1. Vì sao Trade Marketing hay hiểu sai dữ liệu?

Trong vận hành doanh nghiệp, dữ liệu không đi theo một đường thẳng mà chảy qua nhiều mắt xích: Distributor, Sales, Retailer, Shopper và Consumer. Mỗi bên lại sử dụng một hệ thống khác nhau để ghi nhận hành vi, giao dịch và vận hành:

• Distributor dùng DMS để quản lý sell-in và tồn kho.
• Sales dùng CRM/ứng dụng bán hàng để ghi nhận thực thi tại điểm bán.
• Retailer dùng POS/ePOS để lưu lại từng giao dịch bán lẻ.
• Shopper để lại dấu vết thông qua hóa đơn, phản ứng giá và tương tác tại kệ.
• Consumer để lại review, đánh giá và hành vi mua lại.

Vấn đề nảy sinh khi người làm Trade không phân biệt được dữ liệu thuộc về ai và dữ liệu đó thực sự phản ánh điều gì.

Vì vậy mới có những kết luận vội vàng như:

• Sell-in tăng và được hiểu là “thương hiệu đang tăng trưởng”.
• OOS hệ thống thấp nên mặc định kệ luôn đầy hàng.
• Basket size lớn được xem như shopper đang chi tiêu nhiều hơn, dù nguyên nhân có thể chỉ là chương trình combo.
• Review tích cực bị quy cho hiệu quả của hoạt động trưng bày.

Những nhận định này nghe có vẻ hợp lý, nhưng chỉ đúng khi dữ liệu được đọc theo đúng chủ thể tạo ra nó. Ngược lại, đó chính là kiểu “đọc chữ mà bỏ qua ngữ cảnh” và kết quả phân tích sẽ lệch ngay từ bước đầu.

Để không rơi vào những sai lầm này, người làm Trade Marketing cần một nền tảng rõ ràng: hiểu 5 đối tượng, 5 loại dữ liệu và 5 câu hỏi mà mỗi loại dữ liệu có thể trả lời.

2. Khung nền tảng: 5 đối tượng – 5 lớp dữ liệu – 5 câu hỏi khác nhau

Chuỗi giá trị thương mại được cấu thành từ sáu mắt xích chính:

Manufacturer → Distributor → Sales Force → Retailer → Shopper → Consumer

Đây là hành trình của dòng hàng (Trade Value Chain) sản phẩm đi từ nơi sản xuất đến tay người mua cuối cùng. Nhưng nếu nhìn ở góc độ dữ liệu, trật tự này lại đảo chiều. Dữ liệu chảy ngược lên, bắt đầu từ người dùng cuối và đi ngược qua từng mắt xích:

Consumer → Shopper → Retailer → Sales → Distributor → Manufacturer

Hiểu được dòng dữ liệu này rất quan trọng, vì nó giúp bạn nhận ra:

• Consumer tạo ra dữ liệu “cuối cùng”, phản ánh trải nghiệm thực tế và mức độ hài lòng.
• Shopper tạo ra dữ liệu quyết định tại điểm bán như những hành vi khiến sản phẩm được chọn hoặc bị bỏ qua.
• Retailer ghi lại dữ liệu bán lẻ chính xác nhất như tất cả những gì được bán ra và cách shopper mua sắm.
• Sales tạo dữ liệu về thực thi như kệ có đủ hàng không, trưng bày có đúng chuẩn không.
• Distributor tạo ra dữ liệu vận hành như nhập hàng bao nhiêu, tồn kho thế nào, giao hàng có trễ không.

Mỗi nguồn dữ liệu phản ánh một “sự thật” khác nhau. Đọc đúng thì ra insight. Đọc sai thì ra kết luận lệch, vô nghĩa.

Ở các phần tiếp theo, chúng ta sẽ lần lượt đi qua từng loại dữ liệu theo cùng một cấu trúc rõ ràng:

Dữ liệu được sinh ra như thế nào, Dữ liệu trả lời câu hỏi gì, Và điểm dễ hiểu sai mà Trade Marketing cần tránh.

Với cách tiếp cận này giúp bạn không chỉ biết dữ liệu đó là gì, mà quan trọng hơn là biết khi nào nên dùng và khi nào không nên dùng, một năng lực cốt lõi của người làm Trade Marketing.

