Chào bạn, Thiện Mỹ đây. Bây giờ chỉ cần thả một bảng tính vào chatbot là có ngay biểu đồ đẹp và vài nhận xét nghe rất chuyên nghiệp. Tập này mình nói về chuyện đừng để vẻ chuyên nghiệp ấy làm mình tin quá nhanh.
Câu trả lời ngắn: trước khi dùng một kết quả phân tích của AI để ra quyết định, hãy hỏi ba câu. Dữ liệu đưa vào có đủ và sạch không. Máy đã tính bằng cách nào. Và kết luận có khớp với những gì mình biết về thực tế không. Ba câu này cứu được rất nhiều quyết định sai.
Câu hỏi thứ nhất: dữ liệu có sạch không
Máy phân tích chỉ tốt bằng dữ liệu bạn đưa vào. Một bảng bán hàng có dòng trùng, có ô trống, có chỗ ghi tên sản phẩm lúc viết hoa lúc viết thường, máy có thể tính sai mà không báo.
Ví dụ thường gặp là cùng một sản phẩm nhưng nhân viên ghi ba cách khác nhau, máy hiểu thành ba sản phẩm, và món bán chạy nhất bị chia nhỏ thành ba món trung bình.
Trước khi nhờ phân tích, hãy nhờ máy kiểm tra dữ liệu: có bao nhiêu dòng trống, có giá trị nào bất thường, có tên nào gần giống nhau. Đây là bước nhiều người bỏ qua nhất mà lại quan trọng nhất.
Hãy chú ý cả chuyện dữ liệu có đủ hay không. Ba tuần số liệu không đủ để kết luận về mùa vụ. Số liệu của một chi nhánh không đại diện cho cả chuỗi.
Nếu dữ liệu thiếu hoặc bẩn, kết luận dù trình bày đẹp tới đâu cũng chỉ là đoán có biểu đồ đi kèm.
Một việc nhỏ nên làm là tự nhìn qua vài chục dòng dữ liệu đầu tiên trước khi đưa cho máy. Chỉ cần lướt mắt, bạn thường phát hiện ngay những chỗ bất thường như đơn hàng âm tiền, ngày tháng ghi ngược, hay một dòng tổng cộng bị lẫn vào giữa bảng mà máy có thể cộng thêm một lần nữa.
Câu hỏi thứ hai: máy đã tính thế nào
Đừng ngại hỏi lại máy: bạn đã tính con số này bằng công thức nào, đã loại bỏ dòng nào, đã gộp những gì. Một công cụ tốt sẽ giải thích được, thậm chí cho bạn xem cách tính.
Có những lựa chọn tưởng nhỏ mà làm kết quả khác hẳn: tính trung bình hay tính trung vị, tính theo số đơn hay theo doanh thu, so với tuần trước hay so với cùng kỳ năm ngoái.
Chatbot đôi khi tính toán sai ngay cả những phép cộng đơn giản, nhất là khi tự làm trong đầu thay vì chạy công cụ tính. Với con số quan trọng, hãy kiểm lại bằng bảng tính của bạn.
Biểu đồ cũng có thể đánh lừa. Một trục không bắt đầu từ số không có thể làm một thay đổi nhỏ trông như một cú nhảy lớn. Đọc kỹ các trục trước khi rút ra kết luận.
Hiểu cách tính giúp bạn biết kết quả nói được gì và không nói được gì, thay vì chấp nhận nó như một sự thật hiển nhiên.
Câu hỏi thứ ba: kết luận có hợp với thực tế không
Bạn hiểu doanh nghiệp của mình hơn bất kỳ cỗ máy nào. Nếu máy kết luận khách không thích món A, nhưng bạn biết tuần đó món A hết nguyên liệu ba ngày, bạn có thông tin mà máy không có.
Một sai lầm kinh điển là nhầm tương quan với nhân quả. Doanh số tăng cùng lúc với chạy quảng cáo không có nghĩa quảng cáo làm doanh số tăng, có thể đó là mùa cao điểm.
Hãy tự hỏi: nếu kết luận này đúng, thì mình sẽ thấy những dấu hiệu nào khác trong thực tế. Nếu không thấy những dấu hiệu ấy, kết luận đáng ngờ.
