Bài 51 — Quantitative Survey Analysis — UX Research and User-Centered Design

Mở đầu — vì sao bài này quan trọng

Bạn vừa chạy một khảo sát, thu về 800 phản hồi. File Excel hiện ra trước mắt với hàng nghìn ô dữ liệu. Và rồi... bạn đứng hình. "Giờ mình làm gì với đống số này?"

Đây là khoảnh khắc mà rất nhiều UX researcher mới vào nghề gục ngã. Họ giỏi thiết kế câu hỏi, giỏi tuyển người tham gia, nhưng khi dữ liệu định lượng (quantitative data) đổ về thì lại không biết biến nó thành insight ra sao. Kết quả là một bản báo cáo chỉ toàn câu kiểu "70% người dùng thích tính năng A" — nghe thì oách nhưng thực chất rỗng tuếch, vì không ai biết con số đó đáng tin đến đâu, dữ liệu phân tán thế nào, hay liệu một nhóm nhỏ cực đoan có đang kéo lệch toàn bộ kết quả.

Phân tích khảo sát định lượng (quantitative survey analysis) là kỹ năng giúp bạn đọc được "câu chuyện" ẩn trong các con số. Nó không đòi hỏi bạn phải là nhà thống kê chuyên nghiệp. Ở cấp độ một UX researcher, bạn cần nắm vững thống kê mô tả (descriptive statistics) — bộ công cụ nền tảng để tóm tắt, mô tả và "đọc vị" một tập dữ liệu. Đây chính xác là trọng tâm của bài này: tần suất (frequency), các giá trị trung tâm (mean, median, mode), độ phân tán (standard deviation), và phân vị (quartiles).

Lưu ý: ở các bài sau bạn sẽ học phân tích nâng cao hơn (cohort, funnel, kiểm định giả thuyết suy luận). Còn bài này tập trung vào nền móng — và nếu nền móng yếu thì mọi phân tích phía trên đều sụp đổ.

Khái niệm cốt lõi

Thống kê mô tả trả lời một câu hỏi đơn giản: "Tập dữ liệu này trông như thế nào?" Nó gồm hai nhóm chỉ số chính — đo xu hướng trung tâm (dữ liệu tụ về đâu) và đo độ phân tán (dữ liệu trải rộng ra sao). Thiếu một trong hai, bức tranh sẽ méo mó.

Tần suất (Frequency) — đếm là bước đầu tiên

Frequency đơn giản là đếm số lần xuất hiện của mỗi giá trị. Với câu hỏi "Bạn dùng app giao đồ ăn nào nhiều nhất?", bảng tần suất cho biết: ShopeeFood 420 lượt, GrabFood 310 lượt, Baemin 70 lượt. Khi quy ra phần trăm, ta có relative frequency: 52,5% / 38,75% / 8,75%.

Đây là công cụ phù hợp nhất cho dữ liệu danh mục (categorical) — giới tính, thành phố, lựa chọn đáp án. Với loại dữ liệu này, bạn KHÔNG thể tính trung bình (cộng "Hà Nội" với "TP.HCM" rồi chia đôi là vô nghĩa). Tần suất và tỷ lệ phần trăm là tất cả những gì bạn có — và thường là đủ.

Mean, Median, Mode — ba cách "gom" dữ liệu về một điểm

Đây là ba thước đo xu hướng trung tâm, và sai lầm phổ biến nhất là dùng nhầm chúng cho nhau.

Mean (trung bình cộng): cộng tất cả rồi chia cho số lượng. Nhạy cảm với giá trị cực đoan (outlier). Phù hợp với dữ liệu khoảng/tỷ lệ phân bố tương đối cân đối.
Median (trung vị): giá trị nằm chính giữa khi sắp xếp dữ liệu từ nhỏ đến lớn. Không bị outlier kéo lệch. Là "người hùng" khi dữ liệu bị lệch (skewed).
Mode (yếu vị): giá trị xuất hiện nhiều nhất. Dùng được cho cả dữ liệu danh mục. Trả lời câu "đáp án phổ biến nhất là gì?"

Ví dụ minh họa nhanh: thời gian (giây) 5 người dùng hoàn thành một task: 8, 9, 10, 11, 62 (một người bị rối). Mean = 20 giây — nghe như app rất chậm. Nhưng median = 10 giây — phản ánh đúng trải nghiệm của đa số. Cùng một dữ liệu, hai con số kể hai câu chuyện trái ngược. Người làm research giỏi biết chọn con số kể đúng sự thật.

