Khi nhóm không đạt chỉ tiêu, đừng đi thẳng tới giải pháp. Đi theo ba bước: tách chỉ số thành các thành phần để khoanh vùng chỗ hụt, lập vài giả thuyết về nguyên nhân trong vùng đó, rồi kiểm từng giả thuyết bằng dữ liệu nhỏ trước khi chọn cách sửa. Bỏ qua bước khoanh vùng là cách nhanh nhất để sửa nhầm chỗ.
Bài này dành cho trưởng nhóm, trưởng phòng ở doanh nghiệp nhỏ phải giải thích và xử lý một chỉ số hụt. Nó khác với việc viết giải trình trong báo cáo (thuộc danh mục Báo cáo hiệu suất) và khác với phân tích số liệu chuyên sâu (thuộc trang AI Phân Tích). Ở đây là cách nghĩ và quy trình để một nhóm tự tìm ra nguyên nhân thật, với AI làm người gợi ý và phản biện.
Vì sao giải pháp đầu tiên nghĩ ra thường sai chỗ
Khi doanh số hụt, phản xạ phổ biến là "đẩy quảng cáo" hoặc "tăng khuyến mãi". Khi khiếu nại tăng, phản xạ là "đào tạo lại nhân viên". Những giải pháp đó có thể đúng, nhưng chúng được chọn vì quen thuộc chứ không vì đã biết nguyên nhân. Nếu doanh số hụt vì khách vào cửa hàng vẫn đủ nhưng tỷ lệ mua giảm do hết hàng cỡ phổ biến, thì thêm quảng cáo chỉ đưa thêm khách vào để họ ra về tay không.
Lý do thứ hai là chỉ số tổng che khuất chỗ hụt thật. Một chỉ tiêu doanh thu là kết quả của nhiều thành phần: số khách, tỷ lệ mua, giá trị mỗi đơn, tỷ lệ trả hàng. Một chỉ tiêu tỷ lệ giao đúng hẹn là kết quả của nhiều khâu: nhận đơn, soạn hàng, xếp xe, giao. Chỉ khi tách ra mới biết thành phần nào hụt, và thường chỉ một hai thành phần gây ra phần lớn khoảng cách.
Lý do thứ ba thuộc về tâm lý nhóm: người có tiếng nói lớn nhất trong phòng hay đưa ra nguyên nhân đầu tiên, và cả nhóm dễ chấp nhận để họp cho xong. Một quy trình có bước khoanh vùng và kiểm chứng giúp nhóm dựa vào bằng chứng thay vì vào thứ bậc.
Bước 1: tách chỉ số thành thành phần để khoanh vùng
Mỗi chỉ số kết quả đều có thể viết thành phép nhân hoặc phép cộng của các chỉ số nhỏ hơn. Ví dụ giả định một cửa hàng thời trang ở Đà Nẵng hụt 15% doanh thu tháng so với chỉ tiêu:
| Thành phần | Kế hoạch | Thực hiện | Chênh lệch | Nhận xét |
|---|---|---|---|---|
| Lượt khách vào cửa hàng | 3.000 | 2.950 | -2% | Gần như đủ |
| Tỷ lệ khách mua | 25% | 21% | -16% | Hụt rõ — vùng cần xem |
| Giá trị trung bình mỗi đơn | Mốc 100 | Mốc 101 | +1% | Ổn |
| Tỷ lệ đơn bị trả lại | 3% | 3,5% | Tăng nhẹ | Theo dõi, chưa phải vùng chính |
Chỉ cần một bảng như vậy, câu chuyện đã khác: không phải thiếu khách, mà khách vào nhưng không mua. Mọi giả thuyết tiếp theo nên tập trung vào khoảnh khắc từ lúc khách bước vào tới lúc quyết định mua. Nếu thành phần nào cũng hụt một chút, đó lại là tín hiệu khác — có thể chỉ tiêu đặt quá cao, hoặc có một yếu tố chung tác động lên tất cả. Cây chỉ số này nên được dựng từ lúc thiết kế KPI; nếu chưa có, đây là dịp tốt để dựng.
Bước 2: tách tiếp theo chiều thời gian, nơi chốn và nhóm
Sau khi biết thành phần nào hụt, tách tiếp theo các chiều khác: tuần nào trong tháng, cửa hàng hay ca nào, nhóm sản phẩm nào, loại khách nào. Mục đích là tìm xem chỗ hụt tập trung ở đâu hay rải đều. Nếu tỷ lệ mua chỉ giảm ở hai tuần cuối tháng, câu hỏi tiếp theo là điều gì đã thay đổi vào giữa tháng. Nếu chỉ giảm ở ca tối, câu hỏi là ca tối có gì khác.
Tập trung hay rải đều là thông tin rất mạnh. Một vấn đề tập trung thường có nguyên nhân cụ thể, dễ tìm: một nhân viên mới ca tối, một đợt hàng về trễ, một thay đổi cách trưng bày. Một vấn đề rải đều thường do yếu tố chung hơn: giá bán thay đổi, thói quen mua của khách đổi, đối thủ mới mở gần đó. Hai loại cần cách xử lý khác nhau.