Với những quyết định lớn, đừng chỉ dựa vào một lần phân tích. Thử nghiệm nhỏ trước, đo lại kết quả, rồi mới làm lớn.
Số liệu và trực giác không đối nghịch nhau. Người giỏi dùng số liệu để kiểm tra trực giác, và dùng trực giác để đặt câu hỏi cho số liệu.
Những lỗi đọc số liệu hay gặp
Lỗi đầu tiên là nhìn tỷ lệ mà quên số tuyệt đối. Doanh số tăng gấp đôi nghe rất ấn tượng, nhưng nếu từ hai đơn lên bốn đơn thì chưa nói lên được gì.
Lỗi thứ hai là chọn khoảng thời gian có lợi. So sánh với tuần tệ nhất năm ngoái thì tuần nào cũng thấy tăng trưởng.
Lỗi thứ ba là bỏ qua những yếu tố bên ngoài: ngày lễ, thời tiết, đối thủ khai trương, một tin tức nóng. Máy chỉ thấy những gì có trong bảng, không thấy thế giới bên ngoài.
Lỗi thứ tư là tin vào độ chính xác giả. Một dự báo ghi doanh số tháng sau là mười hai phẩy ba bảy triệu nghe rất chính xác, nhưng thực chất nó chỉ là ước đoán với sai số lớn.
Nhận ra những lỗi này giúp bạn đặt câu hỏi đúng khi đọc bất kỳ báo cáo nào, dù do máy hay do người làm.
Dùng AI như một người phân tích tập sự
Cách nhìn hợp lý nhất là coi AI như một người phân tích tập sự: làm nhanh, chăm chỉ, đưa ra nhiều gợi ý, nhưng cần người có kinh nghiệm kiểm tra.
Nhờ máy làm phần nặng nhọc: dọn dữ liệu, tính toán, vẽ biểu đồ, liệt kê các xu hướng có thể. Rồi bạn chọn xu hướng nào đáng quan tâm và kiểm chứng nó.
Đặt câu hỏi cụ thể sẽ cho kết quả tốt hơn hỏi chung chung. Thay vì hỏi phân tích giúp tôi, hãy hỏi món nào có lợi nhuận cao nhất trên mỗi đơn trong ba tháng qua.
Lưu lại các bước phân tích để lần sau làm lại được và so sánh qua các tháng. Phân tích có giá trị nhất khi được làm đều đặn.
Câu hỏi cho bạn tập này: quyết định kinh doanh gần nhất bạn ra dựa trên số liệu, bạn đã kiểm dữ liệu đầu vào chưa?
Với nhóm làm việc, hãy thống nhất một bộ câu hỏi chuẩn mỗi khi đọc báo cáo do máy làm: dữ liệu lấy từ đâu, giai đoạn nào, đã loại bỏ gì, và ai đã kiểm lại. Bộ câu hỏi này nghe đơn giản nhưng giúp cả nhóm tránh được chuyện mỗi người hiểu một con số theo một cách.
Câu hỏi thường gặp
AI có phân tích số liệu chính xác không?
AI tính toán nhanh nhưng có thể sai khi dữ liệu bẩn, khi tự tính trong đầu hoặc khi chọn cách tính không phù hợp. Con số quan trọng nên được kiểm lại bằng bảng tính.
Tương quan và nhân quả khác nhau thế nào?
Tương quan là hai thứ thay đổi cùng lúc, nhân quả là thứ này gây ra thứ kia. Doanh số tăng cùng lúc chạy quảng cáo chưa chắc do quảng cáo, có thể do mùa vụ.
Cần bao nhiêu dữ liệu thì kết luận mới đáng tin?
Không có con số chung, nhưng dữ liệu càng ít thì kết luận càng dễ sai. Vài tuần số liệu thường chưa đủ để nói về xu hướng mùa vụ hay thói quen khách hàng.
Làm sao dọn dữ liệu trước khi phân tích?
Kiểm tra dòng trùng, ô trống, giá trị bất thường và cách ghi tên không thống nhất. Có thể nhờ chính AI rà soát những lỗi này trước khi phân tích.
Có nên ra quyết định lớn chỉ dựa vào phân tích của AI?
Không nên. Hãy kiểm tra kết luận với thực tế, thử nghiệm nhỏ trước và kết hợp hiểu biết của chính bạn về doanh nghiệp trước khi ra quyết định lớn.
