Dữ Liệu Sạch Cho AI: 5 Bước Chuẩn Bị Dữ Liệu Khách Hàng
Khi doanh nghiệp bàn về AI, câu hỏi đầu tiên thường là "dùng công cụ nào?". Câu hỏi nên đứng trước nó lại ít khi được đặt ra: dữ liệu khách hàng của chúng ta có đủ tốt để một hệ thống AI dựa vào không? Một khách hàng nằm ở ba bản ghi với ba cách viết tên, một số điện thoại thiếu số, một địa chỉ không còn tồn tại: những lỗi nhỏ này không làm CRM ngừng chạy, nhưng chúng đi thẳng vào câu trả lời của chatbot, vào bản dự báo doanh số, vào email "cá nhân hóa" gửi nhầm người.
Bài này đưa ra 5 bước chuẩn bị dữ liệu khách hàng trước khi triển khai AI, kèm bằng chứng quốc tế (có ghi rõ giới hạn), các điểm đặc thù ở Việt Nam (địa giới hành chính mới, số điện thoại, sự đồng ý theo Luật Bảo vệ dữ liệu cá nhân) và ví dụ thao tác trên Zoho CRM. Tinh thần chung: dữ liệu sạch cho AI không có nghĩa là sạch 100%, mà là đủ sạch cho đúng mục đích bạn định dùng.
Về minh bạch: Phanmembiz là đơn vị triển khai Zoho, nên chúng tôi có lợi ích thương mại khi doanh nghiệp dùng Zoho. Các bước dưới đây áp dụng được cho bất kỳ CRM hay bảng tính nào; phần ví dụ Zoho dựa trên tài liệu trợ giúp chính thức và nói rõ chỗ chưa kiểm chứng. Các khuyến nghị về quy trình là kinh nghiệm và nhận định của chúng tôi, không phải kết quả nghiên cứu; phần pháp lý là tóm tắt để định hướng.
Vì sao dữ liệu là điểm nghẽn: bằng chứng và giới hạn của nó
Ba nguồn quốc tế cùng chỉ về một hướng, nhưng mỗi nguồn có giới hạn cần biết:
- Gartner (2/2025) dự báo rằng đến hết năm 2026, các tổ chức sẽ bỏ 60% dự án AI không có dữ liệu sẵn sàng cho AI. Đây là dự báo của hãng phân tích, không phải kết quả đo, và Gartner không nêu phương pháp. Cũng trong thông cáo, Gartner dẫn kết quả khảo sát: 63% tổ chức hoặc không có, hoặc không chắc mình có, cách quản lý dữ liệu phù hợp cho AI (Gartner, 26/2/2025). Gartner nhấn mạnh dữ liệu sẵn sàng cho AI phải được định nghĩa theo từng trường hợp sử dụng và không phải việc "làm một lần là xong".
- Precisely và Đại học Drexel (khảo sát 565 chuyên gia dữ liệu, nửa đầu năm 2024) ghi nhận 67% không hoàn toàn tin tưởng dữ liệu dùng để ra quyết định (năm trước là 55%), 64% xem chất lượng dữ liệu là thách thức lớn nhất, và chỉ 12% nói dữ liệu của họ đủ chất lượng và khả năng truy cập cho AI (báo cáo Drexel LeBow và Precisely). Lưu ý: Precisely bán phần mềm chất lượng dữ liệu, 454 trong 565 người trả lời ở Mỹ, và đây là khảo sát tự đánh giá.
- Một nghiên cứu đăng trên Harvard Business Review (2017) yêu cầu 75 lãnh đạo kiểm tra 100 bản ghi dữ liệu do bộ phận của mình tạo ra: trung bình 47% bản ghi mới có ít nhất một lỗi nghiêm trọng, và chỉ 3% điểm chất lượng đạt mức "chấp nhận được" theo tiêu chuẩn lỏng nhất (HBR, 11/9/2017). Mẫu nhỏ, đã cũ, và chỉ tính các lỗi "rõ ràng".
