Tomorrow Marketers – Ý nghĩa của việc phân tích chính là việc phát hiện ra một vấn đề và tìm ra giải pháp cho nguyên nhân gốc rễ của vấn đề đó. Ví dụ:
- Vấn đề: Quản lý nhân sự chưa tối ưu, chưa đo lường được hiệu suất khi chưa có bộ chỉ số đánh giá nhân sự – Giải pháp: Xây dựng bộ chỉ số và dashboard cập nhật dữ liệu tự động.
- Vấn đề: Doanh thu giảm – Giải pháp: Phân tích mô tả nguyên nhân, thiết kế mô hình để xây dựng các kịch bản doanh thu giảm.
- Vấn đề: Bộ phận phát triển sản phẩm có tỷ lệ để lọt lỗi trên môi trường production tăng cao – Giải pháp: Phân tích và xác định lỗ hổng trong workflow đang khiến số lượng bug tăng
- …
Chính vì vậy, kỹ năng Problem Solving là kỹ năng quan trọng bậc nhất của một Data Analyst – Chuyên viên phân tích dữ liệu.
Vậy bí quyết nào để một Data Analyst thành thạo kỹ năng này? Cùng TM tìm hiểu trong bài viết sau nhé!
Đọc thêm các phần trước của Lộ trình vào ngành Dữ liệu:
- Data Analyst Roadmap – Phần 1: Chuẩn bị nền tảng như nào để “chắc chân” vào ngành?
- Data Analyst Roadmap – Phần 2: Chuẩn bị portfolio và sẵn sàng interview để “manifest” có job?
1. Kỹ năng Problem Solving của Data Analyst được thể hiện như nào?
Giải quyết vấn đề là kỹ năng bao gồm ba bước: xác định vấn đề, phân tích để tìm ra nguyên nhân gốc rễ và cuối cùng là tìm ra giải pháp để giải quyết trong một tình huống.
Đọc thêm: Problem Solving – “Vũ khí” chinh phục nhà tuyển dụng khó tính
| Kỹ năng giải quyết vấn đề không phải là… | Kỹ năng giải quyết vấn đề là… |
| Thuyết trình cho các stakeholder về các yếu tố ảnh hưởng tới doanh thu của công ty và khiến họ bị “ngộp” trong bể thông tin | Thuyết trình cho các stakeholder về 1 hoặc 2 yếu tố chính tác động tới sự sụt giảm của doanh thu và đưa ra các gợi ý làm thế nào để từ hai yếu tố đó có thể cải thiện doanh số |
| Có rất nhiều chỉ số/KPI không liên quan trên dashboard | Tập trung trực quan hóa các biểu đồ trực tiếp trả lời cho một câu hỏi lớn |
| Tiến hành phân tích dữ liệu khi chưa trao đổi và câu hỏi cho các stakeholder về nhu cầu và thách thức đang gặp phải | Đặt câu hỏi cho stakeholder để làm rõ ngữ cảnh, vấn đề, mục tiêu. Xác định các nhu cầu chưa được đề cập để đánh giá nhu cầu của họ có thực sự vấn đề hay vẫn có nguyên nhân gốc rễ |
| Tạo dashboard hoặc báo cáo phục vụ cho nhiều đối tượng ở nhiều cấp bậc: manager, C-level, trưởng bộ phận và các nhân sự trong nhóm | Thiết kế các dashboard và báo cáo phù hợp theo nhu cầu, vai trò và mục tiêu của từng cấp bậc |
2. Quy trình giải quyết vấn đề
Hầu hết các framework problem-solving đều có một số bước tương đồng. Trong đó, bài viết sẽ tập trung một trong các quy trình giải quyết vấn đề nổi tiếng và được nhiều người áp dụng: khung giải quyết vấn đề sáng tạo của Charles Conn và Rob McLean trong cuốn sách The Bulletproof Problem Solving.
