Những con số nói xạo
Thiệc ra, những con số nói xạo là do tôi giật tít vì số liệu thì nó trung lập, chỉ có con người mới khiến chúng trở nên sai lệch. Trong bài viết này, tôi sẽ chia sẻ những sai lầm phổ biến mà các startup đặc biệt là các bạn founder trẻ thường gặp khi phân tích và đưa ra nhận định. Bài viết này không dành cho các anh/chị đã có kinh nghiệm về Data Analyst hay Business Analyst. Nó dành cho những bạn trẻ đang khởi nghiệp, chưa có nền tảng phân tích dữ liệu vững vàng nhưng lại phải ra quyết định mỗi ngày dựa trên các con số.
Tôi cũng đã định lấy minh họa trực tiếp từ Deligent cho bài viết này, nhưng thú thật là hơi mắc cỡ. Vì gần như tất cả những vấn đề được nhắc tới dưới đây tôi đều đã từng vấp phải. Nhưng thôi, mắc cỡ để làm gì nữa. Gạt qua một bên và cùng bắt đầu phân tích.
Số liệu 101
Trong startup, nơi mà mọi thứ đều bất định từ khách hàng, sản phẩm, thị trường cho đến mô hình kinh doanh. Số liệu được xem như ánh sáng trong mê cung. Không có số liệu, bạn như người bị bịt mắt trong cái mê cung đó, không biết nên tiếp tục tiến lên, rẽ trái, hay quay lại.
Số liệu, nhìn sơ qua thì có vẻ khách quan. Nó là con số. Nó không có cảm xúc. Nhưng thực tế, cách bạn chọn đo cái gì, hiểu nó như thế nào, và trình bày nó ra sao tất cả đều mang dấu vết của định kiến, cảm xúc và kỳ vọng.
Với tôi, bất kỳ thứ gì đang vận hành, dù là một bữa cơm, một cuộc trò chuyện, hay cả một startup đều để lại dấu vết dưới dạng số. Bạn ăn cơm, có thể đếm được số hạt. Bạn chạy xe, có quãng đường, vận tốc, thời gian. Bạn làm startup, bạn sẽ có user, lượt click, dòng tiền, thời gian xử lý ticket, tỷ lệ chuyển đổi, v.v. Không có gì đang hoạt động mà lại không sinh ra số. Vấn đề không phải là có hay không có số, mà là: Trong hàng ngàn con số đang tồn tại, bạn nên thu thập cái gì, theo cách nào ?
Phân loại số liệu theo nguồn gốc
Tôi thường chia số liệu thành ba nhóm chính dựa theo cách chúng ta có được chúng:
- Số mà bạn chủ động thu thập: Đây là những con số bạn đi tìm. Bạn soạn survey để khảo sát nhu cầu khách hàng. Bạn phỏng vấn 20 người để tìm insight về hành vi. Bạn gửi bảng câu hỏi, làm nghiên cứu thị trường, test prototype... Những số liệu này thường tốn thời gian, công sức và có yếu tố chủ quan nhưng chúng cho bạn biết điều bạn muốn biết, và thường rất giàu ngữ cảnh.
- Số liệu hệ thống tự ghi lại: Là thứ mà Google Analytics, Mixpanel, hay hệ thống backend của bạn âm thầm thu thập mỗi ngày: số user đăng ký, lượt click, thời gian online, đường dẫn nào được truy cập nhiều nhất… Chúng khách quan, đầy đủ, real-time, nhưng thường rất thô. Muốn hiểu được bạn phải biết đặt câu hỏi đúng và lọc ra đúng phần liên quan đến bài toán kinh doanh của bạn.
- Số liệu bạn phải tính toán: Đây là lớp số liệu được tổng hợp và xử lý từ hai nhóm trên. Ví dụ: CAC (chi phí để có được một khách hàng) = Tổng chi marketing / số khách hàng mới. Đây là nhóm số liệu quan trọng nhất để ra quyết định vì nó trả lời được: Chuyện gì đang xảy ra? và Chúng ta có đang đi đúng hướng không?
Phân loại số liệu theo đặc tính
Nếu xét về mặt đặc tính thì tôi có thể chia thành: Vanity Metric và Actionable Metrics.
