Phân tích sản phẩm 2 — Chọn chỉ số đúng

Chỉ số sai thì tối ưu nhầm

Trong phân tích sản phẩm, câu hỏi "đo cái gì" quan trọng hơn "đo bằng công cụ nào". Một đội có dashboard đẹp nhưng chọn sai chỉ số sẽ tối ưu miệt mài về hướng sai: đẩy số đăng ký lên trong khi giá trị thực cho khách hàng đứng yên, khoe lượt tải app tăng gấp đôi trong khi số người thực sự dùng đứng im. Chỉ số là chiếc la bàn của cả tổ chức — la bàn lệch một độ, đi càng xa càng lạc.

Bài này đi sâu vào việc thiết kế hệ chỉ số: đặc điểm của một chỉ số tốt, phân biệt vanity metric với actionable metric, cách chọn và phân rã North Star Metric thành cây chỉ số điều khiển được, các họ chỉ số theo vòng đời sản phẩm, guardrail để không "được cái này mất cái kia", và những cái bẫy kinh điển như Goodhart's Law. Kết bài lấy bối cảnh một app ngân hàng số của NCB làm ví dụ xuyên suốt.

Nếu bạn cần nền tảng về metric/dimension và single source of truth, xem thêm BI 4 — Metric & KPI. Bài này bổ sung góc nhìn sản phẩm: chỉ số không chỉ để báo cáo mà để ra quyết định về sản phẩm.

Một chỉ số tốt có những đặc điểm gì?

Trước khi chọn chỉ số cụ thể, hãy thống nhất tiêu chí đánh giá. Một chỉ số tốt hội đủ năm đặc điểm sau:

Một mẹo kiểm tra nhanh: với mỗi chỉ số trên dashboard, hãy hỏi "nếu con số này tăng/giảm 20% tuần tới, tôi sẽ hành động gì?". Nếu câu trả lời là "không biết" hoặc "không làm gì", đó là ứng viên để loại bỏ.

Vanity metric vs actionable metric

Vanity metric (chỉ số phù phiếm) là những con số nhìn đẹp, thường chỉ tăng theo thời gian, nhưng không dẫn tới quyết định. Actionable metric (chỉ số hành động) gắn với hành vi thực và tỷ lệ chuẩn hoá.

• Tổng lượt tải app (vanity) → tỷ lệ tải xong rồi mở app lần đầu, tỷ lệ kích hoạt (actionable).
• Tổng số đăng ký (vanity) → số khách hoàn tất eKYC, số khách phát sinh giao dịch đầu tiên (actionable).
• Tổng số giao dịch từ khi ra mắt (vanity, chỉ tăng) → số giao dịch trung bình mỗi khách hoạt động/tháng (actionable).

Dấu hiệu nhận diện vanity metric: (1) là số tuyệt đối cộng dồn nên gần như luôn tăng, (2) không có mẫu số để chuẩn hoá, (3) không phân khúc được thành hành động. Nguyên tắc: ưu tiên tỷ lệ và chỉ số phái sinh hơn số tuyệt đối — tỷ lệ tự động điều chỉnh theo quy mô và bộc lộ chất lượng, không chỉ khối lượng.

North Star Metric: một con số dẫn đường

North Star Metric (NSM) là chỉ số duy nhất đại diện tốt nhất cho giá trị cốt lõi mà sản phẩm mang lại cho khách hàng, đồng thời tương quan chặt với giữ chân (retention) và doanh thu dài hạn. Nó không thay thế tất cả chỉ số khác — nó là điểm neo để cả tổ chức đồng thuận về "thành công nghĩa là gì".

Ba tiêu chí chọn NSM

1. Đại diện giá trị cốt lõi: khách hàng "aha" ở đâu thì NSM đo ở đó. NSM phải mô tả khoảnh khắc khách nhận được giá trị, không phải khoảnh khắc doanh nghiệp thu tiền.
2. Tương quan với retention & doanh thu dài hạn: một NSM tốt là leading indicator — khi nó tăng hôm nay, retention và doanh thu tháng sau tăng theo. Cần kiểm chứng tương quan này bằng dữ liệu, không chỉ tin cảm tính.
3. Đội có thể tác động: NSM phải phân rã được thành các đòn bẩy mà đội sản phẩm điều khiển được.

Ví dụ NSM theo ngành

Điểm chung: NSM luôn là hành vi × người dùng hoạt động, không phải tổng cộng dồn. "Có giá trị" nghĩa là loại bỏ giao dịch rác (0 đồng, hoàn tác, nội bộ hệ thống) — chỉ đếm giao dịch phản ánh việc khách thực sự dùng app để giải quyết nhu cầu tài chính.

