Trong công việc, mỗi ngày bạn sẽ nghe những câu kiểu: “Doanh số giảm vì sales kém”, “Khuyến mãi yếu nên khách không mua”, “POSM thiếu nên trưng bày xấu”.

Nhưng phân tích đúng không phải là tìm lý do để đổ lỗi, mà là tìm nguyên nhân thật sự đang gây tác động lớn nhất. Bài này phân tích Analytical Thinking qua 4 tư duy cốt lõi, 4 case ứng dụng thực tế, và 5 lỗi phân tích phổ biến.

ANALYTICAL THINKING

START WITH ? QUESTION

POSM 5%

Pricing 12%

Distribution 22%

Active Outlet 41%

Promo 20%

BIGGEST CAUSE

Analytical Thinking = tìm “yếu tố gây tác động lớn nhất”, không phải liệt kê nhiều lý do bằng nhau.

Data Analysis nói cho bạn chuyện gì đang xảy ra. Analytical Thinking nói cho bạn phải làm gì tiếp theo.

1. Analytical Thinking là gì & vì sao quan trọng

Analytical Thinking là kỹ năng giúp bạn không bị lạc trong dữ liệu, không bị cảm xúc dẫn dắt, và không lãng phí thời gian vào những giả thuyết không quan trọng. Cụ thể là 4 khả năng:

DEFINE PROBLEM
Xác định đúng vấn đề — không nhầm triệu chứng với nguyên nhân.
RANK IMPACT
Hiểu yếu tố nào ảnh hưởng mạnh nhất — không cào bằng mọi nguyên nhân.
FILTER NOISE
Tách nhiễu khỏi dữ liệu thật — số đẹp chưa chắc là tín hiệu tốt.
ACT ON EVIDENCE
Hành động dựa trên bằng chứng — không phải linh cảm hay áp lực sếp.

2. Bốn tư duy cốt lõi của Analytical Thinking

Đây là operating system trong đầu một người phân tích giỏi. Trước khi nhìn vào bất kỳ con số nào, họ đã có sẵn 4 nguyên tắc này.

A. Không bắt đầu bằng dữ liệu — bắt đầu bằng câu hỏi

VÍ DỤ
“Doanh số giảm” không phải vấn đề. Vấn đề là vì yếu tố nào giảm mạnh nhất. Câu hỏi quyết định chất lượng câu trả lời — sai câu hỏi đầu tiên là sai cả phân tích.

B. Phân tầng dữ liệu theo mức ảnh hưởng

Không phải mọi yếu tố đều có trọng số bằng nhau. Đây là 6 yếu tố cần kiểm tra theo thứ tự tác động trong Trade Marketing:

L1
Stock
L2
Distribution
L3
Pricing
L4
Promotion
L5
POSM
L6
Shopper Flow

C. Tách tín hiệu khỏi nhiễu

3 ví dụ phổ biến mà nhiều người phân tích đọc sai số liệu:

· Số tăng nhưng không bán được do OOS
· Số giảm nhưng bán tốt do thiếu POSM
· OOS thấp nhưng Active Outlet giảm
→ Mỗi con số có context — đọc số mà bỏ context = đọc sai.

D. Hành vi shopper quan trọng hơn hành vi brand

Người mua hành động theo trải nghiệm thật tại điểm bán, không theo báo cáo nội bộ của brand. Data sell-in cao không có nghĩa shopper thực sự mua — họ có thể chỉ đang stock-up vì khuyến mãi.

3. Bốn case ứng dụng Analytical Thinking trong thực tế

Lý thuyết là khung — case study là cách bạn nội hóa kỹ năng. Đây là 4 tình huống bạn sẽ gặp thường xuyên trong Trade Marketing.

3.1. Doanh số giảm — tìm “yếu tố tác động lớn nhất”

TÌNH HUỐNG
Sếp hỏi: “Giải thích vì sao doanh số giảm 12% so với cùng kỳ?”

