Ngoài ra, với những bạn đọc đang muốn tìm hiều thêm về Growth Hacking thì bài viết này cũng có thể đóng vai trò cung cấp cái nhìn tổng quan về những quy trình và kĩ năng cần có để làm ở vị trí liên quan tới Growth Hacking.
BƯỚC 1: XÂY DỰNG MÔI TRƯỜNG ỨNG DỤNG DỮ LIỆU
Vấn đề lớn nhất mà một công ty bắt đầu Growth Hacking gặp phải thường là thiếu một môi trường thu thập và xử lý dữ liệu có thể dùng để phân tích được nhằm phục vụ Growth Hacking.
Thông thường các công ty Startup có thể xây dựng đội ngũ Growth Team với nhiệm vụ chính như:
- Chọn và quản lý các metrics chính.
- Thiết kế và xây dựng đường ống dữ liệu (data pipeline).
- Phân tích data theo từng chủ thể.
- Đáp ứng các request xuất và phân tích data từ bên khác.
- Xây dựng môi trường làm việc theo văn hóa dựa trên data.
Tuy nhiên đối với một số startup còn thiếu nhân lực, việc có được team Growth đầy đủ năng lực để thực hiện toàn bộ các task trên cũng khá khó khăn, nhưng may thay chúng ta đang sống trong thời đại có rất nhiều IaaS, PaaS, SaaS phục vụ cho việc phân tích data phát triển. Bằng cách sử dụng những giải pháp có sẵn từ những bên thứ ba này như nền tảng phân tích dữ liệu đám mây (cloud analytics), giải pháp tự động hóa ETL, giải pháp Business Intelligence thì không cần quá nhiều tài nguyên và khả năng kĩ thuật cũng có thể xây dựng được môi trường dữ liệu (data-driven environment) nền tảng cho Growth Hacking.
Nền tảng phân tích dữ liệu điện toán đám mây (Cloud Analytics Platform):
Bằng cách sử dụng các giải pháp Cloud Analytics, các công đoạn như thu thập, lưu trữ dữ liệu và tiền xử lý (pre-processing) được đơn giản hóa và dễ thực hiện hơn nhiều với chỉ vài bước cài đặt. Một số nền tảng điện toán đám mây (Cloud Platform) tiêu biểu có thể kể đến là EMR của Amazon, GCP của Google, Microsoft Azure,..
Giải pháp tự động hóa ETL:
Sau khi đã thực hiện thu thập, lưu trữ thì trước khi có thể tiến hành phân tích dữ liệu, thì cần thực hiện quá trình ETL (Extract – trích xuất, Transform – chuyển đổi, Load – tải) . ETL là chuỗi quá trình thu thập dữ liệu từ nhiều nguồn, xử lý nguồn dữ liệu này thành hình thức dễ phân tích hơn và cuối cùng tải dữ liệu vào cơ sở dữ liệu (database) đích. Lý do phải thực hiện bước này là vì những dữ liệu phát sinh trong quá trình vận hành dịch vụ khác về hình thức và điều kiện với dữ liệu có thể dùng phân tích.
Giải pháp tự động hóa ETL như Fivetran, Stitch tải vào cơ sở dữ liệu cuối cùng những dữ liệu đã được chuẩn hóa bằng cách xâu chuỗi hàng chục nguồn dữ liệu khác nhau như các nền tảng quảng cáo, Attribution, CRM, …
Giải pháp Trí Tuệ Kinh Doanh (Business Intelligence – BI):
Vì Growth Hacking đòi hỏi sự phối hợp giữa nhiều vị trí với khả năng về kĩ thuật khác nhau (Product Development và Marketing), môi trường sử dụng dữ liệu phục vụ Growth Hacking cũng cần phải thân thiện với những vị trí không chuyên về kĩ thuật phân tích dữ liệu. Dashboard tổng hợp và trực quan hóa (visualize) dữ liệu là một công cụ đảm bảo mọi vị trí đều có thể dễ dàng tiếp cận và thu thập insight từ dữ liệu.
