Marketer Nguyễn Anh Hòa
Nguyễn Anh Hòa

Nhà sáng lập và Tổng Giám đốc @ YouNet Group

Mùa đông Agency: Bốn Level dùng Data cho Planning

Mùa đông Agency: Bốn Level dùng Data cho Planning

Ở bài trước, tôi có chia sẻ về quá trình chúng tôi tìm ra công thức Creative x Data. Đây vẫn là một hướng tiếp cận đang tiếp tục được phát triển. Tuy nhiên, để hiểu rõ hơn cách làm này khác gì so với những gì thị trường đang áp dụng, tôi muốn chia sẻ thêm một góc nhìn được hình thành trong quá trình chúng tôi thử nghiệm và hoàn thiện phương pháp.

Khi đặt những cách thị trường đang làm bên cạnh cách chúng tôi đang phát triển, tôi nhận thấy có thể chia việc sử dụng Data để hỗ trợ Planning thành 4 Level.

Tôi dùng chữ “Level” để mô tả mức độ Planner trực tiếp tham gia vào quá trình tạo, khám phá và diễn giải các căn cứ thực tế (evidence), chứ không hàm ý Level 4 luôn tốt hơn Level 3, Level 2 hay Level 1. Mỗi cách tiếp cận phù hợp với một câu hỏi nghiên cứu và một bối cảnh khác nhau.

Bốn Level dùng Data cho Planning

Level 1: Thu thập thông tin và dữ liệu từ những báo cáo đã có sẵn

Đây có lẽ là cách phổ biến nhất trên thị trường. Planner đọc báo cáo ngành hàng, báo cáo người tiêu dùng, báo cáo xu hướng, báo cáo mạng xã hội, nghiên cứu thương hiệu, báo cáo đối thủ cạnh tranh hoặc các nguồn thông tin sẵn có, sau đó chọn lọc những Data và Insight phù hợp với bài toán đang giải quyết.

Cách này nhanh, thực tế và rõ ràng là nơi đầu tiên chúng ta có thể bám vào. Nhưng bất lợi là các báo cáo đó thường được tạo ra để trả lời một câu hỏi nghiên cứu khác. Khi mình lấy một điểm dữ liệu hay insight trong báo cáo ra dùng cho một bài toán kinh doanh mới thì nó có thể đúng, nhưng chưa chắc phù hợp hoàn toàn với bối cảnh hiện tại.

Nói nôm na là mình đang dùng một câu trả lời được tạo ra cho một câu hỏi khác.

Dĩ nhiên, trong Planning thì đây vẫn là một nguồn evidence cần thiết. Tôi chỉ nghĩ rằng nếu dừng ở Level 1 thì Data chủ yếu đóng vai trò tham khảo, chưa thực sự tham gia sâu vào quá trình hình thành định hướng.

Level 1: Planner tận dụng các report có sẵn để chọn lọc Data và insight phù hợp, nhưng Data lúc này chủ yếu đóng vai trò tham chiếu

Level 1: Planner tận dụng các báo cáo có sẵn để chọn lọc Data và Insight phù hợp, nhưng Data lúc này chủ yếu đóng vai trò tham chiếu.
Nguồn: YouNet Group

Level 2: Làm nghiên cứu riêng để trả lời đúng câu hỏi

Một cách đầu tư bài bản hơn là thực hiện Focus Group, Interview, Survey hoặc các loại nghiên cứu khác để tìm hiểu đúng tập khách hàng mục tiêu và đúng câu hỏi đang cần giải quyết.

Điểm mạnh của Level 2 rất rõ. Câu hỏi nghiên cứu được xác định ngay từ đầu, nhóm người dùng mục tiêu được lựa chọn phù hợp và toàn bộ quá trình nghiên cứu được thiết kế xoay quanh bài toán cụ thể. Nếu Level 1 là sử dụng evidence đã có, thì Level 2 là chủ động tạo ra evidence mới cho đúng câu hỏi.

