Trong công việc thương mại, chúng ta đều quen với việc nhìn rất nhiều số liệu từ sell-in, sell-out, ND, WD, đến tồn kho và OOS. Nhưng dù ai cũng “có số”, không phải lúc nào mọi người cũng hiểu giống nhau. Một con số biến động có thể dẫn đến ba cách diễn giải khác nhau giữa Sales, Trade và Marketing. Lý do rất đơn giản là do dữ liệu chưa bao giờ đi thẳng từ hệ thống đến biểu đồ. Nó phải đi qua một hành trình nhiều bước, và ở mỗi bước, nếu không hiểu rõ, chúng ta dễ rơi vào bẫy diễn giải sai hoặc ra quyết định sai.

Bài viết này giúp bạn - người làm Trade, Sales hay Category nắm được quy trình dữ liệu một cách rõ ràng nhất: từ khi dữ liệu được thu thập, làm sạch, tính toán chỉ số, trực quan hóa, cho đến khi nó trở thành insight để ra quyết định thương mại.

Hiểu được quy trình này, bạn không chỉ đọc số dễ hơn, mà còn biết chính xác mình đang nhìn vào “đoạn nào” của dữ liệu và điều đó có ý nghĩa gì.

1. Thu thập dữ liệu (Capture): Nguồn gốc của mọi con số bạn đang dùng

Trong Trade Marketing, dữ liệu không phải xuất hiện khi bạn mở dashboard. Nó được tạo ra từ hàng trăm hoạt động mỗi ngày ngoài thị trường như Sales đặt hàng, NPP nhận hàng, cửa hàng quét mã tại quầy, shopper mua hàng, promoter upload hình ảnh trưng bày… Những hoạt động nhỏ lẻ này chính là nền tảng của mọi báo cáo thương mại.

Các nguồn dữ liệu thường gặp gồm:

• DMS: ghi nhận sell-in, tồn kho NPP, tuyến bán hàng.
• POS/ePOS: thể hiện sell-out thật và hành vi mua của shopper.
• CRM: thông tin khách hàng, tần suất, loyalty.
• Sales App/Audit: trưng bày, OOS, giá, hình ảnh thực thi.

Dữ liệu ở giai đoạn này thường thô, không đồng nhất, đôi khi sai và điều đó hoàn toàn bình thường. Thu thập chỉ là khởi đầu; độ chính xác sẽ được xử lý ở các bước sau.

Việc hiểu nguồn dữ liệu giúp bạn biết mình đang nhìn phần nào của bức tranh, là sell-in hay sell-out, hành vi shopper hay chất lượng trưng bày từ đó tránh hiểu nhầm không đáng có.

Vì sao dữ liệu thương mại quan trọng? - Góc nhìn Trade Marketing

2. Làm sạch dữ liệu (Clean): Bước quyết định 70% độ chính xác của mọi phân tích

Nếu thu thập là “gom nguyên liệu”, thì làm sạch chính là “sơ chế”. Không ai đem nguyên liệu chưa rửa sạch để nấu ăn, dữ liệu cũng vậy.

Ở bước này, dữ liệu được:

• Chuẩn hóa tên sản phẩm để tránh 1 SKU thành 3 SKU khác nhau.
• Loại bỏ giá trị bất thường: số lượng âm, giá 0đ, invoice trùng.
• Kiểm tra logic thời gian, logic tồn kho.
• Map Category → Brand → Variant → SKU đúng chuẩn.

Đây là bước vừa thầm lặng vừa quan trọng. Sai ở Clean thì sai ở tất cả các bước phía sau, nhưng kết quả nhìn vẫn “đẹp”, dễ khiến người xem chủ quan.

Hiểu bước Clean giúp bạn đặt câu hỏi đúng khi đọc số:

• ND (Numeric Distribution) giảm là thật hay do thiếu mapping điểm bán?
• VPO (Volume Per Outlet) thấp vì thị trường yếu hay do dữ liệu lỗi?

Dữ liệu không sạch thì insight không bao giờ đúng.

3. Tính toán & dựng chỉ số (Model): Khi dữ liệu bắt đầu mang hình hài thương mại

Sau khi dữ liệu đã sạch, nó vẫn chỉ là những con số rời rạc. Ở bước Model, dữ liệu được “định nghĩa lại” thành dạng mà nghề Trade có thể đọc được.

Đây là lúc xuất hiện các chỉ số quen thuộc:

• NSV (Net Sales Value) – doanh thu ròng.
• ND (Numeric Distribution) – bao nhiêu điểm bán có bán hàng?
• WD (Weighted Distribution) – chất lượng điểm bán.
• VPO (Value per Outlet) – sức mua của từng cửa hàng.
• Frequency – cửa hàng mua bao nhiêu lần trong kỳ.
• Category Tree – cấu trúc ngành hàng.

