Phần trước, chúng ta đã ứng dụng đại lượng phương sai (Variance) và độ lệch chuẩn (Standard Deviations – SD) để cung cấp nhiều thông tin hơn cho quyết định phân bổ ngân sách hợp lý. Phần tiếp theo sẽ ứng dụng đồ thị phân bố xác suất và khoảng dao động xoay quanh giá trị kỳ vọng để nhận biết những thay đổi bất thường của một yếu tố quan sát (VD: “traffic” – số lượt truy cập Web); cũng như sử dụng chỉ số ‘mức ý nghĩa’ (Statistical Significance) để xác định sự thay đổi của một thang đo thành quả (VD: “conversion” – tỷ lệ chuyển đổi) là ngẫu nhiên hay do tác động từ một số yếu tố có chủ đích của người phân tích.

2.     Độ lệch chuẩn và Giá trị kỳ vọng

Như đã nhắc đến ở phần trước, Marketer có thể sử dụng đồ thị theo thời gian trong các phần mềm phân tích Web để nhận biết xu hướng đi lên hoặc đi xuống của các dữ liệu thành quả mà họ quan tâm (ví dụ chỉ số traffic).

Tuy nhiên để trả lời những câu hỏi sâu hơn như: traffic biến thiên trong khoảng nào thì chấp nhận được? Khi nào traffic vượt ngoài ngưỡng dự báo để tiến hành tìm hiểu nguyên nhân và khắc phục (đối với trường hợp traffic giảm quá ngưỡng thấp nhất) hoặc tiếp tục phát huy (nếu traffic vượt trên ngưỡng cao nhất)?

Với một phân tích mô tả, Marketer hoàn toàn có thể thực hiện việc này. Đầu tiên, để đơn giản, chúng ta giả định tập dữ liệu về traffic của trang Web biến thiên tuân theo một phân phối chuẩn có dạng như đồ thị bên dưới:

Lúc này, giá trị traffic kỳ vọng của Marketer cũng chính là giá trị trung bình (µ) của tập dữ liệu phân tích. Dựa trên đặc điểm của phân phối chuẩn, chúng ta xác định được 68% các quan sát có giá trị nằm trong khoảng 1 đơn vị độ lệch chuẩn (σ) tính từ giá trị trung bình, tức [µ – 1σ; µ + 1σ], và 95% các quan sát có giá trị nằm trong khoảng 2 đơn vị độ lệch chuẩn tính từ giá trị trung bình, tức [µ – 2σ; µ + 2σ]. Như vậy, độ lệch chuẩn chính là chuẩn tham chiếu để đo lường xu hướng biến thiên của một giá trị kỳ vọng đang quan sát.

Câu hỏi là những phân tích trên sẽ giúp ích gì cho Marketer?

Marketer có thể sử dụng các thông tin trên như một chuẩn tham chiếu để phân loại các xu hướng (VD: gia tăng đột ngột hoặc giảm sâu) của đồ thị dữ liệu, xem chúng thuộc về nhóm ‘bình thường’ hay ‘nhóm bất thường và cần phân tích nhiều hơn để tìm ra nguyên nhân của sự bất thường này’.

Bên dưới là đồ thị biểu diễn quá trình biến thiên của dữ liệu traffic theo thời gian. Dựa trên giá trị kỳ vọng (µ = 250) và độ lệch chuẩn (σ = 75), Marketer xác định được khoảng biến thiên 1σ là [175;325] và khoảng biến thiên 2σ là [100;400].

Trong suốt thời kỳ quan sát, có rất nhiều thời điểm traffic lên hoặc xuống rất mạnh. Tuy nhiên, Marketer không cần tập trung theo dõi kỹ mọi thời điểm này vì thực tế, có những dao động mang tính chu kỳ và nằm trong khoảng dự báo trước.

Tuy nhiên, cũng có những thay đổi rất đáng lưu ý ví dụ như, nhìn vào đồ thị bên trái, ta thấy vào cuối tháng 8 và cuối tháng 10, lượng traffic giảm mạnh rơi vào vùng ngưỡng dưới của “2σ” tức <100. Marketer nên tập trung vào hai trường hợp này để phân tích chi tiết xem đã có chuyện gì xảy ra và có thể học được gì từ tình huống này.