Cách tiếp cận này đặc biệt hữu ích khi cần hiểu sâu về động lực, nhận thức, nhu cầu tiềm ẩn hoặc những vấn đề mà Social Data không thể tự giải thích đầy đủ. Đổi lại, nghiên cứu thường cần nhiều thời gian, chi phí hơn và quy mô mẫu cũng thường nhỏ hơn so với môi trường Big Data.

Tôi cũng muốn nhấn mạnh rằng Focus Group hay Survey không hề “thấp hơn” Social Listening. Có những câu hỏi mà nghiên cứu định tính (qualitative research) có khả năng trả lời tốt hơn rất nhiều. Vấn đề không nằm ở việc phương pháp nào tốt hơn, mà là câu hỏi nghiên cứu nào cần phương pháp nào.

Level 2: Planner chủ động thiết kế research theo đúng câu hỏi cần giải quyết để tạo ra evidence phù hợp với bài toán

Level 2: Planner chủ động thiết kế báo cáo theo đúng câu hỏi cần giải quyết để tạo ra evidence phù hợp.
Nguồn: YouNet Group

Level 3: Đưa câu hỏi cho Social Media Research / Social Listening Company

Đây cũng là một cách làm khá phổ biến. Agency hoặc Brand có một câu hỏi cụ thể, sau đó làm việc với đơn vị Social Media Research hoặc Social Listening để tìm câu trả lời. Chẳng hạn, doanh nghiệp muốn hiểu về Category, Brand và Competitor, Consumer Insight, Content Trend hay People Media Insight.

Cách làm này hoàn toàn có thể mang lại kết quả tốt, đặc biệt khi câu hỏi đã được xác định rõ. Đơn vị nghiên cứu có dữ liệu, đội ngũ phân tích và phương pháp nghiên cứu chuyên sâu và khả năng đào sâu hơn nhiều so với việc Planner chỉ đọc một dashboard.

Tuy nhiên, theo trải nghiệm của tôi, cách làm này có hai hạn chế. Hạn chế thứ nhất là đôi khi chúng ta đã hình thành một giả định ban đầu khá sớm rồi mới đặt câu hỏi nghiên cứu. Khi đó, Data rất dễ được sử dụng để kiểm chứng điều chúng ta đã nghĩ, thay vì mở ra một hướng đi mới mà trước đó chưa được nhìn thấy. Hạn chế thứ hai là quá trình “finding” bị gián tiếp.

Tôi hay hình dung nó giống như Google Search. Rất hiếm khi mình search một keyword lần đầu mà ngay lập tức có đúng câu trả lời mình cần. Thường mình search, đọc kết quả, thấy một thứ thú vị rồi đổi keyword. Sau đó lại đọc, lại thấy một pattern mới, rồi tiếp tục đổi câu hỏi.

Quá trình nghiên cứu dữ liệu cũng vậy. Có lúc câu hỏi ban đầu là A, nhưng sau khi nhìn data lại phát hiện B. B dẫn sang C, rồi C làm mình nhận ra giả định ban đầu chưa chắc còn đúng nữa.

Trong nội bộ tôi hay gọi quá trình này là Adaptive Search: Question → Data → Observation → New Question → Data → New Pattern → New Direction.

Điểm cốt lõi là chúng ta không tìm kiếm một lần để lấy câu trả lời, mà liên tục thay đổi câu hỏi dựa trên những gì Data vừa cho thấy. Khi Agency đưa câu hỏi cho một đối tác nghiên cứu bên ngoài, Adaptive Search vẫn có thể xảy ra, nhưng nó phải đi qua một lớp trung gian. Planner hỏi, Research đi tìm, Research trả lời, Planner đọc rồi mới hỏi tiếp. Khoảng cách đó có thể làm quá trình chậm hơn và làm Planner mất một phần “feeling” với dữ liệu.

Vấn đề không phải đối tác nghiên cứu thiếu năng lực. Vấn đề là “inquiry loop” nằm ngoài Planning team.

