Mã hoá dữ liệu định tính là đọc từng đoạn ghi chép, gắn cho nó những nhãn ngắn mô tả ý chính, rồi gom các nhãn thành chủ đề lớn để thấy điều gì lặp lại giữa nhiều khách. Đây là cách biến một chồng ghi chép trò chuyện rời rạc thành kết luận có bằng chứng, đủ chắc để dùng cho quyết định chiến lược.
Trợ lý AI làm phần đọc và gắn nhãn nhanh hơn người nhiều lần, nhưng cũng có thể gộp sai, bỏ sót ý hiếm, hoặc tạo ra câu trích không có trong dữ liệu. Bài này đưa ra quy trình sáu bước để dùng AI an toàn: ẩn danh trước, mã hoá có kiểm, lập ma trận bằng chứng, và giữ người làm chủ phần kết luận. Phần soạn câu hỏi trò chuyện với khách có hướng dẫn riêng ở trang AI Tiếp Thị; ở đây bắt đầu từ lúc bạn đã có ghi chép trong tay.
Vì sao đọc lướt ghi chép là chưa đủ
Sau mười lăm hay hai mươi buổi trò chuyện với khách, hầu hết chủ doanh nghiệp đều có cảm giác mình đã hiểu khách. Cảm giác đó thường bị bóp méo theo vài cách dễ đoán. Những buổi gần nhất được nhớ rõ hơn buổi đầu. Những khách nói hay, nói mạnh được nhớ hơn khách nói ít. Và những ý khớp với điều mình đã tin từ trước được nhớ hơn ý trái ngược.
Mã hoá có hệ thống sửa những méo mó đó bằng cách đối xử với mọi ghi chép như nhau: mỗi đoạn đều được đọc, gắn nhãn, đếm. Khi kết luận, bạn chỉ ra được nó dựa trên bao nhiêu khách, những khách nào, với câu nguyên văn nào. Một kết luận như "khách bỏ đi vì giá" khi đi qua mã hoá có thể hoá thành "bảy trong hai mươi khách nhắc tới giá, nhưng năm trong số đó nói giá chỉ là lý do sau khi bị giao hàng trễ".
Trong nghiên cứu xã hội, phương pháp phân tích chủ đề được Virginia Braun và Victoria Clarke hệ thống hoá trong một bài báo năm 2006 và được dùng rất rộng. Doanh nghiệp nhỏ không cần làm chặt như một luận văn, nhưng mượn khung của nó giúp tránh những lỗi phổ biến nhất.
Sáu bước từ ghi chép thô đến kết luận
Quy trình dưới đây là bản rút gọn cho doanh nghiệp nhỏ, lấy cảm hứng từ các bước phân tích chủ đề của Braun và Clarke. Phần AI tham gia được ghi rõ ở từng bước.
- Làm sạch và ẩn danh. Gõ lại ghi chép thành văn bản, mỗi khách một tệp, thay tên người, tên công ty, số điện thoại, địa chỉ bằng mã như K01, K02. Bước này người làm, hoặc AI làm rồi người kiểm lại từng tệp.
- Đọc toàn bộ một lượt mà chưa gắn nhãn, ghi vài ấn tượng đầu. Người làm, không giao cho AI, vì đây là lúc bạn làm quen với dữ liệu.
- Gắn nhãn từng đoạn. AI đề xuất nhãn cho mỗi đoạn, kèm câu nguyên văn. Người kiểm một phần ba số tệp xem nhãn có hợp lý không.
- Gom nhãn thành chủ đề. AI đề xuất cách gom; người quyết định gộp, tách, đổi tên.
- Lập ma trận bằng chứng: hàng là chủ đề, cột là khách, ô ghi câu nguyên văn. AI dựng nháp, người đối chiếu với tệp gốc.
- Viết kết luận kèm mức chắc chắn và số khách ủng hộ. Người viết; AI có thể phản biện.
Với hai mươi buổi trò chuyện, quy trình này mất khoảng một đến hai ngày làm việc nếu có AI hỗ trợ, so với gần một tuần nếu làm tay hoàn toàn.
Câu lệnh mẫu cho bước gắn nhãn và gom chủ đề
Ở bước gắn nhãn, nên đưa từng tệp một hoặc vài tệp một lúc, để AI không phải giữ quá nhiều văn bản và bạn dễ kiểm. Câu lệnh mẫu: «Dưới đây là ghi chép buổi trò chuyện với khách K07, đã ẩn danh. Câu hỏi nghiên cứu là: vì sao các cửa hàng nhỏ ngừng dùng dịch vụ giao hàng của đối thủ và họ đang tự xoay xở thế nào. Hãy chia ghi chép thành các đoạn theo ý, gắn cho mỗi đoạn một đến ba nhãn ngắn, và chép nguyên văn đoạn đó. Không diễn giải thêm ngoài văn bản. Nếu một đoạn không liên quan câu hỏi nghiên cứu, ghi là ngoài phạm vi.»
