Nghe “ca” quá nhiều trong thế giới công nghệ hiện nay và bạn buộc phải tin rằng “dữ liệu lớn” (Big Data) là câu trả lời cho mọi vấn đề của công ty. Thật tệ là nó thường không phải lúc nào cũng được như hứa hẹn.

Hóa ra, những gì thường được gọi là Big Data – bao gồm vô số chỉ số từ các hệ thống ERP (hoạch định nguồn lực doanh nghiệp), CRM (quản lý quan hệ khách hàng) và các hệ thống nghiệp vụ khác được nhiệt tình khai thác bằng công cụ phân tích – thực ra một công ty trung bình chỉ có tầm 10%, theo IDC .

Phần còn lại là dữ liệu “phi cấu trúc” hoặc dữ liệu “định tính”, khá hỗn tạp. Trong đó bao gồm thông tin từ các cuộc điều tra khách hàng, form trả lời, diễn đàn trực tuyến, mạng xã hội, tài liệu, video, bản tin, các cuộc gọi đến trung tâm chăm sóc khách hàng và các chứng cứ được thu thập bởi đội ngũ bán hàng. Chúng thường ở dạng văn bản hơn là các con số, không dễ “định lượng” hoặc biến thành các giá trị số.

Vấn đề là trong khi hầu hết các công cụ phân tích được thiết lập cho thông tin định lượng (nói cách khác là phân tích các con số), nhưng thường thì chính dữ liệu phi cấu trúc mới cung cấp ngữ nghĩa có ích.

“Dữ liệu thường đặt ra các câu hỏi hơn là đưa ra những câu trả lời, và luôn luôn là câu hỏi ‘tại sao?’ đằng sau xu hướng dữ liệu định lượng”, theo Anjali Lai, nhà phân tích của Forrester Research.

Hãy tưởng tượng công ty của bạn đang cố gắng tìm hiểu lý do tại sao doanh số bán hàng trực tuyến không như mong đợi. Bạn có thể mạnh tay đầu tư các công cụ phân tích Marketing để có dữ liệu dựa trên hoạt động ví dụ như thời gian trung bình người dùng ở trên các trang web hoặc tỷ lệ bỏ giỏ hàng. Những dữ liệu này, tuy đồ sộ, vẫn không hẳn sẽ đưa ra câu trả lời cho câu hỏi “tại sao?”.

“Bạn có thể biết có 10.000 lượt người truy cập trang web của mình – đó là dữ liệu định lượng. Còn dữ liệu định tính có thể cho bạn biết 4.000 người trong số đó hào hứng với một chủ đề cụ thể, điều gì họ mong đợi và điều gì làm họ thất vọng, …”, theo Collin Sebastian, giám đốc sản phẩm cho YouEye, hãng cung cấp phần mềm và dịch vụ được thiết kế đặc biệt với dữ liệu định tính.

Dữ liệu định tính có thể không chỉ cho bạn biết những người dành nhiều thời gian trên trang web của bạn cũng có xu hướng mua hàng, mà còn có thể xác định quan hệ nhân quả hay lý do “tại sao?”. Liệu người ta mua hàng bởi vì họ xem trang web lâu hơn hay đơn giản họ dừng ở trang web lâu hơn bởi quI trình mua hàng của bạn quá phức tạp?

Trước giờ phân tích dữ liệu định tính thường làm thủ công và tốn nhân lực. “Với tài liệu văn bản, bạn không thể thực hiện truy vấn như cơ sở dữ liệu để lấy một vài con số để lập biểu đồ”, Kirk Borne, nhà khoa học dữ liệu tại Booz Allen Hamilton giải thích.

Phân tích dữ liệu định tính thường bị giới hạn như vậy, nhưng điều đó bắt đầu thay đổi. Không chỉ các công cụ và giải pháp thiết kế đặc biệt cho dữ liệu định tính có nhiều hơn, mà còn có những “cách thức chuyển đổi dữ liệu định tính sang định lượng ngày càng thông minh, nhờ đó đem đến sức mạnh của phân tích định lượng cho dữ liệu định tính”.

YouEye tiến hành nghiên cứu trực tuyến bằng cách thu hình (video) và ghi âm tương tác của người dùng với các trang web, quảng cáo … Thông thường, mỗi nghiên cứu chọn từ 50 đến 300 người, tùy thuộc vào những gì khách hàng quảng cáo muốn tìm hiểu. Video được dịch và mã hóa sử dụng kết hợp lập trình viên, kỹ thuật xử lý ngôn ngữ tự nhiên và máy học. Cuối cùng khách hàng được clip tổng hợp kết quả.