Vanity Metric là những con số khiến bạn cảm thấy mình đang làm rất tốt nhưng thật ra không giúp gì nhiều cho việc ra quyết định. Chúng thường dễ thu thập, dễ gây ấn tượng, dễ đưa vào pitch deck nhưng lại rất khó chuyển hóa thành hành động cụ thể. Và nguy hiểm nhất: chúng khiến bạn ảo tưởng về tiến độ và thành tựu.
Actionable Metrics mới là những con số thực sự có giá trị. Chúng cho bạn biết điều gì đang hoạt động, điều gì không, và cần thay đổi gì. Ví dụ:
- Tỷ lệ giữ chân người dùng sau 7 ngày (7-day retention)
- Tỷ lệ chuyển đổi từ trial sang trả phí
- CAC (Customer Acquisition Cost)
- LTV (Lifetime Value)
- Tỷ lệ bỏ giỏ (abandonment rate) nếu bạn làm ecommerce
Actionable metrics luôn đi kèm theo một ngữ cảnh, một mục tiêu rõ ràng, và có khả năng kích hoạt hành động cụ thể: giữ lại người dùng, cải thiện tính năng, thay đổi pricing, v.v.
Nói như vậy không phải là vanity metrics là vô dụng. Nó giống như một con dao hai lưỡi: nguy hiểm nếu dùng sai, nhưng có thể rất hiệu quả nếu biết cách khai thác.
Bạn là người nói xạo trước
Trước khi số liệu lừa bạn, hãy thừa nhận một sự thật: chính bạn là người xào nấu nó đầu tiên. Startup, đặc biệt ở giai đoạn đầu có một mối quan hệ rất kỳ lạ với dữ liệu. Vừa cần nó để sống sót, vừa sẵn sàng bẻ cong nó để tự an ủi, để gọi vốn, để giữ lửa cho team, hoặc đơn giản là để cảm thấy mình vẫn đang đi đúng hướng.
Vấn đề nằm ở chỗ: bạn không nhất thiết phải nói dối trắng trợn, chỉ cần… nói thiếu một phần sự thật, hoặc trình bày một cách thuận chiều cảm xúc, là bạn đã tạo ra một câu chuyện khác hoàn toàn rồi.
Tôi nói mấy cái dưới này cũng nhột nhột. Dưới đây là một số trường hợp phổ biến mà startup hay dùng với số liệu đôi khi vô tình, đôi khi rất chủ ý:
Bắt đầu với một con số vĩ mô
Tôi từng có mặt ở nhiều cuộc thi startup có lúc là người dự thi, có lúc chỉ là khán giả. Và có một công thức thuyết trình mà tôi thấy xuất hiện gần như... mọi lần:
Một vấn đề nghe rất lớn → Một con số thị trường thật hoành tráng → Và rồi là giải pháp cách mạng của startup đó.
Ví dụ:
“AI đang bùng nổ. Thị trường đồ chơi trẻ em toàn cầu hiện trị giá 1.000 tỷ đô. Chúng tôi sẽ làm một chú chó AI biết chơi với trẻ con.”
Nghe thì hấp dẫn. Nhưng có một câu hỏi đơn giản mà ít ai trả lời được:
- Cái số 1.000 tỷ đô đó lấy ở đâu ra?
- Nó có thực sự liên quan đến ngách thị trường bạn đang nhắm tới không?
- Sản phẩm bạn định làm có thực sự fit với insight trong thị trường đó không?
Không ai nói. Hoặc nếu có, thì cũng chỉ là một slide trích dẫn mờ mờ ở đâu đó cuối deck. Vấn đề không nằm ở việc nêu ra một con số lớn. Mà là: startup thường dùng con số lớn như một cách để áp đặt tầm quan trọng cho ý tưởng của mình, thay vì để con số đó xuất phát từ thực tế mà họ thật sự hiểu và kiểm chứng.
Một con số vĩ mô không chứng minh được tầm nhìn. Nó chỉ chứng minh bạn biết Google. Mặc dầu vậy, nếu những số này được bạn tính toán kĩ lưỡng, có sự nghiên cứu chi tiết thì nó là một minh chứng thép cho dự án.
