Bài 37 — Statistical Analysis for UX Research

Mở đầu — vì sao bài này quan trọng

Nếu bạn từng ngồi họp với Product Owner và bị chất vấn "con số 78% hài lòng này có đáng tin không, hay chỉ là ngẫu nhiên?", bạn sẽ hiểu ngay tại sao bài này tồn tại. Rất nhiều UX Researcher giỏi phần định tính — phỏng vấn sâu, quan sát, tổng hợp insight — nhưng lại lúng túng khi phải bảo vệ một con số. Họ trình bày "trung bình người dùng mất 42 giây để hoàn thành checkout" mà không biết rằng con số 42 đó có thể lệch hoàn toàn chỉ vì một người dùng nào đó đi pha cà phê giữa chừng.

Thống kê không phải để bạn trở thành nhà toán học. Nó là công cụ để bạn phân biệt tín hiệu thật với nhiễu, và để bạn nói được câu quan trọng nhất trong nghề nghiên cứu: "Tôi tin kết quả này ở mức độ nào, và vì sao." Trong bối cảnh các sản phẩm số Việt Nam ngày càng cạnh tranh bằng dữ liệu — từ MoMo, Shopee đến VNPay — người làm UX biết đọc và diễn giải thống kê một cách trung thực sẽ có tiếng nói trọng lượng hơn hẳn trong phòng họp.

Bài học này tập trung vào cách phân tích và diễn giải dữ liệu số trong nghiên cứu UX: thống kê mô tả để hiểu dữ liệu đang nói gì, và thống kê suy luận để biết liệu điều bạn thấy có khái quát được cho toàn bộ người dùng hay không. Chúng ta không đi vào chi tiết thiết kế A/B test (đã có ở Bài 27) hay các chỉ số usability chuẩn hóa như SUS (Bài 36) — mà tập trung vào bộ khung tư duy thống kê để đọc mọi loại dữ liệu định lượng.

Khái niệm cốt lõi

Thống kê mô tả — mô tả những gì bạn đang thấy

Thống kê mô tả (descriptive statistics) tóm tắt một tập dữ liệu bằng vài con số. Có ba nhóm bạn phải nắm chắc.

1. Đo xu hướng trung tâm (central tendency) — "điển hình" trông như thế nào?

• Mean (trung bình cộng): cộng tất cả rồi chia số lượng. Nhạy cảm với giá trị ngoại lai (outlier). Nếu 9 người mất 30 giây và 1 người mất 600 giây, mean bị kéo lên tận 87 giây — một con số không đại diện cho ai cả.
• Median (trung vị): giá trị nằm giữa khi sắp xếp từ nhỏ đến lớn. Với ví dụ trên, median vẫn là 30 giây. Đây là lý do trong nghiên cứu UX, với dữ liệu thời gian (time-on-task) bạn gần như luôn nên báo cáo median thay vì mean — vì thời gian thao tác thường lệch phải (right-skewed).
• Mode (yếu vị): giá trị xuất hiện nhiều nhất. Hữu ích với dữ liệu phân loại — ví dụ "phương thức thanh toán được chọn nhiều nhất là ví điện tử."

2. Đo độ phân tán (dispersion) — dữ liệu trải rộng hay tụm lại?

• Range (khoảng biến thiên): max trừ min. Đơn giản nhưng dễ bị outlier đánh lừa.
• Quartile & IQR (tứ phân vị): chia dữ liệu thành 4 phần. IQR = Q3 − Q1, chứa 50% dữ liệu ở giữa. IQR rất mạnh vì không bị outlier làm nhiễu, và là nền tảng để vẽ boxplot.
• Standard deviation (độ lệch chuẩn, SD): đo trung bình mỗi điểm dữ liệu cách mean bao xa. SD nhỏ nghĩa là người dùng hành xử đồng nhất; SD lớn nghĩa là có nhiều nhóm người dùng khác nhau. Một câu bạn phải khắc cốt: mean mà không có SD đi kèm là một con số vô nghĩa. "Trung bình 3.5 sao" có thể là mọi người đều cho 3-4 sao, hoặc một nửa cho 1 sao và một nửa cho 5 sao — hai câu chuyện hoàn toàn khác nhau.

3. Hình dạng phân phối (distribution shape)

• Skewness (độ lệch): phân phối nghiêng về bên nào. Lệch phải (đuôi kéo về giá trị lớn) rất phổ biến với dữ liệu thời gian. Khi dữ liệu lệch, mean và median tách xa nhau — đó là tín hiệu bạn nên dùng median.
• Kurtosis (độ nhọn): phân phối nhọn và tập trung hay bẹt và trải rộng. Ít dùng trong báo cáo hằng ngày nhưng quan trọng khi bạn kiểm tra giả định của các phép kiểm định.

