MỘT DỰ ÁN PHÂN TÍCH TRỌN VẸN

Đi qua năm chặng mô tả, chẩn đoán, dự đoán, đề xuất và thích ứng trên dữ liệu của một chuỗi cà phê

---

Cách dễ nhất để học năm loại hình phân tích là làm năm bài tập nhỏ, mỗi bài một loại hình, trên năm bộ dữ liệu khác nhau. Cách đó có ích, nhưng nó che mất điều khó nhất của nghề: các loại hình phân tích không đứng riêng mà nối thành chuỗi. Phát hiện của phân tích mô tả quyết định câu hỏi chẩn đoán nào đáng hỏi. Cơ chế mà chẩn đoán tìm ra quyết định nên dự báo cái gì. Dự báo là đầu vào của mô hình đề xuất. Và khi môi trường đổi, chuỗi phải tự nhận ra để quay lại từ đầu.

Chuỗi có một hệ quả mà bài tập rời không bao giờ cho thấy: sai sót lan truyền. Nếu chặng dự báo lấy nhầm "số ly bán được" làm biến mục tiêu thay vì "số ly khách muốn mua", dự báo sẽ thấp hơn thực tế. Chặng đề xuất nhận con số thấp ấy, xếp thiếu người, khách bỏ đi nhiều hơn, số ly bán được lại thấp hơn và vòng sau dự báo còn thấp nữa. Không bước nào trông có vẻ sai khi đứng riêng; chỗ sai chỉ lộ ra khi nhìn cả chuỗi.

Bài viết này đi trọn một dự án như vậy trên dữ liệu mô phỏng của Sáu Phố, một chuỗi cà phê giả định có sáu cửa hàng ở Thành phố Hồ Chí Minh, bán tại quầy và qua ứng dụng giao hàng. Mục 1 giới thiệu dữ liệu và công cụ ghi chép của dự án. Năm mục tiếp theo đi qua năm chặng: mô tả, chẩn đoán, dự đoán, đề xuất, thích ứng. Mục 7 cho thấy năm chặng được nén thành một bản tóm tắt nửa trang cho giám đốc. Dữ liệu là mô phỏng, có chủ đích; ưu điểm của nó là ta biết sự thật nằm ở đâu, nên kiểm được phương pháp có tìm ra sự thật không.

1. Dữ liệu và phiếu chặng

Mục này giới thiệu dữ liệu của Sáu Phố và một công cụ nhỏ giữ cho năm chặng nối được với nhau.

Tệp dữ liệu trung tâm có 8.688 dòng. Câu hỏi đầu tiên với mọi bộ dữ liệu là một dòng đại diện cho điều gì: ở đây mỗi dòng là một ca của một cửa hàng trong một ngày năm 2025, tức sáu cửa hàng nhân 362 ngày mở cửa nhân bốn ca (Sáng 6 đến 10 giờ, Trưa 10 đến 14 giờ, Chiều 14 đến 18 giờ, Tối 18 đến 22 giờ). Mỗi dòng ghi số nhân viên của ca, số ly bán tại quầy, số đơn khách đặt qua ứng dụng và số đơn bị hủy. Kèm theo là dữ liệu thời tiết theo ngày và 52.315 đơn ứng dụng riêng lẻ của một cửa hàng.

Hai cột cần đọc kỹ ngay từ đầu. Cột đơn ứng dụng đã đặt đếm mọi đơn khách đặt, kể cả đơn sau đó bị hủy vì chờ quá lâu, nên nó đo được nhu cầu qua ứng dụng ngay cả khi cửa hàng phục vụ không kịp. Còn cột ly tại quầy chỉ đếm khách đã mua: người đến quầy thấy hàng dài rồi quay đi không để lại dòng nào. Nhu cầu tại quầy vì thế là dữ liệu bị kiểm duyệt (censored): ta chỉ thấy phần nhu cầu mà cửa hàng đáp ứng được. Chi tiết nhỏ này sẽ quyết định số phận của chặng dự báo.

Để chuyển kết quả vận hành thành tiền, dự án dùng bốn giả định: giá vốn 13.500 đồng một ly, giá trên ứng dụng cao hơn tại quầy 15%, ứng dụng thu hoa hồng 25% giá trị đơn và chi phí một nhân viên cho một ca bốn giờ là 140.000 đồng. Ở cửa hàng CH03, mỗi ly bán tại quầy để lại 31.500 đồng số dư đảm phí, mỗi ly qua ứng dụng để lại khoảng 25.300 đồng.