Bước 1: Xác định vấn đề chính
Bước 2: Phân tích để tìm ra nguyên nhân gốc rễ và xây dựng các giả thuyết
Bước 3: Xác định xác định thứ tự ưu tiên của các vấn đề
Bước 4: Lập kế hoạch khai phá và phân tích dữ liệu để đánh giá các giả thuyết
Bước 5: Thu thập, xử lý và làm sạch, khai phá, đánh giá các giả thuyết và xây dựng các mô hình cần thiết
Bước 6: Tổng hợp các phân tích và highlight các insight quan trọng
Bước 7: Trực quan và trình bày với stakeholder và các team liên quan
Với quy trình trên, từng bước đều có vai trò quan trọng và cần được tập trung làm kỹ, tránh việc chưa xong bước trước đã nóng vội nhảy sang bước tiếp theo. Ngoài ra, giải quyết vấn đề là một quá trình lặp đi lặp lại chứ không phải là một quá trình tuyến tính – bạn có thể quay lại các bước để bổ sung các phát hiện tìm được trong các bước sau của quy trình.
Bước 1: Xác định vấn đề chính
Việc xác định đúng vấn đề và những khó khăn/giới hạn đang gặp phải là bước đầu tiên và cũng là bước quan trọng nhất trong quá trình giải quyết vấn đề.
Nếu vội vàng phân tích ngay khi chưa xác định rõ ràng vấn đề cần giải quyết, bạn sẽ chỉ đang đi lòng vòng, không tìm được nguyên nhân chính xác và mất rất nhiều thời gian để tìm ra được giải pháp.
Hoặc, sẽ có nhiều khi bạn mất hàng giờ để đi tìm một câu trả lời cho một “vấn đề”, và cuối cùng phát hiện nó không phải vấn đề gốc rễ, nên dù giải quyết ở cái gọi là “vấn đề” kia cũng chỉ là giải quyết tạm thời và không triệt để.
Albert Einstein từng nói: “Nếu tôi có 1 giờ để giải quyết một vấn đề, tôi sẽ bỏ ra 55 phút nghĩ về vấn đề, và 5 phút nghĩ về giải pháp”.
Kết quả của bước này là một “problem statement” – nhận định về một vấn đề. Nhận định này cần bao gồm:
- Decision maker: Người gặp vấn đề là ai, giải pháp hướng tới hỗ trợ cho đối tượng nào? Người ra quyết định là ai?
- Criteria/measures for successful effort: Người đưa ra quyết định có thể đánh giá các giải pháp dựa trên các tiêu chí/chỉ số nào?
- Outcome/ Đầu ra kỳ vọng là như thế nào? Làm như thế nào để biết vấn đề được giải quyết thành công? Nếu outcome không rõ, rất dễ dẫn tới tình huống giải quyết mãi không biết đã xong vấn đề chưa.
- Key forces acting on decision makers: Có những yếu tố nào ảnh hưởng tới việc giải quyết vấn đề? Làm thế nào để xác định những mâu thuẫn đó?
- Time Frame: Khung thời gian vấn đề cần giải quyết xong?
- Boundaries/Constraints: Có giới hạn khi đưa ra các giải pháp không?
- Accuracy necessary: Tính chính xác của giải pháp ở mức độ nào?
Ví dụ với vấn đề: “Đề xuất giải pháp cho vấn đề mất hàng tại kho trong 2 tháng tới”
- Decision maker: Điều phối vận hành là đối tượng cần giải quyết vấn đề, các nhân viên tham gia vào quy trình xử lý hàng hóa tại kho là người cần áp dụng giải pháp này và COO (Chief Operations Officer) là người đưa ra quyết định.
- Outcome cần làm rõ: Giải pháp cho mất hàng tại kho cần được đưa ra quy trình và phải giải quyết triệt để trong 1 tháng hay chỉ cần đưa ra giải pháp/quy định để phía vận hành bắt đầu áp dụng? Nếu là đã giải quyết triệt để thì biết ở mức độ như thế nào, có cần đạt mức KPI tối thiểu nào không (ví dụ tỷ lệ mất hàng thấp hơn 0,1%)?
