Sự cáo chung của phân tích số

• Trong 20 năm qua, phân tích số đã hứa hẹn hỗ trợ ra quyết định dựa trên dữ liệu thông qua phân tích attribution marketing và theo dõi hành vi người dùng, nhưng nay đang bộc lộ là một ảo ảnh thiếu tác động kinh doanh thực tế, khiến mô hình cũ sụp đổ
• Tuyển dụng mới của Amplitude là biểu tượng cho thất bại của Google Analytics 4, đồng thời cho thấy sự chuyển dịch sang công cụ phân tích chuyên biệt dành cho marketer chuyên nghiệp
• Sự sụp đổ của phân tích attribution marketing xuất phát từ độ phức tạp gia tăng của các kênh và thay đổi về quy định, trở thành nguyên nhân chính làm biến mất giá trị cốt lõi của phân tích truyền thống
• Giao diện rối rắm và quá trình di chuyển khó khăn của GA4 gây hỗn loạn cho toàn ngành, đồng thời thúc đẩy sự trỗi dậy của các công cụ thay thế
• Những thay đổi này mở ra hai hướng đi mới là tối ưu hóa trải nghiệm khách hàng mang tính vận hành và trí tuệ doanh thu mang tính chiến lược, báo hiệu một tương lai nơi phân tích được gắn trực tiếp với kết quả kinh doanh

---

Phần I: Phân tích số thực sự là gì

• Phân tích số tự nhận là công cụ ra quyết định dựa trên dữ liệu và xây dựng dashboard theo dõi số lượng truy cập, hành vi người dùng, tỷ lệ chuyển đổi, nhưng lại mang một mâu thuẫn nền tảng khi phần lớn dữ liệu không tạo ra thay đổi thực chất cho doanh nghiệp
  • Cụ thể, dù số lần nhấp vào nút hiển thị là 200, vẫn thường không rõ phải hành động như thế nào từ dữ liệu đó, nên nó chỉ dừng lại ở mức một insight thú vị
  • Ngay cả khi nắm bắt được hành vi người dùng thông qua thiết lập phân tích tinh vi trong các dự án khách hàng, mô hình lặp lại vẫn là thay đổi trong quyết định thực tế rất nhỏ
• Phân tích số giai đoạn đầu, với sự ra mắt của Google Analytics năm 2005, đã đưa ra một lời hứa mang tính cách mạng khi trực quan hóa hành vi trên website, nhưng trên thực tế chu trình build-measure-learn lại không trả lời được các câu hỏi kinh doanh phức tạp
  • Triết lý Lean Startup của Eric Ries nhấn mạnh phân tích như một công cụ khoa học, nhưng ngoài A/B testing thì nó không đưa ra được hướng dẫn rõ ràng về giữ chân người dùng hay phát triển tính năng
  • Các công cụ như Amplitude và Mixpanel đã phát triển event tracking và cohort analysis, nhưng dữ liệu càng phong phú thì khoảng cách từ insight đến hành động càng lộ rõ
• Giá trị thực của phân tích số tập trung vào hai thứ: attribution marketing và khả năng nhìn thấy những vùng tối; phần còn lại chỉ là yếu tố trang trí tạo cảm giác khoa học
  • Attribution marketing đánh giá trung lập mức đóng góp của nhiều kênh để tối ưu phân bổ ngân sách và cho phép tính ROI
  • Khả năng nhìn thấy những vùng tối giúp làm lộ ra các mẫu lưu lượng trên website để UX designer và marketer có thể thảo luận cụ thể hơn

