Tình hình kinh tế nhiều biến động đã khiến nhiều doanh nghiệp gặp nhiều khó khăn trong việc sử dụng và phân bổ nguồn tài chính phù hợp. Lúc này, ứng dụng tư duy vận hành performance marketing gắn liền với ba yếu tố: mục tiêu, đo lường và tối ưu là giải pháp hợp lý để doanh nghiệp cân đối tài chính cho các hoạt động marketing. Đây cũng chính là ba yếu tố chính trong quy trình phân tích dữ liệu, hay còn gọi là data-driven marketing.


Vì vậy, trong bài viết này, PMAX sẽ giới thiệu mô hình RACE nhằm giúp doanh nghiệp ứng dụng tối đa data-driven marketing, và góp phần cân đối nguồn tài chính hợp lý khi triển khai các chiến dịch marketing.


Mô hình RACE bao gồm những gì?

Mô hình phân tích dữ liệu RACE


Mô hình phân tích dữ liệu RACE bao gồm các yếu tố sau:

  • R (Research): Đây là quy trình xem xét dữ liệu, báo cáo hoặc là quy trình khảo sát khách hàng mục tiêu và chuyên gia trong ngành để tìm ra cách đạt mục tiêu của doanh nghiệp. Ở bước này, việc thu thập, tổng hợp đầy đủ thông tin là quan trọng nhất để chuyển sang bước tiếp theo trong quy trình.
  • A (Assumption): Khi có đầy đủ thông tin, chúng ta cần đưa ra giả định. Giả định này có thể là nguyên nhân của vấn đề cần giải quyết, hoặc có thể là một phương pháp mới chưa được kiểm chứng ở các chiến dịch trước. Các giả định này nên hướng đến một đề xuất mới hoặc hoặc giải pháp cho vấn đề đang gặp phải.
  • C (Check): Đây là một bước không thể thiếu trong quy trình nhưng vẫn thường được dễ dàng bỏ qua. Khi nguồn lực tài chính, nhân lực là hữu hạn và nguồn giả định là vô hạn, chúng ta cần kiểm chứng, chứng minh các giả định được đặt ra trước đấy. Đây là giai đoạn giúp tiết kiệm chi phí và tăng tỷ lệ thành công của bước cuối cùng trong quy trình.
  • E (Experiment): Khi mọi thứ đã hoàn tất, chúng ta cần thử nghiệm trên phạm vi nhỏ để giảm thiểu rủi ro. Những đợt thử nghiệm này cần được chú ý và tính toán chính xác, cẩn thận, nhằm đảm bảo kết quả thu được từ quy mô nhỏ sẽ trở thành tiền đề chính xác cho đợt ứng dụng thực tiễn trên quy mô lớn.


Ứng dụng mô hình RACE như thế nào?

Dưới đây là cách ứng dụng cơ bản mô hình RACE vào performance marketing:

Ứng dụng mô hình RACE vào app UX/UI


Đây là một quy trình vay tiền cơ bản trên một ứng dụng điện thoại (app). Hiện vấn đề trong quy trình này là chi phí trên một lượt giải ngân đang quá cao. Để giải quyết vấn đề, mô hình RACE được áp dụng thực tế như sau:

  • R (Research): Khi nghiên cứu cơ bản về quy trình vay tiền, có thể nhận ra 70% người dùng đã ngừng sử dụng app tại bước hoàn thành xác minh tài chính. Tìm hiểu sâu hơn, vấn đề này xuất phát từ việc 60% người dùng gửi hình xác minh bị từ chối bởi hệ thống, 30% dừng quy trình vay tiền và 10% drop-off.
  • A (Assumption): Lúc này, một giả thuyết được đưa ra: Hệ thống bị lỗi nên những tấm hình xác minh bị từ chối, khiến cho người dùng tốn nhiều thời gian hơn tại bước này, vì vậy họ dừng quy trình vay tiền tại đây. Với giả thuyết này, chúng ta nên giải quyết bằng cách gửi kết quả này cho bộ phận sản phẩm để đơn giản hóa quy trình xử lý.
  • C (Check): Trước khi gửi yêu cầu đến team sản phẩm, chúng ta sẽ cần phải xem xét kỹ hơn về bộ dữ liệu hiện có. Bộ dữ liệu đang cho thấy số điện thoại của người dùng ở bước trước và bộ sưu tập hình bị từ chối. Từ đấy có thể thấy giả định phía trên thiếu chính xác, nên chúng ta sẽ đến giả thuyết tiếp theo, đó là: người dùng chụp ảnh sai với cách hệ thống xét duyệt và khi hỏi họ vì sao lại không làm tiếp thì họ bảo rằng là do không biết cách làm chứ chưa phải là do làm rồi và thấy quá phức tạp.
  • E (Experiment): Tới đây, chúng ta đã tìm ra nguyên nhân với tỷ lệ chính xác cao hơn. Lúc này, chúng ta có thể dùng 20% ngân sách và đưa khoảng 20% người dùng vào quy trình mới để thử nghiệm xem giả thuyết trên có đúng hay không.


Kết luận: Mô hình RACE có thể tạo nên hiệu quả như thế nào?

Chưa bàn đến tỷ lệ thành công của việc kiểm định, nhưng việc áp dụng mô hình RACE sẽ giúp chúng ta đưa ra câu trả lời có tỷ lệ thành công cao hơn. Chúng ta có thể hạn chế việc đưa ra các giải pháp chủ quan hoặc chỉ nhìn được bề nổi của dữ liệu mà không đào sâu vào nhiều tầng dữ liệu để rút ra quyết định sáng suốt hơn.


Bài viết được thực hiện bởi Khiêm Quách – Associate Media Director tại PMAX.