Prompt: Đề xuất Sản phẩm để Tăng Giá trị Đơn hàng – Trải nghiệm Khách hàng và Cá nhân hóa bằng AI – AI Marketing

Tuyệt vời! Với vai trò là một chuyên gia kỹ thuật prompt, tôi sẽ phân tích chi tiết mẫu prompt bạn cung cấp.

1. Phân tích Cấu trúc Prompt

Mẫu prompt này được thiết kế để tạo ra các đề xuất sản phẩm cá nhân hóa dựa trên ngữ cảnh giỏ hàng hiện tại và thông tin khách hàng. Nó sử dụng các biến (placeholders) để cho phép linh hoạt thay thế thông tin cụ thể mỗi khi sử dụng.

• `[GIÁ_TRỊ_ĐƠN_HÀNG_HIỆN_TẠI]`: Đây là biến đại diện cho tổng giá trị hiện tại của các sản phẩm mà khách hàng đã chọn trong giỏ hàng. Thông tin này rất quan trọng để tính toán khoảng cách đến ngưỡng miễn phí vận chuyển.
• `[DANH_SÁCH_SẢN_PHẨM_ĐÃ_CHỌN]`: Biến này đại diện cho danh sách chi tiết các sản phẩm (có thể bao gồm tên, số lượng, giá) mà khách hàng đã thêm vào giỏ hàng. Dữ liệu này giúp hiểu rõ sở thích và nhu cầu hiện tại của khách hàng.
• `[NGƯỠNG_FREESHIP]`: Biến này chứa giá trị số tiền tối thiểu để khách hàng đủ điều kiện nhận ưu đãi miễn phí vận chuyển. Đây là một mục tiêu quan trọng mà các đề xuất nên hướng tới.
• `[ƯU_ĐÃI_ĐẶC_BIỆT]`: Biến này đại diện cho các ưu đãi khác có thể có (ví dụ: giảm giá theo phần trăm, tặng kèm quà tặng khi đạt mức chi tiêu nhất định). Nó mở rộng phạm vi mục tiêu của đề xuất ngoài miễn phí vận chuyển.
• `[ID_KHÁCH_HÀNG]`: Biến này là định danh duy nhất cho mỗi khách hàng. Việc sử dụng ID này cho phép truy xuất và phân tích lịch sử mua hàng trước đó của họ, từ đó cá nhân hóa đề xuất một cách sâu sắc hơn.

Cấu trúc prompt tuân theo một logic rõ ràng: xác định trạng thái hiện tại (giá trị giỏ hàng, sản phẩm đã chọn), xác định mục tiêu (ngưỡng freeship, ưu đãi đặc biệt), và yêu cầu phân tích dữ liệu bổ sung (lịch sử mua hàng) để đưa ra đề xuất tối ưu nhất (tối đa 3 sản phẩm, giá trị vừa phải/bổ sung).

2. Ý nghĩa & Cách hoạt động

Về mặt kỹ thuật, mẫu prompt này yêu cầu mô hình ngôn ngữ lớn (LLM) thực hiện một số bước xử lý phức tạp:

• Hiểu ngữ cảnh: LLM cần hiểu rõ “giá trị đơn hàng hiện tại”, “danh sách sản phẩm đã chọn”, “ngưỡng freeship” và “ưu đãi đặc biệt” là gì và chúng liên quan như thế nào.
• Phân tích lỗ hổng/cơ hội: Dựa trên `[GIÁ_TRỊ_ĐƠN_HÀNG_HIỆN_TẠI]` và `[NGƯỠNG_FREESHIP]`, mô hình sẽ tính toán số tiền còn thiếu để đạt được ưu đãi.
• Tích hợp dữ liệu lịch sử: LLM sẽ sử dụng `[ID_KHÁCH_HÀNG]` để “truy cập” (trong tưởng tượng hoặc thông qua kết nối dữ liệu thực tế nếu có) vào lịch sử mua hàng của khách đó. Việc này bao gồm:
  • **Xác định sở thích**: Các loại sản phẩm, thương hiệu, mức giá mà khách hàng thường mua.
  • **Phát hiện hành vi**: Tần suất mua, giá trị đơn hàng trung bình, xu hướng mua sắm.
  • **Nhận diện nhu cầu tiềm ẩn**: Các sản phẩm bổ sung hoặc thay thế có thể phù hợp.
• Lọc và xếp hạng sản phẩm đề xuất: LLM sẽ dựa trên các tiêu chí sau để đưa ra tối đa 3 đề xuất:
  • Giá trị vừa phải: Không quá đắt đỏ, dễ dàng đưa khách hàng đạt được mục tiêu mà không làm tăng chi phí quá nhiều.
  • Tính bổ sung cao: Sản phẩm có khả năng được mua kèm với các sản phẩm đã có trong giỏ hàng hoặc phù hợp với nhu cầu của khách dựa trên lịch sử mua hàng.
  • Khả năng đạt mục tiêu: Sản phẩm được chọn phải có giá trị cộng thêm đủ để khách hàng tiến gần hoặc đạt `[NGƯỠNG_FREESHIP]` / `[ƯU_ĐÃI_ĐẶC_BIỆT]`.
• Định dạng đầu ra: LLM sẽ trình bày các đề xuất một cách mạch lạc, có thể kèm theo lý do ngắn gọn.

