Phân tích dữ liệu bán hàng cho Trade Marketer: 4 cấp độ, 6 phương pháp và quy trình 5 bước

Dữ liệu bán hàng thì công ty nào cũng có, hàng nghìn dòng đổ về mỗi tuần từ nhà phân phối, điểm bán, hệ thống DMS. Nhưng phần lớn nằm im trong file, ít ai biến được thành một quyết định. Người mới vào nghề Trade thường thấy ngợp: mở bảng số ra mà không biết nhìn đâu trước, hỏi gì tiếp. Phân tích dữ liệu bán hàng không phải năng khiếu bẩm sinh, nó là bộ khung học được: biết đọc chỉ số nào, phân tích ở cấp độ nào, dùng phương pháp gì cho câu hỏi gì. Bài này đi từ khái niệm tới quy trình 5 bước, đủ để bạn tự tin mở một file data và rút ra điều đáng nói.

1. Phân tích dữ liệu bán hàng là gì?

Phân tích dữ liệu bán hàng (sales data analysis) là quá trình thu thập, xử lý và diễn giải các số liệu về doanh số, sản phẩm, kênh và khách hàng để tìm ra nguyên nhân và cơ hội đằng sau con số. Với Trade Marketer, mọi phân tích tốt đều kết thúc bằng một quyết định: đẩy thêm hàng vào đâu, dừng chương trình nào, chỉnh trưng bày ở kênh nào. Phân tích không dẫn tới hành động chỉ là bài tập làm cho vui.

Ví dụ dễ hình dung: doanh số một vùng tụt hai tháng liền. Dừng ở con số tổng, bạn chỉ biết là giảm. Đào vào data thấy cả vùng vẫn ổn, riêng một SKU chủ lực rớt mạnh ở kênh siêu thị vì bị đứt hàng ba tuần. Từ một con số mờ, bạn ra được hành động rõ: làm việc với nhà phân phối để lấp hàng SKU đó tại kênh MT. Đó là khác biệt giữa nhìn số và phân tích số.

1.1 Lợi ích của việc phân tích dữ liệu bán hàng

Vì sao đáng bỏ công phân tích? Với Trade Marketer, dữ liệu bán hàng đọc đúng cách mang lại những lợi ích bám sát việc chạy thị trường:

• Phát hiện sớm vấn đề phân phối: nhận ra đứt hàng, tồn ảo, hay một kênh đang tụt trước khi nó ăn vào doanh số cả quý.
• Tối ưu ngân sách trade: biết đồng tiền trưng bày và khuyến mãi đang sinh lời ở đâu để dồn vào, cắt chỗ lãng phí.
• Đo đúng hiệu quả khuyến mãi: phân biệt chương trình tạo tăng trưởng thật với chương trình chỉ bán rẻ phần hàng vốn đã bán được.
• Ưu tiên đúng trọng tâm: nhận ra nhóm SKU và khách hàng đóng góp phần lớn doanh số để tập trung nguồn lực, thay vì dàn đều.
• Ra quyết định nhanh và có căn cứ: khi đề xuất với sếp hay đàm phán với nhà phân phối, một con số dẫn chứng thuyết phục hơn mọi cảm tính.

Điểm chung của cả năm lợi ích: chúng biến bạn từ người bị động chờ số thành người chủ động dùng số để dẫn dắt thị trường.

1.2 Vì sao Trade Marketer phải tự phân tích, không giao hết cho Sales/BI

Nhiều người mới nghĩ phân tích số là việc của phòng Sales hay bộ phận BI (Business Intelligence, đội chuyên xử lý dữ liệu). Nhưng Trade Marketer là người hiểu rõ nhất chuyện gì đang diễn ra tại điểm bán, nên đọc số qua lăng kính Trade sẽ ra insight mà người ngoài field không thấy. Một con số doanh số giảm, đội BI chỉ báo là giảm, còn bạn biết đặt câu hỏi đúng: giảm ở kênh nào, do đứt hàng hay do đối thủ khuyến mãi. Tự phân tích được giúp bạn chủ động đề xuất thay vì chờ người khác đưa số rồi mới phản ứng.

1.3 Phân biệt Reporting và Analysis (báo cáo ≠ phân tích)

Đây là lằn ranh nhiều người mới hay lẫn. Reporting (báo cáo) là trình bày chuyện đã xảy ra: doanh số tháng này bao nhiêu, tăng hay giảm so với tháng trước. Analysis (phân tích) đi xa hơn, trả lời vì sao và nên làm gì. Một dashboard đầy số vẫn chỉ là reporting nếu không ai rút ra được kết luận hành động. Người mới thường dừng ở reporting và tưởng mình đã phân tích. Ghi nhớ ranh giới này giúp bạn luôn hỏi thêm câu vậy thì sao sau mỗi con số.