Mỗi chặng được ghi lại bằng một phiếu chặng năm dòng, phiên bản thu nhỏ của mô hình SOAR (Richardson & Watson, 2024). Bảng 1 mô tả năm dòng đó.

Bảng 1. Năm dòng của một phiếu chặng

Nguồn: dựa trên mô hình SOAR của Richardson và Watson (2024).

Dòng chuyển giao là thứ biến năm phân tích rời thành một dự án: nếu không viết được dòng ấy, chặng vừa làm có thể đúng nhưng không dùng vào đâu. Mô hình SOAR được trình bày trong bài Mô hình SOAR trong phân tích kinh doanh. Hình 1 vẽ năm chặng của dự án và thứ được chuyển giao giữa chúng.

Hình 1. Năm chặng của dự án Sáu Phố và thứ được chuyển giao giữa các chặng.

2. Chặng mô tả: cửa hàng nào lệch nhịp

Chặng đầu tiên trả lời câu hỏi mà ban giám đốc hỏi mỗi tháng: cửa hàng nào đang lệch nhịp so với phần còn lại của chuỗi và từ khi nào.

Cách so sánh tự nhiên nhất là so doanh thu các cửa hàng với nhau và đó là cách dễ sai nhất, vì sáu cửa hàng nằm ở sáu khu vực có nhịp sống khác nhau: khu văn phòng đông sáng và trưa ngày thường, khu dân cư đông chiều tối và cuối tuần, cửa hàng gần đại học đi theo lịch học của sinh viên. So một cửa hàng văn phòng với một cửa hàng dân cư là so hai thứ khác nhau. Chặng mô tả vì thế so mỗi cửa hàng với chính nó ở kỳ trước, bằng doanh thu bình quân mỗi ngày mở cửa và tỷ lệ hủy đơn ứng dụng.

Kết quả cho ba tín hiệu. Cửa hàng CH05 gần đại học giảm 17,4% trong mùa hè, mức giảm lớn nhất chuỗi, nhưng đó là kỳ nghỉ của sinh viên và nó tự hồi lại khi năm học bắt đầu. Cửa hàng CH03 ở Phú Nhuận giảm 3,9% từ tháng 7 và không hồi lại, kèm tỷ lệ hủy đơn ứng dụng tăng gấp đôi. Cửa hàng CH04 tăng mạnh từ tháng 10 nhưng tỷ lệ hủy cũng tăng. Tín hiệu đáng lo nhất không phải mức giảm lớn nhất mà là mức giảm nhỏ không hồi lại, đi kèm một chỉ số vận hành xấu đi. Chặng mô tả chuyển giao cho chặng sau một câu hỏi: vì sao CH03 đi lùi từ tháng 7, cùng một ghi chú để mở về CH04.

3. Chặng chẩn đoán: vì sao CH03 đi lùi

Mục này trình bày cách tìm nguyên nhân khi có nhiều giả thuyết cùng khớp với thời điểm và cách lượng hóa thiệt hại.

3.1. Ba giả thuyết và dấu vân tay

Giám đốc đã có sẵn một giả thuyết: mùa mưa năm 2025 bắt đầu từ tháng 5 và 6, khách ngại ra đường. Chẩn đoán tốt bắt đầu bằng việc liệt kê nhiều giả thuyết trước khi nhìn số, vì người đã có sẵn một giả thuyết sẽ thấy con số nào cũng giống bằng chứng cho nó. Có ba giả thuyết đáng xét: mưa; nhu cầu giảm vì có quán mới mở gần đó; và năng lực phục vụ giảm, vì dữ liệu ghi rằng từ ngày 1/7, ca Trưa của CH03 chỉ còn ba nhân viên thay vì bốn.

Cả ba đều khớp với thời điểm tháng 7, nên thời điểm không phân xử được. Thứ phân xử được là dấu vân tay: mỗi giả thuyết, nếu đúng, phải để lại một kiểu dấu vết riêng trên dữ liệu và phải không để lại những dấu vết khác. Bảng 2 viết các dấu vân tay ấy ra trước khi chạy phép thử nào.

