Nếu không thể lấy được data mong muốn, ta nên sử dụng data gần giống hay
giống với data đó. Quan trọng là phải xác nhận và giữ nguyên bản chất “Cái
ta muốn thể hiện bằng data đó là gì”, sau đó suy nghĩ thay đổi cách thể hiện
có thể chấp nhận được.
Ví dụ, khi ta muốn so sánh Tỉ lệ lợi nhuận của toàn bộ chi nhánh, nhưng
data ở mỗi chi nhánh lại khác nhau (thời điểm, hay cách tính), nếu để
nguyên như thế thì không thể so sánh được (có trường hợp các chi nhánh
vận hành một hệ thống data riêng, nên không thể dễ dàng thu thập được các
data đó).
Nếu mục đích ban đầu là để “chia thành nhóm các chi nhánh thành tích tốt
và chưa tốt”, thì ta nhận thấy không nhất định phải sử dụng Tỉ lệ lợi nhuận
của mỗi chi nhánh mới được.
Do vậy, ví dụ như ta có thể nhìn qua số liệu, sau đó nắm ưu khuyết điểm của
tổng thể đó. Thay vì so sánh Tỉ suất lợi nhuận của từng cửa hàng, ta có thể
phân thành ba nhóm để phân tích, mặc dù không hoàn toàn giống nhau,
nhưng vẫn gần với mục đích ban đầu. So với việc dừng lại và không thể làm
(hay không làm), thì đây rõ ràng là thành quả rất lớn.
Thêm một ví dụ nữa giống như vậy, trường hợp ta muốn so sánh các chi
nhánh bằng Tỉ lệ tăng trưởng sau này. Vì Tỉ lệ tăng trưởng là dự báo trong
tương lai, nên khó mà đưa ra giá trị chính xác được. Nếu không có căn cứ
hay data để tính Tỉ lệ tăng trưởng có độ tin cậy cao được mọi người chấp
nhận, thì nhất định phải đưa ra phương án thay thế.
Ví dụ như nếu muốn phân tích Tỉ lệ tăng trưởng của các chi nhánh, nhằm
“dành mức ưu tiên cho các chi nhánh có tiềm năng để đầu tư”. Đầu tư cho
tương lai thì Tỉ lệ tăng trưởng trong tương lai tuy lý tưởng, nhưng phải xem
xét cả đến yếu tố hiện tại, ví như quy mô kinh doanh hiện tại nữa. Sau đó có
thể sử dụng chỉ tiêu thay thế như Tỉ lệ lợi nhuận hay Doanh số cao nhất tại
thời điểm gần nhất.