Ở bước gom chủ đề, đưa danh sách nhãn của tất cả các tệp: «Dưới đây là danh sách nhãn đã gắn cho hai mươi buổi trò chuyện. Hãy đề xuất cách gom thành năm đến tám chủ đề, mỗi chủ đề ghi các nhãn thuộc nó và số khách có ít nhất một nhãn trong chủ đề. Chỉ ra những nhãn khó xếp và những nhãn chỉ xuất hiện ở một hai khách nhưng có vẻ quan trọng.»
Yêu cầu chép nguyên văn và đếm số khách là hai chốt chặn chính chống bịa. Câu nguyên văn kiểm lại được bằng cách tìm trong tệp gốc; con số đếm kiểm lại được bằng ma trận.
Ma trận bằng chứng: công cụ giữ kết luận trung thực
Ma trận bằng chứng là bảng đặt mỗi chủ đề cạnh những khách đã nói về nó. Bảng dưới là ví dụ giả định thu gọn, với một công ty giao hàng nhỏ ở Bắc Ninh tìm hiểu vì sao cửa hàng rời bỏ đối thủ.
| Chủ đề | Số khách nhắc tới | Câu tiêu biểu (ví dụ giả định) | Mức chắc chắn |
|---|---|---|---|
| Giao trễ trong giờ cao điểm | 11/20 | "Buổi trưa gọi mà hơn tiếng mới có người tới lấy hàng" | Cao: nhiều khách, nhiều cách nói khác nhau |
| Khó liên lạc khi có sự cố | 8/20 | "Mất hàng thì không biết hỏi ai, nhắn hoài không thấy trả lời" | Khá cao |
| Giá | 7/20 | "Giá cũng cao, mà cái chính là giao không đúng giờ" | Trung bình: thường đi sau lý do khác |
| Muốn tự giao để giữ quan hệ với khách | 3/20 | "Khách quen thích thấy người của tiệm mang tới" | Thấp nhưng đáng theo dõi |
Cột mức chắc chắn là nơi bạn trung thực với chính mình. Chủ đề chỉ ba khách nhắc tới không nên dùng làm nền cho một quyết định lớn, nhưng có thể là hướng mới đáng kiểm thêm.
Những cách AI làm sai khi tổng hợp ghi chép
Bịa câu trích. AI có thể viết ra một câu nghe như lời khách nhưng không có trong dữ liệu, nhất là khi được yêu cầu "trích câu tiêu biểu". Luôn dò lại câu trích trong tệp gốc, ít nhất với những câu sẽ dùng trong báo cáo.
Làm mượt ý hiếm. Ý chỉ một khách nói dễ bị gộp vào chủ đề lớn hoặc bỏ qua. Với chiến lược, đôi khi ý hiếm lại là tín hiệu sớm. Yêu cầu AI liệt kê riêng các ý chỉ xuất hiện một lần.
Thêm suy diễn của chính nó. AI hay thêm câu như "điều này cho thấy khách hàng mong muốn trải nghiệm liền mạch". Đó là diễn giải của AI, không phải dữ liệu. Tách rõ phần dữ liệu và phần diễn giải.
Đếm sai. Con số "mười một trên hai mươi khách" do AI đưa ra có thể sai. Đếm lại bằng ma trận hoặc bảng tính.
Nghiêng theo cách bạn đặt câu hỏi. Nếu câu lệnh nói "tìm lý do khách chê giá", AI sẽ tìm ra lý do về giá. Đặt câu hỏi nghiên cứu trung tính.
Bảo vệ dữ liệu của người đã trò chuyện với bạn
Ghi chép trò chuyện với khách là loại dữ liệu nhạy cảm hơn ta thường nghĩ. Trong đó có tên, nơi làm việc, chuyện làm ăn, có khi cả chuyện gia đình, những điều khách nói vì tin bạn. Đưa nguyên văn vào một chatbot công cộng là chuyển niềm tin đó cho một bên thứ ba mà khách không hề biết.
Vài nguyên tắc nên giữ. Khi mời khách trò chuyện, nói rõ ghi chép dùng để làm gì và sẽ được ẩn danh. Ẩn danh trước khi đưa vào bất kỳ công cụ AI nào: không chỉ tên, mà cả chi tiết đủ để nhận ra người, như "chủ tiệm tạp hoá duy nhất ở đầu chợ". Dùng tài khoản công cụ AI của công ty với cài đặt hạn chế lưu dữ liệu nếu có, kiểm phiên bản điều khoản hiện hành. Lưu tệp gốc ở nơi chỉ vài người truy cập được, và xoá khi không còn cần. Quy định về bảo vệ dữ liệu cá nhân ở Việt Nam đang được siết chặt hơn; nếu không chắc, hỏi người có chuyên môn.
