Trong 01 Buổi Phỏng Vấn Data Analyst
Interviewer: Mình sẽ làm một case study nhỏ nhé. Đây là data của công ty.
| User ID | Daily Active Time (phút/ngày) | Session Count (lần/ngày) | Feature Usage (features/tuần) |
| U_001 | 45 | 8 | 6 |
| U_002 | 23 | 3 | 2 |
| U_003 | 67 | 15 | 12 |
| U_004 | 31 | 5 | 4 |
| U_005 | 12 | 2 | 1 |
| … | … | … | … |
| U_10000 | 28 | 4 | 3 |
- Daily Active Time: Thời gian user hoạt động trên app mỗi ngày (phút).
- Session Count: Số lần user mở app và sử dụng trong ngày.
- Feature Usage: Số tính năng khác nhau mà user đã dùng.
Interviewer: Anh có 3 câu hỏi
- Câu 1: User U_001 có Daily Active Time = 45 phút/ngày. Em đánh giá user này engagement cao hay thấp? Giải thích.
- Engagement: Mức độ tương tác của user với sản phẩm. User càng dùng nhiều = engagement cao.
- Câu 2: Trong 10,000 users, em xác định những user nào có Risk Churn cao nhất? Giải thích.
- Câu 3: Tháng trước team marketing chạy campaign. Trước campaign thì signup trung bình 150/ngày, sau campaign tăng lên 195/ngày. Campaign có thực sự hiệu quả hay chỉ là biến động ngẫu nhiên?
- Signup: Hành động đăng ký tài khoản mới.
Bạn đang nghĩ gì?
Bạn nhìn data, thấy một đống con số.
- User U_001 có 45 phút/ngày… nhưng 45 phút là cao hay thấp? Bạn chưa biết.
- User U_005 có 12 phút/ngày… có vẻ thấp… nhưng so với ai?
- Signup tăng từ 150 lên 195… tăng 30%… nhưng có phải do campaign hay chỉ may mắn?
Bạn cần một cách để đặt mỗi con số vào đúng ngữ cảnh của nó. Đây là lúc bạn cần hiểu Normal Distribution và Z-Score.
Bạn Bắt Đầu Suy Nghĩ …
Thử trả lời Câu 1: User U_001 có 45 phút/ngày. Engagement cao hay thấp?
- Cách trả lời mà nhiều bạn hay làm:
- Bạn: Em nghĩ 45 phút là khá cao ạ. Vì… em thấy con số này lớn.
- Interviewer: Lớn so với cái gì? Em đang dựa vào đâu để nói vậy?
- Thử lại lần 2:
- Bạn: Để em xem… User U_005 chỉ có 12 phút, còn U_001 có 45 phút. Vậy U_001 cao hơn U_005.
- Interviewer: Đúng, nhưng câu hỏi không phải là so với 1 user khác. Anh hỏi U_001 engagement cao hay thấp trong toàn bộ 10,000 users. U_001 đang ở đâu trong bức tranh tổng thể?
Nhận ra vấn đề
- 45 phút là một con số đơn lẻ, không có ý nghĩa nếu không có điểm tham chiếu
- Bạn cần biết: Trung bình users dùng bao nhiêu phút/ngày?
- Bạn cần biết: Sự dao động của data là bao nhiêu?
Đây là lúc bạn cần hiểu Normal Distribution – vì nó sẽ cho bạn biết data của 10,000 users phân bố như thế nào.
Bạn Bắt Đầu Phân Tích
┌────────────┬──────────────────┐
│ User ID │ Daily Active Time│
├────────────┼──────────────────┤
│ U_001 │ 45 │ ← User đang hỏi
│ U_002 │ 23 │
│ U_003 │ 67 │
│ U_004 │ 31 │
│ U_005 │ 12 │
│ ... │ ... │
│ U_9999 │ 41 │
│ U_10000 │ 28 │
└────────────┴──────────────────┘
(10,000 users)Tính trên Excel:
- Mean (Trung bình)
= AVERAGE(B2:B10001) - Standard Deviation (Độ lệch chuẩn)
= STDEV(B2:B10001)= 12 phút
Interviewer: Standard Deviation nghĩa là gì?
Bạn: Standard Deviation cho biết mức độ phân tán của data quanh Mean ạ.
