Lộ Trình Học Data Analytics Dành Cho Marketer

Data Analytics đã trở thành một phần không thể thiếu trong chiến lược Marketing của bất kỳ công ty nào để phát triển và nâng cao khả năng cạnh tranh.

Là một marketer có kỹ năng về Data Analytics lượng hoá được vấn đề và đọc vị những con số, dữ liệu và đưa ra quyết định đúng đắn chắc chắn giúp nâng tầm giá trị của bạn lên gấp bội phần và mở ra thêm cơ hội nghề nghiệp thăng tiến hơn. 

AIM Academy đã có bài viết Lộ trình tự học Data Analytics dành cho marketer rồi đây. Khám phá ngay nào !

I. Điều gì làm nên một GOOD data marketer?

Một Data-Driven Marketing (gọi nhanh là data marketer cũng được) giỏi là người có khả năng sử dụng dữ liệu một cách hiệu quả để đưa ra các quyết định kinh doanh và đạt được các mục tiêu marketing. AIM sẽ liệt kê những đặc điểm và kỹ năng quan trọng giúp tạo nên một data marketer giỏi giang:

Kỹ năng phân tích mạnh: Một data marketer giỏi cần phải có nền tảng phân tích dữ liệu mạnh mẽ và có khả năng hiểu và giải thích các tập dữ liệu phức tạp, ghiền research, nhìn số liệu dưới nhiều góc độ.

Kiến thức về marketing: Data marketer cần hiểu về các chiến lược và công cụ marketing, hiểu rõ về đối tượng khách hàng và thị trường để có thể tối ưu hoá các chiến dịch.

Kiến thức về bussiness: hiểu biết về business model (B2B, B2C), bán lẻ hay bán sỉ để dùng bộ dữ liệu tương ứng, target customer, consumption per customer, ngữ cảnh của thị trường vào giai đoạn nào sẽ có sự gia tăng của cầu và khi nào cầu giảm,…

Kỹ năng truyền thông: Data marketer cần có khả năng giải thích “vietsub” các số liệu và kết quả phân tích một cách dễ hiểu đến các nhân sự khác nhau đang đảm nhiệm cùng nhiệm vụ trong công ty và kỹ năng thuyết trình tốt.

Kỹ năng sử dụng công cụ: Data marketer cần có hiểu biết về các công nghệ phần mềm và công cụ để có thể thu thập, xử lý và phân tích dữ liệu một cách hiệu quả. Hiện nay có rất nhiều tool hỗ trợ cho công việc này. 

Data integrity: bạn có thể hiểu nôm na là minh bạch trong khi phân tích dữ liệu, chấp nhận kết quả trả về và hạn chế việc “tự tạo tác” để biến nó thành kết quả bản thân đang muốn. 

Ngoài ra, bạn còn nên thấy thích thú, tò mò và luôn muốn tìm hiểu xem các dữ liệu đang thể hiện điều gì. Xem việc nhìn số-hiểu số cũng là 1 sở thích thì bạn sẽ gắn bó được lâu. 

Đọc thêm: Tại sao Data Analysis quan trọng trong chiến dịch Marketing?

II. Cách bước cần triển khai khi làm Data-Driven Marketing

Data Analytics là một ngành nghề nói chung đang rất hot hiện nay và Data-Driven Marketing là một ngách cụ thể mà bạn sẽ đảm nhiệm khi hành nghề Marketing & Communication, đừng nhầm lẫn nhé. 