Những chỉ số này không tự có; chúng được tính toán dựa trên nhiều bảng dữ liệu kết hợp với logic ngành. Đây là lý do một file raw data 20 cột có thể biến thành dashboard với 30 KPI.

Khi hiểu bước Model, bạn đọc số không chỉ để “xem”, mà để hiểu:

• Mức tăng trưởng này đến từ ND, từ VPO hay từ giá?
• WD thấp có nghĩa là gì trong bối cảnh ngành?
• SKU nào đang kéo category, SKU nào đang kéo lùi?

Model biến dữ liệu thành ngôn ngữ chung của doanh nghiệp.

Năm lớp dữ liệu thương mại người làm Trade Marketing cần đọc đúng, tìm hiểu ngay

4. Trực quan dữ liệu (Visualize): Khi dữ liệu trở nên dễ đọc và dễ trao đổi

Ngay cả khi chỉ số đã được tính, dữ liệu vẫn khó đọc nếu ở dạng bảng. Đây là lý do visualization (trực quan hóa) rất quan trọng, bởi nó giúp người xem hiểu được bức tranh trong vài giây, thay vì lướt 300 dòng Excel.

Trực quan hóa tốt sẽ giúp bạn:

• Thấy xu hướng ND, WD rõ ràng thay vì phải lọc ngày.
• Nhìn cơ cấu SKU một cách trực quan.
• Nhận diện lỗ hổng vùng/kênh qua heatmap.
• Phát hiện bất thường ngay lập tức (ví dụ: VPO tăng đột biến ở một vùng).

Nhưng quan trọng hơn, visualization giúp tạo sự thống nhất giữa các phòng ban. Khi tất cả nhìn vào cùng một hình, trao đổi và quyết định dễ dàng hơn nhiều so với tranh luận trên bảng raw data.

Dữ liệu chỉ thật sự “sống” khi nó có thể nói rõ ràng với người xem.

5. Diễn giải & tìm insight (Interpret): Nơi dữ liệu trở thành câu chuyện

Bạn có thể có dashboard đẹp, nhiều biểu đồ, nhiều tương tác nhưng insight chỉ xuất hiện khi có người biết cách đọc. Interpret chính là kỹ năng chuyển từ “thấy gì” → “vì sao như vậy” → “vậy nên làm gì”.

Một chuỗi diễn giải đúng nghĩa không chỉ dừng ở việc “nhìn thấy con số thay đổi”, mà phải hiểu bản chất đằng sau sự thay đổi đó và xác định được hành động phù hợp. Chẳng hạn:

Khi độ phủ (ND) tăng nhưng doanh thu trung bình trên mỗi điểm bán (VPO) lại giảm, điều này thường cho thấy việc mở rộng điểm bán đang diễn ra ở những cửa hàng có chất lượng thấp hoặc tiềm năng bán hàng hạn chế. Đây là tín hiệu để doanh nghiệp xem lại tiêu chí mở rộng, tránh tình trạng “tăng số lượng mà không tăng chất lượng”.

Hoặc khi sell-out tăng trưởng tốt nhưng tình trạng hết hàng (OOS) vẫn duy trì ở mức cao, điều đó phản ánh chương trình thương mại đang tạo hiệu ứng tốt, nhưng khâu bổ hàng chưa theo kịp nhu cầu thực tế. Trong trường hợp này, đội ngũ Trade và Sales cần phối hợp chặt chẽ hơn với nhà phân phối (NPP) để điều chỉnh kế hoạch dự trữ và bổ sung hàng hóa.

Một ví dụ khác: tỷ trọng bán của các SKU cao cấp (premium) tăng tại kênh CVS. Đây không chỉ là tín hiệu bán hàng tích cực mà còn cho thấy sự dịch chuyển rõ rệt trong hành vi mua sắm của shopper tại kênh tiện lợi. Điều doanh nghiệp cần làm lúc này là xem xét mở rộng danh mục sản phẩm bắt buộc (MSL) cho kênh này và tăng cường đầu tư vào trưng bày để tận dụng tối đa cơ hội tăng trưởng.

Interpret giúp bạn tránh các sai lầm thường gặp như:

• Đọc chỉ số mà không nhìn bối cảnh.
• Nhầm lẫn giữa sell-in và sell-out.
• Nhìn snapshot một tháng rồi kết luận sai xu hướng.

Insight không phải “nhìn chart và cảm thấy”. Insight là kết quả của tư duy logic + hiểu ngành + hiểu dữ liệu.

6. Ra quyết định (Decide): Đích đến cuối cùng của toàn bộ quy trình dữ liệu

Dữ liệu chỉ thật sự tạo ra giá trị khi nó được chuyển thành hành động cụ thể. Đó cũng là lý do mọi quy trình dữ liệu dù phức tạp đến đâu, phải đi đến điểm cuối cùng là một quyết định thương mại rõ ràng, khả thi và tạo được tác động lên thị trường.