TRẢ LỜI KIỂU NGƯỜI MỚI
  • “Sales kém” — sai, đổ lỗi không có chứng cứ
  • “Hết hàng” — chưa chắc, cần dữ liệu
  • “Khách mua ít hơn” — có thể đúng nhưng thiếu chứng minh

PHÂN TÍCH ĐÚNG
Đi qua 4 checkpoint theo thứ tự, dừng lại ở yếu tố nào giảm mạnh nhất → đó là root cause.
01
Kiểm tra Active Outlet
Nếu giảm 15–20% → đây thường là thủ phạm lớn nhất.
02
Kiểm tra Stock-weighted Distribution
SKU đủ hàng hay bị thiếu hàng ở điểm lớn (top weighted outlets)?
03
Kiểm tra CTKM / POSM
Promo vào đúng SKU, đúng thời điểm không?
04
Kiểm tra tốc độ bán (Offtake)
Shopper có còn mua SKU cũ hay đã chuyển sang SKU mới (đối thủ / replacement)?

Bài học: Analytical Thinking = “Tìm yếu tố tác động lớn nhất“, không phải “giải thích nhiều lý do”.

3.2. Khuyến mãi mạnh nhưng doanh số không tăng

TÌNH HUỐNG
CTKM “Mua 3 tặng 2” → doanh số tăng +30%. Nhưng baseline giảm từ 200 xuống 180 → chương trình nhìn có vẻ thành công nhưng thật ra đang ăn mòn ngành hàng.

PHÂN TÍCH ĐÚNG
  • 30% uplift đến từ “đặt mua nhiều hơn”, không phải từ shopper mới
  • Active Outlet không tăng
  • POSM sai SKU → shopper không thấy đúng thông tin
  • Heavy promo → shopper stock-up → kỳ tiếp giảm nhu cầu

HÀNH ĐỘNG ĐÚNG
  • Dừng sale “đẩy volume” không cần thiết
  • Chuyển sang bundle “tăng giá trị rổ hàng”
  • Tập trung SKU có rotation cao
  • Rà lại POSM để không gây nhiễu

3.3. Điểm bán đầy hàng nhưng bán chậm

TÌNH HUỐNG
Outlet có full SKU, Stock đầy đủ, CTKM chạy đủ — nhưng bán kém. Sales kêu “không có khách”, Brand thì khẳng định “tất cả đã ready”. Ai đúng?
Cách phân tích — kiểm tra 5 yếu tố ẩn:
  • Shopper có chuyển sang SKU mới (đối thủ / replacement) không?
  • POSM đặt sai vị trí — shopper không nhận biết khuyến mãi?
  • Facing quá ít — SKU bị “nuốt” giữa các brand khác?
  • Thứ tự trưng bày sai SDT (Shopper Decision Tree)?
  • SKU mạnh bị đẩy xuống vị trí thấp — không trong tầm mắt?

Doanh số không bán bằng hàng — mà bán bằng đúng SKU, đúng chỗ, đúng thời điểm.

3.4. Numeric Distribution cao nhưng Weighted Distribution thấp

METRIC 01
Numeric Distribution (ND)
Số điểm bán có hàng (không phân biệt outlet lớn hay nhỏ).
ND = 85%
METRIC 02
Weighted Distribution (WD)
Trọng số doanh thu các điểm bán có hàng (outlet lớn ăn trọng số cao).
WD = 55%
Diagnosis: SKU của bạn chỉ có mặt ở điểm yếu, thiếu mặt ở điểm quan trọng. Phân phối rộng — không có nghĩa là mạnh.
Hành động đúng:
  • Ưu tiên listing vào top 20% outlet tạo 80% ngành
  • Bỏ qua outlet quá nhỏ — không tạo tăng trưởng thật
  • Cắt SKU không có rotation — giải phóng space cho SKU win

4. Năm lỗi thường gặp khi phân tích

Đi tìm lý do, không đi tìm nguyên nhân lớn nhất
Tập trung vào “đa lý do” nhưng thiếu trọng số. Cách sửa: luôn hỏi “yếu tố nào ảnh hưởng mạnh nhất?”
Tin rằng số đẹp = tốt
Có thể là stock-up, không bền. Cách sửa: kiểm tra baseline & offtake song song với uplift.
Không phân tách chỉ số sai
ND cao nhưng weighted thấp rất nguy hiểm. Cách sửa: luôn chia metrics theo ND vs Weighted.
Đổ lỗi cho Sales
Sales chỉ là 1 phần nhỏ. Cách sửa: xem lại supply, distribution, POSM, promotion trước khi judge sales.
Không xem hành vi shopper
Shopper chuyển SKU nhưng data sell-in không phản ánh. Cách sửa: so sánh offtake / share-of-shelf, không chỉ sell-in.