Phân rã North Star thành metric tree

NSM một mình thì trừu tượng và lagging (chậm). Sức mạnh nằm ở việc phân rã nó thành input metrics — những chỉ số đầu vào mà đội điều khiển trực tiếp được. Đây là metric tree: NSM ở gốc, các nhánh là thừa số nhân/cộng ra nó.

Cây này giúp chuyển câu hỏi mơ hồ "làm sao tăng NSM?" thành các bài toán cụ thể: cải thiện onboarding để tăng activation, giảm lỗi OTP để tăng tỷ lệ hoàn tất, thêm nhắc lịch để tăng tần suất. Mỗi lá của cây là một hạng mục làm được với chủ sở hữu rõ ràng.

Các họ chỉ số theo vòng đời (AARRR mở rộng)

Một hệ chỉ số đầy đủ trải theo hành trình khách hàng. Khung phổ biến là acquisition → activation → engagement → retention → monetization:

Chi tiết funnel và cohort được đào sâu ở pa-03 và pa-04. Ở đây điều cần nhớ: NSM ngồi giữa engagement và retention — nó là cầu nối giữa "khách dùng" và "khách ở lại".

Tỷ lệ và chỉ số phái sinh cần thuộc

• Conversion rate: tử/mẫu ở mỗi bước phễu (vd tỷ lệ mở app → hoàn tất giao dịch).
• DAU/MAU stickiness: số khách hoạt động ngày chia số khách hoạt động tháng. 20% nghĩa là trung bình khách dùng ~6 ngày/tháng; app ngân hàng thường thấp hơn app mạng xã hội và đó là bình thường.
• ARPU (Average Revenue Per User): doanh thu (hoặc giá trị giao dịch) bình quân mỗi khách. Luôn nói rõ mẫu số là "tất cả khách" hay "khách hoạt động" — hai con số khác nhau rất xa.

Quy tắc vàng: không bao giờ trung bình các tỷ lệ để ra tỷ lệ tổng. Muốn conversion toàn hệ thống phải cộng tử số và cộng mẫu số rồi mới chia, không lấy trung bình conversion của từng chi nhánh.

Guardrail metrics: tối ưu cái này đừng phá cái kia

Mỗi khi tối ưu một chỉ số, luôn tồn tại rủi ro phá một chỉ số khác không được theo dõi. Guardrail metric là các chỉ số "lan can" — bạn không cố tăng chúng, nhưng phải đảm bảo chúng không xấu đi khi đẩy mục tiêu chính.

Ví dụ trong ngân hàng số:

• Tối ưu số giao dịch → guardrail: tỷ lệ khiếu nại, tỷ lệ giao dịch bị nghi ngờ gian lận, tỷ lệ giao dịch lỗi. Đẩy giao dịch bằng cách nới lỏng xác thực có thể tăng con số nhưng phá an toàn.
• Tối ưu tốc độ onboarding → guardrail: tỷ lệ hồ sơ eKYC bị từ chối/hoàn tác về sau, tỷ lệ tài khoản bị đánh dấu rủi ro.
• Tối ưu tần suất thông báo đẩy → guardrail: tỷ lệ tắt thông báo / gỡ app.

Mỗi mục tiêu tăng trưởng nên đi kèm 2–3 guardrail. Một thử nghiệm "thắng" ở chỉ số chính nhưng làm xấu guardrail thì không được triển khai. Đây cũng là nguyên tắc trong thử nghiệm A/B — xem pa-07 và stat-07 — A/B testing.

Leading vs lagging, và vì sao cần cả hai

• Lagging indicator (chỉ số trễ): kết quả cuối, đo được sau khi việc đã xảy ra — doanh thu quý, retention 6 tháng, churn. Đáng tin nhưng không lái được kịp vì phản hồi quá chậm.
• Leading indicator (chỉ số dẫn): dự báo sớm cho lagging — activation tuần đầu, số tính năng dùng trong 30 ngày. Lái được nhưng cần kiểm chứng tương quan với lagging, nếu không sẽ đuổi theo tín hiệu nhiễu.

NSM lý tưởng là một leading indicator đã được chứng minh tương quan với lagging (retention, doanh thu). Đội sản phẩm sống với leading metric hằng tuần; ban lãnh đạo theo dõi lagging metric hằng quý.

