó tối ưu đần chỉ số ITR về dưới 1 ( hiện tại là 0.8 - tức là tốn 24 ngày để
bán hết kho - một vòng quay tiền rất tốt đúng không)
4. Profit & Loss:
Tổng hợp hết các phần ở trên lại để biết ngày nào lời, ngày nào lỗ, chạy ra ROI. Các thông
số này sẽ là đầu vào cho việc lập kế hoạch Marketing cũng như dự báo nhập hàng. Việc
hoạch định giá Ads cũng rất quan trọng với các hàng bán nhanh như thời trang
+ Giá Ads tối đa cho phép của từng sản phẩm → vượt quá là đưa ra cảnh báo
+ Hàng nào/ Category nào đang có lỗ Ads → chủ động giảm hoặc ngưng luôn để tránh
thất thoát
+ Nhân viên hoặc freelancer chạy ads đem lại lời lỗ như thế nào → điều chuyển hoặc thay
đổi cách thức
Ở đây Tâm không bàn tới Business Model hay hiệu quả kinh doanh vì Tâm cũng sấp mặt hoài,
phương châm là đo lường để tối ưu liên tục, đứng dậy sau thất bại. Hệ thống có vẻ ghê gớm,
nhưng bạn có thể chọn cách làm đơn giản hơn, quan trọng nhất là luôn tập trung giải quyết vấn
đề thì Tăng trưởng sẽ đến
***Anh em cần slide và Video full thì request join group Growth Mastermind , có workshop mỗi
tuần và Kết nối với hàng ngàn CEO/ CMO đang kinh doanh số. Buổi của Tâm rất đông, được anh
em đánh giá cao về độ thực tiễn lẫn trải nghiệm phong phú
13
BÀI HỌC.
Qua Câu chuyện của TÂM, chúng ta nhận rõ được cốt yếu trong cách vận hành DN bán online là
- ĐO LƯỜNG: mọi thứ cần phải được setup ngay từ đầu, từng li từng tí một. Bản chất bán
hàng là tối ưu từng % nên chỉ cần lơ là thì sẽ mất tiền tỉ
- LƯỢNG HOÁ: Nhân viên từng bộ phận phải biết rõ họ cần đạt KPI gì, các bước phải làm ra
sao. Ngay cả những bộ phận vốn khá “truyền thống" như Vận đơn hoặc Mua hàng đều có
KPI liên quan đến Tăng trưởng; rõ ràng điều đó thúc đẩy toàn cty tiến về phía trước
- CÔNG THỨC HOÁ: khi bắt tay vào setup một mảng kinh doanh mới, hoặc 1 cty mới thì
làm sao dự trù được mọi thứ từ tài chính đến phân bổ ngân sách …. Một hệ thống dự toán
dựa trên dữ liệu lịch sử sẽ giúp giải được 50% những vấn đề rắc rối đó
VẬY NHÉ, thay vì ngồi loay hoay với hàng tá câu hỏi thì các bạn hãy Bắt tay vào làm ngay. Bằng
Excel/ Google sheet đều được. Khi kinh doanh phát triển và bắt đầu tạo ra lợi nhuận, có thể nâng
cấp thành CRM, CDP hay thậm chí ERP tuỳ mong muốn
14
CHECK LIST
Hình 7: biến một tổ chức thành Data-driven - tư vấn từ Sparkline
15
Từ hệ thống Googlesheet rất phức tạp của Giang và Tâm, đầu tư một chút xíu nữa bằng Google
data studio sẽ có được những Báo cáo đẹp mượt mà như thế này . Có thể nhìn được dễ dàng
trên Mobile, nắm bắt thông tin nhanh chóng và nói được những điều thật sự quan trọng. Nếu bạn
thích thì liên hệ A1digihub , hoặc tham gia group Google data studio 101
16
Chúng ta vừa kể câu chuyện của 2 bạn SMB có doanh số dưới một trăm tỉ. Vậy các ông lớn ngàn
tỉ thì sao ? Họ có đang ở quá xa so với những gì chúng ta biết không
Thực tế thì không nhiều công ty có thể đầu tư một đội ngũ Business Intelligence chuyên nghiệp.
Có đến 90% vẫn chọn lựa các giải pháp tự động hoá 1 phần, kết hợp với người và quy trình
Topica
Ban đầu thì họ dùng Excel (hệ thống rất phức tạp lên tới hàng trăm ngàn dòng) và phân tích bằng
PowerBI. Sau đó khoảng 2016, họ phát triển hệ thống tự động đo lường dữ liệu từ tất cả kênh
Quảng cáo (google/ facebook/coccoc…) đến khách hàng (crm) và giao dịch (mua khoá học). Từ đó
cấp Quản lí thấy rất rõ hiệu quả từ marketing đến sale một cách chính xác, tự động và vô cùng
trực quan.
- Biết được KPI và hiệu suất từng sản phẩm, từng team, từng chiến dịch, từng kênh Quảng
cáo
- Tiết kiệm đến 50% thời gian của marketing cho việc họp hành, tranh cãi (nhân với số
lượng nhân sự vài trăm người thì đó là con số vô cùng giá trị)
- quản lí nhóm dành 50% thời gian cho việc quản trị và hỗ trợ nhân sự cấp dưới, hiệu suất
cá nhân và cả nhóm tăng lên hẳn
Hình 10: Topica Nami, hệ thống quản lí Marketing tại Topica - cty chi tiền cho Facebook nhiều nhất
tại VN (mỗi năm gần trăm tỉ)
Fptshop
Với 1 trang Ecommerce lên đến hàng triệu visit, cùng hàng chục ngàn SKU thì việc nắm bắt hành
vi từng nhóm khách và Conversion rate từng kênh Quảng cáo không hề đơn giản. Hệ thống báo
cáo bằng Google data studio giúp cấp Quản lí thấy rất rõ hiệu quả từ marketing đến sale (online)
tự động, tập trung vào các vấn đề then chốt
Họ đã làm điều đó như thế nào ?