Standard Deviation — đo sự "đồng thuận"

Độ lệch chuẩn (standard deviation, viết tắt SD hoặc σ) cho biết dữ liệu trải rộng quanh giá trị trung bình bao nhiêu. SD nhỏ nghĩa là mọi người trả lời na ná nhau (đồng thuận cao); SD lớn nghĩa là ý kiến phân hóa mạnh.

Đây là chỉ số bị bỏ quên nhiều nhất nhưng lại cực kỳ giá trị. Hãy tưởng tượng hai tính năng cùng có điểm hài lòng trung bình 3,5/5:

Tính năng A: SD = 0,4 → ai cũng thấy "tạm ổn". An toàn nhưng nhạt.
Tính năng B: SD = 1,8 → một nửa người cho 5 điểm (mê), một nửa cho 1-2 điểm (ghét). Đây là tính năng gây tranh cãi (polarizing).

Cùng mean 3,5 nhưng hai chiến lược sản phẩm hoàn toàn khác nhau. Nếu chỉ báo cáo mean, bạn đã giấu mất insight quan trọng nhất.

Cách hiểu nhanh con số SD: với phân bố gần chuẩn (normal), khoảng 68% dữ liệu nằm trong khoảng mean ± 1 SD, và khoảng 95% nằm trong mean ± 2 SD.

Quartiles — chia dữ liệu thành bốn phần

Phân vị (quartiles) chia tập dữ liệu đã sắp xếp thành 4 phần bằng nhau:

Q1 (phân vị 25%): 25% giá trị nhỏ hơn nó.
Q2 (phân vị 50%): chính là median.
Q3 (phân vị 75%): 75% giá trị nhỏ hơn nó.
IQR (Interquartile Range) = Q3 − Q1: khoảng chứa 50% dữ liệu ở giữa.

Quartiles cực mạnh khi mô tả những dữ liệu lệch như thời gian hoàn thành task, thu nhập, số lần mở app. Ví dụ: thời gian onboarding có Q1 = 40 giây, median = 65 giây, Q3 = 180 giây. Khoảng cách lớn giữa median và Q3 hé lộ một "đuôi" người dùng vật lộn rất lâu — nhóm này thường là vàng cho việc tìm điểm đau (pain point). IQR cũng là công cụ chuẩn để phát hiện outlier: điểm nào nằm ngoài [Q1 − 1,5×IQR, Q3 + 1,5×IQR] đáng để xem xét riêng.

Tình huống thực tế

Ví dụ 1 — Baemin Việt Nam và cái bẫy của số trung bình

Một nhóm UX research giả định tại Baemin chạy khảo sát NPS-phụ về tốc độ giao hàng, hỏi người dùng đánh giá thời gian chờ thực tế trên thang điểm hài lòng 1–5. Mean toàn bộ là 3,8 — quản lý sản phẩm thở phào "ổn rồi".

Nhưng researcher tách dữ liệu theo thành phố và tính thêm SD:

TP.HCM: mean 4,2, SD 0,5 (đồng thuận, hài lòng).
Hà Nội: mean 4,0, SD 0,6.
Đà Nẵng: mean 2,9, SD 1,5.

Con số tổng 3,8 đã che giấu hoàn toàn việc Đà Nẵng vừa có điểm thấp vừa cực kỳ phân hóa (SD 1,5). Đào sâu, hóa ра ở Đà Nẵng có hai khung giờ: trưa giao nhanh (5 điểm), tối lễ hội tắc đường giao chậm (1 điểm), tạo ra phân bố lưỡng cực.

Bài học: Đừng bao giờ dừng ở mean tổng. Luôn cắt lát dữ liệu (segment) và xem SD. Một con số trung bình "ổn" có thể đang giấu một thị trường đang cháy.

Ví dụ 2 — Tiki và phân vị thời gian thanh toán

Tiki (giả định) muốn cải thiện luồng checkout. Họ đo thời gian từ "thêm vào giỏ" đến "đặt hàng thành công" của 2.000 đơn. Mean = 95 giây.

