Phân tích đánh giá khách hàng bằng AI: từ 1 sao thành việc cần sửa

Phân tích đánh giá khách hàng bằng AI có ích khi kết quả là một danh sách lỗi có chủ: bao nhiêu đánh giá chê size, bao nhiêu chê chất liệu, bao nhiêu là lỗi giao hàng không phải lỗi sản phẩm. Muốn vậy phải lấy đủ đánh giá, tách theo mã sản phẩm, cho AI gắn chủ đề theo một bộ nhãn cố định, rồi kiểm tay một mẫu.

Bài toán thực tế: vì sao đọc đánh giá 1 sao mãi mà không sửa được gì?

Vì đánh giá đến lẻ tẻ và mỗi người đọc nhớ một kiểu. Chăm sóc khách hàng trả lời từng cái, nhớ được vài câu nặng lời nhất. Đến buổi họp sản phẩm, ai cũng nói "khách chê nhiều" nhưng không ai nói được chê gì, ở mã nào, từ bao giờ.

Hai điều làm việc đọc tay càng khó:

• Phần lớn đánh giá chỉ chấm sao, không viết chữ. Trong dữ liệu đánh giá Shopee mà Quantri360 đã đồng bộ cho các shop, đa số chỉ có số sao. Phần có chữ mới là chỗ chứa lý do.
• Số sao không nói hết nội dung. Có đánh giá 5 sao nhưng nội dung chê ("áo đẹp nhưng size lệch, phải đổi"). Lọc theo sao thôi thì sót những lời chê này.

Nên câu hỏi quản trị không phải "điểm trung bình bao nhiêu" mà là: trong kỳ này, lỗi nào lặp lại nhiều nhất, ở mã nào, và lỗi đó thuộc bộ phận nào.

Tư duy dẫn đường: chia đánh giá thành chủ đề nào?

Chia theo bộ phận sửa được lỗi, không chia theo cảm xúc. "Tiêu cực" hay "tích cực" không giao cho ai được. "Size nhỏ hơn bảng size" thì giao được cho bộ phận sản phẩm.

Ba luật cho bộ nhãn:

1. Cố định trước khi chạy. Để AI tự đặt chủ đề thì mỗi lần chạy ra một bộ khác, không so được tháng này với tháng trước.
2. Một đánh giá được nhiều nhãn. "Vải đẹp nhưng size nhỏ, giao chậm" mang ba nhãn: khen chất liệu, size, giao hàng.
3. Có nhãn "khác". Nếu nhãn khác chiếm phần lớn, bộ nhãn đang thiếu, cần bổ sung rồi chạy lại.

Gắn theo mã sản phẩm cha. Chê size ở một mã là chuyện rập. Chê size rải đều nhiều mã là chuyện bảng size chung.

Lấy đủ đánh giá ở đâu, có bẫy gì?

Lấy từ Kênh Người Bán thì tiện cho lần đầu. Muốn chạy đều hàng tháng thì lấy qua API. Với Shopee, đánh giá đọc qua API get_comment. API này có hai bẫy đã gặp thật:

• Trần 1.000 đánh giá cho mỗi phạm vi truy vấn. Tài liệu Shopee ghi API chỉ trả tối đa 1.000 bình luận cho một lần truy vấn theo shop. Shop có nhiều hơn thì quét theo shop chỉ thấy phần mới nhất. Muốn đủ phải quét thêm theo từng sản phẩm (item_id).
• Cờ "còn trang" không đáng tin. Có lúc API báo hết trang dù còn dữ liệu, có lúc trả lại cùng một trang mãi. Phải khử trùng theo mã đánh giá và dừng khi một trang không có mã mới.

Ngoài ra, get_comment không trả tên biến thể. Muốn biết khách mua màu nào, size nào phải nối thêm danh sách biến thể của sản phẩm. Phần lớn trường hợp, mã cha là đủ để ra quyết định.

Partner API của Quantri360 cho gọi các API Shopee này qua một cửa, không cần tự xin app sàn. Đẩy kết quả sang bảng tính để AI đọc thì xem đồng bộ dữ liệu Shopee vào Google Sheets.

Trước khi dán vào bất kỳ công cụ AI nào, bỏ tên tài khoản người mua. Chỉ giữ mã đánh giá, mã sản phẩm, số sao, ngày và nội dung.

