Cách diễn giải kết quả nghiên cứu thị trường

Vì vậy, một tỷ lệ như “42% khách hàng ưu tiên giá” chưa phải insight. Cần biết 42% thuộc nhóm khách hàng nào, câu hỏi được đặt ra ra sao, mẫu có đại diện không, tỷ lệ này khác bao nhiêu so với lựa chọn khác hoặc giai đoạn trước, và sự khác biệt có đủ lớn để ảnh hưởng đến quyết định kinh doanh hay không.

Cách diễn giải tốt thường đi theo chuỗi: câu hỏi nghiên cứu → chất lượng dữ liệu → phát hiện → so sánh → giải thích → giới hạn → ý nghĩa kinh doanh → hành động. Chuỗi này giúp tránh hai lỗi phổ biến: biến mọi con số thành một kết luận quan trọng hoặc đưa ra khuyến nghị mạnh hơn mức dữ liệu thực sự chứng minh.

Bắt đầu bằng câu hỏi nghiên cứu thay vì bắt đầu bằng số liệu

Một bảng dữ liệu có thể chứa hàng chục tỷ lệ, điểm trung bình và phân khúc, nhưng không phải số liệu nào cũng có cùng giá trị. Việc diễn giải nên bắt đầu bằng câu hỏi mà nghiên cứu cần giải quyết.

Nếu mục tiêu là xác định nguyên nhân khách hàng chưa mua sản phẩm, các số liệu về nhận biết thương hiệu chỉ có ý nghĩa khi chúng giúp giải thích hành vi không mua. Nếu mục tiêu là tìm phân khúc có tiềm năng, sự khác biệt giữa các nhóm khách hàng quan trọng hơn tỷ lệ trung bình của toàn bộ mẫu.

Cần phân biệt ba lớp thông tin:

·         Kết quả: Điều dữ liệu trực tiếp ghi nhận, chẳng hạn 48% người được hỏi cho rằng giá sản phẩm cao

·         Diễn giải: Ý nghĩa hợp lý của kết quả, chẳng hạn cảm nhận về giá đang là một rào cản đáng kể đối với một nhóm khách hàng

·         Khuyến nghị: Phản ứng kinh doanh có thể cân nhắc, chẳng hạn kiểm tra lại cấu trúc gói sản phẩm, cách truyền đạt giá trị hoặc mức giá dành cho nhóm nhạy cảm về giá

Ba lớp này không được nhập làm một. Dữ liệu cho thấy “48% cho rằng giá cao” không tự động chứng minh rằng doanh nghiệp phải giảm giá. Khách hàng có thể cảm thấy giá cao vì chưa nhận thấy đủ giá trị, vì đang so sánh với sản phẩm khác hoặc vì sản phẩm nằm ngoài ngân sách của một phân khúc cụ thể.

Do đó, trước khi diễn giải một phát hiện, nên hỏi: Con số này trả lời phần nào của câu hỏi nghiên cứu? Nếu không trả lời được, con số đó có thể chỉ là thông tin mô tả chứ chưa phải phát hiện cần ưu tiên.

Kiểm tra độ tin cậy trước khi giải thích ý nghĩa

Một kết luận có vẻ thuyết phục vẫn có thể sai nếu dữ liệu đầu vào không đủ tin cậy. Trước khi suy luận từ kết quả nghiên cứu thị trường, cần kiểm tra ít nhất phạm vi mẫu, cách lấy mẫu, kích thước mẫu, cơ cấu mẫu, trọng số và cách đặt câu hỏi.

Xác định đúng đối tượng mà kết quả đại diện

Kết quả của một mẫu chỉ nên được suy rộng đến quần thể mà phương pháp nghiên cứu cho phép.

Ví dụ, khảo sát 800 người mua hàng trực tuyến không mặc nhiên đại diện cho toàn bộ người tiêu dùng nếu nhóm không mua trực tuyến cũng thuộc thị trường mục tiêu. Tương tự, một khảo sát khách hàng hiện tại có thể mô tả tốt trải nghiệm của người đang sử dụng sản phẩm nhưng không nhất thiết giải thích được lý do khách hàng tiềm năng chưa mua.