Analytical Thinking = biết hỏi đúng câu hỏi đầu tiên.

5. Key Takeaways

01
Đừng bắt đầu bằng dữ liệu — hãy bắt đầu bằng câu hỏi.
02
Analytical Thinking tập trung tìm yếu tố gây tác động lớn nhất — không phải liệt kê nhiều nguyên nhân.
03
Dữ liệu không đủ — phải hiểu hành vi shopper đằng sau con số.
04
ND ≠ Weighted — phân phối rộng không nghĩa là mạnh.
05
Uplift đẹp không có nghĩa là tăng trưởng thật — kiểm tra baseline + offtake trước khi celebrate.

Câu hỏi quyết định chất lượng câu trả lời. Sai câu hỏi → sai cả phân tích.

Lần gần nhất doanh số team bạn giảm, câu hỏi đầu tiên sếp hỏi là gì? Phân tích xong có ra root cause cụ thể — hay vẫn chỉ là “có thể do nhiều thứ”? Để lại comment chia sẻ — mình thảo luận case cụ thể.

Câu hỏi thường gặp

Analytical Thinking là gì?

Analytical Thinking là kỹ năng phân tích giúp bạn xác định nguyên nhân gây tác động lớn nhất, thay vì liệt kê nhiều lý do bằng nhau. Nó giúp bạn định nghĩa đúng vấn đề, xếp hạng mức độ ảnh hưởng, lọc nhiễu khỏi dữ liệu và hành động dựa trên bằng chứng thay vì cảm tính.

Sự khác biệt giữa Data Analysis và Analytical Thinking là gì?

Data Analysis cho bạn biết chuyện gì đang xảy ra thông qua các con số và dữ liệu. Analytical Thinking đi xa hơn bằng cách giải thích tại sao điều đó xảy ra và bạn nên làm gì tiếp theo để giải quyết vấn đề một cách hiệu quả nhất.

Bốn tư duy cốt lõi của Analytical Thinking là gì?

Bốn tư duy cốt lõi bao gồm: (1) Bắt đầu bằng câu hỏi đúng thay vì nhảy vào dữ liệu ngay, (2) Phân tầng dữ liệu theo mức độ ảnh hưởng, (3) Tách tín hiệu thật khỏi nhiễu trong số liệu, (4) Tập trung vào hành vi shopper thực tế thay vì chỉ nhìn báo cáo nội bộ. Áp dụng đúng 4 nguyên tắc này giúp bạn phân tích chính xác và hành động hiệu quả.

Làm thế nào để phân tích đúng khi doanh số giảm?

Thay vì đổ lỗi chung chung như ‘sales kém’ hay ‘hết hàng’, bạn cần phân tích theo 6 yếu tố theo thứ tự tác động: Stock, Distribution, Pricing, Promotion, POSM và Shopper Flow. Xác định yếu tố nào giảm mạnh nhất và đóng góp phần trăm lớn nhất vào việc doanh số sụt giảm, sau đó tập trung giải quyết nguyên nhân đó trước.

Những lỗi phổ biến khi phân tích dữ liệu là gì?

Ba lỗi phổ biến gồm: đọc số liệu mà bỏ qua context (ví dụ số tăng nhưng thực tế out-of-stock), nhầm lẫn giữa triệu chứng và nguyên nhân thật sự, và cào bằng tất cả yếu tố thay vì ưu tiên yếu tố tác động lớn nhất. Mỗi con số đều cần được đặt trong ngữ cảnh cụ thể mới có ý nghĩa đúng.