2. Nguồn và chỉ số dữ liệu bán hàng cốt lõi

Trước khi phân tích, bạn cần biết số đến từ đâu và số nào đáng nhìn. Người mới hay chết chìm vì mở nhầm loại dữ liệu hoặc nhìn sai chỉ số. Ba mục dưới đây là nền tảng phải nắm:

2.1 Nguồn dữ liệu: Sell-in, Sell-out, DMS, POS, CRM

Dữ liệu bán hàng của một công ty FMCG đến từ nhiều hệ thống. Dưới đây là các nguồn phổ biến nhất mà Trade Marketer sẽ gặp:

• Sell-in: lượng hàng công ty bán cho nhà phân phối. Đây là số công ty kiểm soát trực tiếp và thường có sớm nhất.
• Sell-out: lượng hàng bán ra từ điểm bán tới người mua cuối. Số này phản ánh nhu cầu thật của thị trường.
• DMS (Distributor Management System): hệ thống quản lý nhà phân phối, lưu đơn hàng, tồn kho và độ phủ.
• POS / ePOS (Point of Sale): dữ liệu từ máy tính tiền tại điểm bán, chính xác tới từng SKU và thời điểm.
• CRM: hệ thống quản lý quan hệ khách hàng, lưu thông tin và lịch sử giao dịch của khách.

Không phải lúc nào bạn cũng có đủ mọi nguồn. Biết mỗi nguồn nói lên điều gì giúp bạn chọn đúng số cho câu hỏi đang cần trả lời.

2.2 Sell-in vs Sell-out: khái niệm và cái bẫy phổ biến nhất

Đây là cặp khái niệm quan trọng nhất và cũng dễ bẫy nhất với người mới. Sell-in là hàng đi vào kênh, sell-out là hàng đi ra khỏi kênh tới người mua. Sai lầm kinh điển là nhìn sell-in tăng rồi tưởng thị trường đang khỏe, trong khi hàng chỉ đang nằm chất trong kho nhà phân phối mà chưa bán được ra, gọi là tồn ảo. Chỉ khi sell-out tăng thì nhu cầu thật mới tăng. CASK đã phân tích kỹ cái bẫy này trong bài Sell-in vs Sell-out trong quản trị thương mại, rất nên đọc kèm.

2.3 Bộ chỉ số cần đọc: Volume, GSV/NSV, Coverage, VPO, OSA/OOS

Trade Marketer không cần thuộc lòng hàng trăm chỉ số, nhưng nên đọc trôi một bộ cốt lõi. Nhóm theo ba loại cho dễ nhớ:

• Chỉ số doanh số: Volume (sản lượng), GSV (Gross Sales Value, doanh thu gộp), NSV (Net Sales Value, doanh thu thuần sau chiết khấu).
• Chỉ số phân phối: Coverage (độ phủ, tỷ lệ điểm bán có bán hàng của mình), VPO (Volume Per Outlet, sản lượng trung bình mỗi điểm bán).
• Chỉ số thực thi tại kệ: OSA (On-Shelf Availability, mức hàng có mặt trên kệ) và OOS (Out-of-Stock, mức hết hàng).

Đọc được bộ này, bạn đã đủ vốn để hiểu hầu hết báo cáo Trade cơ bản.

3. 4 cấp độ phân tích dữ liệu bán hàng Trade Marketer cần nắm

Cùng một tập dữ liệu có thể khai thác ở nhiều độ sâu khác nhau. Mô hình bốn cấp độ dưới đây, được Gartner và giới phân tích dùng rộng rãi, giúp bạn biết mình đang ở đâu và cần tiến tới đâu:

3.1 Descriptive: Chuyện gì đã xảy ra với doanh số?

Cấp một là mô tả (Descriptive), trả lời câu hỏi chuyện gì đã xảy ra. Đây là mức cơ bản nhất: doanh số tháng này bao nhiêu, kênh nào chiếm tỷ trọng lớn, SKU nào bán chạy. Hầu hết báo cáo hằng ngày dừng ở đây. Người mới nên thành thạo cấp này trước, vì mọi phân tích sâu hơn đều dựa trên bức tranh mô tả chính xác. Nếu con số mô tả đã sai thì mọi kết luận phía sau đều sai theo.

