ความกังวลของคะแนน 4.5
ร้านเสริมสวยแห่งหนึ่ง คะแนนกูเกิล 4.5 เกือบทั้งหมดห้าดาว เจ้าของร้านพอใจมาก
จนกระทั่งอัตราการกลับมาซื้อซ้ำในเดือนนั้นตกลง 15%
เธอสับสน คะแนนสูงขนาดนี้ ทำไมลูกค้าไม่กลับมา
เธอเปิดแบ็กออฟฟิศดูข้อมูล ลูกค้าใหม่ไม่ได้ลดลง การเข้าชมจากกูเกิลแมปยังคงที่ จำนวนคนคลิกเข้ามาไม่เปลี่ยน แต่ลูกค้าที่เคยมาในสามเดือนที่ผ่านมา อัตราการจองกลับมาตกจาก 42% เหลือ 27% 15% ที่หายไปได้ไปอยู่ที่ไหน
เธอถามลูกคค้าประจำไม่กี่คน บ้างบอกว่า “ช่วงนี้ยุ่ง” บ้างอ่านแล้วไม่ตอบ บ้างบอกตรงๆ ว่า “ลองร้านอื่นดู ราคาคุ้มกว่า”
แต่นี่เป็นเพียงกรณีเดี่ยวๆ สิ่งที่เธอต้องการคือคำอธิบายเชิงโครงสร้าง ไม่ใช่ “การเลือกส่วนตัวของลูกค้าบางคน” แต่คือ “มีสาเหตุเชิงระบบอะไรที่กำลังผลักลูกค้าออกไปหรือไม่”
คำตอบอยู่ในรีวิวกูเกิลของเธอ แต่ไม่ใช่ในตัวเลขดาว มันอยู่ในข้อความใต้ดาวที่เธอไม่เคยแยกอ่านอย่างจริงจัง
ค่าเฉลี่ยหลอกคุณได้
ค่า 4.8 ที่เธอเห็นคือค่าเฉลี่ยของคะแนนทั้งหมด แต่ค่าเฉลี่ยมีจุดอ่อนร้ายแรงอย่างหนึ่ง มันกลบความแตกต่างทั้งหมดให้กลายเป็นตัวเลขเดียว
สมมติว่าคะแนนห้ามิติคือ ทักษะ 5.0 สภาพแวดล้อม 4.9 บริการ 4.8 ความสะดวกในการจอง 4.7 ความคุ้มค่า 3.2
ค่าเฉลี่ยรวม 4.52 แต่กูเกิลแสดงค่าเฉลี่ยดาวโดยรวม ดาวห้าจำนวนมากกลบคะแนนต่ำไม่กี่คะแนน ปัดขึ้นแล้วแสดง 4.5 ดูยังคงดีอยู่
ลูกค้าให้ห้าดาวเพราะทักษะดี ลูกค้าไม่กลับมาเพราะความคุ้มค่าต่ำ “ทำเสร็จแล้วสวยดี แต่แพง รู้สึกไม่ค่อยคุ้ม”
4.5 กลบ 3.2 ไว้ “ดูดี” กลบ “ไม่คุ้มราคา” ไว้
อันตรายกว่านั้น 3.2 นี้จะไม่ปรากฏในดาวของรีวิวแต่ละรายการ ไม่มีลูกค้าคนไหนให้หนึ่งดาวเพราะ “รู้สึกว่าแพงไปหน่อย” พวกเขาให้ห้าดาวเพราะทักษะดีจริงๆ แต่ในข้อความห้าดาว ถ้าอ่านดีๆ จะเห็นร่องรอย “ผลดีมาก แต่ราคาไม่ถูกจริงๆ” “ครูเตรียมเก่งมาก แค่ทำกระเป๋าเบาไปหน่อย” “จะแนะนำเพื่อน แต่จะเตือนเรื่องราคาก่อน”
ประโยคเหล่านี้อยู่ในรีวิวห้าดาว ถูกแสงดาวบดบังไว้ แต่มันคือระเบิดเวลาที่ยังไม่ทำงาน
Anscombe’s Quartet
ในปี 1973 นักสถิติชาวอังกฤษ Francis Anscombe ตีพิมพ์บทความในวารสาร The American Statistician ชื่อว่า “Graphs in Statistical Analysis” ยาวเพียงสี่หน้า เขาทำสิ่งที่ดูเรียบง่ายแต่สะดุดตามาก เขาสร้างชุดข้อมูลสี่ชุด แต่ละชุดมี ค่าเฉลี่ยเท่ากัน (9.0 ทั้งหมด) ความแปรปรวนเท่ากัน สหสัมพันธ์เท่ากัน (0.816) เส้นถดถอยเท่ากัน (y = 3 + 0.5x)
