Slide AI in Marketing

4/13/2023
BÀI GIẢNG
AI TRONG MARKETING
Khoa/ Bộ môn phụ trách học phần:
Khoa Marketing/ Bộ môn Marketing cơ sở
Chương 1:
TỔNG QUAN VỀ TRÍ
TUỆ NHÂN TẠO
TRONG MARKETING
1
4/13/2023
MỤC TIÊU CHƯƠNG 1

Người học sau khi hoàn thành chương này có thể
• Mô tả lại các lợi ích, yêu cầu, cách làm để tự động hóa hoạt động,
ứng dụng trí tuệ nhân tạo trong marketing và hoạt động marketing
định hướng dữ liệu
Nội dung chương
• Tự động hóa trong Marketing
• Trí tuệ nhân tạo trong Marketing
• Marketing hướng dữ liệu (data-driven marketing)
2
4/13/2023
Tự động hóa trong marketing

• Tự động hóa trong marketing (marketing automation) là quá trình sử
dụng công nghệ để vận hành tự động các tác vụ lặp đi lặp lại trong
một chiến dịch
Nguồn:
https://en.wikipedia.org/wiki/Marketing_automation
Lợi ích của tự động hóa marketing

• Gia tăng hiệu năng marketing, giảm thời gian xử lý thủ công
• Củng cố khả năng thu thập thông tin khách hàng tiềm năng (lead)
• Có nhiều góc nhìn về hành vi tiềm năng của khách hàng
• Phân loại tốt hơn mục tiêu marketing và bán hàng
• Tăng tỷ lệ chuyển đổi và ROI (lợi nhuận/vốn đầu tư)
3
4/13/2023
Tự động hóa marketing – những tác vụ có thể

ứng dụng
• Thu thập thông tin, tương tác với khách hàng tiềm năng
• Thu thập, xử lý dữ liệu và báo cáo
• Tự động hóa một số tác vụ (bán hàng, CSKH,
• Viết nội dung (copy writing), tối ưu hóa hội thoại
• Hoạch định và triển khai nội dung
• Bán thêm, bán chéo sản phẩm (up‐sells, down‐sells, cross‐sells)
AI là gì
• Khi người được tương tác không phân biệt được đối tượng tương tác
là người (human) hay máy (Turing test, bởi Alan Turing)
4
4/13/2023
AI là gì
• Trong marketing có thể sử dụng cách nhận biết phổ biến, dễ áp dụng
hơn.
• Một hệ thống được coi là AI khi thực hiện được tác vụ mà, nếu người
thực hiện thì người đó được xem là thông minh (John McCarthy)
Một số ứng dụng AI trong marketing

• Phân loại ảnh (ví dụ: Google Lens)
• Tự động hóa (ví dụ: tính năng trả lời tự động của Gmail)
• Sự dịch chuyển AI: dựa trên quy luật => dựa trên dữ liệu
10
5
4/13/2023
AI dựa trên quy luật

• Ai dựa trên quy luật: khó áp dụng rộng rãi trên thực tế do phát sinh
nhiều trường hợp mà quy luật chưa quy định.
11
AI dựa trên dữ liệu

• Ai dựa trên dữ liệu: dữ liệu được cung cấp, được phân loại => AI tự
tìm thuật toán phân loại.
12
6
4/13/2023
Marketing hướng dữ liệu
• Marketing hướng dữ liệu là hoạt động marketing dựa trên dữ liệu
• Marketing hướng dữ liệu là quá trình được sử dụng bởi người làm
marketing để thấu hiểu khách hàng, xác định xu hướng về khách
hàng, hành vi của họ ‐ họ mua gì, hiệu năng của quảng cáo, họ lướt
mạng như thế nào. (Wikipedia)
13
Marketing hướng dữ liệu
Lợi ích của marketing hướng dữ liệu:
• Các thông tin, quyết định được đưa ra dựa trên dữ liệu, thay vì cảm
tính
• Vì thông tin có được từ dữ liệu khách quan, dễ đạt được sự đồng
thuận
• Tránh được thiên kiến nhận thức của mỗi cá nhân
• Phù hợp xu hướng số hóa môi trường sống ngày càng cao của xã hội
• Rút ngắn thời gian các bước thu thập dữ liệu – phân tích thông tin –
ra quyết định – triển khai hoạt động marketing
14
7
4/13/2023
Thiên kiến nhận thức

• Con người biểu hiện thiên kiến hoặc định kiến này khi họ thu
thập hoặc ghi nhớ thông tin một cách có chọn lọc theo ý riêng
của mình, hay khi họ diễn giải nó một cách thiên vị, thường đi
kèm với sự từ chối xem xét các góc nhìn khác. (Wikipedia)
• Thiên kiến thể hiện ở chỗ
• Tìm kiếm thông tin thiên vị
• Diễn giải thiên vị
• Ký ức thiên vị
15
Thiên kiến nhận thức

• Ví dụ về sai lầm khi nhận định, quyết định bằng kinh nghiệm, trực
giác
• Ngày xưa, có nhà vua thích chơi cờ vua (64 ô vuông). Nhà vua muốn
thưởng cho người sáng tác trò chơi này. Người sáng tác xin vua:
• Ô đầu tiên: 1 hạt gạo
• Ô thứ hai: gấp đôi số hạt gạo trước đó
• Tiếp tục đến hết các ô
16
8
4/13/2023
Xu hướng số hóa môi trường sống

Số người dùng (tỷ người) (statista, tháng 1 2023)
• Internet: 5,16
• Truyền thông xã hội (social media): 4,76
17

Thời gian xem màn hình (explodingtopic,2023)
• Toàn cầu: 6 giờ 58 phút, tăng 50 phút so với năm 2013.
• Người Mỹ: 7 giờ 4 phút
• Gen Z: khoảng 9 giờ
18
9
4/13/2023

Internet vạn vật (Internet of things)
19

Đường truyền internet càng tốt
• Tăng băng thông và dung lượng
20
10
4/13/2023
Rút ngắn thời gian cho hoạt động marketing

Thời gian có thể được rút ngắn ở những giai đoạn
• Thu thập dữ liệu
• Phân tích dữ liệu
• Ra quyết định
• Triển khai hoạt động marketing
21
Thu thập dữ liệu
Dữ liệu có thể thu thập nhanh chóng đến mức theo thời gian thực (real time),
nghĩa là khi sự kiện xảy ra thì dữ liệu về sự kiện đã được thu thập.
22
11
4/13/2023
Phân tích dữ liệu

• Có thể phân tích đột xuất hoặc phân tích thường xuyên
• Với người làm công tác phân tích dữ liệu thường xuyên, có thể tạo
các mẫu báo cáo sẵn để định kỳ hệ thống cập nhật dữ liệu và báo cáo.
Khi đó hệ thống có thể vận hành tự động.
23
Phân tích dữ liệu

• Công việc phân tích dữ liệu có thể có những phân tích chuyên sâu
hơn như
• Phân loại
• Phân cụm
• Dự báo
•…
24
12
4/13/2023
Ra quyết định và triển khai hoạt động

marketing
• Việc ra quyết định có thể được thực hiện tự động, hoặc thủ công
• Các quyết định được thực hiện tự động vẫn có thể có sai sót (dương
tính giả)
• Ví dụ: Bạn là nhà quảng cáo trên nền tảng facebook, dữ liệu cá nhân
của bạn có nhiều yếu tố khả nghi (dùng chung IP, thiết bị, quản lý
chung fanpage…) với các tài khoản quảng cáo vi phạm chính sách
facebook. Thuật toán phân tích của facebook dựa trên các dữ liệu này
đánh giá tài khoảng quảng cáo của bạn vi phạm chính sách. Mặc dù
bạn chưa vi phạm.
25

marketing
• Trong trường hợp các quyết định quan trọng, các nền tảng vẫn có thể
để ngỏ trường hợp ra quyết định thủ công (người thật ra quyết định)
• Nhìn chung, các hoạt động trên nền tảng (platform, chẳng hạn mạng
xã hội) nào thì tuân thủ nền tảng đó. Nền tảng hoạt động ở quốc gia
nào thì tuân thủ luật pháp quốc gia đó.
26
13
4/13/2023

marketing
• Các ví dụ
• Hoạt động định giá tự động, chạy quảng cáo tự động, chăm sóc khách
hàng (nhắn tin, gởi email, gọi điện thoại) tự động…
27
CÂU HỎI ÔN TẬP CHƯƠNG 1

1. Mô tả hoạt động marketing của một công ty mà bạn biết. Bạn
có thể tự động hóa hoạt động nào? Hãy mô tả cách làm.
2. Hãy cho biết một vài ứng dụng trí tuệ nhân tạo vào marketing
mà bạn biết.
3. Marketing định hướng dữ liệu có gì khác với cách làm khác.
Hãy phân tích ưu/khuyết điểm, đối tượng, bối cảnh phù hợp
để ứng dụng.
28
28
14
4/13/2023
Cảm ơn!
29
Chương 2:
CÁC MÔ HÌNH AI
30
15
4/13/2023

• Trình bày, giải thích mô hình học máy, mô hình xử lý ngôn ngữ
tự nhiên, trợ lý ảo, mạng neural và học sâu, xử lý ảnh
• Áp dụng hiểu biết để giải quyết một vấn đề cụ thể
31
Nội dung
1. Mô hình học máy
2. Mô hình xử lý ngôn ngữ tự nhiên
3. Trợ lý ảo
4. Mạng neural và học sâu
5. Xử lý ảnh
32
16
4/13/2023
Mô hình học máy
• Học máy là một ứng dụng của AI, trong đó hệ thống tự động cải thiện
từ trải nghiệm mà không cần được lập trình cụ thể để làm như vậy.
• Thuật toán học máy tốt sẽ tự truy cập, phân tích, sử dụng dữ liệu để
cải thiện hiệu năng của nó.
33
• Có 3 loại học máy
• Học giám sát: có “đầu ra mong muốn” (vì vậy được gọi là có giám
sát). Có các loại: phân loại, ước lượng, tối ưu…
• Học không giám sát: tìm mẫu hình, không có đầu ra mong muốn
• Học tăng cường: thiết kế để tối đa phần thưởng tổng. Vì vậy đây là

một dạng của học giám sát
34
17
4/13/2023
• Ưu điểm của học máy ứng dụng trong marketing
• Ứng dụng theo thời gian thực
• Giảm lãng phí marketing nhờ nhắm mục tiêu khách hàng hiệu quả
• Phân tích dự đoán: ví dụ chuỗi siêu thị Target dự đoán khách hàng
mang thai.
• Giảm chi phí: nếu áp dụng hiệu quả
35

• Khả năng của học máy
• Nhận dạng giọng nói
• Xác minh người nói
• Nhận dạng khuôn mặt, vật thể
• Hệ thống gợi ý (ví dụ gợi ý sản phẩm trên trang TMĐT, gợi ý phim trên
Netflix, gợi ý nhạc trên Spotify, gợi ý từ khóa trên máy tìm kiếm…)
•…
36
18
4/13/2023
• Một số ứng dụng cụ thể của học máy
• Facebook: nhận dạnh khuôn mặt, gắn thẻ
• Netflix: gợi ý phim
• Google: đề xuất phản hồi trong gmail
• Washington post: tạo nội dung
•…
37