- Time Frame: 2 tháng, mốc thời gian này là cố định hay có thể thương lượng? Vượt mốc thời gian này thì sao?
- Key forces/ Boundaries: Giải pháp phải tinh gọn và có thể đưa vào quy trình xử lý hàng hóa hiện có; Giải pháp/công nghệ nếu có áp dụng không được vượt kinh phí XYZ; Phải tự động hóa được giải pháp này, nếu vẫn có yếu tố con người thì chỉ cần điều phối 1-2 người có được không?
Bước 2: Phân tích để tìm ra nguyên nhân gốc rễ và xây dựng các giả thuyết
Vấn đề nếu quá phức tạp sẽ cần phải chia nhỏ theo nhiều bước, nhiều khía cạnh để xác định được vấn đề nằm ở đâu và đâu là các vấn đề quan trọng, nhằm loại bỏ, bớt tập trung khỏi các vấn đề nhỏ, không cần thiết. Bạn có thể sử dụng Logic Tree để trực quan hóa các khía cạnh phân tích này – Logic Tree có thể được trình bày dưới dạng mindmap, flowchart hoặc dưới dạng list.
Có 5 loại Logic Tree thường gặp:
- Factor/Level/Component Tree: Sử dụng lúc mới bắt đầu phân tích vấn đề, chưa biết rõ về cấu trúc của vấn đề hoặc chưa hình thành giả thuyết về sự việc.
- Inductive Logic Tree: Sử dụng để đi từ cái cụ thể, chi tiết đến toàn thể (Quy nạp), thường được dùng khi mới bắt đầu, đã biết một chút về điểm cuối của vấn đề, nhưng vẫn chưa hiểu rõ về cấu trúc hoặc sự liên quan giữa các phần thông tin.
- Deductive Logic Tree: Sử dụng để đi từ cái toàn thể đến cái cụ thể, chi tiết (Diễn dịch), thường được dùng khi đã biết rõ về cấu trúc, hệ thống của vấn đề đặc biệt khi nó tự động mạch lạc về mặt logic.
- Hypothesis Tree: Sử dụng khi đã biết đủ về cấu trúc, hệ thống của vấn đề để đưa ra được giả thuyết rõ ràng, và bắt đầu test với dữ liệu được thu thập
- Decision Tree: Sử dụng khi đã biết về cấu trúc, hệ thống vấn đề ở mức tương đối, và tính chất của các quyết định được định dạng theo cấu trúc xếp tầng, nhờ đó bạn có thể áp data và dữ liệu vào phân tích. Decision Tree sử dụng cấu trúc If-then (Nếu-thì).
Sau khi đã lựa chọn được loại Logic Tree, vậy làm thế nào để bẻ nhỏ vấn đề một cách có logic và tuân thủ tính độc lập, toàn diện (MECE)? Issue Tree là các cấu trúc giúp trực quan hóa các yếu tố của vấn đề một cách rõ ràng, và giúp theo dõi các cấp độ khác nhau của vấn đề được dễ dàng hơn.
Các kỹ thuật trực quan các yếu tố của vấn đề với Issue Tree có thể hỗ trợ bạn bao gồm:
- Math Tree:
- Sử dụng các công thức sẵn có, ví dụ như Lợi nhuận = Doanh thu – Chi phí hay Chi phí thu hút khách hàng = Chi phí bán hàng và marketing/số lượng khách hàng mới sở hữu. Tham khảo thêm bài viết Customer Growth Models để tìm hiểu thêm về các mô hình và công thức tăng trưởng khách hàng.
- Chia nhỏ vấn đề theo từng khía cạnh, ví dụ như có hai yếu tố tác động tới doanh thu: số lượng khách hàng và doanh thu của mỗi khách hàng.
- Phân tích theo phễu chuyển đổi, ví dụ về phân tích tỷ lệ chuyển đổi khách mua, có thể đi theo từng bước: tỷ lệ khách truy cập trang chính, tỷ lệ khách truy cập trang sản phẩm, tỷ lệ khách bỏ sản phẩm vào giỏ hàng, tỷ lệ khách mua.
