Ra quyết định khi dữ liệu chưa đủ: khung Equarus

"Data-driven" nghe như thể mọi quyết định đều có sẵn một bảng số để soi. Thực tế không vậy. Rất nhiều quyết định quan trọng phải được đưa ra khi dữ liệu còn thiếu — thị trường quá mới, hoặc thời gian không cho phép chờ. Bài viết này mô tả khung của Equarus cho đúng những lúc đó: quyết định thế nào khi bạn không có đủ số để chắc chắn.

Chờ dữ liệu hoàn hảo cũng là một quyết định

Hiểu lầm phổ biến nhất về data-driven (quyết định dựa trên dữ liệu) là nó đồng nghĩa với "chờ đến khi có đủ số rồi mới quyết". Trong một thị trường chuyển động nhanh, cách hiểu đó nguy hiểm.

Lý do: không quyết cũng là một quyết định — quyết định chờ. Và chờ có giá của nó. Trong thời gian bạn thu thập thêm dữ liệu, đối thủ hành động, cơ hội trôi qua, mùa vụ khép lại. Với nhiều quyết định, cái giá của việc chậm lớn hơn cái giá của việc quyết với thông tin chưa hoàn hảo.

Nên câu hỏi đúng không phải "làm sao có đủ dữ liệu để chắc chắn?", mà "với dữ liệu đang có, quyết định thông minh nhất là gì, và làm sao để nếu sai thì sửa được rẻ?".

Bước 1 — Phân loại quyết định: đảo ngược được hay không

Không phải quyết định nào cũng đáng cân nhắc như nhau. Việc đầu tiên của khung này là phân loại.

Quyết định đảo ngược được (two-way door — cửa hai chiều) là quyết định mà nếu sai, bạn quay lại được với chi phí thấp. Đổi một tấm hình trên listing, thử một mức giá mới, chạy thử một mẫu quảng cáo — sai thì đổi lại, mất mát nhỏ.

Quyết định không đảo ngược được (one-way door — cửa một chiều) là quyết định khó hoặc tốn kém để rút lại. Đặt một lô hàng lớn, ký một cam kết dài hạn, chọn định vị cốt lõi cho một thương hiệu — sai thì trả giá đắt.

Phân loại này quyết định bạn nên đi nhanh hay chậm. Với cửa hai chiều, chờ để chắc chắn là lãng phí: cứ quyết nhanh dựa trên bằng chứng đang có, rồi học từ kết quả. Với cửa một chiều, chậm lại là xứng đáng: thu thập thêm, cân nhắc kỹ, vì cái giá của sai lầm cao.

Phần lớn quyết định hằng ngày là cửa hai chiều. Đối xử với chúng như cửa một chiều — cân nhắc quá mức mọi thứ nhỏ nhặt — là một cách phổ biến để trở nên chậm chạp mà không an toàn hơn.

Bước 2 — Dùng bằng chứng đang có, đặt giả thuyết rõ

Dữ liệu chưa đủ không có nghĩa là không có dữ liệu. Gần như luôn có một phần bằng chứng: một xu hướng, vài điểm dữ liệu, kinh nghiệm từ sản phẩm tương tự, tín hiệu từ thị trường.

Việc cần làm là dùng phần bằng chứng đó để đặt một giả thuyết rõ ràng — một phát biểu có thể đúng hoặc sai, không phải một cảm giác mơ hồ. "Tôi nghĩ mức giá thấp hơn sẽ tăng tổng lợi nhuận vì lượng bán tăng đủ bù phần giảm giá" là một giả thuyết. "Chắc giảm giá sẽ tốt hơn" thì không — nó không nói rõ đúng ở điểm nào để mà kiểm chứng.

Giả thuyết rõ biến một phỏng đoán thành một thứ có thể đem đi thử. Đó là cầu nối giữa "chưa đủ dữ liệu" và "làm gì tiếp".

Bước 3 — Thử nhỏ, rẻ, và để thị trường trả lời

Khi không chắc, cách đáng tin nhất để có thêm dữ liệu không phải là suy nghĩ thêm trong phòng họp, mà là chạy một thử nghiệm nhỏ và rẻ.