17
- Cấu hình lại Google analytics chuẩn chỉnh. Thực tế ở VN, đa phần mới dùng được 30% các
tính năng của Google analytics , nhất là phần Ecommerce tracking. Đây là khâu tốn thời
gian nhất
- Dùng Supermetrics kéo hết số liệu từ Google ads, Facebook ads, DSP, Google analytics...
về một chỗ. Khâu này tốn tiền (vài trăm usd/ tháng) và thời gian (vì phải xử lí các số liệu
sao cho chính xác)
- Lên dashboard. Việc này tốn công, gần 100 dashboard từ Traffic, Acquisition, Conversion,
Audience, Product, Devices, Location….Rất là hoành tráng và gía trị
Rất tiếc không thể chia sẻ Dashboard được nên các bạn tạm xem hình minh hoạ dưới đây,
thực tế thì hay hơn gấp 10 lần
Hình 11: E-Commerce dashboard, theo dõi hiệu quả marketing và sale. Các bạn có thể tham khảo
report khác từ Sisense
7-eleven
Để xây dựng văn hóa data-driven cho một tổ chức, một trong những điều tiên quyết là mọi người
từ trên xuống dưới phải tiếp cận được data họ cần một cách thuận tiện. Data phải được sử dụng
làm luận cứ cho các quan điểm được đưa ra (thay vì nói sản phẩm A bán rất tốt, ta phải nói bán tốt
là bán bao nhiêu, so với cái gì, ở khu vực nào…), cho từng cá nhân có thể theo dõi KPI của mình,
từ đó hoàn thành KPI chung. Tổ chức càng lớn, việc quản lý và phân quyền data càng phức tạp.
7-Eleven Việt Nam sở hữu lợi thế lớn khi có in-house tech team xây hệ thống quản lý bán lẻ từ
những ngày đầu. Sẽ không quá phức tạp để phát triển một report module cho cửa hàng sử dụng
Ruby on Rail & ReactJs…
18
Hệ thống Dashboard 7-Eleven dựng bằng Google Big query + Data studio. Khá giống với những
case study xem ở trên
Bài viết chi tiết tại:
https://medium.com/7-lab/7-eleven-viet-nam-dung-data-studio-bigquery-the-nao-b7196a191b1b
Hình 12: cấu trúc dữ liệu và cấu hình Data studio để phân tích số liệu tại 7-eleven
19
VỚI SMB: PHÂN TÍCH SỐ LIỆU có cần thiết không? Và phân tích xong để
làm gì ?
Anh em Smb thường nghĩ :
- cty nhỏ thì làm gì có data
- Kinh doanh đang lãi, đo đạc làm gì cho nhức đầu
- Thuê người vít ads ra đơn là được
Điều đó cũng ổn nếu bạn đang kinh doanh thuận lợi. Nhưng khi có sự cố thì làm sao biết lỗi lầm ở
đâu mà sửa? Và kể cả đang làm tốt thì tối ưu thêm nữa có tốt hơn không? Tiết kiệm 5% chi phí
hoặc tăng 5% doanh thu đều tạo ra lợi nhuận thấy rõ
Sự thực thì Smb có rất nhiều Số liệu đáng giá đến từ các platform Quảng cáo/ Bán hàng . Đó là
nguồn 1 tài nguyên dồi dào, đa dạng, tươi mới và ẩn chứa nhiều bí mật. Nhưng Số liệu sẽ không
có giá trị nếu không được tổ chức và phân tích thành các thông tin có ý nghĩa cho người quyết
định
Rất nhiều bạn làm Digital/ Ecommerce lâu năm còn đang khá lóng ngóng trong việc thấu hiểu Số
liệu. Công cụ cơ bản nhất là Google analytics , Google data studio mới chỉ được khai thác khoảng
30%. Còn Tableau, R, Python, SQL...vẫn còn xa lạ
Sau đây chúng ta sẽ tìm hiểu một số Ứng dụng cơ bản nhưng hiệu quả của Phân tích Số liệu
trong thực tế
Hình 12: hiểu đúng về từng loại số liệu trong tổ chức rất quan trọng, bất kể số liệu nhiều hay ít
20
Hình 13: Dashboard report của Chin Media agency chuyên chạy Performance cho các Ecommerce
lớn như Tiki, Lazada, Nguyễn Kim… dựng bằng Script + Googlesheet
Sẽ rất mệt mỏi và dễ sai sót khi số lượng dữ liệu lớn. Phương án này phù hợp nếu bạn chỉ có 1 vài
dự án, và chỉ chạy kênh Google ads → Web. Còn nếu phát sinh Facebook ads, Zalo ads… thì khó
đáp ứng được , hoặc tốn thời gian nhập bằng tay tự động
21
Tốt hơn bạn hãy dùng A1 analytics - không phải mình tự khoe tool nhà, mà đây là cách không cần
phải nghĩ: 5p để kết nối tài khoản và chọn mẫu report ưng ý (hàng trăm mẫu), gặp vấn đề kĩ thuật
hoặc đọc số không hiểu có Support ngay
Hình 12: A1 analytics để report đa kênh
Trước đây, một bạn Ads specialists tốn trung bình 5 tiếng mỗi tuần cho 5 report; thì một tháng tốn
25 tiếng (tương đương với khoảng 2 triệu tiền công) cho report . Thì với A1 analytics, bạn chỉ còn
tốn không đến 30 phút. Tiền tiết kiệm được đáng kể, nhưng Thời gian để làm việc khác sẽ tạo ra
giá trị lớn gấp nhiều lần
Cao cấp hơn nữa thì Supermetrics + Google data studio (hoặc Tableau)
Supermetrics là 1 startup tuyệt vời đến từ Phần Lan. Mình rất thích slogan của họ: “Built
with love, tea and coffee in Helsinki”. Với khả năng kéo dữ liệu siêu mượt, siêu nhanh từ
22
hàng trăm platform rồi cho phép đổ về excel / google sheet hoặc database, Supermetrics
là cánh tay đắc lực giúp Marketers kéo số trong chớp mắt
Google data studio là 1 sản phẩm của Google, cho phép bạn visualize mọi loại dữ liệu
thành các bảng biểu và chỉ số tự động. Kết hợp với Google Big Query và Google Cloud thì
đây là bộ 3 rất mạnh để lưu trữ và phân tích số liệu. Google cũng rất quan tâm đầu tư cho
mảng này
Tableau, vừa được Saleforce mua lại , còn xịn hơn Data studio
Ngoài ra còn có: klipfolio.com, Cyfe.com, Reportgarden, Databox , Tapclicks ...nhưng giá
không rẻ với VN (từ vài chục → trăm usd/ tháng)
#2 Phân tích số liệu để tối ưu Quảng cáo (Ads) ra đơn hàng
Bạn đã quá quen với việc chạy Facebook ads, hứng leads bằng form hoặc đổ thẳng về Inbox để
chốt đơn rồi đẩy qua đội giao nhận. Việc đó không quá khó khăn với quy mô nhỏ, nhưng khi công
việc kinh doanh bắt đầu tăng tốc lên tới vài chục đơn, hàng trăm khách mỗi ngày thì Dữ liệu sẽ là
nỗi đau khó chia sẻ cùng ai.