Nếu chỉ nhìn mean, đội ngũ sẽ kết luận "checkout khá nhanh". Nhưng researcher dựng bảng quartiles:

Q1 = 35 giây
Median (Q2) = 58 giây
Q3 = 110 giây
Phân vị 95% = 320 giây

Median 58 giây cho thấy đa số người dùng thực ra checkout NHANH hơn nhiều so với con số mean 95 — chứng tỏ mean bị một nhóm nhỏ kéo lên. Nhóm ở phân vị 95% (mất hơn 5 phút) chính là những người mắc kẹt: rối mã giảm giá, lỗi nhập địa chỉ, hết hàng giữa chừng. Tiki tập trung sửa đúng nhóm "đuôi dài" này, kéo phân vị 95% từ 320 xuống 180 giây — một cải thiện mà nếu chỉ theo dõi mean sẽ gần như không nhìn thấy.

Bài học: Với dữ liệu lệch (thời gian, tiền, số lần), median và quartiles kể câu chuyện trung thực hơn mean rất nhiều. Phân vị cao (90/95%) là nơi pain point nặng nhất ẩn náu.

Ví dụ 3 — Startup fintech và tính năng gây tranh cãi

Một startup ví điện tử ở TP.HCM khảo sát mức độ hài lòng với tính năng "chia hóa đơn nhóm" mới ra mắt. Mean = 3,5/5, SD = 1,7. Mode lại là... 5 (đáp án phổ biến nhất là điểm tuyệt đối).

Mean 3,5 trông tầm thường, nhưng SD 1,7 rất cao và mode = 5 là tín hiệu lạ. Lập bảng tần suất:

5 điểm: 38%
4 điểm: 12%
3 điểm: 8%
2 điểm: 14%
1 điểm: 28%

Đây là phân bố hình chữ U điển hình — sản phẩm phân cực. Nhóm yêu thích là người hay đi ăn nhóm; nhóm ghét là người dùng cá nhân thấy tính năng làm rối giao diện. Quyết định đúng không phải "bỏ tính năng vì điểm trung bình tầm thường", mà là cá nhân hóa: ẩn tính năng với nhóm dùng cá nhân, làm nổi bật với nhóm hay chia bill.

Bài học: Khi mean tầm thường nhưng SD cao và phân bố hình chữ U, đừng tính trung bình hóa quyết định. Hãy phân khúc và phục vụ từng nhóm.

Hướng dẫn từng bước

Bước 1 — Làm sạch dữ liệu (data cleaning). Trước khi tính bất cứ gì, loại bỏ phản hồi rác: người trả lquá nhanh (straight-lining — chọn cùng một đáp án cho mọi câu), giá trị bất khả thi (tuổi 200), ô trống. Dữ liệu bẩn làm hỏng mọi con số phía sau.

Bước 2 — Xác định loại biến. Với mỗi câu hỏi, hỏi: đây là dữ liệu danh mục (categorical), thứ bậc (ordinal), hay khoảng/tỷ lệ (interval/ratio)? Loại biến quyết định chỉ số nào hợp lệ. Danh mục → chỉ tần suất và mode. Khoảng/tỷ lệ → đầy đủ mean, median, SD, quartiles.

Bước 3 — Lập bảng tần suất cho mọi biến danh mục. Đếm và quy ra phần trăm. Đây là bức tranh tổng quan đầu tiên và thường lộ ngay điều bất thường.

Bước 4 — Tính bộ chỉ số trung tâm + phân tán cho biến số. Với mỗi biến định lượng, tính cùng lúc: mean, median, mode, SD, Q1, Q3. Trong Excel/Google Sheets dùng AVERAGE, MEDIAN, MODE, STDEV, QUARTILE. Đừng bao giờ báo cáo mean mà thiếu median và SD đi kèm.

Bước 5 — Vẽ phân bố. Một histogram đơn giản tiết lộ ngay dữ liệu lệch trái/phải hay hình chữ U mà các con số đơn lẻ không cho thấy. Box plot hiển thị trực quan quartiles và outlier.

Bước 6 — Phân khúc (segment). Cắt dữ liệu theo các nhóm có ý nghĩa (thành phố, độ tuổi, tân binh vs kỳ cựu) rồi tính lại bộ chỉ số. Insight giá trị nhất gần như luôn nằm ở chênh lệch giữa các phân khúc, không phải ở con số tổng.

Bước 7 — Diễn giải, không chỉ liệt kê. Mỗi con số phải gắn với một câu chuyện và một hành động đề xuất. "Median checkout 58s nhưng top 5% mất hơn 5 phút → cần điều tra luồng nhập địa chỉ."