Phân khúc chỉ số: trung bình che giấu sự thật

Một chỉ số tổng luôn là giá trị trung bình che giấu phân bố. NSM tăng 5% có thể là mọi khách tăng đều, hoặc nhóm khách VIP tăng mạnh còn khách phổ thông đang rời bỏ. Vì vậy luôn phân khúc chỉ số:

• Theo nhóm khách: mới vs cũ, theo phân khúc RFM (xem pa-05).
• Theo kênh thu hút: organic vs quảng cáo vs giới thiệu.
• Theo hành vi: khách chỉ chuyển tiền vs khách dùng nhiều tính năng.
• Theo địa lý/chi nhánh.

Nguyên tắc: báo cáo chỉ số tổng kèm ít nhất một phân khúc quan trọng. "DAU/MAU = 22%" ít giá trị hơn "DAU/MAU của khách <3 tháng là 12%, của khách >1 năm là 35%".

Goodhart's Law và chuyện gaming chỉ số

Goodhart's Law: "Khi một thước đo trở thành mục tiêu, nó không còn là thước đo tốt nữa."

Ngay khi bạn gắn thưởng/OKR vào một con số, người ta sẽ tối ưu đúng con số đó, kể cả bằng cách phá giá trị mà nó lẽ ra đại diện:

• Đặt mục tiêu "số tài khoản mở mới" → nhân viên mở tài khoản ảo, tài khoản không bao giờ dùng.
• Đặt mục tiêu "số giao dịch/khách" → khuyến khích chia nhỏ giao dịch, chuyển tiền vòng vo giữa các tài khoản của chính khách.
• Đặt mục tiêu "thời gian xử lý ticket ngắn" → đóng ticket sớm mà chưa giải quyết.

Cách phòng vệ: (1) cặp chỉ số chính với guardrail để gaming lộ ra ở lan can; (2) định nghĩa chặt "có giá trị" (loại giao dịch nội bộ, 0 đồng, hoàn tác); (3) không gắn thưởng cứng vào một con số duy nhất; (4) rà soát định kỳ xem chỉ số còn phản ánh giá trị thật không. Chỉ số càng khó bịa thì càng ít bị gaming — đó là lý do đặc điểm "khó thao túng" nằm trong danh sách chỉ số tốt ngay từ đầu.

SQL: tính chỉ số hoạt động và ARPU từ dữ liệu

Hai truy vấn dưới đây chạy được trên sandbox PostgreSQL read-only, minh hoạ cách tính chỉ số hoạt động và ARPU-like từ dữ liệu giao dịch thật. Chúng đóng vai trò input metric cho North Star.

1) Chỉ số hoạt động theo tháng — số khách hoạt động (có ≥1 giao dịch giá trị) và số giao dịch bình quân/khách mỗi tháng. Đây chính là hai thừa số của NSM ngân hàng số:

-- ▶ Chạy được
WITH cust_txn AS (
    SELECT c.id AS customer_id,
           date_trunc('month', t.created_at) AS month,
           t.id AS txn_id
    FROM transactions t
    JOIN accounts a  ON a.id = t.account_id
    JOIN customers c ON c.id = a.customer_id
    WHERE t.amount <> 0
)
SELECT month,
       COUNT(DISTINCT customer_id)                                   AS active_customers,
       COUNT(txn_id)                                                 AS total_txns,
       ROUND(COUNT(txn_id)::numeric
             / NULLIF(COUNT(DISTINCT customer_id), 0), 2)            AS txns_per_active_customer
FROM cust_txn
GROUP BY month
ORDER BY month;

Cột txns_per_active_customer chính là North Star xấp xỉ theo tháng: nó tự chuẩn hoá theo quy mô (chia cho số khách hoạt động) nên không phải vanity metric. Nếu tháng nào tổng giao dịch tăng nhưng con số này giảm, nghĩa là bạn đang có nhiều khách hơn nhưng mỗi khách dùng ít đi — một tín hiệu cảnh báo mà tổng tuyệt đối sẽ che mất.

2) ARPU-like theo khách — tổng và trung bình giá trị giao dịch mỗi khách, kèm số tài khoản, xếp theo giá trị. Dùng để phân khúc khách theo mức đóng góp và tính ARPU cho từng nhóm:

-- ▶ Chạy được
SELECT c.id                                         AS customer_id,
       c.full_name,
       COUNT(DISTINCT a.id)                          AS num_accounts,
       COUNT(t.id)                                   AS num_txns,
       ROUND(SUM(ABS(t.amount))::numeric, 2)         AS total_txn_value,
       ROUND(AVG(ABS(t.amount))::numeric, 2)         AS avg_txn_value
FROM customers c
JOIN accounts a      ON a.customer_id = c.id
LEFT JOIN transactions t ON t.account_id = a.id AND t.amount <> 0
GROUP BY c.id, c.full_name
ORDER BY total_txn_value DESC NULLS LAST
LIMIT 50;

Từ kết quả này, ARPU của một phân khúc = tổng total_txn_value của phân khúc chia số khách trong phân khúc — nhớ cộng tử số và mẫu số rồi mới chia, không lấy trung bình các avg_txn_value cá nhân. LEFT JOIN giữ lại cả khách chưa giao dịch (giá trị NULL), giúp bạn thấy được nhóm khách "có tài khoản nhưng ngủ đông" — một phân khúc quan trọng cho hoạt động kích hoạt lại.