3.     Ý nghĩa thống kê

Trong thống kê, mức ý nghĩa (Statistical Significance) là một đại lượng giúp nhà phân tích xác định xem một sự kiện hoặc một kết quả xảy ra không phải do ngẫu nhiên mà từ tác động của một số yếu tố được xác định.

Ví dụ, khi thực hiện A/B testing, Marketer cần chắc rằng bất kỳ một sự cải thiện có thể lượng hóa nào (ví dụ như gia tăng conversion, traffic, pageviews,…) cũng xuất phát từ các thay đổi chủ động chứ không phải xảy ra ngẫu nhiên.

*Tính chắc chắn (Certainty) cũng là một đại lượng có thể đo lường, cho thấy độ tin cậy của kết luận. Chúng ta gần như không thể chắc chắn 100%, nhưng vẫn có thể kỳ vọng chắc chắn khoảng 95% rằng thành quả được cải thiện là kết quả của việc thiết kế lại giao diện trang Web tốt hơn.

Nhìn chung, có một số yếu tố quan trọng gây ảnh hưởng đến chỉ số Mức ý nghĩa. Yếu tố đầu tiên là Qui mô tập mẫu (Size of sample) nghiên cứu.

Ví dụ như bạn muốn ước tính chiều cao trung bình của nam sinh trong một trường học. Trường quá lớn và bạn không thể đo từng người để từ đó ước tính số trung bình, do đó bạn quyết định chọn một mẫu đại diện, đo lường trên mẫu này và suy rộng ra cho toàn trường. Vấn đề là bao nhiêu nam sinh trong mẫu thì được. Rõ ràng một mẫu chỉ gồm 10 nam sinh chọn từ các bộ môn thể thao khác nhau mà họ chơi (VD bóng rổ, cầu lông, tạ,…) không thể nào mang tính đại diện bằng một mẫu với 1.000 nam sinh. Và chắc chắn bạn sẽ tự tin hơn nếu ước tính chiều cao trung bình của nam sinh toàn trường với con số tính được từ tập mẫu 1.000 nam sinh.

Nó cũng tương tự như việc Marketer tiến hành các thay đổi giao diện Web và đo lường Conversion ở mỗi lần thay đổi. Một tập mẫu gồm 10 giá trị Conversion quan sát được không thể mang tính đại diện bằng một tập mẫu với 1.000 giá trị Conversion được đo lường. Ví dụ, qua tính toán với tập mẫu 1.000 giá trị, Marketer có thể tự tin cho biết “Tôi tin tưởng 95% rằng các thay đổi trên giao diện trang đã làm gia tăng chuyển đổi”.

Ngoài qui mô mẫu, còn có một số yếu tố khác ảnh hưởng đến mức ý nghĩa thống kê, ví dụ như sai số chuẩn (standard error of the mean – SE). Tuy nhiên đại lượng này khá phức tạp và đòi hỏi kiến thức sâu hơn về thống kê mô tả và kiểm định giả thiết. Do đó sẽ không được đề cập trong bài này.

Tuy nhiên, Marketer cần nắm được qui luật cơ bản là: những kết quả Marketer phân tích được có mức độ chắc chắn khác nhau và mức độ này phụ thuộc vào ‘số lần Marketer đo lường giá trị của yếu tố quan sát để cho vào tập mẫu (size of sample)’ và ‘sự khác nhau trong kết quả của những lần đo lường’.

Tương tự, trong thực tế hoạt động tiếp thị, Marketer hoàn toàn có thể tiến hành quan sát và phân tích mô tả các yếu tố như: thành quả quảng cáo tìm kiếm trả phí, hay quảng cáo hiển thị sử dụng công nghệ Programmatic, thành công của một chiến dịch email marketing, tỷ lệ gắn kết qua mạng xã hội với các loại nội dung khác nhau,… Vấn đề quan trọng là Marketer nên hiểu rõ mức độ chắc chắn cũng như cân nhắc tỷ lệ phần trăm tin tưởng có thể dựa vào các con số hiện có để đưa ra quyết định dựa trên dữ liệu.

Tóm lại

Nếu nắm được những khái niệm và nguyên tắc cơ bản, thì các đại lượng thống kê mô tả đặc trưng ở trên có thể giúp ích cho Marketer trong việc triển khai các bước phân tích bổ sung, qua đó có những hiểu biết sâu hơn từ dữ liệu và hỗ trợ thông tin chính xác cho các quyết định tiếp thị trong tương lai.

(Theo www.marketingland.com)