• Cơ hội cho học máy
• Phân tích sâu – triển khai nhanh để chiếm các ngách thị trường
• Lắng nghe xã hội (social listening)
• Quảng cáo hiệu quả: ẩn dụ dựa trên thuật toán
• Marketing và R&D
• Đồng sáng tạo với tâm trí vô thức của người dùng (thể hiện qua hành
động, hơn là khảo sát họ)
38
19
4/13/2023
Mô hình xử lý ngôn ngữ tự nhiên

• Xử lý ngôn ngữ tự nhiên (NLP) là một nhánh của trí tuệ nhân tạo được phát
triển nhằm xây dựng các chương trình giúp máy tính phân tích, xử lý và
hiểu ngôn ngữ của con người dưới dạng tiếng nói (speech) hoặc văn bản
(text).
• NLP giúp tăng hiệu quả tương tác giữa người‐máy, và tăng khả năng hiểu
ngôn ngữ tự nhiên
• Các ứng dụng của NLP: kiểm tra chính tả, tự động hoàn thành câu chữ,
nhắn tin bằng văn bản thoại, bộ lọc thư rác, từ khóa trên công cụ tìm kiếm,
các trợ lý ảo Siri, Alexa, Google Assistant…
39
Mô hình xử lý ngôn ngữ tự nhiên

Mô hình xử lý
1. Nguồn gốc và bổ đề ngôn ngữ
2. Mô hình chủ đề
3. Trích xuất từ khóa
4. Sơ đồ tri thức
5. Đám mây từ
6. Nhận dạng thực thể có tên
7. Phân tích cảm xúc
8. Tóm tắt văn bản
9. Mô hình túi từ
10. Tách từ
40
20
4/13/2023
Trợ lý ảo
• Trợ lý ảo là phần mềm, thường là hệ thống trí tuệ nhân tạo để thực

thi các mệnh lệnh
• Tính năng cần có hiện nay của trợ lý ảo: đọc/nghe hiểu ngôn ngữ và
thực thi mệnh lệnh
• Một số trợ lý ảo phổ biến: Apple Siri, Google Assistant, Microsoft

Cortana
41
Trợ lý ảo
• Cho đến hiện nay, ứng dụng của trợ lý ảo chủ yếu vẫn giới hạn ở “trợ
lý”, tức thao tác thay cho người dùng.
• Trợ lý ảo đang thực hiện nhiệm vụ nhận dạng giọng nói khá tốt
• Việc thực thi hiện đang giới hạn ở các mệnh lệnh điều khiển thiết bị
kết nối internet.
42
21
4/13/2023
Trợ lý ảo
• Các yếu tố tiềm năng cho ứng dụng trợ lý ảo:
• Internet of things: các thiết bị được số hóa và kết nối internet nhiều
• Lượng data ngày càng nhiều => khả năng của trợ lý ảo trong hiểu/xử
lý ngôn ngữ tự nhiên càng tăng
43
Mạng neural và học sâu
• Máy tính có thể làm tốt nhiều loại việc hơn con người
• Máy tính có thể làm không tốt một số loại việc con người cho là dễ
• Đọc chữ viết tay cẩu thả
• Dịch văn bản từ ngôn ngữ này sang ngôn ngữ kia
•…
44
22
4/13/2023
Mạng neural và học sâu
• Cách mạng lưới thần kinh và máy tính vận hành rất khác nhau
• Mạng thần kinh hoạt động như một mạng lưới, với các tín hiệu điện
hóa.
• Việc xác định một yếu tố (như là một node) trong mạng lưới có thể
dựa vào các liên kết của node đó.
45
Xử lý ảnh
• Ứng dụng của AI xử lý ảnh:
• Nhận diện đối tượng (người, vật…)
• Theo dõi đối tượng
• Nhận diện khuôn mặt, cảm xúc
• Làm sắc nét và phục hồi – Tạo hình ảnh nâng cao từ hình ảnh gốc
• Truy xuất – Duyệt và tìm kiếm hình ảnh từ một cơ sở dữ liệu lớn
gồm các hình ảnh kỹ thuật số tương tự như hình ảnh gốc
46
23
4/13/2023
Xử lý ảnh
• Ảnh trong máy tính có dạng một bảng dữ liệu (kích thước hai chiều
của bảng là kích thước hai chiều của ảnh
• Giá trị tại mỗi điểm trong bảng tùy vào loại ảnh
• Ảnh trắng đen: giá trị tại mỗi điểm là 0 hoặc 1
• Ảnh xám: giá trị tại mỗi điểm là một số trong khoảng 0‐255
• Ảnh màu: giá trị mỗi điểm là một vector 3 chiều (r,g,b), mỗi
chiều nhận giá trị trong khoảng 0‐255
47
Xử lý ảnh
• Thu thập ảnh: bước tiền xử lý. Nó liên quan đến việc lấy hình ảnh từ một
nguồn, thường là nguồn dựa trên phần cứng.
• Tăng cường hình ảnh: làm nổi bật các đặc điểm trong hình ảnh đã bị che
khuất, bằng cách thay đổi độ sáng, độ tương phản, v.v.
• Phục hồi hình ảnh: cải thiện hình ảnh, sử dụng các mô hình toán học hoặc
xác suất nhất định.
Nguồn: Vinbigdata
48
24
4/13/2023
Xử lý ảnh
• Xử lý hình ảnh màu: Xử lý ảnh màu bao gồm một số kỹ thuật tạo mô hình
màu trong miền kỹ thuật số.
• Wavelets và xử lý đa phân giải: Wavelet được sử dụng để biểu diễn hình
ảnh ở nhiều mức độ phân giải khác nhau.
Nguồn: Vinbigdata
49
Xử lý ảnh
• Nén: giảm dung lượng lưu trữ hoặc băng thông cần thiết
để truyền tải hình ảnh đó.
• Xử lý hình thái: trích xuất thành phần của ảnh nhằm phục
vụ việc biểu diễn và mô tả hình dạng.
• Phân đoạn: phân vùng một hình ảnh thành các phần hoặc
đối tượng cấu thành của nó.
Nguồn: Vinbigdata
50
25
4/13/2023
Xử lý ảnh
• Trình bày và mô tả: đặc điểm của hình ảnh và thuộc tính
vùng. Mô tả đề cập đến việc trích xuất thông tin định
lượng giúp phân biệt một lớp đối tượng với lớp khác.
• Nhận dạng: Nhận dạng gán nhãn cho một đối tượng dựa trên
mô tả của nó.
Nguồn: Vinbigdata
51

1. Hãy cho ví dụ, phân tích để làm rõ các trường hợp (công ty)
đã áp dụng: mô hình học máy, mô hình xử lý ngôn ngữ tự
nhiên, trợ lý ảo, mạng neural và học sâu, xử lý ảnh
2. Có những loại học máy nào? Hãy phân biệt các loại đó.
3. Cho ví dụ, phân tích để làm rõ về trường hợp xử lý ngôn ngữ
tự nhiên tốt.
4. Cho ví dụ, phân tích làm rõ ứng dụng xử lý ảnh
52
52
26
4/13/2023
Cảm ơn!
53
Chương 3:
NGHIÊN CỨU THỊ
TRƯỜNG BẰNG AI
54
27
4/13/2023

• Trình bày, giải thích mô hình học máy, mô hình xử lý ngôn ngữ
tự nhiên, trợ lý ảo, mạng neural và học sâu, xử lý ảnh
• Áp dụng hiểu biết để giải quyết một vấn đề cụ thể
55
Nội dung
• Giới hạn của con người trong nghiên cứu thị trường.

• Những tính năng vượt trội của kỹ thuật số.
• Trợ giúp của AI trong xử lý và ước luợng kết quả.
• Phân tích liên kết (conjoint analysis)
56
28
4/13/2023
Những giới hạn của con người trong NCTT

1. Khả năng thu thập dữ liệu: Con người có giới hạn về khả năng thu thập dữ liệu từ thị trường.
Nghiên cứu thị trường yêu cầu phải thu thập nhiều thông tin từ nhiều nguồn khác nhau, và việc
này có thể tốn nhiều thời gian và công sức.
2. Giới hạn về định hướng điều tra: Con người có xu hướng định hướng điều tra theo những giả
định và quan điểm của mình, và có thể bỏ qua những thông tin quan trọng khác. Điều này có thể
dẫn đến kết quả nghiên cứu không chính xác hoặc thiếu đầy đủ.
3. Khả năng xử lý dữ liệu: Con người có giới hạn về khả năng xử lý dữ liệu lớn và phức tạp. Trong khi
nghiên cứu thị trường thường liên quan đến việc phân tích các tập dữ liệu lớn và phức tạp, việc
đánh giá và xử lý dữ liệu có thể trở nên khó khăn đối với con người.
4. Sự thiếu chính xác và khách quan: Con người có thể bị ảnh hưởng bởi những yếu tố cá nhân, như
định kiến, quan điểm, hay cảm xúc, và có thể dẫn đến sự thiếu khách quan trong quá trình nghiên
cứu.
57

Khả năng thu thập dữ liệu:
• Việc điều tra tổng thể, trong nhiều trường hợp là không khả thi, hoặc tốn nhiều
thời gian, chi phí
• Trong một số trường hợp điều tra tổng thể, không thể thu thập được nhiều dữ
liệu về đối tượng
58
29
4/13/2023

Giới hạn về định hướng điều tra:
• Trước khi tiến hành điều tra tổng thể hoặc chọn mẫu, nhà nghiên cứu đã xác định
vấn đề => thông tin => dữ liệu cần thu thập
• Việc xác định như trên thường dựa trên kinh nghiệm, định kiến của cá nhân hoặc
một nhóm. Vì thế có thể thiếu đầy đủ, dù đã nghiên cứu định tính.
59

Khả năng xử lý dữ liệu lớn và phức tạp:
• Trong NCTT truyền thống, con người thường xử lý dữ liệu định tính, hoặc dữ liệu
định lượng có cấu trúc được thu thập từ mô hình nghiên cứu đề xuất.
• Nguồn dữ liệu lớn sẵn có rất đa dạng về cấu trúc và phức tạp. Vì thế, xử lý nguồn
dữ liệu này là vấn đề.
60
30
4/13/2023

Sự thiếu chính xác và khách quan:
• Trong NCTT, nhà nghiên cứu luôn cố gắng khách quan trong điều phối (nếu là
nghiên cứu định tính), hoặc chọn mẫu, thu thập dữ liệu (nếu là nghiên cứu định
lượng). Nhưng bản chất con người có sự thiên lệch (bias).
61
Những tính năng vượt trội của kỹ thuật số

1. Tiết kiệm thời gian và chi phí: Nghiên cứu thị trường bằng công cụ kỹ thuật số giúp tiết kiệm thời gian
và chi phí cho việc thu thập và phân tích dữ liệu so với các phương pháp truyền thống như điều tra
trực tiếp, phỏng vấn nhân viên bán hàng hay tìm hiểu từ các nguồn truyền thông truyền thống.
2. Thu thập dữ liệu chính xác: Các công cụ kỹ thuật số có thể thu thập dữ liệu chính xác và đầy đủ từ
nhiều nguồn khác nhau, bao gồm các trang mạng xã hội, diễn đàn, trang web, email marketing,... giúp
cho các nhà nghiên cứu có cái nhìn toàn diện về thị trường.
3. Phân tích dữ liệu hiệu quả: Các công cụ kỹ thuật số cung cấp các tính năng phân tích dữ liệu và dữ liệu
định tính, định lượng để giúp các nhà nghiên cứu hiểu sâu hơn về các xu hướng, hành vi tiêu dùng, và
các chiến lược tiếp thị.
4. Đưa ra dự đoán chính xác: Các công cụ kỹ thuật số có thể sử dụng các thuật toán và mô hình dự đoán
để giúp các nhà nghiên cứu dự đoán xu hướng tương lai của thị trường với độ chính xác cao.
5. Tính linh hoạt: Nghiên cứu thị trường bằng công cụ kỹ thuật số có thể được thực hiện từ bất cứ đâu
với một thiết bị di động kết nối internet, giúp cho các nhà nghiên cứu có thể tiếp cận dữ liệu thị trường
một cách dễ dàng và linh hoạt.
62
31
4/13/2023