Bằng chứng này gợi ý gì, và không chứng minh gì. Nó gợi ý rằng dữ liệu kém chất lượng là chuyện phổ biến và nhiều tổ chức không tự tin về dữ liệu của mình trước khi làm AI. Nó không cho biết dữ liệu của một doanh nghiệp Việt Nam cụ thể kém đến đâu (chúng tôi không tìm được khảo sát về chất lượng dữ liệu khách hàng của SME Việt Nam), không chứng minh rằng chỉ cần làm sạch dữ liệu là dự án AI thành công (đó là điều kiện cần, không phải điều kiện đủ), và dự báo 60% của Gartner chỉ là dự báo. Vì vậy, thay vì tin hay không tin các con số, cách làm có ích hơn là đo thẳng dữ liệu của chính bạn, nội dung của Bước 2.
Nếu dự án AI của bạn đã dừng ở giai đoạn thử nghiệm, xem thêm bài vì sao dự án AI mắc kẹt ở giai đoạn POC, trong đó dữ liệu chỉ là một trong nhiều nguyên nhân.
"Dữ liệu sạch" cho khách hàng nghĩa là gì: 6 tiêu chí
"Sạch" là từ mơ hồ. Để đo được, chúng tôi gợi ý chia thành sáu tiêu chí (khung thực dụng của chúng tôi, tương tự các khung chất lượng dữ liệu phổ biến, không phải chuẩn bắt buộc):
- Đầy đủ: các trường cần cho mục tiêu có giá trị (ví dụ số điện thoại hoặc email, nguồn khách).
- Chính xác: giá trị đúng với thực tế (tên, số điện thoại, địa chỉ còn dùng được).
- Nhất quán: cùng một thứ được ghi theo cùng một cách ("TP.HCM", "Hồ Chí Minh", "HCM" là ba giá trị khác nhau với máy).
- Duy nhất: một khách hàng là một bản ghi, không phải ba.
- Cập nhật: dữ liệu phản ánh tình trạng hiện tại, không phải của ba năm trước.
- Được phép dùng: bạn có căn cứ hợp pháp để dùng dữ liệu đó cho mục đích này.
Tiêu chí 6 là điểm riêng của dữ liệu khách hàng, và ở Việt Nam nó có giá trị pháp lý: Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 (hiệu lực từ 1/1/2026), trong các nguyên tắc ở Điều 3, quy định dữ liệu cá nhân chỉ được xử lý đúng phạm vi, mục đích cụ thể, rõ ràng, và phải được bảo đảm chính xác, được chỉnh sửa, cập nhật khi cần (toàn văn trên hoatieu.vn). Nói cách khác, chính xác và cập nhật vừa là chất lượng dữ liệu, vừa là nghĩa vụ.
Bước 1: Bắt đầu từ mục tiêu kinh doanh, không phải từ dữ liệu
Sai lầm phổ biến là bắt đầu bằng "làm sạch toàn bộ dữ liệu". Đó là việc không có điểm dừng và dễ bỏ dở. Gartner khuyến nghị cách ngược lại: gắn dữ liệu với từng trường hợp sử dụng AI cụ thể và định nghĩa "sẵn sàng cho AI" theo trường hợp đó.
Hãy viết ra trên một trang: bạn muốn AI làm một việc gì, và việc đó cần những trường dữ liệu nào. Ví dụ minh họa (của chúng tôi, để tham khảo cách làm):
| Việc muốn AI làm | Dữ liệu thực sự cần | Rủi ro nếu dữ liệu xấu |
|---|---|---|
| Chatbot trả lời khách về đơn hàng | Mã khách, lịch sử đơn, trạng thái, chính sách hiện hành | Trả lời sai trạng thái hoặc sai chính sách |
| Gợi ý khách có khả năng chốt cao | Nguồn khách, ngày tạo, giai đoạn, kết quả thắng hoặc thua, lý do thua | Mô hình học từ giai đoạn bị nhập sai |
| Email theo phân khúc | Phân khúc, ngôn ngữ, tình trạng đồng ý nhận tin | Gửi nhầm người, gửi cho người chưa đồng ý |
| Tóm tắt lịch sử chăm sóc | Ghi chú, cuộc gọi, email gắn đúng khách | Tóm tắt lẫn lịch sử của hai khách bị trùng |
Cách làm này có hai lợi ích. Một, danh sách trường cần thiết thường ngắn hơn bạn nghĩ, nên khối lượng làm sạch giảm mạnh. Hai, nó phù hợp nguyên tắc chỉ xử lý dữ liệu trong phạm vi, mục đích cụ thể: nếu một trường không phục vụ mục tiêu nào, bạn không cần đưa nó vào AI.