Thay vì tranh cãi trên bàn về một điều chưa ai biết chắc, đội thiết kế một phép thử vừa đủ để thị trường trả lời: thử mức giá mới trên một sản phẩm trước khi áp cho cả dòng, thử một hướng nội dung trên một phần ngân sách trước khi rót toàn bộ. Kết quả thật từ một thử nghiệm nhỏ thường nhanh và đáng tin hơn nhiều giờ tranh luận.

Đây là chỗ hai giá trị của Equarus gặp nhau: Data-driven và Speed and Result (làm nhanh, tạo giá trị thật). Bạn không chờ dữ liệu rơi từ trên trời xuống; bạn hành động để tạo ra nó, ở quy mô đủ nhỏ để nếu sai thì rẻ.

Khi chưa đủ dữ liệu để quyết lớn, hãy quyết nhỏ — đủ nhỏ để sai không đau, đủ thật để học được điều đúng.

Bước 4 — Đặt trước thước đo và điểm dừng

Một thử nghiệm chỉ có giá trị nếu bạn biết trước mình đang tìm gì. Vì thế, trước khi chạy, hãy định nghĩa: kết quả thế nào thì coi là giả thuyết đúng, thế nào thì coi là sai, và mức nào thì dừng.

Đặt trước điểm dừng (kill criteria — ngưỡng để dừng một thử nghiệm không hiệu quả) quan trọng vì nó ngăn hai lỗi ngược nhau: bỏ cuộc quá sớm khi mới gặp nhiễu, và đổ thêm tiền quá lâu vào một thứ đã rõ là không chạy. Quyết định điểm dừng khi đầu còn lạnh, trước khi cảm xúc và chi phí đã bỏ ra làm mờ phán đoán.

Bước 5 — Con người vẫn cầm lái

Khung này không biến quyết định thành một phép tính tự động. Ngay cả với thử nghiệm và số liệu, phán đoán của con người vẫn là phần cuối.

Data cho biết chuyện gì đang xảy ra. Con người vẫn phải hiểu vì sao và chọn làm gì tiếp. Cùng một kết quả thử nghiệm có thể dẫn tới hai hành động khác nhau tùy cách diễn giải bối cảnh. Vai trò của dữ liệu là thu hẹp vùng phỏng đoán và loại bỏ tranh cãi cảm tính — không phải thay thế người ra quyết định. Data là la bàn, không phải người lái.

Và khi một quyết định đã được đưa ra sau khi cân nhắc, cả đội đi theo nó, kể cả người ban đầu không đồng tình. Bất đồng là lành mạnh trước khi quyết; sau khi quyết, điều tạo ra kết quả là cùng thực thi rồi cùng đo lại.

Vì sao khung này quan trọng ở quy mô nhiều thương hiệu

Vận hành nhiều thương hiệu và hơn 1.000 sản phẩm nghĩa là mỗi ngày có rất nhiều quyết định phải đưa ra với thông tin chưa đầy đủ. Nếu mỗi quyết định nhỏ đều đòi dữ liệu hoàn hảo, cả hệ thống đứng yên. Nếu mỗi quyết định đều làm ẩu, chi phí sai lầm chồng chất.

Khung này là con đường giữa: đi nhanh ở những cửa hai chiều, cẩn trọng ở những cửa một chiều, và biến sự không chắc chắn thành một chuỗi thử nghiệm nhỏ có kiểm soát. Nó cho phép một công ty vừa nhanh vừa không liều. Một ví dụ rất đời thường của kiểu đánh đổi phải quyết khi thiếu số liệu là giảm chi phí bao bì mà vẫn giữ chất lượng.

Cùng xây

Ra quyết định khi dữ liệu chưa đủ không phải là đối lập với data-driven — nó là data-driven trong thế giới thật, nơi thông tin luôn thiếu và thời gian luôn có hạn. Đặt câu hỏi đúng, phân loại quyết định, đặt giả thuyết rõ, thử nhỏ, và để kết quả dạy tiếp.

Nếu cách nghĩ này hợp với bạn, đọc bốn giá trị cốt lõi để thấy nền của nó, xem Core Values để tự soi, và các vị trí đang tuyển khi thấy mình hợp. Chúng ta cùng xây.