Ở bước này, AI giúp được khi bạn có bảng số theo nhiều chiều. Sau khi bỏ tên nhân viên và tên khách, dán bảng và hỏi: "Tỷ lệ mua giảm từ 25% xuống 21%. Dựa vào bảng theo tuần, theo ca và theo nhóm hàng dưới đây, cho biết phần giảm tập trung ở đâu, và chỗ nào số liệu chưa đủ để kết luận. Không đưa ra nguyên nhân." Việc tách chiều sâu hơn với nhiều dữ liệu là phạm vi của AI Phân Tích; ở mức nhóm, một bảng tính với vài chiều là đủ.
Bước 3: lập giả thuyết — nhiều hơn một, viết thành câu kiểm được
Viết ít nhất ba giả thuyết. Một giả thuyết duy nhất dễ biến thành kết luận. Ba giả thuyết buộc nhóm so sánh và tìm bằng chứng phân biệt. Với ví dụ cửa hàng thời trang: hết cỡ phổ biến ở mẫu bán chạy; nhân viên ca tối mới, chưa tư vấn được; phòng thử đồ đóng một phòng để sửa.
Mỗi giả thuyết phải nói được điều gì sẽ thấy nếu nó đúng. Nếu hết cỡ là nguyên nhân, sẽ thấy tỷ lệ mua giảm mạnh nhất ở đúng những mẫu đó và những ngày hết cỡ. Nếu phòng thử đóng là nguyên nhân, sẽ thấy giảm trong những ngày phòng đóng, ở mọi ca.
Nhờ AI mở rộng danh sách. Câu lệnh mẫu: "Một cửa hàng thời trang có lượt khách ổn định nhưng tỷ lệ mua giảm, tập trung ở ca tối hai tuần cuối tháng. Liệt kê 10 giả thuyết có thể, với mỗi giả thuyết ghi một dấu hiệu sẽ thấy trong dữ liệu nếu nó đúng." Nhóm loại những giả thuyết không hợp với điều mình biết, giữ lại vài cái đáng kiểm.
Không để AI chọn giả thuyết đúng. AI không biết cửa hàng bạn vừa đổi lịch ca hay vừa sửa phòng thử. Nó chỉ giúp không bỏ sót hướng nghĩ. Chọn và kiểm là việc của người trong cuộc.
Bước 4: kiểm giả thuyết bằng dữ liệu nhỏ và quan sát thật
Phần lớn giả thuyết ở cấp nhóm có thể kiểm trong một hai tuần mà không cần công cụ phức tạp:
- Đối chiếu số đã có: xem tỷ lệ mua theo ngày, đánh dấu những ngày hết cỡ hoặc phòng thử đóng, so với những ngày khác.
- Lấy mẫu nhỏ: đọc 20 đến 30 phiếu, đơn, cuộc gọi hoặc phản hồi khách trong vùng hụt, ghi lại điều lặp lại.
- Quan sát trực tiếp: trưởng nhóm đứng ở cửa hàng ca tối hai buổi, chỉ quan sát và ghi chép, không can thiệp.
- Hỏi người làm trực tiếp: nhân viên tuyến đầu thường biết nguyên nhân trước khi số liệu cho thấy, nhưng ít khi được hỏi.
- Loại trừ: giả thuyết nào có bằng chứng ngược lại thì gạch đi, ghi lại lý do.
Khi một giả thuyết được nhiều nguồn ủng hộ và các giả thuyết khác bị loại, coi đó là nguyên nhân "đã xác nhận ở mức đủ để hành động". Không cần chắc chắn tuyệt đối — chỉ cần đủ để chọn hành động, và thiết kế hành động đó sao cho có thể thấy nó có tác dụng hay không trong vài tuần.
Năm lỗi suy luận hay gặp khi tìm nguyên nhân
Ngay cả khi đã có quy trình, nhóm vẫn dễ trượt vào những lối nghĩ tắt dưới đây. Đọc qua trước buổi bàn nguyên nhân giúp cả nhóm tự nhắc nhau:
- Cùng xảy ra không có nghĩa là gây ra. Tỷ lệ mua giảm đúng tháng đổi đồng phục nhân viên không có nghĩa đồng phục là nguyên nhân. Cần một cơ chế giải thích được và bằng chứng loại trừ các khả năng khác.
- Chỉ nhìn chuyện gần nhất. Sự kiện tuần trước dễ nhớ nên dễ bị đổ lỗi, trong khi chỉ số có thể đã đi xuống từ ba tháng trước. Luôn nhìn chuỗi số dài hơn kỳ đang bàn.
- Tìm một nguyên nhân duy nhất. Nhiều khoảng hụt do hai ba yếu tố cộng lại. Ghi phần đóng góp ước tính của từng yếu tố, dù thô, giúp tránh dồn hết sức vào một chỗ.