Bạn rất muốn biết
1. Số đơn hàng từ Tin nhắn - On Facebook Purchase
2. Chi phí cho một đơn hàng từ Tin nhắn - Cost / On Facebook Purchase
3. TỈ LỆ CHỐT ĐƠN từ Tin nhắn -> Biết ngay được hiệu quả làm việc giữa đội Marketing (số
Tin nhắn mới) và đội Sale (số đơn hàng chốt thành công)
Bạn rất muốn đơn giản hoá việc quản trị - vì mô hình kinh doanh này chỉ có 3 -5 người và phải
kiêm nhiệm đủ thứ
1. Kiểm soát được hiệu suất làm việc của nhân viên/freelancer/agency chạy Ads dựa trên
kết quả thực chạy so với KPI -> có thể nhanh chóng "hà hơi thổi lửa" vô gáy để anh em
làm nhiệt hơn và ĐẶC BIỆT không bị nhân viên lừa, qua mặt…
2. Nhìn rõ được cơ hội đầu tư vào quảng cáo sáng như trăng rằm tháng 8 -> tập trung đi
bốc bát họ để đẩy số thôi anh em ơi!!
3. Thấy đâu là nguyên nhân gây lãng phí ngân sách chỉ trong 1 cú liếc mắt -> Nhanh tay tắt
Ads hoặc điều chỉnh, không bị mất tiền oan
23
● Kết quả bán hàng, chi phí cho một đơn hàng trong theo chiều thời gian
● Kết quả thực chạy so với KPI đã để ra -> đưa ra quyết định kịp thời để tránh lỗ
● Chi tiết kết quả bán hàng và chi phí theo từng chiến dịch quảng cáo -> nên đầu tư
ngân sách quảng cáo vào đâu
● Chi tiết kết quả bán hàng và chi phí cho từng nhóm độ tuổi -> nên đầu tư ngân
sách quảng cáo vào nhóm tuổi nào
● ……...
Đây là 2 ví dụ đơn giản nhất, áp dụng cho các DN quy mô dưới 20 người và mô hình kinh
doanh đơn giản, chủ yếu là chạy ads chốt đơn trên 1 kênh. Còn DN chạy đa kênh, nhiều
người, doanh số trăm tỉ thì thế nào ? Thực ra về mặt quản trị vẫn không khác nhau là mấy
24
Khuyến nghị: Để bán hàng đa kênh thì cần xây dựng được Tư duy tạo phễu bằng Content/
Livestream chất và chuyển đổi khách hàng qua từng Touch points, kết hợp với đẩy số
bằng Ads & Remarketing. Khi logic số liệu hoà hợp với sức sáng tạo thì kết quả sẽ bùng
nổ. Đây là nội dung sẽ nói đến trong cuốn Growth mastermind, nên mình không đi sâu ở
đây
Hình 14: Workshop tạo phễu bằng Content chất và chăm Leads tự động bằng Mautic
#3 Phân tích số liệu để tối ưu hoá Lợi nhuận DN Bán hàng đa kênh
Bài toán điển hình: bán hàng trên kênh website, Lazada, Shopee. Nhân sự 30 người, chia làm 3
team quản lý từng kênh. Vài trăm đơn hàng mỗi ngày, doanh thu mỗi tháng vài tỷ.
Quy trình: Marketing kéo Lead để sale chốt (online + tele), sau đó vận đơn sẽ làm việc với cty
giao nhận để giao cho khách hàng + thu tiền.
Quen thuộc quá nhỉ. Có hàng chục ngàn anh em 8x, 9x đã kiếm tiền tỉ từ mô hình thế này.
Số liệu bị phân mảnh và lộn xộn do đơn hàng đến từ nhiều kênh khác nhau. Khó nắm được:
25
2. Hiệu quả hoạt động của từng nhân viên: kết quả vs KPIs , hiệu suất đang tăng hay giảm,
các chỉ số chính ở đâu so với mặt bằng chung…
3. Tình trạng vận đơn: giao thành công, huỷ, bùng, lead time…
4. Hàng hot nhất: để đưa ra các chương trình khuyến mãi kích cầu.
5. Số lượng bán, lợi nhuận theo từng sản phẩm.
6. Kênh bán hàng hiệu quả nhất
Rất Khó lên kế hoạch khi mà số liệu bị lưu thủ công rời rạc theo từng tháng, không có cái nhìn
toàn diện. Không thể đưa ra quyết định khi mọi thứ cứ tù mù và rối rắm như thế
- Đẩy dữ liệu từ các kênh bán hàng về Google sheet: có thể làm bằng tay, hoặc dùng API,
hoặc thông qua các tool tự động như A1 analytics hoặc Supermetrics
- Cấu trúc Google Sheet như một cơ sở dữ liệu tổng hợp cho hoạt động kinh doanh : phân
chia thành các bảng nhỏ cho từng mảng ( đơn hàng, bán hàng,vận đơn).
- Trực quan hóa dữ liệu lên dashboard thông qua Google Data Studio
26
Kết quả là các số liệu rối rắm trở thành các bảng biểu bắt mắt và giàu giá trị thông tin
Hình 15: Tổng quan hoạt động kinh doanh
Các chỉ số quan trọng được diễn hoạ bằng biểu đồ để nắm bắt được hoạt động kinh
doanh ( REAL TIME) , có thể đưa ra quyết định mọi lúc mọi nơi
27
Ngoài ra còn có các biểu đồ cơ cấu các tình trạng giao hàng, biểu đồ so sánh số
tiền phải thu và số tiền đã thu nhằm đem cái nhìn toàn diện và đầy đủ nhất cho
cấp quản lý
28
ashboard Hiệu quả bán hàng theo sản phẩm
4. D
Chi tiết những chỉ số: doanh thu, số lượng bán được theo từng sản phẩm nhằm tìm ra
được những sản phẩm hot nhất, cũng như biết được sản phẩm nào hết trend để thay thế
hoặc tối ưu quảng cáo
29
5. Dashboard Hiệu quả bán hàng theo kênh bán hàng
Tổng doanh thu và số lượng đơn hàng sẽ được breakdown ra theo kênh bán hàng nhằm
đưa ra được đâu là kênh bán hàng hiệu quả nhất để tập trung hoạt động kinh doanh
nhằm giảm chi phí.