Việc luôn vẽ dữ liệu ra (histogram, boxplot) trước khi tính toán giúp bạn nhìn thấy skew, outlier, và các cụm ẩn mà con số đơn lẻ che giấu.

Thống kê suy luận — từ mẫu suy ra tổng thể

Thống kê mô tả nói về nhóm người bạn đã đo. Nhưng bạn thật sự muốn biết về toàn bộ người dùng — những người bạn chưa gặp. Đó là việc của thống kê suy luận (inferential statistics).

• Population vs Sample: bạn không thể đo 5 triệu người dùng, nên bạn lấy mẫu 40 người và suy ra. Câu hỏi cốt lõi: kết quả từ 40 người này có khái quát được không?
• Confidence Interval (khoảng tin cậy, CI): thay vì nói "tỷ lệ hoàn thành là 80%", bạn nói "80%, với khoảng tin cậy 95% từ 68% đến 89%". CI cho thấy độ bất định. Mẫu càng nhỏ, CI càng rộng. Đây là công cụ trung thực nhất và nên là mặc định trong mọi báo cáo UX định lượng.
• p-value & significance: p-value trả lời "nếu thực sự không có khác biệt gì, xác suất tôi thấy kết quả chênh lệch như thế này (hoặc hơn) là bao nhiêu?". Nếu p < 0.05, ta thường coi khác biệt là "có ý nghĩa thống kê" — tức khó có khả năng chỉ do ngẫu nhiên. Nhưng cẩn thận: p-value KHÔNG cho biết khác biệt lớn cỡ nào hay có quan trọng với business không.
• Effect size (độ lớn hiệu ứng): đây là con số bổ khuyết cho p-value. Nó nói khác biệt lớn đến đâu. Một khác biệt có thể "có ý nghĩa thống kê" (p nhỏ) nhưng effect size bé xíu, chẳng đáng để làm gì.
• Statistical power (lực thống kê): khả năng phát hiện ra khác biệt thật khi nó thực sự tồn tại. Mẫu quá nhỏ khiến bạn "mù" — không thấy khác biệt không có nghĩa là không có.

Về việc chọn phép kiểm định, chỉ cần nhớ khung cơ bản:

• So sánh hai nhóm độc lập (nhóm A dùng thiết kế cũ, nhóm B dùng thiết kế mới) với dữ liệu liên tục → t-test độc lập.
• Cùng một nhóm đo hai lần (trước và sau) → paired t-test.
• So sánh từ ba nhóm trở lên → ANOVA.
• Dữ liệu tỷ lệ/đếm (bao nhiêu người hoàn thành vs thất bại) → Chi-square hoặc kiểm định tỷ lệ.
• Dữ liệu lệch mạnh, mẫu nhỏ, không đạt giả định phân phối chuẩn → dùng các phép phi tham số (Mann-Whitney U, Wilcoxon).

Tình huống thực tế

Ví dụ 1 — Ví điện tử và cái bẫy của "trung bình"

Một ví điện tử giả định tên PayViet đo thời gian hoàn thành nạp tiền lần đầu trên 30 người dùng mới. Đội ngũ báo cáo lên ban lãnh đạo: "trung bình 55 giây, chấp nhận được." Nhưng một researcher mới vào yêu cầu xem dữ liệu thô và vẽ histogram.

Hóa ra: 26 người mất 20–35 giây, còn 4 người mất 180–240 giây. Median chỉ là 28 giây, còn mean 55 giây bị 4 outlier kéo lên. Khi phỏng vấn lại 4 người này, họ phát hiện tất cả đều bị kẹt ở màn hình xác thực OTP vì SMS đến chậm. Vấn đề không phải là "sản phẩm hơi chậm với mọi người" mà là "một nhóm nhỏ bị chặn hoàn toàn ở một bước cụ thể."

Bài học: mean che giấu câu chuyện, median + việc nhìn phân phối phơi bày nó ra. Một outlier trong UX thường không phải rác cần bỏ đi — nó là một trải nghiệm thất bại đang kêu cứu.

Ví dụ 2 — Sàn thương mại điện tử và bẫy "ý nghĩa thống kê nhưng vô nghĩa business"

Một sàn TMĐT khu vực Đông Nam Á chạy thử nghiệm nút "Mua ngay" màu cam so với màu đỏ trên 50.000 lượt truy cập mỗi nhánh. Kết quả: nhánh đỏ có tỷ lệ nhấp cao hơn, p = 0.01 — "có ý nghĩa thống kê rõ ràng." Đội marketing muốn đổi toàn bộ hệ thống sang đỏ.