Bảng 2. Ba giả thuyết và dấu vân tay mỗi giả thuyết phải để lại

3.2. Bốn phép thử

Phép thử thứ nhất tách CH03 ra bốn ca rồi so nửa đầu năm với quý III. Ba ca Sáng, Chiều, Tối gần như không đổi. Ca Trưa đổi trên mọi chỉ số theo một chuỗi đọc được từ trái sang phải: số nhân viên giảm từ 4 xuống 3; mỗi người phải pha nhiều hơn, tải tăng từ 12,0 lên 15,4 ly mỗi giờ; thời gian pha gần gấp đôi, từ 5,5 lên 9,5 phút; tỷ lệ hủy đơn tăng gần bốn lần. Trong khi đó số đơn khách đặt mỗi ngày ở ca Trưa không giảm, từ 48,1 lên 49,0. Khách vẫn đến; cửa hàng không phục vụ kịp. Dấu vân tay này loại giả thuyết nhu cầu giảm và chỉ thẳng vào năng lực phục vụ. Phép thử thứ hai tách năng lực phục vụ khỏi mưa bằng chênh lệch kép (difference in differences): so mức thay đổi tỷ lệ hủy ca Trưa của CH03 trước và sau ngày 1/7 với mức thay đổi của ba cửa hàng đối chứng không đổi nhân sự trong cùng thời gian, như Hình 2.

Hình 2. Tỷ lệ hủy đơn ứng dụng ca Trưa trước và sau ngày 1/7/2025: CH03 so với nhóm đối chứng (dữ liệu mô phỏng).

Phép tính trong Hình 2 rất ngắn: (25,4 − 6,6) − (6,0 − 6,1) = 18,9 điểm phần trăm. Mưa, nếu có, tác động lên cả hai nhóm như nhau và bị trừ đi; phần còn lại thuộc về điều chỉ CH03 có, tức một nhân viên ca Trưa bị rút. Phương pháp này được trình bày kỹ hơn trong bài Suy luận nhân quả từ dữ liệu.

Phép thử thứ ba trả lời câu hỏi của giám đốc một cách tôn trọng: mưa thật sự làm gì? Gom mọi ca Chiều và Tối của cả chuỗi theo lượng mưa, ngày mưa trên 15 mm khách tại quầy giảm 27,1% nhưng đơn ứng dụng tăng 34,0%; tổng nhu cầu chỉ giảm 7,0%. Mưa chủ yếu đổi kênh mua, ở ca chiều tối, ở mọi cửa hàng: một dấu vân tay hoàn toàn khác với thứ thấy ở CH03. Phép thử thứ tư xuống cấp từng đơn trong 52.315 đơn ứng dụng của CH03 và thấy tỷ lệ hủy tăng theo thời gian chờ, đúng cơ chế của thiếu người.

Gộp lại, chặng chẩn đoán kết luận: CH03 đi lùi vì ca Trưa mất một nhân viên từ ngày 1/7; thiệt hại ước tính 5,03 triệu đồng mỗi tuần, gấp nhiều lần tiền lương thêm một người cho bảy ca Trưa, khoảng 0,98 triệu đồng mỗi tuần. Chặng này chuyển giao hai thứ: câu hỏi "tuần tới mỗi ca đông đến đâu" và một lưu ý rằng nhu cầu tại quầy ca Trưa đang bị đếm thiếu khoảng 9,3% vì khách bỏ về không để lại dấu vết.

4. Chặng dự đoán: tuần tới mỗi ca cần bao nhiêu

Muốn xếp lại ca thì phải biết tuần tới mỗi ca đông đến đâu. Mục này cho thấy quyết định quan trọng nhất của chặng dự báo không phải chọn mô hình mà chọn thứ để dự báo.

Biến mục tiêu tự nhiên là số ly bán được, vì đó là con số có sẵn trong báo cáo. Nhưng số ly bán được của ca Trưa CH03 đã bị năng lực phục vụ cắt bớt. Đo bằng cùng một mô hình, đổi biến mục tiêu từ ly nhu cầu sang ly bán làm dự báo ca Trưa thấp hơn 11,8%, trong khi các ca khác chỉ lệch khoảng 2%. Một lịch ca xếp theo dự báo thấp ấy lại thiếu người, đúng vòng lặp tự củng cố ở đầu bài. Dự án vì thế dự báo ly nhu cầu: ly tại quầy cộng ly ứng dụng đã đặt, kể cả đơn bị hủy, rồi hiệu chỉnh phần tại quầy ca Trưa bằng hệ số đếm thiếu 9,3% mà chặng chẩn đoán chuyển giao.