30
Các chỉ số quan trọng như là chi phí, reach, mức độ hiển thị, lượng tương tác, số lượng
click vào link và leads sẽ được thể hiện dưới dạng số tổng hợp cũng như biểu đồ time
series, giúp manager có cái nhìn toàn diện và đầy đủ hơn.
#4 Phân tích số liệu để tối ưu hoá Marketing của Cty Nhân sự
Bài toán: Doanh nghiệp triển khai digital marketing & sự kiện nhằm tăng Brand awareness, thu
hút CV ứng viên và khách hàng tiềm năng.
Kênh: Google Ads, Google Analytics, Facebook Ads, Facebook Insight, LinkedIn Ads, LinkedIn
Business.
Vấn đề phát sinh vì có nhiều tài khoản quảng cáo và nhiều project liên tục trong năm. Số liệu
phân mảnh ở các nền tảng riêng biệt, và thay đổi liên tục theo campaign.
31
Ở quy mô trăm nhân sự thì cấp quản lý luôn cần một cách thức chuyên nghiệp và tin cậy hơn
- Làm sao để Quản lí luôn nắm được báo cáo kịp để ra quyết định cho hoạt động marketing.
- Trả lời được các câu hỏi đặc thù về Brand Performance của công ty.
Giải pháp
Không phức tạp, chỉ cần xử lí theo các bước sau đây:
− Tự động thu thập và lưu trữ, chuẩn hóa dữ liệu từ các nguồn về 1 chỗ
− Thiết kế các Dashboard, trả lời những Câu hỏi quan trọng nhất của cấp Quản lí
o Channel Overview: đóng góp Leads và ngân sách của từng kênh
o Campaign Overview: đóng góp về Leads và ngân sách của campaign.
o Performance Across channel: tổng quan các chỉ số tương tác của Website, Social
Listening, LinkedIn Insight, Facebook Insight, Email Marketing.
o Website performance: chỉ số về users, sessions, bounce rate, sessions duration, lead
(goal 1 conversion), conversion rate.
o Facebook Insights: impression, content clicks, page likes, net page likes, engagement,
engagement rate, likes, shares, comments, type reach, demographic, fanpage growth.
o LinkedIn Insights: impression,new followers, CTR, engagement, engagement rate, likes,
shares, comments, demographic, engagement
o Facebook Ads: tổng hợp dữ liệu từ 100 tài khoản quảng cáo.
o LinkedIn Ads: Awareness, Engagement, Amount spent, % budget, CPM, CPC, Cost per
lead, cost per engagement.
Một số Yêu cầu khác tuy nhỏ nhưng rất biết chiều lòng người dùng:
32
Một số Dashboard tham khảo
33
34
35
#5: Phân tích hiệu quả Tuyển dụng của trung tâm NGOẠI NGỮ.
Bài toán
Ở Quy mô vài trăm nhân viên và hơn 100 trung tâm trên toàn quốc, nhu cầu tuyển dụng diễn ra
quanh năm với số lượng lớn. Cách thức chủ yếu là đăng tin lên các kênh trực tuyến
(VietnamWorks, Careerbuilder, Jobstreet, Timviecnhanh,... và chạy quảng cáo trên Facebook
Ads, LinkedIn Ads.
Dữ liệu về tin tuyển dụng, ứng viên, phỏng vấn và đánh giá được lưu ở nhiều kênh, nhiều file với
định dạng khác nhau, gây ra khó khăn:
36
Giải pháp: phân tích số liệu cho phòng nhân sự nhằm quản trị việc tuyển dụng.
- Theo dõi kết quả tuyển dụng của Job, Campaign, Location.
- Theo dõi hiệu quả tuyển dụng của Nhân viên tuyển dụng, của Kênh tuyển dụng.
Cách làm cũng giống như các case study phía trên. Một số Dashboard để tham khảo:
37
Qua 5 bài toán điển hình ở trên, chúng ta thấy việc phân tích số liệu của SMB thật ra khá đơn
giản. Chỉ cần vài bước cấu hình, sử dụng những công cụ có sẵn là chúng ta đã có được một hệ
thống Dashboard dễ hiểu và giàu ý nghĩa. Điều tuyệt vời nữa là mọi thứ đều tự động, real time, và
nằm gọn trong lòng bàn tay (mobile)
- CEO/ Quản lí sẽ nhìn thấy được những chỉ số mà họ quan tâm nhất : acquisition,
evaluation, conversion và retention. Tránh phải bơi trong 1 đống metrics và biểu đồ phức
tạp
- Marketers sẽ giảm nỗi đau phải vật lộn với Excel để report hàng tuần cho sếp. Bạn cũng
đoán để làm được mấy cái bảng này cũng phải tốn cả ngày, mà phải xin số từ sale/ admin/
web/ social / seo…. chứ không thể tự có hết số được
- Sale và Marketers sẽ bớt cãi nhau xem vì sao Doanh số không tăng
- Purchasing/ Logistics sẽ thấy rõ xu hướng để tối ưu các hoạt động nhằm tạo ra lợi nhuận
**Bật mí là làm được mấy cái bảng cho mục đích như trên sẽ tốn khoảng cả ngàn usd và vài
tháng cật lực. Nhưng với quy mô nhỏ hơn, chỉ mất vài tuần và vài trăm usd là được
Hình 16: tấm hình huyền thoại từ Topica, đo lường các chỉ số từ Clicks --> Leads → Sale
38
Hình 12: A1 analytics khi tích hợp với Haravan, Kiotviet, Tiki, Shopee, Sapo
39
Để đo lường 4 mục tiêu này, Google analytics cung cấp hàng trăm loại Metrics khác nhau, với đầy
đủ biểu đồ và bảng số. Tuy vậy để hiểu mối tương quan giữa các Metrics và ảnh hưởng của
chúng đến từng mục tiêu là điều không hề dễ dàng. Cũng không có công thức chung mà phụ
thuộc vào từng ngành, từng mô hình kinh doanh. Ở đây chúng ta sẽ xem một framework cơ bản
về đo lường dựa theo hành trình 4 bước để chuyển đổi khách hàng:
40
Thay vì theo dõi lung tung các Metrics, chúng ta chỉ cần tập trung vào khoảng 30 metrics quan
trọng nhất và sắp xếp chúng theo một trình tự logic. Việc tiếp theo là cài đặt chuyển đổi cho thật
kĩ càng để đo lường chính xác các metrics này.
