Prompt: Gợi ý sản phẩm dựa trên giao dịch trước đây – Cá nhân hóa Trải nghiệm Khách hàng – AI Sales Assistant

Tuyệt vời! Dưới đây là phân tích chi tiết về prompt template mà bạn cung cấp, dưới định dạng HTML và bằng tiếng Việt như yêu cầu:

1. Phân tích Cấu trúc Prompt

Prompt template này được thiết kế để gợi ý sản phẩm cá nhân hóa cho khách hàng dựa trên lịch sử mua sắm của họ. Cấu trúc của nó bao gồm các biến (placeholders) cần được điền thông tin cụ thể để tạo ra một yêu cầu hoàn chỉnh cho mô hình ngôn ngữ lớn (LLM).

• Khách hàng [TÊN_KHÁCH_HÀNG]: Đây là biến đầu tiên, dùng để xác định đối tượng khách hàng. Cần cung cấp tên cụ thể của khách hàng.
• đã từng mua [SẢN_PHẨM_ĐÃ_MUA]: Biến thứ hai, chỉ ra sản phẩm mà khách hàng đã mua trước đó. Cung cấp tên sản phẩm là quan trọng để LLM có điểm bắt đầu phân tích mối liên hệ.
• vào ngày [NGÀY_MUA]: Biến thứ ba, thông tin về thời điểm mua hàng. Mặc dù không trực tiếp sử dụng trong logic “sản phẩm bán chạy kèm theo” hay “sản phẩm bổ sung”, biến này có thể hữu ích cho các phân tích sâu hơn về hành vi mua hàng theo thời gian hoặc theo mùa vụ, tùy thuộc vào khả năng của LLM hoặc hệ thống backend xử lý.
• Dựa trên các sản phẩm bán chạy kèm theo hoặc các sản phẩm bổ sung thường được mua cùng với [SẢN_PHẨM_ĐÃ_MUA] trong lịch sử của chúng ta, hãy đề xuất 3 sản phẩm tiếp theo mà khách hàng này có thể cần.: Đây là phần hướng dẫn chính cho LLM. Nó chỉ định loại thông tin cần phân tích (sản phẩm bán chạy kèm theo, sản phẩm bổ sung) và kết quả mong muốn (3 sản phẩm tiếp theo khách hàng có thể cần). Cụm từ “trong lịch sử của chúng ta” ngụ ý LLM cần truy cập hoặc được cung cấp dữ liệu lịch sử mua sắm.

2. Ý nghĩa & Cách hoạt động

Về mặt kỹ thuật, prompt template này hoạt động bằng cách cung cấp cho LLM:

• Context (Ngữ cảnh): Thông tin về khách hàng ([TÊN_KHÁCH_HÀNG]), hành động mua hàng trước đó ([SẢN_PHẨM_ĐÃ_MUA]) và thời điểm ([NGÀY_MUA]).
• Instruction (Hướng dẫn): Yêu cầu rõ ràng về việc phân tích và đề xuất. LLM được hướng dẫn sử dụng **dữ liệu lịch sử mua sắm kết hợp chung (co-purchase data)** được mô tả qua các cụm từ “sản phẩm bán chạy kèm theo” hoặc “sản phẩm bổ sung”.
• Output Format (Định dạng đầu ra): LLM được yêu cầu “đề xuất 3 sản phẩm tiếp theo”. Điều này giúp định hình kết quả đầu ra trở nên cụ thể và có thể sử dụng được.

Khi một LLM nhận được prompt đã điền đầy đủ biến, nó sẽ thực hiện các bước sau (tùy thuộc vào cách nó được huấn luyện và truy cập dữ liệu):

• Xác định [SẢN_PHẨM_ĐÃ_MUA].
• Truy cập hoặc suy luận về các sản phẩm thường được mua cùng với [SẢN_PHẨM_ĐÃ_MUA] dựa trên tập dữ liệu lớn mà nó đã học (hoặc tập dữ liệu lịch sử cụ thể nếu được cung cấp).
• Lọc ra các sản phẩm phù hợp nhất và là các “sản phẩm tiếp theo có thể cần” (dựa trên logic suy luận của mô hình).
• Trình bày 3 đề xuất sản phẩm.

3. Ví dụ Minh họa

Dưới đây là hai ví dụ minh họa về cách prompt template này có thể được điền và kết quả mà một LLM có thể tạo ra.

Ví dụ 1: Đề xuất cho người mua máy pha cà phê

Prompt đã điền:


Khách hàng Nguyễn Văn An đã từng mua Máy pha cà phê tự động Espresso-X vào ngày 2023-10-26. Dựa trên các sản phẩm bán chạy kèm theo hoặc các sản phẩm bổ sung thường được mua cùng với Máy pha cà phê tự động Espresso-X trong lịch sử của chúng ta, hãy đề xuất 3 sản phẩm tiếp theo mà khách hàng này có thể cần.


Kết quả đề xuất có thể của LLM:


Dựa trên lịch sử mua hàng, chúng tôi đề xuất 3 sản phẩm sau mà anh Nguyễn Văn An có thể quan tâm:

Ví dụ 2: Đề xuất cho người mua sách

Prompt đã điền:


Khách hàng Trần Thị Bích đã từng mua tiểu thuyết "Nhà Giả Kim" vào ngày 2024-01-15. Dựa trên các sản phẩm bán chạy kèm theo hoặc các sản phẩm bổ sung thường được mua cùng với "Nhà Giả Kim" trong lịch sử của chúng ta, hãy đề xuất 3 sản phẩm tiếp theo mà khách hàng này có thể cần.


Kết quả đề xuất có thể của LLM:


Dựa trên việc chị Trần Thị Bích đã mua "Nhà Giả Kim", đây là 3 sản phẩm tiếp theo mà chị có thể thích:

👉 Tóm lại

Prompt template này là một công cụ hiệu quả để tạo ra các đề xuất sản phẩm cá nhân hóa. Sự kết hợp giữa việc xác định rõ đối tượng khách hàng, sản phẩm đã mua, và hướng dẫn phân tích dựa trên dữ liệu lịch sử bán chéo (co-purchase data) giúp LLM có thể đưa ra những gợi ý có giá trị, tăng khả năng chuyển đổi và cải thiện trải nghiệm khách hàng. Việc điền đầy đủ và chính xác các biến sẽ là chìa khóa để LLM hoạt động hiệu quả nhất.

“`