- Kỹ thuật xếp chồng (layer)
- Phương pháp đại số: định nghĩa vấn đề như một biến phụ thuộc có thể đo lường được, chia nhỏ vấn đề thành một phương trình với các biến độc lập tác động tới nó.
- Quy trình vận hành: chia nhỏ vấn đề theo các bước của quy trình/workflow.
- Khung khái niệm: chia nhỏ vấn đề theo các ý tưởng để giải vấn đề, ví dụ theo framework 3C (khách hàng, đối thủ cạnh tranh, công ty) hoặc theo 4P (sản phẩm, giá cả, phân phối, xúc tiến)
- Phân khúc (segmentation) và các từ trái nghĩa (opposite words): chia vấn đề thành nhiều lát cắt, ví dụ doanh thu giảm ở tệp khách hàng mới, tệp khách hàng đã mua một lần hay tệp khách hàng đã mua nhiều lần, ở nhóm khách hàng nào trong RFM Analysis,…
Đọc thêm: 3 kỹ thuật lập Issue Tree để xác định và giải quyết vấn đề
- 5 câu hỏi tại sao: Phương pháp này đặc biệt đơn giản: khi một vấn đề xảy ra, bạn đào sâu nguyên nhân gốc rễ bằng việc hỏi “Tại sao?” 5 lần.
Đọc thêm: Phân tích 5 câu hỏi Vì sao để tìm ra vấn đề trong business case
Lưu ý để tìm nguyên nhân gốc rễ (root-cause) chính xác:
- Tách biệt vấn đề và lý do tạo ra vấn đề trong mệnh đề phân tích vấn đề để tránh confirmation bias – định kiến khi bạn tin, có cảm giác điều gì đó là đúng, bạn sẽ cố gắng đi tìm các data, các lý luận để chứng minh điều đó khi chưa xét tất cả khía cạnh của vấn đề. Ví dụ: Khi team Sales không đạt KPI doanh thu của một thị trường, ban lãnh đạo cho rằng nhân team Sales của thị trường đó không đủ năng lực. Tuy nhiên, cần chỉ rõ vấn đề một cách cụ thể – “Doanh thu thị trường không đạt KPI trong 3 tháng liên tục”, các chỉ số để đo lường là new customer, conversion rate,… Lý do có thể do mặc dù vẫn có lead mới nhưng khả năng nuôi dưỡng và convert lead thành khách hàng không tốt; hoặc do số lượng lead giảm – do khách hàng sử dụng sản phẩm đối thủ/do thị trường không lớn và không có nhiều người có pain point đó,…
- Có thể kết hợp sử dụng nhiều Logic Tree và nhiều loại Issue Tree khác nhau. Mỗi Issue Tree sẽ giúp bạn nhìn vấn đề theo một khía cạnh nhất định. Việc nhìn vấn đề theo nhiều Issue Tree, theo các khía cạnh khác nhau giúp bạn có thêm hướng để phân tích sâu hơn, đưa ra các Issue Tree đa dạng hướng cho các thành phần quan trọng, từ đó phân tích được các root-cause cần thiết.
- Khả năng cao nhiều vấn đề mà bạn tìm ra đều xuất phát từ một root-cause chung, việc tìm và đưa ra giải pháp cho các root-cause này sẽ giúp bạn xử lý được nhiều vấn đề cùng lúc và hạn chế khả năng các vấn đề này lặp lại.
