Phân tích tin nhắn khách hàng bằng AI trả lời được ba câu mà báo cáo số không trả lời được: khách hỏi gì nhiều nhất, khách bỏ đi ở bước nào, và mỗi nhân viên tư vấn đang hụt ở đâu. Cách làm hiệu quả là hai bước: AI sàng toàn bộ hội thoại để gắn nhãn sự kiện, rồi đọc kỹ những hội thoại có nhãn để viết nhận xét có trích dẫn.
Bài toán thực tế: vì sao đọc mẫu vài hội thoại không đủ?
Vì thứ cần tìm là sự kiện hiếm. Một lần nhân viên báo sai chất liệu, một lần bỏ lơ câu hỏi size, một lần trả lời cộc khi khách chê giá. Mỗi cái hiếm, nhưng cộng lại cả tháng thì mất nhiều đơn.
Đọc ngẫu nhiên mười hội thoại mỗi người gần như không bắt được những sự kiện này. Còn đọc hết thì không ai có thời gian: một page bán thời trang vừa phải có thể có hàng nghìn hội thoại mỗi tháng.
Dán hết vào một lần hỏi AI cũng không được. Một tháng hội thoại thường vượt giới hạn nội dung mà một lần gọi mô hình nhận được, và câu trả lời sẽ chung chung.
Báo cáo số chỉ cho biết tỷ lệ chốt. Nó không nói vì sao khách hỏi giá xong rồi im.
Tư duy dẫn đường: đọc hội thoại để tìm gì?
Tìm hành vi sửa được, không tìm điểm số. Ba nhóm câu hỏi:
| Nhóm | Câu hỏi | Dùng vào việc |
|---|---|---|
| Khách | Hỏi gì lặp lại nhiều nhất? Bỏ đi sau câu nào? | Sửa mô tả, ảnh, bảng size, câu trả lời mẫu |
| Sản phẩm | Mã nào bị hỏi về size, chất liệu, màu nhiều bất thường? | Bổ sung thông tin trên trang sản phẩm |
| Nhân viên | Lỗi nào lặp lại? Điểm nào làm tốt? | Kèm cặp từng người |
Về nhân viên, chúng tôi đi đến một kết luận sau khi thử: không chấm điểm, không xếp loại. Điểm số làm người ta lo giữ điểm thay vì sửa cách tư vấn. Thứ có ích là hồ sơ nhận xét: thái độ, kỹ năng, sai sót, điểm đáng khen, mỗi ý kèm đoạn hội thoại làm bằng chứng.
"Kỹ năng" ở đây cần định nghĩa rõ. Với hàng thời trang, chép lại mô tả sản phẩm cho khách không phải là tư vấn có chuyên môn. Tư vấn có chuyên môn là áp thông tin vào chính người khách: khách cao bao nhiêu, dáng thế nào, mặc dịp gì, nên lấy size nào. Viết chuẩn này vào prompt thì AI mới phân biệt được hai mức.
Lấy hội thoại ở đâu, cần che gì?
Hai nguồn hay dùng là Messenger trực tiếp và Pancake. Messenger đọc qua danh sách hội thoại của Trang và tin nhắn trong hội thoại. Pancake có API tin nhắn hội thoại. Partner API của Quantri360 gọi được các API này qua một cửa.
Ba bẫy đã gặp khi làm với dữ liệu Pancake:
- Giờ tin nhắn trả về theo UTC. Phải cộng 7 giờ trước khi tính "trả lời chậm" theo giờ làm việc Việt Nam.
- Nhận ra tin của shop bằng người gửi là Trang, không phải bằng tài khoản quản trị. Tin của bot, hệ thống phải loại ra.
- Tin nhắn mẫu gửi hàng loạt. Một câu nhắc giống hệt gửi cho hàng chục khách trong một phút là tin tự động. Đánh dấu những câu dài lặp ở nhiều hội thoại là [TIN MẪU] để AI không khen hay chê nhân viên vì câu đó.
Che dữ liệu cá nhân trước khi gửi: thay tên khách bằng mã, xóa số điện thoại, địa chỉ, số tài khoản. Tên nhân viên giữ lại vì cần cho hồ sơ, nhưng chỉ người quản lý được xem kết quả.
AI bứt tốc: hai bước sàng và viết hồ sơ
Bước 1: sàng. Chia hội thoại thành lô nhỏ, dùng mô hình rẻ, chỉ gắn nhãn từ một bộ cố định và trích nguyên câu.