1. Acquisition: Thu hút
% of new users : là tỉ lệ người dùng mới thu hút được trong chu kì. Ví dụ 60% chứng tỏ
bạn đang làm marketing tốt, còn nếu 30% tức là bạn không thu hút được nhiều người mới
quan tâm
Bounce rate %: là tỉ lệ người đến landing page nhưng không tương tác mà sẽ rời trang.
Con số này tầm dưới 30% là ổn
% of sign-up/ first-time logins: tỉ lệ người đăng kí mới hoặc login lần đầu. Đây là con số
quan trọng với những Ecom/ Platform kiếm tiền từ người đăng kí
Các metrics này cần chia theo nguồn traffic để biết kênh nào hiệu quả: direct, organic,
referral, paid
2. Evaluation: Cân nhắc
Product view rate %: tỉ lệ người truy cập có xem sản phẩm
Product engagement rate %: đây là chỉ số quan trọng. Tỉ lệ người có tương tác với sản
phẩm (favorite, share, comment, chat…)
Scroll depth on content: độ dài nội dung được đọc. Ví dụ cũng là click vào 1 bài, nhưng
user chỉ lướt qua vài dòng, sẽ khác với việc họ kéo hết bài dài 3 trang
41
Funnel completion rate %: Catalog, Product, Cart (tra gop, gio hang, popup), Success. Tỉ
lệ càng cao qua mỗi bước chứng tỏ sản phẩm thu hút, UX tốt, đủ sức thuyết phục người
mua hàng
3. Purchase: Mua hàng
Ecommerce conversion rate %: tỉ lệ chuyển đổi. Thước đo quan trọng bậc nhất. Thường
chỉ khoảng 2%
No of successful transaction online: lượng giao dịch thành công. Luôn có chênh lệch
giữa số liệu GA và số liệu thực, nên đây mới là thước đo chính xác nhất cho chuyển đổi
Revenue: d oanh số bán
Average order value: giá trị trung bình 1 đơn hàng
Average margin per order: sau khi đã trừ chi phí km và giá vốn rồi thì 1 đơn lãi bao nhiêu.
Ví dụ có bán 1000 đơn mà mỗi đơn lãi 1k thì không khác gì cắt máu
Phân nhóm theo: Delivery, Store pickup, INstallment (app), Categories/ Brands
Cost of acquiring new customer (CAC): chi phí bỏ ra để tìm được 1 khách (marketing,
sale)
Cost per product engagement : chi phí cho 1 tương tác với sản phẩm
Ví dụ: đơn giản thì là người dùng xem sản phẩm 4 - 5 s (đủ để hiểu sơ bộ về thông tin )
Phức tạp hơn: trung bình trọng số của các chỉ số (độ sâu khi đọc bài , comment, rate,
zoom hình..)
Product view là chỉ số rất chung chung mà marketer hay sử dụng, không đủ nói lên được
mức độ thu hút của sản phẩm
4. Retention: quay lại
Số lượng active user theo tuần tháng, năm
Số lượng xem sản phẩm (no of product views)
% of returning visitors: người dùng quay lại nhiều là tốt, nhưng nhiều quá chứng tỏ bạn
đang không thu hút được khách mới
% of repeat purchase: theo tuần tháng, năm
Customer lifetime value: tổng giá trị mà khách đã mua trong khoảng thời gian. Càng cao
càng tốt
Cohorted by: acquisition channel, acquisition date, first bought product/brands
*Cohorted là 1 tính năng rất hay của GA, sẽ viết thành bài riêng
Cuối cùng, chúng ta hãy diễn hoạ bằng Dashboard theo trật tự mà CEO có thể nắm bắt được
trong vài nốt nhạc
42
Có Dashboard rồi thì phải làm gì ?
Chúng ta cần dành thời gian đào sâu vào từng dashboard để đi tìm ra lời giải cho bài toán tăng
trưởng. Việc này không hề dễ dàng với những người lười nhìn số, hơn nữa không phải dashboard
nào cũng có ý nghĩa. Tuy thế cần nghiền ngẫm, kiên nhẫn và rèn luyện mỗi ngày, vì trước khi đào
thấy vàng bao giờ cũng phải bới ra hàng đống sỏi đá
Trường hợp đơn giản:
Nếu đơn kênh, Ví dụ, với Google ads, dùng Script đổ về Google Sheet để quy định các Action
cho nhân viên mỗi khi biến động về CPC/ CPL xảy ra. Việc này sẽ giúp bạn không bị rơi vào các
tình huống “mếu máo" khi nhân viên non tay. Và khi chạy hàng trăm dự án cùng lúc, bạn sẽ học
được các quy tắc chung, đội ngũ cũng quen cách tư duy nghiêm túc dựa vào số liệu.
43
Google hay Facebook tuy thế cũng không sở hữu hết data của user, nên cách tính Attribution của
họ cũng không hoàn toàn chính xác. Ví dụ khách xem video clip xong thích quá, lên web xem rồi ra
cửa hàng mua. Đố biết vì do clip hay, web đẹp hay Sale khéo.