3. Distributor Data – Dữ liệu vận hành & sell-in (DMS)

Dữ liệu từ Distributor (NPP) là nhóm dữ liệu người làm Trade tiếp cận nhiều nhất và cũng là nhóm dễ bị diễn giải sai nhất. Distributor như mắt xích đảm nhiệm vai trò mở rộng độ phủ, duy trì nguồn hàng, quản lý tồn kho, vận hành logistics và cung cấp dịch vụ cho điểm bán.

Những hoạt động này để lại một lớp dữ liệu rất đặc trưng: dữ liệu vận hành, nó phản ánh khả năng phân phối và tốc độ cung ứng hàng, chứ không phản ánh nhu cầu hay hành vi mua sắm của shopper.

Những dữ liệu Distributor tạo ra gồm:

• Sell-in theo ngày, theo SKU, theo khu vực
• Tồn kho NPP: on-hand, DOI
• Đơn hàng, giao hàng, OTIF
• Hàng trả, hàng hủy, công nợ
• Route-to-market, vùng phủ, tuyến giao
• Danh sách điểm bán được phục vụ

Đây là các dữ liệu giúp doanh nghiệp nhìn thấy “sức khỏe vận hành” của hệ thống phân phối: hàng có được đưa ra thị trường đúng lúc, đúng nơi, đúng số lượng hay không.

Dữ liệu này dùng để trả lời các câu hỏi:

• Độ phủ phân phối (coverage) đã đạt mục tiêu chưa?
• NPP vận hành có ổn định không? Có điểm nghẽn nào trong giao hàng?
• Tồn kho đang quá cao hay quá thấp?
• Tốc độ nhập hàng của NPP có theo kịp nhu cầu bán ra hay không?
• OOS ở điểm bán có bắt nguồn từ supply chain hay do khâu thực thi?

Nhầm lẫn phổ biến nhất:

Dùng sell-in để đọc sức mua thị trường.

Đây là lỗi kinh điển. Sell-in chỉ cho biết NPP đang nhập bao nhiêu hàng chứ không nói gì về mức độ mua hàng của shopper.

• Sell-in tăng không có nghĩa thị trường tăng.
• Sell-in giảm không đồng nghĩa thương hiệu yếu đi.

Sell-in là chỉ báo của vận hành và phân phối. Muốn biết thị trường đang chuyển động thế nào, phải nhìn vào sell-out, không phải sell-in.

4. Retailer Data – Dữ liệu bán lẻ & sell-out

Retailer là nơi diễn ra giao dịch cuối cùng giữa sản phẩm và người mua. Đây cũng là mắt xích duy nhất ghi lại hành vi mua thật của shopper, không phải dự đoán, không phải ước tính, mà là dữ liệu thực tế từ hóa đơn.

Chính vì vậy, dữ liệu từ Retailer là nguồn dữ liệu quan trọng nhất đối với Trade Marketing. Nếu Distributor Data phản ánh cách hàng được phân phối, thì Retailer Data phản ánh chuyện thị trường đã thật sự hấp thụ bao nhiêu.

Retailer tạo ra những dữ liệu gì?

• Sell-out theo SKU, theo ngày, theo cửa hàng
• Basket size, basket value
• Giá bán thực tế sau khuyến mãi
• Mức độ kích hoạt chương trình (promo activation)
• OOS/OOS hệ thống
• Tỷ lệ cửa hàng active theo kỳ

Sell-out chính là dữ liệu “đi thẳng từ túi tiền shopper”, và vì vậy được xem như chuẩn vàng khi đánh giá hiệu quả thương mại của thương hiệu.

Retailer Data dùng để trả lời những câu hỏi nào?

• SKU nào đang bán tốt và đóng góp tăng trưởng?
• Chương trình khuyến mãi có đủ lực kéo và có thực sự tạo uplift không?
• Hành vi tiêu dùng thay đổi ra sao theo thời điểm, mùa vụ hoặc banner?
• OOS có ảnh hưởng trực tiếp đến doanh số không?
• Kênh hoặc nhà bán lẻ nào đang tăng trưởng/giảm tốc và vì lý do gì?

Đây là những câu hỏi mà sell-in hoặc dữ liệu thực thi không thể trả lời chính xác.