Dùng số đẹp để che đi thực tế xấu
Câu chuyện kinh điển: “Chúng tôi có 50.000 lượt tải app trong tháng đầu tiên.”
Nghe oách đúng không? Nhưng khi hỏi thêm:
- Bao nhiêu người mở app ít nhất 2 lần?
- Bao nhiêu người dùng thực sự tương tác với tính năng cốt lõi?
- Bao nhiêu người còn nhớ app tên gì sau 1 tuần?
Thường không ai trả lời vì phần đó không được đưa vào slide. Startup không nói dối, họ chỉ không nói nốt phần còn lại.
Gộp số sai ngữ cảnh
Một chiêu khác là gộp nhiều loại người dùng khác nhau vào cùng một thống kê để làm đẹp số. Ví dụ:
“Chúng tôi có 10.000 người dùng.”
Nhưng thực chất:
- 5.000 là người dùng từ đợt giveaway, không có ý định dùng thật.
- 2.000 là tài khoản test nội bộ.
- 1.000 là người dùng từ 6 tháng trước, không còn hoạt động.
- Còn lại 2.000 là người dùng thật – nhưng chỉ có 200 người đang active.
Vậy nhưng 10.000 vẫn là con số được đem đi trình bày. Đẹp, ngắn gọn, dứt khoát.
Dùng trung bình để che sự phân hóa
“Người dùng trung bình dùng app 3 lần/ngày.”
Nghe quá ổn. Nhưng thử nhìn kỹ:
- Một nhóm nhỏ dùng cực kỳ nhiều (power user)
- Phần lớn gần như không dùng, hoặc chỉ mở một lần rồi quên
Lúc này trung bình không đại diện cho ai cả, nó chỉ là một phép tính lười biếng.
Muốn hiểu đúng, cần nhìn phân phối, cần tách cohort, cần phân tầng nhưng làm vậy thì sẽ không có con số gọn gàng để quăng vào slide.
Trộn chỉ số dài hạn – ngắn hạn
Startup cũng hay mắc lỗi so sánh số liệu không cùng khung thời gian để tạo ấn tượng sai. Ví dụ:
“Doanh thu tháng này tăng 200% so với tháng trước!”.
Nhưng tháng trước mới launch, doanh thu gần như bằng 0.
“Tỷ lệ giữ chân người dùng là 60%!”.
Nhưng đó là retention ngày 1, không phải retention ngày 30.
Chọn khung thời gian đẹp là một hình thức make-up số liệu.
Thay đổi định nghĩa chỉ số để có số đẹp
Đây là chiêu cấp cao hơn, thường thấy khi startup đã định hình chỉ số nào đó để theo dõi, nhưng sau đó… nó bắt đầu xấu đi. Lúc này, thay vì thay đổi sản phẩm hoặc chiến lược, họ thay đổi… định nghĩa.
Ví dụ: Trước: "active user" là người dùng có ít nhất 1 hành động trong 7 ngày. Sau: "active user" = người từng mở app trong 30 ngày. Và đùng một cái, “số active user tăng 70%!”
Không ai kiểm chứng, và nếu có ai thắc mắc thì: "bọn mình đang cải tiến định nghĩa cho sát thực tế hơn".
Trình bày số không sai… nhưng sai hướng
Startup thường là bậc thầy trong việc chọn góc nhìn có lợi nhất từ một bảng số liệu. Ví dụ:
“Tỷ lệ chuyển đổi tăng 30%!”
Thực tế là: Từ 1% lên 1.3% nhưng chi phí để đạt được tăng gấp đôi và số người chuyển đổi vẫn rất thấp, không đủ để sustain
Hầu hết startup không nói dối để lừa người khác mà họ nói dối để làm dịu nỗi lo bên trong, để giữ lửa, để có cớ tiếp tục cố thêm chút nữa. Nhưng chính điều đó khiến họ đánh mất khả năng phản biện, khả năng nhìn thấy vấn đề từ sớm. Và điều tệ nhất là: càng nói xạo lâu ngày, chính bạn sẽ tin câu chuyện bạn dựng lên.