Nhưng researcher tính effect size: chênh lệch tỷ lệ nhấp chỉ là 0.3% (từ 12.1% lên 12.4%). Với mẫu 50.000 khổng lồ, ngay cả khác biệt cực nhỏ cũng cho p nhỏ. Câu hỏi thật sự: 0.3% này có xứng với chi phí kỹ thuật, rủi ro thương hiệu và công sức triển khai không? Sau khi quy đổi ra doanh thu kỳ vọng, con số quá nhỏ để ưu tiên.

Bài học: p-value cho biết khác biệt có thật hay không; effect size cho biết nó có đáng quan tâm hay không. Với mẫu lớn, đừng bao giờ chỉ nhìn p-value. Luôn hỏi: "Khác biệt lớn cỡ nào, và nó đổi ra tiền/trải nghiệm được bao nhiêu?"

Ví dụ 3 — App học tiếng Anh và khoảng tin cậy cứu vãn quyết định vội

Một startup edtech Việt Nam tên HocMai Nhanh (giả định) test một luồng onboarding mới với 18 người dùng. Tỷ lệ hoàn thành onboarding cũ là 60%, mới là 72%. CEO reo lên: "Tăng 12 điểm, triển khai ngay!"

Researcher tính khoảng tin cậy 95% cho tỷ lệ 72% với chỉ 18 người: CI trải từ khoảng 49% đến 88% — rất rộng, và chồng lấn nặng với con số cũ 60%. Nói cách khác, với 18 người, ta chưa đủ bằng chứng để khẳng định luồng mới thực sự tốt hơn; con số 72% có thể chỉ là may mắn của mẫu nhỏ. Họ quyết định chạy thêm đến khi đạt cỡ mẫu hợp lý (khoảng 60–80 người/nhánh) rồi mới kết luận. Ba tuần sau, dữ liệu lớn hơn cho thấy khác biệt thật chỉ còn khoảng 4 điểm — vẫn tốt, nhưng khác xa con số 12 điểm ban đầu suýt khiến họ đầu tư sai.

Bài học: với mẫu nhỏ, khoảng tin cậy rộng là lời cảnh báo trung thực nhất. Nó ngăn bạn "ăn mừng" trên nhiễu ngẫu nhiên.

Hướng dẫn từng bước

Đây là quy trình bạn có thể áp dụng cho bất kỳ tập dữ liệu định lượng nào trong nghiên cứu UX.

• Xác định loại dữ liệu trước tiên. Dữ liệu của bạn là liên tục (thời gian, số click), thứ bậc (thang Likert 1–5), hay phân loại (thành công/thất bại)? Loại dữ liệu quyết định mọi phép tính sau đó. Đừng tính mean cho dữ liệu phân loại.

• Vẽ trước, tính sau. Luôn dựng histogram và boxplot. Bạn tìm: dữ liệu có lệch không, có outlier không, có nhiều cụm không. 5 phút vẽ hình tiết kiệm hàng giờ diễn giải sai.

• Chọn thước đo xu hướng trung tâm phù hợp. Dữ liệu phân phối cân đối → mean. Dữ liệu lệch hoặc có outlier (đặc biệt là time-on-task) → median. Dữ liệu phân loại → mode/tỷ lệ.

• Luôn báo cáo độ phân tán kèm theo. Mean đi với SD; median đi với IQR. Không bao giờ đưa một con số trung tâm đơn độc.

• Chuyển từ mô tả sang suy luận bằng khoảng tin cậy. Với mọi tỷ lệ hay trung bình quan trọng, tính CI 95%. Đây là bước biến "con số của mẫu này" thành "ước lượng cho tổng thể."

• Nếu so sánh nhóm, chọn đúng phép kiểm định theo khung ở phần khái niệm, rồi báo cáo cả p-value lẫn effect size.

• Diễn giải bằng ngôn ngữ con người và ngôn ngữ business. Đừng dừng ở "p = 0.03". Hãy nói: "Luồng mới nhanh hơn khoảng 8 giây (từ 42 xuống 34), khác biệt này khó là do ngẫu nhiên (p = 0.03), và tương đương giảm 19% thời gian — đủ đáng để triển khai."

• Ghi lại giả định và giới hạn. Cỡ mẫu bao nhiêu, mẫu lấy thế nào, có thiên lệch gì không. Sự trung thực này chính là uy tín nghề nghiệp của bạn.