Bên dưới là 7 bước cơ bản mà một Data marketer cần biết:

Bước 1: Xác định mục tiêu (Setting clear objectives) – Làm sao để tránh đi sai đường

Bước 2: Thu thập data (Collecting data) 

Bước 3: Xác nhận tính hợp lệ của data (Validating data) – Thấu hiểu tầm quan trọng của data sạch

Bước 4: Phân tích data (Analysing data)

Bước 5: Diễn giải data (Interpreting data) để tìm ra ý nghĩa (Insights) – Tìm ra thông điệp đúng và hợp lý

Bước 6: Mô hình hóa dữ liệu (Visualising data)

Bước 7: Nắm bắt nghệ thuật kể chuyện (Storytelling) và hiểu được sức ảnh hưởng của data cũng như cách truyền tải thông điệp đến người nghe

Bên cạnh một tư duy rành mạch về data, người làm marketing còn cần phải có cho mình những kỹ năng và công cụ liên quan nhất định để “giải” ra được ‘mớ’ dữ liệu này. Một số công cụ chủ lực như Microsoft Excel, Google Sheets, Tableau, SQL sẽ là những cái tên mà bạn cần phải làm quen trên hành trình này. 

Có thể xem thêm bài viết: Data-Driven Marketing là gì? Tầm quan trọng của data với các quyết định kinh doanh

III. Tìm hiểu sâu về xử lý data 

Khi đi sâu hơn về trường nghĩa này, Data-Driven Marketing có 2 điều cần nắm. Trước hết cần Validating data – xác thực tính chính xác và đáng tin cậy của dữ liệu. Khi dữ liệu được thu thập và lưu trữ, chúng ta cần đảm bảo rằng nó được nhập đúng và đầy đủ, không bị thiếu/trùng thông tin hoặc lỗi dữ liệu để đảm bảo rằng chúng có ý nghĩa khi đọc.

Tiếp theo mới là phân tích data (Analyzing data) để chắt lọc những tinh túy từ ‘nguồn tài nguyên’ , trình bày các kết quả của nó dưới dạng báo cáo hoặc trực quan hóa để giải thích và truyền đạt cho teammate. Có một số điểm chính như sau: 

• Mô tả mô hình cơ sở dữ liệu – Nhũng chỉ số thông dụng để nắm bắt cơ sở dữ liệu chuẩn
• Phân tích thống kê – Từ trung bình đến kiểm định 2 đuôi (Two-tailed testing)
• Tích hợp dữ liệu (Data integration) – Nắm bắt điều cần tìm kiếm khi có nhiều hơn 1 cơ sở dữ liệu

Trước khi mở cánh cổng để bước vào quá trình ‘chấm điểm’ và ‘làm sạch’ dữ liệu, marketer phải luôn ghi nhớ về trình tự và các hậu quả có thể xảy ra nếu như bỏ qua bước này. 

Quá trình tích hợp dữ liệu cũng có thể gặp phải nhiều thách thức, bao gồm các định dạng khác nhau của dữ liệu, lỗi dữ liệu, sự khác nhau trong cấu trúc dữ liệu, và sự khác biệt trong các thuộc tính của dữ liệu.

Do đó, cần phải có sự chuẩn bị và xử lý dữ liệu kỹ lưỡng, tính toàn vẹn và độ chính xác của dữ liệu để đảm bảo rằng dữ liệu đã được làm sạch hoàn toàn cũng phải được test lại sau khi lọc để đảm bảo tích hợp dữ liệu được thực hiện một cách hiệu quả và chính xác, cung cấp các thông tin hữu ích cho quá trình ra quyết định.

Tiếp theo là cách ứng dụng các data đã lọc sạch sẽ được dùng như thế nào tuỳ theo mục đích của ngành, của công ty. 

Để ứng dụng tốt các công cụ và bộ dữ liệu đã có để tạo nên thành quả hoàn chỉnh, trước hết bạn cần nắm được các chỉ số có liên quan để có thể thông hiểu và trình bày cho người xem cách hiệu quả nhất. Trong đó có bốn khía cạnh quan trọng: 

1. Các chỉ số đo lường động lực Đẩy (Push)

Đây là các chỉ số đo lường khi brand thực hiện chiến lược Marketing Push. Hiểu đơn giản là các cách mà brand làm để đưa hàng đã sản xuất cho distributor (bao gồm: ecommerce, wholesellers, affiliates, agent, retailer…). Bạn cần phải nắm về:

• Distribution (channel penetration), purchase volume & share và stock. 
• Các yếu tố trong kinh doanh: Giá trị hàng đã bán (Sales value) so với Số lượng hàng bán (Sales volume), giao dịch (Transaction), giá trị trung bình trên 1 giao dịch (APT – Average Value Per Transaction) hoặc giá trị trung bình trên 1 đơn hàng (AOV – Average Order Value), lực lượng bán hàng (Sales force)
• Các khái niệm về nhà phân phối (Distributors), kênh (Channels), và nhà bán lẻ (Retailers)
• Các chỉ số liên quan đến hàng tồn (Stocks) và những sự thật về hàng tồn.
• Thị phần (market share) dựa vào các số liệu thu nhập được, data marketer có nhiệm vụ tính toán để ra con số trả lời cho câu hỏi mà mục tiêu cần đạt được. Còn khi data marketer đi siêu thị sẽ auto “show nghề” khi nhìn cách bày trí sản phẩm, diện tích, số lượng của sản phẩm có thể nhầm nhẩm ra được thị phần của các thương hiệu mà mình làm trên thị trường đang như thế nào. 

Bên cạnh đó, bạn cũng phải nắm được các dữ liệu liên quan đến quản trị kinh doanh (Business management) như các báo cáo về: 

• Kết quả kinh doanh thường niên (Annual business performance)
• Kết quả marketing và thương hiệu thường niên (Annual brand and marketing performance)

Cuối cùng, đem tất cả áp dụng vào để phân tích tình huống thực tế của doanh nghiệp. Khi thuyết trình kết quả, bạn và các phòng ban sẽ nói chuyện với nhau bằng số rõ ràng, cụ thể, hạn chế được cái ý kiến cảm quan như tôi thấy rằng, tôi nghĩ rằng,…

2. Tìm hiểu về các chỉ số đo lường động lực Kéo (Pull)

Marketing Pull hiểu đơn giản là các cách mà Distributors làm để đưa hàng đã nhập về từ Brand đến Customers, Consumer và nó cần có các chỉ số để đo lường phương pháp này.

Data-Driven Marketing cũng cần biết cơ bản thêm về dòng chảy của hàng hoá từ nhà sản xuất đến người tiêu dùng cuối cùng như thế nào để có cái nhìn tổng thể, ước lượng quy mô thị trường vì chúng cũng biểu hiện trên số liệu.

Việc phân tích data liên quan đến: 

• Hỗ trợ khách hàng (Consumer supports): Sức mua của người tiêu dùng (Offtakes), mức độ thâm nhập người dùng (Users penetration), mức độ tiêu thụ của người dùng (Users consumptions), tỷ lệ số tiền khách hàng chi tiêu cho sản phẩm/dịch vụ của công ty so với tổng số tiền họ chi tiêu trong một lĩnh vực sản phẩm/dịch vụ (Share of wallet), thị phần ngành hàng (Share of categories), mức độ nhận biết (Share of mind)
• Sức khỏe của thương hiệu trên thị trường (Brand health): Phễu thương hiệu (Brand funnels), tài sản thương hiệu (Brand equity), sức mạnh thương hiệu (Brand power) 
• Truyền thông (Communication): Đo lường các nội dung truyền thông 
• Các kênh truyền thông liên quan: Truyền hình (TV), kỹ thuật số (Digital), ngoài trời (OOH – Out of home), vật dụng tại điểm bán hàng (POSM – Point of sales materials)

Trong bài viết 4 Cách Ứng Dụng Data Analytics Trong Marketing – Phần 1 có viết chi tiết về 2 chiến lược Push và Pull bạn có thể đọc thêm nhé. 

3. Hoạch định thị trường, kinh doanh, và người tiêu dùng 

Có những số liệu chúng ta không mua được, không tổng hợp ra, không thể sử dụng số liệu từ quá khứ thì việc nắm bắt cách sử dụng những giả định, ước tính để thực hiện nghiên cứu thị trường và hoạch định kinh doanh là rất cần thiết.