Giờ tới lượt bạn bị lừa
Sau một thời gian chơi đùa với số liệu, bạn bắt đầu tin rằng mình đang kiểm soát được mọi thứ. Bạn có dashboard. Bạn có KPI. Bạn có chỉ số tăng trưởng tuần này cao hơn tuần trước.
Nhưng rồi một ngày, mọi thứ đổ vỡ. Insight thì sai, user không quay lại, dòng tiền không đều, mà lý do thì bạn không hiểu nổi.
Lý do là: số liệu không chỉ có khả năng được bạn làm đẹp mà nó cũng có khả năng đánh lừa chính bạn. Nhất là khi bạn không hiểu rõ cách nó được tạo ra, hoặc không biết đặt câu hỏi ngược lại.
Dưới đây là những cái bẫy số liệu phổ biến nhất, chia theo từng giai đoạn mà một startup thường trải qua:
Giai đoạn khảo sát
Ở giai đoạn đầu, startup hay làm khảo sát để xác nhận nhu cầu. Nhưng có một sự thật là: hầu hết khảo sát đều được thiết kế để xác nhận niềm tin sẵn có, chứ không phải để phản biện.
Ví dụ:
- Bạn tin rằng Gen Z muốn học qua chatbot. Bạn hỏi: “Bạn có thấy chatbot học tiếng Anh là thú vị không?”
- Bạn muốn làm app gọi thú cưng. Bạn hỏi: “Bạn có muốn nuôi thú cưng thông minh hơn không?”
Câu hỏi dẫn dắt + mẫu khảo sát hẹp + mong muốn tìm được số đẹp = kết quả khả quan. Nhưng sự khả quan này không có khả năng dự báo hành vi thực tế.
Khảo sát cho bạn 80% người nói có thể dùng. Nhưng khi bạn launch sản phẩm, chỉ 2% dùng thử, và 0.5% quay lại. Lúc này bạn mới nhận ra: số liệu không nói dối, chỉ là bạn không biết hỏi đúng.
Giải pháp cho vấn đề này:
- Thu mẫu ngẫu nhiên từ nhóm không quen biết, càng không có quan hệ cá nhân càng tốt.
- Đặt mình vào thế bị phản đối: Tập trung tìm hiểu vì sao người ta không cần bạn, thay vì tìm người đồng ý với bạn.
Sử dụng câu hỏi phản biện thay vì dẫn dắt, ví dụ: "Nếu bạn không chọn dùng sản phẩm này, lý do lớn nhất sẽ là gì?"
Giai đoạn vận hành
Khi bạn có user thật, có hoạt động hàng ngày, thì số liệu bắt đầu rối loạn. Bạn có thể rơi vào hai tình huống nguy hiểm:
- Tưởng mọi thứ đang ổn: bạn nhìn thấy active user mỗi ngày vẫn đều đều, nên nghĩ rằng người dùng hài lòng. Nhưng thật ra, 80% chỉ vào rồi thoát.
- Không thấy vấn đề thật: vì bạn theo dõi KPI quá bề mặt (DAU, lượt click), nên không thấy những chỉ số sâu như: churn rate tăng, NPS giảm, user complain nhiều hơn.
Bạn tưởng mình đang quản trị bằng dữ liệu. Nhưng thật ra bạn đang bị số liệu dắt mũi, vì bạn chỉ nhìn những con số dễ nhìn.
Khi đã có được những số liệu từ giai đoạn vận hành, rất nhiều startup gặp phải tình trạng theo dõi số liệu mà không hành động gì. Điều này thường xảy ra khi bạn chỉ nhìn vào những số liệu đẹp như DAU (Daily Active Users) hay MAU (Monthly Active Users) mà không đi sâu vào việc đánh giá các số liệu mang tính hành động hơn, như tỷ lệ giữ chân người dùng hay tỷ lệ chuyển đổi. Để khắc phục điều này, bạn cần gắn mỗi chỉ số với một hành động cụ thể. Ví dụ, nếu tỷ lệ quay lại của người dùng trong tuần đầu tiên dưới 25%, bạn sẽ phải khảo sát lại quy trình onboarding. Việc review số liệu định kỳ cùng với team cũng là một cách hiệu quả để phát hiện ra bất thường và nhanh chóng điều chỉnh.