Ba mô hình được so sánh, từ thô đến tinh. Mô hình A lấy đúng số của cùng thứ, cùng ca tuần trước. Mô hình B lấy trung bình bốn tuần gần nhất của cùng thứ, cùng ca. Mô hình C gộp năm ngày thường thành một nhóm, Thứ Bảy một nhóm, Chủ nhật một nhóm, rồi lấy trung bình tám tuần gần nhất của nhóm, cùng ca. Ba mô hình được chấm bằng kiểm tra cuộn (rolling-origin evaluation): đứng ở từng tuần trong quá khứ, chỉ dùng dữ liệu có trước tuần đó để dự báo, rồi so với điều thật sự xảy ra (Hyndman & Athanasopoulos, 2021). Bảng 3 là kết quả trên 17 tuần.

Bảng 3. Sai số phần trăm tuyệt đối bình quân (MAPE) của ba mô hình dự báo, CH03, kiểm tra cuộn 17 tuần

Nguồn: dữ liệu mô phỏng Sáu Phố.

Mô hình C thắng, với MAPE 8,9% so với 11,8% của mô hình A và lý do thắng đáng hiểu hơn con số. Mô hình A dựa trên một quan sát nên mang nguyên mọi nhiễu của tuần trước sang tuần sau: một ngày mưa to tuần trước thành một dự báo thấp cho tuần này. Mô hình C dựa trên khoảng bốn mươi quan sát cho ngày thường, nên nhiễu triệt tiêu nhau. Gộp những ngày giống nhau thắng việc bám sát tuần gần nhất. Nhưng dự báo tốt nhất vẫn sai trung bình khoảng 9%. Thay vì giấu sai số, dự án ghi nó lại thành phân phối: 80% số tuần, nhu cầu thực tế nằm trong khoảng từ 0,87 đến 1,18 lần dự báo. Chia phân phối ấy thành năm phần ta có năm kịch bản nhu cầu và đó là thứ được chuyển giao cho chặng sau, không chỉ một con số. Các kỹ thuật dự báo được trình bày kỹ hơn trong bài Dự báo doanh số bằng chuỗi thời gian cho doanh nghiệp.

5. Chặng đề xuất: xếp bao nhiêu người cho mỗi ca

Có nhu cầu dự báo, câu hỏi tiếp theo là quyết định. Mục này nối dự báo với hành động qua ba bước: một đường cong, một phép tính biên và một bài toán tối ưu.

Bước thứ nhất là ước lượng đường cong hủy theo tải trên toàn bộ 8.688 ca của chuỗi: tỷ lệ đơn bị hủy tăng thế nào khi số ly mỗi nhân viên phải pha trong một giờ tăng lên. Đường cong này cong lên rất gắt. Ở ca Trưa Thứ Hai 05/01/2026, nhu cầu dự báo sau hiệu chỉnh là 205 ly. Với ba người, tải là 17,0 ly mỗi người mỗi giờ và tỷ lệ hủy kỳ vọng lên tới 55,5%; con số nghe cao nhưng nhất quán với dữ liệu, vì tháng 12/2025 ca Trưa của CH03 đã có tỷ lệ hủy 36,8% ở tải bình quân 16,1. Thêm người thứ tư, tải giảm còn 12,8 và tỷ lệ hủy còn 8,1%.

Bước thứ hai là giá trị biên: mỗi người thêm vào mang về bao nhiêu số dư đảm phí, so với 140.000 đồng tiền lương một ca. Quy tắc đọc rất đơn giản: thêm người khi phần tăng thêm còn cao hơn tiền lương. Giá trị biên giảm nhanh: người thứ ba ở ca Sáng mang thêm hơn một triệu đồng, người thứ năm chỉ vài chục nghìn. Bước thứ ba là quy hoạch nguyên cho cả tuần: khi tổng số ca người có giới hạn, 28 ô ca và ngày phải tranh nhau một nguồn lực chung và bài toán chọn cho mỗi ô một mức nhân viên sao cho tổng lãi ròng lớn nhất.