Hiện nay các giải pháp như Tableau hay Google Data Studio đang rất phát triển nên những vị trí không có background chuyên về phân tích hay phát triển vẫn có thể sử dụng dễ dàng.
BƯỚC 2: XÂY DỰNG ĐƯỜNG ỐNG DỮ LIỆU (Data Pipeline)
Từ những giải pháp trên, có thể xây dựng một data pipeline cơ bản mà không cần quá nhiều tài nguyên về kĩ thuật. Data pipeline là toàn bộ quy trình từ thu thập dữ liệu, xử lý dữ liệu, xuất dữ liệu và sử dụng dữ liệu để đi tới quyết định (data-driven decision) phục vụ nhu cầu của doanh nghiệp.
Ngoài ra, để xây dựng một data pipeline thì việc quyết định loại dữ liệu nào để đo lường là vô cùng quan trọng. Dữ liệu tồn tại ở dạng các bản ghi (log). Có hai dạng log cần phân biệt: bản ghi dịch vụ (service log) và bản ghi hành động (action log).
- Service log có nhiệm vụ ghi lại kết quả giao dịch (transaction). Khi một giao dịch dụ như đăng ký thành viên, đặt trước hoặc thanh toán thành công thì một service log sẽ được ghi lại.
- Action log ghi lại từng hành động (action) của người dùng trên dịch vụ như hành động click vào sản phẩm, tìm kiếm, thêm vào giỏ hàng.
Service log là dữ liệu cơ bản bắt buộc phải quản lý để điều hành dịch vụ. Do vậy, khi bắt đầu Growth Hacking thì thường các công ty không gặp nhiều vấn đề với việc thu thập và ứng dụng dữ liệu dạng này. Ngược lại, với action log, số lượng dữ liệu lớn hơn nhiều lần và quá trình thiết kế có nhiều biến số hơn, khiến việc thu thập và ứng dụng tương đối khó khăn hơn. Một công ty khi bắt đầu Growth Hack cần phải chú ý tới vấn đề này.
BƯỚC 3: XÂY DỰNG VĂN HÓA VÀ NĂNG LỰC ĐỂ ỨNG DỤNG DỮ LIỆU
Môi trường làm việc nào thì cũng không thể thiếu yếu tố con người. Sau khi xây dựng xong môi trường cơ bản để ứng dụng dữ liệu thì chúng ta cần chú tâm đến việc xây dựng văn hóa và năng lực phù hợp để tận dụng môi trường này.
Ở mức độ cơ bản nhất, (tùy vào cách tổ chức của mỗi công ty) cá nhân mỗi vị trí liên quan tới các task Growth Hack hoặc thành viên trong team Growth Hack cần có khả năng sử dụng công cụ BI của công ty và hiểu được cách đọc và thành lập dashboard phục vụ cho nhu cầu của họ.
Chuyên sâu hơn một ít, thì kiến thức về trích xuất và xử lý dữ liệu với SQL cũng khá hữu ích vì các công cụ BI được sử dụng gần đây hầu hết đều có hỗ trợ truy vấn và xử lý dữ liệu sử dụng SQL.
BƯỚC 4: THỬ NGHIỆM TĂNG TRƯỞNG: TEST A/B
- Định nghĩa: Thử nghiệm A/B là quá trình kiểm chứng hai lựa chọn khác nhau, để xem lựa chọn nào có hiệu quả hơn dựa trên kết quả đo lường phản ứng của người dùng.
- Giả thuyết (hypothesis): phải xác định rõ ràng mục tiêu, định hướng muốn kiểm tra thông qua thử nghiệm. Tiến hành bằng cách xác định biến độc lập và biến phụ thuộc rồi quyết định mục tiêu của biến thuộc. Ví dụ: “Ở screen giới thiệu dịch vụ thì tỷ lệ hoán đổi (conversion rate) sẽ cao hơn nếu giới thiệu dịch vụ bằng hình ảnh hơn là giới thiệu dịch vụ bằng văn bản”.