Về cơ bản, đây là một yêu cầu phức tạp về hệ thống gợi ý / đề xuất sản phẩm được mã hóa dưới dạng prompt cho LLM, tích hợp cả logic kinh doanh (freeship, ưu đãi) và phân tích hành vi người dùng.

3. Ví dụ Minh họa

Dưới đây là hai ví dụ về cách prompt này có thể được điền và sử dụng:

Ví dụ 1: Khách hàng gần đạt Freeship

Thông tin điền vào prompt:

• `[GIÁ_TRỊ_ĐƠN_HÀNG_HIỆN_TẠI]`: 1.250.000
• `[DANH_SÁCH_SẢN_PHẨM_ĐÃ_CHỌN]`: 1 x Áo sơ mi nam (300.000), 2 x Quần jeans (450.000/chiếc), 1 x Thắt lưng da (150.000)
• `[NGƯỠNG_FREESHIP]`: 1.500.000
• `[ƯU_ĐÃI_ĐẶC_BIỆT]`: Không có
• `[ID_KHÁCH_HÀNG]`: CUST1023

Prompt hoàn chỉnh để LLM xử lý:

Cho một đơn hàng hiện tại có tổng giá trị 1.250.000 và các sản phẩm đã có: 1 x Áo sơ mi nam (300.000), 2 x Quần jeans (450.000/chiếc), 1 x Thắt lưng da (150.000), hãy đề xuất tối đa 3 sản phẩm có giá trị vừa phải hoặc có tính bổ sung cao, mà việc thêm chúng vào đơn hàng sẽ giúp khách hàng đạt được ngưỡng miễn phí vận chuyển 1.500.000 hoặc nhận được ưu đãi Không có. Phân tích giỏ hàng và lịch sử mua hàng trước đó của khách hàng CUST1023 để đưa ra đề xuất hợp lý nhất.

Dự kiến đầu ra từ LLM (ví dụ):

Dựa trên giỏ hàng hiện tại của bạn là 1.250.000, bạn chỉ còn thiếu 250.000 để đạt ngưỡng miễn phí vận chuyển 1.500.000. Phân tích lịch sử mua hàng của khách hàng CUST1023 cho thấy họ thường xuyên mua các phụ kiện thời trang và có xu hướng phối đồ với nhau. Do đó, chúng tôi đề xuất các sản phẩm sau:

1. Vớ/Tất cao cấp (khoảng 80.000 – 150.000): Một món đồ nhỏ gọn, có tính bổ sung cao cho trang phục quần áo đã chọn, dễ dàng lấp đầy phần còn thiếu để đạt freeship.
2. Khăn choàng cổ/Pocket square (khoảng 150.000 – 250.000): Sản phẩm này không chỉ bổ sung cho áo sơ mi mà còn có nhiều lựa chọn về chất liệu và màu sắc, phù hợp với phong cách lịch lãm mà khách hàng CUST1023 thường ưu tiên.
3. Sản phẩm chăm sóc da tay/mini (khoảng 100.000 – 200.000): Nếu khách hàng CUST1023 có lịch sử mua các sản phẩm chăm sóc cá nhân, đây là một lựa chọn tuyệt vời để bổ sung vào giỏ hàng.

Ví dụ 2: Khách hàng có ưu đãi đặc biệt

Thông tin điền vào prompt:

Xem thêm prompt

Prompt: Dự đoán Tác động của Marketing đến CLV – Phân tích Dữ liệu và Báo cáo AI – AI Marketing

Prompt: Xử lý Dữ liệu Thiếu trong Mô hình CLV – Phân tích Dữ liệu và Báo cáo AI – AI Marketing

Prompt: Dự đoán CLV Sử dụng Mô hình Hồi quy Đa biến – Phân tích Dữ liệu và Báo cáo AI – AI Marketing

Prompt: Đánh giá và Tinh chỉnh Mô hình CLV – Phân tích Dữ liệu và Báo cáo AI – AI Marketing