Vấn đề của bạn
PM cần số liệu để quyết định, nhưng thường phải chờ data analyst, hoặc tự vật lộn với GA4/Amplitude/Metabase. Kết quả: bạn hoặc quyết định theo cảm tính, hoặc chờ 3 ngày mới có số. AI giúp bạn ở hai việc: diễn giải dữ liệu đã có (dán bảng số vào và hỏi), và viết truy vấn (SQL/công thức) để tự lấy số nhanh hơn. Lưu ý quan trọng: AI không tự truy cập database của bạn trừ khi bạn kết nối — nó chỉ xử lý dữ liệu bạn đưa vào.
Ví dụ cụ thể
Funnel đăng ký của bạn: 10.000 vào trang → 4.200 điền form → 1.800 xác thực email → 900 hoàn tất. Bạn dán 4 con số này và hỏi AI diễn giải. AI chỉ ra bước rớt mạnh nhất (form → xác thực email tụt 57%) và gợi ý giả thuyết + việc kiểm chứng — trong 30 giây.
Prompt mẫu 1: Diễn giải số liệu
Bạn là data-informed PM. Dưới đây là số liệu funnel/metric của tôi.
Nhiệm vụ:
1. Chỉ ra bước/điểm bất thường lớn nhất, kèm % thay đổi.
2. Nêu 3 giả thuyết giải thích (rõ đâu là suy đoán).
3. Với mỗi giả thuyết, gợi ý 1 cách kiểm chứng (segment nào, số nào).
Quy tắc: CHỈ tính trên số tôi đưa; KHÔNG bịa thêm số. Nếu cần dữ
liệu khác để kết luận, ghi rõ "cần thêm: ...".
SỐ LIỆU:
Trang đích: 10000 | Điền form: 4200 | Xác thực email: 1800 | Hoàn tất: 900
Kỳ trước hoàn tất: 1100
Prompt mẫu 2: Viết truy vấn (SQL)
Viết truy vấn SQL (dialect: PostgreSQL) cho câu hỏi:
"Tỉ lệ user kích hoạt (hoàn tất onboarding) trong 7 ngày, theo tuần
đăng ký, trong 8 tuần gần nhất."
Bảng: users(id, signed_up_at), events(user_id, name, created_at).
"Kích hoạt" = có event name='onboarding_completed'.
Yêu cầu: giải thích ngắn từng bước, cảnh báo giả định về timezone,
và nhắc tôi chạy trên bản sao/read-replica, không chạy mù trên prod.
Các bước triển khai
- Xác định câu hỏi kinh doanh trước ("vì sao activation giảm?"), không mở tool trước.
- Nếu đã có số: export bảng nhỏ, dán vào prompt diễn giải.
- Nếu cần lấy số: dùng prompt viết SQL, rồi tự đọc hiểu truy vấn trước khi chạy.
- Chạy trên read-replica/bản sao, không để AI hay bạn chạy mù trên production.
- Đối chiếu kết quả với một nguồn đã biết (dashboard chính) để chắc số đúng.
- Ghi lại truy vấn tốt vào thư viện để tái dùng mỗi kỳ.
Template "Câu hỏi analytics"
CÂU HỎI KINH DOANH: <vì sao / bao nhiêu / xu hướng gì>
METRIC LIÊN QUAN: <activation / retention / conversion>
SEGMENT: <kênh / gói / khu vực>
KHUNG THỜI GIAN: <so với kỳ nào>
DỮ LIỆU CÓ SẴN: <bảng nào / cột nào>
CÁCH KIỂM CHỨNG SỐ: <đối chiếu dashboard nào>
Sai lầm thường gặp
- Tin số AI "tính" ra khi bạn không đưa số. Nếu bạn hỏi "retention của tôi bao nhiêu?" mà không dán dữ liệu, AI sẽ bịa một con số nghe hợp lý — cực nguy hiểm. AI chỉ tính đúng trên dữ liệu bạn cung cấp.
- Chạy SQL do AI viết mà không đọc. AI có thể viết truy vấn sai join, sai timezone, hoặc (hiếm) câu lệnh phá dữ liệu. Luôn đọc hiểu và chạy trên read-replica. Không bao giờ chạy UPDATE/DELETE do AI đề xuất trên prod mà chưa kiểm.
- Nhầm tương quan với nhân quả. AI đưa "giả thuyết" nghe chắc nịch; đó vẫn chỉ là giả thuyết cần A/B test hay segment kiểm chứng.
- Rò rỉ dữ liệu kinh doanh. Doanh thu tuyệt đối, dữ liệu user-level có PII — ẩn danh hoặc chỉ dùng công cụ doanh nghiệp.
- Phụ thuộc: mất khả năng đọc số. Vẫn phải hiểu funnel, cohort, retention curve là gì — nếu không bạn không thể phát hiện khi AI diễn giải sai.
Chốt bài
AI biến bạn thành PM tự lấy được số: diễn giải bảng có sẵn và viết truy vấn để tự phục vụ. Nhưng dữ liệu phải do bạn cung cấp, truy vấn phải do bạn đọc hiểu, và số quan trọng phải đối chiếu. Bài sau: tự động hóa Jira và quản lý backlog.