Ngoài ra, trong thực tế quá trình Adaptive này thường bị giới hạn chỉ còn một vài vòng vì deadline, ngân sách và cách hai bên làm việc theo brief.

Level 3: Social Media Research giúp trả lời câu hỏi bằng Data và methodology chuyên sâu, nhưng quá trình khám phá vẫn chủ yếu diễn ra qua đơn vị research

Level 3: Social Media Research giúp trả lời câu hỏi bằng Data và phương pháp nghiên cứu chuyên sâu, nhưng quá trình khám phá vẫn chủ yếu diễn ra qua đơn vị nghiên cứu.
Nguồn: YouNet Group

Level 4: Planner trực tiếp khám phá Data để tìm định hướng

Đây là cách chúng tôi đang muốn phát triển sâu hơn. Planner không chỉ nhận một report cuối cùng. Planner phải trực tiếp đi vào Data.

Nếu dùng Social Listening thì không phải mở dashboard rồi nhìn Buzz Volume, Sentiment hay Share of Voice. Planner phải đi xuống sâu hơn để nhìn cả một ngành hàng đang vận động như thế nào.

  • Consumer đang nói gì?
  • Brand đang nói gì?
  • Competitor đang tạo content gì?
  • Campaign nào từng tạo Movement?
  • Content nào từng tạo trend?
  • Consumer phản ứng với loại content nào?
  • Narrative nào đang nổi lên?
  • KOL nào tạo Attention?
  • Expert nào tạo Trust?
  • Reviewer nào đang ảnh hưởng Consideration?
  • UGC nào tự nhiên lan ra?
  • Một topic xuất hiện từ đâu, lớn lên như thế nào rồi biến mất ra sao?

Điểm khác biệt quan trọng của Level 4 là Planner có quyền thay đổi câu hỏi liên tục trong quá trình xem Data. Planner không chỉ nhận câu trả lời mà trực tiếp tham gia vào quá trình khám phá.

Level 4: Planner trực tiếp khám phá Data, liên tục đặt lại câu hỏi và đào sâu những tín hiệu mới để tìm ra direction

Level 4: Planner trực tiếp khám phá Data, liên tục đặt lại câu hỏi và đào sâu những tín hiệu mới để tìm định hướng.
Nguồn: YouNet Group

Muốn hiểu Data, Planner phải trực tiếp “nhảy xuống sông”

Tôi hay nói các bạn trong team Planning: Nếu Planner đứng trên bờ sông rồi gọi một người khác xuống xem nước nóng hay lạnh rồi báo lại. Người kia xuống rồi nói: “Nước hơi lạnh”.

Planner nghe xong thì biết nước lạnh. Nhưng cảm giác đó hoàn toàn khác với việc Planner tự nhảy xuống. Khi tự xuống sông, bạn biết nước lạnh đến mức nào, dòng nước đang chảy mạnh hay yếu, đáy sông là cát hay đá, đoạn nào sâu, đoạn nào cạn. Và đôi khi bạn phát hiện một thứ mà trước khi xuống sông bạn thậm chí không biết để mà hỏi.

Đó là điều tôi muốn ở Planner khi làm việc với Data.

Planner phải trực tiếp làm việc với dữ liệu. Điều này không có nghĩa Planner phải trở thành Data Analyst. Chúng ta vẫn cần Data Analyst hỗ trợ Query, Processing, Segmentation và những phần mang tính kỹ thuật. Nhưng Planner phải trực tiếp nhìn Data, trực tiếp hỏi, trực tiếp thay đổi câu hỏi và trực tiếp hình thành “feeling với market”.

Creative team cũng cần “xuống sông” cùng Planner ở những thời điểm phù hợp. Không nên để Planner đào xong rồi viết một slide “Consumer Insight” và chuyển sang Creative. Planner, Analyst và Creative cần có những thời điểm cùng nhìn vào một tập evidence, cùng thảo luận xem điều gì đang bất thường, điều gì đáng chú ý, đâu là tín hiệu mới và chúng ta có thể làm gì từ những gì vừa quan sát được.