Khi mẫu lệch so với thị trường mục tiêu, weighting có thể điều chỉnh đóng góp tương đối của các nhóm dựa trên những đặc điểm đã biết. Tuy nhiên, trọng số không thể tự động loại bỏ mọi dạng sai lệch. Một nhóm khách hàng quan trọng bị bỏ sót khỏi khung mẫu vẫn có thể khiến kết quả không phản ánh đầy đủ thị trường.

Đọc kích thước mẫu cùng với độ bất định

Tỷ lệ khảo sát là một ước lượng chứ không phải giá trị tuyệt đối của toàn bộ thị trường. Với nghiên cứu lấy mẫu xác suất, sai số lấy mẫu hoặc khoảng tin cậy cho biết mức độ bất định xung quanh ước lượng.

Điều này đặc biệt quan trọng khi so sánh các phân khúc. Một nghiên cứu có tổng mẫu lớn nhưng một nhóm nhỏ chỉ gồm vài chục người vẫn có thể tạo ra ước lượng rất dao động.

Giả sử:

·         42% nhóm A lựa chọn một sản phẩm

·         37% nhóm B lựa chọn sản phẩm đó

·         Chênh lệch quan sát là 5 điểm phần trăm

Không nên lập tức kết luận nhóm A có nhu cầu cao hơn nhóm B. Cần xem kích thước từng nhóm, thiết kế mẫu và độ bất định của chính chênh lệch trước khi xác định đây là khác biệt đáng tin cậy hay chỉ là dao động do lấy mẫu.

Đối với mẫu phi xác suất, một con số được trình bày như “±3%” cũng không nên mặc nhiên được hiểu giống sai số lấy mẫu của một mẫu ngẫu nhiên. Khả năng suy rộng còn phụ thuộc vào mô hình chọn mẫu và các giả định được sử dụng.

Kiểm tra câu hỏi và bối cảnh đo lường

Sai số lấy mẫu chỉ là một nguồn bất định. Cách viết câu hỏi, thứ tự câu hỏi, lựa chọn trả lời, tỷ lệ không phản hồi và cách thu thập dữ liệu cũng có thể ảnh hưởng đến kết quả.

Hai câu hỏi gần giống nhau về ngôn từ có thể đo những khái niệm khác nhau. “Bạn có thích sản phẩm này không?” không tương đương với “Bạn có sẵn sàng mua sản phẩm này với mức giá X không?”. Kết quả đầu tiên phản ánh thái độ; kết quả thứ hai gần với ý định mua hơn nhưng vẫn chưa phải hành vi mua thực tế.

Vì vậy, diễn giải phải bám vào điều đã được đo, không nâng mức kết luận vượt quá biến quan sát.

Đọc độ lớn của kết quả chứ không chỉ nhìn hướng tăng giảm

Một khác biệt có thể tồn tại về mặt số học nhưng không nhất thiết quan trọng về mặt kinh doanh.

Ví dụ, mức độ hài lòng tăng từ 81% lên 82%. Kết quả là tăng, nhưng 1 điểm phần trăm có thể quá nhỏ để thay đổi quyết định. Ngược lại, tỷ lệ khách hàng từ bỏ quy trình thanh toán tăng từ 8% lên 12% là mức tăng 4 điểm phần trăm nhưng tương đương tăng 50% so với mức ban đầu, vì vậy có thể đáng chú ý hơn nhiều.

Cần đọc kết quả ít nhất theo ba góc:

1.    Mức tuyệt đối: Giá trị hiện tại là bao nhiêu

2.    Mức chênh lệch: Cao hoặc thấp hơn mốc so sánh bao nhiêu

3.    Ý nghĩa thực tế: Chênh lệch đó có đủ lớn để ảnh hưởng đến khách hàng, doanh thu, chi phí hoặc ưu tiên kinh doanh hay không

Mốc so sánh cũng phải phù hợp. Một kết quả 65% tự nó khó đánh giá là cao hay thấp nếu không biết mức trước đây, mục tiêu nội bộ, đối thủ, phân khúc hoặc lựa chọn thay thế.