Lời hứa từng rất lớn nhưng chưa bao giờ được thực hiện

• Google Analytics từng hứa hẹn phát triển sản phẩm dựa trên dữ liệu bằng cách theo dõi hành trình người dùng, nhưng trên thực tế tình trạng không hoàn thành lời hứa vẫn kéo dài do thiếu câu trả lời cho các câu hỏi phức tạp
  • Về lý tưởng, sau khi phát hành tính năng thì sẽ đo lường và lặp lại, nhưng việc phân tích nguyên nhân drop-off không chạm được tới câu hỏi “vì sao”, nên thay đổi hành động bị hạn chế
  • Dù dashboard và segmentation ngày càng tinh vi, trong phần lớn trường hợp dữ liệu vẫn chỉ được dùng làm tài liệu họp và thiếu thay đổi thực chất
• Ngành phân tích nhấn mạnh rằng đo lường là cốt lõi của doanh nghiệp thành công, nhưng trên thực tế dữ liệu chỉ dừng ở mức bổ trợ cho trực giác và phản hồi của khách hàng, cho thấy một giá trị bị thổi phồng
  • Nó hữu ích trong các trường hợp đơn giản như A/B testing, nhưng không đưa ra được câu trả lời rõ ràng cho các vấn đề trọng yếu như cải thiện retention hay ưu tiên tính năng
  • Dù doanh nghiệp đầu tư nhiều tháng để thiết lập hệ thống phân tích, câu hỏi “với dữ liệu này thì làm gì tiếp?” vẫn lặp đi lặp lại, làm tăng thêm sự bất định

Hai điều thực sự hiệu quả

• Attribution marketing là giá trị cốt lõi thực sự của phân tích số, giải quyết phần đóng góp chồng lấn giữa nhiều nền tảng, đồng thời hỗ trợ tối ưu ngân sách và chứng minh ROI
  • Google Analytics đóng vai trò như một trọng tài trung lập, tính toán chính xác mức đóng góp chuyển đổi theo từng chiến dịch và giúp báo cáo cho CFO dễ dàng hơn
  • Mô hình multi-touch (first click, last click, v.v.) đã phát triển, nhưng gần đây bộc lộ giới hạn do trình duyệt chặn theo dõi và độ phức tạp của kênh tăng lên
• Khả năng nhìn thấy những vùng tối là một chiến thắng mềm, giúp làm rõ hành vi người dùng và thúc đẩy trao đổi giữa các nhóm, nhưng khoảng cách từ insight đến hành động vẫn rất lớn
  • Việc phát hiện mẫu lưu lượng có thể giúp cải thiện UX hoặc điều chỉnh chiến lược nội dung, nhưng các chỉ số như thời gian ở lại trang trung bình không đưa ra được hướng dẫn hành động cụ thể
  • Dữ liệu giúp cụ thể hóa phỏng đoán, nhưng trong phần lớn trường hợp lại tạo ra thêm câu hỏi thay vì dẫn tới quyết định kinh doanh trực tiếp
• 80% giá trị của phân tích số tập trung vào attribution marketing, còn các tính năng khác chỉ dừng lại ở mức insight thú vị, cho thấy một sự mất cân bằng bị che giấu của cả ngành
  • Các dự án khách hàng xác nhận rằng tác động thực sự chủ yếu dồn vào attribution, còn gói giải pháp toàn diện chỉ hoạt động như một lời hứa bị thổi phồng

Phần II: Nền móng đang sụp đổ

• Sự sụp đổ của attribution marketing xảy ra do thay đổi quy định và độ phức tạp của kênh tăng lên, làm tăng tốc sự suy yếu nền tảng của phân tích số
  • Yêu cầu xin consent ở châu Âu và cơ chế chống theo dõi của Apple hạn chế khả năng kết nối dữ liệu, nhưng đây chỉ là triệu chứng của một sự tiến hóa sâu hơn trong marketing
  • Nghiên cứu workshop cho thấy vai trò của attribution dựa trên click giảm dần qua từng năm, và các giải pháp thay thế về mặt kỹ thuật không giải quyết được vấn đề gốc rễ
• Marketing hiện đại bao trùm hàng chục kênh như influencer, podcast, v.v., nhưng các công cụ attribution truyền thống không thể theo dõi được, rơi vào trạng thái bị vượt qua bởi sự tiến hóa
  • Trước đây trọng tâm là Google Ads, nhưng giờ các touchpoint không trực tiếp như video YouTube và newsletter ngày càng gia tăng
  • Các mô hình xác suất của nền tảng quảng cáo (dựa trên machine learning) che giấu dữ liệu chi tiết, làm thay đổi mối quan hệ của marketer với dữ liệu
• Dữ liệu attribution chỉ đóng vai trò rất nhỏ trong ra quyết định, phần lớn đã biến thành một sân khấu dữ liệu, gây ra cú sốc hiện thực
  • Phân bổ ngân sách ngày càng ít phụ thuộc vào attribution, và chưa đến 10% thiết lập thực sự hỗ trợ các quyết định marketing có ý nghĩa