ดูจากตัวเลขแล้ว สี่ชุดนี้ “เหมือนกันทุกประการ”
แต่เมื่อเขาวาดกราฟ สี่ชุดมีรูปแบบที่แตกต่างกันโดยสิ้นเชิง ชุดแรกเป็นการกระจายแบบเส้นตรงปกติ ชุดที่สองเป็นเส้นโค้งสวยงาม การถดถอยเชิงเส้นเหมาะสมไม่ดีอย่างชัดเจน ชุดที่สามมีค่าผิดปกติหนึ่งจุดที่บิดเบือนเส้นทั้งเส้น ชุดที่สี่เกือบเป็นแนวตั้ง จุดทั้งหมดอัดแน่นอยู่ด้วยกัน มีเพียงค่าผิดปกติหนึ่งจุดที่กำหนดเส้นถดถอย
สิ่งที่ Anscombe ต้องการสื่อคือ ถ้าดูเพียงสถิติสรุป (ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน) คุณจะคิดว่าข้อมูลทั้งสี่ชุดเล่าเรื่องเดียวกัน แต่กราฟบอกคุณว่าพวกมันเล่าเรื่องที่แตกต่างกันโดยสิ้นเชิงสี่เรื่อง
บทความนี้ต่อมากลายเป็นตำราคลาสสิกในการศึกษาสถิติ เปลี่ยนวิธีที่นักวิเคราะห์จำนวนนับไม่ถ้วนมองข้อมูล Tukey ในหนังสือปี 1977 Exploratory Data Analysis ได้ผลักดันแนวคิดนี้ไปสู่ขีดสุด วาดกราฟก่อน แล้วค่อยดูตัวเลข
คะแนน 4.5 ของคุณคือค่าเฉลี่ยของ Anscombe มันกลบเรื่องราวของห้ามิติให้กลายเป็นตัวเลขเดียว ถ้าไม่ดูการกระจายตามมิติ คุณจะไม่รู้ว่า 3.2 ของคุณอยู่ที่ไหน
ทำไมห้าดาวอันตรายกว่าหนึ่งดาว
หนึ่งดาวบังคับให้คุณลงมือทำ ห้าดาวทำให้คุณวางใจ
ร้านที่ได้ 4.5 จะไม่เรียกประชุมฉุกเฉิน จะไม่ตรวจสอบกระบวนการ จะไม่กดดันพนักงาน เพราะ “คะแนนสูง ไม่มีปัญหา”
แต่คะแนนความคุ้มค่า 3.2 กำลังกัดกร่อนฐานลูกค้าของคุณอย่างเงียบๆ ลูกค้าจะไม่มาให้หนึ่งดาวพร้อมบอกว่า “ไม่คุ้มราคา” พวกเขาให้สี่หรือห้าดาวบอกว่า “ทักษะดีมาก” แล้ว…ไม่กลับมา
ลูกค้าที่ไม่กลับมาจะไม่เขียนรีวิวลบ พวกเขาแค่หายไป คะแนน 4.5 ของคุณจะไม่ลด เพราะคนที่เหลือมาให้คะแนนคือคนที่พอใจ คนที่ไม่พอใจไม่แม้แต่จะให้คะแนน
นี่คือรูปแบบของ Survivor Bias ในรีวิวห้าดาว คะแนนสูงกลบการสูญเสีย
ช่วงสงครามโลกครั้งที่สอง นักวิเคราะห์กองทัพเรือสหรัฐ Abraham Wald รับผิดชอบการศึกษา “วิธีเสริมเกราะเครื่องบินทิ้งระเบิด” เขาตรวจดูเครื่องบินที่กลับมา พบว่ารอยกระสุนบนลำตัวกระจุกตัวอยู่ที่ปีกและหาง สัญชาตญาณบอกว่า เสริมเกราะบริเวณที่รอยกระสุนหนาแน่น
Wald บอกว่าไม่ใช่ เขาบอกว่า เครื่องบินเหล่านี้ “กลับมาได้” เครื่องบินที่ถูกยิงโดนจุดสำคัญจริงๆ ตกลงไปในทะเลแล้ว บริเวณที่รอยกระสุนน้อย (เครื่องยนต์ ห้องนักบิน) คือที่ที่ต้องการเกราะจริงๆ เพราะเครื่องบินที่ถูกยิงบริเวณนั้น ไม่ได้กลับมาเลย
