Py bắt đầu để ý đến “gut” nhiều hơn từ bài chia sẻ của Steve Jobs tại buổi lễ tốt nghiệp của Trường Đại học Stanford: “You have to trust in something: your gut, destiny, life, karma, whatever.”¹ Nhìn lại hành trình làm nghề của mình, thật sự mà nói có giai đoạn Py thấy bản thân dựa vào năng lực này khá nhiều, nhất là giai đoạn cần deliver tasks trong thời gian ngắn. Chỉ là về lâu về dài, bản thân Py tự ý thức rằng cần có một phương thức nào đó để dùng trực cảm lý trí hơn, và quan trọng là cần tìm cách thức để bồi dưỡng nó. Và trong khuôn khổ của bài viết này, Py muốn nói về Thoughtful Execution² — một “kiểu” suy nghĩ hay cũng có thể nói là một cách diễn đạt giúp Py định hình việc áp dụng trực giác hiệu quả hơn.

Context

Thoughtful Execution được phát triển bởi Annina Koskinen, Principal Product Designer tại Spotify. Trong quá trình làm việc, Annina nhận ra một vấn đề lặp đi lặp lại: sau khi có mục tiêu, nhiều team thường nhảy ngay vào một ý tưởng duy nhất rồi đem đi A/B test. Và khi kết quả không như mong muốn, họ không biết mình sai ở đâu — giả định sai, thiết kế chưa chuẩn hay đang giải sai vấn đề. Từ nhu cầu giúp team “chậm lại để nghĩ rộng hơn”, Annina tạo ra Thoughtful Execution: một framework bắt đầu từ dữ liệu và insights, mở rộng nhiều cơ hội, tạo nhiều giả thuyết, rồi mới thu hẹp vào giải pháp có khả năng tạo ra tác động thật sự.

Theo Py quan sát, việc nhảy ngay vào giải pháp cũng là “triệu chứng” của nhiều PO “mới” lành nghề. Định nghĩa đơn giản là khoảng 1,5–2 năm kinh nghiệm trong một domain cụ thể, vì khi đó bộ kỹ năng đã tương đối hoàn thiện cùng với việc có trải nghiệm nhất định trong “ngành” (đủ hiểu về market, user, competitor). Thế nên, đây cũng là thời điểm phù hợp để suy nghĩ một cách đầy suy nghĩ về “thoughtful execution”.

Theory

Diễn đạt đơn giản, Thoughtful Execution có thể diễn đạt qua 5 bước:

1. Bắt đầu từ dữ liệu và insights

Sau khi mục tiêu đã được xác định, bước đầu tiên của Thoughtful Execution là quay về dữ liệu. Không vội nghĩ tính năng, team dành thời gian phân tích funnel, xem lại user behavior, đọc phản hồi từ CS hoặc chạy survey/UT nhanh nếu cần. Mục tiêu của giai đoạn này chỉ đơn giản là: xác định có những vấn đề hoặc cơ hội nào đang tồn tại — thường thì không phải một, mà là nhiều hướng khác nhau cùng có khả năng tác động đến mục tiêu.

2. Xác định các opportunities

Khi đã có đủ dữ liệu để hiểu bức tranh chung, team bắt đầu đặt tên từng opportunity một cách rõ ràng. Đây có thể là một điểm rơi trong funnel, một đoạn trải nghiệm chưa tối ưu hay một tín hiệu bất thường trong hành vi người dùng. Ở bước này, team chưa xem xét giải pháp; việc quan trọng là mô tả đúng “cơ hội” và lý do nó đáng để được quan tâm. Sau khi liệt kê đầy đủ, team chọn một hoặc một vài opportunity có khả năng tạo ra tác động lớn nhất để đi sâu hơn.

3. Tạo ra nhiều hypotheses

Từng opportunity được mở rộng thành nhiều giả định. Một vấn đề thường không có một nguyên nhân duy nhất, nên Thoughtful Execution yêu cầu team viết tách bạch từng hypothesis để có thể kiểm chứng độc lập. Ví dụ: người dùng rớt ở bước đăng ký có thể do form dài, wording khó hiểu hoặc không biết cách sửa lỗi — mỗi giả định tương ứng một hướng phân tích riêng.