Bạn đọc hội thoại bán hàng của một shop thời trang. Mỗi dòng có giờ (mm-dd hh:mm),
người nói (KHACH / tên nhân viên) và nội dung. Dòng gắn [TIN MẪU] là tin tự động:
không khen, không chê, không tính là nhân viên đã trả lời.
Chỉ gắn nhãn trong bộ sau: bo_lo_cau_hoi, tra_loi_cham, sai_thong_tin,
khong_xu_ly_tu_choi, tu_van_chung_chung, chua_ap_vao_khach, khen_tu_van, khen_cham_soc.
Mỗi nhãn ghi: ma_hoi_thoai | nhan_vien | nhan | gio | trich_dan nguyên văn.
Không có căn cứ trong câu chữ thì không gắn.
Bước 2: viết hồ sơ. Dùng mô hình mạnh hơn, chỉ đọc hội thoại đã có nhãn của một người cộng vài hội thoại thường để đối chiếu.
Viết hồ sơ nhận xét cho nhân viên [MÃ NV] trong kỳ [TỪ–ĐẾN] gồm 5 mục:
thái độ, kỹ năng tư vấn, sai sót cần sửa ngay, điểm đáng khen, 3 việc nên tập tuần tới.
Mỗi ý phải dẫn mã hội thoại và giờ. Không cho điểm, không xếp loại, không so với người khác.
Với kỹ năng, nói rõ nhân viên thiếu kiến thức sản phẩm hay có kiến thức nhưng chưa áp vào khách.
Nếu một lỗi là do tin mẫu hoặc công cụ, ghi là lỗi quy trình, không quy cho cá nhân.
Song song, hỏi một câu cho cả tệp khách: "Liệt kê 10 câu hỏi khách lặp lại nhiều nhất, mỗi câu kèm số hội thoại và mã sản phẩm liên quan." Danh sách này thường sửa được ngay trên trang sản phẩm.
Kiểm kết quả AI thế nào?
Định kỳ cho người, hoặc một mô hình mạnh đọc mở, rà toàn bộ hội thoại một ngày rồi so với nhãn bước sàng.
Hai lỗi hay gặp:
- Gắn nhãn cho tin ngoài kỳ. Bản chép hội thoại thường kèm tin cũ. Phải truyền kỳ vào prompt và lọc nhãn theo giờ.
- Gần như không gắn nhãn khen. Mô hình nghiêng về tìm lỗi. Phải có mục bắt buộc tự hỏi "đoạn nào làm tốt".
Vì vậy hồ sơ AI là bản nháp để quản lý đọc cùng nhân viên, không phải kết luận.
Kết quả cần đo lường là gì?
- Số câu hỏi lặp lại đã được đưa vào mô tả sản phẩm hoặc câu trả lời mẫu.
- Số lần mỗi lỗi xuất hiện của một nhân viên, kỳ này so với kỳ trước.
- Thời gian trả lời trong giờ làm việc, sau khi loại tin mẫu.
- Tỷ lệ hội thoại có số điện thoại thành đơn trong khoảng thời gian bạn chọn.
Tỷ lệ chốt chỉ đúng khi nối được đơn với hội thoại. Đơn lên ở phần mềm bán hàng như Nhanh.vn, còn chat ở Pancake, hai bên không tự biết nhau, phải nối qua số điện thoại và bảng ánh xạ tên nhân viên. Đọc thêm vì sao báo cáo bán hàng không nên qua tay người, AI đưa phương án, người quản trị chọn và đưa đơn Nhanh.vn vào Google Sheets để có bảng đơn đối chiếu.
Đọc thêm: ứng dụng AI trong kinh doanh · AI agent — bài tổng quan của chủ đề này.
Tóm lại
- Đọc hội thoại để tìm hành vi sửa được, không để chấm điểm nhân viên.
- Sàng toàn bộ bằng bộ nhãn cố định, rồi viết hồ sơ từ hội thoại có nhãn.
- Đánh dấu tin mẫu, đổi giờ UTC, che tên và số điện thoại khách trước khi gửi AI.
- Mỗi nhận xét phải dẫn mã hội thoại và giờ.
- Rà định kỳ độ phủ của bước sàng; sửa prompt trước khi đổi mô hình.