Ví dụ trong trường hợp của một nhà cung cấp cà phê, YouEye quan sát những người tham gia tương tác với các sản phẩm và tổng kết thành một clip chi tiết mỗi khi họ đề cập đến một đối thủ cạnh tranh. “Bạn ngay lập tức có kết quả phân tích lý do tại sao mình đang mất đi khách hàng – đó là điều dữ liệu định lượng không thể nói cho bạn biết”, Sebastian nói.

QSR International là một công ty khác thiết kế phần mềm đặc biệt cho dữ liệu định tính, sản phẩm NVivo của công ty được sử dụng tại Gallup. Mặc dù rất nổi tiếng với các cuộc thăm dò toàn quốc, Gallup cũng tham khảo ý kiến các tổ chức để giúp họ hiểu về mặt tình cảm của khách hàng, điều này liên quan rất nhiều dữ liệu định tính.

Có một số câu hỏi khảo sát then chốt không được hiểu đầy đủ nếu chỉ thông qua các phương pháp định lượng, bao gồm lý do tại sao một khách hàng không gắn bó hoặc thờ ơ đối với một nhà cung cấp hoặc các cảm xúc, động cơ và quá trình suy nghĩ của khách hàng khi họ trải nghiệm một dịch vụ”. Ilana Ron-Levey, nhà nghiên cứu và tư vấn chiến lược của Gallup cho biết: “Khi chúng tôi hợp tác với một tổ chức, dữ liệu định lượng cho phép chúng tôi đánh giá mức độ phổ biến của các ý kiến, nhưng để hiểu được ý nghĩa đằng sau đó thì cần dữ liệu định tính”.

Gallup sử dụng một loạt kỹ thuật để đánh giá nhận thức của khách hàng. Trong một dự án B2B gần đây, họ phỏng vấn trực tiếp hơn 100 khách hàng cao cấp và thu thập cả dữ liệu định tính và định lượng về các chủ đề tập trung xoay quanh sự gắn bó của khách hàng, Nhóm nghiên cứu đã phân tích quy nạp dữ liệu định tính sử dụng NVivo và các phương pháp mã hóa trong Microsoft Excel.

Với kết quả có được, Gallup sử dụng các phản ứng định lượng để giải thích về mặt thống kê các yếu tố dẫn đến sự gắn bó của khách hàng. Và dùng dữ liệu định tính để mô tả cảm nhận của khách hàng đối với các yếu tố này. Từ đó, “chúng tôi vạch ra những chiến lược cải thiện sự gắn bó tùy theo loại khách hàng”, IIana cho biết.

Để phần mềm làm việc với dữ liệu định tính, thường phải chuyển nó sang dạng số, chẳng hạn như gán một thứ hạng hoặc điểm cho phản ứng định tính hoặc ý kiến cụ thể. Ví dụ trong phân tích tâm lý, các nhà nghiên cứu thường gán một giá trị dương hay âm cho tâm lý thể hiện trong dữ liệu định tính, và sau đó gán một giá trị số cho độ mạnh của cảm xúc đó.

SQR đã phát triển một loạt các thuật toán cho NVivo, ví dụ như phân tích dữ liệu từ hoặc câu thường được sử dụng, với nhiều công cụ trực quan giúp cho việc “phiên dịch” dễ dàng hơn. “Điều này cho bạn cái nhìn trực quan các quan điểm và lý do đằng sau”, theo John Owen, Giám đốc điều hành của công ty.

Ron-Levey của Gallup chỉ ra rằng thu thập dữ liệu định tính thường tốn nhiều thời gian và đòi hỏi các nhà nghiên cứu phải có kỹ năng cao để thiết lập mối quan hệ với người trả lời và giảm nhẹ thành kiến.

“Một trong những kỹ năng mà nhà nghiên cứu định tính cần phải có đó là cảm thông, nhưng nó thường bị đánh giá thấp và bỏ qua”. Lai của Forrester đồng ý. “Hiện nay, các nhà nghiên cứu định tính chỉ dựa vào mã hóa mà không suy nghĩ nghiêm túc về những ẩn ý hoặc bối cảnh của dữ liệu”.

Tuy xử lý phức tạp và khó khăn, nhưng dữ liệu định tính xứng đáng cho nỗ lực của chúng ta.

“Chúng ta luôn tìm kiếm ý nghĩa của con người đằng sau những con số”, Ron-Levey nói. “Hiểu được cảm xúc, động lực và nhận thức thường dẫn đến sự đổi mới và những chiến lược mới thu hút khách hàng hơn”.

“Hiểu biết định tính và định lượng là ‘âm dương’ của sự hiểu biết khách hàng, bởi vì cả hai đều cần thiết để tạo nên một câu chuyện đầy đủ về hành vi của người tiêu dùng”, theo Lai của Forrester.

(Theo www.cio.com)