- Biến độc lập (Independent Variable): Còn được gọi là biến thể giải thích hoặc biến dự đoán. Trong quan hệ nhân quả có thể xem nó là nguyên nhân, tức là biến được mong đợi sẽ tác động lên biến phụ thuộc. Biến độc lập là bất cứ thay đổi về một trong các yếu tố thiết kế, từng bố cục của trang web hay email để thử nghiệm cải thiện tỷ lệ chuyển đổi hoặc các KPIs khác. Ví dụ trong giả thuyết trên, “hình thức trình bày “giới thiệu sản phẩm”” sẽ là biến độc lập.
- Biến phụ thuộc (Dependent Variable): Biến thể được mong đợi sẽ bị ảnh hưởng từ biến độc lập. Trong quan hệ nhân quả, có thể xem nó là kết quả. Trong khi thử nghiệm, chúng ta sẽ đo lường nhiều tiêu chí, tuy nhiên ở mỗi bài thử nghiệm chỉ nên chọn và tập trung vào một tiêu chí. Tiêu chí này chính là biến phụ thuộc. Ví dụ trong giả thuyết trên, “tỷ lệ hoán đổi” chính là biến phụ thuộc.
- Biến khống chế (Control Variable): Đây không phải là biến số độc lập nhưng là biến số 3, có thể gây ảnh hưởng đến biến phụ thuộc. Ví dụ trong giả thuyết trên, một trong những biến khống chế tiêu biểu chính là Funnels (paid ads, friend referral,..)
- Cỡ mẫu (Sample size): đây chính là con số người tham gia vào thử nghiệm để kiểm chứng giả thuyết. Số lượng này phải được xác định trước khi tiến hành thử nghiệm và phải đủ lớn để thấy được sự khác biệt giữa hai mẫu. Hiện nay có nhiều công cụ online giúp tìm được cỡ mẫu phù hợp cho từng thí nghiệm A/B, chỉ cần nhập những điều kiện thiết kế của thí nghiệm A/B như giả thuyết, khả năng kiểm chứng, tiêu chuẩn để khiến thí nghiệm trở nên có ý nghĩa, v.v thì những công cụ này sẽ tính toán giúp bạn kích cỡ mẫu. Một số trang tiêu biểu có thể kể đến là https://www.evanmiller.org/ab-testing/ hoặc https://docs.adobe.com/content/target-microsite/testcalculator.html
- Thời gian thử nghiệm: Sau khi quyết định cỡ mẫu, chúng ta phải quyết định thời gian cần để thu thập đủ dữ liệu phục vụ cho kiểm chứng giả thuyết.
Những điểm lưu ý khi thực hiện thử nghiệm A/B:
- Vô giả thuyết
- Thất bại trong việc quản lý biến kiểm soát (control variable)
- Ngoài các giá trị thể hiện xu hướng trung tâm (mean, median, mode), cần xem xét dữ liệu một cách toàn diện: độ phân bổ (distribution), mức ý nghĩa (significance level), hệ số ảnh hưởng (effect size) vv
- Không quan sát, so sánh sự thay đổi theo thời gian
- Quá tin tưởng vào kinh nghiệm A/B Test trong quá khứ: Kết quả có thể thay đổi bất cứ lúc nào theo với muôn vàn nguyên nhân như sự thay đổi của thị trường, thay đổi nhóm người dùng…
Lời kết:
Điểm mấu chốt của Growth Hacking chính là dữ liệu, tuy nhiên để Growth Hacking thành công, số lượng của dữ liệu không quan trọng bằng chất lượng. Chất lượng này là thành quả đến từ kỹ thuật lẫn con người. Một Growth Hacker hoặc một Growth Hacking team giỏi sẽ xây dựng con đường hợp lý để đạt được dữ liệu có ích ấy. Mong rằng với một vài gợi ý trên đây đã sẽ giúp bạn một phần nào trên con đường chinh phục Growth Hacking.