Lỗi thường gặp & mẹo

• Dùng mean cho mọi thứ. Với time-on-task và bất kỳ dữ liệu lệch nào, hãy mặc định median. Mẹo: nếu mean và median chênh nhau nhiều, dữ liệu đang lệch — đừng dùng mean.
• Báo cáo con số trần trụi không có độ bất định. "80% hài lòng" với n=10 và với n=1000 là hai mức tin cậy hoàn toàn khác nhau. Luôn kèm CI hoặc ít nhất là cỡ mẫu.
• Nhầm "không có ý nghĩa thống kê" với "không có khác biệt". Mẫu nhỏ thường thiếu power để phát hiện khác biệt thật. Không tìm thấy khác biệt ≠ không tồn tại khác biệt.
• Thờ phượng ngưỡng p < 0.05. p = 0.049 và p = 0.051 gần như giống hệt nhau. p-value là thang liên tục về bằng chứng, không phải công tắc bật/tắt.
• Bỏ qua effect size khi mẫu lớn. Mẫu càng lớn, p càng dễ nhỏ. Luôn hỏi "khác biệt to cỡ nào?".
• P-hacking — bới dữ liệu tìm p nhỏ. Nếu bạn test 20 giả thuyết, trung bình sẽ có 1 cái p < 0.05 chỉ do may rủi. Hãy đặt giả thuyết TRƯỚC khi nhìn dữ liệu.
• Tính trung bình trên thang Likert một cách thiếu suy nghĩ. Thang thứ bậc: khoảng cách giữa "rất không đồng ý" và "không đồng ý" chưa chắc bằng giữa "trung lập" và "đồng ý". Nhiều chuyên gia khuyên báo cáo phân bố (top-2-box) thay vì chỉ mean.
• Mẹo vàng: trước khi trình bày bất kỳ con số nào, tự hỏi "nếu Product Owner hỏi con số này chắc chắn tới đâu, tôi trả lời được không?". Nếu không, hãy quay lại tính CI.

Bài tập thực hành

• Đọc phân phối: Bạn có 12 giá trị time-on-task (giây): 22, 24, 25, 25, 27, 28, 29, 30, 31, 33, 190, 210. Hãy tính mean và median bằng tay hoặc bằng bảng tính. Con số nào đại diện đúng hơn cho trải nghiệm điển hình, và tại sao? Xác định 2 outlier và viết một giả thuyết về nguyên nhân của chúng.

• Diễn giải CI: Một khảo sát trên 25 người cho tỷ lệ hài lòng 76% với CI 95% là [58%, 89%]. Viết 3 câu giải thích cho một PM không rành thống kê: kết quả này nói lên điều gì, và tại sao bạn chưa nên tuyên bố "3/4 người dùng đều hài lòng" một cách chắc chắn.

• Phân biệt significance vs effect: Cho hai kịch bản — (a) khác biệt tỷ lệ chuyển đổi 5%, p = 0.06, n = 200/nhánh; (b) khác biệt 0.2%, p = 0.001, n = 80.000/nhánh. Với mỗi kịch bản, bạn khuyến nghị team làm gì và giải thích lý do dựa trên cả p-value lẫn effect size.

• Chọn phép kiểm định: Với mỗi tình huống, chọn phép kiểm định phù hợp: (a) so sánh thời gian checkout của cùng một nhóm 40 người trước và sau redesign; (b) so sánh tỷ lệ hoàn thành giữa 3 phiên bản landing page; (c) so sánh số click giữa hai nhóm người dùng độc lập với dữ liệu lệch mạnh.

Tóm tắt

Thống kê trong UX không phải để gây ấn tượng bằng công thức, mà để nói sự thật về dữ liệu một cách trung thực và định lượng được độ chắc chắn. Hãy ghi nhớ bốn trụ cột:

• Mô tả trước khi suy luận: vẽ dữ liệu, chọn đúng thước đo trung tâm (median cho dữ liệu lệch), và luôn kèm độ phân tán (SD hoặc IQR). Một con số trung tâm đơn độc là một lời nói dối một nửa.
• Suy luận bằng khoảng tin cậy: biến kết quả của mẫu thành ước lượng cho tổng thể, và để CI phơi bày độ bất định — đặc biệt với mẫu nhỏ.
• p-value và effect size là một cặp không thể tách rời: một cái nói "có thật không", cái kia nói "có đáng không". Với mẫu lớn, effect size mới là điều quan trọng.
• Trung thực về giới hạn: cỡ mẫu, cách lấy mẫu, giả định — đây chính là uy tín của bạn.

Khi bạn kết hợp được sự nghiêm túc của thống kê với sự thấu cảm của nghiên cứu định tính, bạn không chỉ nói "người dùng gặp khó khăn" — bạn nói "78% người dùng hoàn thành, CI [70%, 85%], nhưng nhóm 22% thất bại đều kẹt ở bước OTP, và đây là điều họ đã nói." Đó là lúc tiếng nói của bạn trở nên không thể bỏ qua trong phòng họp.