Các thí nghiệm giúp xác định nguyên nhân và kết quả trong các tình huống thực tế, từ đó đưa ra các quyết định chiến lược dựa trên dữ liệu thực tế.Chương này nhấn mạnh tầm quan trọng của
INTRODUCTION TO DATA ANALYSIS: BREAK IT DOWN
Tổng quan
Chương đầu tiên bắt đầu với việc nhấn mạnh tầm quan trọng của phân tích dữ liệu trong thế giới hiện đại Dữ liệu hiện diện ở khắp mọi nơi và việc sở hữu kỹ năng phân tích dữ liệu đem lại lợi thế lớn, vì nó giúp biến những con số thô thành thông tin hữu ích, từ đó đưa ra những quyết định thực tiễn Đồng thời ở chương này sẽ tập trung vào việc giới thiệu những khái niệm cơ bản và tầm quan trọng của phân tích dữ liệu trong việc ra quyết định Những điểm chính bao gồm:
1.1.1 Giới thiệu về phân tích dữ liệu:
Phân tích dữ liệu là quá trình thu thập, xử lý, và diễn giải dữ liệu để đưa ra quyết định thông minh và thông báo.
Việc hiểu và sử dụng dữ liệu đúng cách có thể cải thiện hiệu quả công việc, tối ưu hóa quá trình và gia tăng lợi nhuận.
1.1.2 Vai trò của người phân tích dữ liệu:
Người phân tích dữ liệu là người làm việc với dữ liệu để tìm ra câu trả lời cho các câu hỏi quan trọng.
Công việc này bao gồm thu thập dữ liệu, làm sạch dữ liệu, phân tích và diễn giải kết quả.
Khách hàng chính là người trực tiếp đưa ra yêu cầu và sẽ sử dụng kết quả phân tích để đưa ra quyết định.
Ta cần thu thập thông tin từ khách hàng bằng các câu hỏi cụ thể, từ đó hiểu rõ nhu cầu và mục tiêu của khách hàng
1.1.4 Các bước phân tích dữ liệu:
1 Define (Định nghĩa): Xác định vấn đề hoặc mục tiêu cần phân tích.
2 Disassemble (Phân tách): Chia nhỏ vấn đề và dữ liệu thành các phần nhỏ hơn để dễ dàng phân tích.
3 Evaluate (Đánh giá): Đánh giá các phần đã phân tách để rút ra kết luận.
4 Decide (Quyết định): Kết hợp các kết luận lại để đưa ra hoặc đề xuất quyết định.
Tình huống minh họa - Acme Cosmetic
Acme Cosmetics đang đối mặt với vấn đề về doanh số và cần sự trợ giúp của ta, một nhà phân tích dữ liệu mới vào nghề Ta nhận được bảng dữ liệu về doanh số của sản phẩm MoisturePlus từ CEO của công ty để xem xét Dữ liệu bao gồm các thông tin như doanh số gộp, doanh số mục tiêu, chi phí quảng cáo, chi phí mạng xã hội và giá đơn vị sản phẩm trong vòng sáu tháng.
CEO yêu cầu một bản phân tích nhằm tăng doanh số bán hàng Điều này yêu cầu ta cần hiểu rõ vấn đề cụ thể mà CEO muốn giải quyết Một nhà phân tích giỏi sẽ luôn bắt đầu bằng việc định nghĩa rõ ràng vấn đề trước khi đi sâu vào dữ liệu.
1.2.2 Làm việc với khách hàng
Khách hàng (CEO trong trường hợp này) là người sẽ sử dụng kết quả phân tích của ta để đưa ra quyết định Do đó, ta cần thu thập càng nhiều thông tin càng tốt từ khách hàng để xác định rõ ràng vấn đề.