Đầu ra của Bước 1: một trang gồm mục tiêu, danh sách trường dữ liệu cần dùng, và định nghĩa "đủ tốt" cho mục tiêu đó (ví dụ "bản ghi đủ các trường bắt buộc và không trùng").
Bước 2: Kiểm kê nguồn và đo "sức khỏe" dữ liệu bằng bài kiểm tra 100 bản ghi
Kiểm kê nguồn. Liệt kê nơi dữ liệu khách hàng đang nằm: CRM, file Excel của từng nhân viên, danh bạ Zalo, biểu mẫu website, phần mềm kế toán, sàn thương mại điện tử. Với mỗi nguồn, ghi lại: ai chịu trách nhiệm, có bao nhiêu bản ghi (ước lượng), cập nhật lần cuối khi nào. Thường bạn sẽ thấy cùng một khách hàng nằm ở nhiều nơi với thông tin khác nhau; Bước 4 sẽ xử lý chuyện này.
Bài kiểm tra 100 bản ghi. Lấy cảm hứng từ phương pháp của nghiên cứu HBR nhưng áp dụng cho dữ liệu của bạn:
- Lấy ngẫu nhiên 100 bản ghi từ nguồn chính (CRM hoặc file khách hàng chính).
- Với mỗi bản ghi, kiểm tra theo sáu tiêu chí ở trên, chỉ trên các trường đã chọn ở Bước 1.
- Đánh dấu bản ghi "có lỗi" nếu vi phạm ít nhất một tiêu chí, rồi tính tỷ lệ bản ghi có lỗi.
- Ghi lại loại lỗi phổ biến nhất (thiếu số điện thoại, trùng, định dạng lẫn lộn...).
Không có ngưỡng "chuẩn" nào áp dụng cho mọi doanh nghiệp: con số 47% của nghiên cứu HBR đến từ một mẫu nhỏ, cũ và không phải của Việt Nam, nên đừng dùng nó làm điểm so sánh. Hãy tự đặt ngưỡng theo mục tiêu ở Bước 1: một chatbot trả lời khách hàng có thể cần ngưỡng rất chặt với trạng thái đơn hàng, nhưng dễ dãi hơn với trường "sở thích".
Đầu ra của Bước 2: bảng nguồn dữ liệu, tỷ lệ bản ghi có lỗi, ba loại lỗi phổ biến nhất. Đây là cơ sở để quyết định làm AI ngay hay làm sạch trước.
Bước 3: Làm sạch và chuẩn hóa, theo đúng thứ tự
Thứ tự gợi ý của chúng tôi: sao lưu, xử lý trùng, chuẩn hóa định dạng, bổ sung chỗ thiếu, lưu trữ dữ liệu cũ. Chuẩn hóa định dạng trước khi xử lý trùng cũng được, nhưng sao lưu luôn phải đi đầu, vì có những thao tác không hoàn tác được (xem phần Zoho bên dưới).
Xử lý bản ghi trùng
Khách hàng "Nguyễn Văn An" nằm ở ba bản ghi, mỗi bản ghi giữ một mẩu lịch sử, là lỗi gây hại nhất cho AI, vì mô hình sẽ thấy ba khách hàng ít tương tác thay vì một khách hàng gắn bó. Hãy chọn một khóa nhận diện (số điện thoại đã chuẩn hóa, email, hoặc mã số thuế với khách hàng doanh nghiệp) làm căn cứ.