44
- Attribution model dùng để phán đoán , kết hợp với sự thấu hiểu về khách hàng, vận hành và thị
trường để quyết định việc đầu tư cho Sale & marketing. Chả có mô hình nào đúng tới 100% cả, nếu
đúng hơn 50% thì cũng khá ok rồi. Cho nên đầu tiên phải luôn có phân tích số liệu và ra được
attribution
- Attribution cho ta biết được kênh Quảng cáo& Marketing nào đem về được nhiều người quan tâm,
và tác động giữa các kênh đó ra sao. Nhưng để tăng trưởng số thì 50% thành công đến từ Sale &
Cskh; việc này ko ông Google hay Faceook nào làm được. Cho nên đầu tiên phải luôn có phân tích
số liệu và tìm ra được các cơ hội tăng trưởng
- Hiểu cách thức mà các Platform đang cố giải quyết rồi biến hoá cho phù hợp với đặc thù kinh
doanh mới đem lại kết quả
Ví dụ
- một số bạn vẫn đang chạy chuyển đổi landing page hoặc tin nhắn bán trăm đơn. Bí quyết
nằm ở việc chọn đúng sản phẩm và tập khách để vít
45
- Một số livestream hoặc seeding bán trăm đơn. Bí quyết nằm ở việc thấu hiểu Customer
Journey map, và khả năng chốt sale siêu đỉnh.
- Tech & Data tạo ra những con số và biểu đồ vi diệu, khơi nguồn cho ý tưởng
- Con người sáng tạo nên những cách thức phù hợp nhất với mô hình kinh doanh, là chìa
khoá quyết định thành bại
Và một slide rất hay về Marketing Automation dùng AI của Insider , 1 startup từ Thổ Nhĩ Kỳ trị giá
gần tỉ đô, được Sequoia Capital đầu tư, đang triển khai nhiều case study rất hay tại VN
Jack - ITAN - VN - How AI-Machine Learning is transforming the Digital Marketing
Technology-pages-1-37,39-43,45-50 (1).pdf
46
1. Shopee
- Recommend sản phẩm khi người dùng duyệt hoặc mua 1 sản phẩm có liên quan
- Tăng độ chính xác khi Search,
- Kiểm duyệt hình ảnh: hàng triệu bức ảnh, làm sao phân biệt được đâu là thật, đâu là fake, hình có
đạt chuẩn hay không, logo có hợp lệ không ?
- Tối ưu giao hàng: với quy mô lên đến vài chục → trăm ngàn đơn/ ngày thì làm sao việc ghép đơn
và xử lí được nhanh nhất
- Dự đoán nhu cầu mua sắm: hàng triệu khách vào xem thông tin, hỏi mua, không mua….thì làm
sao biết được nhu cầu gì sẽ hot để tập trung vào đấy
- Luôn xuất phát từ vấn đề bạn đang gặp. Liệu vấn đề đó cần giải bằng AI hay đôi khi excel là đã đủ
rồi
47
- Thử nghiệm trên quy mô nhỏ : có rất nhiều open source triển khai nhanh chóng.
- Thu thập và chuẩn hoá data. Nếu ko thì chẳng bao giờ tới AI được
“ Các bạn nhân sự bắt đầu hiểu khái niệm Tenure, Attrition, Retention, Span of Control, Total
Remuneration Packages, Job Structure, Job Grades, High Performers, High Potentials, Regrettable
Loss, Gender, Seniority, Age,... Ngoài ra, nhờ đội BI của AhaMove liên tục mở lớp MySQL, đội BI
của GHN sẵn sàng đứng ra chia sẻ các công cụ như datastudio có thể dùng làm gì, dùng như thế
nào,... mà đội HR của mình tự nhiên xuất hiện một số bạn đam mê làm số liệu, chơi với số mỗi
ngày, và mày mò tự chạy SQL, tự dùng thử các công cụ từ PowerBI, Tableu, R, cho đến Datastudio
để trình diễn dữ liệu mà mình có được”
48
XÂY DỰNG HỆ THỐNG PHÂN TÍCH SỐ LIỆU NỘI BỘ CỦA DN THÌ CẦN LƯU Ý GÌ?
Phần này dành cho CEO/ Quản lí, những người rất hiểu và coi trọng tầm quan trọng của phân
tích dữ liệu, nhưng không biết bắt đầu từ đâu
Dễ nhất là đi thuê 1 cty chuyên môn (như A1digihub hoặc Holistics chẳng hạn), hoặc thuê 1 team
freelancer. Tuy vậy ngay cả như vậy thì các dự án phân tích dữ liệu vẫn thất bại nếu chúng ta không
làm rõ từ đầu
Mình sẽ không đi sâu vào chi tiết, mà chỉ chia sẻ một mô hình đơn giản dựa trên kinh nghiệm tư vấn
cho hàng trăm khách hàng SMB
Ai cũng hiểu tầm quan trọng của Dữ liệu. Nhưng mối quan tâm về Dữ liệu của mỗi vị trí trong
công ty sẽ khác nhau
CEO/ Manager
Góc nhìn luôn theo hướng tóm gọn, tập trung vào những điểm quan trọng, có cảnh báo hoặc đề
xuất. Mọi thứ nên tập trung vào trong 1 - 2 trang màn hình (mobile) để không cần tốn quá nhiều
thời gian nắm bắt tình hình. Ngoài ra cần có sự logic theo trình tự từ Tổng quan đến chi tiết, từ Kết
quả đến yếu tố tác động.
49
BA / BI
Là những người được trả lương (rất cao) để phân tích số liệu, nhưng nếu không cẩn thận sau một
thời gian ngồi đi làm thống kê bạn sẽ nhận được sự hoài nghi của cả DN về giá trị đóng góp. Kinh
nghiệm là bạn phải đứng ở phía của BOD để thực sự hiểu về “Vấn đề" DN đang quan tâm và vai
trò của Dữ liệu trong việc trả lời các mối bận tâm đó
Hiểu mô hình kinh doanh
Hiểu các chỉ số đo lường chính
trong DN
Hiểu được cách tư duy ra quyết
định của BOD
Hiểu được các rủi ro DN gặp phải
khi dữ liệu sai
Hiểu được cách mà từng bộ phận
đang tạo ra Dữ liệu
Cuối cùng, một trong những kĩ năng quan trọng của BA/ BI chính là thuyết trình và giao tiếp: Trình
bày được Vấn đề → Giải pháp theo cách mà người bình thường có thể hiểu được.
Ngạc nhiên chưa ?