Use case thực tế

Bối cảnh: App ngân hàng số NCB có 800.000 khách đăng ký nhưng ban lãnh đạo lo ngại tăng trưởng "ảo". Đội phân tích sản phẩm được giao thiết kế lại hệ chỉ số.

Bước 1 — Loại vanity metric. Dashboard cũ có "Tổng lượt tải: 1,2 triệu" và "Tổng giao dịch từ khi ra mắt: 340 triệu". Cả hai chỉ tăng, không phân khúc, không hành động được → chuyển xuống mục phụ, không còn là chỉ số lái sản phẩm.

Bước 2 — Chọn North Star. Sau khi kiểm chứng bằng dữ liệu (query #1 chạy 12 tháng), đội thấy số giao dịch giá trị/khách hoạt động/tháng tương quan chặt (hệ số tương quan ~0,7 — minh hoạ) với retention tháng kế. Chốt làm NSM. Hiện tại NSM = 4,8 giao dịch/khách hoạt động/tháng; mục tiêu quý = 5,5.

Bước 3 — Phân rã metric tree. NSM = MAU × giao dịch/khách. MAU đang bị kìm bởi activation (chỉ 41% khách mới có giao dịch trong 7 ngày). Đội đặt hạng mục: rút gọn onboarding và giảm lỗi OTP (đo bằng tỷ lệ hoàn tất giao dịch).

Bước 4 — Đặt guardrail. Khi đẩy giao dịch, theo dõi 3 lan can: tỷ lệ khiếu nại (giữ ≤ 0,3%), tỷ lệ giao dịch nghi gian lận (≤ 0,05%), tỷ lệ giao dịch lỗi (≤ 1,5%). Một thử nghiệm giảm số bước OTP làm giao dịch/khách tăng 8% nhưng tỷ lệ nghi gian lận nhích lên 0,08% → bị chặn triển khai vì phá guardrail.

Bước 5 — Phân khúc & chống Goodhart. Chỉ số được cắt theo khách mới/cũ và theo kênh. Đội cố tình không gắn thưởng cứng vào NSM cho nhân viên chi nhánh để tránh gaming (mở tài khoản ảo), thay vào đó thưởng theo cụm chỉ số gồm cả guardrail. Sau một quý, NSM đạt 5,3 (chưa chạm 5,5 nhưng tất cả guardrail xanh), và điều quan trọng: retention cohort mới tăng 6 điểm phần trăm — đúng như NSM dự báo.

Ghi nhớ

• Chỉ số sai → tối ưu nhầm. Một chỉ số tốt phải: actionable, gắn giá trị KH & doanh nghiệp, khó bịa, dễ hiểu, kịp thời.
• Vanity vs actionable: loại số tuyệt đối cộng dồn không mẫu số; ưu tiên tỷ lệ và chỉ số phái sinh (conversion rate, DAU/MAU stickiness, ARPU).
• North Star Metric đại diện giá trị cốt lõi, tương quan với retention & doanh thu dài hạn, và đội tác động được. Với app ngân hàng: số giao dịch giá trị/khách hoạt động/tháng.
• Metric tree phân rã NSM thành input metrics điều khiển được — biến mục tiêu mơ hồ thành hạng mục có chủ.
• Năm họ chỉ số: acquisition, activation, engagement, retention, monetization. NSM nằm giữa engagement và retention.
• Guardrail metrics đảm bảo tối ưu cái này không phá cái kia (giao dịch ↑ nhưng khiếu nại/gian lận không được ↑).
• Leading vs lagging: lái sản phẩm bằng leading, kiểm chứng bằng lagging.
• Phân khúc vì trung bình che giấu phân bố; luôn báo cáo chỉ số tổng kèm ít nhất một phân khúc.
• Goodhart's Law: chỉ số thành mục tiêu thì mất giá trị — cặp với guardrail, định nghĩa chặt, không thưởng cứng một con số.