Còn một quyết định thiết kế dễ bị bỏ qua nhất: đưa nhu cầu vào mô hình dưới dạng nào. Vì đường cong hủy cong lên gắt, tác động của sai số không đối xứng: một ngày đông hơn dự báo 15% đẩy ca vào vùng dựng đứng và mất rất nhiều đơn, còn một ngày vắng hơn 15% chỉ làm vài nhân viên rảnh tay. Tối ưu trên con số trung bình bỏ qua sự bất đối xứng ấy và có xu hướng xếp thiếu người, hiện tượng mà Savage (2009) gọi là quy luật trung bình sai lầm (flaw of averages). Tối ưu trên năm kịch bản cho lịch tốt hơn. Kết quả: thêm một người ca Trưa mọi ngày, giảm ca Sáng cuối tuần xuống ba người; lãi ròng kỳ vọng tăng 6,11 triệu đồng mỗi tuần, số ly bị hủy giảm từ 384 xuống 114. Cách lập luận này được trình bày tổng quát trong bài Cây quyết định, giá trị kỳ vọng và giá trị của thông tin.

6. Chặng thích ứng: khi môi trường đổi mà không ai báo

Mọi con số ở chặng đề xuất dựa trên giả định rằng tuần tới giống tám tuần vừa qua. Mục này hỏi: khi giả định ấy hỏng, hệ thống có tự nhận ra không.

Ghi chú để mở từ chặng mô tả quay lại đây. Từ tháng 10/2025, nhu cầu ca Sáng và Trưa ngày thường của CH04 tăng mạnh vì một lý do mà dữ liệu không ghi, chẳng hạn một tòa văn phòng mới mở gần đó. Một mô hình trung bình tám tuần chậm chạp sẽ dự báo thấp nhiều tuần liền. Chặng thích ứng so ba chiến lược dự báo và đặt một quy tắc cảnh báo: khi sai số dự báo của một ca lệch cùng chiều quá 15% hai tuần liền, hệ thống coi đó là điểm gãy, bỏ dữ liệu trước điểm gãy và học lại từ dữ liệu mới. Quy tắc này giảm MAPE ca Sáng và Trưa ngày thường của CH04 từ 30,8% với mô hình tĩnh xuống 7,8%, chỉ dựa vào chính sai số dự báo, không cần ai báo tin về tòa nhà mới.

Bước kiểm chứng cuối cùng quan trọng hơn: dự báo tốt hơn có thành quyết định tốt hơn không? Chạy ngược cả chuỗi dự báo và xếp ca trên nhu cầu thực tế của 11 tuần, xếp ca theo năm kịch bản mang lại ước tính thêm 8,7 triệu đồng, còn xếp ca theo dự báo điểm lại mất 5,5 triệu đồng so với lịch cũ. Cùng một dự báo, hai cách dùng, hai kết quả trái dấu.

Chặng này còn sinh ra một bộ quy tắc vận hành phân định việc của máy với việc của người: máy dự báo và đề xuất lịch mỗi tuần; người quản lý cửa hàng duyệt lịch; cảnh báo điểm gãy được chuyển cho người phụ trách vùng xem xét nguyên nhân trước khi hệ thống học lại. Bảng 4 gom năm chặng thành một trang.

Bảng 4. Năm chặng của dự án Sáu Phố tóm trong một bảng

Nguồn: dự án trên dữ liệu mô phỏng Sáu Phố.

7. Từ năm phiếu chặng đến nửa trang cho giám đốc

Năm phiếu chặng là sổ tay của người phân tích, không phải báo cáo cho người ra quyết định. Mục này cho thấy chúng được nén thành một bản tóm tắt điều hành như thế nào.

Ba nguyên tắc chi phối bản tóm tắt. Thứ nhất, khuyến nghị đứng đầu, không phải hành trình phân tích. Thứ hai, mỗi khuyến nghị đi kèm một con số và giới hạn của con số đó. Thứ ba, bản tóm tắt trả lời cả câu hỏi người đọc không hỏi nhưng sẽ hỏi, ở đây là "thế còn mưa?", vì một câu hỏi bị bỏ qua sẽ quay lại trong cuộc họp và làm người ta nghi ngờ phần còn lại. Bản tóm tắt gửi giám đốc vận hành của Sáu Phố có năm đoạn ngắn:

Khuyến nghị. Từ tuần 05/01/2026, tuyển bù một nhân viên ca Trưa cho CH03 và giảm ca Sáng cuối tuần của CH03 xuống ba người; đồng thời áp dụng lịch ca mới cho CH04, thêm người ca Sáng và Trưa ngày thường.