Nhầm lẫn phổ biến nhất:

1) “Giá trên POS = giá shopper thực trả.”

Không chính xác. Giá trên POS thường là giá niêm yết. Shopper có thể trả mức thấp hơn do markdown (hạ mức giá niêm yết ban đầu), combo, voucher, loyalty point hoặc giảm giá riêng của từng retailer.

Nếu bỏ qua yếu tố này, bạn sẽ đánh giá sai tác động của price pack và chương trình khuyến mãi.

2) “Sell-out tăng → Sales làm tốt.”

Chưa chắc.

Sell-out tăng có thể đến từ việc:

• Retailer chạy markdown xả hàng gần date
• Retailer triển khai chương trình riêng
• Combo/giá sốc kéo lưu lượng tăng
• Sự thay đổi traffic của chuỗi

Nếu chỉ nhìn sell-out mà không đọc đúng bối cảnh, bạn rất dễ khen sai hoặc trách nhầm đội Sales.

Retailer Data là nguồn dữ liệu mạnh nhất để đọc thị trường, nhưng cũng đòi hỏi người làm Trade phải hiểu chính xác cách dữ liệu được hình thành. Chỉ khi làm được điều đó, bạn mới có thể đưa ra phân tích chặt chẽ và ra quyết định đúng.

5. Shopper Data – Dữ liệu hành vi và quyết định tại điểm bán

Shopper là người ra quyết định mua, và đôi khi không phải là người trực tiếp sử dụng sản phẩm.

Điều này có nghĩa là dữ liệu của Shopper phản ánh điểm rơi quyết định, khoảnh khắc mà họ chọn sản phẩm này thay vì sản phẩm khác. Đây là loại dữ liệu giúp Trade hiểu vì sao một sản phẩm được chọn, chứ không chỉ biết sản phẩm được bán ra bao nhiêu.

Shopper tạo ra những dạng dữ liệu nào?

• Thời điểm mua: theo giờ, theo ngày, theo dịp
• Tần suất mua và mức chi tiêu
• Lý do chọn hoặc lý do bỏ qua sản phẩm
• Ảnh hưởng của trưng bày, giá, khuyến mãi
• Tương tác với kệ: dừng lại bao lâu, chạm vào sản phẩm nào (qua heatmap/camera)
• Mức độ nhạy cảm giá (price sensitivity)

Đây là dữ liệu giúp bạn hiểu “khoảnh khắc sự thật” tại điểm bán, nơi Shopper quyết định có mua hay không.

Shopper Data trả lời cho những câu hỏi quan trọng:

• Vì sao Shopper chọn sản phẩm này mà không chọn sản phẩm khác?
• Tại sao conversion ở điểm bán cao hoặc thấp?
• Trưng bày hiện tại có đủ thu hút và đúng nhóm mục tiêu không?
• Giá và khuyến mãi ảnh hưởng đến quyết định mua như thế nào?

Retailer Data cho bạn biết “cái gì đã được mua”, còn Shopper Data cho bạn biết “tại sao nó được mua”.

Nhầm lẫn phổ biến cần tránh:

1) Ngộ nhận Shopper Insight = thị trường bán lẻ.

Không chính xác. Shopper Data chỉ phản ánh hành vi tại điểm bán, cách họ nhìn, chọn, so sánh và quyết định chứ không nói gì về vận hành, logistics hay phân phối.

2) Ngộ nhận Shopper = Consumer.

Hai đối tượng này có thể hoàn toàn khác nhau:

• Shopper mua sữa, nhưng Consumer là đứa trẻ uống sữa.
• Shopper mua dầu gội, nhưng Consumer là cả gia đình sử dụng.

Nhầm lẫn hai vai trò này sẽ dẫn đến phân tích sai insight và xây dựng sai giải pháp thương mại.

Shopper Data là lớp dữ liệu giúp Trade “nhìn vào trong đầu” người mua ngay tại kệ hàng. Nó không thay thế sell-out hay dữ liệu thực thi, nhưng là chìa khóa để tạo ra những chương trình thương mại hiệu quả và đúng điểm chạm quyết định.