1.2.3 Phân tách và đánh giá dữ liệu
Sau khi định nghĩa vấn đề, bước tiếp theo là phân tách dữ liệu thành các phần nhỏ hơn để đánh giá chi tiết Ví dụ, với mẫu dữ liệu của Acme, ta cần phân tích các xu hướng trong doanh số gộp, doanh số mục tiêu, chi phí quảng cáo và mạng xã hội, cũng như biến động giá sản phẩm.
Cuối cùng, từ những phân tích chi tiết, ta tổng hợp và đưa ra khuyến nghị hoặc quyết định giúp cải thiện tình hình hiện tại.
EXPERIMENTS: TEST YOUR THEORIES
Tổng quan
Chương 2 tập trung vào việc sử dụng các thí nghiệm để kiểm tra và xác nhận các chiến lược kinh doanh Các thí nghiệm giúp xác định nguyên nhân và kết quả trong các tình huống thực tế, từ đó đưa ra các quyết định chiến lược dựa trên dữ liệu thực tế. Chương này nhấn mạnh tầm quan trọng của việc so sánh và phân tích dữ liệu một cách có hệ thống để kiểm soát các yếu tố gây nhiễu và đảm bảo kết quả chính xác. 2.1.1 Giới thiệu về thí nghiệm:
Thí nghiệm là gì: Quá trình kiểm tra các giả thuyết bằng cách thu thập và phân tích dữ liệu có kiểm soát.
Tầm quan trọng: Thí nghiệm giúp xác định mối quan hệ nhân quả và loại bỏ các yếu tố gây nhiễu, từ đó đưa ra các quyết định kinh doanh chính xác. 2.1.2 Vai trò của người thực hiện thí nghiệm:
Người thực hiện thí nghiệm: Là người thiết kế, triển khai và phân tích các thí nghiệm để kiểm tra các giả thuyết.
Công việc: Bao gồm xác định mục tiêu thí nghiệm, chọn nhóm đối chứng, ngẫu nhiên hóa, thu thập dữ liệu và phân tích kết quả.
Khách hàng: Là người trực tiếp đưa ra yêu cầu thí nghiệm và sẽ sử dụng kết quả để đưa ra quyết định.
Thu thập thông tin từ khách hàng: Bằng cách đặt câu hỏi cụ thể để hiểu rõ nhu cầu và mục tiêu của khách hàng.
1 Define (Định nghĩa): Xác định vấn đề hoặc mục tiêu cần kiểm tra.
2 Design (Thiết kế): Thiết kế thí nghiệm, bao gồm chọn nhóm đối chứng và ngẫu nhiên hóa.
3 Conduct (Thực hiện): Tiến hành thí nghiệm và thu thập dữ liệu.
4 Analyze (Phân tích): Phân tích dữ liệu thu thập được để rút ra kết luận.
5 Decide (Quyết định): Sử dụng kết quả phân tích để đưa ra hoặc đề xuất quyết định.
Tình huống minh họa - Starbuzz Coffee
Starbuzz Coffee đang đối mặt với vấn đề suy giảm doanh thu và cần sự trợ giúp của ta để thử nghiệm các chiến lược kinh doanh mới.
Doanh thu của Starbuzz giảm và ban giám đốc muốn tìm hiểu nguyên nhân Ta cần thực hiện các thí nghiệm để xác định liệu nhận thức giá trị của khách hàng có phải là nguyên nhân chính hay không.
2.2.2 Làm việc với khách hàng
Khách hàng là ban giám đốc của Starbuzz Ta cần thu thập thông tin từ họ để xác định rõ ràng mục tiêu của thí nghiệm.
2.2.3 Thiết kế và thực hiện thí nghiệm
Nhóm đối chứng: Sử dụng nhóm đối chứng để có được đường cơ sở so sánh.
Ngẫu nhiên hóa: Chọn ngẫu nhiên các nhóm để đảm bảo tính tương đồng và loại bỏ các yếu tố gây nhiễu.