Ví dụ trên Zoho CRM, theo tài liệu trợ giúp chính thức:
- Ngăn trùng ngay từ đầu: có thể đặt một trường bất kỳ là "duy nhất". Việc kiểm tra áp dụng khi tạo, sửa bản ghi thủ công, khi nhập file, qua API và biểu mẫu web, nhưng không áp dụng cho một số đường như chế độ xem Zoho Sheet, di chuyển dữ liệu, khôi phục từ thùng rác hoặc đồng bộ danh bạ. Kiểm tra email trùng giữa Leads và Contacts là một thiết lập phải bật riêng cho từng module; với biểu mẫu web, bản ghi trùng được chuyển sang chờ duyệt (Checking duplicate records).
- Gộp tự động: công cụ gộp trùng cho phép chọn tối đa 3 trường làm căn cứ. Bản ghi chính được chọn theo thời điểm hoạt động gần nhất và không đổi được bằng tay, các bản ghi bị gộp bị xóa vĩnh viễn, không hoàn tác được, và CRM không lưu báo cáo liệt kê những bản ghi đã gộp (Auto-merge duplicates).
- Gộp thủ công: mỗi lần gộp tối đa 3 bản ghi, và bản ghi bị gộp cũng bị xóa vĩnh viễn (Merging duplicate records).
Hệ quả thực tế (suy luận của chúng tôi từ các giới hạn trên): hãy xuất bản sao lưu toàn bộ trước khi gộp, chạy thử trên một nhóm nhỏ, và tự ghi lại danh sách đã gộp. Tài liệu Zoho không nêu tính năng này có ở những gói nào; hãy kiểm tra trên tài khoản của bạn.
Chuẩn hóa định dạng, với vài điểm đặc thù ở Việt Nam
- Số điện thoại: thống nhất một định dạng, ví dụ dạng quốc tế (+84...). Danh sách lâu năm có thể còn số 11 chữ số: các nhà mạng chuyển thuê bao di động từ 11 số sang 10 số từ 15/9/2018 (VOV), nên các số cũ có thể đã đổi đầu số.
- Địa chỉ: ngày 12/6/2025, Quốc hội thông qua nghị quyết sắp xếp đơn vị hành chính cấp tỉnh từ 63 xuống 34 (28 tỉnh và 6 thành phố trực thuộc trung ương); chính quyền địa phương hai cấp vận hành từ 1/7/2025, bỏ cấp huyện (Vietnam Law Magazine). Hệ quả cho dữ liệu của bạn (suy luận của chúng tôi): địa chỉ lưu theo "quận/huyện, tỉnh" cũ không còn khớp với đơn vị hành chính hiện hành; nếu AI dùng địa chỉ để phân vùng, giao hàng hoặc chia khu vực bán hàng, hãy chuẩn hóa. Nên giữ nguyên chuỗi địa chỉ gốc và thêm các trường chuẩn hóa mới, thay vì ghi đè.
- Họ tên có dấu: một chữ có dấu có thể được lưu theo hai cách mã hóa Unicode khác nhau, và nhiều người nhập không dấu, nên máy có thể coi "Nguyễn" là các giá trị khác nhau. Hãy chuẩn hóa mã hóa và dùng khóa nhận diện ổn định (số điện thoại, mã số thuế) thay vì khớp theo tên.
- Tên công ty: "Công ty TNHH ABC" và "ABC Co., Ltd" nên cùng trỏ về một mã số thuế.
- Trường gõ tự do: chuyển các trường hay bị gõ tay (thành phố, ngành, nguồn khách) thành danh sách chọn để giá trị không bị biến tấu.
Dữ liệu thiếu và dữ liệu cũ
Với trường bị thiếu, hãy ghi nhận là "chưa biết" thay vì điền phỏng đoán, nhất là phỏng đoán do AI tạo ra: một giá trị đoán sai trông giống giá trị thật và khó phát hiện về sau (nhận định của chúng tôi). Với bản ghi lâu không có hoạt động, hãy đánh dấu "không hoạt động" và quyết định thời gian lưu trữ, vì nguyên tắc lưu trữ dữ liệu cá nhân theo mục đích xử lý nghĩa là không nên giữ vô thời hạn.
Đầu ra của Bước 3: nhóm dữ liệu phục vụ mục tiêu ở Bước 1 đạt ngưỡng bạn đã đặt, kèm bản sao lưu và nhật ký những gì đã thay đổi.