6. Consumer Data – Dữ liệu trải nghiệm sau mua

Consumer là người trực tiếp sử dụng sản phẩm. Dữ liệu của Consumer vì thế phản ánh trải nghiệm thật, chứ không phản ánh điều kiện bán hàng hay quyết định tại điểm bán. Đây là lớp dữ liệu quan trọng đối với sản phẩm và thương hiệu, vì nó cho bạn biết người dùng có hài lòng hay không và khả năng họ quay lại mua lần sau.

Consumer tạo ra những dữ liệu nào?

• Mức độ hài lòng sau khi sử dụng
• Review, rating trên sàn thương mại điện tử hoặc mạng xã hội
• Hành vi mua lại, mức độ trung thành
• Word-of-mouth: họ có giới thiệu cho người khác không?
• Phản hồi về chất lượng sản phẩm, bao bì, công dụng

Đây là những “tín hiệu dài hạn” về sức khỏe thương hiệu, khác hoàn toàn với dữ liệu bán hàng hay thực thi.

Consumer Data được dùng để trả lời:

• Sản phẩm có đáp ứng mong đợi của người dùng không?
• Cần cải tiến điều gì về công thức, bao bì, trải nghiệm?
• Điểm NPS (Net Promoter Score) đang tăng hay giảm?
• Người dùng cảm nhận thương hiệu ra sao so với đối thủ?

Dữ liệu Consumer đặc biệt hữu ích cho đội ngũ Brand, R&D, Innovation và Category.

Nhầm lẫn phổ biến:

Dùng dữ liệu Consumer để đánh giá Trade Performance.

Đây là nhầm lẫn rất nhiều doanh nghiệp gặp phải.

Consumer Data cho biết sản phẩm tốt hay không, nhưng không cho biết:

• kệ có đủ hàng không,
• trưng bày có đúng chuẩn không,
• chương trình có được kích hoạt đúng hay không,
• độ phủ phân phối có ổn không.

Nói cách khác, Consumer Data giải thích trải nghiệm sản phẩm, không giải thích thực thi thương mại.

7. Sales Force Data – Dữ liệu thực thi tại điểm bán

Sales Force là lực lượng đảm bảo mọi kế hoạch thương mại được triển khai đúng tại điểm bán. Đây là nguồn dữ liệu phản ánh thực trạng vận hành ngoài thị trường, cho biết cửa hàng có được phục vụ đúng, trưng bày có đúng chuẩn, và đội Sales có làm tròn trách nhiệm hay không.

Sales tạo ra những dữ liệu nào?

• Visit compliance: SR (Sales Representative) có đi tuyến đúng tần suất không
• Hình ảnh trưng bày, POSM tại điểm bán
• Kiểm tra giá bán thực tế
• OSA/OOS tại kệ
• Đơn hàng trực tiếp từ điểm bán
• Thông tin về chương trình hoặc hoạt động của đối thủ

Đây là dữ liệu giúp doanh nghiệp nhìn thấy “mặt đất”, những gì đang diễn ra ngay tại cửa hàng.

Sales Force Data dùng để trả lời:

• Kệ trưng bày có đạt chuẩn chưa?
• SR có ghé thăm đúng lịch không?
• Điểm bán thiếu hàng là do supply hay do không lên đơn?
• Chương trình khuyến mãi có được triển khai đúng và đủ?
• Có điều chỉnh gì về tuyến bán hoặc kế hoạch thực thi?

Những câu hỏi này không thể được trả lời bằng POS hay DMS.

Nhầm lẫn phổ biến:

Dùng dữ liệu Sales để kết luận Shopper mua gì.

Đây là sai lệch thường gặp.

Sales Data phản ánh thực thi không phản ánh hành vi mua.

• Hình ảnh trưng bày đẹp không đảm bảo shopper sẽ mua.
• Visit compliance cao không đồng nghĩa sell-out tốt.
• SR lên đơn đầy đủ không nói lên conversion của shopper.

Sales Data cho bạn biết cửa hàng có được phục vụ tốt không, nhưng không cho biết shopper đã quyết định mua như thế nào.

8. Dùng loại dữ liệu nào cho câu hỏi nào?

Khi đã hiểu rõ từng loại dữ liệu và vai trò của chúng, bước tiếp theo của một Trade Marketer là biết ghép chúng vào đúng câu hỏi. Mỗi câu hỏi thương mại chỉ có thể được trả lời chính xác nếu bạn sử dụng đúng loại dữ liệu phù hợp với bản chất của câu hỏi đó.