Vì sao. CH03 đi lùi từ 1/7 vì ca Trưa mất một nhân viên: tỷ lệ hủy đơn ứng dụng ca Trưa tăng 18,9 điểm phần trăm so với các cửa hàng đối chứng, trong khi số đơn khách đặt không giảm. Thiệt hại ước tính 5,03 triệu đồng mỗi tuần, gấp nhiều lần lương thêm một người (0,98 triệu đồng mỗi tuần). Lịch đề xuất cho CH03 tăng lãi ròng kỳ vọng 6,11 triệu đồng mỗi tuần; lịch mới cho CH04 tăng 2,77 triệu đồng mỗi tuần.

Về mưa. Mưa có làm khách tại quầy giảm, nhưng khách chuyển sang đặt qua ứng dụng; tổng nhu cầu chỉ giảm vài phần trăm, ở ca chiều tối của mọi cửa hàng. Mưa không giải thích được chuyện ở CH03.

Điều có thể sai. Các con số lợi ích là ước tính dựa trên mô hình; mô hình chưa tính khách tại quầy bỏ về nên nhiều khả năng đánh giá thấp lợi ích. Hệ thống sẽ theo dõi sai số dự báo hằng tuần và báo khi lệch quá 15% hai tuần liền.

Cần quyết định. Duyệt tuyển dụng trước Thứ Tư 31/12/2025 để kịp lịch tuần 05/01.

Bản tóm tắt dài chưa tới một trang, có bốn con số chính và không có thuật ngữ nào như "chênh lệch kép" hay "quy hoạch nguyên". Những thứ ấy vẫn ở đó, trong phụ lục và năm phiếu chặng, cho người muốn kiểm tra. Người đọc tóm tắt cần tin được kết luận; người đọc phụ lục cần kiểm lại được kết luận. Cách kể câu chuyện từ dữ liệu được trình bày trong bài Kể chuyện bằng dữ liệu để ra quyết định.

Kết luận

Dự án Sáu Phố cho thấy năm loại hình phân tích có giá trị nhất khi nối thành chuỗi. Chặng mô tả chọn đúng tín hiệu: mức giảm nhỏ không hồi lại, chứ không phải mức giảm lớn theo mùa. Chặng chẩn đoán dùng dấu vân tay và nhóm đối chứng để tách nguyên nhân thật khỏi giả thuyết sẵn có. Chặng dự đoán chọn đúng thứ để dự báo trước khi chọn mô hình. Chặng đề xuất tôn trọng sự bất đối xứng của rủi ro thay vì tối ưu trên con số trung bình. Và chặng thích ứng biến cả chuỗi thành một hệ thống biết tự nhận ra khi thế giới đổi.

Bài học xuyên suốt nằm ở những chỗ nối. Hệ số đếm thiếu 9,3% đi từ chặng chẩn đoán sang chặng dự báo; năm kịch bản đi từ chặng dự báo sang chặng đề xuất; và ở bước kiểm chứng cuối, cùng một dự báo cho kết quả trái dấu tùy cách nó được dùng. Một dự án phân tích không được đánh giá bằng độ tinh vi của từng chặng, mà bằng việc quyết định cuối cùng có tốt hơn không và bằng việc người ra quyết định có tin, có kiểm lại được kết luận hay không.

Đọc thêm

• Mô hình SOAR trong phân tích kinh doanh
• Năm loại hình phân tích kinh doanh
• Suy luận nhân quả từ dữ liệu
• Dự báo doanh số bằng chuỗi thời gian cho doanh nghiệp
• Cây quyết định, giá trị kỳ vọng và giá trị của thông tin
• Kể chuyện bằng dữ liệu để ra quyết định

Tài liệu tham khảo

Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/

Richardson, V. J., & Watson, M. W. (2024). Introduction to business analytics. McGraw Hill. https://www.mheducation.com/highered/product/introduction-business-analytics-richardson-watson/9781265450175.html

Savage, S. L. (2009). The flaw of averages: Why we underestimate risk in the face of uncertainty. Wiley. https://www.oreilly.com/library/view/the-flaw-of/9780470488126/