Những bài học vỡ lòng về các nguyên tắc thống kê cơ bản có thể giúp Marketer tích lũy và khai thác được những thông tin hữu ích từ dữ liệu tiếp thị.

Khi nhắc đến các thống kê mô tả, nhiều người xem đó là công việc đặc thù của nhà phân tích và dường như nằm ngoài tầm với của nhà tiếp thị. Thực ra, Marketer hoàn toàn có thể triển khai các phân tích thống kê ở cấp độ cao hàng ngày nhằm đưa ra các quyết định tiếp thị chiến lược tốt hơn. Việc này không quá khó khăn như mọi người vẫn tưởng.

Thế nào là thống kê mô tả (Descriptive statistics)?

Đây là phương pháp được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm, qua đó cung cấp hiểu biết về các hiện tượng và hỗ trợ đưa ra các quyết định đúng đắn cho người sử dụng. Hay nói cách khác là giúp hiểu được rất nhiều thông tin ẩn sâu bên trong các số liệu như ‘chuyện gì đã diễn ra’ hay dự báo ‘xu hướng sẽ diễn ra trong tương lai’.

Là một trong những nền tảng của mọi phân tích định lượng về số liệu, thống kê mô tả bao gồm những tóm tắt đơn giản về mẫu phân tích và các đại lượng thống kê – giúp đo lường khuynh hướng của chuỗi dữ liệu trong mẫu. Khuynh hướng tập trung của dữ liệu được đo lường bằng các đại lượng như Mean (trung bình), Median (trung vị) và Mode, còn khuynh hướng phân tán của dữ liệu đo lường bằng Rang (khoảng biến thiên), Variance (phương sai), Standard Deviation (độ lệch chuẩn),…

Trong thực tế, việc phân tích dữ liệu vẫn luôn được Marketer thực hiện mỗi ngày, nhưng là thông qua các công cụ phân tích Web như Google Analytics,Omniture,… Ở một góc độ nào đó, đây cũng có thể xem là đang áp dụng thống kê mô tả một cách bản năng. Ví dụ như Marketer có thể – dễ dàng nhận ra một cú tăng mạnh hoặc sự sụt giảm nghiêm trọng trong lượng truy cập web (traffic) hàng ngày nhờ việc ước tính trực quan (eyeballing) một biểu đồ; hay sử dụng chỉ số trung bình để đánh giá sơ bộ thành quả chiến dịch; hoặc thực hiện mọi dạng so sánh giúp hiểu chuyện gì đang diễn ra, và quan trọng là quyết định điều phải làm tiếp theo – nhờ sử dụng các tính năng có sẵn trên các phần mềm phân tích.

Có thể các tính năng cơ bản có sẵn trong các công cụ phân tích này vẫn đảm bảo ý nghĩa thống kê tương đối và dễ để Marketer sử dụng. Tuy nhiên như đã đề cập, vẫn có một số đại lượng thống kê đặc thù mà Marketer nên biết để giúp nâng tầm các phân tích của mình. Bên dưới là vài khái niệm quan trọng kèm theo ví dụ thực tế giúp chứng minh đây là cách tiếp cận phân tích đáng để xem xét.

1.     Phương sai và độ lệch chuẩn

Đây là hai đại lượng cơ bản nhất thể hiện mức độ phân tán của các giá trị quan sát xoay quanh một giá trị trung tâm (thường là giá trị trung bình –Mean) của tập dữ liệu.

Độ lệch chuẩn (Standard Deviation – SD) được tính đơn giản bằng cách lấy căn bậc hai của phương sai (Variance – σ²), và được cụ thể bằng công thức bên dưới:

Trong đó:

• x là giá trị của từng quan sát
• giá trị trung bình (Mean) của tất cả quan sát trong mẫu
• N là tổng số quan sát trong mẫu

Dễ thấy được từ công thức, độ lệch chuẩn đo tính biến thiên giá trị của một tập dữ liệu (so với giá trị trung bình) mà nhà phân tích quan tâm. Chẳng hạn đối với Marketer, việc phân tích độ lệch chuẩn đối với một chuỗi giá trị traffic quan sát được trong một tháng có thể cho thấy sự chênh lệch giữa traffic mỗi ngày so với giá trị traffic trung bình trong tháng. Độ lệch chuẩn càng lớn chứng tỏ lượng traffic hàng ngày biến động càng nhiều.