Trong thực tế, phần lớn quyết định của Trade đều xuất phát từ việc đọc đúng dữ liệu. Ví dụ, doanh nghiệp có thể điều chỉnh MSL theo từng loại hình cửa hàng (RE) để vừa đảm bảo độ phủ, vừa tránh nhồi nhét danh mục không phù hợp. Hoặc thay vì mở rộng độ phủ một cách dàn trải, dữ liệu giúp xác định vùng nào thật sự có tiềm năng để mở ND hiệu quả.

Dữ liệu cũng là cơ sở để tối ưu độ sâu và cơ chế của chương trình khuyến mãi, tránh trường hợp “đầu tư nhiều nhưng không tạo uplift”. Trong các giai đoạn chiến lược, doanh nghiệp có thể tập trung nguồn lực vào kênh đang đóng góp tăng trưởng thật, thay vì chia đều cho tất cả. Và ở chiều ngược lại, dữ liệu cũng cho thấy thời điểm cần cắt giảm những SKU đuôi không còn mang lại giá trị để giảm độ phức tạp trong vận hành.

Khi nhìn lại toàn bộ hành trình dữ liệu, bạn sẽ thấy mỗi quyết định đều là kết quả của một chuỗi xử lý: dữ liệu được thu thập, làm sạch, tính toán, trực quan hóa rồi phân tích. Không có quyết định nào đứng một mình.

Một quyết định thương mại tốt không phải là quyết định dựa trên cảm tính, mà là quyết định xuất phát từ dữ liệu sạch, chỉ số đúng, insight rõ ràng và bối cảnh đầy đủ. Chính những yếu tố này giúp doanh nghiệp hành động tự tin và nhất quán hơn trên thị trường.

Chuỗi giá trị thương mại và  Hành trình của Dữ liệu

7. Kết luận: Quy trình dữ liệu là năng lực bắt buộc của Trade Marketing hiện đại

Trong bối cảnh thị trường cạnh tranh gay gắt, ngân sách bị siết chặt và hành vi mua sắm thay đổi liên tục, trực giác không còn là điểm tựa đủ an toàn cho người làm Trade. Để vận hành hiệu quả, bạn cần hiểu rõ dữ liệu được hình thành ra sao, đâu là những điểm dễ sai lệch, và cách những biến động trong số liệu phản ánh logic ngành phía sau. Quan trọng hơn hết, mọi quyết định thương mại phải dựa trên sự thật được chứng minh bằng dữ liệu, chứ không phải cảm giác hay phỏng đoán.

Vì vậy, quy trình dữ liệu từ thu thập, làm sạch, tính toán, trực quan hóa đến diễn giải và ra quyết định không phải là công việc riêng của BI hay Data Team. Đây là năng lực cốt lõi của bất kỳ ai làm Trade Marketing, Category hay Sales trong FMCG.

Khi nắm vững quy trình này, bạn không chỉ đọc số tự tin hơn, mà còn có khả năng tranh luận sắc bén hơn, lập kế hoạch chính xác hơn và đưa ra quyết định thương mại với độ chắc chắn cao hơn. Nói cách khác, hiểu dữ liệu chính là cách để nâng cấp năng lực nghề nghiệp của chính mình trong một thị trường thay đổi không ngừng.

FAQ – Giải đáp nhanh một số câu hỏi thường gặp

• Dữ liệu Trade Marketing gồm những loại nào?
  • Sell-in, sell-out, tồn kho, trưng bày, OOS, audit, CRM.
• ND và WD khác nhau ra sao?
  • ND đo số điểm bán có bán sản phẩm; WD đo chất lượng điểm bán dựa trên doanh số.
• Tại sao làm sạch dữ liệu quan trọng?
  • Vì dữ liệu thô có lỗi. Không làm sạch dữ liệu có thể mọi phân tích sau đều sai.
• Trade Marketer có cần biết code?
  • Không. Nhưng phải hiểu logic dữ liệu để đặt câu hỏi đúng.

Nếu bạn muốn biến dữ liệu thương mại từ “mớ số liệu lộn xộn” thành insight rõ – đề xuất chiến lược – quyết định chính xác, khóa học Data-driven Trade Marketing Excellence tại CASK là lựa chọn phù hợp. Với phương pháp thực chiến, học viên sẽ được:

• Làm việc với dữ liệu thực tế,
• Xây KPI ngành hàng chuẩn,
• Đọc dashboard mạch lạc,
• Và áp dụng luôn trong công việc Trade / Sales / Category.

Hãy đăng ký khóa học ngay để nâng cấp tư duy Trade Data từ xử lý số liệu đến ra quyết định thương mại có chiều sâu.