Phân tích bất kỳ chỉ số nào bằng những câu hỏi "Cái gì" đơn giản

Khi bạn nhìn thấy một tuyên bố táo bạo như "Hiệu suất được cải thiện gấp 5 lần", nó được thiết kế để khiến bạn nghĩ rằng: "Thật ấn tượng, chắc chắn đáng để bỏ tiền và thời gian ra đầu tư".

Tuy nhiên, một câu nói độc lập như vậy thực chất là một "cờ đỏ". Việc biết cách thẩm định các chỉ số mơ hồ là một kỹ năng nền tảng dành cho bất kỳ ai muốn tách biệt giá trị thực sự khỏi những chiêu trò marketing khôn khéo.

Đó là lý do tôi mời bạn đeo lên "kính phân tích dữ liệu" để khám phá bối cảnh cần thiết, từ đó có được những thông tin chi tiết mà bạn có thể hành động ngay.

Sự phổ biến của phân tích dữ liệu (analytics) đã đi theo một lộ trình tương tự như tâm lý học: từ sự hướng dẫn của các chuyên gia đến các sách tự giúp đỡ, và cuối cùng là các bài đăng blog, video YouTube hay những câu truyền cảm hứng trên Instagram. Ý tưởng chung là chúng ta muốn thể hiện nỗi đau của mình thành những lời nói có thể in自豪 lên chiếc áo hoodie — và giải thích với thế giới một nhà phân tích (như tôi!) làm gì, tưởng rằng điều đó cũng giải thích được cả lĩnh vực phân tích.

Tất nhiên, với những người bắt gặp tôi vào ngày giặt đồ, tôi có một lời giải thích đơn giản về phân tích dữ liệu: "Những gì bạn thấy hiếm khi là những gì bạn nhận được", trong khi thống kê thì "Sự thật ở đâu đó ngoài kia" (như trong bộ phim The X-Files).

Tôi luôn hào hứng với việc tìm kiếm "sự thật", nhưng hiện tại tôi thích "bơi" trong vùng nước của phân tích dữ liệu hơn. Đó là lý do tôi kiên định với tuyên bố này:

Những dashboard lộng lẫy được hỗ trợ bởi nghệ thuật kể chuyện bằng dữ liệu thường nhằm che mắt những người không được đào tạo bằng cách trình bày những thông tin chi tiết đã được chọn lọc kỹ lưỡng.

Trong khi đó, một con mắt được đào tạo sẽ biết rằng ẩn sau các chỉ số đó luôn còn nhiều điều hơn khi gặp một câu nói kiểu như:

"Hiệu suất được cải thiện gấp 5 lần."

Theo sau đó là một dấu chấm câu. Tôi không biết bạn thế nào, nhưng nhìn thấy câu đó mà biết có người dám gọi nó là một chỉ số thành công thì thực sự đau đầu.

Vì lẽ thường tình mà tôi hy vọng vẫn còn tồn tại trong "vùng hỗn loạn AI" hiện nay, hãy viết lại câu nói trên theo cách mà một chỉ số nên được trình bày bằng cách thêm vào...

#1: Các chiều (Dimensions)

Tôi biết một số bạn tôi vẫn là người theo đuổi Simon Sinek sẽ nói: "Hãy bắt đầu bằng 'Tại sao' (Why)."

Không. Tôi bắt đầu bằng "Cái gì" (What), và hỏi: "Cải thiện cái gì?"

Tôi dám hỏi vì điều đầu tiên xuất hiện trong đầu sau khi thấy từ "cải thiện" lơ lửng như vậy là:

print("Cải thiện là 5x.")

Và đó không phải là cách để có được thông tin chi tiết mà ai đó có thể hành động được, đúng không?

Nhưng hãy tưởng tượng một chút nếu câu nói được diễn đạt là "Độ chính xác của mô hình được cải thiện gấp 5 lần".

Nếu là trường hợp đó, tôi sẽ hình dung ra một bảng nhỏ với các chiều hiệu suất cụ thể, chẳng hạn như độ chính xác của mô hình, và các phép đo chính xác đã được ghi lại.

Tuy nhiên, để chắc chắn rằng con số "5x" không bị bịa đặt, chiều thứ hai còn thiếu trong bảng tưởng tượng của tôi là ngày/giờ. Điều này sẽ khiến câu nói của chúng ta nghe như sau:

"Độ chính xác của mô hình hàng tháng được cải thiện gấp 5 lần."

Hình ảnh minh họa về phân tích dữ liệu

Bây giờ thì tốt hơn, hoặc ít nhất là cảm thấy như vậy, bởi vì chúng ta có thể khẳng định sự cải thiện được suy ra từ việc so sánh các nhật ký độ chính xác của mô hình qua các lần chạy hàng tháng.

Nhưng để hiểu con số "5x" này, hay bất kỳ sự cải thiện nào, một mảnh thông tin quan trọng khác còn thiếu là...