Tiết kiệm thời gian và chi phí
• Có nhiều nguồn dữ liệu sẵn có tạo nên từ các thiết bị kỹ thuật số
• Một số nguồn dữ liệu đó là miễn phí
63

Thu thập dữ liệu chính xác:
• Việc tạo ra dữ liệu bằng các thiết bị kỹ thuật số, cũng như việc thu thập các dữ
liệu này thường do thuật toán đảm nhận. Khác với sai lệch không do chọn mẫu
(trong NCTT do người thực hiện), thuật toán hầu như không có sai sót.
64
32
4/13/2023

Phân tích dữ liệu hiệu quả:
• Việc phân tích dữ liệu hiệu quả hay không không chắc chắn. Độ hiệu quả tùy
thuộc và thuật toán, cũng như tùy thuộc vào dữ liệu. Cùng một thuật toán, lượng
dữ liệu đồ sộ giúp việc phân tích hiệu quả hơn.
• Việc sử dụng thuật toán và dữ liệu phân tích giúp tránh được mốt số lỗi sai khi
phân tích bởi con người. Đó là các lỗi sai do định kiến.
65

Đưa ra dự đoán chính xác
• Cũng như hiệu quả của phân tích dữ liệu đã nói, sự chính xác của dự đoán cũng
tùy thuộc và thuật toán và chất lượng, khối lượng dữ liệu.
• Các thuật toán dự đoán hiện nay vẫn dùng các mô hình hồi quy tuyến tính/phi
tuyến như khi người dùng thao tác. Ưu điểm của NCTT sử dụng công cụ kỹ thuật
số là dữ liệu có thể được thu thập – phân tích – triển khai theo thời gian thực
(realtime)
66
33
4/13/2023

Tính linh hoạt:
• Tính linh hoạt ở đây thể hiện chỗ nhà nghiên cứu có thể thực hiện ở bất kỳ đâu,
miễn các điều kiện thu thập, phân tích dữ liệu được đảm bảo.
67
Trợ giúp của AI trong xử lý và ước lượng kết

quả
Một số thao tác AI có thể xử lý tốt
• Thu thập
• Làm sạch dữ liệu
• Tích hợp dữ liệu
• Phân tích dữ liệu
68
34
4/13/2023

quả
Một số thao tác AI có thể xử lý tốt ‐ Thu thập dữ liệu
• Thu thập dữ liệu lớn nhằm lấy dữ liệu từ nhiều nguồn đa dạng và lưu
trữ ở nơi có thể mở rộng (scalable storage).
• Sử dụng phần cứng và phần mềm để tạo ra và truyền tải dữ liệu.
• Phần cứng có thể là các thiết bị có thể tạo ra dữ liệu (như máy
bán hàng, cảm biến, các thiết bị kết nối internet…) và lưu trữ dữ
liệu (ổ cứng lưu trữ).
• Phần mềm có thể là các thuật toán quét dữ liệu trên môi trường
internet, sắp xếp lưu trữ dữ liệu trên vào ổ cứng.
69

quả
Một số thao tác AI có thể xử lý tốt ‐ Thu thập dữ liệu
• Nguồn dữ liệu đa dạng, lớn, rải rác
• Tính đến năm 2021, lượng thiết bị IoT đã được kích hoạt ước tính hơn
10 tỷ thiết bị, dự kiến đạt 25,4 tỷ vào năm 2030.
• Đến năm 2025, mỗi phút sẽ có 152,200 thiết bị kết nối internet mỗi
phút.
• 83% tổ chức đã gia tăng hiệu năng khi sử dụng công nghệ IoT. Điều này
sẽ khuyến khích các tổ chức khác gia tăng khai thác sử dụng.
• 94% các nhà bán lẻ cho rằng lợi ích của IoT vượt trội so với rủi ro. Cuối
cùng, lượng dữ liệu được tạo ra bởi các thiết bị IoT dự kiến đạt 73.1 ZB
(zettabytes, 1 ZB = 1000 tỷ GB) vào năm 2025
70
35
4/13/2023

quả
Một số thao tác AI có thể xử lý tốt – Làm sạch dữ liệu
• Dữ liệu thu thập được có thể có một số vấn đề: lỗi, sai; hoặc định
dạng không tương thích do thu thập từ nhiều nguồn khác nhau
• Một số trường dữ liệu sai, không tương thích
• Người 18 tuổi có vợ, 2 con
• Điểm 11 (cho thang điểm 0 – 10)
• Sai chính tả thường gặp (ví dụ phần mềm laban key, google
suggest xử lý khá tốt các tình huống này)
• Các dữ liệu dạng số có thể có định dạng kiểu số (numeric) hoặc
chữ (string, text)
71

quả
Một số thao tác AI có thể xử lý tốt – Tích hợp dữ liệu
• Dữ liệu thu thập được từ nhiều nguồn được tích hợp lại để phân tích
• Ví dụ:
• Nguồn 1: thu thập từ thông tin đơn hàng của siêu thị, có guest_id đính
kèm với thẻ tín dụng của khách, có các thông tin về lịch sử đơn hàng
• Nguồn 2: thu thập từ thông tin chuyến bay, có thẻ tín dụng, kèm với
các chuyến bay (hàm ý điểm đi, điểm đến) của khách
•…
• Các nguồn thông tin trên có thể tích hợp lại (vì thẻ tín dụng thường
dùng riêng lẻ) để có nguồn dữ liệu đầy đủ, đa dạng về người dùng.
72
36
4/13/2023

quả
Một số thao tác AI có thể xử lý tốt – Phân tích dữ liệu
• Một số ứng dụng để phân tích dữ liệu
Phân tích dữ liệu lớn
People Promotion Product Price Place
Nguồn dữ liệu Nhân khẩu học Dữ liệu chiêu thị Đặc tính Dữ liệu giao dịch Mạng xã hội theo
Mạng xã hội Khảo sát Phân loại Khảo sát địa điểm
Đánh giá của khách Đánh giá của khách hàng Khảo sát
hàng Khảo sát
Khảo sát
Phương pháp phân Phân tích cụm Hồi quy Phân tích cụm Hồi quy Hồi quy
tích Phân tích lớp Phân tích tương quan Phân tích tương quan Phân tích tương Phân tích lớp
quan
Kết quả Phân khúc thị trường Hệ thống gợi ý Danh tiếng Chiến lược giá Quảng cáo theo
Mô tả phân khúc Phân tích chiêu thị Phân tích cạnh địa điểm
tranh
Phân tích dữ liệu lớn và ứng dụng marketing (Fan, Lau, & Zhao, 2015)
73
Phân tích kết hợp

• Sản phẩm trong marketing là những gì có giá trị có thể đem ra trao
đổi. Vì vậy, sản phẩm không chỉ là hàng hóa hữu hình mà còn bao
gồm các giá trị vô hình.
=> Hoạch định sản phẩm cần lưu ý phối thức giá trị (value proposition)
là tập hợp các giá trị mà doanh nghiệp dự định cung cấp cho khách
hàng
 Cần hiểu khách hàng ưu tiên/đánh giá cao loại giá trị nào
 Phân tích kết hợp (conjoint analysis)
74
37
4/13/2023
Phân tích kết hợp

• Ví dụ: giá trị căn nhà được tạo nên từ các thuộc tính: số phòng ngủ,
số phòng tắm, số garage, diện tích sân vườn, vị trí
• Căn 1: 3 PN, 3 PT, 2 GR, vườn (15m2), VT1 => giá 1 triệu $
• Căn 1: 4 PN, 3 PT, 1 GR, vườn (10m2), VT3 => giá 1,5 triệu $
•…
• Khách được mời trả lời ưu tiên lựa chọn, sau đó phân tích để tìm ra
sự kết hợp được ưa thích của khách.
75

1. Hãy cho biết ưu/khuyết điểm của NCTT theo cách truyền thống và
bằng dữ liệu lớn + thuật toán. Hãy cho biết bối cảnh phù hợp để áp
dụng cho mỗi lựa chọn trên.
2. Hãy thực hiện phân tích liên kết (conjoint analysis) trên một bộ dữ
liệu mẫu
76
76
38
4/13/2023
Cảm ơn!
77
Chương 4:
ÁP DỤNG AI VÀO
HOẠCH ĐỊNH CHIẾN
LƯỢC MARKETING
78
39
4/13/2023

• Mô tả, giải thích được cách dạy máy như thế nào, ưu/khuyết điểm
của con người và thuật toán
• Mô tả, giải thích được mô hình dự đoán và phân loại: thông qua các
phân loại cây quyết định
79
Nội dung
• Dạy máy như thế nào.

• Xác định vấn đề cần giải quyết.
• Thiết lập giả thiết và đặc tả.
• Lợi thế của con người và sự hỗ trợ của AI.
• Mô hình dự đoán: thông qua các phân loại cây quyết định.
80
40
4/13/2023
Dạy máy như thế nào

• Máy học có
• Học có giám sát
• Học không giám sát
• Học tăng cường
81

Học có giám sát
• Trong quá trình học, thuật toán cần biết “câu trả lời đúng” và “câu trả
lời sai”; hoặc “độ phù hợp”. Ví dụ:
• Trong thuật toán phân loại, cần cung cấp nguồn dữ liệu trong từng
loại trước
• Hồi quy, cần cho biết độ sai lệch giữa giá trị dự báo và giá trị thực
82
41
4/13/2023

Học tăng cường
• Giải bài toán tối đa hóa hoặc tối thiểu hóa kèm theo các ràng buộc
nhất định.
• Mục tiêu trong bài toán học tăng cường có thể là
• Tối đa hóa sự hài lòng
• Tối đa hóa số đơn hàng
83

Học không giám sát
• Khác với học có giám sát, trong học không giám sát thuật toán không
cần xác nhận “câu trả lời đúng” hay “câu trả lời sai”. Ví dụ:
• Phân cụm: từ nguồn khách hàng rộng lớn, doanh nghiệp cần phân
cụm. Doanh nghiệp không biết rõ khách hàng của mình có thể
phân bao nhiêu cụm. Thuật toán sẽ tự phân cụm
84
42
4/13/2023

Thuật toán Cung cấp Ví dụ
Hồi quy Dữ liệu, bao gồm cả dữ liệu của biến Dự báo doanh số

phụ thuộc
Giảm số chiều Dữ liệu về các chiều của các đối tượng AirBnb chuyển các đánh giá (review)
(dimensions thành chỉ số sentiment score
reduction)
Phân loại Dữ liệu đầu vào, cách phân loại trước Google Lens phân loại ảnh
hoặc dữ liệu phân loại mẫu
Phân cụm Dữ liệu đầu vào về đối tượng Airbnb phân cụm khách hàng (gia
đình, cặp đôi, người phiêu lưu…)
85
Xác định vấn đề cần giải quyết

Một số vấn đề có thể có
• Phân khúc khách hàng
• Đổi mới sản phẩm
• Định giá
• Quảng cáo: thời điểm, hình ảnh, ngôn ngữ…
• Phát triển thương hiệu: chọn cá tính thương hiệu, đại sứ, đặt tên
86
43
4/13/2023

