Phân tích Dữ liệu

Hướng dẫn đọc hiểu bản chất dữ liệu bán hàng thực tế: quy tắc phân biệt tiền tệ, giá bán, sản lượng hàng tặng, 6 bộ lọc làm sạch và từ điển 354 cột dữ liệu.

Hiểu Đúng Dữ Liệu Trước Khi Dự Báo: Một mô hình dự báo chỉ có thể đưa ra con số chính xác khi người làm dữ liệu và người làm kinh doanh hiểu thống nhất từng con số trong bảng dữ liệu. Chuyên mục này được chia thành các chủ đề riêng biệt, giải thích bằng ngôn ngữ thông thường từ nguyên tắc đọc số tiền, giá bán, sản lượng, cách lọc bỏ dữ liệu nhiễu cho đến từ điển tra cứu chi tiết từng cột dữ liệu.

1. Tầm Quan Trọng Của Việc Chuẩn Hóa Cách Đọc Và Làm Sạch Dữ Liệu Bán Hàng

Trong thực tế phân phối hàng tiêu dùng nhanh và thực phẩm đông lạnh Đại Thuận với hơn 470 mặt hàng kinh doanh chính và hơn 20.000 điểm bán lẻ, dữ liệu ghi nhận hàng ngày rất đa dạng. Nếu lấy thẳng số liệu thô để phân tích hoặc đưa vào mô hình dự báo mà không nắm rõ bản chất nghiệp vụ, chúng ta rất dễ gặp 3 sự nhầm lẫn lớn:

1. Nhầm lẫn về tiền tệ, giá bán và hàng tặng: Một mặt hàng vừa có giá niêm yết chung toàn công ty, vừa có bảng giá riêng cho từng kênh (siêu thị, tạp hóa, nhà hàng), lại có giá thỏa thuận thực tế trên từng đơn hàng và các khoản giảm giá khuyến mãi. Ngoài ra, trong đơn hàng thường có cả hàng bán thu tiền lẫn hàng khuyến mãi tặng kèm không thu tiền.
2. Nhầm lẫn giữa giao dịch bán hàng thật và bút toán sổ sách: Dữ liệu gốc từ hệ thống kế toán và phần mềm bán hàng lưu giữ cả các lần xuất vật phẩm quảng cáo (dù che, áo mưa, móc khóa), các dòng điều chỉnh tiền chiết khấu không kèm hàng hóa, hoặc số liệu tồn kho của hàng hỏng chờ tiêu hủy.
3. Nhầm lẫn khi cộng tổng số liệu từ nhiều cấp độ khác nhau: Bảng dữ liệu chi tiết được ghi nhận theo từng cửa hàng, từng sản phẩm vào từng ngày. Những thông tin ở phạm vi rộng hơn — như lượng hàng tồn của cả kho, số lần nhân viên ghé thăm cửa hàng trong ngày, hay chỉ tiêu doanh số cả tháng của nhà phân phối — sẽ lặp lại trên nhiều dòng mặt hàng. Nếu cộng dồn trực tiếp tất cả các dòng sẽ làm con số bị nhân lên gấp nhiều lần.

flowchart TD
    A["Bảng dữ liệu gốc từ Kho dữ liệu\n(354 cột thông tin giao dịch, tồn kho, giá & khuyến mãi)"] --> B["Chủ đề 1: Quy tắc Tiền tệ, Giá bán & Sản lượng\nPhân biệt trước/sau thuế, các loại bảng giá, chiết khấu & hàng tặng"]
    A --> C["Chủ đề 2: 6 Bộ lọc Làm sạch & Tinh gọn Cột\nLọc bỏ dữ liệu nhiễu theo 6 bước ưu tiên để tạo bảng 341 cột sạch"]
    A --> D["Chủ đề 3: Từ điển Chi tiết 354 Cột Dữ liệu\nTra cứu ý nghĩa và cách cộng tổng của toàn bộ 20 nhóm thông tin"]
    B & C & D --> E["Nền tảng dữ liệu chuẩn cho Phân tích & Dự báo nhu cầu"]

2. Danh Sách Các Bài Viết Theo Từng Chủ Đề Trọng Tâm

Để giúp người đọc dễ theo dõi và tập trung vào đúng vấn đề cần tìm hiểu, nội dung phân tích dữ liệu được tách thành 3 bài viết chuyên biệt dưới đây. Mỗi bài viết đều trình bày nguyên lý chung bằng từ ngữ thông thường trước, sau đó mới đi vào giải thích chi tiết từng cột dữ liệu:

3. Ứng Dụng Dữ Liệu Sạch Vào Phân Tích Hành Vi Mua Bán Thực Tế

Sau khi dữ liệu đã được làm sạch và thống nhất cách hiểu qua 3 chủ đề trên, tập dữ liệu chuẩn hóa được sử dụng trực tiếp để giải quyết 3 bài toán phân tích hành vi thị trường:

1. Quan sát nhịp bán hàng ở nhiều cấp độ tổng hợp: Theo dõi sự thay đổi của sức mua khi nhìn từ bức tranh toàn công ty, xuống từng kho hàng, từng hệ thống chuỗi siêu thị và đến từng cửa hàng cụ thể — qua đó phân biệt rõ nhóm mặt hàng tiêu thụ đều đặn mỗi ngày với nhóm mặt hàng mua ngắt quãng.
2. Phân nhóm danh mục mặt hàng theo đặc tính tiêu thụ: Thay vì chỉ xếp hạng sản lượng tiêu thụ cao thấp một cách cố định, dữ liệu sạch giúp phân loại sản phẩm theo nhịp độ đặt hàng, mức độ tập trung đơn vào nửa cuối tháng, mức độ nhạy cảm khi có chương trình giảm giá và quy luật tăng giảm theo mùa nắng nóng hoặc lễ Tết.
3. Phân nhóm điểm bán theo thói quen nhập hàng: Nhận diện rõ sự khác biệt giữa nhóm siêu thị hiện đại đặt hàng đều đặn theo lịch cố định, nhóm đại lý lớn thường gom đơn số lượng lớn vào cuối tháng để đạt mức thưởng chiết khấu, và nhóm tiệm tạp hóa nhỏ lẻ mua hàng theo từng đợt nhân viên thị trường ghé thăm.