- σ = 12 nghĩa là phần lớn users dao động trong khoảng ±12 phút quanh trung bình.
- Nếu σ nhỏ → data tập trung chặt quanh Mean – Nếu σ lớn → data phân tán rộng
Interviewer: Nếu dataset khác có Mean = 35 phút nhưng σ = 3 phút, thì sao? So với data hiện tại (σ = 12), user nào dễ phân biệt engagement cao/thấp hơn?
Bạn: Dataset có σ = 3 sẽ dễ phân biệt hơn ạ.
- Vì σ nhỏ nghĩa là users rất tập trung quanh Mean. Nếu có user 45 phút trong dataset σ = 3:
- Z = (45 – 35) / 3 = 3.33
- Còn trong dataset σ = 12:
- Z = (45 – 35) / 12 = 0.83
- Cùng một giá trị 45 phút, nhưng ý nghĩa rất khác nhau tùy vào độ phân tán của data.
Bạn sẽ trực quan hóa dữ liệu bằng cách tạo histogram để xem phân bố data:
Số lượng users
▲
800│ ▄▄▄▄
│ ▄▄██████▄▄
600│ ▄▄██████████████▄▄
│ ▄▄██████████████████████▄▄
400│ ▄▄██████████████████████████████▄▄
│ ▄▄██████████████████████████████████████▄▄
200│ ▄▄██████████████████████████████████████████████▄▄
│▄▄██████████████████████████████████████████████████████▄▄
└──────────────────────────────────────────────────────────────▸
11 23 35 47 59 71 Daily Active
↑ Time (phút)
MEAN
(35 phút)Bạn: Histogram cho thấy data có dạng hình chuông:
- Nhiều users nhất tập trung quanh 35 phút (Mean)
- Càng xa Mean thì càng ít users
- Phân bố đối xứng 2 bên
Interviewer: Hình chuông này gọi là gì?
Bạn: Dạ, đây gọi là Normal Distribution (Phân phối chuẩn). Đa số Engagement Metrics trong SaaS đều có dạng này ạ.
Interviewer: Khoan. Em nói đa số nghĩa là không phải lúc nào data cũng ra hình chuông đúng không? Cho anh ví dụ khi nào không ra hình chuông?
Trường hợp 1: Skewed Distribution (Phân phối lệch)
Revenue per User:
█
█
█ █
█ █ █
█ █ █ █ █
█ █ █ █ █ █ █ █ █
──────────────────────────────────────────
$0 $10 $50 $100 $500 $2000
→ Phần lớn users trả $0-$50
→ Một số ít users trả rất cao
→ Lệch về bên tráiTrường hợp 2: Bimodal Distribution (Có 2 đỉnh)
Session Duration:
█ █
█ █ █ █ █ █
█ █ █ █ █ █ █ █ █ █
█ █ █ █ █ █ █ █ █ █ █ █ █ █
──────────────────────────────────────────
2-5 phút 15-20 phút
→ 2 nhóm user behavior khác nhau: nhóm quick-check (2-5 phút) và nhóm deep-work (15-20 phút)
→ KHÔNG nên dùng Mean/σ cho toàn bộTrường hợp 3: Uniform Distribution (Phân phối đều)
Signup Hour (24h):
█ █ █ █ █ █ █ █ █ █ █ █ █ █ █ █ █ █
──────────────────────────────────────────
0h 4h 8h 12h 16h 20h 24h
→ Users signup đều ở mọi giờ
→ Không có đỉnh nào rõ ràngInterviewer: Vậy trước khi apply Normal Distribution, em cần làm gì?
Bạn: Em cần visualize data bằng histogram trước để kiểm tra xem data có gần Normal Distribution không ạ. Nếu không, em cần dùng phương pháp khác hoặc transform data.
Normal Distribution – Giải Thích & Áp Dụng
Interviewer: Giả sử data này là Normal Distribution. Giải thích cho anh Normal Distribution có gì đặc biệt mà giúp em trả lời được các câu hỏi?