- Chỉ tìm bằng chứng ủng hộ. Khi đã thích một giả thuyết, nhóm có xu hướng chỉ đọc những phiếu khớp với nó. Giao một người chuyên tìm bằng chứng ngược lại.
- Đổ cho yếu tố không kiểm được. "Khách dạo này kỹ tính hơn" có thể đúng nhưng không kiểm được và không dẫn tới hành động. Chuyển nó thành câu kiểm được: khách hỏi gì nhiều hơn, so sánh với gì, bỏ đi ở khâu nào.
Có thể nhờ AI đóng vai người soát lập luận: dán chuỗi suy luận của nhóm (đã bỏ tên người) và hỏi "lập luận này có mắc lỗi suy luận nào trong năm lỗi sau không, chỉ ra câu cụ thể". AI thường chỉ ra đúng những chỗ nhảy cóc mà người trong cuộc bỏ qua.
Bước 5: từ nguyên nhân tới hành động, và khi nào dùng công cụ sâu hơn
Khi đã có nguyên nhân, hành động nên nhắm đúng cơ chế. Nếu hết cỡ phổ biến, hành động là thay đổi cách đặt hàng theo cỡ, không phải đào tạo bán hàng. Mỗi hành động có một người phụ trách, một hạn, và một chỉ số nhỏ cho biết nó có tác dụng: ví dụ số ngày hết cỡ mẫu bán chạy trong tháng sau. Đưa hành động này vào danh sách theo dõi của buổi họp rà soát hằng tháng.
Nếu đào sâu thấy nguyên nhân hết cỡ lại do một nguyên nhân sâu hơn (quy trình đặt hàng dựa trên số tháng trước, không tính mùa), đó là lúc dùng các công cụ tìm nguyên nhân gốc rễ như hỏi "vì sao" nhiều lần hoặc biểu đồ xương cá. Các công cụ này được trình bày kỹ ở trang AI Kiểm Soát cho lỗi lặp lại trong quy trình; ở đây chỉ cần biết dùng chúng khi nguyên nhân đã khoanh vùng xong, không dùng thay cho bước khoanh vùng.
Cuối cùng, ghi lại toàn bộ chuỗi — chỉ số hụt, vùng hụt, các giả thuyết, bằng chứng, nguyên nhân chọn, hành động — vào sổ bài học của nhóm. Lần sau gặp chỉ số tương tự hụt, nhóm có điểm xuất phát thay vì bắt đầu lại từ đầu.
Câu hỏi thường gặp
Nếu không có dữ liệu chi tiết để tách chỉ số thì làm sao?
Bắt đầu bằng những gì quan sát được: lấy mẫu nhỏ phiếu, đơn, phản hồi khách; hỏi nhân viên tuyến đầu; quan sát trực tiếp vài buổi. Đồng thời ghi lại dữ liệu nào còn thiếu và bắt đầu thu từ tháng sau, để lần hụt tiếp theo có thể tách được.
Bao lâu thì nên kết luận nguyên nhân?
Với vấn đề cấp nhóm, một đến hai tuần thường đủ để kiểm vài giả thuyết bằng dữ liệu đã có và quan sát. Kéo dài hơn mà chưa ra thì nên chọn giả thuyết mạnh nhất, hành động thử, và đo xem có tác dụng không, thay vì chờ chắc chắn tuyệt đối.
Có nên dán dữ liệu bán hàng vào chatbot để AI tìm nguyên nhân?
Có thể dán sau khi bỏ tên khách, tên nhân viên và các số nhạy cảm, dùng công cụ công ty cho phép. Nhưng yêu cầu AI chỉ mô tả chỗ hụt tập trung ở đâu và gợi ý giả thuyết, không để nó kết luận nguyên nhân, vì nó không biết những gì đã xảy ra ngoài bảng số.
Nguyên nhân là do một nhân viên làm chưa tốt thì xử lý thế nào trong nhóm?
Trước hết kiểm xem có phải lỗi của cá nhân hay của điều kiện làm việc: người đó có được đào tạo, có đủ công cụ, có quy trình rõ không. Nếu đúng là vấn đề cá nhân, xử lý trong buổi nói chuyện riêng, không bàn trong họp nhóm, và theo quy chế của đơn vị.
Khác biệt giữa bài này và cách dùng 5 Why là gì?
Hỏi vì sao nhiều lần là công cụ đào sâu từ một vấn đề đã xác định xuống nguyên nhân gốc. Quy trình ở đây đứng trước đó: từ một chỉ số tổng bị hụt, tìm ra vấn đề cụ thể nằm ở đâu. Khoanh vùng sai thì đào sâu đến đâu cũng là đào nhầm chỗ.
Nếu tìm ra nguyên nhân nằm ở phòng khác thì sao?
Trình bày với phòng đó bằng dữ liệu, không bằng lời trách. Đề xuất cùng xem lại khâu giao nhau và thống nhất một chỉ số chung cho khâu đó. Nếu hai phòng không thống nhất được, đưa lên cấp quản lý chung, kèm bằng chứng và đề xuất cụ thể.