รีวิวห้าดาวของคุณคือ “เครื่องบินที่กลับมาได้” ลูกค้าที่ไม่กลับมาคือเครื่องบินที่ตกลงไปในทะเล พวกเขาไม่ได้ทิ้งรอยกระสุน (รีวิวลบ) ไว้ แต่พวกเขาคือกลุ่มที่คุณต้องใส่ใจมากที่สุด
วิธีค้นหา 3.2 ที่ถูกกลบไว้
คุณต้องแยกคะแนนรวมออกเป็นมิติ ไม่ถามว่า “ลูกค้าพอใจหรือไม่” แต่ถามว่า “ลูกค้าพอใจในด้านไหน ไม่พอใจในด้านไหน”
ห้ามิติ คุณภาพผลิตภัณฑ์ ประสบการณ์บริการ บรรยากาศร้าน ความสะดวกในการจอง การรับรู้ความคุ้มค่า นำรีวิวของคุณมาติดป้ายทีละข้อ รีวิวห้าดาวนี้ชมมิติไหนเป็นหลัก รีวิวสี่ดาวนั้นบอกใบ้ว่ามิติไหนไม่พอใจ
สิ่งนี้ไม่ยาก แต่ใช้เวลามาก รีวิวหนึ่งร้อยข้อ อ่านแต่ละข้อแล้วจัดหมวดเข้าห้ามิติ คนที่ผ่านการฝึกอบรมต้องใช้เวลาประมาณสองชั่วโมง ถ้ามีรีวิวสามเดือน (สมมติเดือนละ 40 ข้อ) นั่นคือหกชั่วโมง
แต่ที่ยากกว่าคือการรักษาความเป็นกลาง คุณเป็นเจ้าของร้าน เวลาอ่านรีวิวห้าดาว จิตใต้สำนึกจะขยายสัญญาณเชิงบวก เวลาอ่านรีวิวลบ จิตใต้สำนึกจะเปิดกลไกป้องกัน “ลูกค้าคนนี้ยากตั้งแต่แรกแล้ว” “เขาไม่เข้าใจกลยุทธ์ราคาของเราเลย” นี่ไม่ใช่เพราะคุณไม่มืออาชีพ แต่เป็น Confirmation Bias ของมนุษย์ นักจิตวิทยาชาวอังกฤษ Peter Wason พิสูจน์สิ่งนี้ในการทดลองปี 1960 มนุษย์มีแนวโน้มโดยกำเนิดที่จะค้นหาหลักฐานที่สนับสนุนความเชื่อเดิมของตน ไม่ใช่ท้าทายมัน
หลังจากติดป้ายครบหนึ่งร้อยข้อ คุณจะเห็นกราฟการกระจาย มิติที่ต่ำที่สุดในกราฟนั้น คือ 3.2 ของคุณ แม้คะแนนรวมของคุณจะเป็น 4.8 ก็ตาม
แล้วพบแล้วทำอย่างไร ไม่ใช่ลดราคาทันที ไม่ใช่แจกคูปองส่วนลดทันที แต่ต้องเข้าใจว่า ทำไมลูกค้าให้คะแนนต่ำในมิตินี้ เป็นปัญหากลยุทธ์ราคา เป็นการสื่อสารที่ไม่เพียงพอ ลูกค้าไม่รู้ว่าทำไมบริการของคุณจึงคุ้มค่าระดับนี้ หรือมีค่าใช้จ่ายเพิ่มเติมที่เพิ่งเปิดเผยในตอนท้ายจริงๆ
การพบ 3.2 เป็นเพียงก้าวแรก การเข้าใจสาเหตุของ 3.2 คือกุญแจที่จะเปลี่ยนอัตราการซื้อซ้ำได้อย่างแท้จริง
ดาวน์โหลดรายงานเกณฑ์มาตรฐานอุตสาหกรรม
คะแนนห้ามิติของคุณเทียบกับค่าเฉลี่ยอุตสาหกรรมแล้วเป็นอย่างไร กรอกอีเมล รับรายงานเกณฑ์มาตรฐานอุตสาหกรรม ดูว่าคะแนน “ความคุ้มค่า” ของคุณเป็นปัญหาโครงสร้างที่ต่ำหรือไม่
บทความที่เกี่ยวข้อง
← รายงานของคุณสวยงามและเชื่อมโยงกันทุกประการ แต่มันไม่บอกคุณว่าทำไมลูกค้าไม่มาอีก
รายงานดูแต่คะแนนรวม นั่นอันตรายพอๆ กับการดูแต่คะแนนรีวิวเฉลี่ย Survivor Bias ไม่ได้เกิดแค่ในคำสั่งซื้อ แต่เกิดในรีวิวด้วย
→ อ่าน
กำลังโหลด…