Trong tài chính, độ lệch chuẩn là đại lượng then chốt thể hiện cho mức độ rủi ro hoặc tính không chắc chắn của các tỷ suất sinh lợi – nó vô cùng hữu ích khi cung cấp thông tin về mức độ biến động của danh mục đầu tư chứng khoán tương ứng với mức lợi nhuận kỳ vọng. Một danh mục có suất sinh lợi trung bình cao và kỳ vọng mang lại lợi nhuận lớn cho nhà đầu tư nhưng lại có độ lệch chuẩn cao thì đồng nghĩa với rủi ro lớn – nhà đầu tư có thể trở thành tỷ phú trong điều kiện thuận lợi, hoặc mất tất cả khi tình huống xấu nhất xảy ra. Và dĩ nhiên, quyền quyết định ‘có đầu tư vào danh mục hay không’, và ‘đầu tư bao nhiêu’ phụ thuộc vào tính toán cân nhắc cũng như mức độ chấp nhận rủi ro của nhà đầu tư.

Trong trường hợp của ngành tiếp thị, Marketer có thể áp dụng cơ chế tương tự để phân bổ ngân sách hàng kỳ cho các chiến dịch của mình. Giả sử đang có hai chiến dịch dành cho hai sản phẩm đầy tiềm năng buộc Marketer phải cân nhắc phân bổ ngân sách, bên dưới là các thông tin hỗ trợ ra quyết định lựa chọn như sau:

Với chỉ một thông tin đơn thuần về ROI (tỷ suất sinh lợi trên vốn đầu tư) như trên, dĩ nhiên Marketer nào cũng sẽ chọn phân bổ toàn bộ ngân sách cho chiến dịch “Snow Shoes,” sau đó mới tính đến chuyện phân bổ cho chiến dịch “Mammoth Fleece Coats” (nếu ngân sách còn thừa).

Tuy nhiên, nếu có thêm những thông tin sâu hơn, chắc chắn Marketer sẽ phải xem xét cẩn thận và thấu đáo hơn trước khi đưa ra kế hoạch phân bổ.

Bây giờ giả sử Marketer tiến phân tích thêm độ lệch chuẩn, thống kê dữ liệu ROI biến thiên trong quá khứ cho từng sản phẩm trên. Sau thống kê mô tả từ hai chuỗi dữ liệu ROI, Marketer tóm tắt thành bảng bên dưới:

Lần này có thêm nhiều kịch bản có thể được vạch ra, và tùy thuộc vào mục tiêu, Marketer sẽ phải phân tích sâu hơn để đưa ra các phân bổ chiến lược phù hợp với ngữ cảnh lựa chọn:

• Theo đó, chiến dịch “Snow Shoes” vẫn là lựa chọn hấp dẫn hơn bởi nó có khả năng mang lại ROI trung bình cao hơn (9,8 so với 7). Tuy nhiên, đi kèm đó nó lại mang đến rủi ro (tính không chắc chắn) cao hơn bởi có độ lệch chuẩn lớn hơn (7,2 so với 1).
• Nói dễ hiểu, nếu chọn phân bổ ngân sách cho chiến dịch “Snow Shoes”, công ty có thể thu về ROI lớn hơn, nhưng bù lại SD = 7,2 cho thấy các giá trị ROI biến thiên rất lớn xoay quanh giá trị 9,8. Trong điều kiện lý tưởng, mức ROI cao nhất cho chiến dịch này lên tới 18,2, trong khi trường hợp xấu nhất ROI chỉ có 1,4. Đây thường sẽ là lựa chọn của các Marketer ưa mạo hiểm, nhận thức được rủi ro nhưng sẵn sàng đánh đổi để có được mức ROI cao vượt trội.
• Tương tự, đầu tư vào chiến dịch ”Mammoth Fleece Coats” sẽ là lựa chọn của những Marketer thích sự an toàn. Họ chấp nhận mức ROI trung bình thấp hơn là 7, nhưng bù lại, ROI của sản phẩm này không biến thiên quá nhiều, và trong điều kiện xấu nhất xảy ra thì mức ROI nhận được vẫn là 6.
• Có thể thấy đây là bài toán đánh đổi giữa ROI và rủi ro. Tuy nhiên, nếu kết hợp cả hai sản phẩm cùng lúc thì sẽ như thế nào? Hay chính xác hơn với tỷ lệ phân bổ như thế nào thì Marketer đạt được sự đánh đổi tối ưu – theo đó ROI vẫn cao nhưng rủi ro giảm xuống, hoặc cùng mức rủi ro nhưng ROI tăng lên. Việc tìm ra một kết hợp tối ưu như vậy không phải là một chuyện đơn giản với những người mới bắt đầu, do đó sẽ không đề cập ở đây. Tuy nhiên nó cũng giống như khái niệm đa dạng hóa danh mục đầu tư trong tài chính và bạn có thể tìm hiểu thêm để áp dụng cho các phân bổ ngân sách tiếp thị.

Rõ ràng, các thống kê mô tả trên giúp cung cấp thêm nhiều thông tin hỗ trợ Marketer tạo ra nhiều kịch bản chiến lược hơn, góp phần hỗ trợ Marketer tốt hơn trong việc ra quyết định ngân sách.

(Theo www.marketingland.com)