Với tôi, đó mới thực sự là Creative x Data.

Data-first: Đừng khóa giả định trước khi nhìn vào evidence

Tôi thường nói với các bạn trong team rằng hãy bớt dùng chữ Data-driven và thử dùng Data-first để tự nhắc mình rằng trước khi khóa một idea hay giả định, hãy nhìn vào market evidence trước. Không phải vì Data-driven sai. Xét về phương pháp, cuối cùng chúng ta vẫn cần cả Data-driven và Data-First.

Nhưng trong thực tế, một tình huống rất dễ xảy ra là chúng ta có idea trước, sau đó mới đi tìm Data để chứng minh idea đó có hiệu quả hay không. Idea đó có thể đúng, nhưng chưa chắc đã là hướng tốt nhất.

Lúc này Data không còn “drive” mình nữa. Chúng ta đang “drive” Data.

Tệ hơn, chúng ta có thể chỉ chọn những evidence củng cố cho điều mình đã tin từ đầu. Tôi hay nói vui rằng Data-first là một kiểu “tỉnh thức” trước khi phát triển idea. Đừng để giá định trói mình quá sớm. Chúng ta làm Creative mà chính chúng ta lại giới hạn chính chúng ta thì làm sao Creative được.

Data-first với tôi cũng không có nghĩa là Data không có thiên kiến (bias). Social Data vẫn có thiên kiến từ nền tảng, từ nhóm người dùng tích cực lên tiếng, từ cách đặt từ khóa và từ quá trình diễn giải. Ngay cả lúc mình chọn keyword để tìm kiếm thì những giả định đã xuất hiện rồi.

Điều Data-first cố làm không phải loại hết thiên kiến. Nó giúp chúng ta trì hoãn việc khóa những giải định quá sớm. Data-first cũng không có nghĩa là không có không có giả định. Nó có nghĩa giả định được phép thay đổi khi evidence thay đổi.

Thay vì một quy trình kiểu: Assumption → Idea → Data Verification.

Tôi muốn quy trình gần hơn với: Business Problem → Data Exploration → Pattern → Hypothesis → Direction → Creative → Validation.

Trong thực tế, quá trình này cũng không bao giờ hoàn toàn tuyến tính. Planner sẽ quay lại Data nhiều lần. Creative cũng có thể tạo ra một giả thuyết mới, rồi cả team quay trở lại Data để kiểm tra và thách thức giả thuyết đó.

Data-First bắt đầu từ market evidence và cho phép hypothesis thay đổi khi Data mở ra những pattern mới

Data-First bắt đầu từ evidence và cho phép giả thuyết thay đổi khi Data mở ra những pattern mới.
Nguồn: YouNet Group

Ví dụ rất đơn giản: Làm content cho một ngân hàng

Giả sử chúng ta đang làm content cho một ngân hàng. Một cách tiếp cận quen thuộc là brainstorm trước rằng người trẻ hiện nay quan tâm đến tài chính cá nhân, phát triển idea theo hướng đó, sau đó tìm Data để chứng minh rằng giới trẻ thực sự đang quan tâm đến chủ đề này.

Một cách Data-first hơn là bắt đầu từ Data của ngành ngân hàng trong một năm qua để quan sát toàn cảnh thị trường: có bao nhiêu chiến dịch đã diễn ra? Nội dung nào tạo tác động tốt? Nội dung nào được người dùng chủ động chia sẻ? Chủ đề nào chỉ có Brand nói nhưng Consumer ít phản ứng? Chủ đề nào Consumer nói rất nhiều nhưng Brand lại ít đề cập? KOL nào tạo Attention? Chuyên gia nào tạo Trust? Cuộc thảo luận nào tiếp tục lan truyền một cách tự nhiên? Có mâu thuẫn nào giữa thông điệp của thương hiệu và thực tế người tiêu dùng?