2.2.4 Phân tích và đưa ra khuyến nghị
Phân tích dữ liệu: Đánh giá kết quả thí nghiệm để xác định liệu chiến lược mới có hiệu quả hay không.
Khuyến nghị: Đưa ra các khuyến nghị dựa trên kết quả thí nghiệm để giúp
Starbuzz cải thiện doanh thu.
Chương 2 cung cấp một hướng dẫn chi tiết về cách thực hiện các thí nghiệm để kiểm tra các giả thuyết trong kinh doanh Bằng cách áp dụng các bước này, ta có thể xác định nguyên nhân và kết quả một cách chính xác, từ đó đưa ra các quyết định chiến
CHƯƠNG 3 Optimization Take it to the max
Chương 3 mô tả tình huống tập trung vào việc tối ưu hoá xác nhận các chiến lược kinh doanh Các thí nghiệm giúp xác định nguyên nhân và kết quả trong các tình huống thực tế, từ đó đưa ra các quyết định chiến lược dựa trên dữ liệu thực tế Chương này nhấn mạnh tầm quan trọng của việc so sánh và phân tích dữ liệu một cách có hệ thống để kiểm soát các yếu tố gây nhiễu và đảm bảo kết quả chính xácđạt được mục tiêu kinh doanh của họ.
3.1.1 Giới thiệu về tối ưu hoá
Tối ưu hóa là quá trình tìm kiếm giải pháp tốt nhất hoặc tối ưu nhất trong một tập hợp các lựa chọn có sẵn Nó thường liên quan đến việc tối ưu hóa một hoặc nhiều mục tiêu trong bối cảnh của các ràng buộc hoặc hạn chế nào đó Trong lĩnh vực kinh doanh và khoa học máy tính, tối ưu hóa thường được sử dụng để tìm ra giải pháp tốt nhất cho các vấn đề phức tạp, như tối ưu hóa lợi nhuận, tối ưu hóa hiệu suất hoặc tối ưu hóa tài nguyên.
Người tối ưu hóa thường phải phân tích các vấn đề phức tạp, xác định các mục tiêu và ràng buộc, và thiết kế các chiến lược hoặc giải pháp tối ưu.
Khách hàng chính là người trực tiếp đưa ra yêu cầu và sẽ sử dụng kết quả phân tích để đưa ra quyết định.
Ta cần thu thập thông tin từ khách hàng bằng các câu hỏi cụ thể, từ đó hiểu rõ nhu cầu và mục tiêu của khách hang dữ liệu hành vi trực tuyến, và các nguồn dữ liệu bên ngoài khác.
Define (Định nghĩa): Bước này liên quan đến việc xác định rõ ràng vấn đề hoặc mục tiêu cần tối ưu hóa Điều này có thể bao gồm xác định các yếu tố cần tối ưu hoặc mô tả cụ thể về mục tiêu cuối cùng.
Design (Thiết kế): Sau khi đã xác định mục tiêu, bạn cần thiết kế thí nghiệm để kiểm tra các giải pháp tối ưu Điều này bao gồm việc lựa chọn các nhóm đối chứng, quyết định về việc ngẫu nhiên hóa, và xác định các tham số và biến số để kiểm tra.
Conduct (Thực hiện): Bước này bao gồm thực hiện thí nghiệm được thiết kế và thu thập dữ liệu cần thiết Việc thực hiện thí nghiệm đòi hỏi sự chính xác và tuân thủ các quy trình thí nghiệm đã được thiết kế trước đó.
Analyze (Phân tích): Dữ liệu thu thập được được phân tích để rút ra các kết luận có liên quan đến mục tiêu tối ưu hóa Phân tích này có thể bao gồm sử dụng các phương pháp thống kê hoặc các công cụ phân tích dữ liệu khác.
Decide (Quyết định): Dựa trên kết quả phân tích, quyết định được đưa ra về các giải pháp tối ưu hoặc các hành động cần thực hiện để đạt được mục tiêu tối ưu hóa.