Ví dụ Issue Tree theo phương pháp đại số
Sau khi đã xác định được nguyên nhân, cần đặt ra các mục tiêu để giải quyết vấn đề là gì theo mô hình SMART:
- S: Specific – Mục tiêu phải cụ thể: đạt được một cái gì hoặc xử lý một vấn đề gì
- M: Measurable – Mục tiêu có thể đo lường được: biết rõ đầu ra sau khi thực hiện là gì (ví dụ: hệ thống dashboard theo dõi vận hành tại kho, văn bản quy trình xử lý hàng hóa thất lạc tại kho,…) và có thể xây dựng một bộ metric để đánh giá như nào là “đạt” mục tiêu
- A: Achievable – Mục tiêu có khả năng đạt được thay vì một mục tiêu vượt quá nguồn lực cho phép
- R: Relevant – Mục tiêu phải liên quan và giải quyết được bài toán đã đặt ra từ đầu
- T: Time-bound – Thời gian và due date đạt được mục tiêu rõ ràng
Lưu ý:
- Mục tiêu sẽ là định hướng chung của tất cả hoạt động phân tích sau đó
- Mục tiêu là đích đến, kết quả chứ không phải một đầu việc, nhiệm vụ
Bước 3: Xác định xác định thứ tự ưu tiên của các vấn đề
Tuy nhiên, việc cân bằng tất cả các mục tiêu và giải quyết tất cả vấn đề gần như không thể bởi mọi tổ chức đều có nguồn lực hữu hạn. Giống như câu nói: “Ngon – bổ – rẻ, đã ngon bổ thì không rẻ mà đã đã ngon rẻ thì không bổ” – chọn một mục tiêu chính thường sẽ cần phải từ bỏ một hoặc nhiều mục tiêu khác. Nếu cố gắng theo đuổi quá nhiều mục tiêu một lúc, việc phân tích sẽ không đi tới đâu vì không biết phải tập trung giải quyết câu hỏi nào.
Để xác định các mục tiêu/yếu tố cần ưu tiên, cần ưu tiên hai điều kiện:
- Tập trung các mục tiêu/yếu tố có tính hiệu quả cao và quy mô/phạm vi tác động đủ lớn (scale of impact)
- Tập trung các mục tiêu/yếu tố có thể thay đổi và điều khiển (ability to control, influence)
Có thể dùng sơ đồ phía dưới để đánh giá mức độ ưu tiên:
Bước 4: Lập kế hoạch khai phá và phân tích dữ liệu để đánh giá các giả thuyết
Kế hoạch làm việc là một lộ trình các đầu việc cần thực hiện để đánh giá và phân tích các giả thuyết ban đầu. Kế hoạch cần phân công nhiệm vụ và nguồn lực cụ thể cho từng thành viên trong nhóm.
Một số lưu ý trước khi lập kế hoạch:
- Hypothesis-driven & end-product oriented: Trước khi bắt đầu một kế hoạch, cần xác định rõ ràng các giả thuyết và đảm bảo giả thuyết có thể kiểm chứng được; và cần phải hình dung được đầu ra của đầu việc là gì trước khi bắt tay vào thực hiện
- Ưu tiên các đầu việc phân tích quan trọng theo trình tự: (1) Dành 80% ưu tiên (theo quy luật 80/20) cho các phân tích phải thực hiện để loại bỏ các đầu việc phân tích sau này, (2) Các phân tích quan trọng, (3) Các phân tích bổ trợ (nice-to-have)
- Linh hoạt trong việc xây dựng các giả thuyết khi có thêm dữ liệu mới
Bạn có thể tham khảo form trình bày kế hoạch dưới đây:
Sau khi có kế hoạch, bạn có thể cấu trúc thành “One Day Answers” để tổng hợp kiến thức và ngữ cảnh để đảm bảo các phân tích đang đi đúng vấn đề:
- Mô tả ngắn gọn về tình huống xảy ra khi bắt đầu giải quyết vấn đề. Đây chính là tình trạng gây ra vấn đề.
- Tập hợp các quan sát hoặc vấn đề xung quanh tình huống là rào cản/động lực giúp giải quyết vấn đề.
- Hình dung sơ bộ nhất về các ý tưởng giúp giải quyết vấn đề.
Khi đã có hình dung các hướng giải quyết vấn đề, hãy học cách phát hiện các thiên kiến kịp thời trước khi phát triển các giả thuyết và phân tích có định kiến:
- Học cách hoài nghi và đặt các câu hỏi xác nhận với các thông tin mới
- Thử nhìn mọi chuyện theo nhiều quan điểm khác nhau
- Hình thành ý kiến của riêng bạn. Nhưng tương tự, hãy thử tự đặt câu hỏi với chính những quan điểm của mình, nhưng ở một góc nhìn khác
Đọc thêm: Thinking Bias (Tư duy định kiến) là gì? Làm sao để vượt qua Bias và phát triển critical thinking?