Tuy nhiên càng đụng tới những vấn đề phức tạp như Dữ liệu hay Công nghệ, thì yếu tố then chốt
để tạo ra đồng thuận vẫn là mối quan hệ và ứng xử giữa người và người. Khi trái tim đã thông thì
khối óc mới thông thoáng được
Một số tài liệu tham khảo để các DN hoặc team/ freelancer có thể bắt đầu các dự án phân tích số
liệu từ đơn giản đến vừa phải
50
Hình 20: A1digihub thăm Tencent , một trong những cty internet lớn nhất Trung Quốc, và một trong
những cty có văn hoá Data-driven mạnh mẽ nhất . Bài chia sẻ tại đây
51
Một số bài viết và tài liệu hay để các bạn đọc thêm
1. Thông não về Data
Data analysis – từ Tinh hoa đến Bình dân (bài 1)
Data analysis – từ Tinh hoa đến Bình dân (bài 2)
Top 7 biểu đồ giúp phân tích & minh họa dữ liệu tốt nhất
Top 10 công cụ tốt nhất cho Nhà Phân tích Dữ liệu
So sánh 3 công cụ phân tích số liệu - A1 Analytics
DASHBOARD VS REPORTS - BẠN CẦN GÌ?
Thư từ Hàng Châu: nghĩ về tương lai quảng cáo & bán hàng cho SMB
Học được gì khi làm sản phẩm với Google
2. Trở thành Data science
Data Science – Mỏ vàng của Kỉ nguyên số
Giải quyết bài toán data pipeline với đích đến là BigQuery
Vì sao SQL lại quan trọng, kể cả khi bạn làm marketing, finance, operations…
Netflix Recommendation System bằng Excel
7-Eleven Việt Nam dùng Data Studio & BigQuery thế nào?
TỰ DỰNG DATA WAREHOUSE - PHẦN 1
TỰ DỰNG DATA WAREHOUSE - PHẦN 2
3. Học Data studio
Xây dựng report tự động bằng Data studio
Hướng Dẫn Data Studio Template by 88 Lab
Dùng Google Analytics và Google Data Studio hiểu hành vi Khách hàng
Recap workshop “Trực quan hóa dữ liệu bằng Google Data Studio” 8/6/2019
A1 - Visualize your Ads Data with Google Data Studio - trungnb - 240519
4. Ecommerce Analytics
Cuốn sách khá hay về Ecommerce analytics, A1digihub đã dịch được 5 chương
Bản gốc Phillips, Judah - Ecommerce analytics _ analyze and improve the impact of your
digital strategy (2016, Pearson).epub
5. Các địa chỉ tin cậy để tham khảo
Các Group c hất
Google data studio 101: phát triển bởi A1digihub, đến nay là group chất lượng và thường
xuyên có Livestream/ Webinar/ Đào tạo
Data Science & Big Data Vietnam Public Group: group rất đông các ae làm về
Kinh doanh trong kỉ nguyên số : có lẽ là nơi chứa nhiều bài viết chất lượng hàng đầu về
data analytics ở VN
Tăng Trưởng Số Public Group : khoảng 1700 members nhưng là Group chất lượng hàng
52
i cũng tò mò về dữ liệu - dù bạn là CEO/Chủ DN hoặc Marketers. Mong rằng cuốn sách nhỏ này
Lời kết: A
sẽ giúp bạn hiểu rõ và tự tin hơn về nó
53
PHỤ LỤC
Trong phần này sẽ kể câu chuyện về việc Linkedin, Walmart, Nextflix dùng Big data như thế nào.
Các bài đều được dịch bởi ITAN - Ứng dụng công nghệ thông tin trong điều hành và quản lý doanh
nghiệp . Nội dung gốc hơi khó đọc nên mình có biên tập cho gọn bớt
LINKEDIN: Làm thế nào dữ liệu lớn được sử dụng để thúc đẩy thành công truyền thông xã
hội
Bối cảnh
- Cạnh tranh giữa các mạng xã hội trở nên khốc liệt hơn bao giờ hết
- LinkedIn cần đảm bảo họ luôn là một công cụ thiết yếu giúp các chuyên gia bận rộn làm việc
hiệu quả và thành công hơn
Big Data là trung tâm của các hoạt động và ra quyết định của LinkedIn
- theo dõi mọi hành vi người dùng: click, pageviews, tương tác. Quy mô khủng khiếp: 410
triệu thành viên, triệu triệu sự kiện để xử lý mỗi ngày
- phân tích hàng núi dữ liệu để hỗ trợ cho việc ra quyết định, và thiết kế các sản phẩm và tính
năng cung cấp dữ liệu.
LinkedIn sử dụng dữ liệu kết hợp Machine learning để đưa ra đề xuất những người mà bạn có thể
biết đến: vừa nhấp vào hồ sơ, làm việc tại chung công ty, cùng mối bận tâm…
Ví dụ, đề xuất người bạn có thể biết làm việc tại Công ty A (mà bạn đã làm việc tám năm trước) và
Công ty B (mà bạn đã làm việc hai năm trước). Nếu bạn gần như không bao giờ nhấp vào hồ sơ
của những người từ Công ty A nhưng thường xuyên kiểm tra các đề xuất từ Công ty B, LinkedIn sẽ
ưu tiên Công ty B trong các đề xuất của họ trong tương lai. Phương pháp cá nhân hóa này cho
phép người dùng xây dựng các mạng hoạt động tốt nhất cho họ.
Một trong những tính năng khiến LinkedIn khác biệt là cách nó cho phép bạn xem ai đã xem hồ sơ
của bạn: xem người đó đến từ khu vực và ngành nào
LinkedIn liên tục thu thập và hiển thị dữ liệu mới cho người dùng. công nghệ xử lý luồng thời gian
thực, truyền dữ liệu trực tiếp từ nguồn (như hoạt động của người dùng) và phân tích dữ liệu nhanh
chóng.
54
LinkedIn cần phải tăng doanh thu thông qua các dịch vụ tuyển dụng, thành viên trả phí và quảng
cáo. Dữ liệu lớn có vai trò trong việc tăng doanh thu cũng như cải thiện trải nghiệm người dùng.
Ví dụ: quảng cáo chiếm 20% - 25% doanh thu - cần phân tích để hiểu lý do tại sao các thành viên
nhấp vào một số quảng cáo nhất định mà không phải các quảng cáo khác, từ đó phân bổ quảng cáo
hiệu quả hơn.
cử động người dùng của họ thực hiện trên các trang web, từ tất cả mọi thứ thích và chia sẻ để mọi
công việc nhấp vào và mọi liên lạc nhắn tin cho. xử lý hàng triệu truy vấn mỗi giây.
- Hadoop là thành phần cốt lõi của cơ sở hạ tầng dữ liệu lớn của LinkedIn :hàng ngàn máy
chạy bản đồ / giảm việc làm.