Bạn: Normal Distribution có 3 đặc điểm chính ạ:
| # | Đặc điểm | Ý nghĩa |
| 1 | Tập trung quanh Mean | Phần lớn users có giá trị gần mức trung bình. |
| 2 | Càng xa Mean -> càng ít | Giá trị cực cao hoặc cực thấp rất hiếm gặp (Outliers). |
| 3 | Đối xứng 2 bên | 50% users nằm bên trái Mean (thấp hơn TB), 50% nằm bên phải (cao hơn TB). |
Interviewer: “Có công thức hay quy tắc nào để biết bao nhiêu % users nằm trong khoảng nào không?”
Bạn: “Có ạ. Đó là Quy tắc 68-95-99.7 (Empirical Rule):”
68%
◄──────────►
95%
◄────────────────────────►
99.7%
◄────────────────────────────────────────►
─────────────────────────────────────────────────────────
-3σ -2σ -1σ MEAN +1σ +2σ +3σ| Khoảng (Range) | % Users nằm trong khoảng đó |
| Mean ± 1σ | 68% users |
| Mean ± 2σ | 95% users |
| Mean ± 3σ | 99.7% users |
Interviewer: “Okay, apply vào data của mình đi. Mean = 35 phút, σ = 12 phút.”
| Khoảng | Công thức | Giá trị thực tế | % Users |
| Mean ± 1σ | 35 ± 12 | 23 – 47 phút | 68% users dùng từ 23-47 phút/ngày |
| Mean ± 2σ | 35 ± 24 | 11 – 59 phút | 95% users dùng từ 11-59 phút/ngày |
| Mean ± 3σ | 35 ± 36 | -1 – 71 phút | User dưới 11 phút hoặc trên 59 phút → top/bottom 2.5% → outliers |
Interviewer: “Còn một câu nữa: Tại sao em dùng 2.5% mà không phải 5% cho outliers?“
Bạn: “Vì 95% nằm trong Mean ± 2σ, còn lại 5% chia đều 2 bên:
- 2.5% bottom (dưới Mean – 2σ)
- 2.5% top (trên Mean + 2σ)
- Nếu em chỉ quan tâm 1 phía (ví dụ low engagement), thì là 2.5%. Nếu cả 2 phía thì 5% ạ.”
Interviewer: “Good. Vậy user U_001 với 45 phút/ngày – em có thể nói gì ngay bây giờ?”
Bạn: “User U_001 có 45 phút, nằm trong khoảng 23-47 phút (Mean ± 1σ). Nghĩa là user này nằm trong nhóm 68% users trung tâm. Engagement không quá cao, không quá thấp – above average một chút ạ.”
Interviewer: “Nhưng ‘above average một chút’ là bao nhiêu? Em có thể nói cụ thể hơn không? Ví dụ user này cao hơn bao nhiêu % users khác?”
Bạn: “…”
Interviewer: “Đây là lúc em cần Z-Score.”
Z-Score – Giải Thích & Áp Dụng
Interviewer: “Z-Score là gì? Em định nghĩa đi.”
Bạn: “Z-Score trả lời câu hỏi: Giá trị này cách Mean bao nhiêu đơn vị Standard Deviation?“
Z-SCORE: Đo khoảng cách đến Mean (theo đơn vị σ)
▄▄▄▄
▄▄██████▄▄
▄▄██████████████▄▄
▄▄██████████████████████▄▄
▄▄██████████████████████████████▄▄
▄▄▄▄████████████████████████████████████████▄▄▄▄
───────────────────────────────────────────────────────────
│ │ │ ↑ │ │ │
-3σ -2σ -1σ MEAN +1σ +2σ +3σ
│ │ │ (0) │ │ │
◄─────────◄─────────◄─────────►─────────►─────────►
Z=-3 Z=-2 Z=-1 Z=+1 Z=+2 Z=+3
User có Z = +0.83 nghĩa là cao hơn Mean 0.83 "bước" về bên phải┌─────────────────────────────────────────────────────────────┐
│ X - μ │
│ Z = ─────── │
│ σ │
│ │
│ Ví dụ: User U_001 │
│ ┌─────────────────┐ │
│ │ X = 45 phút │ (giá trị user này) │
│ │ μ = 35 phút │ (trung bình) │
│ │ σ = 12 phút │ (độ lệch chuẩn) │
│ └─────────────────┘ │
│ │
│ 45 - 35 10 │
│ Z = ───────── = ──── = 0.83 │
│ 12 12 │
└─────────────────────────────────────────────────────────────┘Interviewer: “Okay, tính Z-Score cho user U_001 đi.”