Giai đoạn đo lường doanh thu
Một trong những ảo giác nguy hiểm nhất là: doanh thu đang tăng, nên bạn nghĩ startup đang phát triển.
Nhưng bạn quên nhìn vào:
- Gross margin: Có thể bạn đang bán lỗ để tăng lượng user.
- Repeat rate: Khách hàng có quay lại hay chỉ mua thử 1 lần rồi biến mất?
- Chi phí gián tiếp: Có những khoản bạn chưa tính vào (chăm sóc khách hàng, vận hành backend, chi phí burn để giữ team…)
Doanh thu tăng không có nghĩa bạn kiếm được tiền. Đôi khi bạn đang đổi 1 đồng lấy 0.7 đồng và tưởng mình đang có lời.
Khi đo lường doanh thu, một trong những sai lầm phổ biến là không phân biệt rõ doanh thu từ các nguồn khác nhau. Chẳng hạn, doanh thu có thể tăng mạnh do các chiến dịch khuyến mãi hoặc các yếu tố bên ngoài như PR hoặc quảng cáo, nhưng bạn lại không nhận ra rằng đó không phải là tăng trưởng bền vững. Để khắc phục điều này, bạn cần tách doanh thu theo các nguồn rõ ràng như doanh thu từ kênh organic, paid traffic, affiliate marketing và các chương trình khuyến mãi. Bên cạnh đó, bạn cần tính toán rõ ràng các chỉ số unit economics, chẳng hạn như chi phí để thu hút một khách hàng và giá trị khách hàng đó mang lại trong suốt vòng đời của họ. Một bước quan trọng nữa là tạo một phiên bản P&L tối giản để kiểm tra định kỳ và xem xét các chi phí ẩn không nằm trong báo cáo chính thức.
Giai đoạn tính điểm hoà vốn
Khi nhà đầu tư hỏi: “Bao giờ công ty bạn hoà vốn?”, bạn bắt đầu làm bảng tính. Dự đoán chi phí cố định, chi phí biến đổi, doanh thu trung bình theo tháng, số user cần có...
Kết quả là bạn tính điểm hoà vốn ở tháng 10, nhưng thật ra... đến tháng 18 vẫn chưa thấy đâu. Lỗi ở đâu? Không phải ở excel. Mà là ở việc bạn đã nhập những số liệu... nghe hợp lý, nhưng không có gốc rễ từ hành vi thật.
Một trong những bẫy nguy hiểm nhất trong giai đoạn hòa vốn là các giả định tài chính quá lạc quan, thường dựa trên những con số tuyến tính và thiếu sự chuẩn bị cho các tình huống xấu. Thực tế, nhiều startup chỉ lập kế hoạch tài chính dựa trên "best case scenario" mà bỏ qua khả năng phát sinh các vấn đề bất ngờ. Để tránh bị lừa bởi những giả định sai, bạn nên xây dựng ít nhất ba kịch bản tài chính: best case, base case, và worst case. Điều này sẽ giúp bạn chuẩn bị cho mọi tình huống có thể xảy ra. Ngoài ra, bạn cần chắc chắn rằng các giả định của mình được dựa trên những dữ liệu thực tế thay vì chỉ dựa vào các dự đoán không có cơ sở. Việc đánh giá lại các giả định này định kỳ cũng giúp bạn kiểm soát được tình hình tài chính và có điều chỉnh kịp thời khi cần thiết.
Bài học rút ra
Khi làm startup, số liệu là một công cụ mạnh mẽ để hỗ trợ ra quyết định, nhưng đồng thời cũng có thể là con dao hai lưỡi. Những con số có thể nói dối nếu bạn không biết cách thu thập, phân tích và sử dụng chúng một cách có trách nhiệm. Những sai lầm trong việc dựa quá nhiều vào các chỉ số vanity hay giả định thiếu thực tế có thể dẫn đến những quyết định sai lầm, thậm chí gây hại cho sự phát triển của startup.
Vậy là hết bài rồi đó, cảm ơn bạn đã đọc. Hẹn gặp lại bạn trong bài viết tiếp theo.
Bình luận ()