Bối cảnh & vấn đề của bạn
Bạn là Product Manager. Sáng thứ Hai, sếp hỏi: "Tuần rồi retention D7 tăng hay giảm? Vì sao?". Bạn mở dashboard cũ, số không khớp với cái bạn nhớ, bạn gửi Slack cho anh data engineer, và... chờ. Hai ngày sau mới có câu trả lời, lúc đó cuộc họp đã trôi qua.
Đây là nỗi đau kinh điển: PM là người cần dữ liệu nhất nhưng lại phụ thuộc nhất vào người khác để lấy dữ liệu. AI thay đổi cuộc chơi này. Với các công cụ text-to-SQL và trợ lý phân tích, bạn có thể hỏi bằng tiếng Việt/Anh và nhận truy vấn, biểu đồ, thậm chí giả thuyết nguyên nhân trong vài phút.
Quan trọng: khóa học này KHÔNG dạy bạn thành data analyst hay lập trình viên. Nó dạy bạn dùng AI như một trợ lý phân tích để làm việc PM nhanh và tốt hơn — vẫn giữ tư duy phản biện và trách nhiệm về con số.
AI giúp được gì cho tác vụ này
Bốn nhóm việc AI làm rất tốt cho PM:
- Truy vấn ngôn ngữ tự nhiên — hỏi "DAU 30 ngày qua theo nền tảng" → AI sinh SQL.
- Dựng & giải thích dashboard — gợi ý biểu đồ, viết mô tả metric.
- Tìm nguyên nhân (root-cause) — "metric X giảm 12%, phân tích theo segment nào?".
- Kiểm chứng số liệu — soát định nghĩa metric, phát hiện logic đếm sai.
Ví dụ cụ thể
Giả sử metric "tỷ lệ hoàn tất onboarding" tuần này là 41%, tuần trước 55%. Thay vì mở 5 tab, bạn dán ngữ cảnh vào AI và nhờ nó lập kế hoạch phân tích. AI trả về: kiểm tra theo nền tảng, theo phiên bản app mới release, theo nguồn traffic — và gợi ý câu truy vấn cho từng nhánh.
Prompt mẫu — "khai báo bối cảnh" (dùng đầu mọi phiên)
Bối cảnh: Tôi là PM sản phẩm [tên app], ngành [fintech].
Metric quan trọng của tôi: DAU, retention D1/D7, tỷ lệ hoàn tất onboarding, GMV.
Nguồn dữ liệu: bảng events (event_name, user_id, ts, platform, app_version),
bảng users (user_id, signup_ts, country).
Vai trò của bạn: trợ lý phân tích. Khi tôi hỏi, hãy:
1) làm rõ định nghĩa metric nếu mơ hồ,
2) đề xuất cách phân tích trước khi sinh SQL,
3) nêu giả định và giới hạn.
Đừng bịa tên bảng/cột không có trong mô tả trên.
Các bước làm
- Viết một "context block" mô tả sản phẩm, metric, schema bảng chính (làm 1 lần, tái dùng).
- Xác định câu hỏi kinh doanh cụ thể ("vì sao onboarding giảm?"), không hỏi chung chung.
- Yêu cầu AI đề xuất hướng phân tích TRƯỚC khi sinh truy vấn.
- Duyệt hướng, chọn nhánh, rồi mới nhờ sinh SQL/biểu đồ.
- Luôn tự hỏi: "Con số này có hợp lý với thực tế tôi biết không?".
Template tái dùng — "Thẻ ngữ cảnh sản phẩm"
[Sản phẩm]: ...
[Ngành]: ...
[3-5 metric Bắc Đẩu]: ...
[Định nghĩa từng metric — công thức, cửa sổ thời gian]: ...
[Schema bảng chính — tên bảng: cột]: ...
[Điều cấm]: không bịa bảng/cột; nêu rõ giả định.
Lưu thẻ này vào notes; dán vào đầu mỗi phiên AI để tránh phải giải thích lại.
Sai lầm thường gặp
- Tin số ngay lập tức (phụ thuộc quá mức). AI có thể tự tin đưa ra con số sai vì hiểu nhầm định nghĩa metric. Luôn đối chiếu với một nguồn bạn tin cậy trước khi báo cáo.
- Ảo giác schema. AI hay "bịa" tên bảng/cột nghe hợp lý (vd
user_activity) mà thực tế không tồn tại. Vì thế thẻ ngữ cảnh phải liệt kê schema thật và cấm bịa. - Hỏi quá chung. "Phân tích sản phẩm giúp tôi" cho ra câu trả lời vô dụng. Câu hỏi càng cụ thể (metric, khoảng thời gian, segment) kết quả càng dùng được.
- Rò rỉ dữ liệu. Đừng dán dữ liệu khách hàng nhạy cảm (email, số điện thoại, PII) vào công cụ AI công cộng. Ở bài sau ta sẽ nói kỹ về ẩn danh hóa.