Bước 4: Hợp nhất nguồn, và kiểm tra quyền được dùng dữ liệu
Một "nguồn sự thật". Quyết định hệ thống nào là nơi chủ cho từng loại thông tin (ví dụ CRM giữ thông tin liên hệ và lịch sử chăm sóc, phần mềm kế toán giữ công nợ), và các hệ thống khác chỉ đồng bộ về. Gán cho mỗi khách hàng một mã duy nhất xuyên suốt. Không có điều này, AI sẽ phải tự "đoán" thông tin nào đúng khi hai nguồn mâu thuẫn. Chủ đề này được bàn thêm trong bài đồng bộ dữ liệu giữa sales, marketing và chăm sóc khách hàng.
Dữ liệu này có được dùng cho mục đích này không? Đây là bước nhiều doanh nghiệp bỏ qua vì nó nằm giữa kỹ thuật và pháp lý. Theo Luật Bảo vệ dữ liệu cá nhân và Nghị định 356/2025/NĐ-CP:
- Sự đồng ý (Điều 9 của Luật) chỉ có giá trị khi tự nguyện và người đồng ý biết rõ loại dữ liệu, mục đích, bên xử lý và quyền của mình; phải được thể hiện rõ ràng, cụ thể; phải đưa ra riêng cho từng mục đích; và "im lặng hoặc không phản hồi" không được coi là đồng ý.
- Quyền của chủ thể dữ liệu (Điều 4) gồm quyền được biết, đồng ý hoặc từ chối và rút lại sự đồng ý, xem và yêu cầu chỉnh sửa, yêu cầu xóa hoặc hạn chế xử lý, phản đối, khiếu nại.
- Theo tóm tắt của PwC về Nghị định 356, không được đặt sẵn lựa chọn "đồng ý" mặc định, và thời hạn xử lý yêu cầu của chủ thể dữ liệu là "lên đến 30 ngày", có thể gia hạn tùy mức độ phức tạp (Nghị định 13/2023 trước đây quy định 72 giờ) (PwC Việt Nam, 1/2026).
- Mua, bán dữ liệu cá nhân bị cấm, trừ trường hợp luật có quy định khác (Điều 7 của Luật); mức phạt tối đa với tổ chức vi phạm có thể tới 10 lần khoản thu có được từ hành vi vi phạm (Điều 8) (Điều 8). Hệ quả thực tế: đừng đưa các danh sách mua sẵn hoặc "xin" từ nguồn không rõ vào CRM rồi cho AI chạy trên đó.
Điều này gắn trực tiếp với chất lượng dữ liệu. Nếu một khách hàng nằm ở ba bản ghi trùng, việc tìm toàn bộ dữ liệu của họ để đáp ứng yêu cầu xóa hoặc chỉnh sửa đúng hạn sẽ khó hơn nhiều (suy luận của chúng tôi). Nghĩa là làm sạch ở Bước 3 cũng là chuẩn bị cho nghĩa vụ ở Bước 4.
Ghi nhận sự đồng ý trong hệ thống. Zoho CRM có chức năng quản lý sự đồng ý: ghi cơ sở xử lý dữ liệu, cách thức nhận sự đồng ý (email hoặc cuộc gọi), ngày đồng ý, và theo dõi các trạng thái Pending, Waiting, Obtained, Not Responded cho Contacts, Leads, Vendors và module tùy chỉnh (Zoho CRM Consent Management). Chức năng này nằm trong mục thiết lập tuân thủ GDPR; tài liệu không nói nó phù hợp với luật Việt Nam hay gói nào có tính năng này. Hãy xem nó là công cụ ghi nhận, không phải bảo đảm tuân thủ. Dù dùng công cụ nào, mỗi bản ghi nên cho biết: khách đồng ý điều gì, khi nào, bằng cách nào.
Phân loại dữ liệu trước khi đưa vào công cụ AI. Dữ liệu cá nhân của khách hàng thuộc mức "đỏ" trong mẫu chính sách sử dụng AI nội bộ của chúng tôi: không đưa vào công cụ AI khi chưa có phê duyệt.