Một số vấn đề có thể có – Phân khúc khách hàng
• Giả định: sự trung thành, dữ liệu khách hàng, dữ liệu mạng xã hội (bằng social
listening) được thu thập
• Có thể phân tích thành phần/nhân tố chính tác động đến một/vài loại hành vi
• Kết quả thuật toán phân khúc (phân cụm) được chuyển đổi sang ẩn dụ và ứng
dụng trong truyền thông
• Phân khúc theo thời gian thực
87
Một số vấn đề có thể có ‐ Đổi mới sản phẩm
• Không khảo sát
• Thuật toán rút ra
• Nhận dạng khách hàng
• Mong muốn tiềm ẩn
88
44
4/13/2023
Một số vấn đề có thể có – Định giá
• Định giá linh động: có thể điều chỉnh theo thời gian thực
• Mô hình định giá dựa trên nghiệm suy: người dung chọn được loại
mô hình để triển khai
89
Một số vấn đề có thể có – Quảng cáo
• Thời điểm: cung cấp thông tin phù hợp với giai đoạn trong quá trình
mua
• Nội dung: ẩn dụ có hình ảnh, ngôn ngữ bối cảnh như thế nào
90
45
4/13/2023
Một số vấn đề có thể có – Phát triển thương hiệu
• Xác định vị trí thương hiệu theo năm đặc điểm tính cách (Big5)
• Theo dõi thương hiệu
• Lựa chọn ẩn dụ (ngôn ngữ, hình ảnh, bối cảnh) phù hợp
• Kích hoạt bộ nhận dạng thương hiệu
91
Thiết lập giả thuyết và đặc tả

• Học có giám sát: ví dụ bài toán dự báo, phân loại
• Cung cấp quy tắc xác định kết quả đúng/sai, hoặc độ phù hợp
• Học không giám sát: ví dụ bài toán phân cụm
• Cung cấp thông tin về độ phù hợp của kết quả. Có thể là trung
bình khoảng cách từ tâm mỗi cụm đến phần tử trong cụm
• Học tăng cường:
• Cung cấp các điều kiện ràng buộc, và tiêu chí cần tối ưu (tối đa
hóa hoặc tối thiểu hóa)
92
46
4/13/2023
Lợi thế của con người và sự hỗ trợ của AI
• Nhìn chung, khi so sánh giữa con người và AI thì: Dễ (với con người)

thì khó (với AI) và khó (với con người) thì dễ (với AI)
• Ví dụ: phân biệt con chó và con mèo – con người phân biệt rất dễ

dàng, nhưng với AI thì khó.
=> Hiện nay người ta tìm cách kết hợp “sức người” để hỗ trợ AI giải
quyết vấn đề
93
Lợi thế của con người và sự hỗ trợ của AI
Hỗ trợ của AI: một vài ứng dụng cơ bản
• Dự báo
• Giảm chiều dữ liệu: nắm bắt một vấn đề/tình trạng vốn phức tạp
thông qua một vài tham số
• Hiểu ngôn ngữ tự nhiên
• Tập hợp, phân loại dữ liệu
94
47
4/13/2023
Mô hình dự đoán: thông qua các phân loại

cây quyết định
• Được sử dụng trong phân loại và dự báo
Ảnh: https://trituenhantao.io
95

Khởi tạo cây quyết định dựa vào
• Thứ tự câu hỏi (biến) (hay chọn biến nào để phân loại trước)

Biến nào, khi phân loại tạo thành các thành phần đồng nhất (hàm
Entropy thấp)
96
48
4/13/2023

Khởi tạo cây quyết định dựa vào
• Với một phân phối xác suất của một biến rời rạc y có thể nhận n giá
trị khác nhau y1,y2,…,yn. Giả sử rằng xác suất để y nhận các giá trị này
là pi=p(y=yi).
• Ký hiệu phân phối này là p=(p1 ,p2 ,…,pn). Entropy của phân phối này
được định nghĩa là:
H(p)= – ∑nn=1 pi log(pi)
• Entropy càng thấp thì điểm (node, biến) đó càng tinh khiết
97

Khởi tạo cây quyết định – điều kiện dừng
• Node có entropy bằng 0
• Node có số phần tử ít hơn số lượng tối thiểu theo quy định
• Node đạt đến chiều sâu giới hạn của cây theo quy định
• Số node lá vượt ngưỡng quy định
• Node mà việc phân chia (rẽ nhánh) không làm giảm nhiều entropy
98
49
4/13/2023

• Hãy cho biết một số thuật toán AI, vấn đề kinh doanh có thể giải quyết
của mỗi thuật toán và yêu cầu đầu vào của chúng.
• Áp dụng kiến thức, xây dựng một cây quyết định với dữ liệu mẫu
99
99
Cảm ơn!
100
50
4/13/2023
Chương 5:
ÁP DỤNG AI VÀO PHÂN
KHÚC THỊ TRƯỜNG VÀ
TIẾP CẬN KHÁCH HÀNG
MỤC TIÊU
101

• Giải thích, cho ví dụ minh họa các trường hợp phân khúc thị trường,
tiếp cận khách hàng mục tiêu bằng thuật toán
• Mô tả, giải thích cách làm, áp dụng thuật toán K Means
102
51
4/13/2023
Nội dung
• Mô hình Phân cụm.

• Thuật toán K‐mean.
• Thuật toán và công cụ AI.
• Xác định phân khúc thị trường.
• Tiếp cận khách hàng mục tiêu
103
Bài toán phân cụm
• Phân cụm (Clustering) thuộc loại học không giám sát (Unsupervised
learning) trong đó các đối tượng được gom vào thành từng cụm
(cluster) sao cho các đối tượng trong cùng một cụm có sự tương đồng
theo một tiêu chí nào đó.
• Ví dụ: phân cụm khách hàng.
104
52
4/13/2023
Bài toán phân cụm

Đặc điểm của phân cụm:
• Số cụm dữ liệu không được biết trước
• Có nhiều các tiếp cận, mối cách lại có vài kỹ thuật
• Các kỹ thuật khác nhau thường mang lại kết quả khác nhau.
Ví dụ: phân cụm khách hàng
• Khách có thể được phân thành nhóm theo hành vi mua, hoặc có thể
phân thành nhóm theo yếu tố nhân khẩu học…
105
Thuật toán K Means

• Đầu vào: K (số lượng các cụm), Tập hợp các điểm với các đặc tính của
mỗi điểm; Đầu ra: Tâm của mỗi cụm và phân cụm cho tất cả các điểm.
• Cách làm
1.Chọn K điểm bất kỳ làm các tâm ban đầu.
2.Phân mỗi điểm dữ liệu vào cụm có tâm gần nó nhất.
3.Nếu việc gán dữ liệu vào từng cụm ở bước 2 không thay đổi so với
vòng lặp trước nó thì ta dừng thuật toán.
4.Cập nhật tâm cho từng cụm bằng cách lấy trung bình cộng của tất
các các điểm dữ liệu đã được gán vào cụm đó sau bước 2.
5.Quay lại bước 2.
Nguồn: https://viblo.asia/p/tim‐hieu‐thuat‐toan‐
phan‐cum‐spectral‐clustering‐RQqKLBp0l7z
106
53
4/13/2023

• Độ hiệu quả của kết quả sắp xếp: có thể xem tổng (hay trung bình)
khoảng cách từ mỗi điểm trong bộ dữ liệu đến Tâm tương ứng với nó.
• Vòng lặp có thể “mắc kẹt” trong trạng thái “không hiệu quả”. Do vị trí
ban đầu của các Tâm được tạo ra ngẫu nhiên, có thể có một số
trường hợp, quá trình tối ưu (gán điểm dữ liệu vào cụm, cập nhật tọa
độ Tâm) không thay đổi (tức là sẽ dừng vòng lặp) nhưng kết quả lúc
đó chưa phải là kết quả tốt nhất.
107

• Tính chất của khoảng cách:
• d(p,p) = 0
• Đối xứng: d(p,q) = d(q,p)
• Dương: d(p,q)>=0
• d(p,q) + d(q,r) >= d(p,r)
• Khoảng cách Euclide trong không gian n chiều giữa hai điểm p và q
108
54
4/13/2023
Thuật toán và công cụ AI

Sử dụng thuật toán K Means bằng Python
Hàm cần thiết:
• kmeans_init_centers: để khởi tạo các centers ban đầu.
• kmeans_asign_labels: để gán nhán mới cho các điểm khi biết các centers.
• kmeans_update_centers: để cập nhật các centers mới dữa trên dữ liệu vừa
được gán nhãn.
• has_converged: để kiểm tra điều kiện dừng của thuật toán
Minh họa thuật toán K‐means cluster‐ xem thêm:

1.Visualizing K‐Means Clustering
2.Visualizing K‐Means Clustering ‐ Standford
Nguồn:
https://machinelearningcoban.com/2017/01/01/kmeans/
109
Xác định phân khúc thị trường

Đầu vào và dữ liệu cho phân khúc khách hàng
• Dữ liệu hành vi
• Dữ liệu theo bối cảnh
• Dữ liệu nhân khẩu học
• Dữ liệu địa lý
• Dữ liệu tâm lý
• Dữ liệu về văn hóa, lối sống
• Dữ liệu xã hội
110
55
4/13/2023

Yêu cầu của phân khúc
• Đo lường được
• Phân khúc đủ lớn
• Phân khúc tiếp cận được
• Có thể tác động được đối tượng trong phân khúc
• Các phân khúc có sự khác biệt
111

Công cụ phân tích cho việc phân khúc
• Phân cụm và phân tích thành phần chính (PCA)
• Phân khúc dựa trên ẩn dụ
• Phân khúc dựa trên khía cạnh theo thuật toán
• Phối hợp phân khúc dựa trên nhiều phương pháp tiếp cận
112
56
4/13/2023

Phân cụm và phân tích thành phần chính (PCA)
1. Giúp giảm số chiều dữ liệu
2. Tương tự như xây dựng một hệ trục tọa độ mới
3. Mỗi trục tọa độ mới là tổ hợp tuyến tính của những biến ban đầu.
4. Trong không gian mới, có thẻ giúp chúng ta khám phá thêm những
thông tin mới
113

Phân khúc dựa trên ẩn dụ
• Ẩn dụ: metaphor – là các tuyên bố rõ hoặc ngầm, hoặc đề xuất về ý
tưởng độc đáo hoặc concept (khái niệm) về thương hiệu. Ẩn dụ có
thể có dạng hình ảnh, ngôn từ hoặc biểu tượng.
114
57
4/13/2023
Ẩn dụ: Peaceful life
Tạo bởi công cụ tự động tạo ảnh của Microsoft Bing
115

Phân khúc dựa trên ẩn dụ
• Trích xuất ẩn dụ liên quan đến ngành hàng/sản phẩm: trích xuất bằng
thuật toán qua khung ngữ nghĩa đi liền.
• Tìm kiếm sự cộng hưởng của ẩn dụ
• Sắp xếp các ẩn dụ để tìm ẩn dụ nổi trội
• Truyền thông: ẩn dụ + ngành hàng
=> tìm nhóm nào (có thể theo nhân khẩu học) tương tác với nội dung
truyền thông.
116
58
4/13/2023
Tiếp cận khách hàng mục tiêu

