Matrix data analysis là gì? Phân tích dữ liệu ma trận và biểu đồ định vị | Ví dụ

Trong New 7 QC tools, chỉ có một công cụ làm việc với dữ liệu số: Matrix data analysis (MDA). Nó giúp so sánh nhiều đối tượng trên nhiều tiêu chí cùng lúc và đặt chúng lên một “bản đồ định vị”.

Tóm tắt nhanh

• Matrix data analysis (MDA) là công cụ duy nhất trong New 7 QC tools làm việc với dữ liệu số.
• Phân tích ma trận đối tượng × tiêu chí để tìm các trục chính, so sánh nhiều đối tượng cùng lúc.
• Các bước: lập ma trận, chuẩn hóa về cùng thang (0–10 hoặc z-score), nhóm tiêu chí thành 2 trục, vẽ và diễn giải.
• Lỗi lớn: không chuẩn hóa nên tiêu chí đơn vị lớn lấn át, nhóm trục tùy tiện, quá ít đối tượng (< 4).

Matrix data analysis là gì?

Matrix data analysis là phương pháp phân tích dữ liệu trong ma trận (đối tượng × tiêu chí) để tìm ra các trục chính giải thích sự khác biệt, rồi biểu diễn đối tượng trên biểu đồ 2 chiều. Bản gốc dùng phân tích thành phần chính (PCA); trong thực tế nhà máy, phiên bản đơn giản là biểu đồ định vị 2 trục từ điểm tổng hợp.

Khi nào dùng?

Tình huống	Đối tượng	Tiêu chí
Đánh giá nhà cung cấp	NCC A, B, C…	Giá, chất lượng, giao hàng, hỗ trợ
Định vị sản phẩm	Sản phẩm mình & đối thủ	Độ bền, giá, thiết kế
Phân nhóm khách hàng	Khách hàng	Doanh số, khiếu nại, tần suất đặt

Các bước (phiên bản thực dụng)

1. Lập ma trận dữ liệu: hàng là đối tượng, cột là tiêu chí.
2. Chuẩn hóa về cùng thang (0–10 hoặc z-score).
3. Nhóm tiêu chí thành 2 trục ý nghĩa (ví dụ: “Chất lượng” và “Dịch vụ”), hoặc dùng PCA bằng phần mềm (Minitab, Python).
4. Tính điểm trục cho mỗi đối tượng.
5. Vẽ biểu đồ định vị 2 trục, chia 4 góc phần tư.
6. Diễn giải và hành động theo từng nhóm.

Ví dụ: đánh giá 5 nhà cung cấp bao bì, nhà máy bánh kẹo Hà Nội

NCC	Tỷ lệ lỗi (ppm)	Đúng hạn (%)	Phản hồi khiếu nại (ngày)	Giá (chỉ số)
A	120	98	1	105
B	850	92	5	92
C	300	75	3	95
D	90	85	2	110
E	1.500	96	7	88

Chuẩn hóa về thang 0–10, nhóm trục X = Chất lượng (ppm + phản hồi), trục Y = Giao hàng:

NCC	Điểm chất lượng	Điểm giao hàng	Góc phần tư
A	9,5	9,6	Đối tác chiến lược
D	9,2	4,4	Cần cải thiện giao hàng
C	7,8	0,0	Rủi ro cao
B	5,4	7,1	Cần cải thiện chất lượng
E	0,5	8,7	Rẻ nhưng chất lượng kém

Kết quả: tăng tỷ trọng đơn cho A, lập kế hoạch giao hàng với D, đưa E vào chương trình phát triển nhà cung cấp, tìm NCC thay thế C.

Lỗi hay gặp

• Không chuẩn hóa, tiêu chí đơn vị lớn (ppm) lấn át tiêu chí khác.
• Nhóm trục tùy tiện, trục không có ý nghĩa.
• Quá ít đối tượng (<4), biểu đồ không có giá trị so sánh.
• Áp dụng PCA mà không hiểu, diễn giải sai thành phần.

Mẹo làm trên Excel

• Chuẩn hóa min–max: =(x-MIN(cột))/(MAX(cột)-MIN(cột))*10; với tiêu chí “càng nhỏ càng tốt” (ppm lỗi, ngày phản hồi, giá) thì lấy 10 trừ đi kết quả.
• Tính điểm trục bằng trung bình (hoặc trung bình có trọng số) các tiêu chí thuộc trục đó.
• Vẽ Scatter, đặt Axis Crosses tại 5 để chia 4 góc phần tư; dùng Data Labels > Value From Cells để hiện tên nhà cung cấp.
• Cần PCA thật: dùng add-in thống kê, Minitab, hoặc Python (scikit-learn) rồi dán kết quả về Excel.

\ Nhà cung cấp	Điểm chất lượng	Điểm giao hàng	Nhóm
A	9,5	9,6	Đối tác chiến lược
B	5,4	7,1	Cải thiện chất lượng
C	7,8	0	Rủi ro cao
D	9,2	4,4	Cải thiện giao hàng
E	0,5	8,7	Rẻ nhưng chất lượng kém

Bảng này chính là dữ liệu vẽ lên sơ đồ phía trên. Nên chuẩn hoá mọi chỉ số về thang 0–10 trước khi vẽ, nếu không trục có đơn vị lớn sẽ “kéo” toàn bộ biểu đồ. Cập nhật mỗi quý để thấy nhà cung cấp nào đang di chuyển giữa các ô.

Câu hỏi thường gặp

Khi nào cần PCA thay vì nhóm trục thủ công? Khi có nhiều tiêu chí (trên 5–6) tương quan với nhau và không rõ cách gom nhóm có ý nghĩa.

Có nên gán trọng số cho tiêu chí? Nên, nếu ban lãnh đạo thống nhất mức quan trọng; ghi rõ trọng số để kết quả minh bạch.

Bước tiếp theo

• Xem quan hệ định tính với Matrix diagram
• Kiểm tra tương quan giữa hai tiêu chí bằng Scatter diagram
• Xem tổng quan New 7 QC tools