Với dữ liệu theo thời gian, không nên diễn giải mỗi biến động liên tiếp như một xu hướng. Một xu hướng đáng tin hơn khi chuyển động được quan sát qua đủ thời điểm và không phụ thuộc vào một kỳ bất thường.

Phân tích phân khúc để tránh kết luận từ số trung bình

Kết quả tổng thể có thể che giấu những khác biệt quan trọng giữa các nhóm khách hàng.

Giả sử 60% toàn bộ mẫu hài lòng với dịch vụ. Khi tách dữ liệu:

·         Khách hàng mới: 76%

·         Khách hàng lâu năm: 47%

Mức trung bình 60% không còn là thông tin quan trọng nhất. Khoảng cách giữa hai nhóm mới tạo ra câu hỏi cần giải thích: trải nghiệm của khách hàng lâu năm đang khác ở đâu?

Phân khúc có thể được xem xét theo những biến thực sự liên quan đến quyết định nghiên cứu, chẳng hạn:

·         Độ tuổi hoặc giai đoạn cuộc sống

·         Khu vực

·         Mức chi tiêu

·         Tần suất mua

·         Khách hàng mới và khách hàng hiện tại

·         Kênh mua

·         Mức độ sử dụng

·         Nhu cầu hoặc động cơ

Tuy nhiên, càng chia nhỏ dữ liệu, kích thước mẫu của từng nhóm càng giảm. Vì vậy, một khác biệt rất lớn xuất hiện ở nhóm chỉ có ít quan sát cần được xem như tín hiệu cần kiểm tra thêm thay vì kết luận chắc chắn.

Phân khúc cũng chỉ có giá trị khi tạo ra ý nghĩa. Việc cắt dữ liệu theo mọi biến nhân khẩu học có thể tạo hàng loạt khác biệt ngẫu nhiên nhưng không giúp doanh nghiệp hiểu khách hàng tốt hơn.

Một phân khúc đáng chú ý khi sự khác biệt của nó vừa đủ đáng tin cậy, vừa có khả năng giải thích hành vi hoặc tạo ra quyết định khác biệt.

Phân biệt mô tả, mối liên hệ và nguyên nhân

Một trong những lỗi nghiêm trọng nhất khi diễn giải nghiên cứu thị trường là biến mối liên hệ thành quan hệ nhân quả.

Nếu khách hàng hài lòng có xu hướng mua lại nhiều hơn, dữ liệu cho thấy hai biến có liên hệ. Điều đó chưa chứng minh rằng tăng điểm hài lòng sẽ trực tiếp tạo ra mức tăng mua lại tương ứng.

Có thể tồn tại yếu tố thứ ba. Chẳng hạn, khách hàng sử dụng sản phẩm nhiều hơn vừa dễ mua lại vừa có nhiều trải nghiệm để đánh giá tích cực.

Tương tự, khi doanh số tăng sau một chiến dịch quảng cáo, trình tự thời gian chưa đủ chứng minh chiến dịch là nguyên nhân. Giá, mùa vụ, hoạt động của đối thủ, phân phối hoặc thay đổi nhu cầu thị trường đều có thể tác động đồng thời.

Mức độ diễn giải nên phù hợp với thiết kế nghiên cứu:

·         Nghiên cứu mô tả cho biết điều gì đang xảy ra

·         Phân tích tương quan hoặc khảo sát có thể xác định những yếu tố nào đi cùng nhau

·         Thiết kế thực nghiệm hoặc bằng chứng nhân quả phù hợp mới hỗ trợ mạnh hơn cho câu hỏi yếu tố nào gây ra thay đổi

Khi dữ liệu chưa đủ để xác lập nguyên nhân, cách diễn đạt phù hợp là “có liên hệ”, “đi cùng”, “gợi ý”, “phù hợp với giả thuyết” hoặc “cần kiểm chứng thêm”, thay vì khẳng định “dẫn đến” hoặc “gây ra”.