Bước 5: Thu thập, xử lý và làm sạch, khai phá, đánh giá các giả thuyết và xây dựng các mô hình cần thiết
Sau khi đã có kế hoạch từng đầu việc chi tiết, bạn có thể bắt tay vào việc thực hiện các kỹ thuật thu thập dữ liệu và phân tích. Dù vậy, hãy cố gắng đơn giản hóa bằng cách thực sự hiểu hướng giải quyết đó cần những công cụ/kỹ thuật ở mức độ phức tạp nào. Nếu chỉ là một vấn đề đơn giản, đừng cố áp dụng các kỹ thuật nâng cao mà hãy thử với các công cụ phân tích phỏng đoán và thống kê mô tả trước.
- Quy trình và phương pháp phân tích dữ liệu bạn cần biết
- Data Cleaning là gì? Hướng dẫn các bước làm sạch dữ liệu
- Exploratory Data Analysis (EDA) là gì và quy trình từng bước của EDA
- Phân tích đơn biến (Univariate analysis) là gì?
- 04 giai đoạn phân tích dữ liệu – Descriptive, Diagnostic, Predictive & Prescriptive Analytics
Bước 6: Tổng hợp các phân tích và highlight các insight quan trọng
Kết hợp các kết luận riêng lẻ từ các bước trước đó thành một bức tranh toàn diện, nhất quán, để bạn có thể kiểm tra tính chính xác của kết luận và thuyết phục người khác cho rằng giải pháp của bạn là tốt nhất. Thông thường thì quá trình này sẽ phát hiện ra những insight mà bạn có thể bỏ qua khi quá tập trung vào chi tiết trong quá trình vừa qua.
Bước 7: Trực quan dữ liệu và trình bày với stakeholder và các team liên quan
Trình bày theo cấu trúc quy nạp: đi từ thực trạng của vấn đề – nguyên nhân – đề xuất/kết luận, với mỗi phần cần có các luận điểm và dữ liệu lập luận; hoặc ngược lại, trình bày theo diễn dịch: thực trạng các vấn đề – các đề xuất/kết luận – các insight giải thích vì sao đưa ra đề xuất đó. Cách trình bày này tương tự với Decision Tree – nhấn mạnh và giúp người xem nhanh chóng nắm bắt được kết luận và quyết định nên làm gì.
3. Làm thế nào để trau dồi kỹ năng giải quyết vấn đề?
Thực hành tư duy giải quyết vấn đề trong mọi vấn đề. Cách tốt nhất để học một kỹ năng là thực hành nó thường xuyên. Tiếp xúc với những môi trường tạo cơ hội rèn luyện kỹ năng giải quyết vấn đề như tham gia làm việc nhóm, tự tạo các dự án trong công việc và mày mò thử các phương pháp tối ưu cho công việc hiện tại có thể giúp bạn phát hiện ra nhiều vấn đề còn tồn đọng để giải quyết.
Mở rộng nền tảng kiến thức và đa dạng trải nghiệm vấn đề. Trăm hay không bằng tay quen – va vấp với đa dạng các vấn đề giúp bạn có một bộ kỹ năng đối phó và có thể nhận ra những điểm giống nhau giữa vấn đề mới và vấn đề đã từng gặp trước đó. Đối với business intelligence, Data Analyst nên tìm hiểu về operations research, time series forecasting, options trading,…
Thực hành kỹ năng Google. Nói vui là kỹ năng Google, nhưng thực tế đây là kỹ năng tìm kiếm thông tin bởi trước đây, Google vẫn là nguồn tài nguyên thông tin phổ biến nhất.