3.2 Diagnostic: Vì sao doanh số tăng hoặc giảm như vậy?

Cấp hai là chẩn đoán (Diagnostic), trả lời vì sao doanh số tăng hoặc giảm. Đây là lúc bạn đào xuống dưới con số tổng: doanh số một vùng giảm là do một kênh, một khách hàng lớn, hay một SKU cụ thể. Cấp này đòi hỏi kỹ năng bóc tách và so sánh, cũng là nơi Trade Marketer tạo ra giá trị rõ nhất. Phần lớn insight hữu ích nằm ở tầng chẩn đoán này.

3.3 Predictive: Doanh số tới đây sẽ ra sao?

Cấp ba là dự đoán (Predictive), trả lời doanh số tới đây sẽ ra sao. Dựa trên xu hướng quá khứ và các yếu tố đã biết, bạn ước lượng kết quả sắp tới, ví dụ dự báo sản lượng tháng sau hay dự đoán một chương trình sẽ tạo thêm bao nhiêu hàng bán ra. Cấp này cần dữ liệu đủ dài và ổn định. Với người mới, chưa cần mô hình phức tạp, chỉ cần biết dùng xu hướng để ước lượng hợp lý là đã có ích.

3.4 Prescriptive: Nên hành động gì tiếp theo?

Cấp bốn là đề xuất (Prescriptive), trả lời vậy nên làm gì tiếp theo. Đây là đích đến của mọi phân tích: từ hiểu chuyện đã xảy ra, vì sao và sắp tới thế nào. Bạn đưa ra khuyến nghị hành động cụ thể, ví dụ tăng ngân sách trưng bày cho kênh đang lên hay dừng một chương trình không hiệu quả. Cấp này kết hợp cả số liệu lẫn hiểu biết field, và là thứ khiến đề xuất của bạn được lãnh đạo lắng nghe.

4. 6 phương pháp phân tích dữ liệu bán hàng hiệu quả

Bốn cấp độ trên cho biết phân tích sâu tới đâu, còn phương pháp là cách bạn thực sự làm. Dưới đây là sáu phương pháp thông dụng nhất với Trade Marketer. Xem bảng so sánh nhanh để chọn đúng công cụ cho câu hỏi của mình, rồi đọc chi tiết từng phương pháp bên dưới:

4.1 Phân tích xu hướng (Trend analysis)

Phân tích xu hướng nhìn một chỉ số thay đổi thế nào theo thời gian, thường bằng biểu đồ đường. Nó giúp bạn thấy doanh số đang lên, đi ngang hay xuống hay do tính mùa vụ. Với người mới, đây là phương pháp dễ bắt đầu nhất: chỉ cần vẽ sản lượng theo tháng là đã thấy được nhiều điều. Nhớ so với cùng kỳ năm trước để tránh nhầm biến động mùa vụ với biến động thật.

4.2 Phân tích so sánh (vùng, kênh, SKU, target)

Phân tích so sánh đặt các nhóm cạnh nhau để tìm chỗ bất thường: vùng này so vùng kia, kênh MT so kênh GT, SKU chủ lực so SKU phụ, hoặc thực tế so với mục tiêu (target). Đây là cách nhanh nhất để khoanh vùng vấn đề. Khi một con số tổng giảm, so sánh giúp bạn chỉ ra chính xác phần nào đang kéo tụt. Nguyên tắc là luôn so trên cùng một cơ sở, tránh so hai thứ khác bản chất.

4.3 Phân rã doanh thu theo cây driver (Logic Tree)

Phân rã doanh thu bằng cây driver (Logic Tree) là chẻ một con số lớn thành các thành phần tạo ra nó. Ví dụ doanh số bằng số điểm bán nhân sản lượng mỗi điểm; sản lượng mỗi điểm lại tách tiếp thành số lần mua và lượng mỗi lần. Đi theo cây, bạn tìm được đúng nhánh đang có vấn đề thay vì đoán mò. Đây là phương pháp mạnh nhất để trả lời câu hỏi vì sao, và là kỹ năng lõi được dạy kỹ trong Khóa học Data-Driven Trade Marketing.

4.4 Phân tích dòng chảy Sell-in tới Sell-out

Phân tích dòng chảy sell-in tới sell-out theo dõi hàng đi từ công ty vào kênh rồi ra tới người mua. Khi sell-in cao nhưng sell-out thấp, kho đang phình lên và sớm muộn sẽ tắc, đó là tồn ảo. Ngược lại sell-out cao hơn sell-in kéo dài báo hiệu nguy cơ đứt hàng. Phương pháp này đặc trưng cho Trade và giúp bạn phát hiện sớm rủi ro mà chỉ nhìn một trong hai con số sẽ bỏ lỡ.