Tìm cơ chế đằng sau con số bằng cách kết hợp các nguồn dữ liệu

Dữ liệu định lượng thường cho biết quy mô của một hiện tượng nhưng không phải lúc nào cũng giải thích được nguyên nhân.

Nếu 35% khách hàng bỏ giỏ hàng vì “giá cao”, câu trả lời tiếp theo cần làm rõ “giá cao” có nghĩa là gì:

·         Giá cao hơn đối thủ

·         Tổng tiền vượt ngân sách

·         Phí vận chuyển xuất hiện muộn

·         Giá không tương xứng với lợi ích cảm nhận

·         Khách hàng chưa hiểu sự khác biệt giữa các gói sản phẩm

Phỏng vấn sâu, câu hỏi mở, phản hồi chăm sóc khách hàng hoặc quan sát hành vi có thể giúp giải thích cơ chế phía sau kết quả định lượng.

Ngược lại, dữ liệu định tính không nên được dùng để suy ra tỷ lệ của toàn bộ thị trường nếu thiết kế nghiên cứu không cho phép. Một số người tham gia phỏng vấn cùng nhắc đến một vấn đề có thể cho thấy vấn đề đáng nghiên cứu, nhưng chưa đủ để kết luận bao nhiêu phần trăm khách hàng gặp vấn đề đó.

Hai loại bằng chứng có vai trò khác nhau:

Định lượng giúp trả lời: Bao nhiêu? Nhóm nào? Chênh lệch bao nhiêu? Xu hướng thế nào?

Định tính giúp trả lời: Vì sao? Khách hàng hiểu vấn đề thế nào? Cơ chế nào tạo ra hành vi? Điều gì chưa được bảng số liệu giải thích?

Kết hợp hai nguồn giúp chuyển từ một con số mô tả sang một cách hiểu có chiều sâu hơn mà không buộc dữ liệu phải chứng minh những điều nó không đo lường.

Chuyển phát hiện thành insight có thể hành động

Không phải phát hiện nào cũng là insight. Một insight có giá trị cần liên kết được bằng chứng, cách giải thích và hệ quả đối với quyết định.

Có thể sử dụng cấu trúc:

Evidence → Meaning → Business implication → Action

Ví dụ:

Evidence: Tỷ lệ khách hàng hoàn tất đăng ký thấp nhất ở bước yêu cầu thông tin thanh toán, và phản hồi định tính thường nhắc đến việc chưa muốn nhập thẻ trước khi dùng thử

Meaning: Yêu cầu thanh toán xuất hiện trước khi khách hàng cảm nhận đủ giá trị có thể đang tạo ma sát trong hành trình đăng ký

Business implication: Nếu đây là điểm nghẽn chính, lượng người tiếp cận giai đoạn trải nghiệm sản phẩm sẽ bị giảm

Action: Thử nghiệm một quy trình không yêu cầu thông tin thanh toán ở thời điểm đăng ký và đo tác động đến tỷ lệ kích hoạt, chuyển đổi trả phí và chất lượng khách hàng

Khuyến nghị trong ví dụ không được trình bày như chân lý đã được chứng minh. Nó được chuyển thành một hành động kiểm chứng vì nghiên cứu mới cung cấp bằng chứng cho một giả thuyết hợp lý.

Đây là điểm khác biệt giữa kết luận có thể hành động và suy diễn quá mức: hành động phải tương xứng với mức độ chắc chắn của bằng chứng.

Nếu bằng chứng mạnh và nhất quán, doanh nghiệp có thể ra quyết định trực tiếp hơn. Nếu bằng chứng mới mang tính gợi ý, hành động phù hợp có thể là thử nghiệm, nghiên cứu bổ sung hoặc theo dõi thêm dữ liệu.