- Các phần quan trọng khác : Oracle, Pig, Hive, Kafka, Java và MySQL. LinkedIn đã chạy hết
công suất của ba trung tâm dữ liệu chính.
LinkedIn cũng đã phát triển các công cụ nguồn mở riêng để truy cập và phân tích Dữ liệu lớn. Kafka
bắt đầu sử dụng theo cách này và các phát triển khác bao gồm Voldemort và Espresso (để lưu trữ
dữ liệu) và Pinot (cho phân tích).
Ngoài ra, công ty có khoảng 150 chuyên gia làm việc theo nhóm và xuất bản tại các hội nghị lớn ,
đóng góp cho cộng đồng nguồn mở.
- tăng trưởng dữ liệu khổng lồ là một thách thức mà LinkedIn liên tục phải vượt qua --> đầu tư
vào các hệ thống có khả năng mở rộng cao và đảm bảo dữ liệu vẫn đủ chi tiết
- Từ 1000 nhân viên năm năm trước, LinkedIn đã phát triển gần 9000 ngườ. Nhu cầu phân
tích và khoa học dữ liệu giờ đây được đòi hỏi hơn bao giờ hết tại LinkedIn. Họ đang tìm
cách thuê hơn 100 nhà khoa học dữ liệu trong năm 2015 (tăng 50% so với năm 2014).
55
WALMART: dữ liệu lớn được sử dụng để tăng hiệu suất siêu thị?
Walmart - nhà bán lẻ lớn nhất thế giới về doanh thu, có hai triệu nhân viên ; 20.000 cửa hàng tại 28
quốc gia. Không có gì ngạc nhiên khi họ đã nhận thấy giá trị trong phân tích dữ liệu từ lâu.
Walmart đã phát triển bộ phận Phân tích và Dữ liệu Lớn, đạt tới khả năng xử lý 2,5 petabyte thông
tin mỗi giờ vào 2015
Walmart Data Cafe, một trung tâm phân tích hiện đại theo dõi 200 luồng dữ liệu bên trong và bên
ngoài theo thời gian thực, bao gồm cơ sở dữ liệu 40 petabyte của tất cả các giao dịch bán hàng
trong những tuần trước
Ngoài ra còn có một hệ thống theo dõi các chỉ số hiệu suất trên toàn công ty và kích hoạt cảnh báo
tự động khi họ đạt đến một mức nhất định
Naveen Peddamail - Nhà phân tích thống kê cấp cao của Walmart - nói:
Nếu bạn không thể phân tích doanh số trong một tuần hoặc một tháng, thì bạn đã mất doanh số
trong thời gian đó. Mục tiêu của chúng tôi là luôn luôn có được thông tin cho các đối tác kinh doanh
của chúng tôi nhanh nhất có thể, để họ có thể hành động và cắt giảm thời gian quay vòng.
- Một đội tạp hóa đang gặp khó khăn để hiểu tại sao doanh số bán các sản phẩm cụ thể được
giảm bất ngờ. Dữ liệu của Data Cafe, rất nhanh chóng nhận ra rằng sự suy giảm đó có liên
quan trực tiếp đến lỗi về định giá. Lỗi ngay lập tức được khắc phục và doanh số phục hồi
trong vòng vài ngày.
- Một mùa Halloween, số liệu bán bánh quy cho thấy rằng có một số địa điểm không bán
được như ý. Ngay lập tức gửi kích hoạt cảnh báo cho các nhóm bán hàng có trách nhiệm,
những người nhanh chóng nhận ra rằng các sản phẩm thậm chí còn chưa được đưa lên kệ.
Không hề phức tạp, nhưng sẽ không thể thực hiện được nếu không có các phân tích thời
gian thực.
- “Walmart ’s Social Genome” là ứng dụng lắng nghe các cuộc trò chuyện trên Mxh và cố
gắng dự đoán những sản phẩm mà mọi người sẽ mua
- Shopycat, dự đoán thói quen mua sắm của mọi người bị ảnh hưởng bởi bạn bè của họ (sử
dụng lại dữ liệu truyền thông xã hội)
- Công cụ tìm kiếm riêng Polaris, cho phép phân tích các cụm từ tìm kiếm trên trang web.
56
Với tham vọng của Walmart, việc mở rộng nhanh chóng đòi hỏi một lượng lớn nhân viên mới và
việc tìm đúng người với các kỹ năng phù hợp tỏ ra khó khăn.
Một trong những phương pháp tiếp cận là cuộc thi trên trang web Kaggle - do cộng đồng các nhà
khoa học dữ liệu đóng góp.
Kaggle đặt cho người dự thi một thách thức liên quan đến việc dự đoán các sự kiện quảng cáo và
theo mùa như bán hàng và giải phóng mặt bằng sẽ ảnh hưởng đến doanh số của một số sản phẩm
khác nhau. Những người đã đưa ra các mô hình phù hợp nhất với dữ liệu thực tế do Walmart thu
thập được mời để ứng tuyển vào các vị trí trong nhóm khoa học dữ liệu. Một trong những người đó
là Naveen Peddamail
Nhà tuyển dụng cao cấp của Walmart, Mandar Thakur nói: Cuộc thi Kaggle đã tạo ra một tiếng vang
về Walmart và tổ chức phân tích của chúng tôi. Mọi người luôn biết Walmart đã tạo ra và có rất
nhiều dữ liệu, nhưng phần hay nhất là điều này cho mọi người thấy cách chúng tôi sử dụng nó một
cách chiến lược.
- Các siêu thị là các doanh nghiệp lớn, nhanh, liên tục thay đổi, phức tạp, nhiều hệ thống rời
rạc, là một doanh nghiệp lý tưởng để áp dụng phân tích Dữ liệu lớn.
- Thành công trong kinh doanh được thúc đẩy bởi sự cạnh tranh. Walmart luôn dẫn đầu trong
các sáng kiến dựa trên dữ liệu, chẳng hạn như các chương trình trung thành và khen
thưởng, và bằng cách hết lòng cam kết với những tiến bộ mới nhất trong các phân tích đáp
ứng, thời gian thực mà họ đã cho thấy họ có kế hoạch duy trì tính cạnh tranh.
Bonus thêm slideshare How Linkedin uses Automic for Big Data Processes
57
58