3.2 Tình huống minh họa - Bathing Friends Unlimited
Nơi công ty Bathing Friends Unlimited muốn tăng lợi nhuận bằng cách sử dụng phân tích dữ liệu Họ đã thuê bạn để giúp họ tối ưu hóa quy trình sản xuất và tăng doanh thu.Trong ngữ cảnh này, việc sử dụng công cụ phân tích dữ liệu như Solver trên bảng tính là rất quan trọng để tìm ra giải pháp tối ưu cho việc tăng lợi nhuận Bạn được mô tả là một chuyên gia được thuê để giúp Bathing Friends Unlimited đạt được mục tiêu kinh doanh của họ.Mặc dù câu chuyện được kể với một phong cách hài hước và giải trí, nhưng nó cũng nhấn mạnh vào tầm quan trọng của phân tích dữ liệu và quyết định kinh doanh thông minh trong thế giới kinh doanh hiện đại.
Doanh thu của Bathing Friends Unlimited giảm và ban giám đốc muốn tìm hiểu nguyên nhân Ta cần thực hiện tối ưu hoá để xác định liệu nhận thức giá trị của khách hàng có phải giảm và ban giám đốc muốn tìm hiểu nguyên nhân Ta cần thực hiện các tối ưu để xác định liệu nhận thức giá trị của khách hàng có phải là nguyên nhân chính hay không.
3.2.2 Làm việc với khách hang
Việc làm việc với khách hàng trong quá trình tối ưu hóa thường liên quan đến việc xác định các yêu cầu và mục tiêu của họ Đây là một bước quan trọng để đảm bảo rằng giải pháp tối ưu hóa được phát triển phù hợp với mong đợi và nhu cầu
Xây dựng hàm mục tiêu: Định nghĩa rõ ràng hàm mục tiêu trong ngữ cảnh toán học.
Định nghĩa các ràng buộc: Xác định các phương trình hoặc bất đẳng thức đại diện cho các ràng buộc.
Xây dựng mô hình toán học: Kết hợp hàm mục tiêu và các ràng buộc để tạo thành mô hình tối ưu hóa hoàn chỉnh.
3.2.4 Phân tích và đưa ra khuyến nghị
Xác định loại mô hình phù hợp: Dựa trên tính chất của vấn đề, quyết định loại mô hình tối ưu hóa cần sử dụng (tuyến tính, phi tuyến, nguyên, ngẫu nhiên, v.v.).
HYPOTHESIS TESTING: SAY IT AIN’T SO
Nội dung chính
Chương này tập trung vào việc kiểm định giả thuyết, một phần quan trọng trong phân tích dữ liệu Chương này giới thiệu về phương pháp kiểm định giả thuyết bằng cách sử dụng phương pháp phủ định (falsification) và các khái niệm liên quan.
Tình huống minh họa
Câu chuyện bắt đầu với việc nhóm đang tìm hiểu về thời điểm ra mắt sản phẩm mới của PodPhone và họ có nhiều giả thuyết khác nhau về thời gian ra mắt Nhóm sử dụng kiểm định giả thuyết để loại bỏ các giả thuyết không hợp lý dựa trên các bằng chứng có sẵn.
Các bước chi tiết trong kiểm định giả thuyết
1 Đề xuất các giả thuyết (Hypotheses): Nhóm đề xuất các giả thuyết về thời gian ra mắt sản phẩm, ví dụ như: o H1: Ra mắt vào ngày mai. o H2: Ra mắt vào tháng tới. o H3: Ra mắt trong sáu tháng tới. o H4: Ra mắt trong một năm. o H5: Không ra mắt, sản phẩm bị hủy.
2 Thu thập và phân tích bằng chứng: Các bằng chứng bao gồm việc PodPhone đầu tư lớn vào sản phẩm mới, các phát biểu của CEO, tình hình kinh tế và thị trường Nhóm phân tích từng bằng chứng để xem xét giả thuyết nào bị phủ định bởi bằng chứng nào.