Mục tiêu của các nền tảng (platform)
• Các nền tảng muốn phục vụ người dùng (user): phân phối các nội
dung hữu ích, liên quan đến cho người dùng
• Các nền tảng muốn phục vụ nhà quảng cáo: phân phối nội dung của
nhà quảng cáo
=> Vì phải cân đối hai mục tiêu này, mà đôi khi nền tảng ưu tiên phân
phối của nhà quảng cáo (với giá rẻ) nếu nội dung quảng cáo có chất
lượng tốt, và ngược lại.
117

Nền tảng phân phối nội dung
• Làm thế nào nền tảng nhận biết được nội dung của nhà quảng cáo
hữu ích, liên quan => phân phối đến một tập khách hàng mẫu nhỏ và
xem phản ứng của nhóm khách hàng này.
• Phản ứng của nhóm khách hàng này sẽ được dùng để đánh giá chất
lượng nội dung của nhà quảng cáo.
118
59
4/13/2023

• Ở slide trên là ứng dụng AI của nền tảng (chẳng hạn facebook) để tiếp
cận khách hàng trên một nền tảng
• Một thương hiệu cũng có thể sử dụng dữ liệu của mình trên nhiều
nền tảng để phân tích và khai thác để tự tiếp cận khách hàng
• Ví dụ: target.ai của pixis.ai
119
Target.ai của Pixis.ai
120
60
4/13/2023
• Mô tả, giải thích, thuật toán K Means và các bước thực hiện

• Tìm hiểu và trình bày các mô hình đánh giá tính cách con người
• Cho ví dụ bằng ẩn dụ để minh họa một loại tính cách
121
121
Cảm ơn!
122
61
4/13/2023
Chương 6:
ÁP DỤNG AI VÀO ĐỊNH
VỊ
123

• Mô tả, giải thích cách phân tích ẩn dụ cộng hưởng với đặc điểm
tính cách và định vị thương hiệu theo hoạch định.
• Áp dụng một số công cụ AI tạo ẩn dụ từ mô tả
124
62
4/13/2023
Nội dung chương
• Mô hình định vị số
• Công cụ AI
• Đánh giá và ước lượng kết quả
125
Mô hình định vị số
• Hiểu thương hiệu qua bài kiểm tra 5 đặc điểm tính cách lớn (Big5)
• Theo dõi thương hiệu qua bài kiểm tra
• Kích hoạt bộ nhận dạng thương hiệu trong các cuộc trò chuyện trên
MXH
• Cộng hưởng nhận dạng thương hiệu trong các phương tiện truyền
thông vô thức được tiếp nhận
• Tìm người đại diện phù hợp
Pradeep, Appel, Sthanunathan, 2022
126
63
4/13/2023
• 5 đặc điểm tính cách lớn
127
• Kết nối sản phẩm với các ẩn dụ và nhận dạng thương hiệu
• Trích xuất các bối cảnh từ tâm trí vô thức được kết nối với một
thương hiệu
• Phân cụm các thương hiệu dựa trên chức năng, cảm xúc, giá trị
• Phân tích nhân tố thương hiệu trong một ngành hàng
Pradeep, Appel, Sthanunathan, 2022
128
64
4/13/2023
Cá tính thương hiệu

• Biết khách hàng + cá tính thương hiệu họ mua (có thể ngoại suy từ dữ
liệu thẻ khách hàng thân thiết) => tính cách của người mua riêng lẻ
• Phát triển cá tính thương hiệu truyền thống gồm: chân thành, thú vị,
năng lực, tinh tế, chắc chắn
• 5 đặc điểm này khá phổ biến xuyên suốt các vùng miền, nền văn hóa
129

Khả năng của học máy
• Biết thương hiệu đã mua => tính cách người mua
• Biết tính cách người mua => thương hiệu họ có thể quan tâm
• Biết cá tính thương hiệu => xác định người mua tiềm năng
130
65
4/13/2023

Nguyên mẫu cá tính thương hiệu
• Kiểu 1: các trải nghiệm và cởi mở
• Tính cách ở một thái cực: sáng tạo, khám phá, phiêu lưu
• Tính cách ở một thái cực khác: truyền thống, xác tín
131

• Kiểu 2: sự tiến triển có trật tự và sự tận tâm
• Tính cách ở một thái cực: kỷ luật, tiến triển
• Tính cách ở một thái cực khác: tự phát, bất ngờ
132
66
4/13/2023

• Kiểu 3: tích cực, hoạt ngôn, hướng ngoại
• Tính cách ở một thái cực: hướng ngoại, hoạt ngôn
• Tính cách ở một thái cực khác: sâu sắc tế nhị, kiệm lời
133

• Kiểu 4: hợp tác, hài hòa, dễ chịu
• Tính cách ở một thái cực: hài hòa, công bằng
• Tính cách ở một thái cực khác: cạnh tranh, vị lợi
134
67
4/13/2023

• Kiểu 5: nhạy cảm
• Tính cách ở một thái cực: nhạy cảm
• Tính cách ở một thái cực khác: ổn định, đúng mực
135
Truy vết thương hiệu

1. Mỗi thái cực của một thang đo (một tính cách trong 5 tính cách
trên) chọn một tập hợp các ẩn dụ
2. Mỗi thái cực, chọn ngôn ngữ diễn tả vị trí đó
3. Tìm kiếm các đề cập đến thương hiệu trên MXH, xác định các ẩn dụ,
xác định khoảng cách ẩn dụ đó đến từng đặc điểm
4. Tìm kiếm các đề cập đến thương hiệu trên MXH, xác định các ngôn
ngữ, xác định khoảng cách ngôn ngữ đó đến từng đặc điểm
5. Xác định điểm số của thương hiệu theo từng đặc điểm
136
68
4/13/2023
Chọn đại sứ thương hiệu

Xác định vị trí người nổi tiếng theo 5 tính cách lớn
=> Có hai cách chọn đại sứ thương hiệu
• Kết nối chính xác: người nổi tiếng có vị trí chính xác như hoạch định
của thương hiệu
• Kết nối bù trừ: người nổi tiếng có vị trí không chính xác như hoạch
định của thương hiệu nhưng không quá khác biệt. Ở lựa chọn này,
người nổi tiếng như cầu nối đưa khách hàng đến vị trí của thương
hiệu
137
Công cụ AI
• Ví dụ về công cụ tự động tạo hình ảnh từ các ẩn dụ:
https://bing.com/images/create/
• Sản phẩm mẫu tạo bởi công cụ AI
138
69
4/13/2023
Đánh giá năng lực lãnh đạo thương hiệu

Mối tương quan giữa các đặc điểm tính cách với năng lực lãnh đạo
thương hiệu
• Hướng ngoại: tương quan cao nhất
• Tận tâm: tương quan cao thứ 2
• Cởi mở: tương quan cao thứ 3
• Nhạy cảm: ít tương quan
• Dễ chịu: hầu như không tương quan
139
Đánh giá kết quả

• Tùy hoạt động mà có các chỉ số đánh giá khác nhau. Các hoạt động
định hướng hiệu quả (performance marketing) như doanh số, lợi
nhuận, lượng khách hàng tiềm năng thu thập được…đã có thống kê
ghi nhận.
• Các hoạt động về thương hiệu có thể được đánh giá thông qua mức
độ cộng hưởng của tâm trí vô thức với ẩn dụ đặc trưng của thương
hiệu.
140
70
4/13/2023
1. Hãy cho biết các đặc điểm tính cách lớn của con người và cách xác
định vị trí của một thương hiệu hiện có
2. Hãy cho biết cách định vị một thương hiệu bằng ẩn dụ
141
141
Cảm ơn!
142
71
4/13/2023
Chương 7:
ÁP DỤNG AI VÀO CHIẾN
LƯỢC GIÁ
143
Người học sau khi hoàn thành chương này có thể mô tả, giải
thích
• Mô tả, giải thích cách định giá linh động và cách tối ưu giá trị khách
hàng trọn đời
• Kể các chiến lược giá phổ biến
144
72
4/13/2023
Nội dung chương
• Các chiến lược giá

• Dữ liệu kinh nghiệm khách hàng
• AI xác định chiến lược giá linh động
• Giá và khách hàng trọn đời
145
Các chiến lược giá
Một số chiến lược giá phổ biến

• Chiến lược hớt váng sữa: tối đa hóa lợi nhuận
• Chiến lược thâm nhập thị trường
• Chiến lược định giá dựa đối thủ cạnh tranh
• Chiến lược định giá linh động
146
73
4/13/2023
Dữ liệu kinh nghiệm khách hàng
• Dữ liệu kinh nghiệm khách hàng

• Dữ liệu thang thời gian nhanh: dữ liệu thay đổi nhanh chóng theo
thời gian
• Dữ liệu thang thời gian chậm: dữ liệu chậm thay đổi theo thời gian
147

• Dữ liệu thang thời gian nhanh
• Thời tiết
• Giá trung bình ngành hàng, đối thủ
• Xu hướng mua của NTD
• Mức độ trung thành
• Khối lượng theo thời điểm trong ngày
• Tính thời vụ
• Thời gian tính từ ngày nhận lương gần nhất
• Biến động tiền tệ
148
74
4/13/2023
• Dữ liệu thang thời gian nhanh

• Chỉ số truyền thông xã hội liên quan đến sản phẩm
• Chi phí mỗi lần nhấp chuột cho quảng cáo trong ngành
• Nhu cầu tức thời về sản phẩm
• Thời gian chờ nhận sản phẩm
• Thị trường chứng khoán
149
• Dữ liệu thang thời gian chậm

• Niềm tin của NTD
• Yếu tố ảnh hưởng tới kinh tế và dự báo kinh tế
• Nhận thức về ngành hàng/sản phẩm
• Thu nhập trung bình
• Thái độ với hệ sinh thái sản phẩm
150
75
4/13/2023
AI xác định chiến lược giá linh động
• Chiến lược giá linh động là chiến lược trong đó giá thay đổi dựa theo
nhu cầu của khách hàng theo thời gian thực.
• Theo thời gian thực nghĩa là giá có thể điều chỉnh rất nhanh. Ví dụ:
• Giá phòng khách sạn ở Vũng Tàu ngày thứ 7, chủ nhật có thể gấp
3 các ngày khác.
• Giá đặt xe Grab có thể tăng lên 20% sau 5 phút
151

Phương pháp định giá
1. Chọn sản lượng muốn bán
2. Chọn mức giá bán
3. Điều chỉnh tăng/giảm giá dựa trên sai số (sản lượng kỳ vọng và thực tế
4. Lặp lại bước 2,3 đến tiệm cần sản lượng mong muốn
• Các yếu tố kinh tế vĩ mô/vi mô
Kinh nghiệm và quy tắc của con người có vai trò lớn => lĩnh vực phù hợp để
máy học và triển khai
152
76
4/13/2023

• Giá sàn: Một phương thức định giá, trong đó mọi chi phí đều được
thu hồi, và điều này tạo nên giá sàn của mô hình định giá. Giá gốc
được giảm giá ít nhất phải cao hơn giá sàn.
• Giá “tăng đột biến” do nhu cầu: Bất kỳ ai từng đặt Uber đều biết ý
nghĩa của con số “1,5X” ‐ mức tăng so với giá gốc dựa trên nhu cầu
thực. Người tiêu dùng không có cách nào để xác nhận đòi hỏi này.
• Giá lợi nhuận tối đa: “Pharma Bro” đã thử phương pháp này chỉ đem
giản là nâng giá lên đến mức khiến người tiêu dùng phát hoảng
nhưng cảm thấy không có lựa chọn nào khác. Thi ATM của các ngân
hàng năm trong hạng mục này. Thông thường, rốt cuộc chính phủ sẽ
can thiệp và điều tiết. Predeep, Appel, Sthanunathan, 2022
153