Mã hoá theo nhóm khách để thấy chỗ khác nhau
Một kết luận chung cho cả hai mươi khách đôi khi che mất điều quan trọng nhất: các nhóm khách khác nhau nói những điều khác nhau. Nếu bạn đã chia phân khúc từ trước, hãy gắn mỗi tệp ghi chép với phân khúc của khách đó, rồi đếm chủ đề theo từng phân khúc chứ không chỉ đếm tổng.
Trong ví dụ giả định của công ty giao hàng, có thể cửa hàng thời trang nhắc nhiều đến giao trễ giờ cao điểm, còn tiệm bánh lại nhắc nhiều đến việc hàng bị dập khi giao. Đếm chung thì "giao trễ" đứng đầu và "hàng dập" lẫn vào phía dưới; đếm theo nhóm thì thấy rằng nếu chọn tiệm bánh làm khách mục tiêu, ưu tiên phải là cách đóng gói và vận chuyển, không phải tốc độ. Câu lệnh cho AI chỉ cần thêm một yêu cầu: «Với mỗi chủ đề, đếm số khách theo từng nhóm A, B, C đã ghi ở đầu tệp, và chỉ ra chủ đề nào chênh lệch rõ giữa các nhóm.» Nhớ kiểm lại số đếm, vì chia nhỏ ra thì mỗi ô chỉ còn vài khách, sai một là lệch nhiều.
Từ chủ đề đến quyết định chiến lược
Ma trận bằng chứng chưa phải là chiến lược. Bước cuối là hỏi mỗi chủ đề mạnh có ý nghĩa gì cho các lựa chọn đang cân nhắc. Với công ty giao hàng trong ví dụ, chủ đề "giao trễ giờ cao điểm" và "khó liên lạc khi có sự cố" gợi ý rằng khách không rời đối thủ vì giá mà vì độ tin cậy. Nếu đúng, chiến lược cạnh tranh bằng giá rẻ hơn sẽ sai hướng; chiến lược nên xoay quanh cam kết giờ lấy hàng và một kênh xử lý sự cố rõ ràng.
Viết mỗi kết luận theo dạng: "Chúng mình kết luận X, dựa trên Y khách, mức chắc chắn Z, và điều sẽ làm kết luận này sai là W." Phần W chính là giả thuyết cần kiểm tiếp. Cuối cùng, đưa kết luận cho AI phản biện: «Dựa trên ma trận bằng chứng này, kết luận nào đang vượt quá dữ liệu? Có cách giải thích khác nào cho cùng các câu trích?» Câu hỏi thứ hai thường làm lộ ra những suy diễn bạn đã làm mà không để ý.
Câu hỏi thường gặp
Cần bao nhiêu buổi trò chuyện để mã hoá có ý nghĩa?
Với một nhóm khách khá đồng nhất, mười lăm đến hai mươi buổi thường đủ để các chủ đề chính lặp lại. Dấu hiệu đủ là những buổi sau không còn đem lại nhãn mới đáng kể. Nếu nhóm khách rất đa dạng, nên chia nhóm và đảm bảo mỗi nhóm có đủ người.
Có nên để AI làm toàn bộ quá trình mã hoá không?
Không nên. AI làm nhanh phần gắn nhãn và gom nháp, nhưng người cần đọc dữ liệu một lượt, kiểm mẫu nhãn, quyết định chủ đề và viết kết luận. Kết luận chiến lược dựa trên mã hoá hoàn toàn tự động khó bảo vệ khi có người hỏi dựa vào đâu.
Ghi âm buổi trò chuyện rồi nhờ AI chép lời có ổn không?
Có thể, nếu khách đồng ý được ghi âm và biết bản ghi dùng để làm gì. Kiểm lại bản chép ở những đoạn quan trọng vì công cụ chuyển giọng nói có thể nghe sai, nhất là với giọng địa phương, tên riêng và thuật ngữ ngành. Ẩn danh bản chép trước khi phân tích.
Mã hoá theo nhãn định sẵn hay để nhãn tự hiện ra?
Cả hai đều dùng được. Nhãn định sẵn hợp khi bạn kiểm một giả thuyết cụ thể. Để nhãn tự hiện ra hợp khi bạn đang khám phá và chưa biết sẽ tìm thấy gì. Nhiều người kết hợp: bắt đầu với vài nhãn định sẵn, mở thêm nhãn mới khi dữ liệu đòi hỏi.
Làm sao biết AI có bịa câu trích hay không?
Tìm từng câu trích trong tệp gốc bằng chức năng tìm kiếm của trình soạn thảo. Với báo cáo quan trọng, kiểm mọi câu sẽ được trích dẫn. Yêu cầu AI ghi kèm mã khách và vị trí đoạn cũng giúp việc kiểm nhanh hơn.
Dữ liệu định tính có thay được số liệu bán hàng không?
Không thay được, mà bổ sung. Số liệu bán hàng cho biết điều gì đang xảy ra; trò chuyện với khách giải thích vì sao. Kết luận chiến lược mạnh nhất là khi hai nguồn cùng chỉ một hướng. Khi chúng mâu thuẫn, đó là dấu hiệu cần tìm hiểu thêm.