Bối cảnh: bạn có dữ liệu, nhưng không có insight
Mỗi tuần, một PM điển hình nhận: 200 ticket support, 80 review app store, 300 phản hồi NPS, vài chục tin nhắn cộng đồng và một luồng bình luận mạng xã hội. Đó là Voice of Customer (VoC) — tiếng nói thật của khách hàng. Vấn đề: nó nằm rải rác ở 5-6 nơi, mỗi nơi một định dạng, và không ai có thời gian đọc hết. Kết quả điển hình: PM quyết định theo "ticket to nhất tuần này" hoặc theo sếp la lớn nhất, chứ không theo bức tranh tổng thể.
Hậu quả thực tế:
- Bỏ sót vấn đề âm ỉ: 40 khách phàn nàn nhẹ về một bước onboarding, không ai gào thét, nên không ai để ý — cho đến khi churn tăng.
- Ưu tiên sai: dồn sức vào 1 khách hàng ồn ào thay vì 60 khách im lặng cùng một nỗi đau.
- Mất bằng chứng: khi bảo vệ roadmap trước sếp, bạn nói "em cảm thấy" thay vì "237 phản hồi, 31% về chủ đề X".
AI thay đổi gì
AI ngôn ngữ (LLM) làm tốt đúng thứ PM thiếu thời gian: đọc số lượng lớn văn bản, phân loại, tóm tắt và trích dẫn. Nó không thay bạn ra quyết định — nó dọn dữ liệu để bạn quyết nhanh và có căn cứ. Cụ thể AI làm được:
- Gán sentiment (tích cực / trung tính / tiêu cực) cho hàng trăm dòng trong vài phút.
- Gom theme: nhóm các phản hồi khác chữ nhưng cùng một nỗi đau ("app lag", "tải chậm", "quay vòng vòng" → theme "Hiệu năng").
- Trích dẫn nguyên văn làm bằng chứng cho mỗi theme.
- Đề xuất hành động sơ bộ để bạn duyệt.
Ví dụ cụ thể
Bạn có 250 dòng phản hồi trong một file CSV. Thay vì đọc tay 3 tiếng, bạn dán 250 dòng vào AI với prompt phân loại, nhận về bảng: theme, số lượng, sentiment, trích dẫn đại diện. Trong 10 phút bạn biết: 34% nói về Hiệu năng (đa số tiêu cực), 22% về Giá, 18% khen Support. Đó là điểm khởi đầu để đào sâu.
Prompt mẫu khởi động
Bạn là trợ lý phân tích Voice of Customer cho một Product Manager.
Dưới đây là danh sách phản hồi khách hàng (mỗi dòng một phản hồi).
Nhiệm vụ:
1. Đọc toàn bộ và liệt kê tối đa 8 THEME nổi bật (gom các phản hồi cùng nỗi đau).
2. Với mỗi theme: đếm số phản hồi, gán sentiment chủ đạo (Tích cực/Trung tính/Tiêu cực),
và trích 1 câu NGUYÊN VĂN đại diện.
3. KHÔNG bịa. Nếu không chắc theme, xếp vào "Khác".
4. Trả về dạng bảng Markdown: Theme | Số lượng | Sentiment | Trích dẫn.
Phản hồi:
[dán 250 dòng vào đây]
Các bước làm
- Xác định câu hỏi bạn cần trả lời tuần này (VD: "Nỗi đau lớn nhất của khách trả phí là gì?").
- Gom một mẫu phản hồi có thật (bắt đầu 100-300 dòng).
- Chạy prompt phân loại ở trên.
- Đọc kết quả, kiểm 5 trích dẫn ngẫu nhiên xem AI có bịa không.
- Ghi lại 3 theme đáng đào sâu cho các bài sau.
Template: Khung 1 dòng định nghĩa VoC-run
Mục tiêu tuần: ____________________________
Nguồn dữ liệu: [ ] Support [ ] Review [ ] NPS [ ] Cộng đồng [ ] Khác
Khoảng thời gian: từ ____ đến ____
Số phản hồi: ____
Câu hỏi cần trả lời: ______________________
AI dùng cho bước: [ ] Gom [ ] Phân loại [ ] Ưu tiên [ ] Viết action
Sai lầm thường gặp
- Tin AI mù quáng — ảo giác trích dẫn: LLM có thể "chế" một câu review nghe rất thật nhưng không có trong dữ liệu. Luôn yêu cầu trích NGUYÊN VĂN và kiểm tra chéo vài mẫu bằng Ctrl+F.
- Dán dữ liệu nhạy cảm lên công cụ công cộng — rò rỉ: phản hồi thường chứa email, số điện thoại, tên khách. Ẩn danh trước khi dán (xem Bài 5).
- Coi output là kết luận: AI cho bạn giả thuyết, không phải sự thật. "34% về Hiệu năng" là gợi ý cần bạn xác nhận, không phải chỉ số để báo cáo thẳng.
- Phụ thuộc quá mức: nếu bạn ngừng đọc phản hồi thật hoàn toàn, bạn mất trực giác sản phẩm. Vẫn đọc tay 10-20 phản hồi mỗi tuần.