• Người tiêu dùng chọn giá: Ngoài giá sàn, NTD có thể tự định mức giá
có thể trả thêm.
• Giá pop‐out ngược: Đề xuất hai mặt hàng tương tự nhau, và một mặt
hàng có giá rẻ hơn đáng kể, tức là hàng pop‐out (bán nhanh)
• Giá Fremium: Một sản phẩm hoặc dịch vụ được cung cấp miễn phí
(free), sau đó áp mức giá cao hơn (premium) cho các sản phẩm và
dịch vụ liên quan, chẳng hạn các tính năng nâng cao hoặc tốc độ gia
tăng. Hầu hết các nhà cung cấp dịch vụ đám mây đều cung cấp những
dịch vụ như vậy.
Predeep, Appel, Sthanunathan, 2022
154
77
4/13/2023

• Giá nhử mồi và giá chuyển đổi: Những mặt hàng giảm giá cực mạnh
để nhử người tiêu tin dùng, còn những mặt hàng có mức giá vừa phải
sẽ được hiển thị là các mặt hàng giảm giá “không còn” sẵn.
• Giá rượu nhà hàng: Mặt hàng được định giá cao vì tính thuận tiện.
• Giá chặn cạnh tranh: định giá thấp để ngăn các đối thủ tham gia thị
trường.
155

• Giá chỉ đạo lỗ: Định giá lỗ một sản phẩm, để thu lợi nhuận từ sản
phẩm sử dụng kèm.
• Giá có số lẻ: thường định giá có số lẻ ví dụ “99k”. Để mức giá trông có
vẻ rẻ hơn.
156
78
4/13/2023

• Trả theo giá bạn muốn: đấu giá. Các thông số có thể được đưa ra,
chẳng hạn giá khởi điểm tối thiểu, hoặc giả “đề xuất”, eBay sử dụng
chiến thuật này rất thành công.
• Miễn phí trong sáu tháng đầu tiên: đặt một mức giá miễn phí hoặc thấp
để thu hút khách hàng, rồi tăng giá sau. Khách hàng phải hủy dịch vụ
sau khoảng thời gian đầu tiên, nếu không sẽ bị tính mức giá bình
thường. Khách hàng thường phải cung cấp thông tin thanh toán từ đầu
• Giá siêu cao cấp: Giá cao để khơi dậy cảm nhận tích cực. Mô hình
định giá này phù hợp với những người tiêu dùng thực sự muốn theo
kịp các xu hướng mới nhất. Apple sử dụng mô hình này trong việc
định giá. Predeep, Appel, Sthanunathan, 2022
157

• Giá tương phản: Đặt giá của một sản phẩm cao, nhằm thúc đẩy doanh
số của sản phẩm có giá thấp hơn. Giá của sản phẩm thấp hơn sẽ có vẻ
còn thấp hơn nửa trong tương quan với sản phẩm có giá cao hơn.
• Giá ngược: Một hình thức định giá linh đóng trong đó giá được điều
chỉnh để tương ứng với mức giá sẵn sàng trả luôn đang tăng (hoặc
giảm) của khách hàng. Phương pháp định giá này thường được các
doanh nghiệp trực tuyến sử dụng.
• Giá dựa trên nhu cầu: Đặt giá dựa trên số lượng khách hàng. Ví dụ,
một hãng hàng không có thể giảm giá vé khi gần tới thời gian cất
cánh, chỉ để lấp đầy các ghế trống trên máy bay.
158
79
4/13/2023
Giá và giá trị khách hàng trọn đời
• Giá trị KH trọn đời = Giá trị KH * Vòng đời KH

• Giá trị KH = Giá trị đơn hàng TB * Số đơn hàng TB
• Giá trị đơn hàng TB = Doanh số / Số đơn hàng
• Số đơn hàng TB = Số đơn hàng / Số khách hàng
159
Giá và giá trị khách hàng trọn đời
• Ví dụ: Giá trị khách hàng trọn đời ‐ Starbuck
Nguồn: https://blog.hubspot.com/service/how‐to‐calculate‐
customer‐lifetime‐value
160
80
4/13/2023
1. Hãy kể các chiến lược giá phổ biến và cho ví dụ minh họa
2. Hãy mô tả cách định giá tối ưu hóa lợi nhuận theo thời điểm. Cách
định giá này phù hợp để áp dụng khi nào?
161
161
Cảm ơn!
162
81
4/13/2023
CHƯƠNG 8:
LƯỢC PHÂN PHỐI
163
Người học sau khi hoàn thành chương này có thể mô tả, giải
thích
• Mô tả, giải thích các ứng dụng của AI trong cải thiện trải nghiệm
khách hàng trong cửa hàng, trong hội thoại, trên website
• Giải thích sự hỗ trợ của AI trong chốt deal
164
82
4/13/2023
Mục tiêu chương
• Trải nghiệm trong cửa hàng

• Điện thoại
• Trải nghiệm trên website
• AI trợ giúp chốt deal
165
Nội dung
• Trải nghiệm trong cửa hàng
• Điện thoại
• Trải nghiệm trên website
• AI trợ giúp chốt deal
166
83
4/13/2023
Trải nghiệm trong cửa hàng

Một số ứng dụng có thể có trong cửa hàng của AI
• Thanh toán để cải thiện trải nghiệm khách hàng
• Cá nhân hóa tương tác và chăm sóc khách hàng
• Phân tích hành vi trong cửa hàng theo thời gian thực
• Xác định vị trí sản phẩm
167

Thanh toán để cải thiện trải nghiệm khách hàng khâu thanh toán (sử dụng một số
công cụ ví dụ AI‐powered checkouts)
• Giảm tương tác người – người (ích lợi trong một số trường hợp): Cửa hàng có thể
sử dụng công cụ AI để tương tác với khách hàng khi thanh toán (tính tiền, quét
sản phẩm…)
• Giảm thời gian chờ của khách hàng
168
84
4/13/2023

Cá nhân hóa tương tác và chăm sóc khách hàng (thông qua một số công cụ chẳng
hạn chatbots)
• Chăm sóc khách hàng, giải đáp thông tin tốt với lượng lớn truy vấn từ khách hàng
• Thu thập thông tin qua các hội thoại, lập hồ sơ khách hàng, phân tích khách hàng
để tương tác tốt hơn
169

Phân tích hành vi trong cửa hàng theo thời gian thực
• Công cụ hỗ trợ: các công cụ về thị giác máy tính
• Chức năng: nhận dạng vật thể, con người, theo dõi ánh mắt, đánh giá thái độ
• Một số thông số hữu ích về hành vi khách hàng đang được khai thác: thời gian
dừng trước một quầy (dwell time) và thời gian xem một sản phẩm (gaze time)
170
85
4/13/2023

Xác định vị trí sản phẩm
• Vấn đề: kiểm đếm số lượng, chủng loại sản phẩm trong cửa hàng tốt nhiều thời
gian và thiếu chính xác
• Công cụ hỗ trợ: phần mềm AI
• Giúp xác định vị trí sản phẩm trên quầy kệ, tình hình quầy kệ (trống hay đầy)
• Xác định sản phẩm nào có mức tiêu thụ cao => ra quyết định về chọn sản
phẩm trưng bày
171
Điện thoại
Một số đặc điểm về ứng dụng AI vào hội thoại với khách hàng
• Nhắc lại: Tác vụ gì dễ với người thì khó với máy, và ngược lại. Hội thoại là một tác
vụ như vậy.
• Khách hàng sẽ kết thúc hội thoại với chatbot sớm hơn so với người
• Khách hàng sẽ dễ chấp nhận hội thoại với chatbot các nội dung về thông tin hơn.
• Khách hàng ít hài lòng hội thoại với chatbot về các nội dung phàn nàn
=> Ứng dụng
• Phân tích dữ liệu hội thoại, lập hồ sơ, phân loại, phân tích khách hàng => đề xuất
cách tiếp cận phù hợp cho từng nhóm khách hàng
• Phân chia các nội dung sử dụng chatbot, nội dung có người xử lý
172
86
4/13/2023
Trải nghiệm trên website

Doanh nghiệp có thể cải thiện trải nghiệm khách hàng trên website ở một số khía
cạnh
• Hình ảnh
• Cá nhân hóa
173

cạnh – Hình ảnh
• Nhận dạng hình ảnh: nhận dạng, phân loại ảnh.
=> Ứng dụng
• Cá nhân hóa landing page dựa trên hành vi mua hàng trong quá khứ và tương tác
của khách hàng với website
• Gợi ý nội dung
• Ví dụ: Adobe Sensei
174
87
4/13/2023

cạnh – Đo lường cảm xúc
• Mục đích: nghiên cứu phân loại cảm xúc khách hàng
• Dữ liệu: tương tác của khách hàng với các dữ liệu về nội dung thị giác (visual
data)
=> Ứng dụng
• Xác định mối liên hệ giữa ảnh – cảm xúc
• Phân loại ảnh và cảm xúc
• Hiển thị ảnh phù hợp với khách hàng
175

cạnh – Cá nhân hóa
• Dự báo
• Nguồn dữ liệu: dữ liệu hành vi khách hàng trên website
• Mẫu hình (pattern): được phân tích, khám phá dựa trên dữ liệu đã có
• Tìm kiếm ngữ nghĩa
• Nội dung và bố cục
176
88
4/13/2023
AI trợ giúp chốt deal

• Lượng NVKD đạt chỉ tiêu giảm từ 63% (2012)
xuống 57% (2019)
• AI tăng tương tác với khách hàng
• AI củng cố mối quan hệ với khách hàng
• Vì sự hiệu quả của AI sẽ tăng theo thời gian (do
lượng dữ liệu và điều chỉnh của thuật toán) nên
những doanh nghiệp sử dụng sớm sẽ có lợi thế
cạnh tranh đáng kể
Nguồn: https://hbr.org/2022/11/can‐ai‐really‐help‐you‐sell
177

Ứng dụng
• Xác định chiến lược AI: mục tiêu cần đạt được là gì
• Kiểm tra sự phù hợp của tổ chức bộ máy: quy trình, con người và
công cụ AI có kết hợp tốt với nhau không.
• Cần có hệ thống phù hợp cho việc: thu thập dữ liệu, quản trị thực thi,
đào tạo, truyền thông
• Văn hóa: khuyến khích trải nghiệm và học hỏi
178
89
4/13/2023

Ứng dụng – chiến lược
• Thu thập thông tin và tạo danh sách khách hàng tiềm năng
• Đánh giá mức tiềm năng của khách hàng (leads) và chuẩn bị quy trình
bán hàng (sales pipeline)
• Tiếp cận cá nhân hóa khách hàng
• Xác định khách hàng sẵn sàng mua và cách chốt deal
• Theo dõi đối thủ và cách làm của đối thủ
179
CÂU HỎI ÔN TẬP Chương 8
1. Hãy cho biết các ứng dụng của AI trong cửa hàng, hội thoại, trải
nghiệm trên website, hỗ trợ chốt deal
2. Chatbot phù hợp sử dụng trong hội thoại với khách hàng trong
trường hợp nào.
3. Cho ví dụ Ai hỗ trợ cải thiện trải nghiệm trên website
180
180
90
4/13/2023
Cảm ơn!
181
CHƯƠNG 9:
LƯỢC CHIÊU THỊ
182
91
4/13/2023