3 Phủ định các giả thuyết (Falsification): Phương pháp phủ định giả thuyết là trung tâm của kiểm định giả thuyết Thay vì chọn ngay giả thuyết hợp lý nhất, nhóm loại bỏ các giả thuyết bị phủ định bởi bằng chứng Ví dụ: o Giả thuyết H1 (ra mắt vào ngày mai) bị loại bỏ vì CEO đã nói rằng không thể ra mắt vào ngày mai. o Giả thuyết H5 (sản phẩm bị hủy) bị loại bỏ vì PodPhone đã đầu tư rất nhiều vào sản phẩm mới.
4 Phân tích chi tiết: Nhóm tiếp tục phân tích các giả thuyết còn lại bằng cách xem xét thêm các bằng chứng và loại bỏ dần các giả thuyết không hợp lý Quá trình này giúp nhóm tập trung vào những giả thuyết còn lại có khả năng cao nhất.
Chi tiết về kiểm định giả thuyết
Thu thập dữ liệu: Xác định và thu thập các bằng chứng liên quan đến các giả thuyết.
Phủ định (Falsification): Dùng bằng chứng để loại bỏ những giả thuyết không phù hợp.
Phân tích chi tiết (Diagnosticity): Đánh giá mức độ xác thực của từng giả thuyết còn lại.
Lựa chọn giả thuyết mạnh nhất: Cuối cùng, chọn ra giả thuyết có ít bằng chứng phủ định nhất.
Lợi ích của phương pháp phủ định
Giảm thiểu sai lầm: Tránh việc chọn nhầm giả thuyết bằng cách loại bỏ dần các lựa chọn không hợp lý.
Tư duy linh hoạt: Giúp nhà phân tích dữ liệu duy trì tư duy linh hoạt và không bị mắc kẹt vào một giả thuyết cụ thể ngay từ đầu.
Ứng dụng rộng rãi: Phương pháp này có thể áp dụng cho nhiều loại dữ liệu khác nhau và không giới hạn bởi dạng dữ liệu cụ thể.
Chương 5 không chỉ giới thiệu về kiểm định giả thuyết mà còn nhấn mạnh tầm quan trọng của việc tư duy phản biện và cách tiếp cận có hệ thống trong phân tích dữ liệu.
BAYESIAN STATISTICS: GET PAST FIRST BASE
Nội dung chính
Chương này tập trung vào việc giới thiệu và ứng dụng quy tắc Bayes trong phân tích thống kê.
Tình huống minh họa
Nội dung chương này được trình bày thông qua một câu chuyện về việc chẩn đoán bệnh "cúm thằn lằn" để minh họa cách thức áp dụng quy tắc Bayes trong việc cập nhật xác suất dựa trên thông tin mới.
1 Khám phá tin xấu từ bác sĩ: o Câu chuyện bắt đầu với một tình huống mà ta nhận được kết quả xét nghiệm dương tính với bệnh cúm thằn lằn. o Bác sĩ thông báo về bệnh và yêu cầu ta xem xét độ chính xác của xét nghiệm.
2 Phân tích độ chính xác từng phần của xét nghiệm: o Ta sẽ được giới thiệu về các khái niệm như tỷ lệ dương tính giả, tỷ lệ âm tính giả, tỷ lệ dương tính thật, và tỷ lệ âm tính thật.
3 Tỷ lệ cơ bản của bệnh cúm thằn lằn: o Trước khi xét nghiệm, tỷ lệ mắc bệnh cúm thằn lằn trong dân số là rất thấp, khoảng 1%.
4 Tính toán xác suất có bệnh dựa trên kết quả xét nghiệm: o Sử dụng quy tắc Bayes để tính xác suất thực sự mắc bệnh cúm thằn lằn sau khi nhận được kết quả dương tính từ xét nghiệm. o Ta sẽ được hướng dẫn cách chuyển đổi các xác suất thành số nguyên đơn giản để dễ hiểu hơn.