4.5 Phân khúc và Pareto (ABC, 80/20)

Phân khúc chia dữ liệu thành nhóm để thấy đâu là phần quan trọng. Công cụ quen thuộc là nguyên lý Pareto hay quy tắc 80/20: thường một phần nhỏ SKU hoặc khách hàng tạo ra phần lớn doanh số. Xếp hạng ABC giúp bạn biết nên dồn nguồn lực vào nhóm A đóng góp nhiều nhất, thay vì dàn đều. Với người mới, đây là phương pháp giúp ưu tiên đúng chỗ khi thời gian và ngân sách có hạn.

4.6 Phân tích hiệu quả khuyến mãi (uplift, incremental volume, ROI)

Phân tích hiệu quả khuyến mãi đo một chương trình có thực sự đáng tiền không. Ba khái niệm cần biết: uplift (mức doanh số tăng thêm trong thời gian chạy), incremental volume (phần sản lượng tăng thêm thực sự nhờ khuyến mãi, sau khi trừ phần đằng nào cũng bán được), và ROI (lợi nhuận thu về so với chi phí bỏ ra). Nhiều chương trình nhìn có vẻ tăng doanh số nhưng thực chất chỉ bán rẻ phần hàng vốn đã bán được. Đo đúng ba chỉ số này giúp bạn phân biệt khuyến mãi tạo tăng trưởng thật với khuyến mãi đốt tiền.

5. Quy trình 5 bước phân tích dữ liệu bán hàng

Biết chỉ số, cấp độ và phương pháp rồi, bạn cần một trình tự để không bị rối khi ngồi trước file data. Năm bước dưới đây là quy trình dùng được cho hầu hết bài phân tích bán hàng:

5.1 Xác định câu hỏi kinh doanh trước khi mở data

Bước một, và quan trọng nhất, là biết mình đang trả lời câu hỏi gì trước khi mở dữ liệu. Người mới hay lao vào bảng số rồi loay hoay không biết tìm gì. Một câu hỏi rõ như vì sao doanh số kênh GT vùng miền Tây giảm trong tháng 6 sẽ định hướng toàn bộ phần còn lại. Không có câu hỏi, bạn sẽ chỉ ngắm số mà không đi tới đâu.

5.2 Thu thập và làm sạch dữ liệu

Bước hai là gom đúng dữ liệu cần và làm sạch nó. Dữ liệu thực tế thường lỗi: trùng dòng, thiếu ô, sai đơn vị, tên SKU không đồng nhất. Bỏ qua bước làm sạch là nguyên nhân số một khiến kết luận sai. Với người mới, hãy tập thói quen kiểm tra tổng số và vài dòng mẫu trước khi tin vào cả bảng.

5.3 Chọn đúng cấp độ và phương pháp phân tích

Bước ba là chọn đúng độ sâu và công cụ cho câu hỏi. Nếu chỉ cần biết chuyện gì đã xảy ra, phân tích mô tả với biểu đồ xu hướng là đủ. Nếu cần biết vì sao, dùng phân rã Logic Tree và so sánh. Chọn sai phương pháp khiến bạn tốn công mà không chạm được câu hỏi. Bảng so sánh ở phần trên là chỗ để tra nhanh.

5.4 Tìm nguyên nhân gốc rễ (root cause)

Bước bốn là đào tới gốc thay vì dừng ở hiện tượng. Doanh số giảm là hiện tượng; nguyên nhân có thể là đứt hàng, đối thủ khuyến mãi, mất một khách lớn, hay trưng bày tụt. Hỏi vì sao nhiều lần cho tới khi chạm nguyên nhân có thể hành động được. Chỉ khi đúng gốc, đề xuất mới trúng bệnh thay vì chữa triệu chứng.

5.5 Chuyển insight thành hành động và trình bày (SCQA data storytelling)

Bước năm là biến phát hiện thành đề xuất và trình bày sao cho người nghe hiểu nhanh. Một insight hay vẫn vô dụng nếu sếp không hiểu hoặc không tin. Khung phổ biến để dẫn dắt báo cáo là SCQA (Situation, Complication, Question, Answer), giúp câu chuyện có mạch. CASK có hướng dẫn riêng về SCQA trong data storytelling cho báo cáo Trade. Kết thúc mỗi phân tích bằng một đề xuất rõ ràng, có hành động, người chịu trách nhiệm và mốc thời gian.