AI bứt tốc: prompt gắn chủ đề cho đánh giá

Cho AI đúng một việc: gắn nhãn theo bộ đã định, trích nguyên câu làm bằng chứng. Việc đếm và kết luận để bước sau.

Bạn là chuyên viên chất lượng sản phẩm thời trang. Dưới đây là đánh giá Shopee,
mỗi dòng: ma_danh_gia | sku_cha | so_sao | noi_dung.
Gắn cho MỖI đánh giá một hoặc nhiều nhãn trong bộ sau, không tự thêm nhãn:
size_form, chat_lieu, sai_mo_ta, loi_san_xuat, dong_goi, giao_hang, sai_hang, khen, khac.
Với mỗi nhãn, trích nguyên văn cụm từ làm căn cứ. Đánh giá không có chữ thì bỏ qua.
Không đoán ý khách khi câu không nói rõ: gắn "khac" và ghi "không rõ".
Trả về bảng: ma_danh_gia | sku_cha | nhan | trich_dan.

Sau khi có bảng nhãn, hỏi tiếp:

Từ bảng nhãn trên, đếm số đánh giá theo nhan và theo sku_cha.
Liệt kê 5 cặp (sku_cha, nhan) nhiều nhất, kèm 2 trích dẫn tiêu biểu mỗi cặp.
Đánh dấu cặp có dưới 5 đánh giá là "ít dữ liệu, chưa kết luận".
Tách riêng các lỗi không thuộc sản phẩm (giao_hang, dong_goi, sai_hang).

Đánh giá dài theo tháng nên chia lô vài trăm dòng mỗi lần. Gộp bảng nhãn của các lô lại rồi mới đếm, đừng để AI tự cộng số giữa nhiều lần hỏi.

Kiểm kết quả AI thế nào trước khi sửa sản phẩm?

Lấy ngẫu nhiên khoảng 30–50 đánh giá đã gắn nhãn và tự đọc lại. Ghi hai con số: bao nhiêu nhãn AI gắn sai, bao nhiêu lời chê AI bỏ sót. Lệch nhiều ở một nhãn thì sửa định nghĩa nhãn đó trong prompt rồi chạy lại.

Ba chỗ AI hay nhầm:

• Lẫn "giao chậm" với "hàng lỗi" khi khách viết gộp một câu.
• Coi lời khen xã giao ("shop tư vấn nhiệt tình") là khen sản phẩm.
• Gắn nhãn cho câu mập mờ mà không có trích dẫn.

Đây là lý do prompt bắt trích nguyên văn: nhãn nào không có câu làm căn cứ thì người kiểm loại ngay.

Kết quả cần đo lường là gì?

Đo bằng lỗi giảm, không bằng số báo cáo đã viết.

• Số đánh giá mang nhãn size_form trên một mã, trước và sau khi sửa bảng size.
• Tỷ lệ đánh giá 1–2 sao theo mã, theo tháng.
• Thời gian từ lúc lỗi xuất hiện lặp lại đến lúc có người nhận sửa.
• Tỷ lệ nhãn AI sai trong mẫu kiểm tay, theo dõi qua từng tháng.

Trong dashboard Quantri360, trang Đánh giá Shopee cho xem điểm trung bình, phân bố sao, lọc đánh giá 1–2 sao và sản phẩm nhiều đánh giá xấu nhất. Cảnh báo đánh giá xấu báo ngay khi có đánh giá dưới ngưỡng sao bạn đặt, xem công cụ và cảnh báo và phân tích chuyên sâu. Phần gắn chủ đề bằng AI vẫn làm theo quy trình trong bài này.

Đánh giá xấu thường đi trước đơn hoàn. Đọc thêm AI gom lý do hoàn hàng và đơn hoàn khác giao thất bại thế nào.

Đọc thêm: ứng dụng AI trong kinh doanh · marketing dựa trên dữ liệu — bài tổng quan của chủ đề này.

Tóm lại

• Chốt bộ nhãn theo bộ phận sửa được lỗi trước khi cho AI đọc.
• Lấy đủ đánh giá: quét theo từng sản phẩm, khử trùng theo mã đánh giá.
• Bỏ tên người mua trước khi dán vào AI.
• Bắt AI trích nguyên văn cho mỗi nhãn, kiểm tay một mẫu mỗi lần chạy.
• Giao mỗi cặp mã × lỗi cho một người, đo lại sau một tháng.