Thảm họa Google Analytics 4

• GA4 gây ra sự hỗn loạn trong giao diện do theo đuổi nhiều chiến lược cùng lúc, phản ánh sự thay đổi chiến lược của Google
  • Nó có thể được xem như công cụ đầu vào cho Google Cloud Platform, tương tự vai trò hỗ trợ Google Ads trước đây
  • Google từ bỏ vai trò là công cụ mặc định cho marketer và áp đặt độ phức tạp quá mức lên người dùng không chuyên
• Quá trình migration đòi hỏi phải xây dựng lại hoàn toàn, làm vô hiệu hóa cấu hình cũ và tạo ra một quá trình như ác mộng
  • Với thông báo trước 18 tháng, các team buộc phải gấp rút ứng phó, nhưng việc thay đổi khái niệm session đòi hỏi hiểu biết kỹ thuật
  • Việc truy cập báo cáo trở nên phức tạp hơn, cản trở công việc thường ngày của marketer không chuyên
• GA4 không xác định rõ người dùng mục tiêu, từ đó tạo ra cơ hội thị trường và thúc đẩy sự trỗi dậy của phương án thay thế như Amplitude
  • Nó được định vị là “GA tốt hơn” cho marketer chuyên nghiệp, và thất bại của GA4 làm tăng nhu cầu đối với các công cụ phân tích chuyên biệt
  • Toàn ngành bắt đầu đặt câu hỏi về giá trị của phân tích truyền thống

Phần III: Hai con đường phía trước

• Phân tích số vẫn sẽ tồn tại, nhưng tối ưu hóa trải nghiệm khách hàng mang tính vận hành và trí tuệ doanh thu mang tính chiến lược đang nổi lên như hướng đi mới
  • Nó hỗ trợ các thử nghiệm nhanh của team marketing, vốn cần phản hồi ngay lập tức không giống team sản phẩm
  • AI đẩy nhanh tối ưu hóa chiến dịch, vì vậy cần các hệ thống xóa bỏ khoảng cách giữa insight và hành động
• Tối ưu hóa trải nghiệm khách hàng lấy tốc độ làm trung tâm, nơi AI agent đề xuất cải tiến cụ thể và nhấn mạnh tính hữu dụng trong vận hành
  • Amplitude đã học cách kết nối insight với hành động thông qua các thử nghiệm CDP, còn AI đưa ra khuyến nghị về các điểm drop-off
  • AI tích hợp với hệ thống quản trị nội dung có thể tạo ra trải nghiệm được tối ưu theo thời gian thực
• Mô hình của Hotjar cho phép hành động ngay bằng cách trực quan hóa đơn giản, và thương vụ ContentSquare mua lại cho thấy mức độ tiếp cận đang được mở rộng
  • Click map và session replay thúc đẩy cải thiện UX, nhưng ưu tiên phản hồi nhanh hơn là độ sâu phân tích
  • Việc mở rộng từ cấp doanh nghiệp xuống SMB cho thấy lợi thế của các công cụ chuyên biệt theo từng bài toán