• Xây dựng một chatbot ứng dụng vào dịch vụ khách hàng
• Mô tả, giải thích cách ứng dụng của AI trong việc lập kế hoạch
truyền thông
• Giải thích cách AI trợ giúp quyết định truyền thông
183
Nội dung chương
• Hộp thoại và dịch vụ khách hàng

• Lập kế hoạch truyền thông
• Dùng AI trợ giúp quyết định
• Các chiến lược truyền thông số
184
92
4/13/2023
Hộp thoại và dịch vụ khách hàng

• Bot: các chương trình tự động => chatbot: chương trình trò chuyện (chat) tự động.
• Tiềm năng: Viện Gartner dự báo đến năm 2020, 40% tương tác di động được kiểm soát
bởi bot (Gartner, 2015)
• Điều kiện hỗ trợ phát triển chatbot
• Wit.ai – phần mềm phát triển API được kết hợp với Facebook giúp
• MS bot framework – hỗ trợ tạo ứng dụng bot cho các nền tảng khác nhau hoặc cho
website riêng.
• …
185

• Bot: các chương trình tự động => chatbot: chương trình trò chuyện (chat) tự động.
• Tiềm năng: Viện Gartner dự báo đến năm 2020, 40% tương tác di động được kiểm soát
bởi bot (Gartner, 2015)
• Điều kiện hỗ trợ phát triển chatbot
• Wit.ai – phần mềm phát triển API được kết hợp với Facebook giúp
• MS bot framework – hỗ trợ tạo ứng dụng bot cho các nền tảng khác nhau hoặc cho
website riêng.
• …
186
93
4/13/2023

Chatbot là một công nghệ phần mềm được sử dụng để tương tác
với người dùng thông qua các cuộc trò chuyện, giúp cải thiện trải
nghiệm khách hàng và giảm chi phí hoạt động. Dưới đây là một số
ứng dụng của chatbot:
1.Hỗ trợ khách hàng: Chatbot được sử dụng trong lĩnh vực hỗ trợ
khách hàng, để trả lời các câu hỏi thường gặp, giải quyết các vấn
đề và cung cấp hướng dẫn cho khách hàng. Chatbot có thể giúp
giảm thời gian chờ đợi và tăng tính khả dụng của dịch vụ khách
hàng.
2.Bán hàng và marketing: Chatbot có thể giúp tăng doanh số bán
hàng và nâng cao hiệu quả chiến dịch marketing. Chatbot có thể
tư vấn sản phẩm, khuyến mãi, cung cấp thông tin về sản phẩm
và hỗ trợ quá trình mua hàng.
187

Chatbot là một công nghệ phần mềm được sử dụng để tương tác với người dùng thông
qua các cuộc trò chuyện, giúp cải thiện trải nghiệm khách hàng và giảm chi phí hoạt động.
Dưới đây là một số ứng dụng của chatbot:
3. Tư vấn và hướng dẫn: Chatbot có thể cung cấp thông tin và hỗ trợ các tư vấn về sức
khỏe, giáo dục, tài chính, du lịch và nhiều lĩnh vực khác. Chatbot cũng có thể cung cấp
hướng dẫn và hỗ trợ cho các quy trình kinh doanh và sản xuất.
4.Quản lý thông tin: Chatbot có thể được sử dụng để quản lý, theo dõi và cập nhật thông
tin khách hàng, đặt lịch, tạo báo cáo và quản lý dữ liệu.
5.Hỗ trợ cho các ngành công nghiệp: Chatbot có thể được sử dụng trong các ngành công
nghiệp như bất động sản, thực phẩm và nước uống, dược phẩm và nhiều lĩnh vực khác
để hỗ trợ khách hàng và tăng hiệu quả kinh doanh.
• Tóm lại, chatbot là một công nghệ được sử dụng rộng rãi trong nhiều lĩnh vực để cải
thiện trải nghiệm khách hàng, giảm chi phí hoạt động và nâng cao hiệu quả kinh doanh.
188
94
4/13/2023
Lập kế hoạch truyền thông
Tình hình hiện tại

• Công ty tư vấn (agency) truyền thông thường tư vấn bên xuất bản nội
dung. Có thể dẫn đến mâu thuẫn lợi ích.
• Tình trạng trên có thể dẫn đến thiếu minh bạch
189
Giải pháp có thể có: nền tảng tự học, tự động và điều khiển bởi dữ liệu
• Chức năng: giúp nhà quảng cáo lên kế hoạch, đặt chỗ và tối ưu hóa
phương tiện truyền thông nhằm tập trung vào chỉ số (KPI) mong
muốn
• Định lượng được giá trị gia tăng của các khoản đầu tư truyền thông
riêng lẻ liên quan đến các chỉ số KPI mục tiêu
190
95
4/13/2023
Phân bổ ảnh hưởng của từng thành phần vào doanh số

Nguồn: Blackwood Seven
191
Đặc điểm
• Dễ sử dụng: phần mềm như một dịch vụ (SaaS), có thể sử dụng để
quản lý thông qua trình duyệt 24/7
• Chi phí hợp lý, phù hợp công ty nhỏ: Với Black Seven là chi phí thuê
bao hàng tháng. Chi phí khác có thể có: chi phí xây dựng, vận hành
mô hình (Ở Việt Nam, Haravan có thể có mô hình kinh doanh khá
giống Black Seven)
192
96
4/13/2023
Thành phần của giải pháp

• Kết nối dữ liệu
• Mô hình hóa
• Tối ưu hóa
• Mô phỏng kết quả
• Trực quan hóa
• Báo cáo và điều chỉnh phương tiện truyền thông
193
Các mô hình
• Mô hình hóa Bayes: tích hợp/sử dụng kiến thức từ trước và kết quả
chi tiết hơn thống kê truyền thống.
• Mô hình tối ưu: tính toán sự kết hợp tốt nhất các phương tiện truyền
thông
194
97
4/13/2023
Tổng kết phương pháp MÔ HÌNH kết hợp PHƯƠNG TIỆN TRUYỀN THÔNG

• Lập ngân sách: có thể mô phỏng với sự chắc chắn về hiệu quả nhờ học máy
• Mô hình được đánh giá với dữ liệu cập nhật
• Mô hình có thể phản ánh các mối quan hệ phi tuyến
• Có thể hoạch định thông số đầu ra theo KPI cụ thể
• Có thể so sánh giữa các phương tiện truyền thông.
195
AI trợ giúp ra quyết định

• Các mô
hình ra
quyết
định
196
98
4/13/2023

• Trong mô hình sử dụng AI, khai thác dữ liệu lớn (big data) để ra quyết
định (mô hình thứ 3), dữ liệu được khai thác hiệu quả hơn hai mô
hình trước
• Giá trị
• Loại bỏ yếu tố con người, tự động hóa (giá trị ít)
• Tăng độ chính xác, hợp lý của quyết định (giá trị cao)
197

• Tuy nhiên, đối với dữ liệu không có cấu trúc, AI xử lý không thật hiệu
quả
• Trong một số trường hợp, chẳng hạn môi trường kinh doanh biến
động lớn AI xử lý thiếu chính xác, hợp lý (do được học từ dữ liệu quá
khứ
=> kết hợp ra quyết định với con người
198
99
4/13/2023
Các chiến lược truyền thông số

Một số gợi ý về truyền thông
• Tận dụng các mốt, xu hướng nhất thời
• Tận dụng xu hướng đã qua
• Kết hợp RFP (request for proposal‐mời thầu), tin tức và xu hướng B2B
• Bán hàng, quản lý quan hệ
• Kể chuyện sáng tạo
199

Tận dụng các mốt, xu hướng nhất thời
• Các xu hướng này có đặc điểm: cộng hưởng ít trong tâm trí vô thức (nên không
bền vững lâu dài), cộng hướng nhiều ở đầu ra có ý thức (nên trở thành xu hướng)
• Việc khai thác xu hướng này có thể tạo ra nhận thức rằng thương hiệu là “hợp
thời”, “đúng mốt”
200
100
4/13/2023

Tận dụng xu hướng đã qua
• Một xu hướng hay một phép ẩn dụ đã qua thường có sự cộng hưởng thấp trong
tâm trí vô thức. Đây là điều không được cảm thấy quá sâu sắc.
• Việc hiểu xu hướng/ẩn dụ đã qua cho phép thương hiệu không lãng phí nguồn
lực vào những thứ đã lỗi thời/không tiềm năng.
201

Kết hợp FRP, tin tức, xu hướng B2B
• Xác định ẩn dụ được nhúng trong một FRP => tìm ra cái mà người tạo FRP thực sự
tìm kiếm.
• Làm rõ ẩn dụ, hình ảnh, cấu trúc, khung nghữ nghĩa chứa ẩn dụ
202
101
4/13/2023

Bán hàng và quản lý quan hệ khách hàng
• Cách hiểu cũ: hiểu khách hàng là biết các quan điểm, sở thích về các lĩnh vực đời
sống (thể thao, tôn giáo, phong cách sống, hôn nhân gia đình…)
• Cách hiểu khác: khách hàng được xác định bằng ẩn dụ và bối cảnh cộng hưởng
với tâm trí vô thức của họ.
203

Bán hàng và quản lý quan hệ khách hàng ‐ ứng dụng
• Hiểu khách hàng thông quan phân tích các tình huống (các ẩn dụ, bối cảnh) cộng
hưởng với tâm trí vô thức của họ
• Áp dụng: trong đối thoại với khách hàng, kích hoạt các ẩn dụ và bối cảnh đó
204
102
4/13/2023

Kể chuyện sáng tạo
• Căn cứ thực hiện: hiểu khách hàng về đặc điểm tính cách (Big5), ẩn dụ và bối
cảnh có liên quan.
• Áp dụng: lựa chọn tính cách, ẩn dụ, bối cảnh liên quan. Tạo câu chuyện bằng
thuật toán thông qua thời gian thực, kèm sản phẩm và lời kêu gọi hành động
(call‐to‐action), cấu trúc và thời lượng tuân thủ quy định (ví dụ thời gian 30 giây)
205

Kể chuyện sáng tạo – ví dụ mẫu cấu trúc
• Ẩn dụ mở đầu sử dụng ký hiệu, hình ảnh kết nối tâm trí vô thức và tính cách.
• Thành phần cảm xúc + thông điệp + bối cảnh được xác định và cá nhân hóa
• Thành phần chức năng của thông điệp
• Kêu gọi hành động
• Ẩn dụ kết thúc với thương hiệu
206
103
4/13/2023
1. Hãy xây dựng một chatbot, tích hợp và fanpage với các kịch bản
chăm sóc khách hàng tự giả định.
2. Trong cách mô hình ra quyết định đã nêu trong chương, hãy cho
biết mỗi mô hình phù hợp sử dụng trong trường hợp nào
3. Cho ví dụ một dịch vụ lập kế hoạch và quản trị truyền thông và cho
biết ưu/khuyết điểm của dịch vụ đó.
207
207
Cảm ơn!
208
104
4/13/2023
CHƯƠNG 10:
AI VÀ MARKETING LINH
HOẠT
209