Bảng dưới đây giúp bạn nhìn rõ mối liên hệ giữa câu hỏi, nguồn dữ liệu chính xác và nguồn dữ liệu dễ gây hiểu nhầm:

Nếu nhìn kỹ, bạn sẽ thấy mỗi nguồn dữ liệu trả lời một góc hoàn toàn khác nhau:

• DMS cho bạn biết khả năng phân phối.
• POS cho bạn biết thị trường hấp thụ bao nhiêu.
• Shopper Insight giải thích vì sao shopper mua hoặc không mua.
• Consumer Feedback cho biết người dùng có hài lòng không.
• Sales Execution cho biết kệ hàng ngoài thị trường đang được thực thi thế nào.

Tóm lại, công thức vàng để đọc đúng dữ liệu thương mại là:

DMS để hiểu phân phối – POS để hiểu thị trường – Shopper để hiểu quyết định mua – Consumer để hiểu trải nghiệm – Sales để hiểu thực thi.

Một khi bạn nắm rõ “dữ liệu nào trả lời câu hỏi nào”, việc phân tích sẽ trở nên mạch lạc và logic hơn rất nhiều.

9. Kết luận: Phân tích đúng bắt đầu từ hiểu rõ nguồn dữ liệu

Nếu chỉ giữ lại một thông điệp từ toàn bộ bài viết này, thì đó chính là:

Dữ liệu không nói dối. Nhưng dùng sai dữ liệu cho sai câu hỏi thì kết luận của bạn sẽ sai từ gốc.

Trade Marketing là chức năng nằm giữa nhiều bên bao gồm sales, distributor, retailer, shopper và consumer. Vì vậy, nếu không phân biệt được dữ liệu của ai phản ánh điều gì, bạn sẽ dễ quy trách nhiệm sai, hiểu sai nguyên nhân và bỏ lỡ những cơ hội thương mại quan trọng.

Ngược lại, khi bạn đọc đúng nguồn dữ liệu:

• bạn nắm rõ thị trường đang dịch chuyển như thế nào,
• bạn đánh giá đúng hiệu quả của từng chương trình Trade,
• bạn phân bổ ngân sách hợp lý và có cơ sở,
• và bạn trở thành người đưa ra quyết định dựa trên sự thật thay vì cảm tính.

Đó chính là nền tảng của một Trade Marketer thông minh, trưởng thành và bền vững người hiểu dữ liệu từ gốc và dùng dữ liệu đúng mục đích để tạo tăng trưởng thực sự.

Khóa học “Phân Tích Dữ Liệu Thương Mại dành cho Trade Marketing” của CASK

Nếu bạn muốn tiến xa hơn trong Trade Marketing, phân tích dữ liệu không còn là kỹ năng “nice to have” mà là nền tảng bắt buộc. Hiểu đúng sell-in, sell-out, ND/WD, OOS, shopper insight hay POS data sẽ giúp bạn ra quyết định chắc chắn hơn, nói chuyện với Sales tự tin hơn và quản lý ngân sách thương mại hiệu quả hơn.

Khóa học “Phân Tích Dữ Liệu Thương Mại dành cho Trade Marketing” của CASK được thiết kế dựa trên các tình huống thực tế của thị trường, giúp bạn:

• Nắm rõ bản chất và nguồn gốc của từng loại dữ liệu thương mại
• Đọc đúng & phân tích đúng các KPI quan trọng của Trade
• Hiểu cách kết nối sell-in, sell-out, distribution, execution thành một bức tranh xuyên suốt
• Tránh các sai lầm thường gặp khi đọc dữ liệu
• Ứng dụng phân tích vào quyết định phân bổ ngân sách, khuyến mãi, trưng bày và phát triển danh mục

Khóa học phù hợp cho Trade Marketing, Key Account, Sales Capability, Category Development, Brand, Data Analyst, hoặc bất kỳ ai đang muốn nâng cấp năng lực phân tích dữ liệu để làm việc hiệu quả hơn trong hệ thống thương mại.

Nếu bạn muốn thăng tiến trong Trade Marketing, hãy để dữ liệu là điểm mạnh chứ không phải điểm yếu và hãy bắt đầu bằng việc học đúng nền tảng.