Bạn: “Z = 0.83 ạ. Nghĩa là user U_001 cao hơn Mean 0.83 standard deviation.”
Interviewer: “0.83 standard deviation – vậy user này cao hơn bao nhiêu % users khác?”
Bạn: “Em cần tra Z-Table hoặc dùng Excel ạ.”
Interviewer: “Cho anh xem cách tra Z-Table thủ công đi.”
Cách đọc Z-Table
- Bước 1: Hiểu cấu trúc Z-Table
- Z-Table cho biết xác suất tích lũy (cumulative probability) từ -∞ đến Z.
- Cấu trúc bảng:
- Cột đầu tiên: Số nguyên và 1 chữ số thập phân (0.0, 0.1, 0.2, …)
- Hàng đầu tiên: Chữ số thập phân thứ 2 (0.00, 0.01, 0.02, …)
- Giao điểm: Xác suất tích lũy
- Bước 2: Tách Z-Score thành 2 phần
- Z = 0.83 → Tách thành:
- Phần thứ nhất: 0.8 (tra ở cột đầu tiên)
- Phần thứ hai: 0.03 (tra ở hàng đầu tiên)
- Z = 0.83 → Tách thành:
- Bước 3: Tra bảng
Z-TABLE (Standard Normal Distribution)
┌──────┬───────┬───────┬───────┬───────┬───────┬───────┐
│ Z │ 0.00 │ 0.01 │ 0.02 │ 0.03 │ 0.04 │ 0.05 │
├──────┼───────┼───────┼───────┼───────┼───────┼───────┤
│ 0.0 │ .5000 │ .5040 │ .5080 │ .5120 │ .5160 │ .5199 │
│ 0.1 │ .5398 │ .5438 │ .5478 │ .5517 │ .5557 │ .5596 │
│ 0.2 │ .5793 │ .5832 │ .5871 │ .5910 │ .5948 │ .5987 │
│ 0.3 │ .6179 │ .6217 │ .6255 │ .6293 │ .6331 │ .6368 │
│ 0.4 │ .6554 │ .6591 │ .6628 │ .6664 │ .6700 │ .6736 │
│ 0.5 │ .6915 │ .6950 │ .6985 │ .7019 │ .7054 │ .7088 │
│ 0.6 │ .7257 │ .7291 │ .7324 │ .7357 │ .7389 │ .7422 │
│ 0.7 │ .7580 │ .7611 │ .7642 │ .7673 │ .7704 │ .7734 │
│ 0.8 │ .7881 │ .7910 │ .7939 │ .7967 │ .7995 │ .8023 │ ← Hàng này
│ 0.9 │ .8159 │ .8186 │ .8212 │ .8238 │ .8264 │ .8289 │
│ 1.0 │ .8413 │ .8438 │ .8461 │ .8485 │ .8508 │ .8531 │
└──────┴───────┴───────┴───────┴───────┴───────┴───────┘
↑
Cột này (0.03)
Giao điểm: 0.8 ∩ 0.03 = 0.7967 → 79.67%Interviewer: “Nếu anh muốn tìm user thuộc bottom 10%, Z-Score là bao nhiêu?”
Bạn: “Em tìm trong bảng giá trị gần 0.1000 nhất:”
┌──────┬───────┬───────┬───────┬───────┬───────┬───────┐
│ Z │ 0.00 │ 0.01 │ 0.02 │ 0.03 │ 0.04 │ 0.05 │
├──────┼───────┼───────┼───────┼───────┼───────┼───────┤
│ -1.2 │ .1151 │ .1131 │ .1112 │ .1093 │ .1075 │ .1056 │
│ -1.3 │ .0968 │ .0951 │ .0934 │ .0918 │ .0901 │ .0885 │
└──────┴───────┴───────┴───────┴───────┴───────┴───────┘
0.1000 nằm gần 0.1003 (tại Z = -1.28)
→ Bottom 10% ≈ Z = -1.28Bạn: “Bottom 10% tương ứng Z ≈ -1.28 ạ.”
Trong Excel
| Mục đích | Công thức | Kết quả |
| Z → Percentile | =NORM.S.DIST(0.83, TRUE) | 0.7967 (79.67%) |
| Percentile → Z | =NORM.S.INV(0.10) | -1.28 (Bottom 10%) |
Bạn: “User U_001 với 45 phút/ngày có engagement cao hơn 79.67% users trong toàn bộ 10,000 users ạ.”