Với một vấn đề, biết cách tìm kiếm thông tin và tham khảo cách giải quyết những người khác đã từng gặp phải sẽ giúp bạn đỡ mất nhiều thời gian trong việc tự mình mày mò đi tìm câu trả lời. Xác định chính xác vấn đề, biết cách đặt câu hỏi và lựa chọn các từ khóa để tìm kiếm sẽ giúp bạn trong quá trình tìm kiếm thông tin, trong khi khả năng hiểu sâu về ưu nhược, phạm vi áp dụng của các giải pháp được đề xuất sẽ giúp bạn biết giải pháp phù hợp nhất. Bạn có thể tìm kiếm message báo lỗi, mô tả chi tiết và cụ thể của lỗi mà bạn đang gặp phải,…
Ngày nay, khi đã có generative AI, bạn có thể tìm tới sự hỗ trợ của các công cụ AI như ChatGPT để nhanh chóng có câu trả lời. Bạn sẽ cần nắm được một số công thức để viết prompt hiệu quả. Tìm hiểu khóa học Generative AI của Tomorrow Marketers Executive Education để có thể hiểu cơ chế vận hành của Generative AI, từ đó biết được đâu là phạm vi công việc mà AI có thể hỗ trợ một cách tốt nhất và biết cách đặt lệnh cho AI để có được những ý tưởng độc đáo và phù hợp với nhu cầu riêng.
Dù vậy, AI chỉ có thể hỗ trợ được phần nào, việc đảm bảo câu trả lời có đúng hay không vẫn phải dựa vào kiến thức, kinh nghiệm và khả năng xác thực thông tin của bạn.
Bạn cũng nên học cách tìm kiếm thông tin từ nhiều nguồn khác nhau như các báo cáo, khảo sát, tham khảo ý kiến từ người có nhiều kinh nghiệm hơn,…
Phát triển kỹ năng tư duy phản biện. Tư duy phản biện và kỹ năng giải quyết vấn đề thường bổ trợ cho nhau: kỹ năng giải quyết vấn đề giúp bạn tìm ra các yếu tố, nguyên nhân của vấn đề và tìm ra các giải pháp, trong khi tư duy phản biện giúp bạn kiểm chứng các yếu tố/nguyên nhân đó và đánh giá tính khả thi và các kịch bản có thể xảy ra của các giải pháp.
Đọc thêm: Critical Thinking: Data Analyst học cách tư duy phản biện như nào?
Làm việc nhóm cùng tìm ra giải pháp.
- Khuấy tạo không khí đặt câu hỏi và tự do tranh luận
- Suy nghĩ các giải pháp của bạn từ góc nhìn của khách hàng, nhà cung ứng, vị trí cao trong team,…
- Tự phản biện giải pháp của mình – thử phản biện với mọi ý tưởng hoặc giả thuyết của bạn trước khi đề xuất cho mọi người
- Lập mô hình kịch bản nhược điểm rõ ràng và phân tích trước khi bác bỏ một giải pháp
Tạm kết
Tư duy giải quyết vấn đề không phải tự nhiên sinh ra, nó được hình thành qua quá trình nhận thức và chủ động luyện tập. Bạn có thể chủ động thực hành tư duy này khi thực hiện quá trình phân tích dữ liệu với các bài toán khác nhau.
Dần dần, bạn sẽ có một tư duy xác định nguyên nhân và phân tích chắc chắn, luôn biết từng bước mình cần làm gì khi đối mặt với lượng dữ liệu khổng lồ. Thành thạo kỹ năng xử lý dữ liệu và biết cách kết hợp cùng tư duy phản biện và kỹ năng đặt câu hỏi đúng sẽ giúp bạn tăng tính chủ động, tự tin đưa ra các quyết định kinh doanh đúng đắn. Nếu chưa biết cách trang bị tư duy phân tích dữ liệu như thế nào, tham khảo ngay khóa học Data Analysis – Phân tích dữ liệu cho quyết định chiến lược nhé!
Bài viết được tổng hợp và biên soạn bởi Tomorrow Marketers, xin vui lòng không sao chép dưới mọi hình thức!