4. Phát triển nhiều giải pháp cho mỗi hypothesis

Một hypothesis có thể được thể hiện qua nhiều phương án thiết kế. Vì vậy, thay vì chọn ngay một giải pháp “nghe có vẻ hợp lý”, team tạo ra nhiều biến thể giải pháp để tăng khả năng tìm ra cách tiếp cận hiệu quả nhất. Annina nhấn mạnh rằng không thể đánh giá đúng sai của một hypothesis nếu chỉ thử một thiết kế duy nhất; mỗi thiết kế khác nhau có thể mang đến một góc nhìn mới về vấn đề.

5. Kiểm chứng và học từ kết quả

Khi các phương án đã sẵn sàng, team tiến hành kiểm chứng qua qualitative test, A/B test hoặc phân tích định lượng. Mỗi vòng test tạo ra learnings — những dữ liệu mới giúp team biết giả định nào được củng cố, hướng nào nên tiếp tục và hướng nào cần dừng lại. Những learnings này cũng giúp cập nhật lại toàn bộ cấu trúc reasoning để đảm bảo team luôn đi đúng hướng mục tiêu.

Highly recommend bạn đọc thêm bài viết gốc ở link

Practices

Trên thực tế, không phải lúc nào Py cũng có đủ thời gian để dựng một Thoughtful Execution Tree hoàn chỉnh. Việc thu thập dữ liệu đâu thể làm trong vài tiếng, và cũng không phải “goal” nào cũng cần phân tích sâu đến vậy — thậm chí nếu lạm dụng, mình rất dễ rơi vào bẫy over-analysis: càng đào, càng thấy mơ hồ, rồi lại càng khó chọn hướng đi.

Vậy nên, trong những tình huống thực tế hơn, Py thường chia nhỏ framework thành vài cụm bước để áp dụng linh hoạt theo từng task. Ví dụ, khi não vô tình nhảy ngay đến “giải pháp”, Py sẽ tự dừng lại và hỏi: “Vậy hypothesis tương ứng của mình là gì?” Còn khi gut báo rằng “có gì đó không ổn”, thì câu tiếp theo sẽ là: “Có dữ liệu nào làm luận cứ cho cảm giác này không?”

Nếu bối cảnh cho phép, Py vẫn cố gắng bám sát đầy đủ framework để phân tích bài bản, rồi mang chính mạch tư duy đó vào proposal để trình bày giải pháp. Nhưng ngay cả khi không làm đủ 5 tầng như trong tree, việc sử dụng các bước nhỏ cũng đã tạo ra khác biệt rất rõ.

Hiệu quả dễ thấy nhất là Py không còn bị cuốn vào giải pháp một cách vô thức như trước. Đồng thời, cách lập luận khi trình bày cũng rõ ràng hơn — không phải vì dùng framework cho “kêu”, mà vì thật sự biết mình đang đứng ở bước nào và đang trả lời cho câu hỏi gì.

Và có lẽ, phần “lãi” dễ thấy nhất của Thoughtful Execution là gut không còn hoạt động theo bản năng mơ hồ nữa. Khi được nuôi bằng dữ liệu, giả định và quan sát có hệ thống, trực giác dần trở nên sắc hơn — đủ tin cậy để có thể dùng trong những trường hợp cần đưa quyết định khi thiếu thông tin hay cần nghĩ nhanh giải pháp cho vấn đề cấp bách.

1. Jobs, S. (2005, June 14). ‘You’ve got to find what you love,’ Jobs says. Stanford News. Link
2. Koskinen, A. (2020). From gut to plan: The Thoughtful Execution framework. Spotify Design. Link

Cám ơn bạn đã nán lại cho đến những dòng cuối cùng này.

Chúc bạn nhiều may mắn và bình an.

Anpy