Ưu tiên phát hiện theo tác động và độ chắc chắn

Một báo cáo nghiên cứu thường chứa nhiều phát hiện hơn số vấn đề doanh nghiệp có thể xử lý cùng lúc. Vì vậy, bước cuối không phải là liệt kê tất cả mà là xác định mức ưu tiên.

Có thể đánh giá từng phát hiện theo bốn câu hỏi:

·         Tác động: Nếu kết luận đúng, ảnh hưởng kinh doanh lớn đến đâu

·         Độ tin cậy: Bằng chứng mạnh đến mức nào

·         Khả năng hành động: Doanh nghiệp có thể tác động vào vấn đề hay không

·         Chi phí của sai quyết định: Điều gì xảy ra nếu kết luận sai

Một phát hiện có tác động lớn nhưng độ chắc chắn thấp có thể cần nghiên cứu hoặc thử nghiệm thêm. Một phát hiện có bằng chứng mạnh nhưng gần như không thể tác động có thể chỉ dùng cho dự báo hoặc điều chỉnh kỳ vọng. Những phát hiện vừa đáng tin cậy, vừa ảnh hưởng lớn và có thể hành động thường nên được ưu tiên trước.

Cách đánh giá này cũng giúp tránh việc ưu tiên một kết quả chỉ vì nó bất ngờ hoặc có tỷ lệ lớn.

Trình bày kết luận với điều kiện và giới hạn rõ ràng

Một kết luận tốt không cần tuyệt đối. Trái lại, việc nêu đúng giới hạn làm kết luận đáng tin cậy hơn.

Mỗi kết luận quan trọng nên trả lời được năm câu hỏi:

1.    Phát hiện chính là gì?

2.    Bằng chứng nào hỗ trợ phát hiện đó?

3.    Phát hiện áp dụng cho nhóm hoặc bối cảnh nào?

4.    Yếu tố nào khiến cách diễn giải này chưa chắc chắn?

5.    Quyết định hoặc bước tiếp theo hợp lý là gì?

Ví dụ, thay vì viết:

“Khách hàng trẻ thích mua hàng trên ứng dụng nên doanh nghiệp cần chuyển ngân sách sang ứng dụng.”

Có thể diễn giải chặt chẽ hơn:

“Trong mẫu nghiên cứu, nhóm 18–24 tuổi sử dụng ứng dụng để mua hàng thường xuyên hơn các nhóm tuổi lớn hơn. Nếu sự khác biệt này tiếp tục xuất hiện sau khi kiểm soát cơ cấu mẫu và quy mô từng nhóm, ứng dụng là kênh đáng ưu tiên thử nghiệm với phân khúc 18–24 tuổi; dữ liệu hiện tại chưa đủ để suy ra rằng chuyển ngân sách từ các kênh khác sẽ làm tăng tổng doanh số.”

Phiên bản thứ hai phân biệt rõ quan sát, điều kiện, phạm vi và quyết định có thể kiểm chứng. Chính các giới hạn này ngăn một phát hiện hợp lệ bị biến thành một quyết định không được dữ liệu hỗ trợ.

Diễn giải kết quả nghiên cứu thị trường tốt là quá trình giảm khoảng cách giữa dữ liệu và quyết định mà không vượt quá khả năng chứng minh của dữ liệu. Con số cần được đặt trong bối cảnh mẫu, độ bất định, mốc so sánh và phân khúc; mối liên hệ phải được phân biệt với nguyên nhân; còn khuyến nghị phải phản ánh đúng mức độ chắc chắn của bằng chứng.

Một kết quả nghiên cứu có giá trị không nhất thiết phải tạo ra quyết định ngay lập tức. Đôi khi kết luận tốt nhất là xác nhận một giả thuyết, loại bỏ một cách hiểu sai, xác định một phân khúc cần ưu tiên hoặc chỉ ra điều cần kiểm chứng tiếp theo. Khi mỗi phát hiện đều có bằng chứng, giới hạn và hệ quả hành động rõ ràng, nghiên cứu thị trường mới thực sự chuyển từ tập hợp dữ liệu thành cơ sở cho quyết định.