#2: Mốc cơ sở (Baseline)

Đó là lý do tôi sẽ tiếp tục với các câu hỏi "Cái gì" của mình bằng cách hỏi: "Cải thiện từ cái gì?"

Một "sự cải thiện gấp 5 lần" thực sự nghe có vẻ tuyệt vời cho đến khi chúng ta nhận ra độ chính xác cơ bản của mô hình để dự đoán đúng kết quả trong số 100 khả năng là 1% tháng trước, và bây giờ là 5%.

Nếu chúng ta thấy giá trị thô là 5%, chúng ta sẽ biết điều đó có nghĩa là dự đoán của mô hình vẫn sai 95% thời gian, và sẽ không coi đó là một loại cải thiện đáng để thúc đẩy hành động của mình. Đó là lý do chúng ta thường không được thấy các con số thô, mà chỉ là một con số "5x" trông rất đẹp trên dashboard.

Có thông tin này, chúng ta có thể viết lại câu nói một lần nữa:

"Độ chính xác của mô hình hàng tháng được cải thiện gấp 5 lần, tăng từ mức cơ sở 1% lên 5%."

Trông nó tốt hơn rồi. Tuy nhiên, việc nhìn thấy một khoảng thời gian cụ thể được gắn vào dẫn tôi đến mảnh thông tin còn thiếu tiếp theo...

#3: Kỳ so sánh (Comparison Period)

Điều này dẫn tôi đến câu hỏi "Cái gì" cuối cùng: "Cải thiện so với giai đoạn nào?"

Câu nói của chúng ta vẫn không cho chúng ta biết loại so sánh nào đang được thực hiện — một sự tiến triển theo thời gian, một so sánh theo chu kỳ cố định (so với tháng trước, quý trước, năm trước), hay một so sánh trong giai đoạn tùy ý?

Để nói cách khác: Đây là so sánh trực tiếp với tháng trước, hay qua nhiều tháng liên tiếp? Có thể là so sánh năm trên năm (year-over-year), nơi tháng này được so sánh với cùng tháng năm ngoái? Hay chỉ là một so sánh tùy ý giữa hai tháng được chọn bằng tay?

Giả sử chúng ta có câu trả lời, chúng ta có thể tinh chỉnh phiên bản trước một lần nữa:

"So sánh kết quả tháng 5 năm 2026 với tháng 4 năm 2026, độ chính xác của mô hình hàng tháng được cải thiện gấp 5 lần, tăng từ mức cơ sở 1% lên 5%."

Tốt hơn nhiều. Câu nói cuối cùng cũng cho chúng ta biết cái gì được cải thiện, từ mốc cơ sở nào, và trong khoảng thời gian nào. Và bây giờ, để niềm vui của một số bạn tôi, tôi sẽ hỏi...

Các câu hỏi "Tại sao" (Why)

Để kết thúc, đây là hai câu hỏi "Tại sao" mà tôi sẽ đặt ra khi gặp một câu nói như "Cải thiện là 5x":

#1: Tại sao chỉ số này lại quan trọng với tôi?

Những chỉ số thúc đẩy quyết định của người trình bày không phải lúc nào cũng là những chỉ số thúc đẩy quyết định của bạn, và mức độ chi tiết cũng vậy. Điều đủ để họ quyết định thường không đủ để bạn hành động. Vì vậy, lần tới khi ai đó trình bày một câu nói tương tự như trên, hãy hỏi họ nó dành cho ai và những hành động nào nó được cho là sẽ thúc đẩy.

#2: Tại sao các câu hỏi "Cái gì" lại bị bỏ sót?

Có, bắt đầu bằng "Tại sao" là phù hợp, đặc biệt là khi bạn đang cố gắng hiểu một vấn đề cho một trường hợp sử dụng cụ thể. Nhưng khi nói đến việc hiểu chỉ số ngay trước mắt bạn — một chỉ số đã được trình bày với "Tại sao" riêng của nó — bạn cần thẩm định nó bằng các câu hỏi "Cái gì" để không bị những dashboard lộng lẫy và những câu chuyện kể bằng dữ liệu đánh lừa.

Hình ảnh minh họa về so sánh dữ liệu

Một sự thật thú vị để kết thúc: Tắc kè hoa có thể chuyển động từng mắt một cách độc lập, một mắt theo dõi mối đe dọa, mắt kia quét đường chân trời, mang lại cho chúng khoảng 180° tầm nhìn ngang và 90° tầm nhìn dọc.

Một chút giống như những người có con mắt phân tích được đào tạo bài bản, người giỏi trong việc phát hiện những gì ngay trước mặt: một mắt nhìn vào chỉ số được hiển thị, mắt kia nhìn vào mọi thứ xung quanh chưa được hiển thị.

Cảm ơn bạn đã đọc.