Lưu ý về doanh nghiệp nhỏ: Điều 38 của Luật cho phép doanh nghiệp nhỏ và doanh nghiệp khởi nghiệp được chọn thực hiện hoặc không một số nghĩa vụ (đánh giá tác động, cập nhật hồ sơ đánh giá, chỉ định nhân sự hoặc đơn vị bảo vệ dữ liệu) trong 5 năm kể từ 1/1/2026; hộ kinh doanh và doanh nghiệp siêu nhỏ không phải thực hiện các nghĩa vụ đó. Ngoại lệ này không áp dụng khi doanh nghiệp cung cấp dịch vụ xử lý dữ liệu cá nhân, trực tiếp xử lý dữ liệu nhạy cảm, hoặc xử lý dữ liệu của số lượng lớn chủ thể (Điều 38). Theo cách đọc của chúng tôi, ngoại lệ này không miễn các nguyên tắc xử lý, sự đồng ý hay quyền của khách hàng. Hãy hỏi luật sư trước khi dựa vào nó.
Đầu ra của Bước 4: sơ đồ "nguồn chủ" cho từng loại dữ liệu, mỗi bản ghi dùng cho AI trả lời được câu hỏi "đồng ý cho mục đích gì", và danh sách nguồn bị loại vì không rõ căn cứ.
Bước 5: Đặt quy tắc để dữ liệu không bẩn trở lại
Làm sạch một lần mà không có quy tắc giữ sạch thì sau vài tháng dữ liệu sẽ bẩn lại. Gartner mô tả dữ liệu sẵn sàng cho AI là một thực hành liên tục và khuyến nghị kiểm thử, giám sát dữ liệu thường xuyên. Với doanh nghiệp nhỏ, điều đó có thể gói trong bốn việc:
- Người chịu trách nhiệm. Mỗi nhóm trường dữ liệu có một người phụ trách (ví dụ trưởng bộ phận bán hàng với giai đoạn và kết quả giao dịch; bộ phận chăm sóc khách hàng với thông tin liên hệ).
- Chặn lỗi ở cửa vào. Trường bắt buộc, danh sách chọn thay cho gõ tay, quy tắc trường duy nhất (xem ví dụ Zoho ở Bước 3), kiểm tra định dạng số điện thoại và email.
- Bốn chỉ số "sức khỏe" theo dõi hằng tháng (gợi ý của chúng tôi): tỷ lệ bản ghi trùng; tỷ lệ bản ghi đủ các trường bắt buộc; tỷ lệ bản ghi đúng định dạng; tỷ lệ bản ghi có hoạt động hoặc được xác nhận trong 12 tháng gần nhất. Mỗi tháng, lặp lại bài kiểm tra 100 bản ghi ở Bước 2 trên một mẫu mới.
- Quy trình xử lý yêu cầu của khách hàng. Ai nhận yêu cầu xem, sửa, xóa dữ liệu; tìm dữ liệu ở đâu; trả lời trong bao lâu; ghi nhận ra sao. Đây là lúc dữ liệu không trùng và có nguồn chủ ở Bước 4 phát huy tác dụng.
Khi muốn đo xem AI có đáng đầu tư không, các chỉ số dữ liệu này nên đi cùng khung trong bài đo ROI của AI trong doanh nghiệp nhỏ.
Cổng kiểm tra trước khi triển khai AI
Trước khi ký hợp đồng hoặc bật tính năng AI, hãy trả lời năm câu hỏi (bộ câu hỏi do chúng tôi gợi ý, ngưỡng do bạn đặt):
| Bước | Câu hỏi | Đạt khi |
|---|---|---|
| 1. Mục tiêu | Đã có một việc cụ thể và danh sách trường dữ liệu cần dùng chưa? | Có một trang viết sẵn |
| 2. Đo lường | Đã chạy bài kiểm tra 100 bản ghi và biết tỷ lệ lỗi chưa? | Có số liệu của chính bạn |
| 3. Làm sạch | Tỷ lệ lỗi của các trường cần dùng đã dưới ngưỡng bạn đặt chưa? | Đạt ngưỡng, có sao lưu |
| 4. Hợp nhất và pháp lý | Mỗi loại dữ liệu có "nguồn chủ"? Có căn cứ và sự đồng ý cho mục đích này? | Luật sư đã rà |
| 5. Duy trì | Có người chịu trách nhiệm và chỉ số theo dõi hằng tháng? | Đã đặt lịch rà soát |
Nếu chưa đạt, điều đó chưa có nghĩa là "không làm AI": nó chỉ có nghĩa phần chuẩn bị còn dang dở, và dự án AI sẽ phải trả giá cho điều đó về sau.