Interviewer: “Excellent! Đó là câu trả lời anh cần. Em đã dùng data để đưa ra con số cụ thể, không phải ‘cao’ hay ‘thấp’ chung chung.”
Interviewer: “Excellent! Đó là câu trả lời anh cần. Con số cụ thể thay vì cảm tính. Nhưng hỏi kỹ nhé: 79.67% – đó là ‘cao hơn 79.67% users’ hay ‘nằm trong top 79.67%’? Hai cái đó khác nhau đấy.”
Bạn: “Dạ, hàm NORM.S.DIST trả về xác suất tích lũy từ dưới lên. Nghĩa là 79.67% users nằm DƯỚI user này. Nói cách khác: User U_001 cao hơn 79.67% users, hay nói cách khác là thuộc Top 20.33% (lấy 100% – 79.67%).”
Interviewer: “Ok. Cẩn thận cách diễn đạt khi report cho stakeholders. ‘Top 20%’ nghe ấn tượng hơn nhiều so với ‘cao hơn 80%’ dù ý nghĩa như nhau.”
Xác Định Users Có Risk Churn Cao Nhất
Interviewer: “Trong 10,000 users, em xác định những user nào có risk churn cao nhất?”
Bạn: “Users có engagement thấp → risk churn cao. Em sẽ định nghĩa ‘thấp’ là bottom 10%.”
Interviewer: “Okay, bottom 10% tương ứng bao nhiêu phút/ngày?”
Bạn:
- Bước 1: Tìm Z-Score tương ứng với Bottom 10% Dùng Excel:
=NORM.S.INV(0.10)→ Z ≈ -1.28 - Bước 2: Tính ngược từ Z ra Daily Active Time (X) Công thức ngược:
X = Z × σ + μ= (-1.28) × 12 + 35= 19.64 phút
BOTTOM 10% = HIGH CHURN RISK
▄▄▄▄
▄▄██████▄▄
▄▄██████████████▄▄
▄▄██████████████████████▄▄
▄▄██████████████████████████████▄▄
▄▄▄▄████████████████████████████████████████▄▄▄▄
───────────────────────────────────────────────────────────
│ │ │
↑ ↑
Z=-1.28 MEAN=35
X=20 phút
│
◄────────┤
Bottom │
10% │
▓▓▓▓▓▓▓▓▓│
CHURN │
RISK! │Bạn: “Users có Daily Active Time dưới 20 phút/ngày thuộc bottom 10% về engagement → high churn risk ạ.”
Interviewer: “Tại sao em chọn bottom 10%? Tại sao không phải 5% hay 20%?”
Bạn: “Dạ, 10% là một ngưỡng balance giữa:
- Quá nhỏ (5%) → Bỏ lỡ nhiều users có nguy cơ.
- Quá lớn (20%) → Resource của team CS không đủ để chăm sóc hết.
- Trong thực tế, em sẽ backtest ngưỡng này: xem historical data xem những users nào thực sự churn, rồi điều chỉnh threshold cho phù hợp ạ.”
Interviewer: “Good thinking. Còn một vấn đề nữa: Em chỉ dùng 1 metric (Daily Active Time). Nếu user có Daily Active Time cao nhưng không bao giờ dùng core features thì sao?”
Bạn: “Em nên dùng multiple metrics và combine thành một Composite Score – giống như ‘Customer Health Score’ mà em sẽ đề xuất sau ạ.”
Campaign Có Thực Sự Hiệu Quả Không?
Interviewer: “Trước campaign signup trung bình 150/ngày, sau campaign tăng lên 195/ngày. Campaign có thực sự hiệu quả hay chỉ là biến động ngẫu nhiên?”
Bạn: “Em cần biết thêm Standard Deviation của signup trước campaign để đánh giá ạ.”
Interviewer: “σ = 30 signups/ngày.”
Bạn tính Z-Score:
Trước campaign: μ = 150, σ = 30
Sau campaign: X = 195
195 - 150 45
Z = ─────────── = ──── = 1.5
30 30Bạn tra Excel: =1 – NORM.S.DIST(1.5, TRUE) → 6.68%
CAMPAIGN EFFECTIVENESS: Z = 1.5 đạt significance chưa?
