Prompt: Gợi ý tiếp nối hành trình khách hàng – Cá nhân hóa Trải nghiệm Khách hàng – AI Sales Assistant

Tuyệt vời! Với vai trò là chuyên gia kỹ thuật prompt, tôi sẽ phân tích chi tiết mẫu prompt bạn cung cấp bằng tiếng Việt và định dạng HTML.

1. Phân tích Cấu trúc Prompt

Mẫu prompt này được thiết kế để tạo ra các đề xuất cá nhân hóa cho khách hàng dựa trên hành động gần đây của họ trong một hệ thống hoặc nền tảng. Cấu trúc của nó bao gồm các phần tử sau:

• Phần mô tả ngữ cảnh: “Khách hàng [TÊN_KHÁCH_HÀNG] vừa hoàn thành hành động [HÀNH_ĐỘNG_KHÁCH_HÀNG], ví dụ: hoàn tất mua hàng, đăng ký nhận bản tin, hoặc tải xuống tài liệu.”
  • [TÊN_KHÁCH_HÀNG]: Đây là một biến placeholder để chèn tên cụ thể của khách hàng, giúp cá nhân hóa thông điệp.
  • [HÀNH_ĐỘNG_KHÁCH_HÀNG]: Đây là biến placeholder quan trọng, cho phép xác định hành động mà khách hàng vừa thực hiện. Phần ví dụ đi kèm (“hoàn tất mua hàng, đăng ký nhận bản tin, hoặc tải xuống tài liệu”) cung cấp gợi ý về loại hành động có thể được đưa vào, giúp mô hình hiểu rõ phạm vi và bản chất của hành động.
• Yêu cầu chính (nhiệm vụ của AI): “Dựa trên hành động này và các tương tác trước đây của họ, đề xuất một sản phẩm hoặc dịch vụ tiếp theo sẽ giúp họ tối ưu hóa trải nghiệm hoặc đạt được mục tiêu của mình.”
  • Phần này chỉ định rõ ràng nhiệm vụ của mô hình AI: đưa ra đề xuất.
  • Nó đặt ra hai ràng buộc quan trọng cho đề xuất:
    • Dựa trên hành động hiện tại: Đề xuất phải liên quan trực tiếp đến [HÀNH_ĐỘNG_KHÁCH_HÀNG].
    • Dựa trên các tương tác trước đây: Điều này ám chỉ rằng mô hình cần có khả năng truy cập hoặc suy luận về lịch sử tương tác của khách hàng (nếu thông tin này được cung cấp hoặc mô hình có khả năng tìm hiểu).
  • Mục tiêu cuối cùng của đề xuất cũng được làm rõ: “tối ưu hóa trải nghiệm hoặc đạt được mục tiêu của mình”, điều này định hướng đề xuất theo hướng mang lại giá trị cho khách hàng.

2. Ý nghĩa & Cách hoạt động

Mẫu prompt này là một dạng của kỹ thuật “Prompting theo hành vi người dùng” (User Behavior-based Prompting) hoặc “Prompting ngữ cảnh” (Contextual Prompting). Cách hoạt động của nó dựa trên việc cung cấp thông tin đầu vào cụ thể (hành động của khách hàng) để mô hình tạo ra đầu ra phù hợp và có liên quan.

• Cá nhân hóa: Việc sử dụng [TÊN_KHÁCH_HÀNG] giúp thông điệp trở nên thân thiện và trực tiếp hơn với người nhận.
• Liên quan theo ngữ cảnh: Biến [HÀNH_ĐỘNG_KHÁCH_HÀNG] là yếu tố then chốt. Mô hình AI sẽ cố gắng hiểu ý nghĩa của hành động đó và từ đó suy luận ra các bước tiếp theo mà khách hàng có thể quan tâm hoặc cần. Ví dụ, nếu khách hàng vừa mua một chiếc máy ảnh, hành động tiếp theo có thể là đề xuất phụ kiện (thẻ nhớ, túi đựng máy ảnh, ống kính) hoặc các khóa học nhiếp ảnh.
• Suy luận về lịch sử tương tác: Phần “các tương tác trước đây của họ” là một yếu tố nâng cao. Trong một hệ điều hành thực tế, thông tin này sẽ được bổ sung vào prompt hoặc được mô hình truy cập thông qua một cơ sở dữ liệu liên quan. Nếu không có thông tin lịch sử chi tiết, mô hình có thể suy luận dựa trên các mẫu hành vi phổ biến hoặc dựa trên thông tin về hành động hiện tại. Ví dụ, nếu khách hàng tải xuống một tài liệu về “Marketing kỹ thuật số”, lịch sử tương tác có thể là họ đã xem các bài viết hoặc khóa học liên quan đến SEO, quảng cáo.
• Tối ưu hóa trải nghiệm/Mục tiêu: Đây là kim chỉ nam cho đề xuất. Mô hình không chỉ đề xuất bất kỳ sản phẩm nào mà phải là sản phẩm mang lại lợi ích rõ ràng cho khách hàng, giúp họ tiến gần hơn đến mục tiêu hoặc có trải nghiệm tốt hơn với nền tảng/sản phẩm hiện có.

Về mặt kỹ thuật, mô hình ngôn ngữ lớn (LLM) được huấn luyện trên một lượng lớn dữ liệu văn bản, bao gồm các tình huống tương tác khách hàng, khuyến mãi, mô tả sản phẩm, v.v. Khi nhận được prompt này, LLM sẽ:

1. Phân tích ngữ cảnh và nhận diện các biến.
2. Kết hợp thông tin về [HÀNH_ĐỘNG_KHÁCH_HÀNG] với kiến thức đã học về các hành vi và nhu cầu liên quan.
3. (Nếu có thông tin lịch sử) Tích hợp dữ liệu tương tác trước đó để tinh chỉnh suy luận.
4. Tạo ra một hoặc nhiều đề xuất cụ thể, giải thích lý do tại sao đề xuất đó lại hữu ích cho khách hàng.

3. Ví dụ Minh họa

Dựa trên mẫu prompt, chúng ta có thể tạo ra các yêu cầu cụ thể như sau:

Ví dụ 1: Khách hàng vừa hoàn tất mua hàng

Prompt được điền đầy đủ:


Khách hàng Nguyễn Văn A vừa hoàn thành hành động **hoàn tất mua hàng** một chiếc tai nghe Bluetooth XYZ. Dựa trên hành động này và các tương tác trước đây của họ (lịch sử xem: các sản phẩm gaming, đã mua chuột gaming tuần trước), đề xuất một sản phẩm hoặc dịch vụ tiếp theo sẽ giúp họ tối ưu hóa trải nghiệm hoặc đạt được mục tiêu của mình.


Phản hồi mong đợi từ AI:


Chào Anh Nguyễn Văn A,

Hy vọng những đề xuất này sẽ giúp Anh có những giờ phút giải trí và làm việc hiệu quả hơn!


Ví dụ 2: Khách hàng đăng ký nhận bản tin

Prompt được điền đầy đủ:


Khách hàng Trần Thị B vừa hoàn thành hành động **đăng ký nhận bản tin** về "Các mẹo tiết kiệm năng lượng". Dựa trên hành động này và các tương tác trước đây của họ (chưa có lịch sử rõ ràng), đề xuất một sản phẩm hoặc dịch vụ tiếp theo sẽ giúp họ tối ưu hóa trải nghiệm hoặc đạt được mục tiêu của mình.


Phản hồi mong đợi từ AI:


Chào Chị Trần Thị B,