Câu hỏi thường gặp
Dữ liệu phải sạch 100% mới dùng được AI không?
Không. Chúng tôi không thấy bằng chứng nào cho thấy cần mức đó. Gartner nhấn mạnh việc định nghĩa dữ liệu "sẵn sàng" theo từng trường hợp sử dụng, nên mục tiêu thực tế là "đủ sạch cho mục tiêu cụ thể", với ngưỡng bạn tự đặt ở Bước 1 và 2.
Doanh nghiệp tôi chỉ dùng Excel, chưa có CRM, có làm được không?
Được. Năm bước vẫn áp dụng: chọn khóa nhận diện (số điện thoại chuẩn hóa, email, mã số thuế), lọc trùng bằng chức năng của bảng tính, chuẩn hóa định dạng và đặt quy tắc nhập liệu. Khi số khách hàng tăng, CRM giúp chặn trùng ngay lúc nhập, như ví dụ Zoho ở Bước 3.
Có nên dùng AI để làm sạch dữ liệu không?
AI có thể hỗ trợ (ví dụ gợi ý các bản ghi nghi trùng), nhưng chúng tôi chưa có bằng chứng về độ chính xác của cách làm này trên dữ liệu khách hàng Việt Nam. Hãy giữ người duyệt, kiểm tra theo mẫu, và đừng dán dữ liệu cá nhân của khách hàng vào công cụ AI công khai.
Mất bao lâu để chuẩn bị dữ liệu?
Chúng tôi không có số liệu chuẩn, vì điều đó phụ thuộc vào số nguồn, số bản ghi và mức độ lộn xộn. Bài kiểm tra 100 bản ghi ở Bước 2 thường là cách nhanh nhất để ước lượng, vì nó cho bạn thấy loại lỗi chiếm đa số.
Chuẩn bị dữ liệu có phải việc của bộ phận IT không?
Một phần. IT làm được phần kỹ thuật (trùng, định dạng), nhưng các quyết định như "cần trường nào", "thế nào là đúng", "ai chịu trách nhiệm" thuộc về người làm kinh doanh và vận hành (Bước 1, 4 và 5).
Khách hàng yêu cầu xóa dữ liệu của họ thì sao?
Luật Bảo vệ dữ liệu cá nhân ghi nhận quyền yêu cầu xóa hoặc hạn chế xử lý (Điều 4). Cách xử lý cụ thể, thời hạn và các trường hợp ngoại lệ cần luật sư xác nhận; về phía dữ liệu, bạn cần tìm được mọi bản ghi của khách hàng đó, tức là cần dữ liệu không trùng và có nguồn chủ.
Kết: AI không làm sạch dữ liệu thay bạn, nó khuếch đại những gì có sẵn
Gartner dự báo nhiều dự án AI sẽ bị bỏ vì dữ liệu chưa sẵn sàng, và các khảo sát quốc tế cho thấy nhiều tổ chức không tin dữ liệu của chính mình. Chúng tôi không có số liệu cho doanh nghiệp Việt Nam, nhưng bạn không cần chờ: bài kiểm tra 100 bản ghi cho bạn câu trả lời của chính mình trong một buổi chiều. Nếu kết quả tốt, bạn có thể bắt đầu dự án AI với sự tự tin có cơ sở. Nếu không, bạn vừa tránh được một dự án thử nghiệm sắp thất bại.
Nếu bạn muốn kiểm tra chất lượng dữ liệu trong CRM, thiết lập quy tắc chống trùng, ghi nhận sự đồng ý và chuẩn hóa dữ liệu trước khi triển khai AI, đội ngũ Phanmembiz có thể cùng bạn thực hiện, trên Zoho hoặc trên hệ thống bạn đang dùng.