Sau khi quan sát những tín hiệu đó, Planner mới bắt đầu hình thành hướng khai thác. Khi ấy, Creative không phải bắt đầu từ một tờ giấy trắng, nhưng cũng không bị Data viết hộ idea. Data chỉ giúp tạo ra nhiều hướng đi khả thi hơn.

Data-first để mở ra định hướng, không phải để Data quyết định Creative

Đây là điểm tôi nghĩ rất quan trọng.

Nếu mọi thứ đều dựa vào những mô hình đã tồn tại trong Data, chúng ta rất dễ tạo ra những thứ có xác suất đúng cao hơn nhưng lại ít khả năng tạo đột phá hơn. Một Big Idea đôi khi chính là thứ thị trường chưa từng nhìn thấy.

Nếu chỉ hỏi Data xem cái gì từng hiệu quả rồi tiếp tục làm những thứ tương tự, Creative rất dễ trở thành một cỗ máy tối ưu hóa. Data mạnh ở khả năng giúp chúng ta hiểu mức độ phù hợp, mô hình và xác suất. Trong khi đó, trực giác sáng tạo mạnh ở khả năng tạo ra những điều mới mẻ, bất ngờ và khác biệt.

Đây là sự đánh đổi thực sự giữa trực giác (intuition) và evidence. Theo tôi, công thức đúng không phải Data thắng intuition, cũng không phải intuition thắng Data. Data giúp chúng ta đừng lạc đề. Creative vẫn phải có quyền viết một câu mà chưa ai từng viết.

Creative x Data: Data Support hay Data-first?

Creative được hỗ trợ bởi Data thì không quá khó. Cái khó hơn là khi chúng tôi muốn đi theo tư duy Data-first Creative: Planner phải có tư duy về dữ liệu và trực tiếp khám phá dữ liệu. Data Analyst không còn chỉ làm báo cáo mà phải biết cộng tác với Planning. Creative không thể chỉ nhận một insight slide ở cuối quy trình mà cần bước vào evidence ở đúng thời điểm.

Planning và Creative vì vậy phải phát triển một cách làm mới để cùng nhìn Data mà không khiến Creative bị bóp nghẹt. Đồng thời, tổ chức cũng cần tạo ra một môi trường nơi evidence và intuition có thể thử thách lẫn nhau thay vì loại trừ nhau.

Chúng tôi vẫn đang tiếp tục phát triển cách làm này, nhưng hướng đi ngày càng rõ hơn.

  • Nếu Planner chỉ nhận insight, Data vẫn chủ yếu là đầu vào.
  • Nếu Planner trực tiếp khám phá, phản biện và thay đổi câu hỏi, Data trở thành một phần của quy trình lập kế hoạch.

Data-first không có nghĩa để Data làm Creative thay chúng ta. Nó có nghĩa là trước khi Creative bay, hãy chắc rằng chúng ta đã nhìn đủ rõ mặt đất mà mình đang cất cánh từ đó.

Data không làm Creative thay chúng ta, nhưng giúp Planner và Creative hiểu rõ hơn điểm xuất phát trước khi tìm direction

Data không làm Creative thay chúng ta, nhưng giúp Planner và Creative hiểu rõ hơn điểm xuất phát trước khi tìm hướng đi.
Nguồn: YouNet Group

Cuối cùng, khó nhất vẫn là mindset

Cuối cùng, chúng tôi nhận ra phần khó nhất vẫn là mindset.

Chúng tôi đã phải thay đổi cả cách tổ chức đội ngũ và cách mọi người phối hợp với nhau. Những bạn còn cởi mở với cách làm mới, chưa bị khóa quá sâu vào một phương pháp quen thuộc, thường tiếp nhận nhanh hơn và có khả năng cùng nhau phát triển một cách làm mới.

Nói cho cùng, phương pháp nghiên cứu không phải phần khó nhất. Công cụ cũng không phải phần khó nhất.

Khó nhất là có cùng một hệ mindset. Và đôi khi, chúng tôi phải trả một cái giá rất đắt để học được những điều nghe qua tưởng như rất đơn giản.