Lỗi thường gặp & mẹo

Lỗi 1 — Chỉ báo cáo mean. Đây là tội phổ biến nhất. Mean một mình luôn nói dối nếu dữ liệu lệch. Luôn đi kèm median và SD.

Lỗi 2 — Tính mean cho thang Likert một cách máy móc. "Rất không đồng ý → Rất đồng ý" là dữ liệu thứ bậc (ordinal); khoảng cách giữa các mức không chắc bằng nhau. Nhiều nơi vẫn tính mean cho tiện, nhưng an toàn hơn là báo cáo cả phân bố tần suất (% top-2-box: tỷ lệ chọn 4 và 5).

Lỗi 3 — Bỏ qua outlier mà không kiểm tra. Đừng xóa outlier vô tội vạ, nhưng cũng đừng để chúng âm thầm kéo lệch mean. Hãy tách ra xem xét: outlier là lỗi nhập liệu hay là người dùng thật đang gặp vấn đề nghiêm trọng?

Lỗi 4 — So sánh phần trăm từ cỡ mẫu quá nhỏ. "60% người Cần Thơ ghét tính năng X" — nhưng Cần Thơ chỉ có 5 người trả lời (3 người). Phần trăm trên mẫu nhỏ gây ảo giác. Luôn ghi kèm n (số mẫu) bên cạnh mọi tỷ lệ.

Mẹo 1 — Quy tắc "3 con số": với mỗi biến số quan trọng, luôn trình bày bộ ba median + SD + n. Bộ ba này khó bị hiểu sai.

Mẹo 2 — Dùng median khi nghi ngờ. Nếu không chắc dữ liệu có lệch không, median luôn là lựa chọn an toàn hơn mean.

Mẹo 3 — Trực quan trước, kết luận sau. Vẽ histogram trước khi viết bất kỳ câu kết luận nào. Mắt người phát hiện phân bố lạ nhanh hơn bảng số.

Bài tập thực hành

Bạn có dữ liệu thời gian (giây) để 12 người dùng hoàn thành đăng ký tài khoản trên một app ngân hàng số Việt Nam:

22, 25, 28, 30, 31, 33, 35, 38, 40, 45, 52, 240

Tính mean và median. Giải thích vì sao hai con số chênh lệch và con số nào nên đưa vào báo cáo cho ban lãnh đạo.
Giá trị 240 có phải outlier không? Tính Q1, Q3, IQR và áp dụng quy tắc [Q1 − 1,5×IQR, Q3 + 1,5×IQR] để kiểm chứng.
Một đồng nghiệp viết: "Trung bình người dùng mất khoảng 47 giây để đăng ký." Hãy viết lại câu này cho trung thực và đầy đủ hơn (gợi ý: dùng median + đề cập nhóm đuôi dài).
Nâng cao: Khảo sát mức độ hài lòng (1–5) cho một tính năng có kết quả: mean = 3,4, SD = 1,6, mode = 5. Bạn suy luận gì về phân bố? Đề xuất một quyết định sản phẩm dựa trên suy luận đó.

Hãy tự làm trước khi đối chiếu: median ≈ 34 giây trong khi mean ≈ 48,3 giây — con số 240 (một người bị lỗi xác thực OTP) đã kéo mean lên gần 14 giây. Median mới là con số phản ánh đúng trải nghiệm đa số.

Tóm tắt

Thống kê mô tả là nền móng của phân tích khảo sát định lượng, gồm hai trụ cột: xu hướng trung tâm (mean, median, mode) và độ phân tán (standard deviation, quartiles).
Tần suất là công cụ chính cho dữ liệu danh mục; luôn quy ra phần trăm nhưng ghi kèm cỡ mẫu n.
Mean nhạy cảm với outlier và dễ nói dối khi dữ liệu lệch; median trung thực hơn trong hầu hết tình huống UX thực tế (thời gian, tiền, tần suất dùng).
Standard deviation tiết lộ mức độ đồng thuận — hai tính năng cùng mean nhưng khác SD đòi hỏi hai chiến lược hoàn toàn khác. Đây là chỉ số bị bỏ quên nhưng quý giá nhất.
Quartiles và IQR giúp mô tả dữ liệu lệch và phát hiện outlier; phân vị 90/95% là nơi pain point nặng nhất thường ẩn náu.
Quy tắc vàng: không bao giờ báo cáo mean đơn độc; luôn segment dữ liệu; trực quan hóa trước khi kết luận; và mỗi con số phải gắn với một hành động cụ thể.