5 Sử dụng quy tắc Bayes nhiều lần: o Quy tắc Bayes không chỉ sử dụng một lần mà có thể áp dụng liên tục khi có thêm thông tin mới. o Ví dụ về việc có thêm kết quả xét nghiệm thứ hai với độ chính xác khác và cách thay đổi tỷ lệ cơ bản dựa trên thông tin mới.
Quy tắc Bayes
Quy tắc Bayes được sử dụng để cập nhật xác suất của một giả thuyết dựa trên bằng chứng mới Công thức của quy tắc Bayes là:
P(H∣E) là xác suất của giả thuyết H khi có bằng chứng E.
P(H) là xác suất tiên nghiệm của giả thuyết H (trước khi có bằng chứng E).
P(E∣H) là xác suất của bằng chứng E khi giả thuyết H là đúng.
P(E) là xác suất của bằng chứng E.
Với người có xét nghiệm dương tính với cúm thằn lằn:
Tỷ lệ mắc bệnh cúm thằn lằn trong dân số (P(L)) là 1%.
Xác suất xét nghiệm đúng khi bạn có bệnh (P(+|L)) là 90%.
Xỏc suất xột nghiệm sai khi bạn khụng cú bệnh (P(+|ơL)) là 9%. Áp dụng quy tắc Bayes để tính xác suất thực sự mắc bệnh cúm thằn lằn sau khi có kết quả dương tính:
Thay các giá trị vào công thức:
Vậy xác suất thực sự mắc bệnh cúm thằn lằn khi có kết quả dương tính là khoảng 9.2%.
Chương 6 giúp ta hiểu rõ về quy tắc Bayes và cách áp dụng nó trong việc cập nhật xác suất dựa trên thông tin mới Thông qua câu chuyện và các ví dụ cụ thể, ta có thể thấy
Chương này tập trung vào việc giới thiệu xác suất chủ quan
Nội dung chương này được trình bày thông qua một câu chuyện về việc chẩn đoán bệnh "cúm thằn lằn" để minh họa cách thức áp dụng quy tắc Bayes trong việc cập nhật xác suất dựa trên thông tin mới.
7.3 Quy tắc Đánh giá hiệu quả của Backwater Investments đang phải đối mặt với một cuộc khủng hoảng nội bộ nghiêm trọng do sự bất đồng quan điểm giữa các nhà phân tích về các xu hướng địa chính trị.
Các nhà phân tích tranh luận về nhiều vấn đề quan trọng như liệu Nga có trợ cấp cho ngành dầu trong quý tới, liệu Nga có mua EuroAir, liệu Việt Nam sẽ giảm thuế trong năm nay, liệu chính phủ Việt Nam có khuyến khích đầu tư nước ngoài, liệu du lịch Indonesia có tăng trong năm nay, và liệu chính phủ Indonesia có đầu tư vào du lịch sinh thái.
Đánh giá rủi ro chủ quan: Những dự đoán và suy đoán của các nhà phân tích thường mang tính chủ quan và không chắc chắn Bằng cách áp dụng xác suất chủ quan, Backwater Investments có thể đánh giá được mức độ rủi ro từ các quan điểm khác nhau của nhân viên Điều này giúp tổ chức có thể chuẩn bị kế hoạch và chiến lược tài chính phù hợp hơn.
Quản lý tranh cãi và bất đồng: Sử dụng xác suất chủ quan giúp làm giảm thiểu sự bất đồng quan điểm giữa các nhà phân tích Bằng cách đưa ra các số liệu cụ thể và phân tích dựa trên xác suất, các quan điểm khác nhau có thể được đưa vào bàn thảo một cách hợp tác và xây dựng hơn là cạnh tranh và đối đầu.