AIM gợi ý cho bạn một số hướng đi trong phần này như sau:

• Sử dụng nguyên tắc MECE để xác định động lực thúc đẩy (Key drivers) của ngành hoặc xác định phân khúc để ước lượng độ lớn của thị trường
• Vận dụng những nguồn thông tin sẵn có để tính toán độ lớn của thị trường và dự báo chuyển động của thị trường trong tương lai.
• Tích hợp những dự đoán về chuyển động của thị trường với nguồn data nội bộ để dự báo hiệu quả kinh doanh 
• Nắm bắt hành trình người dùng (Customer journey) bằng cách thiết lập bản đồ (Mapping) kết nối các điểm tương tác với người dùng (Customer touch points)
• Mô hình hoá các điểm tương tác với người dùng trong phễu hành trình mua hàng từ trước khi mua (Pre-sales), trong khi mua (During sales), và sau khi mua (Post-sales)
• Kết nối dữ liệu nội bộ vào hành trình mua hàng để thường xuyên theo dõi hiệu quả
• Theo dõi và cải thiện trải nghiệm của khách hàng thông qua chỉ số đo lường sự hài lòng của khách hàng (NPS – Net Promoter Score)
• Hiểu về thiết kế và ứng dụng NPS trong kinh doanh
• Phân tích trải nghiệm của khách hàng theo chuẩn mực đi kèm với những chỉ số kinh doanh và vận hành để từ đó đưa ra các hoạt động cải tiến

​4. Digital Marketing

Còn khi bạn làm Data Marketer trong lĩnh vực Digital Marketing bạn sẽ cần phải biết thêm cách làm những thứ sau:

• Customer data: những dữ liệu khách hàng khai báo trên hệ thống công ty riêng và dữ liệu khách hàng trên các flatform như google, facebook là 2 tệp dữ liệu khác nhau, cần phải combine để hình thành được chân dung khách hàng 360 độ để biết nên chạy quảng cáo trên nền tảng nào. Tìm hiểu về chỉ số Giá trị vòng đời khách hàng (CLV – Customer Lifetime Value)
• Sale data: để biết lựa chọn sản phẩm nào trong brand để chạy quảng cáo, đặt giá như thế nào để đem về doanh số cao mà không bị ảnh hưởng bởi cảm tính, định kiến cá nhân. 
• Transactions: biết được 4 tệp khách hàng phổ biến có hành vi như thế nào khi mua hàng trực tuyến để offer đúng được tệp khách hàng. Làm quen với các công cụ xử lý dữ liệu cơ bản trong digital qua các bước: Cleaning – Processing – Visualization – Modeling
• Tìm hiểu đối thủ: dù bạn đang làm tốt, tối ưu cao nhưng luôn phải quan sát và quan tâm
• ​​Luyện tập: phân tích các tình huống thực tế về xử lý dữ liệu

V. Trở thành Data-Driven Marketing chuyên nghiệp

Chắc hẳn đọc tới đây bạn đã mường tượng rõ việc bạn không thể “đùng” phát để trở thành một Data-Driven Marketing liền được, chứ huống hồ là có thêm sự công nhận đã chuyên nghiệp.

Bạn cần phải có kiến thức – kinh nghiệm – trải nghiệm về ngành Marketing & Communication trước. Bạn “lăn lộn” với nó một thời gian thì bạn sẽ phát hiện ra việc biết cách phân tích data thô thành data đã được xử lý hoàn chỉnh để cứ cần là mang ra tận dụng là việc hết sức cần thiết.

Cho nên AIM sẽ gợi ý cho bạn bước đầu tiên để trở thành Data-Driven Marketing chuyên nghiệp là tham gia khoá học DATA ANALYTICS FOR MARKETERS được thiết kế bởi đội ngũ giảng viên là những chuyên gia marketing kỳ cựu hiện làm đang việc tại các tập đoàn đa quốc gia vốn rất xem trọng data sẽ giúp bạn chọn ra con đường êm ái, giảm những lần vấp ổ gà và suôn sẻ hơn. 

Điền form đăng ký ngay để AIM tư vấn chi tiết hơn cho bạn!