▄▄▄▄
▄▄██████▄▄
▄▄██████████████▄▄
▄▄██████████████████████▄▄
▄▄██████████████████████████████▄▄
▄▄▄▄████████████████████████████████████████▄▄▄▄
───────────────────────────────────────────────────────────
│ │ │ │
↑ ↑ │ ↑
MEAN Z=1.5 │ Z=1.96
(150/ngày) (195/ngày) │ (ngưỡng 95%)
✓ │
GẦN! │ CHƯA ĐẠT
│
◄──────────────────────────┼───►
Có dấu hiệu tích cực │ Significant
(p = 6.68%) │ zone (p < 5%)Bạn: “Với Z = 1.5, mức signup 195/ngày chỉ có 6.68% xác suất xảy ra ngẫu nhiên nếu không có campaign. Tuy nhiên, để kết luận campaign thực sự hiệu quả, em thường dùng ngưỡng 5% (Z > 1.96). Z = 1.5 chưa đạt ngưỡng này, nhưng đã khá gần. Em sẽ nói: có dấu hiệu tích cực, nhưng chưa đủ confident để khẳng định 95% ạ.”
Interviewer: “Rất tốt! Em biết cách đặt ngưỡng và không kết luận quá sớm. Đó là tư duy của một analyst.”
Interviewer: “Câu cuối: Em nói Z > 1.96 là ngưỡng 95% confidence. Nhưng đó là two-tailed hay one-tailed test? Trong trường hợp này nên dùng cái nào?”
Bạn: “Dạ, trong trường hợp này:
- Two-tailed test: khi em muốn biết campaign có impact hay không (có thể tăng hoặc giảm) – One-tailed test: khi em chỉ quan tâm campaign có tăng signup hay không
- Vì câu hỏi là ‘campaign có hiệu quả không’ – ngụ ý là tăng – nên em nên dùng one-tailed test.
- Với one-tailed 95%, ngưỡng là Z > 1.645 (không phải 1.96).
- Z = 1.5 vẫn chưa đạt 1.645, nhưng đã rất gần. P-value khoảng 6.68% (one-tailed).”
BẠN ĐẬU PHỎNG VẤN
1 tuần sau, bạn nhận được offer và bắt đầu làm việc, sếp giao cho bạn Task đầu tiên
Sếp: Hiện tại team CS phải nhìn vào 5-6 metrics để đánh giá một customer có healthy không. Rất mất thời gian. Em có thể tạo một con số duy nhất – Customer Health Score – không?
Bạn: Em sẽ dùng Z-Score để chuẩn hóa các metrics khác đơn vị, rồi kết hợp thành một composite score ạ.
Bạn chọn 5 metrics:
- Daily Active Time (phút/ngày)
- Feature Adoption Rate (% features đã dùng)
- Login Frequency (lần/tuần)
- Task Completion Rate (% tasks hoàn thành)
- Support Ticket Count (số tickets/tháng)
| Metric | Population Mean (μ) | Population σ | Customer X Value | Z-Score |
|---|---|---|---|---|
| Daily Active Time | 35 phút | 12 phút | 48 phút | +1.08 |
| Feature Adoption | 45% | 15% | 62% | +1.13 |
| Login Frequency | 12 lần/tuần | 4 lần | 15 lần | +0.75 |
| Task Completion | 68% | 18% | 82% | +0.78 |
| Support Tickets* | 2.5 tickets | 1.5 tickets | 1 ticket | +1.00 |
Support Tickets là metrics ngược (càng ít càng tốt): Z = (μ – X) / σ = (2.5 – 1) / 1.5 = +1.00
Z_time = (48 - 35) / 12 = 1.08
Z_adoption = (62 - 45) / 15 = 1.13
Z_login = (15 - 12) / 4 = 0.75
Z_completion = (82 - 68) / 18 = 0.78
Z_tickets = (2.5 - 1) / 1.5 = 1.00 ← đảo ngượcSếp: Feature Adoption và Task Completion quan trọng hơn, vì nó liên quan trực tiếp đến giá trị mà customer nhận được.