Đưa ra quyết định dựa trên dữ liệu: Xác suất chủ quan giúp Backwater Investments có thể đưa ra các quyết định đầu tư dựa trên dữ liệu và dự đoán có tính chính xác hơn Việc lấy dữ liệu làm căn cứ để đưa ra quyết định giúp tăng tính khả thi và hiệu quả của các khoản đầu tư.
Tối ưu hóa chiến lược đầu tư: Thông qua việc áp dụng xác suất chủ quan, Backwater lưỡng hơn Điều này giúp tổ chức tối ưu hóa chiến lược đầu tư của mình, chọn lựa các khoản đầu tư phù hợp với chiến lược dài hạn và mục tiêu tài chính của họ.
Xác định kế hoạch phòng ngừa rủi ro: Bằng cách phân tích xác suất chủ quan,
Backwater Investments có thể xác định các kịch bản rủi ro khác nhau và phát triển kế hoạch phòng ngừa và ứng phó Điều này giúp tổ chức chuẩn bị sẵn sàng trước các tình huống bất ngờ và giảm thiểu thiệt hại tiềm năng.
Chương này tập trung vào việc giới thiệu phương pháp chuẩn đoán
Tổ chức phi lợi nhuận LitterGitters được hội đồng thành phố Dataville tài trợ để giảm thiểu tình trạng xả rác LitterGitters đã thực hiện nhiều chương trình tuyên truyền nhằm nâng cao nhận thức của người dân về vấn đề xả rác Tuy nhiên, khi báo cáo kết quả công việc với hội đồng thành phố, LitterGitters gặp khó khăn trong việc thuyết phục hội đồng rằng các chương trình của họ đã thành công vì thiếu dữ liệu cụ thể về lượng rác giảm.
1: Xác định các biến số quan trọng:
Nhận thức của công chúng về vấn đề xả rác: LitterGitters đã thực hiện khảo sát công chúng và kết quả cho thấy nhận thức về vấn đề xả rác đã tăng lên.
Đánh giá của công nhân vệ sinh: Công nhân vệ sinh có thể cung cấp ý kiến về việc liệu lượng rác có giảm hay không dựa trên kinh nghiệm thực tế của họ.
2: Tạo cây nhanh và tiết kiệm (fast and frugal tree):
1 Công chúng có tăng nhận thức về vấn đề xả rác không? o Có: Chuyển sang bước tiếp theo. o Không: Đề xuất ngừng tài trợ cho LitterGitters.
2 Công nhân vệ sinh có tin rằng lượng rác đã giảm không? o Có: Tiếp tục tài trợ cho LitterGitters. o Không: Đề xuất ngừng tài trợ cho LitterGitters.
8.3 Quy Tắc Đánh giá hiệu quả của chương trình tuyên truyền giảm thiểu xả rác của LitterGitters bằng cách sử dụng quy tắc heuristics, nhằm thuyết phục hội đồng thành phố tiếp tục tài trợ.
Bước 1: Xác định các biến số quan trọng
1 Nhận thức của công chúng về vấn đề xả rác: Đo lường thông qua khảo sát công chúng.
2 Đánh giá của công nhân vệ sinh: Thu thập ý kiến của công nhân vệ sinh về việc liệu lượng rác có giảm không dựa trên kinh nghiệm thực tế của họ. Bước 2: Tạo cây nhanh và tiết kiệm (Fast and Frugal Tree)
1 Công chúng có tăng nhận thức về vấn đề xả rác không? o Có: Chuyển sang bước tiếp theo. o Không: Đề xuất ngừng tài trợ cho LitterGitters.
2 Công nhân vệ sinh có tin rằng lượng rác đã giảm không? o Có: Tiếp tục tài trợ cho LitterGitters. o Không: Đề xuất ngừng tài trợ cho LitterGitters.
CHƯƠNG 9 HISTOGRAMS: THE SHAPE OF