• Kể một số xu hướng áp dụng AI trong marketing và trong đời sống
• Áp dụng một số dịch vụ AI giải quyết vấn đề cá nhân, doanh nghiệp
• Triển khai sử dụng robot cho cá nhân
210
105
4/13/2023
Nội dung chương
• Máy tự học
• Dịch vụ trí thông minh nhân tạo
• Dữ liệu là lợi thế cạnh tranh
• Robot cho cá nhân
211
Máy tự học
“Được rồi, hãy để cho nó chơi với chính nó hàng triệu lần,
không biết gì khác ngoài luật chơi, và bắt đầu chơi ngẫu nhiên,
nhưng nhận biết được những hình mẫu liên quan đến chiến
thắng.”
Demis Hassabis (làm việc cho Deep Mind của Google)
=> Máy tự học
212
106
4/13/2023
Máy tự học
• Quy định các lựa chọn có thể có (nước đi – nếu đang chơi cờ)
• Cho máy tự tạo tình huống (chơi – nếu đang chơi cờ) => kết quả =>
thu thập dữ liệu
• Dựa vào kết quả thu thập được gán các nước đi là tốt (xác suất thắng
cao), không tốt (xác suất thua cao)
• Sử dụng kết quả trên để áp dụng và kiểm tra kết quả
213
Máy tự học
• Cách làm ở slide trước có thể áp dụng cho tình huống có
• Luật chơi
• Kết quả (có quy tắc đánh giá hiệu quả)
• Hạ tầng mạnh – để cho máy tự chơi
• Con người: để triển khai các bước huấn luyện máy tự học
214
107
4/13/2023
Dịch vụ trí thông minh nhân tạo

Một số dịch vụ trí thông minh nhân tạo cho lĩnh vực marketing
• Lắng nghe mạng xã hội (social listening)
• Truy vấn
• Tạo, chỉnh sửa hình ảnh
• Tạo, chỉnh sửa video
• Vẽ tranh
•…
215

Lắng nghe mạng xã hội (social listening) – ví dụ SMCC
• SMCC là hệ thống giao diện phân tích dữ liệu social media do hệ thống robot
thu thập tự động từ các trang công khai trên mạng xã hội, kết hợp với dữ liệu
do người dùng tự thu thập, đóng góp từ công cụ SMCC Data Picker.
• SMCC hoạt động xoay quanh các bức "Chân dung dữ liệu" (hay "Chân dung
khách hàng").
• Chân dung dữ liệu: tìm kiếm => thống kê => mô hình hóa thông tin xoay quanh
một chủ đề hoặc một đối tượng cụ thể trên social media (như từ khóa, các
fanpage, các group, các profile...).
• Nhờ xây dựng các bức Chân dung dữ liệu, người dùng có thể định vị các vấn
đề liên quan tới ý kiến dư luận, thương hiệu, sản phẩm, nhân hiệu hoặc lọc ra
các tệp khách hàng tiềm năng, có cùng mối quan tâm, sở thích.
Nguồn: SMCC
216
108
4/13/2023

• Mỗi chân dung dữ liệu ngoài phần tổng quan chứa đám mây dữ liệu như trong
các thí dụ bên trên, còn có chứa:
‐ Phần Thống kê đề cập: bao gồm các nội dung đi kèm và ngày tháng phân bố
của thông tin. Phần thống kê chứa rất nhiều phép lọc khác nhau cho phép tùy ý
tìm ra các thông tin cần thiết.
‐ Phần Phân tích tự động: chứa các phân tích tự động về Lượng đề cập, Lan tỏa,
Tương tác, Chia sẻ, Danh sách các đề cập có tương tác lớn nhất, Các tác giả phổ
biến nhất vv...
‐ Phần Nguồn dữ liệu: chứa các phân tích, xếp hạng về Các tác giả và Trang web
phổ biến nhất trong Chân dung.
‐ Phần So sánh chân dung: Cho phép so sánh các chỉ số cơ bản của các bức Chân
dung dữ liệu với nhau
Nguồn: SMCC
217

• Mỗi chân dung dữ liệu ngoài phần tổng quan chứa đám mây dữ liệu như
trong các thí dụ bên trên, còn có chứa:
‐ Phần Xu hướng nội dung: Phân tích các từ khóa, chủ đề nổi bật, cho biết
xu hướng nội dung của vấn đề cần khảo sát
‐ Phần Thống kê nhân khẩu: Phân tích thông tin thống kê về Nhân khẩu
học của các tác giả trong Chân dung dữ liệu
‐ Phần Chia sẻ chân dung: Cho phép chia sẻ chân dung với những người
dùng SMCC khác, đặc biệt là người dùng free.
‐ Phần Thiết lập chân dung: Cho phép cấu hình chi tiết phép lọc của Chân
dung dữ liệu, để thay đổi cách biểu diễn chân dung.
Nguồn: SMCC
218
109
4/13/2023

Truy vấn – ví dụ ChatGPT
• Sử dụng học sâu: có khả năng phân tách ý hỏi (truy vấn) thành nhiều
vấn đề rồi kết hợp xử lý
• Sử dụng:
• Viết nội dung
• Giải đáp nghi vấn
219
Dữ liệu là lợi thế cạnh tranh – dữ liệu lớn
• Thông thường dữ liệu lớn được hiểu là dữ liệu được thu thập và liên
kết với một lĩnh vực hoặc chức năng cụ thể.
• Đặc trưng của dữ liệu lớn: Khối lượng lớn, tốc độ cao, đa dạng
• Dữ liệu lớn được xử lý tốt và hiệu quả thông qua các hệ thống học
sâu.
• Với dữ liệu lớn (dồi dào) các mẫu hình trở nên rõ ràng
220
110
4/13/2023
Dữ liệu là lợi thế cạnh tranh

Lĩnh vực ứng dụng:
• Chăm sóc sức khỏe
• Giáo dục
• Dự báo thiên tai
• Phòng chống tội phạm
•…
Dữ liệu không phải là thông tin, thông tin không phải là kiến thức, kiến thức
không phải là sự hiểu biết, sự hiểu biết không phải là trí tuệ (Cliff Stoll và
Gary Schubert*, 2006)
*: trong “Nothing to hide: privacy in the 21st century” của Mark R. Keeler
221
Dữ liệu là lợi thế cạnh tranh
• Làm sạch dữ liệu là quá trình tìm, sửa (hoặc xóa) các dữ liệu không
liên quan, sai lệch, thiếu sót, trùng lặp, vô dụng ra khỏi bộ dữ liệu.
• Lý do phải làm sạch dữ liệu: giúp thuật toán hoạt động nhanh, chính

xác hơn
222
111
4/13/2023
Dữ liệu là lợi thế cạnh tranh ‐ Làm sạch dữ

liệu
Nguyên nhân sai lệch dữ liệu:
• Lỗi người dung
• Dữ liệu giả
•…
223
Dữ liệu là lợi thế cạnh tranh ‐ Làm sạch dữ

liệu
Thực hiện làm sạch dữ liệu:
• Dò tìm phát hiện lỗi
• Xử lý lỗi (thay thế, sửa đổi, xóa…)
=> Vấn đề của việc làm sạch dữ liệu
• Chi phí lớn
• Phải chia sẻ dữ liệu khi làm sạch (vấn đề bảo mật)
224
112
4/13/2023
Dữ liệu là lợi thế cạnh tranh ‐ Lấp các khoảng

trống trong dữ liệu
• Khoảng trống trong dữ liệu là trường hợp các trường dữ liệu không
có thông tin. Điều này khiến thuật toán tốn thời gian phân tích. Thông
tin thiếu trong vài trường hợp có thể làm thông tin quan trọng.
• Một số cách lấp khoảng trống trong dữ liệu. Không có cách đúng hay
sai hoàn toàn. Người xử lý nên chọn cách phù hợp cho mình.
225
Dữ liệu là lợi thế cạnh tranh ‐ Lấp các khoảng

trống trong dữ liệu
Một số cách lấp khoảng trống trong dữ liệu
• Tự điền giá trị từ dữ liệu tương tự đã có
• Dùng dữ liệu từ thời điểm tương ứng (ví dụ tháng này năm ngoái)
• Nội/ngoại suy giá trị
• Xóa hồ sơ có khoảng trống dữ liệu (với dữ liệu khổng lồ)
226
113
4/13/2023
Robot cho cá nhân
• Một số robot cho cá nhân: Siri, Google Assistant…
227
1. Hãy triển khai trợ lý ảo trên điện thoại cho bạn và trình bày kết quả
2. Hãy chọn một dịch vụ trí thông minh nhân tạo (có thể miễn phí) và
sử dụng để giải quyết vấn đề của bạn và trình bày kết quả.
3. Hãy giải thích, bằng cách nào máy có thể tự học được.
228
228
114
4/13/2023
Cảm ơn!
229
230
115
4/13/2023
Cảm ơn!
231
232
116

Slide AI in Marketing

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Slide AI in Marketing

Uploaded by

Copyright:

Available Formats

4/13/2023

MỤC TIÊU CHƯƠNG 1

Tự động hóa trong marketing

Lợi ích của tự động hóa marketing

Tự động hóa marketing – những tác vụ có thể

Một số ứng dụng AI trong marketing

AI dựa trên quy luật

AI dựa trên dữ liệu

Thiên kiến nhận thức

Thiên kiến nhận thức

Xu hướng số hóa môi trường sống

Xu hướng số hóa môi trường sống

Xu hướng số hóa môi trường sống

Xu hướng số hóa môi trường sống

Rút ngắn thời gian cho hoạt động marketing

Phân tích dữ liệu

Phân tích dữ liệu

Ra quyết định và triển khai hoạt động

Ra quyết định và triển khai hoạt động

Ra quyết định và triển khai hoạt động

CÂU HỎI ÔN TẬP CHƯƠNG 1

MỤC TIÊU CHƯƠNG 2

Người học sau khi hoàn thành chương này có thể

Mô hình học máy

Mô hình học máy

• Có 3 loại học máy

• Học không giám sát: tìm mẫu hình, không có đầu ra mong muốn

• Học tăng cường: thiết kế để tối đa phần thưởng tổng. Vì vậy đây là

Mô hình học máy

• Ưu điểm của học máy ứng dụng trong marketing

• Ứng dụng theo thời gian thực

• Giảm chi phí: nếu áp dụng hiệu quả

Mô hình học máy

Mô hình học máy

• Một số ứng dụng cụ thể của học máy

• Facebook: nhận dạnh khuôn mặt, gắn thẻ

• Google: đề xuất phản hồi trong gmail

• Washington post: tạo nội dung

Mô hình học máy

Mô hình xử lý ngôn ngữ tự nhiên

Mô hình xử lý ngôn ngữ tự nhiên

• Trợ lý ảo là phần mềm, thường là hệ thống trí tuệ nhân tạo để thực

• Một số trợ lý ảo phổ biến: Apple Siri, Google Assistant, Microsoft

• Các yếu tố tiềm năng cho ứng dụng trợ lý ảo:

• Internet of things: các thiết bị được số hóa và kết nối internet nhiều

Mạng neural và học sâu

• Đọc chữ viết tay cẩu thả

• Dịch văn bản từ ngôn ngữ này sang ngôn ngữ kia

Mạng neural và học sâu

CÂU HỎI ÔN TẬP CHƯƠNG 2

MỤC TIÊU CHƯƠNG 3

Người học sau khi hoàn thành chương này có thể

• Giới hạn của con người trong nghiên cứu thị trường.

Những giới hạn của con người trong NCTT

Những giới hạn của con người trong NCTT

Những giới hạn của con người trong NCTT

Những giới hạn của con người trong NCTT

Những giới hạn của con người trong NCTT

Những tính năng vượt trội của kỹ thuật số

Những tính năng vượt trội của kỹ thuật số

Những tính năng vượt trội của kỹ thuật số

Những tính năng vượt trội của kỹ thuật số

Những tính năng vượt trội của kỹ thuật số