6. Những sai lầm thường gặp khi phân tích dữ liệu bán hàng

6.1 Chỉ nhìn Sell-in, bỏ quên Sell-out

Sai lầm hay gặp nhất là chỉ nhìn sell-in rồi kết luận thị trường khỏe. Sell-in tăng có thể chỉ là hàng dồn vào kho nhà phân phối chứ chưa bán được ra. Luôn đối chiếu với sell-out trước khi mừng. Nếu không có sell-out đầy đủ, ít nhất hãy kiểm tra tồn kho để đoán sức khỏe thật của thị trường.

6.2 Nhầm tương quan với nhân quả

Hai chỉ số cùng tăng không có nghĩa cái này gây ra cái kia. Doanh số tăng đúng lúc chạy khuyến mãi chưa chắc do khuyến mãi, có thể do mùa vụ hoặc một khách lớn nhập hàng. Người phân tích cẩn thận luôn tự hỏi còn yếu tố nào khác có thể giải thích, trước khi gán nguyên nhân. Nhầm lẫn này dẫn tới quyết định sai rất tốn kém.

6.3 Dừng ở báo cáo, không ra quyết định

Nhiều người dừng lại khi đã có một bảng số đẹp và tưởng đã xong, nhưng báo cáo chưa phải phân tích. Nếu bảng của bạn không dẫn tới một kết luận hay đề xuất nào, nó chưa tạo ra giá trị. Hãy luôn thêm phần vậy thì sao vào cuối mỗi báo cáo, kèm một hành động cụ thể.

6.4 Bỏ số liệu khỏi bối cảnh field

Con số không có bối cảnh dễ bị đọc sai. Một điểm bán doanh số giảm mạnh, nhìn số thì đáng lo, nhưng ra field mới biết cửa hàng đang sửa chữa nên tạm nghỉ. Trade Marketer có lợi thế là hiểu field, nên đừng phân tích chay trên Excel mà quên đối chiếu với thực tế điểm bán. Số liệu và quan sát field bổ sung cho nhau.

Câu hỏi thường gặp

Phân tích dữ liệu bán hàng cần công cụ gì?

Với người mới, Excel hoặc Google Sheets đã đủ cho phần lớn công việc: lọc, PivotTable, biểu đồ, hàm cơ bản. Khi dữ liệu lớn và cần báo cáo tự động, các công cụ như Power BI hay Google Looker Studio giúp dựng dashboard trực quan. Dữ liệu Trade thường đã nằm sẵn trong hệ thống DMS của công ty. Quan trọng hơn công cụ là tư duy đặt câu hỏi đúng, vì công cụ nào cũng chỉ hỗ trợ, không thay bạn suy nghĩ.

Người mới nên bắt đầu học phân tích dữ liệu bán hàng từ đâu?

Bắt đầu từ hai thứ nền: đọc trôi bộ chỉ số cơ bản (sell-in, sell-out, Volume, Coverage) và thành thạo Excel ở mức PivotTable cùng biểu đồ. Song song, tập thói quen luôn hỏi vì sao sau mỗi con số. Khi đã vững nền, học thêm cách phân rã doanh thu bằng Logic Tree, vì đó là kỹ năng tạo khác biệt lớn nhất. Đi field đều để hiểu số gắn với thực tế nào cũng quan trọng không kém.

Nên phân tích dữ liệu bán hàng theo tần suất nào?

Tùy mục đích và cấp độ. Theo dõi nhanh sức khỏe doanh số nên làm theo tuần để bắt vấn đề sớm. Phân tích sâu tìm nguyên nhân và điều chỉnh chương trình thường làm theo tháng. Đánh giá tổng thể và lập kế hoạch thì theo quý. Người mới nên bám nhịp tuần và tháng trước, vừa đủ để rèn phản xạ mà không ngợp.

Kết luận

Phân tích dữ liệu bán hàng không phải tài năng bẩm sinh mà là bộ khung học được: nắm nguồn và chỉ số, phân tích qua bốn cấp độ, chọn đúng trong sáu phương pháp, và đi theo quy trình năm bước từ câu hỏi tới hành động. Người mới chỉ cần bắt đầu từ nền cơ bản rồi nâng dần độ sâu, quan trọng nhất là luôn kết thúc bằng một đề xuất hành động chứ không dừng ở báo cáo.

Nếu bạn muốn xây kỹ năng này một cách bài bản và đúng đặc thù ngành hàng, Khóa học Data-Driven Trade Marketing của CASK Academy do CASK Consulting & Training thiết kế là lộ trình giúp bạn đi từ đọc số tới ra quyết định nhanh và chắc hơn.