Weights:
Daily Active Time: 0.15
Feature Adoption: 0.30 ← Quan trọng
Login Frequency: 0.10
Task Completion: 0.30 ← Quan trọng
Support Tickets: 0.15
────────────────────────────
Total: 1.00
Health Score = 0.15×Z₁ + 0.30×Z₂ + 0.10×Z₃ + 0.30×Z₄ + 0.15×Z₅
Customer X:
Health Score = 0.15×1.08 + 0.30×1.13 + 0.10×0.75 + 0.30×0.78 + 0.15×1.00
= 0.162 + 0.339 + 0.075 + 0.234 + 0.150
= 0.96| Health Score | Classification | Action |
|---|---|---|
| Z ≥ 1.0 | 🟢 Excellent | Upsell opportunity |
| 0.5 ≤ Z < 1.0 | 🟢 Healthy | Maintain engagement |
| 0 ≤ Z < 0.5 | 🟡 Average | Monitor closely |
| -0.5 ≤ Z < 0 | 🟠 At Risk | Proactive outreach |
| Z < -0.5 | 🔴 Critical | Immediate intervention |
| Metric (Z-Score) | Customer X | Customer Y | Customer Z |
|---|---|---|---|
| Daily Active Time | +1.08 | -0.50 | +0.25 |
| Feature Adoption | +1.13 | -1.20 | -0.80 |
| Login Frequency | +0.75 | +0.50 | -0.60 |
| Task Completion | +0.78 | -0.30 | +0.40 |
| Support Tickets | +1.00 | -2.00 | +0.50 |
| Health Score | +0.96 | -0.82 | -0.05 |
| Classification | 🟢 Healthy | 🔴 Critical | 🟡 Average |
Bạn báo cáo: “Customer Y có Health Score = -0.82, thuộc nhóm Critical. Đặc biệt Feature Adoption (-1.20) và Support Tickets (-2.00) rất đáng lo. Cần CS team intervene ngay ạ.”
Sếp: “Task tiếp theo: Team mình có 3 hướng để focus Q1:
- Tăng Activation Rate (hiện tại 65%)
- Tăng ARPU (hiện tại $45/tháng)
- Giảm Churn Rate (hiện tại 4.2%/tháng)
Budget có hạn. Chỗ nào mình đang yếu nhất so với industry?”
Bạn: “3 metrics này khác đơn vị (%, $, %). Em sẽ dùng Z-Score để chuẩn hóa và so sánh ạ.”
| Metric | Industry Mean | Industry σ | QuickTask |
|---|---|---|---|
| Activation Rate | 58% | 12% | 65% |
| ARPU | $52/tháng | $15 | $45/tháng |
| Churn Rate* | 5.5%/tháng | 1.8% | 4.2%/tháng |
Churn Rate là metrics ngược (càng thấp càng tốt)
Activation Rate:
Z = (65 - 58) / 12 = +0.58
→ QuickTask cao hơn industry 0.58 standard deviations
ARPU:
Z = (45 - 52) / 15 = -0.47
→ QuickTask THẤP HƠN industry 0.47 standard deviations
Churn Rate (đảo ngược vì thấp = tốt):
Z = (5.5 - 4.2) / 1.8 = +0.72
→ QuickTask tốt hơn industry 0.72 standard deviations| Metric | Raw Value | Z-Score | Đánh giá |
|---|---|---|---|
| Activation Rate | 65% | +0.58 | ✅ Above average |
| ARPU | $45 | -0.47 | ⚠️ Below average |
| Churn Rate | 4.2% | +0.72 | ✅ Better than average |
Bạn báo cáo: “ARPU là điểm yếu nhất (Z = -0.47). Recommendation: Focus Q1 vào monetization – upsell premium features, review pricing strategy ạ.”
Sếp: “Nếu muốn ARPU đạt top 25% industry thì cần bao nhiêu?”
Bước 1: Top 25% tương ứng Percentile 75% → Z = 0.675
Bước 2: Tính ARPU target
X = Z × σ + μ
X = 0.675 × $15 + $52
X = $10.125 + $52
X = $62.13/thángBước 3: Tính gap
Current ARPU: $45
Target ARPU: $62.13
Gap: $17.13 (tăng 38%)Bạn: “Để đạt top 25% industry về ARPU, cần tăng từ $45 lên $62/tháng – tức tăng 38%. Đây là target cho Q1-Q2.”
Leave a Comment