Con đường 2: Revenue Intelligence

• Những người phụ trách doanh thu đang chuyển từ team sản phẩm sang, cho thấy sự thay đổi của đối tượng phục vụ: biến doanh thu thành thứ có thể dự đoán thay vì chỉ là chỉ số hậu kiểm
  • CFO và CRO muốn nhận diện sớm thất bại trong activation hoặc rủi ro churn, đồng thời yêu cầu kết nối hành vi với kết quả kinh doanh
  • Khác với ROI gián tiếp của product analytics, team doanh thu có thể tính giá trị trực tiếp nên dễ được cấp ngân sách hơn
• Vượt qua giới hạn của tracking dựa trên SDK, cách tiếp cận data warehouse mang lại bước đột phá, đảm bảo chất lượng dữ liệu và khả năng kết hợp
  • Trích xuất event từ database giúp đạt độ bao phủ 100% và có thể xử lý lại dữ liệu lịch sử
  • Identity resolution và việc tạo synthetic event cho phép tạo ra các kết quả kinh doanh như dự đoán churn
• Revenue intelligence lập bản đồ toàn bộ customer journey và xây dựng một dây chuyền lắp ráp biến các vấn đề như thất bại activation thành cơ hội can thiệp sớm
  • Nếu trong 1.000 tài khoản mới chỉ có 100 tài khoản được kích hoạt, có thể tính toán doanh thu tiềm năng bị mất và thử nghiệm các biện pháp can thiệp
  • Metric tree giúp chẩn đoán nguyên nhân tăng trưởng và giải quyết sự đứt gãy giữa hành vi và kết quả trong phân tích truyền thống
• Cách tiếp cận này biến phân tích thành một công cụ chiến lược, trực tiếp hỗ trợ thành công kinh doanh và mở ra một tương lai lấy dự báo làm trung tâm

Kết luận

• Phân tích số được xây dựng trên niềm tin rằng cứ thu thập rồi một ngày nào đó sẽ dùng được, nhưng trong bối cảnh hiện nay nó gần như không còn nhiều ý nghĩa nếu không hỗ trợ hành động ngay lập tức hoặc dự báo kết quả trực tiếp
• Thực hành xoay quanh thu thập dữ liệu → báo cáo chỉ là data theater, và nếu không phải là hệ thống dẫn đến hành động thì giá trị tổ chức sẽ rất thấp

• Hai con đường tiếp theo

  • Customer Experience Optimization: một tương lai mang tính vận hành ưu tiên thực thi tức thì hơn là phân tích sâu, hướng tới công cụ tích hợp workflow hỗ trợ đề xuất cải tiến cụ thể từ AI agent, thử nghiệm nhanh và phản hồi nhanh
  • Revenue Intelligence: một tương lai mang tính chiến lược nhằm kết nối trực tiếp hành vi người dùng với kết quả kinh doanh, kết hợp hành vi, đăng ký, attribution và chỉ số tài chính trong data warehouse để thực hiện dự báo chủ động và phòng ngừa

• Điều gì kết thúc và điều gì bắt đầu

  • Điều kết thúc: analytics dựa trên thu thập diện rộng và insight hậu kiểm, vận hành xoay quanh pipeline dữ liệu để tạo báo cáo, và thói quen diễn giải marketing ám ảnh bởi mức đóng góp chi tiết của từng kênh
  • Điều bắt đầu: tự động hóa khuyến nghị hành động, phát hiện sớm rủi ro và cơ hội, cùng tự động hóa ra quyết định và tối ưu vận hành xoay quanh các mô hình gắn trực tiếp với hiệu quả
• Chiến lược dựa vào cảm thức marketing analytics của quá khứ có mức độ phù hợp thấp với kết quả tương lai
• Tổ chức cần chuyển từ bộ máy sản xuất báo cáo sang hệ thống kích hoạt hành động
• Team marketing cần được tái cấu trúc theo stack vận hành lấy tốc độ làm trung tâm và hệ thống thử nghiệm có AI hỗ trợ, còn tổ chức chịu trách nhiệm doanh thu cần được tái cấu trúc theo mô hình tích hợp lấy warehouse làm trung tâm và hệ thống RI có tín hiệu cảnh báo sớm

> Thời đại thu thập rồi hy vọng sẽ hữu ích đã kết thúc
> Chỉ những hệ thống dẫn tới cải thiện tức thì hoặc dự báo trực tiếp mới tạo ra giá trị thực chất
> Doanh nghiệp cần lựa chọn và củng cố trục phù hợp giữa CX mang tính vận hành và RI mang tính chiến lược tùy theo nhiệm vụ cốt lõi và mức độ trưởng thành của mình